G

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

sistemas complejos, debido a su flexibilidad con respecto a los parmetros de operacin

que se simulan.
La herramienta computacional desarrollada consiste en utilizar los mtodos de simulaciones
de Monte Carlo ms populares en la industria y dentro de la literatura, las tcnicas
secuenciales y las no secuenciales. La diferencia entre estas es la consideracin o no de la
cronologa de los eventos evaluados dentro de la simulacin, en donde en el mtodo
secuencial incluye la secuencia de eventos y el no secuencial solo considera un periodo
arbitrario para ser evaluado.
Las simulaciones de Monte Carlo obtienen estimaciones de los ndices de confiabilidad,
mediante la reproduccin de imitaciones de la operacin del sistema de generacin, esto
basado en la generacin de nmeros aleatorios.
Un aspecto muy importante en las evaluaciones de confiabilidad es la representacin de los
componentes, en este caso unidades generadoras, que componen el sistema evaluado, es por
esto que en el presente trabajo se dedica buena parte del mismo en el tratamiento de la
informacin necesaria, para la creacin de modelos probabilsticos que reflejen el riesgo de
ocurrencia de fallas en los generadores.
Una ventaja que presentan las simulaciones de Monte Carlo es la flexibilidad que presentan
ante complejos aspectos de operacin de los sistemas de generacin, tal es el caso de la
inclusin de las limitaciones que presentan las centrales hidroelctricas con el recurso
hdrico, en donde su potencia disponible depender del nivel del agua almacenada en su
embalse. Tambin es posible considerar la demanda cronolgica conectada al sistema, la
cual cambia hora con hora. Un factor determinante en las evaluaciones de confiabilidad son
los mantenimientos de cada generador, estos son modelados fcilmente dentro de las
simulaciones de Monte Carlo en el modelo de evaluacin desarrollado.
Adems en este trabajo se presenta la aplicacin de la herramienta computacional
desarrollada, al sistema de generacin de El Salvador, con el objetivo de determinar los
criterios de confiabilidad de dicho sistema, en donde se comparan los resultados con
parmetros internacionalmente utilizados, igualmente se realiza con lo establecido en el

iii

reglamento de operacin del sistema de la UT. El modelo de evaluacin tambin es

aplicado a un sistema de prueba para validar el algoritmo desarrollado en el presente
trabajo.
Por ltimo como refuerzo del estudio de confiabilidad, se han desarrollado modelos de
evaluacin del despacho de generacin para las unidades disponibles, en donde se toman en
cuenta los generadores que no presentan fallas dentro de la simulacin, y se compara con
resultados de despacho reales, con el objetivo de encontrar incongruencias dentro de la
aplicacin del modelo. Adems de realizarse la solucin de los flujos de potencia a partir de
lo anterior, para determinar el comportamiento del sistema ante los cambios de
disponibilidad entre el sistema de generacin.

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

2.4.2 Ajuste de Distribuciones de Probabilidad ...................................................... 32

2.4.3 Pruebas de Bondad de Ajuste ......................................................................... 33
CAPITULO 3. MTODOS DE SIMULACIN DE MONTE CARLO ............................. 37
3.1 Clasificacin de los mtodos de simulacin .......................................................... 39
3.2 Simulacin de Monte Carlo No-Secuencial .......................................................... 40
3.2.1 Determinacin de la Capacidad del Sistema de Generacin .......................... 40
3.2.2 Modelo de Demanda ...................................................................................... 42
3.2.3 Estimacin de ndices de Confiabilidad ......................................................... 44
3.3 Simulacin de Monte Carlo Secuencial ................................................................. 46
3.3.1 Secuencia Operativa del Sistema de Generacin ........................................... 47
3.3.2 Modelo Cronolgico de Demanda ................................................................. 48
3.3.3 Estimacin de ndices de Confiabilidad ......................................................... 48
3.4 Criterio de Convergencia ....................................................................................... 50
CAPITULO 4. EVALUACIN DE CONFIABILIDAD APLICADA A SISTEMAS DE
GENERACIN .................................................................................................................... 53
4.1 Diagrama de Flujo de la Herramienta Computacional .......................................... 53
4.2 Modelo de Evaluacin Mtodo Secuencial ........................................................... 55
4.2.1 Representacin de la Capacidad de Generacin ............................................ 57
4.2.2 Modelo de Demanda ...................................................................................... 63
4.2.3 Calculo de ndices de Confiabilidad .............................................................. 65
4.3 Modelo de Evaluacin con el Mtodo No Secuencial ........................................... 67
4.3.1 Unidades Generadoras de dos estados ........................................................... 70
4.3.2 Unidades Generadoras de Mltiples Estados ................................................. 70
4.3.3 Modelo de Demanda ...................................................................................... 73
4.3.4 Clculo de ndices de Confiabilidad .............................................................. 75

4.4 Validacin del Modelo ........................................................................................... 75

4.5 Aplicacin al sistema de generacin de El Salvador ............................................. 79
4.5.1 Mtodo Secuencial .......................................................................................... 85
4.5.2 Mtodo no Secuencial ..................................................................................... 95
4.6 Despacho de Generacin ........................................................................................ 97
4.6.1 Modelo Matemtico ........................................................................................ 97
4.6.2 Solucin del Problema .................................................................................. 102
4.6.3 Algoritmo de Despacho de Generacin ........................................................ 102
4.6.4 Resultados del Despacho .............................................................................. 104
4.7 Anlisis de Flujos de Potencia ............................................................................. 107
4.7.1 Resultados ..................................................................................................... 110
CAPITULO 5. CONCLUSIONES Y RECOMENDACIONES ......................................... 115
5.1 Conclusiones ........................................................................................................ 115
5.2 Recomendaciones ................................................................................................. 118
BIBLIOGRAFA ................................................................................................................ 119

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

Figura 4.30 Distribucin del LOEE en aos de ocurrencia .................................................. 95

Figura 4.31 Probabilidad de prdida de carga semanal resultado del mtodo no secuencial
.............................................................................................................................................. 96
Figura 4.32 Comparacin de probabilidad de prdida de carga semanal resultado del
mtodo no secuencial y el secuencial. .................................................................................. 97
Figura 4.33 Estructura general del modelo de despacho de generacin ............................. 103
Figura 4.34 Comparacin de energa inyectada diaria por recurso hidroelctrico ............. 105
Figura 4.35 Comparacin de generacin hidroelctrica horaria ......................................... 106
Figura 4.36 Comparacin de energa inyectada diaria por recurso trmico ....................... 106
Figura 4.37 Comparacin de generacin trmica horaria ................................................... 107
Figura 4.38 Estructura general de la realizacin de flujos de potencia .............................. 109
Figura 4.39 Voltajes promedio del sistema de El Salvador ................................................ 112

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

variantes de este mtodo y la aplicacin de cada uno de ellos en el anlisis de confiabilidad

del sistema elctrico de potencia.
En el captulo cuatro se explica paso a paso el desarrollo de la herramienta computacional,
partiendo de los modelos descritos en los captulos anteriores hasta terminar con la
representacin total del sistema de generacin del pas y mostrar los resultados de la
evaluacin de confiabilidad en el mismo.
Finalmente en el quinto captulo se realizan las conclusiones y recomendaciones producto
de la investigacin.

CAPITULO 1. EVALUACIN DE CONFIABILIDAD EN SISTEMAS DE POTENCIA

1.1 Introduccin
La energa elctrica es de vital importancia en el desarrollo econmico y social de regiones
y pases, al igual de ser un servicio del que las sociedades modernas dependen en alto
grado, debido a esto todos involucrados del sector elctrico deben suministrar electricidad
con niveles aceptables de calidad y asegurando la continuidad del servicio. Los esfuerzos se
centran en operar y/o planificar un sistema de generacin, transmisin y distribucin de
energa lo ms confiable posible, ya que por razones tcnicas y econmicas no se puede
alcanzar un funcionamiento totalmente fiable, debido a que sera necesario un nmero
infinito de lneas de transmisin, una potencia de generacin disponible infinita, etc. El
sistema de suministro de energa elctrica y su complejidad implcita, esta propenso a fallas
aleatorias que afectan la continuidad del servicio, pudiendo generar racionamientos e
incluso llegar al colapso total del sistema. La falta de suministro de energa implica un alto
costo econmico, no solo para los proveedores del servicio, sino tambin para los
consumidores que dejan de recibirlo. Considerando lo anterior, la planificacin de
operacin e inversiones a futuro en el sistema es muy importante para minimizar el riesgo
de dficit en el suministro de energa.
Muchas tcnicas se han desarrollado para resolver el problema que surge al intentar
equilibrar las restricciones econmicas, tcnicas y de confiabilidad en la planificacin en
sistemas de potencia, entre los criterios que se utilizaron al inicio en aplicaciones prcticas,
son los basados en enfoques determinsticos, los cuales son incapaces de considerar la
aleatoriedad que presenta la naturaleza misma del sistema. Para incluir todos estos factores
aleatorios en el sistema se crearon tcnicas probabilsticas, las cuales consideran como
estos factores afectan la operacin del mismo, que junto con la probabilidad de ocurrencia
de los eventos hacen que estas tcnicas sean aceptadas para la evaluacin en casos
prcticos.
Se han desarrollado tcnicas probabilsticas en sistemas de potencia para la evaluacin de
confiabilidad, flujos de potencia, anlisis de fallas en el sistema, anlisis de estabilidad
transitoria y diseo de lneas de transmisin [Billinton y Li, 1994: p.2].

1.2 Objetivos de la Investigacin

El objetivo general del presente trabajo es obtener indicadores de confiabilidad del sistema
de generacin de El Salvador. Estos indicadores se ocuparan evaluar el Programa Anual de
Mantenimientos Mayores (PAMM) a la luz de los ndices de confiabilidad y que se cumpla
con lo establecido en el anexo Normas de Calidad y Seguridad Operativa del Reglamento
de Operacin del Sistema de Transmisin y del Mercado Mayorista Basado en Costos de
Produccin (ROBCP) [Unidad de Transacciones, 2009: p.173].
Se desarrollar una herramienta computacional basada en simulaciones de Monte Carlo
para evaluar la confiabilidad del parque generador del pas, tomando en cuenta el
pronstico de demanda anual, el programa anual de mantenimientos mayores, los recursos
primarios de generacin (principalmente el recurso hdrico) y fallas en unidades
generadoras.
1.3 Definicin de Confiabilidad en Sistemas de Potencia
La confiabilidad es una caracterstica de cualquier aparato o sistema que describe cuan
capaz es este de realizar cualquier tarea asignada [Wangdee, 2005: p.5]. Para un producto o
elemento cualquiera la confiabilidad es la probabilidad de que ste cumpla su funcin
adecuadamente, por el tiempo y las condiciones propuestas [Herrera, 2006: p.14].
En los sistemas elctricos de potencia la confiabilidad se refiere a la capacidad de entregar
energa elctrica a los consumidores en forma continua y de calidad. La Corporacin Norte
Americana de Confiabilidad Elctrica (NERC, por sus siglas en ingls) define la
confiabilidad en dos aspectos funcionales: Adecuacin y Seguridad [NERC, Reliability
Concepts, www.nerc.com].
Adecuacin es la existencia de infraestructura suficiente en el sistema para
suministrar la demanda de potencia y energa elctrica de los consumidores en
todo tiempo, tomando en cuenta aquellos eventos, no severos, que puedan
afectar la continuidad del servicio.
Seguridad es la habilidad del sistema de soportar perturbaciones factibles como
cortocircuitos, prdidas de generacin o de otro elemento del sistema y otras

contingencias repentinas, y ser capaz de seguir suministrando el servicio

despus de las perturbaciones.
De esto se concluye que la adecuacin del sistema est referida a condiciones estticas de
operacin en el suministro de energa elctrica, mientras que la seguridad se refiere a
condiciones dinmicas del sistema. Este trabajo se enfocar en las condiciones estticas de
operacin.
La confiabilidad en un sistema de potencia es cuantificada mediante indicadores basados en
la frecuencia, duracin y magnitud de eventos que produzcan dficit en el suministro, los
cuales son producto de la simulacin de una gran cantidad de escenarios posibles en la
operacin del sistema.
Entre los aspectos que afectan la confiabilidad en sistemas de potencia se encuentra la
configuracin o topologa del sistema, el tipo de equipos que se disponen, el estado de
operacin, la planificacin y mantenimiento adecuados, entre otros [Schalabbach y Rofalski
2008: p.2].
1.4 Enfoque de Evaluacin Determinstico
Se han puesto en prctica distintos enfoques para analizar las restricciones econmicas,
tcnicas, operativas y de confiabilidad para todos los aspectos de planificacin y operacin
en los sistemas de potencia. Estos enfoques se basan en factores determinsticos y
probabilsticos [Imbarack, 2006: p.4].
El enfoque determinstico en estudios de confiabilidad, define qu tan confiable es el
sistema mediante la existencia de suficientes reservas en instalaciones de generacin y
transmisin [Imbarack, 2006: p.4]. El criterio N-1 es un mtodo de evaluacin
determinstico, en el cual se toma en cuenta la salida nicamente de un elemento del
sistema, luego se analiza el cumplimiento de criterios establecidos luego de la contingencia
[Garcs y Gomez, 2003: p.3], cabe destacar que no es realista simular todos los escenarios
posibles debido a la gran cantidad de elementos en el sistema. Esta evaluacin, como otros
tipos de estudios determinsticos, tiene la desventaja de tomar en cuenta fallas o

