ARTÍCULO No. ELE 15 ARTÍCULO ACEPTADO POR REFEREO 15° CONGRESO NACIONAL DE INGENIERÍA ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015) Flujos de Carga Estocásticos ante Contingencias incluyendo Robustez Numérica Ing. Carlos Jesús Ferrandon Cervantes Dr. David Romero Romero Profesor-Investigador Titular "C" ,SEPI-Eléctrica, ESIME Zacatenco SEPI-Eléctrica, ESIME Zacatenco INSTITUTO POLITÉCNICO NACIONAL Departamento de Ingeniería Eléctrica SEPI-ESIME Zacatenco I. RESUMEN En este artículo se analizan los flujos de carga bajo un enfoque estocástico; específicamente se busca obtener la cargabilidad de las líneas de transmisión. Posteriormente, se incluye en la simulación contingencias en el sistema, seleccionadas previamente debido a una clasificación de su índice de comportamiento y a su vez el índice de robustez, que es un indicador de la cercanía a la singularidad de la matriz del Jacobiano. Asimismo se observa la matriz de covarianza obtenida y con base a ésta, es posible observar el intervalo de variación de los flujos presentes en las líneas de transmisión. De esta forma, se conoce la cargabilidad para dicha línea de transmisión. Los resultados de flujos estocásticos obtenidos se comparan con simulación Monte Carlo para validación. El sistema de prueba que se usó fue el de 14 nodos IEEE. Todo el estudio se realizó bajo el estado estacionario del sistema. II. ABSTRACT In the following paper the Load Flow studies are addressed under a stochastic approach, looking forward to achieve results that lead to determine the loadability of a transmission line. Henceforth, contingencies in the system are included in the simulation, previously selected due to a performance index classification and the robustness index; which is an indicator of the closeness to the singularity of the Jacobian matrix. Likewise, the covariance matrix is observed and with it it’s possible to verify the variation range of the load flows on the transmission lines. In this manner the loadability for the transmission line is obtained. The stochastic load flows results obtained are compared with Monte Carlo simulation for validation. The test system used for this paper is the IEEE 14 buses. The whole survey is developed in the steady-state condition of the system. Palabras Clave: Simulación Monte Carlo Cargabilidad Robustez Numérica Análisis de Contingencias Flujos de Carga Estocásticos Keywords: Monte Carlo Simulation Loadability Numerical Robustness Contingency Analysis Stochastic Load Flow Studies México D.F., 19 al 23 de octubre 2015 III. INTRODUCCIÓN El estudio de flujos de potencia es actualmente la subrutina más utilizada en la planeación y operación de los Sistemas Eléctricos de Potencia. Mediante este estudio, se obtienen las magnitudes y ángulos de voltaje en cada nodo en estado estacionario. Un estudio de flujos de potencia convencional arroja solamente una “estampa” del estado del sistema, es decir, el punto de operación específico para ciertos datos de entrada. Para este trabajo, se utiliza el método de flujos estocásticos, en donde en una sola simulación, es posible conocer el intervalo de variación de los datos de salida y así obtener la cargabilidad estocástica de las líneas de transmisión del sistema. En el estudio de clasificación automática de contingencias es necesario determinar qué contingencia es más crítica con respecto a las demás en el sistema; lo cual se determina mediante el índice de comportamiento La ventaja de utilizar este índice es que su cálculo se puede hacer paralelo al estudio de flujos de potencia convencional, sólo implica programar la subrutina que conlleva obtener dicho valor. Asimismo, en busca de conocer la cercanía a la inestabilidad en el sistema, se calcula el índice de robustez del sistema mediante un análisis de de valores singulares. Este índice aparte de ser indicador de la robustez del sistema, arroja resultados para realizar una clasificación de contingencias. El único inconveniente es que requiere más tiempo de cómputo. Para obtener el se analiza la matriz del Jacobiano de la última iteración