Show simple item record

dc.contributor.advisorSandoval Martínez, Gloria Esmeralda
dc.contributor.advisorGrisales Noreña, Luis Fernando
dc.contributor.authorEsteban López, Andrés Felipe
dc.contributor.authorPeña Becerra, Juan Felipe
dc.date.accessioned2024-05-02T15:34:12Z
dc.date.available2024-05-02T15:34:12Z
dc.date.issued2022
dc.identifier.urihttps://repositorio.ufps.edu.co/handle/ufps/7111
dc.description.abstractEste trabajo de investigación, presenta la reducción de pérdidas de energía en un sistema radial de distribución de prueba, mediante la inclusión de la generación distribuida con energía solar, aplicando las técnicas de optimización PSO y SCA, el cual es simulado en MATLAB. Para la realización de este trabajo se parte conociendo la ubicación óptima de los generadores de distribución. La implementación de este trabajo es presentada con un sistema de prueba de 33 nodos, el cual se consideran tres escenarios para la simulación. El primero consiste en la simulación de flujos de potencia 24 horas donde se incluye los datos de la demanda en Colombia; en el segundo escenario se incluye la ubicación de los generadores de distribución junto con la curva de radiación de la ciudad de Medellín; en el tercer escenario se aplican las técnicas de optimización PSO y SCA para hallar la configuración de potencia adecuada de los generadores, para reducir las pérdidas de energía del sistema y se realiza una comparación para analizar cuál de ellos se adapta mejor a esta investigación. Los resultados obtenidos muestran que cuando se integra la generación distribuida en el sistema de distribución existe una reducción de pérdidas de potencia.spa
dc.description.tableofcontentsIntroducción 14 1. Objetivos 16 1.1 Objetivo General 16 1.2 Objetivos Específicos 16 2. Flujos de Carga en Sistemas de Distribución y Métodos de Optimización 17 2.1 Conceptos Relevantes de un Sistema de Distribución y Flujo de Carga 17 2.1.1 Matriz de Admitancia 20 2.1.2 Ecuaciones para el Flujo de Potencia de una Red Eléctrica 21 2.2 Métodos de Flujo de Carga 23 2.2.1 Aproximaciones Sucesivas 23 2.2.2 Barrido Iterativo 27 2.3 Optimización 32 2.3.1 Variables de decisión 33 2.3.2 Restricciones 34 2.3.3 Función objetivo 35 2.4 Flujos Óptimos de Potencia 35 2.4.1 Modelo matemático 36 2.4.2 Restricciones 37 2.5 Optimización por Enjambre de Partículas (PSO) 38 2.6 Algoritmo Seno Coseno (SCA) 41 3. Programación de los Flujos de Carga de un Sistema de Distribución en Matlab 44 3.1 Elección del Sistema de Prueba con sus Variables y Parámetros 44 3.2 Representación en Programas Especializados 46 3.2.1 Ejecución del flujo de carga en un sistema radial sin GD en Digsilent 46 3.2.2 Desarrollo de la Programación del Flujo de Carga en Matlab sin GD 58 3.2.2.1 Programación del Método de Barrido Iterativo 58 3.2.2.2 Programación del Método de Aproximaciones Sucesivas 66 3.2.3 Programación de los Flujos de Carga en Matlab 24 Horas con y sin GD 70 3.2.3.1 Programación del Método Aproximaciones Sucesivas 24 Horas sin GD 70 3.2.3.2 Programación del Método Aproximaciones Sucesivas 24 Horas con GD 84 4 Flujos Óptimos de Potencia 92 4.1 Algoritmo PSO (Optimización por Enjambre de Partículas) 92 4.1.1 Método de Avance de la Técnica de Optimización 100 4.2 Algoritmo SCA (Senos y Cosenos) 103 4.2.1 Método de Avance de la Técnica de Optimización SCA 105 5. Análisis e Interpretación de los Resultados 113 5.1 Resultados de las Corrientes con GD Optimizada y sin GD. 115 5.2 Resultados de Voltajes con GD Optimizado y sin GD 117 5.3 Resultados de Pérdidas de Energía hora a hora con GD optimizado y sin GD 119 5.4 Resultados de las pérdidas totales con GD Optimizado y sin GD 121 6. Conclusiones 123 7. Recomendaciones 126 8. Referencias 127 9. Anexos 130spa
