Artículo Académico / Academic Paper
Recibido: 31-03-2025, Aprobado tras revisión: 04-07-2025
Forma sugerida de citación: Villacrés, G; Torres, A; Chamba, S; Lozada, C. (2025). “Estrategia Adaptativa para el Alivio de Carga
en Sistemas Eléctricos de Potencia Basada en Regresión Lineal”. Revista Técnica “energía”. No. 22, Issue I, Pp. 62-69.
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v21.n2.2025.701
© 2025 Autores Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)
Adaptive Load Shedding Strategy for Power Systems Based on Linear
Regression
Estrategia Adaptativa para el Alivio de Carga en Sistemas Eléctricos de
Potencia Basada en Regresión Lineal
F.G. Villacrés1
0000-0002-5725-7312
M.S. Chamba1
0000-0001-6843-7151
A.A. Torres1
0009-0009-4670-8702
C.X. Lozada2
0000-0002-6036-3124
1Facultad de Ingeniería, Pontificia Universidad Católica del Ecuador, Esmeraldas, Ecuador
E-mail: fgvillacres@pucese.edu.ec, aatorresc@pucese.edu.ec, mschamba@pucese.edu.ec
2Subgerencia Nacional de Investigación y Desarrollo, Operador Nacional de Electricidad - CENACE, Quito,
Ecuador
E-mail: clozada@cenace.gob.ec
Abstract
The balance between generation and demand is essential
for frequency stability in electrical power systems.
However, the increasing penetration of intermittent
renewables has reduced the inertia of the system,
exposing limitations in traditional frequency control
schemes. To meet this challenge, an adaptive load relief
scheme, based on the rate of change of frequency
(ROCOF) and equivalent inertia, optimized by linear
regression to enhance the system's response to
contingencies, is suggested. The proposal is validated in
the IEEE system of 39 bars, assessing N-1 contingencies
and different levels of inertia. This research work
demonstrates that the proposed scheme allows a more
efficient frequency recovery with less load
disconnection, surpassing conventional methods. In
addition, the adaptive approach strengthens the
resilience of the system, making it more flexible without
compromising operational stability. This study
highlights the need for smart, data-driven solutions to
strengthen the stability of electricity systems, ensuring
a safer and more sustainable supply in the context of
adaptive electricity systems
Resumen
El equilibrio entre generación y demanda es esencial
para la estabilidad de frecuencia en sistemas eléctricos
de potencia. Sin embargo, la creciente penetración de
energías renovables intermitentes ha reducido la inercia
del sistema, exponiendo limitaciones en los esquemas
tradicionales de control de frecuencia. Para afrontar este
desafío, se sugiere un esquema de alivio de carga
adaptativo, basado en la tasa de cambio de frecuencia
(ROCOF) y la inercia equivalente, optimizado mediante
regresión lineal para poder potenciar la respuesta del
sistema ante contingencias. La propuesta se valida en el
sistema IEEE de 39 barras, valorando contingencias N-
1 y distintos niveles de inercia. Este trabajo de
investigación demuestra que el esquema propuesto
permite una recuperación más eficiente de la frecuencia
con una menor desconexión de carga, superando los
métodos convencionales. Además, el enfoque
adaptativo fortalece la resiliencia del sistema,
haciéndolo más flexibles sin comprometer la estabilidad
operativa. Este estudio resalta la necesidad de
soluciones inteligentes y basadas en datos para reforzar
la estabilidad de los sistemas eléctricos, garantizando un
suministro más seguro y sostenible en el contexto de los
sistemas eléctricos adaptativos
Index terms— Adaptive load shedding, frequency
stability, inertia, linear regression, ROCOF.
Palabras clave— Deslastre de carga adaptativo,
estabilidad de frecuencia, inercia, regresión lineal,
ROCOF.
