ATLAS PREDICTIVO DE VULNERABILIDAD EN TENSIÓN Y CUMPLIMIENTO DE CÓDIGO DE RED ANTE VARIABILIDAD RENOVABLE

Abstract

Este Trabajo de Fin de Grado propone el desarrollo de una metodología predictiva para analizar la vulnerabilidad en tensión de un sistema eléctrico ante escenarios de elevada variabilidad renovable. La transición energética y la sustitución parcial de generación síncrona convencional por recursos renovables conectados mediante electrónica de potencia modifican el soporte reactivo disponible y pueden alterar los perfiles de tensión de la red. En este contexto, el proyecto plantea la construcción de un atlas predictivo de vulnerabilidad en tensión sobre una red IEEE 118, combinando simulaciones físicas mediante flujo óptimo de potencia en corriente alterna (AC-OPF) con técnicas de aprendizaje automático. La metodología se basa en la generación de escenarios que varían la demanda, la producción solar, la producción eólica, la hora del día y un conjunto acotado de contingencias. Para cada escenario se resuelve un AC-OPF en PandaPower y se extraen métricas como la tensión mínima del sistema, los buses más vulnerables y el margen de seguridad en tensión M_V. Posteriormente, se entrenan modelos de machine learning, especialmente Random Forest, para predecir indicadores de vulnerabilidad a partir de las variables de escenario. El objetivo final es obtener una herramienta interpretable y rápida que permita identificar escenarios críticos, detectar patrones espaciales de vulnerabilidad y evaluar la capacidad de generalización del modelo en regiones extremas, como situaciones de alta penetración solar y baja demanda.This Bachelor's Thesis proposes the development of a predictive methodology to assess voltage vulnerability in a power system under scenarios of high renewable variability. The energy transition and the partial replacement of conventional synchronous generation by renewable resources connected through power electronics modify the available reactive power support and may alter the voltage profiles of the network. In this context, the project aims to build a predictive voltage vulnerability atlas for the IEEE 118-bus test system, combining physics-based simulations through alternating current optimal power flow (AC-OPF) with machine learning techniques. The methodology is based on the generation of operating scenarios involving variations in demand, solar generation, wind generation, time of day and a limited set of contingencies. For each scenario, an AC-OPF is solved in PandaPower and key metrics are extracted, including the minimum system voltage, the most vulnerable buses and the voltage security margin M_V. Machine learning models, especially Random Forest, are then trained to predict vulnerability indicators from the scenario variables. The final objective is to obtain a fast and interpretable tool capable of identifying critical scenarios, detecting spatial patterns of voltage vulnerability and evaluating the model's generalization capability in extreme regions of the operating space, such as high solar penetration and low demand conditions.