indisponibilidades de elementos que aunque la severidad de esta falla sea sumamente

daina para la operacin del sistema, sea muy poco probable que ocurra.
1.5 Enfoque de evaluacin probabilstico
Dado que los enfoques determinsticos poseen desventajas en el estudio de procesos
estocsticos, se crean los enfoques probabilsticos para analizar los aspectos en sistemas de
potencia, en los cuales se considera la naturaleza aleatoria del comportamiento de los
componentes del sistema. En este enfoque se modela la probabilidad de ocurrencia de los
eventos que afectan el funcionamiento del sistema, as aunque cualquier falla sea severa, si
esta es poco probable se reflejara en la simulacin.
En este trabajo se desarrollar un modelo de evaluacin de confiabilidad del sistema de
generacin basado en mtodos probabilsticos, con el objetivo de complementar los
estudios de planificacin de los mantenimientos de unidades generadoras en el pas.
En las tcnicas de evaluacin de confiabilidad probabilsticas se hace uso de la teora de
probabilidad y estadstica, por la aleatoriedad misma del objeto de estudio. En estas
tcnicas de evaluacin, las suposiciones y simplificaciones son importantes, ya que el
modelo probabilstico de cualquier componente se basa en la observacin el
comportamiento segn su historial de funcionamiento. Aunque en la actualidad existan
tcnicas probabilsticas sumamente poderosas, como el mtodo de Markov, la tcnica de
frecuencia y duracin, simulaciones de Monte Carlo, entre otros [Hernndez, 2000: p.1], no
es posible describir o modelar el comportamiento del sistema de potencia sin conocer a
fondo el funcionamiento de ste. La teora de probabilidad provee las herramientas para que
el analista construya modelos de los componentes del sistema, tomando en cuenta que estos
deben de reflejar la conducta real del sistema.
Dentro de los enfoques probabilsticos se encuentran dos categoras principales de
evaluacin, analtica y simulacin [Billinton y Li, 1994: p.2], en donde se trata la
resolucin de todas las posibles combinaciones de eventos y el anlisis de ciertos sucesos
segn su probabilidad de ocurrencia, las variantes de cada tcnica se presentan a
continuacin:

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

representan las probabilidades de disponibilidad e indisponibilidad del

componente i respectivamente y N es el total de componentes que integran el sistema.
La probabilidad de cualquier estado del sistema est dado por:

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

cantidad de estados necesarios de enumerar, ya que stos aumentan exponencialmente con

el nmero de componentes [Li, 2005: p.81].
Tcnicas de simulacin de Monte Carlo
A toda evaluacin de procesos mediante la generacin de nmeros aleatorios se le
denomina Mtodo de Monte Carlo.
Las tcnicas de simulacin de Monte Carlo en estudios de confiabilidad crean secuencias
operativas ficticias de componentes considerando su aleatoriedad. Estos historiales son
creados mediante modelos probabilsticos, en donde toman importancia los datos
estadsticos que posee el componente a evaluar. Debido a que las simulaciones de Monte
Carlo son procesos de naturaleza estocstica no alcanzan el nivel de precisin de las
tcnicas analticas y slo entregan estimaciones de los resultados reales [Imbarack, 2006:
p.10].
En estos mtodos de simulacin la cronologa de los eventos da la pauta para su
clasificacin, ya que si se toma son secuenciales, y de no considerarse dependencia
temporal se denominan no secuenciales. Lo anterior agrega variantes significativas entre
ambos mtodos, lo cual se describe en el captulo 3 del presente trabajo, debido a la
evaluacin de cada instante en el secuencial, y al estudio de un instante sorteado
aleatoriamente para el no secuencial.
1.6 Niveles Jerrquicos en Sistemas de Potencia
Debido a la complejidad de los sistemas de potencia es necesario plantear distintos niveles
jerrquicos en el estudio de confiabilidad, esto segn la orientacin y la profundidad que se
desea para dicho estudio [Billinton y Li, 1994: p.10].
Los niveles jerrquicos son tres: Sistema de generacin (nivel jerrquico 1), Sistema de
generacin y transmisin (nivel jerrquico 2) y Sistema de generacin, transmisin y
distribucin (nivel jerrquico 3) [Billinton y Allan, 1996: p.10].

Figura 1.1 Niveles jerrquicos para la evaluacin de confiabilidad en sistemas de potencia

Nivel Jerrquico 1
Los estudios de confiabilidad son en su mayora enfocados al sistema de generacin, esto
debido a que una parte muy importante en la planificacin es determinar la capacidad de
generacin necesaria para suplir la demanda a futuro. Los aspectos a tomar en cuenta en
este tipo de anlisis son el mantenimiento de las unidades generadoras, la reserva operativa,
las fallas en los componentes del sistema de generacin, entre otros. En el nivel jerrquico
1 se tienen dos distintos tipos de estudio, el anlisis de rea simple y el anlisis de reas
mltiples.
Anlisis de Confiabilidad de rea Simple
En este anlisis los generadores y las cargas se consideran conectados a un solo bus, es el
caso de un sistema uninodal. El inters de este estudio es evaluar la capacidad local
existente para cubrir la demanda. En este caso slo son tomadas en cuenta fallas de las
plantas generadoras, y los componentes con los que se conectan al sistema de transmisin
(transformadores, lneas radiales, etc.).
El objetivo del presente trabajo es evaluar la confiabilidad del sistema de generacin, la
metodologa de evaluacin est basada en el anlisis de un rea.
NivelJerrquico1
NivelJerrquico2
NivelJerrquico3
SistemasdeGeneracin
SistemasdeTransmisin
SistemasdeDistribucin

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

Para el nivel jerrquico 2 estos son algunos de los ndices:

PLC (Probability Of Load Curtailment): La probabilidad de racionamiento de carga.
ENLC (Expected Frecuency of Load Curtailments): Frecuencia esperada de
racionamientos de carga.
EDLC (Expected Duration of Load Curtailment): Duracin esperada de racionamientos
de carga.
En el nivel jerrquico 3 de los ndices ms utilizados son:
ndice del Promedio de la Frecuencia de Interrupciones en el Sistema (SAIFI, System
Average Interruption Frequency Index).
ndice del Promedio de Duracin de las Interrupciones en el Sistema (SAIDI, System
Average Interruption Duration Index).
ndice del Promedio de la Frecuencia de Interrupciones al Consumidor (CAIFI,
Customer Average Interruption Frequency Index).

11

CAPITULO 2. MODELADO Y ANLISIS ESTADSTICO DE DATOS

Al evaluar la confiabilidad de sistemas de potencia es fundamental describir los compontes
que lo integran, de tal forma que se refleje el riesgo que dichos componentes fallen. Un
sistema de potencia est compuesto por varios elementos tales como: generadores,
transformadores, lneas de transmisin, entre otros. El objetivo del presente trabajo es
analizar el comportamiento del sistema de generacin, por lo cual las unidades generadoras
son el objeto de estudio.
Para todas las unidades generadoras que sern estudiadas se utiliza un modelo
probabilstico para detallar su comportamiento, el cual describe su disponibilidad. La forma
de modelar cada generador se basa en distribuciones de probabilidad y procesos aleatorios,
lo cual equivale a cadenas de Markov de tiempo continuo de un componente reparable
[Imbarack, 2006: p.36]. Este modelo de Markov es definido como un proceso estocstico y
que no posee memoria, el cual determina que en el sistema descrito por este, un estado en
particular es independiente de todos los estados previos, excepto del inmediato anterior
[Gargari, 2006: p.8].
En el presente captulo se describen estos modelos y la forma de obtenerlos, detallando las
variantes para los diferentes mtodos de simulacin, los datos necesarios para su creacin y
la verificacin realizada para cada unidad generadora.
Un buen modelado de las unidades generadoras es importante para la evaluacin de
confiabilidad, debido a que los datos que describen la operacin de los componentes son la
base de la simulacin.
En el presente trabajo se evala la confiabilidad mediante dos diferentes mtodos de
simulacin, secuencial y no secuencial, los cuales presentan variantes en la forma de
realizar el estudio. Se presentaran los elementos necesarios para la implementacin de cada
uno de los mtodos utilizados.

12

2.1 Modelo de Generadores en Mtodo Secuencial

El mtodo secuencial de evaluacin de confiabilidad se caracteriza por respetar dentro del
anlisis la secuencia cronolgica de los eventos simulados, para lo cual la descripcin de
todos los elementos que afecten la operacin del sistema deber respetar esta caracterstica.
Para modelar el comportamiento de las unidades generadoras se debe de hacer una
distincin entre generadores base y generadores pico, los cuales se diferencian por los
ciclos de operacin que estos presentan [Billinton y Li, 1994: p.78].
Se consideran unidades base aquellas que poseen ciclos largos de operacin, estos
generadores estn en servicio a plena carga mientras estn disponibles, la nica forma en la
que estas no inyecten potencia a la red es debido a fallas o mantenimientos. Es importante
resaltar que estas unidades presentan periodos de reserva, los cuales implican que la
mquina no est en funcionamiento, pero no son tomados en cuenta debido al carcter
determinstico de los mismos. Lo anterior se debe a la separacin necesaria entre los
parmetros estocsticos y determinsticos en el modelado probabilstico, por lo que
mantenimientos y reservas no son tomados en cuenta dentro de la obtencin del modelo de
un generador base [Garcs y Larisson, 2004: p.26].
Las unidades pico son aquellas que tienen cortos ciclos de operacin, en estas existen
periodos de reserva, en donde dicha unidad est disponible, pero no es necesaria para suplir
la demanda [Billinton y Li, 1994: p.81]. A diferencia de los generadores base, los periodos
de reserva son de vital importancia en la operacin de unidades pico, ya que en este caso
estos periodos presentan caractersticas estocsticas que se debe de incluir en el modelo.
El objetivo de esta clasificacin es diferenciar los factores que afectan la evaluacin de
confiabilidad en sistemas de generacin. En el caso de las unidades base, es suficiente
detallar su comportamiento con un criterio de disponibilidad, el cual especificar si la
mquina puede prestar o no el servicio. En el caso de unidades pico no es apropiado
describirlas con solo dos estados, debido a que estas operan durante corto tiempo, lo cual
implica que el periodo de arranque sea crtico en su estudio, al igual que sus periodos de
reserva [Billinton y Allan, 1996: p.21].

13

Elementoen
operacin
Elementoen
reparacin

2.1.1 Modelo de dos estados para Unidades Base

Esta unidad es representada por su disponibilidad y este parmetro representar su
capacidad de generacin a lo largo del tiempo evaluado. Este modelo describe los
generadores usando un proceso artificial de operacin y reparacin, conocido como
secuencia up-down, el cual se muestra en la figura 2.1.

Figura 2.1 Modelo de representacin de unidad generadora base con dos estados
La implementacin del mtodo de Monte Carlo secuencial implica la evaluacin de tasa de
falla z (fallas por ao) y tasa de reparacin (reparaciones por ao), las cuales
representarn las probabilidades que se realice una transicin de estado, basadas en una
cadena de Markov. Estas tasas de transicin son la representacin general para procesos
que sigan una distribucin de probabilidades exponencial.
En la metodologa de evaluacin de confiabilidad que este trabajo presenta el mtodo
secuencial se basa en la duracin de residencia del estado actual (servicio o reparacin), lo
cual requiere de la obtencin de esta. Asumiendo que los tiempos de operacin y reparacin
estn exponencialmente distribuidos, la generacin de estos aleatoriamente requerir del
tiempo medio de falla HIIF (Mean Time To Failure) y tiempo medio de reparacin
HIIR (Mean Time To Repair), ambos dados en horas. Estos tiempos se obtienen del
registro de funcionamiento de cada unidad generadora, en la figura 2.2 se muestra un
ejemplo de este, en donde se muestra los posibles estados que se presentan en un generador.

