Recibido: 16-05-2018, Aprobado tras revisión: 16-07-2018
Forma sugerida de citación: Chamba, M. ; Vargas, W.; Cepeda, J. (2018). “Evaluación probabilística de la estabilidad transitoria
considerando la incertidumbre de la demanda y gestión del riesgo”. Revista Técnica “energía”. No. 15, Issue I, Pp. 1-10
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2018 Operador Nacional de Electricidad, CENACE
Probabilistic assessment of transient stability considering the uncertainty of
the demand and risk management
Evaluación probabilística de la estabilidad transitoria considerando la
incertidumbre de la demanda y gestión del riesgo
Marlon Chamba
1
Walter Vargas
1
Jaime Cepeda
2
1
CELEC EP Unidad de negocio Coca Codo Sinclair, Quito, Ecuador
E-mail: marlon.chamba@celec.gob.ec; walter.vargas@celec.gob.ec
2
Operador Nacional de Electricidad, CENACE, Quito, Ecuador
E-mail: jcepeda@cenace.org,ec
Abstract
This paper presents a methodological proposal to
evaluate the impact of electrical demand uncertainty
regarding power system transient stability,
considering the probabilistic analysis of the Critical
Clearing Time (CCT).
A probabilistic analysis of transient stability allows
establishing a probability density function (PDF) of
the CCT behavior. This PDF is calculated by means
of Monte Carlo simulations in which the CCT is
evaluated for each generated scenario and
contingency.
The bisection method is applied for calculating the
CCT. This method consists in iteratively modifying
the fault duration time (
) and evaluating transient
stability for each
via the SIME (Single Machine
Equivalent) method. Finally, a proposal for assessing
the risk involved in the transient stability assessment
is structured using the concepts of value at risk (VaR
and CVaR). The proposed methodology is tested in
the 39-bus IEEE New England test system.
Index terms Optimal power flow, uncertainty,
contingencies, risk management, SIME, Monte Carlo.
Resumen
El presente artículo propone una metodología para
evaluar el impacto de la incertidumbre de la demanda
eléctrica, sobre la estabilidad transitoria del sistema
con base en el análisis probabilístico del tiempo crítico
de despeje de falla CCT (Critical Clearing Time).
El análisis probabilístico de estabilidad transitoria,
permite establecer una función de densidad de
probabilidad (PDF por sus siglas en inglés) del
comportamiento del CCT. La PDF se calcula a partir
de simulaciones de Montecarlo, donde, para cada
escenario generado y contingencia, se evalúa el CCT.
Para el cálculo del CCT se emplea el método de la
bisección, variando el tiempo de duración de falla (
)
y para cada
se evalúa la estabilidad transitoria
mediante el método SIME (Single Machine
Equivalent). Finalmente, se presenta una propuesta
para evaluar el riesgo inmerso en la evaluación de
estabilidad transitoria usando los conceptos de VaR
(Value at Risk) y CVaR (Conditional Value at Risk).
La metodología propuesta se evalúa en el sistema de
prueba IEEE New England de 39 nodos.
Palabras clave Flujo óptimo de potencia,
incertidumbre, contingencias, riesgo, SIME,
Montecarlo.
Artículo Académico / Academic Paper
1
Revista Técnica “energía”, Edición No. 15, Issue I, Julio 2018
1. INTRODUCCIÓN
La estabilidad de un Sistema Eléctrico de Potencia
(SEP) es la habilidad de permanecer en un punto de
operación estable en condiciones de operación segura y
evolucionar hacia el mismo u otro estado de operación
tras ocurrida alguna perturbación [1].
La evaluación de la estabilidad es un requisito
importante para la operación segura y confiable de un
SEP. Además, dentro de la estabilidad es importante
considerar las características estocásticas (incertidumbre
de la demanda) que rigen la industria eléctrica, las cuales
proyectan un problema de planificación operativa más
complejo. Existen tres tipos de estabilidades: i) de
ángulo, ii) de voltaje y iii) de frecuencia. Dentro de la
estabilidad de ángulo están la estabilidad transitoria y la
estabilidad oscilatoria.
En cuanto a la estabilidad de voltaje, los equipos de
las instalaciones eléctricas están diseñados para operar en
una banda definida. Este tipo de estabilidad tienen
relación con la absorción o entrega de reactivos,
utilizando una serie de métodos/equipos que manejan los
flujos de potencia reactiva. Además, es posible controlar
la potencia reactiva por medio de cambios de taps en
transformadores e inclusive por medio del control del
propio generador [1]. La estabilidad de frecuencia, en
cambio, se relaciona con la habilidad del sistema para
mantener el equilibrio entre generación y carga de forma
permanente.
Por otro lado, la estabilidad transitoria es un tipo de
estabilidad de ángulo del rotor que representa la
capacidad del SEP de mantener el sincronismo de sus
unidades de generación, cuando es sometido a grandes
perturbaciones [2]. La evaluación de la estabilidad
transitoria se restringe a los primeros segundos tras
ocurrida una falla. En este tiempo, el control del rotor no
es una posibilidad factible para superar el desbalance de
energía, y es necesario recurrir a mecanismos de
seguridad de respuesta rápida como interruptores, los
cuales propician la conexión de elementos auxiliares o
simplemente la desconexión del elemento fallado. Para el
análisis de estabilidad transitoria de un SEP existen dos
variables de estado principales a tener en consideración:
ángulo del rotor y velocidad angular de las unidades de
generación.
