Tesis doctoral

METODOLOGÍA PARA LA PREDICCIÓN DE

AMPACIDAD EN LÍNEAS ELÉCTRICAS
AÉREAS A PARTIR DE MEDIDAS DIRECTAS Y
PREDICCIONES METEOROLÓGICAS

Presentada por Rafael Alberdi Muiño

Directores: Igor Albizu Flórez y Elvira Fernández Herrero

Universidad del País Vasco – Euskal Herriko Unibertsitatea
2019
Agradecimientos

El desarrollo de esta tesis no hubiera sido posible sin los medios y ayuda prestados por diversas
instituciones y empresas. La tesis está enmarcada dentro de varios proyectos de investigación,
subvencionados por el Ministerio de Economía y Competitividad y por la Universidad del País Vasco,
UPV/EHU, y forma parte del programa de doctorado interuniversitario en Sistemas de Energía Eléctrica.
Este programa es fruto de la colaboración de la Universidad de Sevilla, la Universidad Politécnica de
Cataluña, la Universidad de Málaga y la citada UPV/EHU.

Los instrumentos de medida de la instalación piloto de Elgoibar estuvieron monitorizando durante

casi tres años una línea propiedad de la empresa Iberdrola, a la cual se agradece su interés en la investigación
y la ayuda prestada por su personal. Las predicciones meteorológicas de las que se ha hecho uso, fueron
proporcionadas por la Agencia estatal de meteorología, AEMET, y adaptadas a la localización de la
instalación piloto por miembros de su personal. Asimismo, también la colaboración de personal docente, y
no docente, del Departamento de Ingeniería Eléctrica de la UPV/EHU ha sido indispensable en el desarrollo
de esta tesis. Algunos han participado directamente en la investigación, mientras que la colaboración de
otros no ha sido tan directa, pero si imprescindible. Y por supuesto la de mis directores de tesis, Igor Albizu
y Elvira Fernández.

Mi más sincero agradecimiento a todos vosotros. Eskerrik asko zuei guztioi.

Índice
Lista de símbolos ........................................................................................................................ 7
Lista de acrónimos ..................................................................................................................... 9
1 Introducción ..................................................................................................................... 15
2 Revisión bibliográfica ...................................................................................................... 19
2.1 Modelo térmico de conductor eléctrico aéreo ........................................................... 20
2.2 Ampacidad dinámica de líneas eléctricas aéreas ....................................................... 25
2.2.1 Medición de las condiciones meteorológicas ..................................................... 28
2.2.2 Medición de la temperatura del conductor ......................................................... 30
2.2.3 Medición de la flecha o de la tensión mecánica ................................................. 32
2.3 Predicción de ampacidad ........................................................................................... 34
2.3.1 Predicción de ampacidad a partir de medidas .................................................... 40
2.3.2 Predicción de ampacidad a partir de predicciones meteorológicas .................... 43
2.3.3 Evaluación de predicciones puntuales y de predicciones probabilísticas .......... 46
3 Línea piloto de Elgoibar ................................................................................................... 51
3.1 Procesamiento y análisis de los datos ........................................................................ 55
4 Metodología para la predicción puntual de ampacidad .................................................... 63
4.1 Predicción de ampacidad basada en medidas ............................................................ 65
4.2 Predicción de ampacidad basada en predicciones meteorológicas y medidas .......... 67
4.2.1 Regresión lineal .................................................................................................. 69
4.2.2 Redes neuronales ................................................................................................ 69
4.3 Resultados de la aplicación de la metodología en la línea piloto .............................. 72
4.4 Conclusiones tras la aplicación de la metodología .................................................... 75
5 Metodología para la predicción probabilística de ampacidad .......................................... 77
5.1 Intervalos teóricos...................................................................................................... 79
5.2 Intervalos empíricos basados en los errores de la predicción puntual ....................... 80
5.3 Intervalos empíricos para diferentes segmentos de la predicción puntual ................ 81
5.4 Resultados de la aplicación de la metodología en la línea piloto .............................. 84
5.5 Conclusiones tras la aplicación de la metodología .................................................... 92
6 Metodología para la evaluación de las predicciones de ampacidad ................................. 93
6.1 Estático probabilístico ............................................................................................... 95
6.2 Confiabilidad y agudeza de las predicciones probabilísticas .................................... 97
6.2.1 Indicadores para la evaluación de la confiabilidad y la agudeza ....................... 97
6.2.2 Resultados de la evaluación de la confiabilidad y la agudeza en la línea piloto 98
6.2.3 Calidad de las predicciones probabilísticas en relación al error de las
predicciones puntuales ................................................................................................... 106

5
 6.3 Evaluación de la seguridad de la línea..................................................................... 109
6.3.1 Indicadores para la evaluación de la seguridad ................................................ 109
6.3.2 Resultados de la evaluación de la seguridad en la línea piloto ........................ 110
6.4 Evaluación del aprovechamiento de la línea ........................................................... 118
6.4.1 Indicadores para la evaluación del aprovechamiento ....................................... 118
6.4.2 Resultados de la evaluación del aprovechamiento de la línea piloto ............... 120
6.5 Conclusiones tras la evaluación de las predicciones ............................................... 127
7 Aplicación de la metodología en conductores de alta temperatura ................................ 129
7.1 Resultados de la aplicación de la metodología en conductores de alta temperatura 131
7.2 Conclusiones tras la aplicación de la metodología .................................................. 134
8 Aportaciones y líneas futuras ......................................................................................... 135
9 Referencias ..................................................................................................................... 139
10 Anexos ............................................................................................................................ 153
A Publicación de los resultados de investigación ........................................................... 153
B Modelos de series temporales ..................................................................................... 155
C Modelos de regresión lineal y redes neuronales .......................................................... 158
D Modelos numéricos de predicción meteorológica ....................................................... 160

6
Lista de símbolos

Símbolo Definición Unidades

c Calor especifico J/kg·ºK

D Diámetro del conductor m

Gr Numero de Grashof adimensional

I Corriente A

IT Intensidad de radiación global W/m2

m Masa por unidad de longitud kg/m

Nu Numero de Nusselt adimensional

Nu90 Numero de Nusselt en convección forzada con ángulo 90º adimensional

Nunat Numero de Nusselt en convección natural adimensional

PC Enfriamiento por convección por unidad de longitud W/m

Pi Calentamiento por efecto corona por unidad de longitud W/m

PJ Calentamiento por efecto Joule por unidad de longitud W/m

PM Calentamiento magnético por unidad de longitud W/m

Pr Numero de Prandtl adimensional

Pr Enfriamiento por radiación por unidad de longitud W/m

PS Calentamiento por radiación solar por unidad de longitud W/m

PW Enfriamiento por evaporación por unidad de longitud W/m

RAC Resistencia AC por unidad de longitud Ω/m

7
 RDC Resistencia DC por unidad de longitud Ω/m

Re Numero de Reynolds adimensional

t Tiempo s

Ta Temperatura del aire ºC

Tavg Temperatura media en el conductor ºC

Ts Temperatura en la superficie del conductor ºC

αs Absortividad de la superficie del conductor adimensional

εs Emisividad de la superficie del conductor adimensional

λf Conductividad térmica del aire W/m·ºK

σB Constante de Stefan-Boltzmann W/m2·ºK4

8
Lista de acrónimos

Acrónimo Significado

AA Ambient-Adjusted

AAAC All-Aluminium Alloy Conductor

AAC All-Aluminium Conductor

ACAR Aluminium Conductor Aluminium alloy Reinforced

ACCC Aluminium Conductor Composite Core

ACCR Aluminium Conductor Composite Reinforced

ACF Autocorrelation Function

ACSR Aluminium Core Steel Reinforced

ACSS Aluminium Conductor Steel Supported

AEMET Asociación española de meteorología

AFWA Air Force Weather Agency

AIC Akaike Information Criteria

ALADIN Aire Limitée Adaptation dynamique Développement InterNational

ANFIS Adaptive Neuro Fuzzy Inference System

ANN Artificial Neural Network

AR Autoregressive

ARCH Autoregressive Heterocedastic

ARIMA Autoregressive Integrated Movil Average

ARMA Autoregressive Movil Average

9
ARPS Advanced Region Prediction System

BFGS Broyden - Fletcher - Goldfarb - Shanno algorithm

BIC Bayesian Information Criteria

BP Back Propagation

CFD Computational Fluid Dynamics

CIGRÉ Conseil international des grands réseaux électrics

COSMO Consortium for Small-Scale Modelling

CRPS Continuous Ranked Probability Score

CWB Central Weather Bureau

DGPS Differential Global Positioning System

DLR Dynamic Line Rating

DTR Dynamic Thermal Rating

ECMWF European Centre for Medium-Range Weather Forecasts

EMO Enhanced Monitoring of Overhead transmisión line

FIR Finite Impulse Response

FIS Fuzzy Inference System

G(Z)TACSR Gap-type (ultra-)Thermal Aluminium alloy Conductor Steel Reinforced

GARCH Generalized Autoregressive Heterocedastic

GEFS Global Ensemble Forecast System

GEM - LAM Global Environmental Multiscale Limited Area Model

GFS Global Forecast System

GLM Generalized Linear Models

10
GMDH Group Method of Data Handling

GMM Gaussian Mixture Model

GRUN Gated Recurrent Unit Networks

HIRLAM High Resolution Local Area Model

HRRR High Resolution Rapid-Refresh

HTLS High Tension Low Sag

IEEE Institute of Electrical and Electronics Engineers

(High strength) (Ultra-)Thermal resistant Aluminium alloy Conductor Steel

(K)(Z)TACSR
Reinforced

KTAL High strength Thermal resistant Aluminum alloy

LM Levenberg Marquardt

MA Movil Average

MACT Maximum-Allowable Conductor Temperature

MAE Mean Absolute Error

MARS Multivariate Adaptive Regression Splines

MCS Monte Carlo Simulation

ME Mean Error

MLP Multilayer Perceptron

MLQR Multivariate Linear Quantile Regression

MM5 Fifth-generation Penn State/NCAR Mesoscale Model

MOS Model Output Statistics

MSAR Markov-Switching Autoregressive

MSE Mean Squared Error

11
NAM North American Mesoscale Forecast System

NCAR National Center for Atmospheric Research

NMAE Normalized Mean Absolute Error

NN Neural Network

NOAA National Oceanic and Atmospheric Administration

NRMSE Normalized Round Mean Squared Error

NWP Numerical Weather prediction

NWS National Weather Service

OTLM Overhead Transmission Line Monitoring

PACF Partial Autocorrelation Function

PCA Principal Component Analysis

PE Perpendicular Efectivo (viento)

PIT Probability Integral Transform

PLSN Power Line Sensor Net

QRF Quantile Random Forests

QS Quantile Score

RAMS Regional Atmospheric Modelling System

RBF Radial-Basis Function Network,

RF Random Forests

RMSE Round Mean Squared Error

RTM Real-Time Monitoring

SAR(I)(MA) Seasonal Autoregressive (Integrated) (Movil Average)

12
SAW Surface Acustic Waves

SETAR Self-Exciting Threshold Autoregressive

SLR Static Line Rating

SMT Sistema de Monitorización de Temperatura

STAR Smooth Transition Autoregressive

STR Static Thermal Rating

SVM Support Vector Machine

TAL Thermal resistant Aluminum alloy

TB Technical Brochure

TLM Transmission Line Monitor

VAR(I)(MA) Vector Autoregressive (Integrated) (Movil Average)

WRF Weather Research and Forecasting model

XTAL Extra Thermal resistant Aluminum alloy

(Ultra-) (Extra) Thermal resistant Aluminium alloy Conductor Invar

(Z)(X)TACIR
Reinforced

ZTAL Zirconium ultra Thermal resistant Aluminum alloy

13
1 Introducción

En las últimas décadas, la demanda de energía eléctrica ha aumentado de forma

considerable [Inte17]. Parte de esa demanda se ha cubierto generando energía a partir de fuentes
renovables, como la eólica, la fotovoltaica u otras, lo que ha llevado a la construcción de
numerosos centros de generación, principalmente parques eólicos. Pero la localización de esos
centros de generación renovables es remota y gran parte de las redes eléctricas fueron
construidas hace décadas con una estructura centralizada, por lo que no están preparadas para
integrar ese flujo de energía adicional. En general, se considera que la capacidad de transmitir
energía eléctrica de las líneas largas de una red está limitada por la estabilidad de la misma,
mientras que, en líneas de longitud media el límite viene impuesto por la caída de tensión a lo
largo de la línea. Sin embargo, en las líneas más cortas, con longitudes de decenas de kilómetros,
el límite es principalmente térmico [Epri05]. Esto es particularmente importante en líneas que
conectan parques eólicos u otros centros de generación, o en líneas de distribución. Cuanto
mayor sea la corriente a través de estas líneas, mayor será la temperatura de sus conductores,
pudiendo llegar a deteriorarse prematuramente. Además, los conductores se dilatan conforme
aumenta su temperatura, por lo que en líneas aéreas, aumenta la flecha, y por tanto, disminuye
la distancia entre los conductores y el suelo u objetos cercanos, pudiendo llegar a ser
insuficiente para evitar riesgos [Cigr06].

Se define ampacidad (de “ampacity” o “ampere capacity”) como la corriente máxima que
puede conducir un conductor de manera continuada, cumpliendo los criterios de diseño y
seguridad de la línea en la que se utiliza [Cigr06]. De forma similar, en [Inte00], se define
ampacidad como la corriente máxima que puede conducir un conductor o dispositivo de manera
continuada bajo determinadas condiciones, sin que su temperatura en régimen estacionario
sobrepase un valor determinado. En caso de tratarse de conductores aéreos, su temperatura se
ve afectada, además de por la corriente, por la variación de las condiciones meteorológicas.
Tradicionalmente, a la hora de diseñar una línea, se suponen unas condiciones estándar,
dependiendo de la localización geográfica de la línea y de la época del año. De este modo, se
define el límite térmico estático (Static Thermal Rating, STR o Static Line Rating, SLR), como
la corriente máxima que puede soportar una línea de forma continuada, asumiendo unas
condiciones meteorológicas constantes [Cigr06]. Sin embargo, en muchas ocasiones, las
compañías eléctricas se encuentran en la situación de necesitar más capacidad de transmisión
que la fijada por el límite estático.

Para tratar de superar este problema, generalmente se ha tratado de construir nuevas líneas,
pero esto no siempre es posible y tiene un coste económico y social. Otras soluciones pasan por
incrementar la altura de los conductores sobre el suelo en las líneas eléctricas aéreas ya
existentes, retensándolos o dotando de más altura a las estructuras que los soportan [Epri05].
15
Capítulo 1

Otra opción es sustituirlos por otros conductores más avanzados, que soportan mayores
temperaturas con una flecha menor [Cigr19]. Además, hay que tener en cuenta que no son solo
los conductores los que están limitados térmicamente, sino también los transformadores y
demás aparamenta, existiendo propuestas para monitorizar su temperatura o reemplazarlos
[Epri05].

Sin embargo, cualquiera de estas propuestas tiene un importante coste económico, por lo
que se están buscando nuevas soluciones. Además, ha quedado en evidencia [HeMF13] que,
incluso trabajando por debajo del límite térmico estático, los conductores de muchas líneas
aéreas superan en ocasiones su temperatura máxima admisible, lo que puede llevar a su
prematuro envejecimiento o situaciones de riesgo por una flecha excesiva. Por el contrario, gran
parte del tiempo las condiciones meteorológicas son favorables, pero el límite estático
subestima la ampacidad de esas líneas y, por lo tanto, se desaprovecha parte de su capacidad.
Por ello, diversos estudios se centran en determinar el límite térmico dinámico de la línea
(Dynamic Thermal Rating, DTR o Dynamic Line Rating, DLR), es decir, como varía la
ampacidad a lo largo del tiempo teniendo en cuenta las cambiantes condiciones ambientales
[Cigr06, Cigr12].

El poder estimar la ampacidad de las líneas aéreas en tiempo real, o con unos minutos de
antelación, puede ser interesante para las compañías eléctricas que las operan. Pero la energía
eléctrica se comercializa en diferentes mercados eléctricos con uno o varios días de antelación,
por lo que es igualmente interesante poder predecir la ampacidad con esos horizontes de tiempo.
Es por ello que el objetivo de esta tesis se centra en la predicción de la ampacidad de líneas
aéreas en un futuro cercano. Como se puede ver en la revisión bibliográfica, hay métodos de
predicción basados en medidas de diferentes variables en la línea eléctrica, y métodos basados
en predicciones meteorológicas. En la tesis, se ha desarrollado una metodología que,
combinando medidas directas en la línea y predicciones meteorológicas, permite predecir la
ampacidad con un valor de incertidumbre aceptable para la compañía eléctrica. Además, es
igualmente importante evaluar correctamente dicha incertidumbre, por lo que, adicionalmente,
se ha establecido una metodología para la evaluación de las predicciones. Para la consecución
de estos objetivos se ha dispuesto de diferentes dispositivos de medición en una línea piloto de
la compañía Iberdrola, en la localidad de Elgoibar, y de predicciones meteorológicas de un
modelo HIRLAM realizadas por AEMET.

La memoria de esta tesis se estructura tal como se indica a continuación. Tras esta
introducción, en el capítulo 2, se expone la revisión bibliográfica. En ella, en primer lugar, se
explica el comportamiento térmico de los conductores aéreos. La ampacidad no es una
magnitud que se pueda medir directamente, sino que se estima a partir de medidas de otras
variables. Por ello, seguidamente, se describen los sistemas de medida que permiten estimar la
ampacidad, basándose en el modelo térmico de conductor definido previamente. Estos sistemas
de medida están instalados en localizaciones concretas de una línea eléctrica, y las variables
medidas, bien sean variables atmosféricas, o de los propios conductores, son medidas locales.
Sin embargo, las predicciones meteorológicas se obtienen a partir de modelos de la atmosfera
a una escala mayor. A continuación, se describe la naturaleza de las variables atmosféricas que
afectan a la ampacidad, y en especial el viento, clasificando los métodos de predicción de la

16
 Introducción

velocidad del viento y otras magnitudes meteorológicas, en el sector de la energía eólica y otros
sectores. Finalmente, se analizan las principales investigaciones sobre predicción de ampacidad
existentes, clasificando los diferentes métodos de predicción en función de su tipo y horizonte
temporal, y además, se analiza la forma en que se evalúan dichas predicciones.

En el capítulo 3 se describe la instalación de la línea piloto: las características de los

conductores, los instrumentos de medición instalados y las predicciones del modelo
meteorológico de AEMET, las cuales han sido adaptadas a la localización de dicha instalación.
La metodología para la predicción de la ampacidad propuesta en esta tesis ha sido desarrollada
a partir de los datos obtenidos en esta instalación piloto, y la metodología propuesta para la
evaluación de las predicciones ha sido probada con estos mismos datos. Además, en este
capítulo se explica como se han procesado los datos para poder ser utilizados por los algoritmos
de predicción de ampacidad, y se hace un breve análisis de los mismos.

El capítulo 4, se ha dedicado a la metodología para la predicción puntual de ampacidad,

y en el se desarrollan métodos basados solo en medidas de las magnitudes meteorológicas, y
métodos, que además de usar esas medidas directas, también usan predicciones meteorológicas.
En los primeros, los algoritmos desarrollados tratan de extraer pautas de comportamiento en la
evolución temporal de la ampacidad o de las variables meteorológicas que la condicionan. Y en
los últimos, los algoritmos tratan de corregir los errores de las salidas del modelo numérico de
predicción meteorológica (Numerical Weather Prediction, NWP), para que se ajusten a las
medidas locales.

A pesar de ello, la predicción puntual de la ampacidad no permite gestionar

adecuadamente el nivel de riesgo derivado de una temperatura excesiva de los conductores, por
lo que se hacen necesarias predicciones probabilísticas. En el capítulo 5 se propone una
metodología para la predicción probabilística de la ampacidad. Aunque es posible producir
predicciones probabilísticas directamente, a partir de medidas y/o predicciones meteorológicas,
en la metodología propuesta se calculan estas predicciones probabilísticas a partir de las
predicciones puntuales obtenidas previamente. Como se demostrará posteriormente, en la
evaluación de los resultados de la línea piloto, la calidad de las predicciones probabilísticas
depende de las predicciones puntuales.

Se han encontrado multitud de métodos de predicción en la bibliografía, pero compararlos

no es inmediato, ya que además de realizar predicciones con características muy diferentes, su
calidad se ha evaluado de distinto modo. Por eso, se ha dedicado el capítulo 6 a la evaluación
de las predicciones de ampacidad. Las predicciones de ampacidad dependen de la calidad de
las medidas directas en la línea, de la calidad de las predicciones meteorológicas, y de la
metodología utilizada. Para evaluar la predicción de ampacidad para un instante futuro se usa
como referencia la ampacidad estimada a partir de las medidas, conocidas estas una vez
transcurrido ese instante. Se han definido una serie de indicadores que permiten evaluar las
predicciones tanto desde el punto de vista de la seguridad, como desde el punto de vista de
aprovechamiento de la línea eléctrica. Seguidamente, se comparan los diferentes métodos de
predicción desarrollados en capítulos anteriores, mediante los indicadores de seguridad y
aprovechamiento de la línea eléctrica definidos previamente. Los métodos estudiados se han

17
Capítulo 1

validado para los conductores de la línea piloto, que son de tipo ACSR y son los más usuales,
pero aquí la metodología se generaliza para conductores de una temperatura máxima admisible
más elevada. Finalmente, en el capítulo 8 se describen las aportaciones más importantes de la
tesis y las líneas de investigación a desarrollar en el futuro.

18
2 Revisión bibliográfica

Dado que el objetivo de la tesis es la predicción de la ampacidad de líneas aéreas, se ha

buscado información sobre los métodos de predicción existentes. Sin embargo, se ha visto que
es necesario un conocimiento previo acerca de la ampacidad, de que depende y como se estima.
Por eso, en el primer apartado de esta revisión bibliográfica, se describe la constitución física
de los conductores usados en líneas aéreas, y un modelo térmico que relaciona, las condiciones
meteorológicas a las que están sometidos, y su temperatura. Las líneas eléctricas se diseñan
para trabajar por debajo de una temperatura máxima admisible, de ahí el concepto de ampacidad,
que como se ha explicado previamente, es la capacidad de estas líneas de conducir corriente
trabajando por debajo de dicha temperatura.

En el siguiente apartado, se describe la metodología existente para aplicar dicho modelo

térmico a líneas y redes eléctricas completas, y determinar su ampacidad a partir de medidas de
diversas magnitudes físicas. Estas pueden ser medidas directas de las magnitudes
meteorológicas, o medidas de otras magnitudes, a través de las cuales se infieren las condiciones
meteorológicas. Existen numerosas investigaciones dedicadas a determinar el límite térmico de
líneas aéreas de forma dinámica, e incluso algunos casos de aplicación en la operación de redes
eléctricas reales.

En el último apartado, se describen las investigaciones sobre predicción de ampacidad

encontradas, clasificándolas en función de diversos factores. Algunas de ellas se basan en la
aplicación de diversos algoritmos matemáticos a partir de medidas locales recientes de las
variables meteorológicas, mientras que otras se basan en la adaptación de predicciones
meteorológicas a la escala de las líneas eléctricas. El horizonte y la resolución temporal, o el
modelo térmico considerado, también pueden ser diferentes. Aunque en muchas de las
referencias sobre predicción de ampacidad no se trata adecuadamente, se ha dedicado una parte
importante a la evaluación de las predicciones, y en especial a la evaluación del riesgo de que
las predicciones sean mayores que la capacidad real de las líneas. En relación directa con ese
riesgo está el que las predicciones sean deterministas o probabilísticas. En el primer caso la
predicción para cada instante futuro se da como un valor puntual, y no se cuantifica su
incertidumbre, pudiendo suponer un riesgo elevado de superar la temperatura de diseño de los
conductores. En el segundo caso, se cuantifica la probabilidad de la predicción para cada
instante mediante cuantiles o mediante una función de densidad, por lo que es posible
seleccionar el nivel de riesgo a asumir.

19
Capítulo 2

2.1 Modelo térmico de conductor eléctrico aéreo

Lo más usual para transportar o distribuir energía eléctrica son las líneas aéreas, en las
cuales se usan conductores desnudos suspendidos entre estructuras metálicas. Generalmente se
usan una o varias capas de alambres de aluminio, de sección redonda o trapezoidal, trenzados
helicoidalmente. En algunos casos están situados alrededor de un núcleo de menor
conductividad eléctrica, pero que aporta resistencia a esfuerzos mecánicos (acero o aleación de
aluminio de alta resistencia mecánica). Entre los tipos de conductores tradicionalmente más
utilizados se encuentran [Alum89, Cigr19]:

• AAC, All-Aluminium Conductor, formado únicamente por alambres de aluminio

• AAAC, All-Aluminium Alloy Conductor, formado por alambres de aluminio de alta

resistencia mecánica

• ACSR, Aluminium Conductor Steel Reinforced, con núcleo de acero y alambres de

aluminio alrededor

• ACAR, Aluminium Conductor Aluminium alloy Reinforced, con núcleo de aluminio de

alta resistencia mecánica y alambres de aluminio conductor alrededor

Los alambres de aluminio usados en estos conductores generalmente son de tipo 1350-
H19, y empiezan a deteriorarse por encima de los 90 ºC. Sin embargo, existen conductores
fabricados con nuevos materiales, que soportan mayores temperaturas con una flecha menor
(High Temperature Low Sag conductors, HTLS) [Cigr19, Epri08]. En estos conductores, se
usan núcleos de diferentes aleaciones de acero, a menudo galvanizado o recubierto con otros
metales, o núcleos de materiales composite reforzados con fibras metálicas o no metálicas. Los
materiales composite son más ligeros, resistentes y se dilatan en menor medida, lo que resulta
en una flecha menor. En las capas conductoras alrededor del núcleo se usan diferentes tipos de
aluminio que soportan altas temperaturas, o aluminio sometido a un tratamiento de recocido.
Entre los primeros se cuentan aleaciones de aluminio y zirconio como TAL o KTAL, que
soportan hasta 150 ºC de forma continua, ZTAL, hasta 210 ºC, y XTAL hasta 230 ºC. El
aluminio recocido 1350-0 tiene las ventajas de amortiguar mejor las vibraciones mecánicas y
soportar hasta 250 ºC, a costa de tener una menor tensión de rotura. Los distintos tipos de
conductores HTLS se pueden clasificar como [Cigr19]:

• (K)(Z)TACSR, (High strength) (ultra-)Thermal resistant Aluminium alloy Conductor

Steel Reinforced, con núcleo de acero y alambres exteriores de aleación Al-Zr (TAL,
KTAL, o ZTAL)

• G(Z)TACSR, Gap-type (ultra-)Thermal resistant Aluminium alloy Conductor Steel

Reinforced, similar al anterior, pero hueco entre el núcleo y los alambres de las capas
exteriores

20
 Revisión bibliográfica

• (Z)(X)TACIR, (Ultra-) (Extra) Thermal resistant Aluminium alloy Conductor Invar

Reinforced, con núcleo de aleación de acero Invar, y alambres exteriores de aleación
Al-Zr

• ACSS (Aluminium Conductor Steel Supported), con núcleo de acero y alambres

exteriores de aluminio recocido

• ACCR (Aluminium Conductor Composite Reinforced), con núcleo de material

composite de aluminio reforzado con fibras de óxido de aluminio (alúmina), y alambres
exteriores de aleación Al-Zr

• ACCC (Aluminium Conductor Composite Core), con núcleo de material composite no

metálico reforzado con fibras de carbono, y alambres exteriores de aluminio recocido

En las últimas décadas se han desarrollado diferentes investigaciones dirigidas a estudiar

el comportamiento térmico de conductores aéreos desnudos, algunas de las cuales han
conducido a la publicación de varios documentos. Entre ellos se encuentran la “Technical
brochure” 601 de CIGRÉ (Conseil International des Grands Réseaux Électriques) [Cigr14] y el
estándar 738 de IEEE (Institute of Electrical and Electronics Engineers) [Ieee13]. Estos
documentos han sido actualizados por las organizaciones que los publican a partir de versiones
anteriores, revista Electra nº 144 [Cigr92] y TB 207 de CIGRÉ [Cigr02], y las revisiones de
1986, 1993 y 2006 del estándar 738 de IEEE [Ieee06, Ieee86, Ieee93], respectivamente. Según
[Ieee13] la temperatura del conductor es función de:

• Propiedades del material conductor (conductividad eléctrica...)