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

2.2.1 Tasa de Salida Forzada

El modelo probabilstico que describe la salida de unidades generadoras en este mtodo es
la tasa de salida forzada ISF o F0R por sus siglas en ingles (Forced Outage Rate), que es
el parmetro bsico en la evaluacin de confiabilidad en componentes de sistemas de
generacin, y describe la probabilidad de encontrar algn generador indisponible a causa de
una falla [Billinton y Allan, 1996: p.21].
Este modelo permite describir indisponibilidades planeadas, forzadas o ambas [Zapata et
al., 2004: p.55], en este trabajo se trabaja nicamente con fallas aleatorias, las salidas
programadas o mantenimientos son tomados como eventos determinsticos, siguiendo el
plan o calendario de ejecucin de estos para cada unidad generadora.
La probabilidad de indisponibilidad de la unidad generadora, reflejada por la tasa de salida
forzada de cada mquina, es obtenida de los registros de operacin, asumiendo tiempos
distribuidos exponencialmente, la cual se calcula de la siguiente forma:
F0R =
z
z +
=
HIIR
HIIR +HIIF
(Ec. 2.17)
Donde F0R es la tasa de salida forzada es por unidad; z la tasa de falla, dado en fallas por
ao; la tasa de reparacin, dada en reparaciones por ao; HIIR y HIIF son los tiempos
medios de reparacin y de ocurrencia de falla respectivamente, ambos dados en horas
[Billinton y Li, 1994: p.79]. Cabe destacar que en tiempos de operacin y falla
exponencialmente distribuidos, la relacin entre parmetros est dada por,

HIIF =
1
z

(Ec. 2.18)
HIIR =
1

(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

operacin y reparacin, y la disponibilidad de ste define si la mquina puede prestar el

servicio.
Una consideracin importante es que las probabilidades de indisponibilidad se asumen
constantes todo el tiempo y para los distintos periodos evaluados.
La obtencin del estado de la unidad generadora evaluada mediante el mtodo de Monte
Carlo se describe en el captulo 3 del presente trabajo.
2.2.2 Probabilidades de Estado
Algunas unidades generadoras presentan ms de un estado de operacin, esto por la
posibilidad de la ocurrencia de una falla parcial, como se menciona en la seccin 2.1.2.
Despus de ocurrida esta falla el generador es capaz de seguir trabajando a potencia
reducida. Para la simulacin en el mtodo no secuencial es necesario obtener las
probabilidades de cada estado de la mquina, las cuales se calculan a partir de las tasas de
transicin entre estados.
Para demostrar el procedimiento para la obtencin de todas las probabilidades se tomar el
sistema de tres estados de la figura 2.9. En este caso los tiempos de transicin estn
representados por z
]
, donde i representa el estado inicial y ] el estado final. Teniendo estas
tasas z se procede a calcular las probabilidades de presencia en cada nivel de capacidad
durante una falla parcial mediante proceso de Markov,
A =
31

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

naturales, perfil climatolgico; producen cambios significativos en el perfil peridico que

presentan.
Desde el enfoque de la confiabilidad de las centrales generadoras, la evaluacin de la
mxima potencia disponible es tomada en cuenta para las hidroelctricas, debido a la
orientacin hacia la adecuacin del sistema. Con lo anterior se concluye en utilizar los
niveles histricos de embalse como factor que definir la capacidad de cada unidad
generadora, debido a que estos nos dan la informacin necesaria para representar dichos
generadores, tomando en cuenta su aleatoriedad.
La representacin de las centrales hidroelctricas se basa en respetar el historial de niveles
de embalse de cada una de stas, tomando como base que dicha historia de comportamiento
refleja la aleatoriedad de la hidrologa.
Para el modelado de las centrales hidroelctricas tenemos en cuenta la dependencia de la
potencia disponible de los generadores al nivel de embalse de dicha central, esto se muestra
en la definicin de potencia que se muestra a continuacin:
P = ppgE
n
(Ec. 2.26)
Donde:
P es la potencia de la unidad generadora en Watts.
p es la eficiencia del grupo generador-turbina.
p densidad del agua (1000 kg m
3
).
g es la aceleracin de la gravedad (9.81 m s
2
).
el caudal turbinado en m
3
s .
E
n
es el salto neto o desnivel disponible entre el nivel del embalse y el de descarga
mas las perdidas hidrulicas, dado en m.

31

De esta relacin mostrada en la ecuacin 2.26 el parmetro gua en el modelado de estas

centrales es el salto neto del aprovechamiento hidroelctrico. Esto se debe a que conocido
el nivel actual del embalse, es posible definir la potencia mxima del generador [Galo,
1987: p.135]. Adems contando con los registros anuales de niveles de embalses de cada
unidad, se puede crear un modelo probabilstico de estas centrales.
2.4 Creacin de Modelos Probabilsticos
A lo largo de este captulo se han tratado los modelos de las unidades generadoras que se
estudiaran, sin embargo para obtener dichos modelos es necesario un tratamiento
estadstico de la informacin, de tal manera de representar los componentes segn su
historial de funcionamiento, teniendo en cuenta que estos datos son los que describen todo
el proceso de vida de los componentes a evaluar.
Para representar los componentes que forman un sistema de generacin en un estudio de
confiabilidad, es indispensable contar con los historiales de operacin y falla [Zapata et al.,
2004: p.53], debido a que estos son los que brindan la informacin necesaria para la
creacin de los modelos de riesgo de cada generador. Con base en lo anterior se busca
cuantificar la ocurrencia de fallas o salidas forzadas, sin importar las causas que intervienen
en estas, tomado en cuenta que al ser un proceso estocstico, la prediccin de lo que pasar
en el futuro es una tarea compleja.
La metodologa a seguir para el tratamiento estadstico se basa en:
Recolectar la informacin necesaria, siendo esta los historiales de todas las
unidades generadoras que se tomaran en cuenta en el estudio
Encontrar los parmetros que describen el comportamiento de estos, en donde se
ocuparan las distribuciones de probabilidad para cada estado analizado.
Validar toda aquella representacin de componentes, debido a que sta debe de
tener la mxima correlacin posible con los datos reales.

32

2.4.1 Recoleccin de la Informacin

Para la creacin de los modelos de operacin de las unidades generadoras se debe contar
con sus registros de entrada y salida de lnea de estos [Zapata et al., 2004: p.53], los cuales
deben de incluir el tipo de evento registrado ya sea falla, salida de lnea programada o
cualquier suceso que afecte el funcionamiento del generador. En este historial es necesaria
la inclusin de la fecha y hora del evento, debido a que se busca obtener los parmetros que
representen el modelo de riesgo, como el tiempo antes de la ocurrencia de alguna falla, o la
duracin de la reparacin de cualquier componente.
El nivel de confianza de los datos analizados depender de la cantidad de tiempo registrado,
entre mayor es la muestra obtenida, tendremos ms seguridad de los parmetros calculados
para la descripcin del comportamiento de los generadores.
Este proceso es crtico en cualquier evaluacin de confiabilidad, debido a que se busca que
el producto de la simulacin realizada se acerque a la realidad, y dado que los resultados
dependen de cada uno de los componentes evaluados, es necesaria una inspeccin de toda
la informacin que se ocupar. En este proceso se garantiza la representatividad de la
muestra, la depuracin, clasificacin y agrupacin de los datos.
2.4.2 Ajuste de Distribuciones de Probabilidad
Es fundamental definir que en una evaluacin de confiabilidad se est tratando un proceso
estocstico, cuyo comportamiento a futuro es difcil de predecir, por lo cual se han utilizado
modelos probabilsticos para la descripcin de este. La representacin de cualquier variable
aleatoria por medio de la distribucin de probabilidad determina la expectativa de
ocurrencia de cualquier evento de inters, en este caso se estudian fallas y las
restauraciones del servicio.
Cada unidad generadora de inters es modelada segn su comportamiento, como es descrito
anteriormente en este captulo, lo cual origina la obtencin de diferentes parmetros para
cada tipo de componente, los cuales estarn definidos por los eventos de inters en cada
modelo, como por ejemplo, para la estimacin de los parmetros de operacin en un
generador base de tres estados, interesa describir el comportamiento de los

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

es la frecuencia observada de la clase i.

o c

es la frecuencia esperada de la clase i.

El estadstico de pruebas debe de seguir la distribucin chi-cuadrada terica para los grados
de libertad definidos como:
v = k -1 -r (Ec. 2.28)
Donde k es el nmero de clases y r es el nmero de parmetros poblacionales desconocidos
que fueron estimados.
En esta prueba se asume que existe la hiptesis nula E
0
, la cual afirma que la distribucin
de la muestra se ajusta a la funcin terica; y la hiptesis alternativa E
1
, que niega lo
anterior. La decisin se basa en comparar el estadstico de prueba _
2
obtenido con el valor
crtico obtenido de las tablas de la distribucin chi-cuadrado, segn los grados de libertad
[Bernstein y Bernstein, 1999: p.154].
La desventaja de esta prueba radica en que se necesita una muestra con una gran cantidad
de datos, debido a la agrupacin en clases, y que la frecuencia esperada de cada una de
stas debe ser al menos de cinco [Panik, 2005: p.621].
Prueba de bondad de ajuste de Kolmogorov-Smirnov.

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

CAPITULO 3. MTODOS DE SIMULACIN DE MONTE CARLO

El mtodo de simulacin de Monte Carlo es una herramienta de anlisis probabilstico en la
cual se realizan mltiples experimentos para reproducir el comportamiento de un proceso.
A toda aquella simulacin estocstica que se base en generacin de nmeros aleatorios se le
denomina simulacin de Monte Carlo [Billinton y Li, 1994: p.33]. Estas simulaciones son
utilizadas en un gran nmero de problemas, en los que se incluyen complejos clculos
matemticos, procesos estocsticos, estadstica en la medicina, sistemas de ingeniera,
dinmica de fluidos, evaluaciones financieras y estudios de confiabilidad [Li, 2003: p.12].
La simulacin de Monte Carlo es usada tanto para procesos que funcionan al azar como
para problemas determinsticos. El mtodo proporciona estimaciones de los resultados
reales del proceso o problema a resolver, esto debido a su naturaleza estocstica [Imbarack,
2006: p.10]. El mtodo realiza mediante modelos matemticos y la realizacin de
experimentos con distintos escenarios creados por la aleatoriedad misma del sistema, la
imitacin del proceso evaluado, con el fin de estimar los parmetros del comportamiento
del proceso real. Cabe mencionar que un conocimiento profundo de las caractersticas del
objeto a evaluar har que los resultados obtenidos de la simulacin reflejen de mejor
manera la realidad.
En la evaluacin de la confiabilidad en sistemas de potencia el mtodo de simulaciones de
Monte Carlo es uno de los ms utilizados por analistas y planificadores, debido a que se
pueden representar las complejas condiciones de operacin y el gran nmero de variables y
estados que se presentan en el comportamiento de los sistemas de potencia [Jonnavithula,
1997: p.11]. En estas condiciones, que son fuentes de incertidumbre en la simulacin, se
incluye la demanda aleatoria, la hidrologa que se presente en el periodo de evaluacin,
equipos existentes, mantenimientos programados y no programados y capacidad disponible.
Las simulaciones de Monte Carlo para analizar la confiabilidad de sistemas de potencia
evalan la naturaleza aleatoria de ste, tomando en cuenta que la operacin especfica de
los componentes que lo integran viene definida por un patrn de comportamiento, el cual se
caracteriza por la cantidad de parmetros que influyen en su estado, por ejemplo las fallas
en componentes, los tiempos entre fallas, entre otros [Billinton y Allan, 1996: p.400]. La

38

simulacin se realiza usando nmeros aleatorios y convirtindolos en funciones de

densidad de probabilidad, luego con la observacin de una gran cantidad de experimentos,
describir el patrn de comportamiento en los componentes y variables consideradas,
adems de estimar valores esperados de los ndices de confiabilidad, y de ser necesario, la
obtencin de la distribucin de probabilidad de estos indicadores [Bagen, 2005: p.26].
El mtodo de Monte Carlo es un proceso fluctuante, no hay garanta de la completa
convergencia de los ndices o parmetros estimados. En la realizacin de una gran cantidad
de experimentos, el que se obtengan en la simulacin la mayor cantidad de muestras como
sea posible no significa que el error ser menor. Dado esta limitante los mtodos de
simulacin se tratan con un intervalo de confianza, el cual aumenta a medida el nmero de
muestras crece [Li, 2005: p.83].
En estas simulaciones, al realizarse una gran cantidad de experimentos para evaluar el caso
de estudio, hace necesario un criterio de paro para asegurar su nivel de exactitud o nivel de
confianza. El coeficiente de variacin de los parmetros o ndices estimados es la regla ms
utilizada, dependiendo de la velocidad de convergencia de cada uno de los ndices, se debe
de elegir aquel que tenga la menor para asegurar una buena exactitud.
En resumen, las simulaciones de Monte Carlo poseen mltiples ventajas ante otras opciones
de evaluacin, como la analtica, tales como [Li, 2003: p.16]:
Toma en cuenta factores y partes del proceso que en otros mtodos deben de
aproximarse para incluirse dentro del estudio.
La precisin de la simulacin de Monte Carlo es determinada por los factores
probabilsticos y el nmero de muestras requeridas, lo que hace que el mtodo sea
independiente del tamao del sistema, lo que lo hace apropiado para sistemas de
gran escala.
Las simulaciones pueden fcilmente adecuarse a cualquier distribucin de
probabilidad referida al funcionamiento de los componentes, a diferencia de los
dems mtodos que solo dependen de probabilidades individuales.