del estudio de flujos de potencia, el cual muestra, matemáticamente hablando, la cercanía a la singularidad de dicha matriz. Físicamente hablando; entre mayor sea el valor del en el sistema, más cerca se encuentra éste de la inestabilidad, justificando de esta forma un posible escenario de colapso de una o más líneas de transmisión debido a que alcanzaron su límite de cargabilidad. El estudio de flujos estocásticos se realiza sobre el sistema IEEE 14 nodos. Sobre la diagonal de la matriz de covarianza de las variables de salida, se encuentra la varianza de dichas variables, con ella se obtiene la desviación estándar y el intervalo de variación de los datos de salida. Entre estos datos de salida se encuentran los flujos de las líneas de transmisión del sistema, que es donde se puede observar la cargabilidad de 1 ARTÍCULO No. ARTÍCULO 15° CONGRESO NACIONAL DE INGENIERÍA ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015) éstas. Los resultados de flujos estocásticos se validaron con simulación Monte Carlo [1] [2], que es un método probabilístico directo; su único inconveniente es el tiempo de simulación que conlleva. IV.FLUJOS ESTOCÁSTICOS Y LA MATRIZ DE COVARIANZA El método de Flujos Estocásticos está basado en los principios estadísticos de estimación por mínimos cuadrados para sistemas lineales [3]. Dado que el estudio de flujos de potencia es un problema no lineal [4], su resolución consiste en linealizar las ecuaciones no lineales mediante la expansión de series de Taylor. Las ecuaciones de flujos de potencia, suponiendo un error o desviación que siempre existe en las variables de entrada, son las siguientes: Y debido a que el sistema tiene cero grados de libertad en la que el Jacobiano es una matriz cuadrada, entonces se tiene que: (7) Partiendo de que la ecuación (1) es no lineal, se interpreta como el valor que se alcanza luego de la convergencia en la simulación después de ciertas iteraciones en las que va cambiando su valor. Correspondiente a existe que se calcula directamente de la ecuación (2): (8) Y correspondiente al valor verdadero, pero desconocido de , esto es , así como para , siendo : (9) Asimismo, se tienen las siguientes propiedades estadísticas que son importantes mencionar: (1) Siendo ′ el vector de estado verdadero. Mediante la expansión de series de Taylor, se linealiza a (1): 0 (2) Desarrollando el álgebra correspondiente, (12) se reduce a lo siguiente, si es una matriz cuadrada: (13) 0 La ecuación (10) representa la covarianza de , indica la desviación que existe de con respecto al valor verdadero ; siendo las variables de estado del sistema. La ecuación (12) indica que la varianza es cero si existen tantas ecuaciones como incógnitas. Esto significa que la solución de la ecuación (2) ha sido obtenida, esto es 0. Otra propiedad importante es la siguiente: Donde: | ′ Donde representa el valor promedio del intervalo de posibles valores que pueden tener los datos de entrada. Asimismo, están las variables de estado del sistema, esto es ′, con las cuales se calculan los flujos de potencia. Estas variables de estado tienen un valor verdadero, aunque desconocido, que representa las condiciones en las que existirán en un punto de operación posterior. El Jacobiano es el sistema de ecuaciones que consta de las derivadas parciales de las variables de entrada con respecto a cada una de las variables de estado, evaluado en ′. El vector representa el error entre ′ y ′ . Dado que ′ no se conocerá hasta que las condiciones futuras se obtengan, puede ser descrito estadísticamente como una variable aleatoria que tiene cierta media y varianza. Lo que se busca entonces es que la esperanza matemática de sea cero, esto es: (3) 0 (14) Que se reduce a: (15) Eso quiere decir que no es posible obtener un valor de más cercano de que los datos de entrada originales . Suponiendo existen otras cantidades ′(fasores, inyecciones de potencia, flujos de potencia, etc) que se relacionan con ′, de la siguiente forma: (16) ′ ′ Mediante una expansión de series de Taylor, se linealiza a (16) y se obtiene: (17) Donde son las