Sintonización Adaptativa del Estabilizador de Sistema de Potencia mediante Árboles de Decisión y Optimización Heurística
##plugins.themes.bootstrap3.article.main##
José Antonio Oscullo
Jaime Cristóbal Cepeda
Resumen
Este artículo presenta un enfoque novedoso para amortiguar de forma adaptativa las oscilaciones de baja frecuencia mediante un clasificador de árboles de decisión que utilizan como entradas las señales de frecuencia y potencia de las barras de generación sensadas por el sistema de monitoreo de área amplia (WAMS). El ajuste adaptativo de los estabilizadores de sistemas de potencia (PSS) convencionales (p.ej., PSS1A, PSS2A, PSS2B), que se encuentran disponibles en el sistema, se realiza al modificar los parámetros óptimos de sintonización del PSS, mediante el análisis de los modos críticos de los escenarios operativos utilizando el algoritmo de optimización heurística de mapeo media- varianza (MVMO). Estos parámetros por escenario pueden ser seleccionados mediante un clasificador inteligente basado en árboles de decisión con el objetivo de adaptar la sintonización del PSS a las condiciones de operación. Dicho proceso se implementa en PowerFactory de DIgSILENT mediante la herramienta de análisis modal, se determinan los modos críticos, para el caso de simulación. Mientras en tiempo real, los modos críticos son obtenidos por medio del algoritmo de identificación modal establecido con la matriz Pencil de las señales WAMS. La metodología planteada se aplica al sistema New York-New England de 66-Barras, obteniéndose la mejor respuesta dinámica del sistema con los PSS adaptativos a las diferentes condiciones operativas del sistema. Además, se compara la respuesta con el PSS4B que se caracteriza por monitorear varias frecuencias de los modos de oscilación presentes en la operación del sistema y así presentar los beneficios a la contribución propuesta.
Descargas
Descargas
Detalles del artículo
Citas
Almunif, A., Fan, L., & Miao, Z. (2019). A tutorial on data-driven eigenvalue identification: Prony analysis, matrix pencil, and eigensystem realization algorithm. Wiley Interna- tional Transaction Electrical Energy System, 1(1), 1-17. http://doi.org/10.1002/2050-7038.12283
Cepeda, J., Rueda, L. , Erlich, I., Korai, W., & Gonzalez-Longatt, F. (2014). Mean-Variance Mapping Optimization Algo- rithm for Power System Applications in DIgSILENT. Po- werFactory PowerFactory Applications for Power System Analysis.New York, USA: Springer.
Crow, M. (2016). Computational Methods for Electric Power Sys- tems. Boca Raton, USA: CRC Press Taylor & Francis Group.
Flores, H., Cepeda, J., & Gallardo, C. (2017). Optimum Lo- cation and Tuning of PSS devices considering Multi- machine criteria and a Heuristic Optimization Al- gorithm. IEEE/PES/ISGT Latin America, 1(1), 1-6. http://doi.org/10.1109/ISGT-LA.2017.8126712
Fisher, R. (1936). The use of multiple measurements in taxono- mic problems. Wiley Annals of Eugenics, 7(2), 179-188. http://doi.org/10.1111/j.1469-1809.1936.tb02137.x
Grondin R., Kamwa, I., Trudel, G., Gerin-Lajoie, L., & Tabor- da, J. (2003). Modeling and closed-loop validation of a new PSS concept, the Multiband PSS. IEEE Power Engineering Society General Meeting, 1(1), 1804-1809. http://doi.org/10.1109/PES.2003.1267430
He, J., Lu, C., Wu, X., Li, P., & Wu, J. (2009). Design and ex- periment of wide area HVDC supplementary damping controller considering time delay in China southern po- wer grid. IET Generation Transmission and Distribution, 3(1), 17-25. http://doi.org/10.1049/iet-gtd:20080129
IPE, Society (2016). IEEE Recommended Practice for Ex- citation System Models for Power System Stabi- lity Studies, IEEE Standard Board, 1(1), 75-76. http://doi.org/10.1109/IEEESTD.2016.7553421
Ma, J. (2018). Power System Wide-Area Stability Analysis and Control. Beijing, China: Wiley Science Press. Mondal, D., Chakrabarti, A., & Sengupta, A. (2020).Power Sys- tem Small Signal Stability and Control. London, United Kingdom: Elsevier Academic Press.
Oscullo, J., & Gallardo, C. (2020). Adaptive tuning of power sys- tem stabilizer using a damping control strategy consi- dering stochastic time delay. IEEE Access, 8(1), 1-11. http://doi.org/10.1109/ACCESS.2020.3004067
Oscullo, J., & Gallardo, C. (2020). Residue Method Evaluation for the Location of PSS with Sliding Mode Control and Fuzzy for Power Electromechanical Oscillation Damping Control. IEEE Latin America Transactions, 95(1), 24-31. http://doi.org/10.1109/TLA.2020.9049458
Peres, W., Junior, I., & Passos-Filho, J. (2018). Gradient based hybrid metaheuristics for robust tuning of power system stabilizers. Electrical Power and Energy Systems, 18(1), 47-72. http://doi.org/10.1016/j.ijepes.2017.08.014
Qsutra (n.d.). Classification and regression trees. Obtenido de: http://qsutra.com/explore/classification and regression trees. (Enero, 2022).
Shanka A., & Gurrala, G. (2020). A Systematic Tuning Approach for Multi-Band Power System Stabilizers (PSS4B). IEEE International Symposium on Power Electronics, Elec- trical Drives, Automation and Motion, 1(1), 628-633. http://doi.org/10.1109/SPEEDAM48782.2020.9161835
Trinh, W., Shetye, K., & Overbye, T. (2019). Iterative Ma- trix Pencil Method for Power System Modal Analy- sis. Proceedings of the 52nd Hawaii International Conference on System Sciences, 1(1), 3669-3678. http://doi.org/10.24251/HICSS.2019.443
Wang, D., Rueda, J., Rakhshani, E., & Meijden, M. (2020). MVMO-Based Identification of Key Input Variables and Design of Decision Trees for Transient Stability Assess- ment in Power Systems with High Penetration Levels of Wind Power. Frontiers in Energy Research, 8(41), 1-19. http://doi.org/10.3389/fenrg.2020.00041
Barra lateral del artículo
Barra lateral del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.