Professional Documents
Culture Documents
ANL
GENERA
T
FACU
UNIV
LISIS DE
ACIN A
TRABAJO
ULTAD D
IN
RAFAEL
LUIS
RICAR
ANTIGUO
VERSIDAD
JOS
E CONFI
APLICAD
EL
DE GRAD
DE INGE
PARA OP
GENIER
L ALEJAN
ROBERT
RDO JOS
OC
O CUSCA
D CENTR
SIMEN
IABILID
DO AL S
SALVAD
UACIN P
ENIERA
PTAR AL G
RO ELEC
POR:
NDRO CA
TO GAL
S GARC
CTUBRE 2
ATLN, E
ROAMERI
CAAS
DAD DE
SISTEMA
DOR.
PREPARAD
A Y ARQ
GRADO DE
CTRICIS
AMPOS H
N GUTI
A HERN
2011
EL SALVA
ICANA
SISTEM
A ELCT
DO PARA L
QUITEC
E
STA
HERRERA
RREZ
NNDEZ
ADOR, C.
MAS DE
TRICO D
LA
CTURA
A
.A
DE
RECTOR
ANDREU OLIVA DE LA ESPERANZA, S.J.
SECRETARIA GENERAL
CELINA PREZ RIVERA
DECANO DE LA FACULTAD DE INGENIERA Y ARQUITECTURA
CARLOS GONZALO CAAS GUTIRREZ
COORDINADOR DE LA CARRERA DE INGENIERA ELCTRICA
OSCAR ANTONIO VALENCIA MONTERROSA
DIRECTOR DEL TRABAJO
JUAN JOS ORELLANA ROMERO
LECTOR
CARLOS ANIBAL JUREZ RAMOS
AGRADECIMIENTOS
Los autores manifiestan su agradecimiento a todos aquellos, que directa o indirectamente,
hicieron posible el desarrollo de este trabajo de graduacin.
En primer lugar agradecer a quienes nos guiaron a lo largo de este proceso, nuestro director
Juan Jos Orellana, de quien surge la idea de tomar este tema de investigacin, y a nuestro
lector Carlos Jurez, quienes dedicaron de su valioso tiempo y aportes conceptuales hacia el
proyecto realizado.
El presente trabajo de graduacin marca el final de un largo y difcil camino, en el cual nos
han acompaado personas que brindaron su apoyo incondicional. Agradecemos a nuestros
compaeros de universidad, personas con las que se forma un vnculo de amistad y
cooperacin para superar, paso a paso, la carrera de ingeniera. Tambin agradecer a
nuestros amigos, los cuales siempre demostraron estar cerca en los momentos de mayor
dificultad.
Asimismo agradecer al Departamento de Electrnica e Informtica y al Departamento de
Ciencias Energticas y Fludicas de la universidad. Por la disposicin en todo momento de
ayudar al desarrollo de este trabajo, y por el prstamo de las instalaciones que fueron de
gran ayuda para el mismo.
Rafael Campos
Luis Galn
Ricardo Garca
ii
RESUMEN EJECUTIVO
La energa elctrica se ha constituido como uno de los servicios ms importantes para la
sociedad, que se fundamenta en la importancia que tiene este insumo en el desarrollo
econmico y social de los pases. Es por esto que se debe poner atencin en la planificacin
y la operacin del sistema de potencia, de tal manera que se garantice la continuidad de este
servicio con altos niveles de calidad.
El sistema de suministro de energa elctrica es un conjunto de componentes que se
encargan de generar, transmitir y distribuir la electricidad, la gran cantidad de aspectos
involucrados en este proceso conlleva a la complejidad de operacin de estos sistemas, esto
sumado a la ocurrencia de fallas aleatorias que afectan de gran medida el funcionamiento
de todos los componentes de stos, pudiendo generar racionamientos o incluso el colapso
total del sistema.
El problema de planificacin de la operacin sistema recae en el equilibrar las restricciones
econmicas, tcnicas y de confiabilidad dentro de un sistema de potencia, por esta razn se
desarrolla dentro del presente trabajo una herramienta de evaluacin de confiabilidad del
sistema de generacin, la cual cumplir con la tarea de sumarse a los estudios que en la
actualidad se realizan en la planificacin.
El objetivo de este trabajo es generar un modelo que sea capaz de realizar evaluaciones de
confiabilidad incluyendo los aspectos de operacin del sistema, esto para estimar
indicadores que cuantifiquen la confiabilidad del sistema de generacin. Esto desarrollado
junto a la Unidad de Transacciones (UT), ente operador del mercado mayorista y del
sistema de transmisin de El Salvador.
Las tcnicas de evaluacin de confiabilidad en sistemas de potencia se han desarrollado a lo
largo del tiempo, en donde se ha obtenido un fuerte avance gracias al aumento y a la
evolucin de computadoras y mtodos probabilsticos, las cuales son la base para estos
estudios. En este trabajo se emplean simulaciones de Monte Carlo, la cual es una
herramienta muy poderosa, con la que se es capaz de desarrollar modelos de evaluacin de
ii
iii
iv
INDICE
RESUMEN EJECUTIVO ........................................................................................................ i
NDICE DE FIGURAS ......................................................................................................... ix
NDICE DE TABLAS ........................................................................................................ xiii
SIGLAS ................................................................................................................................ xv
PRLOGO ......................................................................................................................... xvii
CAPITULO 1. EVALUACIN DE CONFIABILIDAD EN SISTEMAS DE POTENCIA . 1
1.1 Introduccin ............................................................................................................. 1
1.2 Objetivos de la Investigacin ................................................................................... 2
1.3 Definicin de Confiabilidad en Sistemas de Potencia ............................................. 2
1.4 Enfoque de Evaluacin Determinstico .................................................................... 3
1.5 Enfoque de evaluacin probabilstico ...................................................................... 4
1.6 Niveles Jerrquicos en Sistemas de Potencia ........................................................... 6
1.7 ndices de Confiabilidad .......................................................................................... 9
CAPITULO 2. MODELADO Y ANLISIS ESTADSTICO DE DATOS ........................ 11
2.1 Modelo de Generadores en Mtodo Secuencial ..................................................... 12
2.1.1 Modelo de dos estados para Unidades Base ................................................... 13
2.1.2 Modelo de Mltiples Estados para Unidades Base ......................................... 20
2.1.3 Modelo de Cuatro Estados para Unidades Pico .............................................. 22
2.2 Modelo de Generadores Mtodo No-Secuencial ................................................... 26
2.2.1 Tasa de Salida Forzada ................................................................................... 27
2.2.2 Probabilidades de Estado ................................................................................ 28
2.3 Modelado del Recurso Primario de Generacin .................................................... 29
2.4 Creacin de Modelos Probabilsticos ..................................................................... 31
2.4.1 Recoleccin de la Informacin ....................................................................... 32
ix
NDICE DE FIGURAS
Figura 1.1 Niveles jerrquicos para la evaluacin de confiabilidad en sistemas de potencia 7
Figura 1.2 Esquema de sistema uninodal utilizado para estudios de confiabilidad de rea
simple ...................................................................................................................................... 8
Figura 2.1 Modelo de representacin de unidad generadora base con dos estados .............. 13
Figura 2.2 Diagrama de operacin general para unidad generadora base de dos estados .... 14
Figura 2.3 Secuencia operativa simplificada de dos estados ................................................ 15
Figura 2.4 Funcin de densidad probabilidad para una distribucin exponencial con z = 1
.............................................................................................................................................. 17
Figura 2.5 Funcin de distribucin de probabilidades Weibull con [ = 1 y o =
1S, 1, 2 y 2.S ......................................................................................................................... 18
Figura 2.6 Funcin de distribucin de probabilidades Gamma con o = 1 y [ = 1, 2 y S .. 19
Figura 2.7 Funcin de distribucin de probabilidad Log-normal con o = 1 y p =
-u.S, u, 1 y 2......................................................................................................................... 19
Figura 2.8 Secuencia de disponibilidad para una unidad generadora. .................................. 20
Figura 2.9 Modelo de tres estados para unidad generadora base con falla parcial. .............. 21
Figura 2.10 Modelo de representacin de unidad generadora base con dos estados sin
transicin entre fallas ............................................................................................................ 21
Figura 2.11 Secuencia operativa de una unidad generadora con fallas parciales. ................ 22
Figura 2.12 Espacio de Estados para unidad generadora pico. ............................................. 23
Figura 2.13 Transicin del estado de reserva a unidad en servicio en el modelo de
generadores pico ................................................................................................................... 24
Figura 2.14 Posibles transiciones de estado del periodo de reserva condicionadas por la
ocurrencia de falla en el arranque ......................................................................................... 24
Figura 2.15 Posibles transiciones del estado de operacin determinadas por la ocurrencia o
no de falla. ............................................................................................................................. 25
Figura 2.16 Transiciones desde el estado de indisponibilidad en periodos de necesidad .... 25
Figura 2.17 Modelo de representacin de unidad generadora base con dos estados ............ 26
Figura 3.1 Modelo de demanda de seis niveles y la curva de duracin de carga de un ao . 42
Figura 3.2 Secuencia de operacin y reparacin de dos unidades generadoras ................... 48
Figura 3.3 Combinacin de estados de todo el sistema de generacin ................................. 48
Figura 3.4 Comparacin de la demanda cronolgica y la capacidad de generacin del
sistema de un periodo de tiempo en la simulacin ............................................................... 50
Figura 4.1 Estructura general de la herramienta computacional .......................................... 53
Figura 4.2 Estructura general de la simulacin secuencial ................................................... 54
Figura 4.3 Secuencia operativa simulada para un generador en un ao ............................... 58
Figura 4.4 Secuencia operativa anual de un generador con restriccin por hidrologa ....... 59
Figura 4.5 Secuencia operativa anual con mantenimiento programado (hora 3000 a 3500) 60
Figura 4.6 Diagrama de operacin de un generador de 19.8 MW con limitacin por
hidrologa ............................................................................................................................. 60
Figura 4.7 Secuencia operativa de un generador de 19.8 MW con restriccin de potencia de
12 MW (hora 0 a 2500) ........................................................................................................ 61
Figura 4.8 Unidad de 30 MW que representa una central de biomasa sin aplicarle
restricciones .......................................................................................................................... 61
Figura 4.9 Unidad generada que representa una central de biomasa con sus restricciones . 62
Figura 4.10 Representacin de un generador de tres estados, sin la transicin entre estados
de falla .................................................................................................................................. 62
Figura 4.11 Diagrama de operacin anual simulado para el sistema de generacin de El
Salvador ................................................................................................................................ 63
Figura 4.12 Modelo de demanda para las semanas 17 y 18 ................................................. 65
Figura 4.13 Superposicin de la capacidad de generacin modelo de demanda con posibles
dficits .................................................................................................................................. 66
Figura 4.14 Margen de potencia del sistema de generacin con dficit .............................. 66
Figura 4.15 Escenarios de dficit sealados dentro de la superposicin de la generacin y
demanda ............................................................................................................................... 67
Figura 4.16 Estructura general del algoritmo no secuencial ................................................ 68
Figura 4.17 Curva de demanda de la semana 31 a la 34 ...................................................... 73
Figura 4.18 Curva de duracin de carga para la demanda de la semana 31 a la 34 ............. 74
Figura 4.19 Niveles de demanda con su tiempo de duracin para la semana 31 a la 34 ..... 74
Figura 4.20 Evolucin entre iteraciones del LOLP obtenido mediante simulacin no
secuencial ............................................................................................................................. 77
Figura 4.21 Evolucin entre iteraciones del LOLP en el sistema de prueba obtenido
mediante simulacin secuencial ........................................................................................... 78
Figura 4.22 Capacidad de generacin instalada en el sistema de El Salvador ..................... 79
Figura 4.23 Evolucin de las iteraciones para el LOLE del sistema de El Salvador ........... 88
Figura 4.24 Evolucin de las iteraciones para el LOEE del sistema de El Salvador ........... 89
Figura 4.25 Valor esperado de prdida de carga semanal para el sistema de El salvador ... 90
Figura 4.26 Probabilidad de prdida de carga semanal para el sistema de El Salvador ...... 90
Figura 4.27 Comparacin de Probabilidad de prdida de carga semanal para el sistema de
El Salvador considerando la hidrologa ............................................................................... 93
Figura 4.28 Comparacin del valor esperado de prdida de carga semanal para el sistema de
El Salvador incluyendo mantenimientos menores ............................................................... 94
Figura 4.29 Comparacin de Probabilidad de prdida de carga semanal para el sistema de
El Salvador incluyendo mantenimientos menores ............................................................... 94
xi
xii
xiii
NDICE DE TABLAS
Tabla 4.1 Pronostico de potencia y energa para el ao 2011 ............................................... 64
Tabla 4.2 Probabilidad de falla para las unidades base de dos estados ................................ 71
Tabla 4.3 Probabilidades de estados de las unidades mostradas de Berln ........................... 72
Tabla 4.4 Probabilidades de estado y su potencia disponible para la central Nejapa Power 72
Tabla 4.5 Resultados de la creacin de los niveles de demanda ........................................... 75
Tabla 4.6 Descripcin del sistema de validacin .................................................................. 76
Tabla 4.7 Resultados de la aplicacin del procedimiento analtico al sistema de prueba .... 77
Tabla 4.8 Valores de capacidad de generacin instalada [SIGET, 2011: p.45] ................... 80
Tabla 4.9 Potencias disponibles de las centrales y sus unidades generadoras ...................... 81
Tabla 4.10 Parmetros de las distribuciones de probabilidad de mejor ajuste para los
eventos mostrados ................................................................................................................. 82
Tabla 4.11 Parmetros de las distribuciones de probabilidad para las transiciones mostradas
.............................................................................................................................................. 84
Tabla 4.12 Modelos probabilsticos para el anlisis de los eventos mostrados .................... 85
Tabla 4.13 Resultados de la evaluacin secuencial en el sistema de El Salvador ................ 86
Tabla 4.14 Comparacin de resultados de la evaluacin secuencial considerando incertezas
en la demanda ....................................................................................................................... 87
Tabla 4.15 Comparacin de resultados de la evaluacin secuencial con tiempos
exponencialmente distribuidos y de mejor ajuste ................................................................. 87
Tabla 4.16 ndices de confiabilidad semanales .................................................................... 91
Tabla 4.17 Comparacin de resultados de la evaluacin secuencial con limitaciones en
hidroelctricas ....................................................................................................................... 92
Tabla 4.18 Comparacin de resultados con la inclusin de mantenimientos menores ......... 93
Tabla 4.19 Orden de prioridad de las centrales generadoras ................................................ 98
Tabla 4.20 Enumeracin de prioridad en hidroelctricas ................................................... 100
Tabla 4.21 Energa hidroelctrica por central ..................................................................... 104
Tabla 4.22 Voltajes esperados en los buses del sistema de El Salvador ............................ 111
Tabla 4.23 Tabla de coeficientes de variacin para el escenario simulado ........................ 113
xiv
xv
SIGLAS
CAIFI: ndice del Promedio de la Frecuencia de Interrupciones al Consumidor
(Customer Average Interruption Frequency Index).
