Look-up in Google Scholar
Full metadata record
Serrepe Ranno, Miriam Marcela
Gomez Enrique, Juan Luis
Sanchez Calvay, Neyser Edgar
2024-09-30T15:04:06Z
2024-09-30T15:04:06Z
2023
https://hdl.handle.net/20.500.12692/149930
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. (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad César Vallejo (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by/4.0/ (es_PE)
Repositorio Institucional - UCV (es_PE)
Universidad César Vallejo (es_PE)
Regresión (es_PE)
Lineal (es_PE)
Compensación (es_PE)
Reactiva (es_PE)
Machine (es_PE)
Learning (es_PE)
Metodología de regresión lineal con Machine Learning para la compensación de la energía reactiva en instalaciones industriales (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad César Vallejo. Facultad de Ingeniería y Arquitectura (es_PE)
Ingeniería Mecánica Eléctrica (es_PE)
Ingeniero Mecánico Electricista (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.03.01 (es_PE)
https://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
06437594
https://orcid.org/0000-0001-9342-1717 (es_PE)
18126599
40867849
713076 (es_PE)
Luján López, Jorge Eduardo
Pelaez Chavez, Victor Hugo
Serrepe Ranno, Miriam Marcela
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada societaria



This item is licensed under a Creative Commons License Creative Commons