Aplicación Práctica / Practical Issues
Recibido: 07-11-2020, Aprobado tras revisión: 11-01-2021
Forma sugerida de citación: Cepeda, J.; Del Hierro, C. (2021). “Caracterización y simulación de fenómenos dinámicos
relacionados con la actuación de un horno de arco eléctrico conectado al sistema eléctrico de potencia de Ecuador”. Revista
Técnica “energía”. No. 17, Issue II, Pp. 8-17
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2021 Operador Nacional de Electricidad, CENACE
Characterization and simulation of dynamic phenomena related to the
operation of an electric arc furnace connected to the electric power system of
Ecuador
Caracterización y simulación de fenómenos dinámicos relacionados con la
actuación de un horno de arco eléctrico conectado al sistema eléctrico de
potencia de Ecuador
J.C. Cepeda
1
C.A. Del Hierro
1
1
Operador Nacional de Electricidad - CENACE, Quito, Ecuador
E-mail: cepedajaime@ieee.org, cdhierro@cenace.org.ec
Abstract
The operation of electric arc furnaces (EAF) causes
variations in the electrical variables, such as: active
and reactive power, voltage and frequency. These
variations are related to the proper operation of the
EAF that produces a highly intermittent
consumption, which makes it a special load. This
work presents a methodology for the analysis and
interpretation of the data recorded by the
SCADA/EMS system and the wide area monitoring
system WAMS, during the operation of an EAF
connected to the electric power system (EPS) of
Ecuador. The purpose of this analysis is to
characterize the disturbances through the electrical
variables frequency, voltage, active and reactive
power, measured in the most sensitive substation to
the EAF operation. To this aim, a multivariate data
analysis is performed based on Empirical
Orthogonal Functions EOF, together with intelligent
classifiers. In addition, an EAF model is proposed
for electromechanical transient simulation, which is
based on a pulse-width modulation PWM train,
affected by a noise signal with a parameterizable
frequency.
Both the proposed methodology for characterizing
the performance of the EAF through records, and
the proposed model show promising results
regarding the post-operative evaluation and
operational planning of the impact of an EAF
operation in the EPS.
Resumen
La operación de los hornos de arco eléctrico (EAF)
causa variaciones en las variables eléctricas, como
son: potencia activa, reactiva, voltaje y frecuencia.
Estas variaciones se deben al funcionamiento propio
del EAF que produce un consumo altamente
intermitente, lo que lo hace una carga especial. Este
trabajo presenta una metodología para el análisis e
interpretación de los datos registrados por el sistema
SCADA/EMS y el sistema de monitoreo de área
extendida WAMS, durante la operación de un EAF
conectado al sistema eléctrico de potencia (SEP) de
Ecuador. El propósito de este análisis es caracterizar
las perturbaciones a través de las variables eléctricas
frecuencia, voltaje, potencia activa y reactiva,
medidas en la Subestación más sensible a la
operación del EAF. Para esto, se realiza un análisis
de datos multivariantes basado en Funciones
Empíricas Ortogonales EOF, junto con
clasificadores inteligentes. Adicionalmente, se
propone un modelo de EAF para simulación de
transitorios electromecánicos, el cual se basa en un
tren de pulsos de ancho modulado (Pulse-width
modulation PWM), afectado por una señal de ruido
de frecuencia parametrizable.
Tanto la propuesta metodología para caracterización
de la actuación del horno de arco eléctrico (EAF) a
través de registros, como el modelo propuesto
muestran prometedores resultados respecto de la
evaluación post-operativa y de planeamiento en la
operación de un EAF en el SEP.
Index terms Electric Power System, Special Load,
SCADA/EMS, WAMS, PMU, EOF, electric arc
furnace EAF, Classifiers, PWM, PowerFactory
Palabras clave Sistema eléctrico de potencia,
Carga especial, SCADA/EMS, WAMS, PMU, EOF,
horno de arco (EAF), Clasificadores, PWM,
PowerFactory
8
Edición No. 17, Issue II, Enero 2021
1. INTRODUCCIÓN
Una de las fuentes de perturbaciones más complejas
de controlar y que impactan la operación del Sistema
Eléctrico de Potencia (SEP) son los hornos de arco
eléctrico (EAF por sus siglas en inglés - electric arc
furnace), que por su naturaleza demandan, de forma
escalonada e instantánea, una gran cantidad de potencia
durante su conexión, en cambio que, durante su
desconexión, esta demanda de potencia cae de forma
abrupta [1],[2]. Un EAF cambia la energía eléctrica en
energía térmica a través del arco eléctrico para fundir
materia prima en el horno [3].
La actuación de esta carga causa variaciones en las
variables eléctricas, como son: potencia activa, reactiva,
voltaje y frecuencia. Éstas deben ser estudiadas de
forma apropiada y monitoreadas constantemente de
modo tal de garantizar que la actuación de esta carga
dinámica no afecte de forma directa a la calidad y
seguridad del suministro de energía eléctrica y, por
ende, a todos los actores del SEP [2],[4],[5].
