metodología para generar planes de …metodología para generar planes de restablecimiento de un...
TRANSCRIPT
Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la Variación de la
Demanda y Eventos aleatorios que afectan la capacidad de servicio.
Esteban Ocampo Ordoñez
Universidad Nacional de Colombia
Facultad de Minas, Departamento de Eléctrica y Automática
Medellín, Colombia
2015
Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la Variación de la
demanda y Eventos aleatorios que afectan la capacidad de servicio.
Esteban Ocampo Ordoñez
Tesis de investigación presentada como requisito parcial para optar al título de:
Magister en Ingeniería Eléctrica
Director (a):
IE, M.Sc, Ph.D. Germán Darío Zapata Madrigal
Línea de Investigación:
Inteligencia Computacional, Modelamiento, Simulación y Control de Sistemas Dinámicos
Grupos de Investigación:
Grupo Tele-informática y Tele-automática (T&T)
Grupo GAUNAL
Facultad de Minas, Departamento de Eléctrica y Automática
Medellín, Colombia
2015
Las Oportunidades no son buenas ni malas,
uno se debe esforzar para que se conviertan
en la mejor.
La felicidad es una actitud mental.
Agradecimientos
A Mis padres que han sido el bastón y la guía para mi camino por la vida. Por su apoyo
incondicional y por enseñarme el valor de la perseverancia y la voluntad, que son
indispensables para hacer realidad mis sueños.
A Sandra por acompañar mis sueños, y motivarme para lograrlos.
A mis hermanos, familiares y amigos que han llenado de alegría y enseñanza cada
momento que con ellos he compartido.
Al profesor Germán Zapata por el apoyo y la orientación en la realización de esta tesis.
A la Universidad Nacional y a sus profesores que han hecho de esta la mejor experiencia
de formación para forjar las herramientas del conocimiento, que me permitirán contribuir
al desarrollo de un mundo mejor.
Resumen y Abstract IX
Resumen
En este documento se evalúa la hipótesis: “Es posible aumentar la carga restablecida en
un restablecimiento parcial o total de un sistema de distribución de energía eléctrica, si
se usa una metodología para generar el plan de restablecimiento que considere la
estimación de la demanda de las zonas de carga y los eventos aleatorios que afectan la
disponibilidad de los equipos de seccionamiento.”La metodología usa modelos de
estimación de demanda obtenidos con redes neuronales artificiales y, con algoritmos
genéticos optimiza la búsqueda de una lista de reconfiguraciones posibles en la cual se
evalúan la cantidad de usuarios restablecidos, el número de operaciones, las pérdidas
de potencia eléctrica, y un indicador de desempeño de la reconfiguración en una ventana
temporal. Las pruebas se realizaron en un entorno de simulación desarrollado en Matlab.
Esta metodología permite entregar un plan de restablecimiento que garantiza la
operación eléctrica, minimiza la cantidad de usuarios desatendidos y puede llegar a
disminuir los tiempos de reconfiguración.
Palabras clave: Restablecimiento, Estimación de la demanda, Sistemas de distribución,
Redes neuronales artificiales, Algoritmos genéticos.
X Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que afectan
la disponibilidad del servicio
Abstract
This paper evaluates the hypothesis:"It is possible to increase the load restored in a
partial or complete restoration of a system of power distribution, if a method is used to
generate the recovery plan that considers the estimated demand loading areas and
random events that affect the availability of switching equipment". The methodology used
to estimate demand models obtained with artificial neural networks and genetic
algorithms to optimize the search for a list of possible reconfigurations which are
evaluated the amount of restored, the number of operations, the loss of electrical power,
and a performance indicator reconfiguration users in a time window. The tests were
conducted in a simulation environment in Matlab developed. This methodology allows to
deliver a recovery plan that ensures electric operation, minimizes the amount of
unattended users and can decrease the time of reconfiguration.
Keywords: Restoration, demand estimation, distribution systems, artificial neural
networks, genetic algorithms.
Contenido XI
Contenido
1. CAPÍTULO MARCO TEÓRICO ...................................................................... 5
1.1 Sistema de distribución de Energía Eléctrica ................................................................ 5
1.1.1 Características del Sistema de Distribución .................................................................... 6
1.1.2 Elementos de un sistema de distribución........................................................................ 8
1.1.3 Modelo de Distribución. .................................................................................................. 9
1.2 Flujo de Carga................................................................................................................ 10
1.2.1 Método escalonado. ..................................................................................................... 11
1.2.2 Método barrido iterativo. .............................................................................................. 11
1.2.3 Método de Renato Céspedes (suma de potencia). ....................................................... 12
1.2.4 Comparación entre los métodos. .................................................................................. 13
1.3 Indicadores de Calidad y Confiabilidad del Servicio de energía Eléctrica.................. 14
1.3.1 Indicadores de Continuidad del servicio ....................................................................... 15
1.3.2 Costo de la Falta de Calidad para los Usuarios ............................................................ 16
1.4 Restablecimiento del servicio en Sistemas de Distribución de Energía Eléctrica. .... 17
1.4.1 Esquemas de Automatización ...................................................................................... 18
1.4.2 Algoritmos FLISR ......................................................................................................... 20
1.5 Reconfiguración del sistema de distribución............................................................... 22
1.5.1 Métodos que usan base de conocimientos. .................................................................. 23
1.5.2 Métodos basados en optimización. .............................................................................. 24
1.6 Estimación de la Demanda ............................................................................................ 27
1.6.1 Estimación de la Demanda de Energía Eléctrica a Corto Plazo. ................................... 27
1.6.2 Modelos estadísticos ................................................................................................... 28
1.6.3 Modelos basados en inteligencia artificial. .................................................................... 29
2. CAPÍTULO PLANTEAMIENTO DEL PROBLEMA ....................................... 31
2.1 Representación Matemáticamente del Problema ......................................................... 31
2.1.1 Restricciones Topológicas ........................................................................................... 33
2.1.2 Restricciones Eléctricas ............................................................................................... 34
2.1.3 Restricciones Eventos Aleatorios ................................................................................. 34
XII Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
2.2 Funciones Objetivo ........................................................................................................ 35
2.3 Ejemplo del Problema .................................................................................................... 38
2.3.1 Ejemplo de estimación de la demanda ......................................................................... 43
3. CAPÍTULO PROPUESTA DE SOLUCIÓN ................................................... 45
3.1 Variación de la Demanda. .............................................................................................. 46
3.1.1 Consideraciones Socioculturales .................................................................................. 48
3.1.2 Consideraciones Climáticas ......................................................................................... 48
3.1.3 Algoritmo para el Almacenamiento de la Información .................................................... 49
3.1.4 Modelo del Comportamiento de la Demanda ................................................................ 51
3.1.5 Consideración de Eventos Aleatorios ........................................................................... 54
3.2 Modelado para Reconfiguración ................................................................................... 55
3.3 Vigencia de la reconfiguración y plan de Restablecimiento ....................................... 60
4. CAPÍTULO ENTORNO DE SIMULACIÓN .................................................... 61
4.1 Plataforma de Restablecimiento para un Circuito de Distribución.............................. 61
4.2 Plataforma de Simulación para un Circuito de Distribución ........................................ 67
4.2.1 Variación de la Demanda. ............................................................................................ 69
4.2.2 Consideración de Eventos Aleatorios ........................................................................... 70
4.3 Plataforma de Modelado con RNA ................................................................................ 71
5. CAPÍTULO CASO DE ESTUDIO PRUEBAS Y, RESULTADOS .................. 73
5.1 Caso de estudio ............................................................................................................. 73
5.2 Prueba de la Metodología .............................................................................................. 78
5.2.1 Calculo de las Potencias de las zonas de Carga. ........................................................ 79
5.2.2 Modelado RNA ............................................................................................................. 86
5.2.3 Prueba del entorno de restablecimiento ........................................................................ 90
5.2.4 Diseño de experimentos y pruebas. .............................................................................. 98
6. CONCLUSIONES Y RECOMENDACIONES .............................................. 107
6.1 Conclusiones ............................................................................................................... 107
6.2 Recomendaciones ....................................................................................................... 109
Contenido XIII
Lista de figuras
FIGURA 1. UBICACIÓN DEL SISTEMA DE DISTRIBUCIÓN DENTRO DE UNA RED DE POTENCIA [1]. .................. 6
FIGURA2. IEEE 123 NODOS CON LA SIMPLIFICACIÓN [46]. ........................................................................... 9
FIGURA 3 ESQUEMA SIMPLIFICADO DE LA RED DE 123 NODOS IEEE. ......................................................... 10
FIGURA 4MODELO DE NODO DE CARGA Y NODO FUENTE EN UN SISTEMA DE DISTRIBUCIÓN. [45] ............ 12
FIGURA 5. ESQUEMA GENERAL DE UN PERCEPTRÓN MULTICAPA. ............................................................. 29
FIGURA 6 REPRESENTACIÓN DE UN LAZO CERRADO EN UN CIRCUITO DE DISTRIBUCIÓN. .......................... 33
FIGURA 7 ESQUEMA DEL MODELO DE DISTRIBUCIÓN USADO PARA REPRESENTAR LAS ETAPAS DEL
RESTABLECIMIENTO.......................................................................................................................... 39
FIGURA 8 EVENTO DE FALLA PERMANENTE EN LA ZONA 1 ......................................................................... 40
FIGURA 9 SE AÍSLA LA FALLA DES ENERGIZANDO LA ZONA 1. ..................................................................... 40
FIGURA 10 OPCIÓN 1 PARA EL RESTABLECIMIENTO DE LA ZONA 2 ............................................................. 41
FIGURA 11 OPCIÓN 2 PARA EL RESTABLECIMIENTO DE LA ZONA 2 ............................................................. 41
FIGURA 12. VARIACIÓN DE LA DEMANDA TOPOLOGÍA 1 ............................................................................ 43
FIGURA 13. VARIACIÓN DE LA DEMANDA TOPOLOGÍA 2. ........................................................................... 43
FIGURA 14 DIAGRAMA DESCRIPTIVO DE LA METODOLOGÍA DE RESTABLECIMIENTO PROPUESTA. ............ 45
FIGURA 15. CURVA DE DEMANDA SECTOR RESIDENCIAL [48]. .................................................................... 47
FIGURA 16. CURVA DE DEMANDA SECTOR COMERCIAL [48]. ..................................................................... 47
FIGURA 17. CURVA DE DEMANDA SECTOR INDUSTRIAL [48] ...................................................................... 47
FIGURA 18. ALGORITMO PARA IDENTIFICAR LAS POTENCIAS DE CADA ZONA DE CARGA ............................ 50
FIGURA 19. POTENCIA EQUIVALENTE EN LAS ZONAS DE CARGA................................................................. 50
FIGURA 20 DESCRIPCIÓN DEL ALGORITMO PARA OBTENER LOS MODELOS RNA ........................................ 52
FIGURA 21DESCRIPCIÓN DEL FUNCIONAMIENTO DE UNA NEURONA ......................................................... 52
FIGURA 22. REPRESENTACIÓN DE LA RNA PARA CADA MODELO DE ESTIMACIÓN. ..................................... 53
FIGURA 23. DESCRIPCIÓN DE LA SUMA DE PESOS PARA LA REPRESENTACIÓN MATEMÁTICA DE LARNA. .... 53
FIGURA 24. CODIFICACIÓN DEL PROBLEMA. .............................................................................................. 55
FIGURA 25 REPRESENTACIÓN DE UN VECTOR DE PADRES .......................................................................... 58
FIGURA 26. REPRESENTACIÓN DE UN VECTOR DE HIJOS. ........................................................................... 58
FIGURA 27. CRUZAMIENTO Y MUTACIÓN. ................................................................................................. 58
FIGURA 28. DESCRIPCIÓN DEL ALGORITMO GENÉTICO MEDIANTE DIAGRAMA DE FLUJO ........................... 59
FIGURA 29. INTERFACE DEL ENTORNO DE PRUEBAS DE RESTABLECIMIENTO.............................................. 62
FIGURA 30 CONFIGURACIÓN DE LOS TIPOS DE ESTIMACIÓN PARA REALIZAR EL RESTABLECIMIENTO. ........ 63
FIGURA 31 ESTIMACIÓN DE LA DEMANDA DE ACUERDO CON LA CONFIGURACIÓN DEFINIDA. .................. 63
FIGURA 32. MODIFICAR LA TOPOLOGÍA PARA CONFIGURAR LAS CONDICIONES PARA RESTABLECIMIENTO.
......................................................................................................................................................... 64
FIGURA 33. RESULTADOS DEL CÁLCULO DEL FLUJO DE CARGA. .................................................................. 64
FIGURA 34. CONFIGURACIÓN DEL ALGORITMO GENÉTICO......................................................................... 65
XIV Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
FIGURA 35. RESULTADOS PARA LA RECONFIGURACIÓN DEL SISTEMA ........................................................ 65
FIGURA 36 RESULTADOS DE EVALUACIÓN DE LA VIGENCIA. ....................................................................... 66
FIGURA 37. REPORTE GENERADO EN CADA SIMULACIÓN, FORMATO HTML ............................................... 66
FIGURA 38. CARGA DEL MODELO DEL CIRCUITO DE DISTRIBUCIÓN. .......................................................... 68
FIGURA 39. INTERFACE DE SIMULACIÓN DEL SISTEMA DE DISTRIBUCIÓN. .................................................. 68
FIGURA 40. IINCIDENCIA DE LAS VARIABLES SOCIOCULTURALES Y CLIMÁTICAS EN EL CONSUMO DE
ENERGÍA ELÉCTRICA. ......................................................................................................................... 69
FIGURA 41. INTERFACE PARA CONFIGURAR EL NÚMERO DE FALLAS POR AÑOS. ........................................ 70
FIGURA 42. INTERFACE DE LA APLICACIÓN PARA LA OBTENCIÓN DE MODELOS RNA. ................................. 71
FIGURA 43. DIAGRAMA TOPOLÓGICO DEL CIRCUITO. ................................................................................. 73
FIGURA 44. SIMPLIFICACIÓN DEL UNIFILAR DEL MODELO DE DISTRIBUCIÓN. ............................................. 75
FIGURA 45. TIPOS DE ESTRUCTURAS COMUNES EN DISTRIBUCIÓN............................................................. 77
FIGURA 46. REPRESENTACIÓN DEL CIRCUITO EN EL ENTORNO DE SIMULACIÓN. ........................................ 78
FIGURA 47. CURVAS CARACTERÍSTICAS DE CADA SECTOR. ......................................................................... 79
FIGURA 48. CURVA CARACTERÍSTICA DE LAS ZONAS DE CARGA .................................................................. 80
FIGURA 49. CARGAS CONECTADAS A LA S/E 2 ............................................................................................ 81
FIGURA 50. CURVA DE DEMANDA DE LAS CARGAS CONECTADAS A LA S/E 2 .............................................. 81
FIGURA 51ESTADO DEL CIRCUITO EN LA HORA 468 ................................................................................... 82
FIGURA 52. ESTADO DEL CIRCUITO EN LA HORA 469 ................................................................................. 82
FIGURA 53. CURVA DE DEMANDA DE LA S/E 1 Y DE LAS ZONAS Z1 Y Z2. ................................................... 83
FIGURA 54. CURVA DE DEMANDA DE LA S/E 1 Y DE LAS ZONAS Z1 Y Z2 EN LA HORA 470. ......................... 83
FIGURA 55. ESTADO DEL CIRCUITO EN LA HORA 300. ................................................................................ 84
FIGURA 56. ESTADO DEL CIRCUITO EN LA HORA 310 ................................................................................. 84
FIGURA 57. CURVA DE DEMANDA DE LA S/E 3........................................................................................... 84
FIGURA 58. ESTADO DEL CIRCUITO EN LA HORA 580. ................................................................................ 85
FIGURA 59. ESTADO DEL CIRCUITO EN LA HORA 590. ................................................................................ 85
FIGURA 60. CURVA DE DEMANDA DE LA 4 S/E........................................................................................... 85
FIGURA 61. CURVA DE DEMANDA ZONA 1 ................................................................................................. 87
FIGURA 62. CURVA DE DEMANDA ESTIMADA Y LA REAL, DATOS DE VALIDACIÓN Y AJUSTE AL MODELO. .... 88
FIGURA 63. RED NEURONAL ARTIFICIAL (RNA) DE LA ZONA DE CARGA 1. ................................................... 88
FIGURA 64. CONFIGURACIÓN DEL EVENTO DE RESTABLECIMIENTO ........................................................... 90
FIGURA 65. CONFIGURACIÓN DE LA CONDICIÓN DEL DESPEJE DE LA FALLA................................................ 90
FIGURA 66. ESTADO DEL SISTEMA DESPUÉS DEL DESPEJE DE LA FALLA. ...................................................... 91
FIGURA 67. VENTANA DE CONFIGURACIÓN DE LA BÚSQUEDA DE MEJOR RECONFIGURACIÓN. .................. 91
FIGURA 68. RESULTADOS DE LA BÚSQUEDA DE MEJOR RECONFIGURACIÓN.............................................. 92
FIGURA 69. ALTERNATIVA DE RESTABLECIMIENTO N° 1 MENOR NÚMERO DE MANIOBRAS. ...................... 93
FIGURA 70. PLAN DE RESTABLECIMIENTO ALTERNATIVA 1. ........................................................................ 93
FIGURA 71. ALTERNATIVA DE RESTABLECIMIENTO N° 3 MENOR NÚMERO DE PÉRDIDAS .......................... 94
FIGURA 72. PLAN DE RESTABLECIMIENTO ALTERNATIVA 3 ......................................................................... 94
FIGURA 73. EVALÚA VIGENCIA DEL RESTABLECIMIENTO DE LAS PRIMERAS 4 ALTERNATIVAS. .................... 95
FIGURA 74. CONDICIONES PARA LA SIMULACIÓN TEMPORAL .................................................................... 99
FIGURA 75. RED PERCEPTRÓN MULTICAPA. ............................................................................................. 114
FIGURA 76. DESCRIPCIÓN DE UNA NEURONA ARTIFICIAL ......................................................................... 114
FIGURA 77. FUNCIONES DE ACTIVACIÓN. ................................................................................................. 115
Contenido XV
Lista de tablas
TABLA 1. CONSOLIDADOS DE ANÁLISIS DE MANTENIMIENTO [57] ............................................................. 16
TABLA 2.RESUMEN DE EVALUACIÓN PARA IMPLEMENTACIÓN DE ESQUEMA ENEL, INTELLITEAM Y KEPCO.20
TABLA 3. DESCRIPCIÓN DEL USO DEL FLISR EN UN SISTEMA DE DISTRIBUCIÓN [59] ................................... 21
TABLA 4. ANÁLISIS DE VENTAJAS Y DESVENTAJAS DE LOS MÉTODOS MENCIONADOS ................................ 25
TABLA 5. VARIABLES REQUERIDAS PARA MODELO DE ESTIMACIÓN DE LA DEMANDA. ............................... 51
TABLA 6. INFORMACIÓN ELÉCTRICA PARA LAS ZONAS DE CARGA DE CIRCUITO .......................................... 76
TABLA 7. INFORMACIÓN ELÉCTRICA PARA LAS LÍNEAS QUE CONECTAN LOS CIRCUITOS ............................. 76
TABLA 8. INFORMACIÓN ELÉCTRICA PARA LAS SUBESTACIONES DEL CIRCUITO .......................................... 77
TABLA 9. INFORMACIÓN ELÉCTRICA PARA LLEVAR LAS VARIABLES DEL CIRCUITO A POR UNIDAD .............. 77
TABLA 10. AJUSTE DEL EFECTO DE LOS EVENTOS ALEATORIOS EN EL COMPORTAMIENTO DE LA DEMANDA.
......................................................................................................................................................... 79
TABLA 11CONFIGURACIÓN DE EVENTOS DE MANTENIMIENTO Y DE FALLA. ............................................... 81
TABLA 12. POTENCIAS CALCULADAS CON EL ALGORITMO Y MEDIDA EN LA SUBESTACIÓN ........................ 82
TABLA 13. MEDIDA EN LA SUBESTACIÓN EN LA HORA 469. ........................................................................ 82
TABLA 14. CUADRO DE VARIABLES ASUMIDAS PARA LOS MODELOS DE ESTIMACIÓN. ............................... 86
TABLA 15. ARQUITECTURAS Y RESULTADOS OBTENIDOS PARA LOS MODELOS DE ESTIMACIÓN. ................ 87
TABLA 16 ARQUITECTURAS Y RESULTADOS OBTENIDOS PARA LOS MODELOS DE ESTIMACIÓN .................. 89
TABLA 17. RESULTADOS DE LA RECONFIGURACIONES POSIBLES. ............................................................... 92
TABLA 18 COMPARACIÓN DE RESULTADOS PRUEBA 1. .............................................................................. 96
TABLA 19. COMPARACIÓN DE RESULTADOS PRUEBA 1. ............................................................................. 96
TABLA 20. RESULTADOS DE ESTIMACIÓN USANDO MODELOS RNA. .......................................................... 96
TABLA 21. RESULTADOS ESTIMACIÓN MÁXIMA POTENCIA INSTALADA. .................................................... 97
TABLA 22. RESULTADOS DE ESTIMACIÓN BASADO EN LA POTENCIA PREFALLA. ........................................ 97
TABLA 23. RESUMEN CASOS DE PRUEBA ................................................................................................... 98
TABLA 24. EVENTOS DE FALLAS ............................................................................................................... 100
TABLA 25. EVENTOS DE MANTENIMIENTO .............................................................................................. 100
TABLA 26 .RESULTADOS TEMPORAL CASO 1 ............................................................................................ 102
TABLA 27. RESULTADOS EN ESCENARIOS CASO 1 ..................................................................................... 102
TABLA 28. RESULTADOS TEMPORAL CASO 2 ............................................................................................ 103
TABLA 29. RESULTADOS EN ESCENARIOS CASO 2 ..................................................................................... 103
TABLA 30. RESULTADOS TEMPORALES CASO 3 ........................................................................................ 104
TABLA 31. RESULTADOS EN ESCENARIOS CASO 3 ..................................................................................... 104
TABLA 32. PRUEBA TEMPORAL ............................................................................................................... 105
TABLA 33. ESCENARIO 1 (MANTENIMIENTO SECC1 Y FALLA S/E 2) ......................................................... 105
TABLA 34 . ESCENARIO 2 (MANTENIMIENTO SW2 Y FALLA S/E 3 ) ......................................................... 105
XVI Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Contenido XVII
Lista de abreviaturas
Abreviatura Término
SP: Sistemas de Potencia.
OR: Operador de Red.
SDL: Sistema de Distribución Local.
ENS: Energía No Suministrada.
DNA: Demanda no atendida.
SAIDI: Índice de la duración promedio de las interrupciones en el sistema (Por su sigla en
inglés, System Average Interruption Duration Index).
SAIFI: Índice de la Frecuencia promedio de las interrupciones en el sistema (Por su sigla
en inglés, System Average Interruption Frequency Index).
RNA: Red neuronal artificial
AG : algoritmo genético
FLISR: algoritmo de localización de falla, asilamiento y restablecimiento
IED: (Intelligent Electronic Device), es un dispositivo que realiza funciones de protección
eléctrica, este permite el monitoreo de variables, ejecuta algoritmos para la toma de
decisiones en el control local y puede comunicarse con otros dispositivos y directamente
a un sistema SCADA.
Introducción
Mantener la confiabilidad del servicio de energía eléctrica es de suma importancia,
debido a que una falla en el servicio ocasiona grandes pérdidas económicas para las
empresas y el comercio, insatisfacción en los usuarios, multas y pérdidas económicas
para las empresas de distribución. Para mejorar la confiabilidad existen dos opciones; la
primera aminorar las fallas con mejoras en mantenimientos, en protecciones, en sistemas
de respaldo, entre otras; la segunda es reducir los efectos de la falla, al disminuir los
tiempos de restablecimiento y la demanda desatendida.
Cuando ocurre una falla permanente en los sistemas de distribución se debe localizar,
aislar y realizar una reconfiguración de la red, además de hacer un plan de reconexión de
las cargas, teniendo en cuenta la prelación de las zonas, la demanda al momento de la
reconexión y la Potencia disponible; todo este proceso de restablecimiento parcial o total
se debe llevar en el menor tiempo posible y con la menor cantidad de operaciones para
garantizar la eficiencia y el éxito de restablecimiento del sistema de distribución[67-102].
Para resolver el problema, debido a que este se compone de varias etapas y posee
múltiples objetivos, se han usado diferentes algoritmos, que aplican en una o a varias
etapas diferentes técnicas como sistemas expertos [72-75], lógica difusa [68,69],
modelos de eventos discretos[70-72],técnicas evolutivas [76-80],técnicas heurísticas [81-
82], sistemas multiagentes [83-96],entre otras. En los software comerciales que se usan
actualmente, estos algoritmos para el restablecimiento se definen como FLISR (faul
location, isolation, system restoration) [58,61-63].
Actualmente en los sistemas de distribución de energía eléctrica se está migrando a las
redes inteligentes [64-67]; estas usan sensores de medición en línea que permiten el
monitoreo constante de las variables del sistema, dispositivos automáticos de conexión,
sistemas de telecomunicaciones, grandes bases de datos y software que usan técnicas
2 Introducción
computacionales y presentan toda una estructura de procesamiento de la información
que mejora las condiciones de operación [58-96].
