IEEE Power & Energy Magazine - Spanish - January/February 2023 - 45

a las redes informáticas de centrales eléctricas, subestaciones
o centros de control para interrumpir el servicio, manipular
los datos o desactivar todo el sistema de monitoreo y
control. Si no se tienen en cuenta, los datos erróneos pueden
provocar grandes errores de estimación y divergencias
en los algoritmos o incluso operaciones engañosas. De ahí
que sea muy importante investigar soluciones para los problemas
de calidad de los datos en el funcionamiento de los
sistemas eléctricos.
En este artículo, se resumen nuestros esfuerzos por
superar estos retos. El resto del artículo se organiza de la
siguiente manera. En la sección " Tecnologías básicas " , se
presenta los algoritmos del filtro de Kalman (KF, por sus
siglas en inglés) y su aplicación en la estimación dinámica
de estados (DSE, por sus siglas en inglés), la calibración
de modelos y la calibración de datos. En la sección " DSE " ,
se presentan ejemplos de resultados de aplicaciones de
DSE. En la sección " Validación y calibración de modelos
de centrales eléctricas " , se resumen nuestros algoritmos
de calibración de modelos y demuestra cómo integrar los
resultados al software existente. En la sección " Validación
y calibración de datos " , se presentan ejemplos de resultados
de la calibración de datos. Por último, en la sección final, se
exponen algunas conclusiones.
Tecnologías básicas
Dados los modelos dinámicos y las mediciones de series
temporales, los estados y parámetros actuales de un sistema
se pueden estimar de forma óptima en tiempo real utilizando
tecnologías de filtrado. Se han desarrollado muchos métodos
KF para diversas aplicaciones en la red eléctrica.
El KF
Suponiendo modelos lineales y ruido de distribución normal,
Rudolf Kalman desarrolló el KF en un marco estadístico
para estimar los estados actuales de un sistema. El KF
logró muchos éxitos en diversas aplicaciones, empezando
por el programa espacial estadounidense, porque puede proporcionar
una estimación precisa de la varianza mínima y
se puede implementar recursivamente para aplicaciones en
tiempo real.
Para estimar los estados dinámicos en la red eléctrica,
el método KF se ha ampliado para sistemas no lineales.
Entre estos métodos ampliados se encuentran el KF
extendido (EKF, por sus siglas en inglés), el KF unscented
(UKF, por sus siglas en inglés), el KF por conjunto
(EnKF, por sus siglas en inglés) y el filtro de partículas
(PF, por sus siglas en inglés). Para aplicaciones de redes
eléctricas, cada uno de estos algoritmos tiene ventajas e
inconvenientes en cuanto a su precisión de estimación y
tiempo de cálculo. El EKF suele considerarse un método
estándar para la DSE de sistemas no lineales porque es
fácil de implementar y tiene una alta eficiencia de cálculo.
No obstante, su precisión de estimación se degrada con
rapidez cuando aumenta la no linealidad del sistema. El
UKF tiende a producir una mayor precisión de estimación
que el EKF para un sistema no lineal y tiene una complejidad
de cálculo similar. En el caso de un sistema no lineal
de dimensiones considerables con muchos estados, el
EnKF puede superar el problema de crecimiento del error
del EKF y utilizar menos tiempo de cálculo. El PF es más
flexible a la hora de modelar el ruido y puede producir
estimaciones precisas, incluso cuando las distribuciones
del ruido de estado tienen múltiples modos. Sin embargo,
los requerimientos informáticos pueden ser demasiado
elevados para un sistema grande, ya que la cantidad necesaria
de muestras crece exponencialmente con la cantidad
de estados. Para determinar cuál es el mejor algoritmo
para una aplicación específica, el usuario suele adoptar
un enfoque de prueba y error para evaluar la precisión de
la estimación y el tiempo de cálculo de estos algoritmos
mediante modelos de simulación.
Para ahorrar tiempo de cálculo y fijar el tamaño de la
memoria para la estimación en tiempo real, todos estos algoritmos
de filtrado suelen implementarse de manera recursiva
utilizando la estructura de dos pasos ilustrada en la figura 2.
Solución:
Retos:
Reparar datos
Calibrar el modelo
Corregir estados
Datos
fasoriales
Simulación
de modelos
Estados
Cálculo de
señales
Cómo hacer un seguimiento de los
estados dinámicos
Cómo mejorar la precisión del modelo
Cómo mejorar la calidad de los datos
-
Desajuste
figura 1. Retos y soluciones.
enero/febrero 2023
ieee power & energy magazine
45
IEEE Power & Energy Magazine - Spanish - January/February 2023

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - January/February 2023