Durante la operación del horno de arco, el
comportamiento aleatorio del proceso de fundición del
arco y su sistema de control contribuyen a la dinámica
eléctrica y térmica, lo que produce serios problemas al
sistema de suministro. El funcionamiento de un horno
de arco puede causar problemas de desbalance,
armónicos, interarmónicos y parpadeo de voltaje. Los
componentes armónicos pueden además cambiar con
diferentes etapas de fundición [6]. Asimismo, la
ocurrencia de fenómenos transitorios de sobrevoltaje es
presentada en [7] mientras que una “característica
caótica” se reporta en [8] debido a la dinámica del
funcionamiento del horno de arco. Adicionalmente, en
[9] se reporta el efecto negativo de los hornos de arco en
la estabilidad de frecuencia debido a su comportamiento
intermitente, ante lo cual se debe definir algún
mecanismo de compensación de potencia activa.
En el caso ecuatoriano, cuando el Sistema Nacional
Interconectado SNI opera interconectado con el sistema
colombiano (operación normal), la operación de los
hornos de arco (particularmente de uno ubicado en la
zona suroccidental del país) suele causar oscilaciones de
potencia sostenidas entre Ecuador y Colombia (modo
inter-área). En el mes de mayo de 2019, se produjo un
escenario de operación atípico en el Sistema Nacional
Interconectado SNI, relacionado con la operación del
sin la interconexión con Colombia. Durante esta
condición operativa se registraron, de forma directa
mediciones de potencia activa, reactiva, voltaje y
frecuencia en la bahía de interconexión al S.N.I
mediante el sistema SCADA/EMS [10] y de forma
indirecta a través de varios PMU´s instalados a nivel
nacional y que trasmiten información al sistema WAMS
[11], donde se observaron las perturbaciones originadas
por el EAF ubicado en la zona suroccidental del país,
las cuales se evidenciaron con mayor predominancia
que cuando el SNI se encuentra interconectado. Dichas
perturbaciones se relacionaron con variaciones en la
frecuencia del sistema. Estos comportamientos
dinámicos requieren ser monitoreados y analizados
apropiadamente, para lo cual sería deseable disponer de
adecuados equipos de monitoreo dinámico como un
PMU o un registrador de perturbaciones ubicado
directamente en la bahía de conexión del horno EAF al
SNI.
Sin embargo, dado que en la bahía de interconexión
del EAF ubicado en la zona suroccidental de Ecuador
(EAF de Adelca, al que en adelante se le llamará
EAF_ad) no existe una unidad de medición fasorial
(PMU) [12] para poder observar la perturbación en
estado dinámico, surge la necesidad de implementar
alguna metodología que permita una interpretación
indirecta de este fenómeno, a través de la aplicación de
técnicas de análisis de datos multivariantes, con el
propósito de caracterizar la dinámica del sistema dentro
de los análisis post-operativos.
Adicionalmente, con el propósito de evaluar el
impacto de estas cargas en la planificación operativa, es
necesario disponer de un modelo apropiado para
simulación de transitorios electromecánicos. En este
contexto, existen en la literatura varios modelos de
horno de arco, siendo la mayoría orientados al análisis
de flicker y armónicos. En general, los modelos de EAF
se pueden clasificar en: a) simulación en el dominio del
tiempo (como el método de la característica V-I o el
método del circuito no lineal equivalente); y, b)
simulación en el dominio de la frecuencia (como el
modelo de fuente de armónicos de voltaje o la solución
de ecuaciones diferenciales no lineales en el dominio
armónico)[6]. Este tipo de modelos pueden incluso
considerar conceptos de teoría del caos como se lo
propone en [13],[14]. No obstante, estos modelos han
sido estructurados para representar el comportamiento
dinámico del horno de arco en un proceso de simulación
en valores instantáneos o a través de la representación
del voltaje y la corriente en sus componentes armónicas
y no presentan una compatibilidad directa con modelos
para simulación RMS de transitorios electromecánicos.
Para el caso del EAF_ad, en [15] se presenta un
modelo matemático desarrollado en el software EMTP-
ATPDraw mediante programación TACS (Transient
Analysis of Control Systems), usando una resistencia no
lineal que reproduce su comportamiento, basándose en
las ecuaciones del modelo de Cassie. Posteriormente,
los resultados de consumo de potencia activa (P) y
potencia reactiva (Q) de la simulación en ATP son
inyectadas en PowerFactory a través de un ElmFile. De
esta forma, se logra un modelo para transitorios
electromecánicos basado en registros (al que se le
denominará “Modelo de Inyección”). Sin embargo, esta
propuesta no permite independencia en las simulaciones
puesto que depende de archivos externos y del modelo
en ATP en sí. Por otro lado, en [3] se enfatiza que,
debido a que el proceso de fundición del arco es un
9
Del Hierro et al. / Caracterización y simulación de fenómenos dinámicos por la actuación de un horno de arco
proceso estocástico dinámico, resulta difícil estructurar
un modelo determinista preciso para representar la carga
de un horno de arco eléctrico (EAF). En este sentido, se
presenta un modelo práctico de EAF para estudiar el
problema de flicker de voltaje causado por esta carga
especial, el cual es implementado en PSS/E. Este
modelo de EAF se basa en una resistencia y un reactor
en un modo de funcionamiento aleatorio para
representar sus características dinámicas del y es
concebido para simulación RMS. Este modelo presenta
un consumo de potencia activa (P) y potencia reactiva
(Q) semejante a un tren de pulsos con cierta frecuencia;
no obstante, la forma de onda resultante muestra un
comportamiento bastante homogéneo, lo que no
corresponde a la aleatoriedad natural del horno a causa
de los procesos de fundición.