CAPD: Departamento de Planificacin de la Adecuacin de Capadidad del PJM
(Capacity Adequacy Planning Department)
CASSA: Compaa Azucarera Salvadorea
CEL: Comisin Ejecutiva Hidroelctrica del Ro Lempa
CESSA: Cementos de El Salvador
EDLC: Duracin Esperada de Racionamientos de Carga (Expected Duration of Load
Curtailment).
ENLC: Frecuencia esperada de racionamientos de carga (Expected Frecuency of
Load Curtailments).
FOR: Tasa de Salida Forzada (Forced Outage Rate).
INE: Inversiones Energticas.
KS: Prueba de bondad de ajuste de Kolmogorov-Smirnov.
LDC: Curva de Duracin de Carga (Load Duration Curve).
LOEE: Valor Esperado de Prdida de Energa (Loss Of Energy Expectation).
LOLE: Valor Esperado de Prdida de Carga (Loss Of Load Expectation).
LOLP: Probabilidad de Prdida de Carga (Loss Of Load Probability).
MTTF: Tiempo Medio a la Falla (Mean Time To Failure).
MTTR: Tiempo Medio de Reparacin (Mean Time To Repair).
NERC: Corporacin Norte Americana de Confiabilidad Elctrica (North American
Reliability Corporation).
PAMM: Plan Anual de Mantenimientos Mayores
PJM: Interconexin de Pennsylvania-New Jersey-Maryland
PLC: Probabilidad de Racionamientos de Carga (Probability of Load
Curtailments).
PSSE: Simulador de Sistema de Potencia (Powe System Simulator)
SAIDI: ndice del Promedio de Duracin de las Interrupciones en el Sistema
(System Average Interruption Duration Index).
SAIFI: ndice del Promedio de Frecuencia en las Interrupciones en el Sistema
(System Average Interruption Frequency Index).
TSF: Tasa de Salida Forzada.
TTF: Tiempo a la Falla (Time To Failure).
TTR: Tiempo de Reparacin (Time To Repair).
UT: Unidad de Transacciones.
xvi
xvii
PRLOGO
En el presente trabajo se desarrolla un modelo de evaluacin de confiabilidad para los
sistemas de suministros de energa elctrica, siendo este aplicado al sistema de generacin
de El Salvador. Como objetivo de tal evaluacin se pretende obtener indicadores de
confiabilidad que muestren cuantitativamente las caractersticas del sistema elctrico
salvadoreo y as apoyar la planificacin de la operacin de mediano y largo plazo.
Para realizar clculos de confiabilidad existen diferentes mtodos probabilsticos entre los
cuales se utilizar el Mtodo de Montecarlo, el cual ser la base del estudio de confiabilidad
a realizar.
Una vez construido el modelo de evaluacin de confiabilidad, se diseara una herramienta
computacional que sea capaz de entregar los indicadores antes mencionados y as realizar
diferentes diagnsticos del sistema elctrico nacional en el tiempo que sea requerido.
En el presente documento se desarrolla en cinco captulos el contenido del trabajo
realizado, en los primeros tres captulos se exponen los fundamentos tericos necesarios
para la realizacin del estudio de confiabilidad y las caractersticas propias del sistema de
generacin de El Salvador; en los captulos posteriores se muestra la metodologa realizada
para construir el modelo de evaluacin y los resultados obtenidos con este.
En el captulo uno se define el concepto de confiabilidad en un sistema elctrico de
potencia, los diferentes enfoques que existen para su evaluacin, los niveles de complejidad
que existen para realizar dicho estudio y la importancia que con lleva este anlisis en la
planificacin de operacin de un sistema de suministro.
En el captulo dos se describen los modelos probabilsticos que se utilizan para representar
los componentes del sistema para el estudio de confiabilidad, as como el tratamiento
estadstico requerido para modelar fielmente cada componente.
En el captulo tres se realiza una descripcin sobre las principales caractersticas del
mtodo de simulacin de Monte Carlo. Tambin se muestran los diferentes tipos de
xviii
Tcnicas analticas
Las tcnicas analticas representan el sistema con modelos de espacios de estado. En estas
tcnicas se evalan todos los estados posibles que se pueden presentar, siendo estos estados
las combinaciones de indisponibilidades y disponibilidades de componentes en un sistema,
luego se calculan matemticamente el valor esperado de los ndices de inters. Desarrollar
estos mtodos se vuelve complejo para sistemas de gran tamao, debido a la gran cantidad
de combinaciones de estados que se presentan [Imbarack, 2006: p.4]. Estas tcnicas reciben
el nombre de mtodos de enumeracin de estados.
El mtodo de enumeracin de estados se basa en la combinacin de las probabilidades de
disponibilidad e indisponibilidad de los componentes analizados, lo cual se define de la
siguiente forma [Li, 2005: p.79]:
(P
)(P
) (P
N
+
N
) (Ec. 1.1)
En donde P
P(s) = _
N
]
=1
_ P
N-N
]
=1
(Ec. 1.2)
Donde N
]
es el nmero de componentes indisponibles en el sistema en el estado s. En el
caso de que todos los componentes del sistema se encuentren disponibles N
]
= u, y no se
toma en cuenta ninguna probabilidad de indisponibilidad.
Con el procedimiento anteriormente descrito se obtienen las probabilidades de todos los
estados de operacin del sistema, en donde el nmero de stos se define por todas las
posibles combinaciones de disponibilidades e indisponibilidades. Es importante destacar la
complejidad que presentan estas tcnicas para evaluar sistemas de gran tamao, debido a la
A
En este c
toman en
restriccio
Este tipo
reduccion
anlisis c
de transm
Nivel Jer
Este nive
nivel jer
no invol
sobrecarg
[Li, 2005
cada zona
Este nive
radiales,
demanda
por una
Anlisis de co
caso los gen
n cuenta lne
ones de trans
o de anlisi
nes de nodo
con respecto
misin, entre
rrquico 2
el estudia el c
rquico se to
lucra nicam
gas en las l
5: p.114]. En
a funcional,
Figura 1.2
el toma imp
debido a qu
en el tiempo
lnea de tra
onfiabilidad
neradores y
as de interco
smisin en la
s es muy u
os agrupnd
a recursos c
otros.
conjunto gen
orna ms com
mente fallas
neas de tran
n este nivel
siendo estos
Esquema de si
portancia al
ue dentro de
o y en todo l
ansmisin,
de mltiples
cargas de ca
onexin simp
as interconex
usado en si
olos en rea
computacion
neracin-tran
mplejo que e
s en compo
nsmisin, vi
los ndices
s independie
istema uninoda
analizar sis
el concepto
lugar, as en
aunque se p
8
s reas
ada rea est
ples entre r
xiones como
istemas de
as, reducien
nales y anli
nsmisin. Un
el caso del ni
onentes, sin
olaciones de
son obtenid
entes.
al utilizado par
simple
stemas grand
de confiabi
n el caso de u
posea sufici
tn conectad
reas. Se tom
o una potenci
gran tama
ndo la comp
isis de fallas
n estudio de
ivel 1, debid
no tambin
e voltaje y r
dos mediante
ra estudios de c
des y con p
ilidad se en
una carga co
iente capaci
dos al mism
ma tambin en
ia mxima.
o, en dond
plejidad del
s en las mlt
e confiabilida
do a que esta
es necesar
racionamien
e las contrib
confiabilidad d
presencia de
ncuentra el s
onectada al s
idad de gen
mo bus, y se
n cuenta las
e se hacen
sistema, el
tiples lneas
ad para este
a evaluacin
rio analizar
nto de carga
buciones de
de rea
e topologas
satisfacer la
sistema solo
neracin es
imposible suministrar la demanda en un punto que quede aislado por la falla de dicha lnea
de transmisin.
Nivel Jerrquico 3
En este nivel se incluyen las zonas funcionales de generacin, transmisin y distribucin,
incluye todo el sistema de suministro de electricidad, desde quien la genera hasta cada
usuario final que la consuma [Billinton y Li, 1994: p.15]. El estudio de confiabilidad de
este nivel jerrquico ha sido inviable debido a la complejidad y gran tamao de las redes
[Imbarack, 2006: p.9]. Este tipo de estudios involucra todos los aspectos del sistema como
la topologa, la accin de las protecciones, falla de cualquier equipo existente en l, factores
climticos extremos, animales y vegetacin cercana a componentes, entre otra gran
cantidad de factores que afectan a la confiabilidad la red en general.
1.7 ndices de Confiabilidad
El objetivo principal de todo estudio de confiabilidad es obtener indicadores que
cuantifiquen el nivel de confianza que posee el sistema evaluado. Existe una gran variedad
de ndices de confiabilidad para sistemas de potencia, diferenciados para cada uno de los
niveles jerrquicos que se estudien. Estos ndices reflejan la magnitud, frecuencia y
duracin de los eventos que provocan interrupciones en el suministro.
Entre los ndices para el nivel jerrquico 1 se encuentran:
LOLE (Loss Of Load Expectation): El valor esperado de prdida de carga, dado en
das/ao u horas/ao, dependiendo del tiempo evaluado y la forma en la que se toma la
demanda, por ejemplo con una comparacin de los picos diarios en una semana con la
capacidad de generacin en de esos das se obtendra ndice de das por semana.
LOEE (Loss Of Energy Expectation): Valor esperado de prdida de energa, dado en
energa por periodo de tiempo evaluado, por ejemplo MWh/ao.
LOLP (Loss Of Load Probability): La probabilidad de prdida de carga, esta se define
como la probabilidad que ocurra un dficit en el periodo evaluado.
10
11
12
13
Elementoen
operacin
Elementoen
reparacin
14
t
0,4
t
0,3
t
0,2
t
0,1
O R O F O M O
Tiempo
Figura 2.2 Diagrama de operacin general para unidad generadora base de dos estados
En la figura 2.2 se muestran los estado se operacin 0, reserva R, falla F y mantenimiento
H, y los tiempos de operacin t
0,1
, t
0,2
, t
0,3
y t
0,4
. Ac se incluyen eventos de carcter
determinstico y estocstico, y es necesario separar esto como se menciona en la definicin
de generador base de la seccin 2.1. Por lo anterior no son tomados en cuenta los periodos
de mantenimiento y de reserva dentro de la representacin matemtica, lo que lleva a
simplificar los estados de la unidad generadora a dos, operacin y falla, los cuales presentan
carcter estocstico, teniendo como resultado la figura 2.3, en esta los tiempos de operacin
en la secuencia operativa simplificada se muestran como los tiempos resultantes t
i
0,1
y
t
i
0,2
[Garcs y Larisson, 2004: p.27], en donde:
t
i
0,1
= t
0,1
+t
0,2
(Ec. 2.1)
t
i
0,2
= t
0,3
+t
0,4
(Ec. 2.2)
Del registro de funcionamiento del generador, el promedio de todos los tiempos resultantes
de operacin del diagrama simplificado, asumiendo estos exponencialmente distribuidos,
representan el parmetro MTTR de dicha unidad generadora. El mismo procedimiento se
realiza en la obtencin de MTTF con los tiempos resultantes de reparacin.
15
t
i
0,2
t
i
0,1
O F O
Tiempo
Figura 2.3 Secuencia operativa simplificada de dos estados
En el mtodo secuencial crea una secuencia ficticia de operacin para cada unidad
generadora, esta es generada a partir de nmeros aleatorios, en donde, para el caso de
tiempos distribuidos exponencialmente, el clculo de los tiempos de falla IIF (Time To
Failure) y de reparacin IIR (Time To Repair) se realiza de la siguiente manera,
IIF = -HIIF ln u (Ec. 2.3)
IIR = -HIIR ln u (Ec. 2.4)
En donde U y U son dos nmeros aleatorios uniformemente distribuidos entre [0, 1] (3).
Con tiempos exponencialmente distribuidos las tasas de transicin son fcilmente obtenidas
mediante los tiempos medios de inters, en donde z = 1HIIF y p = 1HIIR, sern los
parmetros de la distribucin de probabilidades para operacin y reparacin.
En el caso de tener otro tipo de distribucin de probabilidades los pasos para describir el
comportamiento de cualquier componente bsicamente son los mismos, ya que el muestreo
de IIF y IIR se basa en la generacin de nmeros aleatorios siguiendo la distribucin
obtenida de los datos de falla y reparacin. Existen distintos parmetros para cada funcin,
diferente a la exponencial en donde las tasas de transicin cumplen este objetivo.
A continuacin se presenta algunas de las funciones tericas de probabilidad usadas en la
representacin de componentes en estudios de confiabilidad.
16
Distribucin Exponencial
Esta distribucin de probabilidad continua definida como
(x) = zc
-xx
(Ec. 2.5)
La distribucin de probabilidad acumulada para esta funcin es
F(x) = 1 -c
-xx
(Ec. 2.6)
El parmetro z es constante y representa la media de la poblacin representada por esta
distribucin. La funcin de densidad distribucin de probabilidad se muestra en la figura
2.4.
La funcin exponencial es usada para representar tiempos de fallas de componentes, y es
buena aproximacin para fallas a causa de circunstancias externas al funcionamiento de
estos, sin embargo no es apropiada para modelar procesos de reparacin [Casteren, 2003:
p.36].
La generacin de nmeros aleatorios exponencialmente distribuidos puede lograrse
ocupando el mtodo de la transformada inversa [Billinton y Li, 1994: p.47], en donde
u = F(x) = 1 -c
-xx
(Ec. 2.7)
Aplicando la transformada inversa obtenemos
X = F
-1
(u) = -
1
z
ln(1 -0)
(Ec. 2.8)
En donde u es un numero aleatorio uniformemente distribuido entre [0, 1]. Considerando
que (1 -u) se distribuye de la misma forma que u en el intervalo mencionado
X = -
1
z
ln0
(Ec. 2.9)
Donde la transformada inversa es X, el cual es un nmero exponencialmente distribuido.
17
Figura 2.4 Funcin de densidad probabilidad para una distribucin exponencial con z = 1
Distribucin Weibull
Esta distribucin de probabilidades es usada en evaluaciones de confiabilidad para
representar tiempos de operacin y reparacin, debido a las buenas aproximaciones que se
obtienen con esta. La funcin ocupa dos parmetros, a diferencia de la exponencial que
nicamente usa uno, estos son el factor de forma [ y el factor de escala o, y se define como
[Billinton y Li, 1994: p.51]:
(x) =
[
o
[
x
[-1
exp_-[
x
_ (Ec. 2.10)
En donde u x < , o > u, y [ > u. La distribucin acumulada de probabilidades es
F(x) = 1 -exp_-[
x
o
[
_ (Ec. 2.11)
Con el procedimiento realizado para la distribucin exponencial, obtenemos un nmero
aleatorio con distribucin weibull X a partir de un numero u uniformemente distribuido
entre [0, 1]
X = o(-ln u)
1 [
(Ec. 2.12)
0 5 10 15 20 25
0
0.2
0.4
0.6
0.8
1
x
f
(
x
)
18
0 1 2 3 4 5 6 7 8
0
0.2
0.4
0.6
0.8
1
x
f
(
x
)
Alpha =1/3
Alpha =1
Alpha =2
Alpha =2.5
Al igual que en el caso de la distribucin exponencial se asume que (u -1) se distribuye
de la misma forma que u en el intervalo indicado, dicha suposicin se tomara en cuenta de
ahora en adelante.
