IEEE Power & Energy - Spanish - May/June 2018 - 24

Un enfoque es convertir cada serie extensa de datos de demanda
a un único punto bidimensional (2D) que pueda trazarse
en un simple diagrama de dispersión.

extremadamente baja prácticamente de forma constante, que
se refleja con percentiles casi solapados.

Visualización a través de la incorporación
Las distancias entre pares de residencias también se pueden
utilizar para crear un diagrama de todas las casas juntas. si
computamos 99 percentiles por 48 medias horas por día y
siete días a la semana, cada una de las distribuciones residenciales se puede pensar como un vector en espacio K
dimensional donde K = 99 # 48 # 7 = 33, 264. para visualizarlos con facilidad, necesitamos proyectarlos en un espacio
2D. existen varias maneras de hacerlo, como mediante el
análisis del componente principal (pca, por sus siglas en
inglés) y escalamiento multidimensional. Hemos utilizado
un método de mapa de eigen Laplaciano para mantener los
puntos más parecidos en el espacio dimensional K tan cerca
como sea posible en el espacio 2D.
el Gráfico 4 muestra una incorporación 2D de las 500
residencias en este conjunto de datos. Los colores se toman
de la medida de tipicidad, con el 1% correspondiente a "más
típico" representado por los puntos en rojo y el 1% correspondiente a "menos típico" por puntos en negro. Los puntos restantes se dividen en dos grupos, siendo los puntos en
naranja más típicos que los puntos en amarillo. Los números
azules muestran la graduación de los puntos anómalos. el
punto más anómalo (número 1) corresponde a los datos que
se muestran en el Gráfico 3.
también se puede interpretar que los colores corresponden a las regiones de mayor densidad en el espacio K dimensional original. esta manera de diagramar los datos nos
permite ver fácilmente las anomalías, identificar cualquier
grupo de observaciones en los datos y examinar cualquier
otra estructura que pudiera existir.

Visualización de datos de PMU
Desde que el primer prototipo de pmu fue desarrollado por
virginia tech en 1988, pmu interconectadas se han desplegado rápidamente en los últimos años. Desde principios de
2016, china y estados unidos tienen las redes de pmu más
grandes del mundo, con un total de más de 2,000 pmu en
operación cada una. a diferencia de los sistemas del control
de supervisión y los sistemas de adquisición de datos existentes que proporcionan mediciones cada 2 a 4 segundos, las
pmu pueden brindar datos, con un sello de tiempo certero
y preciso, de 10 a 60 veces por segundo. en consecuencia,
recibimos grandes volúmenes de datos de pmu de grandes
24

ieee power & energy magazine

dimensiones de forma continua, día tras día. tomando 30
pmu, por ejemplo, el operador del sistema debe administrar aproximadamente 15 mB de datos por minuto, 20 GB
por día, 140 GB por semana o 7 tB por año. el volumen de
datos de pmu aumentará dramáticamente cuando se instalen miles de pmu.
el problema de "demasiados datos, demasiada poca información" debe ser resuelto, ya que se está volviendo cada vez
más difícil para los operadores del sistema hacer uso de los
datos de pmu sin procesar para la toma de decisiones en
tiempo real. por un lado, existe una explosión en cuanto a
la disponibilidad del flujo de datos de alto índice gracias a
los avances en el monitoreo de los dispositivos de pmu, lo
que lleva a una sobrecarga de datos. por otro lado, existe una
comprensión limitada sobre cómo extraer información procesable de estos dispositivos de monitoreo cargados de datos
para fines de monitoreo y control en tiempo real. el análisis
visual de "big data" ofrece un camino a seguir, lo que ayuda
a convertir estos flujos de "big data" en una visión procesable en tiempo real y brindará apoyo en el desarrollo de
sistemas de gestión energética de nueva generación. en esta
sección, demostraremos la técnica más básica de reducción
de dimensiones, pca, como una herramienta fundamental
para los primeros pasos de visualización de datos de pmu.

Una simple herramienta de reducción de
dimensiones: PCA
el pca, propuesto por primera vez en 1901, es una de las
técnicas más populares de reducción de dimensiones. al usar
el pca, podemos eliminar la correlación entre las variables
y seleccionar solamente algunas variables sin correlación
lineal para representar los datos originales. podemos ver
el pca como una forma de rotación perpendicular, donde
los nuevos ejes pueden capturar la variación máxima de los
datos. La dirección perpendicular de la variación máxima
se puede identificar mediante el análisis del valor de eigen
y del vector de eigen de la matriz de la co-variación de los
datos de muestra, de modo que la variación máxima corresponda a los mayores valores de eigen. Las nuevas variables
transformadas se denominan los "componentes principales",
mientras que los primeros componentes principales pueden
explicar la mayor parte de la variación de los datos. por lo
que solo requerimos un conjunto reducido para representar
la mayoría de la información de los datos originales.
para los propósitos de detección y de diagnóstico del
evento, definimos dos estadísticas, T 2 y Q. T 2, construido
mayo/junio 2018

Table of Contents for the Digital Edition of IEEE Power & Energy - Spanish - May/June 2018