62
Edición No. 22, Issue I, Julio 2025
1. INTRODUCCIÓN
La estabilidad del sistema de potencia se define como
la capacidad del sistema para mantenerse en un estado de
equilibrio operativo bajo parámetros normales y para
adaptarse hacia un estado de equilibrio aceptable después
de una perturbación [1]. Un sistema de potencia puede
volverse vulnerable a problemas de inestabilidad cuando
opera cerca de sus límites físicos [2]; si estos problemas
no se controlan, pueden derivar en un colapso parcial o
incluso total del sistema. Tradicionalmente, la estabilidad
del sistema de potencia se clasifica en tres tipos:
estabilidad angular, estabilidad de voltaje y estabilidad de
frecuencia [1].
La estabilidad de frecuencia está vinculada con el
equilibrio entre la generación de energía y la demanda
eléctrica. Cuando se produce una variación en la
generación, se genera una desviación en la frecuencia del
sistema, lo que puede llevar a valores fuera de los rangos
seguros de operación [2]. Para mantener la estabilidad, se
implementan controladores de potencia-frecuencia que
ajustan el equilibrio entre la generación y la demanda,
asegurando que la frecuencia se sostenga dentro de los
límites operativos adecuados [2].
El control de potencia-frecuencia se organiza en tres
niveles: primario, secundario y terciario [1]. La principal
diferencia entre estos niveles radica en sus rangos de
tiempo de operación y las variables asociadas. El control
primario tiene como objetivo restringir la desviación de
frecuencia durante una contingencia, recuperando el
equilibrio entre la generación de energía y la demanda
eléctrica al llevar el sistema a un nuevo punto de
operación, donde la frecuencia se desvía del valor
nominal [3]. Este control opera dentro de un intervalo de
tiempo 2 a 30 segundos. La respuesta de frecuencia
primaria es producto de la interacción entre la inercia de
los generadores, el amortiguamiento de la carga, los
reguladores de velocidad y otros dispositivos que
proveen energía al sistema, como los sistemas de
almacenamiento de energía en baterías (BESS) [3].
El control secundario actúa en un rango de tiempo de
30 segundos a 10 minutos [3]. Funciona dentro del área
de control, tomando en consideración tanto la frecuencia
como el intercambio de potencia con áreas vecinas y se
implementa a través del Control Automático de
Generación (AGC, por sus siglas en inglés). Finalmente,
el control terciario actúa en un margen de tiempo superior
a 10 minutos, su función abarca un sistema eléctrico de
gran escala, buscando una distribución óptima de la carga
para garantizar reservas de energía suficientes [3]. En el
transcurso de la operación del sistema eléctrico de
potencia (EPS), pueden presentarse situaciones en las que
los desbalances entre la potencia generada y la potencia
consumida sean significativamente pronunciados. En
estos casos, las válvulas mecánicas controladas por los
reguladores pueden responder demasiado lento, lo que
impide corregir la desviación antes de que la frecuencia
exceda los límites operativos aceptables. Esto podría
vulnerar la seguridad del sistema y provocar daños en las
unidades de generación [1]-[4]. Para mitigar estos
riesgos, se implementan estrategias correctivas como la
reducción de carga controlada por sub-frecuencia o la
desconexión de generación, con el objetivo de evitar
daños en las máquinas generadoras y prevenir el colapso
del sistema [1].
Las estrategias de alivio de carga pueden dividirse en
tres categorías: convencional, computacional y
adaptativa [5]. Estas categorías aplican el valor de la
frecuencia y la tasa de cambio de frecuencia (ROCOF)
para la aplicación de sus algoritmos. Se han investigado
estrategias basadas en ROCOF con el objetivo de mejorar
los resultados, permitiendo identificar la cantidad
mínima de carga que debe desconectarse en escenarios
críticos [5].
Con la caracterización de la tasa de cambio de la
frecuencia (ROCOF) en escenarios de contingencias N-
1, en el sistema IEEE de 39 barras, identificada en la
referencia [6] , la referencia [7] propone un esquema de
alivio de carga. Este esquema considera un espacio de
contingencias N-1 para evaluar la respuesta dinámica de
la frecuencia, con el objetivo de determinar los ajustes
adecuados para los relés de baja frecuencia activados por
la tasa de cambio de frecuencia (ROCOF).