Con el uso de la generación distribuida y su integración al sistema de distribución
[101-102], así como la masificación del transporte con energía eléctrica, se
introduce un aumento de la variabilidad de las cargas y de los flujos de potencia
[98-100]. Por lo tanto, empieza a ser necesario estudiar y analizar el
comportamiento de la demanda para operar y restablecer el sistema.
A lo largo de los últimos 18 años han surgido diferentes propuestas que empiezan
a considerar la variación de la demanda en el restablecimiento y la reconfiguración
de los sistemas de distribución [97-100]. Se han usado patrones o perfiles de carga
de acuerdo al tipo de sector, residencial, industrial o comercial; también modelos de
estimación en nodos para los cuales se tiene medición. En general estos permiten
mejorar las condiciones de reconfiguración [101], Sin embargo, en la literatura
revisada no se ha considerado la caracterización de la variación de la demanda y
los eventos aleatorios que afectan la capacidad del servicio para entregar mayor
conocimiento en el restablecimiento y en la operación del sistema
La integración de estas nuevas tecnologías a los sistemas eléctricos trae consigo
cambios que brindan un panorama renovado de posibilidades y requerimientos
para los algoritmos de restablecimiento.
Actualmente se han desarrollado herramientas de software que facilitan el proceso
de restablecimiento como los FLISR; Sin embargo, estos comúnmente usan una
programación establecida para las decisiones y no suelen considerar el
comportamiento de la demanda, lo que puede llevar a casos en los cuales la
potencia servida no llegue a su máximo posible. Por lo tanto, si se considera
modelos de caracterización de la variación de la demanda y eventos de naturaleza
aleatoria que afectan la disponibilidad de energía en una metodología para generar
planes de restablecimiento, se podrían obtener mejores resultados en términos de
la demanda restablecida.
Introducción 3
Hipótesis
Si se considera la variación de la demanda y eventos de naturaleza aleatoria que afectan
la disponibilidad de energía, se obtendrían mejores resultados en la reconfiguración de
un sistema de distribución inteligente para el restablecimiento del servicio de energía en
términos de la demanda servida.
Objetivo General
• Proponer una metodología que permita definir planes de restablecimiento del
sistema de distribución de energía eléctrica, considerando la caracterización de la
variación de la demanda y eventos de naturaleza aleatoria que afecten la
capacidad de servicio.
Objetivos Específicos.
• Identificar las técnicas más usadas en el restablecimiento y en la estimación de la
demanda del sistema de distribución.
• Seleccionar las técnicas que serán usadas en la metodología para la estimación
de la demanda y para el restablecimiento del sistema, de acuerdo con su
fiabilidad y facilidad de implementación.
• Desarrollar un algoritmo que permita identificar modelos de variación de la
demanda de las secciones de carga a partir de los datos de medición, y eventos
de naturaleza aleatoria que lo afectan.
• Integrar en una Metodología los modelos de estimación de la demanda, las
restricciones causadas por los eventos aleatorios, para obtener planes de
restablecimiento del sistema de distribución.
• Validar mediante simulación la metodología desarrollada en un caso de estudio
para diferentes escenarios de restablecimiento
4 Introducción
Metodología • Determinar las técnicas más adecuadas para el restablecimiento y la estimación de la
demanda de los sistemas de distribución por medio de la revisión de la literatura.
• Programar en Matlab las técnicas de optimización, los modelos de estimación y el
entorno para probar el caso de estudio.
• Establecer la Metodología para generar planes de restablecimiento, considerando
eventos aleatorios, y la variación de la demanda.
• Probar mediante simulaciones la metodología en diferentes escenarios de
restablecimiento.
• Evaluar los resultados por medio de análisis de sensibilidad y comparar con otras
condiciones de estimación.
Alcances del Trabajo
1. Obtener planes de restablecimiento que dependen de la demanda y la energía
disponible minimizando la carga desatendida.
2. Considerar los eventos de naturaleza aleatoria que afectan la demanda y la
capacidad de servicio en el proceso de Restablecimiento.
3. Estimar la demanda de las secciones de carga a partir de los datos de medición de
entrada y salida de la sección y eventos de naturaleza aleatoria que lo afectan.
4. Caracterización más precisa de la demanda al usar un algoritmo para recopilar la
información de la variación de la demanda considerando:
a. Eventos en los equipos que afectan la configuración del sistema (fallas,
mantenimientos, reconfiguraciones)
b. Eventos socioculturales
c. Eventos ambientales
5. Identificar los efectos de usar modelos de estimación hallados considerando lo
anterior, versus usando estimación a partir de la medición anterior a la falla
6. Usar ventanas temporales para evaluar la vigencia del plan de restablecimiento.
(Predecir la vigencia de la reconfiguración del sistema de distribución en términos de
la predicción de la variación de la demanda)
1. Capítulo Marco Teórico
En este capítulo se presenta una revisión de conocimientos acerca de: Sistemas de
distribución de Energía Eléctrica, Métodos para cálculos de flujos de carga,
Restablecimiento en sistemas de distribución, Técnicas de reconfiguración y Técnicas de
estimación de la demanda Todo esto se presenta como base teórica para desarrollar el
problema propuesto en el capítulo 2.
1.1 Sistema de distribución de Energía Eléctrica
La función de estos sistemas es conectar las subestaciones de distribución con los
usuarios para entregar la energía eléctrica utilizando líneas de cable aéreas o
subterráneas. Estas líneas salen de la subestación y forman una estructura radial que se
extiende por toda el área de distribución para abastecer los centros de cargas, que
pueden estar ubicados en zonas urbanas o rurales. A continuación se presenta las tres
subdivisiones que conforman dicho sistema [1,4]:
• Subestación de Distribución: está compuesta por equipos de transformación
que permiten llevar los niveles de alta tensión a media tensión y de equipos de
seccionamiento que permiten la operación de los circuitos de transmisión y los circuitos
primarios de distribución.
• Circuito Primario: están encargados de repartir la energía a los circuitos
secundarios. Estos circuitos recorren los grandes centros de consumo y de acuerdo con
la configuración de los interruptores, pueden formar diferentes topologías.
• Circuito Secundario: son circuitos de menor capacidad de potencia, están
conectados a los ramales del circuito primario por medio de los transformadores que
permiten reducir los niveles de tensión de acuerdo con la necesidad del usuario final.
Mantienen una topología radial.
Cada una de estas subdivisiones se presenta gráficamente en la Figura 1.
6 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Figura 1. Ubicación del sistema de distribución dentro de una red de potencia [1].
1.1.1 Características del Sistema de Distribución
Las redes de distribución presentan características particulares que los diferencian de las
redes de transmisión [4]. Entre estas se distinguen:
• Topologías radiales
• Múltiples conexiones (monofásicas, bifásicas.)
• Cargas de distinta naturaleza
• Líneas con parámetros de resistencias comparables a la reactancia
• Líneas sin transposiciones
Los sistemas de distribución son típicamente radiales, el flujo de potencia nace solo de
un nodo. Este nodo principal se reconoce como la subestación que alimenta el resto de la
red. En la subestación se reduce el voltaje de nivel de alta tensión, a media tensión
(M.T), comúnmente se utiliza para el control de tensión en lado de M.T, un transformador
con cambiador de derivación o en su defecto, un banco de condensadores.
En las horas de mayor demanda, fluye mayor corriente por las líneas, lo que provoca
una mayor caída de tensión en las mismas, para compensar los niveles de voltaje en las
líneas, se pueden usar compensadores capacitivos.
Capítulo 1 7
La distribución se hace de acuerdo a los tipos de usuarios. Los residenciales o
comerciales se alimentan en baja tensión y los industriales, se alimentan en media o en
baja tensión según los requerimientos [1,4].
En estos sistemas se pueden encontrar muchos tipos de conexiones trifásicas, bifásicas,
o monofásicas. En media tensión predominan las redes trifásicas, sin embargo, suelen
encontrarse cargas bifásicas. En baja tensión se encuentra mucha variedad de
conexiones, debido a que la mayoría de las cargas residenciales son monofásicas. Los
desequilibrios que se generan se tratan de amortiguar repartiendo equitativamente las
cargas en las tres fases.
En los sistema de distribución la resistencia de las líneas es comparable a su reactancia,
generalmente la razón X/R tiene un amplio rango de variación, donde puede llegar a ser
bastante menor que uno [1,4].
La naturaleza desbalanceada de impedancia y cargas de estos sistemas no hace
atractiva la transformación a componentes simétricas [2,5], debido a que la imposibilidad
de desacoplar y modelar el sistema como una red de una secuencia hace más complejo
el análisis del flujo de potencia.
Los sistemas de distribución en la actualidad han ido incrementando su nivel de
automatización, la capacidad de medición, las comunicaciones, la velocidad de las
computadoras; todo esto permitirá monitorear y operar los equipos con una mayor
facilidad y confiabilidad frente a eventos como mantenimientos, fallas y restablecimiento
del sistema.
Para obtener el mayor provecho de estas nuevas tecnologías, se requieren software, y
herramientas matemáticas y computacionales que faciliten el análisis, mejoren la
confiabilidad y la operación del sistema de distribución.
8 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
1.1.2 Elementos de un sistema de distribución
Un sistema de distribución posee diferentes tipos de equipos y elementos, que permiten
la operación, medición, control y protección, entre otros. Se describen a continuación las
características de los equipos que se usaran para probar la hipótesis propuesta en este
documento.
Cuchilla: Equipo de maniobra que permite abrirse y cerrarse con el fin de
conectar o desconectar un tramo de la red de otro. Su operación siempre es de
tipo local. La cuchilla es un equipo de operación monopolar.
Suiche: Equipo de maniobra que se instala en un circuito de distribución y que
permite abrirse y cerrarse con el fin de conectar o desconectar un tramo de la red
de otro. Dependiendo de la tecnología del suiche su operación puede ser local o
remota. Se considera un equipo de operación tripolar y que además tienen un
medio de aislamiento, generalmente en aceite, SF6, o sólido, que permite realizar
operaciones bajo carga.
Reconectador: Es un equipo o dispositivo para protección eléctrica que se
encarga de interrumpir el flujo de corriente en un circuito al censar condiciones
anormales en este, y a su vez, posee la capacidad de abrir y cerrar un número
determinado de veces. De igual forma que el suiche permite seccionar un tramo
de red para conectar o desconectar una sección del circuito de otra. Se tienen
reconectadores de operación tripolar y monopolar; Su operación puede ser local o
remota. El equipo posee un medio de aislamiento y extinción de arco para permitir
sus operaciones bajo carga y falla. Son controlados por un IED que les permite
usar algoritmos de operación automática frente a fallas o maniobras del sistema;
también pueden ser operados remotamente y cuentan con instrumentación para
la medición de variables en puntos de conexión.
Equipo de seccionamiento: es un equipo que permite desconectar o conectar
eléctricamente un tramo del circuito de otro. Para el trabajo en cuestión se
pueden considerar equipos de seccionamiento las cuchillas, los suiches y los
reconectadores.
Zona: Tramo de un circuito de la red de distribución que contiene clientes
conectados a este (zonas de carga) y se encuentra dividido por dos equipos de
seccionamiento o trasferencia, uno aguas abajo y el otro aguas arriba
(seccionamiento – seccionamiento o seccionamiento – transferencia). El circuito
de distribución se puede dividir en varias zonas, lo que permite fraccionar la carga
que se tiene conectada por medio de operaciones de apertura y cierre de los
equipos de seccionamiento que separan una zona de otra.
Capítulo 1 9
1.1.3 Modelo de Distribución.
Para representar el sistema de distribución, que permita evaluar la hipótesis con la
metodología y los algoritmos propuestos, es necesario realizar una simplificación de la
red usando los componentes descritos en el ítem anterior. El modelo del sistema se
simplifica al obtener un equivalente por zonas de carga, definidas entre los equipos de
seccionamiento. En la Figura2 se presenta un ejemplo usando el sistema de prueba de
123 nodos de IEEE.
Este sistema consta de 123 nodos, de los cuales 85 son nodos de carga y uno de
alimentación, contiene además 118 segmentos de líneas entre aéreas y subterráneas, un
transformador, 4 reguladores de voltaje, 4 capacitores y 12 interruptores.
1
3
4
5 6
2
7 8
12
1114
10
2019
22
21
1835
37
40
135
33
32
31
2726
25
28
2930
250
4847
4950
51
44
45
46
42
43
41
3638
39
66
6564
63
62
60160 67
5758
59
54535255 56
13
34
15
16
17
96
95
94
93
152
9290 88
91 89 87 86
80
81
8283
84
78
8572
73
74
75
77
79
300111 110
108
109 107
112 113 114
105
106
101
102
103104
450
100
97
99
68
69
70
71
197
151
150
61 610
9
24
23
251
195
451
149
350
76
98
76
7
1
25
43
7
6 8
910
11
Figura2. IEEE 123 nodos con la simplificación [46].
En la Figura2 se presenta el sistema de 123 nodos de la IEEE, separados por zonas
enumeradas del 1 al 11, cada zona es un equivalente de la carga contenida. Para
representar esto se usan nodos como se observa en la Figura 3las líneas que unen los
nodos, son los equipos de conexión (reconectadores, suiches o cuchillas).
10 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
En la Figura 3, se muestra la representación simplificada del sistema IEEE de 123 nodos,
esta contiene 11 nodos o zonas de carga, 12 equipos de seccionamiento y 4
subestaciones o puntos de alimentación al circuito. Con esta simplificación se facilita la
prueba y los cálculos para evaluar la hipótesis.
Figura 3 Esquema simplificado de la red de 123 nodos IEEE.
1.2 Flujo de Carga
Un flujo de carga me permite obtener la información del comportamiento de las corrientes
y voltajes en el circuito, de acuerdo con las condiciones de potencia consumida en los
nodos de carga y potencia entregada por las subestaciones. En el proceso de
restablecimiento, se usa para validar que las reconfiguraciones de la red, cumplan las
condiciones eléctricas como límites de tensión, cantidad de carga en las líneas,
estabilidad de potencia, entre otros. Por lo tanto para el desarrollo de la metodología, se
escogerá, un método de cálculo de flujo de carga. A continuación se realiza una breve
descripción de algunos de los métodos usados en los sistemas de distribución.
Los métodos tradicionales para realizar flujos de cargas como Newton–Raphson,
Newton–Raphson desacoplado, presentan dificultad debido al amplio rango de variación
de X/ R. Por otro lado, el método de Gauss Seidel directo, o Matriz de impedancias,
presenta leve mejorías, pero presenta un gran uso de memoria, estos métodos no
funcionan bien para los sistemas de distribución, debido a que este tiene características
especiales como la topología radial y el amplio rango de variación de X/R [36].
Para los sistemas de distribución se han mejorado los métodos de flujo de potencia que
requieren de una topología radial, los más usados son:
• Método Escalonado
• Método Barrido iterativo
• Método de Suma de potencia (Renato Céspedes)
S/E
S/E
S/E
S/E
11
1
2
3
4
5
6
7 8
9
10
1112
1
3
7
9
10
2
6
4
85
Capítulo 1 11
Estos métodos presentan mejores características de convergencia que los métodos
tradicionales según se exponen en [37- 41].
1.2.1 Método escalonado.
Este método resuelve la red aguas arriba (hacia el nodo fuente, la subestación),
suponiendo previamente un perfil de tensión, aplicando directamente las leyes de
corriente y voltaje de kirchoffs hasta llegar al nodo fuente y de este modo se obtiene un
nuevo perfil de tensión para la próxima iteración. La convergencia se logra cuando el
voltaje que resulte del nodo fuente sea el especificado.
El método escalonado tiene como desventaja el limitar la profundidad de los sub
alimentadores (rama desde la cual se derivan otras) del sistema, pues cada uno de ellos
necesita de sub-iteraciones, además, su característica de convergencia no es buena para
sistemas con nivel de carga superior a 1 en p.u. [41].
1.2.2 Método barrido iterativo.
Este método se realiza en dos etapas consecutivas. En la primera etapa (barrido de
corrientes), se aplica la primera ley de kirchhoff a todos los nodos, empezando por los
terminales hasta llegar a la subestación, en la segunda etapa (barrido de voltajes), se
aplica la segunda ley de kirchhoff para obtener las caídas de tensión en la red,
comenzando desde la subestación hasta los nodos terminales y utilizando los datos
encontrados en la primera etapa [35,41].
Barrido de Corriente (Barrido hacia adelante)
Para realizar este proceso, se requiere que las ramas del sistema se encuentren
jerarquizadas por niveles, de tal manera que al calcular la corriente en una rama ya se
conozcan las corrientes de las ramas de los niveles inferiores, se considera un perfil de
tensión inicial, generalmente y por facilidad, se consideran voltajes planos (1L 0º en p.u.),
además, las líneas se modelan a través de su equivalente serie [35, 41]. Teniendo en
cuenta lo anterior, las inyecciones de corriente y los flujos de corrientes por las líneas se
calculan con las siguientes expresiones respectivamente:
𝐼𝑛𝑒𝑡 = 𝑃 + 𝑗𝑄
𝑉 ∗
𝐼𝑘 = 𝐼𝑑𝑘 + 𝐼𝑗𝑘𝑗𝜖Ω𝐾
𝐼𝑘 :Corriente por la línea k.
𝐼𝑑𝑘 : Corriente demandada en el nodo de recibo de la línea k
𝐼𝑗𝑘 : Corriente de la línea j que está conectada al nodo de recibo de la línea k
Ω𝑘 : Conjunto de líneas conectadas al nodo de recibo de la línea k
12 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Barrido de voltaje (Barrido hacia atrás)
En este proceso, primero se realiza el ordenamiento nodal y luego, se aplica la siguiente
expresión para calcular la tensión en todos los nodos partiendo del nodo fuente [10]
𝑉𝑘𝑟𝑒𝑐𝑖𝑏𝑜 = 𝑉𝑘𝑒𝑛𝑣𝑖𝑜 − 𝐼𝑘 ∗ (𝑅𝑘 + 𝑗𝑋𝑘)
𝑉𝑘𝑒𝑛𝑣𝑖𝑜 ∶ Tensión en el nodo de envio de la línea k.
𝐼𝑘 ∶ Corriente por la línea k
𝑅𝑘 ∶ Resistencia de la línea k
𝑋𝑘 ∶ Reactancia de la línea k
1.2.3 Método de Renato Céspedes (suma de potencia).
Para realizar el análisis de flujo de los sistema de distribución se hace uso del algoritmo y
las ecuaciones (1, 2 y 3) presentadas en [45], este permite obtener de manera más
sencilla el cálculo de los valores de voltaje y corrientes del sistema, sin considerar el
Ángulo fasorial, el cual hace más complejo dicho cálculo.
Figura 4Modelo de nodo de carga y nodo fuente en un sistema de distribución. [45]
𝑉𝑟4 + 2 ∗ 𝑃𝑅 + 𝑄𝑋 − 𝑉𝑠
2 ∗ 𝑉𝑟2 + 𝑃2 + 𝑄2 ∗ 𝑅2 + 𝑋2 = 0 (1)
S= lugar del nodo fuente
r= lugar de nodo carga o nodo receptor
𝑉𝑠= magnitud del voltaje del nodo fuente
𝑉𝑟= magnitud del voltaje nodo carga o nodo receptor
P, Q Potencia Activa y Reactiva de la carga
R, X resistencia y reactancia de las ramas
La ecuación (1) tiene una solución sencilla y no depende del Ángulo de la fase, lo que
simplifica la formulación del problema. En las dos soluciones que resultan para 〖V_r〗^2
únicamente se considera el valor positivo de la raíz cuadrada de la solución de la
ecuación cuadrática, que da un valor real.
Capítulo 1 13
P y Q son requeridos para la solución propuesta, estos son la suma de carga
alimentadas por el nodo r, conteniendo la carga del nodo, todas las otras cargas
alimentadas a través de este, incluyendo las pérdidas. En otras palabras P y Q es el
exacto equivalente de la red conectada al nodo r. Las pérdidas activa y reactiva también
se calculan con (2 y 3).
𝐿𝑝 =𝑅∗ 𝑃2+𝑄2
𝑉𝑟2 (2) 𝐿𝑞 =
𝑋∗ 𝑃2+𝑄2
𝑉𝑟2 (3)
Metodología propuesta en [45]
1) Lea los datos de la red, incluyendo los parámetros, descripción de la topología,
magnitudes de voltaje en las fuentes, nodos, carga a voltaje nominal.
2) Asuma una magnitud de voltaje para cada nodo para la inicial estimación de carga y
el cálculo de las cargas dependientes de las magnitudes del voltaje.
3) Realice el cálculo equivalente para cada nodo, sumando todas las cargas de la red
del alimentador conectadas a través del nodo, incluya perdidas, realice esto desde los
nodos finales hasta el nodo fuente. (Iteración aguas arriba.)
4) Inicie desde el nodo fuente, y usando la ecuación (1), calcule el voltaje de carga (Vr)
para todas las cargas. (Iteración aguas abajo) desde los nodos fuentes hacia los nodos
finales.
5) Con los nuevos voltajes, vuelve calcular las pérdidas. Si el total de la variación de
las pérdidas con respecto al valor calculado es más grande que el error especificado,
repita el paso (3), de lo contrario calcule las corrientes.
1.2.4 Comparación entre los métodos.
En [35, 36, 41] se presenta un análisis comparativo para los tres métodos presentados,
en la comparación para un porcentaje de carga normal, se presentan los mismos
resultados con casi el mismo número de iteración, sin embargo, cuando se trabaja con
una cargabilidad igual o sobre 1.5 p.u, los resultados muestran que el método de suma
de potencia converge mejor.
La robustez del método de suma de potencias se explica porque, al aumentar las
potencias en el proceso aguas arriba, el error que existe cuando la barra fuente es
alcanzada envuelve sólo las potencia de las pérdidas y no potencia de las cargas. Las
pérdidas son siempre una pequeña fracción de las cargas. Esto muestra que el método
de suma de potencias puede ser más confiable [36].
Por simplicidad de los cálculos para la evaluación de la hipótesis, se usa el método de
suma de potencias como flujo de carga monofásico.
14 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
1.3 Indicadores de Calidad y Confiabilidad del Servicio de energía Eléctrica
El objetivo de disminuir los tiempos de un restablecimiento y los efectos de este, es
mejorar la calidad en el servicio, en este ítem busca describir algunos indicadores y como
son usado para incentivar a los operadores de red a mejorar la calidad del servicio.
Internacionalmente la calidad del servicio de energía ha sido considerada de tres formas
[56-57]:
Calidad del producto técnico (calidad de la potencia)
Regulación de voltaje y Frecuencia
Contenido de armónicos de las ondas de tensión y corriente
Flicker
Factor de potencia
Transitorios electromagnéticos rápidos y fluctuaciones de tensión.
Continuidad del servicio(DES-FES, SAIDI –SAIFI-CAIDI, TTIK-FMIK)
Indicador de duración de la interrupción del servicio
Indicador de frecuencia de la interrupción del servicio
Calidad de aspectos comerciales
Para evaluar la hipótesis se consideran los que afectan la continuidad del servicio, por lo
tanto es necesario definir cuáles de estas interrupciones son medidas con los
indicadores.
Las interrupciones que se consideran se clasifican en:
Instantáneas (igual o inferior a un minuto),
Transitorias( superior a 1 y menor o igual a 5)
Temporales (mayor a cinco minutos)
Las interrupciones que no se tiene en cuenta para el cálculo son
Interrupciones instantáneas.
Interrupciones por racionamiento de emergencia o programadas del sistema
eléctrico nacional debidas a insuficiencias de la generación nacional.
Interrupciones por seguridad ciudadana y solicitada por organismos de socorro o
autoridades competentes.
Suspensiones o cortes del servicio por incumplimiento de contratos de servicio
público.
Capítulo 1 15
1.3.1 Indicadores de Continuidad del servicio
En Colombia la CREG en su resolución 070 de 1998 estableció los índices DES y FES
como normas para medir la calidad del servicio de energía, estos indicadores se evalúan
de la siguiente forma [35],
DES: cantidad total de tiempo en horas de las interrupciones del servicio en un circuito,
acumuladas mes a mes durante el tiempo transcurrido en cada trimestre
𝐷𝐸𝑆 = 𝑇𝑖
𝑁𝑇𝐼
𝑖=1
NTI = Numero total de interrupciones en el tiempo establecido
Ti = tiempo en horas de la interrupción
FES: cantidad total del número de veces que el servicio es interrumpido en un circuito,
acumuladas mes a mes, durante el tiempo transcurrido en cada trimestre.
𝐹𝐸𝑆 = 𝑁𝑇𝐼
Estos indicadores se suelen calcular a nivel de subestación. En el mundo existen otro
tipo de indicadores para medir la calidad del servicio de energía, reconocidos por la
IEEE, y que van orientados al consumidor, algunos de esto son:,
SAIDI (Tiempo Promedio De La Interrupción)
Indica la duración de la interrupción para el promedio de los consumidores durante un
periodo de tiempo predefinido. Esto es comúnmente medido en minutos u horas de
interrupción, matemáticamente esta expresado por la ecuación [56]
𝑆𝐴𝐼𝐷𝐼 = 𝐷𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑡𝑒𝑟𝑟𝑢𝑝𝑐𝑖ó𝑛
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑜𝑟𝑒𝑠
𝑆𝐴𝐼𝐷𝐼 = 𝑟𝑖 ∗ 𝑁𝑖
𝑁𝑡
ri = tiempo de restablecimiento para cada evento de interrupción
Ni = Numero de consumidores interrumpidos en un evento reportado
Nt = Numero total de consumidores en area del servicio
SAIFI(Frecuencia promedio de la interrupción)
Indica la frecuencia con la que el cliente promedio experimenta una interrupción
sostenida durante un periodo de tiempo predefinido. Matemáticamente, esto se da en la
Ecuación [56]
𝑆𝐴𝐼𝐹𝐼 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑜𝑟𝑒𝑠 𝑖𝑛𝑡𝑒𝑟𝑢𝑚𝑝𝑖𝑑𝑜𝑠
𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑜𝑟𝑒𝑠
𝑆𝐴𝐼𝐹𝐼 = 𝑁𝑖
𝑁𝑡
16 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Para la medición de los indicadores se definen cuatro grupos que dependen del número
de usuarios como se presenta a continuación [57].
