{"version":"1","article":{"id":"sparse-pmu-power-flow-estimation-ai-2026","slug":"sparse-pmu-power-flow-estimation-ai-2026","language":"es","url":"https://haberpaper.com/es/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=es","title":"Un modelo de IA prueba la ubicación de sensores para estimar flujos eléctricos","summary":"Investigadores vinculados a la Universidad Laval evaluaron una red neuronal que estima flujos de potencia con menos unidades de medición fasorial en la red de prueba IEEE de 30 nodos. Los resultados indican que la ubicación de los sensores puede importar más que usar el mismo número de dispositivos.","category":"energy","region":"world","topics":["ai","electrical-materials"],"published_at":"2026-10-13T20:11:53+03:00","modified_at":"2026-10-13T20:11:53+03:00","publication_basis":"publication-record","event_period":"2026-10-09","event_period_basis":"event-or-reference-period","sources":[{"name":"arXiv, Learning-Based Power Flow Estimation with Sparse PMU Deployment in Power Systems (arXiv:2610.13683)","url":"https://arxiv.org/abs/2610.13683","checkedAt":"2026-10-13","publishedAt":"2026-10-09"}],"translations":[{"language":"tr","url":"https://haberpaper.com/tr/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=tr"},{"language":"en","url":"https://haberpaper.com/en/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=en"},{"language":"ar","url":"https://haberpaper.com/ar/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=ar"},{"language":"fr","url":"https://haberpaper.com/fr/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=fr"},{"language":"es","url":"https://haberpaper.com/es/news/sparse-pmu-power-flow-estimation-ai-2026","api_url":"https://haberpaper.com/api/v1/articles/sparse-pmu-power-flow-estimation-ai-2026?lang=es"}],"data_types":[],"data":null,"data_compilations":[],"data_downloads":[],"content":{"paragraphs":["Un preprint publicado en arXiv el 9 de octubre por investigadores vinculados a la Universidad Laval y la Universidad de Michigan-Dearborn busca estimar los flujos de potencia de las ramas sin requerir mediciones sincronizadas en cada nodo de la red. El estudio probó una red neuronal con datos de unidades de medición fasorial (PMU) en el sistema de prueba IEEE de 30 nodos y 50.000 escenarios operativos. Al cambiar los nodos supervisados, los investigadores compararon la precisión de predicción y el número de PMU en cinco configuraciones.","El artículo informa de errores distintos entre configuraciones con el mismo número de dispositivos, 25 de 30 PMU: el escenario que retiró mediciones de nodos generadores registró un RMSE de 4,490 y un R² de 0,3232, mientras que la mejor configuración, que retiró mediciones de cinco nodos de carga diferentes, obtuvo un RMSE de 1,889 y un R² de 0,8802. Los autores señalan que la ubicación de los sensores importa independientemente del número de equipos. Se trata de una simulación con el sistema de prueba IEEE, no de una prueba de campo en una red de transmisión operativa; el artículo no mide costes de despliegue ni beneficios de seguridad operativa en la práctica. El trabajo es un preprint aún no revisado por pares."],"key_points":[],"sections":[]},"text":"Investigadores vinculados a la Universidad Laval evaluaron una red neuronal que estima flujos de potencia con menos unidades de medición fasorial en la red de prueba IEEE de 30 nodos. Los resultados indican que la ubicación de los sensores puede importar más que usar el mismo número de dispositivos.\n\nUn preprint publicado en arXiv el 9 de octubre por investigadores vinculados a la Universidad Laval y la Universidad de Michigan-Dearborn busca estimar los flujos de potencia de las ramas sin requerir mediciones sincronizadas en cada nodo de la red. El estudio probó una red neuronal con datos de unidades de medición fasorial (PMU) en el sistema de prueba IEEE de 30 nodos y 50.000 escenarios operativos. Al cambiar los nodos supervisados, los investigadores compararon la precisión de predicción y el número de PMU en cinco configuraciones.\n\nEl artículo informa de errores distintos entre configuraciones con el mismo número de dispositivos, 25 de 30 PMU: el escenario que retiró mediciones de nodos generadores registró un RMSE de 4,490 y un R² de 0,3232, mientras que la mejor configuración, que retiró mediciones de cinco nodos de carga diferentes, obtuvo un RMSE de 1,889 y un R² de 0,8802. Los autores señalan que la ubicación de los sensores importa independientemente del número de equipos. Se trata de una simulación con el sistema de prueba IEEE, no de una prueba de campo en una red de transmisión operativa; el artículo no mide costes de despliegue ni beneficios de seguridad operativa en la práctica. El trabajo es un preprint aún no revisado por pares.","corrections":[],"editorial_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"energy","url":"https://haberpaper.com/assets/illustrations/energy-1536.webp","width":1536,"height":1024,"alt":"Paisaje energético simbólico con paneles solares, aerogeneradores y líneas eléctricas.","language":"es"},"section_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"energy","url":"https://haberpaper.com/assets/illustrations/energy-1536.webp","width":1536,"height":1024,"alt":"Paisaje energético simbólico con paneles solares, aerogeneradores y líneas eléctricas.","language":"es"}}}