[spa] Uno de los problemas recurrentes en la distribución eléctrica consiste en determinar a qué fases se encuentran conectados los diferentes consumidores dado que, esta información no suele registrarse y los mecanismos de identificación manuales conllevan un alto coste para las distribuidoras, en términos de horas de operación. La identificación de fases es esencial para afrontar la problemática del desequilibrio de fases en las redes de distribución de baja tensión puesto que, ésta provoca pérdidas de energía significativas y reduce la vida útil de los componentes de la red, además de contribuir a una reducción de la calidad en el suministro. A su vez, el reciente desarrollo de las redes inteligentes (Smart Grids) ha provocado un despliegue masivo de equipos de telegestión, que monitorizan numerosas variables de los puntos de consumo. En consecuencia, han posibilitado el surgimiento de una serie de técnicas innovadoras basadas en el aprendizaje automático y Big data, que hacen posible resolver el problema de identificación de fases de forma automática y con un bajo coste asociado. Así, en el presente trabajo se ha desarrollado una herramienta numérica basada en aprendizaje automático para identificar las fases de los contadores inteligentes en redes de distribución ramificadas, a partir de los datos proporcionados por la empresa distribuidora Vall de Sóller Energia SLU. En concreto, los métodos implementados se basan en la clasificación de series temporales de las tensiones medidas de los contadores y se fundamentan en los algoritmos de Prim y K-Means. Dicha herramienta se ha desarrollado en forma de aplicación Web mediante Python. Los resultados obtenidos en el presente trabajo han servido para minimizar el desequilibrio de cargas de la red de distribución estudiada, habiéndose comprobado experimentalmente.
[eng] A widespread problem in the electrical power industry is identification of which phase is connected to each consumer. This information is not often recorded and the mechanisms to manually identify them impose excessive costs on utilities. Phase identification is important because it is necessary to solve the phase balancing problem on low voltage distribution networks, since unbalanced phases lead to significant losses and shorten the lifespan of the grid assets. The recent development of Smart Grids has led a massive deployment of smart meters, which monitor several variables on each point of consumption. Therefore, many innovative techniques based on machine learning and big data have surged, so that it is possible to solve the phase balancing problem in an automatic way. Thus, in this project a Python Web application based on machine learning has been developed thanks to the data provided by an electricity distribution company called Vall de Sóller Energia SLU to perform the phase identification task. In particular, the implemented methods are based on clustering voltage time series, obtained from smart meters, by a modification of the K-Means and Prim’s algorithms. The results show that it is possible to switch the phases of specific meters to minimize the load unbalance of the studied network.