Figura 2.5 Funcin de distribucin de probabilidades Weibull con [ = 1 y o =
1
3
, 1, 2 y 2.S
Distribucin Gamma
Esta distribucin de probabilidades pertenece al grupo de dos parmetros, esta es usada en
evaluaciones de confiabilidad para representar tiempos de espera de falla, que es el tiempo
de operacin del componente descrito. Esta funcin es definida como [Billinton y Li, 1994:
p.52]:
(x) =
x
[-1
o
[
I([)
exp[-
x
o
(Ec. 2.13)
Donde [ es el parmetro de forma, o el parmetro de escala, ambos mayores que cero. El
operador Gamma se define como:
I([) = ([ -1)! (Ec. 2.14)
En la figura 2.6 se muestra la funcin de densidad de probabilidad de esta distribucin.
Aplicando el mtodo de la transformada inversa obtenemos un nmero X con distribucin
Gamma a partir de un nmero uniformemente distribuido u en el intervalo de [0, 1]
19
0 1 2 3 4 5 6
0
0.2
0.4
0.6
0.8
1
x
f
(
x
)
Beta =1
Beta =2
Beta =3
0 100 200 300 400 500 600 700 800
0
0.2
0.4
0.6
0.8
1
x
f
(
x
)
mu =-0.5
mu =0
mu =1
mu =2
X = -o ln_u
n
=1
(Ec. 2.15)
Donde n es el parmetro [ de la distribucin Gamma [Billinton y Li, 1994: p.52].
Figura 2.6 Funcin de distribucin de probabilidades Gamma con o = 1 y [ = 1, 2 y S
Figura 2.7 Funcin de distribucin de probabilidad Log-normal con o = 1 y p = -u.S, u, 1 y 2
Distribucin Log-normal
Esta distribucin de probabilidades se caracteriza representar variables aleatorias cuyo
logaritmo se distribuye normalmente. En estudios de confiabilidad es muy utilizada para
describir procesos de reparacin. Su funcin de densidad de probabilidades est definida
como [Billinton y Li, 1994: p.50]:
20
Tiempo
Disponibilidad
Indisponibilidad
TTR TTF
(y) = _
1
2noy
exp_-
(lny -p)
2
2o
2
_ u < x <
u x u
(Ec. 2.16)
Donde y = c
x
y es la variable que sigue la distribucin log-normal, x sigue la distribucin
normal, p y o son la media y la desviacin estndar de x, es importante destacar que los
anteriores no son parmetros caractersticos de la distribucin log-normal, sino de la
distribucin normal correspondiente.
Con la generacin de nmeros aleatorios que sigan las distribuciones de probabilidad antes
mencionadas, dependiendo del evento que se est modelando, es posible obtener una
secuencia operativa como la que muestra la figura 2.8.
Este modelo limita a cada unidad generadora a trabajar a plena carga o a estar fuera de
servicio, esto en relacin a su disponibilidad, es decir, esta unidad no posee estados de
potencia intermedia, ya que de estar disponible trabajar con la potencia disponible de
dicha unidad generadora. Se tomar en cuenta que los valores de las distribuciones de
probabilidad son constantes en todo el tiempo simulado [Imbarack, 2006: p.38].
Figura 2.8 Secuencia de disponibilidad para una unidad generadora.
En el trabajo presente se toman en cuenta nicamente indisponibilidades por casos de falla
y no se toman en cuenta dentro del modelo los mantenimientos [Casteren, 2003: p.39],
debido a que los mantenimientos son eventos determinsticos del generador y no aleatorios.
2.1.2 Modelo de Mltiples Estados para Unidades Base
Aquellas unidades generadoras base en donde se presentan fallas que no representan
severidad suficiente para producir una salida de servicio total, sern descritas mediante un
nmero suficiente de estados para describir su comportamiento. A estas fallas se les conoce
21
z
13
Disponibilidad
Fallaparcial Fallatotal
z
12
z
21 z
31
Disponibilidad
Falla parcial Falla total
z
12
z
21
z
31
z
13
z
32
z
23
como fallas parciales [Li, 2005: p.26]. En el caso ms simple, una falla parcial representa
un estado adicional entre operacin y reparacin del generador, y este sera el
funcionamiento a potencia reducida, tomando en cuenta que an con problemas la unidad
seguir prestando el servicio para suplir la demanda.
Figura 2.9 Modelo de tres estados para unidad generadora base con falla parcial.
En la figura 2.9 se muestran las tasas de transiciones que conectan todos los estados, en
donde z
]
representa la transicin desde el estado i al estado ] [Billinton y Li, 1994: p.80].
Es importante tomar en cuenta que en casos reales de comportamiento de componentes, el
mantenimiento de la unidad en falla parcial se efecta de tal manera que la unidad regrese a
su total disponibilidad, lo cual dificulta la obtencin de la transicin entre falla parcial y
falla total, dando como resultado la eliminacin de sta [Li, 2005: p.27], con esta
suposicin el espacio de estados del generador se asume como se muestra en la figura 2.10.
Figura 2.10 Modelo de representacin de unidad generadora base con dos estados sin
transicin entre fallas
En la obtencin de la secuencia operativa de la unidad generadora descrita por este modelo,
se toma en cuenta que el estado de residencia inicial es de disponibilidad, teniendo dos
opciones posibles para realizar la transicin, ya sea la ocurrencia de una falla total o una
falla parcial. Para realizar el cambio se deben de tener en cuenta los dos tiempos que llevan
hacia ambas fallas muestreados, y luego se tomar el mnimo de estos como el siguiente
evento en el ciclo de funcionamiento. Una vez conocido el siguiente evento la opcin se
22
Tiempo
Disponibilidad
Falla
Total
Reparacin
Total
Falla
Parcial
Reparacin
reduce a una transicin, debido a la simplificacin realizada, por lo que la generacin
aleatoria del tiempo de reparacin dicta el prximo suceso en la secuencia. La figura 2.11
representa una secuencia operativa de un componente en general.
Figura 2.11 Secuencia operativa de una unidad generadora con fallas parciales.
Esta tcnica de simulacin para unidades con mltiples estados es general para la cantidad
de estados que describan al generador, el nico requisito es obtener la distribucin de
probabilidades de cada uno de los tiempos de transicin del estado de disponibilidad a falla
y su respectivo tiempo de reparacin.
2.1.3 Modelo de Cuatro Estados para Unidades Pico
Las unidades generadoras pico son aquellas cuyos ciclos de operacin poseen intermitencia,
debido a tiempos en donde el generador est disponible pero no es requerido para satisfacer
la demanda. En este caso la entrada en operacin es durante tiempos cortos, lo cual
aumenta el nmero de arranques y paros de la unidad [Billinton y Allan, 1996: p.21].
Para la descripcin del comportamiento de estas unidades es necesario agregar estados que
representen no solo la disponibilidad e indisponibilidad del generador, sino tambin
representar el tiempo donde la mquina es capaz de prestar el servicio pero no es requerido,
los periodos donde es convocada a entrar en lnea pero una falla lo impide y los casos
donde un se presente un evento que imposibilite el arranque de esta. Es por estas razones
por las que un grupo del comit en aplicaciones de mtodos probabilsticos del IEEE
23
propuso evaluar estas unidades mediante un modelo de cuatro estados [Billinton y Allan,
1996: p.22], el cual se presenta en la figura 2.12.
Figura 2.12 Espacio de Estados para unidad generadora pico.
Donde:
T es el tiempo promedio en el que la unidad se encuentra en reserva entre periodos que
es requerida, en este parmetro no son tomados en cuenta periodos de mantenimientos
S el promedio del tiempo que la mquina entra en funcionamiento cuando es requerida
m y r representan los periodos de operacin entre fallas forzadas y reparacin
respectivamente, equivalente a los modelos anteriores
P
s
la probabilidad que ocurra una falla en el arranque de la unidad, de darse un evento
de este tipo el generador queda indisponible para suplir parte de la demanda, cabe
destacar que se toma una tan sola falla de arranque aunque los intentos fallidos de entrar
en lnea sean ms de uno [Billinton y Li, 1994: p.82].
Estos parmetros se basan en tiempos de transicin (tiempos medios) entre estados
exponencialmente distribuidos, cabe mencionar que se pueden utilizar otros tipos de
distribuciones de probabilidades, para los cuales se deben identificar los parmetros
respectivos.
Ps/T
(1Ps)/T
1/S
1/m
1/r
1/S
1/T
1/r
Periodode
Reserva
Unidaden
servicio
Indisponible
enperiodosde
necesidad
Indisponible
perono
necesaria
24
Ps/T
(1Ps)/T
1/S
1/m
1/r
1/S
1/T
1/r
Periodode
Reserva
Unidaden
servicio
Indisponible
necesaria
Indisponible
nonecesaria
La obtencin de la secuencia operativa de las unidades generadoras pico representada por
este modelo, y el diagrama de estados con sus posibles transiciones se describe a
continuacin:
La unidad generadora entra en servicio cuando se cumple el tiempo en el que esta se
encuentra en reserva, esto lo determina el parmetro I, este instante marca cuando
la unidad es requerida para satisfacer la demanda.
Figura 2.13 Transicin del estado de reserva a unidad en servicio en el modelo de generadores
pico
Cuando la unidad generadora es requerida, un nmero aleatorio uniformemente
distribuido entre [0, 1] es generado, si este es menor que la probabilidad de falla en
el arranque P
s
, no es posible la entrada en operacin, de lo contrario, el generador
pasa al estado de funcionamiento. Al ocurrir una falla en el arranque la unidad
queda indisponible en un periodo de necesidad.
Figura 2.14 Posibles transiciones de estado del periodo de reserva condicionadas por la
ocurrencia de falla en el arranque
Ps/T
(1Ps)/T
1/S
1/m
1/r
1/S
1/T
1/r
Periodode
Reserva
Unidaden
servicio
Indisponible
necesaria
Indisponible
nonecesaria
25
Ps/T
(1Ps)/T
1/S
1/m
1/r
1/S
1/T
1/r
Periodode
Reserva
Unidaden
servicio
Indisponible
necesaria
Indisponible
nonecesaria
Estando la unidad en funcionamiento, un tiempo de transicin hacia falla m es
generado, adems de obtener el periodo de necesidad del generador, representado
por S. Si la unidad deja de ser necesaria antes de la ocurrencia de falla, sta pasa al
estado reserva, caso contrario queda indisponible forzadamente.
Figura 2.15 Posibles transiciones del estado de operacin determinadas por la ocurrencia o no
de falla.
Si el estado del generador es de indisponibilidad siendo ste requerido, se procede a
encontrar los tiempos de necesidad de la unidad S y reparacin de la falla r. En el
caso de efectuarse la reparacin cuando la unidad an es necesaria, es restaurada la
operacin de ste hasta la ocurrencia de la prxima falla o el fin del periodo de
funcionamiento, caso contrario, la mquina queda indisponible pero sin ser
requerida.
Figura 2.16 Transiciones desde el estado de indisponibilidad en periodos de necesidad
Al estar indisponible la mquina en periodos donde no es requerida, sta puede
tomar los estados de reserva o indisponibilidad en tiempo de necesidad. Si una falla
Ps/T
(1Ps)/T
1/S
1/m
1/r
1/S
1/T
1/r
Periodode
Reserva
Unidaden
servicio
Indisponible
necesaria
Indisponible
nonecesaria
26
Ps/T
(1Ps)/T
1/S
1/m
1/r
1/S
1/T
1/r
Periodode
Reserva
Unidaden
servicio
Indisponible
necesaria
Indisponible
nonecesaria
persiste aun cuando este sea necesario, el generador continua indisponible, de lo
contrario, el generador estar disponible para el siguiente periodo de necesidad.
Figura 2.17 Modelo de representacin de unidad generadora base con dos estados
Este proceso implica asumir que el arranque de la unidad generadora es instantneo, lo cual
conlleva a que no sea posible modelar las rampas de toma de carga de los generadores.
2.2 Modelo de Generadores Mtodo No-Secuencial
El mtodo de Monte Carlo no secuencial para evaluar la confiabilidad de sistemas de
generacin se basa en la probabilidad de que ocurra alguna falla en las unidades
generadoras, sin tomar en cuenta la secuencia cronolgica de los eventos. Con las
probabilidades de salidas forzadas de las mquinas se muestrean las que estn indisponibles
y se obtiene la capacidad de generacin para suplir la demanda ms perdidas.
En el caso del mtodo no secuencial las unidades generadoras tambin necesitan ser
clasificadas al ser modeladas, esto debido a la variedad de parmetros que afectan la
probabilidad de indisponibilidad para cada generador. En este trabajo, para la evaluacin no
secuencial se tomarn en cuenta las unidades base de dos estados y de mltiples estados
para el clculo de las tasas de salida forzada, las cuales definen la probabilidad de
indisponibilidad en las mquinas evaluadas.
27
(Ec. 2.19)
Esta representacin por medio de probabilidades describe el modelo de unidades base
utilizado en el mtodo secuencial, en donde el generador solo puede tomar estados de
28
21
+
31
23
+
32
21
(Ec. 2.20)
B =
13
32
+
12
32
+
12
31
(Ec. 2.21)
C =
12
23
+
13
21
+
13
23
(Ec. 2.22)
Donde A, B y C representan las posibles combinaciones de transiciones que llevan al estado
de operacin, falla parcial y falla total respectivamente. Con estas combinaciones es posible
obtener las probabilidades de cada estado de la siguiente manera:
29
P
opcucon
=
A
A +B +C
(Ec. 2.23)
P
]uIIu pucuI
=
B
A +B +C
(Ec. 2.24)
P
]uIIu totuI
=
C
A +B +C
(Ec. 2.25)
Cada estado posee su probabilidad de ocurrencia y con su obtencin, solo resta el muestreo
de estados para definir la capacidad disponible de dicha unidad generadora. Al igual que el
modelo para dos estados las indisponibilidades planeadas o mantenimientos sern tomados
como eventos determinsticos, y no sern tratados dentro de las probabilidades de estado.
2.3 Modelado del Recurso Primario de Generacin
Hasta el momento el modelado de las unidades de generacin se ha tratado desde el punto
de vista de las fallas, en cmo estas afectan la operacin de los generadores, sin embargo
este tipo de eventos no son los nicos que limitar la disponibilidad de las mquinas, sino
que tambin influye la aleatoriedad en la disponibilidad de los recursos primarios de
generacin.
La existencia de fuentes de energa limitadas conduce a que el asumir la total disponibilidad
de los recursos primarios sea errneo, como es el caso de las centrales hidroelctricas. En
este tipo de plantas generadoras el riesgo de indisponibilidad est presente en la ocurrencia
de fallas y en los lmites que se presenten por los recursos limitados [Cunha et al., 1982:
p.4665], ambos de naturaleza aleatoria.
En este trabajo es de vital importancia modelar el funcionamiento de las centrales
hidroelctricas, para estudiar cmo afectan la confiabilidad de todo el sistema de
generacin. Del nivel de almacenamiento de agua en los embalses depende la energa que
la central pueda entregar en determinado periodo, segn la poltica de manejo del recurso,
adems de la potencia mxima [Allan y Romn, 1989: p.1074]. El estudio de estas centrales
se basa en el historial de comportamiento de su reservorio, el cual depende de la hidrologa
del aprovechamiento hidroelctrico, en donde factores como las precipitaciones, influjos
30
31
32
33
funcionamientos, fallas parciales y fallas totales del mismo, con el anlisis de las
distribuciones de probabilidad de stos.