39

Adems de calcular ndices de confiabilidad, es posible obtener la distribucin de

probabilidad de estos.
Factores de naturaleza distinta a la elctrica pueden incluirse dentro de la
simulacin, siendo esto ventajoso para el anlisis de sistemas de potencia, los cuales
se ven claramente afectados por factores externos a l, como la hidrologa y las
fuentes de incertidumbre antes mencionadas.
Estas ventajas son caractersticas de todos los mtodos de simulacin de Monte Carlo.
3.1 Clasificacin de los mtodos de simulacin
Los mtodos de simulacin de Monte Carlo para evaluar la confiabilidad en sistemas de
potencia son clasificados en secuenciales y no-secuenciales, lo cual se ve influenciado por
la consideracin de la cronologa en la implementacin del procedimiento.
En el mtodo no-secuencial se simula el comportamiento del sistema mediante la eleccin
de los intervalos a evaluar aleatoriamente, esto implica la prdida de la cronologa de los
eventos en el sistema. El mtodo secuencial simula la cronologa del sistema, teniendo en
cuenta el orden temporal de los eventos evaluados [Billinton y Allan, 1996: p.401].
La eleccin de un mtodo de simulacin depende del objetivo del anlisis y del tipo de
efectos que se deseen evaluar. En el caso de la evaluacin de sistemas donde la
dependencia entre componentes en una base temporal sea despreciable, el mtodo no-
secuencial tendra ventajas en cuanto a recursos computacionales y facilidad en el
modelado del sistema. Para sistemas donde un periodo de tiempo evaluado tiene
repercusiones en el siguiente periodo, del mtodo no-secuencial se obtendran resultados
errneos y se opta por el uso del mtodo secuencial. Dentro de este caso de dependencia
cronolgica se encuentran la evaluacin de centrales hidroelctricas, en donde el uso del
recurso hdrico en un periodo de tiempo afectara el siguiente o el caso de la cantidad de
lluvia y los influjos en el aprovechamiento hidroelctrico, y el caso de la evaluacin de
cada punto de demanda pronosticada [Billinton y Allan, 1996: p.401].

40

3.2 Simulacin de Monte Carlo No-Secuencial

Esta simulacin se basa en el concepto que el estado de operacin de un conjunto de
componentes depende del estado de cada una de las variables que lo constituyen [Billinton
y Li, 1994: p.91]. En el caso de la evaluacin de confiabilidad del sistema de generacin,
depende de cada unidad generadora que lo compone. Esta simulacin no-secuencial,
tambin conocida como muestreo de estados, considera tantas condiciones como la suma de
los posibles factores que afecten la operacin de cada componente.
Este mtodo de simulacin se basa en probabilidades de estado, ya que se muestrea el
comportamiento del componente evaluado mediante la probabilidad de que este se
encuentre en uno de los estados que pueda tomar. Con esto se forma el estado total y luego
segn el resultado se evala la operacin del sistema con las condiciones de demanda a
suplir.
El muestreo de estados no es exclusivamente para la operacin del sistema de generacin,
sino que puede ser ocupado para muchos de los factores que afectan el comportamiento del
sistema en una evaluacin de confiabilidad. Es factible analizar mediante muestreo el nivel
de demanda del sistema, el recurso primario de generacin, entre otros factores.
Adems este mtodo no-secuencial se adapta fcilmente a distintas ventanas de tiempo [Li,
2005: p.83]. Lo anterior hace posible un ajuste hacia distintos periodos de evaluacin, el
cual trae ventajas a la evaluacin, ya que facilita la observacin temporal no
necesariamente anual, ya que puede ser mensual, semanal, diaria o de cualquier lapso
arbitrario de tiempo, por ejemplo si se desea analizar la confiabilidad del sistema en
distintas pocas del ao, en donde estas pueden variar entre lluviosas o secas, estudiar
semanas que tengan una gran cantidad de generacin indisponible a causa mantenimientos
programados, entre otro tipo de evaluacin de inters para la confiabilidad del sistema.
3.2.1 Determinacin de la Capacidad del Sistema de Generacin
La determinacin de la capacidad del sistema de generacin se basa en que el
comportamiento de operacin de cada componente del sistema puede describirse mediante
una distribucin uniforme de probabilidades entre [0, 1]. Al tratarse de probabilidades

41

individuales no se toma en cuenta la distribucin de frecuencias del evento estudiado.

Asumiendo que cada componente posee un estado de falla y otro de operacin, totalmente
independientes entre ellos, se procede de la siguiente manera:
Sea S

el estado del generador i del sistema y PF

la probabilidad de falla de ste. Con la

generacin de un nmero aleatorio u

distribuido aleatoriamente entre [0, 1] para cada

unidad generador,
S

= _
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

0 1000 2000 3000 4000 5000 6000 7000 8000 9000

0
100
200
300
400
500
600
700
800
900
1000
Tiempo (horas)
D
e
m
a
n
d
a

(
M
W
)
En este mtodo es posible extender el nmero de estados de un generador, teniendo en
cuenta cualquier unidad de generacin que posea ms estados adems de la operacin y la
reparacin, esta extensin generalizada se realiza de la siguiente manera:
S
I
= _
u, 0
I
PFP
I
+PF
I
1, PFP
I
0
I
< PFP
I
+PF
I
2, u 0
I
< PFP
I
(Ec. 3.4)
Donde la probabilidad de falla parcial se expresa como PFP

. 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

. Este procedimiento es realizado para cada ao simulado.

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

En este mtodo se crean historiales artificiales de la secuencia de operacin del componente

analizado, que estn basadas en las duraciones de los estados simulados. La secuencia de
eventos es producto de la generacin de nmeros aleatorios, basados en las distribuciones
de probabilidad de la duracin de cada estado, donde cada nmero aleatorio representar el
tiempo de duracin de ste.
3.3.1 Secuencia Operativa del Sistema de Generacin
Para obtener la secuencia operativa del sistema de generacin en el mtodo de simulacin
de Monte Carlo se realizan los siguientes pasos [Li, 2005: p.84]:
1. Especificar las condiciones iniciales de los componentes. Para esto se asume que
todos los componentes estn disponibles al inicio de la simulacin.
2. Encontrar la duracin de residencia de estados de cada componente, con su
distribucin de probabilidad correspondiente. Se deben de tomar en cuenta todos
los estados posibles, en el caso ms general los estados de operacin y
reparacin.
3. Repetir el paso 2 para el periodo de tiempo a evaluar. Con esto obtendramos la
secuencia de estados para un componente como se muestra en la figura 3.2.
4. Crear el historial de estados de todo el sistema, esto sumando todas las
secuencias de cada uno de los componentes del sistema como se muestra en la
figura 3.3.
5. Se evala el comportamiento de cada estado del sistema para determinar si la
demanda puede ser suministrada y se calculan los ndices de confiabilidad.
La secuencia operativa obtenida para el periodo evaluado sigue la cronologa de los
eventos, para lo cual es necesaria una demanda que tambin sigua la secuencia de eventos
cronolgicamente.

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

es el valor muestreado del ndice en el ao i para el periodo de N aos

simulados.
El mtodo realizar todas las simulaciones antes de que el valor del coeficiente de variacin
sea menor que una tolerancia establecida e, la cual es adimensional, teniendo entonces que
la regla de convergencia ser que o < e.
Para la simulacin no secuencial el ndice utilizado en el criterio de paro es LOLE, debido a
que de los ndices calculados con este mtodo es el que posee la menor velocidad de
convergencia [Billinton y Li, 1994: p.83].
En el mtodo secuencial el ndice de confiabilidad seleccionado como parmetro del
criterio de convergencia es el LOEE, debido a su baja velocidad de de convergencia
comparado a los dems ndices calculados con este mtodo.
Es importante tomar en cuenta que la simulacin podr detenerse de dos maneras:
Si el coeficiente de variacin del ndice establecido es menor que el mximo error
permitido o tolerancia establecida.
Si se alcanza el nmero mximo de iteraciones establecidas para la simulacin, el cual
se cumplir nicamente si el coeficiente de variacin no alcanza valores aceptables.
En el caso de cumplirse el ltimo de los criterios anteriores, es posible aumentar el nmero
mximo de iteraciones de ser necesario [Billinton y Li, 1994: p.97].
Entre los aspectos importantes del mtodo de simulacin de Monte Carlo secuencial
presentado en esta seccin estn [Li, 2003: p.20] [Billinton y Allan, 1996: p.408] [Li, 2005
p.86]:

52

La principal ventaja es la posibilidad de calcular ndices referidos tanto a la

frecuencia de los dficits como a la duracin de stos, debido a que se registra
informacin cronolgica en la implementacin del mtodo.
El uso de las distribuciones de probabilidad de los eventos de inters en las
simulaciones hace que los resultados describan de mejor manera el comportamiento
real del sistema, sin embargo esto implica que la informacin requerida para realizar
las simulaciones sea mucho mayor que el mtodo no secuencial.
Los tiempos de cmputo en la simulacin aumentan significativamente respecto al
mtodo no secuencial, debido a que al tratar con la cronologa de los eventos el
almacenamiento de datos en la simulacin es mayor.
La simulacin secuencial toma en cuenta la cronologa de los eventos, lo cual hace que este
no sea adecuado para simular periodos que no sigan un orden temporal, sin embargo una
solucin para el clculo de ndices para stos se basa en la asignacin de fallas a la fecha y
hora correspondiente, con esto podemos agrupar estos segn el periodo a evaluar.

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

4.2 Modelo de Evaluacin Mtodo Secuencial

Dentro de la herramienta computacional producto de este trabajo, se incluye el modelo de
evaluacin de confiabilidad por el mtodo de Monte Carlo secuencial, tambin llamado
muestreo de transicin de estados. El algoritmo traducido a lenguaje computacional
presenta la estructura mostrada en la figura 4.2, tomando en cuenta que esto representa el
bloque de simulacin presentado en la seccin anterior. Cada uno de los bloques de la
figura es descrito a continuacin:
Sorteo de los aos hidrolgicos
Antes de iniciar la simulacin, es necesario sortear los aos hidrolgicos para cada iteracin
que se va a realizar, esto se hace con una distribucin uniforme para todos los aos
hidrolgicos para los cuales se disponga de informacin.
Generar nmeros aleatorios
Segn los parmetros del modelo de la mquina a simular, se calcula el valor esperado del
nmero de transiciones necesarias para completar el periodo a evaluar, en este caso un ao,
tiempo que es dividido entre la suma de los valores esperados de tiempos de operacin y
reparacin. Por ejemplo, para una mquina de dos estados, el valor esperado de
funcionamiento es 400 horas, y el valor esperado de reparacin es de 10 horas, el nmero
de transiciones es el producto de dividir 8736 horas entre 410 horas, resultando 11.55
transiciones.
Ordenar nmeros aleatorios
Luego de generar los nmeros aleatorios, que constituyen el tiempo de duracin de estados
en horas de la maquina simulada, se deben ordenar estos nmeros segn el modelo
asignado a la mquina para obtener su secuencia operativa.
Tiempo final es mayor a 8736 horas?
Una vez obtenida la secuencia operativa de la mquina, se comprueba que se ha simulado el
periodo a evaluar, es decir 8736 horas, si es as, se contina con el programa, de lo

56

contrario, se generan ms nmero aleatorios y se regresa al bloque de ordenar los nmeros

aleatorios.
La mquina es hidroelctrica?
Si la mquina que se simula es hidroelctrica, se aplican las restricciones de potencia por
nivel de embalse a sta, limitacin correspondiente al ao hidrolgico sorteado al inicio del
proceso de simulacin.
Agregar mantenimientos y reducciones de potencia
Con la secuencia operativa del generador simulado, se agregan las indisponibilidades
determinsticas existentes, stas son los mantenimientos programados y las reducciones de
potencia.
Se han simulado todas las mquinas?
La obtencin de secuencias operativas se debe de realizar para todos los generadores del
sistema a evaluar, es en este bloque donde se comprueba lo anterior, resultando en la
reiniciacin del proceso para la siguiente mquina, o el continuar al siguiente bloque.
Ordenar eventos de todas las mquinas cronolgicamente
Una vez se han obtenido las secuencias operativas de todas las mquinas, se suman stas
ordenando los eventos de manera cronolgica, para obtener la disponibilidad de todo el
sistema de generacin a lo largo de las 8736 horas de simulacin por ao.
Clculo de ndices
Despus de completar cada iteracin se procede a calcular las caractersticas de los dficits
a lo largo de la simulacin, y luego se almacena esta informacin para ser analizada
posteriormente.
Se ha cumplido algn criterio de paro?

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

0 1000 2000 3000 4000 5000 6000 7000 8000

0
10
20
30
40
50
60
70
80
90
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)
recurso primario, en donde ste es representado por los niveles de embalse histricos de la
central a la que pertenece dicha mquina.

Figura 4.3 Secuencia operativa simulada para un generador en un ao
El modelo de los recursos hidrolgicos implementado se basa en el sorteo de los registros
anuales de niveles de embalse para cada central, con el objetivo de representar la
aleatoriedad de la naturaleza misma del fenmeno. Como se describe en la seccin 2.3 la
potencia disponible de una unidad hidroelctrica depende del nivel de agua embalsada
disponible, lo cual restringe a dicha mquina a generar hasta una potencia lmite diferente a
la nominal, como se presenta en la figura 4.4. Es importante destacar que es utilizado el
mismo generador que la figura anterior, ahora con el modelo de la hidrologa.
En este caso se trata de un proceso de estocstico de renovacin [Galo, 1987: p.135], en
donde cada nivel de embalse corresponde a una potencia mxima disponible en cada unidad
generadora, en donde se busca representar las fallas y el recurso de generacin limitado de
stas. El sorteo del ao hidrolgico registrado dicta si ste fue seco o lluvioso, debido a que
dentro del modelo se establece que se respetaran los niveles histricos y se simularan tal y
como estos se presentaron, agregando las fallas que se obtienen de forma aleatoria con el
mtodo de simulacin de Monte Carlo secuencial.

