Artículo Académico / Academic Paper
Recibido: 10-11-2024, Aprobado tras revisión: 08-01-2025
Forma sugerida de citación: León, J.; Tapia, E.; Colomé, D. (2025). “Identificación de Generadores Críticos ante Problemas de
Estabilidad Transitoria”. Revista Técnica “energía”. No. 21, Issue II, Pp. 11-19
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v21.n2.2025.684
© 2025 Autores Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0
Identification of Critical Generators in Transient Stability Problems
Identificación de Generadores Críticos ante Problemas de Estabilidad
Transitoria
J.E. León1
0009-0001-6095-7707
D.G. Colomé1
0000-0002-2926-5366
E.A. Tapia1
0000-0002-3340-8278
1 Universidad Nacional de San Juan – CONICET, Instituto de Energía Eléctrica, San Juan, Argentina
E-mail: jleon@iee.unsj.edu.ar; gcolome@iee-unsjconicet.org; etapia@iee.unsj.edu.ar
Abstract
The literature has focused on transient stability,
concentrating on its assessment and control under
operational situations and limited contingencies. This
often leads to transient stability issues not addressed in
studies, making the system vulnerable to imminent
collapses. In this context, this work proposes a
methodology for identifying critical generators under a
broad range of operational scenarios and contingencies,
serving as a foundation for the development of an
adaptable disconnection scheme that responds to the
system's real-time dynamics. The methodology relies on
the generation of a database encompassing a wide
spectrum of operational scenarios and N-1
contingencies, as well as the systematic disconnection
of generators to identify those deemed critical for
mitigating transient instability. In a controlled
simulation environment (IEEE New England 39-bus
system in DigSILENT Power Factory software), the
methodology effectively identified critical generators in
99.6% of the simulated cases deemed unstable due to
transient stability issues, thereby establishing a solid
foundation for training a learning model that operates in
real time according to the system's dynamics, which
translates into an adaptable generation disconnection
scheme.
Resumen
La literatura ha prestado atención a la estabilidad
transitoria, centrándose en su evaluación y control en
situaciones operativas y contingencias limitadas. Esto
con frecuencia conduce a problemas de estabilidad
transitoria no contemplados en los estudios que hacen
que el sistema sea susceptible a colapsos inminentes. En
este sentido, este trabajo propone una metodología para
identificar los generadores críticos bajo un amplio
universo de escenarios de operación y contingencias,
que sirve como base para el desarrollo de un esquema
de desconexión adaptable que responda a la dinámica en
tiempo real del sistema. La metodología se basa en la
generación de una base de datos con un amplio espectro
de escenarios operativos y contingencias N-1, así como
la desconexión sistemática de generadores que permita
identificar aquellos denominados como críticos para la
mitigación de inestabilidad transitoria. En un entorno de
simulación controlado (sistema New England IEEE de
39 barras en el software DigSILENT Power Factory), la
metodología encontró con efectividad los generadores
críticos en un 99.6 % de los casos simulados que fueron
identificados como inestables por estabilidad
transitoria, determinando así una base sólida para el
entrenamiento de un modelo de aprendizaje que actúe
en tiempo real según la dinámica del sistema, lo que se
traduce en un esquema de desconexión de generación
adaptable.
Index terms— power systems, transient stability, PMU
measurement, critical generators.
Palabras clave— estabilidad transitoria, generadores
críticos, desconexión de generación, esquema de
control, sistemas de potencia.
11
Edición No. 21, Issue II, Enero 2025
1. INTRODUCCIÓN
Históricamente, la evaluación de la estabilidad transitoria
de un Sistema Eléctrico de Potencia (SEP) se ha llevado
a cabo fuera de línea, dado el tiempo de cómputo
necesario para determinar por simulación la respuesta
dinámica sobre el modelo del SEP. La evaluación de la
estabilidad transitoria mediante estos métodos de
integración paso a paso, que resuelven las ecuaciones
diferenciales y que representan la dinámica del sistema,
son capaces de manejar grandes sistemas de potencia con
gran cantidad de generadores, teniendo en cuenta
modelos validados de los elementos presentes en un
sistema eléctrico de potencia real [1],[2].
Si bien esta metodología es muy útil en la fase de
planificación, los estudios para el ajuste de un esquema
de desconexión automática de generación (DAG) no
pueden considerar un gran número de estados de
operación y contingencias al estar limitados por el
componente humano. Adicionalmente, los métodos de
integración paso a paso son computacionalmente
exigentes, y dada la rápida naturaleza del fenómeno de
inestabilidad transitoria, hacen que sea imposible su
implementación en tiempo real.
