Artículo Académico / Academic Paper
Recibido: 31/10/2025, Aprobado tras revisión: 14/01/2026
Forma sugerida de citación: Guañuna, G.; Colomé, G.; Tapia, E. (2026). “Predicción del Estado de Estabilidad de Corto Plazo en
Sistemas de Potencia con Integración de Generación Renovable Utilizando Aprendizaje Profundo”. Revista Técnica “energía”.
No. 22, Issue II, Pp. 1-12.
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v22.n2.2026.723
© 2026 Autores Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0
Short-Term Stability State Prediction in Power Systems with Renewable
Generation Integration Using Deep Learning
Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia
con Integración de Generación Renovable Utilizando Aprendizaje Profundo
G.F. Guañuna1
0009-0001-7034-6192
D.G. Colomé1
0000-0002-2926-5366
E.A. Tapia2 0000-0002-3340-8278
1Universidad Nacional de San Juan – CONICET, Instituto de Energía Eléctrica, San Juan, Argentina
E-mail: gguanuna@iee.unsj.edu.ar; gcolome@iee-unsjconicet.org
2Universidad Técnica de Delft, Países Bajos
E-mail: e.a.tapiasuarez@tudelft.nl
Abstract
This paper presents a deep learning-based methodology
for short-term stability prediction in electrical systems
with high renewable generation penetration. Based on
dynamic simulations performed on the 39-bus IEEE
system, including scenarios with wind and photovoltaic
integration, a database was constructed to train a hybrid
recurrent convolutional neural network (RCNN-EE)
model. The model uses strategically selected electrical
variables to capture both transient dynamics and voltage
collapse phenomena, achieving accurate classification
of the system state. The results obtained demonstrate
superior performance compared to traditional
architectures, achieving outstanding metrics even under
unbalanced conditions. In addition, its applicability in
real time is validated, with inference times of less than
50 milliseconds, which demonstrates its potential for
implementation in electrical system protection and
control schemes.
Resumen
Este trabajo presenta una metodología basada en
aprendizaje profundo para la predicción del estado de
estabilidad de corto plazo en sistemas eléctricos con alta
penetración de generación renovable. A partir de
simulaciones dinámicas realizadas sobre el sistema
IEEE de 39 barras, que incluyen escenarios con
integración eólica y fotovoltaica, se construyó una base
de datos que permitió entrenar un modelo híbrido de red
neuronal convolucional recurrente (RCNN-EE). El
modelo utiliza variables eléctricas seleccionadas
estratégicamente para capturar tanto la dinámica
transitoria como los fenómenos de colapso de tensión,
logrando una clasificación precisa del estado del
sistema. Los resultados obtenidos demuestran un
rendimiento superior frente a arquitecturas
tradicionales, alcanzando métricas destacadas sobre el
95%, incluso en condiciones de clases desbalanceadas.
Además, se valida su aplicabilidad en tiempo real, con
tiempos de inferencia inferiores a 50 milisegundos, lo
cual evidencia su potencial para su implementación en
esquemas de protección y control del sistema eléctrico.
Index terms— Short-term stability, deep learning,
dynamic simulation, real-time prediction, renewable
generation.
Palabras clave— Estabilidad de corto plazo,
aprendizaje profundo, simulación dinámica, predicción
en tiempo real, generación renovable.
1
Edición No. 22, Issue II, Enero 2026
ACRÓNIMOS
ACC: Exactitud (Accuracy).
CNN: Red Neuronal Convolucional (Convolutional
Neural Network).
CU: Proporción de casos inestables correctamente
identificados (Correct Unstable).
DL: Aprendizaje Profundo (Deep Learning).
EECP: Estado de Estabilidad de Corto Plazo.
ET: Estabilidad Transitoria.
ETCP: Estabilidad de Tensión de Corto Plazo.
FC: Capa Totalmente Conectada (Fully Connected).
FER: Fuentes de Energía Renovable.
FV: Fotovoltaica.
G-mean: Media Geométrica.
IBR: Recursos Basados en Inversores (Inverter-Based
Resources).
LSTM: Memoria a Largo y Corto Plazo (Long Short-
Term Memory).
MI: Motores de Inducción.
PMU: Unidad de Medición Fasorial (Phasor
Measurement Unit).
RCNN-EE: Red Neuronal Convolucional Recurrente
(modelo propuesto para Evaluación de Estabilidad).
SEP: Sistema Eléctrico de Potencia.
SS: Sensibilidad para la clase estable (Stable Sensitivity).
1. INTRODUCCIÓN
La creciente penetración de fuentes de generación
renovable, especialmente eólica y fotovoltaica, está
modificando el comportamiento dinámico de los
sistemas eléctricos modernos. Estas tecnologías han
reemplazado progresivamente a los generadores
convencionales, reduciendo así la inercia del sistema y
alterando las reservas de potencia activa y reactiva frente
a perturbaciones severas [1]. Como consecuencia, los
sistemas eléctricos presentan una mayor vulnerabilidad
frente a fenómenos dinámicos que comprometen su
estabilidad en escalas de tiempo cortas, los cuales pueden
clasificarse en dos tipos principales de inestabilidad: la
transitoria (ET) y la de tensión de corto plazo (ETCP) [2].
La ET se refiere a la capacidad del sistema para mantener
el sincronismo de sus generadores frente a una
perturbación severa, como un cortocircuito o la pérdida
repentina de generación. Por otro lado, la ETCP está
dominada por cargas dinámicas, principalmente motores
de inducción y dispositivos electrónicos, los cuales
durante fallas pueden exigir grandes cantidades de
potencia reactiva, causando colapsos de tensión [3].
Los enfoques clásicos para evaluar estos tipos de
inestabilidades utilizan simulaciones dinámicas no
lineales o índices como el Short-Term Voltage Stability
Index (SVSI), pero presentan limitaciones para su
aplicación en tiempo real, debido a su elevado costo
computacional y dependencia de modelos precisos [4].
Frente a este desafío, los métodos basados en datos han
ganado protagonismo, impulsados por la creciente
disponibilidad de mediciones en tiempo real
proporcionadas por Unidades de Medición Fasorial
(PMU) [5]. Estas unidades permiten capturar con alta
resolución temporal variables eléctricas clave (magnitud
de tensión, ángulo de tensión, frecuencia), abriendo la
puerta al uso de técnicas de aprendizaje automático para
evaluar en tiempo real el estado dinámico del sistema.
Entre las primeras aplicaciones de inteligencia
artificial, se destacan métodos de clasificación con
árboles de decisión, máquinas de soporte vectorial
(SVM) y bosques aleatorios [6]. Sin embargo, estos
enfoques de aprendizaje automático requieren un análisis
detallado de sus características y no capturan
adecuadamente las relaciones espaciales ni temporales
presentes en los datos. Mientras que los métodos de
aprendizaje profundo (DL) permiten extraer
automáticamente representaciones espaciotemporales
directamente de los datos, logrando una capacidad
predictiva superior. Aunque tradicionalmente los
fenómenos de estabilidad transitoria y de tensión de corto
plazo se han estudiado por separado, existe un creciente
consenso en que su análisis conjunto es esencial, debido
a que ambos tipos de inestabilidad se desarrollan en la
misma ventana de tiempo afectando negativamente al
sistema de potencia particularmente en condiciones de
alta penetración de energías renovables [7].
