Predicción del Margen de Estabilidad de Corredores de Transmisión Aplicando Criterios de Minería de datos y Algoritmos de Machine Learning

Contenido principal del artículo

Luis Chiza
Jaime Cepeda

Resumen

La Estabilidad de Voltaje se refiere a la habilidad del sistema de mantener voltajes aceptables en todas las barras, considerando condiciones normales de operación y posterior a ser sometido a una perturbación. El presente trabajo predice los parámetros críticos del sistema basados en la Curva P-V determinada mediante el cálculo del Equivalente de Thévenin en un corredor de transmisión. Se obtiene un conjunto de datos (dataset) mediante simulaciones de Montecarlo efectuadas en el sistema de prueba de 39 barras en PowerFactory, controlado mediante Python. Dada una condición operativa se efectúan N simulaciones que permiten establecer distintas condiciones operativas del sistema ante variaciones de los valores de cada una de las cargas del sistema. A partir del dataset, se aplica Minería de Datos para entrenar  modelos de regresión basados en redes neuronales artificiales y máquinas de soporte vectorial que predicen la condición de máxima transferencia de potencia. Posteriormente, el MSE (Mean-squared error) es usado para analizar el desempeño de los modelos de regresión. La metodología propuesta puede ser aplicada en centros de control para predecir el punto de máxima transferencia de potencia de un corredor de transmisión congestionado. Esta predicción brinda señales de alerta temprana en la operación, así como permite estructurar criterios de despacho con restricciones de seguridad en la planificación.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Chiza , L., & Cepeda, J. (2021). Predicción del Margen de Estabilidad de Corredores de Transmisión Aplicando Criterios de Minería de datos y Algoritmos de Machine Learning. Revista Técnica "energía", 18(1), PP. 37–47. https://doi.org/10.37116/revistaenergia.v18.n1.2021.466
Sección
SISTEMAS ELÉCTRICOS DE POTENCIA

Citas

[1] J. Cepeda, P. Verdugo y G. Arguello, «Monitoreo de la Estabilidad de Voltaje de Corredores de Transmisión en Tiempo Real a partir de Mediciones Sincrofasoriales,» Revista EPN, vol. 33, nº 3, 2014.
[2] M. Larsson, C. Rehtanz y J. Bertsch, «Monitoring and operation of transmission corridors,» IEEE Power Tech Conference Proceedings, vol. 3, 2003.
[3] J. Cepeda y D. Colome, «Vulnerability Assesment of Electric Power Systems Through Identification and Ranking of Vulnerable Areas,» International Journal of Emerging Electric Power Systems, vol. 13, nº 1, 2006.
[4] «Neural Network models (supervised),» scikit learn, 2020. [En línea]. Available: https://scikit-learn.org/stable/modules/neural_networks_supervised.html.
[5] ICHI.PRO, «Funciones de activación en DNN,» 2021. [En línea].
[6] A. Ben-Hur y J. Weston, « A user’s guide to support vector machines,» Methods in Molecular Biology, vol. 609, pp. 223-239, 2010.
[7] R. Batuwita y V. Palade, «Class imbalance learning methods for support vector,» Imbalanced Learning: Foundations, Algorithms, Applications, pp. 83-100, 2013.
[8] S. Khalid, T. Khalil y S. Nasreen, «A Survey of Feature Selection and Feature Extraction Techniques in Machine Learning,» Science and Information Conference, 2014.
[9] A. Olalekan y S. Jain, «Feature Extraction: A Survey of the Types, Techniques, Applications,» International Conference on Signal Processing and Communication (ICSC), 2019.
[10] P. Prathusha y S. Jyothi, «Feature Extraction Methods: A Review,» International Journal of Innovative Research in Science, Engineering and Technology, vol. 6, nº 12, 2017.
[11] C. Syms, «Principal Components Analysis,» de Encyclopedia of Ecology, 2019, pp. 566-573.
[12] S. Brown, «Machine learning, explained,» 21 April 2021. [En línea].
[13] D. A. Pisner y D. M. Schnyer, «Support vector machine,» de Machine Learning, 2020, pp. 101-121.
[14] R. Bhaumik, L. M. Jenkins, J. R. Gowins, R. H. Jacobs, A. Barba y D. K. Bhaumik, «Multivariate pattern analysis strategies in detection of remitted major depressive disorder using resting state functional connectivity,» NeuroImage: Clinical, vol. 16, pp. 390-398, 2017.
[15] «Support Vector Machines,» scikit learn, 2020. [En línea]. Available: https://scikit-learn.org/stable/modules/svm.html#svm-regression.
[16] «SVM Hyperparameter Tuning using GridSearchCV,» Velocity Business, 2020. [En línea]. Available: https://www.vebuso.com/2020/03/svm-hyperparameter-tuning-using-gridsearchcv/

Artículos más leídos del mismo autor/a

1 2 > >>