Thesis: Physics-informed Machine Learning for the Sparse and Distributed Operation of Active Distribution Networks under Uncertainty
| datacite.subject.fos | Engineering and technology | |
| dc.contributor.department | Departamento de Electricidad | |
| dc.contributor.guia | Angulo Cardenas, Alejandro Alberto | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Huerta Quian, Miguel Angel | |
| dc.date.accessioned | 2025-08-05T17:00:15Z | |
| dc.date.available | 2025-08-05T17:00:15Z | |
| dc.date.issued | 2025-06-27 | |
| dc.description.abstract | Legacy distribution systems need to adjust to emerging operational contexts. The rise in distributed generation will introduce efficiency challenges, and the limited communication capabilities of these systems hinder centralized control methods. Academic research has thus focused on distributed control strategies for photovoltaic generators to enhance operations and handle uncertainties. Traditional literature approaches utilize distribution system models for optimizing control parameters, which presents a computational challenge. This thesis work presents a new framework for defining local operational policies for distributed generators by integrating machine learning algorithms into a control structure for real–time operational solutions. The work focuses on the design, training and integration of an intelligent agent that optimizes local operation under conditions of uncertainty, while minimizing energy consumption and voltage violations. The intelligent agent takes advantage of the physical structure of the system and causal relationships, processing the uncertainty of the system and historical data to adjust local controllers. Computational experiments demonstrate the effectiveness of the proposed method, surpassing state–of–the–art frameworks in scenarios of high penetration of renewable energies. The approach guarantees high economic efficiency and effective voltage regulation, while addressing the physical interpretability of machine learning models in energy systems. Sensitivity studies and simulation results confirm that the methodology outperforms traditional methods and manages distribution networks efficiently under conditions of uncertainty. | en_US |
| dc.description.abstract | Los sistemas de distribución tradicionales deben adaptarse a los nuevos contextos operativos. El auge de la generación distribuida presentará desafíos de eficiencia, y las limitadas capacidades de comunicación de estos sistemas dificultan los métodos de control centralizado. Por ello, la investigación académica se ha centrado en estrategias de control distribuido para generadores fotovoltaicos con el fin de optimizar las operaciones y gestionar la incertidumbre. Los enfoques tradicionales de la literatura utilizan modelos de sistemas de distribución para optimizar los parámetros de control, lo que supone un desafío computacional. Esta tesis presenta un nuevo marco para definir políticas operativas locales para generadores distribuidos mediante la integración de algoritmos de aprendizaje automático en una estructura de control para soluciones operativas en tiempo real. El trabajo se centra en el diseño, el entrenamiento y la integración de un agente inteligente que optimiza la operación local en condiciones de incertidumbre, a la vez que minimiza el consumo de energía y las violaciones de tensión. El agente inteligente aprovecha la estructura física del sistema y las relaciones causales, procesando la incertidumbre del sistema y los datos históricos para ajustar los controladores locales. Los experimentos computacionales demuestran la eficacia del método propuesto, superando los marcos de referencia más avanzados en escenarios de alta penetración de energías renovables. El enfoque garantiza una alta eficiencia económica y una regulación de tensión eficaz, a la vez que aborda la interpretabilidad física de los modelos de aprendizaje automático en sistemas energéticos. Los estudios de sensibilidad y los resultados de simulación confirman que la metodología supera a los métodos tradicionales y gestiona las redes de distribución de manera eficiente en condiciones de incertidumbre. | es |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Eléctrica | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 71 páginas | |
| dc.identifier.doi | 10.71959/yt4z-rx82 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/3925 | |
| dc.identifier.uri | https://doi.org/10.71959/yt4z-rx82 | |
| dc.language.iso | en | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Active distribution networks | |
| dc.subject | distributed generation | |
| dc.subject | artificial neural network | |
| dc.subject | physics–informed machine learning | |
| dc.subject.ods | 7 Energía asequible y no contaminante | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.subject.ods | 13 Acción por el clima | |
| dc.subject.ods | 11 Ciudades y comunidades sostenibles | |
| dc.title | Physics-informed Machine Learning for the Sparse and Distributed Operation of Active Distribution Networks under Uncertainty | |
| dspace.entity.type | Tesis |
Política de Privacidad 
