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
- K. Aldás , Instituciones y Voluntad Política: Su influencia en la Política de Eficiencia Energética del Brasil , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- M. Rivadeneira , E. Zaldumbide , Plan de Mejoramiento del Alumbrado Público de las Principales Avenidas de la Ciudad de Quito Mediante la Sustitución por Lámparas de Inducción , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- V. Cárdenas , D. Echeverría, J. Cepeda , Análisis de Confiabilidad de la Generación Considerando el Ingreso de Energías Renovables No Convencionales en los Sistemas de Potencia , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- C. Aguilar, L. Galarza, A. Recalde, Mejoramiento de la Calidad del Producto Técnico e Impacto en la Utilización de Generación Distribuida con Energías Renovables en una Zona de la provincia de Manabí , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- E. Souza , Research and Development Programmes in Industrial Combustion - Success or Fail -A case study , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- M. Heredia , L. Tarelho , A. Matos , Valoración del Calor Residual de Reactores de Pirólisis para la Producción Combinada de Carbón Vegetal y Combustible Torrificado , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- D. Lizondo, V. Jiménez , F. Villacis, A. Will , S. Rodríguez, Análisis de Variables Temporales para la Predicción del Consumo Eléctrico , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- M. Chamba, O. Añó , R. Reta, Evaluación del Beneficio Social Resultante del Comercio Regional de Electricidad , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- J. Núñez, J. Cepeda, G. Salazar, Comparación Técnica entre los Programas de Simulación de Sistemas de Potencia DIgSILENT PowerFactory y PSS/E , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- S. Espinoza , E. Noboa, B. Rivera , Implementación de Prospectiva Energética como Estrategia Prioritaria para la Soberanía Energética y Sostenibilidad Nacional , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
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
