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

Abstract

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.

Keywords

• Montecarlo
• estabilidad de voltaje
• extracción de características
• PCA
• máquina de aprendizaje
• ANN