En la referencia [8], mediante sus resultados se
muestra que sin un esquema adaptativo, la presencia de
alta generación renovable provoca una rápida caída de
frecuencia y afectar al EPS. En contraste, al aplicar el
EAC adaptativo, permite que el sistema recupere el
equilibrio desconectando solo la carga necesaria. Uno de
los elementos clave en esta metodología es el factor de
corrección para adaptar la cantidad de carga a
desconectar dependiendo del nivel de generación no
inercial presente.
En la referencia [9] se propone un enfoque de
deslastre adaptativo, basado en el estándar IEC 61850 y
empleando la protección FROCOF (Fast Rate of Change
of Frequency), para permitir una respuesta más rápida
ante variaciones en la frecuencia. Los resultados
obtenidos demuestran que el EAC adaptativo fue
optimizado.
En la referencia [10] se propone un enfoque de alivio
de carga por sub-frecuencia (UFLS), el modelo propuesto
calcula el ROCOF del Centro de Inercia de manera
descentralizada, sin necesidad de utilizar PMUs en todos
los generadores, lo que lo hace más accesible y flexible
para diversas configuraciones de red.
Cuando el sistema opera con bajos niveles de inercia,
las reservas de regulación primaria de frecuencia pueden
no ser suficientes para mantener la frecuencia por encima
del umbral de alivio de carga por baja frecuencia. Estos
cambios en el sistema requieren una evaluación en
tiempo real de la respuesta en frecuencia [1]. En este
contexto, se propone una estrategia de alivio de carga
adaptativo que tome decisiones basadas en la predicción
63
Villacrés et al. / Estrategia Adaptativa para el Alivio de Carga en Sistemas Eléctricos de Potencia Basada en RL
de la tasa de cambio de frecuencia (ROCOF), utilizando
las primeras muestras de frecuencia y los resultados
establecidos en [7].
A diferencia de los esquemas convencionales esta
propuesta representa una mejora frente a las
investigaciones mencionadas en [7], [8] y [10], ya que no
depende exclusivamente de la detección post falla, sino
que también anticipa el ROCOF. Además, incorpora un
índice de precisión para evaluar la efectividad del modelo
predictivo, elemento ausente en estudios anteriores.
2. DESCRIPCIÓN DE LOS MODELOS MATEMÁTICOS
EMPLEADOS
2.1 Modelo de Respuesta de Frecuencia
El modelo de respuesta de frecuencia del sistema
permite calcular la respuesta dinámica de la frecuencia
cuando ocurre un desequilibrio entre generación y carga.
Generalmente, este método incorpora una turbina, un
regulador de velocidad, un generador síncrono y una
carga [11]. Se han propuesto modelos más completos que
incorporan el efecto del Control Automático de
Generación (AGC), el esquema de desacople de carga
por subfrecuencia (UFLS), parques eólicos, plantas de
energía solar, dispositivos FACTS e incluso motores de
inducción.
En [11] se emplea un modelo reducido de primer
orden que permite representar diversas tecnologías de
generación con reguladores de velocidad
significativamente diferentes, a partir de las siguientes
variables: desequilibrio de carga , regulación del
sistema y amortiguamiento de la carga . Se
considera que la capacidad dinámica disponible es una
fracción de la capacidad de reserva inmediata,
mientras que la fracción complementaria se
modela como un retardo de primer orden con una
constante de tiempo . Además, representa una
constante de ganancia asociada a la reserva giratoria de
los generadores, es la inercia equivalente del
sistema, y representa el amortiguamiento de la carga.
El modelo propuesto, considerando generadores, se
ilustra en Figura 1.
Figura 1: Modelo de primer orden para la respuesta dinámica de
la frecuencia
La inercia equivalente del sistema se calcula como la
suma del producto de la inercia por la potencia
nominal de cada generador, dividida por la potencia
base del sistema , de acuerdo con la siguiente
ecuación:
(1)
En el presente estudio se considera perturbaciones del
tipo N-1 en generadores, por lo cual, es necesario
considerar la afectación en el cálculo de la inercia
equivalente de la ecuación 1 para la aplicación del
modelo de la Figura 1.
