Algoritmos de aprendizaje automático para la evaluación de la estabilidad de tensión en los sistemas de distribución eléctrica | JoVE Visualize

Área de la Ciencia:

Ingeniería eléctrica
Inteligencia computacional

Sus antecedentes:

La inestabilidad de voltaje es un problema crítico en los sistemas de energía, que limita la capacidad operativa y la transmisión.
Los métodos tradicionales para la evaluación de la seguridad de la tensión son computacionalmente intensivos, lo que dificulta su aplicación en tiempo real.
El aprendizaje automático ofrece una alternativa prometedora para un análisis eficiente y preciso de la estabilidad de tensión.

Objetivo del estudio:

Desarrollar y evaluar modelos de aprendizaje automático para predecir los índices de estabilidad de tensión rápida (FVSI) en las redes de distribución etíopes.
Para comparar el rendimiento de la regresión lineal, el bosque aleatorio, el aumento de gradiente y la máquina de vectores de soporte para la evaluación de la estabilidad de tensión.
Identificar los buses críticos con alto riesgo de inestabilidad en los sistemas de energía estudiados.

Principales métodos:

Regresión lineal aplicada, bosque aleatorio, aumento de gradiente y modelos de máquina vectorial de soporte.
El FVSI previsto en condiciones de carga nominales y variadas (10-150%) en las redes de distribución etíope de 35 y 53 autobuses.
Se analizó la precisión del modelo utilizando las métricas R2 y Root Mean Square Error (RMSE) y se realizó un análisis de umbral FVSI.

Principales resultados:

Los modelos Gradient Boosting (GB) y Random Forest (RF) demostraron una precisión superior (R2 de 0,9998 y 0,999, respectivamente).
El modelo GB alcanzó la mayor precisión con valores RMSE bajos (por ejemplo, 0.0002 para el sistema de 53 buses).
Buses específicos identificados en ambos sistemas como puntos críticos de riesgo de inestabilidad que requieren un monitoreo inmediato.

Conclusiones:

Los métodos conjuntos de aprendizaje automático, en particular GB y RF, son muy eficaces para la evaluación rápida de la estabilidad de tensión.
El estudio identificó con éxito áreas críticas para intervenciones específicas para mejorar la resiliencia de la red.
La predicción precisa de la estabilidad de la tensión en tiempo real es crucial para evitar el colapso de la tensión en las redes de distribución de energía.