metodología para generar planes de …metodología para generar planes de restablecimiento de un...

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



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 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 30. RESULTADOS TEMPORALES 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



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


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.



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).



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



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.



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



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



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.



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.



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].



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.



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]:



• 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



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].


• 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.


• 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



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.




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




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.




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.




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:




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.




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.




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




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,

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.




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




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




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:




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




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.



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.



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



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.



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.



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.



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.



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



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.



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



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.



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 60. Curva de demanda de la 4 S/E.



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



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



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.



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.



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.



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.



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 %


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.



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



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


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


Tipo estimación


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


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°


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.



Resultados Caso 3 63% de usabilidad. Carga nominal incrementada en 30 %


Tabla 30. Resultados temporales caso 3 Prueba Temporal (Suma)

Tipo estimación


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


Tipo estimación


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


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°


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)


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 )


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.




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




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.

mailto:[email protected]




[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.




[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.

http://ieeexplore.ieee.org/xpl/mostRecentIssue.jsp?punumber=5783453




[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

http://ieeexplore.ieee.org.ezproxy.unal.edu.co/search/searchresult.jsp?searchWithin=%22Authors%22:.QT.Zidan%2C%20A..QT.&newsearch=true

metodología para generar planes de …metodología para generar planes de restablecimiento de un...

Documents