Minería de Datos para Reconocimiento de Patrones en el Análisis de Seguridad Estática de Sistemas de Potencia ante Eventos de Contingencia

• Autores: Mauricio Santiago Soria Colina, Antonio Tovar, Diego Maldonado, Cristian Fabara
• Localización: Revista Técnica "energía", ISSN-e 2602-8492, ISSN 1390-5074, Vol. 16, Nº. 1, 2019 (Ejemplar dedicado a: Revista Técnica "energía", Edición No. 16), págs. 17-22
• Idioma: español
• Títulos paralelos:
  • Data Mining for Patterns Recognition of Power Systems Static Security Assessment with Contingency Events
• Enlaces
  • Texto completo
• Resumen
  • español

     El presente artículo busca analizar la seguridad estática del sistema, aplicando técnicas avanzadas de minería de datos que permitan evaluar los patrones de seguridad de un sistema eléctrico de potencia en un análisis de estado estacionario ante eventos de contingencia N-1. Los datos son obtenidos a través de flujos de potencia, para efectuar simulaciones de Monte Carlo con scripts desarrollados en Python. Usando el software de simulación DIgSILENT PowerFactory se analizan 10000 escenarios, lo que permite considerar la incertidumbre del sistema según la naturaleza probabilística del mismo. Se calculan los índices de seguridad estática del sistema para clasificar los tipos de contingencias como segura, críticamente segura, insegura y altamente insegura. La minería de datos es desarrollada mediante un algoritmo programado en lenguaje Python con el cual se realiza el diseño del clasificador tipo máquina de soporte vectorial multiclase (SVM Multiclass) el cual es entrenado para determinar si una contingencia es segura o insegura. Los parámetros del SVM fueron obtenidos mediante una optimización con un algoritmo de evolución diferencial (Differential Evolution). Los resultados de la validación del clasificador demostraron que la técnica es muy efectiva para clasificar nuevas contingencias. La metodología se aplica a un sistema de prueba IEEE de 39 barras.

  • English

    This  paper  analyzes  the  static  security of  the power system,  applying  advanced  data  mining  techniques that allow the evaluation of safety patterns of a power  electrical   system   in a   steady   state   analysis   with contingency  events  N-1.  Data are obtained  through power  flows,  to  perform  Monte  Carlo  simulations  with    scripts    developed    in    Python.    Using    the  DIgSILENT    PowerFactory    simulation    software, 10,000  scenarios  are analyzed,  which  allows  us  to consider  the  uncertainty  of  the  system  according  to the  probabilistic  nature  of  the  system.  The  static security indexes   of   the   system   are   calculated   to classify  the  types  of  contingencies  as  safe,  critically safe,  insecure  and  highly  unsafe. Data  mining  is developed by means of an algorithm programmed in  Python   language   with   which   the   design   of   the multiclass  support  vector  machine  classifier  (SVM Multiclass) is carried out. It is trained to determine if a contingency is safe or unsafe. The parameters of the SVM were  obtained  through  an  optimization with  a differential evolution algorithm (Differential Evolution).   The   results   of   the   validation   of   the classifier  showed  that  the  technique  is  very  effective in classifying new contingencies. The methodology is applied to an IEEE test system of 39 buses.