Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración de Generación Renovable Utilizando Aprendizaje Profundo

Short-Term Stability State Prediction in Power Systems with Renewable Generation Integration Using Deep Learning

Publicado 2026-01-30


https://doi.org/10.37116/revistaenergia.v22.n2.2026.723
Abrir | Descargar
PDF FLIP HTML EPUB
Número
Vol. 22 Núm. 2 (2026): Revista Técnica "energía", Edición No. 22 ISSUE II
Sección
SISTEMAS ELÉCTRICOS DE POTENCIA
Cómo citar
Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración de Generación Renovable Utilizando Aprendizaje Profundo. (2026). Revista Técnica "energía", 22(2), PP. 1-12. https://doi.org/10.37116/revistaenergia.v22.n2.2026.723
DOI

https://doi.org/10.37116/revistaenergia.v22.n2.2026.723
Dimensions
PlumX

Cómo citar

Predicción del Estado de Estabilidad de Corto Plazo en Sistemas de Potencia con Integración de Generación Renovable Utilizando Aprendizaje Profundo. (2026). Revista Técnica "energía", 22(2), PP. 1-12. https://doi.org/10.37116/revistaenergia.v22.n2.2026.723

Descargar cita

Licencia
Creative Commons License

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

Gabriel Guañuna
Universidad Nacional de San Juan
Perfil Google Scholar
Graciela Colomé
Universidad Nacional de San Juan
Perfil Google Scholar
https://orcid.org/0000-0002-2926-5366 ORCID
Estefanía Tapia
Universidad Técnica de Delft
Perfil Google Scholar
Mostrar biografía de los autores

Artículos similares

11-20 de 491

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

Artículos más leídos del mismo autor/a

Este trabajo presenta una metodología basada en aprendizaje profundo para la predicción del estado de estabilidad de corto plazo en sistemas eléctricos con alta penetración de generación renovable. A partir de simulaciones dinámicas realizadas sobre el sistema IEEE de 39 barras, que incluyen escenarios con integración eólica y fotovoltaica, se construyó una base de datos que permitió entrenar un modelo híbrido de red neuronal convolucional recurrente (RCNN-EE). El modelo utiliza variables eléctricas seleccionadas estratégicamente para capturar tanto la dinámica transitoria como los fenómenos de colapso de tensión, logrando una clasificación precisa del estado del sistema. Los resultados obtenidos demuestran un rendimiento superior frente a arquitecturas tradicionales, alcanzando métricas destacadas sobre el 95%, incluso en condiciones de clases desbalanceadas. Además, se valida su aplicabilidad en tiempo real, con tiempos de inferencia inferiores a 50 milisegundos, lo cual evidencia su potencial para su implementación en esquemas de protección y control del sistema eléctrico..