Sobre la base de lo mencionado, el presente trabajo
propone una metodología para análisis post-operativo y
un modelo de simulación para análisis de planificación
operativa, enfocándose en las siguientes contribuciones:
i.Identificar la subestación donde se tiene instalado el
PMU que tiene la mejor observabilidad de la
perturbación originada por los cambios de potencia a
causa del encendido y apagado del horno de arco
dentro del SEP.
ii.Comparar los niveles de afectación en distintos
puntos del SNI en los escenarios de operación
aislada e interconectado con el SEP de Colombia lo
cual se muestra en el punto 3.1 de este artículo.
iii.Identificar cuál de las variables eléctricas, ya sean
potencia activa, reactiva, voltaje o frecuencia,
medidas por el PMU indicado en el punto 1, es la
más representativa para interpretar los estados de
encendido y apagado del EAF, utilizando dos
técnicas de inteligencia artificial, a decir: árbol de
decisión C4.5 y Red Neuronal Multilayer
Perceptron.
iv.Proponer un modelo de horno de arco simplificado
para simulación de transitorios electromecánicos
(RMS), a ser implementado en PowerFactory,
basado en un tren de pulsos pero que considere la
aleatoriedad natural del proceso de fundición.
Para la implementación de las diferentes propuestas
se emplea la herramienta de análisis de datos R [16], la
herramienta de Machine Learning WEKA [17], [18] y el
software PowerFactory de DIgSILENT.
Para la identificación de patrones que caracterizan el
comportamiento dinámico del EAF, se aplican
Funciones Empíricas Ortogonales EOF [19], y el
entrenamiento de clasificadores basados en Machine
Learning. Por otro lado, el modelo matemático
simplificado del EAF, que se propone en este artículo
para la simulación de fenómenos dinámicos
electromecánicos, es implementado en PowerFactory.
Los resultados de este estudio contribuyen en el
análisis post-operativo y de planificación operativa de
sistemas eléctricos de potencia al brindar información
valiosa sobre el impacto de los EAF en la operación de
SEP.
El resto de este documento está organizado de la
siguiente manera. En primer lugar, se analiza el
comportamiento intermitente de la demanda del EAF.
Seguidamente, se presenta la metodología para el
análisis e interpretación de los datos registrados por los
sistemas SCADA/EMS y WAMS para caracterizar la
ocurrencia de los fenómenos dinámicos. Posteriormente,
se presenta el modelo propuesto de EAF para
simulación de transitorios electromecánicos.
Finalmente, se presentan las conclusiones y
recomendaciones de este trabajo.
2. COMPORTAMIENTO INTERMITENTE DEL
CONSUMO DEL EAF
Un horno de arco eléctrico EAF es un horno que
genera calor por medio de un arco eléctrico. El arco
eléctrico es un tipo de descarga continua que genera
energía lumínica y calórica intensa, se forma entre dos
electrodos en un ambiente gaseoso a baja presión o al
aire libre y se caracteriza por una alta corriente y un
bajo voltaje [4]. El ciclo de trabajo del EAF consta de
dos etapas: fundición y refinado, las cuales se
relacionan con el tiempo transcurrido desde el inicio de
operación. En el período de fundición, los conjuntos de
acero casi crean un cortocircuito en el lado secundario
del transformador del horno, al tener contacto con los
electrodos, lo que crea grandes fluctuaciones de
corriente a factores de potencia bajos. Estas
fluctuaciones de corriente provocan variaciones en la
potencia activa y en la potencia reactiva, que provocan
una caída de voltaje momentánea o un parpadeo, tanto
en la barra de alimentación como en los nodos cercanos
en el sistema interconectado. Las corrientes de arco son
más uniformes durante el período de refinado, por lo
que impactan menos en la calidad de la energía del
sistema [4],[8].
Las variaciones de potencia activa y reactiva son de
carácter intermitente, puesto que el horno opera de
forma tal que fácilmente se puede pasar de una
condición de cortocircuito a una de circuito abierto, lo
que incluso provoca la necesidad de reiniciar varias
veces el arco [4].
La Fig. 1 presenta un esquema típico de la estructura
de un horno de arco, donde se aprecia: un sistema
equivalente en la barra S de la subestación, un
transformador de la subestación Ts, el tendido del cable
al horno D1, el equipo de corrección del factor de
potencia C, el transformador del arco de horno Ta,
cables flexibles D2, conductores de barra B, electrodos
de grafito G y recipiente de fundición M [8].
