Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales

Descripción del Articulo

En este estudio, se planteó como meta desarrollar un enfoque de regresión lineal con Machine Learning para la compensación de energía reactiva en instalaciones industriales. Se adoptó una metodología de investigación aplicada con un diseño no experimental, empleando variables cuantitativas. Para alc...

Descripción completa

Detalles Bibliográficos
Autores: Gomez Enrique, Juan Luis, Sanchez Calvay, Neyser Edgar
Formato: tesis de grado
Fecha de Publicación:2023
Institución:Universidad Cesar Vallejo
Repositorio:UCV-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.ucv.edu.pe:20.500.12692/149930
Enlace del recurso:https://hdl.handle.net/20.500.12692/149930
Nivel de acceso:acceso abierto
Materia:Regresión
Lineal
Compensación
Reactiva
Machine
Learning
https://purl.org/pe-repo/ocde/ford#2.03.01
id UCVV_34e6f4d9642d046b82580b05f5cd9f81
oai_identifier_str oai:repositorio.ucv.edu.pe:20.500.12692/149930
network_acronym_str UCVV
network_name_str UCV-Institucional
repository_id_str 3741
dc.title.es_PE.fl_str_mv Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
title Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
spellingShingle Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
Gomez Enrique, Juan Luis
Regresión
Lineal
Compensación
Reactiva
Machine
Learning
https://purl.org/pe-repo/ocde/ford#2.03.01
title_short Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
title_full Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
title_fullStr Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
title_full_unstemmed Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
title_sort Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
author Gomez Enrique, Juan Luis
author_facet Gomez Enrique, Juan Luis
Sanchez Calvay, Neyser Edgar
author_role author
author2 Sanchez Calvay, Neyser Edgar
author2_role author
dc.contributor.advisor.fl_str_mv Serrepe Ranno, Miriam Marcela
dc.contributor.author.fl_str_mv Gomez Enrique, Juan Luis
Sanchez Calvay, Neyser Edgar
dc.subject.es_PE.fl_str_mv Regresión
Lineal
Compensación
Reactiva
Machine
Learning
topic Regresión
Lineal
Compensación
Reactiva
Machine
Learning
https://purl.org/pe-repo/ocde/ford#2.03.01
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.03.01
description En este estudio, se planteó como meta desarrollar un enfoque de regresión lineal con Machine Learning para la compensación de energía reactiva en instalaciones industriales. Se adoptó una metodología de investigación aplicada con un diseño no experimental, empleando variables cuantitativas. Para alcanzar el objetivo, se examinaron las características del suministro eléctrico mediante un analizador de redes, luego se procesó los datos recopilados en Matlab, aplicando la metodología de Machine Learning. En base a los datos recopilados, se dimensionó un banco de condensadores, obteniendo una compensación de energía reactiva de 202.50 kVAR y un factor de potencia de 0.97. Finalmente, se evaluó la viabilidad del proyecto, utilizando el beneficio obtenido y la inversión necesaria para la ejecución del proyecto. Los resultados indicaron que la propuesta de compensación de energía reactiva es altamente factible.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2024-09-30T15:04:06Z
dc.date.available.none.fl_str_mv 2024-09-30T15:04:06Z
dc.date.issued.fl_str_mv 2023
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12692/149930
url https://hdl.handle.net/20.500.12692/149930
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv https://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/4.0/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad César Vallejo
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.es_PE.fl_str_mv Repositorio Institucional - UCV
Universidad César Vallejo
dc.source.none.fl_str_mv reponame:UCV-Institucional
instname:Universidad Cesar Vallejo
instacron:UCV
