Reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica
La demanda de energía eléctrica actual requiere de adiciones de infraestructura en los sistemas de transmisión que se vuelven más grandes cada vez. Una planificación de la expansión del sistema de transmisión (TEP) se encarga de identificar las adiciones necesarias en el sistema eléctrico. Sin em...
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | submittedVersion |
| Language: | spa |
| Published: |
Universidad de Cuenca
2023
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/42589 |
| _version_ | 1785802328404656128 |
|---|---|
| author | Minchala Naula, Wilson Patricio |
| author2 | Torres Contreras, Santiago Patricio |
| author_facet | Torres Contreras, Santiago Patricio Minchala Naula, Wilson Patricio |
| author_sort | Minchala Naula, Wilson Patricio |
| collection | DSpace |
| description | La demanda de energía eléctrica actual requiere de adiciones de infraestructura en los
sistemas de transmisión que se vuelven más grandes cada vez. Una planificación de la
expansión del sistema de transmisión (TEP) se encarga de identificar las adiciones
necesarias en el sistema eléctrico. Sin embargo, ese proceso resulta difícil debido a la
cantidad de variables a tratar. Estas variables son el resultado del número líneas candidatas
que se consideran (espacio de búsqueda) en un modelo de optimización. En este trabajo se
presenta una estrategia de agrupación de líneas candidatas con el objetivo de reducir este
espacio de búsqueda. Esta estrategia combina herramientas del aprendizaje no supervisado
como el clustering y el análisis de la operación del Sistema de Suministro de Energía Eléctrica
(SSEE) llamados flujos óptimos de potencia. Esta combinación sirve para clasificar las líneas
candidatas bajo 3 criterios: sobrecarga, mínimo esfuerzo y costo-beneficio. Estos criterios se
aplican a cada sistema de estudio que se analiza: Garver 6 Barras, IEEE 24 Barras y IEEE
188 Barras, para determinar el más apropiado en cada caso. Esto con el fin de formar e
identificar grupos de líneas poco representativos para descartarlos, dando como resultado un
nuevo espacio de búsqueda reducido para los sistemas y conseguir una mejora significativa
en la eficiencia del proceso de Planificación de la Expansión de Sistemas de Transmisión. |
| format | submittedVersion |
| id | oai:dspace.ucuenca.edu.ec:123456789-42589 |
| institution | Universidad de Cuenca |
| language | spa |
| publishDate | 2023 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-425892023-08-31T12:08:16Z Reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica Minchala Naula, Wilson Patricio Torres Contreras, Santiago Patricio Ingeniería Eléctrica Sistemas de transmisión Suministro de energía Sistema eléctrico CIUC::Ingenierías::Tecnología Energética::Transmisión de Energía La demanda de energía eléctrica actual requiere de adiciones de infraestructura en los sistemas de transmisión que se vuelven más grandes cada vez. Una planificación de la expansión del sistema de transmisión (TEP) se encarga de identificar las adiciones necesarias en el sistema eléctrico. Sin embargo, ese proceso resulta difícil debido a la cantidad de variables a tratar. Estas variables son el resultado del número líneas candidatas que se consideran (espacio de búsqueda) en un modelo de optimización. En este trabajo se presenta una estrategia de agrupación de líneas candidatas con el objetivo de reducir este espacio de búsqueda. Esta estrategia combina herramientas del aprendizaje no supervisado como el clustering y el análisis de la operación del Sistema de Suministro de Energía Eléctrica (SSEE) llamados flujos óptimos de potencia. Esta combinación sirve para clasificar las líneas candidatas bajo 3 criterios: sobrecarga, mínimo esfuerzo y costo-beneficio. Estos criterios se aplican a cada sistema de estudio que se analiza: Garver 6 Barras, IEEE 24 Barras y IEEE 188 Barras, para determinar el más apropiado en cada caso. Esto con el fin de formar e identificar grupos de líneas poco representativos para descartarlos, dando como resultado un nuevo espacio de búsqueda reducido para los sistemas y conseguir una mejora significativa en la eficiencia del proceso de Planificación de la Expansión de Sistemas de Transmisión. The current demand for electrical energy requires infrastructure additions to transmission systems that are becoming larger and larger. A transmission system expansion planning (TEP) is responsible for identifying necessary additions to the power system. However, this process is difficult due to the number of variables to deal with. These variables are the result of the number of candidate lines to consider (search space) in an optimization model. In this paper, a candidate line clustering strategy is presented with the objective of reducing this search space. This strategy combines unsupervised learning tools such as clustering and the analysis of the operation of the Electric Power Supply System (ESS) called optimal power flows. This combination is used to classify the candidate lines under 3 criteria: overload, least effort and cost-benefit. These criteria are applied to each study system under analysis: Garver 6 Buses, IEEE 24 Buses and IEEE 188 Buses, to determine the most appropriate in each case. All this in order to form and identify unrepresentative line groups to discard, resulting in a new reduced search space for the systems and achieving a significant improvement in the efficiency of the Transmission System Expansion Planning process. 0000-0002-8803-6811 2023-08-04T16:15:19Z 2023-08-04T16:15:19Z 2023-08-02 submittedVersion http://dspace.ucuenca.edu.ec/handle/123456789/42589 spa TE;506 Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ openAccess application/pdf 40 páginas application/pdf Universidad de Cuenca |
| spellingShingle | Ingeniería Eléctrica Sistemas de transmisión Suministro de energía Sistema eléctrico CIUC::Ingenierías::Tecnología Energética::Transmisión de Energía Minchala Naula, Wilson Patricio Reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica |
| title | Reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica |
| title_full | Reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica |
| title_fullStr | Reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica |
| title_full_unstemmed | Reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica |
| title_short | Reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica |
| title_sort | reducción de espacio de búsqueda usando algoritmos de aprendizaje no supervisado aplicado al problema de la expansión del sistema de transmisión de energía eléctrica |
| topic | Ingeniería Eléctrica Sistemas de transmisión Suministro de energía Sistema eléctrico CIUC::Ingenierías::Tecnología Energética::Transmisión de Energía |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/42589 |
| work_keys_str_mv | AT minchalanaulawilsonpatricio reducciondeespaciodebusquedausandoalgoritmosdeaprendizajenosupervisadoaplicadoalproblemadelaexpansiondelsistemadetransmisiondeenergiaelectrica |