Algoritmos de aprendizaje automático para la evaluación de la estabilidad de tensión en los sistemas de distribución...

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.