Artículo Académico / Academic Paper
Recibido: 26-05-2019, Aprobado tras revisión: 26-07-2019
Forma sugerida de citación: Soria, M.; Tovar, A.; Maldonado, D.; Fabara, C. (2019). “Minería de Datos para Reconocimiento de
Patrones en el Análisis de Seguridad Estática de Sistemas de Potencia ante Eventos de Contingencia”. Revista Técnica “energía”.
No. 16, Issue I, Pp. 17-22
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2019 Operador Nacional de Electricidad, CENACE
Data Mining for Patterns Recognition of Power Systems Static Security
Assessment with Contingency Events
Minería de Datos para Reconocimiento de Patrones en el Análisis de
Seguridad Estática de Sistemas de Potencia ante Eventos de Contingencia
M.S. Soria
1
A.F. Tovar
1
D.A. Maldonado
1
C.P. Fabara
1
1
Escuela Politécnica Nacional, Facultad de Ingeniería Eléctrica y Electrónica, Quito, Ecuador
E-mail: mauricio.soria@epn.edu.ec; antonio.tovar@epn.edu.ec; diego.maldonado@epn.edu.ec;
cristian.fabara@epn.edu.ec
Abstract
This paper analyzes the static security of the power
system, applying advanced data mining techniques
that allow the evaluation of safety patterns of a power
electrical system in a steady state analysis with
contingency events N-1. Data are obtained through
power flows, to perform Monte Carlo simulations
with scripts developed in Python. Using the
DIgSILENT PowerFactory simulation software,
10,000 scenarios are analyzed, which allows us to
consider the uncertainty of the system according to
the probabilistic nature of the system. The static
security indexes of the system are calculated to
classify the types of contingencies as safe, critically
safe, insecure and highly unsafe. Data mining is
developed by means of an algorithm programmed in
Python language with which the design of the
multiclass support vector machine classifier (SVM
Multiclass) is carried out. It is trained to determine if
a contingency is safe or unsafe. The parameters of the
SVM were obtained through an optimization with a
differential evolution algorithm (Differential
Evolution). The results of the validation of the
classifier showed that the technique is very effective
in classifying new contingencies. The methodology is
applied to an IEEE test system of 39 buses.
Index terms Contingency events, data mining,
pattern recognition, Monte Carlo simulation, static
security assessment.
Resumen
El presente artículo busca analizar la seguridad
estática del sistema, aplicando técnicas avanzadas de
minería de datos que permitan evaluar los patrones
de seguridad de un sistema eléctrico de potencia en un
análisis de estado estacionario ante eventos de
contingencia N-1. Los datos son obtenidos a través de
flujos de potencia, para efectuar simulaciones de
Monte Carlo con scripts desarrollados en Python.
Usando el software de simulación DIgSILENT
PowerFactory se analizan 10000 escenarios, lo que
permite considerar la incertidumbre del sistema
según la naturaleza probabilística del mismo. Se
calculan los índices de seguridad estática del sistema
para clasificar los tipos de contingencias como segura,
críticamente segura, insegura y altamente insegura.
La minería de datos es desarrollada mediante un
algoritmo programado en lenguaje Python con el cual
se realiza el diseño del clasificador tipo máquina de
soporte vectorial multiclase (SVM Multiclass) el cual
es entrenado para determinar si una contingencia es
segura o insegura. Los parámetros del SVM fueron
obtenidos mediante una optimización con un
algoritmo de evolución diferencial (Differential
Evolution). Los resultados de la validación del
clasificador demostraron que la técnica es muy
efectiva para clasificar nuevas contingencias. La
metodología se aplica a un sistema de prueba IEEE de
39 barras.
Palabras clave
Eventos de contingencia, minería de
datos, reconocimiento de patrones, simulación de
Monte Carlo, evaluación de la seguridad estática.
Edición No. 16, Issue I, Julio 2019
1. INTRODUCCIÓN
El constante incremento en la demanda de energía
eléctrica ha forzado al sistema eléctrico a funcionar muy
cerca de sus límites de operación [1].
La seguridad del sistema de potencia es uno de los
problemas trascendentales en la operación de la red
eléctrica inteligente. Considerando la gran cantidad de
contingencias que se pueden presentar, la evaluación de
la seguridad del sistema eléctrico de potencia es un gran
reto, debido a la basta cantidad de recursos
computacionales que se requieren para el efecto. [2].
Entonces, es necesario evaluar la seguridad del
sistema de potencia, para:
- Identificar las partes vulnerables que provean un
patrón de referencia de tal manera que se protejan los
componentes del sistema eléctrico.
- Tomar decisiones antes incidentes imprevistos.
- Promover la concientización de los operadores del
sistema.
- Estandarizar el procedimiento de operación y
garantizar la seguridad y estabilidad de los sistemas de
potencia [3].
Para la evaluación de seguridad estática de sistemas
de potencia se han desarrollado varios trabajos de
investigación, entre ellos: en [4] se desarrolla un método
de análisis de vulnerabilidad del sistema ante
contingencias N-1, se evalúa tanto la estabilidad en
estado dinámico, como la seguridad estática del sistema,
se emplean técnicas de minería de datos para identificar
condiciones de operación vulnerables, para en base a ello
tomar acciones que prevengan eventos en cascada y
apagones.
En [5] se diseña un sistema de reconocimiento de
patrón para evaluación de seguridad estática y
clasificación de contingencias basados en máquinas de
soporte vectorial, donde se demuestra su eficiencia frente
a métodos de clasificación convencionales.
En [6] se desarrolla un clasificador Multi-clase tipo
SVM con parámetros de ajuste obtenidos mediante
diferentes algoritmos de optimización. Las clases son
calculadas y etiquetadas como ‘segura’, ‘críticamente
segura’, ‘insegura’ y ‘altamente insegura’. El modelo se
aplica a escenarios simulados en sistemas de potencia
IEEE de 39 y 118 barras, obteniendo resultados de
desempeño del clasificador que varían entre el 80% y el
90%.
En [7] se propone un concepto intuitivo humano de
razonamiento basado en casos para evaluación de
seguridad estática de sistemas de potencia. Se entrena el
patrón de reconocimiento para etiquetar las clases como
‘seguras’ o ‘inseguras’. Se demuestra que el clasificador
diseñado es más eficiente que los clasificadores basados
en redes neuronales artificiales y máquinas de soporte
vectorial.
En este trabajo de investigación se diseña un
clasificador multi-clase basado en máquinas de soporte
vectorial, los datos para entrenamiento del clasificador
son obtenidos mediante simulaciones off-line con datos
generados mediante el método de Montecarlo. Se aplican
técnicas de minería de datos para extraer las
características del sistema mediante el uso de
componentes principales. Con los datos procesados se
entrena el clasificador SVM. Finalmente, el desempeño
del clasificador es validado al ser aplicado a nuevas
condiciones de operación y se verifica que es bastante
preciso.
2. EVALUACIÓN DE LA SEGURIDAD
ESTÁTICA
La evaluación de seguridad del sistema de potencia
en estado estable se efectúa usando cálculos de flujos de
potencia. Estas estrategias están basadas en la hipótesis
de que una contingencia típica provoca cambios leves en
el sistema, por lo cual el sistema pasa de un estado cuasi
estacionario a otro. En este caso, las simulaciones no
incluyen ningún análisis de respuesta dinámica [8].
La evaluación fuera de línea (off-line assessment) se
realiza usando métodos convencionales basados en
simulaciones de modelos complejos. Estos métodos
presentan un elevado consumo de tiempo, que restringen
aplicaciones en línea. La alta complejidad es provocada
por el gran número y diversidad de los componentes que
constituyen un sistema eléctrico de potencia y su
particular respuesta durante fenómenos dinámicos [4].
Algunas contingencias son simuladas para determinar
perturbaciones intolerables. La idea principal es operar el
sistema de una manera que asegure que ninguna de las
contingencias se propagará hasta convertirse en un
apagón en cascada. El criterio predominante de seguridad
es el estándar de contingencia N-1 establecido por la
Corporación de Confiabilidad Eléctrica Norte Americana
(NERC) [8].
Se dice que una condición de operación es ‘estática
segura’ si las magnitudes de los voltajes en las barras del
sistema y la generación de potencia activa de generada
por un generador están dentro de sus límites, sin que
ocurra ninguna condición de sobrecarga en las líneas de
transmisión.
En este artículo se define un término llamado índice
de seguridad estática (Static Security Index SSI), para
evaluar la seguridad estática del sistema para una
condición de operación en una determinada contingencia.
El SSI es definido mediante el cálculo del índice de
sobrecarga del equipamiento (Equipment Overload Index
EOI) e índice de desviación de voltaje (Voltaje Deviation
Index VDI) que están definidos en las ecuaciones (1) y
(2) respectivamente [6].
Soria et al. / Minería de Datos para Reconocimiento de Patrones en el Análisis de Seguridad Estática de SEP
Donde
y
representan los Mega Volta-
Amperios (MVA) del flujo de potencia y MVA límite del
equipamiento k-m,
y
son el voltaje
límite máximo, mínimo y la magnitud de voltaje en la k-
ésima barra respectivamente,
son los números
del equipamiento (líneas y generadores) y barras
respectivamente [6].
3. DISEÑO DEL CLASIFICADOR DE
SEGURIDAD ESTÁTICA
La clasificación del estado del sistema de potencia es
la primera etapa en el proceso de monitoreo de potencia
activa en la red del sistema [6].
Para diseñar el clasificador, varios escenarios de
contingencia estocásticos son evaluados usando
herramientas matemáticas y de simulación. Sobre los
datos generados se aplican técnicas de minería de datos
para establecer índices de identificación de seguridad. En
la Fig. 1 se presenta el diagrama de flujo del proceso de
entrenamiento.
Figura 1: Diagrama de flujo del procedimiento para el diseño del
clasificador
3.1. Generación de Datos
El éxito de un sistema de clasificación de patrones
depende de un buen proceso de entrenamiento. El
proceso de entrenamiento debe representar
adecuadamente todo el rango de estados de operación [5].
Los patrones pueden ser generados por mediciones en
tiempo real o mediante simulaciones off-line.
En este trabajo los datos son obtenidos mediante el
software de simulación DIgSILENT PowerFactory,
donde se plantean escenarios de operación ante
contingencias N-1, se han realizado 10000 simulaciones
usando el método de Montecarlo, las variables eléctricas
de interés han sido: el voltaje en cada barra, cargabilidad
en las líneas de transmisión, cargabilidad en los
generadores y cargabilidad en los transformadores.
Los resultados obtenidos de los datos de simulación
han sido exportados a una matriz en Excel para su
posterior procesamiento usando el lenguaje de
programación Python. En la Fig. 2 se muestra la función
de distribución usada para generar los datos de carga para
las simulaciones.
Figura 2: Función de distribución usada para generar los datos de
carga
En esta etapa también se calculan los índices de
seguridad estática definidos en (3). Para el cálculo de SSI
se han asumido pesos
y
. Los pesos han
sido ajustados basados en el orden de prioridad de los
requerimientos de seguridad del sistema [6] como se
muestra en la Tabla 1.
Tabla 1: Etiquetas para el clasificador de seguridad estática
Índice de seguridad estática
(SSI)
Categoría de Clase /
Etiqueta
SSI=0
Clase A : Segura
SSI > 0 & SSI <= 5
Clase B : Críticamente
Insegura
SSI > 5 & SSI <=15
Clase C : Insegura
SSI > 15
Clase D : Altamente Insegura
3.2. Selección de características
Las variables que se han tomado en cuenta en el
presente análisis son: el voltaje en las barras, la
Edición No. 16, Issue I, Julio 2019
cargabilidad de las líneas y de los generadores.
3.3. Extracción de características
Se inicia con la estandarización de las variables, luego
se realiza la detección de atípicos.
En la Fig. 3 se muestra los atípicos entre las barras 3
y 4 del sistema.
Figura 3: Detección de atípicos
Para la extracción de las características del sistema,
se emplea la técnica de componentes principales. Debido
a que se cuenta con 94 variables se calculan las
componentes principales para reducir el espacio de
análisis.
En la Fig.4 se muestra el gráfico de los valores
propios en función del número de variables, para
determinar la cantidad de componentes principales
necesarias.
Figura 4: Valores propios en función del número de variables
Por lo tanto, se seleccionan 20 componentes
principales, logrando con ello obtener una variabilidad
explicada del 91.19% de los datos generados.
En la Fig. 5 y Fig. 6 se presenta la gráfica de las
primeras componentes principales en comparación con
las variables originales.
Figura 5: Componentes principales 1 2 vs. Variables originales 1 2
Figura 6: Componentes principales 2 3 vs. Variables originales 2 3
La extracción de parámetros no se usa para el diseño
del clasificador, en cuanto este realiza una pérdida del
significado físico de las variables, necesario para el
entrenamiento de la máquina.