El procedimiento para el ajuste de datos a una distribucin de probabilidad consiste
primeramente en obtener los histogramas y funciones de distribucin acumuladas para cada
evento evaluado, con ello es posible seleccionar las funciones tericas de comportamiento
similar a el suceso estudiado, luego se calculan los parmetros caractersticos de cada
funcin utilizando el mtodo de la mxima verosimilitud [Zapata et al., 2004: p.56], el cual
es una herramienta de la estadstica inferencial que busca deducir propiedades de una
muestra mediante la bsqueda dentro de diferentes parmetros de poblacin, los valores
que se estime sean ms probable de ser verdad, comparndolos con los datos observados
[Eliason, 1993: p.105]. Con esto es posible encontrar las funciones de distribucin de
probabilidad que describan los tiempos de ocurrencia de los eventos de inters.
2.4.3 Pruebas de Bondad de Ajuste
Luego de obtener las posibles funciones de distribucin de probabilidades que describen los
eventos de inters, es necesario determinar si estos datos siguen realmente estas. Las
pruebas de bondad de ajuste son procedimientos que buscan corroborar la hiptesis
realizada, al estimar los parmetros caractersticos de los modelos probabilsticos. Este
procedimiento se basa en comparar los datos obtenidos del modelo terico y de los datos
observados.
Entre los mtodos ms utilizados en la comprobacin de hiptesis se encuentran la prueba
de Chi-cuadrada (_
2
) y la de Kolmogorov-Smirnov (K-S).
Prueba de bondad de ajuste Chi-cuadrada _
2
:
Esta prueba de bondad de ajuste evala si una distribucin de probabilidades de un nmero
dado de categoras o clases de una variable aleatoria es la misma que la funcin terica. Se
busca analizar que tanto se ajusta la muestra o frecuencias observadas a la tericamente
supuesta [Bernstein y Bernstein, 1999: p.153].
34
Para aplicar la prueba de chi-cuadrada a una muestra continua, es necesario agrupar sta en
un nmero arbitrario de intervalos llamados clases, y luego se comparan el valor esperado
con el observado de la siguiente manera:
_
2
=
(o
-c
)
2
c
k
=1
(Ec. 2.27)
Donde:
o _
2
es el estadstico de prueba.
o k es el numero de clases en el que esta agrupada la muestra.
o o
35
Para una muestra de tamao reducido es adecuado ocupar la prueba de bondad de ajuste de
Kolmogorov-Smirnov, esto debido a que en esta prueba no es necesaria la agrupacin en
clases.
Esta prueba se basa en la comparacin de las frecuencias acumuladas esperadas y
observadas, esto para una muestra de variables aleatorias continuas [Panik, 2005: p.621].
Es necesario verificar el ajuste de la distribucin hipottica con los valores de la funcin
terica para todas la muestra.
El estadstico de prueba para esta es definido como:
n
= max{F
0
(x) -F
n
(x)] (Ec. 2.29)
Donde F
0
(x) y F
n
(x) representan la funcin de distribucin acumulada de la suposicin
realizada y de la funcin terica respectivamente.
Obteniendo la mxima diferencia entre las funciones de distribucin acumulada y
conociendo en que muestra se registr, se procede a compararla con el valor de esa posicin
en la tabla de valores crticos para prueba de Kolmogorov-Smirnov [Neave, 1998: p.350].
36
37
38
39
40
41
= _
u , u
PF
1, u u
< PF
(Ec. 3.1)
En el caso de obtener estado 0 se tomara a dicho generador como disponible, mientras
que el estado 1 representara la indisponibilidad del generador.
Con la obtencin de cada estado para m generadores, se determina la capacidad de cada
uno de estos expresado por el vector C.
C = (C
1
, , C
, , C
m
) (Ec. 3.2)
La suma de la potencia disponible de todos los generadores representa la capacidad
disponible de generacin en el sistema.
C = C
m
=1
(Ec. 3.3)
Donde C
I
es la capacidad de cada generador, siendo sta dependiente del estado
muestreado anteriormente. Por ejemplo para una mquina de dos estados, operacin y
reparacin, si el estado es de operacin su capacidad ser la potencia disponible de
dicho generador, y si es de reparacin ese generador estar indisponible y no podr
inyectar potencia al sistema.
Con la capacidad disponible del sistema de generacin, se evala si dicho estado
produce o no dficit, de producirlo se debe de registrar este evento para cada ndice de
confiabilidad [Li, 2005: p.95].
42
. El estado 0 representa
disponibilidad, el estado 1 es la operacin en falla parcial y 2 el estado en falla o
indisponibilidad. Este mtodo se puede seguir fcilmente para unidades generadores con
mltiples estados.
3.2.2 Modelo de Demanda
Para realizar la evaluacin de confiabilidad en el mtodo no secuencial es necesario un
modelo de demanda acorde a la simulacin. Para considerar la demanda se crea un modelo
de mltiples niveles, basado en la transformacin de la curva de demanda cronolgica del
periodo a evaluar, el cual puede variar de un da, una semana o hasta el ao entero, para
obtener la curva de duracin de carga y mediante tcnicas de agrupacin crear los niveles
ptimos de demanda con su respectiva probabilidad de ocurrencia. Este modelo obtiene
mayor precisin a medida se aumente el nmero de niveles.
Figura 3.1 Modelo de demanda de seis niveles y la curva de duracin de carga de un ao
43
La eleccin del nivel de demanda a evaluar para cada simulacin se basa en muestreo de
nivel, similar a cmo se realiza el muestreo de estado para los generadores. Mediante la
generacin de un nmero aleatorio uniforme se determina el nivel de demanda
correspondiente segn las probabilidades de ocurrencia, y luego se procede a la evaluacin
de dicho nivel.
La tcnica de agrupacin implementada para crear el modelo de demanda de mltiples
estados a partir la curva de demanda, llamada clasificacin del centroide ms cercano
[Billinton y Li, 1994: p.95], busca dividir la curva de duracin de carga en mltiples
niveles de demanda.
En el caso de tener un modelo de demanda anual, que posee 8760 puntos horarios de carga,
se busca obtener un nmero establecido niveles, donde cada uno de estos representa el
promedio de todos los puntos encontrados en la agrupacin ptima que realiza el algoritmo.
El algoritmo realiza la optimizacin mediante la evaluacin de la distancia de cada punto de
la curva de duracin de carga a cada nivel, teniendo en cuenta el nmero de niveles
establecidos, asignando a cada grupo los ms cercanos al promedio inicial [Billinton y Li,
1994: p.95].
Para implementar esta tcnica de procede de la siguiente manera [Billinton y Li, 2005:
p.95] [Tan et al., 2005: p.490]:
Se eligen el nmero K de agrupaciones, donde K es el parmetro definido como la
cantidad de agrupaciones deseadas y se calculan los promedios de cada agrupacin
H
k
.
Luego se obtienen las distancias de cada punto de demanda horaria I
n
a cada
promedio calculado H
k
, donde n es el nmero de horas del modelo de demanda.
Dicha distancia se define como:
kn
= |H
k
-I
n
| (Ec. 3.5)
44
Se agrupan los puntos horarios con la menor distancia hacia los promedios o
centroides calculados y se calculan los nuevos promedios para cada agrupacin,
H
k
=
I
n nIC
N
k
(Ec. 3.6)
Donde N
k
es el nmero de puntos de demanda que pertenecen a esa nueva
agrupacin y la sumatoria se realiza para los valores pertenecientes a sta,
representados por IC, esto se realiza para cada agrupacin k.
Se repiten los dos ltimos pasos hasta que los promedios de cada agrupacin no
presenten cambios entre las iteraciones realizadas.
3.2.3 Estimacin de ndices de Confiabilidad
Un escenario que produzca dficit es definido como aquel en donde la capacidad de
generacin total del sistema es insuficiente para satisfacer la demanda. La demanda no
suministrada de cada escenario simulado est dada por,
NS
k
= mox _u,
k
-C
k
m
=1
_ (Ec. 3.7)
Donde NS
k
es la demanda no suministrada para el ao k, es la demanda muestreada,
C
k
es la capacidad del generador i en el ao simulado k, teniendo en cuenta m nmero de
generadores. El ndice de prdida de carga se obtiene de la siguiente manera:
Se encuentra el indicador de existencia de dficit I para cada ao k,
I
k
= _
u, NS
k
= u
1, NS
k
= u
(Ec. 3.8)
Se calcula el valor esperado de la perdida de carga del periodo I evaluado,
45
I0IE =
I
k
(NS
k
)
N
k=1
N
I
(Ec. 3.9)
El periodo evaluado es el nmero de horas del tiempo evaluado, para evaluaciones
semanales I = 168.
El mtodo anterior es aplicado sobre una demanda constante, para el caso del modelo de
demanda de mltiples niveles, el clculo de ndices se puede realizar de dos diferentes
maneras:
ndices ponderados: Se realiza el clculo de ndices para cada nivel de demanda, y se
procede a ponderar todos los ndices obtenidos con la probabilidad de ocurrencia P de
cada agrupacin NI, para los i niveles de demanda, por ejemplo para un modelo con NI
agrupaciones [Billinton y Li, 1994],
P
=
NI
I
(Ec. 3.10)
I0IE = I0IE
NL
=1
(Ec. 3.11)
Sorteo de nivel: Ac se utiliza la tcnica de muestreo para cada nivel de demanda, la
probabilidad de ocurrencia de cada nivel es el criterio de sorteo, y se realiza el
procedimiento mostrado en la ecuacin 3.10, en donde cada estado representa el nivel
de demanda y la probabilidad acumulada representara el parmetro sorteado, para el
caso de un modelo con 3 niveles,
= _
NI
1
, u u
< P
1
NI
2
, P
1
u
< P
1
+P
2
NI
3
, u
P
1
+P
2
(Ec. 3.12)
Donde representa la demanda obtenida para la simulacin, la cual puede tomar el valor
de cualquiera de los niveles NI para las i agrupaciones del modelo, con sus respectivas
probabilidades P
46
Con este mtodo es posible calcular ndices referidos a probabilidad de prdida de carga, la
frecuencia de las fallas, entre otros ndices. Una consideracin importante es que con el
mtodo de simulacin no secuencial no es posible calcular ndices de duracin de los
eventos, debido a que este mtodo no toma en cuenta la cronologa de eventos [Li, 2005:
p.84].
Del mtodo de simulacin no secuencial descrito anteriormente podemos concluir que [Li,
2005: p.83] [Li, 2003: p.18]:
El mtodo de muestreo de estado presenta facilidades en el modelado de componentes,
al igual que en la implementacin del mismo.
Presenta ventajas en el hecho de ocupar nmeros aleatorios uniformemente distribuidos,
ya que la utilizacin de las funciones de distribucin de probabilidades necesitan ms
recursos de clculo que lo anterior.
No es mucha la informacin necesaria para realizar evaluaciones de confiabilidad con
este mtodo, debido a que este trabaja nicamente con probabilidades de estado.
La principal desventaja de esta tcnica de simulacin es el hecho que no se pueden
obtener ndices referidos a la duracin de los eventos de dficit, ste slo puede calcular
su frecuencia.
3.3 Simulacin de Monte Carlo Secuencial
Este mtodo implica tomar en orden cronolgico los eventos en el periodo de tiempo
evaluado, normalmente realizado en pasos horarios. Esta simulacin tambin es conocida
como muestreo de la duracin de eventos, debido a la generacin aleatoria de los tiempos
de residencia en el estado actual del sistema o componente, luego de transcurrido ese
tiempo se realiza la transicin al siguiente estado. Lo anterior se logra mediante tasas de
transicin, sustituyendo las probabilidades de estado que se utilizan en el mtodo no
secuencial.
47
3.3.2 M
El mtod
evaluado
demanda
La creaci
de confia
anual sig
demanda
procede
impliquen
3.3.3 E
Con la ca
procede
comparan
Figura
Fi
Modelo Cron
do secuencia
s, por lo cua
sigan la cro
in de un mo
abilidad gene
gue una cron
que se regi
a tomar el m
n ms riesgo
Estimacin d
apacidad del
a la evalu
ndo la capac
a 3.2 Secuencia
gura 3.3 Comb
nolgico de
al se usa en
al es necesar
onologa de l
odelo de dem
eralmente un
nologa hor
istra en cada
mayor valor
o de dficit a
de ndices de
sistema de g
uacin de t
cidad de gene
a de operacin
binacin de est
Demanda
evaluacione
rio que tanto
los eventos.
manda se ba
n modelo an
aria, en la
a hora. En c
r de cada h
al sistema.
e Confiabilid
generacin y
odos los e
eracin y de
48
y reparacin d
tados de todo e
es donde exi
o el modelo d
asa en un pro
nual es utiliz
cual se tom
caso de disp
ora, con el
dad
y con el mod
escenarios d
e la demanda
de dos unidades
el sistema de ge
iste depende
de la capacid
onstico, en
zado. El pro
ma en cuenta
poner de dat
fin de simu
delo de dema
del periodo
a hora a hora
s generadoras
eneracin
encia entre lo
dad como el
n el caso de l
onstico de l
a el mxim
tos cada me
ular los esce
anda ya estab
de tiempo
a, obteniendo
os periodos
l modelo de
los estudios
la demanda
mo punto de
edia hora se
enarios que
blecidos, se
o evaluado,
o el margen
49
de capacidad que posee el sistema [Li, 2005: p.97]. Este margen de potencia puede variar
siendo positivo o negativo, un margen positivo representa una reserva de generacin para
suplir la demanda, en el caso que el margen sea negativo no es posible suplir la demanda de
esa hora.
Un escenario de dficit en el mtodo secuencial es aquel en donde el margen de potencia
sea negativo. En este escenario de dficit existe potencia que no es entregada, que a
diferencia del mtodo no secuencial, posee el tiempo en el cual no se suple la demanda. El
tiempo de duracin de la perdida de carga es importante para determinar el valor esperado
de dficit en el tiempo simulado, al igual que el registro de las ocurrencias de este dficit en
el mismo periodo de tiempo.
Los ndices de confiabilidad en el mtodo secuencial reflejan duracin, magnitud y
frecuencia de la perdida de carga estimada en el sistema. Los ndices ocupados son:
El valor esperado de prdida de carga (LOLE, Loss Of Load Expectation).
I0IE =
II
N
=1
N
(Ec. 3.13)
El valor esperado de prdida de energa (LOEE, Loss Of Energy Expectation).
I0EE =
ENS
N
=1
N
(Ec. 3.14)
La frecuencia de prdida de carga (LOLF, Loss Of Load Frequency).
I0IF =
II0
N
=1
N
(Ec. 3.15)
La forma de calcular estos se basa en la duracin de prdida de carga (LLD), el numero de
ocurrencias de prdida de carga (LLO) y la energa no suministrada (LOLF). Para un
nmero N de aos simulados.