10
Edición No. 17, Issue II, Enero 2021
Figura 1: Estructura de un EAF típico [8]
Como se ha mencionado, el principio de
funcionamiento del EAF provoca un comportamiento
intermitente en el consumo de potencia activa y
reactiva, la cual requiere de una modelación especial,
con características estocásticas e incluso “caóticas” [8],
aspecto que limita una modelación simplificada para
transitorios electromecánicos. La Fig. 2 presenta los
resultados de una simulación realizada en PowerFactory
usando el “Modelo de Inyección” propuesto en [15],
donde se puede observar la alta intermitencia del
consumo del EAF_ad.
Figura 2: Consumo P y Q EAF_ad - “Modelo de Inyección” [15]
Adicionalmente, la Fig. 3 muestra un histograma del
consumo de potencia activa del EAF_ad obtenido de
realizar un análisis estadístico de los datos del
SCADA/EMS registrados del 30 de junio al 1 de julio
de 2020, cada 6 segundos, en los periodos en que el
horno estuvo encendido.
Potencia Activa (MW)
Figura 3: Histograma del consumo de P del EAF_ad
Lastimosamente, como se mencionó antes, no existe
una PMU instalada en el punto de conexión del
EAF_ad, por lo que no es factible confirmar, mediante
mediciones, el comportamiento presentado en la Fig. 2.
En este sentido, se define la necesidad de plantear una
metodología que, mediante el análisis de datos del
sistema SCADA/EMS y los datos de las PMUs
disponibles en el SNI, permita caracterizar el
comportamiento el EAF_ad de forma dinámica (hasta
que se gestione la instalación de una PMU en el punto
de conexión). Asimismo, considerando la limitación del
“Modelo de Inyección” propuesto en [15], se plantea la
necesidad de proponer un modelo simplificado que sea
independiente de ATP y cuya respuesta sea similar a la
presentada en la Fig. 2.
3. METODOLOGÍA PARA EL ANÁLISIS E
INTERPRETACIÓN DE LOS DATOS DEL
SISTEMA DE TIEMPO REAL
Para realizar un correcto análisis e interpretación de
los datos, a continuación, se muestran los pasos a seguir
de manera general:
• Recolección de datos
• Preprocesamiento
• Transformación a información
• Visualización
• Generación de conocimiento.
En forma particular, la metodología propuesta tiene
dos partes, la primera utiliza los datos provenientes del
SCADA/EMS para identificar la subestación más
sensible a las perturbaciones del EAF, mientras que la
segunda permite observar el comportamiento dinámico
de la perturbación.
3.1. Metodología para identificar la ubicación de
PMU con mayor observabilidad de la
perturbación originada por el EAF
Para identificar la ubicación de la PMU que tiene la
mejor observabilidad de la perturbación originada por
los cambios de potencia por el encendido y apagado del
horno de arco dentro del SEP, se realiza el cálculo del
coeficiente de correlación con los datos SCADA/EMS
de la variación de potencia del EAF y las variaciones de
frecuencia en 17 distintas subestaciones que tienen
conexión directa con el EAF, a través de líneas de
transmisión del SEP. Esta recolección de datos se
realiza en los escenarios cuando Ecuador se encuentra
interconectado con Colombia y operando en forma
aislada.
Para la recolección de datos se utilizan las
herramientas disponibles en Excel, vinculadas con el
historiador PI de Osisoft, parte del sistema
SCADA/EMS del Operador Nacional de Electricidad de
Ecuador CENACE. En este historiador se tiene
disponible la medición tanto de la potencia del horno
como mediciones de frecuencia en las barras de otras
subestaciones y centrales del SEP que tienen
interconexión directa o indirecta con la subestación
donde se encuentra la alimentación para el EAF.
11
Del Hierro et al. / Caracterización y simulación de fenómenos dinámicos por la actuación de un horno de arco
El pre procesamiento estará enfocado a eliminar el
ruido por malas mediciones generadas por los sistemas
de adquisición de datos locales, cálculo de las
variaciones de frecuencia y potencia en los distintos
puntos de medición, filtrado a priori de las
subestaciones más sensibles en variaciones de
frecuencia a las variaciones de potencia y la eliminación
de datos no disponibles y normalización de los datos
limpios obtenidos.
Para la transformación a información se realiza el
cálculo del coeficiente de correlación de Pearson. Las
Figs. 4 y 5 muestran los valores calculados a través de R
del coeficiente de correlación (operación interconectada
y aislada), lo que permite identificar cuál es la ubicación
donde la variación de potencia eléctrica producida por la
operación del EAF tiene mayor correlación con las
variaciones de frecuencia en las barras de las 17
subestaciones utilizadas para el estudio, las cuales se
reducen a 7, que se escogieron por tener un número de
registros de variaciones de frecuencia mayor a 3000 y la
existencia de un PMU en dicha ubicación, luego del pre
procesamiento indicado.
Figura 4: Coeficientes de Correlación de Pearson - Operación del
EAF en el escenario interconectado
Figura 5: Coeficientes de Correlación de Pearson Operación del
EAF en el escenario sin interconexión
Por otro lado, en las Figs. 6 y 7 se presenta la
comparación de dichos índices de correlación en los
escenarios con y sin interconexión con Colombia. De
esta forma, se logra evaluar el impacto de la variación
de frecuencia en las subestaciones elegidas para el
estudio, en ambos escenarios. Asimismo, se determina
la relación de dichos coeficientes con el objetivo de
obtener una métrica que permita evaluar cuántas veces
se incrementa la variación de frecuencia cuando
Ecuador está desconectado de Colombia durante la
operación del EAF.