instname_str Universidad Cesar Vallejo
instacron_str UCV
institution UCV
reponame_str UCV-Institucional
collection UCV-Institucional
bitstream.url.fl_str_mv https://repositorio.ucv.edu.pe/bitstream/20.500.12692/149930/1/Gomez_EJL-Sanchez_CNE-SD.pdf
https://repositorio.ucv.edu.pe/bitstream/20.500.12692/149930/2/Gomez_EJL-Sanchez_CNE-IT.pdf
https://repositorio.ucv.edu.pe/bitstream/20.500.12692/149930/3/Gomez_EJL-Sanchez_CNE.pdf
https://repositorio.ucv.edu.pe/bitstream/20.500.12692/149930/4/license.txt
bitstream.checksum.fl_str_mv 58cdf49afe4e3f031b4750b56c255530
742d33199b61460e4bb381fd873cb165
abc6e1504c0ef65bff2257b2fc24481e
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio de la Universidad César Vallejo
repository.mail.fl_str_mv repositorio@ucv.edu.pe
_version_ 1812360502593978368
spelling Serrepe Ranno, Miriam MarcelaGomez Enrique, Juan LuisSanchez Calvay, Neyser Edgar2024-09-30T15:04:06Z2024-09-30T15:04:06Z2023https://hdl.handle.net/20.500.12692/149930En este estudio, se planteó como meta desarrollar un enfoque de regresión lineal con Machine Learning para la compensación de energía reactiva en instalaciones industriales. Se adoptó una metodología de investigación aplicada con un diseño no experimental, empleando variables cuantitativas. Para alcanzar el objetivo, se examinaron las características del suministro eléctrico mediante un analizador de redes, luego se procesó los datos recopilados en Matlab, aplicando la metodología de Machine Learning. En base a los datos recopilados, se dimensionó un banco de condensadores, obteniendo una compensación de energía reactiva de 202.50 kVAR y un factor de potencia de 0.97. Finalmente, se evaluó la viabilidad del proyecto, utilizando el beneficio obtenido y la inversión necesaria para la ejecución del proyecto. Los resultados indicaron que la propuesta de compensación de energía reactiva es altamente factible.TrujilloEscuela de Ingeniería Mecánica EléctricaSistemas y Planes de MantenimientoDesarrollo sostenible, emprendimientos y responsabilidad social.Enfoque de género, inclusión social y diversidad culturalIgualdad de géneroSEMIPRESENCIALapplication/pdfspaUniversidad César VallejoPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/Repositorio Institucional - UCVUniversidad César Vallejoreponame:UCV-Institucionalinstname:Universidad Cesar Vallejoinstacron:UCVRegresiónLinealCompensaciónReactivaMachineLearninghttps://purl.org/pe-repo/ocde/ford#2.03.01Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industrialesinfo:eu-repo/semantics/bachelorThesisSUNEDUIngeniería Mecánica EléctricaUniversidad César Vallejo. Facultad de Ingeniería y ArquitecturaIngeniero Mecánico Electricista06437594https://orcid.org/0000-0001-9342-17171812659940867849713076Luján López, Jorge EduardoPelaez Chavez, Victor HugoSerrepe Ranno, Miriam Marcelahttps://purl.org/pe-repo/renati/level#tituloProfesionalhttps://purl.org/pe-repo/renati/type#tesisORIGINALGomez_EJL-Sanchez_CNE-SD.pdfGomez_EJL-Sanchez_CNE-SD.pdfapplication/pdf1790591https://repositorio.ucv.edu.pe/bitstream/20.500.12692/149930/1/Gomez_EJL-Sanchez_CNE-SD.pdf58cdf49afe4e3f031b4750b56c255530MD51Gomez_EJL-Sanchez_CNE-IT.pdfGomez_EJL-Sanchez_CNE-IT.pdfapplication/pdf5326697https://repositorio.ucv.edu.pe/bitstream/20.500.12692/149930/2/Gomez_EJL-Sanchez_CNE-IT.pdf742d33199b61460e4bb381fd873cb165MD52Gomez_EJL-Sanchez_CNE.pdfGomez_EJL-Sanchez_CNE.pdfapplication/pdf1780877https://repositorio.ucv.edu.pe/bitstream/20.500.12692/149930/3/Gomez_EJL-Sanchez_CNE.pdfabc6e1504c0ef65bff2257b2fc24481eMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ucv.edu.pe/bitstream/20.500.12692/149930/4/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5420.500.12692/149930oai:repositorio.ucv.edu.pe:20.500.12692/1499302024-09-30 10:04:06.376Repositorio de la Universidad César Vallejorepositorio@ucv.edu.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
score 13.919782
Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares