Artículo Académico / Academic Paper
Recibido: 13-04-2023, Aprobado tras revisión: 14-06-2023
Forma sugerida de citación: Soto, P.; Castro, J.; Reategui, R.; Castillo, T. (2023). “Partición de una Red Eléctrica de Distribución
Aplicando Algoritmos de Agrupamiento K-Means y DBSCAN”. Revista Técnica “energía”. No. 20, Issue I, Pp. 73-81
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v20.n1.2023.572
© 2023 Operador Nacional de Electricidad, CENACE
Partitioning of an Electrical Distribution Systems Using K-Means and
DBSCAN Clustering Algorithms
Partición de una Red Eléctrica de Distribución Aplicando Algoritmos de
Agrupamiento K-means y DBSCAN
P.A. Soto1 J.R. Castro1 R.M. Reategui1 T.D. Castillo1
1Universidad Técnica Particular de Loja
E-mail: pasoto@utpl.edu.ec; jrcastro@utpl.edu.ec; mreategui@utpl.edu.ec; tdcastillo@utpl.edu.ec
Abstract
This paper proposes the methodology to perform the
partitioning of a distribution network using data
clustering algorithms such as K-means and
DBSCAN. The data is obtained by generating
variations in the network parameters and simulating
the voltage profile using OpenDSS software. The
proposed methodology is implemented on standard
IEEE test distribution networks of 34 and 123 node
test feeder. The results show that the nodes are
grouped, achieving an adequate partition of the
electrical distribution network.
Resumen
En este artículo se propone la metodología para
realizar la partición eléctrica de una red de
distribución utilizando algoritmos de agrupamiento
de datos como K-means y DBSCAN. Los datos se
obtienen generando variaciones en los parámetros
de la red y simulando el perfil de voltaje con el
software OpenDSS. La metodología propuesta se
implementa en redes de distribución estándar de
prueba IEEE de 34 y 123 nodos. Los resultados
muestran que los nodos se agrupan, logrando una
adecuada partición de la red eléctrica de
distribución.
Index terms−− Data Mining, Distribution Networks,
Partition Electric, Clustering.
Palabras clave−− Minería de Datos, Redes de
Distribución, Partición Eléctrica, Agrupación.
73
Edición No. 20, Issue I, Julio 2023
1. INTRODUCCIÓN
El requerimiento de consumo de energía eléctrica en
todos los países del mundo aumenta cada año. La
generación, transmisión y distribución de energía
presenta uno de los índices más altos de crecimiento a
nivel global. Debido a la rápida industrialización y el
crecimiento de los sectores residencial y comercial, las
de las redes de distribución eléctrica se enfrentan a
problemas de saturación y envejecimiento [1]. El
crecimiento y la diversificación de las redes eléctricas en
los últimos años han llevado a que operen cerca de sus
límites de estabilidad y seguridad, lo que incrementa
significativamente la probabilidad de fallas [2].
Los sistemas de energía actuales están en una fase de
transición hacia redes más extensas y complejas. El
método tradicional de control centralizado enfrenta el
desafío de una gran carga computacional, especialmente
en el caso de redes a gran escala, debido a la enorme
cantidad de información que genera [3]. Estudios señalan
que la mejor estrategia para superar estos desafíos es la
subdivisión de las redes eléctricas en múltiples áreas
interconectadas [4].
Varias investigaciones presentan diferentes métodos
para la partición de redes eléctricas de distribución
[4][5][6][7][8]. Mao [5] propone tres pasos para la
partición de redes eléctricas. El primero paso realiza el
cálculo de la distancia eléctrica a través del método de la
impedancia. En segundo paso, aplica el método de
detección de comunidades para dividir la red eléctrica en
zonas internas, Y el tercer paso, une las zonas utilizando
un algoritmo de búsqueda.
La partición de redes eléctricas puede mejorar el
desempeño del sistema de distribución. Aumenta la
seguridad ante fallas o ataques externos, mejorara la
confiabilidad y la calidad del servicio al reducir las
interrupciones y las fluctuaciones, optimiza la eficiencia
al disminuir las pérdidas y el consumo, facilita la
integración de fuentes de generación distribuida y de
redes inteligentes, y favorece la participación y la
satisfacción de los usuarios [9]. Sin embargo, esta técnica
también implica algunos desafíos, como: definir los
criterios y los métodos más adecuados para cada caso,
considerar la incertidumbre y la variabilidad de las
condiciones del sistema, evaluar el impacto ambiental y
social de la segmentación, y garantizar la coordinación y
la comunicación entre las zonas de la red.