Grupo 1 usuarios ubicados en cabeceras municipales con población superior o
igual a los 100.000 habitantes.
Grupo 2 usuarios ubicados en cabeceras municipales entre 50000 y 100000
habitantes
Grupo 3 usuarios ubicados en cabeceras municipales con población inferior a los
50000 habitantes
Grupo 4 usuarios ubicados por fuera del área urbana.
Según el estudio presentado en [57] como concepto técnico sobre procedimientos
operativos, tiempos admisibles y frecuencias en la ejecución de mantenimiento
programado, se presenta la siguiente tabla obtenida de dicho estudio.
Tabla 1. Consolidados de análisis de Mantenimiento [57]
Resultados
promedio en
Grupo de calidad
Frecuencia
[Número de
años/mtto]
Duración
[horas]
[Horas/
Año]
I 2,8 12 4,3
II 3,1 18,4 5,9
III 3,9 33,3 8,5
IV 3,9 34,8 8,9
1.3.2 Costo de la Falta de Calidad para los Usuarios
El índice usado para medir la el costo de la falta de calidad en el servicio, es la energía
no suministrada ENS, a esta se le asigna un costo que debe ser suficiente para generar
incentivos a que se invierta para evitarlo. El valor asignado a la ENS, se asume de
acuerdo al costo de oportunidad que le dan las empresas a la energía.
Para reflejar de mejor forma el costo de la energía no servida al usuario y para mejorar
la señal de incentivo a los operadores de la red de tal forma que prefieran invertir en el
adecuado mantenimiento y reposición de sus redes antes que pagar las
compensaciones, se usa la función VEC (valoración económica de la continuidad) Esta
asigna un costo a la frecuencia de las interrupciones y otro a la duración de acuerdo al
tipo de usuario y al grupo de calidad en el que se encuentre. En [57] se presenta la
explicación detallada de esta función.
Capítulo 1 17
1.4 Restablecimiento del servicio en Sistemas de Distribución de Energía Eléctrica.
El proceso de restablecimiento en los sistemas de distribución es complejo y de interés
para las empresas de distribución de energía eléctrica, debido a que una respuesta
rápida para resolver las contingencias del sistema, dan confiabilidad y calidad al servicio.
En el mundo desde hace más de 20 años se vienen realizando investigaciones y
desarrollando sistemas que facilitan cada una de las etapas del restablecimiento y que
dan apoyo a la toma de decisiones.
El desarrollo de las tecnologías ha marcado la capacidad para resolver el problema
usando una o varias técnicas como herramientas para resolver las etapas que posee el
restablecimiento.
Inicialmente las herramientas de apoyo que surgieron permitían almacenar el
conocimiento de los operadores y de esta manera facilitar la toma de decisiones,
algunas de las técnicas más representativas que se usaron para ello fueron los sistemas
expertos, técnicas heurísticas basadas en reglas, las redes de Petri y la lógica difusa.
Como se expone a continuación:
En [64-65] se realizan desarrollos de sistemas expertos que determinan planes de
restablecimiento. Estas técnicas requieren suficiente trabajo para representar una gran
base de conocimiento y el diseño de un eficiente motor de inferencia para extraer
conclusiones de un gran volumen de reglas basadas en el conocimiento.
De [67-69] se exponen técnicas heurísticas, que se basan en el conocimiento del
operador del sistema de distribución, este se representa por medio de reglas heurísticas
y de los métodos de programación convencional logrando un esquema adecuado que se
presenta como una herramienta en el restablecimiento para los operadores de los
sistemas de distribución.
La técnica de redes de Petri se han usado ampliamente en el restablecimiento del
sistemas de distribución [70-72], una de las ventajas de esta técnica es que permite
obtener modelos gráficos del conocimiento, además permite representar la configuración
del sistema de manera sistemática a través de un modelo estructurado con paralelismo y
sincronización de los eventos que se producen.
Dado que las necesidades de los operadores y las reglas heurísticas son a menudo
expresadas en términos lingüísticos, es de gran utilidad las técnicas de lógica difusa que
han sido usadas en [73,74] para la minería de datos, y en conjunto con sistemas expertos
para hacer más eficiente la solución del problema de restablecimiento.
La automatización de los sistemas de distribución ha permitido mejorar las condiciones
para realizar el proceso de restablecimiento, al contar con automatismos, equipos
inteligentes y equipos de medición de la red, datos en tiempo real. Se ha logrado
18 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
implementar diversas metodologías que integran diferentes técnicas para cada una de
las etapas del restablecimiento como técnicas basadas en el conocimiento, técnicas de
optimización que han permitido reducir los tiempos del corte del servicio y aumentar la
demanda restablecida.
El proceso de restablecimiento posee varias etapas, que dependiendo de la ubicación, de
la magnitud del evento de falla y de las circunstancias para restablecer van a tener mayor
o menor complejidad. Cada etapa cuenta con procedimientos y restricciones que se
deben tener en cuenta para que el proceso resulte exitoso, a continuación se describe
cada uno de estos:
1. Preparación del sistema
Se debe identificar la zona fallada, e identificar las causas de la falla, para tomarlas
en cuenta en el plan de restablecimiento, además de esto, se debe actualizar la red
con los elementos fallados y zonas falladas.
2. Planeación de operaciones
Se identifica la capacidad disponible en las subestaciones, la demanda a restablecer,
los equipos disponibles para operación, y el orden de prioridad de las cargas. Con
esto se crea un plan de operaciones sobre los equipos de conexión que cumpla con
las restricciones operativas del sistema.
3. Ejecución del plan.
Después de haber realizado los cálculos, se deben ejecutar todas las operaciones
establecidas en el plan. De esta manera se restablece el servicio a los usuarios.
Las etapas de planeación y ejecución también se pueden realizar a la par, hasta finalizar
el restablecimiento.
1.4.1 Esquemas de Automatización
Un esquema de automatización define la operación y control, para los sistemas de
distribución, este se compone de equipos de seccionamiento automáticos, equipos de
medición para el monitoreo de las variables, y sistemas de control que ejecuten los
algoritmos para la toma de decisiones frente a los eventos que ocurra. Adicionalmente,
un esquema también define la cantidad, tipo y ubicación de los equipos en la red de
distribución y las lógicas o algoritmos que pueden ejecutarse de forma centralizada o
distribuida.
Actualmente existen diferentes Esquemas de automatización, su operación depende del
tipo de los eventos que se presentan, lo más común son fallas locales que pueden ser
resueltas con algoritmos de control distribuido por medio de lógicas de recierres con
reconectadores. Sin embargo estos esquemas pueden no funcionar optimizando la
operación, y pueden quedar limitados hasta el aislamiento de la falla cuando las
Capítulo 1 19
condiciones de un evento son complejas. A continuación se describe brevemente
algunos esquemas que son usados en la actualidad.
ESQUEMA ENEL
La automatización de la red, según ENEL, significa la introducción de un sistema capaz
de operar ubicación de fallas, aislamiento y restauración del servicio automáticamente,
sin intervención del hombre [59].
La automatización en media tensión está basada en un grupo de autómatas, los cuales,
pueden ser programados, activados, desactivados y ajustados por mensajes adecuados
desde el centro de control. Además, pueden operar detección y selección de fallas a
través de acciones simples y retardos disparados localmente por dos señales:
Presencia/ausencia de voltaje en la línea de entrada.
Intervención del detector de falla.
ESQUEMA INTELLITEAM
En el año 2003, el Sistema Automático de Restablecimiento IntelliTeam II fue
introducido por S&C Electric Company. Este, es un sistema automático patentado que
usa la inteligencia distribuida y la comunicación punto a punto para conmutar y aislar las
secciones de línea falladas y restaurar la potencia en las secciones de línea no falladas
[61]. Usa una técnica conocida como Pulse Finding que permite con el recierres por
pulsos restaurar el servicio sin depender de la comunicación,
Los principios de operatividad de IntelliTeam II son simples y se presentan a
continuación:
La misión de cada equipo es mantener la potencia en ese segmento de línea,
usando la fuente de potencia normal siempre y cuando sea posible.
Cada equipo se comunica con su equipo vecino a través de controles que ellos
comparten en común. La capacidad en exceso de un equipo vecino es una
posible fuente de restablecimiento que está disponible en el interruptor
compartido.
Si un equipo no fallado experimenta extensivas pérdidas de voltaje, su entrenador
evalúa el exceso de capacidad de equipos vecinos y transfiere carga al primer
equipo que tenga suficiente capacidad. La fuente alterna puede ser más que un
equipo; el intercambio de datos asegura que se comparta el exceso de capacidad
y las decisiones de coordinación. El orden en que las fuentes alternas están
especificadas puede ser priorizado.
20 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
ESQUEMA KEPCO
Korea Electric PowerCorp (KEPCO) ha desarrollado e instalado el Sistema de
Automatización de Distribución (DAS). Este incluye más funciones remotas, creación de
diagramas de operación de red y relés de protección, cálculo de las corrientes de falla,
evaluación de red, automatización de alimentadores, simulaciones usando datos en
tiempo real, reconfiguración de alimentadores para minimización de pérdidas y balance
de carga [63].
En la Tabla 2se presentan los datos de entrada, función, ventajas y desventajas de la
implementación los esquemas mencionados.
Tabla 2.Resumen de evaluación para implementación de esquema ENEL, IntelliTeam y KEPCO.
Metodología Datos de entrada Función Ventajas Desventajas
ENEL
Detectores de falla
(FD), Detectores
de Voltaje (VD) y
tiempo
Ubicación de
fallas, aislamiento
y restauración del
servicio
automáticamente,
sin intervención
del hombre.
Fácil
implementación,
buena información
del método.
Recierres que
estresan el
sistema
IntelliTeam
Voltaje, corriente y
tiempo. Exceso de
capacidad y
decisiones de
coordinación de
equipos vecinos.
Recierres por
pulsos, el sistema se
estresa poco en los
recierres,
coordinación
bidireccional,
decisiones según
exceso de
capacidad.
Costoso, difícil
implementación.
Necesidad de
equipos de
IntelliTeam.
KEPCO Voltaje, corriente y
tiempo.
Fácil
implementación
Recierres que
estresan el
sistema
1.4.2 Algoritmos FLISR
Los algoritmos que realizan localización de la falla, aislamiento, y restablecimiento de
manera automática en los esquemas de automatización son conocidos como FLISR
(Faul location, isolation, system restoration), estos algoritmos traen ventajas debido a que
permiten reducir el tiempo y la cantidad de personas que quedan sin servicio eléctrico
como se observa en la Tabla 3 tomada de la información encontrada en [59],Cuando se
usa un algoritmo FLISR se puede tener una reducción de tiempo de hasta 50 minutos
para restablecer los usuarios que están en zonas por fuera de la falla.
Capítulo 1 21
Tabla 3. Descripción del uso del FLISR en un sistema de distribución [59]
Pasos de evento de falla
permanente
Sin FLISR Con FLISR
Tiempo [min] Tiempo [min]
Ocurre la falla
5 a 10 1 a 5
Se aísla la falla
y restablece las
secciones
sanas Se reporta la falla
Tiempo de transporte al lugar 15 a 30 15 a 30
Investigación de la falla
15 a 20
5 a 10
Tiempo de patrullaje
Localización de la falla
Tiempo de Operación Manual
de seccionamiento 10 a 15
Se aísla la falla y
restablece las
secciones sanas
Normalización del sistema 60 a 240 60 a 240
Estos algoritmos de operación, pueden tener un control centralizados o distribuido, y
usan diferentes técnicas para la ejecución de cada una de las etapas del
restablecimiento. Con estos se logra la auto reparación de la red ante eventos de falla
permanente. Además de aumentar la confiabilidad y la inteligencia del sistema de
distribución.
22 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
1.5 Reconfiguración del sistema de distribución
Para realizar la reconfiguración se debe cambiar la estructura de la red, para ello se
tienen como variables de decisión el estado de apertura o cierre de los interruptores o
seccionadores de las líneas.
Para que la solución de reconfiguración del sistema sea adecuada, es necesario seguir
ciertas restricciones físicas y operativas, estas son:
• Mantener la topología radial de los ramales.
• Abastecer a todas las cargas del sistema.
• No exceder los límites térmicos de líneas, transformadores y equipos.
• Los niveles de voltaje deben estar dentro de los rangos permitidos.
Por medio de la reconfiguración se logra alterar la estructura topológica del sistema de
distribución para fines de operación, restablecimiento o planeación.
Las funciones objetivo más usuales en el problema de la reconfiguración de un sistema
de distribución, suelen ser las pérdidas de potencia, los perfiles de voltajes, la
confiabilidad del sistema, el desbalance de fases, entre otros.
La reconfiguración consiste en optimizar una o varias funciones objetivo sujetas a
restricciones de la red. Esto se ha clasificado como un problema complejo de decisión,
debido a las no linealidades de la función objetivo y de las restricciones, además de
poseer un espacio de búsqueda que depende de las posibles combinaciones de apertura
y cierre de los equipos de seccionamiento [1].
La investigación en reconfiguración está orientada en:
• Técnicas de búsqueda rápida que eliminen opciones de seccionamiento no
factibles.
• Utilización de técnicas computacionales para obtener solución óptima.
• Implementación de flujos de carga radial que permitan rápidamente chequear
las restricciones operativas.
• Modelos de los diferentes tipos de carga que permitan una buena aproximación
al comportamiento real.
Para la reconfiguración del sistema se emplean diferentes métodos, que se pueden
clasificar en dos grupos estos se describen en los dos ítems siguientes:
Capítulo 1 23
1.5.1 Métodos que usan base de conocimientos.
Los métodos basados en el conocimiento: Se fundamentan en la experiencia de los
operadores sobre las maniobras del sistema, por lo tanto, para la implementación de
estos se requiere tener una base de conocimiento acerca de la operación y
funcionamiento del sistema. Algunos de los métodos son: las redes neuronales, los
sistemas expertos, la lógica difusa, entre otros.
Técnicas con Lógica difusa: Esta técnica tiene importancia en el direccionamiento de la
búsqueda y generalmente se utiliza combinada con los métodos heurísticos. Para una
búsqueda más eficiente, este método define unos coeficientes que cuantifican las reglas
heurísticas y permiten orientar la búsqueda. Esta técnica parte de la red enmallada y las
decisiones se toman para retornar a una red radial con menores pérdidas que las
iníciales. Para ello se definen tres índices, calculados a partir de un flujo de carga de la
red enmallada y los parámetros de la línea. Las decisiones de apertura se dan en los
tramos donde las corrientes son más bajas, lo cual sucederá donde exista poca
diferencia de tensión entre los nodos y la impedancia sea grande [28,33].
Técnicas utilizando sistemas Expertos: Esta técnica se utiliza como apoyo en la toma
de decisiones del operador y no para tomar las decisiones en forma autónoma. A partir
de la experiencia del operador, se extraen reglas sobre las maniobras tendientes a
reducir las pérdidas de potencia en el sistema, Con todas las reglas se crea la base de
conocimiento. En este método utiliza el sistema SCADA para tener información de las
variables de voltajes y corrientes y asi definir el estado del sistema. El sistema experto
realiza la inferencia en la base de conocimiento de acuerdo con el estado operativo del
sistema y presenta al operador las maniobras que se pueden realizar [28,29].
Técnica utilizando Redes Neuronales Artificiales: Esta técnica parte de una estructura
o arquitectura seleccionada para la red. Se entrena con valores de entrada y de salida,
las entradas definirían un estado del sistema que requiera una reconfiguración, y las
salidas serían una nueva reconfiguración mejor que la entrada, teniendo una gran lista
de estas parejas de información entrada-salida, se entrena la red usando un algoritmo de
aprendizaje, el cual determinará los pesos de las interconexiones de las neuronas para
que la relación entradas-salidas, corresponda con las condiciones deseadas para el
funcionamiento de la red. En este método no se utiliza el flujo de carga para verificar las
restricciones, debido a que no se modelan las restricciones de tipo operativo. Esta
técnica se ha utilizado para la reducción de pérdidas de potencia [28,34].
24 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
1.5.2 Métodos basados en optimización.
Los métodos basados en optimización. Estos por medio de algoritmos de búsqueda,
exploran el espacio de soluciones para encontrar un óptimo local o global. Como
ejemplos, están los algoritmos genéticos, colonias de hormigas, búsqueda Tabú,
técnicas, y métodos de programación lineal, entre otros.
Técnicas de Programación Lineal: Esta es una técnica de optimización matemática,
donde se formula el problema como la optimización de una función objetivo sujeta a un
conjunto de restricciones que son de tipo operativo. Por lo tanto, para el caso de los
sistemas de distribución no es necesaria la utilización de un flujo de carga. Un ejemplo
para la reconfiguración de los sistemas de distribución puede ser: como función objetivo,
el costo total de llevar la potencia suministrada de una fuente a cada uno de los puntos
de carga del sistema, siguiendo dos restricciones, la potencia suministrada a cada una de
las cargas debe ser menor o igual a la potencia suministrada por la fuente y la potencia
suministrada a cada una de las cargas debe ser igual a la potencia demandada [28].
Técnica de Algoritmos Genéticos: Estos se basan en los mecanismos de selección y la
genética natural. El procedimiento de optimización se inicia generando un conjunto de
soluciones que se denominan padres, las cuales deben cumplir con las restricciones de
tipo operativo. A esta etapa se le conoce como etapa de evaluación. Partiendo de esto,
se generan copias idénticas de los padres que cumplen mejor con la especificación de
objetivos, en este caso, se escogerían los padres que mejor cumplan con las
restricciones del problema, esto con el fin de garantizar que los individuos más aptos
tengan mayores posibilidades en las etapas siguientes. Con las nuevas copias obtenidas
se generan nuevas soluciones que se denominan hijos, a esta se le denomina
recombinación. Ocasionalmente, se modifica una de las soluciones para evitar
estancamientos en la evolución, a esta etapa se le denomina mutación. El proceso se
detiene cuando han transcurrido un número definido de generaciones o cuando no se
obtienen mejores individuos (soluciones) [28,32].
Técnicas de colonia de hormigas: esta es una técnica con enfoque de optimización
caja –negra cuyo objetivo es maximizar una función objetivo conforme a un sistema de
restricciones no lineales. Estos algoritmos se basan en el comportamiento de las
hormigas que poseen la capacidad de encontrar trayectorias más cortas a sus fuentes de
alimento sin ayuda visual, usando una sustancia química llamada feromona que
depositan mientras caminan para marcar sus caminos. Inicialmente, un grupo de
individuos explora la superficie sin una dirección predeterminada. Después de que se
encuentra el alimento, los individuos regresan a la colonia. Mientras que todos los
individuos viajan aproximadamente a la misma velocidad, las trayectorias más cortas
tienen una tendencia a contener un alto nivel de feromonas porque más individuos lo han
Capítulo 1 25
utilizado. Después de un periodo a corto plazo, las diferencias entre los depósitos de
feromonas en las rutas son bastante grandes para influenciar la decisión de los nuevos
individuos, que se decidirán por las trayectorias más cortas, produciendo una
regeneración al sistema que contribuye y promueve el uso de las mejores trayectorias
[31].
Técnica búsqueda Tabú, a diferencia de otros algoritmos basados en técnicas
aleatorias de búsqueda de soluciones cercanas, se caracteriza porque utiliza una
estrategia basada en el uso de estructuras de memoria para escapar de los óptimos
locales, en los que se puede caer al moverse de una solución a otra por el espacio de
soluciones. Este algoritmo se dota, por tanto de una “memoria” donde se almacenan los
últimos movimientos realizados, y que puede ser utilizada para recordar aquellos
movimientos que hacen caer de nuevo en soluciones ya exploradas. Esta “memoria”
serviría para impedir la evolución hacia esas soluciones [30]. Para aplicar esta técnica a
la reconfiguración del sistema, se plantean las siguientes etapas del proceso:
• Evaluación de una solución de reconfiguración: se determinan los flujos de
potencia radial, así como las tensiones en los nodos. Se evalúan las restricciones
definidas para la optimización del problema.
•Movimientos para la búsqueda de una nueva solución: a partir de la solución
dada, se definen nuevas soluciones al realizar cambios en la topología,
manteniendo la radialidad y las demás restricciones.
•Lista Tabú, los elementos de la red de potencia asociados a los cambios en las
últimas m iteraciones son almacenados en una lista tabú, estos movimientos se
prohíben para las futuras soluciones, asegurando la búsqueda diversificada de la
solución.
•Región Vecina de una solución. Se define como el conjunto de soluciones que
pueden ser obtenidas de una solución dada al aplicar los movimientos; de este
grupo de soluciones se escogen las mejores y se evalúan los objetivos.
Tabla 4. Análisis de ventajas y desventajas de los métodos mencionados
Métodos Ventaja Desventajas
Lógica difusa La implementación del método es
simple, se puede aplicar a grandes
sistemas.
La velocidad computacional es
satisfactoria.
No se garantiza un óptimo global.
El buen funcionamiento del método
depende de la calidad de la base de
conocimientos
Sistemas
expertos
El problema se puede modelar de una
manera sencilla.
Si el modelo es bueno y las reglas son
simples, la velocidad computacional es
satisfactoria
No se garantiza un óptimo global
Debido a la dependencia a la base de
conocimientos.
La implementación de este no se
puede generalizar.
26 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Redes
Neuronales
El algoritmo es simple y sus tiempos
de ejecución son muy cortos.
El modelo requiere que la red
neuronal sea entrenada para cada
sistema; esta función de
entrenamiento es dispendiosa y
requiere mucho tiempo.
Este método no garantiza que se
encuentre una solución óptima.
Si la red de distribución cambia o se
renueva, se debe volver a entrenar la
red neuronal.
Programación
lineal
Permite obtener una solución óptima. El modelo matemático del sistema es
bastante complejo.
Para poder ser aplicado se requiere
linealizar la función objetivo en el
caso de reconfiguración
Algoritmos
Genéticos
Permite encontrar óptimos globales.
Permite optimizar más de una
función objetivo simultáneamente.
El método de búsqueda requiere
altos tiempos de cómputo.
Colonias de
Hormigas
Permite encontrar óptimos globales
Permite optimizar más de una función
objetivo simultáneamente.
El método de búsqueda requiere
tiempos de cómputo elevado pero
menores a los AG.
La implementación del método es
más elaborada que los AG
Búsqueda
Tabú
Permite encontrar óptimos globales
El método es mucho más rápido que
los AG y CH.
A pesar de ser más rápido que el
AG y el CH, no es posible
implementarse en tiempo real.
Según la revisión realizada a los métodos para realizar la reconfiguración, se optara por
usar Algoritmos Genéticos debido a que permite optimizar más de una función objetivo
simultáneamente, además los tiempos de búsqueda se pueden reducir, al usar reglas
heurísticas que contemplen las restricciones operativas de la red y al realizar un
modelado simple para la formulación del problema como algoritmo genético.
Capítulo 1 27
1.6 Estimación de la Demanda
Para realizar el restablecimiento es necesario conocer la demanda aproximada de las
cargas que se van a restablecer. Su variabilidad a lo largo del día es posible aproximarla
por medio de las curvas de demanda obtenidas con los registros históricos, sin embargo,
estas también se ven afectadas por otros factores como el clima, la época del año, el día,
entre otros. La importancia de una estimación precisa radica en que, si se tiene un valor
de alta precisión con respecto al dato real, se podrá tener mayor conocimiento para las
etapas del restablecimiento.
1.6.1 Estimación de la Demanda de Energía Eléctrica a Corto Plazo.
Los modelos de estimación de la demanda en el sector eléctrico son usados para la toma
de decisiones operativas y de planeación en diferentes ámbitos como: el mercado de
energía eléctrica, la planeación de la construcción de centrales de generación, el diseño
industrial, el diseño de redes de distribución y transmisión.
Al tomar las decisiones basadas en las predicciones de dichos modelos se logra
responder a la incertidumbre sobre el cambio a futuro en el consumo de energía
eléctrica, estos modelos pueden realizarse a largo, mediano o a corto plazo, presentando
menor incertidumbre de estimación estos últimos. En el restablecimiento de distribución
se suele usar modelos a corto plazo para predecir la demanda que se tendría en las
horas después de un apagón, y con esto, planear la reconfiguración del sistema.
Al presente se han realizado gran cantidad de publicaciones sobre nuevos y mejores
métodos para el pronóstico de la demanda de electricidad. Estos modelos tiene una
precisión en la estimación que depende directamente de la complejidad de sus variables,
el horizonte de pronóstico, el comportamiento no lineal y las limitantes que poseen las
metodologías usadas para la estimación [8].
Sin embargo, en la actualidad hay varias tendencias para el desarrollo de estos modelos,
las técnicas usadas cambian un poco al tratarse de un modelo a largo o corto plazo, lo
mismo ocurre con el nivel de complejidad, a mayor tiempo de la predicción, más cantidad
de consideraciones se deben tomar, como las condiciones climáticas que tienen un
comportamiento poco predecible en el mediano y largo plazo, al igual que los cambios
tecnológicos y sociales, como innovaciones en la generación de electricidad o los
cambios en los patrones de consumo [9].
