Resumen:
El presente trabajo de titulación propone un análisis comparativo de máquinas basadas en Machine Learning (ML) implementadas para el estudio de estabilidad de voltaje, con el propósito de predecir su comportamiento en diferentes barras del sistema eléctrico luego de ocurrida una contingencia, evitando así el uso de simulaciones que requieren gran demanda computacional como las de dominio del tiempo (TDS). De esta forma se optimizan recursos económicos, computacionales y tiempo. Para este trabajo se utilizó un sistema de prueba modificado, el cual considera generación tradicional junto con inserción de energías renovables no convencionales (ERNC). Esta investigación parte con la implementación del modelo en estado estacionario del sistema, utilizado para resolver el problema de despacho económico. Adicionalmente, para el análisis de estabilidad de voltaje y debido a su naturaleza variante en el tiempo, mediante el uso de herramientas computacionales del área eléctrica se realiza el modelamiento en estado dinámico del sistema junto con el modelamiento detallado de ciertos elementos, de manera que se puedan realizar las TDS en las cuales se consideran eventos de cortocircuito en líneas de transmisión necesarios para la obtención de los datos sintéticos. Estos datos pasan por una etapa de pre-procesamiento, de manera que puedan ser utilizados para el entrenamiento y validación de los algoritmos de ML. Para el análisis comparativo de dichos algoritmos y sus respectivas predicciones se utiliza la métrica del error cuadrático medio (RMSE).
