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.

Donde, T m representa el torque mecánico proporcionado por la fuerza motriz que actúa en el eje de la máquina y 𝑇 𝑒 el torque electromagnético generado por la reacción de la armadura; 𝐻 es la constante de inercia de la máquina; 𝜔 0 es la velocidad angular nominal en rad/s; y 𝛿 corresponde a la posición angular del rotor con respecto a un marco de referencia síncrono.

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]:

• 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.

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 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).

Donde 𝑃 𝑖 , es la probabilidad de falla i-ésima, 𝑓 𝑖 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 Fig. 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:

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 programa DigSILENT Power Factory.

Figura 2:

La Fig. 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.

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 Fig. 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:

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 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.