Visitas del artículo 734 | Visitas PDF 420

Descargas

Los datos de descarga todavía no están disponibles.
  1. W. Hao, M. Chen, and D. Gan, “Short-Term Voltage Stability Analysis and Enhancement Strategies for Power Systems With Photovoltaic Penetration,” IEEE Access, vol. 12, pp. 88728–88738, 2024, doi: 10.1109/ACCESS.2024.3408903.
  2. A. Borici, J. L. Rueda Torres, and M. Popov, “Comprehensive review of short-term voltage stability evaluation methods in modern power systems,” Energies (Basel), vol. 14, no. 14, Jul. 2021, doi: 10.3390/en14144076.
  3. A. Sukhnandan, A. K. Saha, and B. Rigby, “A case study of voltage stability challenges (on a unique utility-scale system in a developing African country),” in Proceedings of the 2021 1st International Conference on Advances in Electrical, Computing, Communications and Sustainable Technologies, ICAECT 2021, Institute of Electrical and Electronics Engineers Inc., 2021. doi: 10.1109/ICAECT49130.2021.9392579.
  4. D. Nitsch and H. Vennegeerts, “Evaluation of Simulations for Short-Term Voltage Stability Assessment with Respect to Model Uncertainties,” Eng, vol. 6, no. 3, Mar. 2025, doi: 10.3390/eng6030041.
  5. G. Cai, Z. Cao, C. Liu, H. Yang, Y. Cheng, and V. Terzija, “Online assessment of short-term voltage stability based on hybrid model and data-driven approach,” International Journal of Electrical Power and Energy Systems, vol. 158, Jul. 2024, doi: 10.1016/j.ijepes.2024.109930.
  6. J. D. Pinzón, E. A. Tapia, and D. Graciela, “Evaluación de la Estabilidad de Tensión de Corto Plazo en Tiempo Real Usando Mediciones PMU e Inteligencia Artificial: hacia una Red Inteligente Auto Curable,” XVIII ERIAC Décimo Oitavo Encontro Regional Ibero-americano do Cigre, May 2019.
  7. A. Adhikari, S. Naetiladdanon, and A. Sangswang, “Real-Time Short-Term Voltage Stability Assessment Using Combined Temporal Convolutional Neural Network and Long Short-Term Memory Neural Network,” Applied Sciences (Switzerland), vol. 12, no. 13, Jul. 2022, doi: 10.3390/app12136333.
  8. J. Cepeda and D. Colomé, “Evaluación de la Vulnerabilidad del Sistema Eléctrico de Potencia en Tiempo Real usando Tecnología de Medición Sincrofasorial,” Revista Técnica “energía,” vol. 10, pp. 91–101, Dec. 2014, doi: 10.37116/revistaenergia.v10.n1.2014.103.
  9. E. A. Tapia, D. G. Colomé, and J. L. Rueda Torres, “Recurrent Convolutional Neural Network-Based Assessment of Power System Transient Stability and Short-Term Voltage Stability,” Energies (Basel), vol. 15, no. 23, Dec. 2022, doi: 10.3390/en15239240.
  10. J. Pinzón and D. Colomé, “Voltage stability assessment using synchrophasor measurements: Trends and development,” IEEE PES Innovative Smart Grid Technologies Conference-Latin America (ISGT Latin America), p. 1, Sep. 2017, doi: 10.1109/ISGT-LA.2017.8126724.
  11. D. Echeverría and J. Cepeda, “Evaluación de Estabilidad Transitoria de Sistemas de Potencia utilizando el concepto de Centro de Inercia,” Revista Técnica “energía,” vol. 14, pp. 54–63, Nov. 2017, doi: 10.37116/revistaenergia.v14.n1.2018.157.
  12. G. Guañuna, J. Cárdenas, D. G. Colomé, E. Tapia, J. León, and S. Chamba, “Impacto de la Generación Renovable en la Estabilidad Transitoria y la Estabilidad de Tensión de Corto Plazo,” in Simposio Internacional sobre Calidad de la Energía Eléctrica - SICEL 2025, San Juan, Oct. 2025.
  13. EPRI, “Model User Guide for Generic Renewable Energy System Models,” Oct. 2023. [Online]. Available: www.epri.com
  14. DIgSILENT, “DIgSILENT PowerFactory 2018 WECC Wind Turbine Generator Models WTG Models,” 2018. [Online]. Available: http://www.digsilent.de
  15. Maria Nuschke, Sören Lohr, Adrien Guironnet, and Marianne Saugier, “Implementation and Validation of the Generic WECC Photovoltaics and Wind Turbine Generator Models in Modelica,” in Proceedings of 14th Modelica Conference 2021, Linköping, Sweden, September 20-24, 2021, Linköping University Electronic Press, Sep. 2021, pp. 633–642. doi: 10.3384/ecp21181633.
  16. J. León, G. Colomé, and E. Tapia, “Identificación de Generadores Críticos ante Problemas de Estabilidad Transitoria,” Revista Técnica “energía,” vol. 21, no. 2, pp. 11–19, Jan. 2025, doi: 10.37116/revistaenergia.v21.n2.2025.684.
  17. H. Bai and V. Ajjarapu, “A novel online load shedding strategy for mitigating fault-induced delayed voltage recovery,” IEEE Transactions on Power Systems, vol. 26, no. 1, pp. 294–304, Feb. 2011, doi: 10.1109/TPWRS.2010.2047279.
  18. M. Jha and S. Chakrabarti, “Estimation of the Rotor Angle of a Synchronous Generator by using PMU Measurements,” 2015 IEEE Eindhoven PowerTech, pp. 1–6, 2015, doi: 10.1109/PTC.2015.7232347.
  19. L. Zhu, W. Wen, J. Li, and Y. Hu, “Integrated Data-Driven Power System Transient Stability Monitoring and Enhancement,” IEEE Transactions on Power Systems, vol. 39, no. 1, pp. 1797–1809, Jan. 2024, doi: 10.1109/TPWRS.2023.3266387.
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