Por otro lado, existen métodos directos cuya finalidad es
obtener información sobre el estado de la estabilidad
transitoria sin realizar simulaciones, lo que optimiza los
tiempos para que puedan ser aplicados en tiempo real
[1],[3]. No obstante, la principal limitación de estos
métodos radica en la complejidad de gestionar modelos
de las máquinas y otros componentes del sistema; por
ejemplo, en el método Equivalente de Máquina Simple-
Barra Infinita, se reduce al sistema completo en un
equivalente donde se pueda aplicar la metodología de
igualdad de áreas para determinar un margen de
estabilidad.
En contraste a lo anterior, las unidades de medición
sincrofasorial ofrecen una visión completa de la dinámica
del sistema eléctrico. Además, su frecuencia de muestreo
abre las puertas a nuevas oportunidades para generar
metodologías que puedan, en tiempo real, evaluar el
estado de la estabilidad y decidir acciones de control
correctivo para mitigar fenómenos inestables
transitorios.
Como antecedente al presente trabajo, se puede
mencionar a la investigación [4], donde al utilizar
máquinas de aprendizaje y mediciones de PMUs se
construye una metodología para catalogar el estado de
estabilidad de corto plazo para clasificar estados estables,
inestable transitorio e inestable por pérdida de la
estabilidad de tensión a corto plazo (STVS), dado que
ambos tipos de inestabilidades se desarrollan en la misma
ventana de tiempo. En este sentido, el presente trabajo
aprovecha este desarrollo para hacer frente a problemas
de inestabilidad transitoria, y se proponen acciones de
control de emergencia correspondiente a la desconexión
de plantas de generación.
En este sentido, con una discriminación del estado de
estabilidad a corto plazo proporcionado por [4], la
presente investigación tiene como objetivo identificar
generadores críticos para construir un Esquema de
Desconexión Automática de Generación (EADG).
Este trabajo consta de 5 capítulos que detallan el proceso
de identificación de generadores críticos; el capítulo 2
explora conceptos clave para entender la metodología,
además de presentar las herramientas tecnológicas y
matemáticas necesarias para el desarrollo de la misma. El
capítulo 3 detalla la metodología propuesta y el capítulo
4 evidencia los resultados de su aplicación en un
ambiente de simulación. Finalmente, el capítulo 5
destaca las conclusiones más importantes del trabajo.
2. MARCO TEÓRICO
Para contextualizar la investigación, en el presente
capítulo se presenta el marco teórico sobre la estabilidad
transitoria de los sistemas de potencia y las herramientas
necesarias para aplicar la metodología propuesta.
2.1 Estabilidad transitoria
La estabilidad de un SEP se define como su capacidad
para volver a un estado de equilibrio operativo después
de haber sido afectado por una perturbación, partiendo de
una condición inicial específica [5].
Particularmente, la estabilidad transitoria se define como
la capacidad de un SEP para mantener a los generadores
en sincronismo y lograr condiciones de funcionamiento
aceptables en estado estacionario tras enfrentar grandes
perturbaciones, como cortocircuitos, la pérdida de
grandes unidades de generación o importantes
variaciones en la carga [5]. La variable que mejor
representa fenómenos donde la estabilidad transitoria
está involucrada, es el ángulo de rotor de la maquina; la
ecuación (1) describe las oscilaciones de este ángulo
durante perturbaciones.
(1)
Donde,
representa el torque mecánico proporcionado
por la fuerza motriz que actúa en el eje de la máquina y
el torque electromagnético generado por la reacción
de la armadura; es la constante de inercia de la
máquina; es la velocidad angular nominal en rad/s; y
corresponde a la posición angular del rotor con respecto
a un marco de referencia síncrono.
2.2 Sistemas especiales de protección
Los sistemas especiales de protección (SPS) realizan
acciones de control predefinidas post contingencia y son
estructurados a partir de simulaciones fuera de línea
donde se evalúa la seguridad estática y dinámica del
sistema [1]; los sistemas especiales de protección suelen
caracterizarse por [6]:
12
Leon et al. / Identificación de generadores críticos ante problemas de estabilidad transitoria
• Actuar en contingencias poco comunes, que
suelen estar fuera del rango de diseño destinado a
soportar una potencia firme, lo que permite
realizar acciones de control que no se utilizan en
condiciones operativas normales, como la
reducción de carga y generación.
• Asumir mayores riesgos operacionales, con
consecuencias que podrían superar la capacidad
de protección convencional.
• Realizar protección a nivel de sistema, que
funciona en varias ubicaciones y coordina el
control de múltiples señales de manera integrada.
