Edición No. 21, Issue I, Julio 2024
1. INTRODUCCIÓN
Los nuevos desafíos que presentan los sistemas
eléctricos de potencia (SEP), como falta de inversión,
envejecimiento de equipos, integración de fuentes de
energía renovables y restricciones ambientales para la
construcción de nuevas centrales y líneas de transmisión,
sumados al continuo incremento de la demanda, podrían
conducir a que el SEP se aparte de su rango operativo
admisible, e incluso ocasionar inestabilidad o apagones.
Resulta por ello necesario monitorear su comportamiento
dinámico, a fin de mantener la seguridad y estabilidad de
operación. El monitoreo de la estabilidad oscilatoria se
realiza mediante el análisis de los modos oscilatorios de
baja frecuencia (MOBF), cuyas características de
frecuencia y amortiguamiento, brindan información
crítica a los operadores del SEP para adoptar acciones de
control preventivo o de emergencia.
Tradicionalmente, el monitoreo de los MOBF
depende de una eficaz modelización de los SEP. Se
realiza para verificar las condiciones de estabilidad de
pequeña señal (EPS), con el modelo matemático
completo del sistema, un análisis modal en estado
estacionario [1] o simulaciones ante diferentes
perturbaciones. Sin embargo, la precisión de las
estimaciones de los MOBF depende de la exactitud y
validez del modelo matemático. Ante estas dificultades
que presenta el enfoque tradicional, en las últimas
décadas se han desarrollado nuevas técnicas de
procesamiento de señales y de identificación de sistemas
para la estimación de los MOBF a partir de mediciones.
Estos métodos no requieren modelar del sistema. En este
sentido, los cada vez más difundidos sistemas de
medición basados en los sistemas de medición de área
amplia (WAMS – Wide Area Monitoring Systems), y en
las unidades de medición sincrofasorial (PMU –
Synchronized Phasor Measurement Units) conectadas a
un concentrador de datos fasoriales (PDC – Phasor Data
Concentrator), generan, por su capacidad de proveer
información sincronizada a una alta tasa de reporte, una
oportunidad tecnológica para la evaluación de la
estabilidad oscilatoria a partir del procesamiento de
señales.
Los métodos de identificación modal a partir de
mediciones se clasifican de acuerdo, a las características
de las señales en la ventana de análisis, que corresponden
a períodos de grandes perturbaciones (ringdown data) o
a períodos con datos tipo ambiente sin grandes
perturbaciones (ambient data); y a su formulación
matemática como paramétricos o no paramétricos [2].
Para obtener buenos resultados se debe escoger la
metodología más adecuada según el tipo de datos a
analizar. En este trabajo se presenta una metodología que
procesa señales de datos ambiente.
El análisis e identificación de MOBF en señales de
datos tipo ambiente revela la presencia de un ruido
ambiental de nivel constante en el sistema. La hipótesis
considerada es que este ruido es el resultado de pequeñas
variaciones en la carga, que actúan como excitación de
baja amplitud para los modos electromecánicos del
sistema. Suponiendo que estas variaciones se modelan
como ruido blanco en una ventana de análisis, es posible
estimar las características modales de los sistemas a partir
de las señales de datos tipo ambiente [3].
Una de las primeras aplicaciones de un método de
análisis de datos tipo ambiente se publicó en [4],
haciendo uso de un método basado en subespacios
estocásticos. Este método estima los modos oscilatorios,
sin embargo, no arroja una buena solución al problema
de discriminación de modos reales de modos espurios
causados por errores numéricos en su técnica
matemática.
En [3] se implementan varios métodos de análisis
para estimación de modos correspondientes a métodos de
análisis de subespacios de estado, entre ellos Análisis de
Correlación Canónica (CCA) y Algoritmos Numéricos
para la Identificación del Sistema de Espacio de Estado
Subespacial (N4SID), con buenos resultados al usar
grandes ventanas de datos. En [5] se analiza el efecto de
la longitud de la señal y la presencia de ruido para el
análisis de datos ambiente con el método de CCA, donde
se determina que el análisis requiere de una longitud de
ventana de 600 a 900 s. En [6] se analiza una señal de
datos tomando como referencia una ventana que abarca
la señal previa y posterior a la ocurrencia de una
perturbación, y se la analiza con los métodos de
subespacios de estado y CCA. Los resultados muestran
que el método de CCA se desempeña bien en ventanas de
datos tipo ambiente.
Por otro lado, los primeros resultados de la aplicación
del método paramétrico de Yule Walker (YW) para la
estimación de modos oscilatorios en mediciones tipo
ambiente fueron publicados en [7], desde entonces se han
venido realizando modificaciones para la estimación de
modos oscilatorios en los SEP. Inicialmente, se
desarrolló el método para el análisis de una sola señal [8],
y posteriormente se modificó para posibilitar realizar el
análisis de múltiples señales [9].
En este trabajo se presenta una metodología que
integra los métodos de identificación paramétrica CCA y
YW con las técnicas de análisis espectral y de
pseudoenergía [10] de la señal de datos tipo ambiente en
un procedimiento automático para estimar MOBF muy
poco y poco amortiguados.
Este trabajo se organiza en 5 secciones. En la sección
2, se presentan las herramientas matemáticas para el
análisis de MOBF. En la sección 3 se describe la
metodología propuesta. En la sección 4 se aplica la
metodología a señales PMU de frecuencia registradas en
el sistema de transmisión de energía de Ecuador operado
por el CENACE. Finalmente, en la sección 5 se presentan
las conclusiones del trabajo.