Por lo tanto, para la escogencia de las variables, se debe tener en cuenta lo siguiente [8]:
28 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
• Las series de demanda presentan fuertes patrones cíclicos de periodicidad anual,
mensual, semanal, diaria y horaria; son afectadas por eventos atípicos, como la
presencia de días festivos.
• El consumo de electricidad varía de acuerdo con la estación del año, el día de la
semana y la hora del día. Los mayores consumos se presentan durante los días
laborales y en las horas pico, como son las 12:00 h y 19:00 h.
• Su evolución en el corto, mediano y largo plazo se ve afectado por eventos
climáticos extremos como el fenómeno de El Niño o La Niña y por factores
económicos como el crecimiento del PIB, los precios de energía o el crecimiento
de la población [10-14].
En la literatura se encuentra que la técnica de pronóstico para los modelos de corto plazo
más usadas son las redes neuronales artificiales, y de ellas, principalmente, el perceptrón
multicapa; como segunda opción se tienen los modelos estadísticos de series de tiempo,
como los modelo ARIMA.
Según la literatura revisada en [8], en Colombia se ha utilizado principalmente modelos
ARIMA para el pronóstico de la demanda de energía [16-18], los modelos de inteligencia
artificial como redes neuronales (perceptrón multicapa) o lógica difusa han sido poco
aplicados [19,20]. Estos estudios son realizados para escalas mensual y horaria, y
considerando, en algunos casos, variables explicativas.
1.6.2 Modelos estadísticos
Estos pueden ser (regresión, series de tiempo y/o econométricos), los cuales modelan la
serie de demanda en función de sus valores pasados (modelos univariados) o en función
de algunas variables exógenas como el tiempo o factores socio-económicos.
Los modelos econométricos estructurales ó "causales”: Se construyen y estiman con
base a la teoría económica relevante y consideran variables dependientes (endógenas) y
un conjunto de variables exógenas. Con estos modelos, lo que se pretende es capturar
las relaciones estructurales, identificadas a partir de la investigación teórica entre las
variables.
Los modelos de series temporales se construyen sobre la premisa de que las series de
tiempo tienen una historia estadística recurrente particular que puede ser modelada y
explotada para fines de pronóstico. Series de tiempo univariadas y multivariadas.
• En los modelos univariados, las variaciones de una serie temporal se expresan
como una función de términos auto regresivos (valores pasados de la variable) y
términos de promedios móviles (errores contemporáneos y pasados).
Capítulo 1 29
• Los modelos multivariados de series temporales, por su parte, reflejan la
importancia de "la influencia de otras variables observables que se conoce o se
sospecha, están relacionados con la variable de interés"[21].
1.6.3 Modelos basados en inteligencia artificial.
Estas técnicas han sido usadas en los últimos años y se han elaborado estudios donde
se comparan los resultados con métodos tradicionales. Dentro de estas se encuentran
las redes neuronales artificiales [23-25], modelos neuro-difusos y modelos híbridos [26-
29]
Las Redes Neuronales Artificiales: Es una técnica que parte de una estructura o
arquitectura seleccionada para la red. Se entrena con valores de entrada y de salida, las
entradas son variables que tienen efecto sobre la salida, teniendo una gran lista de estas
parejas de información entrada-salida, se entrena la red usando un algoritmo de
aprendizaje, el cual determinará los pesos de las interconexiones de las neuronas para
que las relación entradas-salidas, corresponda con las condiciones deseadas para el
funcionamiento de la red.
Figura 5. Esquema general de un perceptrón multicapa.
A continuación se presentan algunas entradas seleccionadas en varios artículos que
permiten tener una mejor idea para el momento de la realización del modelo de
estimación a corto plazo para el caso de restablecimiento del sistema de distribución.
Variables de entrada Modelo 1 [23]
Para las entradas del modelo se destacan dos fuentes de información disponible que
pueden ayudar a la caracterización de la demanda a lo largo del horizonte de predicción,
una cuantitativa y otra cualitativa.
La primera se refiere a los datos históricos relacionados con la serie de tiempo,
considerando el análisis de los rezagos, así como la disponibilidad real de los datos;
mientras que la segunda, es una asignación de etiquetas a cada tipo de día dependiendo
de su ubicación en la semana o del evento particular que se celebre en esta fecha. Tales
etiquetas corresponden a una clasificación de los días del año según su comportamiento
30 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
típico (identificado a partir de conocimiento experto), tomando valores como “día de
semana normal”, “domingo”, “viernes santo” “primero de enero”, etc.
Las entradas seleccionadas fueron 11, de las cuales 3 son entradas regresoras, de forma
que puedan ser capturadas las dinámicas estacionales de la serie; 7 son categóricas, de
forma que la información cualitativa de eventos especiales pueda ser interpretada de
forma coherente por el modelo, y la entrada restante, es una variable aleatoria
normalmente distribuida que actúa como excitación persistente al modelo [23].
Variables de entrada Modelo 2 [24]
• Mes: Refleja la variación estacional de la carga a causa de los cambios del clima
en el año.
• Día: Tiene en cuenta la variación en el comportamiento de la carga en los días
festivos, por ejemplo: Navidad, año nuevo, carnavales, etcétera.
• Temperaturas máximas y mínimas: Es la variable atmosférica más importante.
El cambio de la carga ocurre con grandes variaciones de temperatura.
• Humedades relativas máximas y mínimas: En verano, para un rango de
temperaturas dado, la humedad relativa es muy significativa al afectar la
utilización del aire acondicionado.
• La nubosidad: o la probabilidad de lluvia pueden ser indirectamente reflejadas
con la humedad relativa.
• Precipitación: Es otro parámetro importante que afecta la carga del sistema.
Afecta discretamente la carga del aire acondicionado y la del alumbrado. La
humedad relativa y la nubosidad están relacionadas con las precipitaciones.
• Nubosidad: El brillo del sol es un índice que mide el grado de nubosidad que
afecta directamente el consumo de energía eléctrica.
Variables de entrada Modelo 3 [25]
• Climáticas: Temperatura (°C), velocidad del viento (m/s).
• Calendario: Hora (0-23) , Día (Lunes=0, Martes=1, ... Domingo=6),
• Mes (enero= 0, febrero=1, … diciembre=11) Día festivo (0 , 1)
• Variable estimada: Potencia eléctrica : (GW/h)
De las entradas de los tres modelos, se observa que hay similitud en la mayoría de estas,
el análisis más relevante es el realizado en el artículo 15, en el cual se presentan 3
entradas de valores regresivos, lo que mejora la respuesta del modelo ante los cambios
que puede tener este frente a las variables socioeconómicas y culturales. Los modelos
RNA según lo expuesto en [23] obtienen mejor respuesta que los modelos AR o ARX,
según esto se decide usar modelos con RNA para la metodología propuesta en este
documento.
2. Capítulo Planteamiento del problema
En los sistemas de distribución de energía eléctrica, cuando ocurre una interrupción del
servicio causada por una falla permanente, es necesario minimizar sus efectos. Para esto
se pueden usar herramientas que faciliten el proceso del restablecimiento, que permitan
localizar, aislar, y restablecer el servicio en el menor tiempo posible y a la mayor cantidad
de usuarios. Con la automatización de los sistemas de distribución y el desarrollo de las
redes inteligentes, se ha facilitado la implementación de dichas herramientas. Sin
embargo, estas suelen usar una programación establecida para las decisiones y no
suelen considerar el comportamiento de la demanda, lo que puede llevar a casos en los
cuales, la potencia servida no llegue a su máximo posible. Por lo tanto, si se considera
modelos de caracterización de la variación de la demanda y eventos de naturaleza
aleatoria que afectan la disponibilidad de energía para establecer planes de
restablecimiento, se podrían obtener mejores resultados en términos de la demanda
restablecida.
2.1 Representación Matemáticamente del Problema
El problema abordado en esta tesis estudia los efectos de la variación de la demanda y
los eventos aleatorios que afectan la disponibilidad del servicio en el restablecimiento de
un sistema de distribución.
El restablecimiento de un sistema de distribución de energía eléctrica se puede plantear
como un problema de optimización combinatoria con restricciones y múltiples objetivos
[7]. De un conjunto de todos los posibles estados que pueda alcanzar el sistema, se debe
seleccionar el que restablezca la máxima carga, al mayor número de usuario, con el
menor número de operaciones y en el menor tiempo posible, manteniendo la estabilidad
del sistema.
32 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
DESCRIPCION
Los estados del sistema están conformados por todas las combinaciones de los estados
binarios de los equipos de seccionamiento: interruptores o reconectadores, suiche y
seccionadores o cuchillas.
Sea
n el número de interruptores o reconectadores (Operación remota).
m el número de suiches. (Operación remota).
r el número de seccionadores o cuchillas (Operación manual).
Ω el conjunto de suiche, seccionadores o cuchillas.
Ф el conjunto de interruptores del sistema.
si variable binaria que indica el estado apertura (0) o cierre (1) del suiche i
ti variable binaria que indica el estado del seccionador o cuchilla i
cbi variable binaria que indica el estado del interruptor o reconectador i
Por convención, los estados del sistema se representarán como una cadena binaria ( ξ)
que contiene los estados de apertura (0) o cierre (1) de los equipos de seccionamiento
[7].
ξ =cb1 cb2 ...cbns1 s2 ...sm t1 t2 … tr,
Donde tr es el bit menos significativo.
Se define ek como un estado del sistema, donde k es la representación decimal de la
cadena binaria ( ξ).
Por ser un problema combinatorio, el número de estados posibles del sistema es:
2(n+m+r ) sin embargo, por las restricciones operativas, el sistema no podrá
alcanzar todos los estados posibles.
Ejemplo
ξ =cb1 cb2 s1 s2 t1 t2, (conjunto de equipos para operación en el sistema)
Si cb1 =1, cb2= 0, s1 =1, s2=0, t1= 0, t2=1 entonces
ξ =101001 (estado de operación de los equipos)
El estado del sistema ese41 =101001
Capítulo 33
2.1.1 Restricciones Topológicas
1. La restricción radial, se debe cumplir que una zona es alimentada solamente por una
Subestación.
1 − 𝑆𝑘
𝑘𝜖Ω
+ 1− 𝑡𝑘
𝑗𝜖Ωij
− 1 ≥ 0
∀Ωij 𝜖 Ω , donde Ωij es el conjunto de suiches entre cbi y cbj
𝑖 = 1,2…𝑟 − 1
𝑗 = 𝑖 + 1, 𝑖 + 2,…𝑟
𝑖 ≠ 𝑗
La ecuación (1) indica que entre los interruptores cbi y cbj debe existir por
lo menos un equipo de seccionamiento abierto.
2. No deben existir lazos cerrados en ningún ramal del circuito.
𝐶𝑜:Es un vector que contiene la secuencia de conexión de los nodos en un ramal,
iniciando desde el nodo de la subestación hasta el nodo más lejano de esta
𝑥𝑖 ∶Es el número de conexión que corresponde al nodo i
𝑁𝑢𝑚𝑥𝑖 :Es el número de veces que se repite el nodo 𝑥𝑖en el vector de conexión 𝐶𝑜
𝐶𝑜 = [ 𝑥1, 𝑥2, 𝑥2, 𝑥3 … ]
𝑁𝑢𝑚𝑥𝑖 < 3&𝑁𝑢𝑚𝑥1 = 1
Figura 6 Representación de un lazo cerrado en un circuito de distribución.
34 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
2.1.2 Restricciones Eléctricas
3. Los niveles de voltaje en todos los nodos del sistema deben cumplir con los rangos
permitidos.
𝑉𝑚𝑖𝑛 ≤ 𝑉𝑖 ≤ 𝑉𝑚𝑎𝑥
0.9 p. u ≤ 𝑉𝑖 ≤ 1.1 p.u
𝑉𝑚𝑖𝑛 : Mínimo valor de tensión permitido
𝑉𝑚𝑎𝑥 : Máximo valor de tensión permitido
𝑉𝑖 : Voltaje en el nodo i donde i= 1…n
4. No exceder los límites térmicos de línea ni la capacidad de los equipos de protección.
Por lo tanto se debe cumplir que La capacidad máxima de potencia que soportan los
equipos no sea superada.
𝑆𝑖 ,𝑗 ≤ 𝑆𝑖 ,𝑗𝑚𝑎𝑥
𝑆𝑖 ,𝑗 : Flujo de potencia en el tramo de línea i,j
𝑆𝑖 ,𝑗𝑚𝑎𝑥: Flujo de potencia máximo permitido entre los nodos i-j.
5. Abastecer todas las cargas conectadas del sistema. Se debe cumplir que la demanda
de la carga conectada al nodo sea suministrada.
𝑆𝑖 ,𝑗ϳ𝜀𝜔
= 𝐷𝑖
Si,j: Flujo de potencia en el tramo de línea i,j
Di: Demanda en el nodo i.
𝜔: Conjunto de alimentadores conectados al nodo i.
2.1.3 Restricciones Eventos Aleatorios
6. Capacidad de Potencia disponible en la Subestación
𝐷𝑗ϳ𝜀𝜔
≤ 𝑆𝑒𝑖
Sei: Potencia disponible en la subestación que alimenta el nodo i
Dj : Demanda en el ramal j
𝜔: Conjunto de alimentadores conectados al nodo i.
Capítulo 35
7. Disponibilidad operativa de los equipos, ocasionada por un mantenimiento preventivo
programado, o por un mantenimiento correctivo ocasionado por una falla.
si 𝑚𝑝𝑠𝑖
= 1 o 𝑚𝑐𝑠𝑖 = 1 → 𝑠𝑖 = 0,
si 𝑚𝑝𝑡𝑖
= 1 o 𝑚𝑐𝑡𝑖 = 1 → 𝑡𝑖 = 0,
si 𝑚𝑝𝑐𝑏𝑖
= 1 o 𝑚𝑐𝑐𝑏𝑖 = 1 → 𝑐𝑏𝑖 = 0,
si 𝑚𝑝𝑍𝑖 = 1 o 𝑚𝑐𝑍𝑖 = 1 → 𝑍𝑖 = 0 𝑦 𝐸𝑞𝑎𝑑𝑦𝑧𝑖 = 0
si 𝑚𝑝𝑆𝑒𝑖 = 1 o 𝑚𝑐𝑆𝑒𝑖 = 1
si 0.2 ≤ Disp ≤ 0.8 → 𝐷𝑖𝑠𝑝𝑆𝑒𝑖 = 𝑆𝑒𝑖 ∗ 𝐷𝑖𝑠𝑝
si 𝐷𝑖𝑠𝑝 < 0.2 → 𝐷𝑖𝑠𝑝𝑆𝑒𝑖 = 0, 𝐸𝑞𝑎𝑑𝑦𝑆𝑒𝑖 = 0
Dónde:
𝑚𝑝𝑖 ∶ Mantenimiento preventivo en el equipo
𝑚𝑐𝑖 ∶ Mantenimiento Correctivo en el equipo
𝑆𝑒𝑖 ∶ Subestación i
𝑍𝑖 ∶ Zona de carga
𝐷𝑖𝑠𝑝 ∶ Disponibilidad de uso del equipo
Eqadyi : Equipos de seccionamiento adyacentes al nodo i
2.2 Funciones Objetivo
1. Maximizar la carga restablecida considerando el número de usuario por carga y la
prioridad de la carga.
Max F1 = 𝑒𝑖 ∗ 𝑍𝑖 ∗ 𝑁𝑖
𝑛
𝑖=1
∗ 𝐶𝑖
𝐷𝑜𝑛𝑑𝑒 𝑖 ∈ 𝐼, 𝑒𝑖 ∈ 0,1
Dónde:
𝑒𝑖 : Estado de la Zona de carga desenergizada (0) energizada (1).
𝑍𝑖 : Carga de la zona i.
𝑁𝑖 : Número de usuarios de la zona i.
𝐶𝑖 : Importancia de la zona de carga i.
n: Numero de zonas de carga de un circuito
36 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
2. Minimizar el número de operaciones de los equipos de seccionamiento de control
manual.
Min F2 = |𝑡𝑖 − 𝑡𝑖𝑜 |
𝑁𝑠
𝑖=1
Dónde:
𝑁𝑠:Número total de seccionamiento.
𝑡𝑖: Estado del seccionamiento i en la red restablecida
𝑡𝑖𝑜: Estado del seccionamiento solo después de aislar la falla.
3. Minimizar el número de operaciones de los equipos de seccionamiento de control
remoto.
Min F3 = 𝑐𝑏𝑖 − 𝑐𝑏𝑖𝑜 + 𝑠𝑖 − 𝑠𝑖𝑜
𝑁𝑠
𝑖=1
Dónde:
𝑁𝑠: Número total de seccionamiento con control remoto.
𝑐𝑏𝑖: Estado del interruptor i en la red restablecida.
𝑐𝑏𝑖𝑜: Estado de los interruptores solo después de aislar la falla.
𝑠𝑖: Estado del suiche automático i en la red restablecida.
𝑠𝑖𝑜: Estado de suiche automático solo después de aislar la falla.
4. Minimizar las pérdidas en las líneas
Min 𝐹4 = 𝐶𝑘
𝑅𝑖 ,𝑗+1
𝑃𝑖2 + 𝑄𝑖
2
𝑉𝑖 2
𝑛−1
𝑖=0
Dónde:
𝑃𝑖 : Potencia activa en el nodo i
𝑄𝑖 : Potencia reactiva en el nodo i
𝑅𝑖𝑗 : Resistencia en el tramo de línea i,j
𝑉𝑖 : Voltaje del nodo
𝐶𝑘 : Para k = 1…n líneas de distribución, su valor es binario y corresponde al
estado de operación de la línea.
Capítulo 37
Sea Y el conjunto de estados de un sistema que cumplen cada una de las restricciones
topológicas, eléctricas y de eventos aleatorios:
Ψ = 𝑒𝑖,𝑒𝑗,…… 𝑒𝑘
El problema consiste en escoger un estado del sistema 𝑒𝑘 ∈ Ψ tal que
F1 𝑒𝑘 ≥ F1 𝑒𝑗 , ∀ 𝑒𝑗 ∈ Ψ (Máxima demanda restablecida)
F2 𝑒𝑘 ≥ F2 𝑒𝑗 , ∀ 𝑒𝑗 ∈ Ψ (Menor número de operaciones manuales)
F3 𝑒𝑘 ≥ F3 𝑒𝑗 , ∀ 𝑒𝑗 ∈ Ψ (Menor número de operaciones remotas)
F4 𝑒𝑘 ≥ F4 𝑒𝑗 , ∀ 𝑒𝑗 ∈ Ψ (Menores pérdidas de operaciones)
El problema tiene un espacio de búsqueda discreto debido a que el estado del sistema
depende de la condición de apertura o cierre del conjunto de equipos de
seccionamientos. La función objetivo y algunas restricciones son no lineales, por lo tanto,
este se puede definir como un problema de programación no lineal.
De acuerdo a las características del problema, se propone usar Algoritmos genéticos.
También sería factible usar búsqueda Tabú o colonia de hormigas como se vio en [72-
83], sin embargo, los algoritmos genéticos requieren menos complejidad para la
representación del problema en el método de solución.
Para limitar el espacio de búsqueda, en la literatura se presentan la combinación de
algoritmos genéticos con técnicas heurísticas, de esta manera se llega rápidamente a
óptimos locales [72-83].
Al revisar detalladamente las restricciones del problema, se determina lo siguiente: las
Restricciones topológicas y eléctricas se mantienen constantes sin importar el estado del
sistema. Las restricciones de eventos aleatorios son variables y dependen de las
condiciones operativas del sistema como son:
- El comportamiento de la demanda, la cual varía en el tiempo de acuerdo a la
ocurrencia de eventos socioculturales y ambientales.
- La disponibilidad del servicio y de los equipos, que dependen de los eventos
de mantenimientos preventivos o correctivos después de una falla.
Por lo tanto, para considerar lo anterior en el problema se define lo siguiente:
Los eventos de mantenimientos serán definidos por el conocimiento del usuario frente al estado de disponibilidad de los equipos.
38 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Los eventos de mantenimiento tiene una ocurrencia definida de acuerdo a la programación de tiempos, y recursos para ejecutarlas, por lo tanto, su modelación corresponde a un calendario con fechas probables en los que se llevarían a cabo. Estos eventos son definidos aleatorios porque pueden presentarse situaciones o requerimientos que aplacen o que varíen su fecha de ejecución.
Los eventos de falla y mantenimiento correctivo, ocurren de forma aleatoria, pero de acuerdo con la literatura, tienen mayor probabilidad de ocurrir en las épocas del año en las cuales se tiene mayor carga demandada, es decir los equipos y líneas pueden estar más propensos a una falla cuando estén con mayor carga. Sin embargo, la probabilidad de ocurrencia puede seguir una distribución normal. También es posible usar las tasas de falla consignadas [57] para la simulación de los eventos.
La estimación de la demanda para las cargas a restablecer, será modelada considerando
los eventos socioculturales, ambientales, la capacidad instalada y la caracterización de la
zona. El modelo se obtendrá a partir de redes neuronales artificiales debido a la
versatilidad que presenta.
La importancia de una estimación precisa radica en que, si se tiene un valor de alta muy
cercano respecto al dato real, se podrá obtener restablecimientos que puedan conectar
a mayor cantidad de usuarios, ser más estables y confiables.
2.3 Ejemplo del Problema
Con el fin de presentar de una manera más simple el problema que ataca la hipótesis, a
continuación se describe una serie de figuras, que representan los eventos de un
restablecimiento y que permiten ejemplificar las necesidades de la metodología
planteada en esta tesis.
Para la representación del sistema de distribución, se usan cinco elementos
(reconectadores, suiches, cuchillas subestaciones y zonas de carga) En la Figura 7 se
presenta un esquema de ejemplo que representa el modelo del sistema de distribución.
Capítulo 39
Z1S/E
1Z2
S/E
2
Z5
Z3S/E
3
Z4
Estado Normal del sistema
Z1
S/E 1
Carga Residencial
Carga Industrial
Carga Comercial
Subestación
Zona de Carga
Seccionador o cuchilla
Switche
Reconectador
CONVENCIONES
Figura 7 Esquema del modelo de distribución usado para representar las etapas del
restablecimiento
En condiciones de operación normal la red tiene una distribución topológica, que busca
minimizar las pérdidas de potencia y garantizar el suministro de potencia hacia las cargas
conectadas. En la Figura 8 se presenta un evento de falla permanente en la zona 1, por
lo tanto el reconectador opera, para despejar la falla y aislar la zona fallada.
40 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Z1S/E
1Z2
S/E
2
Z5
Z3S/E
3
Z4
Ocurre falla en
la Zona 1
Figura 8 Evento de falla permanente en la zona 1
Z1S/E
1Z2
S/E
2
Z5
Z3S/E
3
Z4
kVA
t
kVA
t
kV
A
t
kVA
t
kVA
t
kVA
t
La Zona 2 queda
sin energía
Figura 9 Se aísla la falla des energizando la zona 1.
En la Figura 9se presenta la condición de aislamiento de la falla; la zona de carga 2
queda des energizada. Debido a la topología del sistema, esta presenta dos opciones
para restablecer la potencia; con la subestación 2 o con la subestación 3.
Capítulo 41
Z1S/E
1Z2
S/E
2
Z5
Z3S/E
3
Z4
kVA
t
Opción 1
S/E 2 Energiza
la Zona 2
Figura 10 Opción 1 para el restablecimiento de la zona 2
Z1S/E
1Z2
S/E
2
Z5
Z3S/E
3
Z4
kVA
t
Opción 2
S/E 3 Energiza
la Zona 2
Figura 11 Opción 2 para el restablecimiento de la zona 2
Para identificar si las dos opciones presentadas en la Figura 10 y Figura 11 son posibles
y si lo son cual es la más apropiada para alimentar la zona 2, es necesario contar con
una estimación de la potencia demanda por la zona, esto se puede realizar de diferentes
formas:
42 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
1. Usando el conocimiento de la demanda instalada en la zona.
2. Usando la demanda consumida antes de la falla en la zona
3. Usa un modelo de estimación de la demanda que permita conocer el
comportamiento de la zona de carga en horas posteriores al evento de falla.
Estimación 1
Si se usa el conocimiento de la demanda instalada en la zona se puede sobre valorar e
indicar que no es posible conectarse a ninguna de las dos opciones disponibles, o
subestimar la carga demandada y sobrecargar el circuito afectando la estabilidad o los
niveles de tensión en el circuito.
Estimación 2
Para usar la demanda consumida antes de la falla es necesario contar con equipos de
medición en la zona, lo que puede no ser posible. En el caso del ejemplo, se podría
tener una medición en el reconectador de cabecera del circuito, obteniendo un total de la
zona 1 más la zona 2 y estimando con la carga instalada el porcentaje de carga servida
que le corresponde a cada zona. Sin embargo, no se tendría un conocimiento del
comportamiento a futuro de la demanda en dicha zona.