• Diámetro del conductor

• Estado de la superficie del conductor (emisividad, absortividad...)

• Condiciones atmosféricas (temperatura del aire, radiación solar, velocidad y dirección

del viento...)

• Corriente eléctrica en el conductor

Las dos primeras se suponen constantes a lo largo de la vida del conductor. La tercera, el
estado de la superficie, varía con el tiempo, estando la absortividad y la emisividad altamente
correlacionadas, y tendiendo a aumentar. Finalmente, las condiciones atmosféricas y la
corriente son variables, por lo que, si se conocen, se puede calcular la temperatura del conductor.
Asimismo, si se conoce la temperatura máxima admisible en el conductor para unas condiciones
atmosféricas determinadas se puede obtener la corriente máxima en esas condiciones.

En caso de que la corriente y las condiciones atmosféricas se mantengan constantes

(régimen estacionario) se supone el conductor en equilibrio térmico y se puede definir una
ecuación que defina su estado térmico (1). En dicha ecuación, PJ es el calentamiento del
conductor por efecto Joule, PM es el calentamiento magnético, PS es el calentamiento debido a

21
Capítulo 2

la radiación solar, Pi es el calentamiento por efecto corona, PC es el enfriamiento por convección,

PR es el enfriamiento por radiación y PW es el enfriamiento por evaporación.

#$%$%&'$ () &$*+, = .é,('($ () &$*+,

01 + 03 + 04 + 05 = 06 + 07 + 08 (1)

El calentamiento por efecto Joule (2) es función de la corriente y de la resistencia RDC,

siendo la resistencia dependiente de la temperatura. Esta resistencia generalmente viene dada
por el fabricante para distintas temperaturas, aunque en caso contrario se puede calcular
analíticamente en función de la resistividad, la sección del conductor y su temperatura media
[Cigr14].

01 = 9 : ∙ <=6 (2)

Además, si se trata de corriente alterna, se produce el efecto “skin”, que contribuye a

calentar aún más el conductor. Y en conductores con núcleo de acero, la corriente a través de
las hebras de aluminio dispuestas helicoidalmente produce un flujo magnético en el núcleo,
especialmente en los que tienen un número de capas impar (en los de número de capas par los
flujos magnéticos de cada una de las capas se cancelan mutuamente), lo que también contribuye

importante especialmente a altas densidades de corriente. Generalmente, esta resistencia RAC se

a generar calor. Por ello, estos efectos se tienen en cuenta mediante una resistencia AC,

[Cigr08]. De este modo, el calentamiento magnético PM estaría incluido en este término.

determina empíricamente y la da el fabricante, aunque también se puede calcular analíticamente

absortividad del conductor αs, la posición del sol, la posición del conductor, etc. En [Ieee13] se
El calentamiento por radiación solar depende de diversos factores como son la

explica como calcularlo analíticamente teniendo solo en cuenta la radiación directa del sol con

de la medición de la intensidad de radiación global IT, que además de la radiación directa,

la atmósfera despejada. Este calentamiento solar se puede calcular de forma sencilla (3) a partir

también incluye la radiación difusa y la radiación reflejada (albedo) [Cigr14]:

04 = >? ∙ 9@ ∙ A (3)

Sin embargo, hay que tener en cuenta que de este modo solo se mide la radiación en un
punto, y esta puede variar de forma importante a lo largo de una línea eléctrica debido a los
efectos de la nubosidad y la polución. Por ello, en [Cigr14] también se recomienda su cálculo
analítico, siguiendo un criterio de caso peor a lo largo de la línea.

El enfriamiento por radiación del conductor depende de la emisividad εs, del diámetro D,
y de las temperaturas del aire Ta y en la superficie del conductor Ts. En [Cigr14, Ieee13] se
utilizan ecuaciones similares, siendo en el caso de [Cigr14], tal como se define en (4).

07 = B ∙ A ∙ CD ∙ E? ∙ FGH? + 273LM − GHO + 273LM P (4)

22
 Revisión bibliográfica

El enfriamiento por convección es uno de los términos que tiene mayor peso en el balance
térmico. Se diferencia entre convección forzada, cuando hay viento alrededor del conductor, y

cálculo diferentes. En [Cigr14] se calcula la convección según (5), siendo λf la conductividad

convección natural, cuando no lo hay. En [Ieee13] y [Cigr14] se siguen procedimientos de

térmica del aire, y Nu el número de Nusselt calculado de forma diferente según la convección
sea forzada o natural.

06 = B ∙ QR ∙ GH? − HO L ∙ ST (5)

cilindro, para el cual el número de Nusselt está correlacionado con el número de Reynolds Re
En caso de convección forzada, esta se modela considerando flujo perpendicular sobre un

según (6).

STUV = W ∙ <) X (6)

La dirección relativa del viento sobre el conductor se puede tener en cuenta de dos modos:

• Usando la relación Nu/Nu90 propuesta en [Cigr14].

• Calculando el “viento perpendicular efectivo”, que es una estimación de la velocidad

del viento perpendicular al conductor, que produciría un enfriamiento equivalente al
producido por el viento medido con una velocidad y un ángulo determinados.

En caso de convección natural el número de Nusselt es función de los números de Grashof

y Prandtl (7). A velocidades de viento pequeñas no está claro cuál es el fenómeno de convección
predominante (forzada o natural) por lo que se toma el mayor de los dos valores.

STXOZ = [ ∙ G\, ∙ 0,L] (7)

En [Cigr14, Ieee13] no se tienen en cuenta los términos correspondientes al efecto corona

y al enfriamiento por evaporación, por su escasa importancia en el balance térmico. Sin
embargo, en algunos estudios [PMLT11] se ha analizado los efectos de la lluvia, hielo, nieve,
etc., concluyendo que la presencia de dichos meteoros en el aire no es determinante al evaluar
el comportamiento térmico del conductor, pero en determinados casos si puede tener su
importancia cuando el conductor está mojado o cubierto de hielo o nieve, ya que afecta a la
convección. Si no se tienen en cuenta estos fenómenos (corona y evaporación) en el balance
térmico, la ecuación (1) se simplifica dando lugar a (8).

01 + 04 = 06 + 07 (8)

En caso de que la corriente o las condiciones atmosféricas varíen a lo largo del tiempo,
se define un modelo más general, para un régimen no estacionario (9), en el que el conductor

m es la masa del conductor, c el calor especifico del material, y dT/dt representa la variación
no está en equilibrio térmico y se tiene en cuenta su inercia térmica [Cigr14]. En este modelo,

de temperatura con el tiempo. Si cambia la corriente en la línea, se aproxima por un escalón de

corriente, y se puede calcular la variación de temperatura. Inversamente, para calcular la

23
Capítulo 2

corriente transitoria que elevará la temperatura a la máxima permitida, se puede hacer iteración
con distintos valores de corriente [Ieee13]. Si además de la corriente, también cambian las
condiciones atmosféricas, los cambios de radiación solar, temperatura ambiente y velocidad del
viento se consideran lineales [Cigr14].

&$*+, $*_$&)%$(+ = #$%$%&'$ () &$*+, − .é,('($ () &$*+,

(H
_& = 01 + 04 − 07 − 06
(`
(9)

Además, en caso de cambios de corriente de corta duración (por ejemplo cortocircuito),

el calentamiento del conductor se considera adiabático, es decir, las pérdidas y ganancias en la
superficie del conductor no se tienen en cuenta, debido a la breve duración del fenómeno
[Cigr14], dando lugar a un modelo para régimen transitorio (10).

&$*+, $*_$&)%$(+ = #$%$%&'$ () &$*+,

(H
_& = 01
(`
(10)

Los conductores usados en líneas aéreas típicamente tienen un diámetro de unos pocos
centímetros, por lo que hay un gradiente radial de temperatura, especialmente en conductores
de varias capas y a altas densidades de corriente. Esto es importante, ya que los cálculos de la
resistencia y el calentamiento por efecto Joule dependen de la temperatura media. Además, en
conductores con núcleo, la flecha depende de la temperatura del núcleo. En [Cigr14] se explica
la forma de calcular dicho gradiente. En general, el principal problema consiste en determinar
el coeficiente de conductividad térmica radial, dada la compleja geometría de los conductores
trenzados de varias capas, tal como se ha comprobado experimentalmente en diferentes estudios
[CDIP12, MBAZ99, Morg90].

En los conductores también existe una variación axial de temperatura, debido

principalmente al viento. A causa a la turbulencia producida en la parte baja de la atmósfera, el
viento se propaga en forma de vórtices que pueden tardar varios minutos en pasar por un punto,
por lo que la velocidad y dirección del mismo son variables (horizontal y verticalmente) a lo
largo de unos pocos metros de una línea eléctrica [Cigr06, Sepp93]. Sin embargo, debido a la
inercia térmica del conductor, este no se ve afectado significativamente por cambios en la
velocidad o dirección del viento en un punto, si son de duración menor que su constante térmica
de tiempo. Además, la conductividad térmica del mismo tiende a reducir diferencias axiales de
temperatura [Cigr14], lo cual se ha podido comprobar experimentalmente en [CDIP12,
SeMS10]. Generalmente, la temperatura del conductor a lo largo de un vano es mayor en el
punto más bajo (viento menor), y menor en los extremos (viento mayor), pero se debe tener en
cuenta que la temperatura es mayor en zonas apantalladas por objetos (árboles, edificios, etc.),
que en zonas más expuestas al viento. En [AABF10, ACMM15, BaCB15, StKo12, StRe10] se
hace una comparación experimental entre los modelos térmicos de IEEE y de CIGRÉ,
contrastándolos en algunos de estos casos, con medidas de temperatura en los conductores.

24
 Revisión bibliográfica

2.2 Ampacidad dinámica de líneas eléctricas aéreas

En la actualidad la mayoría de las redes eléctricas aún son operadas considerando

constante la ampacidad de sus líneas. Esta ampacidad se denomina limite térmico estático y se
considera constante a lo largo de cada estación o durante todo el año. El límite estático es la
corriente máxima en régimen permanente, para la cual la temperatura de los conductores se
mantiene por debajo de la máxima admisible (Maximum-Allowable Conductor Temperature,
MACT), bajo unas condiciones meteorológicas conservadoras: radiación solar y temperatura
ambiente elevadas, y velocidad de viento efectiva perpendicular a los conductores casi nula
[Cigr06].

Para aprovechar mejor la capacidad térmica de las líneas, se puede tener en cuenta la
variación de las condiciones meteorológicas durante cada día, y a lo largo del año, dando lugar
al límite térmico dinámico. Por lo tanto, el límite térmico dinámico varía a lo largo del tiempo,
y además es diferente para cada línea. Esto permite operar las redes eléctricas con un mayor
aprovechamiento de la capacidad de sus líneas, cuando las condiciones meteorológicas son
favorables, y de una manera más segura cuando son desfavorables. El límite térmico dinámico
se puede calcular a partir de las medidas de diversos dispositivos de monitorización distribuidos
a lo largo de las líneas, recibidas en tiempo real, o se puede predecir con diferentes alcances de
tiempo. Según [DGNC19] estas predicciones son útiles en la operación de redes, pero siempre
se deben apoyar en un sistema de monitorización en tiempo real, que asegure el no superar la
temperatura máxima admisible de los conductores. Se puede dividir el cálculo dinámico de la
ampacidad en dos categorías principales [DGNC19]:

• Ajuste de temperatura ambiente (Ambient-Adjusted, DLR-AA), en la cual solo se tienen

en cuenta las variaciones de temperatura ambiente, y el resto de variables
meteorológicas son consideradas constantes

• Monitorización en tiempo real (Dynamic Line Ratings with Real-Time Monitoring,

DLR-RTM), en la cual se consideran las variaciones, tanto de la temperatura ambiente,
como del resto de variables meteorológicas

El ajuste de temperatura ambiente (DLR-AA) tiene varias ventajas frente a la

monitorización en tiempo real (DLR-RTM), entre las que se cuentan [DGNC19]:

• Dado que las diferencias de temperatura ambiente en la región donde se encuentra

situada una red suelen ser mínimas, se puede ajustar dinámicamente la ampacidad de
sus líneas con la misma temperatura máxima para todas ellas

• Se puede asumir un único valor de temperatura ambiente (dinámico) para toda una línea

• La temperatura varía lentamente, no es tan volátil como el viento, por lo que es más
fácil de predecir

25
Capítulo 2

• Es posible disponer de predicciones o medidas de temperatura ambiente en tiempo real

a través de servicios de meteorología, por lo que no es necesario un sistema de
monitorización dedicado

Sin embargo, mediante DLR-AA se aprovecha un porcentaje mucho menor de la

capacidad de las líneas (por encima del límite estático) que con DLR-RTM, ya que en el
segundo caso se tiene en cuenta la convección forzada producida por el viento sobre los
conductores, lo que supone un gran incremento de su ampacidad [Cigr06, DGNC19].

Una de las cuestiones más importantes es el de la seguridad, sobre la cual en [Cigr06] se

hacen varias recomendaciones. Estas recomendaciones se deben seguir siempre que se tengan
en cuenta las condiciones ambientales, tanto si se hace una estimación estática de la ampacidad,
como si esta es dinámica. Entre ellas se encuentra el que la temperatura media de cada sección
de una línea en ningún caso supere la temperatura máxima de diseño en más de 10 ºC, y además
no la supere durante más de un 1 % del tiempo. Adicionalmente, la temperatura local de los
conductores no debe superar la temperatura máxima en más de 20 ºC. Todo ello teniendo en
cuenta que se deben considerar criterios adicionales de seguridad relacionados con la flecha de
los conductores.

En la última década han sido varios los casos de compañías eléctricas que han empezado
a operar las redes de forma dinámica. Es el caso de Viesgo, que en colaboración con la
Universidad de Cantabria [MMMA19], ha desarrollado un sistema de monitorización en tiempo
real para operar sus líneas de distribución de 132 kV. También cabe señalar el caso de ERCOT
[HBSD10], cuyo sistema permite gestionar la red, que en cada zona de Texas es operada por
una compañía diferente, basándose en el ajuste de la temperatura ambiente. Más destacable aún
es el caso de ELIA en Bélgica [SGVL16], que opera la red dinámicamente, no solo en tiempo
real, sino que también hace predicciones de ampacidad, basadas en dispositivos de
monitorización distribuidos a lo largo de sus líneas, y en predicciones meteorológicas.

Existen diferentes planteamientos y multitud de sistemas de monitorización para calcular

la ampacidad en tiempo real [DCDG16, FABM16]. Los planteamientos principales son:

• Medición de las condiciones meteorológicas (Figura 1). Se miden directamente las

condiciones meteorológicas, y dada la temperatura máxima de diseño del conductor
(Maximum-Allowable Conductor Temperature, MACT), se puede estimar la ampacidad.

MACT

Radiación solar

Temperatura ambiente Ampacidad

Velocidad viento

Dirección viento

Figura 1. Cálculo de la ampacidad a partir de las variables meteorológicas.

26
 Revisión bibliográfica

• Medición de la temperatura del conductor (Figura 2). Se miden la corriente, la

temperatura del conductor, la radiación solar y la temperatura ambiente, y a partir de
estas, se calcula la velocidad de viento efectiva perpendicular al conductor (PE =
Perpendicular Efectivo). De este modo se evita la incertidumbre en la medición de la
velocidad del viento.

MACT

Radiación solar

Temperatura ambiente Ampacidad

Corriente
Viento
PE
Temperatura conductor

Figura 2. Cálculo de la ampacidad a partir de la temperatura del conductor.

• Medición de la flecha o de la tensión mecánica (Figura 3). Consiste en determinar la

flecha del conductor, midiéndola directamente o midiendo la tensión mecánica que
soporta. Si se conocen la geometría y propiedades del conductor, la flecha se puede
relacionar con la temperatura media del mismo a lo largo del vano o la sección. Además,
de esta forma se puede prevenir que la distancia mínima entre el conductor y el suelo
sea insuficiente.

MACT

Radiación solar

Temperatura ambiente
Ampacidad

Corriente
Viento
Flecha Temp. PE
tensión conductor

Figura 3. Cálculo de la ampacidad a partir de la flecha o la tensión mecánica.

Siguiendo alguno de estos planteamientos, la instalación a lo largo de una línea aérea de

los dispositivos que se describen en los apartados siguientes permite monitorizar las variables
indicadas y estimar la ampacidad de la línea en tiempo real. De forma alternativa a estos
planteamientos, existen otros como el cálculo de la temperatura del conductor a partir de
sincrofasores [HeJJ14, PeBo10, PJMP13, PoJM11], o el dispositivo denominado ThermalRate
[DaLa04, LaDa03, Pike13], que permite obtener directamente un viento efectivo perpendicular
al conductor.

27
Capítulo 2

2.2.1 Medición de las condiciones meteorológicas

Tal como se ha explicado previamente, en este planteamiento se miden directamente las

condiciones meteorológicas que influyen en la temperatura de los conductores y se calcula la
ampacidad, conocida la temperatura máxima que soporta el conductor. Las variables
meteorológicas consideradas son la radiación solar, la temperatura ambiente, la velocidad del
viento y la dirección del viento. Es importante considerar como varían estas condiciones a lo
largo de una línea y a lo largo del tiempo.

Como también se ha señalado anteriormente, en la descripción del modelo térmico de

conductor, la radiación solar puede ser calculada directamente, sin necesidad de ningún
dispositivo de medida, a partir de la posición del sol a lo largo del día y del año, considerando
siempre cielo despejado (criterio de caso peor, mayor calentamiento del conductor) [Ieee13].
Sin embargo, en este caso, no se tienen en cuenta la radiación difusa ni la reflejada (albedo), ni
los efectos de sombras. Otra posibilidad consiste en medir la radiación solar usando diferentes
dispositivos estándar [Cigr06]. Algunos de ellos solo miden la radiación directa del sol,
mientras que otros también miden la radiación reflejada. Usando cualquiera de ellos se tiene en
cuenta la atenuación de la radiación solar debida a las nubes (radiación difusa). Sin embargo,
las sombras de objetos cercanos pueden afectar a los dispositivos de medida de forma local, por
lo que es importante que estén instalados adecuadamente, en un lugar en el que no den medidas
incorrectas no representativas de la radiación recibida a lo largo del conductor [MPJH08].

La temperatura ambiente es bastante homogénea, presentando variaciones de menos de 1

ºC en distancias de unos pocos kilómetros en terrenos llanos [FLMS88, Sepp95]. En terrenos
montañosos, se sabe cómo varía con la altitud. La influencia de esas diferencias a lo largo de
líneas de distribución es mínima, aunque puede ser considerable en líneas largas que recorren
cientos de kilómetros. Su influencia en la ampacidad es prácticamente lineal, afectando a la
temperatura del conductor en una relación de uno a uno, es decir, la temperatura del conductor
aumenta en la misma proporción que lo hace la temperatura ambiente [Cigr06].

Sin embargo, el viento tiene una variabilidad muy grande [Cigr06, Sepp93], pudiendo
provocar importantes diferencias de temperatura axial en los conductores. El viento se debe a
contrastes de temperatura entre la atmosfera y la superficie de la tierra a cualquier escala, global
o local. En meteorología, el viento es estudiado de forma física mediante diferentes ecuaciones
que describen el equilibrio de momentos de la atmosfera. Sin embargo, se pueden considerar
diferentes aproximaciones al viento real, y así en la capa limite atmosférica la velocidad del
viento decrece hacia la superficie, donde es cero, debido a la fricción con la misma [Emei13].
El modelo más simple de capa limite atmosférica se encuentra sobre terreno llano,
horizontalmente homogéneo. La evolución de la capa límite es determinada principalmente por
la variación diurna del balance energético de la superficie terrestre. Así, se distinguen tres tipos
de capa límite [Emei13]:

28
 Revisión bibliográfica

• Si el calor proveniente de la superficie es dominante, tenemos una capa límite

convectiva. Durante el día el sol calienta la superficie terrestre y este calor proveniente
del suelo produce convección térmica.

• Si la atmosfera se enfría desde abajo, tenemos una capa límite estable. Durante la noche
la superficie se enfría debido a la emisión de radiación de baja frecuencia y esto produce
una capa límite con poca turbulencia e importantes gradientes verticales.

• Si el flujo de calor en la superficie desaparece, y las fuerzas horizontales son dominantes,

tenemos una capa límite neutra o dinámica. Si las nubes, el viento, o las precipitaciones,
superan la influencia de la radiación de alta y baja frecuencia, se forma una capa límite
que casi no varía a lo largo del día.

Además, la estructura vertical de estos tres tipos de capa límite depende en gran medida
del tipo de suelo bajo la misma. Su forma, rugosidad, albedo, humedad, emisividad, y capacidad
de almacenar calor, determinan el momento y el intercambio de energía entre la superficie y la
atmósfera.

El incremento vertical de la velocidad del viento con la altura es descrito mediante perfiles
de viento logarítmicos, los cuales pueden ser determinados usando simples leyes físicas validas
en la capa superficial (al menos hasta 100 m). En otras ocasiones, en lugar de esto, se usa una

diferentes alturas (z y zref), obtenida de forma empírica, del tipo [Emei13]:

ley potencial (power law), es decir, una relación exponencial entre la velocidad del viento a

O
c
bGcL = bGcdeR L ∙ f g
cdeR
(11)

Cuando el flujo pasa de un tipo de superficie a otro con diferentes propiedades (por
ejemplo, de pastos a bosques, o de áreas de agricultura a áreas urbanas), la estructura de la capa
límite se tiene que adaptar a las características de la nueva superficie. Además, el viento sobre
terreno “complejo” (no llano) es influenciado por las propiedades de la superficie y por la
elevación vertical sobre el nivel del mar (montañas, cordilleras, colinas, barrancos, etc.). La
complejidad del terreno montañoso no permite la aplicación directa de perfiles de viento.
Generalmente, se usan modelos analíticos o numéricos tridimensionales, para determinar el
viento y la turbulencia en un lugar determinado [Emei13].

Debido a la gran variabilidad espacial y temporal del viento, en investigaciones sobre

ampacidad realizadas hace décadas [CaDo88, FoLF83, FoMa90] se pretendía determinar cuál
era el vano crítico de una línea (critical span). Este vano crítico era el que estaba sometido a las
condiciones ambientales más desfavorables, y en el que, por lo tanto, se calentarían más los
conductores, siendo este vano el que limitaría térmicamente toda la línea. Sin embargo, pronto
se comprobó que en la mayoría de las líneas no había un solo vano crítico y que este cambiaba
con el tiempo [FoMa90]. Más recientemente, existen dos tipos de planteamiento a la hora de
determinar la distribución del viento en el tiempo y en el espacio a escala de las líneas eléctricas,
un planteamiento estadístico y un planteamiento físico. En el planteamiento estadístico se trata
de ajustar las medidas de viento a las condiciones de la línea. Así, en [PSRN12], se consideran
29
Capítulo 2

cuatro escenarios de viento posibles, más o menos conservadores, en función de los obstáculos
que protejan la línea del mismo. En [GGMD14, MTJB09] se calcula el viento en diferentes
puntos a lo largo de la línea por interpolación de las medidas de diferentes estaciones
meteorológicas, teniendo en cuenta las condiciones del terreno. En el planteamiento físico
[GGMD14, GITC13, GMBW12] se usa software de simulación fluidodinámica (Computational
Fluid Dynamics, CFD) para modelar el viento a escala local, a partir de los datos de las
estaciones meteorológicas y modelos cartográficos del terreno.

En algunas de las experiencias realizadas en este campo [CaDo88, DoEP97, HJHS12,

LaFo09, Mons91, SiBL15] se utiliza la información suministrada por estaciones
meteorológicas de redes nacionales o internacionales, situadas en el área donde se localizan las
líneas objeto de estudio. En otras ocasiones se instala equipamiento meteorológico en
subestaciones eléctricas [SAML98], o en las estructuras de soporte a lo largo de una línea
[BBTP08, BCCO10, FGJM14, GMBW12, Mich10]. En cuanto a los instrumentos de medida,
se ha demostrado que los anemómetros de cazoletas producen lecturas incorrectas a velocidades
de viento bajas, además de no tener capacidad para medir viento en una dirección que no sea
horizontal [BCCO10, FoMa90, Ieee13]. Por el contrario, los anemómetros ultrasónicos son más
precisos y miden direcciones de viento en tres dimensiones [BCCO10, BlCh14, SpRo11].
Existen algunos dispositivos comerciales como MiCOM P341 [Mico00], que entre otras
muchas cosas, miden las condiciones meteorológicas locales, y calculan la ampacidad a partir
del modelo térmico de CIGRÉ.

2.2.2 Medición de la temperatura del conductor

Tradicionalmente la temperatura de los conductores se ha medido en diferentes

experimentos, encaminados a estudiar el modelo térmico de los mismos, con termopares en
contacto con su superficie, o insertando dichos termopares en su núcleo. Sin embargo, para la
monitorización de la temperatura de conductores aéreos, se han desarrollado multitud de
dispositivos que miden directamente la temperatura superficial en un punto del conductor (y
salvo excepciones [Moni00] también la corriente a través de él):

• PowerDonut [Powe00], actualmente de la empresa USi, que ha creado la tercera

generación del dispositivo, fue desarrollado inicialmente en la década de los 80
[FLSF83], y también mide el ángulo de inclinación del conductor

• FMC-T6 [Mult00] de General Electric

• TLM (Transmission line monitor) [Tran00] de Lindsey Manufacturing Company,

también mide distancia desde el conductor al suelo

• EMO (Enhanced monitoring of overhead transmisión line) [Moni00] de Micca

• OTLM (Overhead transmission line monitoring) [GaLo10, Otlm00]

30
 Revisión bibliográfica

• Astrose (Autonomus sensor network for condition monitoring of power lines) [Auto00]
desarrollado en el instituto ENAS, es un sistema cuyos sensores también miden el
ángulo de inclinación del conductor

• PLSN (Power Line Sensornet) [YDHH06] y Stick-on [MoLD12], desarrollados por

Georgia Institute of Technology

• SMT (Sistema de Monitorización de Temperatura), desarrollado por la empresa Arteche,

que recientemente ha dejado de estar disponible comercialmente

La mayoría de estos dispositivos se autoalimentan del conductor en el que están instalados

aprovechando la energía del campo electromagnético alrededor del mismo, miden la
temperatura superficial del conductor, miden la corriente (y en algunos casos variables
meteorológicas, ángulo de inclinación del conductor o distancia al suelo), y envían la
información inalámbricamente al sistema de monitorización del que forman parte [MYLD10].
La resolución temporal de las medidas depende de diversos factores como la constante de
tiempo térmica del conductor o la eficiencia energética del dispositivo. En [BaLA13, SeMS10]
se ha señalado que el volumen y la masa de este tipo de dispositivos afectan a la temperatura
del conductor en el punto en el que están instalados y varios metros a lo largo del mismo, por
lo que pueden dar medidas no demasiado representativas de su temperatura. Esto es debido a
que el cuerpo del propio aparato evita que el conductor se enfríe por convección, especialmente
cuando hay viento.

