IEEE Power & Energy Magazine - Spanish - May/June 2022 - 46

Hasta ahora, los abordajes existentes solo podrían evaluar
la clasificación errónea mediante muestreos aleatorios.
Esta es la primera vez que un procedimiento sistemático
puede medir qué tan bien la red neuronal predice el límite
de seguridad de un sistema eléctrico. Si no nos satisface el
rendimiento de la red neuronal, podemos sumar los puntos
clasificados de manera errónea al conjunto de datos de
entrenamiento con los rótulos correctos de verdad terreno y
volver a entrenar la red neuronal para mejorar su robustez.
Este es un procedimiento sistemático y bien definido que se
puede repetir hasta alcanzar el nivel deseado de robustez.
Cuando el operador tenga certificados de rendimiento y esté
satisfecho con el rendimiento de la red neuronal, veremos
que se implementan las redes neuronales en aplicaciones
fundamentales para la seguridad del sistema eléctrico, tales
como las evaluaciones de seguridad.
Peores garantías: ¿Cuál es el peor error de
predicción de la red neuronal?
Consideremos un ejemplo guía en el que una red neuronal
actúa como un algoritmo de flujo eléctrico óptimo. Predice
cuánto deben producir los generadores controlables para una
determinada situación de carga a fin de que 1) el costo de
producción sea tan bajo como sea posible y 2) no se infrinjan
las restricciones del sistema, como los límites de carga de la
línea de transmisión. Los algoritmos existentes de flujo eléctrico
óptimo pueden llevar a cabo esta tarea bastante bien.
Sin embargo, el problema del flujo eléctrico óptimo en su
forma completa no linear sigue siendo un principal desafío
que resolver dentro de un tiempo razonable. Las redes neuronales
bien entrenadas pueden llegar a una solución hasta
1,000 veces más rápido y considerar restricciones que es
imposible incluir directamente en los métodos de optimización
convencionales (p. ej., ecuaciones diferenciales que
representan las restricciones de estabilidad). Imaginemos
que tenemos que ejecutar miles de escenarios con un algoritmo
de flujo eléctrico óptimo, considerando distintos perfiles
de carga e inyecciones altamente variables de energías
renovables, y determinar el despacho de generación seguro
y más económico para todos ellos. Aquí es donde las redes
neuronales pueden ser muy útiles.
Debemos considerar, no obstante, que la red neuronal no
predice necesariamente una solución que respeta todas las
restricciones del sistema y además es la opción más económica.
Su fortaleza radica en los cálculos extremadamente
rápidos, no necesariamente en la exactitud. Al hacer pruebas
a la red, queremos asegurarnos de que las predicciones 1)
no infringen significativamente las restricciones (p. ej., no
incumplen más del 1 % de los límites máximos) y 2) se mantienen
cerca de la solución óptima desde el punto de vista de
Análisis de rendimiento convencional (evaluación estadística)
Escenarios operativos posibles del sistema eléctrico
Estimación basada en muestras del peor rendimiento
Red neuronal
entrenada
Predicción de despacho de la red neuronal
Obtener garantías de rendimiento
Región operativa posible del sistema eléctrico
Garantías de peor rendimiento para toda la región
Verdad terreno física
Red neuronal
entrenada
Predicción de despacho de la red neuronal
Verdad terreno física
figura 5. Una comparación entre (a) la evaluación estándar del rendimiento de la red neuronal usando un conjunto de
prueba y (b) la metodología propuesta para obtener garantías del comportamiento de la red neuronal. El método propuesto
puede determinar la mayor desviación entre la predicción de la red neuronal y la verdad terreno física en toda la región
(y no solo para las pruebas aleatorias discretas): esto ofrece una garantía rigurosa de peor escenario.
46
ieee power & energy magazine
mayo/junio de 2022
IEEE Power & Energy Magazine - Spanish - May/June 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - May/June 2022