50
Figura 3.4 Comparacin de la demanda cronolgica y la capacidad de generacin del
sistema de un periodo de tiempo en la simulacin
3.4 Criterio de Convergencia
En las simulaciones estocsticas son requeridos largos tiempos de cmputo para obtener
resultados o estimaciones de la evaluacin realizada, lo cual hace que la optimizacin en
los tiempos sea crucial para estos estudios, teniendo en cuenta que la exactitud de los
ndices estimados mejora a medida el nmero de iteraciones aumenta, se hace necesario
equilibrar la cantidad de experimentos realizados y la exactitud del mtodo.
Mediante la implementacin de un criterio de convergencia adecuado se logra optimizar el
tiempo de simulacin, ya que los resultados alcanzan un nivel aceptable de confianza
reduciendo el nmero mximo de iteraciones y el tiempo de clculo [Bagen, 2005: p.32].
En el presente trabajo el criterio de paro adoptado es el coeficiente de variacin del ndice
de confiabilidad estimado, el cual es definido como
o =
o
E(X)
(Ec. 3.16)
Donde o es la desviacin estndar de la estimacin del ndice evaluado y E(X) el valor
esperado del mismo. Para una gran cantidad de aos simulados, la desviacin estndar de
dicha muestra es calculada desde la varianza:
51
o
2
=
1
N(N -1)
|X
-E(X)]
2
N
=1
(Ec. 3.17)
En donde X
52
53
INICIO
Inicializacin
de variables
Extraccin de
informacin de
generadores
Simulacin
FIN
CAPITULO 4. EVALUACIN DE CONFIABILIDAD APLICADA A SISTEMAS DE
GENERACIN
En base a las metodologas descritas en los captulos anteriores del presente trabajo, se
detallara la implementacin del modelo de evaluacin mediante simulaciones de Monte
Carlo, tanto secuencial como no secuencial, realizado. En este captulo se definen las
tcnicas utilizadas y las variantes presentadas en la creacin del modelo, adems de la
estructura general de la herramienta computacional y su validacin.
4.1 Diagrama de Flujo de la Herramienta Computacional
En base a la metodologa de evaluacin de confiabilidad del presente modelo se ha definido
la estructura general de funcionamiento, la cual fue implementada en Matlab, y se
muestra en el esquema mostrado a continuacin:
Figura 4.1 Estructura general de la herramienta computacional
La base del modelo de evaluacin implementado se presenta en la figura 4.1, en donde el
algoritmo comienza con el bloque de inicializacin de variables, que consiste en almacenar
los datos o valores que sern utilizados en la simulacin en el espacio de memoria
reservado para stos, con el objetivo de optimizar la velocidad del modelo. Lo anterior
busca cre
adems d
requerido
El model
de cada u
utilizan e
cada uno
informac
El bloqu
puede ser
desarrolle
ear variables
de definir el
os.
lo de evaluac
unidad gener
en el program
o de los da
in de gener
ue de simula
r Monte Car
e el presente
s dentro del
lugar dentro
cin de conf
radora a eval
ma. Lo ante
atos requeri
radores.
Figura 4.2
acin se rea
rlo secuencia
e captulo.
l programa
o del sistem
fiabilidad se
luar, los cua
erior es reali
idos por la
Estructura gen
aliza segn
al o no secu
54
de aplicaci
ma en donde
realiza med
ales se encue
izado media
simulacin
neral de la simu
el mtodo d
uencial, los c
n para su p
se buscarn
diante los par
entran dentro
ante la bsqu
n, en el blo
ulacin secuen
de evaluaci
cuales son p
posterior mo
n los datos c
rmetros car
o de las varia
ueda en la m
oque de ext
ncial
n impleme
resentados a
odificacin,
cuando sean
ractersticos
ables que se
memoria de
traccin de
entado, este
a medida se
55
56
57
En cada iteracin se evalan los criterios de paro, los cuales son el nmero mximo de
iteraciones y el mximo error permisible segn el coeficiente de variacin.
El criterio del nmero mximo de iteraciones, es el nmero de aos que se desean simular,
este criterio se cumple si y solo si ningn otro criterio se cumple previamente, para la
simulacin de Montecarlo cronolgica son valores tpicos entre 5000 y 10000 aos.
En el mximo error permisible, se evala el coeficiente de variacin del ndice que posee
menor taza de convergencia, con el objetivo de asegurar que los dems ndices alcancen
niveles de confianza aceptables antes que este, por ello se ha seleccionado el ndice LOEE
(Loss of Energy Expectation).
Si se cumple alguno de los criterios de paro, se finaliza la simulacin y se muestran los
resultados, de lo contrario se inicia la simulacin de una nueva iteracin.
4.2.1 Representacin de la Capacidad de Generacin
La representacin de la potencia disponible de un generador en el mtodo secuencial se
realiza mediante la secuencia operativa de ste, en donde la capacidad de generacin se
ver afectada por fallas, mantenimientos, recurso primario y restricciones de potencia. Lo
anterior se basa en el diagrama de operacin ficticio creado a partir de la generacin de
nmeros aleatorios, segn la distribucin de probabilidades de los eventos de inters, ya
sean de disponibilidad o indisponibilidad.
El primer paso en la representacin de la capacidad de generacin es el muestreo de la
duracin de los eventos, esto para conocer las transiciones de estado del generador
evaluado luego de transcurrido el tiempo de residencia en dicho estado. A continuacin se
presenta un ejemplo de una secuencia operativa para un generador, en el cual se presentarn
las diferentes variantes en cuando a eventos que puede presentar ste.
En la figura 4.3 se muestra el diagrama de operacin de un generador para un ao simulado,
en donde dicho generador presenta dos estados, disponibilidad o indisponibilidad, con
tiempos de falla de 2000 horas y de reparacin de 500 horas. En el caso de que este
generador sea hidroelctrico, la capacidad de generacin tambin se ve afectada por el
58
59
0
0
10
20
30
40
50
60
70
80
90
P
o
t
e
n
c
i
a
(
M
W
)
0
0
2
4
6
8
10
12
14
16
18
P
o
t
e
n
c
i
a
(
M
W
)
generado
potencia
El caso a
MW de
hidrolgi
MW la cu
F
1000
1000
ora, esto se
disponible d
Figura 4.5 Se
anterior se pr
potencia di
ico, luego en
ual se presen
Figura 4.6 Diag
2000
2000
debe de m
de un genera
ecuencia opera
resenta en la
isponible, se
n la figura 4.
nta desde el
grama de opera
3000 400
Tie
3000 400
Tie
modelar de ta
ador no super
ativa anual con
a figura 4.6,
e presenta u
7 se presenta
inicio de la s
acin de un gen
60
00 5000
empo (horas)
00 5000
empo (horas)
al forma qu
re el valor lm
n mantenimient
en donde pa
una simulac
a el mismo g
simulacin y
nerador de 19.
6000
6000
ue para el p
mite.
to programado
ara una unid
cin con lim
generador co
y finaliza en
8 MW con lim
7000 8
7000
periodo esta
(hora 3000 a 3
dad generado
mitacin en
on una restri
la hora 250
mitacin por hid
8000
8000
ablecido, la
3500)
ora con 18.9
el recurso
iccin de 12
0.
drologa
61
Figura 4.8 Unidad de 30 MW que representa una central de biomasa sin aplicarle restricciones
El comportamiento de las centrales que generan a partir de biomasa se modela como una
unidad generadora de dos estados, a excepcin de las dos primeras semanas de haber
iniciado la operacin, en donde se supone un funcionamiento con la mitad de la potencia
del generador, debido a que en stas el recurso no ha alcanzado su mxima disponibilidad,
y cuando finaliza el periodo de zafra, la central esta indisponible. En la figura 4.8 se
62
Figura 4.9 Unidad generada que representa una central de biomasa con sus restricciones
Figura 4.10 Representacin de un generador de tres estados, sin la transicin entre estados de falla
El modelo de las unidades de ms de dos estados es tambin tomado en cuenta en esta
simulacin, este se representa por medio de sus tasas de transicin o tiempos de sta, un
ejemplo de estos generadores se presenta en la figura 4.10.
Los casos anteriormente mostrados completan las variantes tomadas en cuenta en el
presente trabajo para la operacin de las unidades de generacin. Con la obtencin de estas
secuencias operativas se procede a unir las de todos los generadores evaluados, con el
objetivo de crear el diagrama de capacidad de generacin de todo el sistema.
63
64
se ignora, de lo contrario, dicho valor de potencia mxima ser considerado como el pico
semanal. Esto con el objetivo evaluar las condiciones ms desfavorables para el sistema de
generacin.
En la tabla 4.1 se presenta el pronstico utilizado de potencia y energa semanal para el ao
2011, adems de mostrarse el resultado de la desagregacin realizada para obtener la
demanda horaria.
La curva de demanda horaria para el ao 2011, es creada a partir de los datos de la tabla
4.1, en donde se obtienen los 8736 puntos de demanda horaria que seran utilizados en la
evaluacin de confiabilidad con el mtodo de simulacin de Monte Carlo secuencial. Con
lo anterior se posee un modelo de demanda acorde a la tcnica implementada.
Es importante mencionar que el pronstico de demanda utilizado posee incertezas, las
cuales son modeladas a partir de una distribucin normal de probabilidades, donde la media
de sta la representa el valor de demanda y la desviacin estndar es igual al 2% del
promedio, esto con el objetivo de tomar en cuenta valores alejados al pronosticado.
Tabla 4.1 Pronostico de potencia y energa para el ao 2011
Semana
Energa
(GWh)
Potencia
Mxima
(MW)
Semana
Energa
(GWh)
Potencia
Mxima
(MW)
Semana
Energa
(GWh)
Potencia
Mxima
(MW)
Semana
Energa
(GWh)
Potencia
Mxima
(MW)
1 105.3 897 14 117.0 927 27 115.6 916 40 113.1 917
2 109.9 901 15 117.9 936 28 113.4 900 41 113.7 909
3 108.5 892 16 101.8 906 29 113.5 904 42 114.1 925
4 111.1 904 17 117.9 942 30 115.1 925 43 113.4 927
5 111.7 909 18 116.3 944 31 101.3 868 44 111.5 930
6 112.1 912 19 119.0 944 32 113.6 918 45 112.6 931
7 112 909 20 116.3 938 33 114.8 921 46 114.0 941
8 113.1 913 21 116.0 926 34 114.4 922 47 112.5 931
9 114.3 910 22 114.6 927 35 113.6 916 48 115.4 949
10 114.4 921 23 114.2 907 36 113.6 925 49 113.8 947
11 116.1 924 24 114.3 910 37 111.8 924 50 116.9 969
12 116.4 929 25 114.7 920 38 112.1 914 51 112.8 968
13 116.7 925 26 114.7 925 39 114.3 923 52 103.0 912
65
0
400
500
600
700
800
900
1000
1100
1200
1300
P
o
t
e
n
c
i
a
(
M
W
)
0
-100
0
100
200
300
400
500
600
700
800
900
M
a
r
g
e
n
d
e
P
o
t
e
n
c
i
a
(
M
W
)
de poten
negativo.
Con el m
y duraci
capacidad
figura 4.
donde no
figura 4.1
carga.
Fig
1000
1000
cia resultant
.
mtodo de sim
n de los ev
d de generac
13 posibles
o se satisface
15, donde se
gura 4.13 Super
Fig
2000
2000
te, en donde
mulacin sec
ventos, esto
cin y model
escenarios
e la demand
e realiza un
rposicin de la
gura 4.14 Marg
3000 400
Tie
3000 400
Tie
e se muestr
cuencial es p
debido a la
lo de deman
de dficit,
a y por cun
acercamient
a capacidad de
gen de potencia
66
00 5000
empo (horas)
00 5000
empo (horas)
ra el caso de
posible calcu
a cronologa
da utilizado
de donde es
nto tiempo n
to para defin
generacin mo
a del sistema d
6000
6000
e obtener d
ular ndices r
a de los even
podemos ob
s necesario
no se hace, l
nir los event
odelo de deman
de generacin c
7000 80
7000 80
dficit, es de
referidos a la
ntos. En el
bservar rema
registrar las
lo cual se ob
os de racion
nda con posibl
con dficit
000
000
ecir margen
a frecuencia
ejemplo de
arcado en la
s ocasiones
bserva en la
namiento de
les dficits
P
o
t
e
n
c
i
a
(
M
W
)
En
figu
en
la d
ing
4.3
En
arb
inte
El
pro
gen
uni
estr
exp
3
400
500
600
700
800
900
1000
1100
1200
este ejempl
ura 4.15, de
esos eventos
duracin co
gles).
Figura 4.1
Modelo d
este mtodo
itrariamente
ers, y no se
mtodo no
obabilidades
neral de la d
dades gene
ructura de im
plica a contin
3240
o se registra
los cuales s
s, con lo ant
mo el valor
5 Escenarios d
de Evaluaci
o de simulac
e, lo cual im
toma en cue
o secuencia
de ocurrenc
disponibilida
radoras par
mplementaci
nuacin:
3260
an tres dfic
se puede obt
terior es pos
r esperado d
de dficit seal
n con el M
cin de Mon
mplica un es
enta la secue
al, tambin
cia de los di
ad o indispo
ra obtener l
in de la tc
67
3280
Tiempo (hora
cits en el ao
tener su dura
sible calcula
de la perdid
ados dentro de
todo No Sec
nte Carlo el l
studio del s
encia de even
llamado m
stintos even
onibilidad d
la capacidad
cnica no secu
3300
s)
o simulado,
acin, para c
ar los ndices
da de energ
e la superposici
cuencial
lapso de tiem
sistema de g
ntos.
muestreo de
ntos posibles
de ste, sorte
d total de
uencial se m
3320
los cuales s
calcular la e
s de confiab
a (LOEE, p
in de la gener
mpo que se
generacin e
e estados,
s en un gene
eando el est
generacin
muestra en la
3340
se muestran
nerga no se
bilidad referi
por sus sigl
racin y deman
evala es el
en el instan
se basa en
erador, en el
tado de toda
del sistema
a figura 4.16
en la
ervida
idos a
las en
nda
legido
nte de
n las
l caso
as las
a. La
6, y se
Calcula
Se calcul
las mqu
de las tas
Obtene
El proces
razn por
ar probabilid
la la probabi
uinas corresp
sas de transic
r FOR de las
so de clculo
r la cual se o
Figura 4.16
dad de falla (
ilidad de fal
pondientes a
cin entre es
s mquinas m
o de las prob
opta por obte
Estructura gen
(FOR) de las
la o tasa de
l modelo de
stados.
multiestado
babilidades d
ener stas me
68
neral del algori
s mquinas d
salida (FOR
e dos estados
y pico.
de estado en
ediante la sim
itmo no secuen
de dos estado
R por sus sig
s, esto utiliz
n estos mode
mulacin sec
ncial
os.
glas en ingle
zando el valo
elos resulta c
cuencial.
es) de todas
or esperado
complicado,
69
70
= _
u, u
F0R
1, u u
< F0R
(Ec. 4.2)
Donde S
71
Es importante mencionar que el nmero de estados que presentan estos generadores, son las
transiciones menos uno, debido a que, por lo descrito en el modelo secuencial para stos,
existen dos transiciones que provienen del estado de operacin, mientras las dos restantes
representan el tiempo transcurrido para la reparacin de un falla, ya sea parcial o total.