Chai [4] propone como estrategia para controlar las
variaciones de voltaje, la partición de redes eléctricas de
distribución basada en el método de dirección alterna de
multiplicadores. La red IEEE 123 nodos es fraccionada
en 4 zonas.
Métodos de optimización lineal como los presentados
en [8] y métodos de análisis de sensibilidad [10] carecen
en incluir todas las variabilidades de las redes eléctricas;
para incluir variaciones estocásticas en la red, desbalance
de cargas y múltiples sistemas de control y protecciones
el problema de segmentación necesita ser resuelto por
técnicas no lineales como los presentados en [9], que usa
un algoritmo de recocido simulado para resolver el
problema de minimización buscando un balance entre
número, tamaño y autosuficiencia de los segmentos
detectados
En la operación en tiempo real de una red eléctrica,
los distribuidores de este servicio a menudo confían en
una serie de reglas de operación seguras y estables para
mantener la operatividad del sistema eléctrico. La
potencia de transmisión límite o la capacidad de
transmisión total es uno de los indicadores de operación
clave o más importantes dentro de una red eléctrica
interconectada. En los últimos años, el desarrollo y la
amplia aplicación de tecnologías de big data e
inteligencia artificial han proporcionado nuevos medios
técnicos para el modelado, operación y distribución de
energía en redes eléctricas [11].
La minería de datos utilizando técnicas de
identificación de patrones y algoritmos de aprendizaje, ha
revolucionado la forma de comprender y manejar
sistemas, brindando soporte en el control de procesos,
operaciones y servicios a los operadores de las diferentes
áreas que manejan grandes volúmenes de datos. Una
técnica de minería de datos es el análisis de
agrupamientos, que permite identificar grupos con
características similares, a través de algoritmos
matemáticos y estadísticos. En [2] se usa minería de datos
para identificar la barra piloto en redes eléctricas de
distribución de IEEE de 13 y 34 nodos utilizando K-
Means y DBSCAN.
En el presente trabajo se utilizará los algoritmos de
agrupación K-Means y DBSCAN, ampliamente
utilizados en minería de datos, con el fin de llevar a cabo
la partición de las redes eléctricas de distribución IEEE
de 34 y 123 nodos en el entorno de desarrollo integrado
R-Studio.
La estructura del presente trabajo se compone de la
siguiente manera: en el Capítulo 2 se describe las redes
de distribución eléctrica, en el Capítulo 3 se detalla los
pasos para la implementación de los algoritmos de
minería de datos, el Capítulo 4 presenta el caso de estudio
junto con los resultados obtenidos utilizando con la
metodología propuesta, y finalmente en el capítulo 5 se
exponen las conclusiones alcanzadas.
2. REDES DE DISTRIBUCIÓN
Las empresas eléctricas, en cumplimiento de las
normativas vigentes, opera sistemas eléctricos que
abarcan la generación, transmisión, distribución y
utilización de la energía eléctrica. Su función primordial
es asegurar el suministro continuo y de calidad, llevando
esta energía desde su origen hasta los usuarios finales,
como un servicio público esencial.
La estabilización del voltaje a lo largo de la red de
distribución es un desafío clave en la operación de
74
Soto et al. / Partición de una red eléctrica de distribución aplicando algoritmos de agrupamiento K-Means y DBSCAN
sistemas eléctricos. Estos sistemas suministran potencia
activa y reactiva a los usuarios finales, cuya demanda
energética varía constantemente. Esto ocasiona
fluctuaciones de voltaje en todos los puntos de la red.
Para controlar estas variaciones, las compañías eléctricas
emplean bancos de capacitores para inyectar potencia
reactiva cuando es necesario, y, de manera inversa,
utilizan bancos de inductores para consumir potencia
reactiva según se requiera.
El sistema de prueba denominado IEEE de 34 nodos
es una red desbalanceada, contiene 34 nodos, 32 líneas o
enlaces que unen los nodos, de los cuales 24 son
trifásicos y 8 monofásicos. La red está conformada por
líneas monofásicas, bifásicas y trifásicas, 2 reguladores,
3 capacitores, una tensión nominal de 24.9kV. El
alimentador de prueba IEEE de 123 nodos posee una
tensión nominal de 4.16kV, está conformado por 123
nodos de los cuales 85 son de carga y uno de
alimentación, consta de 118 enlaces aéreos y
subterráneos o líneas entre los nodos, 4 reguladores de
voltaje para solucionar los problemas de caídas de
voltaje, 4 capacitores, cargas desbalanceadas y 12
interruptores [12].
Los datos empleados se obtuvieron mediante el
software de simulación de redes eléctricas OpenDSS
[13], utilizando el método estadístico de distribución
Monte Carlo. Se generaron 100 variaciones de los niveles
de tensión en cada nodo de las redes de prueba, donde
cada variación de carga se realizó entre el 95% y el 105%
de su valor nominal.
Una vez conformadas las bases de datos, es necesario
realizar una normalización de los datos, lo cual permite
una comparación adecuada y evita que los valores más
grandes afecten los resultados del análisis. Para
determinar el número óptimo de agrupaciones para cada
algoritmo, se empleará el método del codo, y se utilizará
el coeficiente de silueta como métrica para evaluar la
calidad de los grupos.
2.1. Importancia de la partición eléctrica
El objetivo de la partición de redes de distribución
eléctrica es dividir la red en áreas operativamente
independientes y restringir el intercambio de información
solo entre los nodos que conectan áreas adyacentes [8].
Para lograr la formación de grupos, se define una medida
de similitud que refleje la influencia entre los nodos de la
red, y luego se ejecuta el algoritmo de agrupamiento
correspondiente.
A medida que la estructura de la red de distribución
se vuelve más compleja, su análisis y monitoreo se
vuelven más desafiantes. La segmentación de la red
puede simplificar su estructura, permitiendo una
operación y controles más eficientes en cada región [14].
Para asegurar una operación y gestión segura y
estable de las redes eléctricas regionales, es crucial
realizar una planificación de red adecuada y viable. Con
el fin de monitorear en tiempo real el estado de operación
de la red y tomar decisiones rápidas, los profesionales del
sector energético suelen dividir la red en varias
subregiones y administrar cada una de forma
independiente, lo que mejora significativamente la
velocidad de procesamiento y reduce la carga
computacional [15]. El control del voltaje en toda la red
puede lograrse mediante el control individual de cada
grupo [16]. Los resultados obtenidos en este estudio son
comparados con los hallazgos de otros autores en la
literatura.
3. MINERÍA DE DATOS
En la actualidad, la mayoría de los sistemas generan
enormes cantidades de información que requieren ser
procesadas y analizadas de manera ordenada, utilizando
herramientas informáticas para automatizar este proceso.
La minería de datos se destaca como un conjunto de
técnicas diseñadas para extraer información valiosa a
partir de grandes volúmenes de datos, analizando
comportamientos similares, identificando patrones,
asociaciones y otras características relevantes presentes
en los datos.
El agrupamiento es una técnica de Machine Learning
no supervisado que permite agrupar elementos similares
entre sí, con el objetivo de identificar conjuntos con
características comunes.
3.1. K-Means
El método de agrupamiento no supervisado busca
encontrar la distancia mínima entre un conjunto de datos
y el centro de cada grupo, generando así una partición en
k grupos a partir de n observaciones. Cada grupo está
representado por el promedio de los puntos que lo
conforman, y el valor más representativo de cada grupo
se llama centroide. El parámetro k, que indica la cantidad
de grupos a descubrir, debe establecerse previamente
[17].
Una manera de determinar el número de grupos, antes
de aplicar el algoritmo K-Means, es mediante el método
del codo. Este método calcula la suma de las distancias al
cuadrado desde cada punto hasta su centroide asignado
en cada iteración de K-Means. Durante cada iteración, se
ejecuta el algoritmo con un número distinto de grupos, lo
que resulta en un gráfico que muestra la suma de las
distancias al cuadrado en función del número de grupos.
Uno de los desafíos principales del algoritmo K-
Means es que su resultado puede variar para un mismo
conjunto de datos, debido a que los centroides iniciales
se seleccionan de forma aleatoria. Esta característica
tiene un impacto directo en todo el proceso del algoritmo
y puede generar resultados diferentes en cada ejecución.
La Fig. 1 muestra los pasos para la implementación
del algoritmo de agrupamiento K-Means.
75
Edición No. 20, Issue I, Julio 2023
Figura 1: Diagrama de Flujo Algoritmo K-Means
Pasos para implementar el algoritmo K-Means:
• Detallar el número de k grupos que se pretenden
encontrar.
• Elegir aleatoriamente k análisis del conglomerado
de datos como centroides primarios.
.
• Estipular los análisis al centroide que se encuentre
relativamente más contiguo (usando la distancia
euclidiana).
indica el vínculo de muestras,
cuyo resultado del centroide es
(1)
• Cada uno de los k clústeres debe recalcular los
centroides
Entonces, el
centroide resultante es:
(2)
Haciendo que sea el número de objetos en
Donde: k es en número de grupo.
centroides primarios.
vínculo de muestras.
• Reanudar los pasos tres y cuatro hasta que en las
asignaciones no existan variaciones o, por otro
lado, se determine el mayor número de
iteraciones.
3.2. DBSCAN
El algoritmo DBSCAN es una herramienta diseñada
para identificar grupos y ruido en bases de datos
espaciales. Define los grupos como el conjunto más
extenso de puntos conectados con una densidad
específica. Entre sus ventajas se destacan su simplicidad
y su capacidad para descubrir agrupaciones con
características diversas, revelando valores especiales
[18].
Para la implementación de DBSCAN se requiere de
forma previa conocer dos parámetros principales que
son:
• Epsilon (ε): La distancia máxima entre dos puntos
cercanos
• MinPts: El número mínimo de puntos cercanos
alrededor de un punto especificado, para ser
determinado como punto central.
Con los parámetros indicados, cada observación
puede ser un punto central, un punto de borde o un punto
considerado como ruido.
Figura 2: Diagrama de Flujo Algoritmo DBSCAN
El proceso de DBSCAN continúa hasta que todos los
objetos han sido procesados. Los puntos que no se
asignan a ningún grupo se consideran puntos de ruido,
mientras que aquellos que no son ni ruido ni puntos
centrales se denominan puntos de borde. De esta manera,
DBSCAN construye grupos donde los puntos son
clasificados como puntos centrales o puntos de borde, y
es posible que un grupo tenga más de un punto central.
76
Soto et al. / Partición de una red eléctrica de distribución aplicando algoritmos de agrupamiento K-Means y DBSCAN
El algoritmo comienza seleccionando un punto p
arbitrario. Si p es un punto central, se forma un grupo y
se incluyen todos los objetos alcanzables desde p. Si p no
es un punto central, se visita otro objeto del conjunto de
datos. En la Fig. 2 se muestra el diagrama de flujo para la
implementación del algoritmo DBSCAN.
4. CASO DE ESTUDIO
4.1. Metodología
En K-Means, es importante considerar los valores
atípicos o outliers, ya que el algoritmo se basa
únicamente en la distancia entre los elementos y puede
verse afectado por la presencia de grupos con tamaños y
densidades muy diferentes. Para determinar la cantidad
de grupos óptimos, se utiliza el método del codo. Se
generan diferentes números de grupos en K-Means y se
calcula la similitud entre los elementos dentro de cada
agrupación para representarlo gráficamente. El valor en
el cual la inercia entre grupos deja de disminuir
drásticamente, determina el número óptimo de grupos.
Para representar los nodos en las figuras 3, 4, 5 y 6 se
hace uso de los componentes principales 1 y 2 que se
obtienen luego de hacer una reducción de la
dimensionalidad. El análisis de los componentes
principales (PCA) por sus siglas en inglés, es un proceso
estadístico que permite reducir la complejidad de los
datos a la vez que conserva su información [19].
