IEEE Power & Energy - Spanish - Marzo/Abril 2018 - 93

el de alphaGo. aquí, la red de políticas son las estrategias
del usuario del Ve (carga, descarga e inactivo) y la red de
valor es el costo total de un ciclo, incluido el costo de carga y
el costo de riesgos del sistema. ambas redes se pueden entrenar en función de los comportamientos anteriores del usuario del Ve y se pueden reforzar aún más a través de autojugadas. en cada etapa, puede implementarse una búsqueda de
árbol para evaluar todas las estrategias posibles al predecir
las consecuencias futuras y puede seleccionarse la estrategia
con la evaluación más alta. aunque los propietarios individuales de Ve pueden no estar motivados para implementar
esto por sí solos, es más probable que sus representantes o
agregadores puedan determinar la mejor estrategia para cargar, descargar o estar inactivos.

Aplicaciones potenciales
en estudios basados en la búsqueda
a diferencia de estos problemas del juego, algunos estudios
en sistemas de potencia solo implican una única entidad
de estudio, lo que significa que no hay interacción alguna
con otras entidades. en estos problemas, el estado del sistema es un elemento clave. el espacio del estado del sistema
puede ser enorme, con múltiples escenarios, múltiples etapas
(intervalos de tiempo) o ambos. por ejemplo, los problemas
habituales de los casos de múltiples escenarios incluyen la
evaluación de seguridad en múltiples escenarios de energía
renovable y la identificación de localización de fallas en
diferentes condiciones operativas. además, una evaluación
de fallas en cascada se puede clasificar como un problema
de múltiples etapas, mientras que la optimización continua
del suministro de energía renovable es un caso típico que
implica escenarios y etapas múltiples.
Durante el monitoreo y la operación en tiempo real, un
enorme espacio de estado del sistema plantea la dificultad
de computación y comunicación. por lo tanto, similar a
la búsqueda de la jugada más favorable en el juego Go, las
técnicas de la Dnn y el mCts también pueden hacer estos
problemas manejables al identificar el estado más crítico del
sistema y proporcionar información clave para el análisis de
seguridad del sistema o la programación de operación.

Evaluación de seguridad en línea
el amplio sentido de la evaluación de seguridad puede incluir
el monitoreo del sistema, el análisis de contingencia y el control de seguridad para mantener la seguridad del sistema.
actualmente, la prueba de contingencia se realiza a través
del flujo de potencia de CC lineal que, por lo general, es lo
suficientemente rápido para los casos de contingencia n-1
determinísticos en una sala de control del Iso. sin embargo,
cuando se consideran las incertidumbres de operación en
tiempo real bajo el paradigma las renovables (es decir, los múltiples escenarios debido a las variaciones de la potencia eólica,
las incertidumbres de carga de la rD y las interrupciones
del generador), el número de posibles estados del sistema y
la carga computacional asociada pueden ser sustanciales, lo
marzo/abril 2018

que constituye la barrera importante para las futuras evaluaciones de seguridad en línea con incertidumbres. por ejemplo, si tenemos diez escenarios discretizados para cada uno
de los diez parques eólicos en un sistema, habrá hasta 1010
combinaciones de escenarios. en este sentido, las Dnn pueden utilizarse como una herramienta eficiente para la identificación inteligente de contingencias en tiempo real.
al igual que seleccionar el movimiento más prometedor
en un tablero de Go, la evaluación de seguridad en línea tiene
por objetivo localizar los posibles escenarios de contingencia. el primer paso es observar los estados del sistema. las
incertidumbres del sistema durante una operación en tiempo
real se pueden visualizar como un árbol de escenarios, como
se muestra en el Gráfico 5. el árbol comienza en un único
nodo raíz, y cada nodo sucesivo representa una instancia de
los factores estocásticos. un escenario se refiere a un trayecto desde el nodo raíz hasta el nodo hoja.
siguiendo el algoritmo de alphaGo, un árbol de escenarios
puede generarse a través del aprendizaje supervisado (basado
en datos históricos medidos in situ) y el rl (basado en la
simulación). el estado del sistema (generación y consumo de
potencia y nivel de tensión) en cada escenario se puede aplicar
para el entrenamiento de la red de políticas. para cada estado,
se puede asignar un índice de seguridad para evaluar su gravedad, el cual puede ser modelado como la red de valor. las
dos redes antes mencionadas se utilizan además para identificar si el estado es seguro o inseguro, como se muestra en el
Gráfico 6. al completar con éxito el entrenamiento, no hay
necesidad de aplicar el análisis de flujo de potencia en cada
estado del sistema para seleccionar la contingencia. en otras
palabras, la Dnn puede proporcionar una justificación del
estado del sistema en función de los datos de entrada. el proceso completo propuesto se ilustra en el Gráfico 7.

Diagnóstico de fallas del sistema
aunque ambos se centran en mantener un funcionamiento
seguro, el diagnóstico de fallas del sistema difiere de la evaluación de seguridad en que el primero se ocupa de un apagón
ya producido, mientras que la segunda realiza predicciones
de la futura contingencia. Durante el funcionamiento del
sistema de potencia en tiempo real, los valores de tensión/
corriente cambian con las fluctuaciones de carga, lo que
implica diferentes condiciones operativas de líneas y barras.
por lo tanto, los valores de tensión/corriente pueden utilizarse
como una señal intuitiva de una falla. para entrenar una Dnn
para el diagnóstico de fallas, los datos históricos se pueden
aplicar como la entrada y la salida incluye el tipo de falla y
la posibilidad asociada. en este caso, la Dnn funciona como
una herramienta de clasificación para marcar la localización
de fallas. Con la ayuda de una Dnn bien entrenada, una falla
del sistema puede ser rápidamente identificada en función
de la observación de una anomalía de tensión o corriente,
incluso frente a un sistema de transmisión a gran escala con
cientos o miles de ramas. este proceso de diagnóstico inteligente de fallas se muestra en el Gráfico 8.
ieee power & energy magazine

Table of Contents for the Digital Edition of IEEE Power & Energy - Spanish - Marzo/Abril 2018