Resumen

Se utilizan diferentes técnicas de optimización para el entrenamiento y ajuste de las redes neuronales feed forward, para la estimación de las tensiones y potencias reactivas del STATCOM. En la primera parte, el artículo presenta la regulación de la tensión en los buses IEEE mediante el uso del compensador estático (STATIC) y discute formas eficientes de resolver los sistemas de potencia con STATCOM mediante ecuaciones de flujo de carga. Las ecuaciones de flujo de carga se resuelven mediante algoritmos iterativos como el método Newton-Raphson. En la segunda parte, el artículo se centra en el uso de técnicas de estimación basadas en redes neuronales artificiales como alternativa a los métodos iterativos. Se han utilizado diferentes algoritmos de entrenamiento para entrenar los pesos de las redes neuronales artificiales; estos métodos incluyen la retropropagación, la optimización de enjambre de partículas, el algoritmo de salto de rana barajado y el algoritmo genético. Se realiza un análisis del rendimiento de cada uno de estos métodos con los datos de los autobuses del IEEE para examinar la eficacia de cada algoritmo. Los resultados muestran que el SFLA supera a las demás técnicas en el entrenamiento de la RNA, secundado por el PSO.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:ecuación de flujo de carga, red neuronal artificial, algoritmo de salto de rana, ajuste de la alimentación, diferente algoritmo de entrenamiento, estimación de statcom, salto de rana barajado, peso de artificial, diferentes técnicas de optimización, uso de la estimación
• Keywords:load flow equation, artificial neural network, frog leap algorithm, tuning of feed, different training algorithm, estimation of statcom, shuffled frog leap, weight of artificial, different optimization techniques, use of estimation