A partir de la metodología planteada, se logra
determinar que la PMU de mayor sensibilidad es la que
se encuentra en la ubicación denominada df2 cuando
Ecuador está interconectado con Colombia, mientras
que cuando Ecuador opera de forma aislada las PMUs
más sensibles se encuentran en las ubicaciones df7 y
df8.
Figura 6: Coeficientes de Correlación calculados en el escenario
de SEP interconectado y SEP sin interconexión con otro SEP
Figura 7: Relación entre los coeficientes de correlación escenario
sin interconexión vs con interconexión
3.2. Metodología para evaluación de la perturbación
a través de los datos WAMS en estado dinámico
Con el conocimiento generado con la metodología
anterior, en donde se determina la subestación más
sensible en variaciones de frecuencia por la variación de
potencia del EAF, se realiza ahora la evaluación del
impacto dinámico. Para esto, primeramente, se aclara
que los datos del SCADA/EMS se actualizan cada 6
segundos, por lo que resulta importante indicar que con
este periodo de muestreo es imposible observar la
perturbación en estado dinámico (resolución en
milisegundos) por lo que se utilizan los datos del
sistema WAMS, el cual registra la información de la
unidad de medición fasorial PMU instalada en la
subestación más sensible a las variaciones de potencia
durante el encendido y apagado del EAF. Todas estas
mediciones están sincronizadas por GPS con un periodo
de adquisición de datos de 60 muestras por segundo.
12
Edición No. 17, Issue II, Enero 2021
Para la captura de los datos dinámicos se dispone de
las herramientas de Excel propias de WAProtector
(sistema WAMS de CENACE). Primero se cambian los
datos de mediciones en el tiempo a series temporales,
las cuales son leídas por una aplicación en R en donde
se realiza el preprocesamiento para eliminar los datos no
disponibles, realizar filtros de agrupación, ejecutar la
normalización de las series de datos temporales
depurada y finalmente realizar el cálculo de la matriz de
correlación.
Se utilizan técnicas de minería de datos para
transformación de series temporales a funciones
empíricas ortogonales EOF con el objetivo de que 30
individuos (correspondientes a los registros de eventos
dinámicos), cada una con 7200 datos que se generan en
una ventana de 2 minutos (un minuto en donde el horno
está apagado, un minuto donde el horno esté
encendido), puedan ser representados mediante la
amplitud y los vectores empíricos ortogonales.
Utilizando la metodología planteada en [19] se
transforma la cantidad original de datos a información
en espacios vectoriales ortogonales, que representan al
fenómeno con una menor cantidad de datos. Con esta
reducción, se realiza una identificación de patrones que
representan si el horno está encendido o el horno está
apagado, mediante la proyección de los datos originales
en las direcciones de los vectores empíricos ortogonales.
Por otra parte, para definir el número de EOF que
permita representar la variabilidad del proceso se escoge
la Regla de North [20], como se muestra en (1).
(1)
Esta ecuación indica que, si la diferencia de dos auto
valores consecutivos es menor que el valor de la
estimación del error, los auto vectores correspondientes
a estos auto valores aportan para la representación de la
variabilidad del proceso.
La estimación del error es función de su valor propio
y del número muestras del fenómeno observado como
se indica en (2).
(2)
Esta metodología se aplica a las variables calculadas
por el PMU: potencia activa, potencia reactiva,
frecuencia y voltaje con la finalidad de identificar cuál
es la variable que permite representar de mejor manera
la variabilidad de la perturbación originada por el EAF
con el mínimo número de vectores empíricos
ortogonales.
En la Tabla 1 se presenta un resumen del análisis
realizado, que permite identificar los parámetros
indicados en el párrafo anterior
Tabla 1: Resumen de datos que representan la variabilidad del
encendido y apagado del EAF a través de las EOF
Variable
Datos
Original
#
EOF
Datos
por EOF
%Variabilidad
observada SVD
Hz
216060
7
420
92.37%
V
216060
5
300
99.36%
MW
216060
3
180
99.94%
MVAR
216060
3
180
99.29%
Los datos transformados en información a través de
las EOF se ingresan a la herramienta de inteligencia
artificial WEKA para la construcción del clasificador
que permitirá identificar si el horno EAF está encendido
o apagado.
De igual forma, para verificar qué técnica de
clasificación es más adecuada para este proceso, se
realizó la comparación del clasificador árbol de decisión
C4.5 y una red neuronal Multilayer Perceptron (MLP).
Para esto, aunque a priori ya se determinó que la
potencia activa es la variable que representa de mejor
manera la variabilidad de la perturbación, se realizó la
construcción de los dos modelos de inteligencia
artificial para corroborar esta afirmación.
Para identificar cuál de los dos modelos de
clasificación permite una mejor identificación del estado
de operación del EAF(encendido/apagado), se utilizaron
los resultados de la Matriz de Confusión que se obtiene
por el método de validación cruzada de 10
interacciones.
