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