Abstract
This paper presents an efficient parameter extraction method applied to GaN high electron mobility transistors. The procedure only relies on S-parameter measurements at cold bias conditions to extract the extrinsic parameters of a 19-element small-signal model. Hybrid technique of particle-swarm-optimization and direct fitting has been developed and implemented. The extraction procedure has been optimized to consider measurements uncertainty and improve the reliability of the extraction. The procedure has been validated by multibias extraction for different device sizes. A very good agreement between simulations and measurements has been obtained.

Abstract
Este artículo propone un modelo de Proyección Espacial de la Demanda (PED) aplicado a un sistema eléctrico de distribución para el corto, mediano y largo plazo, lo cual incluye la estimación de la magnitud y la ubicación geográfica de la demanda de energía eléctrica de nuevos clientes. El modelo propuesto es un híbrido tendencia-simulación y utiliza una estructura jerárquica: desde abajo hacia arriba para adicionar y analizar datos; y, desde arriba hacia abajo para asignar el crecimiento de carga en sub-áreas y micro-áreas. El enfoque de pequeñas áreas es combinado con modelos de regresión de series espacio-tiempo y análisis de tendencia, en grandes regiones. Se utilizan factores locales, de proximidad y contorno para crear un mapa de preferencias. En cada región, se asigna el crecimiento de clientes en función de los valores del mapa de preferencias y una técnica autómata celular, luego se combina este uso del suelo con los datos de la curva de carga y así se obtiene las cargas en estas pequeñas áreas. Hemos probado el modelo de PED con el sistema de distribución de CENTROSUR; el resultado es un mapa de densidad de demanda que muestra las áreas más probables donde se asignaron los nuevos clientes, proporcionando así información sobre dónde, cuánto y cuándo cambiará la demanda, con el suficiente detalle y precisión requerida. Este artículo propone un modelo de Proyección Espacial de la Demanda (PED) aplicado a un sistema eléctrico de distribución para el corto, mediano y largo plazo, lo cual incluye la estimación de la magnitud y la ubicación geográfica de la demanda de energía eléctrica de nuevos clientes. El modelo propuesto es un híbrido tendencia-simulación y utiliza una estructura jerárquica: desde abajo hacia arriba para adicionar y analizar datos; y, desde arriba hacia abajo para asignar el crecimiento de carga en sub-áreas y micro-áreas. El enfoque de pequeñas áreas es combinado con modelos de regresión de series espacio-tiempo y análisis de tendencia, en grandes regiones. Se utilizan factores locales, de proximidad y contorno para crear un mapa de preferencias. En cada región, se asigna el crecimiento de clientes en función de los valores del mapa de preferencias y una técnica autómata celular, luego se combina este uso del suelo con los datos de la curva de carga y así se obtiene las cargas en estas pequeñas áreas. Hemos probado el modelo de PED con el sistema de distribución de CENTROSUR; el resultado es un mapa de densidad de demanda que muestra las áreas más probables donde se asignaron los nuevos clientes, proporcionando así información sobre dónde, cuánto y cuándo cambiará la demanda, con el suficiente detalle y precisión requerida.

Abstract
 Debido a la incursión de nuevos electrodomésticos con alto consumo de energía, la demanda del sector residencial de una Empresa Eléctrica de Distribución puede ser incrementada de forma repentina, afectando la operación de la red eléctrica y, consecuentemente, cambiando los requerimientos de inversión para la expansión de la red. En este trabajo se utilizó una metodología compuesta por un modelo espacio temporal y un método de análisis del impacto en los circuitos de bajo voltaje de la red eléctrica. El modelo caracteriza la intención de los habitantes de la ciudad en comprar esta clase de electrodomésticos. Por otro lado, el método determina los nuevos valores de operación, voltajes y la sobrecarga que puede provocar el suministro de la demanda para estos electrodomésticos. Los resultados obtenidos proporcionan información valiosa del estado actual de las instalaciones de la Empresa Eléctrica y la tendencia del impacto, que puede causar el suministro de demanda para este tipo de cargas, en los circuitos secundarios del sistema eléctrico.

Abstract

Abstract
This paper addresses a critical analysis of the impact of the wind ramp events with unforeseen magnitude in power systems at the very short term, modeling the response of the operational reserve against this type of phenomenon. A multi-objective approach is adopted, and the properties of the Pareto-optimal fronts are analyzed in cost versus risk, represented by a worst scenario of load curtailment. To complete this critical analysis, a study about the usage of the reserve in the event of wind power ramps is performed. A case study is used to compare the numerical results of the models based on stochastic programming and models that take a risk analysis view in the system with high level of wind power. Wind power uncertainty is represented by scenarios qualified by probabilities. The results show that the reliability reserve may not be adequate to accommodate unforeseen wind ramps and therefore the system may be at risk.

Abstract
Short-term load forecasting plays an important role to the operation of electric systems, as a key parameter for planning maintenances and to support the decision making process on the purchase and sale of electric power. A particular case in this respect is the consumption forecasting on special days, which can be a complex task as it presents unusual load behavior, when compared to regular working days. Moreover, its reduced number of samples makes it hard to properly train and validate more complex and nonlinear prediction algorithms. This paper tackles this problem by proposing a new approach to improve the accuracy of the predictions amidst existing special days, employing an Information Theoretic Learning Mean Shift algorithm for pattern discovery, classifying and densifying the available scarce consumption data. The paper describes how this methodology was applied to an electrical load forecasting problem in the northern region of Brazil, improving the previously obtained accuracy held by the power company.