Este método de validación divide los datos en 10
subgrupos. Uno de los subgrupos se utiliza como datos
de prueba y el resto como datos de entrenamiento. El
proceso de validación cruzada se realiza en 10
iteraciones, con cada uno de los posibles subgrupos de
datos de prueba. Finalmente, se determina la media
aritmética de los resultados de cada iteración para
obtener un único resultado [21][22].
Figura 8: Verdaderos positivos para el estado encendido por tipo
de clasificador
13
Del Hierro et al. / Caracterización y simulación de fenómenos dinámicos por la actuación de un horno de arco
Figura 9: Verdaderos positivos para el estado apagado por tipo de
clasificador
En las Figs. 8 y 9 se muestra la comparación de
precisión de los clasificadores árbol de decisión C4.5 y
Multilayer Perceptron para predecir los estados apagado
o encendido, a través del parámetro verdaderos
positivos (TP) por cada una de las variables eléctricas:
frecuencia, voltaje, potencia activa y reactiva, por
separados y en conjunto, cuya entrada son los vectores
empíricos ortogonales calculados por el método SVD
(singular value decomposition).
4. MODELO SIMPLIFICADO DE HORNO DE
ARCO PARA SIMULACIÓN RMS
La respuesta dinámica del modelo de EAF
presentado en [3], y que se aprecia en la Fig. 10,
muestra un consumo de P y Q semejante a un tren de
pulsos con cierta frecuencia definida. Sin embargo, este
comportamiento resulta bastante homogéneo, lo que no
corresponde a la aleatoriedad natural del horno a causa
de los procesos de fundición. En este sentido, el
presente trabajo propone un modelo de horno de arco
que se basa en un tren de pulsos de ancho modulado
(Pulse-width modulation PWM), afectado por una señal
de ruido de frecuencia parametrizable, el cual se
describe a continuación.
Figura 10: Variación de P y Q del modelo de EAF de [3]
Usando el lenguaje DIgSILENT Simulation
Language DSL se implementa el modelo del EAF
basado en un tren de pulsos de ancho modulado,
afectado por una señal de ruido de frecuencia
parametrizable. La Fig. 11 presenta el Composite Frame
implementado en PowerFactory.
Figura 11: Composite Frame del modelo de EAF propuesto
Con el propósito de brindar versatilidad al
generador de ruido, se incluye la opción de que pueda
ser: cuadrático (sqr), de amplitud definida (ampl) o con
un retardo (lag1).
La Fig. 12 presenta el Common Model del bloque
Arc furnace, donde el bloque principal (Pulse train) es el
generador del tren de pulsos de ancho modulado, siendo
el ancho del pulso (PW) y el periodo (T)
parametrizables.
Figura 12: Common Model Arc furnace
La Fig. 13 muestra una simulación del tren de pulsos
(antes de ser afectado por el generador de ruido) para un
T = 0.9 s y un PW = 0.75 s (siendo este el PWM
seleccionado para las simulaciones).
Figura 13: Tren de pulsos de ancho modulado
Finalmente, los valores de P y Q son determinados
siguiendo al tren de pulsos afectados por el ruido de
amplitud definida y por bloques de retardo. La Fig. 14
presenta las señales de P y Q que representan el modelo
del consumo del EAF del modelo propuesto. De los
resultados, es posible apreciar la gran similitud con la
Fig. 2, que corresponde al consumo obtenido del
modelo de ATP cuyos resultados son posteriormente
inyectados en PowerFactory (Modelo de Inyección).
14
Edición No. 17, Issue II, Enero 2021
Figura 14: Consumo de P y Q EAF_ad - Modelo propuesto
5. RESULTADOS DE SIMULACIONES
En esta sección se presentan unos resultados de
simulaciones realizadas en PowerFactory, usando un
modelo simplificado del SNI, en un escenario medio de
demanda en el que Ecuador está vendiendo 400 MW a
Colombia. La perturbación simulada es la conexión del
horno de arco EAF_ad usando el modelo propuesto y el
periodo de simulación es de 30 s.
La Fig. 15 presenta los resultados de P, Q que
consume el horno y el voltaje en terminales. Es posible
apreciar cómo el consumo altamente intermitente
provoca el parpadeo del voltaje (flicker).
Figura 15: P, Q y V del EAF_ad
La Fig.16 presenta el flujo de potencia por uno de
los circuitos de la L/T Pomasqui - Jamondino. En ésta
se observa la presencia permanente de la oscilación
inter-área (aproximadamente 0.37 Hz), con amplitudes
de hasta unos 10 MW, lo cual efectivamente ocurre en
el SNI cuando el EAF_ad está encendido, de acuerdo a
lo registrado por el sistema WAMS, como se
ejemplifica en la Fig. 17, que presenta un registro real
del sistema WAMS del 24 de noviembre de 2020 a las
15:23. En este sentido, se ha podido validar que el
modelo propuesto logra reproducir el comportamiento
oscilatorio que ocurre en el sistema real.