Por su parte, en [8] se propone una metodología de
evaluación de la vulnerabilidad dinámica del sistema
eléctrico, tomando en consideración cinco diferentes
síntomas de alerta del sistema tales como: inestabilidad
transitoria, inestabilidad oscilatoria, inestabilidad de
voltaje de corto plazo, inestabilidad de frecuencia de
corto plazo y sobrecargas. Recientes avances proponen
superar la separación tradicional entre ET y ETCP
mediante la evaluación simultánea de ambos fenómenos.
En particular, el estudio disponible en [9], plantea una
metodología basada en Redes Neuronales
Convolucionales Recurrentes (RCNN) que clasifica el
estado de estabilidad de corto plazo (EECP) como
estable, inestable por pérdida de sincronismo o inestable
por colapso de tensión. Esta propuesta destaca por
integrar variables de magnitud de tensión y ángulo de
tensión medidas en barras clave del sistema, logrando
una alta precisión predictiva aún bajo escenarios severos.
Sin embargo, dicha metodología no contempla la
integración de generación renovable en los escenarios
analizados.
2
Guañuna et al. / Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración Renovable
Por lo tanto, el presente trabajo tiene como objetivo
extender la metodología de evaluación predictiva de [9],
incorporando modelos dinámicos de generación
renovable. A través de una base de datos construida con
series temporales, se entrena un nuevo modelo RCNN
para estimar el estado de estabilidad de corto plazo en
sistemas con alta penetración de renovables.
El presente trabajo se estructura en cinco capítulos
que describen el procedimiento para la evaluación del
estado de estabilidad del sistema. En el Capítulo 2 se
desarrolla el sustento técnico y matemático necesario
para comprender el fenómeno de la estabilidad de corto
plazo y su evaluación con técnicas de aprendizaje
profundo. El Capítulo 3 expone la metodología
implementada, mientras que el Capítulo 4 presenta el
análisis de los resultados obtenidos. Finalmente, el
Capítulo 5 resume las principales conclusiones del
estudio.
2. MARCO TEÓRICO
El siguiente capítulo tiene como objetivo brindar una
visión general de los conceptos fundamentales
relacionados a la estabilidad de corto plazo en sistemas
eléctricos de potencia (SEP).
2.1 Estabilidad de Corto Plazo
La estabilidad en sistemas de potencia se define como
la capacidad de un SEP para recuperar un estado de
equilibrio tras una perturbación, manteniendo sus
variables eléctricas dentro de límites operativos
aceptables. Tradicionalmente, esta se ha clasificado en
estabilidad angular, de tensión y de frecuencia. No
obstante, la integración masiva de generación renovable
basada en inversores (Inverter-Based Resources, IBR)
introduce dinámicas electromagnéticas rápidas que no
están presentes en las máquinas síncronas
convencionales.
De acuerdo con la extensión de la clasificación
clásica de estabilidad propuesta en [10], la presencia de
convertidores electrónicos da lugar a una nueva
categoría: la estabilidad impulsada por convertidores.
Esta categoría se divide en fenómenos de interacción
lenta y fenómenos de interacción rápida, relacionados
con los lazos de control de los convertidores y su
interacción con la red. En el presente trabajo, si bien se
reconoce la relevancia de estas nuevas categorías, el
alcance se centra específicamente en la estabilidad
angular transitoria y la estabilidad de tensión de corto
plazo. Por su parte, el análisis detallado de las
interacciones de control de alta frecuencia se propone
como una línea de trabajo futuro [11].
2.1.1 Estabilidad de tensión de corto plazo
La estabilidad de tensión de corto plazo está
fuertemente influenciada por el comportamiento
dinámico de las cargas, particularmente los motores de
inducción (MI), que pueden estancarse y provocar una
alta demanda de potencia reactiva. Por lo tanto, si la
regulación y el soporte de tensión no alcanzan a cubrir
esa demanda, la tensión no se recupera y el sistema deriva
a la inestabilidad de tensión en segundos [11].
2.1.2 Estabilidad transitoria
La ET se refiere a la capacidad del sistema para
mantener el sincronismo de los generadores sincrónicos
después de perturbaciones grandes. Si el equilibrio entre
par eléctrico y mecánico no se restablece, el ángulo
rotórico crece de manera sostenida y se pierde la
sincronía [12].
Además, con la creciente penetración de generación
renovable, es necesario evaluar de manera conjunta la ET
y la ETCP, ya que ambas comparten una misma ventana
temporal, pero responden a mecanismos distintos. Por
ello, resulta primordial aplicar metodologías que
discriminen si la inestabilidad es provocada por pérdida
de sincronismo o por colapso de tensión [13].
2.1.3 Modelamiento de la dinámica del SEP
Para examinar el comportamiento dinámico de un
sistema eléctrico, es indispensable representar
matemáticamente cada uno de sus componentes físicos
mediante ecuaciones algebraico-diferenciales (DAE), las
cuales describen la evolución temporal del sistema a
partir de sus condiciones iniciales. En [9], describe el uso
de modelos de sexto orden para generadores sincrónicos,
modelos de quinto orden para MI y modelos ZIP para
cargas estáticas. Esta representación asegura que
fenómenos como estancamiento o caídas de velocidad
durante fallas sean correctamente simulados.
2.2 Modelación de Generación Renovable
El modelado de fuentes renovables basadas en
convertidores de potencia completa (full converter),
como la fotovoltaica (FV) y la eólica tipo 4, es
fundamental para el análisis dinámico de sistemas de
potencia, ver Fig. 1. Estas unidades se conectan mediante
electrónica de potencia que desacopla mecánicamente la
generación de la red, permitiendo un control preciso de
la potencia activa y reactiva inyectada [14], [15].
Figura 1: Representación Esquemática de un Generador Eólico y
una Planta Fotovoltaica Conectados a la Red [14], [16]
3
Edición No. 22, Issue II, Enero 2026
En este contexto, la base de los modelos IBR es un
lazo de control interno y rápido de corriente [17]. Es
importante aclarar que, si bien la literatura técnica
diferencia explícitamente las arquitecturas de
seguimiento de red (Grid-Following, GFL) y de
formación de red (Grid-Forming, GFM), la clasificación
de un modelo genérico no depende solo de su
denominación, sino de su esquema de control.
Esta investigación analiza específicamente el
rendimiento de inversores configurados para el
seguimiento de red, con el fin de inyectar potencia y
proporcionar servicios auxiliares de frecuencia y tensión.
Cabe señalar, sin embargo, que la arquitectura de los
modelos genéricos utilizados posibilita, a través de la
modificación específica de sus parámetros y lazos de
control, emular comportamientos propios de la
formación de red. Dicha versatilidad es fundamental para
asegurar la estabilidad del sistema frente a perturbaciones
significativas.