Estimación 3
Al usar el modelo de estimación de la zonas de carga se puede realizar un análisis más
detallado del comportamiento a futuro de las opciones, al evaluar mediante simulación
cada opción de reconfiguración con el comportamiento de las cargas en una ventana de
tiempo, de esta forma se puede conocer cual opción presenta mayor estabilidad,
disminución en la tensión, y menores perdidas, y así escoger la decisión más adecuada,
que permita garantizar mayor confiabilidad en la operación del sistema
El evaluar el comportamiento del sistema en una ventana temporal permite considerar
escenarios, que con un análisis menos detallado pueden no ser factibles, de esta manera
se puede aprovechar mejor los recursos reduciendo la carga desatendida por eventos de
falla. Adicionalmente, el poder conocer la vigencia de una reconfiguración permite
evaluar mejor las opciones al momento de un restablecimiento parcial.
Adicionalmente, es importante, antes de tomar estas decisiones, considerar las
condiciones del sistema teniendo en cuenta los eventos programados, como
mantenimientos y posibles variaciones de la carga por eventos socioculturales o
climáticos.
Todo el proceso propuesto es posible realizarse teniendo como insumo la información de
la empresa acerca de los mantenimientos, los activos, los DMS, etc.
Capítulo 43
2.3.1 Ejemplo de estimación de la demanda
En un sistema de distribución en ocasiones no se cuenta con equipos de medición para
cada zona de carga, por lo tanto, es necesario el uso de un algoritmo que permita
calcular la demanda en estas, usando como insumos: el conocimiento de operación de
los equipos, la caracterización de carga y la demanda instalada.
Z1S/E 1 Z2 Z3
Z4
kVA
t
kVA
t
kVA
t
kVA kVA
t
Topología 1
kVACb1 S1
kVA
Potencia S1
Potencia Z3
Potencia Z4
Potencia Cb1- S1
Potencia Z1
Potencia Z2
Potencia en Cb1
Potencia Cb1- S1
Potencia S1
S/E
3
Cb2
Figura 12. Variación de la demanda topología 1
S/E
3Z1S/E 1 Z2 Z3
Z4
kVA
t
kVA
t
kVA
t
kVA kVA
t
Topología 2
kVACb1 S1
Potencia Cb2
Potencia Z3
Potencia Z4
Potencia Cb1
Potencia Z1
Potencia Z2
Cb2
Figura 13. Variación de la demanda topología 2.
44 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
En la Figura 12y 13 se presenta un ejemplo del comportamiento de la demanda, y los datos de medición que pueden ser percibidos desde los equipos automáticos. Del ejemplo de las figuras se resalta lo siguiente:
Las topologías de un sistema de distribución pueden cambiar en el tiempo dependiendo de los eventos como mantenimiento o fallas, por lo tanto, los datos de medida que se perciben desde cada uno de los equipos de medición, estarán asociados a diferentes zonas de carga.
La carga vista desde un equipo de medición es la suma de consumo instantáneo de cada una de las zonas de carga aguas abajo del equipo.
En un sistema de distribución puede ser muy costoso tener medición en cada una de los equipos de seccionamiento, debido a esto es necesario utilizar algoritmos que permitan estimar las zonas de las cargas no medidas.
El comportamiento de la demanda depende del tipo del sector puesto que, el consumo de energía varía directamente con el comportamiento de los usuarios frente a los eventos laborales y socioculturales, etc.
3. Capítulo Propuesta de Solución
La propuesta presentada consiste en una metodología para el restablecimiento de un
sistema de distribución considerando la variación de la demanda y eventos aleatorios que
afectan la capacidad del servicio. Esta se describe a continuación y se esboza en la
Figura 14.
La metodología usa como insumos la información del sistema y del SCADA para
identificar los estados operativos o de mantenimiento de cada componente de la red,
además de la potencia instalada para la caracterización de las zonas de carga. También
se recopila los datos de medida de las variables eléctricas obtenidos desde los equipos
automáticos de seccionamiento y, con un algoritmo se calcula los consumos de potencia
de cada zona de carga.
OPERADOR SCADA
INFORMACIÓN DEL SISTEMA
Disponibilidad de los equipos(Mantenimientos o Fallas)
EVENTOS ALEATORIOS
Modelos de demanda de las zonas de carga (RNA)
Algoritmo genético busca lista
reconfiguraciones
ESTIMACIÓN DEMANDA
RECONFIGURACIÓN
Estado de los equipos después de aislar la falla
ESTADO POSTFALLA
Evaluación de la Vigencia de la
reconfiguración
SELECCIÓN DE LA MEJOR RECONFIGURACIÓN
Comparación de indicadores
Lista de maniobra operativas
GENERA PLAN DE RESTABLECIMIENTO
METODOLOGIA DE RESTABLECIMIENTO
APOYO AL RESTABLECIMIENTO
TOMA DE DECISIONES
SISTEMA DE DISTRIBUCIÓN
Figura 14 Diagrama descriptivo de la metodología de restablecimiento propuesta.
46 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Con los datos de potencia obtenidos para cada zona de carga en cada instante de
medición más la consideración de los eventos socioculturales y las condiciones
climáticas, se obtienen los modelos de estimación de variación de la demanda, usando
redes neuronales artificiales RNA.
Para buscar las posibles reconfiguraciones que permitan restablecer el servicio a las
zonas no afectadas por el evento de falla, se usa un algoritmo genético que tiene como
insumo la estimación de potencia de todas las zonas de carga en el momento del
restablecimiento, y la disponibilidad operativa de todos los componentes del sistema. El
algoritmo entrega un listado de las reconfiguraciones que mejor cumple las funciones
objetivo, en especial la de maximizar el número de usuarios servidos.
Como el objetivo es seleccionar la mejor reconfiguración, se propone simular usando los
modelos de estimación de las cargas, el comportamiento futuro de este, con esto se
consigue evaluar la vigencia de la reconfiguración para el restablecimiento.
Cuando ya se ha seleccionado la reconfiguración que mejor satisface los objetivos
operativos de red, se puede generar un plan de restablecimiento, el cual lista las
maniobras para el restablecimiento de la red.
3.1 Variación de la Demanda.
Se consideran tres tipos de elementos que afectan la variación de la demanda; en primer
lugar se define su caracterización (residencial, comercial, industrial), posteriormente los
eventos socioculturales y por último, las condiciones climáticas
CARACTERIZACIÓN DE LA CARGA
Se usarán los perfiles característicos residencial, comercial e industrial, de acuerdo a
la información de la capacidad instalada y de una identificación de los porcentajes de
carga total demanda por la zona. Se crea un perfil de comportamiento de la carga
como se describe a continuación:
𝑃𝑒𝑟𝑓𝑖𝑙 𝑧𝑜𝑛𝑎 = (𝐷𝑡 ∗ 𝑆𝑖𝑛𝑑) ∗ 𝑃𝐼𝑛𝑑 + (𝐷𝑡 ∗ 𝑆𝑐𝑜𝑚) ∗ 𝑃𝐶𝑜𝑚 + (𝐷𝑡 ∗ 𝑆𝑟𝑒𝑠) ∗ 𝑃𝑅𝑒𝑠
Dónde:
𝐷𝑡: Demanda total de la zona
𝑆𝑖𝑛𝑑: Porcentaje de carga que es industrial
𝑆𝑐𝑜𝑚: Porcentaje de carga que es comercial
𝑆𝑟𝑒𝑠: Porcentaje de carga que es Residencial
𝑃𝐼𝑛𝑑: Perfil de carga industrial
𝑃𝐶𝑜𝑚: Perfil de carga comercial
𝑃𝑅𝑒𝑠: Perfil de carga residencial
Capítulo3 47
Figura 15. Curva de demanda sector residencial [48].
Figura 16. Curva de demanda sector comercial [48].
Figura 17. Curva de demanda sector industrial [48]
De
man
da
en
P.u
Hora del Día
Perfil de Demanda residencial
Dem
and
a en
P.u
Hora del Día
Perfil de Demanda Comercial
Dem
and
a e
n P
.u
Hora del Día
Perfil de Demanda Industrial
48 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
3.1.1 Consideraciones Socioculturales
La demanda aumenta o disminuye de acuerdo a las actividades humanas y a las
condiciones climáticas. La actividad humana cambia de acuerdo a las actividades
laborales, eventuales y culturales que se presentan en el año.
Laborales (días) (Se debe identificar si es un día laboral o no laboral, o si es día
festivo)
Eventos pocos frecuentes (días)(paros laborales, jornadas electorales,
festividades, juegos deportivos)
Culturales (semanas)(temporada de vacaciones escolares de mitad de año y final
de año, época navideña, época de semana santa )
Por lo tanto, las variables que representan los eventos socioculturales son : la hora, el día
de la semana, si es día festivo, el mes. Estas se tendrán en cuenta para el modelo de
estimación.
3.1.2 Consideraciones Climáticas
Las condiciones climáticas en Colombia se describen a continuación, el escenario que se
desea recrear asumirá un clima de la región andina.
Colombia se halla en la zona ecuatorial, el sistema montañoso de Los Andes le
confiere al país una variedad topográfica. Por lo tanto, las variaciones climáticas no
obedecen a estaciones sino a la altitud.la temperatura desciende aproximadamente
6° C por cada 1.000 metros que se ascienda. A nivel del mar, la temperatura se
acerca a los 30° C. En la región andina por lo general hay dos estaciones de lluvia y
dos estaciones secas. Las temperaturas oscilan entre los 18 y 25°C y un promedio
anual de precipitaciones entre 1000 y 2500mm (1)
1 Estación lluvia (abril-junio)
1 Estación seca (Julio Agosto)
2 Estación lluvia (septiembre -noviembre)
2 Estación seca (Diciembre -Marzo)
Con el aumento de la variabilidad del clima es más difícil predecir las épocas, por lo tanto
se usara condiciones por temporada con variaciones eventuales para el entorno de
simulación. Como variables a considerar se identifican la temperatura, y el nivel de
precipitación, debido a que estas pueden influir en las actividades que realizan los
sectores comercial y residencial y así variar el comportamiento en el consumo de
energía. (1)http://www.colombia.com/turismo/guiadelviajero/indexclima.asp,
Capítulo3 49
3.1.3 Algoritmo para el Almacenamiento de la Información
Para obtener los datos de potencia de cada una de las zonas de carga se propone un algoritmo que tiene en cuenta la configuración del circuito, de esta manera se puede almacenar de forma organizada los consumos correspondientes a cada zona, para, posteriormente generar un modelo de estimación en conjunto con otras variables socioculturales y ambientales. Con esto se quiere modelar el comportamiento de la variación de la carga. A continuación se describe las condiciones necesarias para la implementación del algoritmo.
Se asume que los equipos automáticos como reconectadores y seccionadores
remotos, y los interruptores de cabecera cuentan con medición de las variables,
además, capturaran y envían los datos a un centro de control.
Se tiene conocimiento de la operación de cada uno de los equipos de
seccionamiento.
Potencia máxima de cada zona (suma de la capacidad instalada en los
transformadores por un factor de uso).
Perfil de caracterización de la zona.
Una zona de carga está delimitada entre dos equipos de seccionamiento.
Un área de carga está delimitada entre equipos de medición
Paso1
Recorrer cada ramal conectado a la subestación partiendo desde el equipo de medida,
buscando si hay otro equipo de medida en el ramal para formar un área de carga.
Paso 2
Se calcula la diferencia de potencias que hay entre los equipos con medida. Esta se
define como potencia equivalente de un área de carga.
Si no se encuentran más equipos en el recorrido aguas abajo, la potencia que ve el
equipo es asignada como la potencia equivalente del área de carga.
Paso 3
Se reparte la potencia equivalente del área de carga en las zonas de carga contenidas
dentro de esta con el siguiente procedimiento:
1. Cada zona posee un perfil de carga, este se obtiene con la suma de los perfiles
escalados a partir de la carga instalada para cada sector, residencial, comercial e
industrial.
2. Para cada medición se estima el porcentaje de carga que corresponde a cada
zona. La potencia equivalente vista en el área se reparte de acuerdo a los
porcentajes calculados.
50 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Inicio
FIN
Recorrer el ramal Aguas
Abajo
Encuentra Equipo Automático
Calcula Potencia del Area de carga
P area = PEA1- PEA2
Calcula Potencia del Área de cargaP area = PEA1
Se reparte la Potencia de cada área en las zonas de carga
Guarda Potencia vista desde la S/E
PEA1=P S/E
NO
SI
Se actualiza el valor PEA1 = PEA2
Se consulta el valor de potencia del equipo
PEA2
Figura 18. Algoritmo para identificar las potencias de cada zona de carga
Z1S/E 1 Z2
kVA
tkVA
t
kVA
Cb1
Potencia Cb1
Potencia Z1
Potencia Z2
PCb1(t)=PZ1(t)+PZ2(t)
Figura 19. Potencia equivalente en las zonas de carga
Capítulo3 51
3.1.4 Modelo del Comportamiento de la Demanda
Se busca obtener modelos para estimación de la demanda a corto plazo; para esto se
propone realizar mediciones del consumo de energía eléctrica durante largos periodos de
tiempo de forma local, para identificar la potencia máxima, el perfil de consumo que
caracteriza la zona, y la correlación e incidencia de las variables climáticas y
socioculturales en el comportamiento de la demanda.
El modelo para estimar la demanda cada hora en las zonas de carga tomará como
variables de entrada la potencia medida, la hora, el día, el mes, si es día festivo, la
temperatura ambiente, el nivel de precipitación atmosférico, para tener como salida la
potencia en las horas siguientes. Esta estimación a corto plazo permite tener un indicio
de la cantidad de energía requerida para el restablecimiento.
Tabla 5. Variables requeridas para modelo de estimación de la demanda.
CATEGORIA VARIABLE
Climática Lluvia
Temperatura
Calendario
Hora
Día
Mes
Festivo
Carga eléctrica
carga 2 horas antes
carga 1 horas antes
Por medio de una interfaz desarrollada en Matlab que usa algoritmos de redes
neuronales artificiales se facilita la obtención de los modelos, la interfaz permite probar
arquitecturas diferentes para los mismos datos, de esta manera se puede buscar un
modelo simple con buena precisión. Esta interfaz se describe en el capítulo 4 y en la
Figura 20.
Para usar la herramienta descrita, se requiere una cantidad de datos suficientes para
representar todo el espacio de variación de las variables mostradas en la Tabla 5
En este proyecto, al no contar con los datos reales se creará un entorno de simulación en
el cual se recrearán el comportamiento de las variables para representar la variación del
consumo en las cargas del sistema, considerando el efecto de las variables climáticas,
los eventos socioculturales y la caracterización de las cargas.
En este entorno también se simularán los eventos aleatorios que afectan la disponibilidad
de los equipos y que conlleva a reconfiguraciones del sistema. Se tienen algunos puntos
de medición en la cabecera del ramal y en los equipos de seccionamiento automático,
por lo tanto, para obtener los datos de cada una de las zonas de carga, se usará un
52 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
algoritmo expuesto en el ítem anterior que determina cuál sería el consumo local con
base en una capacidad instalada en la zona y su caracterización,.
Potencia (t-1)
Potencia (t-2)
Precipitación
Temperatura
Día
Mes
Hora
Dia festivo
Potencia (t +1)
INTERFACE PARA OBTENER MODELOS RNA
Ingresan lista 4000 datos
para cada modelo
El modelo es simple y mejor estimación
Variación de arquitectura
Entrenamiento
Validación
Evalúa
Se cumplieron las N Variaciones
Se guarda elmodelo
Se escoge el mejor modelo
No se guarda el modelo
SI
SI
NO
NO
ENTREGA EL
MODELO
MATEMATICO
- Ecuaciónes
- Pesos de las capas
(Wce,Wc1..Wcn)
- Bias (Ɵi..Ɵi.)
-Arquitectura de la red
(N° de capas),
(N° de neuronas por capa)
-Funciones de activación
por capa (log,tang..,purelin)
ENTRADA DE DATOS
Figura 20 Descripción del algoritmo para obtener los modelos RNA
A continuación se explica el modelo con RNA; primero se describe la estructura de una
Neurona artificial, luego un ejemplo de una arquitectura de red y por último, se presentan
las ecuaciones matemáticas para el ejemplo.
Σ
NEURONA Ai1
Wi1
Yi
F ( )
Win
Wi2
X1
X2
Xn
Salida
Entradas
-1
Ɵi
Umbral
Función de
Activación
Yi = F( Σ Wij*Xj - Ɵi )
Figura 21Descripción del funcionamiento de una neurona
F( ) es una función simple que opera la suma de las señales recibidas por la
neurona para entregar un resultado de acuerdo con la característica de la función.
Estas pueden ser funciones tangentes, log sigma, purelin, etc. Estas funciones se
describen en el Anexo 2,
Wi son los pesos que posee cada conexión entre neuronas.
Ɵi es un valor de ajuste o umbral que se resta de la suma de pesos.
Capítulo3 53
Una Red neuronal puede construirse con diferentes arquitecturas, esto es el número de
capas ocultas, el número de neuronas por capa y el tipo de funciones de activación por
capa. La interface desarrollada permitirá evaluar diferentes arquitecturas para encontrar
el mejor modelo, que sería el más simple y con un error de estimación aceptable. En la
Figura 23 se presenta un ejemplo de la arquitectura y su representación matemática
Ai BiXi
Capa de
Entrada
Capa de
Salida
Wce Wc1Wc2
YiPotencia (t-1)
Potencia (t-2)
Precipitación
Temperatura
Día
Mes
Potencia (t)Hora
Dia festivo
Figura 22. Representación de la RNA para cada modelo de estimación.
Ai BiXi
Capa de
Entrada
Capa de
Salida
We Wc1 Wc2
Yi
Figura 23. Descripción de la suma de pesos para la representación matemática de laRNA.
Representación Matemática
Xij es un vector con las variables de
entradas
Aij es una matriz que contiene la salida
de cada neurona en la capa entrada
Bij es una matriz que contiene la salida
de cada neurona en la capa oculta
Yi es la variable de salida
𝐴𝑖 = 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑊𝑐𝑒𝑖𝑗 ∗ 𝑋𝑖𝑗 −
𝑛
𝑗=1
𝜃𝑖
𝐵𝑖 = 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑊𝑐1𝑖𝑗 ∗ 𝐴𝑖𝑗 −
𝑛
𝑗=1
𝜃𝑖
𝑌𝑖 = 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑊𝑐2𝑖𝑗 ∗ 𝐴𝑖𝑗 −
𝑛
𝑗=1
𝜃𝑖
3.1.5 Consideración de Eventos Aleatorios
Para realizar la reconfiguración es necesario conocer el estado del sistema y de sus
equipos, para ello se debe consultar la información de los mantenimientos, y las fallas
que han ocurrido; estas condiciones pueden afectar la capacidad de servicio de las
subestaciones y la disponibilidad de los equipos para la operación de la red.
Estos eventos se consideran como aleatorios debido a que no es posible predecir con
exactitud su ocurrencia, por lo tanto es necesario un monitoreo constante del estado de
los equipos y su disponibilidad para considerar los en el proceso de restablecimiento.
Para poder realizar el cálculo de la demanda a partir de las mediciones de potencia con
los equipos automáticos, usando el algoritmo descrito anteriormente, es necesario
conocer la topología de la red y los eventos operativos que se presentan.
La información recopilada de las mediciones es repartida en las zonas de carga, pero
esta debe ser asignada considerando el estado de la red y las modificaciones, para no
asignar valores errados a las zonas de carga y así afectar la precisión de los modelos de
estimación.
Para el entorno de simulación se consideran los eventos de falla y mantenimiento, para
ello se define lo siguiente:
Los eventos de falla van ligados a un mantenimiento correctivo, los otros eventos
son mantenimientos preventivos
Evento en un equipo de seccionamiento
No se puede operar el equipo, esto puede tener una duración de entre 2 hasta 8
horas.
- El equipo queda indisponible.
Evento en una zona
Se daña algún equipo, como un transformador, o las líneas, esto puede tener una
duración de entre 2 hasta 8 horas.
- se operan los equipos de seccionamiento adyacente.
Evento en la subestación
Se daña algún equipo o está en mantenimiento, esto afecta la disponibilidad de la
potencia, puede estar entre 0 y 1. La duración del evento puede variar entre 2
hasta 24 horas.
- Para aislar la subestación en caso de que quede totalmente indisponible o
que su disponibilidad no permita abastecer la carga, se opera el equipo de
seccionamiento adyacente.
Capítulo3 55
3.2 Modelado para Reconfiguración
Para resolver la reconfiguración se usarán algoritmos genéticos; estos toman como base
la teoría de evolución de Darwin, una explicación aproximada de esta es:
Por medio de la mutación de los genes y el cruzamiento de estos en el proceso de
reproducción de los individuos de una población, y al repetir esto a través de las
generaciones en un entorno determinado, solo sobrevivirán los genes de los individuos
que mejor se adapten a este.
Con estos principios, los algoritmos genéticos plantean la búsqueda del mejor individuo,
reconociendo como individuo a cada una de las posibles soluciones del problema. Para
el caso de reconfiguración de sistemas se usarán las siguientes definiciones y etapas del
algoritmo:
Individuo: representa una posible solución para ser combinado y mutado en la etapa de
reproducción, es necesario codificar por medio de un número de elementos o genes que
representen las variables de decisión del problema. Para el problema a resolver, un
individuo representa una de las configuraciones de las líneas de todo el sistema de
distribución, para su representación se usará un vector binario; la posición 1 es la línea
de seccionamiento 1 y su estado se define como 1 en servicio, 0 fuera de servicio. Para
el ejemplo se tiene un vector binario con 17 posiciones.
Figura 24. Codificación del problema.
Población Inicial: es el conjunto de individuos obtenidos para iniciar el algoritmo. Estos
individuos deben ser soluciones factibles para el problema.
Se pueden generan aleatoriamente; en este caso, se garantiza la diversidad estructural
de las soluciones. También es posible introducir soluciones predeterminadas en la
población inicial; aseguran una convergencia más rápida, pero se corre el riesgo de
perder diversidad en la población.
S2
S1
1 2 3 4
5 6 7 8
910 11 12
1 2 3
7 8
6
15 16 17
4
1112 13 14
105
9
R
R
R
R
CC
C
I
I
II
I
56 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
En esta etapa es importante considerar que las poblaciones tengan la suficiente
diversidad, para poder explorar zonas más amplias del espacio de búsqueda. De esta
manera, se garantiza obtener soluciones más cercanas al óptimo global y se evita la
convergencia prematura. [52]
Se usarán las dos opciones para generar la población inicial, de esta manera, se podrá
comparar los resultados.
Función de ajuste: esta corresponde a la forma de cuantificar la adaptación de un
individuo a su entorno. Para el valor de la función de ajuste, se deben tener en cuenta la
calidad del individuo y su factibilidad; para ello la calidad es medida por medio de una
función de costo y su factibilidad (si cumple las restricciones).
Para el problema se tiene como función de costo la minimización de la suma de las
pérdidas de potencia activa en las líneas del sistema de distribución, y para probar la
factibilidad de la solución se usan las restricciones ya definidas. Para realizar los
cálculos y las verificaciones se tendrán los resultados del cálculo del flujo de carga para
cada individuo.
Selección: es la elección de los individuos de una generación para que estos creen
nuevos individuos. El objetivo es que los individuos que tengan mejor ajuste tengan más
probabilidad de ser seleccionados. Para realizar la selección se emplean diferentes
técnicas, entre ellas están:
Selección por ranking en esta selección se busca clasificar la población según
el valor que obtuvo de la función de calidad (fittnes), seleccionando aquellos de
mayor o menor valor según sea el problema [54].
Selección por ruleta: es un método aleatorio también llamado estocástico con
reemplazo, que consiste en asignar a cada individuo una porción de una ruleta
proporcional al valor que hayan obtenido en la función de calidad, luego se realiza
una operación similar al lanzar una bola en la ruleta, eligiendo el individuo
correspondiente al lugar donde cayó la bola, entre mayor sea el valor de la
función de calidad, mayor será la probabilidad de que la bola caiga en él [54].
Selección por torneo: en este proceso los individuos a seleccionar se
determinan de forma aleatoria para luego ponerlos a competir escogiendo
aquellos con mayor valor de acuerdo a la función de calidad [54].
Las restricciones definen que tan apto es cada individuo. Si es apto, se evalúa la función
de ajuste, esta se obtiene de correr el flujo de carga. Para evitar repetir casos, se
almacenan los casos evaluados en una lista con el valor de la función de ajuste; de esta
lista se seleccionan con el siguiente criterio los individuos para la siguiente generación.
• Del 40% se toman 4 individuos aleatoriamente
• Del 60% se toman 6 individuos aleatoriamente
Capítulo3 57
Con estos individuos se forma la población para la siguiente generación.
Reproducción: permiten encontrar nuevos individuos realizando una tarea similar a lo
que sucede con los genes en el proceso reproductivo de los seres vivos; para el
algoritmo se define el cruzamiento y la mutación, estos operadores permiten encontrar
nuevos individuos o soluciones.
Cruzamiento
En el proceso de cruzamiento se toma información de dos individuos en porcentajes
controlables para obtener un tercer individuo con características similares a ambos.
Algunas de las formas para realizar el cruzamiento reportado en la literatura son [52]:
Crossover de punto simple: dados dos cromosomas (strings), cada uno de
largo N, se determina aleatoriamente un punto de quiebre en el cual estos se
dividirán para formar dos nuevos cromosomas.
Crossover multipunto: este proceso es similar al anterior, pero en lugar de
escoger un punto de quiebre, se determina M puntos de forma aleatoria y
creciente sin repetir punto, luego se intercambian las particiones para obtener los
nuevos hijos.
Crossover uniforme: este proceso generaliza los dos anteriores superponiendo
a cada uno de los padres una máscara de estructura aleatoria de igual tamaño N,
en donde el nuevo individuo (hijo1) se formará, por ejemplo tomando un bit del
padre 1 si el bit correspondiente de la máscara 1 es 1 y un bit del padre 2 si el bit
correspondiente de la máscara 1 es 0.
