Power System Studies Using Open-Access Software

Título: Estudios de Sistemas de Potencia utilizando Software de Acceso Abierto

1. Planteamiento del Problema

El artículo aborda la necesidad de realizar estudios de sistemas de potencia utilizando herramientas de software accesibles, de código abierto y gratuitas, en lugar de depender exclusivamente de software comercial costoso. El desafío principal reside en la limitación funcional de cada herramienta individual:

• ATP (Alternative Transients Program): Excelente para transitorios electromagnéticos y análisis de frecuencias, pero carece de capacidades nativas avanzadas para análisis estadístico, visualización de datos complejos o aprendizaje automático.
• OpenDSS: Potente para sistemas de distribución y flujos de carga, pero limitado en simulaciones de transitorios complejos y análisis estadístico avanzado.
• R/RStudio: Una herramienta estadística y de visualización de primer nivel, pero no posee un motor de simulación física de redes eléctricas propio.

La dificultad radica en integrar estas herramientas para crear un entorno de simulación flexible que permita no solo ejecutar estudios, sino también procesar grandes volúmenes de datos, realizar estudios paramétricos masivos y aplicar algoritmos de aprendizaje automático (ML) para predecir el comportamiento del sistema.

2. Metodología

Los autores proponen un entorno de simulación híbrido donde RStudio actúa como centro de control y orquestador. La metodología se basa en la interacción bidireccional entre R y las herramientas de simulación de potencia (ATP/TPBIG y OpenDSS) mediante la generación y lectura de archivos de texto (CSV, scripts de inclusión).

Flujo de trabajo general:

1. Generación de Entradas: RStudio genera archivos de texto o scripts que modifican dinámicamente los archivos de entrada de ATP o OpenDSS (cambiando parámetros, topologías o condiciones de falla).
2. Ejecución de Simulación: Se ejecuta el motor de simulación (TPBIG para ATP o el motor de OpenDSS) de forma independiente o controlada.
3. Extracción de Resultados: Las herramientas de potencia generan archivos de salida (CSV o texto) con los resultados de la simulación.
4. Procesamiento en R: RStudio lee estos archivos, realiza análisis estadístico, visualización de alta calidad y aplica algoritmos de aprendizaje automático (ML) sobre los datos generados.

Casos de Estudio Implementados:
El artículo valida esta metodología mediante cuatro estudios de caso:

• Caso 1 (ATP + ML): Localización y clasificación de fallas en una línea de transmisión de 400 kV. Se utiliza un estudio paramétrico para generar datos de entrenamiento y se aplica el algoritmo de k-Vecinos Más Cercanos (kNN) para predecir el tipo y ubicación de la falla basándose en valores de voltaje RMS.
• Caso 2 (ATP + ML): Desempeño ante rayos de una línea de transmisión. Se utiliza el método de Monte Carlo para simular miles de descargas (variando corriente pico, ángulo, resistencia de puesta a tierra, etc.). Los resultados se utilizan para entrenar una Máquina de Vectores de Soporte (SVM) capaz de predecir si una descarga causará un flashover (sobretensión) o no.
• Caso 3 (OpenDSS + ML): Análisis de sistemas de distribución con generación distribuida (fotovoltaica) y almacenamiento. Se simulan cargas variables en el tiempo y cargas aleatorias (Monte Carlo) para evaluar el impacto en el perfil de voltaje y las pérdidas, comparando diferentes estrategias de control de almacenamiento.
• Caso 4 (OpenDSS + ML): Estabilidad transitoria. Se simula un sistema simple con generadores síncronos ante fallas trifásicas de duración variable. Se generan datos para entrenar redes neuronales artificiales (ANN), SVM y kNN para predecir la estabilidad del sistema (estable/inestable) basándose en la duración de la falla y la potencia activa.

3. Contribuciones Clave

• Marco de Trabajo Integrado: Demuestra la viabilidad técnica de usar RStudio como "cerebro" para controlar motores de simulación de potencia especializados (ATP y OpenDSS), superando las limitaciones de cada herramienta por separado.
• Automatización de Estudios Paramétricos: Proporciona procedimientos robustos para automatizar la generación de miles de escenarios de simulación (necesarios para el entrenamiento de ML) sin intervención manual en los archivos de entrada de las herramientas de potencia.
• Aplicación de ML en Ingeniería de Potencia: Ilustra cómo algoritmos supervisados (kNN, SVM, Redes Neuronales) pueden ser entrenados con datos de simulación física para predecir comportamientos críticos del sistema (localización de fallas, flashover por rayos, estabilidad transitoria) con alta precisión.
• Visualización y Reproducibilidad: Aprovecha las capacidades de R para generar informes reproducibles (RMarkdown) que combinan código, resultados numéricos y visualizaciones de alta calidad, facilitando la comunicación de resultados técnicos.

4. Resultados

Los experimentos mostraron resultados prometedores en la precisión de las predicciones de los algoritmos de ML:

• Localización de Fallas (Caso 1): El algoritmo kNN logró una precisión del 99.5% (con k=1) para fallas con resistencia < 1 ohm.
• Desempeño ante Rayos (Caso 2): La SVM alcanzó una precisión de 99.04% en la clasificación de eventos de flashover. Se estimó una tasa de flashover de 4.85 por 100 km/año para la línea de prueba.
• Estabilidad Transitoria (Caso 4):
  • La SVM logró una precisión del 100% en la predicción de estabilidad.
  • El algoritmo kNN alcanzó un 100% de precisión.
  • Una red neuronal con dos capas ocultas alcanzó un 98.51% de precisión.
• Análisis de Distribución (Caso 3): Se demostró que la integración permite visualizar eficazmente el impacto de la generación distribuida y el almacenamiento en las pérdidas y perfiles de voltaje, mostrando reducciones significativas en la demanda de potencia desde la subestación.

5. Significancia

Este trabajo es significativo por varias razones:

• Accesibilidad y Costo: Promueve el uso de software de acceso abierto, democratizando el acceso a herramientas de simulación de alta calidad para universidades, consultores y países en desarrollo, reduciendo la barrera de entrada de las licencias comerciales.
• Puente entre Disciplinas: Une la ingeniería de potencia tradicional con la ciencia de datos moderna. Muestra que los ingenieros de potencia pueden aprovechar el ecosistema de Machine Learning de R para mejorar la toma de decisiones y la planificación del sistema.
• Flexibilidad Futura: El enfoque propuesto es escalable. Permite incorporar nuevas fuentes de datos, modelos de componentes personalizados (generados en R e inyectados en ATP/OpenDSS) y técnicas avanzadas de IA (como modelos de lenguaje grandes para depurar código o generar scripts).
• Validación de Enfoque: Confirma que, incluso con sistemas de prueba simples, la combinación de simulación física y ML es una estrategia viable y potente para el análisis de sistemas de energía modernos, especialmente en el contexto de la integración de energías renovables y la necesidad de análisis estadísticos masivos.

En conclusión, el artículo establece un precedente para un nuevo paradigma en la investigación de sistemas de potencia, donde la simulación física y el análisis de datos avanzados no son procesos aislados, sino componentes integrados de un mismo flujo de trabajo automatizado.