El procedimiento para simular la capacidad de generacin se basa en el muestreo a partir de
nmeros aleatorias, la cual es la tcnica utilizada para todos los generadores en este
mtodo. Para realizar lo mencionado anteriormente, se obtuvieron las probabilidades de
estado de cada unidad generadora a evaluar que presenten ms de dos estados, stas son:
Las unidades 1, 2 y 3 de Berln y la central Nejapa Power, las cuales se muestran en las
tablas 4.3 y 4.4.
Tabla 4.2 Probabilidad de falla para las unidades base de dos estados
Central
N de
Unidad
FOR Central
N de
Unidad
FOR Central
N de
Unidad
FOR
Acajutla m-1 0.0400 Borealis m-4 0.0383 15 De Sept. u-1 0.0105
Acajutla m-2 0.0159 Borealis m-5 0.1638 15 De Sept. u-2 0.0028
Acajutla m-3 0.0775 Borealis m-6 0.0861 Soyapango g-1 0.0179
Acajutla m-4 0.0154 Borealis m-7 0.0743 Talnique u-1 0.0124
Acajutla m-5 0.0317 Borealis m-8 0.1185 Talnique u-2 0.0251
Acajutla m-6 0.0202 Cerrn Grande u-1 0.0014 Talnique u-3 0.0225
Acajutla m-7 0.0740 Cerrn Grande u-2 0.0047 Talnique u-4 0.0080
Acajutla m-8 0.0481 Gecsa u-1 0.0028 Talnique u-5 0.0013
Acajutla m-9 0.0416 Gecsa u-2 0.0065 Talnique u-6 0.0026
Acajutla u-1 0.0471 Gecsa u-3 0.0085 Talnique u-7 0.0024
Acajutla u-2 0.0453 Guajoyo u-1 0.0014 Talnique u-8 0.0039
Acajutla u-4 0.0817 Hilcasa m-1 0.0107 Talnique u-9 0.0109
Acajutla u-5 0.1831 Hilcasa m-2 0.0116 Textufil m-1 0.0031
Ahuachapn u-1 0.0013 Hilcasa m-3 0.0058 Textufil m-2 0.0195
Ahuachapn u-2 0.0027 Hilcasa m-4 0.0068 Textufil m-3 0.0419
Ahuachapn u-3 0.0012 5 de Nov. u-1 0.0012 Textufil m-4 0.0272
Berln u-4 0.0244 5 de Nov. u-2 0.0011 Textufil m-5 0.0544
Borealis m-1 0.1055 5 de Nov. u-3 0.0008 Textufil m-6 0.0368
Borealis m-2 0.0788 5 de Nov. u-4 0.0038 Textufil m-7 0.0282
Borealis m-3 0.2114 5 de Nov. u-5 0.0015
72
Tabla 4.3 Probabilidades de estados de las unidades mostradas de Berln
Unidades Numero de Unidad
Probabilidades de Estado
Operacin Falla parcial Falla total
Berln u-1 0.9939 0.0037 0.0024
Berln u-2 0.7834 0.1240 0.0926
Berln u-3 0.9286 0.0234 0.0480
Tabla 4.4 Probabilidades de estado y su potencia disponible para la
central Nejapa Power
Estado
Potencia disponible
(MW)
Probabilidad
0 135 0.0116
1 130 0.1370
2 125 0.1072
3 120 0.1266
4 115 0.0746
5 110 0.0920
6 105 0.1791
7 100 0.0132
8 95 0.0126
9 85 0.1414
10 0 0.1047
Con las probabilidades de ocurrencia de cada estado se sorte el estado de operacin
instantneo de los generadores en cada simulacin, esto siguiendo el procedimiento
descrito en la seccin 3.2.1. Lo anterior basado en la generacin de nmeros aleatorios
uniformemente distribuidos para cada sorteo realizado, esto con el objetivo de determinar la
capacidad de generacin segn el estado antes obtenido.
La capacidad de generacin total del sistema se calcula con la suma de todas las potencias
disponibles resultado del procedimiento anterior, con esto solo resta compararla con la
demanda a suministrar, esto incluyendo la reserva operativa necesaria y las perdidas en el
sistema.
73
74
75
76
obtener una estructura general del resultado esperado, se tradujo sta al lenguaje de
programacin ocupado, donde el software ocupado fue Matlab.
La validacin se realiza mediante un sistema de prueba, el cual se evala con los mtodos
de simulacin implementados y mediante el procedimiento analtico exacto, con el objetivo
de obtener resultados acorde a una modelacin adecuada de la operacin de los
generadores. La informacin del sistema de validacin se presenta en la tabla 4.6.
Tabla 4.6 Descripcin del sistema de validacin
Componente
Tasa de salida
forzada
Potencia disponible
(MW)
G1 0.01 100
G2 0.01 100
G3 0.05 500
G4 0.1 100
Con el sistema mostrado en la tabla 4.6 se aplica la evaluacin de confiabilidad mediante
procedimientos analticos, en donde el modelo aplicado a los cuatro generadores es el de
unidad generadora base de dos estados, es decir los generadores son requeridos todo el
tiempo para satisfacer la demanda, y se tiene que suplir una carga de 600 MW constantes.
En la tabla 4.7 se presentan los resultados de lo anterior, en donde se especifica el valor de
la probabilidad de prdida de carga (LOLP, por sus siglas en ingles), para los generadores
el estado 0 representa la indisponibilidad de stos y 1 la disponibilidad, adems se muestran
los estados que se pueden presentar en el sistema y sus respectivas probabilidades de
ocurrencia.
El clculo del LOLP con el mtodo analtico es igual a 0.0500095, lo cual se comparar
con los resultados obtenidos del mismo ndice con los mtodos de simulacin aplicados a la
evaluacin de confiabilidad.
En la evaluacin mediante el mtodo de simulacin de Monte Carlo no secuencial, los
datos requeridos son los mismos que se muestran en la tabla 4.6, debido a que solo se
ocupan las probabilidades de estado para cada generador, el resultado de la aplicacin de
este
evo
se c
pro
Est
0
1
2
3
4
5
6
7
8
9
1
1
1
1
1
1
Pro
e mtodo al
olucin del L
cumple el cr
ocedimiento
Tabla
ado G1 G2
0 0 0
1 0 0
2 0 0
3 0 0
4 0 1
5 0 1
6 0 1
7 0 1
8 1 0
9 1 0
0 1 0
1 1 0
2 1 1
3 1 1
4 1 1
5 1 1
obabilidad acu
Figura 4
l sistema de
LOLP a lo la
riterio de pa
analtico, se
4.7 Resultado
G3 G4 Pro
0 0 0.0
0 1 0.0
1 0 0.0
1 1 0.0
0 0 0.0
0 1 0.0
1 0 0.0
1 1 0.0
0 0 0.0
0 1 0.0
1 0 0.0
1 1 0.0
0 0 0.0
0 1 0.0
1 0 0.0
1 1 0.8
umulada 1.00
4.20 Evolucin
prueba se
argo de apro
aro, el result
obtiene un 0
s de la aplicaci
obabilidad
Po
0000005
0000045
0000095
0000855
0000495
0004455
0009405
0084645
0000495
0004455
0009405
0084645
0049005
0441045
0931095
8379855
000000000
entre iteracion
77
muestra en
ximadament
tado es de 5
0.061% de d
in del procedi
otencia de Fall
(MW)
800
700
300
200
700
600
200
100
700
600
200
100
600
500
100
0
nes del LOLP o
la figura 4.
te 30000 iter
5.004%, com
diferencia en
imiento analti
la Potencia D
(M
0
10
50
60
10
20
60
70
10
20
60
70
20
30
70
80
LO
obtenido media
20, en la cu
raciones rea
mparado con
ntre ambas t
ico al sistema d
Disponible
MW)
0
00
00
00
00
00
00
00
00
00
00
00
00
00
00
00
OLP
ante simulacin
LOL
ual se mues
alizadas, en d
el 5.00095%
cnicas.
de prueba
Dficit de pote
(MW)
600
500
100
0
500
400
0
0
500
400
0
0
400
300
0
0
0.0500095
n no secuencia
LP=5.004%
stra la
donde
% del
encia
5
al
En el ca
represent
temporal
un perio
probabili
operacin
para una
maquina
restantes
Con la si
menciona
con el r
0.041%.
Figura 4.21
De la rea
con un al
aso del mt
tacin de lo
de las fallas
odo a evalu
dades de di
n para mode
tasa de sali
esta indispo
la unidad es
imulacin d
ado anteriorm
esultado de
Evolucin ent
alizacin de
lto nivel de c
todo secuen
os generador
s y reparaci
uar, por eje
sponibilidad
elar las mqu
ida forzada
onible, reflej
star operand
el sistema d
mente, se ob
el procedimi
tre iteraciones
la validaci
confianza.
cial los dat
res, ya que
iones registr
emplo un m
d y indispon
uinas en esta
igual a 0.01
ado en un m
do.
de prueba co
btuvo un LO
iento analti
del LOLP en e
n se conclu
78
tos de la ta
en ste es
radas, esto se
mes, y se
nibilidad ste
a simulacin
1, es decir q
mes esto equ
on el mtodo
OLP igual a
ico, 5.00095
el sistema de pr
uye que los r
abla 4.6 son
necesaria la
e realiza me
ponderan l
e, con esto s
n. Para el cas
que el 1% d
uivale a 7.2 h
o secuencial
4.9989%, el
5%, se obti
rueba obtenido
resultados ob
n insuficien
a informaci
ediante la su
os tiempos
se obtienen
so del genera
del tiempo a
horas, y las 7
l tomando e
l cual al ser
iene una va
o mediante sim
btenidos son
LOLP=4.99
ntes para la
n en base
uposicin de
segn las
tiempos de
ador 2 (G2)
a evaluar la
712.8 horas
en cuenta lo
comparado
ariacin de
mulacin secuen
n aceptados
89%
ncial
4.5
El
1,4
nac
Hid
de a
La
que
sist
pa
El
ope
hid
Pow
Tex
Com
cua
inst
Aplicaci
sistema de
61.2 MW, c
cional. Comp
droelctricos
azcar [SIGE
presencia de
e aspectos t
tema elctric
s.
sistema de g
eradas por la
droelctricas;
wer Compa
xtufil, GECS
mpaa Azu
ales generan
talada de est
n al sistema
generacin
correspondie
puestos por
s, 14.0% Geo
ET, 2010: p
Figura 4.22 C
el recurso hi
temporales s
co, debido a
generacin d
a Comisin E
; LaGeo, op
ny, Cement
SA, Energa
ucarera Salv
n aprovecha
tas centrales
Trmicas,4
G
a de generac
de El Salv
ente a 17 cen
47.3% de l
otrmicos y
.51].
Capacidad de g
idroelctrico
sean de gra
a que estos
de El Salvad
Ejecutiva Hi
peradora de l
to de El S
a Borealis, e
adorea (CA
ndo el baga
se muestra e
47.3%
eotrmicas,
14.0%
79
in de El Sa
vador en 20
ntrales gene
la capacidad
6.4% de Bio
generacin inst
o y la biomas
an importanc
representan
dor est com
idroelctrica
las geotrmi
alvador (CE
e HILCASA
ASSA), Inge
azo obtenid
en la tabla 4
alvador
010 reporto
eradoras dist
d instalada d
omasa prove
talada en el sist
sa en el parq
cia en la op
el 38.7% d
mpuesto por
a del Ro Lem
icas; Duke E
ESSA), Inv
A Energy, o
enio el ng
do de la ca
4.8.
Bioma
una capaci
tribuidas en
de recursos
eniente del b
tema de El Sal
que generado
peracin y
de la capaci
r 17 centrale
mpa (CEL),
Energy Inte
versiones En
operadores d
gel e Ingenio
a de azca
Hidroelctric
32.3%
asa,6.4%
idad instalad
todo el terr
Trmicos, 3
bagazo de la
vador
or nacional h
planificaci
dad instalad
es, las cuale
encargada d
rnational, N
nergticas (
de las trmi
o La Caba
ar. La capa
as,
da de
ritorio
32.3%
a caa
hacen
n del
da del
es son
de las
Nejapa
INE),
cas y
a, los
acidad
80
81
82
Con las unidades generadoras clasificadas, se depuraron los registros de operacin, con el
objetivo de adquirir informacin til de los eventos que interesa describir en los modelos
probabilsticos. Es importante mencionar que estos registros presentan un gran nmero de
eventos los cuales no son necesarios en la creacin del modelo, por lo que no se deben de
tomar en cuenta, es decir que deben ser eliminados de los datos obtenidos.
Con el procedimiento presentado en la seccin 2.4, y descrito en el apartado de obtencin
de los modelos probabilsticos del presente trabajo se obtuvieron los modelos que describen
a cada unidad generadora del sistema, lo cual se muestra en las tablas 4.10, 4.11 y 4.12, con
la clasificacin de los generadores y las distribuciones de probabilidad que presentan un
mejor ajuste a los eventos descritos junto con sus parmetros.
