Resumen

La evaluación de la estabilidad transitoria (TSA) del sistema eléctrico es una cuestión crucial con demandas crecientes y grandes restricciones operativas. La TSA en tiempo real permite decidir y supervisar las acciones de control preventivas/correctivas pertinentes en función del comportamiento dinámico de los componentes del sistema. Para evaluar esto, hay que encontrar la coherencia de las máquinas generadoras. Una vez determinada la coherencia de las máquinas, el operador del sistema puede iniciar cualquier acción correctiva o preventiva para mantener la estabilidad del sistema durante cualquier contingencia grave. El Índice de Gravedad de Transitorios (TSI) introducido en este documento ha demostrado ser una alternativa interesante para determinar la coherencia de los generadores. Además, los valores numéricos de este índice se emplean para construir un clasificador basado en el aprendizaje supervisado y el método de clasificación con la ayuda de la carga y la generación del sistema como características de entrada. Este marco emplea la máquina de vectores de soporte (SVM) para realizar la clasificación de los generadores en función de la gravedad y clasificarlos en máquinas vulnerables y no vulnerables. Los resultados se validan en el sistema de prueba IEEE de 10 generadores y 39 buses (Nueva Inglaterra). Se observa que el índice propuesto y el motor de aprendizaje supervisado dan resultados satisfactorios y ambos se alinean con los enfoques publicados.

• Materias:Máquina de vectores Estudio numérico Controlador Método computacional Modelado matemático
• Subjects:Vector machine Numerical study Controller Computational method Mathematical modeling
• Palabras claves:Índice de gravedad de transitorios, evaluación de la estabilidad de transitorios, acciones correctivas de control, grandes restricciones operativas, motor de aprendizaje supervisado, máquina de vectores de apoyo, índice, sistema, Nueva Inglaterra, prueba de autobuses.
• Keywords:Transient Severity Index, Transient stability assessment, corrective control actions, large operational constraints, supervised learning engine, support vector machine, index, system, New England, bus test