Si bien, las protecciones contribuyen a disminuir el
problema de inestabilidad que se podría producir; éstas
no eliminan por completo el efecto transitorio en el
sistema y hasta eventualmente podrían agravar el
problema por un retraso implícito en el accionar de las
mismas (tiempo crítico de despeje de falla - CCT).
En este sentido, el CCT es uno de los índices más
importantes para evaluar la estabilidad transitoria de un
SEP, puesto que su correcta estimación puede evitar
interrupciones o colapsos en cascada (pérdida de
sincronismo de las máquinas sincrónicas), debido a la
ocurrencia de grandes perturbaciones.
Con estos antecedentes, se propone una metodología
de evaluación del riesgo de inestabilidad transitoria, la
cual servirá para la planificación de la operación de los
Centros de Control y Operación. La metodología se basa
en el cálculo probabilístico del CCT, considerando la
aleatoriedad de la demanda eléctrica, la cual produce
grandes incertidumbres en la planificación operativa.
Para el cálculo del CCT se emplea el método de la
bisección, variando el tiempo de duración de falla (
) y
para cada
se evalúa la estabilidad transitoria mediante
el método SIME (Single Machine Equivalent).
Finalmente, se presenta una propuesta para evaluar el
riesgo asociado a la estabilidad transitoria usando los
conceptos de VaR (Value at Risk) y CVaR (Conditional
Value at Risk)
Los resultados proveen alertas probabilísticas de
inestabilidad transitoria, las cuales pueden utilizarse
como una medida del riesgo para la configuración de las
protecciones eléctricas o como indicadores de operación
del sistema (por ejemplo, dentro de un mecanismo de
despacho con restricciones de seguridad).
2. EVALUACIÓN DE LA ESTABILIDAD
TRANSITORIA
Los métodos de evaluación de la estabilidad
transitoria generalmente se clasifican en métodos
indirectos o convencionales, métodos directos y métodos
híbridos [3].
La evaluación convencional implica la simulación en
el dominio de tiempo (Time Domain Simulation - TDS)
del comportamiento dinámico del SEP, donde las
ecuaciones no lineales se resuelven simultáneamente. El
método TDS simula la dinámica del sistema antes,
durante y posterior a la falla, considerando modelos
detallados de los diferentes componentes del sistema para
lograr resultados más confiables. El período de tiempo
durante la falla es muy pequeño, mientras que el período
posterior a la falla puede ser más largo, lo que conlleva a
un proceso de evaluación de CCT que consume mucho
tiempo [4].
La estimación de CCT usando los métodos directos
(función de energía tipo Lyapunov) se han discutido
ampliamente en [1], [4] y [5]. Muchas metodologías
desarrolladas se basan en la generalización del Criterio
Extendido de Igualdad de Áreas (EEAC) [5].
En estos métodos, la CCT o la estabilidad transitoria
de un SEP se evalúa mediante el cálculo de la energía
previa y posterior a la falla, sin realizar simulaciones en
el dominio del tiempo. En estos métodos existe la
necesidad de calcular la energía crítica precisa, que es
una tarea difícil y requiere manejar modelos detallados
de los generadores y otros componentes del sistema, lo
cual implica una importante limitación para su aplicación
[6] [7] [8].
2
M. Chamba et al./Probabilistic assessment of transient stability considering the uncertainty of the demand and risk management
Por otro lado, los métodos híbridos se basan en la
combinación del método convencional (integración en el
dominio del tiempo) con un método directo. La
combinación de estos métodos permite ventajas en
cuanto a la precisión de resultados y se caracteriza por
proveer información cuantitativa del grado de estabilidad
[3]. El método híbrido SIME (Single Machine
Equivalent) propuesto en [9] es un algoritmo robusto y
confiable que aprovecha la flexibilidad del dominio del
tiempo en cuanto al modelado del sistema de potencia,
con la velocidad y la riqueza de información que brinda
el método directo EAC.
3. METODOLOGÍA PROPUESTA
En la Fig. 1 se presenta el esquema de la metodología
propuesta, la cual consiste en la interacción de tres
etapas: 1) Generación de escenarios operativos
(simulación en estado estacionario basada en un flujo
óptimo de potencia -OPF- probabilístico), 2) Simulación
Dinámica en el dominio del tiempo y 3) Análisis de CCT
mediante criterios de riesgo.
Figura 1. Esquema de la metodología propuesta
La Simulación de Montecarlo genera los escenarios
operativos considerando la incertidumbre de la demanda;
mientras que, la simulación dinámica evalúa la
estabilidad transitoria para cada escenario operativo
generado y contingencia. Para la interacción de las etapas
de simulación se desarrolla una herramienta
computacional que enlaza los programas de DIgSILENT
PowerFactory y Python con el propósito de potenciar las
ventajas de simulación, análisis matemático y scripting
de estos aplicativos.
