IEEE Power & Energy Magazine - Spanish - May/June 2022 - 77

E
ESTE ARTÍCULO PRESENTA FORMAS DE IDENTIFICAR
modelos de sistemas dinámicos a través de datos de medición.
En el análisis de sistemas eléctricos, un modelo estático
representa la relación de entrada y salida invariable en
el tiempo de un sistema, mientras que un modelo dinámico
describe el comportamiento del sistema en el tiempo. Por
ejemplo, ¿cómo transitará un sistema de un punto de operación
en estado estacionario a otro?
En la comunidad de control, el aprendizaje de modelos
dinámicos es un problema de identificación de sistemas. Básicamente,
el aprendizaje automático y la identificación de sistemas
consisten en inferir modelos a partir de los datos. Ambos
se basan en la optimización. Los procesos exactos de la inferencia
pueden variar desde el modelado estadístico hasta las
redes neuronales de aprendizaje profundo. Este artículo se centra
en presentar aplicaciones únicas para derivar modelos dinámicos
de sistemas eléctricos a partir de los datos de medición.
Los comportamientos dinámicos son difíciles de captar,
sobre todo en las aplicaciones que carecen de modelos
analíticos. En este punto es donde las técnicas de aprendizaje
automático o basadas en datos pueden desempeñar una
función esencial. De hecho, hay una larga historia acerca de
los ingenieros de sistemas eléctricos que construyen modelos
dinámicos utilizando enfoques basados en datos, mucho
antes de que el aprendizaje automático fuera un término
popular. La integración de las fuentes basadas en inversores
(IBR, por sus siglas en inglés) añade más complejidad al
marco de modelado existente debido a la física compleja subyacente
de los sistemas IBR y a los rigurosos requerimientos
de no divulgación de los fabricantes de equipos originales
(OEM, por sus siglas en inglés). En consecuencia, los métodos
de identificación de sistemas basados en datos adquieren
cada vez más importancia, en especial en el caso de los
sistemas cuyos modelos físicos son evasivos. Por ejemplo,
al representar fuentes de energía distribuida agregadas en
una interfaz de transmisión y distribución, es muy común
utilizar los datos de medición de la interfaz para producir un
modelo de fuentes de energía distribuida que pueda asignar
las entradas (p. ej., la tensión y la frecuencia) a las salidas
(generación de potencia real y reactiva).
En primer lugar, introducimos la clasificación de los
datos y modelos de medición. A continuación, revisamos
cinco aplicaciones de modelado dinámico basado en datos
que se utilizan habitualmente en los sistemas eléctricos:
1) identificación de los parámetros del modelo de generador
síncrono;
2) identificación de los parámetros del modelo de carga
agregada;
3) identificación de modelos de orden reducido para el
diseño de controles;
4) identificación del modelo de admitancia para detectar
la resonancia subsíncrona (SSR, por sus siglas en
inglés); e
5) ident ificación del modo de oscilación electromecánica
a par t ir de los datos de la unidad
mayo/junio 2022
de medición fasor ial (PMU, por sus siglas en
inglés).
Las dos primeras aplicaciones son diferentes de las tres
últimas en cuanto a los resultados de la estimación. Estas
dos primeras aplicaciones estiman los parámetros del
modelo. Esto significa que la estructura del modelo es un
conocimiento previo, y la estimación conduce a los parámetros
del modelo. En comparación con las tres últimas
aplicaciones, se conoce información parcial del modelo de
estimación; es decir, que se trata de un modelo de caja gris.
Por lo tanto, los problemas de estimación de los parámetros
de los modelos dinámicos son, de hecho, ejemplos de identificación
de modelos de caja gris. Por otro lado, si no se
impone la estructura del modelo, la estimación conduce a
modelos de caja negra.
Luego, discutimos sobre la identificación del modelo
IBR. La práctica actual se centra principalmente en la obtención
de mediciones de admitancia/impedancia en el dominio
de la frecuencia utilizando escaneos de frecuencia. Los
modelos resultantes son modelos de caja negra que reflejan
las relaciones de entrada y salida. Hay muchas maneras
de estructurar los modelos dinámicos IBR para asignar la
misma relación de entrada y salida. No obstante, la pregunta
más desafiante es: ¿Podemos suponer las estructuras del
modelo y averiguar los parámetros de este a partir de las
mediciones? Los debates de seguimiento intentan abordar
estas cuestiones. En la figura 1 se resumen las seis aplicaciones
que se tratan en este artículo.
Una breve clasificación de los datos y
modelos de medición
Los datos de medición pueden expresarse en el dominio
del tiempo o de la frecuencia. En las redes eléctricas, los
registradores digitales de fallas y las PMU capturan datos de
respuesta dinámica con estampa de tiempo (en el dominio
del tiempo). Los datos en el dominio de la frecuencia suelen
Identificación del
modelo de carga
agregada
Identificación
del modelo de
generador síncrono
Modelado
dinámico
basado en datos
Identificación
del modelo IBR
Análisis del modo
de oscilación a
partir de la PMU
figura 1. Modelado dinámico basado en la medición: seis
aplicaciones.
ieee power & energy magazine
77
Identificación de
modelos de orden
reducido para
diseñar controles
Identificación
del modelo de
admisión para
detectar la SSR
IEEE Power & Energy Magazine - Spanish - May/June 2022

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