dc.format.extent149 páginas. ilustraciones. 2.286 KBspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherUniversidad Francisco de Paula Santanderspa
dc.rightsDerechos Reservados - Universidad Francisco de Paula Santandereng
dc.sourcehttps://catalogobiblioteca.ufps.edu.co/descargas/tesis/1091210_1091176.pdfspa
dc.titleProponer y evaluar de una estrategia de flujo óptimo de potencia en redes de corriente alterna para reducción de pérdidas de energía considerando la operación de paneles fotovoltaicoseng
dc.typeTrabajo de grado - Pregradospa
dcterms.referencesClerc, M., & Kennedy, J. (2002). The particle swarm - explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation, 6(1), 58–73. https://doi.org/10.1109/4235.985692spa
dcterms.referencesCordero, F., Del Valle, T., & Morales, A. (2019). USOS DE LA OPTIMIZACIÓN DE INGENIEROS EN FORMACIÓN: EL ROL DE LA INGENIERÍA MECATRÓNICA Y DE LA OBRA DE LAGRANGE. Revista Latinoamericana de Investigación En Matemática Educativa.spa
dcterms.referencesEberhart, R., & Kennedy, J. (1995). A new optimizer using particle swarm theory. In MHS’95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science (pp. 39–43). https://doi.org/10.1109/MHS.1995.494215spa
dcterms.referencesELECTRONICA R2M, S. A. D. C. V. (n.d.). Lineas de Distribución Eléctrica Primaria. https://www.electronicar2m.com/mantenimiento-y-construccion-de-lineas-de-distribucionelectrica-primaria/spa
dcterms.referencesnen . . ELECTRIC POWER TRANSMISSION SYSTEM ENGINEERING. https://www.dropbox.com/sh/1sst84x6ky7wg29/w6pH6G9rDRspa
dcterms.referencesGrainger, J. J., & Stevenson Jr, W. D. (1996). Analisis de sistemas de potencia. https://docs.google.com/file/d/0ByA6qgvaKBUNbWNxR28tN25Zd0k/edit?resourcekey=0- Vsmf-ufbbbogh2KEO1G-7Qspa
dcterms.referencesGrisales-Noreña, L. F., González Montoya, D., & Ramos-Paja, C. A. (2018a). Optimal Sizing and Location of DistributedGenerators Based on PBIL and PSO Techniques. Energies. https://doi.org/10.3390spa
dcterms.referencesGrisales-Noreña, L. F., González Montoya, D., & Ramos-Paja, C. A. (2018b). Optimal Sizing and Location of DistributedGenerators Based on PBIL and PSO Techniques. Energies. https://doi.org/10.3390spa
dcterms.referencesGrisales Noreña, L. F., & Giraldo Montoya, O. D. (2020). An exact MINLP model for optimal location and sizing of DGs in distribution networks: A general algebraic modeling system approach. Ain Shams Engineering Journal, 11(2), 409–418.spa
dcterms.referencesHafez, A. I., Zawbaa, H. M., Emary, E., & Hassanien, A. E. (2016). Sine cosine optimization algorithm for feature selection. In 2016 International Symposium on INnovations in Intelligent SysTems and Applications (INISTA) (pp. 1–5). https://doi.org/10.1109/INISTA.2016.7571853spa
dcterms.referencesHerrera Briñez, M. C. (2021). Formulacion y comparacion de cinco metodos para el analisis de flujo de potencia en sistemas de distribucion AC en el software MATLAB. Universidad Distrital Francisco Jose de Caldas.spa
dcterms.referencesHistoricos de demanda XM. (n.d.). https://www.xm.com.co/consumo/historicos-dedemanda#:~:text=El sábado mantiene un consumo,consumo de energía eléctrica similar.spa
dcterms.referencesInstituto Colombiano de Normas Técnicas y Certificación (ICONTEC). (1998). CÓDIGO ELÉCTRICO COLOMBIANO. https://www.armada.mil.co/sites/default/files/normograma_arc/mantenimiento1/NTC 2050.pdfspa