3.1. Etapa 1: Generación de escenarios operativos
En la Fig. 2 se presenta el esquema de generación de
escenarios utilizando simulaciones de Montecarlo. Se
observa que requieren, como datos de entrada, los
escenarios operativos en DIgSILENT PowerFactory, los
costos de generación de los generadores y las funciones
de probabilidad que representen la estocasticidad de cada
una de las cargas del sistema.
A partir de sistemas eléctricos construidos en
PowerFactory, se exporta la información de la
configuración (modelo de red) del SEP en formato DGS.
DGS es un formato de archivo de PowerFactory para
intercambiar datos con otros programas. El formato de
archivo puede ser ASCII, XML, Microsoft Excel o
Access. Además, es posible utilizar este formato para
realizar cambios topológicos y/u operativos de la red y
ejecutar simulaciones y análisis automatizados desde
aplicaciones externas (por ejemplo, a través de Python).
Los formatos DGS son importados a Python para
construir la configuración de los sistemas eléctricos en
formato PYPOWER [10] (un simulador de sistemas
eléctricos de potencia en estado estable). Python es un
lenguaje de programación basado en intérpretes que no
necesita ningún compilador para utilizar la API de C++.
Los scripts de Python pueden usarse directamente en
PowerFactory o utilizarse para ejecutar la aplicación en
modo “engine” y controlarla desde una aplicación
externa.
Figura 2. Esquema de la metodología propuesta – Etapa 1
Luego, mediante análisis de Montecarlo y
PYPOWER se simulan flujos óptimos de potencia (OPF)
iterativos que permitirán generar diferentes escenarios
operativos a partir de datos estocásticos de la demanda
(generados a partir de sus PDF).
3.2. Etapa 2: Simulación Dinámica
Para cada escenario operativo generado y
contingencia se evalúa posteriormente el tiempo crítico
de despeje de falla, mediante el método de bisección y
método SIME, obteniendo resultados probabilísticos de
estabilidad y CCT.
3
Revista Técnica “energía”, Edición No. 15, Issue I, Julio 2018
3.2.1 Método de bisección
En matemáticas, el método de bisección se utiliza
para reducir el tiempo de cálculo requerido para
encontrar la raíz de una ecuación. A partir de un intervalo
, tal que y tengan signos opuestos, el
valor intermedio se encuentra entre las raíces de
o . Este proceso se repite hasta que
el intervalo sea lo suficientemente pequeño. El mismo
concepto puede utilizarse para reducir el tiempo de
cálculo requerido para la evaluación de CCT. Como se
muestra en la Fig. 3, se asume un tiempo de despeje de
falla inicial (10 ms) y luego los límites se eligen de modo
que el sistema sea estable a un valor menor
y estable a
un valor mayor
. Posteriormente, la estabilidad del
sistema se evalúa en el valor promedio o
. Si el
sistema es estable, el valor promedio (
) se reemplaza
por el límite inferior (
); caso contrario, el valor
promedio (
) se reemplaza por un valor más alto (
)
en el próximo cálculo. Este procedimiento se repite
modificando los valores del intervalo
mediante
un parámetro de desplazamiento hasta que el intervalo
de tiempo seccionado sea menor que la tolerancia
especificada (). El valor más bajo equivale al CCT
requerido [4].
Figura 3. Método de Bisección [4]
3.2.2 Método SIME [5]
El método SIME es usado para evaluar la estabilidad
transitoria de un sistema de potencia. Esto es basado en
la reducción de un sistema multimáquina a un
equivalente de una máquina conectado a una barra
Infinita. Después de una falla en la red, una identificación
de máquinas críticas y no críticas es ejecutada para
clasificar las máquinas del sistema de potencia en dos
grupos. Para cada grupo, una máquina equivalente será
calculada y reducida en un sistema: modelo de Una
Máquina Barra Infinita (OMIB por sus siglas en ingles).
La estabilidad global del sistema es determinada a través
del criterio de áreas iguales. Los pasos del método SIME
son discutidos en las siguientes subsecciones.
A. El Modelo Equivalente OMIB
El método considera la variación de parámetros de las
máquinas equivalentes en el tiempo, es decir, incluye la
dinámica del sistema multimáquina a través del
equivalente OMIB y es considerado un método “híbrido”
de evaluación de la estabilidad transitoria debido a que
combina simulaciones en el dominio del tiempo para
conocer el comportamiento del sistema y el criterio de
áreas iguales para evaluar la estabilidad del sistema. La
ventaja principal de utilizar el método es la posibilidad
de determinar la condición de estabilidad del sistema.
El método de la máquina equivalente utiliza la
configuración post-falla del sistema para conocer los dos
grupos de máquinas mencionados en la proposición 1.
Mediante un ordenamiento decreciente de las magnitudes
de los ángulos de rotor de las máquinas del sistema, se
identifican aquéllas que tienen la mayor separación
angular como las máquinas críticas (CMs) y el resto de
las máquinas como no criticas (NMs). Estos dos grupos
de máquinas se consideran para formar el OMIB, y el
procedimiento se repite hasta alcanzar condiciones de
inestabilidad y las condiciones de seguridad del sistema.