Figura 16: Flujo de potencia L/T Pomasqui – Jamondino con EAF
propuesto (carga especial)
Figura 17: Flujo de potencia L/T Pomasqui – Jamondino real
registrado en el sistema WAMS del 24/11/2020, 15:23
Con el propósito de verificar el efecto del modelo de
EAF propuesto en el comportamiento oscilatorio del
SNI, se realiza una simulación de conexión del horno,
pero asumiendo que fuese una carga convencional
(impedancia constante). La Fig. 18 muestra el flujo de
flujo de potencia por uno de los circuitos de la L/T
Pomasqui - Jamondino bajo esta premisa. En este caso,
la oscilación se amortigua con una tasa de alrededor del
3.3% tal como se espera en esta condición operativa.
Figura 18: Flujo de potencia L/T Pomasqui – Jamondino con EAF
de impedancia constante (carga convencional)
15
Del Hierro et al. / Caracterización y simulación de fenómenos dinámicos por la actuación de un horno de arco
6. CONCLUSIONES Y RECOMENDACIONES
En este artículo se ha desarrollado una metodología
para caracterización del funcionamiento del horno de
arco EAF para determinar si el mismo se encuentra en
estado apagado o encendido, a través del análisis de
mediciones indirectas de frecuencia, voltaje, potencia
activa y reactiva; capturadas por el sistema WAMS del
PMU ubicado en la subestación más sensible causada
por la actuación del EAF_ad.
Se ha determinado que, aplicando el concepto
geométrico de las EOF y de acuerdo con los resultados
de los modelos de clasificación construidos es posible
obtener una mejor identificación de la variabilidad
producida por la perturbación producida por EAF a
través de la potencia activa, ya que, con ésta en
promedio, se obtiene un 90% de instancias
correctamente clasificadas, de acuerdo con el resultado
obtenido por el método de prueba “Cross Validation”.
Además, de acuerdo con los resultados obtenidos en
la matriz de confusión presentada por los distintos
clasificadores, se concluye que se tiene una mejor
observabilidad de la perturbación producida por el
cambio de estado de encendido y apagado del EAF solo
a través de la medición fasorial indirecta de potencia y
su transformación a funciones empíricas ortogonales.
En este caso, la medición de las otras variables
eléctricas, frecuencia, voltaje, potencia reactiva no
aportan a obtener un mejor modelo de clasificación.
El cálculo del coeficiente de correlación entre la
variación de potencia activa medida en el EAF y
variaciones de frecuencia medidas en distintos puntos
del SEP con el sistema SCADA/EMS permite
determinar la subestación más sensible a la operación
del EAF y darle una cuantificación, en los dos
escenarios de i) SEP interconectado con otro SEP; y, ii)
SEP operando de forma aislada.
Adicionalmente, este artículo propone un modelo
simplificado de EAF para simulación de transitorios
electromecánicos, el cual se basa en un tren de pulsos de
ancho modulado (Pulse-width modulation PWM),
afectado por una señal de ruido de frecuencia
parametrizable. Este modelo ha sido implementado en
PowerFactory usando la programación DSL. Los
resultados de las simulaciones muestran un muy buen
desempeño del modelo propuesto, tanto al compararlo
con el “Modelo de Inyección” como al verificar que
efectivamente permite reproducir el comportamiento
oscilatorio del modo inter-área que se produce en el
SNI.
Como recomendaciones se propone investigar los
siguientes aspectos:
• Calcular el número de observaciones necesarias
para el cálculo óptimo de EOF para cumplir con
la teoría de la distribución del muestreo. En este
trabajo se utilizó el principio en el cual el
número de muestras debe ser mayor o igual que
30.
• Desarrollar una herramienta de captura de datos
de observaciones, cuyos periodos de tiempo de
encendido y apagado sean simétricos al inicio de
la perturbación de forma automática para obtener
la cantidad de escenarios óptimos para la
transformación a EOF.
• A partir de los coeficientes de las EOF sería
posible estructurar una metodología de
identificación de patrones que no solamente
permita determinar si el horno está prendido o
apagado, sino que permita valorar el grado de
impacto en la estabilidad del sistema (por
ejemplo, en la estabilidad oscilatoria) en función
de la cuantificación energética de la oscilación.
Una investigación futura se está estructurando en
este sentido.
• El modelo de EAF propuesto requiere ser
parametrizado, para lo cual es necesario que se
gestione la instalación de una PMU en el punto
de conexión del EAF_ad y se realice un
procedimiento de identificación de parámetros
basado en registros dinámicos.
• Usando el modelo de EAF propuesto se podrán
realizar estudios del impacto de esta carga
dinámica en el SNI, los cuales permitirían definir
acciones de control tales como la
implementación de compensadores dinámicos
como por ejemplo STATCOMs.
AGRADECIMIENTOS
Al Operador Nacional de Electricidad CENACE, por su
apoyo en el desarrollo de esta investigación.
A los compañeros de trabajo y amigos de la Gerencia
Nacional de Desarrollo Técnico, por su apoyo y
generosidad al compartir sus conocimientos.
REFERENCIAS BIBLIOGRÁFICAS
[1] P. Kundur, “[Prabha Kundur] Power System
Stability And Control.pdf.” p. 1661, 1993.
[2] H. Hernández, “Análisis de las perturbaciones
provocadas por el horno de arco eléctrico y sus
métodos para atenuarlas,” 2014.