Mutación
La mutación es el proceso por el cual una variable de cromosoma puede cambiar su
valor. La mutación tiene un papel importante, ya que introduce al algoritmo un factor de
diversidad, permitiendo así que el algoritmo no se quede estancado rápidamente en
óptimos locales. Los individuos a mutar se eligen de forma aleatoria, siendo la tasa de
mutación un valor no determinado [55].
Para el problema se creará una población de Padres igual a diez individuos, se formarán
parejas de manera aleatoria, y cada una de estas parejas se cruzará y mutará de la
siguiente forma para generar veinticinco nuevos individuos:
58 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Figura 25 Representación de un vector de Padres
Cruzamiento: Se usa el cruzamiento de punto simple y se generan 4 hijos de cada
pareja.
Figura 26. Representación de un vector de hijos.
Mutación: se toma aleatoriamente uno de los hijos obtenidos del cruzamiento y se muta
la posición.
Figura 27. Cruzamiento y mutación.
Padres
Hijos
Capítulo3 59
INICIO
CALCULO DEL FLUJO DE CARGA
Cumplen restricciones
POBLACIÓN INICIAL (10 individuos de forma aleatoria)
NO
SI
Cumplen funciones de ajuste
NO
SI
SELECCIÓN POBLACIÓN DE PADRES
(40% de los mejores, 60% Del resto de la lista)
CRUZAMIENTO punto de cruce
(aleatorio)
MUTACIÓN ubicación del gen
(aleatorio)
NUMERO DE GENERACIONES
< 10000
FIN
SE PRESENTA LISTA DE RESULTADOS
LISTA NO APTOS
LISTA DE APTOS
SI
NO
Figura 28. Descripción del algoritmo genético mediante diagrama de flujo
60 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
3.3 Vigencia de la reconfiguración y plan de Restablecimiento
De la lista de opciones de reconfiguración que entrega el algoritmo genético se debe
seleccionar la que presente mejores condiciones operativas, de confiabilidad y de
servicio a los usuarios. Esto se puede realizar comparando los indicadores que son:
Número de usuarios restablecidos
Tiempo de ejecución de las maniobras
Número de operaciones de equipos Automáticos
Número de operaciones de equipos manuales
Perdidas de potencia activa
Con los modelos de estimación para las zonas de carga es posible evaluar la
reconfiguración en una ventana de tiempo, al menos lo que dura en reparar los equipos
afectados por la falla, y vuelven a quedar disponibles para volver a reconfigurar la red.
Esto podría definir la vigencia de cada reconfiguración, y aumentar así el criterio para la
escogencia garantizando la estabilidad operativa en el corto plazo.
Esta evaluación también permite operar en un margen de confianza mayor, y realizar
reconfiguraciones que puedan tener poca vigencia pero que garanticen mayor número de
usuarios restablecidos, y cuando se cumpla la vigencia, cambiar a otra reconfiguración
que pueda tener menos usuarios.
Los indicadores que entrega la evaluación de la vigencia son:
El tiempo de duración.
Las pérdidas de potencia activa.
El mínimo valor de tensión en las cargas.
Cuando se escoge la reconfiguración a realizar, se genera el plan de restablecimiento
que contiene la secuencia operativa de las maniobras que garantizan las condiciones
eléctricas y la estabilidad del sistema.
4. Capítulo Entorno de Simulación
La aplicación es desarrollada en el software Matlab debido a que es una herramienta que
facilita la programación matemática, la operación de matrices y el desarrollo de interfaces
gráficas. A continuación se listan las plataformas desarrolladas para probar la tesis.
Plataforma de restablecimiento
Plataforma de simulación
Plataforma de Modelado con RNA
4.1 Plataforma de Restablecimiento para un Circuito de
Distribución
Este presenta una interface que permite cargar un circuito de distribución, según el
modelado explicado en el capítulo 1, se cargan los modelos de estimación de cada zona
de carga y se ingresa la disponibilidad operativa de los equipos frente al evento de falla,
indicando la zona de falla aislada; para la búsqueda de la reconfiguración se ejecuta un
algoritmo genético programado de acuerdo a las restricciones del problema. Cuando la
búsqueda finaliza, presenta diferentes opciones de restablecimiento con los indicadores
de desempeño, en especial el número de usuarios restablecidos. El operador puede
seleccionar la evaluación de la vigencia de los restablecimientos definiendo el número de
reconfiguraciones y la ventana temporal. A continuación se presenta el nombre de las
funciones y una descripción de su uso.
Funcionalidades
Cargar un circuito de distribución y sus características o Potencia disponible en las S/E en % o Prioridad de las cargas o Modelo de demanda en la zona de carga.
Operación y Disponibilidad de los equipos
Búsqueda del Plan de restablecimiento
Se recrea la condición pos falla, y mediante la estimación de la demanda, y el
estado operativo del circuito se realiza una búsqueda de una reconfiguración para
realizar el restablecimiento.
62 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Evaluación del plan (estimación del tiempo que puede durar la reconfiguración). Las
opciones encontradas para la reconfiguración son evaluadas en ventanas de
tiempo simulando la variación de la carga, y se estima cuanto tiempo podría operar
bajo esta configuración.
Figura 29. Interface del entorno de pruebas de restablecimiento.
Capítulo 4 63
Figura 30 Configuración de los tipos de estimación para realizar el restablecimiento.
Figura 31 Estimación de la demanda de acuerdo con la configuración definida.
64 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Figura 32. Modificar la topología para configurar las condiciones para restablecimiento.
Figura 33. Resultados del cálculo del Flujo de carga.
Capítulo 4 65
Figura 34. Configuración del Algoritmo genético.
Figura 35. Resultados para la Reconfiguración del sistema
66 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Figura 36 Resultados de evaluación de la vigencia.
Figura 37. Reporte generado en cada simulación, formato html
Capítulo 4 67
4.2 Plataforma de Simulación para un Circuito de
Distribución
Permite simular el comportamiento de los eventos aleatorios, como fallas y
mantenimientos en la reconfiguración del sistema. Para modelar el comportamiento de
las cargas se consideran las variables ambientales y socioculturales. Esta plataforma se
desarrolló para probar el algoritmo de almacenamiento emulando la toma de la medición
de las variables en los equipos automáticos. Con los datos obtenidos se realizan los
modelos de estimación con Redes neuronales.
Funcionalidades
Cargar un circuito de distribución y configurar sus características de demanda,
Operación y Disponibilidad de los equipos
Se define un tiempo de simulación # de horas.
Se usan modelos de carga en Zonas de carga que consideran:
o Variación climática
o Mes, Días, días festivos.
Se ejecuta una combinación de maniobras en el tiempo simulando eventos de
reconfiguración, fallas, o mantenimientos.
De acuerdo a los eventos que se presenten se usa el algoritmo genético para
buscar la mejor reconfiguración
Se ejecuta un flujo de carga cada delta de tiempo para hallar las potencias en cada
nodo.
Un algoritmo calcula las potencias que demanda cada zona de carga, teniendo en
cuenta la configuración del circuito, de esta manera, almacena de forma
organizada los consumos correspondientes a cada zona para posteriormente
generar un modelo del comportamiento de la variación de la carga.
68 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Figura 38. Carga del modelo del circuito de distribución.
Figura 39. Interface de simulación del sistema de distribución.
Capítulo 4 69
4.2.1 Variación de la Demanda.
Para obtener una relación entre el comportamiento de la demanda de energía eléctrica
en los sectores de consumo y las diferentes variables climáticas y socioculturales se usa
la tabla que aparece en la Figura 40, en la que se define su relación como: aumento (+),
disminución (-) en un porcentaje sobre la carga, o si no existe efecto sobre el consumo
(0).
Para cada evento se define un porcentaje de efecto sobre cada sector
Cada tipo de evento tiene unas restricciones de ocurrencia programadas
inicialmente, además, se debe definir para cada evento una duración en horas en
las cuales el evento tiene mayor efecto.
Figura 40. Iincidencia de las variables socioculturales y climáticas en el consumo de
energía Eléctrica.
Inicialmente se define el mismo conjunto de efectos de cada evento sobre todas las
zonas de carga, sin embargo, puede darse el caso que en algunas zonas los eventos
pueden tener efectos mayores o menores, como sería el caso de una zona deportiva, en
la cual un evento como un partido de futbol puede ocasionar un aumento en la carga.
70 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Otro ejemplo es una zona residencial que tenga un parque de eventos donde una
festividad puede aumentar el consumo.
4.2.2 Consideración de Eventos Aleatorios
Generación de los eventos aleatorios, fallas y mantenimientos,
Se calcula de acuerdo a la configuración de ocurrencia de las fallas, y se
guarda en el calendario como el día en que ocurre la falla. (puede ocurrir el
mismo día varias fallas).
Los mantenimientos ocurren de manera programada, (no puede ocurrir más
de uno por día y ocurren en semana). La lista se genera de manera aleatoria
de acuerdo al número de ocurrencia.
Las operaciones que se llevan a cabo en un evento de falla o mantenimiento son:
1. Sacando de operación el o los equipos y buscando la mejor
reconfiguración (reconfiguración 1).
2. Entrando en operación el o los equipos y buscando la mejor
reconfiguración, (reconfiguración 2).
Figura 41. Interface para configurar el número de fallas por años.
Capítulo 4 71
4.3 Plataforma de Modelado con RNA
Se desarrolló una interface que facilita la obtención de modelos con redes neuronales
artificiales (RNA), que permite una búsqueda de los mejores modelos, realizando
combinaciones de las arquitecturas posibles para esta. Al final presenta el modelo más
sencillo y con mejor estimación.
Figura 42. Interface de la aplicación para la obtención de modelos RNA.
Para obtener los modelos se lleva a cabo el procedimiento expuesto en el artículo [104].
Se realizaron pruebas con diferentes arquitecturas variando las capas ocultas, las
funciones de activación y el número de neuronas por capas, para buscar la arquitectura
que entregara mejores resultados; posteriormente, se usó la arquitectura escogida para
hacer varios entrenamientos hasta encontrar el mejor ajuste del modelo.
5. Capítulo Caso de Estudio Pruebas y, Resultados
En este capítulo se describen las características eléctricas del caso de estudio y las
pruebas que se realizan para validar la hipótesis por medio del uso de la metodología de
restablecimiento propuesta y los resultados Obtenidos.
5.1 Caso de estudio
Para el caso de estudio y pruebas de los modelos se decidió trabajar con el circuito de
sistema de distribución presentado en [106]. Este es un circuito de media tensión que
opera a 13.2 kV y distribuye el servicio de energía eléctrica a 3.140 clientes. Como
características especiales se tiene que este circuito es muy extenso con
aproximadamente 124.2 kilómetros de longitud, alimenta carga principalmente residencial
en donde se puede encontrar una componente urbana y rural importante. Debido a la
gran extensión del circuito, este tiene una alta probabilidad de fallas, hecho que se
incrementa por su alto componente rural; este se presenta en la Figura 43.
Figura 43. Diagrama Topológico del Circuito.
74 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
El circuito cuenta con diferentes equipos de seccionamiento, transferencia y protección,
lo que le permite ser selectivo en cuanto al despeje de una falla, así como al aislamiento
y posible restablecimiento del servicio ante un evento dado. En el circuito se puede
encontrar una gran variedad de equipos dentro de los cuales se resaltan las cuchillas de
seccionamiento y transferencia de operación local, suiches de seccionamiento y
transferencia de operación local y remota, y reconectadores para protección
(seccionamiento y transferencia) de operación local y remota.
De acuerdo con las características que se acaban de mencionar para el circuito en
cuestión, este se convierte en un candidato perfecto para evaluar la metodología
propuesta. En la Figura 43 se muestra el diagrama topológico y los circuitos con los
cuales tiene transferencia.
En la Figura 44 se muestra el diagrama unifilar del circuito en cuestión. Este diagrama
tiene una representación donde se muestran las diferentes zonas de carga establecidas
para el análisis y los diferentes equipos de seccionamiento y transferencia (Cuchillas,
Suiches y Reconectadores).
En el diagrama unifilar que se muestra en la Figura 36 se observa el circuito dividido en
doce zonas (círculos rojos), en donde dichas zonas representan un grupo de clientes que
consumen determinada cantidad de carga y las cuales se encuentran separadas por
diferentes equipos de protección y seccionamiento.
En la Tabla 6se pueden observar las características de cada zona, en donde se puede
apreciar la carga demandada (En amperios por fase y en promedio), la cantidad de
clientes residenciales y especiales (industriales, comerciales y oficiales con
características especiales) y tipo de conductor en cada zona.
En la Tabla 7se presenta los parámetros eléctricos, y las capacidades de las líneas que
conectan cada una de las secciones del circuito, estos parámetros son usados para los
cálculos de flujos de carga.
En la Tabla 8 se listan las potencias activa y reactiva de cada una de las subestaciones
así como los equipos de seccionamiento que están conectados a ellas y también se
presenta la disponibilidad de la subestación en estado de operación normal.
Capítulo 4 75
Figura 44. Simplificación del unifilar del modelo de distribución.
76 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Tabla 6. Información eléctrica para las zonas de carga de circuito
Zona R [A] S [A] T [A] Promedio
[A] Clientes
[N°] Especiales [N°]
P [kW] Q [kVar] P [pu] Q [pu]
1 36 36 25 32,33 1433 3 221,1372 107,1016 0,22113 0,10710
2 10 10 7 9 258 0 61,56 29,8149 0,0615 0,02981
3 9 9 6 8 113 0 54,72 26,5021 0,0547 0,02650
4 10 10 7 9 258 1 61,56 29,8149 0,0615 0,02981
5 3 3 2 2,67 64 0 18,2628 8,8451 0,0182 0,00884
6 2 2 1 1,67 80 0 11,4228 5,5323 0,01142 0,00553
7 1 1 0 0,67 13 1 4,5828 2,2196 0,00458 0,00221
8 2 2 2 2 11 0 13,68 6,6255 0,0138 0,00662
9 1 1 0 0,67 8 0 4,5828 2,2196 0,0045 0,00221
10 23 22 16 20,33 609 3 139,0572 67,3485 0,1390 0,06734
11 28 27 19 24,67 312 0 168,7428 81,7259 0,1687 0,08172
12 11 11 9 10,33 239 0 70,6572 34,2208 0,0706 0,03422
Total 136 134 94 121,34 3398 9 829,9656 401,97 0,8299 0,4019
Tabla 7. Información eléctrica para las líneas que conectan los circuitos
Línea Conexión de
Zonas
Conductor
ASCR
Capacidad [A]
R [Ω/m]
X [Ω/m] Longitud
[m] R [Ω] X [Ω] R [pu] X [pu]
1 1001 1 4/0 390 0,266 0,404 3000 0,798 1,212 0,01381 0,02098
2 1 2 4/0 390 0,327 0,404 1256 0,411 0,507 0,00711 0,00878
3 2 4 4/0 390 0,327 0,404 1541 0,504 0,623 0,00872 0,01077
4 3 4 4/0 390 0,327 0,404 1541 0,504 0,623 0,00872 0,01077
5 1002 3 266.8 449 0,263 0,377 12385 3,257 4,669 0,05639 0,08083
6 4 5 4/0 390 0,327 0,404 1083 0,354 0,438 0,00613 0,00757
7 5 6 4/0 390 0,327 0,404 520 0,170 0,210 0,00294 0,00363
8 1003 6 4/0 390 0,327 0,404 9356 3,059 3,780 0,05296 0,06544
9 6 7 4/0 390 0,327 0,404 1004 0,328 0,406 0,00568 0,00702
10 7 9 4/0 390 0,327 0,404 2474 0,809 0,999 0,01400 0,01730
11 8 9 1/0 255 0,654 0,43 2474 1,618 1,064 0,02801 0,01841
12 1003 8 1/0 255 0,654 0,43 11400 7,456 4,902 0,12907 0,08486
13 9 10 4/0 390 0,327 0,404 5451 1,782 2,202 0,03086 0,03812
14 10 11 1/0 255 0,654 0,43 5243 3,429 2,254 0,05936 0,03903
15 12 11 1/0 255 0,654 0,43 3000 1,962 1,290 0,03396 0,02233
16 1004 12 1/0 255 0,654 0,43 7759 5,074 3,336 0,08785 0,05776
Capítulo 4 77
Tabla 8. Información eléctrica para las subestaciones del circuito
ID Interrupto
r [N°] Capacida
d [A]
Disponibilidad [%]
P [kW] Q [kVar] P [pu] Q [pu]
1001 1 360 100 820,8 397,5316 0,8208 0,39753
1002 5 400 72 912 441,7018 0,912 0,44170
1003 12 360 72,5 820,8 397,5316 0,8208 0,39753
1003 8 360 72,5 820,8 397,5316 0,8208 0,39753
1004 16 120 60 273,6 132,5105 0,2736 0,13251
Se asume una configuración de los postes plana
Figura 45. Tipos de estructuras comunes en distribución
Tabla 9. Información eléctrica para llevar las variables del circuito a por unidad
Parámetros Unidades Valor
Potencia base [kVA] 1000
Voltaje base [kV] 13,2
Impedancia base [Ω] 57,76
Corriente base [A] 131,578947
Factor de potencia (cos(fi)) 0,900
Fi grados 25,84
78 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Figura 46. Representación del circuito en el entorno de simulación.
En la Figura 46 se presenta el circuito que se usará como caso de estudio para validar la
hipótesis, las líneas punteadas que conectan los nodos son equipos de seccionamiento,
los de color negro son las cuchillas o seccionadores de operación local, los de color
verde, son los suiches de operación remota, y los azules son los reconectadores
automáticos.
5.2 Prueba de la Metodología
Para probar la metodología inicialmente se evaluara el algoritmo de almacenamiento de
la información que calcula las corrientes consumidas por las cargas independientemente
de la reconfiguración que posea el sistema.
Con los datos de corrientes obtenidos para cada una de las zonas de carga, se lleva a
cabo la obtención de los modelos con Redes Neuronales Artificiales (RNA), evaluando
inicialmente cual es la mejor arquitectura de la red por medio de una simulación que
cambian las posibles configuraciones de la arquitectura, con el fin de buscar el modelo
que sea más simple y con mejor ajuste.
Para probar la hipótesis propuesta se comparan los tres casos para estimar, usando los
modelos RNA, valor de potencia máximo estimado para la zona de carga, valor de
potencia anterior a la falla con un incremento que puede variar entre el 5 y 20 % del
valor de potencia instalado.
Estos tres casos, se comparan usando el entorno de restablecimiento en diferentes
escenarios de disponibilidad de potencia.
Capítulo 4 79
Para finalizar la prueba, se realiza lo anterior pero usando la plataforma de simulación
para un periodo de 1 año.
5.2.1 Calculo de las Potencias de las zonas de Carga.
Debido a no poseer datos de mediciones en campo, se opta por crearlos a partir de
simulaciones, para ello se definen un perfil de carga básico de acuerdo con la
caracterización de la carga, cada zona es una combinación de esta caracterización.
Además se define un efecto los eventos aleatorios sobre la curva de demanda.
Figura 47. Curvas características de cada sector.
Tabla 10. Ajuste del efecto de los eventos aleatorios en el comportamiento de la demanda.
En la siguiente tabla se presentan la caracterización de cada zona de carga usada en el
modelo, la cual tiene un porcentaje de participación de los tres sectores definidos,
Residencial, comercial, e industrial, que poseen características bien definidas.
80 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Curva característica de la carga
Figura 48. Curva característica de las zonas de carga
Capítulo 4 81
Para evaluar el algoritmo que permite calcular las potencias consumida en las cargas
usando las corrientes medidas en los equipos de seccionamiento automático, es
necesario ejecutar un conjunto de eventos aleatorios de fallas o de mantenimiento que
varíen las configuración de la red.
Para ello se puede cargar un archivo con la configuración de la ocurrencia de los eventos
o realizarlo de manera aleatoria configurando una cantidad de eventos por año como se
muestra en la
Tabla 11Configuración de eventos de mantenimiento y de falla.
El algoritmo usa como insumos el conocimiento del estado de todos los equipos de
seccionamiento, y las corrientes en los equipos de medida.
En la Figura 49 se presenta una parte de la configuración del circuito, y se observa en la
Figura 50, la curva de demanda vista desde la subestación y la curva de demanda
calculada para las demás zonas de carga usando el algoritmo.
Figura 49. Cargas conectadas a la S/E 2
Figura 50. Curva de demanda de las cargas conectadas a la S/E 2
82 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
En la Figura 51 se presenta una parte del modelo del circuito, en este caso la S/E1
alimenta las zonas Z1 y Z2, como se observa en la Tabla 12 en la cual en la hora 469,
ocurre una reconfiguración que cambia las Z1 y Z2 a la S/E 2 lo que afecta la curva de
demanda vista desde la subestación como se observa en Tabla 13 y en las Figura 53 y
Figura 54
Figura 51Estado del circuito en la hora 468
Tabla 12. Potencias calculadas con el algoritmo y medida en la subestación
Figura 52. Estado del circuito en la hora 469
Tabla 13. Potencias calculadas con el algoritmo y medida en la subestación en la hora 469.
Capítulo 4 83
Figura 53. Curva de demanda de la S/E 1 y de las zonas Z1 y Z2.
Figura 54. Curva de demanda de la S/E 1 y de las zonas Z1 y Z2 en la hora 470.
En la Figura 55 se presenta el estado del circuito en la hora 300 después de esta ocurre una reconfiguración del sistema que se presenta en la Figura 56 esto modifica la curva de demanda que se percibe desde la subestación 3 como se observan en Figura 57.
84 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Figura 55. Estado del circuito en la hora 300.
Figura 56. Estado del circuito en la hora 310
Figura 57. Curva de demanda de la S/E 3.
Capítulo 4 85
En la Figura 55 se presenta el estado del circuito en la hora 300 después de esto ocurre una reconfiguración del sistema que se presenta en la Figura 56 esto modifica la curva de demanda que se percibe desde la subestación 3 como se observan en Figura 57.
Figura 58. Estado del circuito en la hora 580.
Figura 59. Estado del circuito en la hora 590.
Figura 60. Curva de demanda de la 4 S/E.
86 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
5.2.2 Modelado RNA
La obtención de los modelos parte de los resultados obtenidos de la simulación con la
caracterización de las cargas, los eventos climáticos y socioculturales que se llevan a
cabo de manera regular a lo largo de un año. Las variables seleccionada para los
modelos se presentan en la se presenta en Tabla 14.
Tabla 14. Cuadro de variables asumidas para los modelos de Estimación.
CATEGORIA VARIABLE VALORES
Calendario
Hora 1,2,3…23
Día 1,2,3…31
Mes 1,2…12
Día laboral Laboral (1), no laboral (2),
festivo (3)
Climática
Lluvia Seco(3), poca(2) fuerte(1)
Temperatura Alta(3), media(2) baja(1)
Evento sociocultural EvSoc Ev Deportivo (1), Paro laboral
(2),Ev electoral (3)
Carga eléctrica carga 2 horas antes Potencia kVA
carga 1 horas antes Potencia kVA
La búsqueda de la mejor arquitectura para cada modelo, se realizo probando más de
1000 combinaciones en un espacio de variación de máximo 5 capas ocultas y máximo 8
neuronas por capa, las funciones de activación disponibles para la búsqueda se
presentan a continuación.
Función de activación = 1 'tansig';
Función de activación = 2 'logsig';
Función de activación = 3 'purelin';
Función de activación = 4 'hardlim';
Función de activación = 5 'hardlims';
Función de activación = 6 'redbas';
A continuación se presentan los resultados del modelo RNA para la zona de carga 1.En
la Tabla 15 se muestran la lista de mejores arquitectura, según el ajuste cuadrático y el
error de estimación. Se selecciona el modelo más simple con menor cantidad de
neuronas, de capas ocultas y con el menor error cuadrático medio.
Modelo 1
Figura 61. Curva de demanda zona 1
El modelos 1 pose una característica de carga: 20% residencial, 20% comercial y 60%
Industrial como se muestra en la Figura 61. La arquitectura seleccionada posee el menor
MSE, y SSE, además se garantiza que el 100% de la estimación poseen un error menor
al 2 % del máximo valor estimado Figura 62.
Tabla 15. Arquitecturas y resultados obtenidos para los modelos de estimación.
Resultados de validación Capas N° Neuronas Funciones Activación
Iteración SSE MSE R^2 N° C1 C2 C3 C4 C5 C1 C2 C3 C4 C5
96 455,8887 0,054292 0,999970 2 8 7 0 0 0 2 1 0 0 0
22 503,4335 0,059954 0,999967 4 8 4 7 8 0 2 2 2 1 0 797 1007,5347 0,119987 0,999933 5 6 6 8 8 8 2 1 2 3 3
431 1126,8100 0,134192 0,999925 3 6 8 8 0 0 3 2 2 0 0
256 1139,6770 0,135724 0,999924 5 7 6 4 2 5 3 1 2 2 1
466 1572,5072 0,187270 0,999896 5 8 2 8 4 6 2 3 2 2 3
853 2055,5767 0,244799 0,999864 3 4 3 7 0 0 1 3 1 0 0
177 2342,3630 0,278952 0,999844 2 5 5 0 0 0 2 1 0 0 0
289 2451,7445 0,291979 0,999837 2 6 8 0 0 0 2 1 0 0 0 896 3382,9200 0,402872 0,999775 2 5 8 0 0 0 1 1 0 0 0
584 3876,6984 0,461677 0,999743 1 7 0 0 0 0 2 0 0 0 0
758 3964,6886 0,472155 0,999737 4 6 2 8 8 0 2 2 1 3 0
788 4021,8861 0,478967 0,999733 2 3 7 0 0 0 1 1 0 0 0
567 5012,3831 0,596925 0,999667 1 8 0 0 0 0 1 0 0 0 0
922 6857,9583 0,816715 0,999545 3 5 3 2 0 0 1 2 2 0 0
88 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Figura 62. Curva de demanda estimada y la real, datos de validación y ajuste al modelo.