En las siguientes ecuaciones, el subíndice “C”
identifica a las máquinas críticas y el subíndice “N” a las
máquinas no críticas. Los parámetros del OMIB se
calculan de la siguiente manera:
Los ángulos y velocidades angulares de los dos
grupos de máquinas se calculan mediante [5]:
(1)
(2)
(3)
(4)
donde:
(5)
El ángulo y la velocidad de rotor del equivalente
OMIB se determinan con (6) y (7).
(6)
(7)
Las potencias mecánica y eléctrica del equivalente
OMIB se definen con (8) y (9).
(8)
(9)
Donde denota el coeficiente de inercia del
equivalente OMIB, el cual es calculado con (10).
4
M. Chamba et al./Probabilistic assessment of transient stability considering the uncertainty of the demand and risk management
(10)
Finalmente la potencia de aceleración del equivalente
OMIB viene dada por (11).
(11)
B. Criterio de Igualdad de Áreas EAC
La estabilidad transitoria se evalúa mediante el
criterio de áreas iguales donde se establece que, la
estabilidad de un sistema en condiciones post-falla se
puede evaluar con el margen de estabilidad definido
como: el exceso del área de desaceleración
(que
representa la energía potencial máxima que el sistema
puede disipar en su estado post-falla) con respecto al área
de aceleración
(que representa la energía cinética
del sistema almacenada durante la falla) de la curva
del equivalente OMIB y que se expresa con la ecuación
[5]:
(12)
Un caso estable corresponde a , es
decir,
.
Un caso inestable corresponde a , es decir,
3.2.3 Método de evaluación CCT
En la Fig. 4 se presenta la metodología para la
evaluación de CCT utilizando la integración de los
métodos de bisección y SIME. En este trabajo, se utiliza
un tiempo de despeje de falla de inicio de 10 ms (estable),
y para la estimación de CCT se utiliza β = 100 ms
y ε = 1 ms.
El CCT se calcula para cada uno de los escenarios
operativos generados por Montecarlo y resueltos
mediante el OPF. Los pasos involucrados en el proceso
de evaluación de CCT se detallan a continuación:
Paso 1: Definir los parámetros iniciales del algoritmo
para un estado de operación dado por el Montecarlo.
Además, especificar una línea de transmisión
(contingencia) y determinar las condiciones iniciales.
Paso 2: Ejecutar TDS convencional con un tiempo de
despeje de falla inicial.
Paso 3: Después de cada paso de tiempo de
integración, obtener el equivalente OMIB del
sistema.
Paso 4: Iniciar con el tiempo de despeje de falla
y
. Si al tiempo
el sistema es estable y, al tiempo
el sistema es inestable. Se repite el paso 4 con los
valores de
y
aumentados en . Para cada tiempo
de despeje de falla se evalúa la estabilidad con el
método SIME tal como se describe en la sección 0.
Paso 5: Calcular el punto medio
y chequear la
estabilidad del sistema a
.
Paso 6: Si el sistema es estable al tiempo
,
reemplazar
por
o si el sistema es inestable
para
reemplazar
por
.
Paso 7: Repetir los pasos 5 y 6 con los valores de
y
reemplazados y continuar el método de la
bisección hasta que la diferencia entre
y
sea
menor a .
Paso 8: Detener el algoritmo cuando el criterio del
paso 7 es alcanzado. El tiempo de despeje de falla
será el CCT.
Es importante destacar que las funcionalidades de
integración Python – DIgSILENT PowerFactory son
también usadas para implementar el método SIME.
Figura 4. Estimación de CCT utilizando método bisección y SIME
3.3. Etapa 3: Análisis del CCT probabilístico
El CCT probabilístico es el límite o criterio de riesgo
para evitar el colapso por inestabilidad transitoria. El
valor de CCT mínimo está ligado al tiempo mínimo de
coordinación de protecciones de los relés, el cual se
compone de: tiempo de operación de aproximadamente
dos ciclos más tiempo de transmisión de las señales
5
Revista Técnica “energía”, Edición No. 15, Issue I, Julio 2018
(teleprotección) y tiempo de actuación del relé.
Se considera que la salida de operación de una línea
de transmisión puede causar inestabilidad transitoria si el
CCT probabilístico (
) es menor a 80 ms. El
es calculado mediante los siguientes criterios de
riesgo.
Criterio 1: Basado en la media y desviación estándar.
(13)
Siendo la media y la desviación estándar.
Criterio 2: Valor del riesgo (Value at Risk – VaR)
(14)
Siendo
el percentil
de la
distribución normal estándar, ) es el nivel de
confianza y la pérdida esperada.
Criterio 3: Valor del riesgo condicional (Conditional
Value at Risk – CVaR)
(15)
Siendo denota la función de densidad normal
estándar.
El VaR mide la máxima pérdida esperada (o peor
pérdida) dentro de un intervalo de confianza dado. El
CVaR, a un nivel de confianza dado, es la pérdida
esperada entre las pérdidas que son mayores que el VaR,
es decir, es la pérdida esperada que es más grande o igual
que el VaR. El grado de confianza es un conjunto de
rango que frecuentemente incluye la estimación, depende
de la aplicación o de la aversión al riesgo que el
planificador desea o el nivel de pérdidas que debe ser
cubierta [11][10].