Estos generadores se modelan mediante bloques
validados por el WECC: REGC_A para el generador,
REEC_A como controlador eléctrico, WTGT_A para el
tren mecánico (en eólica), y REPC_A como controlador
a nivel planta, ver Fig. 2 [18].
Figura 2: Diagrama de Bloques Funcionales del Modelo Dinámico
Tipo 4 [18]
2.3 Aprendizaje Profundo
El aprendizaje automático es un campo de la
inteligencia artificial que permite a los sistemas aprender
automáticamente a partir de datos. Los algoritmos se
clasifican en aprendizaje supervisado, no supervisado y
por refuerzo. Dentro del aprendizaje supervisado, existe
el aprendizaje profundo, que se caracteriza por utilizar
una cascada de múltiples capas de unidades de
procesamiento no lineal para la extracción y
transformación de características de forma automática.
Cuando la información de entrada consiste en series
temporales de diferentes variables, como en el caso del
análisis dinámico de estabilidad de sistemas eléctricos, es
necesario emplear modelos que puedan capturar tanto las
características espaciales como las temporales de los
datos. Para ello, se puede utilizar una arquitectura híbrida
basada en aprendizaje profundo denominada Red
Neuronal Convolucional Recurrente. Esta red combina
una primera etapa convolucional (CNN), encargada de
extraer patrones espaciales relevantes de la señal (por
ejemplo, relaciones entre diferentes barras), con una
segunda etapa formada por capas LSTM, que permiten
extraer las dependencias temporales en la evolución de
las variables eléctricas durante la simulación. Las capas
densas posteriores se encargan de relacionar e integrar las
características o patrones extraídos por las capas LSTM
o CNN, permitiendo así una representación conjunta de
la dinámica del sistema. Finalmente, una capa de salida
con la función de activación correspondiente (por
ejemplo, softmax o sigmoide) clasifica el estado de
estabilidad del sistema [19].
3. METODOLOGÍA
Este capítulo presenta el procedimiento general
desarrollado para la evaluación predictiva del EECP
mediante un modelo de aprendizaje profundo (RCNN-
EE) [9]. En esta versión, se ha incorporado generación
renovable (fotovoltaica y eólica) como parte de los
escenarios de operación, lo que permite además analizar
el impacto de su penetración sobre la estabilidad
dinámica del sistema bajo estudio.
Figura 3: Marco General de la Metodología Implementada
La Fig. 3 ilustra el esquema general de la
metodología, cuya primera etapa corresponde a la
generación de la base de datos. Esta se compone de: a)
series de tiempo (ST) de variables eléctricas del sistema
obtenidas mediante simulaciones dinámicas ante diversas
contingencias, bajo un amplio espectro de escenarios
operativos que consideran la integración de generación
solar y eólica; y b) la clasificación y etiquetado del estado
de estabilidad de corto plazo, utilizando el monitoreo de
una variable que refleje de manera efectiva la ocurrencia
de un fenómeno de inestabilidad de tensión de corto
plazo.
La segunda etapa contempla el entrenamiento fuera
de línea del modelo de red neuronal convolucional
recurrente. Este modelo recibe como entrada las variables
eléctricas generadas en la primera etapa y produce como
salida la clasificación del estado de estabilidad de corto
plazo del sistema, permitiendo además analizar su
desempeño mediante métricas específicas y comparar su
eficacia con otras arquitecturas de aprendizaje profundo.
Finalmente, el modelo entrenado es aplicado en línea
para realizar la evaluación del EECP bajo la ocurrencia
de alguna contingencia en tiempo real.
4
Guañuna et al. / Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración Renovable
3.1 Base de Datos
La base de datos utilizada para el entrenamiento y
validación del modelo se construyó a partir de
simulaciones dinámicas realizadas en el software
PowerFactory DIgSILENT sobre el sistema IEEE New
England de 39 barras. Se incorporaron nuevas unidades
de generación renovable (fotovoltaica y eólica)
conectadas en distintas barras. La ubicación de estas
fuentes en los nodos del sistema se realizó en función del
potencial del recurso primario disponible,
complementando así la generación convencional,
conforme al análisis desarrollado en [13].
3.1.1 Escenarios de operación
Se utilizaron múltiples escenarios de operación
considerados en [9]. Los cuales se agruparon en bandas
horarias (pico, valle y resto), mediante el algoritmo K-
Means, con el objetivo de establecer un esquema de
despacho que integre fuentes de generación renovable
[13]. En este contexto, la generación fotovoltaica (FV) se
incorpora exclusivamente durante la franja horaria
correspondiente a la condición de carga “resto”, mientras
que la generación eólica se considera constante a lo largo
de las tres bandas horarias. De esta manera, se configuran
escenarios de operación que integran el despacho
económico de energías renovables, en función de la
capacidad disponible del sistema de prueba. En este
análisis, se consideraron los costos de generación
fotovoltaica y eólica como nulos dentro del Optimal
Power Flow (OPF), permitiendo evaluar el despacho
económico del sistema bajo diferentes condiciones de
carga. La ubicación de las plantas se definió con base en
el aprovechamiento de los recursos energéticos
disponibles. A partir de las coordenadas geográficas
aproximadas del sistema IEEE de 39 barras (localizado
en el noreste de EE. UU.) y mediante el uso de datos del
Global Solar Atlas y del Global Wind Atlas, se
identificaron las zonas con mayor potencial renovable.
Como resultado, se extendió el sistema original a 45
barras, situando la generación renovable en las barras 32,
33 y 34 donde ya se tiene generación convencional. En
este sentido, de acuerdo con las configuraciones típicas
de parques renovables, se integró una capacidad total de
1200 MW, se incorporaron 600 MW solares mediante
tres plantas fotovoltaicas de 200 MW cada una, y 600
MW eólicos a través de tres parques de igual capacidad
unitaria.
Para el análisis de estabilidad de corto plazo, las
fuentes renovables se modelaron como constantes debido
a que la ventana temporal de estudio es de apenas 5
segundos. Para considerar la incertidumbre y garantizar
la validez de los resultados, se realizó un análisis de
robustez variando la generación renovable en un 10%. Al
reducir la inyección en este porcentaje, se verificó
mediante los modelos predictivos que la clasificación del
estado de estabilidad (estable, ET o ETCP) mantuvo su
precisión para los casos evaluados. Este resultado
confirma que la metodología es robusta ante
incertidumbres de despacho renovable, aunque un
análisis más profundo de la incertidumbre se plantea
como trabajo futuro. Por último, la operación del sistema
se configuró conforme a la Ley argentina 27.191, la cual
exige una penetración mínima de energías renovables
equivalente al 20% del consumo total. Los escenarios de
simulación se diseñaron para evaluar condiciones de
operación críticas, alcanzando para ello un nivel de
penetración promedio del 20%.
