Estimación del Margen de Estabilidad de Voltaje Utilizando Herramientas de Aprendizaje Automático

Voltage Stability Margin Estimation Using Machine Learning Tools

Publicado 2023-07-27


https://doi.org/10.37116/revistaenergia.v20.n1.2023.570
Abrir | Descargar
PDF FLIP HTML XML EPUB
Número
Vol. 20 Núm. 1 (2023): Revista Técnica "energía", Edición No. 20, ISSUE I
Sección
SISTEMAS ELÉCTRICOS DE POTENCIA
Cómo citar
Estimación del Margen de Estabilidad de Voltaje Utilizando Herramientas de Aprendizaje Automático. (2023). Revista Técnica "energía", 20(1), PP. 1-8. https://doi.org/10.37116/revistaenergia.v20.n1.2023.570
DOI

https://doi.org/10.37116/revistaenergia.v20.n1.2023.570
Dimensions
PlumX

Cómo citar

Estimación del Margen de Estabilidad de Voltaje Utilizando Herramientas de Aprendizaje Automático. (2023). Revista Técnica "energía", 20(1), PP. 1-8. https://doi.org/10.37116/revistaenergia.v20.n1.2023.570

Descargar cita

Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Gabriel Guañuna
Escuela Politécnica Nacional
https://orcid.org/0009-0001-7034-6192 ORCID
Santiago Chamba
Perfil Google Scholar
Nelson Granda
Perfil Google Scholar
https://orcid.org/0000-0002-0215-4527 ORCID
Jaime Cepeda
Perfil Google Scholar
https://orcid.org/0000-0002-2488-6796 ORCID
Diego Echeverría
Perfil Google Scholar
https://orcid.org/0000-0002-1743-9234 ORCID
Walter Vargas
Perfil Google Scholar
Mostrar biografía de los autores

Artículos similares

51-60 de 490

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

Artículos más leídos del mismo autor/a

1 2 3 > >> 

La evaluación de la estabilidad de voltaje en tiempo real, mediante métodos convencionales, es una tarea difícil debido a la gran cantidad de información, los elevados tiempos de ejecución y el esfuerzo computacional requerido. Partiendo de estas limitaciones, este trabajo técnico propone un método para la estimación del margen de estabilidad de voltaje a través de la aplicación de algoritmos de inteligencia artificial. Para ello, primero se generan varios escenarios operativos mediante simulaciones Monte Carlo, considerando la variabilidad de la carga y el criterio de seguridad n-1. Posteriormente, se determina, para cada escenario operativo, el margen de estabilidad de voltaje de las curvas PV con la finalidad de obtener una base de datos. Esta información permite estructurar una matriz de datos para entrenar una red neuronal artificial y una máquina vectorial de soporte, en su versión de regresión, para predecir el margen de estabilidad de voltaje, capaz de ser utilizada en tiempo real. El desempeño de las herramientas de predicción es evaluado a través del error cuadrático medio y del coeficiente de determinación. La metodología propuesta se aplica al sistema de prueba IEEE 14 bus, mostrando resultados prometedores.

