Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales
Este trabajo de integración curricular aborda el Flujo Óptimo de Potencia (OPF), que representa un problema de optimización complejo de resolver en tiempo real, por su requerimiento de tiempo computacional, debido a su naturaleza no lineal y no convexa, propias de las características físicas de la r...
Saved in:
| Main Author: | |
|---|---|
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
2025
|
| Subjects: | |
| Online Access: | https://bibdigital.epn.edu.ec/handle/15000/26905 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850797106614239232 |
|---|---|
| author | Quisaguano Paredes, André Hernán |
| author_facet | Quisaguano Paredes, André Hernán |
| author_role | author |
| collection | Repositorio Escuela Politécnica Nacional |
| dc.creator.none.fl_str_mv | Quisaguano Paredes, André Hernán |
| dc.date.none.fl_str_mv | 2025-10-30T17:30:03Z 2025-10-30T17:30:03Z 2025-10-30 |
| dc.identifier.none.fl_str_mv | Quisaguano Paredes, A.H.(2025). Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales. 67 páginas. Quito : EPN. T-IE 6151/CD CD 15513 https://bibdigital.epn.edu.ec/handle/15000/26905 |
| dc.language.none.fl_str_mv | spa |
| dc.publisher.none.fl_str_mv | Quito : EPN, 2025. |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositorio Escuela Politécnica Nacional instname:Escuela Politécnica Nacional instacron:EPN |
| dc.subject.none.fl_str_mv | FLUJO DE POTENCIA SISTEMAS ELÉCTRICOS DE POTENCIA REDES NEURONALES PROGRAMAS COMPUTACIONALES ALGORITMOS DE OPTIMIZACIÓN FLUJO ÓPTIMO DE POTENCIA OPTIMIZACIÓN BINIVEL PRECIOS MARGINALES LOCALES MATPOWER |
| dc.title.none.fl_str_mv | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales |
| dc.type.none.fl_str_mv | info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/bachelorThesis |
| description | Este trabajo de integración curricular aborda el Flujo Óptimo de Potencia (OPF), que representa un problema de optimización complejo de resolver en tiempo real, por su requerimiento de tiempo computacional, debido a su naturaleza no lineal y no convexa, propias de las características físicas de la red eléctrica. Como alternativa, se emplea el modelo OPF-DC, una versión simplificada, que recurre a diversas aproximaciones para facilitar su resolución. No obstante, estas reducciones generan discrepancias importantes con respeto al primero. Para reducir esta brecha, se propone una metodología basada en una programación de dos niveles, llamada binivel, utilizando un código desarrollado en Julia. En el primero, se resuelve un problema aproximado denominado OPF-DC y en el segundo se incorporan restricciones a los parámetros de ajuste de la demanda de potencia activa, que permiten incorporar parte de la información perdida en dichas simplificaciones. Estos parámetros son aprendidos a través del entrenamiento fuera de línea en una red neuronal totalmente supervisada, escrita en lenguaje Python, que utiliza como referencia las soluciones obtenidas del modelo OPF-AC y del problema de optimización binivel. Estos parámetros permiten ajustar de forma subóptima la demanda, mejorando significativamente la precisión del modelo OPF-DC, en términos de costos totales, precios marginales locales y despachos de generación. Esta metodología es aplicada a los sistemas del IEEE, de 30 y 57 barras, cuyos resultados permiten deducir que la aproximación OPF-DC es válida respecto a los proporcionados por el OPF-AC. |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | EPN_35732bbf6fdd00c98e4dcfa00018dbe5 |
| identifier_str_mv | Quisaguano Paredes, A.H.(2025). Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales. 67 páginas. Quito : EPN. T-IE 6151/CD CD 15513 |
| instacron_str | EPN |
| institution | EPN |
| instname_str | Escuela Politécnica Nacional |
| language | spa |
| network_acronym_str | EPN |
| network_name_str | Repositorio Escuela Politécnica Nacional |
| oai_identifier_str | oai:bibdigital.epn.edu.ec:15000/26905 |
| publishDate | 2025 |
| publisher.none.fl_str_mv | Quito : EPN, 2025. |
| reponame_str | Repositorio Escuela Politécnica Nacional |
| repository.mail.fl_str_mv | . |
| repository.name.fl_str_mv | Repositorio Escuela Politécnica Nacional - Escuela Politécnica Nacional |
| repository_id_str | 1553 |
