Antecedentes Académicos

La demanda de electricidad se ha incrementado de manera sostenida en la última década, aumentado considerablemente las exigencias en el suministro de energía. A pesar de ello, los sistemas eléctricos de Transmisión y Distribución han seguido operando de la misma manera con mínima inversión, resultando en sistemas eléctricos ineficientes y cada vez más inestables. Esto generó la necesidad de un nuevo sistema de red inteligente que pueda manejar eficientemente este panorama. Las Redes Eléctricas Inteligentes o Smart Grids (SG) posibilitan el acceso a datos sobre la red eléctrica en tiempo real, permitiendo la implementación de soluciones que respaldan o asisten en la toma de decisiones y optimizar así la gestión de la distribución eléctrica. Sin embargo, el progreso de las Smart Grids en Argentina es relativamente lento, y la aplicación de dichas técnicas resulta un verdadero desafío por la falta de información requerida para implementarlas. Se propone en esta Tesis el desarrollo de un conjunto de algoritmos basados en técnicas de Inteligencia Artificial y Análisis de Datos, para la asistencia en la toma de decisiones. El objetivo de este trabajo es mejorar la eficiencia, optimizar el uso de recursos involucrados en el sistema de distribución, y reducir las inversiones necesarias para lograrlo, especialmente en la última milla y considerando la limitada disponibilidad de información que tenemos en nuestro país. En pos de lograr esta meta, se propone en primer lugar un método para estimar la vida útil de transformadores de distribución, determinando el impacto que sufren estos equipos por sobrecargas. El mismo utiliza un modelo matemático basado en normas de cargabilidad internacionales, el cual fue ajustado para su correcto uso bajo condiciones locales. El sistema utiliza Algoritmos Genéticos para optimizar los parámetros involucrados, agregándose además estimaciones de radiación solar para incluirlas en el modelo térmico. Luego, se abordó el problema de la identificación de fases y detección del transformador para clientes domiciliarios dentro de la red de distribución eléctrica de baja potencia, como parte principal de la tesis. Las estimaciones de fase de clientes permiten reducir el tiempo de respuesta de las contingencias, mejorar la detección de pérdidas y aplicar diferentes técnicas para mejorar la calidad del servicio y la eficiencia de la gestión del sistema de distribución eléctrica y del uso de la energía. Se desarrollaron dos métodos diferentes para la identificación de fase y detección de transformador, el primero basado en análisis estadístico y el segundo basado en Algoritmos Evolutivos. Los mismos presentan como ventaja frente a métodos similares, que no requieren el uso de equipos especializados y funcionan con baja penetración de medidores inteligentes. Por último, se propone una aplicación de la identificación de fases al problema de balance la carga en transformadores trifásicos, minimizando la inversión necesaria. Finalmente, para validar las propuestas se utilizaron datos reales provistos por la Empresa de Distribución de Eléctrica de Tucumán. A través de ellos se hicieron diferentes simulaciones que permitieron determinar la precisión de las estimaciones realizadas, como así también la eficiencia de los algoritmos.

La presente invención pertenece al campo técnico de la medición de variables y análisis de datos en sistemas de provisión y distribución de energía eléctrica en general, en particular, enfocado a la identificación de fase y vinculación con la Subestación Transformadora de clientes en redes de distribución de baja tensión y Microgrids. La misma se refiere a un método para la identificación de fases y la vinculación con transformadores en redes de distribución de electricidad de baja tensión, basado en un procedimiento estocástico de optimización combinatoria, el cual requiere mediciones sincronizadas de la energía consumida por cada fase de los Nodos Fuente de Energía (distribuidores) y de la energía consumida individualmente por al menos un 10% de los Nodos Consumidores de Energía (clientes) conectados a una Microgrid, donde al menos 70% de dichos Nodos Consumidores de Energía reciben energía de dicho Nodo Fuente de Energía y es resistente a falta de datos.