Existen otros tipos de dispositivos que calculan la temperatura del conductor de forma
indirecta a partir de la medición de otras magnitudes físicas. Aunque podrían ser clasificados
en otros apartados, ya que no miden directamente la temperatura del conductor, sino que la
estiman, siguen el mismo planteamiento representado en la Figura 2, por lo que se describen a
continuación. Entre ellos se encuentran:

• Las ondas acústicas (Surface Acoustic Wave, SAW) son usadas por un aparato de Ribe
Group, denominado Ritherm [BHMB07]. En este sistema, un emisor situado en el suelo
envía una señal electromagnética de alta frecuencia a un sensor pasivo colocado en el
conductor, el cual la transforma en una onda acústica mediante un cristal piezoeléctrico
que vibra de manera diferente en función de la temperatura. La onda es reflejada,
transformada de nuevo en señal electromagnética y se devuelve al emisor.

• El dispositivo desarrollado por Isfahan University of Technology y University of

Manitoba [GBNT13] utiliza las ondas electromagnéticas de radiofrecuencia (RF) para
estimar la temperatura del conductor. Para ello se emiten ondas de RF hacia un sensor
pasivo en contacto con el conductor; estas ondas son transmitidas a través de la cavidad
del cuerpo del sensor, y en función de su temperatura y estado de dilatación, la
frecuencia de resonancia será diferente.

• Sistemas de medición de temperatura mediante fibra óptica, que permiten medir la

temperatura a lo largo de un conductor de varios kilómetros, a diferencia de los sistemas
citados anteriormente, que miden la temperatura en un punto del mismo. Existen

31
Capítulo 2

sistemas comerciales para cables subterráneos [JBMN04], que se basan en el fenómeno

denominado “Raman scattering”, según el cual, los fotones que viajan a través de la
fibra óptica tienden a dispersarse radialmente en función de la temperatura. Más
recientemente [LHYH13] se ha experimentado usando el fenómeno “Brillouin optical
time domain reflectometry” combinado con “Fiber bragg grating”, siendo posible medir
temperaturas en conductores aéreos, y a distancias mayores.

• Cámaras de termovisión, que generalmente se han usado para determinar la temperatura

de conductores aéreos de forma puntual y contrastarla con las medidas de otros sistemas,
pero también se han propuesto para enviar datos remotamente en tiempo real [Yous01].

2.2.3 Medición de la flecha o de la tensión mecánica

Como se ha indicado anteriormente, existe una relación entre la flecha de un conductor,

con unas propiedades físicas y geometría determinadas, y la temperatura media del mismo, de
forma que la flecha aumenta debido a la dilatación. Hay que tener en cuenta que la flecha
también aumenta por otras razones como son, cargas mecánicas debidas a hielo sobre el
conductor, o episodios de fuerte viento. Estos y otros factores posibilitan que se produzca una
deformación plástica en el conductor de forma que la flecha tiende a aumentar con el tiempo
[Cigr16]. Existen dispositivos basados en diferentes tecnologías, que calculan la altura sobre el
suelo a la que está situada un conductor:

• Sagometer [FoBC02], dispositivo de la empresa EDM que procesa las imágenes de una
cámara para calcular la distancia a un objetivo suspendido de un conductor en el punto
más bajo del vano, determinando de este modo la flecha.

• Ampacimon [Ampa00, ClLF10, LGDC06], dispositivo también comercial que mide la

frecuencia natural de la oscilación de un conductor aéreo mediante acelerómetros,
determinando la flecha a partir de dicha frecuencia.

• El sistema Real-Time Transmission Line Monitoring System (RT-TLMS) [SHBH09] de

Promethean Devices determina la distancia de los conductores al suelo mediante varios
sensores enterrados bajo los mismos, que miden el campo electromagnético.

• En diversas investigaciones [MaSi12, MFHH01] se han usado sistemas basados en

DGPS (Differential Global Positioning System) para medir la flecha con una resolución
de unos pocos centímetros. Un dispositivo GPS instalado en el punto más bajo del vano
indica su posición (rover), y mediante un segundo aparato GPS a pocos kilómetros
(base), se corrige el error de posición del primero.

• Otro sistema [OlEd02] dispone un cable desenergizado paralelo a los conductores de

fase, los cuales inducen una pequeña corriente en el mismo. Al variar la flecha de los
conductores de fase, varía la distancia y por lo tanto la corriente inducida.

32
 Revisión bibliográfica

• Se han propuesto dispositivos de medición de distancia mediante láser, instalados

directamente sobre el conductor [StPH03], o situados bajo el mismo [RATH10].

Por otra parte, la tensión mecánica horizontal y la flecha del conductor también están
relacionadas, por lo que la temperatura del conductor se puede estimar a partir de la medición
de dicha tensión [Cigr16]. Los conductores están sometidos a un esfuerzo de tracción, debido
a su propio peso, por lo que en cada vano adquieren forma de curva catenaria (forma de
hipérbola). Haciendo varias simplificaciones (catenaria con forma parabólica, longitud de los
vanos de la sección similar, torres a altura parecida...), se puede considerar la tensión mecánica

flecha en cada vano es proporcional a esta tensión (12), siendo W el peso del conductor y H
horizontal soportada por cada conductor, uniforme a lo largo de toda una sección, por lo que la

conductor estará a la misma distancia de los dos, x. Si están a altura diferente, el punto más bajo
tensión horizontal. Si en un vano los dos soportes están a la misma altura, el punto más bajo del

no está en la mitad del vano, por lo que se deben calcular las distancias a los soportes [Cigr16].

l ∙ m:
j*)&ℎ$ =
2∙n
(12)

Por lo tanto, si se mide la tensión que soportan los conductores con células de carga, es
posible calcular la flecha de los mismos en cada uno de los vanos, y su temperatura media en
esa sección. Cabe destacar que de este modo se obtiene la temperatura media del conductor en
una sección, a diferencia de otros métodos que determinan la temperatura en un punto del
conductor. Sin embargo, en [MBDD99, RJSB08, SADC98] se indica que al calcular la flecha
de este modo se cometen errores de cálculo, debido principalmente a lo siguiente:

• Vanos de una sección con longitud muy diferente, ya que los aisladores que soportan
cada conductor no están en posición completamente vertical, luego hay una diferencia
de tensión horizontal entre los diferentes vanos

• Influencia del viento en la tensión mecánica

• Existencia de hielo o peso sobre el conductor

• Fluencia en el material del conductor

Por lo tanto, al calcular el aumento de la flecha por una mayor temperatura del conductor
(elongación térmica del conductor), se debe tener en cuenta la elongación del conductor debida
a estos efectos (elongación plástica por cargas mecánicas y por fluencia del material), los cuales
hacen que la flecha tienda a aumentar con el paso del tiempo [Cigr16]. En los últimos años han
sido desarrollados varios sistemas basados en la medición de tensión mecánica con células de
carga, los cuales necesitan de un proceso previo de calibración:

• El sistema comercial CAT-1 [Cat-00], actualmente propiedad de USi

• TAM (Tension and Ampacity Monitoring) [AFMB11], desarrollado en la UPV-EHU

• Ampalac [MaSM11], desarrollado por LACTEC - COPEL

33
Capítulo 2

2.3 Predicción de ampacidad

Los trabajos de investigación sobre predicción de ampacidad encontrados en esta revisión

bibliográfica están basados en medidas directas de las magnitudes meteorológicas que afectan
térmicamente a los conductores aéreos, y/o en las predicciones de dichas magnitudes dadas por
modelos numéricos de predicción (NWP). En muchas de estas investigaciones se describen los
algoritmos para la predicción individual de cada una de estas magnitudes, radiación solar,
temperatura ambiente, velocidad del viento y dirección del viento, con unos determinados
alcances de tiempo, y para determinados puntos de una línea eléctrica. A continuación, se usan
esas predicciones individuales como entradas de un modelo térmico, para calcular una
predicción de ampacidad o de la temperatura de los conductores, para esos alcances y esas
localizaciones de la línea.

Sin embargo, las magnitudes meteorológicas están correlacionadas, y a veces sus efectos
sobre los conductores aéreos se cancelan mutuamente. La magnitud que tiene mayor influencia
en los conductores es el viento [Cigr06], y a continuación, la temperatura ambiente y la
radiación solar, no teniéndose en cuenta generalmente, otras variables como la precipitación en
forma de lluvia o nieve, o la humedad del aire [Cigr14]. A velocidades medias y altas, el
enfriamiento que produce el viento sobre el conductor es dominante, mientras que, a
velocidades de viento bajas, la temperatura ambiente y la radiación solar pueden elevar la
temperatura del conductor de forma considerable [Cigr06]. Por todo ello, en otro tipo de
planteamiento se calcula directamente la ampacidad a partir de las medidas y/o a partir de las
predicciones meteorológicas con un modelo térmico de conductor. Y a continuación, se utilizan
esas ampacidades “observadas” y/o “predichas” como entradas de diferentes algoritmos que
dan una predicción de ampacidad para determinados alcances y localizaciones de la línea.

Uno de los sectores de referencia en investigación sobre predicción de magnitudes

meteorológicas con una escala local es el de las energías renovables, por lo que se ha recopilado
información sobre ello. En concreto, en el sector eólico se estudia la predicción de la potencia
de salida de generadores y parques eólicos. En algunos casos se predice esta potencia
directamente, mientras que en otros, se predice la velocidad del viento sobre los generadores, y
esta se relaciona con la potencia. Estos métodos para la predicción del viento pueden ser útiles
para la predicción de la ampacidad de líneas eléctricas aéreas. Sin embargo, hay que tener en
cuenta algunos aspectos [RLDH09], como es que los generadores eólicos producen energía
independientemente de la dirección del viento, ya que se orientan en dicha dirección, mientras
que el ángulo de incidencia del viento sobre un conductor eléctrico tiene influencia en su
ampacidad. Si el viento es perpendicular al conductor, se produce un mayor enfriamiento del
mismo, y por tanto, su ampacidad será mayor [Cigr14]. Además, aunque el viento produce un
enfriamiento de los conductores eléctricos aéreos en cualquier rango de velocidades, las
turbinas eólicas modernas generan energía con vientos desde un umbral mínimo de velocidad,
hasta 25-30 m/s [Emei13]. A pesar de ello, la correlación entre la ampacidad de una línea y la
potencia generada en un parque eólico es mayor cuanto más cerca este el parque eólico de la
línea [FGJM14, GMDM14].

34
 Revisión bibliográfica

En el sector eólico se hacen diferentes tipos de predicción para plazos desde unos pocos
minutos hasta 24 o 48 horas. Algunas de estas predicciones están basadas en estadística y
análisis de las series temporales de las medidas locales de viento. Otras están basadas en las
predicciones meteorológicas realizadas por diferentes agencias de meteorología. Según
[GiKa11, Kari17] los diferentes tipos de predicción están basados en:

• Estadísticas de medidas locales.

• Predicciones meteorológicas.

• Planteamiento físico, combinando las predicciones meteorológicas con un modelo

cartográfico del terreno.

• Planteamiento estadístico, usando las predicciones meteorológicas y las medidas locales

como datos de entrada.

• Combinación del planteamiento físico y el estadístico, con predicciones meteorológicas,

un modelo cartográfico del terreno y medidas locales.

Los métodos para predecir la velocidad del viento que únicamente usan medidas locales,
se basan en el estudio de las series temporales de dichas medidas, mediante diferentes tipos de
metodología:

• Modelos ARIMA de las series temporales de viento [BaJI12, MiSW04, ScTe98, Sfet00],
fractional-ARIMA [KaSe09], ARIMA-GARCH [LaMc10, LiES11], SETAR, STAR y
MSAR [PCMS08]

• Arboles probabilísticos [KuZS09a]

• Redes neuronales de diferentes tipos: perceptron de una o varias capas [AlDS99,

CaRi09, KuZS09a, Sfet02]; RBF [MKHA05], redes recurrentes [MKHA05], SVM
[KuZS09a], Neural logic network [Sfet00]

• Lógica difusa (Fuzzy logic): Takagi-Sugeno FIS [DaDo01, RaFe04] y ANFIS [PoNe06,
Sfet00]

• Métodos tan dispares como Kalman filter [Boss85], Discrete Hilbert transform [ZhYa02]
[ABOO06], Wavelet-based models [HuNa01], o Grey predictor [ElES06], Abductive
Networks (GMDH) [AbES09]

Si se utilizan predicciones meteorológicas, la salida del modelo de predicción

meteorológica es adaptada al lugar donde se encuentra situado el parque eólico. En el
planteamiento físico, basado en un modelo cartográfico del terreno, se trata de determinar los
efectos de la orografía (rugosidad del terreno, vegetación, obstáculos, etc.) en la velocidad del
viento, y obtener un perfil de viento local. Además, se realiza un postprocesado (Model Output
Statistics, MOS) de la predicción para corregir errores sistemáticos (offset, desviaciones, etc.).
En el planteamiento estadístico se combina la salida del modelo meteorológico con medidas
locales de generación eólica, velocidad y dirección del viento, etc., para que las predicciones se
35
Capítulo 2

ajusten en mayor medida a los valores reales. Entre los métodos basados en el planteamiento
estadístico, algunos se basan en:

• Distintos tipos de regresión [BGLN07, Gow03, MSCL04]

• Arboles probabilísticos [KuZS09b]

• Redes neuronales: perceptron de una o varias capas [KuZS09b, SPOP09], RBF

[KuZS09b], varios tipos de redes recurrentes [BTAD06], y SVM [KuZS09b]

Dado que el objetivo de la tesis es la predicción de la ampacidad de líneas aéreas, se ha

hecho un análisis bibliográfico más completo de los métodos que tienen este propósito. Dichos
métodos se clasifican en la Tabla 1 según el tipo de predicción, de forma similar a la
clasificación descrita para el sector eólico. De este modo, se diferencia entre los métodos que
se basan únicamente en medidas locales, y los que se basan en predicciones meteorológicas.
Estos últimos pueden usar también un modelo del terreno (planteamiento físico), o herramientas
estadísticas y medidas locales (planteamiento estadístico), para adaptar dichas predicciones a
una escala espacial y temporal más pequeña. Todas las predicciones meteorológicas están
basadas en modelos numéricos (NWP) de mayor o menor escala (ver Anexo D), por lo que en
última instancia se podría decir que todos los métodos de predicción de ampacidad se basan en
un modelo físico de la atmósfera. Sin embargo, el criterio seguido aquí para clasificarlos en el
planteamiento físico, es que usen modelos físicos del terreno y de la atmosfera para conseguir
una resolución mayor que la de los modelos mesoescalares que utilizan como entrada.

El análisis de los métodos de predicción listados en la Tabla 1 se realiza por separado en

los siguientes apartados. según se basen solo medidas locales, o se basen en predicciones
meteorológicas. Además, se indica el alcance de tiempo de las predicciones, y otras
particularidades. Por otra parte, muchos de los métodos analizados hacen una predicción
determinista o puntual, y en otros se hace una predicción probabilística. Los primeros dan un
valor puntual como predicción de ampacidad para cada instante futuro y buscan acercarse en la
medida de lo posible a las medidas u observaciones. Para ello, tratan de minimizar el error, sin
importar si este es positivo, con predicciones de ampacidad por encima de las observaciones,
que suponen sobrepasar la temperatura máxima admisible de los conductores, o negativo. Los
segundos hacen predicciones probabilísticas, que tratan de cuantificar la incertidumbre asociada
a la predicción de ampacidad para cada instante futuro. Estas predicciones permiten elegir un
nivel de riesgo determinado, y por tanto, un menor calentamiento de los conductores. Las
predicciones probabilísticas pueden ser de varios tipos:

• “Teóricas” o “paramétricas”, se asume que tienen una distribución de probabilidad con

una forma determinada, definida como una función de densidad mediante parámetros.

• “Empíricas” o “no paramétricas”, que no tienen una forma predefinida y generalmente

se basan en el cálculo de cuantiles empíricos.

Finalmente, en un último apartado, se analiza la forma en que se evalúa la calidad de las

predicciones, siendo diferente si estas son puntuales o si son probabilísticas.

36
 Revisión bibliográfica

Tabla 1. Métodos para la predicción de ampacidad.

Tipo de Datos de Modelo Variable a Alcance Evaluación

Método
predicción entrada térmico predecir (resoluc) predicciones
Modelos AR y
Medidas de Basado en Ampacidad
función de 1 - 24 h
una estación House&Tuttl probabilístic -
transferencia (1 h)
meteorológica e y Morgan a
[HaDe88]
Medidas de
Mínimo entre
temperatura
estaciones y
conductor en IEEE 738
medidas Ampacidad 1-4h
13 puntos. régimen -
recientes puntual (1 h)
Medidas 5 estacionario
[FoMa90,
estaciones
FoMa92]
meteorológicas
Modelo AR de
Medidas de 2 IEEE 738 Ampacidad
temperatura 1 - 24 h % errores
estaciones régimen probabilístic
ambiente (1 h) positivos
meteorológicas estacionario a
[StND91]
Temperatura
% errores
Medidas de 2 Modelos AR IEEE 738 del
positivos
estaciones bayesianos régimen conductor 1h
(estimación de
meteorológicas [ZPMS02] transitorio probabilístic
carga de línea)
a (MCS)
Medidas de Modelos AR IEEE 738 Ampacidad
una estación bayesianos régimen probabilístic 1h -
meteorológica [BACM07] estacionario a (MCS)
Temperatura
Modelos SAR
Medidas de 3 IEEE 738 del
y AR
estaciones régimen conductor 1h -
bayesiano
Basada en meteorológicas estacionario probabilístic
[KiKi10]
medidas a (MCS)
locales IEEE 738 y
Medidas de Clasificación
CIGRÉ Ampacidad
una estación del viento en
régimen probabilístic 1h -
meteorológica clases.
estacionario y a
marina [KrWB10]
transitorio
Temperatura
% errores
Medidas Modelos AR IEEE 738 del
positivos
meteorológicas bayesianos régimen conductor 1h
(estimación de
y de corriente [WaSJ11] transitorio probabilístic
carga de línea)
a (MCS)
Medidas Implícito red
Red neuronal Temperatura
variables de neuronal y
FIR entrenada del Graficas de
línea. Medidas IEEE 738 1h
con algoritmo conductor error relativo
6 estaciones régimen
BP [LiMC11] puntual
meteorológicas transitorio
Red neuronal MSE variables
Perceptron meteorológica
Medidas de
multicapa IEEE 738 y Ampacidad s, histogramas
una estación -
entrenada con CIGRÉ puntual error variables
meteorológica
algoritmo LM meteorológica
[MGMM14] s y ampacidad
Interpolación
RMSE,
espacial entre
Medidas de 9 IEEE 738 Ampacidad 10 - 30 agudeza,
estaciones.
estaciones régimen probabilístic min CPRS, PIT de
Modelos AR-
meteorológicas estacionario a (MCS) (10 min) variables
CH y VAR-CH
meteo.
[FaBI16]

37
Capítulo 2

Tipo de Datos de Modelo Variable a Alcance Evaluación

Método
predicción entrada térmico predecir (resoluc) predicciones
Quantile Ampacidad
Medidas
regression IEEE 738 probabilístic 1h NMAE P50
meteorológicas
[WWHZ16] a
NMAE
Exponential IEEE 738 ampacidad y
Medidas Ampacidad
smoothing régimen 1h variables
meteorológicas puntual
[ZDZX16] transitorio meteorológica
s
Modelos
Medidas 3 ARIMA y de Ampacidad MAE
Basada en 1-4h
estaciones espacio de CIGRÉ probabilístic predicción
medidas (1 h)
meteorológicas estados a puntual
locales
[KKBT17]
Media de
Medidas de Modelo Histogramas
últimas Ampacidad 5 min,
una estación régimen de error
medidas puntual 30 min
meteorológica transitorio relativo
[NgSF17]
Red neuronal
1 – 24 h
Medidas 9 GRUN CIGRÉ
Ampacidad (1 h),
estaciones [MoPS18], régimen MAE, NMAE
puntual 1 – 48 h
meteorológicas QRF estacionario
(1 h)
[MoFS19]
House
Predicciones Aplicación de &Tuttle, Temperatura
meteorológicas la predicción Morgan, del
1 h, 5 h -
de Ontario meteorológica IEEE 738 conductor
Hydro [ChBa89] régimen puntual
estacionario
Basado en
Aplicación de
IEEE 738 y
Predicciones la predicción Ampacidad
CIGRÉ 24 h -
meteorológicas meteorológica puntual
régimen
[Babs11]
Basada en estacionario
NWP Predicciones
Aplicación de Bias, MAE,
meteorológicas
la predicción Basado en Ampacidad 3 - 84 h RMSE, %
de NAM
meteorológica IEEE 738 puntual (3 h) errores
escaladas con
[Pytl12] positivos
modelo WRF
Aplicación de
la predicción
Ampacidad
Predicciones meteorológica.
- probabilístic - -
meteorológicas Interval
a
arithmetic
[Chai18]
Interpolación
Predicciones predicciones
meteorológicas meteo., CIGRÉ Ampacidad
6 - 24 h
de la NOAA. corrección del régimen probabilístic -
(6 h)
Rugosidad del viento con estacionario a (MCS)
Basada en terreno topografía
NWP + [MiTa09]
modelo de Interpolación
terreno predicciones % errores
Predicciones
meteo., Ampacidad positivos, nº
meteorológicas 4, 24 y
corrección del CIGRÉ probabilístic horas
. Rugosidad del 48 h
viento con a consecutivas
terreno
topografía err. positivos.
[HJHS12]

38
 Revisión bibliográfica

Tipo de Datos de Modelo Variable a Alcance Evaluación

Método
predicción entrada térmico predecir (resoluc) predicciones
Predicciones
meteorológicas Software de Basado en Temperatura
15 min -
del modelo simulación IEEE 738 del Errores
18 h
HRRR v2. CFD régimen conductor absolutos
(15 min)
Basada en Rugosidad del [YSLM18] transitorio puntual
NWP + terreno
modelo de Predicciones
terreno meteorológicas Software de RMSE
IEEE 738
del modelo simulación Ampacidad 1 – 18 h variables
régimen
HRRR v2. CFD puntual (1 h) meteorológica
estacionario
Rugosidad del [AFLF19] s y ampacidad
terreno
Predicciones
Corrección de
meteorológicas Modelo
la predicción
de NWS. régimen
meteorológica Ampacidad 7 días -
Medidas de estacionario y
con medidas
estaciones transitorio
[Deb95]
meteorológicas
Estimación
Predicción paramétrica de
“ensemble” funciones de Ampacidad
GEFS escalada densidad de IEEE 738 probabilístic 24 h PIT
con modelo las a (MCS)
WRF predicciones
[RiSM13]
Ajuste
Predicciones
estadístico de
meteorológicas
predicción
de GFS Basado en Ampacidad 30 min - Histogramas
meteorológica
escaladas con IEEE 738 y probabilístic 60 h de error
con medidas
modelo WRF. CIGRÉ a (30 min) relativo P98
locales
Medidas de
Basada en [NgLS13,
flecha y viento
NWP + SGVL16]
estadística Ajuste
Predicciones
estadístico de
meteorológicas
predicción 8 - 24 h,
de Met Office Ampacidad Histogramas
meteorológica CIGRÉ 2 - 7 días
y medidas de puntual de error
con medidas (8 h)
una estación
locales
meteorológica
[ChSH15]
Predicciones
Interpolación
meteorológicas Temperatura
espacial de las IEEE 738
del modelo del 1 - 24 h
predicciones régimen -
COSMO. conductor (1 h)
meteorológica transitorio
Predicciones puntual
s [SiBL15]
de carga
Predicciones
meteorológicas Red neuronal
de Weather basada en IEEE 738 Ampacidad
1 - 24 h % errores
Underground. extended régimen probabilístic
(1 h) positivos P98
Medidas de 3 Kalman filter estacionario a
estaciones [SLCG15]
meteorológicas

39
Capítulo 2

Tipo de Datos de Modelo Variable a Alcance Evaluación

Método
predicción entrada térmico predecir (resoluc) predicciones
Predicciones
Corrección de
meteorológicas
desviaciones y
de Foreca. Ampacidad 1 – 24 h % errores
rampas -
Medidas de 4 puntual (1 h) positivos
meteorológica
estaciones
s [Uski15]
meteorológicas
Predicciones
PCA, Temperatura
meteorológicas IEEE 738
regresión del 1 - 12 h
CWB. Medidas régimen MAE
multivariable conductor (1 h)
meteorológicas transitorio
[JLCZ18] puntual
locales
Predicciones Ampacidad
meteorológicas puntual
NBias,
del modelo GLM, MARS, (GLM, 15 min -
Basada en Basado en NMAE,
ECMWF 0,25º. RF, QRF MARS, RF), 27 h
NWP + CIGRÉ confiabilidad,
Medidas [AzSi16] ampacidad (15 min)
estadística agudeza
meteorológicas probabilístic
locales a (QRF)
Predicciones
meteorológicas
del modelo QLR, MDNN,
Ampacidad NMAE P50,
ECMWF KDE, QRF 1 -42 h
CIGRÉ probabilístic PIT, agudeza,
0,125º. [DuMK16] (1 h)
a CRPS, QS
Medidas [DuKM19]
meteorológicas
locales
Predicciones Basado en
MLQR y Ampacidad
meteorológicas CIGRÉ
GMM probabilístic 24 h -
escaladas con régimen
[VDPH20] a
modelo WRF estacionario

2.3.1 Predicción de ampacidad a partir de medidas

En los métodos de predicción de ampacidad basados solo en medidas directas encontrados

en esta revisión bibliográfica, se parte de cada una de las series temporales de medidas de las
variables meteorológicas de las que depende la ampacidad, para predecir cada una de estas
variables individualmente. Se usan modelos diferentes para cada una de ellas, basados en
autorregresión o en redes neuronales. Estas predicciones se utilizan como entradas de un
modelo térmico de conductor, para dar una predicción de ampacidad o de temperatura del
conductor. Las excepciones a este procedimiento son [LiMC11, MoFS19, MoPS18, WWHZ16],
en las cuales se usan las medidas recientes de esas variables como entrada a un único modelo
predictivo, y [FoMa90]. En general, las predicciones de ampacidad a partir de medidas tienen
un horizonte típico de una hora, aunque en las investigaciones más antiguas [HaDe88, StND91],
se extendieron hasta 24 horas, comprobando que no daban buenos resultados para plazos tan
largos. Otra de las cuestiones a tener en cuenta, es que en la mayoría de los casos se predice la
ampacidad o la temperatura de los conductores para los puntos de la línea eléctrica en los cuales

40
 Revisión bibliográfica

se dispone de medidas meteorológicas, siendo pocos los trabajos que estudian la predicción de
la ampacidad de toda una línea [FoMa90] o una red eléctrica completa [ZDZX16].