Visitas del artículo 2513 | Visitas PDF 1152

Descargas

Los datos de descarga todavía no están disponibles.
  1. J. Rueda et al., “Dynamic Vulnerability Assessment and Intelligent Control for Sustainable Power Systems,” Wiley-IEEE Press, 2018.
  2. C. Andersson, J. E. Solem, and B. Eliasson, “Classification of power system stability using support vector machines,” 2005 IEEE Power Eng. Soc. Gen. Meet., vol. 1, no. 2, pp. 650–655, 2005, doi: 10.1109/pes.2005.1489266.
  3. J. Cepeda, P. Verdugo, and G. Argüello, “Monitoreo de la Estabilidad de Voltaje de Corredores de Transmisión en Tiempo Real a partir de Mediciones Sincrofasoriales,” Rev. EPN, vol. 33, no. 3, 2014.
  4. N. P. Patidar and J. Sharma, “Loadability margin estimation of power system using model trees,” 2006 IEEE Power India Conf., pp. 338–343, 2005, doi: 10.1109/POWERI.2006.1632534.
  5. M. Bilgen and S. Ozdemir, “Comparison of Real-Time Voltage Stability Assessment Methods,” 2021 13th Int. Conf. Electr. Electron. Eng., pp. 73–77, 2021, doi: 10.23919/ELECO54474.2021.9677734.
  6. A. Adhikari, S. Naetiladdanon, A. Sagswang, and S. Gurung, “Comparison of voltage stability assessment using different machine learning algorithms,” 2020 IEEE 4th Conf. Energy Internet Energy Syst. Integr. Connect. Grids Towar. a Low-Carbon High-Efficiency Energy Syst. EI2 2020, pp. 2023–2026, 2020, doi: 10.1109/EI250167.2020.9346750.
  7. M. Zhang, J. Li, Y. Li, and R. Xu, “Deep Learning for Short-Term Voltage Stability Assessment of Power Systems,” IEEE Access, vol. 9, pp. 29711–29718, 2021.
  8. N. Hatziargyriou et al., “Definition and Classification of Power System Stability - Revisited & Extended,” IEEE Trans. Power Syst., vol. 36, no. 4, pp. 3271–3281, 2021, doi: 10.1109/TPWRS.2020.3041774.
  9. M. Amroune, “Machine Learning Techniques Applied to On-Line Voltage Stability Assessment: A Review,” Arch. Comput. Methods Eng., vol. 28, no. 2, pp. 273–287, 2021, doi: 10.1007/s11831-019-09368-2.
  10. P. Kundur, Power System Stability And Control. McGraw-Hill, 1994.
  11. A. Reddy, K. Ekmen, V. Ajjarapu, and U. Vaidya, “PMU based real-time short term voltage stability monitoring - Analysis and implementation on a real-time test bed,” 2014 North Am. Power Symp. NAPS 2014, 2014, doi: 10.1109/NAPS.2014.6965485.
  12. Y. Lee and S. Han, “Real-time voltage stability assessment method for the Korean power system based on estimation of Thévenin equivalent impedance,” Appl. Sci., vol. 9, no. 8, 2019, doi: 10.3390/app9081671.
  13. G. F. Patiño and G. A. Limas, “Metodologías para el análisis de estabilidad de tensión en estado estacionario,” Universidad Tecnológica de Pereira, 2008.
  14. L. Chiza and J. Cepeda, “Predicción del Margen de Estabilidad de Corredores de Transmisión Aplicando Criterios de Minería de datos y Algoritmos de Machine Learning,” Rev. Técnica “energía,” vol. 18, no. 1, pp. 37–47, 2021, doi: 10.37116/revistaenergia.v18.n1.2021.466.
  15. Y. Narcisse and N. Tchokonte, “Real time identification and monitoring of the voltage stability margin in electric power transmission systems using synchronized phasor measurements,” p. 344, 2009.
  16. DIgSILENT GmbH, “PowerFactory 2021 - User Manual,” pp. 1–28, 2021.
  17. B. Marah and A. O. Ekwue, “Probabilistic load flows,” Proc. Univ. Power Eng. Conf., vol. 2015-Novem, no. 1, 2015.
  18. M. S. Chamba, W. A. Vargas, and J. Cristobal Cepeda, “Stochastic assessment and risk management of transient stability based on powerfactory and python interface,” 2020 IEEE PES Transm. Distrib. Conf. Exhib. - Lat. Am. T D LA 2020, 2020.
  19. P. Flach, Data, Machine Learning: The Art and Science of Algorithms that Make Sense of. Cambridge University Press, 2012.
  20. K. D. Dharmapala, A. Rajapakse, K. Narendra, and Y. Zhang, “Machine Learning Based Real-Time Monitoring of Long-Term Voltage Stability Using Voltage Stability Indices,” IEEE Access, vol. 8, pp. 222544–222555, 2020.
  21. W. M. Villa-Acevedo, J. M. López-Lezama, and D. G. Colomé, “Voltage stability margin index estimation using a hybrid kernel extreme learning machine approach,” Energies, vol. 13, no. 4, 2020, doi: 10.3390/en13040857.
  22. O. A. Alimi, K. Ouahada, and A. M. Abu-Mahfouz, “A Review of Machine Learning Approaches to Power System Security and Stability,” IEEE Access, vol. 8, pp. 113512–113531, 2020, doi: 10.1109/ACCESS.2020.3003568.
  23. D. E. Echeverría, “Evaluación y mejora de la estabilidad transitoria de sistema eléctricos en tiempo real utilizando PMUs,” Universidad Nacional de San Juan, 2021.
  24. R. Lincoln, “PYPOWER,” 2017. https://github.com/rwl/PYPOWER.
  25. F. Predregosa et al., “Scikit-learn: Machine Learning in Python,” J. Mach. Learn. Res., vol. 12, pp. 2825–2830, 2011, [Online]. Available: https://scikit-learn.org/stable/modules/cross_validation.html#cross-validation.
  26. S. Kokoska and D. Zwillinger, Standard Probability and Statistics Tables and Formulae. New York, 2000.
Periodicidad

Semestral: Publicaciones en enero y julio

Miembros Comité Editorial
UPS
EPN
Ministerio de Energía
CENACE
INGE
CELEC
ARC
ESPOL

Código QR

Sistema OJS 3.4.0.9