2.2 Tasa de Cambio de Frecuencia (ROCOF)
La tasa de cambio de frecuencia (ROCOF) se usa para
caracterizar la estabilidad del sistema, en el caso de
estudio se consideró con una ventana de tiempo de
500ms, tal como se recomienda en la referencia [12]:
(2)
donde:
• ΔP es el desequilibrio de potencia
• f es la frecuencia nominal,
• H es la inercia total después de la perturbación,
• S es la potencia nominal del sistema.
2.3 Base de Datos
Para la creación de la base de datos, se generan
perturbaciones mediante la desconexión de generadores,
provocando contingencias N-1 a partir de escenarios de
despacho óptimo iniciales, según lo establecido en [6].
Para el desarrollo de este estudio, se utilizó la base de
datos presentada en [7], la cual se detalla a continuación:
Para la elaboración de la base de datos, se identifican
variables numéricas dentro de un conjunto de
elementos, los cuales pueden estructurarse en una matriz
de dimensión . Esta matriz es fundamental para el
análisis de datos y la identificación de patrones
existentes.
La base de datos requerida incluye las siguientes
variables: tasa de cambio de frecuencia , inercia
equivalente antes del evento , inercia equivalente
después de la contingencia , potencia de generación
perdida y el valor mínimo de frecuencia alcanzado
NADIR, como se muestra a continuación:
(3)
64
Edición No. 22, Issue I, Julio 2025
3. METODOLOGÍA
Para analizar la relación entre la tasa de cambio de
frecuencia (ROCOF), es fundamental disponer de un
conjunto de datos que capture el comportamiento
dinámico del sistema en el instante de una contingencia.
Para ello, se tomó como referencia la investigación
presentada en.
Este conjunto de datos se generó mediante
simulaciones en un sistema de prueba basado en el
modelo IEEE de 39 barras [13]. La modificación aplicada
consistió en el aumento del número de generadores sin
alterar el flujo de potencia del sistema original, con el
objetivo de mejorar la sensibilidad del estudio.
La Figura 2muestra el flujograma de la metodología
propuesta para el desarrollo de este estudio, destacando
en gris el trabajo previo establecido en [7] .
Figura 2: Flujograma de la metodología
3.1 Normalización de Datos
Para garantizar que las variables estén en la misma
escala, se normalizan utilizando la ecuación:
(4)
Donde:
• es el valor original de la variable,
• son los valores mínimo y
máximo del conjunto de datos.
3.2 Cálculo de la Matriz de Correlación
La matriz de correlación entre variables se obtiene
con el coeficiente de Pearson:
(5)
Donde:
• es el coeficiente de correlación entre y
,
• y son los valores promedio de las
variables,
• y son los valores individuales de cada
observación.
3.3 Regresor Lineal
En el presente trabajo se propone un regresor lineal
de la siguiente forma:
(6)
es la variable independiente, Y es la variable
dependiente son los parámetros conocidos como
el intercepto y la pendiente, y reflejan la magnitud de la
influencia de X sobre Y. En la Figura 3 se presenta el
diagrama de flujo para la implementación del regresor.
Figura 3: Diagrama de flujo del regresor
3.3.1 Cálculo de la Media del RMSE (μ_RMSE)
La media del RMSE representa un promedio de los
errores cuadráticos el cual proporciona una estimación
general del nivel de error de los modelos.
La expresión matemática para el cálculo de la media es:
65
Villacrés et al. / Estrategia Adaptativa para el Alivio de Carga en Sistemas Eléctricos de Potencia Basada en RL
(7)
donde:
• es el número total de gráficas evaluadas.
• es el error cuadrático medio
3.3.2 Desviación Estándar del RMSE ()
La desviación estándar del RMSE mide la dispersión
de los errores con respecto a su media. Donde un valor
alto de desviación indica que los errores tienen mayor
variación que un valor bajo.
El valor se obtiene con la siguiente ecuación:
(8)
3.3.3 Coeficiente de Variación del RMSE ()
El coeficiente de variación es una métrica
adimensional que facilita la comparación de la dispersión
relativa de los errores en relación con su media. A
diferencia de la desviación estándar, el CV se expresa
como un porcentaje y proporciona una medida más
intuitiva de la variabilidad del RMSE.