Según sus variables de control, los SPS se pueden
clasificar en dos tipos: basados en respuesta y basados en
eventos. Por una parte, los SPS basados en eventos están
diseñados para actuar al identificar una contingencia o
una combinación específica de eventos como pérdidas de
varias líneas de transmisión o varios generadores. Estos
SPS basados en eventos son más rápidos porque no
necesitan esperar la reacción del sistema ante un evento
particular, sin embargo, necesitan que se evalúen muchos
escenarios para definir su operación [6].
Por otra parte, los SPS basados en respuesta se activan
según las variables eléctricas medidas cómo tensión o
frecuencia y llevan a cabo acciones protectoras cuando el
valor medido alcanza un nivel de umbral tras una
contingencia; de este modo, son capaces de manejar
situaciones no planificadas [6].
El Esquema Adaptable de Desconexión de Generación
(EADG) propuesto se asemeja a un SPS basado en
eventos ya que, al usar mecanismos de inteligencia
artificial, en su entrenamiento está considerando distintos
escenarios de operación y contingencias, con la
diferencia de que toma en cuenta una enorme cantidad de
los mismos (en contraste a un SPS convencional). Del
mismo modo, el EADG se asemeja a un SPS basado en
la respuesta ya que, para tomar la decisión de activación
y definición de parámetros, es necesario contar con
mediciones que evidencien la dinámica del sistema.
3. METODOLOGÍA
La metodología propuesta tiene como objetivo identificar
la generación crítica que causa inestabilidad en
situaciones de pérdida de estabilidad transitoria. Esta
identificación se utilizará para etiquetar los generadores
en la base de datos, que servirá como insumo
fundamental para entrenar un modelo de inteligencia
artificial (IA) supervisado. Este modelo, basado en
mediciones de PMU de tensión compleja en las
terminales y en la estimación del ángulo del rotor de las
máquinas síncronas, clasificará a los generadores como
críticos o no críticos, lo que permitirá parametrizar en
tiempo real el EADG.
3.1. GENERACIÓN DE LA BASE DE DATOS
La creación de la base de datos es crucial en el desarrollo
de cualquier metodología que utilice herramientas de
inteligencia artificial, en este sentido, los datos deben ser
suficientes y variados para abarcar una amplia gama de
escenarios de operación y fallas del sistema.
3.1.1 Escenarios de operación
La herramienta para construir el conjunto de escenarios
de operación es la simulación de Monte Carlo,
simulación que debe representar el comportamiento de la
red lo más fielmente posible. Por tanto, se emplean
modelos probabilísticos de variables aleatorias del
sistema de potencia, que consideran un horizonte de
análisis a corto plazo (5s) dado que los fenómenos
inestables transitorios se dan en este intervalo temporal
[7] [8] [9].
Para la generación de la base de datos este trabajo
considera como horizonte de interés al de 24 horas. El
modelo de pronóstico de carga debe reflejar
adecuadamente el comportamiento de la carga del
sistema y sus incertidumbres asociadas, utilizando
funciones de distribución de probabilidad (PDF)
apropiadas. Estas incertidumbres se consideran a través
de distribuciones normales, que se incorporan en las
simulaciones de contingencias basadas en Montecarlo.
En el sistema de prueba, se adaptaron tres curvas de carga
típicas para clientes residenciales, comerciales e
industriales.
El pronóstico siempre tendrá un grado de incertidumbre
respecto al comportamiento real de la carga, lo que
implica que se deben incluir distribuciones normales en
la formación de las cargas nodales por hora. Por otro
lado, la planificación operativa a corto plazo para
satisfacer la demanda pronosticada en las próximas 24
horas, conocida como "Unit-commitment", implica
optimizar el cronograma de generación, sujeto a
restricciones específicas. En este trabajo, se asume que
esta optimización ya ha sido realizada y se dispone de un
cronograma de unidades de generación, incluyendo la
reserva rodante, que será utilizado en el análisis posterior.
La planificación operativa también aborda la
determinación de la topología de la red, considerando los
activos de transmisión disponibles y sus mantenimientos.
El objetivo es optimizar la flexibilidad y eficiencia de la
red en función de la demanda y el cronograma de
generación previamente definido. En este trabajo, se
asume que la topología de la red a corto plazo ha sido
determinada por el operador y se utilizará como entrada
para la metodología propuesta, enfocada en resolver un
Flujo Óptimo de Potencia (OPF) hora a hora.