En cuanto a la metodología empleada para predecir cada variable meteorológica, se usan

modelos estadísticos diferentes para cada una de ellas. Estos modelos se basan en ARIMA
[FaBI16, HaDe88, KKBT17, StND91], modelos autorregresivos bayesianos [BACM07,
KiKi10, WaSJ11, ZPMS02] u otros [KrWB10, NgSF17, ZDZX16]. Salvo excepciones
[KrWB10, NgSF17, ZDZX16], la radiación solar no es medida, sino que se hace una predicción
determinista de su comportamiento considerando el cielo despejado, modelando su periodicidad
con series de Fourier, en función de la posición del sol sobre el horizonte. La temperatura
ambiente es predicha con modelos autorregresivos de distinto tipo en [BACM07, FaBI16,
HaDe88, KKBT17, StND91, WaSJ11, ZPMS02] tras eliminar de la serie la periodicidad diaria.
Así, se modela la temperatura ambiente como la suma de un componente “estocástico”,
predicho con uno de los modelos autorregresivos descritos más adelante, más un componente
determinista periódico, modelado con series de Fourier. En algunos casos [FaBI16, HaDe88]
también se modela la periodicidad diaria del viento mediante series de Fourier. En otros casos,
la periodicidad de la velocidad y la dirección del viento está incluida implícitamente dentro del
propio modelo, o explícitamente como en [KiKi10], donde se predice la velocidad del viento
con un modelo de tipo SAR.

En [StND91] se predice la ampacidad en dos localizaciones distantes geográficamente

con un horizonte de hasta 24 horas, de hora en hora. Para ello se usa un modelo autorregresivo
para predecir la temperatura ambiente, considerando una velocidad de viento efectivo sobre el
conductor constante, de 0.6 m/s. En [HaDe88] también se predice la ampacidad con un
horizonte de 24 horas. En este caso, se usan modelos autorregresivos para la temperatura
ambiente y la dirección del viento, y modelos de función de transferencia para predecir la
velocidad del viento y el número de Nusselt, ya que obtienen mejores resultados prediciéndolo
previamente a su inclusión en los cálculos térmicos. Dichos modelos de función de transferencia
predicen los valores de la variable de salida a partir de sus valores pasados y los valores pasados
de una variable exógena, que en este caso es la temperatura ambiente. En ambos casos [HaDe88,
StND91] se hace una predicción probabilística de la ampacidad. Para ello, en [HaDe88] se parte
de las predicciones puntuales y, asumiendo una distribución gaussiana [BJRL16], se predice la
varianza de cada variable meteorológica en función de la varianza de los errores de la última
hora de la temperatura ambiente y de la variable a predecir, y la varianza de la ampacidad, en
función de las varianzas de temperatura ambiente y número de Nusselt calculadas previamente.

En [ZPMS02] se predice la temperatura del conductor en dos localizaciones de una línea

separadas entre sí, a 1 hora vista. Para ello, se usan modelos autorregresivos con inferencia
bayesiana para estimar los parámetros de la distribución de probabilidad de las predicciones de
cada variable meteorológica, a partir de las medidas horarias de los 6 días anteriores. Se asume
a priori, que la dirección del viento tiene una distribución Von Mises, para la velocidad del
viento se usa un modelo de regresión logística que representa las velocidades bajas con una
distribución gaussiana y el resto con una distribución Weibull, y para la temperatura ambiente
se usa una distribución gaussiana. Todos estos modelos son autorregresivos, y se calcula el
parámetro de localización de cada predicción a partir de la medida de la ultima hora. Finalmente,

41
Capítulo 2

se usan estas predicciones probabilísticas de las variables meteorológicas y la predicción

determinista de radiación solar para la siguiente hora, en una simulación Monte Carlo con las
ecuaciones térmicas del conductor, para dar una predicción probabilística de la temperatura del
conductor. En [BACM07, KiKi10, WaSJ11] se hace un planteamiento muy similar a [ZPMS02],
aunque en [KiKi10] se hace una predicción puntual de la velocidad del viento con un modelo
de tipo SAR, y a continuación se calcula una distribución de probabilidad de dicha predicción
a partir de los errores pasados.

En [FaBI16] se hace predicción de ampacidad en nueve localizaciones separadas a lo

largo de una línea eléctrica de 90 km, con un horizonte temporal de 2 horas, a partir de medidas
medias cada 10 minutos. Para ello, predice la temperatura ambiente y la velocidad del viento
descompuesta en direcciones norte y este, mediante modelos autorregresivos y modelos VAR
(Vector Auto Regressive). Los modelos VAR dan una predicción en una de las localizaciones a
partir de las medidas pasadas, no solo en esa localización, sino también en localizaciones
cercanas. Los modelos AR y VAR permiten calcular las distribuciones de probabilidad de las
predicciones a partir de las predicciones puntuales. Así, se asume una distribución gaussiana
para la temperatura ambiente, una distribución gaussiana truncada que tiene en cuenta que la
velocidad del viento solo toma valores positivos, y una distribución Von Mises para la dirección
del viento. Sin embargo, en este trabajo se demuestra como los modelos heterocedásticos AR-
CH y VAR-CH, en los cuales la varianza de estas distribuciones es calculada en función de los
errores de la ultima hora (o las últimas dos horas, en el caso de la dirección del viento) dan
mejores resultados que los modelos AR y VAR, con varianza constante. Los parámetros de los
diferentes modelos son elegidos con el objetivo de minimizar el CRPS. Finalmente, se hace
predicción de ampacidad en una simulación Monte Carlo, con las predicciones probabilísticas
de las diferentes variables meteorológicas.

En [ZDZX16] se utiliza un modelo similar a los autorregresivos, denominado Exponential

de veces p y se multiplican por un factor de suavizado. En [NgSF17] se predicen las variables

Smoothing, en el cual las medidas pasadas de cada variable meteorológica se elevan un número

meteorológicas a partir de la media de las medidas más recientes. En [WWHZ16] se sigue una
metodología diferente, en la cual se calculan diferentes cuantiles de un conjunto de medidas
pasadas de las variables meteorológicas, mediante regresión cuantílica (Quantile Regression),
sin importar el orden cronológico de esas medidas. De esta forma se hace una predicción
probabilística “empírica” de ampacidad, en la cual la incertidumbre de las predicciones se
cuantifica mediante diferentes cuantiles.

Un planteamiento diferente para hacer predicción de ampacidad o de la temperatura de

los conductores está basado en redes neuronales. En [LiMC11], se usa una red neuronal FIR
(Finite Impulse Response) entrenada con el algoritmo BP (Back Propagation) para predecir la
temperatura del conductor a una hora vista. Este tipo de red neuronal tiene una arquitectura de
propagación hacia delante, pero implementa lazos de realimentación localmente, a nivel
sináptico, para tratar la variación temporal de las variables, es decir, la dependencia de variables
de salida actuales, a partir de variables de entrada pasadas. Cada sinapsis tiene el mismo modelo
matemático que un filtro FIR, de ahí su denominación. Las entradas de la red neuronal son
medidas de varias estaciones meteorológicas locales y medidas de temperatura e inclinación del

42
 Revisión bibliográfica

conductor, corriente y tensión eléctrica en diferentes puntos de una línea, con resolución de un
minuto. Compara las predicciones de temperatura del conductor para la siguiente hora, hechas
con un modelo térmico en régimen no estacionario a partir de las predicciones de las variables
meteorológicas de la red neuronal, con las hechas directamente con la red neuronal. En
[MGMM14], se usa una red neuronal Perceptron multicapa entrenada con el algoritmo
Levenberg Marquardt, para predecir la ampacidad de una línea. Las entradas de la red neuronal
son medidas de temperatura ambiente, velocidad y dirección del viento, y radiación solar. Hace
predicción de cada una de ellas, para calcular una predicción de ampacidad con un modelo
térmico. En [MoPS18] se utiliza una red neuronal GRUN (Gated Recurrent Unit Network) con
medidas de la velocidad del viento en ejes X e Y, temperatura ambiente y gradiente vertical de
temperatura ambiente (adiabatic lapse rate) como entradas. Este tipo de red neuronal pertenece
a la familia de las “redes neuronales recurrentes” (Recursive Neural Networks, RNN),
adecuadas para “aprender” la dependencia de la salida respecto a entradas pasadas en el tiempo.
Es importante señalar que estos métodos basados en redes neuronales hacen una predicción
puntual de ampacidad.

2.3.2 Predicción de ampacidad a partir de predicciones meteorológicas

Como se puede ver en la Tabla 1, gran parte de los trabajos de investigación sobre
predicción de ampacidad encontrados en esta revisión bibliográfica, están basados en
predicciones meteorológicas. Aunque en algunos casos [Babs11, ChBa89, Pytl12] se usan
directamente las predicciones meteorológicas mesoescalares para la localización de cada
soporte o vano de una línea eléctrica, ha quedado en evidencia [HJHS12, Pytl12] que es
necesario algún tipo de ajuste físico o estadístico, para que las predicciones de ampacidad o de
la temperatura de los conductores se acerquen en lo posible a las observaciones, y el riesgo de
sobrepasar la temperatura máxima admisible sea menor. Esto es debido, al menos en parte, a
que la resolución de los modelos meteorológicos mesoescalares no es suficiente para tener en
cuenta los efectos locales del viento [GiKa11]. Por este motivo, en [Uski15] se hace una
predicción conservadora de la ampacidad, teniendo en cuenta solo las predicciones
meteorológicas de temperatura ambiente, y considerando valores estáticos para el viento y la
radiación solar. De este modo se consigue un riesgo menor, a costa de un menor
aprovechamiento de la capacidad de la línea eléctrica, al considerar un mínimo enfriamiento
por convección.

En general, las predicciones de ampacidad basadas en predicciones meteorológicas tienen

un horizonte temporal típico de 24 o 48 horas. Este horizonte, y la resolución temporal de las
predicciones de ampacidad viene impuesto por el modelo de predicción meteorológica utilizado.
Por otra parte, estos modelos meteorológicos dan predicciones para los puntos de una rejilla
mesoescalar, y aunque en muchas de las investigaciones analizadas se dispone de medidas de
las variables meteorológicas para múltiples puntos geográficos a lo largo de una línea eléctrica,
en general, se hace predicción de ampacidad de forma individual para cada uno de esos puntos.
Únicamente en [HJHS12, SLCG15] se hace una predicción de la capacidad total de una línea.

43
Capítulo 2

Esta capacidad está limitada por un vano crítico en cada momento, y se calcula como la menor
predicción para cada instante a lo largo de la línea.

En [AFLF19, HJHS12, MiTa09, YSLM18] se tienen en cuenta los efectos de la orografía

mediante un modelo físico. Tanto en [MiTa09] como en [HJHS12], se interpolan las
predicciones de cada variable meteorológica, teniendo en cuenta la distancia al punto de la línea
para el que se quiere predecir la ampacidad. A continuación, se corrige la velocidad del viento
en función de la rugosidad del terreno, mediante una relación entre vientos a diferentes alturas
(wind profile power law), similar a (11). En [HJHS12] se hace predicción de ampacidad en
diferentes puntos de una línea a 4, 24 y 48 horas vista. En [MiTa09] se parte de las predicciones
probabilísticas (valor medio, desviación estándar, máximo y mínimo) de las variables
meteorológicas con alcances de 6, 12, 18 y 24 horas, calculadas a partir de las predicciones
puntuales de NOAA, para predecir la ampacidad en una simulación Monte Carlo. En cambio,
en [AFLF19] se parte de las predicciones meteorológicas del modelo HRRR con 3 km y 15 min.
de resolución, para una región por donde pasa una línea de más de 100 km, para conseguir una
resolución mayor de las predicciones de viento con software de simulación fluidodinámica
(CFD). De este modo se consigue una resolución de 30 m para tratar de aproximarse al punto
medio de cada vano. En [YSLM18] se sigue un procedimiento muy similar, usando otro
software de simulación CFD a partir del mismo modelo meteorológico.

En otros trabajos de investigación se describen métodos con un planteamiento estadístico

para ajustar las predicciones meteorológicas mesoescalares a diferentes puntos de una línea. En
[NgLS13] se procesan las predicciones meteorológicas del modelo global GFS, convertidas a
resolución mesoescalar con WRF, con un horizonte de hasta 60 horas. Para ello, se utilizan
herramientas estadísticas y aprendizaje reforzado (reinforcement learning), a partir de las
medidas de flecha y viento perpendicular a la línea de varios aparatos Ampacimon instalados a
lo largo de la misma, y de estaciones meteorológicas cercanas. En [ChSH15] se adaptan las
predicciones meteorológicas de Met Office a las medidas locales interpolándolas en el tiempo.
La predicción de radiación solar se calcula a partir de predicciones de nubosidad y de históricos
de medidas de radiación solar.

En [SiBL15] se utilizan las predicciones del modelo COSMO y predicciones de la carga

de la línea, para hacer una predicción de la temperatura del conductor a lo largo de la línea con
un horizonte de 24 horas. Se interpolan las predicciones de cada variable meteorológica para
cada torre de la línea, y se calcula el valor para cada sección como la media de las torres en la
misma. Se usa un modelo térmico en régimen no estacionario para predecir la evolución de la
temperatura del conductor a lo largo de una hora, tomando como valor inicial la predicción de
la hora anterior. Para contrastar las predicciones se usan las medidas de 16 estaciones
meteorológicas cercanas, cuyos valores son interpolados a los nodos del modelo COSMO
mediante Kriging.

En [JLCZ18] se hace predicción de la temperatura del conductor hasta 12 horas vista.

Para ello se dispone de medidas de corriente y de temperatura del conductor de un dispositivo
SMT en un vano de una línea, y medidas y predicciones de las variables meteorológicas para
una rejilla de 2,5 x 2,5 km del Central Weather Bureau de Taiwan. Usa Principal Component

44
 Revisión bibliográfica

Analysis (PCA) para encontrar los componentes principales no correlacionados que representan
la mayor varianza de las observaciones de las 12 horas previas, para un modelo de regresión
multivariable con el que hace predicción de la temperatura de los conductores. Para evaluar las
predicciones, calcula el error como la diferencia entre las predicciones puntuales y las medidas
tomadas por dispositivo SMT.

En [RiSM13] se parte de los 20 escenarios del “ensemble” de predicción meteorológica

GEFS, aunque se consigue una resolución mesoescalar con el modelo WRF, para predecir la
ampacidad a 24 horas vista. Se hace una predicción probabilística de cada variable
meteorológica, estimando los parámetros de cada una de ellas por máxima verosimilitud
(Expectation Maximization Algorithm), a partir de datos de entrenamiento de medidas locales.
La temperatura ambiente se modela con una distribución gaussiana que es la suma ponderada
de las distribuciones gaussianas de los diferentes escenarios de la predicción “ensemble”, la
velocidad del viento a partir de las distribuciones Weibull de los escenarios y la dirección del
viento a partir de distribuciones Von Mises. Estas predicciones meteorológicas son las entradas
de una simulación Monte Carlo con un modelo térmico de conductor para dar una predicción
probabilística de ampacidad.

En [SLCG15] se hace predicción de ampacidad hasta 24 horas vista, con resolución

horaria, para ciertos vanos que son seleccionados por considerarlos críticos en el recorrido de
una línea. Se considera la ampacidad de la línea como el valor mínimo entre los predichos en
esos vanos. Se usan las predicciones meteorológicas puntuales de Weather Underground para
la zona, y medidas en estaciones meteorológicas cercanas, como entradas de una red neuronal,
basada en un filtro Kalman extendido (extended Kalman filter-based NN), para hacer
predicciones probabilísticas de las variables meteorológicas. Cada una de esas variables
meteorológicas es considerada como una variable aleatoria independiente con distribución
gaussiana, definida por su media y su desviación estándar. Por ello, se calcula la predicción de
ampacidad para cada vano como una variable aleatoria, cuyas media y desviación estándar son
calculadas por expansión en series de Taylor.

En [AzSi16] se parte de las predicciones meteorológicas puntuales del modelo ECMWF

0,25 º y de las medidas de las mismas variables meteorológicas en varios puntos de una línea,
para hacer predicción de ampacidad con un horizonte temporal de 27 horas, de 15 en 15 minutos.
Como las predicciones no tienen la misma escala espacial ni temporal que las medidas, se
interpola a partir de los nodos del modelo más cercanos a cada punto de la línea, y se interpola
en el tiempo consiguiendo una resolución de 15 minutos. Se calcula la ampacidad con un
modelo térmico, tanto a partir de las predicciones como de las medidas, generando series
temporales de ampacidad para los distintos puntos de la línea en los que se dispone de medidas.
Se usan las predicciones meteorológicas y las medidas de un año para entrenar cuatro métodos
de predicción diferentes: Generalized Linear Models (GLM), Multivariate Adaptive Regression
Splines (MARS), Random Forests (RF) y Quantile Regression Forests (QRF). En el proceso de
predicción se usa una ventana de tiempo deslizante, en la cual cada método hace predicciones
para cada alcance, a partir de ampacidad y variables meteorológicas medidas en un pasado
reciente, y predicciones para ese alcance de las variables meteorológicas. Los tres primeros

45
Capítulo 2

métodos generan predicciones puntuales de ampacidad, mientras que el ultimo, QRF, genera
predicciones probabilísticas.

En [DuMK16] se hace una predicción de ampacidad probabilística hasta 24 horas vista

en varios puntos de una línea. El estudio se centra en elegir el cuantil óptimo de las predicciones
que minimiza los costes económicos de generación eléctrica por una capacidad reducida de
transmisión, y debidos al mayor uso de reservas causado por errores de predicción. Las
predicciones son generadas por un modelo QRF que tiene como entradas las observaciones en
el instante en que se hace la predicción, medias de las observaciones un determinado número
de horas antes de la predicción, y predicciones del modelo ECMWF interpoladas en el espacio
para los puntos de interés, y en el tiempo para conseguir una resolución horaria. En [DuKM19]
se extiende la predicción a 42 horas vista usando además otros modelos: Quantile Linear
Regression, Mixture Density Neural Network y Kernel Density Estimator.

2.3.3 Evaluación de predicciones puntuales y de predicciones probabilísticas

Tal como se ha visto en el análisis de los métodos para la predicción de ampacidad de la

Tabla 1, hay una gran disparidad de métodos y es difícil compararlos entre sí en cuanto a su
capacidad para hacer predicciones acertadas, ya que cada autor la cuantifica de manera diferente,
o no lo hace. Como se ha explicado, algunos métodos de predicción se basan solo en medidas,
y tienen un alcance de hasta 1 hora, mientras que otros se basan en predicciones meteorológicas,
con alcances de 24 o 48 horas. Además, algunos hacen predicciones puntuales y otros hacen
predicciones probabilísticas, por lo que la manera de evaluarlos es diferente. Por otra parte,
algunos métodos hacen predicción de cada una de las variables meteorológicas, para un
determinado alcance de tiempo y un determinado punto de la línea eléctrica, y a partir de ellas,
calculan la ampacidad o la temperatura del conductor predichas, para ese alcance y ese punto
de la línea. En algunos casos se evalúan las predicciones de cada una de esas variables
meteorológicas comparándolas con medidas de las mismas tomadas a posteriori, una vez son
conocidas. En otros casos, se comparan directamente las predicciones de ampacidad o de
temperatura del conductor, con la ampacidad “observada” a posteriori, calculada a partir de
medidas de las variables meteorológicas, o con la temperatura del conductor “observada”, o
medida directamente con dispositivos de monitorización.

Entre las medidas de error más utilizadas para evaluar las predicciones puntuales se
encuentran el error absoluto medio (Mean Absolute Error, MAE) (13), el error cuadrado medio
(Mean Square Error, MSE) (14), y la raíz del error cuadrado medio (Root Mean Square Error,
RMSE) (15). Estos indicadores calculan la diferencia entre las predicciones y las observaciones
de ampacidad en amperios (o de temperatura de los conductores en ºC), siendo mpZqr|Z la
predicción hecha en el instante t con alcance k y mZqr la observación hecha en el instante t+k.
Todos ellos tienen el inconveniente de no diferenciar entre los errores positivos y los errores
negativos. Si se predice la ampacidad por debajo de su valor “real”, esto hará que la línea aérea
en cuestión este trabajando de forma ineficiente, desaprovechando parte de su capacidad para

46
 Revisión bibliográfica

transmitir energía. Pero más importante aún, si se predice por encima del dicho valor, y se utiliza
esa capacidad predicha, se hará trabajar a los conductores a una temperatura mayor que la
admisible, pudiendo llevar a situaciones de riesgo por una flecha excesiva, o a un deterioro
prematuro de los conductores. Existen otras medidas de error como el error medio (Mean Error,
ME o Bias) (16) que indica la tendencia positiva o negativa de los errores, pero no cuantifica
directamente el aprovechamiento de la línea o el riesgo de sobrepredicción.

∑y
Zz{xm
pZqr|Z − mZqr x
u[v =
S
(13)

:
∑y
Zz{}m
pZqr|Z − mZqr ~
u|v =
S
(14)

:
∑y
Zz{}m
pZqr|Z − mZqr ~
<u|v = •
S
(15)

∑y
Zz{}m
pZqr|Z − mZqr ~
W'$€ =
S
(16)

Además, aunque estas medidas de error se usan en muchos sectores, al definirlas de esta
manera no son de mucha utilidad para comparar los errores de magnitudes diferentes, o de una
misma magnitud, como puede ser la ampacidad, cuando esta se refiere a líneas eléctricas de
diferente capacidad. Por ello, se suelen normalizar, dividiéndolas por un número que puede ser
la media, o el recorrido de las medidas, como es el caso de (17) y (18) para el RMSE.

<u|v
S<u|v =
m̅
(17)

<u|v
S<u|v =
m]O‚ − m]5X
(18)

En otros casos se normalizan dividiendo los errores entre las medidas, dando lugar al
denominado error relativo medio, NMAE (Normalized MAE) (19) o MAPE (Mean Absolute
Percentage Error), y al NBias (Normalized Bias) (20), aunque esto puede presentar algunos
inconvenientes [HyKo06]. Finalmente, también se pueden normalizar dividiéndolas por una
constante significativa, como en el sector eólico, donde se calculan como una fracción de la
potencia instalada [Kari17].

mpZqr|Z − mZqr
∑y
Zz{ ƒ ƒ
mZqr
Su[v =
(19)
S

47
Capítulo 2

mpZqr|Z − mZqr
∑y
Zz{ mZqr
SW'$€ =
(20)
S

En diferentes investigaciones se dan medidas de error para evaluar las predicciones

puntuales, o la mediana de predicciones probabilísticas. Así, en [LiMC11] se presentan gráficas
del error relativo de las predicciones a 1 hora vista durante el periodo de estudio, observándose
que está por debajo del 10 % la mayor parte del tiempo. En [MGMM14] se indica que el 40,7 %
de los errores está entre -50 y 50 A, y el 95 % de los errores entre -92,4 y 271,6 A. En [ZDZX16]
se reporta un NMAE de 5,24 % para las predicciones también a 1 hora vista. En [AzSi16,
DuKM19] se comparan los distintos métodos evaluados en gráficas, con el NMAE y el NBias
para la predicción puntual o el percentil 50, en función del horizonte de predicción. En [AzSi16]
se pueden observar NMAEs por debajo del 15 % y NBias más pequeño que -4 %, para alcances
hasta 27 horas, y por debajo del 10 % y menor de -2 % respectivamente, para alcances de 1 o 2
horas. En [DuKM19] se dan NMAEs por debajo del 23 % para los alcances más largos hasta
42 horas, y menores del 15 % para 1 o 2 horas.

Además de usar medidas de error como las descritas, también es usual comparar las
predicciones con métodos de referencia. En predicción de ampacidad la referencia suele ser el
límite estático, y en el sector eólico y en meteorología son la persistencia y la media
climatológica [Pins06]. La persistencia se basa en suponer que el valor futuro de una variable
meteorológica será igual al último valor medido. La media climatológica es la media de todas

intermedio consiste en calcular el valor futuro de una variable como la media de las últimas n
las observaciones disponibles hasta el instante en que se hace la predicción. Un planteamiento

medidas. Otra forma de evaluar las predicciones consiste en analizar las distribuciones de los
errores en histogramas. Así se puede evaluar la frecuencia de ocurrencia de los errores a partir
de un cierto umbral de la variable predicha, o la influencia de una determinada variable en la
forma de la distribución de los errores. Las diferentes distribuciones se pueden analizar a partir
del estudio de los momentos de 1º, 2º, 3º y 4º orden, que son la media, la desviación estándar,
la asimetría y la curtosis, respectivamente [Pins06]. Los errores de predicción tienen una parte
sistemática y una parte aleatoria. Su media, o de forma equivalente, el bias, es una estimación
de la parte sistemática, mientras que su desviación estándar lo es de la parte aleatoria. Tanto el
error sistemático como el aleatorio contribuyen al MAE y al RMSE.

Por otra parte, algunos de los métodos analizados hacen predicciones probabilísticas, por
lo que la forma de evaluarlos es diferente. En las predicciones probabilísticas son deseables una
serie de características, como son: confiabilidad (reliability), agudeza (sharpness), resolución,
habilidad (skill) o valor económico [McPG09]. Confiabilidad se refiere al grado de similitud
entre predicciones y observaciones, de forma que cada cuantil de las predicciones debería
igualar en la misma proporción a las observaciones. La agudeza está relacionada con el grado
de concentración de la distribución de la predicción. La resolución indica la exactitud de la
predicción condicional a una o varias variables explicativas. La habilidad de la predicción
engloba estas tres características mencionadas: confiabilidad, agudeza y resolución [McPG09].