Para la red de IEEE de 34 nodos se determina que el
número de grupos es 3, como se muestra en la Fig. 3. Para
la red IEEE de 123 nodos el número de grupos óptimos
es de 4 como se indica en la Fig. 4.
Figura 3: K-Means Cluters IEEE 34 Nodos
Figura 4: K-Means Cluters IEEE 123 Nodos
El algoritmo DBSCAN establece que, para formar
parte de un grupo, un individuo debe tener un número
mínimo de vecinos u observaciones dentro de un radio
específico, y los grupos deben estar separados por
regiones vacías o con pocos individuos. El algoritmo
DBSCAN requiere dos parámetros iniciales: Épsilon y
Puntos Mínimos. Épsilon representa la distancia máxima
entre dos puntos para que sea considerado parte del
grupo. En RStudio, se calcula el promedio de las
distancias de cada individuo a sus vecinos más cercanos.
El valor de Puntos Mínimos (k) es especificado por el
usuario, como se muestra en la Tabla 1, y se traza
gráficamente en orden ascendente para determinar el
punto de inflexión que corresponde al valor de Épsilon.
Tabla 1: Valor de Épsilon y MinPts
Red de Prueba
Número de
Observaciones
Épsilon
Puntos
Mínimos
34 barras
28
2
3
123 barras
88
3
4
La red IEEE de 34 nodos se conforma de 3 grupos
como se visualiza en la Fig. 5, y 3 puntos de ruido
descritos en la Tabla 2.
Figura 5: DBSCAN Cluters IEEE 34 Nodos
Tabla 2: Agrupaciones DBSCAN IEEE 34 Nodos
Ruido
Clúster
Puntos
0
1
2
3
Borde
3
0
0
0
Seed
0
3
10
12
Total
3
3
10
12
En la red IEEE de 123 nodos se identifican 4 grupos,
como se muestra en la Fig. 6. El grupo 0 incluye 7 puntos
clasificados como ruidos, según se indica en la Tabla 3.
Tabla 3: Agrupaciones DBSCAN IEEE 123 Nodos
Ruido
Clúster
Puntos
0
1
2
3
4
Borde
7
0
0
0
2
Seed
0
5
25
6
43
Total
7
5
25
6
45
77
Edición No. 20, Issue I, Julio 2023
Figura 6: DBSCAN Cluters IEEE 123 Nodos
4.2. Evaluación del Modelo
Para evaluar la precisión de los grupos obtenidos,
utilizaremos el coeficiente de silueta, el cual nos indica
qué tan similar es un individuo con respecto a los demás
individuos dentro del mismo grupo, en comparación con
los individuos de los grupos más cercanos. El coeficiente
de silueta tiene un rango de valores que va desde negativo
hasta 1, y se puede calcular tanto a nivel individual como
a nivel de grupo. Un valor cercano a 1 indica que los
clústeres son compactos y están adecuadamente
separados, un valor de 0 indica que los grupos están
superpuestos, y un valor negativo indica que la
observación pertenece a otro grupo.
El coeficiente de silueta para la red IEEE de 34 nodos
es de 0.81, mientras que para la red de 123 barras es de
0.55, como se muestra en la Fig. 7 y Fig. 8. Estos
resultados indican que las agrupaciones obtenidas
mediante K-Means son adecuadas, ya que no se observan
valores de silueta cercanos a cero o negativos.
Figura 7: Coeficiente de silueta K-Means red 34 barras
Para calcular el coeficiente de silueta de los grupos
obtenidos en DBSCAN, primero identificamos y
eliminamos los puntos clasificados como ruido de los
datos.
El coeficiente de silueta para la red IEEE de 34 nodos
es igual a 0.91 como se indica en la Fig. 9. En el caso de
la red IEEE de 123 nodos el coeficiente de silueta es 0.59,
resultado que se evidencia en la Fig. 10.
Figura 8: Coeficiente de silueta K-Means red 123 barras
Figura 9: Coeficiente de Silueta DBSCAN Red 34 Nodos
Figura 10: Coeficiente de Silueta DBSCAN Red 123 Nodos
4.3. Implementación del Modelo
Al realizar el análisis, tanto K-Means como
DBSCAN en las redes IEEE 34 y 123 nodos, muestran
resultados similares, como se observa en la Tabla 4.
