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
- J. Guamán , M. García , D. Guevara , A. Ríos , Evaluación del Impacto Económico en Diferentes Escenarios de Implementación de Tecnologías Eficientes de Calentamiento de Agua en el Ecuador , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- R. Medina, D. Morales, B. Tapia, D. Criollo, J. Romero, P. Guamán, P. Arévalo, Modelado del Tranvía Citadis-302 Implementado en la Ciudad de Cuenca Utilizando Matlab - Simulink , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- G. Rivera, J.A. Játiva, S. Grijalva, Revisión del Estado del Arte del Estimador de Estado Generalizado y Evaluación de sus Principales Algoritmos para Aplicarlos a un Sistema de Potencia Real , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- M. Ayala , H. Benavides , C. Riba , Sistema de Generación Energía Sumergible Basado en un Vórtice Gravitacional con Sifón para Comunidades Aisladas , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- R. Herrera, L. Herrera, Sistemas de Comunicaciones y Redes de Datos en Smart Grids, una Revisión al Estado del Arte , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- J.P. Palacios, M. Samper, A. Vargas, Tarifación Dinámica de Redes Inteligentes de Distribución Usando Optimización Multiobjetivo , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- D. Jiménez, W. Vargas, Ubicación Óptima de Unidades de Medición Sincrofasoriales PMU’s para mejorar la Observabilidad de un Sistema Eléctrico de Potencia , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- M. Nieto , Formulación de un Marco de Referencia para la Integración de la Convergencia de Tecnologías Operacionales y de Información al Modelo de Gestión del CENACE , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- C. Tapia, J. Polo, Análisis de Largo Plazo de la Generación Eléctrica en Plantas Solares Térmicas de Concentración , Revista Técnica "energía": Vol. 12 Núm. 1 (2016): Revista Técnica "energía", Edición No. 12
- P. Remache, D. Pantoja, P. Lozada, Energy analysis of techniques and materials used in sound insulation of music rehearsal rooms , 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