48
 Revisión bibliográfica

Para evaluar la incertidumbre de las predicciones probabilísticas se utilizan diversos

indicadores y diagramas, como son diagramas de confiabilidad (reliability diagrams),
Probability Integral Transform (PIT), rangos intercuantílicos o Continuous Ranked Probability
Score (CRPS). Los diagramas de confiabilidad comparan las frecuencias observadas con la
probabilidad de las predicciones. La línea diagonal indica una perfecta confiabilidad. PIT es
una manera de comparar las funciones de distribución acumuladas (Cumulative Density
Function, CDF) de las observaciones y las predicciones “ensemble”. Mediante los rangos
intercuantílicos se da una medida de agudeza de la distribución de probabilidad de las
predicciones, midiendo la distancia entre cuantiles (10 - 90 %, 20 - 80 %, …). El CRPS es una

„…Zqr|Z G†L , comparándola con las observaciones, yt+k, para cada horizonte de predicción k,
medida de habilidad de las predicciones dadas por su función de distribución acumulada,

siendo la función I igual a 1, si se cumple el evento entre paréntesis, y 0 en caso contrario. El

CPRS se calcula como la media de los cprs (21) para cada par predicción/observación.
qŒ

&.,€ = ˆ ‰„…Zqr|Z G†L − 9G† ≥ †Zqr L‹ (†

:
(21)
•Œ

El CPRS así definido se puede calcular para predicciones dadas como una función de
densidad, que es continua, aunque se puede hacer un cálculo aproximado para predicciones
dadas en forma de cuantiles. Tiene el inconveniente de otorgar el mismo peso a todos los
cuantiles, cuando en predicción de ampacidad los cuantiles más altos no se usan ya que suponen
un riesgo elevado. Por eso [DuKM19] utiliza otro indicador denominado Quantile Score (QS),
que da la distancia media entre predicciones y observaciones, pero con más peso en los cuantiles
más bajos.

En [FaBI16] se hace predicción probabilística de ampacidad con un horizonte de 30

minutos. Estas predicciones se evalúan en detalle con graficas del PIT, y tablas con valores
anchura de los intervalos de predicción (agudeza) y CRPS para cada una de las variables
meteorológicas y para varias de las 9 localizaciones a lo largo de la línea. Sin embargo, estos
valores de agudeza y CRPS se dan en las unidades de cada variable meteorológica (ºC, m/s,
etc.), y además, se echa de menos la evaluación de las predicciones de ampacidad. En [AzSi16]
las predicciones probabilísticas hasta 27 horas vista generadas con QRF son evaluadas con
diagramas de confiabilidad y gráficas con la anchura de los intervalos de predicción. Sin
embargo, de forma similar al caso anterior, esta anchura de los intervalos se da en amperios,
dificultando así el poder compararla con los resultados de otras investigaciones. Lo mismo
ocurre en [DuKM19], donde la anchura de los intervalos de predicción, el CRPS y el QS se dan
en amperios.

En cuanto a la evaluación del riesgo, en algunas referencias se define un indicador que da

el porcentaje del tiempo que la temperatura del conductor predicha supera la máxima admisible,
o lo que es lo mismo, teniendo en cuenta que las predicciones se hacen para intervalos de tiempo
regulares, el porcentaje de errores positivos (“% errores positivos” en la Tabla 1). En [StND91]
se evalúan de esta manera las predicciones probabilísticas con 1 y 2 desviaciones estándar, a 6
horas vista para las 14:00 durante el periodo de estudio. Para las dos localizaciones geográficas

49
Capítulo 2

estudiadas y para 1 desviación estándar son un 15,9 % y un 24,5 % del tiempo respectivamente,
y para 2 desviaciones estándar 0,7 % y 3,5 % respectivamente. Sin embargo, aunque de este
modo se puede evaluar el nivel de riesgo y elegir predicciones más seguras, no se dice nada
acerca del aprovechamiento de la capacidad de la línea. En [WaSJ11, ZPMS02] se asume una
determinada carga en la línea y se calcula el porcentaje del tiempo que se supera la temperatura
admisible, para esa carga y las condiciones meteorológicas predichas a 1 hora vista, reportando
ambos una gran variación del indicador cuando se supone el doble de carga que la asumida
inicialmente. Pero de esta manera, se hacen asunciones acerca de la carga de la línea que no
siempre son realistas, en lugar de calcular la temperatura que alcanzarían los conductores con
la predicción de ampacidad.

En [Pytl12] se dan histogramas de la temperatura del conductor predicha con diferentes

horizontes, en los cuales se puede observar como un porcentaje muy importante de las
predicciones está por encima de la temperatura máxima admisible (en este caso 75 ºC). En
[HJHS12] se da en gráficas el porcentaje del tiempo que se supera la temperatura del conductor.
En este caso, al tratarse de predicciones probabilísticas, se puede ver como el riesgo de superar
dicha temperatura es menor al seleccionar los cuantiles más seguros. Finalmente, en [SLCG15]
se cuantifica el riesgo de sobrepasar la temperatura máxima, 4,1 % para el percentil 98 de las
predicciones.

50
3 Línea piloto de Elgoibar

En esta tesis se propone una metodología para la predicción de ampacidad en líneas

eléctricas aéreas, a partir de medidas de las condiciones meteorológicas locales y a partir de
predicciones meteorológicas. Tras el análisis bibliográfico de los métodos de predicción
existentes, se va a proceder a describir la nueva metodología desarrollada en el ámbito de esta
tesis, cuyo objetivo es mejorar y suplir las carencias de los métodos existentes. Como se ha
explicado anteriormente, para desarrollar dicha metodología se ha dispuesto de medidas en una
línea piloto propiedad de Iberdrola y de predicciones meteorológicas para la localización
geográfica de dicha línea.

Por lo tanto, antes de explicar la metodología propuesta, en capítulos posteriores, a

continuación, se va a describir la instalación piloto realizada en la línea de Elgoibar, en la cual
los equipos de medida ya se han retirado, por lo que se dispone de los datos acumulados durante
los casi tres años que estuvo en funcionamiento. Se trata de una línea de distribución de 30 kV
que recorre un terreno montañoso. Los conductores activos son ACSR tipo 147-AL1/34-ST1A
(LA-180 según nomenclatura antigua) y tienen las características indicadas en la Tabla 2. La
temperatura máxima admisible que la compañía eléctrica Iberdrola asume para los conductores
de la línea es de 75 ºC.

Tabla 2. Características principales de los conductores de la línea piloto.

Característica Unidad
Sección aluminio 147,3 mm2
Sección acero 34,3 mm2
Nº alambres aluminio 30 -
Nº alambres acero 7 -
Diámetro total 17,5 mm
Masa 676 kg/km
Coeficiente dilatación lineal 17,8 ºC·10-6
Resistencia DC a 20 ºC 0,1962 Ω/km

Los instrumentos de medición, que pueden verse en la Figura 4, fueron instalados en el

extremo de un vano de 100 m de longitud, en las inmediaciones del núcleo urbano de Elgoibar,
situado en el valle por el que discurre el rio Deba (43,21º Norte, 2,41º Oeste). Los instrumentos
instalados y las medidas realizadas son los siguientes:

• Sensor SMT para la medición de la corriente, y de la temperatura superficial del

conductor mediante una sonda PT1000.

• Célula de carga [Alth06] de 2000 kg, para la medición de la tensión mecánica.

51
Capítulo 3

• Anemómetros, uno de cazoletas [Prog00a] y otro ultrasónico [Gill08], que miden la

velocidad y dirección horizontal del viento.

• Sensor de temperatura ambiente [Prog00b].

• Sensor de radiación solar [Prog00c], mide la radiación incidente en direcciones por

encima del plano horizontal de la sonda.

• Pluviómetro.

(1)

(2)

(3)

(4)

Figura 4. Instalación piloto: (1) célula de carga, (2) sensor de corriente y temperatura superficial del conductor,
(3) anemómetros, (4) sensores de temperatura ambiente y de radiación solar.

Un datalogger registró las medidas de los instrumentos cada minuto, para enviar los datos
posteriormente, a través de la red de telefonía móvil. La temperatura ambiente registrada
durante el tiempo que estuvieron instalados los instrumentos en la línea piloto osciló entre 40,2
ºC y -4,4 ºC. Se registraron vientos con las velocidades y direcciones indicadas en la Figura 5.

52
 Línea piloto de Elgoibar

Figura 5. Rosa de vientos de la instalación piloto.

Además, para el desarrollo de la metodología, también se ha contado con las predicciones

meteorológicas para la región geográfica donde se encuentra la línea piloto, de un modelo
HIRLAM con resolución espacial de 0,05º (Figura 6). En este modelo, la distancia entre dos
puntos de la malla es aproximadamente de 4 km (longitud) y 5,5 km (latitud). Los valores de
las predicciones, para los puntos de la malla cercanos a la instalación piloto de Elgoibar, han
sido interpolados por AEMET para obtener predicciones en el punto donde está localizada la
instalación (43,21º Norte, 2,41º Oeste). El modelo realiza predicciones de las siguientes
magnitudes:

• Velocidad y dirección de viento a 10 m de altura.

• Temperatura del aire a 2 m de altura.

• Radiación solar en superficie.

El modelo se ejecuta diariamente cada 6 horas (a las 00:00, 06:00. 12:00 y 18:00 horas),
con un plazo de predicción de hasta 36 horas, y con una resolución de 3 horas, es decir, cada
vez que se ejecuta, hace predicciones con alcances de 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33 y 36
horas.

53
Capítulo 3

Figura 6. Predicción de la velocidad del viento del modelo HIRLAM 0.05º.

54
 Línea piloto de Elgoibar

3.1 Procesamiento y análisis de los datos

Tal como se ha explicado, las medidas de la línea piloto y las predicciones meteorológicas
tienen distintas escalas espaciales y temporales, por lo que es necesario adaptarlas a las
características térmicas de los conductores, para poder hacer predicción de ampacidad. La
escala espacial del modelo HIRLAM utilizado, ha sido adaptada a la localización de la
instalación piloto por AEMET. La escala temporal de las medidas de la instalación piloto y del
modelo meteorológico se ha adaptado para conseguir una resolución de 10 minutos. A
continuación, se han ordenado en matrices las medidas y las predicciones de radiación solar,
temperatura ambiente, velocidad del viento y dirección del viento. El proceso seguido se puede
resumir en varias etapas:

• Paso 1: Cálculo de la velocidad de viento perpendicular efectivo

• Paso 2: Interpolación lineal de las predicciones meteorológicas

• Paso 3: Cálculo de las medias de las medidas y de las predicciones meteorológicas cada
10 minutos

• Paso 4: Cálculo con modelo térmico, de las series de la ampacidad “observada” y la

ampacidad “predicha”

• Paso 5: División de los datos en entrenamiento y evaluación

Como se ha visto en la revisión bibliográfica [Cigr14], la convección sobre el conductor

depende de la dirección relativa del viento sobre el mismo. Para simplificar los cálculos
térmicos, se ha calculado el viento perpendicular efectivo sobre el conductor a partir de las
medidas de su velocidad y su dirección. Análogamente, se ha calculado la predicción de viento
perpendicular efectivo sobre el conductor a partir de las predicciones de AEMET de su
velocidad y su dirección.

En lo que respecta a la escala de tiempo, los instrumentos de medida instalados en la línea

piloto dan medidas con una resolución mucho mayor, 1 minuto, que la resolución del modelo
de predicción meteorológico, 3 horas. Esta diferencia de escala temporal se puede apreciar en
el ejemplo de la Figura 7, donde la frecuencia relativa (percentiles) de las predicciones de
temperatura ambiente y velocidad de viento en función de la hora del día, está representada por
puntos (un punto cada 3 horas), y la frecuencia de las medidas, por líneas. Cada 3 horas se tiene
una sola predicción, pero se tienen 180 medidas diferentes. En la figura también se puede
apreciar la tendencia a la sobrepredicción de la velocidad del viento del modelo meteorológico.

55
Capítulo 3

Figura 7. Comparación de las predicciones de AEMET y las medidas de la línea piloto (los puntos
corresponden a las predicciones y las líneas a las medidas).

El modelo meteorológico se ejecuta cada 6 horas, dando predicciones hasta un horizonte

de 36 horas, se dice que se realiza una “pasada” cada 6 horas. Lo que se hace es interpolar entre
las predicciones de distinto alcance de cada pasada, obteniendo predicciones con la resolución
temporal de las medidas, hasta el horizonte de 36 horas. Una vez realizada la adaptación de la
escala de las predicciones meteorológicas a la de las medidas, se calcula la media cada 10
minutos de cada variable, tanto de las medidas como de las predicciones de temperatura
ambiente, velocidad de viento perpendicular efectivo y radiación solar. Con esto se pretende
filtrar los errores de medida, y conseguir una resolución más adecuada a los alcances de las
predicciones de ampacidad, entre media hora y 24 horas.

Además, se ha tenido en cuenta que los modelos meteorológicos se ejecutan para la hora
de pasada con todos los datos disponibles hasta ese momento, pero se necesitan varias horas de
computo, lo cual se ha considerado a la hora de utilizar los datos, de forma que, en el caso del
modelo de AEMET utilizado, se dispondría de sus predicciones en un plazo de 4 horas. De este
modo, cuando se usan las predicciones meteorológicas con un alcance determinado, se sigue el
criterio de usar las predicciones de la pasada disponible más reciente. Esto se puede ver en el
ejemplo de la Figura 8, en el cual se hace predicción de ampacidad a partir de las 12:00 con un
alcance de 24 horas. En ese instante, t=12:00, se busca la pasada disponible más reciente, que
en este caso es la realizada a partir de las 6:00, ya que aún no se dispondría de la que comienza
a las 12:00. Se utiliza la predicción de esa pasada para t+24 h, que son las 12:00 del día siguiente.
Se avanza 10 minutos, hasta las 12:10 y se utiliza la predicción para esa misma hora del día
siguiente. Este proceso se repite sucesivamente cada 10 minutos, hasta las 16:00, momento en
el que se dispondría de una nueva pasada, la realizada a partir de las 12:00. Esta, a su vez, se
utilizaría hasta agotar su alcance, a las 22:00, momento que coincide con la disponibilidad de
una nueva pasada. El proceso se repetiría de este modo, iterativamente, siempre que se disponga
de predicciones meteorológicas.

56
 Línea piloto de Elgoibar

06:00
00:00
18:00
12:00
06:00
00:00
18:00
12:00
06:00
t t + 24 h
00:00

00:00 06:00 12:00 18:00 00:00 06:00 12:00 18:00 00:00 06:00
tiempo

Figura 8. Ejemplo de las predicciones de AEMET utilizadas a partir de las 12:00 horas con un alcance de
24 horas. En verde las predicciones disponibles, en azul las utilizadas y en rojo las no disponibles.

La ampacidad se calcula usando las ecuaciones térmicas para régimen estacionario de

CIGRÉ [Cigr14], tanto a partir de las predicciones meteorológicas, como a partir de las medidas,
obteniendo series ordenadas cronológicamente, de la ampacidad “predicha” por el modelo
meteorológico, y de la ampacidad “observada”, es decir, de la ampacidad calculada a partir de
las medidas. Finalmente se dividen los datos así ordenados en dos conjuntos de datos
independientes, el primero para el entrenamiento de los diferentes algoritmos de predicción, y
el segundo para la evaluación de las predicciones. Dado que se dispone de datos de casi tres
años, se han utilizado los datos del primer año completo para entrenamiento, con el objetivo de
disponer de información meteorológica representativa de todas las épocas del año.

Una vez procesados los datos para desarrollar la metodología de predicción de ampacidad,
se ha hecho un análisis previo de los mismos. La gran mayoría de líneas eléctricas se operan en
la actualidad considerando un límite estático de ampacidad, o un límite estático diferente para
cada estación o periodo (invierno-verano, invierno-primavera-verano-otoño, etc.). El límite
estático supone una predicción de ampacidad conservadora, cuyo cálculo se basa en la asunción
de un mínimo enfriamiento por convección, y temperatura ambiente y radiación solar elevadas.
Se asumen los mismos valores de las variables meteorológicas para cualquier hora y cualquier
día del año (o estación), y para una región donde se localizan multitud de líneas eléctricas. Así,
para la zona en la que se encuentra la línea piloto, se considera una velocidad del viento de 0,6
m/s perpendicular al conductor, una temperatura ambiente de 26 ºC y radiación solar de 1000
W/m2. En esas condiciones, la ampacidad de la línea piloto es 482,3 A.

Al ser un método ampliamente aceptado por las compañías eléctricas, se ha usado como
referencia para compararlo con los métodos de predicción de ampacidad desarrollados en la
tesis. El límite estático supone una predicción conservadora, pero a pesar de ello, en la línea

57
Capítulo 3

piloto se sobrepasa la temperatura máxima admisible de los conductores más del 11 % del
tiempo, lo que corresponde a la zona en rojo de la Figura 9. Este valor es mayor que el 1 %
recomendado por CIGRÉ [Cigr06]. En ese mismo documento, CIGRÉ recomienda no
sobrepasar en 20 ºC dicha temperatura admisible, cosa que tampoco se cumple con el límite
estático. Durante el resto del tiempo, si bien la predicción del límite estático es segura, es mucho
menor que las observaciones, por lo que no se aprovecha gran parte de la capacidad de la línea,
representada en la Figura 9 en morado.

Figura 9. Falta de aprovechamiento y riesgo del límite estático.

En la Figura 10, la Figura 11 y la Figura 12 se puede ver la relación de la ampacidad con

cada una de las variables meteorológicas consideradas. En ninguno de los casos se observa una
relación lineal sencilla, que pueda aportar alguna ventaja a la hora de construir modelos
matemáticos, que relacionen directamente la ampacidad con estas variables para predecirla.

58
 Línea piloto de Elgoibar

Figura 10. Densidad de puntos ampacidad - temperatura ambiente.

Figura 11. Densidad de puntos ampacidad - viento perpendicular efectivo.

59
Capítulo 3

Figura 12. Densidad de puntos ampacidad - radiación solar.

También se ha analizado la dependencia de la ampacidad respecto a observaciones

pasadas de la misma, y respecto a la ampacidad calculada directamente a partir de las
predicciones meteorológicas. La primera relación se ha estudiado mediante la función de
autocorrelación (Autocorrelation Function, ACF), la cual se representa en la Figura 13, mientras
que para la segunda se ha calculado la correlación entre ambas, que es de 0,53. Como se puede
ver en dicha figura, se observa cierta periodicidad diaria en la serie de ampacidad, formada a
intervalos de tiempo de 10 minutos, por lo que un día corresponde a 144 intervalos. Aunque no
se han encontrado ciclos de variación superiores, cabe la posibilidad de que tenga periodicidad
anual, o superior a un año, pero esto no puede ser determinado a partir del estudio de los datos
de entrenamiento, cuya duración es exactamente de un año. También se observa una
autocorrelación importante con las últimas pocas horas.

60
 Línea piloto de Elgoibar

ACF
1

0.8

0.6

0.4

0.2

0
0 50 100 150 200 250 300 350 400 450
lag

Figura 13. Función de autocorrelación de la serie de observaciones de ampacidad.

61
4 Metodología para la predicción puntual de
ampacidad

En la revisión bibliográfica se han encontrado métodos que hacen predicciones puntuales

y métodos que hacen predicciones probabilísticas de ampacidad. Las predicciones puntuales
buscan acercarse a las observaciones, para lo cual tratan de minimizar el error. Si bien esto
puede ser suficiente en otros sectores como el eólico, para la predicción de generación de
turbinas y parques, en predicción de ampacidad presenta algunos inconvenientes. El principal
es que, aunque el error logrado sea pequeño, no se discrimina entre las situaciones en las que el
error es positivo y en las que es negativo. Según el criterio seguido a lo largo de esta tesis, donde
el error se calcula como la diferencia entre predicción y observación, en ese orden, los errores
positivos suponen una sobrepredicción de la ampacidad. Esta sobrepredicción supone que, si
las líneas condujeran la corriente dada por la predicción de ampacidad, la temperatura de sus
conductores alcanzaría valores por encima de la máxima admisible, lo que conllevaría
situaciones de riesgo. Estas situaciones de riesgo son, como se ha explicado previamente,
debidas a una flecha excesiva, y además pueden suponer un deterioro prematuro de los
conductores. Por otra parte, si los errores de predicción son negativos, supone predecir la
ampacidad por debajo de su valor real, de forma que se desaprovecha parte de la capacidad de
las líneas de transmitir energía eléctrica.

En [DGNC19] se advierte de la necesidad de usar un sistema de monitorización en tiempo

real para garantizar la operación segura de las líneas, cuando se hace predicción de ampacidad.
En la práctica, esto supondría que si se sobrepredijera la ampacidad, y esto lo detectara un
sistema de monitorización en tiempo real, se deberían aplicar restricciones en ciertas líneas y
activar las reservas de generación de energía eléctrica, lo que tendría consecuencias económicas.
En cualquier caso, tanto si se predijera la ampacidad por encima o por debajo de su valor real,
afectaría negativamente a los mercados eléctricos. Una solución interesante se presenta con la
predicción probabilística de ampacidad, la cual permite seleccionar el nivel de riesgo, y se
desarrollará en el siguiente capítulo.

En esta tesis se propone una metodología en la cual, en un primer paso, se hace una
predicción puntual de ampacidad, y a continuación, se hace una predicción probabilística
basada en las predicciones puntuales. Lo que se busca con las predicciones probabilísticas es
una mejora del aprovechamiento de las líneas para un nivel de riesgo determinado. Esta calidad
de las predicciones probabilísticas depende de la calidad de las predicciones puntuales. Para
ello, se ha dispuesto de medidas meteorológicas en un punto de la línea piloto y de predicciones
meteorológicas de AEMET para ese punto, según lo explicado en el capítulo anterior. Estos
datos han sido procesados de forma que se disponga de los mismos datos para todos los métodos

63
Capítulo 4

de predicción propuestos, usando una parte para el entrenamiento de cada método, y otra para
su evaluación.

En este capítulo se propone una metodología para la predicción puntual de ampacidad a

partir de medidas directas de las variables meteorológicas y a partir de predicciones
meteorológicas. En un primer apartado se usan solo medidas recientes de las magnitudes
meteorológicas consideradas en el modelo térmico, y se hacen predicciones con un modelo
ARIMA. Este tipo de modelos tiene multitud de aplicaciones, y también se ha utilizado en
investigaciones para la predicción de ampacidad. Sin embargo, tal como se ha podido
comprobar en la revisión bibliográfica, los resultados solo son aceptables para alcances de una,
o unas pocas horas. Por ello, se ha visto necesario la elaboración de modelos más complejos,
que además de utilizar observaciones recientes, también utilicen predicciones meteorológicas.
Entre estos modelos se proponen algunos basados en regresión lineal y en redes neuronales,
que usan técnicas de aprendizaje automático (machine learning) para minimizar el error.

Como se comprobará más adelante, los métodos propuestos, basados en regresión lineal
y red neuronal, permiten una gran reducción del error absoluto y de la tendencia a la
sobrepredicción, por lo que mejoran la calidad de las predicciones puntuales. Para evaluar las
predicciones puntuales de estos métodos, se utilizan las medidas de error más usuales en la
bibliografía, comparándolos con otros métodos que se usan como referencia, como son el límite
estático o la persistencia. Otro método de referencia es el ajuste de la temperatura ambiente,
pero manteniendo fijos los valores de velocidad del viento y radiación solar del límite estático.
Este planteamiento se basa en la idea de que la variación espacial y temporal de la temperatura
ambiente es reducida, con lo que se pretende mantener la generalidad del límite estático, pero
intentando aprovechar mejor la capacidad de las líneas para conducir más corriente cuando la
temperatura es menor.

Con el objetivo de satisfacer las necesidades, tanto de operación de red, como de los
mercados eléctricos, se han hecho predicciones para todos los métodos evaluados con diferentes
alcances: 30 minutos, 1, 2, 4 y 24 horas. Los alcances más cortos solo tienen sentido desde el
punto de vista de operación, mientras que el de 24 horas se ha elegido para tener también en
cuenta las transacciones mercantiles que se hacen para el día siguiente. En la Figura 18 se puede
ver un ejemplo de aplicación de los métodos propuestos, donde se comparan las predicciones
puntuales realizadas para un alcance de 24 horas con las observaciones.

64
 Metodología para la predicción puntual de ampacidad

4.1 Predicción de ampacidad basada en medidas

Los modelos de predicción ARIMA permiten predecir la evolución de un proceso a partir

de observaciones recientes de las magnitudes relacionadas con el mismo. En el anexo B de esta
tesis se hace una breve introducción a los mismos, con algunas referencias. Las observaciones,
pueden ser medidas de magnitudes físicas como la temperatura ambiente, la velocidad del
viento o la radiación solar, o pueden ser magnitudes derivadas como la ampacidad calculada a
partir de las mismas. En este caso se ha seguido este último planteamiento, utilizando la
ampacidad calculada a partir de medidas recientes de las variables meteorológicas en la línea
piloto para predecir sus valores futuros. En la serie univariable así calculada se dispone de una
observación cada 10 minutos, por lo que el “lag” o retardo de la serie corresponde con este
valor.

Para obtener un modelo de predicción adecuado se sigue un proceso de identificación,

estimación de parámetros y chequeo, para lo que se han usado los datos de entrenamiento. Una
vez obtenido el modelo, se ha hecho predicción de ampacidad considerando los parámetros
constantes a lo largo del periodo de evaluación. Para la identificación del modelo se analizan
las funciones de autocorrelación (ACF) y de autocorrelación parcial (PACF) de la serie de

diaria. Para identificar un modelo adecuado, la serie de entrenamiento, {xt}, se diferencia

entrenamiento. Por ello, se han considerado modelos periódicos SARIMA, con periodicidad

respecto al retardo de cada dato de la serie, {xt – xt-1}, respecto a días, {xt – xt-144}, y respecto al
retardo y respecto a días, {xt – xt-145}, y se calculan también las funciones de autocorrelación y
autocorrelación parcial de las series diferenciadas de este modo. Aquí se denomina xt al valor
de ampacidad observado en el instante t, xt-1 es el valor observado en el instante anterior, 10
minutos antes, xt-144 es el valor observado 24 horas antes (144 x 10 minutos = 24 horas), y xt-
145 es el valor observado 24 horas y 10 minutos antes. De este modo, se han seleccionado varios
posibles modelos, y se ha calculado el BIC para cada uno de ellos, eligiendo el que tiene un
BIC menor (Tabla 3).

Tabla 3. BIC de los modelos ARIMA identificados.

Modelo (p,d,q) x (P,D,Q) BIC

(0,1,2) x (0,0,0) 556811
(0,1,1) x (0,0,0) 551389
(1,1,1) x (0,0,0) 550131
(1,0,1) x (0,1,0) 583508
(0,1,2) x (0,1,1) 559108
(0,1,1) x (0,1,1) 553535
(1,1,1) x (1,1,1) 552057

65
Capítulo 4

parámetros por máxima verosimilitud, obteniendo ϕ1 = 0.381555 y θ1 = -0.742476, y dando

El modelo elegido, el (1,1,1) x (0,0,0), tiene la forma de (22) y se han estimado sus

lugar a la ecuación (23).

mZ = G1 − ˜{ LmZ•{ − ˜{ mZ•: + $Z − ™{ $Z•{ (22)

mZ = 0.618445 mZ•{ − 0.381555 mZ•: + $Z + 0.742476 $Z•{ (23)

Una vez obtenido este modelo a partir de los datos de entrenamiento, se usa su ecuación
para predecir la ampacidad secuencialmente a partir del inicio de la serie de datos de evaluación,
siguiendo el proceso explicado a continuación. En el instante t, se hace una predicción para el
siguiente instante t+1, basándose en las observaciones obtenidas hasta ese instante t. A
continuación, en el instante t+1 se hace una predicción para t+2 con los datos disponibles hasta
t+1 y la predicción para t+1 hecha previamente. De esta forma se repite el proceso hasta el
instante que corresponde al alcance de la predicción. Si por ejemplo el alcance es de 1 hora, la
predicción se hace en 6 pasos consecutivos de 10 minutos. El algoritmo necesita al menos
p+q+d+P+Q+D valores previos de la serie para hacer una predicción. Además de un numero
de valores pasados igual al número de términos autorregresivos más el número de diferencias,
se necesitan un numero adicional de valores pasados (≥ numero de términos de media móvil)
para calcular los errores pasados en un algoritmo recursivo hacia atrás. Si en un determinado
instante, no se dispone de los datos pasados necesarios, no se hace predicción en ese instante.
A continuación, se avanza hasta t+1 y se repite el algoritmo de predicción previamente descrito,
para el alcance correspondiente. Este proceso es repetido hasta el final de la serie de evaluación.