La ecuación mide la dispersión relativa:
(9)
3.4 Índice de Precisión
Para evaluar la precisión relativa de cada gráfica, se
define el Índice de Precisión (IP). Este índice agrupa los
valores calculados, proporcionando una única métrica
que permite ordenar las gráficas desde la mayor a la
menor precisión.
Para cada gráfica i, se aplica la fórmula:
(10)
4. RESULTADOS
En esta etapa, se recopila información del
comportamiento dinámico del sistema. Para el análisis,
se consideran la potencia de generación perdida, la
inercia equivalente del sistema antes y después de la
perturbación y la demanda del sistema.
Una vez obtenidos los datos, se procede a su
normalización con el objetivo de eliminar la variabilidad
en la escala y optimizar el rendimiento del algoritmo.
Posteriormente, se construye una matriz de correlación
Tabla 1 para evaluar la relación entre las variables del
sistema, permitiendo un análisis detallado del
comportamiento del ROCOF en función de los
parámetros considerados.
Tabla 1: Matriz de Correlación Normalizada
Demanda
ROCOF
(500ms)
Inercia
antes
Inercia
después
PG
perdida
Demanda
1
-0,2469
-0,1634
-0,0697
0,2451
ROCOF
(500ms)
-0,2469
1
0,0478
0,4935
-0,9990
Inercia
antes
-0,1634
0,0478
1
0,4155
-0,0430
Inercia
después
-0,0697
0,4935
0,4155
1
-0,4848
PG
perdida
0,2451
-0,9990
-0,0430
-0,4848
1
Este método ayuda a reconocer tendencias y posibles
asociaciones entre variables, ofreciendo datos clave para
la selección de las variables dependientes del regresor.
Con base en estos resultados, se definieron candidatos
para las variables independientes del regresor.
En la Tabla 2, se presentan los errores obtenidos al
aplicar el modelo de regresión, proporcionando un
análisis de su desempeño.
Tabla 2: Evaluación del regresor con diferentes entradas
A partir de los resultados presentados en la Tabla 2, se
establece que la mejor alternativa a considerar es la
potencia de generación perdida y el cálculo de la inercia
después de la perturbación como variables clave. El
comportamiento de estas variables se ilustra en la Figura
4 y 5 destacando los escenarios de menor y mayor
dispersión.
Nº ESCENARIOS DE ENTRADA
Media del
RMSE
Desviación
Estándar
Coeficiente
de Variación
Índice de
Precisión
1PG Perdida - Inercia después - ROCOF 0,0483 0,9985 2,0693 0,9512
2PG Perdida - Demanda - ROCOF 0,0512 0,9983 1,9497 0,9495
3PG Perdida - Inercia antes - ROCOF 0,0507 0,9983 1,9704 0,9493
4Inercia antes - Inercia después - ROCOF 1,1064 0,1869 0,1690 -0,0765
5Inercia después - Demanda - ROCOF 1,0654 0,2461 0,2311 -0,0503
6Inercia después - Demanda - PG perdida 1,1221 0,2402 0,2142 -0,0960
7
Inercia antes - Inercia después - PG perdida
1,1689 0,1755 0,1501 -0,1435
8Inercia antes - Demanda - ROCOF 1,1805 0,0744 0,0630 -0,1860
9Inercia antes - Demanda - PG perdida 1,2356 0,0787 0,0637 -0,2200
ERROR EVALUADO EN LA BASE DE DATOS
66
Edición No. 22, Issue I, Julio 2025
Figura 4: ROCOF en función de PG perdida e Inercia después de
la perturbación
Se observa que en la Fig. 4, conforme incrementa la
PG Perdida y disminuye la inercia, el ROCOF se vuelve
más negativo, indicando una mayor tasa de cambio de la
frecuencia tras un evento inesperado.
