20 1 
Home Page  

  • SciELO

  • SciELO


Revista Técnica energía

 ISSN 2602-8492 ISSN 1390-5074

GUANUNA, G.F. et al. Estimación del Margen de Estabilidad de Voltaje Utilizando Herramientas de Aprendizaje Automático. []. , 20, 1, pp.1-8. ISSN 2602-8492.  https://doi.org/10.37116/revistaenergia.v20.n1.2023.570.

^a

La evaluación de la estabilidad de voltaje en tiempo real, mediante métodos convencionales, resulta en una tarea difícil debido al gran volumen de información, los elevados tiempos de ejecución y el esfuerzo computacional requerido. Con estos antecedentes, el presente trabajo técnico propone un método alternativo que permite la estimación del margen de estabilidad de voltaje a través de la aplicación de algoritmos de inteligencia artificial y minería de datos. Para ello, se generaron 10 000 escenarios operativos mediante simulaciones de Monte Carlo, considerando la variabilidad de la carga y el criterio de seguridad n-1. Posteriormente, se determinaron los márgenes de estabilidad de voltaje de todos los escenarios mediante el uso de las curvas voltaje-potencia (PV, por sus siglas en inglés), con la finalidad de obtener una base de datos. Esta información permitió estructurar una matriz de datos para entrenar y evaluar la red neuronal artificial y la máquina vectorial de soporte, capaz de predecir el margen de estabilidad de voltaje, incluso en tiempo real. El desempeño de las herramientas de predicción se evaluó a través del error cuadrático medio y del coeficiente de determinación. La metodología propuesta se aplicó al sistema de prueba IEEE 14 bus, mostrando resultados prometedores tanto para la red neuronal como para la máquina vectorial, donde los coeficientes de determinación fueron 0.9153 y 0.8317, respectivamente.

^les^a

Real-time voltage stability assessment, via conventional methods, is a difficult task due to the required large volume of information, high execution times and computational cost. Based on this background, this technical work proposes an alternative method for voltage stability margin estimation through the application of artificial intelligence and data mining algorithms. For this purpose, 10 000 operate scenarios were generated through Monte Carlo simulations, considering the load variability and the n-1 security criterion. Afterwards, the voltage stability margin of all scenarios were determined using power-voltage (PV) curves in order to obtain a database. This information allowed structuring a data matrix for training and evaluating an artificial neural network and a support vector machine, capable of predicting the voltage stability margin, even in real time. The performance of the prediction tools was evaluated through the mean square error and the coefficient of determination. The proposed methodology was applied to the IEEE 14 bus test system, showing so promising results for both the neural network and the vector machine, where the coefficients of determination were 0.9153 and 0.8317, respectively.

^len

: .

        · | |     · |     · ( pdf )