3.4. Diseño del clasificador
El clasificador representa el límite de separación entre
clases [6].
El entrenamiento se realiza ajustando las variables
con respecto a la variable objetivo (target). En este caso
la variable objetivo es el índice de seguridad estática.
Los parámetros c y gamma de la máquina de soporte
vectorial de tipo RBF (Radial Basis Function) son
optimizados a través de un algoritmo de evolución
diferencial para las 10000 contingencias simuladas.
En la Tabla 2 se presentan los parámetros calculados
para diferentes valores máximos de iteraciones.
Soria et al. / Minería de Datos para Reconocimiento de Patrones en el Análisis de Seguridad Estática de SEP
Tabla 2: Valores optimizados de las constantes del clasificador
RBF
Individuos
Iteraciones
C
Gamma
1000
10
26.1869
0.3431
1000
100
8.96373
0.09699
10000
10
14.9873
0.7227
10000
100
8.77507
0.00390
3.5. Entrenamiento y prueba del clasificador SVM
Se realiza el training y el testing del modelo del
clasificador a través de la función cross_val_score del
scikit-learn del lenguaje de programación Python para lo
cual se divide en 30-fold cross-validation, obteniendo
una precisión del 99.38%
3.6. Validación del clasificador SVM
Para la validación del clasificador diseñado se
generan nuevos datos los cuales son ingresados en el
SVM.
El clasificador se encarga de ubicar el nuevo
escenario en la clase correspondiente, posteriormente se
verifica con el cálculo correspondiente del índice de
seguridad estática.
Se puede comprobar el adecuado funcionamiento del
clasificador diseñado.
4. ANÁLISIS DE RESULTADOS
Se usan nuevos datos de simulaciones de escenarios
de contingencias N-1 en el sistema de potencia de prueba
IEEE New England 39 bus system, se comparan los
resultados de la clasificación de los escenarios, de la
siguiente manera:
Las clases que se obtienen mediante el cálculo de los
índices de seguridad estática y la que se obtiene mediante
el uso del clasificador SVM entrenado en el desarrollo de
este trabajo. En la Fig. 7 se presentan los resultados
obtenidos en Python para el caso de la validación de 100
contingencias.
Figura 7: Resultados para la validación de 100 contingencias
Conforme aumentan el número de contingencias se
convierte en un trabajo de mayor complicidad para el
clasificador diseñado, sin embargo una cantidad de fallas
que llegue hasta 100 individuos es considerable para los
estudios de seguridad estática. Ante este tipo de fallas el
clasificador presenta un 0% de error.
En la Tabla 3 se presentan los porcentajes de error
para varios números de contingencias evaluadas por el
clasificador.
Tabla 3: Porcentaje de Error del Clasificador SVM
Individuos
Porcentaje de error del clasificador SVM
diseñado
100
0.0 %
500
1.0 %
1000
13.5 %
5. CONCLUSIONES Y RECOMENDACIONES
Las técnicas avanzadas de minería de datos permiten
clasificar las contingencias en su clase correspondiente
dependiendo de los valores de los parámetros de
funcionamiento del sistema eléctrico.
Debido a la robustez propia del sistema no se
detectaron condiciones altamente inseguras. Tampoco se
detectaron condiciones completamente seguras. Esto se
debe también a que se simularon escenarios de carga
cercanos al desempeño real del sistema.
Las técnicas de componentes principales permiten
reducir la dimensión del sistema, sin perder sus
características de variabilidad esenciales, lo que es útil
para algunos casos. En el diseño del clasificador si se
utilizan las componentes principales, al ser estas una
transformación de las originales, se pierde la capacidad
de entrenamiento del clasificador, puesto que ante nuevas
variables este no responde de forma adecuada.
Seleccionar unas determinadas variables sin perder su
condición física es lo que se realiza para el entrenamiento
de un clasificador SVM de alta precisión. Además, es
importante contar con una gran cantidad de individuos,
en este caso escenarios de simulación de flujos de
potencia ante contingencias N-1, que permitan entrenar
con la mayor precisión posible al clasificador.