Los resultados obtenidos en la Fig. 4 mostraron un
error cuadrático medio RMSE de 0.048 lo que indica la
cercanía entre los valores reales y predichos, asimismo
un coeficiente de determinación R2 del 0.998 en función
de las variables de entrada por lo que resalta la eficacia
del regresor. Los parámetros del regresor son:
Regresor
Parámetros
Símbolo
Valor
Intercepto
Constante
-0,8968
Coeficientes
Inercia después
0,1918
Coeficientes
PG perdida
-0,9408
Figura 5: ROCOF en función de la demanda e Inercia antes
de la perturbación
Por otro lado, la Fig. 5 muestra que los puntos de datos
no están agrupados, reflejando la poca relación entre
estos parámetros y la estabilidad de la frecuencia. A
medida que varía la inercia y la demanda, el ROCOF
experimenta cambios, debido a que no hay una relación
directa ante la contingencia.
Figura 6: Comparativa de ROCOF predicho vs ROCOF real
La comparación entre el ROCOF predicho y el ROCOF
real mostrada en la Fig. 6 presenta como resultado del
modelo de regresión entrenado para estimar la respuesta
del sistema. En la metodología usada se configuró el
regresor con un 85% de los datos para entrenamiento y
un 15% para test, lo que permite evaluar la capacidad del
modelo para predecir datos. En el gráfico, los puntos
rojos representan los datos de prueba, mientras que la
línea negra discontinua indica la referencia ideal donde
ROCOF predicho es igual al ROCOF real.
Para validar los resultados, se implementó en
Simulink el esquema de alivio de carga. En la Figura 1,
se muestra el bloque UFLS, que representa el mecanismo
de deslastre de carga. El sistema en Simulink se
encuentra acoplado de manera que el regresor ejecuta el
deslastre de carga con base en los resultados obtenidos en
la referencia.
Para ello se realizó un análisis comparativo sobre el
tiempo de actuación del modelo adaptativo frente al
esquema convencional de relé ROCOF. Por lo que se
simularon 983 escenarios de contingencia mencionados
en la referencia [6]. En los cuales, se registró el instante
en el que se produce el proceso de deslastre como
respuesta a la perturbación, mostradas en la Fig. 7. Este
análisis permitió identificar qué esquema actúa primero.
Figura 7: Comparativa de tiempos entre metidos
67
Villacrés et al. / Estrategia Adaptativa para el Alivio de Carga en Sistemas Eléctricos de Potencia Basada en RL
La Fig. 7 muestra la evolución del tiempo de
actuación para cada método, graficando los casos
simulados para facilitar la visualización. En el eje vertical
se representa el tiempo en el que empieza la recuperación
del sistema, respecto a la condición base sin EAC. Se
observa que el esquema anterior (color naranja) se
presenta una respuesta con tiempos de actuación menos
anticipada que en el método con regresión (color verde).
Esto debido a que se permite estimar el evento desde sus
condiciones iniciales, sin necesidad de esperar ventanas
prolongadas de medición como ocurre en los relés
tradicionales. Una representación más clara se aprecia en
la Fig. 8.
Figura 8: Desempeño del deslastre de carga a partir del
regresor desarrollado
La Fig. 8el comportamiento de la frecuencia ante una
contingencia N-1. La línea azul representa la frecuencia
sin un esquema de control, la línea roja punteada muestra
la respuesta utilizando la metodología implementada en
la referencia [7], mientras que la línea verde corresponde
al deslastre accionado por el regresor.
Los resultados muestran de forma más focalizada que
el regresor cumple adecuadamente su función, logrando
recuperar la frecuencia dentro de un rango admisible de
operación. Se observa que la acción de control del
regresor es más rápida que la del método propuesto en
[7]. Esto se debe a que se evita la espera asociada a la
ventana de cálculo de los relés de baja frecuencia por
ROCOF.
Para este escenario en particular en el método
propuesto en [7] se aprecia una caída controlada y una
recuperación más lenta a partir de los 1.9 s y donde la
frecuencia es de 59.73 Hz.
El método adaptativo aplicado en la investigación
presenta una mejor respuesta, con una menor caída de
frecuencia y una rápida estabilización a partir de los 1.2s
donde la frecuencia es de 59.93 Hz.
