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
- L. Cruz, D. Carrión, A. Riofrio, Localización de Fallas Mediante la Transformada Wavelet en Líneas de Transmisión , Revista Técnica "energía": Vol. 13 Núm. 1 (2017): Revista Técnica "energía", Edición No. 13
- D. Carrión, E. García, J. W. González, I. A. Isaac, G. J. López, R. Hincapié, Método Heurístico de Ubicación Óptima de Centros de Transformación y Enrutamiento de Redes Eléctricas de Distribución , Revista Técnica "energía": Vol. 13 Núm. 1 (2017): Revista Técnica "energía", Edición No. 13
- I. González, S. Marrero, A. Legra, A. León, X. Proaño, Modelación de Regímenes de Redes Eléctricas en Presencia de Distorsión Armónica , Revista Técnica "energía": Vol. 13 Núm. 1 (2017): Revista Técnica "energía", Edición No. 13
- L. Dután, Modelación y Validación en ATP de los Cables Subterráneo y Submarino del Sistema de Subtransmisión Baltra - Santa Cruz , Revista Técnica "energía": Vol. 13 Núm. 1 (2017): Revista Técnica "energía", Edición No. 13
- L. Aguirre, E. Gordón, Análisis y Simulación en Matlab del Método de Detección y Corrección de Errores Reed-Solomon (204,188) Utilizado en la Norma ISDB-TB e Implementación en un FPGA , Revista Técnica "energía": Vol. 13 Núm. 1 (2017): Revista Técnica "energía", Edición No. 13
- V. Cárdenas , D. Echeverría , J. Cepeda , Determinación de los Modelos Estocásticos de Generación de las Centrales del Sistema Nacional Interconectado , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- M. Chamba , O. Añó , R. Reta , Despacho Regional de Energía y Reserva Co nsiderando el Benefi cio Social de los Sistemas Participantes , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- S. Zambrano , P. Novillo , M. Molina , Diseño de Esquemas de Autorestauración mediante la Ubicación Estratégica de Reconectadores utilizando un Modelo Predictivo de Confiabilidad , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- C. Vargas, M. García, D. Guevara, A. Ríos, Escenarios de Integración de Sistemas Inteligentes de Iluminación Fotovoltaica en las Autopistas del Ecuador , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- J. Inga, E. Inga, C. Gómez, R. Hincapié, Evaluación de la Infraestructura de Medición y la Respuesta de la Demanda , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
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