3.1.2 Simulación de contingencias N-1
En este estudio se asume que las contingencias N-1 son
eventos independientes generados de manera aleatoria,
que incluyen la pérdida de plantas de generación y
cortocircuitos trifásicos en líneas de transmisión. Las
13
Edición No. 21, Issue II, Enero 2025
contingencias seleccionadas están adaptadas al sistema
bajo estudio, centrándose en las perturbaciones más
probables y aquellas que generan el mayor estrés. La
probabilidad de cada tipo de falla se deriva de datos
históricos y sigue una distribución de probabilidad
discreta y se calcula por medio de la ecuación (2).
(2)
Donde , es la probabilidad de falla i-ésima,
es el
número de veces que esta falla ocurre y M el número de
tipos de fallas analizadas.
Además, la ubicación de la falla para las contingencias de
cortocircuito se determina utilizando funciones de
densidad de probabilidad adecuadas y basadas en
estadísticas históricas. La generación aleatoria de
contingencias utiliza funciones de distribución tanto
uniforme como de Weibull [10]. Así, una vez definidas
las distribuciones de probabilidad adecuadas, es
necesario elegir un método de muestreo para extraer las
muestras aleatorias de contingencia conforme a sus
distribuciones. Según el análisis realizado en [8] y [9], se
opta por la técnica de muestreo aleatorio para la
simulación de Monte Carlo, ya que ha mostrado ofrecer
mejores resultados en cuanto a la media y la varianza en
el análisis probabilístico de la dinámica del sistema
eléctrico.
3.1.3 Series de tiempo de simulaciones dinámicas
La finalidad de construir una base de datos de escenarios
operativos y de contingencias N-1 es para utilizarlas en
la obtención de series de tiempo de variables del sistema
eléctrico que ofrezcan una visión adecuada de la
estabilidad transitoria del sistema.
Estas series de tiempo deben ser seleccionadas con el fin
de permitir la identificación precisa de plantas
generadoras críticas en una ventana de tiempo reducida.
Es decir, las variables elegidas deben reflejar de manera
efectiva los problemas de estabilidad transitoria.
Además, estas variables deben ser medidas o estimadas
con dispositivos PMU, para que la metodología pueda ser
usada en tiempo real.
Diferentes estudios como [11] y [12] sugieren que el
ángulo de la tensión puede reflejar el estado de las
máquinas síncronas del sistema, sin embargo, dado que
con algunos tipos de PMU se puede acceder también a
mediciones del módulo de la tensión en barras de
generación y a el mismo ángulo del rotor de la máquina
con algunos tipos de PMU [13], hace que se escoja a estas
tres variables (Ө, U, δ) para entrenar con series de tiempo
de las mismas, un modelo de inteligencia artificial. En
tiempo real, el monitoreo de estas tres variables eléctricas
del sistema de potencia proporcionará la información
para la parametrización y activación del EADG.
La Figura 1 muestra el proceso para obtener las series de
tiempo mencionadas bajo los diferentes escenarios de
operación y falla, donde k es el número del caso simulado
y n el número total de casos para construir la base de
datos.
Figura 1: Metodología de generación de series de tiempo
3.1.4 Identificación de generadores críticos
Con el fin de generar el etiquetado de generadores
críticos, para usarlo en el entrenamiento de un modelo de
IA, es necesario encontrar las plantas de generación
causantes de la inestabilidad en el sistema para cada uno
de los casos inestables por pérdida de la estabilidad
transitoria.
Dado que la variable que mejor representa la estabilidad
transitoria es el ángulo del rotor de la máquina, se escoge
esta variable para encontrar las máquinas que alcanzan la
inestabilidad en cada escenario clasificado como
inestable por estabilidad transitoria.
En este sentido, se crea un ranking de desconexión según
el orden en que cada máquina alcanza el límite de
estabilidad transitoria para cada caso. Este resultado se
usará para encontrar mediante simulaciones dinámicas
las plantas que, al ser desconectadas, permiten que el
sistema mantenga la estabilidad transitoria. A
continuación, se describe esta metodología a detalle.
• Ranking de desconexión:
El primer paso para encontrar los generadores
críticos es crear un ranking de desconexión, basado
en el tiempo en el que el ángulo del rotor de cada
máquina alcanza el límite teórico de estabilidad
(180° o -180°) [14].
Con el fin de entender mejor el proceso, se
ejemplifica cómo se construye el ranking para el
caso inestable de la Fig. 2. En este caso, la pérdida
de la estabilidad transitoria es ocasionada por una
falla trifásica en la línea L22-L23 del sistema IEEE
New England de 39 barras en un estado de operación
con alta carga. La respuesta a esta perturbación de
los ángulos del rotor de las máquinas del sistema es
obtenida mediante simulación dinámica en el
14
Leon et al. / Identificación de generadores críticos ante problemas de estabilidad transitoria
programa DigSILENT Power Factory.
