Reconfiguración óptima de redes de distribución eléctrica para la reducción de pérdidas de potencia activas mediante el algoritmo de luciérnagas FA y su comparación con el algoritmo genético GA

Read full text Summarise with VIRAT
Authors: Diego Francisco Fernández Pilataxi
Cited by: 0
References: 19

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Las redes de distribución eléctrica presentan pérdidas de potencia activa debido a su configuración radial y al constante aumento de la demanda, lo que afecta a la calidad y eficiencia del suministro eléctrico. Con este precedente, el objetivo de este estudio fue evaluar la reconfiguración óptima de la red de distribución para reducir estas pérdidas utilizando el algoritmo de Luciérnagas (FA) y comparándolo con el algoritmo Genético (GA). Se utilizó un sistema IEEE de 30 barras implementando ambos algoritmos en el entorno de MATLAB 2024a para el proceso de optimización y utilizando el Software DIgSILENT PowerFactory 2022 para validar los perfiles de voltaje, teniendo en cuenta las restricciones operativas del sistema. Se evidenció que ambos métodos conducen a un mejor rendimiento en la red; sin embargo, el algoritmo (FA) logró una mayor reducción en la pérdida de potencia activa, un perfil de voltaje más suave, y proporcionó una convergencia más estable en comparación con el algoritmo (GA). Es por ello, que la reconfiguración óptima mediante el (FA) se establece como un alternativa confiable y eficiente para mejorar el desempeño de las redes de distribución de energía sin requerir cambios en la infraestructura existente.

Fields of Study & Subjects

Optimal Power Flow Distribution Metaheuristic Optimization Algorithms Research Power System Optimization and Stability

Publication details

Journal / source
Universidad Politécnica Salesiana Repositorio Digital (Universidad Politécnica Salesiana)
Publication date
1 March 2026
Language
ES
Document type
Thesis