3.1.2 Simulación de contingencias N-1
Sobre cada escenario de operación definido, se
llevaron a cabo simulaciones de contingencias de tipo N-
1, incluyendo la salida de unidades de generación
convencional y cortocircuitos trifásicos en líneas de
transmisión, con su posterior despeje a los 80 ms. Se
decidió no modelar la salida de centrales fotovoltaicas y
eólicas para preservar la condición de máxima
penetración renovable, permitiendo así evaluar el mayor
impacto de estos recursos sobre la estabilidad del sistema
y poder evaluar el impacto de las FER en los mismos
escenarios de operación y contingencias analizados sin
FER. El análisis detallado de la pérdida simultánea de
generación renovable y sus efectos en la operación del
sistema se plantea como una línea de investigación para
trabajos futuros. Estos dos tipos de contingencias fueron
seleccionados por representar perturbaciones severas que
pueden comprometer la estabilidad del sistema eléctrico,
llegando incluso a provocar cortes parciales o totales del
suministro. Asimismo, se implementaron modelos
dinámicos para las plantas de generación solar y eólica,
en todos los casos considerando estrategias de control de
tensión. Las simulaciones se realizaron en un horizonte
temporal de 5 segundos, permitiendo capturar con
suficiente resolución la evolución dinámica de las
variables del sistema ante los fenómenos de inestabilidad
de corto plazo.
3.1.3 Selección de las variables de entrada
La correcta selección de variables eléctricas de
entrada es un aspecto crucial en el desempeño de las
máquinas de aprendizaje. Esta selección debe
fundamentarse en la relación existente entre dichas
variables y los fenómenos dinámicos que se pretenden
detectar, a fin de maximizar la capacidad predictiva del
modelo. Por ejemplo, el estudio presentado en [20] que
identifica generadores críticos ante inestabilidad
transitoria, las variables seleccionadas incluyen la
magnitud de tensión, ángulo de tensión y ángulo del rotor
(δ) de los generadores sincrónicos. Esta última variable
es representativa en la dinámica transitoria, ya que refleja
las oscilaciones del rotor frente a grandes perturbaciones,
constituyéndose en el principal indicador de pérdida de
sincronismo. Por otro lado, [2] se centra en la evaluación
predictiva de la estabilidad de tensión de corto plazo. En
este contexto, se incorpora la magnitud y ángulo de la
tensión de las barras, al igual que la velocidad de los
motores de inducción, siendo esta última variable un
indicador sensible para capturar el fenómeno de la ETCP.
5
Edición No. 22, Issue II, Enero 2026
En este sentido, en el presente trabajo se seleccionan
las siguientes variables de entrada: magnitud de tensión
(|V|) ángulo de tensión (θ), velocidad de los motores de
inducción (ω) y ángulo del rotor (δ) de los generadores
sincrónicos. Por lo tanto, las variables |V| y θ se derivan
de las mediciones fasoriales sincronizadas por PMU,
mientras que ω se calcula de forma indirecta empleando
la ecuación dinámica del rotor, las mediciones de tensión
y los parámetros característicos de los motores de
inducción [21]. Por último, el ángulo del rotor δ se
obtiene a partir de las mediciones de fase de tensión
sincronizadas por PMU, análogo al cálculo realizado por
ciertas PMU avanzadas [22].
La extracción de estas variables se realiza
selectivamente únicamente en las barras donde se
encuentran los motores de inducción y en las barras que
contienen generadores convencionales o convencionales
y renovables. De este modo, se conforma un conjunto de
variables que permite abordar de forma simultánea y
eficiente la predicción del estado de estabilidad de corto
plazo tanto transitoria como de tensión. Cabe señalar que
no se extraen variables directamente de las plantas FV y
eólicas, ya que su comportamiento operativo está
intrínsecamente ligado a la respuesta dinámica observada
en las PMU de las barras de generación donde están
conectadas.
3.1.4 Etiquetado del estado de estabilidad
Como parte fundamental de la metodología, una vez
definidas las variables de entrada del modelo de
aprendizaje profundo, es necesario establecer las salidas,
las cuales se determinan mediante la metodología de
evaluación definida en [9] y analizada en [13]. Dicha
metodología se compone de dos etapas diferenciadas que
se muestran en la Fig. 4.
En la primera etapa, se realiza un ajuste de las
condiciones de simulación, considerando tanto la
contingencia N-1 como el escenario de operación
correspondiente. A partir de estas condiciones iniciales,
se ejecuta la simulación dinámica en el dominio del
tiempo. Durante esta simulación, se monitorea el
comportamiento del ángulo del rotor de los generadores.
Si la máxima separación angular entre cualquier
generador y el generador de referencia supera el límite
teórico de 180°, es decir, |∆|  > 180°, se considera
que uno o más generadores han perdido el sincronismo.
Este fenómeno suele manifestarse también en forma de
oscilaciones de tensión entre valores altos y bajos en
distintas barras del sistema, por lo que el caso se clasifica
como inestable. Por otro lado, si |∆|  < 180°, se
considera que el sistema permanece estable frente a la
perturbación evaluada.
La segunda etapa tiene como objetivo identificar el
mecanismo principal de inestabilidad presente en
aquellos casos previamente clasificados como inestables.
Para ello, se realiza una nueva simulación en el dominio
del tiempo, esta vez ajustando el sistema para
desconectar la totalidad de la carga motórica. Si dicha
acción de control permite que el sistema recupere un
estado estable, se concluye que las cargas dinámicas
fueron las responsables del comportamiento inestable,
clasificando el caso como inestable por pérdida de
estabilidad de tensión de corto plazo. En cambio, si la
desconexión de las cargas dinámicas no modifica la
condición de inestabilidad, se interpreta que los
generadores sincrónicos tienen mayor protagonismo en
el fenómeno observado, por lo tanto, el caso se clasifica
como inestable por pérdida de estabilidad transitoria.
La información correspondiente al EECP, obtenida a
partir de esta metodología, se codifica mediante el vector
. Dicho vector está estructurado en tres niveles, cada uno
de los cuales representa un posible estado del sistema:
estable, inestable por ET o inestable por ETCP. Es decir:
󰇱󰇟󰇠
󰇟󰇠
󰇟󰇠
(1)
Esta información sobre la evaluación del EECP que
contiene el vector , es utilizada para el entrenamiento
del modelo RCNN-EE.
Flujo inicial de carga
Simulación en el dominio del
tiempo
| δ|max > 180°
N S
Estable Inestable
Flujo inicial de carga
Simulación en el dominio del
tiempo
| δ|max > 180°
Inestable
ETCP Inestable
ET
Primera Etapa Segunda Etapa
SN
Ajuste de condiciones de
simulación
Desconexión de toda la carga
motórica en barras con mayor MI
Tiempo de acción de control
Ajuste de condiciones de
simulación
Contingencia n-1
Escenario de operación
Figura 4: Diagrama de Flujo de la Metodología de la EECP
3.2 Modelado RCNN-EE
La arquitectura empleada en este estudio corresponde
a una combinación de algoritmos de aprendizaje
profundo. Por un lado, se utilizan redes neuronales
convolucionales (CNN), cuya función principal es la
extracción de características espaciales. Por otro lado, se
integran redes neuronales recurrentes con memoria a
largo y corto plazo (LSTM), las cuales permiten capturar
características temporales. La integración secuencial de
ambas estructuras da lugar al modelo RCNN.
