Dimensionamiento y caracterización de las curvas de carga de transformadores de distribución utilizando clustering y modelos predictivos de aprendizaje automático

Abstract

El dimensionamiento eficiente y la caracterización de las curvas de carga de los transformadores de distribución son desafíos cruciales para las empresas eléctricas, especialmente ante la creciente variabilidad de la demanda, impulsada por cargas emergentes como los vehículos eléctricos. Este estudio aplica técnicas de clustering y modelos predictivos para analizar y predecir el comportamiento de la demanda de los transformadores, optimizar los factores de utilización y mejorar la planificación de la infraestructura. Se evaluaron tres algoritmos de clustering, K-shape, DBSCAN y DTW con K-means, para determinar cuál caracteriza mejor las curvas de carga de los transformadores. Los resultados muestran que DTW con K-means proporciona la mejor segmentación, con una similitud de correlación cruzada de 0.9552 y un índice de consistencia temporal de 0.9642. Para la modelación predictiva, se probaron algoritmos supervisados, donde Random Forest alcanzó la mayor precisión al predecir el tipo de curva de carga correspondiente para cada transformador (0.78), y el modelo SVR obtuvo el mejor desempeño en la predicción de la carga máxima, explicando el 90% de la variabilidad de la carga (R² = 0.90). Los modelos fueron aplicados a 16,696 transformadores del sector eléctrico ecuatoriano, validando la predicción de carga con una precisión del 98.55%. Adicionalmente, la asignación optimizada de la potencia nominal de los transformadores redujo la capacidad instalada en 39.27%, incrementando el factor de utilización de los transformadores de 31.79% a 52.35%. Estos hallazgos resaltan el valor de los enfoques basados en datos para optimizar los sistemas de distribución eléctrica.