Revista Tecnura

Resumen Objetivo: Este trabajo plantea una reformulación matemática de naturaleza convexa para el problema de flujo de potencia óptimo en redes de corriente continua (DC). El objetivo del modelo de optimización propuesto corresponde a la minimización de las pérdidas de potencia en todas las ramas de la red considerando un modelo cónico convexo que garantice el hallazgo de la solución óptima global. Metodología: Está dividida en tres etapas: la primera presenta el modelo matemático de flujo de potencia óptimo para redes DC y todas sus características geométricas que lo hacen no convexo; la segunda presenta la reformulación convexa a partir de una relajación cónica de segundo orden; la tercera etapa presenta las principales características del sistema DC bajo estudio; mientras que la cuarta etapa presenta la solución óptima del problema de flujo de potencia y sus comparaciones con algunos métodos reportados en la literatura especializada. Resultados: Las validaciones numéricas demuestran que el modelo de flujo de potencia óptimo convexo propuesto encuentra la misma solución el modelo exacto del problema y tiene una eficiencia del 100%, lo cual contrasta con la variabilidad de resultados que presentan las técnicas metaheurísticas reportadas como métodos de comparación. Conclusiones: La relajación cónica de segundo orden propuesta garantizó la convexidad del espacio de soluciones, y, por tanto, el hallazgo de la solución óptima en cada ejecución; además, demostró que para problemas de flujo de potencia óptimo en redes DC tiene el mejor desempeño numérico que la mayoría de los métodos metaheurísticos comparativos; y la solución provista por la relajación propuesta es equivalente a la proveída por el modelo exacto. Palabras clave: Redes de corriente continua, relajación cónica de segundo orden, modelo de programación no lineal, optimización convexa.

Contexto: Este trabajo presenta diferentes modelos basados en redes neuronales artificiales, entre ellas las NNARX, para la estimación de la radiación solar global a partir de mediciones del índice UV. El objetivo es determinar la eficiencia de los modelos estudiados para estimar la radiación solar global en términos del coeficiente de determinación (R2), la raíz del error medio cuadrático (RMSE) y el error absoluto medio (MAE). Metodología: Se divide en cuatro etapas: i) conformación del set de datos de entrenamiento (en este caso se utiliza un set de entrenamiento de 213.019 datos recolectados durante 5 años en la ciudad de Pasto, Colombia, con la estación Davis Vantage Pro 2.0); ii) pre-procesamiento de los datos para remover datos erróneos e inusuales; iii) definición de modelos basados en redes neuronales artificiales recurrentes y convencionales basándose en un análisis de topologías, e.g. NNFIR y NNARX; iv) entrenamiento de los modelos y evaluación de la eficiencia de la estimación por medio de métricas como R2, RMSE y MAE. Para validar el modelo se utilizaron datos recolectados durante el último año, los cuales no se incluyeron en el entrenamiento. Resultados: Los modelos de estimación de radiación solar global basados en NNARX presentan la mejor eficiencia en la estimación en comparación con redes neuronales convencionales. El modelo NNARX221 presenta un RMSE de 54,32 y un MAE de 18,06 w/m2. Conclusiones: Los modelos NNARX tienen una gran eficiencia para estimar la radiación solar global, en el mejor de los casos con un coeficiente de determinación de 0,9697. Los modelos más eficientes se caracterizan por utilizar dos instantes pasados y el instante actual de índice UV y realimentar dos instantes pasados de su propia salida de radiación estimada. Además, los resultados numéricos muestran que la contribución de la temperatura y humedad relativa no es relevante para mejorar la eficiencia de la estimación de la radiación solar global. Estos modelos pueden ser particularmente importantes dado que solamente utilizan mediciones realizadas con sensores de índice UV que son menos costosos que los sensores de radiación solar.

Objetivo: En este artículo se revisaron diferentes enfoques sobre cómo modelar la penetración de los vehículos eléctricos (EV) en los sistemas eléctricos de potencia. También se evalúa y compara experimentalmente el desempeño de tres enfoques probabilísticos de demanda de carga de vehículos eléctrico considerando cuatro niveles de penetración de EV. Metodología: Se realiza una búsqueda detallada del estado del arte de estrategias de modelado de carga de carga para vehículos eléctricos, donde se recopilaron los trabajos más representativos sobre este tema. Se propuso un modelo probabilístico basado en la simulación de Monte Carlo y se implementaron dos métodos más. Estos modelos tienen en cuenta la hora de salida de los vehículos eléctricos, la hora de llegada y la hora que se conectan a la red. Estas variables fueron concebidas como variables aleatorias. Resultados: Se obtuvieron histogramas de la demanda de carga de los vehículos eléctricos para los tres modelos contemplados. Adicionalmente, se calculó una métrica de similaridad para conocer la distribución que mejor se ajusta a los datos de cada modelo. Lo anterior, se realizó considerando 20, 200, 2000 y 20000 vehículos eléctricos en promedio. Si se tiene una baja penetración de vehículos eléctricos es posible modelar la demanda de estos usando una distribución gamma. De lo contrario, se recomienda usar una distribución Gaussiana o Lognormal si se tiene una alta penetración de VE. Conclusiones: Se presentó una revisión del estado del arte en el modelado de vehículos eléctricos bajo un enfoque G2V, donde se identificaron tres grupos: los enfoques deterministas, los métodos que tratan la incertidumbre y la variabilidad y, finalmente, se identificaron los métodos basados ​​en datos. Adicionalmente, observamos que el modelo EVCP 3 y la distribución gamma pueden ser apropiados para modelar la penetración de vehículos eléctricos en análisis de flujo de carga probabilístico o para estudios de planeamiento estocástico en redes de distribución activas. Financiamiento: Institución Universitaria Pascual Bravo