Clustering aplicado a condiciones de operación en diseño de esquemas de protecciones especiales en sistemas eléctricos de potencia

Abstract

El diseño de Esquemas Especiales de Protección(SPS) es una herramienta para aumentar la capacidad de transmisión de las lineas de un sistema eléctrico de potencia. Esta memoria propone una implementación que utiliza algoritmos de agrupación para seleccionar puntos de operación representativos. Este enfoque reduce el número de condiciones necesarias para el diseño de Esquemas Especiales de Protección (SPS) en sistemas eléctricos, facilitando la búsqueda de soluciones óptimas y mejorando los tiempos de ejecución. El objetivo es disminuir la dimensión del problema de optimización mediante técnicas de clusterización, optimizando el costo de tiempo computacional comprometiendo al mínimo la calidad de la solución. Al reducir las condiciones de operación, se busca lograr un equilibrio entre eficiencia y efectividad en el diseño de SPS. De acuerdo a lo investigado a la fecha, existen trabajos que aplican el clustering a sistemas electricos de potencia para agrupar condiciones de operación similares. Más específico, hay investigaciones relacionadas directamente con la expansión de la capacidad de transmisión. No obtante no hay estudios que se apliquen directamente al sistema electrico chileno en el diseño de SPS. Para medir el desempeño del clustering se aplica las metricas del diseño del SPS en tres términos: costo, tiempo de cálculo, y condiciones no factibles. Se espera que a mayor tiempo de cálculo menor condiciones no factibles lo cual se obtiene por medio de los gráficos de métricas de resultados. En este trabajo, con el fin de implementar la agrupación se recibe la información de las condiciones de operación de interés proveniente de la herramienta de diseño de SPS. Se le da un formato sobre el cual se calcula la disimilitud en función una dimension de interes que puede ser la generación,transmisión,demanda,costo marginal por barras. Luego se aplica un algoritmo de agrupación que puede ser Jerárquico o K-medoide , y finalmente se da el formato de salida de los datos que puede ingresarse a la herramienta de diseño de SPS con clustering. Se manipula la información mediante el lenguaje Python donde se implementa una interfaz para facilitar su uso. Se lograron los resultados esperados: agrupar condiciones de operación para diseñar SPS alejandose lo mínimo de la solución completa. Asi se muestra en los resultados que para casos reducidos con alrededor del treinta porciento de los datos se logran soluciones que cubren el problema completo.Mientras que para casos con orden de 500 condiciones de operación se llega a menos de 5 porciento de condiciones no factibles.