Resumen:
Due to ARCERNNR regulations, every electricity distribution company needs to meet minimum standards regarding the frequency of events and time of fault restoration. This, added to the considerable importance of maintaining a continuous and reliable electrical service for the city of Guayaquil, indicates that the automation of the electrical network is desirable for fault isolation and service restoration. For this purpose, a system was developed for the automatic transfer of faulty reclosers from the Guayaquil electrical network. This system consists of programs located in the RTUs (Remote Terminal Unit) of the substations to be automated, from where the different field reclosers located throughout the city are programmed and controlled. The program running in these RTUs communicates with a support server that runs a prediction service enabled by means of machine learning. Through this prediction, the program in the RTUs decides whether or not it can carry out the transfer. The different automations can be monitored and controlled from screens in the SCADA system of the distribution company. The error of the predictive model for the analyzed transfer was found to be 5.25%. It is concluded that the model created through machine learning represents a useful tool with sufficiently adequate results to speed up the automatic transfer of load in distribution networks.
Keywords: automatic transfer, LightGBM, Smart Grid, Load forecasting
Descripción:
Debido a las regulaciones del ARCERNNR, toda empresa distribuidora de electricidad necesita cumplir estándares mínimos respecto a la frecuencia y tiempo de restablecimiento de fallas. Esto, añadido a la considerable importancia de mantener un continuo y confiable servicio eléctrico para la ciudad de Guayaquil, indica que es deseable la automatización de la red eléctrica para el aislamiento de fallas y restablecimiento del servicio. Para esto se desarrolló una aplicación para la transferencia automática de reconectadores en fallo, de la red eléctrica de Guayaquil. Esta aplicación consta de automatismos localizados en las RTU (Remote Terminal Unit) de las subestaciones a automatizar desde donde se programa y controla los distintos reconectadores de campo ubicados a lo largo de la ciudad. El programa corriendo en estas RTU se comunica con un servidor de soporte que corre un servicio de predicción habilitado por medio de aprendizaje de máquina. Mediante esta predicción el programa en las RTU decide si puede realizar la transferencia o no. Los distintos automatismos se pueden supervisar y controlar desde pantallas en el sistema SCADA de la empresa distribuidora. Se encontró que el error del modelo predictivo para la transferencia analizada fue del 5.25%. Se concluye que el modelo creado mediante aprendizaje de máquina representa una herramienta útil con resultados suficientemente adecuados para agilizar la transferencia automática de carga en redes de distribución.