59

0 1000 2000 3000 4000 5000 6000 7000 8000

0
10
20
30
40
50
60
70
80
90
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)

Figura 4.4 Secuencia operativa anual de un generador con restriccin por hidrologa
Otra propiedad importante en este mtodo es la independencia entre el estado de energa de
la unidad generadora hidroelctrica y las fallas [Cuhna et al., 1982: p.4665], lo cual indica
que el consumo de agua almacenada en el embalse de la central no se ve afectada por las
salidas forzadas de sus generadores, esto es fundamental para lograr separar ambos eventos
en el modelo de representacin de la limitante del recurso hidrolgico. Lo anterior se
tomar para fallas, mantenimientos y las restricciones de potencia, las cuales se mencionar
ms adelante.
Otra variante dentro de la operacin de un generador son los mantenimientos programados,
los cuales presentan carcter determinstico, lo cual obliga a que se excluyan del modelo
probabilstico de cada unidad generadora. Por lo anterior es necesario incluir estos
mantenimientos de manera determinstica dentro de la secuencia operativa de cada
mquina, debido a la gran importancia que tiene en el presente trabajo la representacin de
stos. Tomando como base el generador mostrado en los casos anteriores, se agreg un
mantenimiento con una duracin de 500 horas, iniciando en la hora 3000, el resultado se
muestra en la figura 4.5.
Hasta el momento se ha tratado nicamente los mantenimientos como evento
determinstico, pero en la realidad se da el caso de tener restricciones de potencia debido a
factores conocidos, ya sea por mantenimientos o falla en algn equipo de la central

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

0 1000 2000 3000 4000 5000 6000 7000 8000

0
5
10
15
20
25
30
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)
0 1000 2000 3000 4000 5000 6000 7000 8000
0
2
4
6
8
10
12
14
16
18
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)

Figura 4.7 Secuencia operativa de un generador de 19.8 MW con restriccin de potencia de 12 MW (hora 0 a 2500)
Otra variante que se presenta en este mtodo de evaluacin es el de las centrales que
generan energa elctrica con biomasa obtenida de la caa de azcar, stas dependen de la
disponibilidad del recurso, es decir del periodo de zafra, el cual en El Salvador inicia a
mediados del mes de Noviembre y finaliza iniciando el mes de Abril.

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

0 1000 2000 3000 4000 5000 6000 7000 8000

0
5
10
15
20
25
30
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)
0 1000 2000 3000 4000 5000 6000 7000 8000
0
5
10
15
20
25
30
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)
muestra una unidad generadora de dos estado, que representa una central de biomasa, en la
cual se aplica lo descrito anteriormente y se muestra en la figura 4.9.

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

0 1000 2000 3000 4000 5000 6000 7000 8000

800
850
900
950
1000
1050
1100
1150
1200
1250
1300
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)

Figura 4.11 Diagrama de operacin anual simulado para el sistema de generacin de El Salvador
4.2.2 Modelo de Demanda
En el mtodo de simulacin secuencial es necesaria la obtencin de un modelo de demanda
que respete la cronologa de eventos, para esto se utiliz una curva horaria de demanda
anual, con el objetivo de comparar cada punto de demanda con la capacidad de generacin
del sistema respectiva. Este modelo es creado a partir de los pronsticos de energa y
potencia mxima semanales, luego mediante factores de desagregacin diarios y de los
horarios pico, valle y resto se obtienen los valores de potencia para cada hora o media hora,
estos datos proporcionados por la Unidad de Transacciones (UT).
Para realizar este trabajo fueron utilizaron factores de desagregacin para cada media hora,
con los que se obtienen un total de 17472 valores para cada ao, donde corresponden dos
para cada hora, y se toma el mayor para cada una de stas para obtener el modelo horario
de demanda.
El procedimiento que se utiliza para la creacin del modelo de demanda se basa en obtener
el comportamiento de la curva anual a partir del pronstico de energa, debido a que a ste
son aplicados los factores de desagregacin antes mencionados, y los valores semanales de
potencia mxima son utilizados para comparacin, ya que la energa tiene un
comportamiento ms predecible. La comparacin antes mencionada se basa en ocupar el
valor de mayor potencia de los dos pronsticos, como ejemplo, si en la curva obtenida a
partir de la energa existe demanda superior que la potencia mxima esperada, esta ltima

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

2700 2750 2800 2850 2900 2950 3000

400
500
600
700
800
900
1000
1100
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)
987.13 MW
944 MW
Semana 17 Semana 18
En las semanas 17 y 18 del modelo de demanda obtenido podemos observar ejemplos
claros de los dos posibles casos de obtencin del pico semanal, estas dos semanas se
muestran en la figura 4.12, en donde la mxima demanda pronosticada para ambas semanas
es de 987.13 y 944 MW respectivamente, al comparar con la tabla 4.1 observamos que el
valor correspondiente a la semana 17 no coincide con el de potencia mxima pronosticada,
lo cual indica que el pronstico de energa produjo una demanda superior a la ltima,
mientras en la semana 18 se obtuvo baja demanda en la desagregacin por medio de los
factores y la hora en donde se registra el pico se ajusta a lo que dicta el pronstico de
mxima demanda semanal.

Figura 4.12 Modelo de demanda para las semanas 17 y 18
4.2.3 Calculo de ndices de Confiabilidad
Para obtener los ndices de confiabilidad se evalan los escenarios de dficit existentes en
cada ao simulado, esto se realiza analizando si con la capacidad de generacin total del
sistema es posible cubrir la demanda establecida por el modelo cronolgico horario de sta.
Esto es posible mediante el clculo del margen de potencia disponible por el sistema, en
caso de ser negativo, no se podr cubrir la demanda correspondiente, de lo contrario, el
servicio de energa elctrica es suministrado sin ningn problema.
La figura 4.13 muestra la superposicin realizada del modelo de demanda y la capacidad de
generacin total del sistema para un ao simulado, en la figura 4.14 se muestra el margen
944MW
987.13MW

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

Lo anterior se realiza simulando sus secuencias operativas con el modelo cronolgico,

calculando la relacin entre tiempos de falla o del estado de inters y el tiempo de
simulacin, esto hasta alcanzar un 1% de variacin en los resultados.
Para este procedimiento es utilizado el algoritmo de simulacin secuencial, utilizando
nicamente el bloque de la obtencin de las secuencias operativas de cada generador.
Generar nmeros aleatorios
En esta etapa se generan todos los nmeros aleatorios que se utilizaran dentro de la
simulacin, que son:
-El correspondiente al sorteo de aos hidrolgicos, donde stos siguen una
distribucin de probabilidades uniforme entre 1 y la cantidad de aos registrados en
el historial de las hidroelctricas.
-El que dicta la disponibilidad de las mquinas, el cual se distribuye uniformemente
entre [0, 1], y la cantidad de stos es el resultado del total de mquinas simuladas
multiplicada por el nmero de iteraciones a realizar;
-El sorteo del nivel de demanda, el cual se distribuye uniformemente entre [0, 1], y
es necesario uno por cada iteracin.
Calcular disponibilidad del sistema
Este paso constituye la realizacin de la evaluacin de confiabilidad, en donde una vez
obtenidos todos los nmeros aleatorios a utilizar se procede al clculo de la disponibilidad
de cada mquina, determinar la potencia disponible en las hidroelctricas y sortear el nivel
de demanda en el instante simulado. Con lo anterior se estiman los ndices de confiabilidad
del sistema evaluado.
Calcular ndices
Con la disponibilidad del sistema de generacin y la demanda a suplir para cada iteracin
se realiza el conteo de los dficits, para calcular los ndices de confiabilidad.

70

Es importante destacar que en esta simulacin no secuencial tambin se realiza un criterio

de paro, igual al implementado en el mtodo secuencial presentado en la seccin anterior.
4.3.1 Unidades Generadoras de dos estados
La representacin de la capacidad de generacin del sistema inicia con la obtencin de los
estados de operacin de cada generador que lo comprende, esto mediante el mtodo
descrito en la seccin 3.2.1. Lo anterior se basa en la obtencin de la probabilidad de falla o
tasas de salida forzada F0R (por sus siglas en ingles) de cada mquina a evaluar, las cuales
se calculan en base a las tasas de falla z y reparacin p de las distribuciones exponenciales
de cada una de stas, de la siguiente manera:
F0R =
z
z +
(Ec. 4.1)
Con esta probabilidad se procede a sortear el estado en el que la mquina estar operando,
esto se realiza mediante la generacin de un nmero aleatorio uniformemente distribuido u
entre [0, 1] de la siguiente forma:
S

= _
u, u

F0R

1, u u

< F0R

(Ec. 4.2)
Donde S

es el estado del i-esimo generador, el cual es 0 para el estado de disponibilidad y

1 para indisponibilidad.
Para realizar el procedimiento anterior se obtuvieron las tasas de salida forzada de todas las
unidades generadoras que se representan con el modelo de dos estados, las cuales se
presentan en la tabla 4.2.
4.3.2 Unidades Generadoras de Mltiples Estados
La obtencin de las probabilidades de ocurrencia de cada estado de estos generadores se
presenta en la seccin 2.2.2, en donde se describe el procedimiento para el clculo de stas
a partir de las transiciones de estado ocupadas en el mtodo secuencial.

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

5300 5400 5500 5600 5700 5800

400
500
600
700
800
900
Tiempo (horas)
P
o
t
e
n
c
i
a

(
M
W
)
4.3.3 Modelo de Demanda
En el mtodo no secuencial la demanda debe de modelarse de tal forma de evaluar cada
estado de capacidad de generacin del sistema, esto indica que sta no debe de seguir la
cronologa de eventos. Para esto se definen dos formas de representacin de la demanda,
mostrados en la seccin 3.2.2, de los cuales en el presente trabajo se utiliza el muestreo de
uno de los niveles de la curva de duracin de carga para cada simulacin.
Para realizar el procedimiento antes mencionado se necesit la creacin de la curva de
duracin de carga para el periodo evaluado, en este caso sta se obtendr con la curva de
demanda de potencia de la semana 31 a las 34 mostrada en la figura 4.17.

Figura 4.17 Curva de demanda de la semana 31 a la 34
La curva de duracin de carga (LDC, por sus siglas en ingls) se obtiene ordenando de
mayor a menos las potencias de la curva horaria de demanda, con esto se logra visualizar
los niveles de demanda registrados en el modelo, adems de observar con claridad la
duracin de stos, evidenciando que la mayor parte del tiempo la carga del sistema es
media, y que tanto las mximas y mnimas tienen una corta duracin, para el ejemplo
mostrado la LDC de sta es la siguiente:

74

0 100 200 300 400 500 600 700

400
450
500
550
600
650
700
750
800
850
900
Tiempo de duracin (horas)
P
o
t
e
n
c
i
a

(
M
W
)
0 100 200 300 400 500 600 700
0
100
200
300
400
500
600
700
800
900
Tiempo (horas)
D
e
m
a
n
d
a

(
M
W
)

Figura 4.18 Curva de duracin de carga para la demanda de la semana 31 a la 34
Con esto procedemos a implementar la tcnica de agrupacin, llamado clasificacin del
centroide ms cercano, que es descrito en la seccin 3.2.2, para lo cual se cre el algoritmo
en Matlab. En la figura 4.19 se muestra el resultado de los promedios de los diez grupos
con su respectivo tiempo de duracin, estos obtenidos del algoritmo antes mencionado.

Figura 4.19 Niveles de demanda con su tiempo de duracin para la semana 31 a la 34
El clculo de las probabilidades de ocurrencia de cada nivel de demanda se realiza
mediante la divisin de la duracin de ste entre el periodo evaluado, el resultado de lo
anterior se muestra en la tabla 4.5.

