Thesis:

Predicción del desempeño dinámico de la tensión ante contingencias utilizando técnicas de inteligencia artificial

La creciente penetración de la generación basada en convertidores (CIG) está reconfigurando la dinámica de tensión bajo contingencias de falla, haciendo que la simulación exhaustiva en el dominio del tiempo sea cada vez más impracticable para la evaluación de la estabilidad de los sistemas eléctricos en una amplia gama de condiciones de operación. En respuesta a este desafío, se han explorado técnicas basadas en inteligencia artificial como una alternativa, demostrando una alta precisión con bajos tiempos de predicción. Sin embargo, la mayoría de los enfoques existentes se centran en la clasificación estable/inestable o en la predicción de márgenes de estabilidad escalares, en lugar de reconstruir la trayectoria completa de tensión. En este contexto, este artículo presenta un método basado en inteligencia artificial para predecir la trayectoria completa de tensión bajo contingencias de falla en cualquier barra de un sistema eléctrico dominado por convertidores, utilizando únicamente magnitudes de estado estacionario previas a la falla como entradas. La contribución central es un marco de ingeniería de características que agrega variables a nivel de generador en indicadores a nivel de barra mediante un esquema de ponderación basado en el acoplamiento eléctrico, diferenciando entre generadores síncronos y unidades CIG en modos grid-following y grid-forming. Se comparan seis arquitecturas estándar de aprendizaje automático utilizando el Sistema Eléctrico Nacional de Chile (SEN), una red aislada de gran escala con alta penetración de energías renovables. Los modelos con mejor desempeño reconstruyen la trayectoria de tensión con un RMSE inferior a 3 kV y tiempos de inferencia del orden de milisegundos, representando aceleraciones de entre tres y cuatro órdenes de magnitud respecto a las simulaciones convencionales en el dominio del tiempo.