Tabla 4.10 Parmetros de las distribuciones de probabilidad de mejor ajuste para los eventos mostrados
Generadores Base de dos Estados
Central Unidad Tiempo de Operacin Tiempo de Reparacin
Acajutla m-1
Weibull
=82.0303 =0.5458
Lognormal
=0.2813 =1.8152
Acajutla m-2
Weibull
=304.589 =0.8763
Lognormal
=0.4692 =1.5131
Acajutla m-3
Weibull
=97.303 =0.4659
Lognormal
=0.8074 =1.7918
Acajutla m-4
Gamma
=0.5102 = 238.84
Weibull
=1.8263 =0.9084
Acajutla m-5
Gamma
=0.3312 =462.269
Weibull
=3.5944 =0.6354
Acajutla m-6
Weibull
=124.06 =0.5586
Lognormal
=0.2772 =1.5764
Acajutla m-7
Gamma
=0.4929 =133.219
Lognormal
=0.4868 =1.5547
Acajutla m-8
Gamma
=0.439827 =1.5547
Weibull
=38.23 =0.5834
Acajutla m-9
Gamma
=0.5195 =128.303
Lognormal
=0.2625 =1.3018
Talnique u-1
Gamma
=0.426239 =339.429
Lognormal
=-0.677539 =1.58529
Talnique u-2
Gamma
=0.590685 =355.621
Lognormal
=0.289529 =1.8066
Talnique u-3
Gamma
=0.47396 =465.485
Lognormal
=-0.114125 =1.91748
Talnique u-4
Gamma
=0.56958 =415.419
Lognormal
=-0.359013 =1.46288
Talnique u-5
Gamma
=0.695624 =773.87
Weibull
=0.802328 =1.55285
Talnique u-6
Exponencial
=631.6
Lognormal
=0.0647247 =0.953335
83
Tabla 4.10 Parmetros de las distribuciones de probabilidad de mejor ajuste para los eventos mostrados
(continuacin)
Talnique u-7
Gamma
=0.617201 =700.62
Lognormal
=-0.53205 =1.01497
Talnique u-8
Exponencial
=689.248
Lognormal
=0.200866 =1.27083
Talnique u-9
Gamma
=1.04302 =473.356
Lognormal
=-0.0211157 =1.55852
Gecsa u-1
Weibull
=126.828 =0.826386
Weibull
=0.291373 =0.70721
Gecsa u-2
Weibull
=109.775 =0.831754
Weibull
=0.371805 =0.492956
Gecsa u-3
Weibull
=84.8808 =0.698237
Lognormal
=-1.49534 =1.57714
Ahuachapan u-1
Gamma
=0.4987 =2493.14
Lognormal
=-0.08554 =0.7604
Ahuachapan u-2
Gamma
=0.3303 =2072.23
Lognormal
=-0.2156 =1.1821
Ahuachapan u-3
Gamma
=0.6718 =1849.84
Lognormal
=-0.2488 =1.0394
Soyapango g-1
Weibull
=76.8771 =0.6111
Weibull
=1.4935 =0.6682
Berlin u-4
Gamma
=0.3664 =600.828
Lognormal
=1.2339 =0.9693
5 De Noviembre u-1
Weibull
=1209.54 =0.91147
Lognormal
=-.63828 =1.22204
5 De Noviembre u-2
Gamma
=0.39884 =1968.69
Lognormal
= -0.81434 =1.2
5 De Noviembre u-3
Weibull
=1254.17 =0.79837
Lognormal
=-0.639521 =1.16699
5 De Noviembre u-4
Exponencial
=718.67
Lognormal
= -0.30022 =1.50405
5 De Noviembre u-5
Gamma
=0.46610 =1626.27
Lognormal
= -0.661355 =1.2308
15 De Septiembre u-1
Weibull
=138.994 =0.426219
Lognormal
=0.242721 =1.4915
15 De Septiembre u-2
Exponencial
=754.136
Lognormal
=-0.6525 =1.29817
Cerron Grande u-1
Exponencial
=1774.54
Weibull
=1.05597 =0.47991
Cerron Grande u-2
Weibull
=953.82 =1.06142
Lognormal
=-0.290141 =1.78689
Guajoyo u-1
Weibull
=950.874 =0.94998
Lognormal
=-1.20813 =1.17262
Hilcasa m1
Weibull
=114.3254 =0.8123
Lognormal
=0.7724 =1.5489
Hilcasa m2
Gamma
=0.6704 =235.9741
Lognormal
=0.8912 =1.596
Hilcasa m3
Gamma
=0.8055 =193.2751
Lognormal
=0.5845 =1.8003
Hilcasa m4
Exponencial
=174.6005
Lognormal
=0.899 =1.1709
Borealis m1
Weibull
=97.8395 =0.7307
Lognormal
=0.9719 =1.758
84
Tabla 4.10 Parmetros de las distribuciones de probabilidad de mejor ajuste para los eventos mostrados
(continuacin)
Borealis m2
Weibull
=100.3545 =0.9724
Lognormal
=0.7882 =1.6777
Borealis m3
Gamma
=0.7352 =111.1985
Lognormal
=0.9224 =1.598
Borealis m4
Exponencial
=116.894
Lognormal
=0.7182 =1.9499
Borealis m5
Weibull
=69.554 =0.7694
Lognormal
=-0.2846 =0.9836
Borealis m6
Gamma
=0.6738 =262.3045
Lognormal
=0.2014 =0.9454
Borealis m7
Weibull
=100.8659 =0.811
Lognormal
=-0.5724 =1.0241
Borealis m8
Gamma
=0.692 =161.5213
Lognormal
=-0.2359 =0.8833
Textufil m1
Gamma
=0.5214 =494.5563
Exponencial
=0.7907
Textufil m2
Weibull
=167.3901 =1.03
Lognormal
=0.812 =2.9198
Textufil m3
Weibull
=135.7693 =0.9465
Lognormal
=1.1899 =2.7045
Textufil m4
Gamma
=0.9476 =143.6337
Lognormal
=0.7493 =2.5012
Textufil m5
Weibull
=116.8643 =0.7446
Lognormal
=0.8909 =2.7963
Textufil m6
Weibull
=119.5975 =0.8302
Lognormal
=0.792 =2.5185
Textufil m7
Gamma
=0.4026 =341.7407
Lognormal
=0.7423 =2.3675
Tabla 4.11 Parmetros de las distribuciones de probabilidad para las transiciones mostradas
Unidades Base de tres estados
Central Unidad
Operacin
Falla parcial
(z
1
)
Operacin
Falla total (z
2
)
Falla parcial
Operacin (p
1
)
Falla total
Operacin
(p
2
)
Berln u-1
Lognormal
=0.3854
=1.4675
Weibull
=98.446
=0.5486
Weibull
=97.3723
=1.3060
Weibull
=35.6677
=0.5158
Berln u-2
Lognormal
=-0.1331 =1-
3502
Weibull
=32.825
=0.6141
Weibull
=46.0535
=1.0415
Weibull
=21.1169
= 0.3871
Berln u-3
Weibull
=0.4303
=0.5389
Weibull
=8.7979
=0.8199
Lognormal
=0.5976
=0.8262
Weibull
=36.3248
=0.7949
85
Tomando en consideracin lo descrito en el presente captulo, se aplican los modelos de
evaluacin realizados al sistema de generacin de El Salvador.
4.5.1 Mtodo Secuencial
Caso Base
Para la evaluacin del sistema salvadoreo se simularon 25000 aos, los cuales constan de
8736 horas evaluadas por cada ao, tomando las distribuciones de probabilidad de mejor
ajuste a los tiempos de operacin, y considerando el pronstico de demanda anual. En las
simulaciones presentadas a continuacin se evala el sistema bajo limitaciones de
hidrologa para ventrales hidroelctricas, el Plan Anual de Mantenimientos Mayores
(PAMM) y la incerteza en la prediccin de la demanda. En este caso se ocupo el criterio de
convergencia del nmero mximo de iteraciones para obtener mejores resultados. En la
tabla 4.13 se muestran los resultados de la simulacin.
Tabla 4.12 Modelos probabilsticos para el anlisis de los eventos mostrados
Unidades Pico
Central Unidad
Tiempo de
reparacin (r)
Tiempos de
operacin (m)
Tiempo en el
que la unidad
es requerida
(S)
Periodos de
reserva (I)
Ps
Acajutla u-1
Lognormal
=0.3854
=1.4675
Weibull
=98.446
=0.5486
Weibull
=97.3723
=1.3060
Weibull
=35.6677
=0.5158
0.03077
Acajutla u-2
Lognormal
=-0.1331
=1.3502
Weibull
=32.825
=0.6141
Weibull
=46.0535
=1.0415
Weibull
=21.1169
= 0.3871
0.0173
Acajutla u-4
Weibull
=0.4303
=0.5389
Weibull
=8.7979
=0.8199
Lognormal
=0.5976
=0.8262
Weibull
=36.3248
=0.7949
0.16415
Acajutla u-5
Gamma
=0.3321
=91.9977
Weibull
=80.303
=0.5180
Lognormal
=1.0282
=0.9328
Weibull
=21.0226
=0.7885
0.03877
*Probabilidad de falla en el arranque
86
87
88
[
h
/
a
o
]
Iteraciones
ValorEsperadodePrdidadeCarga(LOLE)
[h/ao]
89
Figura 4.24 Evolucin de las iteraciones para el LOEE del sistema de El Salvador
Con la herramienta computacional tambin es posible calcular ndices de confiabilidad
semanales, esto se realiza asignando escenarios de dficit segn el tiempo en el que ocurren
a la fecha correspondiente, lo cual es necesario para la verificacin del cumplimiento del
reglamento de operacin nacional [UT, 1999: p.106], que establece en el anexo de normas
de calidad y seguridad operativas apartado 10.2, que la probabilidad de prdida de carga no
exceder un 5% semanal, es decir 8.4 horas/semana. Los ndices semanales se muestran en
las figuras 4.25 y 4.26 y tabla 4.16.
En la tabla 4.16 observamos que el mayor ndice registrado corresponde a la semana 15,
con un valor esperado de prdida de carga igual a 0.54 horas/semana, lo cual representa un
alto nivel de confiabilidad, tomando en cuenta que el reglamento establece un valor de 8.4
horas/semana. En el porcentaje que representa a la probabilidad de prdida de carga el
mayor ndice indica la existencia de dficit de potencia en un 0.32% de esa semana, lo cual
presenta una significante diferencia con lo establecido en el reglamento correspondiente a
un mximo de 5% semanal.
Con el clculo de ndices semanales se observa la influencia de la hidrologa dentro de la
confiabilidad del sistema, teniendo en cuenta que la poca seca es en donde el sistema
posee mayor riesgo de entrar en condicin de dficit.
0
10
20
30
40
50
60
0 5000 10000 15000 20000 25000 30000
L
O
E
E
[
M
W
h
/
a
o
]
Iteraciones
ValorEsperadodePrdidadeEnerga(LOEE)
[MWh/ao]
90
Figura 4.25 Valor esperado de prdida de carga semanal para el sistema de El salvador
Figura 4.26 Probabilidad de prdida de carga semanal para el sistema de El Salvador
Hasta ahora se ha evaluado la confiabilidad del sistema de generacin considerando las
limitaciones de potencia disponible en las centrales hidroelctricas, producto del nivel de
embalse de cada una de stas.
0
0.1
0.2
0.3
0.4
0.5
0.6
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56
L
O
L
E
[
h
/
s
e
m
a
n
a
]
Semana
ValorEsperadodePrdidadeCargaSemanal(LOLE)
[h/semana]
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56
L
O
L
P
[
%
]
Semana
ProbabilidaddePrdidadeCargaSemanal(LOLP)
[%]
91
92
93
Figura 4.27 Comparacin de Probabilidad de prdida de carga semanal para el sistema de El Salvador
considerando la hidrologa
Tabla 4.18 Comparacin de resultados con la inclusin de mantenimientos menores
ndice de Confiabilidad Caso Base
PAMM y
mantenimientos
menores
Porcentaje de variacin
LOLP [%] 0.020328391 0.034507048 41.09%
LOLE [h/ao] 1.77588825 3.014535753 41.09%
LOEE [MWh/ao] 35.40406781 63.78580969 44.49%
En este caso se observa una considerable contribucin de los mantenimientos menores
hacia la confiabilidad del sistema, debido a que los mantenimientos menores presentan un
aumento en el nmero de indisponibilidades de generadores en el sistema, reflejando una
disminucin en la confiabilidad del sistema.
En la figura 4.28 se muestran los ndices de valor esperado de prdida de carga semanales
para ambas simulaciones, en donde se observa un aumento significativo en la semana 21,
en donde se efectu mantenimiento de una unidad de la central 15 de Septiembre, la cual
representa una indisponibilidad de 92.7 MW en el sistema, y es la unidad individual de
mayor potencia instalada del sistema.
0
0.1
0.2
0.3
0.4
0.5
0.6
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56
L
O
L
E
[
h
/
s
e
m
a
n
a
]
Semana
LossofLoadExpectation(LOLE)
[h/semana]
Sinhidrologa
Conhidrologa
94
Figura 4.28 Comparacin del valor esperado de prdida de carga semanal para el sistema de El Salvador
incluyendo mantenimientos menores
Figura 4.29 Comparacin de Probabilidad de prdida de carga semanal para el sistema de El Salvador
incluyendo mantenimientos menores
En la figura se muestra que los resultados globales son fuertemente influenciados por el
caso descrito anteriormente, es decir la indisponibilidad de una unidad de la central 15 de
Septiembre, ya que en la semana 21 el valor esperado de prdida de carga alcanza un valor
de 1.37 horas/semana, lo cual representa el 90% de la variacin que presentan los ndices
anuales, el resto de la variacin es la contribucin de los mantenimientos menores de las
dems unidades generadoras, donde stos no representan un cambio que refleje una
0
0.5
1
1.5
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56
L
O
L
E
[
h
/
s
e
m
a
n
a
]
Semana
ValorEsperadodePrdidadeCargasemanal(LOLE)
[h/semana]
PAMMyMttosMenores
PAMM
0
0.2
0.4
0.6
0.8
1
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
L
O
L
P
[
%
]
Semana
Probabilidad de Prdida de Carga semanal (LOLP)
[%]
PAMMyMttos.Menores
PAMM
95
o
s
d
e
o
c
u
r
r
e
n
c
i
a
contribucin considerable a la confiabilidad del sistema, siempre y cuando estas unidades
no sean de gran tamao, como el caso anterior.
Una ventaja que se presenta en la evaluacin de confiabilidad de sistemas de generacin
mediante simulaciones de Monte Carlo, es la posibilidad de obtener la distribucin de
probabilidad de cada ndice. Lo anterior brinda una perspectiva grafica de cmo cambia el
ndice de confiabilidad con cada ao simulado. Esto se realiza con la obtencin del valor
individual del indicador para cada ao, y luego obtener el valor esperado para el resultado
final. En la figura 4.30 se muestra la distribucin de probabilidades para el LOEE del caso
base, con los tiempos de operacin con la distribucin de mejor ajuste, recordando que el
valor esperado de dicho ndice es de 35.404 MWh/ao.
La distribucin del LOEE presentada se da en aos ocurridos de ese ndices, en este caso se
ha optado por ocupar los aos, de desear ver las probabilidades se procede a dividir el valor
de los aos ocurridos entre el total de aos simulados.
96
Figura 4.31 Probabilidad de prdida de carga semanal resultado del mtodo no secuencial
Los resultados de aplicar esta herramienta produce resultados aceptables comparados con
los mtodos anteriores, en ste los ndices son calculados de forma semana
individualmente, lo que indica que se realizaron 52 simulaciones, una para cada semana del
ao, cada una de un milln de iteraciones, para obtener lo que se muestra en la figura 4.30.
Los resultados comparados con los obtenidos con la tcnica secuencial se muestran en la
figura 4.31, en donde se muestra las variaciones en las estimaciones de los ndices para
ambos mtodos, estas diferencias se deben en su mayor parte a la diferencia en el modelado
de los componentes para ambas tcnicas. Una consideracin importante en la
implementacin de ambos modelos, es la reduccin en los tiempos de clculo obtenidos
con la no cronologa de los eventos, lo cual para evaluaciones de confiabilidad de periodos
cortos, en este caso una semana, es ms viable, con respecto a tiempos y esfuerzos
computacionales, el uso de las simulaciones no secuenciales, aunque se presente la
desventaja de perder exactitud en los resultados.
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
L
O
L
P
[
%
]
Semanas
ProbabilidaddePrdidadeCargasemanal(LOLP)[%]
97
Figura 4.32 Comparacin de probabilidad de prdida de carga semanal resultado del mtodo no secuencial
y el secuencial.
4.6 Despacho de Generacin
Uno de los problemas fundamentales en la operacin de un sistema elctrico de potencia es
el despacho de generacin, el cual consiste en repartir la potencia demandada por los
consumidores entre los generadores disponibles del sistema, de forma que el costo total de
generacin sea el mnimo posible. Para estudiar el efecto aleatorio de las indisponibilidades
de los generadores en el despacho econmico, se utilizarn los resultados de las
simulaciones de fallas y reparaciones del estudio de confiabilidad y se estudiaran los
mltiples escenarios de generacin obtenidos.
