Despacho óptimo de reactiva con aprendizaje automático en la red eléctrica uruguaya.

Abstract

Este trabajo se centra en la resolución del problema del despacho óptimo de potencia reactiva en la red eléctrica de Uruguay utilizando aprendizaje automático. El despacho de potencia reactiva es crucial para la estabilidad y el control del sistema eléctrico nacional, y su objetivo principal es garantizar que los voltajes en las barras y las corrientes en las líneas se mantengan dentro de niveles seguros. Actualmente, la estrategia más común para lograr esto se basa en una variación del modelo matemático del flujo óptimo de potencia, el cual plantea un problema de optimización no convexo que se aborda mediante métodos de optimización clásicos. Sin embargo, a pesar de su amplia aceptación, existen diversas limitaciones en la forma en que se resuelve este problema en la actualidad. Esto se debe a la naturaleza no convexa del problema, precisando de algoritmos iterativos computacionalmente costosos y que frecuentemente resultan en soluciones subóptimas. Por esta razón, se propone la implementación de dos estrategias de aprendizaje automático como alternativas para su resolución. La primera consiste en un esquema supervisado que busca imitar el comportamiento de un optimizador de punto interior, pero permitiendo tiempos de inferencia significativamente menores. La desventaja de esta técnica es que el rendimiento está acotado por el desempeño del optimizador a imitar. Por ello, se propone una segunda estrategia no supervisada, que busca resolver directamente el problema de optimización a partir de definir una función de pérdida proporcional al objetivo a resolver. Para aumentar progresivamente la dificultad del problema, se comienza validando las estrategias en los casos de estudio de las redes IEEE30 e IEEE118, sumamente usadas en la literatura. Al no disponer de datos de carga ni generación históricos, es necesario generarlos de forma sintética. Luego, se procede a estudiar el caso de la red uruguaya, comparando el desempeño al utilizar datos sintéticos frente a datos reales. Debido a que no existe un modelo de la red eléctrica uruguaya con una base de datos asociada lista para usar, se desarrolla uno. Se considera que uno de los principales aportes de esta tesis es la creación y publicación de un modelo detallado de la red eléctrica de Uruguay, acompañado de una base de datos histórica cuidadosamente curada. Los resultados para los datos sintéticos fueron notablemente buenos. En el caso de la estrategia supervisada, se logran soluciones con un desempeño idéntico al del optimizador, pero con tiempos de inferencia tres órdenes de magnitud menores. Por otro lado, la estrategia no supervisada logra un desempeño comparable al del optimizador. Respecto al desempeño con datos reales, ambas estrategias presentan resultados inferiores, aunque aceptables, remarcando la importancia de utilizar datos reales cuando se quiera validar el desempeño de una estrategia que se busca implementar en la práctica.