Data estimation with deep neural networks

Abstract

Este trabajo aborda el modelado del comportamiento del esquema de Desconexión Automática de Carga por Baja Frecuencia (UFLS) mediante técnicas de aprendizaje automático adaptadas a datos censurados. El UFLS es una herramienta crítica en la operación de sistemas eléctricos, cuyo objetivo es preservar la estabilidad tras contingencias graves mediante el deslastre escalonado de carga. Sin embargo, su comportamiento presenta una alta no linealidad, una lógica condicional basada en umbrales y ecuaciones diferenciales que modelan la dinámica de los sistemas eléctricos. Por otro lado, también resulta difícil estimarlo mediante métodos comunes de aprendizaje automático basados en datos, ya que el UFLS derivado de distintos incidentes presenta una estructura censurada, al ser cero en muchos de ellos. Para abordar estos retos, se ha desarrollado un modelo basado en redes neuronales, entrenado sobre datos que incluyen tanto eventos con actuación de UFLS como otros en los que no se produce deslastre (UFLS cero). El conjunto de datos presenta censura inferior estructural, ya que muchas observaciones con respuesta cero no implican ausencia de fenómeno, sino que se encuentran por debajo del umbral de activación. Se implementan funciones de pérdida especializadas (como el MSE censurado, el MAE censurado y formulaciones derivadas del modelo Tobit), que permiten al modelo adaptarse a esta estructura. Los resultados muestran que el modelo predice con alta precisión la magnitud de la carga desconectada, especialmente al emplear funciones de pérdida que incorporan explícitamente la censura. Asimismo, se realiza una comparación con modelos lineales, que evidencian un rendimiento inferior. Finalmente, se discute la posibilidad de integrar el modelo en esquemas de optimización, y se señalan posibles líneas futuras de investigación.

This work addresses the modeling of the behavior of the Under-Frequency Load Shedding (UFLS) scheme using machine learning techniques adapted to censored data. UFLS is a critical tool in power system operation, designed to preserve system stability following severe contingencies by implementing a staged load shedding process. However, its behavior exhibits high nonlinearity, conditional logic based on thresholds, and differential equations that model the dynamics of power systems. Moreover, it is challenging to estimate using standard data-driven machine learning methods, as UFLS responses resulting from different incidents display a censored structure, often taking a value of zero in many cases.

To tackle these challenges, a neural network-based model has been developed and trained on a dataset that includes both events in which UFLS is activated and others where no load shedding occurs (i.e., UFLS equals zero). The dataset exhibits structural left-censoring, as many zero-response observations do not indicate the absence of the phenomenon but rather fall below the activation threshold. Specialized loss functions (such as censored MSE, censored MAE, and formulations derived from the Tobit model) are implemented to enable the model to accommodate this structure.

The results demonstrate that the model accurately predicts the magnitude of the disconnected load, particularly when using loss functions that explicitly incorporate censoring. A comparison with linear models reveals the superior performance of the proposed approach. Finally, the potential integration of the model into optimization frameworks is discussed, and future research directions are outlined.