Tabla 4: Número de Grupos IEEE 34 y 123 nodos
K-Means
DBSCAN
Número de grupos IEEE 34 nodos
3
3
Número de grupos IEEE 123 nodos
4
4
En la red IEEE de 34 nodos, se observa una
disminución de los niveles de voltaje a medida que
aumenta el número de nodos. Los reguladores de voltaje
en los sistemas de distribución desempeñan un papel
clave en el mantenimiento de los voltajes dentro de los
límites establecidos. En el caso de la red de 34 nodos, la
fuente se encuentra en el nodo 800 y se produce una
21
24
16
25
19
14
8
22
10
7
20
5
1
2
Silhouette width si
0.0 0.2 0.4 0.6 0.8 1.0
Average silhouette width : 0.91
n = 25 4 clusters Cj
j : nj | aveiCjsi
1 : 3 | 0.98
2 : 7 | 0.78
3 : 3 | 0.95
4 : 12 | 0.96
78
Soto et al. / Partición de una red eléctrica de distribución aplicando algoritmos de agrupamiento K-Means y DBSCAN
disminución del voltaje hasta el nodo 814, donde se ubica
un regulador que contribuye a mantener el voltaje de
entrada. Esto podría explicar por qué los grupos están
formados por nodos cercanos a la fuente o a un regulador,
tal como se visualiza en la Fig. 11.
Figura 11: Partición IEEE 34 K-Means
En cada agrupación, los nodos con mayor voltaje
corresponden a los nodos anteriores o al nodo donde se
encuentra el regulador. Por esta razón, en K-Means, los
nodos con valores individuales de coeficiente de silueta
más bajos (808, 812 y 888) en cada grupo estarían
asociados a nodos con voltajes más altos o más bajos. Sin
embargo, en DBSCAN (Fig. 12), los nodos 808, 812 y
888 se consideran ruido.
Figura 12: Partición IEEE 34 DBSCAN
Los reguladores de voltaje son responsables de
mantener y ajustar el voltaje dentro de rangos seguros
tanto en la entrada como en la salida. Si hay una mayor
demanda, los reguladores aumentan el voltaje, mientras
que, si hay una disminución en la demanda, disminuyen
el voltaje. En la red IEEE de 123 nodos, la fuente se
encuentra en el nodo 150, seguido de un regulador de
voltaje. Por lo tanto, el voltaje en el nodo siguiente, el
nodo 149, debe ser ligeramente mayor o igual. La línea
principal en la red está compuesta por los nodos 150, 149,
1, 7, 8 y 13, en ese orden, como se muestra en la Fig. 13.
Estos nodos deben mantener niveles adecuados de voltaje
para garantizar el suministro de energía a las
ramificaciones y nodos de la red. Los niveles de variación
de voltaje para un funcionamiento seguro deben estar
entre el 0.95 y el 1.05 del valor nominal de la fuente.
Figura 13: Partición IEEE 123 K-Means
El algoritmo DBSCAN identifica como ruido a los
nodos 150, 149, 1 y, 7 que pertenecen al grupo 4 donde
se encuentra la fuente, y a los nodos 13 y 152, que se
encuentran en el grupo adyacente, como se muestra en la
Fig. 14. Estas observaciones forman parte de la línea
principal. Los tres enlaces de salida del nodo 13 deben
permitir el flujo de energía hacia la mayoría de los nodos
de la red, por lo tanto, este nodo es muy susceptible a las
variaciones (barra piloto). Dependiendo del voltaje en
este nodo, podría cambiar variar la configuración del
grupo.
Figura 14: Partición IEEE 123 DBSCAN
5. CONCLUSIONES Y RECOMENDACIONES
Tanto el algoritmo K-Means como DBSCAN
mostraron resultados similares en el análisis de la red
IEEE de 34 y 123 nodos, lo cual indica que ambas
técnicas pueden ser efectivas para agrupar y realizar
particiones en redes eléctricas de distribución.
Los nodos de las redes eléctricas de distribución
analizadas con valores de coeficiente de silueta bajos
sugieren que el nivel de variación de voltaje pueden ser
un factor determinante para la conformación del grupo.
Tras comparar los resultados de aplicar las técnicas
de minería de datos K-Means y DBSCAN, se observa que
ambos algoritmos generan resultados similares al
segmentar redes de distribución basadas en los estándares
IEEE de 34 y 123 nodos.
Las aplicaciones de los algoritmos K-Means y
DBSCAN han demostrado su eficiencia al segmentar la
79
Edición No. 20, Issue I, Julio 2023
red de distribución de 34 y 123 nodos, logrando
resultados similares a los obtenidos por otros autores
mencionados en el estado del arte.
Se recomienda utilizar algoritmos de agrupamiento
para analizar y segmentar redes de distribución de
diferentes tamaños y características. Esto permitirá
obtener una visión mas completa y precisa de los grupos
presentes en la red.
Se recomienda realizar un análisis de los resultados
obtenidos de estos algoritmos. Esto nos ayudará a
comprender mejor el funcionamiento de la red y a tomar
decisiones más informadas para su óptimo rendimiento.
REFERENCIAS BIBLIOGRÁFICAS
[1] J. Castro, M. Saad, S. Lefebvre, D. Asber, and L.
Lenoir, “Coordinated Voltage Control in
Distribution Network with the Presence of DGs and
Variable Loads Using Pareto and Fuzzy Logic,”
Energies, vol. 9, no. 2, p. 107, Feb. 2016, doi:
10.3390/en9020107.
[2] Z. Ernesto Jaramillo, J. R. Castro, T. Castillo, and R.
Reategui, “Data Mining in Electrical Distribution
Networks: Optimal Location of Pilot Bus,” in 2021
IEEE Fifth Ecuador Technical Chapters Meeting
(ETCM), Oct. 2021, pp. 1–5, doi:
10.1109/ETCM53643.2021.9590646.
[3] E. Velasco-Ramírez, C. Ángeles-Camacho, and M.
García-Martínez, “Redes de transmisión inteligente.
Beneficios y riesgos,” Ing. Investig. y Tecnol., vol.
14, no. 1, pp. 81–88, Jan. 2013, doi: 10.1016/S1405-
7743(13)72227-3.
[4] Y. Chai, L. Guo, C. Wang, Z. Zhao, X. Du, and J.
Pan, “Network Partition and Voltage Coordination
Control for Distribution Networks With High
Penetration of Distributed PV Units,” IEEE Trans.
Power Syst., vol. 33, no. 3, pp. 3396–3407, May
2018, doi: 10.1109/TPWRS.2018.2813400.
[5] “Community-detection-based approach to
distribution network partition,” CSEE J. Power
Energy Syst., 2022, doi:
10.17775/CSEEJPES.2020.04150.
[6] B. Zhao, Z. Xu, C. Xu, C. Wang, and F. Lin,
“Network Partition-Based Zonal Voltage Control for
Distribution Networks With Distributed PV
Systems,” IEEE Trans. Smart Grid, vol. 9, no. 5, pp.
4087–4098, Sep. 2018, doi:
10.1109/TSG.2017.2648779.
[7] Y. Chen, M. G. Fadda, and A. Benigni,
“Decentralized Load Estimation for Distribution
Systems Using Artificial Neural Networks,” IEEE
Trans. Instrum. Meas., vol. 68, no. 5, pp. 1333–1342,
May 2019, doi: 10.1109/TIM.2018.2890052.
[8] M. Bahramipanah, M. Nick, R. Cherkaoui, and M.
Paolone, “Network clustering for voltage control in
active distribution network including energy storage
systems,” in 2015 IEEE Power & Energy Society
Innovative Smart Grid Technologies Conference
(ISGT), Feb. 2015, pp. 1–5, doi:
10.1109/ISGT.2015.7131916.
[9] C. Bonetti, J. Bianchotti, J. Vega, and G. Puccini,
“Optimal Segmentation of Electrical Distribution
Networks,” IEEE Lat. Am. Trans., vol. 19, no. 8, pp.
1375–1382, Aug. 2021, doi:
10.1109/TLA.2021.9475868.
[10] D. Sharma, K. Thulasiraman, D. Wu, and J. N. Jiang,
“A network science-based k-means++ clustering
method for power systems network equivalence,”
Comput. Soc. Networks, vol. 6, no. 1, p. 4, Dec.