5. CONCLUSIONES Y RECOMENDACIONES
En comparación con investigaciones previas, este
trabajo confirma que el análisis de la respuesta del
sistema eléctrico ante pérdidas simuladas de generación,
junto con la evaluación de la precisión de un modelo de
regresión lineal para predecir el ROCOF nos permite,
concluir que:
La implementación de un esquema adaptativo de
alivio de carga basado en ROCOF mejora
significativamente la estabilidad del sistema en
comparación con métodos convencionales y es posible
optimizarlo, usando el modelo de regresión precargado
con 99% de efectividad.
La utilización del análisis de datos multivariante
permite mejorar las herramientas de monitoreo de las
frecuencias con el objetivo de optimizar su uso dentro de
los sistemas adaptativos generales para el control de las
frecuencias. Como resultado el uso de un modelo de
predicción mediante regresión logra ser más preciso y
rápido por lo que minimiza la caída de frecuencia y
mejora la respuesta del sistema ante perturbaciones.
No obstante, a pesar de los resultados positivos, hubo
limitaciones de diseño para el objeto de estudio de las que
se destaca la validación que fue realizada en un sistema
de prueba (IEEE 39 barras), por lo que se sugiere aplicar
esta metodología a sistemas eléctricos con diferentes
configuraciones y de mayor escala.
Asimismo, antes de aplicar la metodología debe
validarse si la base de datos es lineal caso contrario debe
considerarse otro modelo de regresión, el uso de
regresión lineal limita el modelado en comportamientos
no lineales presentes en sistema, por ello, futuras
investigaciones podrían explorar modelos de regresión
polinómicos.
Finalmente, sería conveniente validar los resultados
con datos reales obtenidos mediante PMUs en sistemas
operativos con la norma IEC 61850, que brinda una
comunicación más rápida y eficiente.
6. REFERENCIAS BIBLIOGRÁFICAS
[1] P. Kundur y N. J. Balu, Power System Stability and
Control. McGraw-Hill, 1994.
[2] W. Vargas, S. Chamba, A. D. L. Torre, y D.
Echeverría, «Protocolo de pruebas y validación de
reguladores de velocidad – Aplicación práctica en la
central hidroeléctrica Delsitanisagua», Revista
Técnica «energía», vol. 19, n.o 1, Art. n.o 1, jul.
2022, doi:
10.37116/revistaenergia.v19.n1.2022.507.
[3] S. Chamba, W. Vargas, D. Echeverría, y J. Riofrio,
«Regulación Primaria de Frecuencia Mediante
Sistemas de Almacenamiento de Energía con
Baterías en el Sistema Eléctrico Ecuatoriano»,
Revista Técnica «energía», vol. 19, n.o 1, Art. n.o 1,
jul. 2022, doi:
10.37116/revistaenergia.v19.n1.2022.506.
[4] U. Rudez y R. Mihalic, «Analysis of
Underfrequency Load Shedding Using a Frequency
Gradient», IEEE Transactions on Power Delivery,
vol. 26, n.o 2, Art. n.o 2, abr. 2011, doi:
10.1109/TPWRD.2009.2036356.
68
Edición No. 22, Issue I, Julio 2025
[5] J. A. Laghari, H. Mokhlis, A. H. A. Bakar, y H.
Mohamad, «Application of computational
intelligence techniques for load shedding in power
systems: A review», Energy Conversion and
Management, vol. 75, pp. 130-140, nov. 2013, doi:
10.1016/j.enconman.2013.06.010.
[6] C. X. Lozada, W. A. Vargas, N. V. Granda, y M. S.
Chamba, «Methodology for Identifying
Representative Rates of Change of Frequency
(ROCOFs) in an Electric Power System against N-1
Contingencies», en XXXI Conference on Electrical
and Electronic Engineering, MDPI, dic. 2023, p. 8.
doi: 10.3390/engproc2023047008.
[7] C. Lozada, W. Vargas, N. Granda, y M. Chamba,
«Optimal Load Shedding Scheme Considering the
Dynamic Frequency Response», Engineering
Proceedings, vol. 77, n.o 1, Art. n.o 1, 2024, doi:
10.3390/engproc2024077025.