66
 Metodología para la predicción puntual de ampacidad

4.2 Predicción de ampacidad basada en predicciones

meteorológicas y medidas

Para reducir el error de la predicción de ampacidad calculada a partir de predicciones

meteorológicas, se propone una metodología que combina dichas predicciones meteorológicas
con observaciones basadas en medidas locales. Se proponen dos métodos diferentes, aunque
parten de los mismos predictores y los mismos datos. El primero está basado en regresión lineal
y el modelo utilizado es más sencillo que el del segundo método, una red neuronal de
propagación hacia delante de una capa (perceptrón de una capa).

Los predictores usados en regresión lineal y en la red neuronal son los mismos y se han
elegido teniendo en cuenta, entre otras cosas, la autocorrelación de la serie de observaciones de
ampacidad, que como se puede ver en la Figura 13, cae rápidamente a partir de las primeras
horas y tiene una periodicidad diaria. Los datos se han normalizado entre 0 y 1 y se han
ordenado en una matriz que es válida para todos los alcances, y proporciona la información
necesaria para aplicar la metodología propuesta a continuación. Los predictores son los
siguientes:

• Observaciones en el instante actual, y con 10, 20, 30 minutos, 1, 2, 4 y 24 horas de

antelación

• Medias de las observaciones de los últimos 30 minutos, 1, 2, 4 y 24 horas

• Predicciones de AEMET para los siguientes 30 minutos, 1, 2, 4 y 24 horas

Figura 14. Correlación de los predictores del modelo de regresión multivariable.

67
Capítulo 4

Se ha realizado un análisis de estos predictores, comprobando que diecisiete de las

dieciocho variables elegidas inicialmente (con la media de los 30 minutos previos había
colinealidad) son significativas, y su uso como entrada del modelo puede ser beneficioso para
mejorar las predicciones. En la Figura 14 se muestra la correlación entre las variables
explicativas, y entre cada variable explicativa y la variable dependiente.

modelo permite predecir el valor futuro de una variable Y, que en este caso es la ampacidad, a
Es posible definir un modelo de regresión lineal multivariable de la forma (24). Este

partir de múltiples predictores X1, X2, … , Xp-1, que son los definidos previamente.

¢5 - £V 2 £{ ∙ ¤5{ 2 £: ∙ ¤5: 2 ⋯ 2 £¦•{ ∙ ¤5¦•{ 2 E5 (24)

Aunque a nivel conceptual las diferencias entre modelos de regresión lineal y de redes
neuronales son mayores, en la Figura 15 se puede comparar la arquitectura del modelo de
regresión multivariable y de la red neuronal perceptrón de una capa utilizados para predecir la
ampacidad. En cualquier caso, este tipo de red neuronal es el más sencillo, existiendo modelos
mucho más complejos. Uno de los motivos principales de haber elegido este modelo es la
capacidad de cómputo y los limitados recursos de los que se ha dispuesto. En el anexo C se
introducen brevemente los modelos de regresión lineal y de redes neuronales.

Regresión lineal Red neuronal

1 1

β0 α10 β0
X1 1 H1
β1 β1

β2 X1 H2
β2 Y
X2 Y

βp α1p βp
α2p
Xp Xp Hn
αnp

Figura 15. Comparación entre modelos de regresión lineal y red neuronal perceptrón de una capa.

68
 Metodología para la predicción puntual de ampacidad

4.2.1 Regresión lineal

Se ha entrenado un modelo diferente para cada horizonte de predicción, para encontrar

los coeficientes más adecuados. En la Tabla 4 se muestran los pesos finales de cada una de las
variables. La selección de los mismos se realiza con el objetivo de minimizar el RMSE del
modelo en un proceso de validación cruzada (cross validation) en diez etapas. Para ello, se
dividen los datos de entrenamiento en diez partes, se eligen nueve de ellas para entrenar el
modelo, y se usa la décima para calcular el RMSE. Se repite el proceso diez veces, una por cada
parte, y se calcula el error final como la media aritmética de los diez RMSE.

Tabla 4. Coeficientes del modelo de regresión lineal.

Alcance de las predicciones

Coeficiente
30 min 1 hora 2 horas 4 horas 24 horas
Intercept 0,018562 0,022287 0,031380 0,054926 0,061753
Observación t 0,375765 0,301765 0,219059 0,136003 0,035379
Observación t – 1 0,086030 0,084154 0,055953 0,031595 0,019516
Observación t - 2 0,040957 0,044447 0,024596 0,022131 −0,002117
Observación t - 3 0,025149 0,020885 0,018517 0,009920 0,005189
Observación t - 1h −0,019097 −0,009798 −0,018846 −0,006688 0,001417
Observación t - 2h 0,007813 −0,009139 −0,007016 0,005835 −0,005440
Observación t - 4h −0,006707 −0,007257 −0,004017 0,002504 −0,019686
Observación t - 24h 0,030672 0,037056 0,026852 −0,016126 0,113150
Media última hora 0,164391 0,106997 0,157675 0,074607 0,031115
Media ultimas 2 h 0,113638 0,171805 0,115350 0,073491 0,091765
Media ultimas 4 h −0,041568 −0,072630 −0,102014 −0,119101 −0,004803
Media ultimas 24 h 0,010236 0,022722 0,053903 0,119255 0,010290
AEMET t + 30min −0,107871 −0,130248 −0,281276 −0,258845 −0,032440
AEMET t + 1h 0,078962 0,050506 0,202699 0,205645 −0,010325
AEMET t + 2h 0,106986 0,175013 0,121962 −0,100449 0,082169
AEMET t + 4h 0,014425 0,046537 0,169362 0,435685 −0,087690
AEMET t + 24h 0,007003 0,008232 0,006677 0,006236 0,399489

4.2.2 Redes neuronales

Se ha utilizado una red neuronal de propagación hacia delante con una sola capa oculta
(Figura 16), siendo el aprendizaje con el algoritmo de propagación hacia atrás (back
propagation). Para ello se han usado las funciones del paquete de software R [Rfou16], que
utiliza el algoritmo de optimización es BFGS (Broyden – Fletcher – Goldfarb – Shanno
algorithm). Se ha entrenado y usado un modelo para predecir la ampacidad con cada uno de los
alcances de tiempo. Los predictores de cada modelo son los mismos que para los modelos de
regresión lineal. Las entradas se normalizan entre 0 y 1, siendo la función de activación de las
neuronas de la capa oculta de tipo sigmoide, y la del resto de neuronas de tipo lineal.

69
 Capítulo 4

Figura 16. Arquitectura del modelo de red neuronal usado para la predicción de ampacidad.

Al igual que en regresión lineal, en el entrenamiento se sigue un proceso de validación

cruzada en diez etapas, con el objetivo de minimizar el RMSE de la salida. En el entrenamiento
también se elige el número de neuronas de la capa oculta y el parámetro de regularización,
“weight decay”, seleccionando los que dan un RMSE menor. Aunque, como se puede ver en la
Figura 17, en general el error será menor para un mayor número de neuronas, se debe establecer
un compromiso entre el error y la capacidad de computo, por lo que se ha limitado el número
de neuronas a 20 y se ha elegido un decay de 0,01.
Weight decay
0 0.001 0.01 0.1

0.0820
RMSE (Repeated cross-validation)

0.0815

0.0810

0.0805

0.0800

0 5 10 15 20
Hidden neurons

Figura 17. Error de salida en función del número de neuronas para diferentes “decays” (predicción a 1 h vista).

70
 Metodología para la predicción puntual de ampacidad

0
100
200
300
400
500
600
700
800
900
00

1000
:0
0

02
:2
4

04
:4
8

07
:1
2

09
:3
6

12
:0
0

tiempo
14
:2
4

16
:4
8

19
:1
2
ARIMA
AEMET
estático

21
persistencia

:3
red neuronal

6
observaciones

regresión lineal
ajuste temperatura

00
:0
0

Figura 18. Predicciones puntuales a 24 horas vista.

71
Capítulo 4

4.3 Resultados de la aplicación de la metodología en la línea

piloto

Para evaluar las predicciones puntales de ampacidad de cada método, se han comparado
las predicciones para el conjunto de datos de evaluación de la línea piloto, con un alcance de
tiempo determinado, con las observaciones para esos instantes de tiempo. Para ello se han
calculado el NRMSE, el NMAE y el NBias, que son indicadores normalizados, dándolos en
tanto por ciento. El RMSE, el MAE y el Bias se definen como en las ecuaciones (15), (13) y
(16), respectivamente, y se han normalizado según lo definido en las ecuaciones (18), (19) y
(20), respectivamente. Se han elegido estos indicadores por compatibilidad, para poder
comparar los resultados obtenidos en la línea piloto con otros resultados. Aunque es posible
normalizar el RMSE de varias maneras, generalmente, en los resultados de predicción de
ampacidad encontrados en la bibliografía, no se dice como se ha hecho. Por eso, se propone
normalizarlo dividiendo el RMSE por el recorrido de las observaciones, tal como es habitual
en otros sectores. En lo que respecta al NMAE y al NBias, se propone normalizarlos
dividiéndolos respecto a las observaciones, tal como se hace en [AzSi16, DuKM19, JLCZ18,
ZDZX16], a pesar de las cuestiones planteadas en [HyKo06] respecto a estos indicadores.

Se han comparado las predicciones puntuales obtenidas con modelos ARIMA, regresión
lineal y redes neuronales, con referencias como el límite estático y la persistencia. También se
han comparado con la aplicación directa de las predicciones meteorológicas de AEMET y con
el ajuste de temperatura ambiente de dichas predicciones. En la Tabla 5 se pueden ver los
valores que toman el NRMSE, el NMAE y el NBias para los diferentes alcances estudiados.
Tabla 5. Errores de las predicciones puntuales de los métodos evaluados.

Ajuste Regresión Red

Alcance Estático Persistencia ARIMA AEMET
temperatura lineal neuronal
30 min 8,1 7,9 13,6 15,1 7,1 7,1
1h 9,3 8,9 13,6 15,1 7,9 7,9
NRMSE
2h 17,8 11,0 10,9 13,6 15,1 8,9 8,9
(%)
4h 13,3 12,9 13,6 15,1 9,7 9,7
24 h 13,7 13,3 13,7 15,3 9,8 10,0
30 min 10,6 10,0 16,0 22,0 9,4 9,4
1h 12,1 11,6 16,0 22,0 10,6 10,5
NMAE
2h 21,3 14,5 13,9 16,0 21,9 12,1 12,0
(%)
4h 17,7 17,1 16,1 21,9 13,2 13,1
24 h 17,8 17,1 16,2 22,2 13,4 13,5
30 min 0,9 1,0 -8,3 17,8 1,4 1,4
1h 1,2 1,3 -8,3 17,7 1,7 1,7
NBias
2h -19,5 1,7 1,7 -8,3 17,6 2,1 2,2
(%)
4h 2,4 2,5 -8,3 17,6 2,6 2,5
24 h 2,5 2,5 -8,4 18,0 2,9 3,0

72
 Metodología para la predicción puntual de ampacidad

En la Figura 19 y la Figura 20, se puede comprobar como los métodos cuyas predicciones
puntuales dependen de observaciones recientes, ARIMA, regresión lineal, red neuronal y
persistencia, tienen menor error cuanto menor es el alcance, y mejoran el RMSE y el NMAE
del límite estático y de las predicciones directas de AEMET, incluso para los alcances más
largos. Cabe señalar que las predicciones de AEMET tienen el mismo nivel de error para
cualquier horizonte de tiempo. También cabe destacar que las predicciones de regresión lineal
y de la red neuronal mejoran el error de ARIMA y de la persistencia, especialmente para los
alcances más largos, lo que parece lógico, dado que se basan en predicciones meteorológicas.
Se ha comprobado que el error de regresión lineal y de la red neuronal concuerda con lo
encontrado en la bibliografía [AzSi16, DuKM19, LiMC11] con un NMAE por debajo de 10 %
para alcances de 1 o 2 horas, y por debajo de 15 % para alcances mayores.
NRMSE

h in
2 ora
s

s
ra

ra

ra
1 m

ho
ho

ho
30

24
4

Figura 19. NRMSE de las predicciones puntuales.

NMAE

s
h in
2 ora

s
ra

ra

ra
1 m

ho
ho

ho
30

24
4

Figura 20. NMAE de las predicciones puntuales.

73
Capítulo 4

En la Figura 21 se puede ver como, con un NBias negativo, el límite estático tiende a
predecir por debajo de las observaciones, lo que en principio parece ventajoso, ya que supone
un menor riesgo de sobrecalentamiento de los conductores, o de una flecha excesiva. Sin
embargo, esto significa un aprovechamiento menor de la capacidad de la línea. Con las
predicciones de AEMET aplicadas sin ningún ajuste ocurre lo contrario, se tiende a predecir
por encima, lo que supone un riesgo claro. Por otro lado, con cualquiera de los métodos
propuestos, ARIMA, regresión lineal y red neuronal, la tendencia a la sobrepredicción o a la
subpredicción es menor, lo que no significa mucho por sí mismo, ya que este indicador, NBias,
solo expresa la tendencia. Como se verá en los siguientes capítulos, con las predicciones
puntuales el nivel de riesgo es bastante elevado, por lo que se harán predicciones probabilísticas,
que permiten elegir dicho nivel de riesgo.
NBias

s
h in
2 ora

ra
ra

ra
1 m

ho
ho

ho
30

24
4

Figura 21. NBias de las predicciones puntuales.

En general, se ha podido comprobar que los métodos propuestos mejoran ampliamente la

referencia del límite estático y las predicciones de AEMET sin ajuste, en cuanto al error en
valor absoluto. Sin embargo, el modelo ARIMA apenas es mejor que la persistencia, para
cualquier alcance. Algo similar ocurre con el modelo de regresión lineal y la red neuronal.
Aunque el modelo de red neuronal perceptrón de una capa es un modelo relativamente simple,
es más complejo que el modelo utilizado para la regresión lineal, y ha supuesto mucho más
tiempo de computo. Pero esto no se ha visto reflejado en los resultados, ya que el error obtenido
con ambos métodos es similar.

74
 Metodología para la predicción puntual de ampacidad

4.4 Conclusiones tras la aplicación de la metodología

Se han obtenido algunas conclusiones tras aplicar la metodología para la predicción

puntual de ampacidad a la línea piloto. Los métodos propuestos, basados en regresión lineal y
redes neuronales, utilizan las medidas de la línea piloto y las predicciones meteorológicas para
la línea. La otra propuesta, el método basado en modelos ARIMA, utiliza únicamente medidas.
Para evaluar los resultados se han comparado las predicciones con las observaciones, calculadas
estas últimas a partir de las medidas para el instante de la predicción. Se han utilizado
indicadores estándar como el MAE, RMSE o el bias, que han sido normalizados para expresar
los resultados en forma de porcentaje.

Se ha comprobado que los métodos propuestos tienen menor error para los alcances más
cortos, lo cual concuerda con lo encontrado en la bibliografía. La utilización de predicciones
meteorológicas supone una mejora del error, sobre todo para los alcances más largos, ya que el
método basado en regresión lineal y la red neuronal mejoran los resultados del modelo ARIMA.
Además, todos los métodos propuestos mejoran los resultados, para cualquiera de los alcances
estudiados, de la predicción de ampacidad calculada directamente a partir de las predicciones
meteorológicas de AEMET, sin ningún método de ajuste estadístico a las condiciones de la línea
piloto.

La aplicación directa de las predicciones meteorológicas a la línea piloto produce un error

sistemático positivo, que corresponde a un bias positivo, lo que supone una sobrepredicción de
la ampacidad. La predicción de la ampacidad por encima de las observaciones puede llevar a
situaciones de riesgo debidas a temperaturas en los conductores por encima de la máxima
admisible. Sin embargo, con los métodos propuestos, la parte sistemática del error es reducida
prácticamente a cero, por lo que el riesgo, debido únicamente a la parte aleatoria del error, es
menor. A pesar de ello, el riesgo puede ser importante, por lo que el siguiente capítulo, se dedica
a la predicción probabilística de la ampacidad. Con este tipo de predicción se pretende tener
control del riesgo asociado a la misma, permitiendo al operador de las líneas seleccionar el nivel
de riesgo.

Por otra parte, las predicciones del límite estático o del método de ajuste de la temperatura
ambiente, tienen un error sistemático negativo, lo que supone una predicción conservadora y
menor riesgo. Pero ello se hace a costa de un menor aprovechamiento de la capacidad de las
líneas, por lo que con las predicciones probabilísticas se busca, no solo un riesgo menor, que se
pueda seleccionar, sino también un mayor aprovechamiento.

75
5 Metodología para
probabilística de ampacidad
la predicción

Muchos de los métodos de predicción encontrados en la bibliografía hacen una predicción

puntual de la ampacidad. Dichos métodos tratan de minimizar el error, entendido este como la
diferencia entre predicciones y observaciones, pero siempre habrá una incertidumbre inherente
a cada predicción, debida a un conocimiento incompleto de los procesos físicos que dan lugar
a futuros eventos. Los errores de predicción tienen una parte sistemática, que es constante, y
una parte aleatoria. Si el modelo predictivo fuera perfecto, la parte sistemática seria cero, y la
parte aleatoria se podría modelar como ruido blanco, es decir, como una secuencia de errores
aleatorios independientes con distribución gaussiana, media cero y varianza constante.

La incertidumbre asociada a las predicciones puntuales puede ser expresada en forma de

intervalos de predicción. Un intervalo de predicción es un rango de valores entre los cuales se
espera encontrar en el futuro la magnitud predicha, con una probabilidad preasignada. Uno de
los planteamientos más usuales para estimar intervalos de predicción es el planteamiento
paramétrico, que se basa en asumir una determinada distribución de probabilidad, definida
mediante los parámetros de su función de densidad. En los métodos paramétricos es usual
asumir una distribución gaussiana, suponiendo que los errores se pueden modelar como ruido
blanco. De este modo, se puede calcular la varianza durante el periodo de entrenamiento del
modelo, dando lugar a modelos homocedásticos, de varianza constante, o se pueden calcular
las varianzas más recientes en el periodo de predicción, dando lugar a modelos heterocedásticos.
Este es el planteamiento seguido en el apartado 5.1, donde se describe la metodología para
calcular este tipo de intervalos, denominados a lo largo de esta tesis intervalos teóricos.

La ampacidad de los conductores aéreos depende, entre otras magnitudes, de la velocidad

y dirección del viento, cuya naturaleza no se describe adecuadamente con modelos lineales. La
velocidad del viento se suele modelar con distribuciones asimétricas como la Weibull, y la
dirección del viento se suele modelar con la distribución Von Mises. Si se hace una predicción
paramétrica de cada una de las magnitudes de las que depende la ampacidad, esto implica una
dificultad añadida, ya que no es posible calcular directamente la función de densidad de las
predicciones de ampacidad o de temperatura del conductor. Para ello se suelen realizar
simulaciones basadas en el método Monte Carlo.

Las dificultades para modelar mediante distribuciones paramétricas las predicciones de

ampacidad o de magnitudes meteorológicas como la velocidad del viento, pueden ser superadas
con otro tipo de planteamiento, el no paramétrico, en el cual no se hace ninguna asunción acerca
de la forma de la distribución de probabilidad de las predicciones, y se calculan unos intervalos

77
Capítulo 5

de predicción empíricos, generalmente basados en cuantiles. Este tipo de predicción da la

probabilidad τ de que el conjunto de predicciones ¢…Zq§|Z
¨
sea superior al conjunto de
observaciones ¢Zq§ , según (25).

0}¢…Zq§|Z
¨
> ¢Zq§ ~ = ª (25)

En los siguientes apartados se describen dos métodos que permiten hacer predicciones
probabilísticas basadas en cuantiles. El primero de ellos consiste en el cálculo de unos intervalos
empíricos constantes basados en los errores de la predicción puntual durante el entrenamiento.
El segundo, que se describe en un nuevo apartado, consiste en el cálculo de unos intervalos
empíricos que dependen de la magnitud de las predicciones puntuales realizadas durante el
entrenamiento. En el último apartado de este capítulo, se hace un análisis de la metodología
propuesta, al aplicarla a la línea piloto. Se comparan los distintos tipos de intervalos, teóricos y
empíricos, en cuanto a su confiabilidad y agudeza. Para ello, se aplican los métodos para
calcular los diferentes tipos de intervalos a las predicciones puntuales realizadas previamente
con el método de regresión lineal.

78
 Metodología para la predicción probabilística de ampacidad

5.1 Intervalos teóricos

Los modelos de regresión lineal se pueden utilizar para predecir el valor futuro de una
variable a partir de uno o múltiples predictores, siendo posible cuantificar la incertidumbre
asociada a la predicción, y calcular unos límites de predicción. Estos límites de predicción se
basan en asumir una distribución determinada. Bajo una serie de supuestos [KNNL05] (ver
resumen en anexo C) es posible considerar que las predicciones tienen una distribución
gaussiana, y en la medida que la realidad se aleja de estos supuestos, la distribución de las
predicciones se desvía de dicho comportamiento.

Se debe diferenciar entre intervalos de confianza e intervalos de predicción. Dada una

muestra de una población estadística, un intervalo de confianza sirve para dar una medida de la
confianza en la estimación de un parámetro poblacional. Por otro lado, un intervalo de
predicción sirve para dar un rango de valores entre los cuales puede encontrarse el siguiente
individuo seleccionado al azar, con un determinado grado de confianza.

Dado un modelo de regresión lineal multivariable cuya función de respuesta es (26) y se

calcula en función de las variables X1, X2, … , Xp-1, es posible cuantificar la incertidumbre
asociada al modelo estableciendo unos límites de predicción 1-α, para una observación nueva
Yh correspondiente a los valores Xh, siendo la varianza del error de predicción s2[pred].

v[¢] = £V + £{ ∙ ¤{ + £: ∙ ¤: + ⋯ + £¦•{ ∙ ¤¦•{ (26)

¢…§ ± `{•-⁄: ∙ €[.,)(] (27)

€ : [.,)(] = u|v + € : ‰¢…§ ‹ = u|v ∙ G1 + ¤′§ ∙ G¤′ ∙ ¤L•{ ∙ ¤§ L (28)

Se han utilizado las predicciones puntuales realizadas con los modelos de regresión lineal
sobre el conjunto de datos de entrenamiento, para calcular intervalos de predicción de este tipo
definidos por su función de densidad. Esto permite dar una predicción probabilística de
ampacidad, pero tiene el inconveniente de no estar definidos para modelos no lineales como las
redes neuronales.

79
Capítulo 5

5.2 Intervalos empíricos basados en los errores de la predicción

puntual

La propuesta para este tipo de intervalos se basa en calcular cuantiles de los errores de las
predicciones puntuales para el conjunto de los datos de entrenamiento, tal como se puede ver
en el ejemplo de la Figura 22. Se asume que los errores se mantienen constantes a lo largo del
tiempo, permitiendo hacer predicciones probabilísticas, simplemente restando los cuantiles de
los errores a cada una de las predicciones puntuales. Esto se ha comprobado sobre el conjunto
de datos de evaluación. En la Tabla 6 se muestran los cuantiles calculados para las predicciones
puntuales realizadas con el método de regresión lineal.

100
50 %
75 % 7
90 %
80 95 %
6
97.5 %
99 %
99.5 % 5
60

40 3

2
20
1

0 0
-1000 -500 0 500
error (A)

Figura 22. Cálculo de intervalos empíricos basados en los errores de predicción puntual.

Tabla 6. Cuantiles de los errores de regresión lineal para el cálculo de los intervalos empíricos (A).

Alcance
Cuantil 30 min 1h 2h 4h 24 h
25 49,5 57,5 67,4 76,4 74,6
10 91,3 102,8 115,0 125,6 126,3
5 117,0 129,6 142,0 152,0 155,8
2.5 141,1 154,2 164,9 174,9 180,8
1 171,3 184,8 195,1 202,0 208,3
0.5 193,7 206,6 217,7 220,2 227,7

80
 Metodología para la predicción probabilística de ampacidad

5.3 Intervalos empíricos para diferentes segmentos de la

predicción puntual

Mediante este método, se intenta encontrar una relación matemática entre las predicciones
puntuales de ampacidad para un alcance de tiempo determinado, y las observaciones. El método
es válido para las predicciones puntuales de ampacidad de cualquiera de los métodos propuestos
en el capítulo anterior, regresión lineal y red neuronal, o para las predicciones puntuales
calculadas directamente a partir de las predicciones de AEMET. Es deseable un modelo que se
pueda expresar mediante una relación funcional en forma de ecuación, que sea continuo en todo
el rango de predicciones puntuales. Por eso, se calcula una ecuación para cada cuantil, cuya
única entrada es la predicción puntual de ampacidad. En el procedimiento de cálculo se parte
de los puntos correspondientes a los pares predicción puntual/observación para cada instante
del entrenamiento. Se divide el rango de predicciones puntuales en segmentos, y se calculan
diferentes cuantiles de las observaciones para cada uno de esos segmentos. Como se puede ver
en la Figura 23, se considera el valor de cada cuantil como un punto centrado en cada segmento,
y se ajusta una línea por regresión lineal a los puntos correspondientes a cada cuantil.
Observaciones (A)
Frecuencia

Figura 23. Ajuste por regresión a diferentes cuantiles de las observaciones.

De ese modo, para cada cuantil τ, y cada alcance h, se obtiene un modelo con la forma
de la ecuación (29), en el cual A y B son parámetros a estimar por regresión lineal, mp¦±XZ±O²,Zq§|Z
es la predicción puntual dada en t para el instante t+h y †pZq§|Z
¨
es la predicción probabilística a
calcular para el cuantil τ y el instante t+h.