Figura 2: Evolución de los ángulos de rotor posterior a una falla
La Figura 2 muestra los ángulos de los rotores de las
máquinas en una ventana de 3 segundos; donde se puede
apreciar la ocurrencia de la falla mencionada a los 100 ms
de iniciada la simulación, y su despeje exitoso 100ms
después. De acuerdo con la metodología planteada, el
ranking de este caso se forma por 6 generadores en el orden
que presenta la Tabla 1, donde G36 es el primero que
alcanza el límite de 180º y G37 el último.
Tabla 1: Ranking de desconexión
Generador
G36
G34
G33
G35
G38
G37
Ranking
1
2
3
4
5
6
• Etiquetado de generadores críticos:
Después de tener el insumo necesario para encontrar los
generadores críticos (ranking de desconexión), se
desarrolló un algoritmo que lleva a cabo simulaciones
dinámicas, este desconecta los generadores de uno en uno
de forma acumulativa, siguiendo el orden establecido por
el ranking, hasta que el sistema alcanza un estado estable.
Retomando el caso mencionado anteriormente, para
ejemplificar la metodología, la Figura 3 muestra la
simulación dinámica final, donde la inestabilidad ha sido
mitigada al desconectar solo el primer generador del
ranking, G36. De este modo, para este estado de
operación/contingencia, el generador G36 será el único
etiquetado como generador crítico, información
necesaria para el entrenamiento del modelo de
aprendizaje con que se implementaría el EADG.
Para este caso, la desconexión de todos los generadores
que alcanzan el límite de estabilidad transitoria
significaría la pérdida de alrededor del 60% de la
capacidad de generación del parque, mientras que con la
desconexión de los generadores críticos encontrados con
la metodología precitada solo es necesario desconectar el
11 % de la capacidad de generación total para llevar al
sistema a una condición estable.
Figura 3: Evolución de los ángulos de rotor posterior a la
desconexión del generador identificado como crítico
4. ANÁLISIS DE RESULTADOS
El sistema de prueba seleccionado para aplicar la
metodología propuesta es el sistema IEEE New England
de 39 barras de Nueva Inglaterra. Este sistema fue
elegido sistema de prueba en varios estudios que abordan
tareas similares, como la clasificación del estado de
estabilidad de corto plazo [4] y la evaluación de
márgenes de estabilidad transitoria [1], ambos emplean
técnicas de aprendizaje automático como componente
central. El sistema consta de 39 barras, 10 generadores
que representan plantas de generación con generadores
sincrónicos conectados en paralelo, 19 cargas y 46 líneas
de transmisión que operan a un nivel de tensión de 345
kV y a una frecuencia de 60 Hz, Figura 10.
Para representar de manera fiel los fenómenos
transitorios propios de los estudios de estabilidad
transitoria, se hace uso del modelo estándar del generador
síncrono para simulaciones RMS (modelo subtransitorio
de sexto orden) en el programa DigSilent PowerFactory
[15]. De manera similar, y con el fin de considerar el
fenómeno de la estabilidad de tensión a corto plazo
(STVS), fenómeno que se presenta en la misma ventana
de tiempo que la estabilidad transitoria, se considera un
modelo dinámico de la carga presentado en [16].
La base de datos cuenta con 10000 casos de estudio,
donde se contemplan diferentes estados de operación en
conjunto con contingencias de fallas trifásicas y pérdida
de generadores. Estos casos fueron clasificados en 3
categorías: 8407 estables, 1178 inestables por pérdida de
estabilidad transitoria y 415 inestables por pérdida de
estabilidad de tensión a corto plazo. La metodología para
la clasificación del estado de estabilidad a corto plazo se
puede consultar en [4].
El primer paso para encontrar los generadores críticos es
utilizar la metodología de la sección 3.1.4 basada en el
ranking de desconexión. Este ranking permite la
desconexión uno a uno de estos generadores hasta que el
sistema permanezca estable en una ventana de cinco
segundos.
A continuación, en la Figura 4 se muestra la cantidad de
casos tanto de generadores que alcanzan el límite de
15
Edición No. 21, Issue II, Enero 2025
estabilidad catalogados en el ranking, como los
generadores críticos encontrados al aplicar la
metodología propuesta, conjunto que al ser desconectado
mitiga los problemas de estabilidad transitoria. Es decir,
por ejemplo, para el caso del conjunto de 6 generadores
se tiene que según el ranking corresponde a 562 casos,
mientras que en realidad luego de la aplicación de la
metodología se encuentra que en solo 295 casos se tiene
un conjunto de 6 generadores críticos. Por otro lado, se
tiene que en 62 de los casos inestable el ranking incluye
8 o 9 generadores mientras que no existen casos
inestables donde se necesite de tal cantidad de
generadores críticos para evitar la inestabilidad
transitoria.
