Metodología de segmentación de datos para el cálculo de la magnitud reserva secundaria de frecuencia del Sistema Eléctrico Interconectado Nacional

Abstract

Los avances tecnológicos en el desarrollo de la Ciencia de Datos son cada vez más requeridos para dar solución a problemas que abarcan el procesamiento de grandes bases de datos de información. Particularmente la utilización de técnicas de Aprendizaje de Máquina (“Machine Learning“) puede agilizar y flexibilizar el tratamiento de datos con una recurrencia especifica o ejecución con características similares, como por ejemplo el crecimiento poblacional, consumos de bienes y servicios y/o gustos y preferencias de usuarios. La ejecución de la operación del Sistema Eléctrico Interconectado Nacional (SEIN) genera registros históricos que son cuantificables y calificables, y precisamente aquellos registros que definen las bases de la operación física del mismo son la demanda y generación eléctricas, particularmente esta última del tipo de Recursos Energéticos Renovables {RER), los cuales se ejecutan con cierta particularidad de carácter predictivo. En tal sentido, debido a que la demanda eléctrica y la generación RER presentan considerables desviaciones, la Magnitud de Reserva de Generación direccionada a la Regulación Secundaria de Frecuencia {RSF) del SEIN brindará el soporte para atender dichas desviaciones. Entonces, mediante las técnicas de aprendizaje de máquina no supervisado (“Unsupervised Machine Learning”), como la Segmentación de Datos con la aplicación de algoritmos especializados para la clasificación de grupos de datos (“Cluster“) como lo son “KMeans“ (K Mean Cluster Clasification) y “DBSCAN“ (Density Based Spatial Clustering of Applications with Noise), en el presente trabajo se establece una metodología de depuración inteligente y eficiente del conjunto de datos que componen la demanda y la generación RER ejecutada, y consecuentemente se desarrolla el cálculo de la magnitud de reserva secundaria de frecuencia en base a lo dispuesto en el Procedimiento Técnico Nº22 del Comité de Operación Económica del Sistema Eléctrico Interconectado Nacional (COES SINAC). Finalmente, se establecen las conclusiones y recomendaciones derivadas de lo tratado en el presente trabajo.

Technological advances in the development of Data Science are increasingly required to solve problems involving the processing of large information databases. In particular, the use of machine learning techniques can streamline and make more flexible the processing of data with a specific recurrence or execution with similar characteristics, such as population growth, consumption of goods and services and / or tastes and preferences of users. The execution of the operation of the “Sistema Eléctrico Interconectado Nacional - SEIN“ generates historical records that are quantifiable and qualifiable, and precisely those that define the bases of its physical operation of the same are the demand and generation of electricity, particularly the atter of the type of Renewable Energy Resources (RER), which are executed with a certain predictive particularity. In this sense, because the electricity demand and the RER generation have considerable deviations, the Magnitude of Generation Reserve directed to the Secondary Frequency Regulation of the SEIN will provide the support to address these deviations. Then, using unsupervised machine learning techniques, such as Data Segmentation or “Clustering“ with the application of specialized algorithms for the classification of data groups such as “KMeans“ (K Mean Clusters Classifications) and “DBSCAN“ (Density Based Spatial Clustering of Applications with Noise), this paper establishes a smart and efficient debugging methodology of the set of data that make up the demand and the RER generation executed, and consequently the calculation of the magnitude of secondary frequency reserve is developed based on the provisions of Technical Procedure Nº22 of the Economic Operation Committee of the National lnterconnected Electrical System (COES SINAC). Finally, the conclusions and recommendations derived from the present work are established.