†pZq§|Z
¨
= [ + B ∙ mp¦±XZ±O²,Zq§|Z (29)

81
Capítulo 5

Se han considerado varias posibilidades a la hora de definir los segmentos y las

ecuaciones, y se ha analizado cual es la más adecuada desde el punto de vista de la confiabilidad
de las predicciones:

• Segmentos de anchura variable con el mismo número de puntos en cada intervalo

• Segmentos de anchura fija. Se ha analizado cual es la anchura más adecuada

• Segmentos de anchura fija, excluyendo un porcentaje de puntos en los extremos

de las predicciones

• Segmentos de anchura fija. Se ha analizado el orden de las ecuaciones de regresión

más adecuado

Se ha comprobado que con los segmentos de anchura fija se obtienen mejores resultados.
Se ha hecho un cálculo aproximado de la anchura optima de los segmentos, por lo que se ha
dividido las predicciones puntuales en segmentos de 10 A. Se ha observado que, para los valores
muy altos de las predicciones puntuales, la frecuencia relativa es pequeña, hay poca
concentración de puntos. Lo mismo ocurre con los valores muy bajos. Sin embargo, tienen el
mismo peso en las ecuaciones de regresión que los valores centrales, que tienen una frecuencia
mucho mayor, lo que provoca que el modelo no represente correctamente la relación entre
predicciones puntuales y observaciones. Por ese motivo, al ajustar la línea de regresión
correspondiente, solo se han tenido en cuenta los segmentos centrales en el cálculo de la misma,
no utilizando los segmentos superiores, ni los inferiores, que suponen un tanto por ciento
determinado del total de las observaciones. En la Tabla 7 se presentan los coeficientes de
regresión finalmente obtenidos para ecuaciones de regresión de 1er orden para los distintos
alcances, con una anchura fija de los segmentos de 10 A, y descartando de los cálculos el ultimo
5 % de las predicciones puntuales y el primer 5 %.

Tabla 7. Coeficientes de regresión para diferentes cuantiles.

Alcance de las predicciones

%
30 min 1 hora 2 horas 4 horas 24 horas
Intercept 1º ord. Intercept 1º ord. Intercept 1º ord. Intercept 1º ord. Intercept 1º ord.
50 258,1895 0,4879 259,9080 0,4857 258,3661 0,4876 260,6066 0,4855 269,6877 0,4755
25 234,8334 0,4272 236,4902 0,4250 236,7040 0,4244 233,9622 0,4290 244,5283 0,4172
10 229,5011 0,3679 227,9885 0,3701 226,1564 0,3729 224,5033 0,3752 237,1879 0,3579
5 220,8098 0,3448 222,7915 0,3417 223,7043 0,3403 219,7811 0,3464 235,1321 0,3251
2,5 230,3244 0,3062 231,8152 0,3035 232,0243 0,3026 230,7935 0,3048 237,7312 0,2946
1 247,8072 0,2565 251,1403 0,2518 255,0866 0,2452 251,6177 0,2509 268,1089 0,2262
0,5 264,2033 0,2206 265,4366 0,2188 267,4070 0,2148 272,2805 0,2076 286,5203 0,1863

82
 Metodología para la predicción probabilística de ampacidad

1000
100

200

300

400

500

600

700

800

900
00

0
:0
0
02
:2
4
04
:4
8
07
:1
2
09
:3
6
tiempo
12
:0
0
14
:2
4
16
:4
8
19
:1
2

0.5 %
1%
2.5 %
5%
10 %
25 %
50 %
predicción puntual
observaciones
21
:3
6
00
:0
0

Figura 24. Predicciones probabilísticas a 4 horas vista con intervalos empíricos para diferentes segmentos de la
predicción puntual de regresión lineal.

83
Capítulo 5

5.4 Resultados de la aplicación de la metodología en la línea

piloto

Para elegir el tipo de intervalos que ofrecen mejores resultados, se cuantifican algunas
características de las predicciones probabilísticas, según lo propuesto en el capítulo 6. En primer
lugar, se evalúa la confiabilidad de las predicciones. Para ello se calcula, para las predicciones
de cada cuantil, el porcentaje de veces en todo el periodo de evaluación que la predicción es
mayor que la observación. Cuanto más se acerque este valor al cuantil teórico, más confiables
serán las predicciones. Esto permite también cuantificar el riesgo de sobrepredicción para cada
cuantil. Para evaluar la agudeza de las predicciones con los distintos tipos de intervalos, se
calculan distancias intercuantílicas como las distancias medias entre las predicciones de cada
cuantil y la predicción para el cuantil central, la mediana. normalizado dividiéndolo por la
distancia entre los cuantiles 50 y 0,5 de las observaciones realizadas durante el periodo de
entrenamiento, según ecuación (30) en el capítulo 6.

Tal como se ha visto en la bibliografía, algunos métodos de predicción, como los basados
en regresión lineal, permiten calcular directamente unos intervalos de predicción teóricos. Sin
embargo, estos intervalos de predicción están basados en una serie de supuestos, y si estos no
se cumplen, pueden no ser adecuados. Esto se ha comprobado comparando la confiabilidad y
la agudeza de las predicciones de estos intervalos de predicción teóricos, con los intervalos de
predicción empíricos, calculados según la metodología propuesta. En la Tabla 8 se puede ver la
confiabilidad para distintos tipos de intervalos.

Los intervalos de predicción denominados “intervalos empíricos 1” o “intervalos

empíricos de tipo 1” corresponden a los calculados a partir de los errores de las predicciones
puntuales. Por otra parte, los denominados “intervalos empíricos 2” o “intervalos empíricos de
tipo 2” corresponden a los calculados a partir de cuantiles de las observaciones, para distintos
segmentos de las predicciones puntuales. En la Tabla 8 y desde la Figura 25 hasta la Figura 29
se puede observar como los intervalos de predicción empíricos de tipo 2, se acercan mucho más
al cuantil correspondiente, son más confiables, que los intervalos de predicción teóricos y los
empíricos de tipo 1, para cualquier alcance.

Tabla 8. Confiabilidad de las predicciones de regresión lineal con intervalos teóricos y empíricos (%).

Intervalos Intervalos Intervalos

Alcance Cuantil
teóricos empíricos 1 empíricos 2
25 23,7 23,1 24,8
10 8,0 8,7 9,7
5 3,7 4,3 4,9
30 min
2,5 1,8 2,1 2,3
1 0,7 0,8 1,0
0,5 0,4 0,4 0,5
1h 25 24,3 22,3 24,5

84
 Metodología para la predicción probabilística de ampacidad

Intervalos Intervalos Intervalos

Alcance Cuantil
teóricos empíricos 1 empíricos 2
10 7,7 8,2 9,7
5 3,3 4,0 4,7
2,5 1,5 2,0 2,4
1 0,5 0,7 1,0
0,5 0,3 0,3 0,5
25 25,3 21,5 24,7
10 7,8 7,9 9,8
5 2,9 3,8 4,9
2h
2,5 1,1 1,9 2,4
1 0,3 0,7 0,9
0,5 0,1 0,3 0,5
25 25,9 20,1 23,8
10 7,3 7,1 9,4
5 2,3 3,4 4,6
4h
2,5 0,6 1,5 2,3
1 0,2 0,5 0,9
0,5 0,1 0,2 0,5
25 26,0 21,7 25,3
10 7,5 7,7 10,0
5 2,6 3,6 4,9
24 h
2,5 0,9 1,7 2,4
1 0,2 0,6 1,0
0,5 0,1 0,3 0,5

85
Capítulo 5

Predicción

Figura 25. Confiabilidad de las predicciones a 30 min. vista.

Predicción

Figura 26. Confiabilidad de las predicciones a 1 hora vista.

86
 Metodología para la predicción probabilística de ampacidad

Predicción

Figura 27. Confiabilidad de las predicciones a 2 horas vista.

Predicción

Figura 28. Confiabilidad de las predicciones a 4 horas vista.

87
Capítulo 5

Predicción

Figura 29. Confiabilidad de las predicciones a 24 horas vista.

Además, tal como se puede ver en la Tabla 9, con valores calculados según (30), y desde
la Figura 30 hasta la Figura 34, los intervalos empíricos de tipo 2 son más estrechos, es decir,
los cuantiles están más cerca de la mediana, correspondiendo a unas predicciones
probabilísticas más agudas, que los intervalos de predicción teóricos y de tipo 1, especialmente
para los alcances mayores. Esto, junto a una mayor confiabilidad, justifica el cálculo de los
intervalos de predicción empíricos de tipo 2, según metodología propuesta, para las
predicciones puntuales de regresión lineal. Además, es posible aplicar esta metodología a las
predicciones puntuales de AEMET y a las obtenidas con redes neuronales y ARIMA, por lo que,
en el siguiente apartado, se comparan las predicciones probabilísticas con intervalos de tipo 2
para ARIMA, AEMET, regresión lineal y redes neuronales, con el estático probabilístico.
Tabla 9. Agudeza de las predicciones de regresión lineal con intervalos teóricos y empíricos (%).

Intervalos Intervalos Intervalos

Alcance Cuantil
teóricos empíricos 1 empíricos 2
25 25,2 24,4 22,5
10 47,9 45,0 42,7
5 61,5 57,6 54,7
30 min
2,5 73,3 69,4 64,5
1 87,0 84,3 75,1
0,5 96,4 95,4 81,0
1h 25 28,4 28,3 25,6

88
 Metodología para la predicción probabilística de ampacidad

10 54,0 50,6 47,5

5 69,3 63,8 59,5
2,5 82,6 75,9 68,8
1 98,0 91,0 78,7
0,5 108,5 101,7 84,6
25 31,8 33,1 29,0
10 60,5 56,5 52,0
5 77,7 69,8 64,0
2h
2,5 92,5 81,0 73,6
1 109,8 95,9 83,5
0,5 121,6 107,0 89,0
25 34,9 37,4 31,3
10 66,3 61,5 54,6
5 85,1 74,5 66,7
4h
2,5 101,4 85,7 76,3
1 120,4 99,0 85,6
0,5 133,3 107,9 91,1
25 35,4 36,5 31,5
10 67,2 61,9 55,9
5 86,3 76,3 68,6
24 h
2,5 102,8 88,5 78,6
1 122,1 102,0 87,4
0,5 135,2 111,5 92,9

30 min
140
intervalos teóricos
120 intervalos empíricos 1
intervalos empíricos 2

100

80

60

40

20

0
25

10

0 .1
5
2.

cuantil

Figura 30. Agudeza a 30 min vista.

89
Capítulo 5

1 hora
140
intervalos teóricos
120 intervalos empíricos 1
intervalos empíricos 2

100

80

60

40

20

0
25

10

0 .1
5
2.
cuantil

Figura 31. Agudeza a 1 hora vista.

2 horas
140
intervalos teóricos
120 intervalos empíricos 1
intervalos empíricos 2

100

80

60

40

20

0
25

10

0.1
5
2.

cuantil

Figura 32. Agudeza a 2 horas vista.

90
 Metodología para la predicción probabilística de ampacidad

4 horas
140
intervalos teóricos
120 intervalos empíricos 1
intervalos empíricos 2

100

80

60

40

20

0
25

10

0.1
5
2.
cuantil

Figura 33. Agudeza a 4 horas vista.

24 horas
140
intervalos teóricos
120 intervalos empíricos 1
intervalos empíricos 2

100

80

60

40

20

0
25

10

5
5

0.1
2.

cuantil

Figura 34. Agudeza a 24 horas vista.

91
Capítulo 5

5.5 Conclusiones tras la aplicación de la metodología

En esta tesis se propone una metodología para la predicción probabilística de la

ampacidad. Esta metodología se basa en el calculo de unos intervalos de predicción que
permiten predecir la ampacidad con un nivel de probabilidad determinado. De este modo, es
posible seleccionar el nivel de riesgo de superar la temperatura máxima admisible de los
conductores, lo que permite operar la red eléctrica de una forma más segura. Esto contrasta con
la predicción puntual de ampacidad, con la cual el riesgo puede ser elevado, incluso cuando se
hacen predicciones conservadoras como el límite estático, que además conllevan un menor
aprovechamiento de la capacidad de las líneas.

En la bibliografía se han encontrado diferentes formas de hacer predicción probabilística.

En algunos casos se hacen predicciones con distribuciones de probabilidad paramétricas,
basadas en el cálculo de los parámetros de sus funciones de densidad. Este tipo de predicción
tiene el inconveniente de que es necesario asumir funciones de densidad con una forma
determinada. En [BACM07, FaBI16, HaDe88, KiKi10, StND91, WaSJ11, ZPMS02] y en
[MiTa09, RiSM13, SLCG15] se asumen diferentes tipos distribuciones para las predicciones
de cada variable meteorológica, y se calculan las distribuciones de las predicciones de
ampacidad o la temperatura del conductor en simulaciones Monte Carlo, o con diferentes
procedimientos. En otros casos se hacen predicciones con distribuciones de probabilidad
empíricas, que no tienen una forma predefinida y se basan en el cálculo de cuantiles [AzSi16,
DuKM19, WWHZ16].

En la tesis se han propuesto diferentes tipos de predicción probabilística: uno con

intervalos teóricos y dos tipos con intervalos empíricos. Estos intervalos utilizan como entrada
predicciones puntuales de ampacidad. Los distintos tipos de intervalos se han comparado en la
línea piloto, en cuanto a su confiabilidad y agudeza, comprobando que dan mejores resultados
los intervalos empíricos de tipo 2, basados en dividir el rango de predicciones puntuales en
segmentos mas pequeños. Estos son los mas confiables y a la vez los que tienen una distribución
de probabilidad más aguda. La confiabilidad es una característica clave de las predicciones
probabilísticas, ya que una elección adecuada del nivel de riesgo depende de la confiabilidad
de las predicciones. También se ha podido comprobar que, aunque la confiabilidad es parecida
para los distintos alcances de predicción analizados, los intervalos de predicción son mas
agudos para los alcances más cortos.

92
6 Metodología para la evaluación de las
predicciones de ampacidad

Uno de los objetivos de esta tesis es establecer una metodología para evaluar la calidad
de las predicciones de ampacidad. Las predicciones puntuales buscan minimizar el error, es
decir, acercarse lo máximo posible a las observaciones, sin importar si los errores de predicción
son positivos, con predicciones por encima de las observaciones, o negativos. Este tipo de
predicciones puede ser útil en sectores como el eólico, donde se busca predecir la potencia de
parques y turbinas, y se evalúan con indicadores como el MAE o el RMSE. Sin embargo, en
líneas eléctricas aéreas, si se supera la temperatura máxima admisible de los conductores, esto
supone un riesgo por una flecha excesiva y un deterioro progresivo de los conductores. En la
tesis, se propone una predicción probabilística de la ampacidad, que como se ha explicado
anteriormente, permite seleccionar el nivel de riesgo, intentando maximizar el aprovechamiento
de la capacidad de la línea eléctrica. La correcta evaluación de ese riesgo y ese aprovechamiento
está relacionada con la calidad de las predicciones probabilísticas.

Los métodos descritos en capítulos anteriores se han aplicado a la línea piloto con objeto
de evaluar la calidad de las predicciones realizadas con horizontes de tiempo de 30 minutos, 1,
2, 4 y 24 horas. Los intervalos empíricos de tipo 2 descritos en el capítulo precedente producen
predicciones probabilísticas de una mayor calidad que los otros, por lo que se han aplicado a
las predicciones puntuales de ARIMA, AEMET, regresión lineal y red neuronal. Las
predicciones realizadas se comparan mediante los indicadores propuestos a lo largo de este
capítulo a lo que se ha denominado estático probabilístico, que está basado en las observaciones
de la línea piloto y se define en el apartado 6.1. Los indicadores deben comparar las
predicciones con respecto a una referencia, que se calcula en base a las observaciones de la
línea piloto.

En el apartado 6.2 se evalúa la calidad de las predicciones probabilísticas de los métodos

descritos mediante indicadores de confiabilidad y agudeza. Además, se demuestra como la
calidad de las predicciones probabilísticas está relacionada con la calidad de las predicciones
puntuales. Pero la calidad de las predicciones de ampacidad no cuantifica directamente los
riesgos derivados de una temperatura excesiva de los conductores, ni el aprovechamiento de la
línea. En el apartado 6.3 se proponen varios indicadores

En los apartados 6.2 y 6.4 se comparan los diferentes métodos de predicción, mediante
varios indicadores de riesgo y aprovechamiento.

93
Capítulo 6

00
:0
0
02
:2
4
04
:4
8
07
:1
2
09
:3
6
12
:0
0
14
:2
4
16
:4
8
19
:1
2
21
:3
6
00
:0
0

Figura 35. Predicciones probabilísticas para el percentil 5 con un alcance de 4 horas.

94
 Metodología para la evaluación de las predicciones de ampacidad

6.1 Estático probabilístico

El estático probabilístico se define en base a la distribución de probabilidad de un

conjunto finito de observaciones. Se calculan diferentes percentiles de la ampacidad observada,
los cuales se consideran predicciones constantes durante la evaluación, y se calculan los
indicadores propuestos a lo largo de este capítulo. Esto permite que las predicciones, con
cualquier alcance, de los métodos propuestos puedan ser comparados con respecto a una
referencia fija.

Al calcular el estático probabilístico en la línea piloto, pierde la generalidad que ofrece el

límite estático, ya que las observaciones meteorológicas en otras líneas pueden ser diferentes.
El estático probabilístico se basa en el conjunto de observaciones del entrenamiento, que es de
un año de duración, lo que supone una gran cantidad de datos, y conlleva una dispersión elevada
y una agudeza pequeña. El objetivo de los métodos propuestos es hacer predicciones
probabilísticas de ampacidad confiables, pero que además sean agudas. En la Figura 36 se puede
observar como la distribución de las observaciones de ampacidad, realizadas durante el periodo
de entrenamiento en la línea piloto, es asimétrica. Se observa una importante cola hacia los
valores de ampacidad más altos, y menos dispersión en la zona de los cuantiles más pequeños.
Los cuantiles calculados se representan en la Tabla 10.

100
50 % 6
25 %
10 %
80 5% 5
2.5 %
1%
0.5 % 4
60

3
40
2

20
1

0 0
0 500 1000 1500
observaciones entrenamiento (A)

Figura 36. Observaciones de ampacidad durante el entrenamiento.

95
Capítulo 6

Tabla 10. Cuantiles de las observaciones durante el entrenamiento (A).

Cuantil Ampacidad
50 609,9
25 529,3
10 476,5
5 449,8
2.5 430,4
1 413,2
0.5 406,8

96
 Metodología para la evaluación de las predicciones de ampacidad

6.2 Confiabilidad y agudeza de las predicciones probabilísticas

Algunas de las características más importantes de una predicción probabilística son la

confiabilidad y la agudeza. Para evaluarlas se compara un conjunto de predicciones con el
conjunto de observaciones para el mismo periodo de tiempo. La confiabilidad cuantifica el
grado de similitud entre la distribución probabilística de las predicciones, y las observaciones.
Cada predicción individual tiene una distribución diferente, pero cada cuantil del conjunto de
las predicciones debería igualar en la misma proporción a las observaciones. Por otra parte, la
agudeza cuantifica el grado de concentración de la distribución de las predicciones,
calculándose como un valor medio a partir de las predicciones individuales. En la metodología
propuesta se ha tratado de normalizar todos los indicadores, comparándolos con una referencia
para poder expresarlos en forma de porcentaje. Es también el caso de la agudeza, que se ha
normalizado a partir de su expresión en amperios.

6.2.1 Indicadores para la evaluación de la confiabilidad y la agudeza

Para cuantificar la confiabilidad se calcula, para las predicciones de cada cuantil, el

porcentaje de veces en todo el periodo de evaluación en que cada una de las predicciones es
mayor que la observación correspondiente. Cuanto más se acerque este valor al cuantil, más
confiables serán las predicciones. Esto permite también cuantificar el riesgo de sobrepredicción
para cada cuantil. La confiabilidad se ha representado de forma gráfica en diagramas, en los
cuales se representan, en el eje X, los cuantiles para los que se hace la predicción, y en el eje Y,
la proporción en que las predicciones superan a las observaciones. Una predicción
perfectamente confiable está representada por una línea diagonal, en la cual, las predicciones
para un determinado cuantil τ, superan a las observaciones en esa misma proporción, τ.

Para evaluar la agudeza de las predicciones, se propone calcular las distancias

intercuantílicas, definidas como la distancia media entre las predicciones de cada cuantil y la
predicción para el cuantil central, la mediana. En lo encontrado en la bibliografía [AzSi16,
DuKM19, FaBI16] se calculan distancias entre cuantiles simétricos, es decir, la distancia entre
los percentiles 10 y 90, entre los percentiles 20 y 80, etc. Esto da una idea de la agudeza de las
predicciones, correspondiendo una gran agudeza a distancias intercuantilicas pequeñas. Sin
embargo, en la tesis solo se han calculado predicciones para los cuantiles más bajos, que son
los más seguros, puesto que se ha visto innecesario hacer predicciones para cuantiles altos, ya
que no son seguras. Por ello, se ha evaluado la agudeza calculando la distancia entre las
predicciones de cada cuantil y las predicciones del percentil 50. En la bibliografía estas
distancias intercuantílicas se dan en amperios [AzSi16, DuKM19], o en las unidades de las
variables meteorológicas que se predicen [FaBI16]. Esto no permite comparar los resultados
con otras líneas eléctricas, por lo que aquí se propone normalizar este indicador. Para ello, se

entrenamiento, según ecuación (30). En dicha ecuación mp³X,5 es la predicción i para el cuantil
divide por la distancia entre los cuantiles 50 y 0,5 de las observaciones realizadas durante el

97
Capítulo 6

Pn, m³X eXZd.. es el cuantil Pn de las observaciones y N es el número de

predicciones/observaciones del periodo de evaluación.

∑y5z{}m
p³´V,5 − mp³X,5 ~
('€`$%&'$ 0X = ∙ 100
S ∙ Gm³´V eXZd. − m³V.´ eXZd.. L
(30)

6.2.2 Resultados de la evaluación de la confiabilidad y la agudeza en la línea

piloto

Se han comparado las predicciones probabilísticas calculadas con los intervalos empíricos
de tipo 2 a partir de las predicciones puntuales de los diferentes métodos, ARIMA, AEMET,
regresión lineal y red neuronal, en cuanto a su confiabilidad y agudeza, con el estático
probabilístico. Los resultados para la confiabilidad se pueden ver en la Tabla 11.

Tabla 11. Confiabilidad de las predicciones probabilísticas (%).

Estático Regresión
Alcance Cuantil ARIMA AEMET Red neuronal
probabilístico lineal
25 25,0 24,6 23,9 24,8 24,7
10 10,2 9,8 9,3 9,7 9,6
5 5,2 4,9 4,6 4,9 4,8
30 min
2,5 2,7 2,5 2,4 2,3 2,3
1 1,2 1,0 1,0 1,0 0,9
0,5 0,7 0,5 0,5 0,5 0,4
25 25,0 24,9 23,9 24,5 25,2
10 10,2 9,6 9,3 9,7 10,0
5 5,2 4,7 4,5 4,7 4,8
1h
2,5 2,7 2,4 2,3 2,4 2,5
1 1,2 1,0 1,0 1,0 1,1
0,5 0,7 0,6 0,5 0,5 0,6
25 25,0 24,6 23,8 24,7 26,1
10 10,2 9,7 9,3 9,8 10,6
5 5,2 4,8 4,5 4,9 5,4
2h
2,5 2,7 2,3 2,2 2,4 2,8
1 1,2 1,0 0,9 0,9 1,2
0,5 0,7 0,5 0,5 0,5 0,7
25 25,0 24,1 24,1 23,8 25,8
10 10,2 9,9 9,3 9,4 10,8
5 5,2 5,0 4,6 4,6 5,4
4h
2,5 2,7 2,6 2,3 2,3 2,8
1 1,2 1,1 1,0 0,9 1,1
0,5 0,7 0,6 0,5 0,5 0,5

98
 Metodología para la evaluación de las predicciones de ampacidad

Estático Regresión
Alcance Cuantil ARIMA AEMET Red neuronal
probabilístico lineal
25 25,1 25,3 25,4 25,3 26,9
10 10,3 10,2 10,0 10,0 11,3
5 5,2 5,2 4,9 4,9 5,6
24 h
2,5 2,7 2,6 2,4 2,4 2,7
1 1,2 1,2 1,0 1,0 1,1
0,5 0,7 0,6 0,5 0,5 0,6

Desde la Figura 37 hasta la Figura 41 se puede observar como la confiabilidad es mayor

para los cuantiles más pequeños, 0,5, 1 y 2,5, con valores en el eje Y más cercanos a la diagonal,
y por tanto a los cuantiles para los que se hacen las predicciones. La confiabilidad es menor
para cuantiles mayores, independientemente del alcance, aunque en algunos métodos como la
red neuronal, esta tendencia es mayor para los alcances más largos. Estos resultados contrastan
con lo encontrado en la bibliografía, como en [SLCG15], con una frecuencia de 4,1 % para el
percentil 2.
Predicción

Figura 37. Confiabilidad de las predicciones a 30 min. vista.

99
Capítulo 6

Predicción

Figura 38. Confiabilidad de las predicciones a 1 hora vista.

Predicción

Figura 39. Confiabilidad de las predicciones a 2 horas vista.

100
 Metodología para la evaluación de las predicciones de ampacidad

Predicción

Figura 40. Confiabilidad de las predicciones a 4 horas vista.

Predicción

Figura 41. Confiabilidad de las predicciones a 24 horas vista.

101
Capítulo 6

Los resultados de evaluación de la agudeza de las predicciones probabilísticas de ARIMA,

AEMET, regresión lineal y red neuronal y de la referencia, que es el estático probabilístico, se
muestran en la Tabla 12, con los valores que toma la distancia desde cada uno de los cuantiles
calculados según ecuación (30). Desde la Figura 42 hasta la Figura 46 se puede comprobar
como la agudeza de los intervalos de predicción para el estático probabilístico y para AEMET
no varía con el alcance. Los valores de los cuantiles del estático probabilístico son los mismos
para todos los alcances, por lo que la distancia de los mismos a la mediana también es la misma
para todos los alcances (se observan pequeñas diferencias debidas a errores de redondeo).

Tabla 12. Agudeza de las predicciones probabilísticas (%).

Estático Regresión
Alcance Cuantil ARIMA AEMET Red neuronal
probabilístico lineal

25 39,7 23,5 33,0 22,5 22,6

10 65,7 44,5 56,6 42,7 42,8
5 78,8 56,8 69,0 54,7 54,4
30 min
2,5 88,4 66,7 78,1 64,5 64,3
1 96,8 77,8 87,0 75,1 74,4
0,5 100,0 84,3 91,7 81,0 80,7
25 39,7 26,4 33,0 25,6 25,1
10 65,7 50,4 56,6 47,5 46,6
5 78,8 63,6 69,2 59,5 58,8
1h
2,5 88,4 73,5 78,3 68,8 67,9
1 96,8 83,6 87,1 78,7 77,7
0,5 100,0 89,2 91,7 84,6 83,9
25 39,6 31,9 32,9 29,0 28,0
10 65,6 57,8 56,3 52,0 51,3
5 78,7 71,2 69,0 64,0 63,7
2h
2,5 88,2 81,2 78,2 73,6 73,5
1 96,6 90,3 87,2 83,5 82,6
0,5 99,8 95,4 91,8 89,0 88,2
25 39,5 37,6 32,9 31,3 30,2
10 65,4 64,1 56,5 54,6 53,8
5 78,5 77,3 68,9 66,7 66,6
4h
2,5 88,0 86,4 78,2 76,3 76,2
1 96,4 95,1 86,9 85,6 85,9
0,5 99,6 99,5 92,1 91,1 91,8
25 39,5 36,7 32,9 31,5 30,7
10 65,3 63,6 57,4 55,9 55,4
5 78,4 76,9 69,9 68,6 68,3
24 h
2,5 87,9 86,9 79,4 78,6 78,6
1 96,3 95,5 88,7 87,4 88,3
0,5 99,5 100,2 93,7 92,9 93,8

102
 Metodología para la evaluación de las predicciones de ampacidad

Por otra parte, los métodos que dependen de observaciones recientes, ARIMA, regresión
lineal y redes neuronales, presentan mayor agudeza, es decir, una distancia menor desde cada
cuantil, para los alcances más cortos. Así, aunque la agudeza de las predicciones de regresión
lineal y red neuronal es similar a la de ARIMA para un alcance de 30 minutos, los primeros ven
reducida su agudeza para el alcance más largo, 24 horas, en torno al 9-12 %, mientras que en el
caso de ARIMA se reduce un 13-16 % aproximadamente. Se puede comprobar como las
predicciones de ARIMA son más agudas que las de AEMET para alcances de hasta 2 horas,
pero no para alcances mayores. Por otro lado, las predicciones de regresión lineal y red neuronal
son más agudas que las de AEMET para cualquiera de los alcances estudiados. Todos los
métodos estudiados producen predicciones con una agudeza, mayor o similar que las del
estático probabilístico.

