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
- C. Jordán , Método para Calcular Políticas de Operación a Largo Plazo de Sistemas Hidroeléctricos de Potencia en el Contexto del Cambio Climático , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- M. Ullauri, J. Cepeda, H. Arcos, Modelación y Validación de Sistemas de Control de Unidades de Generación del Sistema Nacional Interconectado Ecuatoriano , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- R. Cubillo, O. de Lima, Alerta Situacional en la Operación en Tiempo Real , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- E. Veloz , Afloramiento de Hidrocarburos en el Sector Valparaíso del Cantón Salinas, Provincia de Santa Elena – Ecuador , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- J. Restrepo, J. Viola, F. Quizhpi , Banco de Emulación de Perfiles de Viento para Aplicaciones en Energía Eólica , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- M. Pilatásig , L. Mena , E. Pruna , I. Escobar, Evaluación Energética en Motores de Inducción en el Accionamiento de Ventiladores Centrífugos , Revista Técnica "energía": Vol. 11 Núm. 1 (2015): Revista Técnica "energía", Edición No. 11
- S. Zambrano, M. Molina, W. Chumbi, C. Patiño, Modelo de Simulación Jerárquico para la Proyección Espacio Temporal de la Demanda Eléctrica: caso de estudio en CENTROSUR , Revista Técnica "energía": Vol. 14 Núm. 1 (2018): Revista Técnica "energía", Edición No. 14
- D. F. Chávez , J. Abad , H. N. Arcos , Desarrollo de una Herramienta Software para la Detección y Ubicación de Fallas en un Sistema Eléctrico de Potencia usando el módulo DPL de DIgSILENT PowerFactory , Revista Técnica "energía": Vol. 14 Núm. 1 (2018): Revista Técnica "energía", Edición No. 14
- F. Armendáriz, D. Panchi, H. Arcos, Sintonización de los Estabilizadores de Sistemas de Potencia del Sistema Nacional Interconectado Ecuatoriano – Aplicación y Comparación de Métodos Heurísticos en Ambiente Multimáquina , Revista Técnica "energía": Vol. 14 Núm. 1 (2018): Revista Técnica "energía", Edición No. 14
- C. E. Landázuri, Operación Remota de la Distribución basada en la Supervisión y Control remotos de Reconectadores , Revista Técnica "energía": Vol. 10 Núm. 1 (2014): Revista Técnica "energía", Edición No. 10
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