En este trabajo, el VaR y el CVaR representan los
mínimos valores esperados de CCT, dado un grado de
confianza del 99%.
4. APLICACIÓN DE LA METODOLOGÍA
El sistema de prueba utilizado es el IEEE de 39 nodos,
también conocido como sistema eléctrico reducido de
Nueva Inglaterra, al cual se adicionó un circuito paralelo
a la línea de transmisión “Line 16-19” existente, con la
finalidad de cumplir con el criterio N-1. Este sistema
cuenta con 10 generadores, 19 cargas, 35 líneas de
transmisión y 12 transformadores, cuyos datos se
encuentran en la referencia [12].
Los datos del sistema son exportados en formato
DGS, desde PowerFactory a Python, en p.u. a una
frecuencia de 60 Hz, potencia base (Sbase) de 100 MVA
y con una tensión base (Vbase) de 345 kV. La Fig. 5
presenta el diagrama unifilar del sistema de prueba.
Figura 5. IEEE 39 barras nueva Inglaterra
Los costos variables de generación son cuadráticos de
la forma: Cg = a*P2 + b*P ($/MWh). Estos costos se
presentan en la Tabla 1.
Tabla 1. Costos variables de generación
Generador
a
b
G 01
0,0042
32,956
G 02
0,0109
89,702
G 03
0,0109
89,702
G 04
0,0019
16,298
G 05
0,0019
16,298
G 06
0,0019
16,298
G 07
0,0019
16,298
G 08
0,0044
32,956
G 09
0,0044
32,956
G 10*
-
-
* Generador Hidráulico
Para la generación de escenarios operativos se
utilizan, para cada carga, funciones de distribución de
probabilidad “normal” en un único período de demanda
máxima. En la Tabla 2 se presentan, para cada carga, la
media y desviación estándar de potencia activa, así como
los límites de variación de los factores de potencia.
Tabla 2. Media y desviación estándar de las cargas
Cargas
Media
(µ)
Desviación
estándar
(σ)
Factor de
Pot.
(min.)
Factor
de Pot.
(máx.)
Load 03
193
19.32
0.920
0.99997
Load 04
300
30.00
0.920
0.99997
Load 07
140
11.69
0.920
0.99997
Load 08
313
41.76
0.920
0.99997
Load 12
4.5
0.60
0.080
0.20000
Load 15
192
28.80
0.920
0.99997
Load 16
197
32.90
0.920
0.99997
Load 18
95
11.06
0.920
0.99997
Load 20
377
56.52
0.920
0.99997
Load 21
164
27.40
0.920
0.99997
Load 23
149
14.85
0.920
0.99997
Load 24
185
27.77
-0.990
-0.9000
Load 25
134
15.68
0.920
0.99997
Load 26
83
13.90
0.920
0.99997
Load 27
169
22.48
0.920
0.99997
Load 28
124
16.48
0.920
0.99997
Load 29
170
28.35
0.920
0.99997
Load 31
5.5
0.83
0.900
0.99997
Load 39
662
88.32
0.920
0.99997
6
M. Chamba et al./Probabilistic assessment of transient stability considering the uncertainty of the demand and risk management
Además de sortear aleatoriamente la potencia activa
de las cargas, se varían los factores de potencia de cada
una de las cargas para modificar la demanda de potencia
reactiva.
En el análisis probabilístico se considera 1 000
escenarios operativos (simulación de Montecarlo), de los
cuales se escogen, para el cálculo del CCT, únicamente
los escenarios que convergen su flujo óptimo de potencia.
4.1. Análisis Probabilístico de CCT
En la Tabla 3 se presenta el CCT probabilístico de las
10 líneas de transmisión con mayor riesgo de
inestabilidad transitoria (menor valor de CCT
prob
). Las
tres medidas de riesgo muestran que, la salida de
operación de las líneas de transmisión que causan
inestabilidad transitoria (CCT
prob
<80 ms) son: “Line 21-
22”, “Line 28-29” y “Line 26-29”. El VaR adiciona como
línea de transmisión riesgosa a “Line 26-28”; mientras
que, el CVaR suma a la línea “Line 16-21”. Es importante
resaltar que el criterio basado en la media y desviación
estándar (desigualdad de Chebyshev) entrega valores
muy cercanos al VaR.
Tabla 3. CCT probabilístico
L/T
µ-2σ
VaR
CVaR
Line 21 - 22
22
18
15
Line 28 - 29
24
21
17
Line 26 - 29
62
58
54
Line 26 - 28
82
78
74
Line 16 - 21
86
82
78
Line 26 - 27
118
113
109
Line 16 - 17
123
119
115
Line 15 - 16
132
127
122
Line 23 - 24
135
132
128
Line 25 - 26
142
137
132
En la Fig. 6 se presenta la PDF del CCT de la línea de
transmisión “Line 28-29”. Se observa que el CVaR es
menor que el VaR y la µ-2σ, lo que hace del VaR una
medida de riesgo más conservadora, puesto que
considera las pérdidas extremas de la distribución.
Figura 6. PDF Line 28 – 29
En la Fig. 7 y Fig. 8 se presentan los histogramas del
CCT de las líneas de transmisión más críticas: Line 21-
22 y Line 28-29, respectivamente.