75

Tabla 4.5 Resultados de la creacin de los niveles de

demanda
Nivel de demanda
(MW)
Duracin
(horas)
Probabilidad de
ocurrencia
848.90 68 0.1004
816.67 69 0.1019
786.70 57 0.0842
751.42 81 0.1196
698.94 63 0.0931
641.16 53 0.0783
591.62 72 0.1064
539.95 64 0.0945
494.66 123 0.1817
437.87 27 0.0399

4.3.4 Clculo de ndices de Confiabilidad
El clculo de ndices con el mtodo no secuencial se basa en la resta entre la capacidad de
generacin disponible y la demanda en el instante evaluado, tomando en cuenta las prdidas
y la reserva operativa necesaria en el sistema, con esto, si el escenario es de dficit, se
obtiene el valor de demanda que no se satisface, con el objetivo de registrar esto para el
clculo de ndices referidos a la magnitud de la perdida de carga, al igual que la frecuencia
con la que estos escenarios ocurren. Lo anterior se describe en la seccin 3.2.3 del presente
trabajo.
4.4 Validacin del Modelo
El mtodo de simulaciones de Monte Carlo es una tcnica para la solucin de procesos
estocsticos, lo cual implica que es importante validar que se ha implementado
correctamente. [Villanueva, 2000: p.3]
La creacin de modelos de simulacin se basa en el anlisis y la representacin matemtica
de los componentes que se estudian, esto se realiza especficamente dependiendo de la
funcin y el alcance del estudio, en este caso al tratarse de una evaluacin de confiabilidad,
se delimito el anlisis a un modelo de riesgo, en donde se presenta la probabilidad de
ocurrencia de fallas en los componentes del sistema. Con la realizacin de lo descrito
anteriormente se procedi a la programacin computacional del algoritmo, en donde al

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

Tabla 4.8 Valores de capacidad de generacin instalada [SIGET, 2011: p.45]

Nombre Tipo Nmero de Unidades (NxMW) (MW) %
Hidrulicas
1- Guajoyo Hidroelctrica (1x19.8) 19.8 1.36
2- Cerrn Grande Hidroelctrica (2x86.4) 172.8 11.83
3- 5 de Noviembre Hidroelctrica (3x20)+(1x18)+(1x21.4) 99.4 6.80
4- 15 de Septiembre Hidroelctrica (2x92.7) 185.4 12.23
Geotrmicas
5- Ahuachapn Geotrmica (2x30)+(1x35) 95.0 6.50
6- Berln Geotrmica (2x28.12)+(1x44)+(1x9.2) 109.4 7.49
Trmicas
7- Duke Energy
Acajutla Vapor (1x33)+(1x30) 63.0 4.31
Acajutla Gas (1x82.1) 82.1 5.62
Acajutla Motores (6x16.5)+(3x17) 150.0 10.27
Acajutla FIAT U-4 (1x27) 27.0 1.85
Soyapango Motores (3x5.4) 16.2 1.11
8- Nejapa Power Motores (27x5.33) 144 9.86
9- CESSA Motores (3x6.4)+(2x7.6) 32.6 2.23
10- INE Motores (3x16.5)+(6x8.45) 100.2 6.86
11- Textufil Motores (2x3.6)+(2x7.05)+(1x7.38)+(2x7.72) 44.1 3.02
12- GECSA Motores (3x3.8704) 11.6 0.79
13- Energa Borealis Motores (8x1.7) 13.6 0.93
14- HILCASA Motores (4x1.7) 6.6 0.47
Biomasa
15- CASSA Biomasa (1x50.0) 50.0 3.42
16- Ingenio El ngel Biomasa (1x22.5) 22.5 1.54
17- Ingenio La Cabaa Biomasa (1x21.0) 21.0 1.44

En la tabla 4.9 se presentan los datos de capacidad disponible de cada central, en donde se
registran disminuciones debido al consumo interno de generacin de cada una de stas.
Con el objetivo de evaluar la confiabilidad del sistema de generacin de El Salvador, se
modelaron probabilsticamente las unidades generadoras de ste a partir de los registros de
operacin facilitados por la UT. Lo anterior se realizo en base a lo descrito en el captulo 2
del presente trabajo. El primer paso fue clasificar, de acuerdo a los diferentes tipos, los
generadores de inters, en donde se tomaron en cuenta todas las centrales antes
mencionadas a excepcin de Cemento de El Salvador, debido a que sta consume su propia
energa en sus procesos e inyecta los excedentes a la red nacional, lo cual dificulta el
modelado de sta.

81

Tabla 4.9 Potencias disponibles de las centrales y sus

unidades generadoras
Central Unidad
Potencia
Disponible
(MW)
1- Guajoyo u-1 19.8
2- Cerrn Grande u-1 86.4
u-2 86.4
3- 5 de Noviembre u-1 20
u-2 20
u-3 20
u-4 18
u-5 21
4- 15 de Septiembre u-1 92.76
u-2 92.76
5- Ahuachapn u-1 28
u-2 28
u-3 37
6- Berln u-1 27.5
u-2 28.2
u-3 41.3
u-4 8
7- Duke Energy
Acajutla u-1 28.5
u-2 31
u-4 27.5
u-5 64
m1-m6 16
m7-m9 16.5
Soyapango m1-m3 5
8- Nejapa Power m1-m27 5.21
9- CESSA g-1 32.4
10- INE m1-m3 16.5
m1-m3 m4-m9 8.45
11- Textufil m1-m2 3.4
m3-m4 6.8
m5 7.1
m6-m7 7.5
12- GECSA m1-m3 3.88
13- Energa Borealis m1-m8 1.58
14- HILCASA m1-m4 1.59
15- CASSA g-1 45
16- Ingenio El ngel g-1 21
17- Ingenio La Cabaa g-1 10

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

Tabla 4.13 Resultados de la evaluacin

secuencial en el sistema de El Salvador
ndice de
Confiabilidad
Resultado
LOLP [%] 0.020328391
LOLE [h/ao] 1.77588825
LOEE [MWh/ao] 35.40406781

Es importante destacar que en la actualidad, gracias al continuo crecimiento de las redes
elctricas, se requiere de modelos de pronstico de demanda aplicables, recordando que
esta es una tarea compleja debido a las incertezas que se poseen a la hora de predecir el
consumo futuro de energa. Lo anterior se representa dentro de la demanda mediante la
aplicacin de una distribucin normal de probabilidades [Li, 2005: p.91], en donde la
generacin de un nmero aleatorio que siga la funcin normal representar el cambio en el
valor de potencia con la incerteza incluida.
Los parmetros utilizados en la generacin de nmeros aleatorios normalmente distribuidos
para incertezas en la demanda, representarn cuanto podra variar el valor de la prediccin
con respecto del valor real, el promedio ser el punto de demanda evaluado, mientras que la
desviacin estndar de la funcin ser un valor en porcentaje establecido, normalmente
entre 2% y 5% [Vega, 2009: p.60]. En el presente trabajo se utilizar un valor de 2% de
desviacin estndar para representar la incerteza del pronstico de demanda.
Consideracin de la incerteza en la demanda
En la tabla 4.14 se muestra la comparacin de los resultados anteriores de la evaluacin de
confiabilidad con el modelo considerando la incerteza en el pronstico de demanda. Ac se
observa la variacin significativa que se obtiene al no incluir las incertezas dentro del
modelo de demanda en la evaluacin, en donde se muestra disminucin en los ndices,
reflejando un aumento de la confiabilidad del sistema, debido a una reduccin del valor de
potencia demandada. Lo anterior muestra la importancia de las incertezas en la prediccin
de la demanda, tomando en cuenta lo complejo que resulta el dictar comportamientos
futuros del sistema.

87

Tabla 4.14 Comparacin de resultados de la evaluacin secuencial considerando

incertezas en la demanda
ndice de Confiabilidad Caso Base Sin incertezas
Porcentaje de
variacin
LOLP [%] 0.020328391 0.014528505 28.53%
LOLE [h/ao] 1.77588825 1.269210183 28.53%
LOEE [MWh/ao] 35.40406781 23.68804363 33.09%

Cambio en distribuciones de probabilidad
Con la herramienta computacional desarrollada es posible realizar evaluaciones de
confiabilidad considerando las distribuciones de probabilidad de mejor ajuste, esto presenta
la ventaja de obtener estimaciones de confiabilidad con el modelo probabilstico que mejor
describe la operacin de cada generador, como se presenta en el caso base. En la
bibliografa consultada se observa la tendencia a utilizar la distribucin exponencial para
describir las fallas de los componentes, esto puede llevar a resultados errneos siempre y
cuando los generadores no sigan tiempos exponenciales.
Tabla 4.15 Comparacin de resultados de la evaluacin secuencial con tiempos
exponencialmente distribuidos y de mejor ajuste
ndice de Confiabilidad
Distribucin
exponencial
Caso Base
Porcentaje de
variacin
LOLP [%] 0.012866226 0.020328391 36.71%
LOLE [h/ao] 1.123993515 1.77588825 36.71%
LOEE [MWh/ao] 21.65757004 35.40406781 38.83%

En la tabla 4.15 se muestran los resultados de la evaluacin con tiempos exponencialmente
distribuidos y con los de mejor ajuste, adems del porcentaje de variacin que se obtiene de
ambos. En estos casos se incluye la incerteza en el modelo de demanda utilizado.
En los resultados se observa una disminucin de la confiabilidad del sistema con la
consideracin de los tiempos de operacin de mejor ajuste, en donde se evidencia que el
asumir tiempos exponencialmente distribuidos para el sistema de generacin de El

88

Salvador, no refleja el verdadero comportamiento de cada unidad generadora, debido a las

variaciones considerables que se obtienen.
En la evaluacin de la confiabilidad del sistema de generacin de El Salvador se utilizarn
los ndices estimados con los tiempos de operacin con la distribucin de mejor ajuste, en
donde se presenta la influencia de las limitaciones de hidrologa, la incerteza en el modelo
de demanda y el PAMM.
Los ndices obtenidos reflejan que el sistema de generacin de El Salvador posee niveles
aceptables de confiabilidad comparado con estndares internacionales, el criterio ms
utilizado es un valor esperado de prdida de carga de un da en diez aos, utilizado en la
mayora de regiones de la Corporacin de Confiabilidad Elctrica de Norte Amrica
(NERC, por sus siglas en ingls) [CAPD, 2003: p.1], lo cual implica una prdida de 2.4
horas al ao, lo cual es mayor al resultado obtenido en el sistema salvadoreo.
La evolucin de las iteraciones para el LOLE y LOEE es mostrada en las figuras 4.23 y
4.24 respectivamente.
Figura 4.23 Evolucin de las iteraciones para el LOLE del sistema de El Salvador

0
0.5
1
1.5
2
2.5
0 5000 10000 15000 20000 25000 30000
L
O
L
E

[
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

Tabla 4.16 ndices de confiabilidad semanales

Semana
LOLP
[%]
LOLE
[h/semana]
Semana
LOLP
[%]
LOLE
[h/semana]
1 0 0 27 0.00364716 0.00612723
2 0 0 28 0.05881268 0.0988053
3 0 0 29 0.0276921 0.04652273
4 0.00071322 0.00119821 30 0.00226229 0.00380064
5 0.00074978 0.00125963 31 0.00010528 0.00017687
6 0.00054383 0.00091364 32 0.05087058 0.08546258
7 0.00012644 0.00021241 33 0.0621628 0.1044335
8 2.5343E-05 4.2576E-05 34 0.0035787 0.00601222
9 7.6583E-05 0.00012866 35 0.00043668 0.00073363
10 0.0001202 0.00020193 36 0.01686552 0.02833408
11 0.00017949 0.00030154 37 0.02070205 0.03477944
12 0.00064821 0.001089 38 0.00415361 0.00697807
13 0.00257846 0.00433182 39 2.9581E-05 4.9697E-05
14 0.1097229 0.18433448 40 0.00044302 0.00074427
15 0.32654092 0.54858874 41 0.00282755 0.00475028
16 0.00526355 0.00884277 42 0.00057458 0.0009653
17 0.0776923 0.13052307 43 0.00067595 0.00113559
18 0.00783788 0.01316764 44 0.00888802 0.01493188
19 0.02507328 0.04212312 45 0.00079713 0.00133918
20 0.03192695 0.05363728 46 0.00032435 0.0005449
21 0.03345552 0.05620527 47 2.8113E-05 4.7229E-05
22 0.01953714 0.03282239 48 0.00011757 0.00019751
23 0.07878861 0.13236486 49 7.6976E-05 0.00012932
24 0.04121604 0.06924295 50 0.00030012 0.0005042
25 0.02378866 0.03996495 51 0.00085389 0.00143453
26 0.00324471 0.00545112 52 0 0

Limitaciones en centrales hidroelctricas
Debido a que el 32.3% de la generacin de El Salvador proviene de recurso hidroelctrico,
es importante observar la contribucin a la confiabilidad del sistema de estas limitantes. Por
esta razn a continuacin se presentan los resultados de las simulaciones del mtodo
secuencial tanto considerando la hidrologa y no hacindolo.

92

Tabla 4.17 Comparacin de resultados de la evaluacin secuencial con limitaciones

en hidroelctricas
ndice de Confiabilidad
Sin limitaciones
de hidrologa
Caso Base
Porcentaje de
variacin
LOLP [%] 0.00328682 0.020328391 83.84%
LOLE [h/ao] 0.287136601 1.77588825 83.84%
LOEE [MWh/ao] 5.320296617 35.40406781 84.97%

En la tabla 4.17 se muestran las considerables variaciones en los ndices de confiabilidad al
no tomar la hidrologa del sistema, lo cual es un resultado predecible tomando en cuenta la
contribucin del recurso hidroelctrico al sistema de generacin del pas. En la figura 4.27
se muestra el valor esperado de prdida de carga semanal, en donde se observa
grficamente la contribucin de la limitante del recurso en los ndices de confiabilidad, ya
que en las semanas donde aumenta el ndice coincide con el periodo donde los niveles de
embalse no reciben ningn influjo de lluvias, es decir es la poca donde se utiliza el agua
almacenada de la poca lluviosa del ao anterior.
Caso con mantenimientos menores
Otro aspecto importante dentro de una evaluacin de confiabilidad, es la consideracin de
mantenimientos menores aplicados a los generadores, en el caso del sistema de El Salvador,
stos no se consideran dentro del PAMM, razn por la que en el presente trabajo se ha
realizado un estudio considerando estos mantenimientos menores realizados hasta la fecha
en que se realiza esta investigacin.
Los resultados de esta variante dentro del estudio se presentan a continuacin, destacando
que los mantenimientos menores son aquellos en donde el propietario de cada unidad
generadora debe de informar a la UT, en un tiempo no menor de siete das hbiles, la
necesidad de realizarse, y la UT es la encargada de coordinar y autorizar stos.
La simulacin se realiz para el ao 2011 con el PAMM de dicho ao y tomando en cuenta
los mantenimientos menores registrados hasta la semana 30 del mismo, en donde se
consideran incertezas en el modelo de demanda y limitaciones de hidrologa.

