Resumen

La evaluación de la estabilidad transitoria desempeña un papel vital en los sistemas eléctricos modernos. Con este fin, se han empleado ampliamente técnicas de aprendizaje automático para encontrar condiciones críticas y reconocer comportamientos transitorios basándose en el análisis masivo de datos. Sin embargo, el volumen cada vez mayor de datos generados por los sistemas eléctricos plantea una serie de retos a las técnicas tradicionales de aprendizaje automático, que son intensivas desde el punto de vista computacional y se ejecutan en ordenadores autónomos. Este artículo presenta una red neuronal de alto rendimiento basada en MapReduce para permitir una rápida evaluación de la estabilidad de los sistemas eléctricos. Hadoop, que es una implementación de código abierto del modelo MapReduce, se emplea en primer lugar para paralelizar la red neuronal. La red neuronal paralela se mejora aún más con HaLoop para reducir la sobrecarga de cálculo incurrida en el proceso de iteración de la red neuronal. Además, se emplean técnicas de ensemble para compensar la pérdida de precisión de la red neuronal paralelizada en la clasificación. La red neuronal paralelizada se evalúa tanto con el sistema IEEE de 68 nodos como con un sistema eléctrico real desde el punto de vista de la velocidad de cálculo y la evaluación de la estabilidad.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Evaluación de la estabilidad transitoria; técnicas de aprendizaje automático; sistemas eléctricos; análisis de datos; redes neuronales; MapReduce.
• Keywords:Transient stability assessment; machine learning techniques; power systems; data analysis; neural network; MapReduce