En estas figuras se observa que los CCTs de las líneas
“Line 21-22” y “Line 28-29” varían entre 20 ms y 80 ms;
es decir que, no cumplen con el criterio de seguridad
(CCTprob > 80 ms) necesario para evitar inestabilidad
transitoria. En estos casos, como se observa en línea de
color rojo, la probabilidad acumulada de que el sistema
no alcance el valor mínimo de CCT es del 100%; en otras
palabras, existe probabilidad del 100% de que el sistema
colapse por inestabilidad transitoria ante la ocurrencia de
una gran perturbación en las líneas de transmisión “Line
21-22” y “Line 28-29”.
Figura 7. Histograma Line 21 - 22
Figura 8. Histograma Line 28 - 29
En la Fig. 9 se presenta el histograma de la línea de
transmisión “Line 26-29”, donde se observa que la
probabilidad de que se supere el límite de seguridad de
80 ms es del 60%. En este caso, el 40% de los escenarios
operativos analizados pueden producir inestabilidad
transitoria.
Figura 9. Histograma Line 26 – 29
4.2. Acciones de Control para incremento de CCT
probabilístico
Para incrementar el CCT se pueden realizar algunas
7
Revista Técnica “energía”, Edición No. 15, Issue I, Julio 2018
acciones de control que pueden involucrar a la
generación, carga y topología de red de transmisión; por
ejemplo, limitación de despacho de generación,
construcción de líneas de transmisión (sistemas
mallados), limitación de la carga, limitación de los flujos
de potencia por las líneas de trasmisión, etc.
Algunas acciones de control están relacionadas con la
planificación de la expansión del SEP, donde es
necesario grandes inversiones asociadas a grandes
tiempos de construcción. Por otro lado, existen acciones
de control relacionadas con la planificación de la
operación, donde es necesario el análisis del incremento
de los costos operativos del sistema (i.e. despacho con
restricciones de seguridad), y cómo éstos se justifican en
el aumento de la confiabilidad del sistema.
En el presente estudio, se considera como acción de
control la limitación de los flujos de potencia por las
líneas de transmisión determinadas como críticas para
estabilidad transitoria. En la Tabla 4, se presentan dos
casos que limitan los flujos de potencia por las líneas de
transmisión considerando como Caso_Base, el escenario
presentado en el acápite anterior. Se debe notar que para
limitar el flujo por el corredor 26 -29 es suficiente
considerar la limitación a la línea 28-29.
Tabla 4. Casos de estudio – Nivel de Carga
L/T
Caso_Base
Límite_1
Límte_2
Line 21-22
100%
80%
80%
Line 28-29
100%
50%
40%
En la Tabla 5 se presentan la media, desviación
estándar y el CCT probabilístico de las 10 líneas con
menor CCT. En esta tabla se observa que con la estrategia
“Límite_1”, los límites de seguridad de CCT son
mayores a 80 ms, a excepción de la línea “Line 28-29”
que tiene criterios de seguridad de 70 ms, 66 ms y 61 ms.
Sin embargo, si se limita el flujo por esta línea a 40%
(estrategia “Límite_2”), los criterios de riesgo de CCT
incrementan a 132 ms, 126 ms y 119 ms.
Tabla 5. CCT probabilístico con acciones de control
L/T
Límite_1
Límite_2
µ-2σ
VaR
CVaR
µ-2σ
VaR
CVaR
Line 21-22
133
129
126
125
121
118
Line 28-29
70
66
61
132
126
119
Line 26-29
108
101
95
185
176
168
Line 26-28
126
120
113
202
193
185
Line 16-21
176
173
169
170
167
163
Line 26-27
167
161
154
251
242
233
Line 16-17
173
168
163
161
156
151
Line 15-16
198
192
187
188
183
178
Line 23-24
215
212
209
208
205
202
Line 25-26
197
189
180
298
285
272
En la Fig. 10 y Fig. 11 se presentan las distribuciones
de probabilidad de la línea “Line 28-29” para los casos
“Límite_1” y “Límite_2”, respectivamente. En estas
figuras se observa que:
En el caso “Límite_1”, el CCT varía entre 58 ms y
146 ms; además, los tres criterios de riesgo se
encuentran por debajo del límite crítico de 80 ms.
En este caso, existe probabilidad de que el sistema
colapse por inestabilidad transitoria; es decir,
pueden existir escenarios operativos con CCTs
menores al criterio de riesgo (80 ms).
En el caso “Límite_2”, los criterios de riesgo son
mayores al límite crítico de 80 ms. En este caso, el
CCT varían entre 120 ms y 230 ms, donde la
probabilidad de que el sistema colapse por
inestabilidad transitoria es 0%.
Figura 10. PDF Line 28 – 29 – “Límite_1”
Figura 11. PDF Line 28 – 29 – “Límite_2”
4.3. Función de costos y aversión al riesgo
En la Fig. 12 se presentan las PDFs de las funciones
de costo operativo de los tres casos analizados. En esta
figura, se observa que la PDF del Caso_Base se traslada
hacia la derecha; es decir los costos operativos se
incrementan con las acciones de control adoptadas en los
casos “Límite_1” y “Límite_2”.