3.2.1 Procesamiento de datos
Antes de entrenar el modelo, los datos deben
organizarse en un formato estructurado que permita
capturar tanto la información espacial (por barra) como
6
Guañuna et al. / Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración Renovable
la temporal (evolución en el tiempo) de las variables del
sistema. Para ello, se construye un tensor
multidimensional, que es una estructura de datos
utilizada frecuentemente en aprendizaje profundo para
representar conjuntos de datos complejos [23].
El conjunto de datos utilizado corresponde a un tensor
de dimensiones (N,15,16,4), que representa series de
tiempo de 15 muestras para 16 barras del sistema con
carga dinámica y generación, y 4 variables eléctricas. Los
datos se dividen en subconjuntos de entrenamiento y
prueba (80%-20%). Posteriormente, se aplica una
normalización global, calculando la media y desviación
estándar sobre todas las muestras y barras del conjunto
de entrenamiento.
3.2.2 Entrenamiento
La arquitectura del modelo RCNN-EE se presenta en
la Fig. 5. En primer lugar, se encuentran las capas
convolucionales, seguidas de una capa densa (FC) que
relaciona las características extraídas. Estas son luego
procesadas por las capas LSTM, y finalmente, una
segunda capa densa realiza la clasificación del estado del
sistema como estable, inestable por ET o inestable por
ETCP.
Figura 5: Estructura del Algoritmo de Aprendizaje RCNN-EE
El modelo se entrenó utilizando la función de pérdida
categórica (categorical crossentropy), adecuada para
problemas de clasificación multiclase con etiquetas
codificadas en formato one-hot. Como algoritmo de
optimización se empleó Adam, ampliamente utilizado en
tareas de aprendizaje profundo por su eficiencia en la
convergencia. Durante el entrenamiento se incorporaron
mecanismos de regularización para evitar el sobreajuste.
En particular, se utilizó la técnica de Dropout en las capas
densas, desconectando aleatoriamente un porcentaje de
las neuronas en cada iteración. Además, para abordar el
desbalance de clases, se aplicaron técnicas de
oversampling (sobremuestreo) y asignación de pesos
específicos a cada clase en la función de pérdida, lo que
permitió mejorar la capacidad del modelo para identificar
con mayor precisión los estados inestables.
3.3 Métricas de Desempeño
Una vez finalizado el entrenamiento con el conjunto
de datos de entrenamiento, el modelo RCNN se evalúa
utilizando el conjunto de prueba, a fin de medir su
capacidad de generalización. El desempeño se analiza
mediante la matriz de confusión y cuatro métricas
específicas.
• Accuracy (ACC): Exactitud global.
• Correct Unstable (CU): Proporción de
inestables correctamente identificados.
• Stable Sensitivity (SS): Sensibilidad para la
clase estable.
• G-Mean: Media geométrica entre CU y SS.
3.4 Aplicación del Modelo RCNN-EE en Tiempo
Real
La finalidad de este estudio es que el modelo de
aprendizaje profundo desarrollado pueda ser aplicado en
tiempo real, permitiendo así una evaluación oportuna del
estado de estabilidad del sistema eléctrico. Esta
capacidad de predicción en línea resulta fundamental
para sistemas de protección y control, ya que posibilita la
toma de decisiones correctivas de manera anticipada ante
eventos que comprometan la estabilidad del sistema.
4. ANÁLISIS DE RESULTADOS
En este capítulo se presentan los resultados obtenidos
a partir de la implementación de la metodología
propuesta en [9] considerando sistemas con alta
penetración de generación basada en fuentes de energía
renovable (FER).
4.1 Caso de Estudio
El caso de estudio corresponde al sistema IEEE New
England de 39 barras, el cual fue modificado para incluir
600 MW de generación eólica y 600 MW de generación
fotovoltaica. Las nuevas plantas renovables se
conectaron en las barras 32, 33 y 34, seleccionadas por
su alto recurso primario (irradiancia y velocidad de
viento), ver Fig. 6. El modelo de generación renovable
utilizado fue del tipo 4 disponible en la librería de
PowerFactory y operando bajo un modo de control de
tensión local (modo 3). En el estudio se analizaron 9883
escenarios operativos con simulaciones dinámicas de
contingencias N-1, que incluyen pérdidas de generación
y cortocircuitos trifásicos. La base de datos dinámica se
generó mediante scripts DPL en PowerFactory, mientras
que los datos estáticos y el OPF se resolvieron en Python
empleando PYPOWER. Los escenarios se agruparon en
las tres bandas horarias usando clustering con K-Means,
considerando que la generación eólica opera en todas las
franjas, mientras que la FV sólo en la banda resto. Cada
caso fue posteriormente clasificado en una de las tres
clases de estabilidad: estable, inestable por pérdida de
sincronismo (ET) o inestable por colapso de tensión
(ETCP), conformando así una base de datos etiquetada
apta para entrenamiento y validación del modelo
predictivo.
Finalmente, esta base de datos etiquetada permite
evaluar la capacidad del modelo RCNN-EE, entrenado
sin FER, para predecir adecuadamente en escenarios que
las incluyen. En caso de que los resultados no sean
satisfactorios, dicha base sirve también para entrenar una
nueva RCNN-EE adaptada a la nueva composición del
parque de generación.
7
Edición No. 22, Issue II, Enero 2026
Figura 6: Sistema New England 39 Barras con Penetración de
Energías Renovables
4.2 Evaluación del Clasificador RCNN-EE
Entrenado sin FER
En esta sección se analiza el modelo RCNN-EE
entrenado en [9]. Para ello, se utilizó la nueva base de
datos generada a partir de la metodología explicada
anteriormente, que incorpora integración de generación
renovable (eólica y solar). La Tabla 1 resume los
resultados de clasificación obtenidos por el modelo
RCNN-EE de [9] frente a la aplicación de la metodología
de etiquetado en la base de datos del sistema con FER
[13]
Tabla 1: Comparación de Clasificación RCNN-EE vs Etiquetado
en Sistema con FER
Tipo
EECP
RCNN-EE
Entrenado en
[9] sin FER
Metodología de
etiquetado con FER
Estables
6888
7930
ET
2477
1529
ETCP
518
424
Total
9883
9883
A partir de los resultados de la Tabla 1, se observa
una discrepancia considerable, especialmente en la clase
"Estables", donde el modelo subestima la cantidad de
casos estables y sobreestima los casos inestables. Esto
indica que el modelo RCNN-EE, al haber sido entrenado
con una topología de red distinta y sin considerar
generación renovable, pierde capacidad predictiva ante
nuevos escenarios con alta penetración renovable. Este
análisis justifica la necesidad de reentrenar el modelo
utilizando la nueva base de datos.
4.3 Entrenamiento y Diseño de Modelos
En este apartado se describe brevemente el diseño de
las máquinas de aprendizaje profundo utilizados, así
como el proceso de entrenamiento aplicado.