[8] J. M.- Carvajal y C. B.- Singaña, «Esquema de alivio
de carga adaptativo en sistemas de potencia de alto
componente no inercial basado en representaciones
dinámicas / Esquema de alívio de carga adaptativo
em sistemas de potência de componentes não
inerciais elevados baseado em representações
dinâmicas», BASR, vol. 6, n.o 2, pp. 657-675, abr.
2022, doi: 10.34115/basrv6n2-018.
[9] C. A. M. Cholo, «Propuesta de un esquema de alivio
de carga para microrredes usando la norma IEC
61850 y la tasa de cambio de la frecuencia».
[10] M. Sun, G. Liu, M. Popov, V. Terzija, y S. Azizi,
«Underfrequency Load Shedding Using Locally
Estimated RoCoF of the Center of Inertia», IEEE
Trans. Power Syst., vol. 36, n.o 5, pp. 4212-4222,
sep. 2021, doi: 10.1109/TPWRS.2021.3061914.
[11] D. L. H. Aik, «A general-order system frequency
response model incorporating load shedding:
analytic modeling and applications», IEEE
Transactions on Power Systems, vol. 21, n.o 2, Art.
n.o 2, may 2006, doi:
10.1109/TPWRS.2006.873123.
[12] L. Wu, «Power System Frequency Measurement
Based Data Analytics and Situational Awareness»,
Doctoral Dissertations, may 2018, [En línea].
Disponible en:
https://trace.tennessee.edu/utk_graddiss/4897
[13] T. Athay, R. Podmore, y S. Virmani, «A Practical
Method for the Direct Analysis of Transient
Stability», IEEE Transactions on Power Apparatus
and Systems, vol. PAS-98, n.o 2, pp. 573-584, mar.
1979, doi: 10.1109/TPAS.1979.319407.
Flavio Villacrés Zurita. - Nació
en Esmeraldas en 1995. Recibió su
título de Ingeniero Eléctrico de la
Universidad Técnica de
Esmeraldas “Luis Vargas Torres”
en 2021. Actualmente, se
encuentra cursando sus estudios de
Maestría en Electricidad Mención
en Eficiencia Energética y
Energías Renovables, en la Pontificia Universidad
Católica de Ecuador. Actualmente, se desempeña como
Supervisor de Mantenimiento de Alumbrado Público en
contratista en Esmeraldas. Sus áreas de interés son:
Sistemas Eléctricos de Potencia, Energías Renovables y
Optimización Aplicada.
Alexis Torres Camacho. - Nació
en Esmeraldas en 1990. Obtuvo el
título de Ingeniero Eléctrico en la
Universidad Técnica de
Esmeraldas “Luis Vargas Torres”
en 2021. Actualmente, se encuentra
cursando sus estudios de Maestría
en Electricidad Mención en
Energías Renovables y Eficiencia Energética en la
Pontificia Universidad Católica de Ecuador. Se
desempeña de docente en la Unidad Educativa Dr. Luis
Prado Viteri en Esmeraldas. Sus áreas de interés es
Control y Automatización Industrial, Sistemas Eléctricos
de Potencia.
Marlon Chamba. - Nació en Loja,
Ecuador en 1982. Obtuvo el título
de Ingeniero Eléctrico en la Escuela
Politécnica Nacional, Ecuador en el
2007. En el año 2016, obtuvo el
título de Doctor en Ingeniería
Eléctrica en la Universidad
Nacional de San Juan, Argentina.
Actualmente trabaja en la Subgerencia Nacional de
Investigación y Desarrollo del CENACE. Sus áreas de
investigación son: Mercados de Energía, Confiabilidad,
Calidad, Evaluación de la seguridad del SEP.
Carlos Xavier Lozada. - Nació en
Quito en 1995, Recibió su título de
Ingeniero Eléctrico de la Escuela
Politécnica Nacional en el 2020; en
el 2024 recibió su título de
Magister en Electricidad Mención
Redes Eléctricas Inteligentes.
Actualmente se desempeña como
Ingeniero de Investigación y Desarrollo en la
Subgerencia Nacional de Investigación y Desarrollo de
CENACE. Sus áreas de interés son: Sistemas Eléctricos
de Potencia, Protecciones Eléctricas y Optimización
Aplicada.
69
