Identificación de reconfiguraciones de red a través de aprendizaje de máquinas: beneficios de la integración de la información de operación comercial y operacional de una distribuidora

Abstract

Históricamente, los sistemas de distribución han tenido un rol pasivo dentro de las redes eléctricas. Este rol ha cambiado en los últimos años debido a la incorporación de la generación distribuida y de otras nuevas tecnologías que permiten conocer el estado de la red en tiempo real. Aún así, la adopción de estas nuevas ha sido lenta y poco amigable. En los alimentadores de una red de distribución existen interruptores de traspaso que tienen por objetivo servir de vía eléctrica de respaldo en caso de perder el suministro eléctrico. En una distribuidora es común este tipo de evento y es necesario tener un registro de ellos para encontrar fallas y, en el área de comercialización, determinar los costos de operación real del sistema. Esto resulta particularmente difícil dado que sólo una pequeña fracción de los equipos de traspaso y de maniobras son automatizados y/o poseen comunicación con el operador. Adicionalmente, existen asimetrías de información entre las áreas de operación y comercialización de las distribuidoras dificultando aun más esta tarea. Este trabajo planteará un modelo de redes neuronales que sea capaz de identificar cambios topológicos de las redes de distribución basada en la información de la distribuidora Luz Osorno. Para ello, en una primera etapa, se realiza un estudio del diseño y operación de un sistema de distribución, además de una revisión de los principales conceptos de redes neuronales. Se hace una revisión bibliográfica de los métodos de detección topológica en la literatura. A continuación, se caracteriza la empresa de distribución Luz Osorno, en términos de infraestructura y operación. Luego, se realiza el modelamiento de la red de distribución de media tensión de Luz Osorno en el Software OpenDSS y Python. Se estudian los consumos que se podrán utilizar para ejecutar flujos de potencia. Se proponen algoritmos de \textit{load allocation} y de la asignación de cargas de la red. Se propone una metodología para generar eventos de traspasos aleatorios. Se realizan simulaciones de flujos de potencia para obtener datos que se pueden usar para la red neuronal. Se detalla el mecanismo de preprocesamiento de los datos y, finalmente, se construyen una red MLP y una red LSTM para realizar la identificación de reconfiguración de red y comparar los resultados de ambas topologías. Entre los principales resultados se destaca: el modelamiento de 33 alimentadores en 11 subestaciones de Luz Osorno en OpenDSS, generar datos de entrenamientos realistas a través de simulaciones usando datos de operación real y la predicción de cambios topológicos, usando solo mediciones de la cabecera de 11 alimentadores con una red neuronal LSTM, alcanzando una precisión de 99.69%.