Figura 4: Cantidad de casos vs cantidad de generadores en el
conjunto de generadores del ranking o en el conjunto de
generadores críticos
Por otra parte, se muestran en la Figura 5 la distribución
de porcentajes de los conjuntos de máquinas tanto para
los generadores inestables (ranking) como para los
generadores críticos. Como se puede apreciar en la
Figura 5, en el 50% de los casos se presenta 6 plantas
inestables que con su desconexión el sistema se
estabilizaría. Sin embargo, posterior a la aplicación de la
metodología propuesta, solamente el 22% de los casos se
identifica con 6 plantas críticas y que con su desconexión
el sistema también puede estabilizarse. Del mismo modo
se puede apreciar de que en aproximadamente un 5 % de
los casos hay conjuntos de ocho y nueve plantas
inestables, cuando en realidad en ningún caso es
necesario disparar tantos generadores para lograr mitigar
la inestabilidad. Otra situación extrema es el de los
conjuntos formados por solo un generador, donde en el
ranking se tiene alrededor del 12% de los casos en esta
categoría, mientras que, gracias a la aplicación de la
metodología propuesta, este porcentaje aumenta al 24 %
de los casos.
Como resultado de este análisis, se logra identificar el
número mínimo de generadores a ser desconectados con
el fin de mitigar problemas de inestabilidad transitoria,
evitando así, desconectar generación excesiva. Este
resultado es un insumo clave para el entrenamiento de un
modelo de IA núcleo del EADG a desarrollar en futuras
investigaciones.
Figura 5: Porcentaje de generadores inestables vs generadores
críticos
Del total de 1178 de casos inestables transitorios de la
base de datos, la metodología fue capaz de etiquetar
satisfactoriamente los generadores críticos en 1129 de
ellos, es decir, se obtuvo una efectividad del 99.6 %.
En los 4 casos con resultados no satisfactorios, la
clasificación de generadores críticos por medio de la
metodología propuesta resultó insuficiente. En estos
casos, aunque la búsqueda de generadores críticos se
realiza mediante la desconexión secuencial según el
ranking, se observó que, al desconectar todos los
generadores de este ranking (es decir, aquellos que
alcanzaron el límite de estabilidad transitoria), algunos
generadores que previamente no alcanzaban dicho límite
comenzaron a hacerlo. Las Figs. 6 y 7 presentan las series
de tiempo de los ángulos del rotor sin acciones de control,
para dos de estos cuatro casos, con el fin de ilustrar este
fenómeno.
Figura 6: Caso 1. Generadores inestables: G36, G35, G39
Figura 7: Caso 2. Generadores inestables: G36; G33, G35, G34
Como se puede apreciar en las Figura 6 y Figura 7, en
principio los casos no parecen demasiado críticos al
observarse solo tres y cuatro generadores como
inestables, respectivamente. Estas figuras muestran las
16
Leon et al. / Identificación de generadores críticos ante problemas de estabilidad transitoria
incursiones de los ángulos del rotor de cada generador
desde un estado estacionario, durante la falla (0.1 – 0.2 s)
y luego su despeje exitoso en una ventana de simulación
de cinco segundos. Cabe resaltar también que, en los
casos de las Figura 6 y Figura 7 no se ha realizado
ninguna acción de control correctiva específica.
En las etiquetas bajo las series de tiempo de las Figura 6
y Figura 7 se puede encontrar el conjunto de generadores
inestables, resultado de la aplicación de la metodología
que construye el ranking de desconexión. Al proceder a
desconectar uno a uno para encontrar el conjunto de
generadores críticos se tiene que, aun cuando se
desconectaron todos los generadores del ranking en cada
uno de los casos, la inestabilidad no fue mitigada. Las
Figura 8 Figura 9 muestran la respuesta dinámica de los
ángulos luego de la desconexión de los generadores del
ranking.
Figura 8: Caso 1. respuesta dinámica con desconexión de todos los
generadores del ranking
Figura 9: Caso 2. respuesta dinámica con desconexión de todos los
generadores del ranking
Como se observa en las Figs. 8 y 9, después de
desconectar todos los generadores del ranking, no fue
posible mitigar la inestabilidad transitoria. En el caso 1,
se puede notar que, tras la desconexión de las tres plantas
inicialmente inestables, el resto de las máquinas también
pierden sincronismo, lo que lleva a un colapso total del
sistema. De manera similar, en el caso 2, aunque se
desconectaron los generadores inestables según el
ranking, no se logró evitar la inestabilidad, ya que los
generadores G38 y G37, que previamente mantenían la
estabilidad, pierden sincronismo después de aplicar la
acción de control.
