IEEE Power & Energy - Spanish - Marzo/Abril 2018 - 98

asociados. el conjunto de entrenamiento puede expandirse
por ejecuciones de simulaciones para incluir todas las posibles condiciones de operación en tiempo real. Con una Dnn
bien entrenada, podemos obtener un programa de suministro
sólido sin la necesidad de realizar un cómputo extenso.

Resumen
Go es un juego de mesa ancestral que se consideraba, con
diferencia, el juego de mesa más complejo de resolver para
el software informático o la Ia. alphaGo, desarrollado por
el equipo de Google Deepmind, es la primera aplicación de
Ia que derrotó al campeón mundial profesional humano.
este artículo ha presentado los tres componentes críticos, la
red de políticas, la red de valor y el mCts, del algoritmo
alphaGo. luego, varias aplicaciones potenciales de Ia en
sistemas de potencia eléctrica fueron categorizadas en dos
grupos: basadas en juegos y basadas en la búsqueda. la tabla
1 compara las características del juego Go, estudios del sistema de potencia basados en el juego y estudios de sistemas
de potencia basados en la búsqueda. sin duda, esta será un
área interesante para que la comunidad de la potencia eléctrica continúe explorando tales aplicaciones e identifique
aplicaciones profundas potenciales de Ia en el funcionamiento y la planificación de la red de potencia.

Lecturas complementarias
D. silver, a Huang, C. J. maddison, a. Guez, l. sifre,
G. Van Den Driessche, J. schrittwieser, I. antonoglou,
V. panneershelvam, m. lanctot, s. Dieleman, D. Grewe, J.
nham, n. Kalchbrenner, I. sutskever, t. lillicrap, m. leach, K. Kavukcuoglu, t Graepel y D. Hassabis "mastering the
game of Go with deep neural networks and tree search" (Dominar el juego Go con redes neuronales profundas y el árbol
de búsqueda), Nature, vol. 529, n.º 7587, págs. 484-489, 2016.

98

ieee power & energy magazine

D. mechner, "all systems Go" (todos los sistemas Go),
Sciences, vol. 38, n.º 1, págs. 32-37, 1988.
J. tan y l. Wang, "enabling reliability-differentiated service in residential distribution networks with pHeVs: a hierarchical game approach" (permitir un servicio diferencial
de confiabilidad en redes de distribución residenciales con
pHeV: un enfoque del juego jerárquico), IEEE Trans. Smart
Grid, vol. 7, págs. 684-694, mar. de 2016.
r. sunitha, r. sreerama Kumar y a. t. mathew, "online static security assessment module using artificial neural
networks" (módulo de evaluación de seguridad estática en
línea que utiliza redes neuronales artificiales) IEEE Trans.
Power Syst., vol. 28, págs. 4328-4335, nov. de 2013.
r. Yao, s. Huang, K. sun, F. liu, X. Zhang, s. mei, W.
Wei y l. Ding, "risk assessment of multi-time scale cascading outages based on markovian tree search" (evaluación
de riesgos de interrupciones en cascada en múltiples espacios de tiempo basada en el búsqueda de árbol markoviano),
IEEE Trans. Power Syst., vol. 32, págs. 2887-2900, jul. de
2017.
Y. Wang, m. liu y Z. Bao, "Deep learning neural network for power system fault diagnosis" (red neuronal de
aprendizaje profundo para el diagnóstico de fallas en sistemas de potencia), en Proc. 35th Chinese Control Conf.,
2016, págs. 6678-6683.

Biografías
Fangxing Li pertenece a la universidad de tennessee,
Knoxville.
Yan Du pertenece a la universidad de tennessee,
Knoxville.
p&e

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