4.3.1 Diseño del modelo
El modelo de aprendizaje profundo consta de un
módulo CNN con tres capas convolucionales (64, 32 y 4
filtros de tamaño 3×3) con función de activación ReLU,
seguidas de max pooling 2×2, normalización por lotes y
dropout 0.1 para evitar sobreajuste. El resultado se aplana
(flatten) y pasa a 32 neuronas FC (ReLU). Luego, la
salida alimenta un módulo LSTM de 64 neuronas, con
función de activación tanh y normalización por capas,
encargado de procesar las dependencias temporales.
Finalmente, las características extraídas atraviesan una
FC de 64 neuronas (ReLU) y un clasificador softmax de
3 salidas, que entrega la probabilidad de pertenencia a
cada clase de estabilidad. Para una mejor apreciación se
presenta la Fig. 7.
Durante el entrenamiento se ajustaron los
hiperparámetros más relevantes, como la tasa de
aprendizaje (1×10⁻³), el tamaño de lote (256), el número
de épocas (600). Se empleó la función de pérdida
categorical cross-entropy y el optimizador Adam.
Conv
64, 3x3
ReLU
Dropout
0.1
MaxPool
2x2
Batch
Normalization
Conv
32, 3x3
ReLU
Dropout
0.1
MaxPool
2x2
Batch
Normalization
Conv
4, 3x3
ReLU
Dropout
0.1
MaxPool
2x2
Batch
Normalization
LSTM
64
tanh
Layer
Normalization
FC, 32
ReLU
FC, 32
ReLU
FC, 3
Softmax
Flatten
Capas convolucionales Capas FC Capas LSTM Capas FC y
clasificador
Salida:
(none, 3)
Entrada:
(none, 15,16,4)
Figura 7: Arquitectura del Modelo RCNN-EE
Además, se aplicaron pesos de clase para compensar
el desbalance del conjunto de datos original, el cual
presentaba una marcada minoría de escenarios de
inestabilidad de tensión de corto plazo (424 casos de
ETCP sobre un total de 9883). Para mejorar el
entrenamiento del modelo, se realizó un proceso de
oversampling mediante la duplicación de dichos casos de
ETCP, resultando en un conjunto de datos final de 10307
casos. Sobre este conjunto, se determinaron los pesos de
penalización según la Ec. (2).
(2)
Donde es el paso de la clase , es el número total
de casos de estudio (10307), es el número de casos de
estudio de la clase (estable: 7930, inestable por ET:
1529, inestable por ETCP: 848), y es el número de
clases que en este caso es 3. Por lo tanto, se obtuvo el
vector de balance α = [0.43, 2.25, 4].
Con el objetivo de evaluar el impacto del desbalance
de clases en el rendimiento del modelo, se realizaron
múltiples análisis variando los pesos de clase (α), tal
como se muestra en la Fig. 8. Se observa que asignar
pesos proporcionales a la cantidad real de muestras por
8
Guañuna et al. / Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración Renovable
clase mejora el desempeño en métricas sensibles al
desbalance, especialmente el CU y el G-mean, lo que
indica una mejor capacidad del modelo para detectar los
casos inestables sin sacrificar el rendimiento general.
Figura 8: Métricas de Desempeño Considerando Diferentes
Vectores de Pesos de Balance
4.3.2 Resultados del entrenamiento
Durante el proceso de entrenamiento, se registraron
las curvas de pérdida y precisión tanto en el conjunto de
entrenamiento como en el de validación (reservando un
20 % de los datos de entrenamiento para este último). La
Fig. 9 muestra la evolución de la función de pérdida,
donde se observa una disminución progresiva y estable
hasta alcanzar valores bajos, lo que indica una buena
convergencia del modelo sin evidencia de sobreajuste.
Por su parte, la Fig. 10 presenta la evolución de la
precisión, evidenciando un incremento sostenido hasta
estabilizarse cerca del 97% para ambos conjuntos.
Figura 9: Evolución de la
Pérdida Durante el
Entrenamiento
Figura 10: Evolución de la
Precisión Durante el
Entrenamiento
4.4 Resultados del Desempeño
El desempeño del modelo RCNN-EE se evaluó
mediante matrices de confusión para los conjuntos de
entrenamiento y prueba, como se muestra en la Tabla 2.
Los valores en la diagonal principal indican
clasificaciones correctas (verdaderos positivos) para cada
clase. Los valores fuera de la diagonal corresponden a
errores de clasificación (falsos positivos o falsos
negativos), que permiten calcular las métricas de
desempeño de la Tabla 3.
Tabla 2: Matrices de Confusión tanto para los Datos de
Entrenamiento como para los de Prueba
En cuanto a las métricas de desempeño, se resumen
en la Tabla 3. Estas métricas reflejan un rendimiento
adecuado del modelo de aprendizaje, manteniendo altos
niveles de precisión y confiabilidad tanto en el conjunto
de entrenamiento como en el de prueba. En particular, la
métrica G-mean demuestra un buen desempeño global,
especialmente en contextos con clases desbalanceadas.
Tabla 3: Métricas de Desempeño
Métrica
Datos de
entrenamiento
Datos de prueba
Precisión (ACC) [%]
96.96
96.07
Sensibilidad (SS) [%]
96.71
95.78
Confiabilidad (CU) [%]
99.71
99.40
G-mean [%]
98.20
97.57
4.5 Comparación con Otros Modelos Deep
Learning
Con el objetivo de confirmar un mejor desempeño de
la RCNN-EE entrenada, en la Fig. 11 se presenta una
comparación del comportamiento de la pérdida para los
modelos LSTM, CNN y RCNN-EE. Se evidencia que el
modelo propuesto (RCNN-EE) presenta una menor
pérdida durante todo el entrenamiento, lo que se ve
reflejado también en las métricas globales de rendimiento
dispuestas en la Tabla 4.
Estos resultados permiten concluir que la arquitectura
híbrida RCNN-EE supera a los modelos tradicionales
CNN y LSTM, tanto en precisión como en métricas
complementarias evaluadas sobre el conjunto de datos de
prueba. Esto valida su capacidad de generalización para
la tarea de clasificación del estado de estabilidad del
sistema eléctrico ante escenarios no vistos durante el
entrenamiento.
Datos entrenamiento
Real \ Predicción
Estable
Inestable
ET
Inestable
ETCP
Estable
6099
1
232
Inestable ET
2
1212
16
Inestable ETCP
0
0
683
Datos de prueba
Real \ Predicción
Estable
ET
ETCP
Estable
1530
1
67
Inestable ET
1
286
12
Inestable ETCP
0
0
165
9
Edición No. 22, Issue II, Enero 2026
Figura 11: Comparación con Otras Máquinas de Aprendizaje
Tabla 4: Comparación con Otros Modelos Deep Learning
Método
ACC (%)
SS (%)
CU (%)
G-mean (%)
LSTM
91.80
91.29
97.60
94.40
CNN
91.95
91.35
98.80
95.00
RCNN-EE
96.07
95.75
99.40
97.57
4.6 Aplicación de la RCNN en Tiempo Real
La aplicación en tiempo real del modelo RCNN-EE
requiere que la información proveniente de las PMU sea
procesada de modo que el modelo entrenado pueda
interpretar correctamente las señales y clasificar el estado
del sistema. En este contexto, el modelo RCNN-EE debe
predecir el estado de inestabilidad con la anticipación
suficiente para decidir y ejercer una acción de control
correctivo o de emergencia que evite la pérdida de
estabilidad. En este sentido, se evaluaron y calcularon los
tiempos asociados a la metodología para la predicción del
estado de estabilidad. La ventana de datos analizada, de
140 ms, abarca la falla y la condición post falla. Los
retardos de adquisición y transmisión de datos son de 100
ms. El tiempo requerido para el preprocesamiento de
datos fue de 1,3 ms, mientras que el proceso de
clasificación tomó aproximadamente 48,2 ms. Es
importante destacar que estos tiempos de cálculo
dependen en gran medida de las capacidades del equipo
en el cual se ejecutó el modelo; por lo tanto, utilizando
una máquina más moderna y con mayor capacidad de
procesamiento, es posible reducirlos significativamente,
tal como se ha demostrado en la referencia [9]. El tiempo
total acumulado para la predicción, considerando los
tiempos expuestos en la Fig. 12, se establece en 289,5 ms
desde el inicio de la falla hasta la finalización de la
predicción. Este valor es significativamente inferior al
intervalo en que típicamente se desarrollan las
inestabilidades de corto plazo, lo que permite que, una
vez identificada la condición de inestabilidad, se tome
oportunamente una decisión de control de emergencia.
Entre estas acciones se destacan, por ejemplo, la
desconexión selectiva de generadores ante fenómenos de
inestabilidad transitoria o la desconexión de cargas
dinámicas críticas frente a escenarios de colapso de
tensión, mitigando así la pérdida de estabilidad del
sistema.
Figura 12: Línea de Tiempo para la Aplicación en Tiempo Real
del Modelo de Aprendizaje
5. CONCLUSIONES Y RECOMENDACIONES
La integración de generación renovable impacta
significativamente la dinámica del sistema eléctrico,
aumentando la complejidad en la evaluación de la
estabilidad de corto plazo y exigiendo metodologías
predictivas que consideren en estos escenarios tanto la
estabilidad transitoria como la de tensión de manera
conjunta.
El modelo híbrido RCNN-EE entrenado demuestra
un alto desempeño predictivo (ACC: 96.07 %, G-mean:
97.57 %), superando a arquitecturas convencionales de
aprendizaje profundo como CNN y LSTM, y mostrando
una capacidad robusta para discriminar entre estados
estables e inestables ante perturbaciones severas.
El modelo híbrido implementado permite una
evaluación en tiempo real con tiempos menores a 400 ms,
lo que, valida su aplicabilidad en sistemas de protección
y control del sistema eléctrico, permitiendo la toma de
decisiones de emergencia durante la operación en tiempo
real de los sistemas de potencia.
Se evidenció que los clasificadores entrenados
exclusivamente con topologías de generación
convencional pierden capacidad predictiva ante la
inclusión de fuentes renovables. Dado que la dinámica
del sistema se ve alterada por el desplazamiento de la
generación sincrónica, el uso de modelos sin actualizar
bajo estas nuevas condiciones operativas compromete la
confiabilidad de la evaluación en tiempo real.
TRABAJOS FUTUROS
Como trabajo futuro, se propone profundizar en el
impacto de la incertidumbre asociada a la variabilidad
estocástica de los recursos renovables. Asimismo, se
plantea ampliar el alcance del estudio hacia la estabilidad
impulsada por convertidores, analizando específicamente
las interacciones de control de alta frecuencia y los
fenómenos de interacción rápida. También se contempla
la evaluación de escenarios de contingencia más
complejos, como la pérdida simultánea de grandes
bloques de generación renovable y sus efectos en la
dinámica del sistema. Finalmente, se buscará optimizar
la implementación del modelo RCNN-EE en hardware de
mayor capacidad para reducir los tiempos de
procesamiento, fortaleciendo así su integración en
esquemas de control de emergencia en tiempo real.
10
Guañuna et al. / Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración Renovable
AGRADECIMIENTOS
Trabajo financiado por el Servicio Alemán de
Intercambio Académico (Deutscher Akademischer
Austauschdienst—DAAD) y el programa de Maestría en
Ingeniería Eléctrica de la Universidad Nacional de San
Juan de Argentina.
REFERENCIAS BIBLIOGRÁFICAS
[1] W. Hao, M. Chen, and D. Gan, “Short-Term Voltage
Stability Analysis and Enhancement Strategies for
Power Systems With Photovoltaic Penetration,”
IEEE Access, vol. 12, pp. 88728 88738, 2024, doi:
10.1109/ACCESS.2024.3408903.
[2] A. Borici, J. L. Rueda Torres, and M. Popov,
“Comprehensive review of short-term voltage
stability evaluation methods in modern power
systems,” Energies (Basel), vol. 14, no. 14, Jul.
2021, doi: 10.3390/en14144076.
[3] A. Sukhnandan, A. K. Saha, and B. Rigby, “A case
study of voltage stability challenges (on a unique
utility-scale system in a developing African
country),” in Proceedings of the 2021 1st
International Conference on Advances in Electrical,
Computing, Communications and Sustainable
Technologies, ICAECT 2021, Institute of Electrical
and Electronics Engineers Inc., 2021. doi:
10.1109/ICAECT49130.2021.9392579.
[4] D. Nitsch and H. Vennegeerts, “Evaluation of
Simulations for Short-Term Voltage Stability
Assessment with Respect to Model Uncertainties,”
Eng, vol. 6, no. 3, Mar. 2025, doi:
10.3390/eng6030041.
[5] G. Cai, Z. Cao, C. Liu, H. Yang, Y. Cheng, and V.
Terzija, “Online assessment of short-term voltage
stability based on hybrid model and data-driven
approach,” International Journal of Electrical Power
and Energy Systems, vol. 158, Jul. 2024, doi:
10.1016/j.ijepes.2024.109930.
[6] J. D. Pinzón, E. A. Tapia, and D. Graciela,
“Evaluación de la Estabilidad de Tensión de Corto
Plazo en Tiempo Real Usando Mediciones PMU e
Inteligencia Artificial: hacia una Red Inteligente
Auto Curable,” XVIII ERIAC Décimo Oitavo
Encontro Regional Ibero-americano do Cigre, May
2019.
[7] A. Adhikari, S. Naetiladdanon, and A. Sangswang,
“Real-Time Short-Term Voltage Stability
Assessment Using Combined Temporal
Convolutional Neural Network and Long Short-
Term Memory Neural Network,” Applied Sciences
(Switzerland), vol. 12, no. 13, Jul. 2022, doi:
10.3390/app12136333.