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

0 200 400 600 800 1000 1200 1400

0
0.5
1
1.5
2
2.5
x10
4
LOEE (MWh/ao)
A

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.

Figura 4.30 Distribucin del LOEE en aos de ocurrencia

4.5.2 Mtodo no Secuencial
La evaluacin de confiabilidad al sistema de El Salvador se realizo tambin mediante el
mtodo no secuencial de Monte Carlo, en el cual se destaca la no utilizacin de la
cronologa. Esta tcnica es implementada debido a que el reglamento expone ndices
semanales, los cuales con base temporal se tornan complejo de calcular. Una alternativa de

96

lo anterior es la realizacin de una evaluacin no secuencial sin tomar la temporalidad de

los eventos.

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

Siendo C(Pg) el costo total de produccin, C

(Pg

) el costo de produccin del generador i,

Pg

la potencia producida por el generador i, y N el nmero total de generadores

disponibles en el sistema.
En las unidades trmicas existe una funcin que relaciona la produccin en MW y el costo
que esta implica en $h, esta relacin se deriva de la curva de consumo trmico o Heat
Rate, que expresa la cantidad de combustible consumido por hora y la produccin elctrica
en MW, sta es una medida de la eficiencia de cada generador. Lo anterior indica que el
costo de produccin de una unidad trmica depende de la eficiencia del proceso para
generar energa elctrica, adems del precio del combustible empleado para tal proceso.
Dado que existen diferentes formas de obtener dichas curvas, los datos se aproximan
generalmente a una funcin polinomial [Granada et al., 2004: p.17], en muchos casos una
funcin cuadrtica es una buena representacin. Dado que el objetivo principal del estudio
del despacho de generacin es visualizar las posibles distribuciones de carga entre los
generados, ante las indisponibilidades aleatorias, se utilizo el orden de mrito del ao 2011,
en donde se organizan los generadores de acuerdo a su precio, de menor a mayor precio.
Tabla 4.19 Orden de prioridad de las centrales
generadoras
Central Unidad Orden de Prioridad
Berln u-4 1
Berln u-3 2
Berln u-2 3
Berln u-1 4
Ahuachapn u-3 5
Ahuachapn u-1 6
Ahuachapn u-2 7
La Cabaa g-1 8
CASSA g-1 9
Acajutla m-7 10
Acajutla m-8 11
Acajutla m-9 12
Acajutla g-3 13
Hilcasa g-1 14
Talnique g-1 15
Talnique g-2 16
Soyapango g-1 17
Textufil g-3 18
Textufil g-2 19

99

Tabla 4.19 Orden de prioridad de las centrales

generadoras (continuacin)
Textufil m-5 20
Nejapa g-1 21
Textufil g-1 22
Borealis g-1 23
GECSA g-1 24
Acajutla u-2 25
Acajutla u-1 26
Acajutla u-5 27
Acajutla u-4 28
El orden de mrito antes mostrado se construye a partir de la funcin de costos de cada
generador, por lo tanto la funcin de costos por generador se representara por el orden de
mrito y por la potencia despachada en un intervalo de tiempo:
C

= 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

) la funcin de costos de produccin del generador i en el tiempo t,

Pg

la potencia producida por el i generador en la hora t,

N el nmero total de generadores disponibles en el sistema y,
I el intervalo de tiempo en horas a evaluar.
Tabla 4.20 Enumeracin de prioridad en hidroelctricas
Central Unidad Orden de Prioridad
15 de Septiembre u-1 1
15 de Septiembre u-2 2
5 de Noviembre u-4 3
5 de Noviembre u-1 4
5 de Noviembre u-2 5
5 de Noviembre u-3 6
5 de Noviembre u-5 7
Cerrn Grande u-2 8
Cerrn Grande u-1 9
Guajoyo u-1 10

La doble sumatoria indica que el costo en un intervalo de tiempo, es la suma de los costos
de cada hora y como se dijo anteriormente el costo de cada hora, es la suma individual de
los costos de cada generador que aporto energa para suplir la demanda.
Entonces la funcin a optimizar, conocida como funcin objetivo, ser la siguiente:
min 0H

Pg

t
N
=1
1
t=1
(Ec.4.6)
En donde 0H

es el valor de prioridad del generador, Pg

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).

Figura 4.34 Comparacin de energa inyectada diaria por recurso hidroelctrico

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

Figura 4.35 Comparacin de generacin hidroelctrica horaria

Figura 4.36 Comparacin de energa inyectada diaria por recurso trmico

0
50
100
150
200
250
300
350
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

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

Figura 4.37 Comparacin de generacin trmica horaria

4.7 Anlisis de Flujos de Potencia
Todo sistema elctrico de potencia debe cumplir con ciertos requerimientos que aseguren la
calidad tcnica en el servicio, tales requisitos son determinados por los valores lmites
admisibles de variacin en el voltaje y frecuencia [Garcs et al., 2004: p.7].
Para garantizar estos requerimientos se realizan estudios de flujos de potencia, los cuales
consisten en calcular la magnitud y ngulo de fase del voltaje en cada bus y las potencias
activas y reactivas que fluyen en cada lnea del sistema, para ciertas condiciones
preestablecidas de generacin, carga y topologa de la red.
Debido a que el estudio principal de este trabajo es el anlisis de confiabilidad, el clculo
de flujo de potencia se utilizar para verificar que en los escenarios simulados no se
produzcan violaciones a los lmites admisibles de voltaje y sobrecargas en las lneas de
transmisin. Los lmites de voltaje del sistema de El Salvador estn establecidos en el
Reglamento de Operacin del Sistema de Transmisin y del Mercado Mayorista el cual
dice que la banda de operacin normal de tensin ser: 95% a 105% de la tensin nominal.

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

Figura 4.38 Estructura general de la realizacin de flujos de potencia

Identificacin de hora y semana a simular
Modificacin de datos de planta, carga y
generadores.
Clculo de flujo de potencia y
voltajes promedios
Verificacin de los lmites trmicos en las
lneas de transmisin
Alcanz el nmero
de iteraciones?
Exportacin de resultados a EXCEL
Importacin de datos
Clculo de potencia activa y reactiva para los
puntos de entrega
Inicializacin de PSS/E
INICIO
FIN

110

o Modificacin de datos de Planta, carga y generadores: En este paso se carga en PSS/E la

informacin caracterstica del escenario a simular, es decir, voltajes iniciales por planta,
potencia demandada en cada bus de carga y la potencia producida por los generadores-
o Clculo de flujo de potencia y voltajes promedios: Se resuelve el flujo de potencia del
caso tratado y procede a calcular el voltaje promedio en cada nodo.
o Verificacin de los lmites trmicos en las lneas de transmisin: Se compara el flujo de
potencia (MVA) en cada lnea con su valor mximo. Si este sobrepasa el valor lmite, se
guarda la informacin de la lnea y escenario en que se dio la violacin.
o Exportacin de datos a Excel: Cuando se termina de simular todos los escenarios
propuestos, se escribe un reporte en Excel con la informacin de los voltajes promedios en
cada nodo de transmisin y adems si existieron sobrecargas en las lneas.
4.7.1 Resultados
A continuacin se muestran los voltajes promedios y por nodos de transmisin siendo
estos resultados del anlisis de flujo de potencia. El da evaluado corresponde al 11 de abril
del ao 2011, en donde, segn el estudio de confiabilidad, pertenece a la semana con mayor
probabilidad de prdida de carga, considerando solo el PAMM. De esta semana se
simularon tres escenarios tpicos de carga: mxima diurna (14:00 horas), mxima nocturna
(19:00 horas) y mnima (03:00 horas).
Se observa en la tabla 4.22 que en los escenarios de demanda mnima (03:00) y mxima
nocturna (19:00), no se registra ninguna violacin en los lmites de tensin (5 del valor
nominal), en cambio para el caso de demanda mxima diurna (14:00), existen condiciones
de bajo voltaje (< 0.95 p.u) en las subestaciones de 115 kV de Nuevo Cuscatln, Santo
Toms y el Pedregal. Los valores de la tabla anterior se resumen en la figura donde se
percibe con mayor detalle los perfiles de voltaje para cada escenario.

111

Tabla 4.22 Voltajes esperados en los buses del sistema de El Salvador

Bus Nombre
Demanda Mnima
(03:00)
Demanda Mxima
Diurna (14:00)
Demanda Mxima
Nocturna (19:00)
Voltaje
(kV)
Voltaje
(PU)
Voltaje
(kV)
Voltaje
(PU)
Voltaje
(kV)
Voltaje
(PU)
27101 5NOV-115 115.2776 1.0024 114.1366 0.9925 115.1270 1.0011
27111 GUAJ-115 114.1847 0.9929 111.3214 0.9680 112.3155 0.9767
27131 ACAJ-115 116.4351 1.0125 115.5705 1.0050 116.6009 1.0139
27161 AHUA-115 116.0947 1.0095 115.0296 1.0003 115.4439 1.0039
27171 CGRA-115 115.1146 1.0010 113.4799 0.9868 114.6156 0.9967
27181 15SE-115 116.9934 1.0173 115.1794 1.0016 116.0626 1.0092
27211 BERL-115 117.0094 1.0175 115.6404 1.0056 116.2966 1.0113
27301 SOYA-115 115.1492 1.0013 110.4192 0.9602 112.9836 0.9825
27321 SRAF-115 115.2358 1.0021 112.2711 0.9763 113.7349 0.9890
27341 SMIG-115 115.1809 1.0016 111.2978 0.9678 112.5326 0.9785
27351 SANA-115 114.0840 0.9920 111.1894 0.9669 112.2905 0.9764
27361 SANT-115 115.0376 1.0003 110.6020 0.9618 113.1358 0.9838
27371 NEJA-115 114.8364 0.9986 111.0917 0.9660 113.1656 0.9840
27381 OPIC-115 114.1922 0.9930 111.2847 0.9677 112.8437 0.9812
27391 TECO-115 114.7480 0.9978 110.8104 0.9636 112.2223 0.9758
27401 OZAT-115 114.6241 0.9967 110.2116 0.9584 111.5494 0.9700
27411 SONS-115 115.7231 1.0063 114.0036 0.9913 115.2283 1.0020
27421 NCUS-115 114.4105 0.9949 109.2391 0.9499 112.3572 0.9770
27431 SMAR-115 114.9744 0.9998 110.6007 0.9617 112.8971 0.9817
27441 ATEO-115 115.0769 1.0007 111.8526 0.9726 114.2676 0.9936
27451 SBAR-115 114.7850 0.9981 110.2467 0.9587 112.5830 0.9790
27461 STOM-115 114.4996 0.9956 109.0305 0.9481 111.9861 0.9738
27471 PEDR-115 113.9528 0.9909 107.4783 0.9346 110.5158 0.9610
27481 TALN-115 115.1654 1.0014 112.1662 0.9754 114.5038 0.9957
27491 LUNI-115 114.1170 0.9923 109.5085 0.9522 110.6693 0.9623

112

Figura 4.39 Voltajes promedio del sistema de El Salvador

Se realiz la simulacin de 25000 aos, escenarios en lo que no se ha utilizado ningn
criterio de paro, sin embargo a la vez que se calculan los voltajes promedios de cada nodo
por escenario, se calcula el coeficiente de variacin de los voltajes, que como ya se ha
mencionado, es una de las reglas ms utilizadas para el criterio de convergencia, ya que
expresa el nivel de dispersin de una muestra.
En la tabla 4.23 se muestra los coeficientes de variacin obtenidos para cada nodo en las
25,000 simulaciones por escenario.
Se observa de la tabla anterior que para 25000 simulaciones el coeficiente de variacin por
nodo es menor al 0.01 % esto indica que para el clculo de voltajes promedios, se pueden
obtener valores aceptables con menos iteraciones y as reducir los tiempos computacionales
sin renunciar a la fidelidad de los resultados.

102.0
104.0
106.0
108.0
110.0
112.0
114.0
116.0
118.0
5
N
O
V

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

Tabla 4.23 Tabla de coeficientes de variacin para el escenario simulado

Bus Nombre
Coeficiente de variacin [%]
Demanda
Mnima (03:00)
Demanda Mxima
Diurna (14:00)
Demanda Mnima
Nocturna (19:00)
27101 5NOV-115 0.00356 0.00085 0.00061
27111 GUAJ-115 0.00193 0.00113 0.00097
27131 ACAJ-115 0.00074 0.00292 0.00149
27161 AHUA-115 0.00046 0.00045 0.00035
27171 CGRA-115 0.00291 0.00109 0.00075
27181 15SE-115 0.00269 0.00239 0.00182
27211 BERL-115 0.00228 0.00247 0.00204
27301 SOYA-115 0.00247 0.00193 0.00128
27321 SRAF-115 0.00292 0.00161 0.00123
27341 SMIG-115 0.00515 0.00498 0.00465
27351 SANA-115 0.00154 0.00118 0.00101
27361 SANT-115 0.00221 0.00177 0.00120
27371 NEJA-115 0.00241 0.00167 0.00115
27381 OPIC-115 0.00195 0.00136 0.00107
27391 TECO-115 0.00342 0.00264 0.00228
27401 OZAT-115 0.00420 0.00383 0.00347
27411 SONS-115 0.00094 0.00145 0.00083
27421 NCUS-115 0.00223 0.00219 0.00145
27431 SMAR-115 0.00249 0.00190 0.00131
27441 ATEO-115 0.00144 0.00150 0.00095
27451 SBAR-115 0.00251 0.00197 0.00135
27461 STOM-115 0.00229 0.00221 0.00150
27471 PEDR-115 0.00235 0.00256 0.00181
27481 TALN-115 0.00142 0.00146 0.00091
27491 LUNI-115 0.00533 0.00532 0.00497

Cabe destacar que para los escenarios simulados no se report ningn incumplimiento en
los lmites trmicos de las lneas de trasmisin.