variables de estado del sistema y es el Jacobiano de las variables de salida con las que se relacionan. De donde se obtiene ̂ de : (18) ̂ Donde el valor verdadero de se obtiene de : Donde generalmente es una matriz diagonal que contiene la varianza de los datos de entrada. Lo que se busca bajo un enfoque de mínimos cuadrados es la minimización de la función: (19) Las propiedades estadísticas de son las siguientes: (20) ̂ (21) ̂ ̂ La ecuación (20) indica que el valor promedio de ̂ tenderá a ser el valor verdadero de , esto es, . La ecuación (21) representa la covarianza de ̂ . Sobre su diagonal se encuentra la varianza de cada una de las variables de salida relacionadas con las variables de estado. El enfoque estocástico de flujos de potencia se representa mediante los siguientes tres pasos: (4) Tendrá un mínimo cuando la derivada sea cero: 0 Se obtiene un valor de que minimiza a : (5) y se conoce como (6) 2 México D.F., 19al 23 de octubre 2015 (10) (11) (12) ARTÍCULO No. ARTÍCULO 15° CONGRESO NACIONAL DE INGENIERÍA ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015) operación de descomposición por valores singulares. Cada matriz es susceptible de contar con la factorización de descomposición por valores singulares [7]. Revisando el teorema fundamental de SVD: Teorema 1 . Por lo tanto existen matrices ortogonales tales Sea ∈ y ∈ tales que: que ∈ (25) Σ (26) 0 A 0 0 1. Flujos de Potencia Convencional. En este paso se calculan las variables de estado para cierto punto de operación. Para este artículo se programó el método Newton-Raphson completo. Se guardan estos datos y se obtienen los valores de inyecciones de potencia, flujos de potencia. 2. Cálculo de covarianza de . Se calcula la matriz de covarianza de , que ya incluye el error (incertidumbre) o variación de los datos de entrada; utilizando el Jacobiano de la última iteración de flujos de potencia y la matriz diagonal . (27) 0 ∈ Donde Σ ,⋯, , , 0 0 ⋯ 0.Se tiene que: El orden o tamaño de las submatrices se determinan por (que debe ser , ), esto es, ∈ , ∈ , ∈ , ∈ , y los sub-bloques de ceros en la matriz Σ están dimensionados adecuadamente. La demostración puede encontrarse en [8]. De acuerdo a la definición se observa que el rango de la matriz es determinado por los valores singulares diferentes de cero como se muestra en [9]. Teniendo la factorización por valores singulares, se procede a encontrar el índice de robustez de la matriz con respecto a la solución del sistema lineal. Se analizará a Σ ya que de la diagonal de esta matriz se busca: á Ahora bien, contando con estos valores, el índice de robustez / el cual representa qué tan adecuado es está definido el vector con respecto a la transformación . Este valor se utilizará en la siguiente sección y será el indicativo de la cercanía a la singularidad de la matriz del Jacobiano [10] de la última iteración del problema de flujos de potencia. (22) 3. Cálculo de covarianza de . Se calcula matriz de covarianza de los datos de salida ̂ , utilizando la matriz de covarianza de . ̂ ̂ ̂ (23) En este paso final, se guardan los valores de la diagonal de la matriz ̂ ya que en ella está la varianza de las variables de salida. Con estos datos, se obtiene la desviación estándar de dichas variables. V.CLASIFICACIÓN AUTOMÁTICA DE CONTINGENCIAS En el afán de buscar escenarios de falla que fueran los más críticos se recurrió a usar el índice de comportamiento [5] y bajo el criterio de que si existiere alguna contingencia en el sistema, se presentase con la condición de N-1, es decir, con la pérdida de uno de los elementos del sistema, ya sea línea de transmisión, transformador o un generador. Este índice indica qué tan crítica es una contingencia con respecto a otra. El índice de comportamiento se obtiene mediante la ecuación (24): ℓ ℓ 2 ℓ (24) ℓ í VII) PRUEBAS Y RESULTADOS Para este artículo, se trabajó con el sistema IEEE de 14 nodos mostrado a continuación en la figura 1. Aunque es posible que a futuro se pueda utilizar cualquier otro sistema para probar el algoritmo programado. En la Figura 1 los números negros se refieren a los nodos de carga o de paso, los números azules son los nodos PV (voltaje controlado), siendo el nodo compensador el 1, los números rojos son la numeración de los elementos (líneas y transformadores). En FORTRAN se utilizó la subrutina de IMSL para determinar el rango y el índice de robustez de la matriz de la última iteración donde converge o no el Jacobiano para cada caso. Se simularon los siguientes dos escenarios de operación: 1) Sistema sin contingencias. 2) Sistema con la salida de la línea 1. Para el caso de contingencia donde se encuentra fuera de servicio la línea 1, se seleccionó este escenario porque de acuerdo a la Tabla 1 es el panorama más crítico bajo condiciones de N-1. Ambos índices coinciden que la salida de la línea 1 es el escenario de operación más crítico al que se puede enfrentar el sistema Potencia real de la líneaℓ, (calculada mediante el modelo de flujos de Corriente Directa CD [6]). í Capacidad de potencia real de la línea ℓ. Esta capacidad se puede proponer debido a experiencia operativa del sistema o mediante simulación Monte Carlo, suponiendo una distribución gaussiana en el intervalo 3 donde ∶ desviación estándar. Número de líneas (o transformadores) en el sistema. Exponente especificado (se utiliza 1). Factor de peso. Coeficiente real que se encuentra 1. Se usa para reflejar la importancia de las entre 0 ℓ líneas. Siendo referencia la línea más cargada del sistema 1 y con respecto a ella se obtiene el factor de peso de cada línea. VI) DESCOMPOSICIÓN POR VALORES SINGULARES Y DETERMINACIÓN DEL RANGO En lo concerniente a encontrar el rango de una matriz, el cual indica si una matriz es singular o no, se tiene la 3 México D.F., 19al 23 de octubre 2015 ARTÍCULO No. ARTÍCULO 15° CONGRESO NACIONAL DE INGENIERÍA ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015) Tabla 2- Flujos Estocásticos vs. Monte Carlo, caso base sin contingencias (potencia real valores en pu) Preal DE A Figura 1‐ Sistema de prueba IEEE 14 nodos Tabla 1 Índice de comportamiento Línea fuera 1 bajo el escenario N-1 LÍMITES LÍM. SUP. F.E. LÍM. SUP. M.C. 1 2 1.56882917 1.62010744 1.733125111 1 5 0.75510343 0.775178829 0.81773544 2 3 0.73237608 0.766063255 0.830209222 2 4 0.56131549 0.576506001 0.603303987 2 5 0.41516158 0.426014789 0.442636135 3 4 -0.2328566 -0.197165417 -0.157423293 4 5 -0.6115868 -0.58740549 -0.545096898 4 7 0.28074513 0.295662675 0.307687274 4 9 0.1607995 0.169326177 0.176169224 5 6 0.44086778 0.455706861 0.471015744 6 11 0.07353763 0.080254044 0.086021679 6 12 0.07785862 0.082126915 0.08549921 6 13 0.17747155 0.187247562 0.195395729 7 8 -1.13E-09 8.8774E-09 -1.12888E-09 7 9 0.28074516 0.295663342 0.307687302 0.068173285 9 10 0.0522707 0.06131089 9 14 0.0942739 0.104858315 0.112266387 10 11 -0.037858 -0.031279968 -0.025628669 12 13 0.01614056 0.019765988 0.022476464 13 14 0.05642846 0.064002749 0.070264942 348.94 Línea fuera 1 4.293 10 218.101 3 3.116 2 151.76 10 2.928 3 129.81 2 2.514 Ahora, el escenario 2 bajo contingencias: 16 129.76 4 2.21 4 Tabla 3 - Flujos estocásticos vs. Monte Carlo, fuera línea 1 (potencia real, valores en pu) Equivalencia 128.908 7 2.187 9 127.75 13 2.02 17 13 126.56 17 1.934 126.41 16 1.846 5 125.25 12 11 122.19 12 DE A Preal LÍM ITES media LÍM. S UP. F.E. LÍM. S UP. M.C. 1 5 2.608907494 2.95387431 2.916575852 2 3 0.480645406 0.573884865 0.557183749 1.842 2 4 0.017988691 0.046235069 0.046492846 11 1.824 2 5 -0.31544647 -0.238837041 -0.258397366 121.93 9 1.811 3 4 -0.471163103 -0.34447127 -0.380003428 20 118.388 20 1.784 4 5 -1.337008226 -1.12244556 -1.199850547 18 1.783 7 0.244384811 0.260533421 0.270841843 118.24 18 4 4 9 0.139516854 0.148860497 0.154573897 19 117.905 19 1.777 5 6 0.499778726 0.532729454 0.534439428 115.95 6 1.704 6 11 0.109166274 0.123661498 0.124318142 1.703 6 12 0.082664255 0.087833228 0.090494883 6 13 0.195963482 0.210617319 0.214850112 7 8 -1.12601E-09 7.61359E-09 -1.12405E-09 7 9 0.244384814 0.260533349 0.270841848 9 10 0.017364971 0.0310088 0.034813413 9 14 0.071401697 0.081773276 0.089665642 10 11 -0.072613159 -0.05861461 -0.057988735 12 13 0.020880632 0.025109127 0.027393219 13 14 0.07922045 0.091390895 0.094335747 6 7 5 77.243 En la Tabla 2 siguiente, se compara los resultados de flujos estocásticos con simulación Monte Carlo para el caso base sin contingencias. Se toma el ejemplo de los flujos cuando estos tienen la dirección de a y en particular se observan los valores para los límites superiores del flujo de potencia, suponiendo que los flujos siguen un comportamiento normal (gaussiano): 3 4 México D.F., 19al 23 de octubre 2015 media ARTÍCULO No. ARTÍCULO 15° CONGRESO NACIONAL DE INGENIERÍA ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015) En las siguientes figuras, se observa la correspondiente función de densidad del flujo de potencia real para la línea 2 y voltaje nodo 5 (el 1 es el compensador, se mantiene constante) obtenidas mediante simulación Monte Carlo. Se elige esta línea ya que es la que tiene el mayor flujo de potencia después de la contingencia: Función de densidad de probabilidad 0.18 0.16 0.14 0.12 f(x) 0.1 0.08 0.06 Función de densidad de probabilidad - Caso 1 sin contingencias 0.2 0.04 0.18 0.02 0.16 0 0.14 f(x) 0.06 0.992 0.994 0.996 0.998 1 1.002 Gen. Extreme Value En este artículo se supondrá que la línea 2 es de 230 kV donde el SIL (potencia natural de la línea [11]) es de 145 MW. 0.04 0.02 0.7 0.72 0.74 0.76 Flujo en PU - línea 2 Histograma 0.78 0.8 0.82 ANÁLISIS CON RESPECTO AL SIL, CASO 1. Ahora bien, comparando con respecto al sistema de ≅ 82 se prueba que atañe a este trabajo donde observa que en el caso 1 la línea opera por debajo del SIL, es decir, la potencia capacitiva generada por la línea es menor a la potencia inductiva que esta consume. En este caso, la línea aporta potencia reactiva al sistema. Esto se da porque en el caso 1 no hay contingencias y el sistema opera normalmente. ANÁLISIS CON RESPECTO AL SIL, CASO 2. En el caso 2 se presenta la contingencia de la salida de la línea 1 y la línea 2 opera casi dos veces por arriba del valor del SIL cuando la línea es de 300 millas. Esto produce un aumento en el flujo de potencia, en las pérdidas de potencia y en el balance de reactivos. En este caso la potencia inductiva consumida por la línea es mayor a la potencia capacitiva que genera. Consecuentemente, el índice de robustez es mayor comparado con el caso 1. Para cuestiones de analizar la cargabilidad de la línea, se observa que para la Figura 2 y la Figura 3 no es exactamente una función de distribución normal. Pero los datos de varianza y desviación estándar de flujos estocásticos sí son coincidentes con la simulación Monte Carlo, delimitando el intervalo de variación del flujo de potencia en la línea de transmisión. Asimismo, el voltaje en el nodo 5 en el caso donde existe contingencia, se mantiene por arriba de una caída de tensión del 5% aceptable [12]; que es un criterio que se considera correcto; esto para el 100% de las pruebas realizadas en simulación Monte Carlo. Se observa que gracias a la topología de la red, este sistema es muy robusto; ya que perder la línea más crítica de acuerdo a la Tabla 1, no implica que el sistema se acerque a un posible colapso, teniendo como referencia el índice de robustez del sistema, el cual es aproximadamente 3 veces mayor al valor del caso base sin contingencias. Johnson SB Figura 2 – Función de densidad del flujo de potencia real en la línea 2, escenario sin contingencias Función de densidad de probabilidad - Caso 2 fuera línea 1 0.16 0.14 0.12 f(x) 0.1 0.08 0.06 0.04 0.02 2.4 2.5 2.6 Flujo en PU - línea 2 Histograma 2.7 2.8 2.9 Beta Figura 3 - Función de Densidad del flujo de potencia real en la línea 2, escenario: fuera línea 1 Función de densidad de probabilidad 0.22 0.2 0.18 0.16 0.14 f(x) 0.12 0.1 0.08 0.06 0.04 0.02 1.018 1.0184 1.0188 1.0192 Histograma 1.0196 x 1.02 1.0204 1.0208 1.0212 Kumaraswamy VIII) CONCLUSIONES Mediante el enfoque estocástico del estudio de flujos de potencia, es posible obtener la media del flujo de potencia alrededor de intervalos de confianza y como se pudo observar en las tablas 2 y 3, los valores no distan mucho de la simulación Figura 4 – Función de densidad voltaje nodo 5, escenario sin contingencias 5 México D.F., 19al 23 de octubre 2015 0.99 Figura 5 – Función de densidad voltaje nodo 5, escenario fuera línea 1 0.08 0 1.0176 0.988 Histograma 0.1 0 0.986 x 0.12 0 0.984 ARTÍCULO No. ARTÍCULO 15° CONGRESO NACIONAL DE INGENIERÍA ELECTROMECÁNICA Y DE SISTEMAS (CNIES 2015) Monte Carlo. Aun con la inclusión de la contingencia más crítica en el sistema, es posible utilizar este método. La principal ventaja es que es una manera rápida de conocer los intervalos de variación de los flujos de potencia en las líneas de transmisión, siempre y cuando se aproveche el teorema del límite central, esperando tener una función de distribución normal, lo cual es válido para estudios rápidos de operación. La parte más complicada de este método es sintonizar los datos de entrada cuando se forma la matriz de covarianza de , ya que es necesario detectar los nodos del sistema que son sólo de paso y proponer el valor de los datos de entrada en esos puntos. Otra ventaja de este método es que se puede agregar a un programa de flujos de potencia convencional, siempre y cuando éste se tenga acceso al código de éste. [8] A. J. Laub, «Matrix Analysis for Scientists and Engineers,» Filadelfia, Pensilvania, SIAM, 2005. [9] G. Stewart, «Matrix Algorithms,» de Volume I: Basic Decompositions, Filadelfia, Pensilvania, SIAM, 1998. [10] V. A. Venikov, V. A. Stroev, V. I. Idelchik y V. I. Tarasov, «Estimation of Electrical Power System Steady‐State Stability,» IEEE Transactions on Power Apparatus and Systems, vol. 94, nº 3, 1975. [11] D. A. Douglass, J. R. Stewart y B. Clairmont, EPRI AC Transmission Line Reference Book ‐ 200kV and Above, Palo Alto, California: Electric Power Research Institute, 2005. [12] R. D. Dunlop y P. P. Marchenko, «Analytical Development of Loadability Characteristics for EHV and UHV Transmission Lines,» IEEE Transactions on Power Apparatus and Systems,, vol. 98, nº 2, pp. 606‐617, 1979. XI) BIOGRAFÍA IX) AGRADECIMIENTOS Los autores agradecen al Instituto Politécnico Nacional, a la Sección de estudios de Estudios de Posgrado e Investigación de la Escuela Superior de Ingeniería Mecánica y Eléctrica Unidad Zacatenco y al Consejo Nacional de Ciencia y Tecnología. X) REFERENCIAS Referencias [1] E. Zio, The Monte Carlo Simulation Method for System Reliability and Risk Analysis, París: Springer, 2012. [2] D. Romero Romero y C. J. Ferrandon Cervantes, «Análisis de Cargabilidad en Líneas de Alta Tensión mediante Simulación Montecarlo,» de Séptimo Congreso Internacional de Ingeniería Electromecánica y de Sistemas (CIIES 2014), México, Distrito Federal, 2014. [3] J. F. Dopazo y A. M. Sasson, «Stochastic Load Flows,» IEEE Transactions on Power Apparatus and Systems, vol. 94, nº 2, 1975. [4] G. W. Stagg y A. H. El‐Abiad, «Computer Methods in Power System Analysis,» McGraw‐Hill, 1968. [5] G. C. Ejebe y B. F. Wollenberg, «Automatic Contingency Selection,» IEEE Transactions on Power Apparatus and Systems, vol. 98, nº 1, Febrero, 1979. [6] X. F. Wang, Y. Song y M. Irving, Modern Power Systems Analysis, Nueva York: Springer, 2008. [7] V. C. Klema y A. J. Laub, «The Singular Value Decomposition: Its Computation and Some Applications,» IEEE Transactions on Automatic Control, vol. 25, nº 2, pp. 164‐176, Abril, 1980. Dr. David Romero Romero Profesor-Investigador Titular "C" (TCE) - Member, IEEE. -Miembro del Comité Internacional de IASTED. - Doctor en Ciencias en Ingeniería Eléctrica en la Universidad de Purdue, USA, en 1984. - Maestro en Ciencias en la Universidad de Purdue, USA, 1981. - Maestro en Ciencias en Ingeniería Eléctrica. SEPI-ESIME-Zacatenco, IPN, en 1976. - Ingeniero Electricista, Escuela Superior de Ingeniería Mecánica y Eléctrica, IPN, 1974. Ing. Carlos Jesús Ferrandon Cervantes - Estudiante de 5to. Semestre, Maestría en Ciencias en Ingeniería Eléctrica, SEPI-ESIME-Zacatenco. - - Ingeniero Mecánico Electricista, Facultad de Ingeniería y Ciencias Químicas, campus Xalapa, Universidad Veracruzana, 2010. 6 México D.F., 19al 23 de octubre 2015
© Copyright 2024