Trabajo Fin de Máster
Aplicación de técnicas de Inteligencia Artificial para definir una metodología de predicción de carga en transformadores MT/BT no observables
Autor/es | Carmona Pardo, Rubén |
Director | Villa Jaén, Antonio de la |
Departamento | Universidad de Sevilla. Departamento de Ingeniería Eléctrica |
Fecha de publicación | 2022 |
Fecha de depósito | 2023-01-18 |
Titulación | Universidad de Sevilla. Máster en Sistemas de Energía Eléctrica |
Resumen | En este Trabajo Fin de Máster (TFM) se presenta el desarrollo de una metodología de predicción de curvas de
potencia en transformadores MT/BT instalados en las redes de distribución eléctrica y para los que no existe
ningún ... En este Trabajo Fin de Máster (TFM) se presenta el desarrollo de una metodología de predicción de curvas de potencia en transformadores MT/BT instalados en las redes de distribución eléctrica y para los que no existe ningún equipo de medida ni sensor instalado en él o en el Centro de Transformación donde se aloje, es decir, transformadores no observables. En primer lugar, se hace una breve introducción sobre las redes de distribución eléctrica, los transformadores de potencia MT/BT y una revisión del estado del arte de las diferentes técnicas de predicción de potencia o carga relacionadas con transformadores MT/BT. Posteriormente se describe el caso de uso principal del TFM y el entorno del Smartcity Málaga Living Lab cuyos datos se han utilizado. Asimismo se detalla en profundidad todos los datos que se han considerado. En segundo lugar, se introducen los conceptos básicos de Inteligencia Artificial (IA), y se describen con detalle los modelos evaluados en este TFM así como otras técnicas de analítica de datos y Machine Learning que se han utilizado. A continuación se presentan los resultados obtenidos en las dos pruebas realizadas, una con el conjunto de datos original y otra con datos procesados con clustering. Todos los resultados de estas pruebas se han evaluado tanto gráfica como numéricamente utilizando las métricas MAE (del inglés Mean Average Error) y MSE (del inglés Mean Squared Error). Finalmente, se comparan los resultados obtenidos con los que se obtendrían con otros procedimientos más deterministas. Además, se aplica esta misma metodología en la predicción de potencia a futuro y se presentan los resultados. This Master’s Thesis presents the development of a novel methodology that pursues the prediction of active power values in distribution network power transformers for whom there is no electrical behaviour data available, ... This Master’s Thesis presents the development of a novel methodology that pursues the prediction of active power values in distribution network power transformers for whom there is no electrical behaviour data available, namely, non-observable distribution network power transformer. In the first place, it is given a brief description about power distribution networks and transformers, and the stateof-art about prediction techniques on this field is reviewed. Afterwards it is described the main use case of this Thesis and the Smartcity Málaga Living Lab, whose data have been used in this work. Likewise, it is deeply detailed all the variables used from the data. Secondly, it is introduced the basis about Artificial Intelligence (AI) and it has been explained in greater detail the different models evaluated in this work, as well as other Data Analytics and Machine Learning techniques applied. Then, all the results are presented, split in two tests carried out: one using the whole set of the original data, and the second after processing it. These results have been evaluated graphically, plotting some charts in the document, and numerically using MAE and MSE metrics. Finally, prior results are compared with those delivered by other deterministic approaches. Also, it is presented the results of the methodology here developed applied to forecast active power. |
Cita | Carmona Pardo, R. (2022). Aplicación de técnicas de Inteligencia Artificial para definir una metodología de predicción de carga en transformadores MT/BT no observables. (Trabajo Fin de Máster Inédito). Universidad de Sevilla, Sevilla. |
Ficheros | Tamaño | Formato | Ver | Descripción |
---|---|---|---|---|
TFM2362_Carmona Pardo.pdf | 6.387Mb | [PDF] | Ver/ | |