Figura 12. PDF aproximada – Función de costos
En la Tabla 6 se presentan los incrementos de los
costos operativos que ocasionan las acciones de control
realizadas orientadas a un despacho con restricciones de
seguridad dinámica, con respecto al Caso_Base. Se
8
M. Chamba et al./Probabilistic assessment of transient stability considering the uncertainty of the demand and risk management
observa que los casos “Límite_1” y “Límite_2”
ocasionan incrementos de costos de 8,63 % y 8,53%,
respectivamente. Asumiendo que estos incrementos de
costos corresponden a un período de demanda máxima
(por una hora), los costos operativos anuales se
incrementan en 5,92 (MM$) y 6,36 (MM$) para los casos
“Límite_1” y “Límite_2”, respectivamente.
Tabla 6. Incremento de función de costo
Costos
Límite_1
Límite_2
Incremento de costos
operativos (M$/h)
16,21
17,41
Incremento de costos
operativos (%)
8,63%
9,3%
Incremento de costos
operativos (MM$/año)
5,92
6,36
Costo de ENS (MM$/año)
8,50
8,50
Para valorar el costo anual de Energía No
Suministrada (ENS) presentado en la Tabla 6, se toma
como referencia el costo de ENS de 10,0 (M$/MWh)
correspondiente al sistema eléctrico de Escocia [12] (esto
lo hace puesto que los costos de generación del sistema
de prueba corresponden a los de una economía
anglosajona). Con la salida de operación de la línea “Line
28-29” en el Caso_Base, provocada por tiempos críticos
menores al criterio de riesgo (CT<80 ms), se aísla el G 09
con un despacho medio de 850 MWh. Este valor de
despacho medio constituye la ENS, cuyo valor representa
un costo anual de 8,5 (MM$). Se observa que este costo
anual ENS, en el peor escenario, podría ser mayor que el
incremento de los costos operativos anuales de los casos
“Límite_1” y “Límite_2”.
Es importante destacar que la decisión de operación,
entre los dos casos de estudio, dependerá de la aversión
al riesgo que adoptaría la unidad de planificación de la
operación de los centros de control. La aversión al riesgo
puede definirse como la actitud de rechazo que
experimenta el planificador ante el riesgo de colapso del
sistema por inestabilidad transitoria.
El grado de aversión al riesgo determina el perfil del
planificador (conservador, medio, arriesgado) y debe ser
el punto de partida para la planificación de la operación.
Por ejemplo, una planificación con elevada aversión al
riesgo (perfil conservador) escogería para la operación el
caso “Límite_2”, eliminando el riesgo de inestabilidad
transitoria a cambio de un costo de operación mayor. Por
el contrario, un planificador medio escogería el caso
“Límite_1”, con una disposición mayor a sufrir
eventuales pérdidas a cambio de la posibilidad de obtener
un menor costo de operación.
5. CONCLUSIONES Y RECOMENDACIONES
Con el objetivo de estructurar una herramienta de
análisis probabilístico de la estabilidad transitoria, se
desarrolló un programa computacional que enlaza
PowerFactory y Python por medio de archivos DGS. Este
aplicativo computacional evalúa el CCT de cada
escenario operativo generado por un modelo de
simulación de Montecarlo, el cual considera la
incertidumbre de la demanda eléctrica. Se obtienen como
resultados PDFs de los CCTs de las salidas de operación
de las líneas de transmisión, los cuales permiten:
Evaluar el riesgo de inestabilidad transitoria de cada
contingencia mediante el no cumplimiento del
criterio de riesgo (CCTprob > 80ms).
Tomar acciones de control para disminuir el riesgo
de inestabilidad transitoria.
Para la evaluación del riesgo se utilizan tres criterios
(CVaR, VaR y µ-2σ), donde se observa que el CVaR es
la medida de riesgo más conservadora y eficiente, puesto
que incluye al VaR y la µ-2σ. Tanto el límite de riesgo
(80 ms) como el criterio de riesgo deben considerarse
dentro de los requerimientos regulatorios para la
operación óptima del SEP, donde se deben considerar las
potenciales pérdidas extremas.
Además, se muestra que las acciones de control se
encuentran asociadas a variaciones de los costos
operativos. La toma de decisión de la acción de control,
dependerá de la aversión al riesgo que adoptaría el
planificador de la operación considerando el incremento
de los costos operativos frente a la probabilidad de déficit
de energía (costo de energía no suministrada).
Esta herramienta forma parte de un proyecto de
análisis de la vulnerabilidad de SEP que se lleva a cabo
en la Subgerencia Nacional de Investigación y Desarrollo
del CENACE. El principal objetivo es analizar las
adecuadas acciones de control preventivas o correctivas
que permitan mitigar las consecuencias de los disturbios
y reducir la posibilidad de colapsos del sistema eléctrico
ecuatoriano.
Por último, es importante destacar que la herramienta
computacional presentada será aplicada en el Sistema
Nacional Interconectado, considerando: la ENS de forma
probabilística y diferentes períodos de demanda.
REFERENCIAS BIBLIOGRÁFICAS
[1] P. Kundur, “Power System Stability and Control”,
Inc. Chapters: Synchronous Machine
Representation in Stability Studies and Transient
Stability, McGraw-Hill, 1994.
