Autores:  (1) Mengshuo Jia, Departamento de Tecnología de la Información e Ingeniería Eléctrica, ETH Zürich, Physikstrasse 3, 8092, Zürich, Suiza;  (2) Gabriela Hug, Departamento de Tecnología de la Información e Ingeniería Eléctrica, ETH Zürich, Physikstrasse 3, 8092, Zürich, Suiza;  (3) Ning Zhang, Departamento de Ingeniería Eléctrica, Universidad de Tsinghua, Shuangqing Rd 30, 100084, Beijing, China;  (4) Zhaojian Wang, Departamento de Automatización, Universidad Jiao Tong de Shanghai, Dongchuan Rd 800, 200240, Shanghai, China;  (5) Yi Wang, Departamento de Ingeniería Eléctrica y Electrónica, Universidad de Hong Kong, Pok Fu Lam, Hong Kong, China;  (6) Chongqing Kang, Departamento de Ingeniería Eléctrica, Universidad de Tsinghua, Shuangqing Rd 30, 100084, Beijing, China.  Tabla de enlaces   Resumen y 1. Introducción  2. Métodos evaluados   3. Revisión de los experimentos existentes   4. Evaluaciones de generalización y aplicabilidad y 4.1. Generalización de predictores y respuestas   4.2. Aplicabilidad a casos con multicolinealidad y 4.3. Aplicabilidad del predictor cero   4.4. Aplicabilidad de predictores constantes y 4.5. Aplicabilidad de normalización   5. Evaluaciones numéricas y 5.1. Configuración del experimento   5.2. Descripción general de la evaluación   5.3 Evaluación de fallas   5.4 Evaluación de la precisión   5.5 Evaluación de la eficiencia   6. Preguntas abiertas   7. Conclusión   Apéndice A y referencias  ABSTRACTO  Basándose en los conocimientos teóricos de la Parte I, este artículo, como segunda parte del tutorial, profundiza en la linealización del flujo de potencia basada en datos (DPFL), centrándose en pruebas numéricas integrales. La necesidad de estas simulaciones surge de las limitaciones inherentes del análisis teórico, en particular el desafío de identificar las diferencias en el rendimiento en el mundo real entre los métodos DPFL con capacidades y/o limitaciones teóricas superpuestas. La ausencia de una comparación numérica integral de los enfoques DPFL en la literatura también motiva este artículo, especialmente dado el hecho de que más del 95% de los estudios DPFL existentes no han proporcionado ningún código de fuente abierta. Para llenar el vacío, este artículo primero revisa los experimentos DPFL existentes, examinando los escenarios de prueba adoptados, las configuraciones de fluctuación de carga, las fuentes de datos, las consideraciones sobre el ruido/valores atípicos de los datos y la comparación realizada hasta el momento. Posteriormente, este artículo evalúa un total de 44 métodos, que contienen más de 30 enfoques DPFL existentes, algunas técnicas DPFL innovadoras y varios métodos clásicos de linealización del flujo de potencia basados en la física para la evaluación comparativa. La evaluación abarca varias dimensiones, incluyendo la generalización, la aplicabilidad, la precisión y la eficiencia computacional, utilizando numerosos casos de prueba diferentes que escalan desde sistemas de 9 buses hasta 1354 buses. El análisis numérico en este documento identifica y examina tendencias significativas y hallazgos consistentes en todos los métodos bajo varios casos de prueba. Mientras tanto, ofrece perspectivas teóricas sobre fenómenos como bajo rendimiento, fallas, tiempos de cálculo excesivos, etc. En general, este documento identifica las diferencias en los rendimientos de la amplia gama de métodos DPFL, revela brechas que no son evidentes a partir de discusiones teóricas, ayuda en la selección de métodos para aplicaciones del mundo real y proporciona discusiones exhaustivas sobre preguntas abiertas dentro de la investigación DPFL, indicando diez posibles direcciones futuras. (Recuento de palabras: 9668).  1. Introducción  Los modelos de flujo de potencia lineal son de importancia crítica en los cálculos de sistemas de potencia, están sujetos a una extensa investigación y a una amplia aplicación en el ámbito académico y la industria, lo que abre mercados que valen billones de dólares y tiene un impacto en todos los consumidores globales [1, 2, 3, 4]. La precisión y la eficiencia computacional de estos métodos de linealización son fundamentales para operar y planificar sistemas de potencia, en particular los sistemas con una alta penetración de energía renovable debido a la naturaleza rápidamente variable de los flujos de potencia resultantes. Por lo tanto, mejorar la precisión y la eficiencia de los modelos de flujo de potencia lineal no es solo una mejora técnica deseable, sino un avance significativo hacia un futuro energético sostenible.  La linealización del flujo de potencia basada en datos (DPFL) ha surgido como un método prometedor para adquirir modelos lineales de alta precisión en condiciones muy relajadas, por ejemplo, sin necesidad de conocer el modelo físico del sistema de potencia. Por lo tanto, está atrayendo una amplia atención [5]. A pesar de estar en la etapa de desarrollo, DPFL ya ha cultivado una base de conocimiento sustancial. Este tutorial de dos partes tiene como objetivo proporcionar un examen integral de los enfoques DPFL.  La primera parte de este tutorial [6] ofreció una clasificación exhaustiva y un análisis teórico de todos los métodos DPFL existentes, incluidos sus fundamentos matemáticos, soluciones analíticas y evaluaciones críticas de las capacidades, limitaciones y aplicabilidad de cada método. Este trabajo sirve como una guía básica, dirigida tanto a principiantes como a expertos en esta área, así como a profesionales de otras disciplinas que simplemente buscan técnicas de linealización confiables.  