2019, doi: 10.1186/s40649-019-0064-3.
[11] Z. M. Ali, A. M. Galal, S. Alkhalaf, and I. Khan, “An
Optimized Algorithm for Renewable Energy
Forecasting Based on Machine Learning,” Intell.
Autom. Soft Comput., vol. 35, no. 1, pp. 755–767,
2023, doi: 10.32604/iasc.2023.027568.
[12] L. R. and others Schneider, Kevin P and Mather, BA
and Pal, BC and Ten, C-W and Shirek, Greg J and
Zhu, Hao and Fuller, Jason C and Pereira, Jos{\’e}
Luiz Rezende and Ochoa, Luis F and de Araujo,
“Analytic considerations and design basis for the
IEEE distribution test feeders,” IEEE Trans. power
Syst., vol. 33, no. 3, pp. 3181–3188, 2017.
[13] R. Dugan, “OpenDSS,” EPRI Distribution System
Simulator, 2020.
https://sourceforge.net/projects/electricdss/.
[14] H. Gu, X. Chu, and Y. Liu, “Partitioning Active
Distribution Networks by Using Spectral
Clustering,” in 2020 IEEE Sustainable Power and
Energy Conference (iSPEC), Nov. 2020, pp. 510–
515, doi: 10.1109/iSPEC50848.2020.9351132.
[15] Y. Zou and H. Li, “Study on Power Grid Partition
and Attack Strategies Based on Complex Networks,”
Front. Phys., vol. 9, Jan. 2022, doi:
10.3389/fphy.2021.790218.
[16] F. Liu, B. Gu, S. Qin, K. Zhang, L. Cui, and G. Xie,
“Power grid partition with improved biogeography-
based optimization algorithm,” Sustain. Energy
Technol. Assessments, vol. 46, p. 101267, Aug.
2021, doi: 10.1016/j.seta.2021.101267.
[17] J. MacQueen, “Classification and analysis of
multivariate observations,” 5th Berkeley Symp.
Math. Stat. Probab., pp. 281–297, 1967.
80
Soto et al. / Partición de una red eléctrica de distribución aplicando algoritmos de agrupamiento K-Means y DBSCAN
[18] Y. Wang, Y. Li, H. Xie, B. Wu, and Y. Yang,
“Cluster division in wind farm through ensemble
modelling,” IET Renew. Power Gener., vol. 16, no.
7, pp. 1299–1315, May 2022, doi:
10.1049/rpg2.12276.
[19] P. Harrington, Machine learning in action. 2012.
Paúl A. Soto. - Obtuvo el título de
Ingeniero en Electrónica y
Telecomunicaciones en la
Universidad Técnica Particular de
Loja en 2009; y de Magister en
Gestión de Proyectos de la
Universidad Técnica Particular de
Loja en el año 2019. Sus campos de
investigación están relacionados a la Inteligencia
Artificial.
José R. Castro.- Recibió su título
de Doctor en Ingeniería Eléctrica
(Ingeniería Aplicada) en la ECOLE
DE TECHNOLOGIE
SUPERIEURE de Montreal Canadá
en el 2016. Actualmente, es Docente
Investigador de la Universidad
Técnica Particular de Loja, y su
campo de investigación se encuentra relacionado con la
Energía y Robótica.
Ruth M. Reategui.- obtuvo su
grado de Ph.D en la École de
technologie supérieure (ÉTS) en
Montreal, Canadá en 2019.
Actualmente es profesora en el
Departamento de Ciencias de la
Computación y Electrónica de la
Universidad Técnica Particular de
Loja (UTPL) en Ecuador. Sus intereses de investigación
incluyen minería de texto, minería de datos, aprendizaje
automático, aprendizaje profundo con aplicaciones en
salud y educación.
Tuesman D. Castillo.- Recibió su
título de Ingeniero en Electrónica y
Telecomunicaciones en 2009 de la
Universidad Técnica Particular de
Loja. Docente a tiempo completo
UTPL (2012-). M.A.SC de la École
de Technologie Superiore (ETS) en
Montreal (2014-2016), y su campo
de investigación se encuentra relacionado con el Control,
automatización y sistemas inteligentes.
81
