Compensación de la tensión de secuencia negativa en múltiples nodos de una microrred eléctrica mediante machine learning
El presente trabajo aborda el control de una falla de tipo 2, caracterizada por un cortocircuito entre dos fases de una carga significativa dentro de una microrred aislada (grid‑forming), lo que provoca la propagación de un desbalance de voltaje a lo largo del sistema. Para analizar este escenario,...
| Author: | |
|---|---|
| Format: | master thesis |
| Publication Date: | 2026 |
| Country: | España |
| Institution: | Universitat Politècnica de Catalunya (UPC) |
| Repository: | UPCommons. Portal del coneixement obert de la UPC |
| Language: | Spanish |
| OAI Identifier: | oai:upcommons.upc.edu:2117/457331 |
| Online Access: | https://hdl.handle.net/2117/457331 |
| Access Level: | Open access |
| Keyword: | Microgrids (Smart power grids) Electric current converters Machine learning Bayesian statistical decision theory Voltaje de secuencia negativa Corrección Remota Control Optimo Machine Learning GPR SVM Random Forest Regressor Optimizacion Bayesiana (BO). Microxarxes (Xarxes elèctriques intel·ligents) Convertidors de corrent elèctric Aprenentatge automàtic Estadística bayesiana Àrees temàtiques de la UPC::Enginyeria electrònica::Electrònica de potència::Convertidors de corrent elèctric Àrees temàtiques de la UPC::Enginyeria elèctrica::Distribució d’energia elèctrica::Xarxes elèctriques |
| Summary: | El presente trabajo aborda el control de una falla de tipo 2, caracterizada por un cortocircuito entre dos fases de una carga significativa dentro de una microrred aislada (grid‑forming), lo que provoca la propagación de un desbalance de voltaje a lo largo del sistema. Para analizar este escenario, se desarrolla un modelo en Simulink compuesto por dos inversores como fuentes de energía no convencional y cuatro nodos dispuestos en una topología en anillo, incorporando en uno de ellos una carga resistiva para emular la condición de falla. Sobre la base del lazo de control existente, basado en el método Droop y la impedancia virtual, se integra un método de medición en línea de los voltajes de secuencia positiva y negativa. A partir de estas mediciones, se evalúa la efectividad de tres estrategias de control —proporcional, integral e integral amortiguado— para mitigar el voltaje de secuencia negativa. Tras seleccionar la estrategia más adecuada, se construye una base de datos con las lecturas obtenidas en los nodos relevantes bajo distintas combinaciones de parámetros de los controladores. Posteriormente, se analiza el desempeño de tres algoritmos de Machine Learning para predecir la respuesta del sistema empleando las métricas MAE, RMSE y R². Finalmente, se aplica un optimizador basado en el modelo más eficaz para minimizar una función de coste dependiente de los voltajes de secuencia negativa en estado estacionario de cada nodo, verificando mediante simulación la validez de los puntos óptimos obtenidos. Los resultados demuestran la aplicabilidad de enfoques basados en ML para el control óptimo de inversores ante fallas de tipo 2. |
|---|