[2] IEEE/CIGRE, “Definition and Classification of
Power System Stability”, IEEE Transactions on
Power Systems, Vol. 19, No. 2, May 2004.
[3] J. Cepeda, P. Salazar, D. Echeverría, H. Arcos,
“Implementation of the Single Machine Equivalent
(SIME) Method for Transient Stability Assessment
in DIgSILENT PowerFactory”, In: Advanced
Smart Grid Functionalities Based on PowerFactory,
Green Energy and Technology, Springer, 2018.
[4] Chandrashekhar, Pavitra, S. G. Srivani, “A hybrid
method for Critical Clearing Time evaluation of
multi-machine systems”, IEEE International
9
Revista Técnica “energía”, Edición No. 15, Issue I, Julio 2018
Conference on Electrical, Computer and
Communication Technologies (ICECCT), 2015.
[5] M. Pavella, D. Ernst, D. Ruiz-Vega, “Transient
stability of power systems: a unified approach to
assessment and control”, Vol. 581, Springer, 2000.
[6] H. Chang, C. Chu, G. Cauley, “Direct stability
analysis of electric power systems using energy
functions: theory, applications, and perspective”,
Proceedings of the IEEE, Vol. 83, Nov. 1995
[7] Rahimi, N. Balú, M. Lauby, “Assessing on-line
transient stability in Energy Management System”,
IEEE Computer Application in Power, pp. 44-49,
July 1991.
[8] Rahimi, M. Lauby, K. Lee, “Evaluation of the
Transient Energy Function method for on-line
dynamic security analysis”, IEEE Transaction on
Power Systems, Vol. 8, No 2, pp. 497-506, May
1993.
[9] Y. Zhang, L. Wenhenkel, M. Pavella, “SIME: A
hybrid approach to fast transient stability
assessment and contingency selection”, Electrical
Power & Energy Systems, Vol. 19 No. 3, pp. 195-
208, 1997.
[10] Richard Lincoln, “PYPOWER,”
https://github.com/rwl/PYPOWER, 2017.
[11] T. Fischer. "Risk capital allocation by coherent risk
measures based on one-sided moments". insurance:
Mathematics and Economics, Vol. 32, pp. 135-146,
2003.
[12] T. Athay, R. Podmore, S. Virmani, "A Practical
Method for the Direct Analysis of Transient
Stability", IEEE Trans. Power Appar. Syst., Vol.
PAS-98, No. 2, pp. 573-584, Mar. 1979.
[13] Rahmatallah Poudineh, Tooraj Jamasb,. "Electricity
Supply Interruptions: Sectoral Interdependencies
and the Cost of Energy Not Served for the Scottish
Economy", The Energy Journal, International
Association for Energy Economics, Vol. 0, No. 1,
2017.
Marlon Santiago Chamba.- Nació
en Loja, Ecuador en 1982. Obtuvo
el título de Ingeniero Eléctrico en la
Escuela Politécnica Nacional,
Ecuador en el 2007. En el año 2016,
obtuvo el título de Doctor en
Ingeniería Eléctrica en la
Universidad Nacional de San Juan,
Argentina. Actualmente trabaja en la Subgerencia
Nacional de Investigación y Desarrollo del CENACE.
Sus áreas de investigación son: Mercados de Energía,
Transacciones Internacionales de Electricidad,
Confiabilidad, Análisis de la seguridad de sistemas de
potencia.
Walter Vargas. – Nació en
Guayaquil, Ecuador en 1984.
Recibió sus títulos de Ingeniero en
Electricidad especialización
Potencia (2007) en la Escuela
Superior Politécnica del Litoral y el
de Máster en Sistemas de Energía
Eléctrica (2013) en la Universidad
de Sevilla. Entre 2013 y el 2017
trabajó en la sección de Estudios Eléctricos del
Departamento de Centro de Operación de CELEC EP –
Transelectric. Actualmente se desempeña como
especialista en la Subgerencia Nacional de Investigación
y Desarrollo del CENACE. Sus áreas de interés incluyen
la optimización, confiabilidad de sistemas de potencia,
evaluación de vulnerabilidad en tiempo real y el
desarrollo de Smart Grids.
Jaime Cristóbal Cepeda. - Nació
en Latacunga, Ecuador en 1981.
Recibió el título de Ingeniero
Eléctrico en la Escuela Politécnica
Nacional en 2005, y el de Doctor en
Ingeniería Eléctrica en la
Universidad Nacional de San Juan
en 2013. Entre 2005 y 2009 trabajó
en Schlumberder y en el CONELEC. Colaboró como
investigador en el Instituto de Energía Eléctrica,
Universidad Nacional de San Juan, Argentina y en el
Instituto de Sistemas Eléctricos de Potencia, Universidad
Duisburg-Essen, Alemania entre 2009 y 2013.
Actualmente se desempeña como Subgerente Nacional
de Investigación y Desarrollo del CENACE y como
Profesor a Tiempo Parcial en la Escuela Politécnica
Nacional. Sus áreas de interés incluyen la evaluación de
vulnerabilidad en tiempo real y el desarrollo de Smart
Grids.
10
