Mejora del perfil de voltaje en sistemas de transmisión mediante óptima ubicación de compensador en serie sincrónico estático (SSSC) a través de redes neuronales artificiales

El presente artículo tiene como objetivo implementar de manera óptima un compensador en serie síncrono estático (SSSC), para el cual se utiliza un algoritmo basado en redes neuronales artificiales. Se busca mejorar el perfil de voltaje, obteniendo así confiabilidad de energía eléctrica emitida en cualquier sistema de barras IEEE. El entrenamiento de la red neuronal se lleva a cabo en el software Matlab, en el cual se realiza un algoritmo capaz de brindar soluciones ante variaciones futuras en el modelo de 14 barras IEEE. Los datos de ingreso de la red neuronal se obtienen mediante la inclusión de cargas, en todas sus barras de transmisión, las cuales se encuentra en un rango de 10 a 50. Cada variación proporciona datos de: perfil de voltaje, flujo de potencia en las líneas de transmisión, potencia activa y reactiva en las barras, al igual que su correspondiente factor de potencia. Los datos de salida de la red neuronal se derivan de la implementación de una búsqueda exhaustiva, en la cual se incorpora un compensador SSSC de 10 MVA a cada variación de carga, en las líneas de transmisión. Al implementar el compensador SSSC de 10 MVA a la línea de transmisión 13-14 se redistribuye el flujo de potencia presente en la línea de transmisión 9-14 y 13- 14, mejorando el perfil de voltaje en 3 barras del sistema, dicha ubicación proporciona la red neuronal artificial. El porcentaje de error presentado por el análisis del algoritmo se encuentra en el rango de -4% a 4%, lo cual determina, la eficiencia y exactitud de la red, ante datos desconocidos. ; The objective of this paper is to optimally implement a static synchronous series compensator (SSSC), for which an algorithm based on artificial neural networks is used. The aim is to improve the voltage profile, thus obtaining reliability of electrical energy emitted in any IEEE busbar system. The training of the neural network is carried out in Matlab software, in which an algorithm capable of providing solutions to future variations in the model of 14 IEEE busbars is ...