Minería de Datos para Reconocimiento de Patrones en el Análisis de Seguridad Estática de Sistemas de Potencia ante Eventos de Contingencia
Data Mining for Patterns Recognition of Power Systems Static Security Assessment with Contingency Events
Cómo citar
Descargar cita
Mostrar biografía de los autores
Artículos similares
- Cristian Fabara, Diego Maldonado, Mauricio Soria, Antonio Tovar, Predicción de la Generación para un Sistema Fotovoltaico mediante la aplicación de técnicas de Minería de Datos , Revista Técnica "energía": Vol. 16 Núm. 1 (2019): Revista Técnica "energía", Edición No. 16
- W. Quitiaquez, A. Simbaña, I. Simbaña, C. Isaza, C. Nieto, P. Quitiaquez, F. Toapanta, Análisis Comparativo entre el Aceite Mineral y el Aceite Vegetal Utilizados como Dieléctricos y Refrigerantes para Transformadores de Potencia , Revista Técnica "energía": Vol. 16 Núm. 1 (2019): Revista Técnica "energía", Edición No. 16
- Javier Martínez , Mario Bustamante , Paolo Salazar , José Macias , A. P. Lobato, Ricardo Narváez , Martin Cordovez , Caracterización Térmica y Mecánica de la Madera de Roble , Revista Técnica "energía": Vol. 16 Núm. 1 (2019): Revista Técnica "energía", Edición No. 16
- L.A. Paredes, Electromovilidad y Eficiencia Energética en el Transporte Público de Pasajeros del Ecuador Continental , Revista Técnica "energía": Vol. 16 Núm. 1 (2019): Revista Técnica "energía", Edición No. 16
- S. Quishpe, M. Padilla, M. Ruiz, Despliegue Óptimo de Redes Inalámbricas para Medición Inteligente , Revista Técnica "energía": Vol. 16 Núm. 1 (2019): Revista Técnica "energía", Edición No. 16
- Paúl Potes, Xavier Proaño, Diseño de un Sistema Fotovoltaico Conectado a la Red en el Bloque B de la Universidad Técnica de Cotopaxi , Revista Técnica "energía": Vol. 16 Núm. 2 (2020): Revista Técnica "energía", Edición No. 16
- Adriana Pacheco, Disponibilidad Estadistica de Indicadores de Confiabilidad en el Sistema de Transmisión del Ecuador , Revista Técnica "energía": Vol. 2 Núm. 1 (2006): Revista Técnica "energía", Edición No. 2
- Gabriel Salazar, Santiago Ruales, Análisis del Método de Pago de Potencia en el Mercado Eléctrico Ecuatoriano , Revista Técnica "energía": Vol. 4 Núm. 1 (2008): Revista Técnica "energía", Edición No. 4
- Nelson Granda, Hugo Arcos, Flujo Óptimo de Potencia con Restricciones de Seguridad de Voltaje , Revista Técnica "energía": Vol. 4 Núm. 1 (2008): Revista Técnica "energía", Edición No. 4
- Freddy Anchaluisa, Víctor Hugo Hinojosa, Pronóstico de Caudales de Mediano y Corto Plazo Utilizando Razonamiento Inductivo Fuzzy y Algoritmos Evolutivos – Aplicación para las Centrales de Embalse y Centrales de Pasada , Revista Técnica "energía": Vol. 4 Núm. 1 (2008): Revista Técnica "energía", Edición No. 4
También puede Iniciar una búsqueda de similitud avanzada para este artículo.
Artículos más leídos del mismo autor/a
- Cristian Fabara, Diego Maldonado, Mauricio Soria, Antonio Tovar, Predicción de la Generación para un Sistema Fotovoltaico mediante la aplicación de técnicas de Minería de Datos , Revista Técnica "energía": Vol. 16 Núm. 1 (2019): Revista Técnica "energía", Edición No. 16
El presente artículo busca analizar la seguridad estática del sistema, aplicando técnicas avanzadas de minería de datos que permitan evaluar los patrones de seguridad de un sistema eléctrico de potencia en un análisis de estado estacionario ante eventos de contingencia N-1. Los datos son obtenidos a través de flujos de potencia, para efectuar simulaciones de Monte Carlo con scripts desarrollados en Python. Usando el software de simulación DIgSILENT PowerFactory se analizan 10000 escenarios, lo que permite considerar la incertidumbre del sistema según la naturaleza probabilística del mismo. Se calculan los índices de seguridad estática del sistema para clasificar los tipos de contingencias como segura, críticamente segura, insegura y altamente insegura. La minería de datos es desarrollada mediante un algoritmo programado en lenguaje Python con el cual se realiza el diseño del clasificador tipo máquina de soporte vectorial multiclase (SVM Multiclass) el cual es entrenado para determinar si una contingencia es segura o insegura. Los parámetros del SVM fueron obtenidos mediante una optimización con un algoritmo de evolución diferencial (Differential Evolution). Los resultados de la validación del clasificador demostraron que la técnica es muy efectiva para clasificar nuevas contingencias. La metodología se aplica a un sistema de prueba IEEE de 39 barras.
Visitas del artículo 1066 | Visitas PDF 401
Descargas
Semestral: Publicaciones en enero y julio