Arquitectura para el modelo RNA de zona de carga 1
Figura 63. Red neuronal artificial (RNA) de la zona de carga 1.
Numero de capas ocultas = 2
Neuronas capa = [8,7,1]
Funciones de Activación =Logsig, Tansig, Purelin
% Pesos de capa de entrada IW1,1=
% Pesos de Capa oculta
%capa 1 LW1,1=
%Capa 2 LW2,1= [2.9987 -6.9110 -2.0519 3.9372 2.7292 0.6017 2.9288];
Capítulo 4 89
% Bias
RESUMEN DE RESULTADOS
Con los resultados que se presentan en la Tabla 16 se observa que el error es menor al 2
% para más del 99% de los casos de estimación, por lo tanto se puede obtener
resultados con una certeza aceptable para el proceso de restablecimiento. Estos
resultados también verifican el buen funcionamiento del algoritmo que se usó para el
cálculo de las potencias de las zonas de carga. Además de esto, los modelos obtenidos
con la interface son fáciles de integrar al entorno de restablecimiento. La labor de
modelado puede ser programada para que se realice de manera automática,
integrándola con la base de datos de las potencias, permitiendo mantener actualizados
los modelos.
Tabla 16 Arquitecturas y resultados obtenidos para los modelos de estimación
Resultados de validación Capas N° Neuronas
Funciones Activación # zona <2% 2 - 5 % 5%< SSE MSE R^2 N°
1 100 0 0 455,888 0,054292 0,99997 2 8,7 Logsig, tangsig
2 99,841 0,1984 0 671,280 0,079943 0,999625 1 8 tangsig
3 99,683 0,317 0,039 159,491 0,018994 0,999901 2 7,8 tangsig,Logsig
4 99,52 0,5158 0 350,481 0,041739 0,999802 2 6,5 tangsig,tangsig
5 99,96 0,0793 0 5,15674 0,0006141 0,99995 1 7 logsig
6 100 0 0 4,1587 0,0004953 0,999909 1 8 tangsig
7 99,762 0,277 0 1,2079 0,0001438 0,999925 2 8,8 tangsig,tangsig
8 99,841 0,198 0 16,1614 0,00192 0,999843 2 7,8 tangsig,Logsig
9 99,16 0,873 0 2,626 0,000313 0,999809 1 8 logsig
10 100 0 0 243,491 0,028997 0,999965 2 6,7 tangsig,tangsig
11 100 0 0 875,45 0,104257 0,999912 2 7,4 Logsig, tangsig
12 100 0 0 73,311 0,00873 0,999954 2 8,5 Logsig, tangsig
90 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
5.2.3 Prueba del entorno de restablecimiento
En la Figura 64 se presenta la interface para configurar la disponibilidad de los equipos la disponibilidad de potencia en la subestación, de tal forma que se pueda recrear la condición del sistema después de aislar el evento de falla.
Figura 64. Configuración del evento de restablecimiento
En la Figura 65 se presenta la configuración de la condición de falla permanente en la zona 5, por lo tanto para despejar la falla se abren el Sw1 y para poder aislar la falla es necesario abrir los seccionadores 3 y 4 y dejarlos inhabilitados para la búsqueda de la reconfiguración que permita restablecer el servicio a la zona 3,4 y 6. Para ello se configuran el estado de ambos seccionadores como indisponible abierto (3) como se muestra en la Figura 65.
Figura 65. Configuración de la condición del despeje de la falla.
Capítulo 4 91
Figura 66. Estado del sistema después del despeje de la Falla.
A continuación se realiza la búsqueda usando como base la estimación de la demanda por medio de los modelos con RNA, para la hora del restablecimiento. En la Figura 67 se presenta la ventana de configuración de la búsqueda con el algoritmo genético.
Figura 67. Ventana de configuración de la búsqueda de mejor reconfiguración.
92 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
En la Figura 68 se presentan los resultados de la búsqueda, en esta interface se puede
organizar la lista de reconfiguraciones, según la función objetivo, Perdidas potencia
activa, numero de usuario, numero de cargas especiales, y numero de maniobras.
Figura 68. Resultados de la búsqueda de mejor reconfiguración.
En la Tabla 17 se presentan las posibles reconfiguraciones, la selección se realiza buscando el mayor numero de usuario, el menor número de maniobras y la mínimas perdidas de potencia activa.
Tabla 17. Resultados de la reconfiguraciones posibles.
La reconfiguración seleccionada es la número 1, la cual disminuye el tiempo de operación de los equipos lo que representa un menor SAIDI. Las pérdidas de potencia activa son solo 12,27 kW. Esta reconfiguración se usa durante el tiempo que dure la reparación en la zona 5, esta se presenta en la Figura 69.
Capítulo 4 93
Figura 69. Alternativa de restablecimiento N° 1 menor número de maniobras.
En la Figura 70 se presenta el plan de restablecimiento, el cual en este caso solo consiste en cerrar el siw 1 y el siw 3, en este se listan, los equipos pero el orden en el que aparecen no corresponde a la secuencia de ejecución de maniobras, esta se realiza de acuerdo con la experticia del operador.
Figura 70. Plan de restablecimiento Alternativa 1.
94 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
En la Figura 71 se presenta la alternativa 3 para el restablecimiento, esta posee un
mayor SAIDI, con respecto al anterior, pero presenta menores perdidas de potencia
activa (9,7 kW).
Figura 71. Alternativa de restablecimiento N° 3 menor número de Pérdidas
Figura 72. Plan de restablecimiento Alternativa 3
Capítulo 4 95
En la Figura 73 se presenta los resultados del análisis de la vigencia de la
reconfiguración para el evento de restablecimiento, en esta se compara como seria la
evolución temporal de la demanda, en este caso se evalúa la vigencia en un periodo de
tiempo de 4 horas, este parámetro puede ser ajustable, a su vez se puede variar el
numero de reconfiguraciones evaluadas. La comparación presenta, que la alternativa
numero 3 tendría la mínima pérdidas totales en el tiempo evaluado. Sin embargo la
alternativa escogida es la 1, la cual posee 6 kW mas de pérdidas durante el proceso.
Esto permite conocer cuánto tiempo puede durar la reconfiguración en una circunstancia en la que la potencia disponible en la subestación sea limitada. Además de tener un criterio adicional para poder seleccionar la mejor reconfiguración.
Figura 73. Evalúa vigencia del restablecimiento de las primeras 4 alternativas.
Se repitió la búsqueda de reconfiguración para el restablecimiento usando los otros dos
tipo de estimación de potencia, al comparar los resultados obtenidos se observa que no
existe diferencia en los resultados de búsqueda.
Al revisar la condición para el restablecimiento, se calcula que la potencia que se estima
para las cargas, en promedio equivale a un 32% de la carga disponible en las
subestaciones, por lo tanto esto no implica una condición crítica para encontrar la
reconfiguración que garantice restablecer el servicio a la mayor cantidad de usuarios de
la red.
Para la reconfiguración seleccionada en cada uno de los casos, la única diferencia es en
las perdidas de potencia activa, esto se explica debido a que los cálculos se realizan
partiendo de la potencia estimada, por lo tanto esto no sería un indicador muy diciente
en el caso de tener una predicción muy alejada del valor real.
96 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Bajo estas condiciones de simulación la única diferenciación encontrada es el error de
estimación el cual según las condiciones de disponibilidad de potencia no representa
mayor importancia.
Tabla 18 Comparación de resultados prueba 1.
Tipo estimación ID SAIDI N° de
Usuarios
Tiempo operación
[m]
N° Maniobras
EqAut.
N° Maniobras
EqMan.
Modelos RNA 63261 0.640 3334 4 2 0
100 % carga 63261 0.640 3334 4 2 0
Pre falla 63261 0.640 3334 4 2 0
Tabla 19. Comparación de resultados prueba 1.
Tipo estimación
ID
Potencia Estimadas a restablecer
[kW]
Potencia restablecida
[kW]
% Error de Estimación
Pérdidas Estimadas
[kW]
Potencia disponible
[kW]
% de Potencia
requerido
Modelos RNA 63261 738
730
1,10 12.3
2239 32,60 100 % carga 63261 812 11,23 16.1
Pre falla 63261 773 5,89 14.18
Tabla 20. Resultados de estimación usando modelos RNA.
Capítulo 4 97
Tabla 21. Resultados estimación máxima potencia instalada.
Tabla 22. Resultados de estimación basado en la potencia prefalla.
98 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
5.2.4 Diseño de experimentos y pruebas.
Se quiere probar en qué condiciones del sistema, el tener una estimación precisa de la
demanda favorece el restablecimiento.
Caso 1.
22% de usabilidad. Carga nominal
Disponibilidad normal
Caso 2.
50% de usabilidad. Carga nominal
Disponibilidad reducida a un 50%
Caso 3.
63% de usabilidad. Carga nominal incrementada en 30 %
Disponibilidad reducida a un 50%
Tabla 23. Resumen Casos de prueba
Casos %
incremento carga
Disp. P [kW]
Demanda [kW]
% de utilización
1 0 3648 829,92 22,75
2 0 1643 829,92 50,512
3 0,3 1699 1078,90 63,502
Capítulo 4 99
1- Prueba en el tiempo Esta prueba consiste en definir uno eventos de mantenimiento y de ocurrencia de falla que afectan la disponibilidad de los equipos y de la potencia en la subestaciones, cuando ocurre un evento es necesario realizar la reconfiguración del sistema, simulando la operación real del sistema. Con el fin de comparar los tres tipos de estimación y su efecto en la reconfiguración, se simulan 1000 horas, a continuación se presentan las condiciones que se consideraron para esta.
Figura 74. Condiciones para la simulación temporal
A continuación se presentan las Tabla 24y Tabla 25 que presentan la información necesaria para la ocurrencia de las fallas, la primera columna representa el tipo equipo, si es 1 es un interruptor, 2 siwche, 3 seccionador, 4 subestación y 5 zona de carga. Cada uno de los eventos posee una fecha de ocurrencia día y hora, una duración, un porcentaje de indisponibilidad el tipo de equipo y el número. Con esta información se lleva a cabo la ocurrencia de los eventos, con los cuales se prueba las condiciones de estimación y el funcionamiento del modelo para representar el comportamiento del sistema.
100 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
FALLAS
Tabla 24. Eventos de fallas EQ Día N° EQ Indisponibilidad Duración Hora
1 27 2 1 3 18
1 46 3 1 6 13
1 50 1 1 1 14
1 39 2 1 1 14
2 40 1 1 4 13
2 45 3 1 7 10
2 39 2 1 6 18
2 26 1 1 5 20
3 48 5 1 1 16
3 10 8 1 7 10
3 43 1 1 4 18
3 47 7 1 1 14
4 46 2 1 3 15
4 12 4 1 5 10
4 23 3 1 4 17
4 32 1 1 5 15
5 46 4 1 1 12
5 42 6 1 5 18
5 49 11 1 2 17
5 19 2 1 4 19
MANTENIMIENTO
Tabla 25. Eventos de Mantenimiento EQ Día N° EQ Indisponibilidad Duración Hora
1 50 2 1 8 13
1 34 3 1 3 10
1 13 1 1 5 11
1 22 2 1 1 9
2 28 2 1 2 11
2 34 1 1 6 12
2 39 3 1 7 10
2 19 2 1 2 10
3 24 8 1 7 11
3 47 7 1 8 10
3 21 6 1 5 11
3 18 2 1 5 9
4 31 4 1 1 9
4 44 1 1 1 13
4 47 2 1 6 13
4 30 3 1 4 13
5 46 11 1 2 11
5 11 1 1 1 13
5 26 5 1 7 11
5 21 2 1 4 10
Capítulo 4 101
Se usan los siguientes escenarios en los cuales se consideran condiciones para el sistema que pueden hacer necesario el uso de la metodología propuesta en este trabajo.
2- Prueba Escenario 1
Mantenimiento SW2 Falla S/E 3
3- Prueba Escenario 2 Mantenimiento Secc1 Falla Z3
102 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Resultados Caso 1 22% de usabilidad. Carga nominal
Disponibilidad normal
Tabla 26 .Resultados temporal caso 1 Prueba Temporal (Suma)
Tipo estimación
Potencia [kW]
N° Usuario % Pérdida Pérdida
[kW] N° Man Saidi
Modelos RNA
34603 183705 674,09 104,47 142 3227,86
100 % carga 33853 180628 1157,01 186,28 124 3048,27 Pre falla 34439 183738 1224,82 189,66 112 2784,44
Prueba Temporal (Promedio)
Tipo estimación
Potencia [kW]
N° Usuario % Pérdida Pérdida
[kW] N° Man Saidi
Modelos RNA
629,15 3340 12,26 1,90 2,58 58,69
100 % carga 626,91 3345 21,43 3,45 2,30 56,45
Pre falla 626,16 3341 22,27 3,45 2,04 50,63
Se observa de la prueba temporal con el caso 1, que hay una disminución de perdidas
con la estimación usando los modelos RNA, sin embargo en este caso se encontró un
aumento del número de operaciones, por ende aumenta el SAIDI.
Tabla 27. Resultados en Escenarios Caso 1
Escenario 1 Tipo
estimación ID N° Usuario
N° C Esp
N° Man Saidi Potencia
[kW] % Pérdida
Pérdida [kW]
Modelos RNA 54253 3387 9 1 0,129 736 6,51 47,98
100 % carga 54249 3086 9 2 4,6 662 4,55 30,17
Pre falla 54265 3086 9 2 4,6 691 4,55 31,44
Escenario2
Tipo estimación
ID N°
Usuario N° C Esp N° Man Saidi
Potencia [kW]
% Pérdida Pérdida
[kW]
Modelos RNA 13817 2937 9 3 6,370 529 5,16 27,31
100 % carga 13784 2721 8 5 14,1 532 5,92 31,51
Pre falla 13784 2721 8 5 14,1 554 5,74 31,81
En ambos escenario de falla se observa que al usar la estimación con los modelos RNA
se obtuvo una disminución significativa del SAIDI y del numero de pérdidas,
adicionalmente hay un incremento en el numero de usuario.
Capítulo 4 103
Resultados Caso 2 50% de usabilidad. Carga nominal
Disponibilidad reducida a un 50%
Tabla 28. Resultados temporal caso 2 Prueba Temporal (Suma)
Tipo estimación
Potencia [kW] N° Usuario % Pérdida Pérdida [kW] N° Man Saidi
Modelos RNA 33881 180296 522,27 80,25 150 3579,92
100 % carga 33230 176376 1446,94 231,67 204 3922,04
Pre falla 31976 170091 694,79 107,08 162 3472,69
Prueba Temporal (Promedio)
Tipo estimación
Potencia [kW] N° Usuario % Pérdida Pérdida [kW] N° Man Saidi
Modelos RNA 627,43 3339 9,67 1,49 2,78 66,29
100 % carga 626,98 3328 27,30 4,37 3,85 74,00
Pre falla 626,98 3335 13,62 2,10 3,18 68,09
Se observa de la prueba temporal con el caso 2, que hay una disminución de perdidas
con la estimación usando los modelos RNA, y a diferencia del caso anterior hay también
un diminución en el número de operaciones, en el SAIDI, y un incremento en el número
de usuarios restablecidos.
Tabla 29. Resultados en Escenarios caso 2
Escenario 1
Tipo estimación
ID N° Usuario N° C Esp N° Man Saidi Potencia
[kW] %Pérdida
Pérdida [kW]
Modelos RNA 54205 2365 5 2 12,460 532 1,35 7,21
100 % carga 5109 2345 6 4 16,1 450 0,93 4,19
Pre falla 5101 2345 6 4 16,1 466 0,92 4,32
Escenario2
Tipo estimación
ID N°
Usuario N° C Esp N° Man Saidi
Potencia [kW]
% Pérdida Pérdida
[kW]
Modelos RNA 13805 2356 6 3 15,63 505 5,34 26,97
100 % carga 29913 1540 6 4 38,3 386 1,19 4,61
Pre falla 29913 1540 6 4 38,3 405 1,21 4,92
En ambos escenario de falla se observa que al usar la estimación con los modelos RNA
se obtuvo un aumento significativo en el número de usuarios y en la potencia
restablecida, y a su vez menor número de maniobras para el restablecimiento.
104 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Resultados Caso 3 63% de usabilidad. Carga nominal incrementada en 30 %
Disponibilidad reducida a un 50%
Tabla 30. Resultados temporales caso 3 Prueba Temporal (Suma)
Tipo estimación
Potencia [kW] N° Usuario % Pérdida Pérdida [kW] N° Man Saidi
Modelos RNA 40540 166199 728,17 89,16 178 3617,07
100 % carga 35863 157892 997,08 138,25 203 4070,15
Pre falla 34679 154197 1235,75 174,12 189 3647,78
Prueba Temporal (Promedio)
Tipo estimación
Potencia [kW] N° Usuario % Pérdida Pérdida [kW] N° Man Saidi
Modelos RNA 810,80 3324 14,56 1,78 3,56 72,34
100 % carga 717,26 3158 19,94 2,76 4,06 81,40
Pre falla 707,73 3147 25,22 3,55 3,86 74,44
Se observa de la prueba temporal con el caso 3, que hay una disminución de perdidas
con la estimación usando los modelos RNA, en el número de operaciones y en el SAIDI,
a su vez hay un incremento en la potencia y el número de usuarios restablecidos.
Tabla 31. Resultados en Escenarios caso 3 Escenario 1
Tipo estimación
ID N° Usuario N° C Esp N° Man Saidi Potencia
[kW] %Pérdida
Pérdida [kW]
Modelos RNA 5101 2345 6 4 16,1 566 1,10 6,26
100 % carga 21437 2252 5 3 17,2 564 1,03 5,83
Pre falla 21374 1949 5 3 21,7 470 0,86 4,02
Escenario2
Tipo estimación
ID N°
Usuario N° C Esp N° Man Saidi
Potencia [kW]
%Pérdida Pérdida
[kW]
Modelos RNA 29914 1301 6 4 31,190 443 1,14 5,05
100 % carga 9721 1282 5 4 33,0 421 1,12 4,71
Pre falla 9721 1282 5 4 33,0 438 1,09 4,78
En ambos escenarios se observa que para el caso simulado se obtienen resultado similar
a los casos anteriores lo que valida la hipótesis. Entre mayor precisión se tiene en la
estimación de la demanda a restablecer se puede obtener mayor carga restablecida.
Capítulo 4 105
A continuación para realizar un análisis desde otra perspectiva se organizan los
resultados obtenidos para los diferentes casos de disponibilidad de potencia del sistema
en los tres escenarios, los resultados en las tablas presentan el porcentaje de incremento
de disminución de la estimación con RNA respecto a los demás tipos de estimación.
Tabla 32. Prueba temporal
% de aumento o disminución de la Estimación usando modelos respecto las demás.
casos N° Usuario N° Man Saidi Potencia [kW] % Pérdida Pérdida [kW]
1 1,70 14,52 5,89 2,22 -41,74 -43,92
2 2,22 -26,47 -8,72 1,96 -63,91 -65,36
3 5,26 -12,32 -11,13 13,04 -26,97 -35,51
En la medida que la disponibilidad de potencia disminuye el impacto de una falla puede
ser mayor como se observa en el escenario temporal al usar los modelos RNA, para la
estimación se tiene un aumento de hasta el 5% en el número de usuarios y del 13 % en
la potencia restablecida en comparación con los otros tipo de estimación.
Tabla 33. Escenario 1 (Mantenimiento Secc1 y Falla S/E 2)
% de aumento o disminución de la Estimación usando modelos respecto las demás.
casos N° Usuario N° Man Saidi Potencia [kW]
1 7,9 -40 -55,0 -0,6
2 5,0 -25 -59,2 30,8
3 1,5 0 -29,7 2,9
Tabla 34 . Escenario 2 (Mantenimiento SW2 y Falla S/E 3 )
% de aumento o disminución de la Estimación usando modelos respecto las demás.
casos N° Usuario N° Man Saidi Potencia [kW]
1 9,8 -50 -97,2 11,2
2 5,9 -50 -22,7 18,2
3 4,1 33 -6,3 0,4
Se observa en los escenarios 1 y 2 que en la medida que la disponibilidad de potencia es menor, empieza a tener menor efecto la precisión en la estimación, esto se debe a que cuando el sistema posee mayor usabilidad así se tenga muy buena estimación, un evento de falla puede limitar las condiciones para el restablecimiento. Sin embargo se observa que al haber mayor precisión en la estimación de la demanda se
pueden obtener mejores resultados en un evento de restablecimiento en términos del
SAIDI, el número de usuarios y la potencia restablecida.
6. Conclusiones y recomendaciones
6.1 Conclusiones
Con los resultados obtenidos se puede concluir que la metodología presenta ventajas
debido a que, en el tiempo se obtiene un ahorro considerable al tener una disminución en
las perdidas de la operación del sistema, por medio de la escogencia adecuada de las
reconfiguraciones. Además, se percibe un aumento en la cantidad de usuarios
restablecidos en comparación con los otros tipos de estimación.
Al agregar mayor inteligencia al proceso, con el uso de la metodología se garantiza mejor
respuesta de los operadores de la red sobre los eventos de restablecimiento; si bien un
operador experimentado puede llegar a escoger las reconfiguraciones adecuadas, no
pasa lo mismo con un operador de poca experiencia, por esto al usar la metodología
como herramienta de apoyo se le estaría brindando a los operadores, sin importar su
experiencia, un medio para mejorar los resultados operativos frente a los eventos de
restablecimiento.
El uso de la evaluación de la vigencia del restablecimiento según los resultados
obtenidos puede no ser relevante cuando el sistema este con poca carga, sin embargo,
cuando se tenga una carga considerable en la red es importante revisar la vigencia,
puesto que es más probable que algunas de las reconfiguraciones halladas no garanticen
la operación en el periodo en el que se realiza la reparación de los equipos fallados.
La posibilidad de tener modelos de estimación de la demanda cada vez presentará
mayores ventajas, debido a que la variabilidad de la carga empieza a aumentar y será
necesario su uso para la operación de la red, debido al ingreso de nuevas tecnologías,
como las fuentes renovables, además el ingreso de vehículos eléctricos a la red afectará
directamente las curvas de carga.
108 Metodología para generar planes de Restablecimiento de un Sistema de Distribución de
Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios que
afectan la disponibilidad del servicio
Con los resultados obtenidos para los modelos de estimación, se comprueba que el
algoritmo para calcular los valores de demanda de las zonas de carga es efectivo, y que
puede ser implementado en sistemas que solo cuenten con equipos de medida en los
seccionamientos automáticos. También es claro que la precisión aumenta con el
incremento de equipos de medición. Con el ingreso de las Smart grid, será cada vez más
factible obtener modelos del comportamiento de la demanda a partir de la información
que se obtiene del sistema.
Los algoritmos genéticos son una herramienta efectiva para la búsqueda de las mejores
reconfiguraciones; al usar restricciones como reglas heurísticas para evaluar los
individuos se logra mejorar los tiempos de búsqueda. En 10 segundos se ejecutan 10 mil
generaciones, encontrando más de 100 soluciones de reconfiguración para un caso
particular del sistema. Este algoritmo además permite evaluar otras funciones objetivo a
la par, y así poder comparar cual puede presentar mejores condiciones para el
restablecimiento.
La metodología propuesta permite realizar restablecimientos parciales o totales, además
puede ser usada para la operación de la red, por lo tanto, esta puede ser vista como una
herramienta de apoyo a la toma de decisiones en los procesos operativos de un sistema
de distribución.
Conclusiones 109
6.2 Recomendaciones
La metodología puede ampliarse incluyendo la etapa de localización y aislamiento de la
falla, completando así el proceso de restablecimiento.
La plataforma de simulación puede ser usada para evaluar esquemas de automatización,
además, se podrían realizar pruebas que permitan evaluar la mejor ubicación de los
equipos automáticos para la reconfiguración del sistema. También se puede estudiar
cuales zonas del sistema son vulnerables ante posibles escenarios de falla, y mejorar la
condiciones de confiabilidad agregando más equipos de seccionamiento, líneas que
permitan conectarse a otras fuentes de alimentación o bancos de baterías.
La metodología puede probarse en escenarios con generación distribuida para plantear
mejoras a los algoritmos en la obtención de los datos de variación de la carga y así
considerar los efectos que trae el uso de estas fuentes de generación. También puede
evaluarse la influencia en la variación de la demanda al incluir la carga de automóviles en
la red de distribución.
A. Anexo: Estructura de las funciones usadas en el entorno de restablecimiento del sistema.
Interface grafica
• HERRAMIENTA_RECONFIGURACION.m (Presentación)
• OPTIM_RECONFIGURACION.m (programa Principal, se configura la estimación de
la demanda y el algoritmo genético)
• RESULTADOS.m (Se presenta gráficamente las topologías y las pérdidas de
potencia)
Algoritmo Genético
FunPoblIn.m (crea la población de inicial)
FunReprod.m (se realiza el cruzamiento y la mutación entre las parejas de padres)
FunEval.m (se evalúa los individuos, con restricciones y flujo de carga)
FunSelec.m (se seleccionan de la lista de mejores soluciones, la nueva población de
padres para iniciar el proceso.)