[8] J. Cepeda and D. Colomé, “Evaluación de la
Vulnerabilidad del Sistema Eléctrico de Potencia en
Tiempo Real usando Tecnología de Medición
Sincrofasorial,” Revista Técnica “energía,” vol. 10,
pp. 91–101, Dec. 2014, doi:
10.37116/revistaenergia.v10.n1.2014.103.
[9] E. A. Tapia, D. G. Colomé, and J. L. Rueda Torres,
“Recurrent Convolutional Neural Network-Based
Assessment of Power System Transient Stability and
Short-Term Voltage Stability,” Energies (Basel),
vol. 15, no. 23, Dec. 2022, doi:
10.3390/en15239240.
[10] N. Hatziargyriou et al., “Definition and
Classification of Power System Stability - Revisited
& Extended,” IEEE Transactions on Power Systems,
vol. 36, no. 4, pp. 3271–3281, Jul. 2021, doi:
10.1109/TPWRS.2020.3041774.
[11] J. Pinzón and D. Colomé, “Voltage stability
assessment using synchrophasor measurements:
Trends and development,” IEEE PES Innovative
Smart Grid Technologies Conference-Latin America
(ISGT Latin America), p. 1, Sep. 2017, doi:
10.1109/ISGT-LA.2017.8126724.
[12] D. Echeverría and J. Cepeda, “Evaluación de
Estabilidad Transitoria de Sistemas de Potencia
utilizando el concepto de Centro de Inercia,” Revista
Técnica “energía,” vol. 14, pp. 54–63, Nov. 2017,
doi: 10.37116/revistaenergia.v14.n1.2018.157.
[13] G. Guañuna, J. Cárdenas, D. G. Colomé, E. Tapia, J.
León, and S. Chamba, “Impacto de la Generación
Renovable en la Estabilidad Transitoria y la
Estabilidad de Tensión de Corto Plazo,” in Simposio
Internacional sobre Calidad de la Energía Eléctrica -
SICEL 2025, San Juan, Oct. 2025.
[14] EPRI, “Model User Guide for Generic Renewable
Energy System Models,” Oct. 2023. [Online].
Available: www.epri.com
[15] DIgSILENT, “DIgSILENT PowerFactory 2018
WECC Wind Turbine Generator Models WTG
Models,” 2018. [Online]. Available:
http://www.digsilent.de
[16] G. Lammert, L. Pabón, P. Pourbeik, D. Fetzer, and
M. Braun, “Implementation and validation of
WECC generic photovoltaic system models in
DIgSILENT PowerFactory,” 2016 IEEE Power and
Energy Society General Meeting (PESGM), Jul.
2016, doi: 10.1109/PESGM.2016.7741608.
[17] G. M. Tina, G. Maione, and D. Stefanelli, “The
Impact of Grid-Forming vs. Grid-Following
Converters on Frequency Regulation: Comparing
Centralised or Distributed Photovoltaic Generation,”
Energies (Basel), vol. 17, no. 23, Dec. 2024, doi:
10.3390/en17235827.
[18] Maria Nuschke, Sören Lohr, Adrien Guironnet, and
Marianne Saugier, “Implementation and Validation
11
Edición No. 22, Issue II, Enero 2026
of the Generic WECC Photovoltaics and Wind
Turbine Generator Models in Modelica,” in
Proceedings of 14th Modelica Conference 2021,
Linköping, Sweden, September 20-24, 2021,
Linköping University Electronic Press, Sep. 2021,
pp. 633–642. doi: 10.3384/ecp21181633.
[19] Z. Shi et al., “Convolutional neural network-based
power system transient stability assessment and
instability mode prediction,” Appl Energy, vol. 263,
Apr. 2020, doi: 10.1016/j.apenergy.2020.114586.
[20] J. León, G. Colomé, and E. Tapia, “Identificación de
Generadores Críticos ante Problemas de Estabilidad
Transitoria,” Revista Técnica “energía,” vol. 21, no.
2, pp. 11–19, Jan. 2025, doi:
10.37116/revistaenergia.v21.n2.2025.684.
[21] H. Bai and V. Ajjarapu, “A novel online load
shedding strategy for mitigating fault-induced
delayed voltage recovery,” IEEE Transactions on
Power Systems, vol. 26, no. 1, pp. 294–304, Feb.
2011, doi: 10.1109/TPWRS.2010.2047279.
[22] M. Jha and S. Chakrabarti, “Estimation of the Rotor
Angle of a Synchronous Generator by using PMU
Measurements,” 2015 IEEE Eindhoven PowerTech,
pp. 1–6, 2015, doi: 10.1109/PTC.2015.7232347.
[23] L. Zhu, W. Wen, J. Li, and Y. Hu, “Integrated Data-
Driven Power System Transient Stability
Monitoring and Enhancement,” IEEE Transactions
on Power Systems, vol. 39, no. 1, pp. 1797–1809,
Jan. 2024, doi: 10.1109/TPWRS.2023.3266387.
Gabriel Francisco Guañuna
Tenorio. – obtuvo su título de
Ingeniero Eléctrico por la Escuela
Politécnica Nacional, Quito,
Ecuador, 2022. Estudiante de la
Maestría en Ingeniería Eléctrica en
la Universidad Nacional de San
Juan (UNSJ), Argentina. Su
investigación se enfoca en la estabilidad de corto plazo
en sistemas eléctricos con generación renovable,
aplicando técnicas de aprendizaje profundo y modelos
dinámicos en Python y PowerFactory.
Delia Graciela Colomé. - Doctora
en Ingeniería Eléctrica, graduada
en 2009 por la Universidad
Nacional de San Juan (UNSJ),
Argentina. Profesora y consultora
del Instituto de Energía Eléctrica
(IEE), UNSJ – CONICET.
Coordinadora de la carrera de
Ingeniería Eléctrica (2011-2018) y
directora del Departamento de Posgrado de la Facultad
de Ingeniería (2016-2021). Actualmente dirige proyectos
de investigación y transferencia tecnológica. Sus
principales áreas de investigación son el modelado, la
simulación, la supervisión, la estabilidad y el control de
sistemas eléctricos de potencia.
Estefanía Alexandra Tapia
Suárez. - obtuvo su título de
Ingeniera Eléctrica por la Escuela
Politécnica Nacional, Quito,
Ecuador, en 2015. Recibió el título
de Doctora en Ingeniería Eléctrica
por la Universidad Nacional de San
Juan (UNSJ), Argentina, en 2022.
Posteriormente, se incorporó como Investigadora en
Inteligencia Artificial en AIMEN Centro Tecnológico,
Vigo, España, liderando proyectos relacionados con el
consumo energético y la optimización de procesos
industriales mediante análisis de datos y aprendizaje
automático. Actualmente, se desempeña como
Investigadora Posdoctoral en TU Delft, Países Bajos. Sus
líneas de investigación incluyen la dinámica de sistemas
eléctricos de potencia, estabilidad de voltaje,
aplicaciones de sincrofasores, aprendizaje automático e
inteligencia artificial aplicados a sistemas eléctricos.
12