Si se analizan las condiciones del estado de operación
previas a la falla, y las características de las mismas, se
encuentra que estos cuatro casos se deben a fallas en las
líneas L16-17 o L16-27, donde el cortocircuito ocurre en
una localización cercana a las barras. Por otra parte, al
considerar las condiciones prefalla, se puede evidenciar
que el sistema de generación está operando cercano a sus
máximos operativos, lo que representa una condición
adversa en caso de una falla importante. Es decir, la
confluencia de estas contingencias tan severas con los
estados de operación extremos genera problemas en estos
casos. En este sentido, estos estados operativos se
deberían eludir para evitar incurrir en estos casos y no
provocar situaciones muy inestables al presentarse fallas
en las líneas mencionadas (Figura 10).
Figura 10: Sistema IEEE New England 39 barras y contingencias
críticas
5. CONCLUSIONES
Se ha definido una metodología para identificar
generadores críticos cuya desconexión evita la
inestabilidad transitoria. Esta metodología resulta
indispensable para la obtención de una base de datos que
sirva como insumo para construir un esquema adaptable
de desconexión de generación (EADG) basado en
modelos de IA.
La metodología propuesta fue evaluada en un entorno de
simulación controlado utilizando el sistema de prueba de
39 barras de IEEE New England. Los resultados
principales son los siguientes:
• La metodología de identificación de la generación
crítica ofrece una nueva perspectiva en el estudio
de la estabilidad transitoria. Permite identificar y
cuantificar la generación dinámica crítica
discriminada en las plantas de generación
necesarias para que, al ser desconectadas, se
pueda mitigar la inestabilidad transitoria. Los
resultados de la identificación fuera de línea
mostraron una precisión del 99.65% en la
identificación de generadores críticos, lo que
proporciona una base sólida para su uso en el
entrenamiento de máquinas inteligentes de
17
Edición No. 21, Issue II, Enero 2025
clasificación y su posterior aplicación en tiempo
real.
• Si bien la metodología no tuvo resultados
satisfactorios en el 100% de los casos, los 4 casos
en que no logra identificar los generadores críticos
son casos muy adversos que devienen de una
combinación de condiciones de estrés alto al estar
los generadores operando cerca de sus límites y de
fallas severas. En este sentido, la recomendación
es evitar estos casos operativamente. Un resultado
similar se puede encontrar en [17].
• Al obtener una base de datos sólida tanto de
escenarios operativos y contingencias, así como
de etiquetas de generadores críticos, se tiene el
insumo necesario para construir un EADG cuyo
núcleo son algoritmos de inteligencia artificial
que puedan predecir conjuntos de generadores
críticos considerando la respuesta dinámica del
sistema ante una perturbación.
• Este trabajo complementa el presentado en [4],
con el objetivo de construir un esquema de
desconexión de generación que aborde problemas
de estabilidad transitoria, basándose en la
clasificación previa del estado de estabilidad a
corto plazo.
AGRADECIMIENTOS
Los autores agradecen al Servicio Alemán de
Intercambio Académico (DAAD), institución que
financia el programa de estudios de posgrado del Ing.
Jorge Enrique Leon Carpio, sin su apoyo este trabajo de
investigación no hubiera podido realizarse.
REFERENCIAS BIBLIOGRÁFICAS
[1] J. D. E. Echeverria, C. J. C. Cepeda, and D. G.
Colome, “Real-time transient stability assessment of
electric power systems using predictive-SIME based
on machine learning,” in 2017 IEEE PES Innovative
Smart Grid Technologies Conference - Latin
America (ISGT Latin America), IEEE, Sep. 2017,
pp. 1–6.
[2] M. Pavella, D. Ernst, and D. Ruiz-Vega,
“TRANSIENT STABILITY OF POWER
SYSTEMS A Unified Approach to Assessment and
Control.”, Springer. 2000.
[3] M. Pavella and P. G. Murthy, Transient stability of
power systems: theory and practice, Wiley. 1994.
[4] E. A. T. Suarez and D. G. Colome, “Evaluación de
la Estabilidad de Corto Plazo y Discriminación de
Inestabilidades Transitoria y de Tensión,” in 2022
IEEE Biennial Congress of Argentina
(ARGENCON), IEEE, Sep. 2022, pp. 1–7.
