IEEE Power & Energy Magazine - Spanish - January/February 2020 - 89

Para aplicaciones de respuesta de carga, un ADMS puede
actuar como coordinador al enviar una señal de objetivo
global para fomentar la toma de decisiones cooperativa para
cargas controladas dispersas, como los vehículos eléctricos
(VE). Como ejemplo, un ADMS puede enviar una señal que
indique la disminución requerida en la demanda de carga
durante las horas de carga máxima a todos los VE. Múltiples VE pueden coordinar la disminución de su consumo
de potencia para cumplir con el requerimiento de reducción máxima de manera colaborativa. Estos son solo algunos ejemplos del uso de conceptos basados en inteligencia
en la toma de decisiones para sistemas de distribución de
potencia. Las potenciales aplicaciones de los algoritmos de
aprendizaje automático nuevos y emergentes son infinitas y
continuarán evolucionando con la complejidad de los sistemas de distribución de potencia.

Calidad y consistencia de los datos
La instalación masiva de las tecnologías de la información y
comunicación para el control remoto y el monitoreo de los
alimentadores de distribución puede conllevar mayores vulnerabilidades respecto de intrusiones cibernéticas e inyecciones de datos falsos. A menudo, los sensores simples con
recursos limitados, como los medidores inteligentes o dispositivos de campo, son la primera línea de ataque, lo cual provoca que los datos no sean confiables. Se necesitan módulos de calibración de datos automáticos, los cuales pueden
detectar tales anomalías de datos y mitigarlos mediante el
aprendizaje de los valores de medición más probables al analizar datos históricos. También existe una necesidad vital de
analizar el flujo de datos dentro y fuera del ADMS y detectar posibles casos de anomalías tales como datos corruptos, flujos de datos innecesarios y cualquier otra actividad
cibernética maliciosa. Las futuras aplicaciones del ADMS
se beneficiarán de los componentes puramente centrados en
datos que buscan específicamente cuantificar y mejorar la
calidad y la consistencia de los datos operativos de las redes
de distribución.
Se reconoce la necesidad de módulos de calibración provenientes de datos de sensores locales para procesar datos
locales, identificar cualquier anomalía y aplicar correcciones para mejorar la calidad de los datos. El concepto clave
es aprovechar la ciencia de datos y los algoritmos de aprendizaje automático para desarrollar modelos para mediciones de series de tiempo y usarlos para predecir valores de
medición correctos. También se pueden desarrollar módulos independientes de calidad de datos para cada sensor de
medición, como los medidores inteligentes, la unidad de
medición microfasorial y dispositivos de campo. La mejora
de la calidad de los datos a nivel del sensor local no requiere
información de toda la red y puede ser integrada fácilmente
mediante la colocación de estos módulos en las ubicaciones
de los respectivos sensores. Por ejemplo, podemos imaginar módulos de calibración de datos automatizados para
las mediciones estructuralmente independientes de una red,
enero/febrero 2020	

como las mediciones de demanda de carga de los medidores inteligentes. Los datos de medición de los sistemas de
potencia se modelan generalmente como procesos estocásticos no estacionarios. Para evaluar la calidad de la medición,
se desarrollan modelos de regresión para datos de medición
de series de tiempo y se utilizan para predecir los valores
futuros del sensor con la ayuda de métodos de pronóstico de
series de tiempo como el modelo autorregresivo integrado
de media móvil y el perceptrón multicapa no lineal. Las
mediciones pronosticadas del sensor luego se utilizan para
detectar/identificar una anomalía utilizando un umbral predeterminado para las mediciones reales y previstas.
Es igualmente vital asegurar la consistencia dentro de
los diferentes conjuntos de datos que fluyen en el ADMS
e identificar cualquier actividad cibernética o mediciones
defectuosas del sensor. Un ADMS integra múltiples fuentes
de datos de subsistemas dispares de propiedad variada, lo
cual brinda numerosas posibilidades de ataque y manipulación de datos. Esto requiere componentes centrados en datos
para también asegurar la consistencia de los datos de medición sobre un conocido modelo de sistema físico. Un posible
enfoque sería ajustar los datos de medición al modelo operativo del sistema de distribución identificado por la topología
de la red y los estados del sistema. Esto se logra desarrollando modelos basados en la física, basados en el aprendizaje o híbridos utilizando diferentes fuentes de datos individualmente, los cuales dictan la relación entre los estados
del sistema (entrada) y las variables de medición (salida). La
relación de entrada y salida se utiliza para estimar los estados del sistema a partir de las mediciones. Cabe destacar que
los conjuntos de medidas son consistentes si los estados del
sistema de distribución resultantes obtenidos utilizando las
fuentes de datos individuales están cerca. Otras instrucciones incluyen el diseño de un sistema de soporte de decisiones
para identificar la posibilidad de una inconsistencia en los
datos entre fuentes de datos y también un conjunto mínimo
de sensores de medición, los cuales deben ser verificados
para garantizar la consistencia de los datos. Estos algoritmos
serán más relevantes a medida que evolucione el ADMS y se
implementen nuevos sensores de medición y control.

Resumen
Los sistemas de distribución de potencia eléctrica que evolucionan rápidamente necesitan métodos avanzados para
controlar y coordinar su operación para mejorar la eficiencia
operativa y la resistencia. Un ADMS proporciona el ambiente
abundante en datos y control necesario para desarrollar e
implementar aplicaciones avanzadas para administrar sistemas de distribución de potencia eléctrica. Impulsadas por
las cambiantes necesidades de las operaciones del sistema
de distribución, las aplicaciones del ADMS han sido desarrolladas con el tiempo, y la industria está adoptando varias.
Para ayudar a los lectores a comprender mejor las aplicaciones del ADMS y su evolución, este artículo presentó una
descripción general en la que clasificamos las aplicaciones
ieee power & energy magazine	

89
IEEE Power & Energy Magazine - Spanish - January/February 2020

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - January/February 2020