4.6.1 Modelo Matemtico
En el despacho de generacin, tambin llamado despacho econmico, se desea minimizar el
costo total de produccin, el cual para un sistema con N generadores, es la suma de los
costos individuales de cada generador, que a su vez depende de la potencia producida por
cada uno de ellos [Gmez, 2002: p.263] y se expresa de la siguiente forma:
C(Pg) = C
(Pg
)
N
=1
(Ec.4.3)
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
L
O
L
P
[
%
]
Semanas
ProbabilidaddePrdidadeCargasemanal(LOLP)[%]
NoSecuencial
Secuencial
98
(Pg
99
= 0H
t
Pg
t
(Ec.4.4)
Si se desea modelar por orden de mrito a las unidades hidroelctricas, primero se debe
analizar la prioridad que estas tienen ante los generadores trmicos. Los generadores
hidrulicos presentan una gran ventaja econmica, debido a que el combustible que utilizan
(agua), no representa ningn gasto [A et al., 2001: p.6], caso contrario los generadores
trmicos como ya se habl que su generacin depende del precio del combustible. Entonces
al ordenar ambos tipos de generadores, las unidades hidroelctricas seran las primeras en
ser despachadas por ser presentar menores costos de produccin, para continuar con las
trmicas que presentan costos ms elevados. Pero adems se debe enumerar la prioridad
entre los mismos generadores hidroelctricos, este orden se obtiene a partir de las
caractersticas de eficiencia de cada generador y el tipo de embalse que este posee. En la
tabla 4.20 se enumera la prioridad de las unidades hidroelctricas de El Salvador.
Debido a que el despacho se realiza en pasos horarios, la ecuacin 4.3 solo representa el
costo total en una sola hora, entonces para realizar una mejor optimizacin de los recursos
que se disponen para la generacin, se debe plantear una ecuacin que describa el costo en
un intervalo de horas, la cual se muestra a continuacin:
100
C(Pg) = C
t
(
N
=1
1
t=1
Pg
) (Ec.4.5)
Dnde:
C(Pg) es el costo total de produccin en todo el rango de tiempo,
C
t
(Pg
Pg
t
N
=1
1
t=1
(Ec.4.6)
En donde 0H
t
la potencia producida por el
generador i en la hora t, por tal, el resultado con mayor relevancia seria la distribucin de
potencia en los generadores y el costo total no poseera ningn valor, ya que no se han
101
tomado valores reales de costos. Se observa que la funcin objetivo es de primer orden,
teniendo un problema de optimizacin lineal.
Teniendo la funcin objetivo ya definida, se enumeran las restricciones que se considerar
para su optimizacin, stas se presentan a continuacin:
La principal condicin que se debe cumplir es que en cada intervalo de tiempo la
demanda sea satisfecha por el parque generador y se expresa de la siguiente manera:
Pg
t
N
=1
- P
d
t
= u (Ec.4.7)
Limites tcnicos de operacin: Tanto unidades trmicas, hidrulicas y geotrmicas tienen
una potencia de salida mnima para funcionar de manera estable (P
mn
), que dependen en
su mayora del tipo de tecnologa que estas ocupen.
P
mn
P
P
mux
(Ec.4.8)
Energa disponible semanal: Para las unidades hidroelctricas se debe considerar que no
se dispone mxima capacidad del recurso primario en todo el ao, ya que depende de la
hidrologa que se presenta en tal poca. Para representar este comportamiento, partiendo de
que en la simulacin de confiabilidad ya se ha sorteado un ao hidrolgico, se procede a
utilizar los valores de energa producidos semanalmente por cada central en dicho ao, de
tal forma que la generacin hidroelctrica es limitada por una meta semanal de energa y
esto forzar a que se utilice cuando sea requerida, por lo general en las horas pico,
expresado como:
P
c
1
=1
E
s
(Ec.4.9)
Donde P
c
es la potencia generada por la central hidrulica c en el tiempo t y E
c
la energa
semanal disponible en el embalse. Esta restriccin es expresada como desigualdad, ya que
los valores de energa utilizados no son valores enteros por ende pueden quedar remanentes
102
de energa que no se puedan producir por los lmites de potencia mnima. Entonces para
evitar este conflicto se utiliza como desigualdad.
4.6.2 Solucin del Problema
Para resolver el problema de optimizacin lineal, se utiliza la funcin linprog de Matlab
el cual soluciona el problema segn la ecuacin 4.5.
min
1
xs.a:_
A x b
A
cq
x = b
cq
lb x lm
(Ec.4.10)
Donde
1
es la funcin objetivo, A y b contiene las restricciones de desigualdad (Energa
disponible en las centrales hidroelctricas), A
cq
y b
cq
las restricciones de igualdad (Balance
de potencia), lb y lm los limites superiores e inferiores de las variables a ser optimizadas y
x corresponde a la solucin encontrada para la funcin optimizada (Potencia generada por
unidad).
4.6.3 Algoritmo de Despacho de Generacin
El modelo de despacho se realiza en base a lo estudiado en las secciones anteriores, para
esto se ha definido la estructura general del algoritmo, la cual se muestra en la figura 4.33.
Los bloques de sta son descritos a continuacin:
Recuperar datos de disponibilidad de mquinas
El despacho de generacin se realiza bajo los escenarios resultantes de la evaluacin de
confiabilidad secuencial, esto se realiza mediante la recuperacin de las disponibilidades de
cada generador en la simulacin de Monte Carlo. El producto de lo anterior es el tiempo
exacto de ocurrencia de eventos, es decir cuando ocurre una transicin de estado.
Convertir disponibilidad por eventos a disponibilidad horaria
Con el objetivo de reducir los tiempos de cmputo y minimizar la memoria a utilizar, se
transforman las secuencias operativas de los generadores de la resolucin por eventos, a
una horaria, lo anterior implica registrar los eventos ocurridos dentro de una hora, para
infe
uni
ind
S
Ac
los
imp
R
El a
de
erir sobre la
dad opera m
disponible pa
e crean las m
se generan
requerimie
plementado.
Resolver prob
algoritmo de
ser un mode
disponibilid
ms de la m
ara el despac
matrices para
n las matrice
entos del
Figura 4.3
blema de opt
e optimizaci
elo que nece
dad o no de
mitad de ste
cho.
a resolver el
es necesarias
problema d
33 Estructura g
timizacin
n utilizado
esita sucesiv
103
la mquina,
e, se tomara
problema d
s para la reso
de optimiza
general del mod
es la funcin
as llamadas
, ya que si d
como dispo
de optimizaci
olucin del p
acin y e
delo de despach
n linprog
para la reso
dentro del tie
onible, de lo
in
problema, to
l algoritmo
ho de generaci
de Matlab
olucin, esto
empo evalua
o contrario e
omando en c
o de resol
in
, con el prob
o debido a qu
ado la
estar
cuenta
ucin
blema
ue no
104
es capaz de tomar decisiones en cuanto a lmites de potencia mnima establecida para cada
generador.
Lo anterior requiere de realizar un proceso iterativo para verificar que se cumplan estos
lmites, con lo que se obtiene una reacomodacin de las potencias del despacho hasta
obtener el resultado final.
4.6.4 Resultados del Despacho
Teniendo definido el modelo para la realizacin del despacho de generacin, se procede a
comparar los resultados obtenidos en base al estudio de confiabilidad con el mtodo de
Monte Carlo secuencial, con los valores reales de despacho, y en base a esto verificar el
desempeo del modelo propuesto. Para la comparacin se utiliz la semana 2 del ao, la
cual comprende del 10 al 16 de enero del 2011, donde la semana inicia el lunes y termina
en domingo. En la tabla 4.21 se muestran los valores de energa por central hidroelctrica
tanto real como simulada.
Tabla 4.21 Energa hidroelctrica por central
Da
Energa Hidroelctrica (MWh)
Guajoyo Cerrn Grande 5 Noviembre 15 Septiembre
Real Simulado Real Simulado Real Simulado Real Simulado
10-ene 281.7 280.2 1180.8 1403.5 1186.4 1269.9 862.6 957
11-ene 302.0 318.4 1182.0 1537.1 1227.4 1370.7 1010.9 1173.3
12-ene 270.2 321.3 1231.3 1483.7 1121.3 1354.4 1088.6 1114.7
13-ene 300.8 319.3 1178.4 1449 1131.2 1350.1 1079.6 1057.1
14-ene 281.5 312.2 1169.6 1318.4 1149.7 1303.4 1049.5 913.6
15-ene 304.5 291.2 1216.8 668.7 1259.0 1163 217.0 228.8
16-ene 284.1 256.6 1206.6 299.5 1185.4 919.8 0.0 148.6
Total 2024.8 2099.2 8365.5 8159.9 8260.4 8731.3 5308.3 5593.1
De la tabla 4.21 se observa que la mxima desviacin entre los valores de energa total se
da en la central 5 de noviembre (5.4%), mientras que la menor en Cerrn Grande (2.46%),
indicando que de la simulacin se obtiene un estimado aceptable de la energa disponible de
la operacin real. Adems para los das de semana (del 10 al 14) la energa hidrulica
simulada es mayor a la real y para los das de fin de semana (del 15 al 16) la real supera a la
105
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
10ene 11ene 12ene 13ene 14ene 15ene 16ene
E
n
e
r
g
a
[
M
W
h
]
Real Simulacin
simulada. Esto se debe a que en ese periodo, el despacho se realizaba en base a precios
ofertados por los generadores, y por tal, no se optimizaba la energa hidroelctrica
disponible para cada semana, en cambio en la simulacin se emplea esta consideracin, y
por ser una semana de poca seca se trata de utilizar la energa hidrulica en las horas de
mayor demanda, siendo los das 15 y 16 das de demanda baja (fines de semana), el aporte
hidroelctrico tiende a ser menor para esos das.
En las figuras 4.34 se muestra grficamente los resultados mostrados en la tabla 4.21, en
donde se observan las diferencias entre los datos simulados con los reales, en la figura 4.35
se muestra el despacho diario de las centrales hidroelctricas, en la simulacin se muestra
que la prioridad se centra en las horas de mayor demanda efectuando un aplanamiento en la
curva de potencia generada por las centrales trmicas (figura 4.37).
106
0
2000
4000
6000
8000
10000
12000
14000
16000
10ene 11ene 12ene 13ene 14ene 15ene 16ene
E
n
e
r
g
i
a
[
M
W
h
]
Real Simulacin
107
300
350
400
450
500
550
600
650
700
0 12 24 36 48 60 72 84 96 108 120 132 144 156 168
P
o
t
e
n
c
i
a
[
M
W
]
Simulacin Real
108
Para realizar el anlisis de flujo de potencia, se utiliza el programa PSSE (Power System
Simulator), para simulacin de sistemas de potencia, este es un programa muy robusto,
verstil y de gran aceptacin mundial. Recordando que se deben simular un gran nmero de
escenarios para obtener el comportamiento de voltaje en cada bus, ingresar los datos
directamente desde la interfaz de PSSE se convierte en una tarea muy extenuante y poco
eficiente para el usuario. Para solucionar este tipo de problemas, PSSE incorpora la
opcin de ser ejecutado desde otro programa llamado Python, el cual es un lenguaje de
programacin de alto nivel y permite realizar diferentes tareas que elevan el alcance del
anlisis a realizar. La estructura general del algoritmo empleado en Python para el clculo
de voltajes esperados y la verificacin de los lmites trmicos en las lneas se muestra en la
figura 4.37, y cada uno de los bloques es descrito a continuacin:
o Importacin de datos: se importan los datos procedentes de Matlab los cuales son:
Potencia producida por los generadores, voltajes iniciales por planta, factores de potencia
por nodo de carga y factores de desagregacin de demanda por nodo, adems de las horas y
semanas a simular.
o Clculo de potencia activa y reactiva para los puntos de entrega: Para calcular la potencia
activa en cada bus de carga, se utilizan los factores de desagregacin de demanda por nodo,
los cuales indican el porcentaje de potencia activa correspondiente a cada nodo. Para
calcular la potencia reactiva se utiliza el factor de potencia de cada nodo y la potencia
activa del mismo.
o Inicializacin de PSS/E: Se abre una sesin de PSS/E en Python y de esta forma se
permite utilizar funciones necesarias para el clculo de flujo de potencia y otras
caractersticas de PSS/E. Adems se carga el archivo *.sav, el cual posee la informacin de
los elementos de la red de El Salvador.
o Identificacin de hora y semana a simular: Se identifica la hora y semana para
seleccionar la informacin correspondiente a las mismas (voltajes iniciales, factores de
desagregacin, potencia generada).
109
110
111
112
1
1
5
G
U
A
J
1
1
5
A
C
A
J
1
1
5
A
H
U
A
1
1
5
C
G
R
A
1
1
5
1
5
S
E
1
1
5
B
E
R
L
1
1
5
S
O
Y
A
1
1
5
S
R
A
F
1
1
5
S
M
I
G
1
1
5
S
A
N
A
1
1
5
S
A
N
T
1
1
5
N
E
J
A
1
1
5
O
P
I
C
1
1
5
T
E
C
O
1
1
5
O
Z
A
T
1
1
5
S
O
N
S
1
1
5
N
C
U
S
1
1
5
S
M
A
R
1
1
5
A
T
E
O
1
1
5
S
B
A
R
1
1
5
S
T
O
M
1
1
5
P
E
D
R
1
1
5
T
A
L
N
1
1
5
L
U
N
I
1
1
5
V
O
L
T
A
J
E
(
k
V
)
3:00 14:00 19:00
113
Cabe destacar que para los escenarios simulados no se report ningn incumplimiento en
los lmites trmicos de las lneas de trasmisin.
114
115
116
117
118
119
BIBLIOGRAFA
Allan, R.N. y J. Romn [1989] Reliability Assessment of Generation
Systems Containing Multiple Hydro Plant Using Simulation Techniques.
IEEE Transactions on Power Systems, 4, 3.p.1074-1080
A, G., C.A Galdeano, O. A [2001] Modelos de programacin de la
operacin de sistemas hidrotrmicos aplicados al planeamiento de
mediano plazo en mercados elctricos. Instituto de Energa Elctrica,
Universidad de San Juan, Argentina.
Bagen. [2005] Reliability and Cost/Worth Evaluation of Generating
Systems Utilizing Wind and Solar Energy. University of Saskatchewan,
Saskatchewan, Canada.
Bernstein, S. y R. Bernstein [1999] Elements od Statistics II: Inferential
Statistics. McGraw-Hill, Ney York, Estados Unidos.
Billinton, R. y R.N. Allan [1996] Reliability Evaluation of Power
Systems. Plenum Press, New York, Estados Unidos.
Billinton, R. y W. Li [1994] Reliability Assessment of Electric Power
System Using Monte Carlo Methods. Plenum Press, New York, Estados
Unidos.
Casteren, J.V. [2003] Assessment of Interruption Costs in Electric Power
Systems using the Weibull-Markov Model. Chalmers University of
Technology, Gteborg, Suecia.
Cunha, S.H.F., F.B.M Gomes. y G.C. Oliveira. [1982] Reliability
Evaluation in Hydrothermal Generating Systems. IEEE Transactions on
Power Apparatus and Systems, PAS-101, N 12.p. 4665-4673
Eliason, S.R. [1993] Maximun Likelihood Estimation: Logic and
Practice. Sage Publications, Iowa, Estados Unidos.
120
121
122