dcterms.referencesJatmiko, W., Sekiyama, K., & Fukuda, T. (2007). A pso-based mobile robot for odor source localization in dynamic advection-diffusion with obstacles environment: theory, simulation and measurement. IEEE Computational Intelligence Magazine, 2(2), 37–51. https://doi.org/10.1109/MCI.2007.353419spa
dcterms.referencesLópez-Lezama, J. M., Villada, F., & Muñoz, N. (2015). Metaheurísticas Aplicadas a la Ubicación y Dimensionamiento Óptimo de Generación Distribuida en Sistemas de Distribución de Energía Eléctrica. Información Tecnológica, 145–158. https://doi.org/10.4067/S0718-07642015000400018spa
dcterms.referencesLopéz Lezama, J. M., & Gallego Pareja, L. A. (2008). Flujo de potencia óptimo usando el método del gradiente para reducción de pérdidas en sistemas de potencia ”. Ingenieria y Ciencias, 4(7), 15.spa
dcterms.referencesMaynard Smith, J. (1978). OPTIMIZATION THEORY IN EVOLUTION. Annual Reviews, 26.spa
dcterms.referencesMeneu Gaya, R., Pérez Salamero González, J. M., & Ventura Marco, M. (1999). Fundamentos de Optimización Matemática en Economía. https://doi.org/10.13140/RG.2.1.2605.8402spa
dcterms.referencesMirjalili, S. (2016). SCA: A Sine Cosine Algorithm for solving optimization problems. Knowledge-Based Systems, 96, 120–133. https://doi.org/https://doi.org/10.1016/j.knosys.2015.12.022spa
dcterms.referencesMosquera, F., & Carrión, D. (2019). Localización óptima de plantas virtuales de generación en sistemas eléctricos de potencia basados en flujos óptimos de potenica. UTP, 13.spa
dcterms.referencesPérez Peña, R. (2019). Introducción A LOS MODELOS DE OPTIMIZACIÓN.spa
dcterms.referencesRamos, A., Sanchez, P., Ferrer, J. M., & Linares, P. (2010). Modelos Matemáticos de Optimización.spa
dcterms.referencesSchmieg, M. (1985). Digsilent.spa
dcterms.referencesSchweickardt, G., & Miranda, V. (2010). Metaheurística FEPSO aplicada a problemas de Optimización Combinatoria: Balance de Fases en Sistemas de Distribución Eléctrica. Redalyc.Org, 32.spa
dcterms.referencesShi, Y., & Eberhart, R. (1998). A modified particle swarm optimizer. In 1998 IEEE International Conference on Evolutionary Computation Proceedings. IEEE World Congress on Computational Intelligence (Cat. No.98TH8360 (pp. 69–73). https://doi.org/10.1109/ICEC.1998.699146spa
dcterms.referencesVelasquez Rodríguez, O. S. (2019). Flujo de potencia ´optimo en redes de corriente continua empleando un algoritmo de optimizaci´on basado en agujeros negros.spa
dcterms.referencesWang, D., Tan, D., & Liu, L. (2017). Particle swarm optimization algorithm: an overview. Soft Computing SP.spa
dcterms.referencesWang, G.-G., Gandomi, A. H., & Alavi, A. H. (2014). An effective krill herd algorithm with migration operator in biogeography-based optimization. Elsevier, 38(9–10), 9.https://doi.org/https://doi.org/10.1016/j.apm.2013.10.052spa
dc.contributor.corporatenameUniversidad Francisco de Paula Santanderspa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) Electromecánico(a)spa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeSan Jose de Cúcutaspa
dc.publisher.programIngeniería Electromecánicaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)spa
dc.subject.armarcEnergía solar
dc.subject.armarcGeneradores de distribución
dc.subject.lembPérdidas de energía
dc.subject.lembgeneración distribuida
dc.subject.lembOptimización
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dc.contributor.juryGallego Rodríguez, German Enrique
dc.contributor.juryTarazona Celis, Cristian Leonardo


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record