Evaluación de Técnicas de Filtrado y Suavizado de Datos en la Estimación Paramétrica del Modelo de Carga ZIP con Datos Tipo Ambiente de PMUétrica del Modelo de Carga ZIP con Datos Tipo Ambiente de PMU

Filtering and Smoothing Techniques Assessment at the ZIP Load Model Parametric Estimation with Ambient PMU Data

Publicado 2026-01-30


https://doi.org/10.37116/revistaenergia.v22.n2.2026.731
Abrir | Descargar
PDF FLIP HTML XML EPUB
Número
Vol. 22 Núm. 2 (2026): Revista Técnica "energía", Edición No. 22 ISSUE II
Sección
SISTEMAS ELÉCTRICOS DE POTENCIA
Cómo citar
Evaluación de Técnicas de Filtrado y Suavizado de Datos en la Estimación Paramétrica del Modelo de Carga ZIP con Datos Tipo Ambiente de PMUétrica del Modelo de Carga ZIP con Datos Tipo Ambiente de PMU. (2026). Revista Técnica "energía", 22(2), PP. 44-53. https://doi.org/10.37116/revistaenergia.v22.n2.2026.731
DOI

https://doi.org/10.37116/revistaenergia.v22.n2.2026.731
Dimensions
PlumX

Cómo citar

Evaluación de Técnicas de Filtrado y Suavizado de Datos en la Estimación Paramétrica del Modelo de Carga ZIP con Datos Tipo Ambiente de PMUétrica del Modelo de Carga ZIP con Datos Tipo Ambiente de PMU. (2026). Revista Técnica "energía", 22(2), PP. 44-53. https://doi.org/10.37116/revistaenergia.v22.n2.2026.731

Descargar cita

Licencia
Creative Commons License

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

Joffre Constante
Empresa Eléctrica Provincial Cotopaxi
Perfil Google Scholar
https://orcid.org/0000-0003-1787-5295 ORCID
Henry Laica
Universidad Técnica de Cotopaxi
Perfil Google Scholar
https://orcid.org/0009-0009-8880-3812 ORCID
Kevin Tituaña
Universidad Técnica de Cotopaxi
Perfil Google Scholar
Jessica Castillo
Universidad Técnica de Cotopaxi
Perfil Google Scholar
Mostrar biografía de los autores

Artículos similares

11-20 de 485

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

Hoy en día modelar adecuadamente las cargas y cómo sus parámetros varían con el tiempo es un tema fundamental. Para esto, una solución, que es una tendencia actual, es estimar los modelos de carga con datos tipo ambiente de Unidades de Medición Fasorial (PMU), sin embargo, el ruido de las propias mediciones juega un papel fundamental ya que tiene un impacto significativo y negativo en la precisión alcanzada. Dado que en la literatura los trabajos no estudian a profundidad las técnicas de filtrado en el modelamiento de carga, en este trabajo se evalúan diferentes técnicas de filtrado y suavizado de datos en la estimación paramétrica del modelo de carga ZIP y, se determina la mejor, junto con el valor óptimo de su parámetro de diseño. Como resultado se obtiene que la técnica Savitzky – Golay con polinomio de grado 3 y un ancho de ventana de 35 muestras es la que mejor desempeño alcanza, por lo que se recomienda su utilización en la estimación paramétrica del modelo de carga ZIP con datos tipo ambiente de PMU.