114

115

CAPITULO 5. CONCLUSIONES Y RECOMENDACIONES

5.1 Conclusiones
La herramienta computacional desarrollada evidencia las ventajas de realizar evaluaciones
de confiabilidad de sistemas de generacin basadas en mtodos de Monte Carlo. El mtodo
secuencial muestra la flexibilidad ante las complejas condiciones de operacin presentadas
en estos anlisis, en donde se hace posible considerar aspectos como los mantenimientos
programados, el comportamiento de los embalses de centrales hidroelctricas, reducciones
de potencia y demanda horaria, factores que afectan de manera notable el funcionamiento
del sistema, adems de ser relevantes en la estimacin de ndices de confiabilidad. Dentro
de la cronologa de la tcnica implementada, el modelo es capaz de asignar ndices de
manera temporal, esto dentro de los periodos (semanas, meses, etc.) que se presentan en el
tiempo evaluado, correspondiente a un ao, con esto es posible obtener estimaciones de
lapsos de inters, logrando una mejor orientacin acerca de la evaluacin del plan de
mantenimientos programados y la operacin misma del sistema, debido a la gran cantidad
de informacin disponible acerca de los distintos aspectos que inciden en el desempeo de
ste.
Lo anterior presenta una ventaja en la evaluacin de sistemas hidrotrmicos, debido a la
temporalidad que existe en stos, tal es el caso del sistema de El Salvador, en los que los
recursos hdricos utilizados para la generacin de energa elctrica reflejan la dependencia
de la estimacin de ndices de confiabilidad segn las diferentes estaciones del ao, ya que
el 32.3% de la capacidad instalada del pas es hidroelctrica, lo que manifiesta la
importancia de incluir los datos de comportamiento de embalses en este estudio.
El mtodo no secuencial muestra ventajas respecto a la reduccin en la complejidad de su
implementacin y tiempos de cmputo, lo cual se refleja gracias a la utilizacin nicamente
de las probabilidades de estado y no de transiciones de los mismos. Se demuestra que el uso
del muestreo de estados no es exclusivo para determinar la capacidad de generacin, ya que
se utiliza tambin para obtener niveles de demanda y representar la potencia disponible en
las centrales hidroelctricas, dependiente del embalse de stas. Esta alternativa representa
una opcin para la realizacin de evaluaciones de confiabilidad simplificadas, debido a que

116

a pesar de las ventajas expuestas, se pierde profundidad en el estudio, por la prdida de la

cronologa de los eventos, por lo que no es posible la estimacin de ndices referidos a la
duracin del dficit.
De la tcnica secuencial se obtienen ndices de confiabilidad ms precisos que los del
mtodo no secuencial, adems de la ventaja de estimar ndices de duracin de las fallas, lo
que implica que sea requerida mayor cantidad de informacin del sistema, como la
demanda cronolgica en ste, el funcionamiento de cada uno de los generadores a evaluar,
los datos de hidrologa para las centrales hidroelctricas, los tiempos de reserva en unidades
pico, etc.
Por lo anterior se delimito el uso de cada mtodo de simulacin, en donde la realizacin de
un estudio de confiabilidad a profundidad es efectuado mediante la tcnica secuencial, en
donde se toman los modelos de mejor ajuste con cada generador, adems de tomar en
cuenta los efectos temporales de los componentes del sistema, como lo son la hidrologa,
demanda y mantenimientos. Mientras que un anlisis no secuencial se lleva a cabo para
cortos periodos de tiempo, por ejemplo una semana, en donde se evalan las
indisponibilidades y mantenimientos conocidos para dicho lapso de tiempo, en donde el
estudio se realiza para un corto plazo.
Una de las ventajas dentro de la realizacin de evaluaciones de confiabilidad con
simulaciones de Monte Carlo, es la posibilidad de obtener la distribucin de probabilidad
de cada ndice de confiabilidad adems de su valor esperado, con lo que es posible
representar grficamente la variacin de cada indicador a lo largo de los aos simulados.
Esto brinda una herramienta para una visualizacin del comportamiento aleatorio del
sistema evaluado, en donde se observa los valores individuales de cada ndice en los
escenarios simulados.
La aplicacin del modelo de evaluacin al sistema de El Salvador demuestra la importancia
de la representacin de unidades generadoras con mltiples estados, y no asumir stas
como generadores con dos estados de operacin, debido a la comparacin del historial de
funcionamiento de las mquinas con las simulaciones realizadas, en donde se observa que
el ignorar la ocurrencia de fallas parciales podra llevar a errores en la estimacin de ndices

117

de confiabilidad. Esto se realiz para unidades que se ajustaran al modelo de ms de dos

estados como se muestra en las tablas 4.11 y 4.12, en donde se implement la
representacin de estas dentro del modelo en los mtodos secuencial y no secuencial, sin
obtener aumentos significativos dentro del tiempo de computo de la herramienta.
En el mtodo secuencial se representaron unidades que presentaran ajuste en el modelo de
cuatro estados para generadores pico descrito en la seccin 2 del presente trabajo, los cuales
se utilizaron en la aplicacin del modelo al sistema de El Salvador, demostrando la
importancia en la consideracin de los tiempos de reserva y probabilidad de falla en el
arranque en la operacin de estas mquinas, lo cual no es posible modelar mediante los
modelos de las unidades convencionales.
La aplicacin de un sistema de prueba a los dos mtodos de simulacin implementados en
el presente trabajo, determino la validacin de stos al comparar los resultados con el
procedimiento analtico del mismo sistema, como se presenta en la seccin 4.4, en donde la
validacin de ambas tcnicas fue exitosa, con lo que se comprob que el modelo de
evaluacin funciona correctamente.
Una consideracin importante tomada en cuenta en el presente estudio de confiabilidad la
obtencin del modelo de demanda, para esto se hizo uso de un pronstico de demanda
facilitado por la Unidad de Transacciones (UT), el cual consta de datos de energa y
potencia mxima semanal pronosticada, adems de los factores de desagregacin para cada
da y medias horas de estas semanas. Al incorporar en el estudio estimaciones de la
demanda futura en el sistema, hay que valorar las incertezas existentes en predicciones, esto
se realiz con xito mediante la inclusin de la distribucin de probabilidades de la
incerteza en los puntos de demanda, lo cual demuestra la sensibilidad del sistema de
generacin ante estos cambios en la carga pronosticada que se conecta a ste.
Dentro de la aplicacin del modelo de evaluacin de confiabilidad al sistema de El
Salvador, considerando los mantenimientos menores efectuados, se observ un cambio
significativo en los ndices estimados, siendo esta variacin debido a una fuerte
contribucin de una semana, con las condiciones mencionadas en la seccin 4.5, lo cual da
la pauta a concluir que los mantenimientos menores aportan variaciones considerables en la

118

confiabilidad del sistema, cuando se tiene la indisponibilidad de un generador de gran

capacidad, por un largo tiempo, como es el caso de la unidad generadora de 92.7 MW que
presenta indisponibilidad en el caso de estudio.
La realizacin de un modelo de despacho de generacin y el estudio de flujos de potencia,
son tiles para el anlisis de la veracidad de la simulacin de confiabilidad, esto realizado
mediante comparacin de los escenarios simulados con casos reales, as se determin que
lo realizado se aproxima aceptablemente a la operacin del sistema real.
La realizacin del estudio de flujos de potencia permiti observar el comportamiento, en
cuanto a voltaje en los nodos, del sistema evaluado, en donde se evidencia que el estudio de
confiabilidad y la modificacin de las disponibilidades en generadores no produce
violaciones significativas de voltaje, teniendo en cuenta que solo se registraron bajos
voltajes, y no se observaron sobrevoltajes y violaciones de limites trmicos en las lneas de
transmisin.
5.2 Recomendaciones
Dentro del estudio de confiabilidad del sistema de El Salvador, se sugiere el llevar un
registro de operacin de cada unidad generadora, debido a que los historiales de entradas y
salidas de lnea por planta dificultan la realizacin de modelos acorde al funcionamiento de
stos, con lo que se obtendran estimaciones ms exactas de los resultados.
Para los estudios futuros de confiabilidad, en donde sea necesaria la inclusin de nuevas
unidades generadoras, las cuales no tendrn historiales de operacin para su modelaje, se
recomienda utilizar modelos de riesgo de generadores similares a stas. En el caso de no
poseer registros de mquinas similares, se sugiere utilizar datos de estndares o literatura
internacional.

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

Galo, N. [1987] Anlisis de Confiabilidad en Sistemas de Generacin

Hidrotrmico Utilizando ndices de Frecuencia y Duracin de Fallas.
JIEE, Vol. 8. p.135-139
Garcs, L.P. y O. Gomez [2003] Anlisis de Confiabilidad del Sistema
de Transmisin Regional Usando Simulacin de Montecarlo.
Universidad Tecnolgica de Pereira, Pereira, Colombia.
Garcs, F. y C. Larisson [2004] Confiabilidad de Sistemas de Suministro
de Energa Elctrica. Universidad de San Juan, San Juan, Argentina.
Gargari, S.M. [2006] Reliability Assessment of Complex Power Systems
and the Use of NEPLAN Tool. Royal Institute of Technology KTH,
Stockhol, Suecia
Gmez, A. [2002] Anlisis y Operacin de Sistemas de Energa
Elctrica. Mcgraw Hill, Madrid, Espaa.
Granada, G.A., R.C. Martnez, M.A. Zaldvar [2004] Anlisis del
despacho del sistema de generacin de El Salvador. Trabajo de
graduacin presentado para optar al grado de ingeniero electricista en la
Universidad Centroamericana Jos Simen Caas, San Salvador, El
Salvador.
Hernndez, E. Comparacin de Mtodos de Anlisis de Confiabilidad
Aplicados a Sistemas Elctricos Industriales. Morelos : Instituto de
Investigaciones Elctricas.
Herrera, B. [2006] Pago por Potencia Firma a Centrales de Generacin
Elica. Universidad de Chile, Santiago de Chile.
Imbarack, F. [2006] Elaboracin de una Herramienta Computacional
para la Evaluacin de la Confiabilidad de Sistemas de Transmisin
Elctricos. Pontificia Universidad Catolica de Chile, Santiago de Chile.

121

Jonnavithula, A. [1997] Composite System Reliability Evaluation Using

Sequential Monte Carlo Simulation. University of Saskatchewan,
Saskatchewan, Canada.
Li, Y. [2003] Bulk System Reliability Evaluation in a Deregulated Power
Industry. University of Saskatchewan, Saskatchewan, Canada.
Li, W. [2005]Risk Assessment of Power System. John Wiley & Sons,
New York, Estados Unidos
Neave, H.R. [1998] Elementary Statistics Tables. Routledge, London,
Inglaterra.
North American Electric Reliability Corporation NERC. Understanding
the Grid: Reliability Concepts www.nerc.com/page.php?cid=1| 15| 123.
Abril 2011.
Panik, M.J. [2005] Advanced Statistics from an Elementary Point of
View. Elsevier Academic Press London, Inglaterra.
Superintendencia General de Electricidad y Telecomunicaciones SIGET
[2010] Boletin de estadisticas elctricas, San Salvador, El Salvador
Schlabbach, J. y K.H. Rofalski [2008] Power System Engineering.
Wiley-VCH, Weinheim, Germany.
Tan, P.N., M. Steinbach y V. Kumar [2005] Introduction to Data Mining.
Addison Wesley. Minnesota, Estados Unidos.
Unidad de Transacciones. [2009] Reglamento de Operacin del Sistema
de Transmisin y del Mercado Mayorista Basado en Costos de
Produccin. El Salvador.

122

Vega N.B. [2009] Load Forecast Uncertainty Consideration in Bulk

Electrical System Adequacy Assessment. University of Saskatchewan,
Saskatchewan, Canada.
Villanueva B.V. [2000] Modelos de Simulacin: Validacin y
Credibilidad. Universidad Complutense de Madrid, Madrid, Espaa.
Wangdee, W. [2005] Bulk Electric System Reliability Simulation and
Application. University of Saskatchewan, Saskatchewan, Canada.
Zapata, C.J., L. P. Garcs y O. Carmona [2004] Modelamiento de
Componentes de Sistemas Compuestos Generacin-Transmisin para
Estudios de Confiabilidad.Scientia et Technica Ao X, N 25, Agosto
p.53-58.