Para garantizar la consideración de la mayor cantidad
de escenarios posibles es importante que las cargas sean
generadas de manera aleatoria usando funciones de
distribución de probabilidad normal para ser ingresadas a
la simulación de Montecarlo. De igual manera, para las
contingencias, se selecciona una función de distribución
de tal forma que cada una de las líneas tiene igual
probabilidad de ser seleccionada para salir de servicio.
Edición No. 16, Issue I, Julio 2019
AGRADECIMIENTOS
Al Doctor Jaime Cepeda por los conocimientos
impartidos en la Maestría de Redes Eléctricas
Inteligentes de la Escuela Politécnica Nacional, Quito,
Ecuador.
REFERENCIAS BIBLIOGRÁFICAS
[1] V. T y T. Jain, «Synchronized measurements-
based wide-area static security assessment and
classification of power systems using case based
reasoning classifiers», Comput. Electr. Eng., vol.
68, pp. 513-525, may 2018.
[2] M. K. Paramathma, D. Devaraj, y B. S. Reddy,
«Artificial neural network based static security
assessment module using PMU measurements
for smart grid application», en 2016 International
Conference on Emerging Trends in Engineering,
Technology and Science (ICETETS), 2016, pp.
1-5.
[3] M. Anji, Y. Jiaxi, y G. Zhizhong, «Electric power
grid structural vulnerability assessment», en
2006 IEEE Power Engineering Society General
Meeting, 2006, p. 6 pp.-.
[4] J. Cepeda, «Evaluación de la Vulnerabilidad del
Sistema Eléctrico de Potencia en Tiempo Real
usando Tecnología de Medición Sincrofasorial»,
Universidad Nacional de San Juan, 2013.
[5] S. Kalyani, K. S. Swarup «International Journal
of Computer Theory and Engineering». 3-June-
2013.
[6] I. Hiskens, «IEEE PES Task Force on
Benchmark Systems for Stability Controls». 19-
nov-2013.
[7] T. Venkatesh, Trapti Jain «Discipline of
Electrical Engineering, Indian Institute of
Technology Indore». 3-June-2013.
[8] R. Baldick et al., «Vulnerability assessment for
cascading failures in electric power systems», en
2009 IEEE/PES Power Systems Conference and
Exposition, 2009, pp. 1-9.
Mauricio Soria Colina. - Nació en
Ambato, Ecuador en 1991. Recibió
su título de Ingeniero Eléctrico de
la Escuela Politécnica Nacional en
el 2016. Actualmente, se encuenta
cursando sus estudios de Maestría
en la Escuela Politécnica Nacional
con mención en Redes Eléctricas
Inteligentes. Sus campos de investigación están
relacionados con el desarrollo de Medición Inteligente y
el desarrollo de Algoritmos en Microprocesadores para
Smart Grids.
Antonio Tovar Arboleda. - Nació
en La Maná, Ecuador en 1987.
Recibió su título de Ingeniero en
Electrónica y Control de la Escuela
Politécnica Nacional en abril del
2014. Actualmente se encuentra
cursando sus estudios de posgrado
en la Maestría en Electricidad
mención Redes Eléctricas Inteligentes de la Escuela
Politécnica Nacional. Sus áreas de interés son:
Automatización de Subestaciones, Interoperabilidad de
Redes Industriales, Sistemas SCADA, Sistemas OMS,
ADMS.
Diego Maldonado. - Nació el 12 de
noviembre de 1990 en la ciudad de
Tulcán. Graduado Cum Laude de la
carrera de Ingeniería Electrónica y
Control en la Escuela Politécnica
Nacional en octubre 2014.
Actualmente, se encuentra
cursando sus estudios de maestría en la Escuela
Politécnica Nacional en el área de Eléctrica, Mención
Redes Eléctricas Inteligentes Áreas de Interés: Control
Industrial, Smart grids, Sistemas eléctricos de potencia.
Cristian Fabara. - Nació en Quito
en 1989. Sus estudios
universitarios los realizó en la
Escuela Politécnica Nacional,
obteniendo su título de Ingeniero
en Electrónica en Control y
Automatización. Actualmente, se
encuentra cursando sus estudios de
maestría en la Escuela Politécnica Nacional en el área de
Eléctrica, Mención Redes Eléctricas Inteligentes. Sus
campos de investigación están relacionados con el
desarrollo de energías renovables y sistemas inteligentes
para su integración con el Sistema Eléctrico de Potencia.