Visitas del artículo 276 | Visitas PDF 72

Descargas

Los datos de descarga todavía no están disponibles.
  1. The NERC Model Validation Task Force of the Transmission Issues Subcommittee, “Power System Model Validation, A White Paper by the NERC Model Validation Task Force of the Transmission Issues Subcommittee,” North American Electric Reliability Corporation, no. December, pp. 1–53, 2010.
  2. NERC, “Dynamic Load Modeling, Technical Reference Document,” 2016.
  3. J. R. Constante and G. Colomé, “Estado del Arte y Tendencias en el Modelamiento de Carga,” Revista Técnica “energía,” vol. 18, no. 2, pp. 1–12, 2022, doi: 10.37116/revistaenergia.v18.n2.2022.475.
  4. M. Mohammed, A. Abdulkarim, A. S. Abubakar, A. B. Kunya, and Y. Jibril, “Load modeling techniques in distribution networks: a review,” Journal of Applied Materials and Technology, vol. 1, no. 2, pp. 63–70, 2020.
  5. A. Arif, Z. Wang, J. Wang, B. Mather, H. Bashualdo, and D. Zhao, “Load modeling - A review,” IEEE Trans Smart Grid, vol. 9, no. 6, pp. 5986–5999, 2018, doi: 10.1109/TSG.2017.2700436.
  6. “IEEE Standard for Synchrophasor Measurements for Power Systems,” 2011. doi: 10.1109/IEEESTD.2011.6111219.
  7. J. R. Constante, D. G. Colomé, D. E. Echeverria, E. G. Lincango, and J. L. Camacho, “Adversarial Learning as a PMU Signal Filtering Technique in Load Models Identification,” IEEE Access, 2025, doi: 10.1109/ACCESS.2025.3577897.
  8. J. R. Constante and D. G. Colome, “Estimación Paramétrica del Modelo de Carga ZIP basada en Técnicas de Optimización y en Mediciones de PMU,” 2022 IEEE Biennial Congress of Argentina (ARGENCON), San Juan, Argentina, pp. 1–8, 2022, doi: 10.1109/ARGENCON55245.2022.9940010.
  9. M. Brown, M. Biswal, S. Brahma, S. J. Ranade, and H. Cao, “Characterizing and quantifying noise in PMU data,” 2016 IEEE Power and Energy Society General Meeting, vol. 2016, no. 2019–07, pp. 1–5, 2016, doi: 10.1109/PESGM.2016.7741972.
  10. J. R. Constante Segura, G. Colome, and D. Echeverria, “Noise Amplitude in Ambient PMU Data and its Impact on Load Models Identification,” IEEE Latin America Transactions, vol. 22, no. 8, pp. 678–685, 2024, doi: 10.1109/TLA.2024.10620390.
  11. C. WG C4.605, “Modelling and Aggregation of Loads in Flexible Power Networks,” no. 272, 2014.
  12. M. M. Ahmed, M. K. Hasanl, and N. S. F. Yusoff, Dynamic load modeling and parameter estimation of 132/275kv using PMU-based wide area measurement system, vol. 1166. Springer Singapore, 2021. doi: 10.1007/978-981-15-5148-2_97.
  13. X. Zhang, C. Lu, J. Lin, and Y. Wang, “Experimental measurement of PMU error distribution and its impact on load model identification,” 2016 IEEE Power and Energy Society General Meeting (PESGM), Boston, MA, pp. 1–5, 2016, doi: 10.1109/PESGM.2016.7741069.
  14. X. Zhang, C. Lu, and Y. Wang, “A two-stage framework for ambient signal based load model parameter identification,” International Journal of Electrical Power and Energy Systems, vol. 121, no. November 2019, p. 106064, 2020, doi: 10.1016/j.ijepes.2020.106064.
  15. E. O. Kontis, T. A. Papadopoulos, A. I. Chrysochos, and G. K. Papagiannis, “Measurement-Based dynamic load modeling using the vector fitting technique,” IEEE Transactions on Power Systems, vol. 33, no. 1, pp. 338–351, 2018, doi: 10.1109/TPWRS.2017.2697004.
  16. K. N. Hasan, J. V. Milanovic, P. Turner, and V. Turnham, “A step-by-step data processing guideline for load model development based on field measurements,” 2015 IEEE Eindhoven PowerTech, Eindhoven, Netherlands, pp. 1–6, 2015, doi: 10.1109/PTC.2015.7232307.
  17. T. A. Papadopoulos, G. A. Barzegkar-Ntovom, V. C. Nikolaidis, P. N. Papadopoulos, and G. M. Burt, “Online parameter identification and generic modeling derivation of a dynamic load model in distribution grids,” 2017 IEEE Manchester PowerTech, Manchester, UK, pp. 1–6, 2017, doi: 10.1109/PTC.2017.7980994.
  18. Y. Zhu and J. V. Milanović, “Automatic Identification of Power System Load Models Based on Field Measurements,” IEEE Transactions on Power Systems, vol. 33, no. 3, pp. 3162–3171, 2018, doi: 10.1109/TPWRS.2017.2763752.
  19. R. W. Schafer, “What is a savitzky-golay filter?,” IEEE Signal Process Mag, vol. 28, no. 4, pp. 111–117, 2011, doi: 10.1109/MSP.2011.941097.
  20. D. C. Montgomery, C. L. Jennings, and Murat. Kulahci, Introduction Time Series Analysis and Forecasting. 2015.
  21. C. WG C4.605, Modelling and Aggregation of Loads in Flexible Power Networks, no. February. 2014.
  22. J. V. Milanović, K. Yamashita, S. Martínez Villanueva, S. Ž. Djokić, and L. M. Korunović, “International industry practice on power system load modeling,” IEEE Transactions on Power Systems, vol. 28, no. 3, pp. 3038–3046, 2013, doi: 10.1109/TPWRS.2012.2231969.
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