A pesar de la minuciosidad del análisis teórico en [6], tiene limitaciones: cuando muchos métodos de linealización tienen fortalezas y/o debilidades similares, es casi imposible predecir sus diferencias en términos de desempeño práctico. Por lo tanto, con solo [6], identificar el método más adecuado para necesidades específicas sigue siendo difícil. Más importante aún, las comparaciones numéricas existentes en la literatura no muestran completamente el panorama completo con respecto al desempeño real de los enfoques DPFL. La falta de una comprensión clara de las diferencias de desempeño reales entre los métodos DPFL existentes podría enmascarar los problemas que no son evidentes a partir del análisis teórico de las capacidades y limitaciones, oscurecer el juicio de los investigadores dentro de la comunidad DPFL y complicar la selección de métodos de linealización apropiados para usuarios potenciales de otros campos de investigación.  De hecho, implementar una comparación exhaustiva requiere esfuerzos sustanciales, debido a la falta de códigos de fuente abierta para más del 95% de la literatura relacionada. Sin embargo, para aclarar ambigüedades, delinear caminos de investigación futuros y beneficiar a la comunidad, este artículo, como segunda parte del tutorial, pretende llenar este vacío. Específicamente, este artículo realiza simulaciones exhaustivas para todos los métodos DPFL, algunos métodos DPFL recientemente introducidos para mostrar la naturaleza modular de DPFL y varios enfoques de linealización de flujo de potencia (PPFL) impulsados por la física clásica como puntos de referencia, que suman un total de 44 métodos. El enfoque principal de este artículo es una evaluación exhaustiva de estos métodos en términos de generalización, aplicabilidad, precisión y eficiencia computacional. Los resultados de la evaluación también respaldan la identificación de posibles direcciones futuras. Las contribuciones de este artículo son, por lo tanto, triples:  (i) Se presenta una revisión exhaustiva de los experimentos DPFL existentes, en la que se examinan los escenarios de prueba adoptados, los parámetros de fluctuación de carga, las fuentes de datos y las consideraciones sobre el ruido y los valores atípicos de los datos. La revisión también ofrece una descripción general de las comparaciones existentes entre los enfoques DPFL, describe las capacidades y limitaciones de los experimentos anteriores y demuestra la necesidad crítica de una comparación numérica exhaustiva de todos los enfoques DPFL.  (ii) Se lleva a cabo una simulación numérica exhaustiva de 44 métodos de linealización, incluidos 36 métodos DPFL existentes, cuatro métodos DPFL desarrollados recientemente y cuatro algoritmos PPFL clásicos. Se presenta un análisis comparativo detallado de estos 44 métodos, en el que se analiza su generalización, aplicabilidad, precisión y eficiencia computacional, lo que permite aclarar el rendimiento real de todos los métodos evaluados.  (iii) Se proporciona un debate en profundidad sobre las preguntas de investigación abiertas, describiendo diez direcciones futuras prometedoras pero desafiantes para la investigación de DPFL, informadas por los hallazgos numéricos obtenidos aquí y las conclusiones teóricas extraídas de la primera parte del tutorial [6].  El resto de este artículo está organizado de la siguiente manera: la Sección II presenta los 44 métodos. La Sección III revisa los experimentos existentes en DPFL. La Sección IV evalúa los métodos en cuanto a su generalización y aplicabilidad. La Sección V detalla las evaluaciones numéricas en términos de precisión y eficiencia computacional. La Sección VI analiza las preguntas abiertas en los campos de DPFL, resumiendo las posibles direcciones futuras. La Sección VII concluye el artículo.    :  Observación Hemos hecho todo lo posible para replicar con precisión los métodos descritos en los artículos de investigación originales. Sin embargo, debido a factores como la ausencia de código fuente abierto (con muy pocas excepciones) y los detalles a menudo incompletos en la literatura, no podemos asegurar que nuestras implementaciones reflejen perfectamente las intenciones de los autores originales, aunque cuando los detalles eran particularmente vagos, incluso hemos desarrollado múltiples versiones de los métodos, como se muestra en la Tabla 1 en la siguiente sección. Sin embargo, reconocemos que es imposible crear réplicas exactas de los métodos tal como los imaginaron sus creadores. Además, es importante señalar que ningún método está libre de fallas. El análisis de las limitaciones en este artículo no pretende ser una crítica, sino parte de una evaluación exhaustiva en ciertos casos con hiperparámetros determinados.  Este artículo está   bajo la licencia CC BY-NC-ND 4.0 Deed (Attribution-Noncommercial-Noderivs 4.0 International). disponible en arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Linearization (dot tech)

We iluminate the path and make the intricate intuitive.

linearization's blog

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

Get Free Unlimited IP Geo Data With IPinfo Lite

Un nuevo estudio revela los mejores modelos de IA para optimizar la red eléctrica

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Telegram: el puente de Crypto Island hacia el continente

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

Telegram: el puente de Crypto Island hacia el continente

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps