Metodología de predicción para la gestión dinámica de capacidad en líneas aéreas de alta tensión

Abstract

Este Trabajo de Fin de Grado desarrolla una metodología de predicción orientada a la gestión dinámica de la capacidad de transporte eléctrico ampacidad en líneas aéreas de alta tensión, considerando la influencia directa de las condiciones meteorológicas. Se emplea un enfoque híbrido que combina modelos térmicos normalizados CIGRE Y IEEE con técnicas de aprendizaje automático, particularmente Random Forest, para predecir tanto variables climáticas como la ampacidad de forma directa. Se construye una base de datos histórica de alta resolución a partir de registros meteorológicos reales gracias a unas estaciones meteorológicas instaladas en la línea de prueba, los cuales se utilizan para entrenar y validar modelos de predicción automática. Además, se compara el rendimiento del sistema propuesto frente a predicciones ofrecidas por servicios meteorológicos externos Open-Meteo, evaluando la precisión mediante métricas como RMSE y SMAPE. Los resultados obtenidos demuestran la viabilidad de utilizar predicciones locales para optimizar la operación de las líneas eléctricas, reduciendo restricciones y facilitando una mayor integración de generación renovable sin necesidad de ampliar infraestructuras. El sistema propuesto permite anticipar dinámicamente la capacidad disponible, mejorando así la eficiencia y flexibilidad operativa del sistema eléctrico.

This Final Degree Project develops a prediction methodology aimed at the dynamic management of the electrical transport capacity ampacity in high-voltage overhead lines, considering the direct influence of meteorological conditions. A hybrid approach is employed, combining standardized thermal models CIGRE and IEEE with machine learning techniques, specifically Random Forest, to predict both meteorological variables and ampacity directly. A high-resolution historical database is constructed from real meteorological records obtained through dedicated weather stations installed along the test line. These data are used to train and validate automatic prediction models. Furthermore, the performance of the proposed system is compared against forecasts provided by external meteorological services Open-Meteo, with accuracy evaluated using metrics such as RMSE and SMAPE. The results confirm the feasibility of using localized predictions to optimize the operation of power lines, reducing operational constraints and enabling greater integration of renewable generation without the need for infrastructure expansion. The proposed system allows for dynamic anticipation of the available capacity, thereby enhancing both the efficiency and operational flexibility of the electrical grid.