[3] L. Zhang, Y. Liu, M. Ingram, D. T. Bradshaw, S.
Eckroad, and M. L. Crow, “EAF voltage flicker
mitigation by FACTS/ESS,” in Power System
Conference & Exposition, 2004, vol. 1, pp. 372–
378 vol.1.
[4] R. Villafuerte, “Modelación, Simulación Y
Determinación De Índices De Distorsión Armónica
Y Efecto Flicker, en el Sistema Nacional De
Transmisión, Causados Por La Conexión De
Hornos De Arco, Aplicado Al Caso De Novacero
S.A.,” 2008.
16
Edición No. 17, Issue II, Enero 2021
[5] J. J. Marulanda-Durango, C. D. Sepúlveda-
Londoño, and M. A. Alvarez-López, “Estimación
de los Parámetros de un Modelo de un Horno de
Arco Eléctrico Usando Máxima Verosimilitud
Parameter Estimation for an Electric Arc Furnace
Model Using Maximum Likelihood.”
[6] L. Zhang and et al., “An adaptive arc furnace
model,” in Power System Conference &
Exposition, 2000, vol. 15, pp. 931–939.
[7] S. R. Mendis and D. A. Gonzalez, “Harmonic and
transient overvoltage analysis in arc furnace power
systems,” IEEE Trans. Ind. Appl. (Institute Electr.
Electron. Eng. (United States), vol. 228, pp. 336–
342, 1992.
[8] G. Jang, W. Wang, G. T. Heydt, S. S. Venkata, and
B. Lee, “Development of enhanced electric arc
furnace models for transient analysis,” Electr.
Power Components Syst., vol. 29, no. 11, pp. 1060–
1074, 2001.
[9] M. A. Chawdhury, “An Endeavor of Frequency
Regulation by Free Governor Mode of Operation in
Bangladesh Power System,” IOSR J. Electr.
Electron. Eng., vol. 12, no. 4, pp. 75–87, 2017.
[10] “Network Manager EMS - Network Management |
ABB.” [Online]. Available:
https://new.abb.com/network-
management/network-management/network-
manager-ems. [Accessed: 01-Oct-2019].
[11] A. De La Torre, J. Cepeda, and J. C. Herrera,
“Implementación de un sistema de monitoreo de
área extendida WAMS en el Sistema Nacional
Interconectado del Ecuador SNI,” Ingenius, no. 10,
2013.
[12] A. De La Torre, “Análisis técnico para la
implementación de un sistema de monitoreo de área
extendida (WAMS) en el Sistema Nacional
Interconectado del Ecuador,” 2013.
[13] G. Jang, W. Wang, G. T. Heydt, S. S. Venkata, and
B. Lee, “Development of enhanced electric arc
furnace models for transient analysis,” Electr.
Power Components Syst., vol. 29, no. 11, pp. 1061–
1074, 2001.
[14] B. L. JANG, WEIGUO WANG, GT HEYDT, SS
VENKATA, “Development of enhanced electric
arc furnace models for transient analysis. Electric
Power Components and Systems,” vol. 29, pp.
1060–1073, 2001.
[15] IRONCLAD, “Modelo de Horno de Arco
Eléctrico,” Rep. Técnico, p. 14.
[16] F. Carmona, “Un análisis con R Datos
multivariantes,” 2018.
[17] B. Caicedo and J. Lopez, “Redes Neuronales
Artificiales,” Charlas Fis., p. 276, 2010.
[18] I. Corso and C. Lorena, “Aplicación de algoritmos
de clasificación supervisada usando Weka.”
[19] J. C. Cepeda, Real Time Vulnerability Assessment
of Electric Power Systems Using Synchronized
Phasor Measurement Technology. 2013.
[20] S. Alburqueque, “Funciones ortogonales empíricas
y su aplicación a datos de temperatura superficial
del mar,” 2019.
[21] “Wayback Machine.” [Online]. Available:
https://web.archive.org/web/20110905044421/http:/
/www.public.asu.edu/~ltang9/papers/ency-cross-
validation.pdf. [Accessed: 26-Jun-2020].
[22] “ProClassify User’s Guide - Cross-Validation
Explained.” [Online]. Available:
http://genome.tugraz.at/proclassify/help/pages/XV.
html. [Accessed: 26-Jun-2020].
Jaime Cristóbal Cepeda
Campaña.- Nació en Latacunga
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 Schlumberger 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 Gerente
Nacional de Desarrollo Técnico del CENACE y como
profesor de programas de Maestría y Doctorado. Sus
áreas de interés incluyen los sistemas de medición
fasorial, la evaluación de vulnerabilidad en tiempo real
y el desarrollo de Smart Grids.
Carlos Arturo Del Hierro
Cadena.- Nació en Quito en 1978.
Recibió su título de Ingeniero
Electrónico en Automatización y
Control en el año 2002 en la ESPE
y en marzo de 2020, finalizó sus
estudios en Máster Universitario en
Análisis y Visualización de Datos
Masivos / Visual Analytics and Big Data en la UNIR.
Desde el año 2009 hasta la presente fecha se desempeña
en el cargo de Ingeniero de Sistema Remoto de
CENACE
17