[5] “Definition and Classification of Power System
Stability IEEE/CIGRE Joint Task Force on Stability
Terms and Definitions,” IEEE Transactions on
Power Systems, vol. 19, no. 3, pp. 1387–1401, Aug.
2004.
[6] V. Van Acker, P. Cholley, P. Crossley, C. W. Taylor,
and C. Vournas, “SYSTEM PROTECTION
SCHEMES IN POWER NETWORKS,” CIGRE.
2001.
[7] V. H. Hinojosa, “Pronóstico de la demanda de corto
plazo en sistemas de suministro de energía eléctrica
utilizando inteligencia artificial,” San Juan, 2007.
[8] J. L. Rueda, “Evaluación y mejora de la estabilidad
de pequeña señal de sistemas eléctricos de potencia
considerando incertidumbres,” San Juan, 2009.
[9] J. Cepeda, “Evaluación de la Vulnerabilidad del
Sistema Eléctrico de Potencia en tiempo real usando
Tecnología de Medición Sincrofasoria,”
Universidad Nacional de San Juan, San Juan, 2013.
[10] L. Wenyuan, Risk assessment of power systems:
models, methods, and applications. A Jhon Wiley &
Sons, 2005.
[11] R. Zhang, Y. Xu, Z. Y. Dong, and K. P. Wong,
“Post‐disturbance transient stability assessment of
power systems by a self‐adaptive intelligent
system,” IET Generation, Transmission &
Distribution, vol. 9, no. 3, pp. 296–305, Feb. 2015.
[12] A. D. Rajapakse, F. Gomez, K. Nanayakkara, P. A.
Crossley, and V. V. Terzija, “Rotor Angle Instability
Prediction Using Post-Disturbance Voltage
Trajectories,” IEEE Transactions on Power Systems,
vol. 25, no. 2, pp. 947–956, May 2010.
[13] NR Electric Co. Ltd, “PCS-996 Phasor
Measurement Unit,” 2019.
[14] T. B. Nguyen and M. A. Pai, “Dynamic security-
constrained rescheduling of power systems using
trajectory sensitivities,” IEEE Transactions on
Power Systems, vol. 18, no. 2, pp. 848–854, May
2003.
[15] DigSilent GmbH, “Synchronous Machine,”
Gomaringen Germany, 2018
[16] DIgSILENT GmbH, “Induction Machine TechRef
ElmAsm V2.1,” Gomaringen, Germany, 2010.
[17] D. E. Echeverria Jurado, J. C. Cepeda Campana, and
D. Graciela Colome, “Predicción de la Estabilidad
Transitoria de Sistemas Eléctricos utilizando
Aprendizaje Automático,” in 2022 IEEE Biennial
Congress of Argentina (ARGENCON), IEEE, Sep.
2022, pp. 1–8.
18
Leon et al. / Identificación de generadores críticos ante problemas de estabilidad transitoria
Jorge Enrique León nació en
Colombia en 1999. Recibió su título de
Ingeniero Eléctrico de la Universidad
Nacional de Colombia en el año 2022.
Actualmente se encuentra a la espera de
realizar la defensa de tesis de maestría
en la Universidad Nacional de San Juan
(UNSJ), Argentina. Sus áreas de
investigación corresponden al análisis de estabilidad transitoria
de Sistemas Eléctricos de Potencia.
Delia Graciela Colomé. - es Doctora
en Ingeniería Eléctrica, egresada de la
Universidad Nacional de San Juan
(UNSJ), Argentina, 2009. Profesora y
Consultora del Instituto de Energía
Eléctrica (IEE), UNSJ - CONICET.
Coordinadora de la carrera de
Ingeniería Eléctrica (2011-2018) y
directora del Departamento de
Posgrado de la Facultad de Ingeniería (2016-2021).
Actualmente es directora de tesis de posgrado, y de proyectos
de investigación y transferencia de tecnología. Sus principales
campos de investigación son: modelado, simulación,
supervisión, estabilidad y control de sistemas eléctricos de
potencia.
Estefanía Alexandra Tapia Suárez.-.
recibió el título de Ingeniera Eléctrica de
la Escuela Politécnica Nacional, Quito,
Ecuador en el 2015 y de Doctora en
Ingeniería Eléctrica de la Universidad
Nacional de San Juan (UNSJ),
Argentina en el 2023. Actualmente se
encuentra como investigadora en
actividades relacionadas con el procesamiento de datos e
inteligencia artificial en el Centro Tecnológico AIMEN,
España. Sus áreas de investigación corresponden a la
estabilidad, evaluación y control de Sistemas Eléctricos de
Potencia en conjunto con modelos de inteligencia artificial.
19
