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

• Autores: Luis Chiza, Jaime Cepeda
• Localización: Revista Técnica "energía", ISSN-e 2602-8492, ISSN 1390-5074, Vol. 18, Nº. 1, 2021 (Ejemplar dedicado a: Revista Técnica "energía", Edición No. 18, ISSUE I), págs. 37-47
• Idioma: español
• Títulos paralelos:
  • Transmission Corridor Stability Margin Prediction Applying Data Mining Criteria and Machine Learning Algorithms
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    Voltage Stability refers to the ability of the system to maintain acceptable voltages in all busbars, considering normal operating conditions and after being subjected to a disturbance. The present work predicts the critical parameters of the system based on the P-V Curve determined by the Thévenin's Equivalent in a transmission corridor. A dataset is obtained via Monte Carlo simulations performed on the 39-bus test system model in PowerFactory controlled by Python. Given an operating condition, N simulations are performed to establish different system operating conditions under variations in the values of each of the system loads. From the obtained dataset, Data Mining is applied to train regression models based on artificial neural networks and support vector machines to predict the maximum power transfer condition. Afterwards, the MSE (Mean-squared error) is used to analyze the performance of the regression models. The proposed methodology can be applied in control centers to predict the maximum transfer power point of a congested transmission corridor. This prediction offers early warning signs in operations and might allow structuring criteria for security constrained dispatch in planning.