FunAjuste.m (permite evaluar las restricciones y evaluar la solución)
FunRama.m (pasa de la codificación a la representación del circuito)
FunTopo.m (Arma la topología con los parámetros eléctricos)
FlujoCarga.m (Calculo eléctrico de las pérdidas de potencia)
Otras funciones
FunDemanda.m (Permite la estimación de la demanda de potencia de acuerdo a
una hora del día.)
DecBin.m (Permite pasar de binario a decimal)
FunGra.m (obtener las gráficas de la topología)
FunGraReporte.m
Reporte.m (obtener el reporte de la simulación en formato html)
B. Anexo: información básica sobre redes neuronales artificiales RNA
Las redes neuronales Artificiales (RNA) son una herramienta inspirada en el procesamiento físico del cerebro [104], esta consiste en una estructura compuesta de un número de unidades interconectadas, cada una es capaz de realizar un procesamiento usando los datos de entrada en una función matemática para generar una salida que es transmitida a las neuronas siguientes. Las RNA son usadaspara resolver problemas de clasificación, identificación, diagnóstico, optimización o predicción. Para construirlas se define una arquitectura como se expone en [104] y se entrena con datos de entrada y de salida del problema a resolver; el entrenamiento consiste en ajustar el peso de las conexiones entre las neuronas, usando un algoritmo de optimización conocido como algoritmo de entrenamiento [105].
Entre los tipos de redes neuronales más usados se encuentran las redes neuronales perceptrón multicapa, debido a su simplicidad y los buenos resultados. Sin embargo, para garantizar el funcionamiento de la red se debe tener en cuenta la selección de la arquitectura, las funciones de activación y el algoritmo de entrenamiento, como se expone en [104], además de una cantidad de datos de entrada y salida suficiente para abarcar el problema que se va solucionar. A continuación se describen las, redes neuronales perceptron multicapa, estas son unas de las más usadas; sus características son:
Se conforman por capas, donde una capa es una colección de neuronas. Existen, tres diferentes tipos de capas, una capa de entrada, que es la que toma el estímulo proveniente del exterior, una o varias capas ocultas y una capa de salida que comunica el resultado al exterior.
Además, todas las salidas de las neuronas están conectadas con las neuronas de la capa siguiente, es decir, existe interconexión total.
El flujo de información es de la capa de entrada hacia la capa de salida, lo que se conoce como red feedforward.
Para crear este tipo de red se deben definir: La arquitectura, esto se entiende como el número de capas ocultas, y la cantidad de neuronas en las capas ocultas, un ejemplo de esto se observa en la Figura 75
114 Metodología para generar planes de Restablecimiento de un Sistema de Distribución
de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios
que afectan la disponibilidad del servicio
Figura 75Red perceptrón multicapa.
Cada neurona recibe las entradas, multiplicadas por los pesos, estas se les resta un umbral, y se suman, el resultado es evaluado por una función de activación y posteriormente entregan un resultado, cada neurona realiza la misma función, dentro de la estructura de la red.
Σ
NEURONA i
Wi1
Yi
F ( )
Win
Wi2
X1
X2
Xn
Salida
Entradas
-1
Ɵi
Umbral
Función de
Activación
Yi = F( Σ Wij*Xj - Ɵi )
Figura 76Descripción de una neurona artificial
La función de activación de las neuronas en cada capa; esta función de activación se define como se muestran en la Figura 77.
Bibliografía 115
Figura 77Funciones de activación.
El algoritmo de entrenamiento, este permite obtener los pesos de la red neuronal, esto es visto como un problema de optimización, y la forma en la que los pesos son actualizados durante el proceso de entrenamiento de la red dependerá entonces de la función objetivo, de la función de transferencia de las neuronas y del algoritmo de minimización usado. Algunos algoritmos son:
Backpropagation
Quasi-Newton,
Gradiente conjugado
Levenberg-Marquard. Para realiza el modelo se usa el toolbox de matlab el cual permite ajustar obtener el modelo usando las siguiente funciones. net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF) % se crea la red [net,tr] = train(NET,X,T,Pi,Ai) % se entrena la red [Y,Xf,Af,E,perf] = SIM(net,X,Xi,Ai,T) % se hace la validación de la red
116 Metodología para generar planes de Restablecimiento de un Sistema de Distribución
de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios
que afectan la disponibilidad del servicio
Bibliografía
[1] Ramírez S. “Redes de Distribución de Energía” Universidad Nacional de Colombia
TerceraEdición Manizales 2004. [2] Gonen,Turan “Electric Power Distribution System Engineering” California State
University, McGraw Hill1986. [3] “Electrical Transmission and Distribution Reference Book, by central station Engineers
od the whestinghouse electric corporation East Pittsburgh, Pennsylvania 1984 [4] Gonzales, A.A.; “Mejoramiento de la confiabilidad en sistemas de distribución mediante Reconfiguración de circuitos Primarios” Trabajo de Grado. Universidad
tecnológica de Pereira 2007. [5] Muñoz, C,M.. “Flujo de potencia Trifásico para sistemas de Distribución . Pontifica
Universidad Católica De Chile, Escuela de ingeniería. Santiago de cine junio de 1989. [6] Zapata M. German “Seminario Automatización de Sistemas de Distribución” Profesor Asistente. Universidad Nacional, Colombia, 2001.
[7] Zapata M. German “Algoritmo Para Restablecimiento Automático Del Servicio De
Energía” Tesis De Maestría En Automática, Universidad del Valle 2004.
[8] Hernandez, V.; Velásquez, J.D; Franco, C.J. (2011). Recent Advances In Load Forecasting Using NonlinearModels Universidad Nacional de Colombia.
[9] Velásquez, J.D.; Dyner, I.; Souza, R.C. (2007). ¿Porqué es tan difícil obtener buenos pronósticos de los precios de la electricidad en mercados competitivos? Cuadernos de
Administración, 20, 34, 259 – 282 [10] Unidad De Planeación Minero Energética. (2010). Proyección de demanda de energía eléctrica y potencia. Revisión, marzo de 2010.
[11] Barrientos, A.F.; Olaya, J.; González, V.M. (2007). Un modelo spline para el pronóstico de la demanda de energía eléctrica. Revista Colombiana de Estadística, 30(2),
187-202. [12] Labys, W. (1999). Modelling Mineral and EnergyMarkets.KluwerAcademicPublishers.
[13] Vellasco, M.; Pacheco, M.; Ribeiro, L.; DE Souza, F. (2004) Electric load forecasting: evaluatingthe novel hierarchicalneuro-fuzzy BSP model. International Journal of Electrical
Power & Energy Systems, 26, 2, 131-142.
Bibliografía 117
[14] Carreno, E.M.; Sanches, T.I.; Padilha-Feltrin, A. 2006. Consumer behavior after the Brazilian Power Rationing in 2001.Transmission&DistributionConference and Exposition: LatinAmerica, 1 – 6. [15] Murillo, J.; Trejos, A.; Carvajal, P. (2003). Estudio del pronóstico de la demanda de energía eléctrica utilizando modelos de series de tiempo. Scientia et Technica, 23, 37–42 [16] Barrientos, A.F.; Olaya, J.; González, V.M. (2007). Un modelo spline para el pronóstico de la demanda de energía eléctrica. Revista Colombiana de Estadística, 30(2), 187-202 [17] Castaño, E. (2007). Reconstrucción de datos de series de tiempo: una aplicación a la demanda horaria de electricidad. Revista Colombiana de Estadística, 30(2), 247–263. [18] Velásquez, J.D.; Franco, C.J.; García, H.A. (2009). Un modelo no lineal para la predicción de la demanda mensual de la electricidad en Colombia. Estudios Gerenciales, 25, 112, 37-54 [19] Medina, S.; García, J. (2005). Predicción de demanda de energía en Colombia mediante un sistema de inferencia difuso neuronal. Revista Energética, 33, 15–24.
[20] Araníbar, J; Humérez, Q. 1995 Modelos de series de tiempo para el pronóstico de precios de minerales. [21] Gonzalez, E.; Jaramillo, M. A.; Carmona, D. (2007). Forecasting of the electric energy demand trend and monthly fluctuation with neural networks.Computers& Industrial Engineering, 52, 3, 336-34 [22] Medina H. S; Moreno C. J; Gallego V. J, (2011). Pronóstico de la demanda de energía eléctrica horaria en Colombia mediante redes neuronales artificiales. Revista Facultad de Ingeniería Universidad de Antioquia, núm. 59, junio, 2011, pp. 98-107 Universidad de Antioquia Medellín, Colombia [23]García, D.; Cabrera, A.; (2003) Predicción de la demanda eléctrica de corto plazo mediante Redes Neuronales Artificiales.
[24] Mallo G. Carlos Predicción de la demanda eléctrica horaria mediante redes neuronales artificiales. Departamento de Economía Cuantitativa. Universidad de Oviedo.
Avda. del Cristo s/n. 33006 Oviedo [email protected] [25] Mamlook, R.; Badran, O.; Abdulhadi,E. (2009). A fuzzy inference model for short-term load forecasting.EnergyPolicy, 37, 4, 1239-1248
[26] Pai, P.; Hong, W. (2005). Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms. Electric Power Systems Research,
74(3), 417–425 [27] Azadeh, A., Ghaderi, S.F., Tarverdian, S. Y Saberi, M. (2007). Integration of artificial neural networks and genetic algorithm to predict electrical energy consumption.AppliedMathematics and Computation, 186(2), 1731-1741.
118 Metodología para generar planes de Restablecimiento de un Sistema de Distribución
de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios
que afectan la disponibilidad del servicio
[28] Granobles, Rafael, Díaz Juan et-al “Estado del arte en reconfiguración de sistemas de distribución” Universidad del Valle, Energía y computación, Colombia, 2001.
[29] Gonzales, Alfonso. “Mejoramiento de la confiabilidad en sistemas de distribución mediante reconfiguración de circuitos Primarios” Universidad tecnología de Pereira.
Trabajo de grado. Colombia 2007 [30] Navarros, Alejandro. “Planificación de redes de distribución: aproximación viaclustering, diagramas de voronoi y búsqueda Tabú” Pontificia Universidad Católica de
Chile .Tesis Magister. 2007. [31] Carvajal, Sandra, et-al “Reconfiguración de sistemas de distribución de energía eléctrica usando un algoritmo de optimización basado en colonia de hormigas” Universidad Nacional. Conciencias, Colombia 2009. [32] Anaut, Daniel, Et-al “Optimización de Redes Eléctricas mediante la Aplicación de Algoritmos Genéticos” Universidad Nacional del Mar del Plata.
Informacióntecnológica.Argentina, 2009. [33] W.M. Lin, H.C. Chin, “A new Aproach for distribution feeder reconfiguration for loss Reduction and Service Restoaration” IEEE Transaction on Power Delivery, Julio 1998.
[34] H.Kim, Y.Ko, et - al, “Artificial Neural Network Based Feeder reconfiguration for loss reduction in Distribution Systems” IEEE Transaction on Power Delivery, Mayo 1993.
[35] Gonzales, A.A.; “Mejoramiento de la confiabilidad en sistemas de distribución mediante Reconfiguración de circuitos Primarios” Trabajo de Grado. Universidad tecnológica de Pereira 2007. [36] Muñoz, C,M.. “Flujo de potencia Trifásico para sistemas de Distribución . Pontifica Universidad Católica De Chile, Escuela de ingeniería. Santiago de cine junio de 1989 [37] Ekwue A. O., Johnson R. B. I., Cory B.J.. “Improved load flow Method for distribution systems.”Proceeding of the lastedinternational Symposium, High Technology in the power
Industry.ArizonaMarzo de 1988. [38] Khan A. H., Broadwater R. P., Chandrasekarana A. “ A comparative study of three radial power flow Methods”.Proceeding of the lastedinternational Symposium, High
Technology in the power Industry.ArizonaMarzo de 1988. [39] Broadwater R. P., Chandrasekarana A., Huddleston C. T., Khan A. H., “ Power flow Analysis of Unbalanced Multiphase Radial distribution Systems. Electric Power System a
research Journal ,Vol 14 1988. [40] Berg R. Jr., Hawkins E. S., Plaines W. W. “Mechanized Calculation of Unbalanced load Flow in Radial Distribution Circuits. IEEE transon Pas, Vol Pas -86 Abril 1967
Bibliografía 119
[41] Rojas R.“Flujos de carga para sistemas de Distribución Eléctrica” tesis de ingeniería, universidad Técnica Federico santa María (1987)
[42] Arriagadas Mass, Aldo Gary. “Evaluación de confiabilidad en sistemas eléctricos de distribución. Santiago de chile, 1994, 108p. Tesis de maestría (Magister en ciencias de la
ingeniería). Pontificia Universidad Católica de chile .. Departamento de ingeniería eléctrica. [43] Back, H. Y Merlin, A. “Search for minimum- loss operating spanning tree configuration for an urban power distribution system”. Cambridge, U.K. sept. 1-5 (1975)
[44] Garcés, R.A.; “Reconfiguración de alimentadores Primarios Usando una metodología combinatoria bajo un modelamiento Trifásico" Magister en ingeniería eléctrica
Universidad tecnológica de Pereira 2005. [45] Cespedes R. “ New method for the analysis of distribution networks” IEEE transaction
on power Delivery Vol 5 No 1 January 1990, Bogota Colombia. [46] IEEE 123 Node Test Feeder http://www.ewh.ieee.org/soc/pes/dsacom/testfeeders/ [47] Adan J.R “Minimización de pérdidas en redes de distribución mediante reconfiguración” Instituto politécnico Nacional, tesis de maestría, Mexico D.F. Junio del
2009. [48] Tabares H, Hernandez J, “Mapeo curvas típicas demanda de energía eléctrica del sector residencial, comercial e industrial de la ciudad de Medellín, usando redes neuronales artificiales y algoritmos de interpolación” Rev. Fac. Ing. Univ. Antioquia N.° 46. Diciembre 2008. [49] Gonzales, Alfonso. “Mejoramiento de la confiabilidad en sistemas de distribución mediante reconfiguración de circuitos Primarios” Universidad tecnología de Pereira.
Trabajo de grado. Colombia 2007 [50] Anaut, Daniel, Et-al “Optimización de Redes Eléctricas mediante la Aplicación de Algoritmos Genéticos” Universidad Nacional del Mar del Plata. Información tecnológica.
Argentina, 2009. [51] Marti, Rafael. “Procedimientos Meta heurísticos en optimización combinatoria”.
Facultad de matemáticas Universidad de Cataluña. [52] Gil, Esteban “Programación de la generación de corto plazo en sistemas hidrotérmicos usando algoritmos genéticos”, tesis de maestria, Universidad Técnica
Federico Santa María 2001. [53] Baker, J “Reducin bias an d inefficiency in the selctionalorithm”, second international
conference on genetic algorithms July 1987.
120 Metodología para generar planes de Restablecimiento de un Sistema de Distribución
de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios
que afectan la disponibilidad del servicio
[54] Golderg, D. E y Deb, K. A “Comparative Análisis of Selection Shemes used in Genetic Algorithms”, foundations o genetic algorithms 1991.
[55] Back, H. “Optimal mutation rates in genetic search” fifth international conference on genetic algorithms, San Mateo CA 1993. [56] “std1366 -2003 IEEE Guide for Electric Power Distribution Reliability Indices, IEEE” Power Engineering Society, Approved 26 April 2004. [57] CREG 0 37 “Metodología para el cálculo de indicadores de calidad para la continuidad en la prestación del servició de energía eléctrica en sistemas de transmisión regional y o distribución local ” CREG Comisión de Regulación Energía y Gas25 de junio
de 2004. [58] B. Uluski“Smart distribution applications &their Integration in a smart grid environment” Electric Power Research Institute, USA July, 2011
[59] A. C. E. Cerrettialbertoenelit, et-al, “Automatic Fault Clearing On Mv Networks With Neutral Point Connected To Ground Through Impedance,” no. 6, pp. 12–15, 2003.
[60]C. B. Douglas M. Staszesky, Dean Craig, “Advanced Feeder Automation Is Here,” IEEEpower energy Mag., 2005. [61]J. Baker, M. Meisinger, and S. Member, “Experience with a Distributed-Intelligence , Self-Healing Solution for Medium-Voltage Feeders on the Isle of Wight,” pp. 1–4, 2008.
[62]J. Seol, B. Ha, M. Jung, and Y. Jung, “The development of Optinal Protection Coordination Progran for Distribution Automnation Systemn among the Protective Devices,” 2005 IEEE/PES Transm. Distrib. Conf. Expo. Asia Pacific, pp. 1–5, 2005.
[63]KEPCO, “KEPCO Distribution Automation System,” no. December, 2013. [64] Romero A. Julio “Applying Self-Healing Schemes to Modern Power Distribution Systems” Quanta Technology, IEEE, 2012 [65] Cecati C. et al. “An Overview on the Smart Grid Concept”IECON 2010 - 36th Annual
Conference on IEEE Industrial Electronics Society, University of Salerno Italia 7-10 Nov. 2010. [66] Xi Fang et al. “Smart Grid – The New and Improved Power Grid: A Survey” IEEE
communications surveys & tutorials, vol. 14, no. 4. Arizona State University, USA, 25 September 2011. [67] Vehbi C. Güngör, et al. “Smart Grid Technologies: Communication Technologies and Standards” IEEE transactions on industrial informatics, vol. 7, no. 4, November 2011.
Bibliografía 121
[68] Lu Zhi-gang , Yang Li-jun “An Efficient Method for Distribution System Restoration Based on Fuzzy Data Mining” IEEE. University Qinhuangdao City. P.R.China .2009. [69] Chao-Ming Huang, “Multiobjective Service Restoration of Distribution Systems Using Fuzzy Cause-Effect Networks”.IEEE. Taiwan. 2003. [70] J.-S. Wu, et-al “A petri net algorithm for scheduling of generic restoration actions,”
IEEE Trans. Power Syst, vol. 12, pp. 69–75, Feb. 1997. [71] J.-S. Wu, et-al “A petri-net algorithm for multiple contingencies of distribution system operation,” IEEE Trans. Power Syst., vol. 13, pp. 1164–1171, Aug. 1998.
[72] Chao-Shun Chen, Chia-Hung Lin, Hung-Ying Tsai “A Rule-Based Expert System With Colored Petri Net Models for Distribution System Service Restoration” IEEE. Taiwan
2002. [73] K. Akoi, H. Kuwabara T. Satoh M. Kanezashi, "Outage state optimal load allocation by automatic sectionalizing switches operation in distribution systems," IEEE. 1987. [74] C. E. Lin et al., "A distribution system outage dispatch by data base method with real time revision," IEEE trans. Power Delivery, vol. 4. Jan. 1989.
[75] Bin Duan, et-al “Fault Location and self-healing of distribution network based on Function Block and wireless sensor” Information Engineering, Xiangtan University, China.
2011. [76] Kumar', B.Das, J.Sharma. “Genetic algorithm for supply restoration in distribution system with priority customers” 9th International Conference on Probabilistic Methods
Applied to Power Systems KTH, Stockholm, Sweden 2006 [77] A. Augugliaro, et-al "Service restoration in compensated distribution networks using a hybrid genetic algorithm," Electric power syst. Research, 1998. [78] W.P. Luan, et-al, "Genetic algorithm for supply restoration and optimal load shedding in power system distribution networks", IEEE Proc. Gener.Transm.Distrib., 2002. [79] Y. Fukuyama and H. D. chaing, "A parallel genetic algorithm for service restoration in electric power systems", in proceeding IEEE FUZZ/FES Conference, Yokohama, Japan,
Mar. 1995. [80] Nournejad F. et al. “A Multiobjective Evolutionary Algorithm for Distribution System Reconfiguration”Electrical Power Distribution Networks (EPDC), Sahand University of Technology, Iran 2011. [81] S. Toune, H. Fudo, T. Genji, Y. Fukuyama, Y. Nakanishi, "A reactive tabu search for service restoration in electric power distribution system," IEEE International conference on evolutionary computation," Anchorage Alaska, May 4-11 1998.
122 Metodología para generar planes de Restablecimiento de un Sistema de Distribución
de Energía Eléctrica Considerando la variación de la demanda y eventos aleatorios
que afectan la disponibilidad del servicio
[82] Taylor J. A. “Convex Models of Distribution System Reconfiguration” IEEE transactions on power systems, vol. 27, no. 3, University of California, USA august 2012. [83] J. M Solanki, Noel. N Schultz and W. Gao, “Reconfiguration for Restoration of Power System using Multi-Agent System”, IEEE 37th Northa American Power Symposium, Oct
.2005. [84] S.D.J. McArthur, et-al “Multi-Agent Systems for Power Engineering Applications-Part I: Concepts, Approaches, and Technical Challenges”, IEEE Transactions on Power
Systems, Nov 2007. [85] S.D.J. McArthur, et-al “Multi-Agent Systems for Power Engineering Applications-Part II: Technologies, Standards, and Tools for Building Multi-agent Systems”, IEEE
Transactions on Power Systems, Nov 2007. [86] Costea C., et-al “Agent-Based Systems in Power System Control” North University of
BaiaMare ,Suceava, Romania, May 22, 2008 [87]S.J.Russell, P.Norvig, “Artificial Intelligence: a Modern Approach”, Prentice Hall, 1995
[88] Dong Liu et-al“A Multi-Agent Based Approach For Modeling And Simulation Of Bulk Power System Restoration” YoupingFan School of Electrical Engineering, Wuhan
University Hubei, China [89] Nagata T. et-al “An Autonomous Distributed Agent Approach to Power System Restoration” Hiroshima Institute of Technology, Hiroshima, Japan.
[90] Nagata T. et-al “A multi-agent approach to power system restoration,” in Proc. Int. Conf. Power System Technology, 2000. [91] S. Srivastava, H. Xiao, and K. Butler-Purry, “Multi-agent system for automated service restoration of shipboard power systems”, in Proc.15th Int. Conf. Computer
Applications in Industry and Engineering,2002. [92] M. Nordman and M. Lehtonen, “An agent concept for managing electrical distribution networks,” IEEE Trans. Power Del. Apr. 2005.
[93] FenghuiRen et-al “Conceptual Design of A Multi-Agent System for Interconnected Power Systems Restoration” IEEE transactions on power systems, vol. 27, no. 2, may
2012. [94] Michael Mansour “Smart Distribution Power Systems Reconfiguration using a Novel Multi-agent Approach”,thesis of Master of Applied Science, University of Waterloo,
Canada, 2013
Bibliografía 123
[95] Alexander J. Flueck, Cuong P. Nguyen “Agent Based Restoration with Distributed Energy Storage Support in Smart Grids” IEEE Transactions on Smart Grid, vol. 3, no. 2, June 2012. [96] Overbye T. J. et al. “Distributed Intelligent Agents for Service Restoration and Control Applications”, IEEE. University of Illinois Urbana-Champaign. USA. 2008.
[97]Chao-Shun Chen, Yu-Lung Ke, , Jaw-Shyang Wu, Meei-Song Kang. “Application of Petri Nets to Solve Distribution System Contingency by Considering Customer Load Patterns” IEEE. Taiwan 2002
[98] Han-ChingKuo, YUan-Yih HSU “Distribution System Load Estimation And Service Restoration Using A Fuzzy Set Approach” Department of Electrical Engineering
National Taiwan University Taipei, Taiwan, R.O.C. IEEE Vol. 8, No. 4, October 1993 [99] Men-Shen Tsai, “Development of an Object-Oriented Service Restoration Expert System With Load Variations” IEEE Transactions On Power Systems, VOL. 23, NO. 1,
Taiwan.February 2008. [100] S. Yin, and C. Lu, “Distribution feeder scheduling considering variable load profile and outage costs,” IEEE Trans. Power Syst., vol. 24, no. 2, pp. 652-660, May2009.
[101] Zidan, A.;“Network Reconfiguration in Balanced and Unbalanced Distribution Systems with Variable Load Demand for Loss Reduction and Service Restoration” IEEE
University of Waterloo, Ontario Canada 2012 [102] Yonghua C “Smart Micro-grids Enable Seamless Interconnection and Disconnection for High Reliability and Flexibility in Distributed Power Generation” International
Symposium on Power Electronics. 2012. [103] Nien-Che Y. “A review on evaluation of maximum permissible capacity of distributed generations connected to a smart grid” Proceedings of the 2012 International Conference on Machine Learning and Cybernetics, Taiwan, July 2012. [104] Llano, L. Hoyos, A. Arias, F. Velásquez, J. “Comparación del Desempeño de Funciones de Activación en Redes Feedforward para aproximar Funciones de Datos con y sin Ruido”, Grupo de Finanzas Computacionales, Facultad de Minas, Universidad
Nacional de Colombia Sede Medellín. Julio 2007. [105]Krishna S. R, “Artificial Neural Network Methodology for Modelling and Forecasting Maize Crop Yield”, Biometrics Division, Indian Agricultural Statistics Research Institute
(ICAR), New Delhi - 110 012, Junio2008. [106] E.Franco M. "Automatización del Restablecimiento del Servicio de Energía Eléctrica para Circuitos Pertenecientes a un Sistema de Distribución Local – Localización de la Falla, Aislamiento y Restablecimiento" Universidad Nacional de Colombia, trabajo de
Maestría Medellín, Colombia 2014