| spelling | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronalesQuisaguano Paredes, André HernánFLUJO DE POTENCIASISTEMAS ELÉCTRICOS DE POTENCIAREDES NEURONALESPROGRAMAS COMPUTACIONALESALGORITMOS DE OPTIMIZACIÓNFLUJO ÓPTIMO DE POTENCIAOPTIMIZACIÓN BINIVELPRECIOS MARGINALES LOCALESMATPOWEREste trabajo de integración curricular aborda el Flujo Óptimo de Potencia (OPF), que representa un problema de optimización complejo de resolver en tiempo real, por su requerimiento de tiempo computacional, debido a su naturaleza no lineal y no convexa, propias de las características físicas de la red eléctrica. Como alternativa, se emplea el modelo OPF-DC, una versión simplificada, que recurre a diversas aproximaciones para facilitar su resolución. No obstante, estas reducciones generan discrepancias importantes con respeto al primero. Para reducir esta brecha, se propone una metodología basada en una programación de dos niveles, llamada binivel, utilizando un código desarrollado en Julia. En el primero, se resuelve un problema aproximado denominado OPF-DC y en el segundo se incorporan restricciones a los parámetros de ajuste de la demanda de potencia activa, que permiten incorporar parte de la información perdida en dichas simplificaciones. Estos parámetros son aprendidos a través del entrenamiento fuera de línea en una red neuronal totalmente supervisada, escrita en lenguaje Python, que utiliza como referencia las soluciones obtenidas del modelo OPF-AC y del problema de optimización binivel. Estos parámetros permiten ajustar de forma subóptima la demanda, mejorando significativamente la precisión del modelo OPF-DC, en términos de costos totales, precios marginales locales y despachos de generación. Esta metodología es aplicada a los sistemas del IEEE, de 30 y 57 barras, cuyos resultados permiten deducir que la aproximación OPF-DC es válida respecto a los proporcionados por el OPF-AC.This curricular integration project addresses the Optimal Power Flow (OPF) problem, a complex optimization challenge that is difficult to solve in real time due to its high computational demands, stemming from the nonlinear and non-convex nature of electrical power networks. As an alternative, the DC Optimal Power Flow (DC-OPF) model—a simplified version that relies on various approximations to ease computation—is commonly used. However, such simplifications introduce significant discrepancies compared to the original model. To bridge this gap, a bilevel optimization methodology is proposed, implemented using Julia. At the upper level, the DC-OPF model is solved, while the lower level imposes constraints on parameters that adjust active power demand, allowing the model to recover part of the information lost through simplification. These adjustment parameters are learned offline through a fully supervised neural network, implemented in Python, trained using solutions obtained from both the AC-OPF model and the bilevel optimization problem. The learned parameters enable suboptimal demand adjustments that significantly improve the accuracy of the DC-OPF model in terms of total cost, locational marginal prices (LMPs), and generation dispatch. This methodology is applied to IEEE test systems of 30 and 57 buses, demonstrating that the adjusted DC-OPF approximation yields results that are consistent with those from the more detailed AC-OPF model.Játiva Ibarra, Jesús Amado, director.Quito : EPN, 2025.2025-10-30T17:30:03Z2025-10-30T17:30:03Z2025-10-30info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisQuisaguano Paredes, A.H.(2025). Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales. 67 páginas. Quito : EPN.T-IE 6151/CD CD 15513https://bibdigital.epn.edu.ec/handle/15000/26905spainfo:eu-repo/semantics/openAccessreponame:Repositorio Escuela Politécnica Nacionalinstname:Escuela Politécnica Nacionalinstacron:EPN2025-10-30T17:30:03Zoai:bibdigital.epn.edu.ec:15000/26905Institucionalhttps://bibdigital.epn.edu.ec/Universidad públicahttps://www.epn.edu.ec/https://bibdigital.epn.edu.ec/oai.Ecuador...opendoar:15532025-10-30T17:30:03Repositorio Escuela Politécnica Nacional - Escuela Politécnica Nacionalfalse |
| spellingShingle | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales Quisaguano Paredes, André Hernán FLUJO DE POTENCIA SISTEMAS ELÉCTRICOS DE POTENCIA REDES NEURONALES PROGRAMAS COMPUTACIONALES ALGORITMOS DE OPTIMIZACIÓN FLUJO ÓPTIMO DE POTENCIA OPTIMIZACIÓN BINIVEL PRECIOS MARGINALES LOCALES MATPOWER |
| status_str | publishedVersion |
| title | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales |
| title_full | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales |
| title_fullStr | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales |
| title_full_unstemmed | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales |
| title_short | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales |
| title_sort | Aproximación paramétrica del flujo óptimo de potencia usando redes neuronales : programa computacional para estudiar la aproximación paramétrica del flujo óptimo de potencia ac usando redes neuronales |
| topic | FLUJO DE POTENCIA SISTEMAS ELÉCTRICOS DE POTENCIA REDES NEURONALES PROGRAMAS COMPUTACIONALES ALGORITMOS DE OPTIMIZACIÓN FLUJO ÓPTIMO DE POTENCIA OPTIMIZACIÓN BINIVEL PRECIOS MARGINALES LOCALES MATPOWER |
| url | https://bibdigital.epn.edu.ec/handle/15000/26905 |