30 min
100

90

80

70

60

50

estático probabilístico
40
ARIMA
AEMET
30 regresión lineal
red neuronal
20
25

10

0 .1
5
2.

cuantil

Figura 42. Agudeza de las predicciones a 30 min. vista.

103
Capítulo 6

1 hora
100

90

80

70

60

50

estático probabilístico
40
ARIMA
AEMET
30 regresión lineal
red neuronal
20
25

10

0.1
5
2.
cuantil

Figura 43. Agudeza de las predicciones a 1 hora vista.

2 horas
100

90

80

70

60

50

estático probabilístico
40
ARIMA
AEMET
30 regresión lineal
red neuronal
20
25

10

0 .1
5
2.

cuantil

Figura 44. Agudeza de las predicciones a 2 horas vista.

104
 Metodología para la evaluación de las predicciones de ampacidad

4 horas
100

90

80

70

60

50

estático probabilístico
40
ARIMA
AEMET
30 regresión lineal
red neuronal
20
25

10

0.1
5
2.
cuantil

Figura 45. Agudeza de las predicciones a 4 horas vista.

24 horas
100

90

80

70

60

50

estático probabilístico
40
ARIMA
AEMET
30 regresión lineal
red neuronal
20
25

10

0.1
5
2.

cuantil

Figura 46. Agudeza de las predicciones a 24 horas vista.

105
Capítulo 6

6.2.3 Calidad de las predicciones probabilísticas en relación al error de las

predicciones puntuales

Se ha estudiado la relación de la agudeza de las predicciones probabilísticas con el error

de las predicciones puntuales. Desde la Figura 47 hasta la Figura 51, se puede ver que, para las
predicciones puntuales de un método determinado, cuanto menores sean los errores de
predicción, menor será la distancia a la mediana desde cada percentil, y por tanto, mayor la
agudeza de las predicciones probabilísticas. Para los alcances más cortos, para los cuales el
NRMSE de las predicciones puntuales de ARIMA, regresión lineal y red neuronal, es menor
que para los alcances más largos, la distancia desde cada uno de los cuantiles también es menor.
A medida que aumenta el alcance, el NRMSE es mayor, y también lo es la distancia media a
las predicciones para el percentil 50.

En dichas figuras también se puede observar como, para alcances superiores a 2 horas,
las predicciones de ARIMA son menos agudas que las predicciones de AEMET, a pesar de que
el NRMSE es menor en el caso de ARIMA. Esto es debido a que el NRMSE tiene en cuenta
tanto el error sistemático como el aleatorio, y AEMET produce un error sistemático mucho
mayor que el de ARIMA, lo cual se ha podido comprobar en los resultados del capitulo 4, con
un NBias en torno al 17-18 % para AEMET, y cercano al 1-3 % para ARIMA, y para regresión
lineal y red neuronal.

30 min
100 20
ARIMA
AEMET
regresión lineal
80 red neuronal
15

60

10

40

5
20

0 0
25

10

0.1
5
2.

cuantil

Figura 47. Comparación de la agudeza de las predicciones probabilísticas con el error relativo de las
predicciones puntuales a 30 min. vista.

106
 Metodología para la evaluación de las predicciones de ampacidad

1 hora
100 20
ARIMA
AEMET
regresión lineal
80 red neuronal
15

60

10

40

5
20

0 0
25

10

0.1
5
2.
cuantil

Figura 48. Comparación de la agudeza de las predicciones probabilísticas con el error relativo de las
predicciones puntuales a 1 hora vista.

2 horas
100 20
ARIMA
AEMET
regresión lineal
80 red neuronal
15

60

10

40

5
20

0 0
25

10

0.1
5
2.

cuantil

Figura 49. Comparación de la agudeza de las predicciones probabilísticas con el error relativo de las
predicciones puntuales a 2 horas vista.

107
Capítulo 6

4 horas
100 20
ARIMA
AEMET
regresión lineal
80 red neuronal
15

60

10

40

5
20

0 0
25

10

0.1
5
2.
cuantil

Figura 50. Comparación de la agudeza de las predicciones probabilísticas con el error relativo de las
predicciones puntuales a 4 horas vista.

24 horas
100 20
ARIMA
AEMET
regresión lineal
80 red neuronal
15

60

10

40

5
20

0 0
25

10

0.1
5
2.

cuantil

Figura 51. Comparación de la agudeza de las predicciones probabilísticas con el error relativo de las
predicciones puntuales a 24 horas vista.

108
 Metodología para la evaluación de las predicciones de ampacidad

6.3 Evaluación de la seguridad de la línea

La seguridad de la línea se basa en una adecuada temperatura de sus conductores por

debajo de su temperatura máxima de diseño. Es posible definir numerosos indicadores para
evaluar el riesgo de sobrecalentamiento de los conductores: porcentaje de ocasiones que se
supera la temperatura máxima de diseño, exceso máximo de temperatura, media de los excesos
de temperatura, peor 1 % del exceso de temperatura, duración máxima de los excesos de
temperatura, duración media, etc. Sin embargo, con la intención de simplificar su análisis
posterior, se han elegido solo dos, basándose en las recomendaciones de [Cigr06], los cuales
son definidos a continuación. Estos indicadores se han calculado para las predicciones
probabilísticas en la línea piloto con los métodos propuestos: ARIMA, AEMET, regresión lineal
y red neuronal, y se han comparado con el estático probabilístico.

6.3.1 Indicadores para la evaluación de la seguridad

CIGRÉ, en su “technical brochure” 299 [Cigr06], hace una serie de recomendaciones para
estimar la capacidad térmica de las líneas aéreas de forma conservadora. En este documento se
marcan una serie de objetivos, basados en las limitaciones encontradas tras estudios realizados
en decenas de líneas eléctricas, los cuales han sido adoptados en esta tesis como referencia.
Entre ellos se encuentra que la temperatura media a lo largo de cada sección de una línea, no
sobrepase la temperatura máxima admisible de los conductores durante un 99 % del tiempo,
cuando circula por los conductores una corriente igual a la ampacidad. Las predicciones hechas
para la línea piloto se refieren al punto de la misma donde se instalaron los instrumentos de
medición, y CIGRÉ señala en dicho documento, que dicho porcentaje puede ser menor cuando
la temperatura se refiere a un punto determinado, debido a la variabilidad espacial del viento.
En cualquier caso, se ha definido el primero de los indicadores para la evaluación del riesgo,
como el porcentaje de veces en el conjunto de datos de evaluación, que la temperatura de los
conductores es inferior a su temperatura máxima admisible en régimen estacionario. Esto es
equivalente al porcentaje de veces que las predicciones de ampacidad son menores que las
observaciones.

En el mismo documento [Cigr06] también se recomienda no sobrepasar localmente en 20

ºC la temperatura máxima admisible de los conductores. De todas formas, esto no exime de
asegurar que la altura de los conductores sobre el suelo u objetos cercanos sea suficiente, por
lo que también se recomienda verificar periódicamente dicha altura. Se ha definido el segundo
indicador de riesgo como el máximo exceso sobre la temperatura de diseño de los conductores
a lo largo de todo el periodo de evaluación. Dicho exceso se calcula como la diferencia entre
las predicciones de temperatura de los conductores, y su temperatura máxima admisible. En el
ejemplo de la Figura 52 se representan los errores de predicción como positivos, cuando la
predicción es mayor que la temperatura de diseño, y como negativos, cuando no llega a superar
dicha temperatura. También se indican con líneas rojas discontinuas los dos indicadores, el

109
Capítulo 6

porcentaje de predicciones menores que la temperatura de diseño, y la máxima diferencia a lo

largo del periodo de evaluación entre las predicciones y dicha temperatura de diseño
%

Figura 52. Indicadores de riesgo para predicciones puntuales.

6.3.2 Resultados de la evaluación de la seguridad en la línea piloto

Se ha evaluado la seguridad de las predicciones de ampacidad en la línea piloto, mediante

los dos indicadores definidos en el apartado anterior. El primero de ellos da el porcentaje de
ocasiones que las predicciones son inferiores a las observaciones. Esto se ha visto previamente
en la Tabla 11 del capítulo anterior, donde se analizaba la confiabilidad de las predicciones, es
decir, cuanto se acerca cada cuantil de las predicciones al cuantil teórico, sin importar si la
desviación es positiva o negativa. Aquí se analiza desde el punto de vista de la seguridad, de
forma que cuanto mayor sea el porcentaje de ocasiones en que las predicciones son menores
que las observaciones, menor será el riesgo de sobrecalentamiento de los conductores. Desde
la Figura 53 hasta la Figura 57 se representa dicha seguridad como el porcentaje de predicciones
menores que las observaciones para los diferentes alcances analizados.

En algunos casos encontrados en la bibliografía, se comparan las predicciones con el

límite estático, dando la frecuencia en que las predicciones son mayores que el estático, lo que
se entiende como una medida de riesgo. También es frecuente expresar el aprovechamiento de
la capacidad de las líneas respecto al estático. Sin embargo, aunque la predicción del límite
estático es conservadora, no está exenta de riesgos, ya que en ocasiones supone una ampacidad
por encima de la observada. Esto se ha podido comprobar en la línea piloto, en la cual el límite
estático excede las observaciones un 11,6 % del tiempo. Por ese motivo, el límite estático
supone la asunción de un nivel de riesgo fijo, mientras que la predicción probabilística de
ampacidad permite gestionar el nivel de riesgo, mediante la selección de las predicciones de los
cuantiles más seguros.

110
 Metodología para la evaluación de las predicciones de ampacidad

30 min
100

95
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
90

85
10

5
2.

0.
Cuantil

Figura 53. Porcentaje de predicciones seguras a 30 min. vista.

1 hora
100

95
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
90

85
10

5
2.

0.

Cuantil

Figura 54. Porcentaje de predicciones seguras a 1 hora vista.

111
Capítulo 6

2 horas
100

95
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
90

85
10

5
2.

0.
Cuantil

Figura 55. Porcentaje de predicciones seguras a 2 horas vista.

4 horas
100

95
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
90

85
10

5
2.

0.

Cuantil

Figura 56. Porcentaje de predicciones seguras a 4 horas vista.

112
 Metodología para la evaluación de las predicciones de ampacidad

24 horas
100

95
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
90

85
10

5
2.

0.
Cuantil

Figura 57. Porcentaje de predicciones seguras a 24 horas vista.

El segundo indicador utilizado para evaluar el riesgo, es el exceso máximo sobre la

temperatura admisible de los conductores de la línea piloto, durante todo el periodo de
evaluación. Como puede verse en la Tabla 13 y desde la Figura 58 hasta la Figura 62, este
exceso de temperatura es similar con todos los alcances para el estático probabilístico y AEMET,
variando hacia valores más seguros para los cuantiles más pequeños. Métodos como ARIMA,
regresión lineal y red neuronal ofrecen mejores resultados que dichos métodos en cuanto a la
calidad de las predicciones probabilísticas, y resultados similares en cuanto al porcentaje de
predicciones seguras, por debajo de las observaciones. Sin embargo, el exceso máximo de
temperatura es superior para ARIMA, regresión lineal y red neuronal que para el estático
probabilístico y AEMET, especialmente para los alcances más cortos.

Esto es debido a que son métodos que tratan de ajustar las predicciones a las
observaciones estadísticamente, y este indicador representa la temperatura que alcanzarían los
conductores durante un único periodo de 10 minutos, en el peor de los casos de entre casi dos
años. Estos resultados se deben analizar teniendo en consideración lo dicho en [DGNC19],
según lo cual las predicciones de ampacidad siempre se deben apoyar en un sistema de
monitorización en tiempo real, que asegure el no superar la temperatura máxima admisible de
los conductores. De este modo, los conductores nunca llegarían a alcanzar las temperaturas
predichas con determinados métodos, no tendría consecuencias sobre la seguridad.

113
Capítulo 6

Tabla 13. Máximo exceso sobre la temperatura admisible de los conductores (ºC).

Estático Regresión
Alcance Cuantil ARIMA AEMET Red neuronal
probabilístico lineal
25 58,3 145,1 89,1 144,6 153,9
10 40,2 117,6 54,1 118,0 126,6
5 31,8 100,5 41,0 100,3 109,0
30 min
2,5 26,0 85,2 29,0 83,9 92,9
1 21,1 66,7 19,1 66,4 76,2
0,5 19,3 56,5 17,1 58,3 65,2
25 58,3 133,7 88,8 131,8 168,3
10 40,2 96,3 54,4 91,1 129,2
5 31,8 75,5 40,5 71,4 107,3
1h
2,5 26,0 56,5 28,6 53,8 87,9
1 21,1 37,2 19,2 35,4 67,3
0,5 19,3 28,2 17,2 28,6 56,3
25 58,3 113,1 88,5 100,9 201,5
10 40,2 74,9 58,8 67,9 134,4
5 31,8 53,6 43,3 54,5 100,5
2h
2,5 26,0 39,3 30,8 44,1 79,8
1 21,1 23,5 22,3 32,2 63,8
0,5 19,3 17,3 20,1 26,6 55,2
25 58,3 89,2 91,0 121,9 140,0
10 40,2 44,3 59,2 85,2 101,9
5 31,8 34,9 44,3 67,8 84,1
4h
2,5 26,0 29,1 31,2 50,8 67,2
1 21,1 23,5 22,4 29,6 47,6
0,5 19,3 20,8 20,1 22,2 31,9
25 58,3 137,2 99,0 117,3 168,0
10 40,2 79,2 58,5 73,1 116,9
5 31,8 54,6 42,4 51,1 86,4
24 h
2,5 26,0 39,2 31,1 38,5 60,0
1 21,1 25,4 21,6 28,5 33,5
0,5 19,3 22,3 19,5 24,9 28,8

114
 Metodología para la evaluación de las predicciones de ampacidad

30 min
150
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
100

50

0
10

5
2.

0.
Cuantil

Figura 58. Máximo exceso sobre la temperatura admisible de los conductores a 30 min. vista.

1 hora
150
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
100

50

0
10

5
2.

0.

Cuantil

Figura 59. Máximo exceso sobre la temperatura admisible de los conductores a 1 hora vista.

115
Capítulo 6

2 horas
150
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
100

50

0
10

5
2.

0.
Cuantil

Figura 60. Máximo exceso sobre la temperatura admisible de los conductores a 2 horas vista.

4 horas
150
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
100

50

0
10

5
2.

0.

Cuantil

Figura 61. Máximo exceso sobre la temperatura admisible de los conductores a 4 horas vista.

116
 Metodología para la evaluación de las predicciones de ampacidad

24 horas
150
estático probabilístico
ARIMA
AEMET
regresión lineal
red neuronal
100

50

0
10

5
2.

0.
Cuantil

Figura 62. Máximo exceso sobre la temperatura admisible de los conductores a 24 horas vista.

117
Capítulo 6

6.4 Evaluación del aprovechamiento de la línea

Al igual que ocurre con la seguridad de la línea, también es posible definir diferentes
indicadores para evaluar el aprovechamiento de la capacidad de una línea eléctrica. Se han
definido dos indicadores de aprovechamiento, pero dado que los dos dan resultados similares,
se ha utilizado el primero de ellos para evaluar las predicciones probabilísticas en la línea piloto
con los métodos propuestos: ARIMA, AEMET, regresión lineal y red neuronal, y se han
comparado con el estático probabilístico.

6.4.1 Indicadores para la evaluación del aprovechamiento

El primer indicador, que se utilizara en esta tesis para cuantificar el aprovechamiento de

la línea piloto con los diferentes métodos de predicción, se define como la diferencia entre la
predicción ideal, que supone unas predicciones iguales a las observaciones, y el percentil 50
del ratio de predicción. Este ratio es el cociente entre la predicción de ampacidad y la
observación para ese instante, correspondiendo un valor de 100 a una predicción igual a la
observación, valores menores de 100 a predicciones seguras, inferiores a las observaciones, y
valores mayores a predicciones superiores a las observaciones. En el ejemplo de la Figura 63
se puede ver que cuanto menor sea el percentil 50 del ratio de predicción, más alejada estará la
curva de frecuencias acumuladas de la línea vertical localizada en 100, y correspondiente a una
predicción ideal, y menor será el aprovechamiento de la capacidad de la línea. Por el contrario,
cuanto mayor sea el ratio, mayor será el aprovechamiento, aunque cabe señalar que esto puede
conllevar un mayor porcentaje de predicciones mayores que las observaciones, y por lo tanto,
mayor riesgo.
%

Figura 63. Primer indicador de aprovechamiento.

118
 Metodología para la evaluación de las predicciones de ampacidad

El segundo indicador propuesto para la evaluación del aprovechamiento se calcula como

la suma de errores de predicción negativos. Cuando se hace una predicción inferior a la
observación, es decir el error de predicción es negativo, el aprovechamiento es inversamente
proporcional a la magnitud de dicho error. Por tanto, la suma de errores negativos acumulados
a lo largo del tiempo, da una idea del aprovechamiento de la capacidad de la línea que se hace
con las predicciones. Los errores positivos no afectan al cómputo de este indicador, ya que
cuando la predicción es igual o superior a la observación, se está aprovechando el 100 % de la
capacidad.

∑@ZzVxmpZq§|Z N mZq§ x
$.,+b)&ℎ$_')%`+ = 100 N f ∙ 100g
∑@ZzV mZq§ (31)

€' mpZq§|Z N mZq§ µ 0

Para expresar el aprovechamiento en forma de porcentaje se compara esta suma de errores

negativos con la suma de observaciones (ecuación (31)). El caso peor, que corresponde a un
aprovechamiento nulo, es una predicción de ampacidad de una corriente también nula. En ese
caso, el error, que es la diferencia entre predicción y observación, es igual a la magnitud de la
observación, pero con signo negativo. Esto se puede ver en la Figura 64, donde el área, en color
azul claro, encerrada entre la curva de frecuencias acumuladas del error de predicción y la línea
vertical correspondiente a un error nulo, representa la falta de aprovechamiento. Cuanto menor
sea esta área, mayor será el aprovechamiento. El área en magenta se extiende hacia la izquierda
hasta la curva discontinua que representa el caso peor, y el área en rojo es riesgo por
sobrepredicción.

Figura 64. Segundo indicador de aprovechamiento.

119
Capítulo 6

6.4.2 Resultados de la evaluación del aprovechamiento de la línea piloto

Se ha analizado el aprovechamiento que se hace de la línea eléctrica con las predicciones

de los distintos métodos propuestos. En la Tabla 14 y desde la Figura 65 hasta la Figura 69 se
puede ver como, al igual que ocurre con los indicadores de riesgo, el aprovechamiento es menor
para los cuantiles más pequeños. Por lo tanto, cuando se seleccionan cuantiles más pequeños,
para operar la línea con un riesgo menor, se aprovecha la capacidad de la línea en menor medida.
El aprovechamiento es similar con el estático probabilístico y AEMET para los diferentes
alcances analizados. El aprovechamiento es mayor con ARIMA, regresión lineal y red neuronal
que con dichos métodos, aunque decrece con el alcance de las predicciones, llegando a ser peor
ARIMA que AEMET para alcances de 4 a 24 horas. Como se demostrará a continuación, el
aprovechamiento depende de la calidad de las predicciones probabilísticas y de algunas
características como la agudeza.

Tabla 14. Aprovechamiento de la línea (%).

Estático Regresión
Alcance Cuantil ARIMA AEMET Red neuronal
probabilístico lineal
25 87,0 92,1 88,7 92,4 92,5
10 78,4 85,3 80,9 85,8 85,8
5 74,0 81,3 76,8 81,9 82,0
30 min
2,5 70,8 78,1 73,8 78,8 78,9
1 68,0 74,7 70,9 75,5 75,6
0,5 66,9 72,6 69,4 73,6 73,7
25 87,1 91,3 88,7 91,4 91,7
10 78,4 83,5 80,9 84,3 84,6
5 74,0 79,2 76,7 80,3 80,7
1h
2,5 70,8 76,0 73,7 77,4 77,7
1 68,0 72,9 70,9 74,2 74,6
0,5 66,9 71,1 69,4 72,3 72,6
25 87,0 89,5 88,6 90,2 90,8
10 78,4 81,1 80,9 82,6 83,2
5 74,0 76,8 76,7 78,7 79,1
2h
2,5 70,8 73,6 73,6 75,6 76,0
1 68,0 70,6 70,7 72,4 73,0
0,5 66,9 69,0 69,2 70,6 71,2
25 87,0 87,5 88,6 89,0 89,9
10 78,4 78,8 80,8 81,3 82,2
4h 5 74,0 74,5 76,7 77,3 77,9
2,5 70,8 71,5 73,7 74,1 74,8
1 68,0 68,6 70,8 71,1 71,7

120
 Metodología para la evaluación de las predicciones de ampacidad

Estático Regresión
Alcance Cuantil ARIMA AEMET Red neuronal
probabilístico lineal
0,5 66,9 67,2 69,2 69,3 69,8
25 87,0 88,4 89,2 89,6 90,3
10 78,3 79,5 81,0 81,5 82,2
5 74,0 75,1 76,9 77,3 78,0
24 h
2,5 70,8 71,8 73,8 74,0 74,7
1 68,0 69,0 70,8 71,2 71,6
0,5 66,9 67,4 69,1 69,4 69,8

30 min
90
estático probabilístico
ARIMA
AEMET
85 regresión lineal
red neuronal

80

75

70

65
10

5
2.

0.
cuantil

Figura 65. Aprovechamiento a 30 min. vista.

1 hora
90
estático probabilístico
ARIMA
AEMET
85 regresión lineal
red neuronal

80

75

70

65
10

5
2.

0.

cuantil

Figura 66. Aprovechamiento a 1 hora vista.

121
Capítulo 6

2 horas
90
estático probabilístico
ARIMA
AEMET
85 regresión lineal
red neuronal

80

75

70

65
10

5
2.

0.
cuantil

Figura 67. Aprovechamiento a 2 horas vista.

4 horas
90
estático probabilístico
ARIMA
AEMET
85 regresión lineal
red neuronal

80

75

70

65
10

5
2.

0.

cuantil

Figura 68. Aprovechamiento a 4 horas vista.

122
 Metodología para la evaluación de las predicciones de ampacidad

24 horas
90
estático probabilístico
ARIMA
AEMET
85 regresión lineal
red neuronal

80

75

70

65
10

5
2.

0.
cuantil

Figura 69. Aprovechamiento a 24 horas vista.

Desde la Figura 70 hasta la Figura 74 se compara el aprovechamiento de la línea para las

predicciones probabilísticas de los métodos propuestos, con la agudeza de dichas predicciones.
En dichas figuras se representa el primer indicador de aprovechamiento propuesto con líneas
continuas, y la distancia porcentual desde las predicciones para diferentes cuantiles a la
predicción del cuantil 50, con líneas discontinuas. El aprovechamiento decrece a medida que
crece la anchura de las predicciones probabilísticas, correspondiendo un mayor
aprovechamiento a las predicciones de ARIMA, regresión lineal y la red neuronal, y a un
alcance de predicción menor. Esto se debe a que la agudeza de las predicciones de dichos
métodos, menor para los alcances más largos. El aprovechamiento es el mismo para distintos
alcances con el estático probabilístico y AEMET, ya que la agudeza es la misma para todos los
alcances.

123
Capítulo 6

30 min
90 100
estático probabilístico
ARIMA
AEMET 90
85 regresión lineal
red neuronal
80
80

70

75
60

70
50

65 40
10

5
2.

0.
cuantil

Figura 70. Agudeza y aprovechamiento a 30 min vista.

1 hora
90 100
estático probabilístico
ARIMA
AEMET 90
85 regresión lineal
red neuronal
80
80

70

75
60

70
50

65 40
10

5
2.

0.

cuantil

Figura 71. Agudeza y aprovechamiento a 1 hora vista.

124
 Metodología para la evaluación de las predicciones de ampacidad

2 horas
90 100
estático probabilístico
ARIMA
AEMET 90
85 regresión lineal
red neuronal
80
80

70

75
60

70
50

65 40
10

5
2.

0.
cuantil

Figura 72. Agudeza y aprovechamiento a 2 horas vista.

4 horas
90 100
estático probabilístico
ARIMA
AEMET 90
85 regresión lineal
red neuronal
80
80

70

75
60

70
50

65 40
10

5
2.

0.

cuantil

Figura 73. Agudeza y aprovechamiento a 4 horas vista.

125
Capítulo 6

24 horas
90 100
estático probabilístico
ARIMA
AEMET 90
85 regresión lineal
red neuronal
80
80

70

75
60

70
50

65 40
10

5
2.

0.
cuantil

Figura 74. Agudeza y aprovechamiento a 24 horas vista.

126
 Metodología para la evaluación de las predicciones de ampacidad

6.5 Conclusiones tras la evaluación de las predicciones

Se ha establecido una metodología para la evaluación de las predicciones de ampacidad.

Con esta metodología es posible evaluar el riesgo y el aprovechamiento de la línea asociado a
las predicciones, mediante diferentes indicadores. Tras la aplicación de la metodología de
predicción de ampacidad en la línea piloto, y tras el análisis de dichos indicadores, se ha podido
comprobar que el nivel de riesgo estimado depende de la confiabilidad de las predicciones
probabilísticas. También se ha podido comprobar como el aprovechamiento de la línea está
relacionado con la agudeza de las predicciones probabilísticas. Se han testado varios tipos de
predicciones con intervalos de probabilidad teóricos y empíricos. Aunque el método finalmente
elegido produce predicciones probabilísticas basadas en cuantiles empíricos, sin una
distribución definida por una función de densidad, su agudeza se ha evaluado a partir de la
distancia relativa media entre las predicciones para distintos cuantiles. A menor distancia entre
cuantiles, mayor agudeza de la distribución de probabilidad subyacente. Y como se ha
comprobado, a mayor agudeza, mayor aprovechamiento de la línea. Esto pone de relieve la
importancia de una metodología que permite hacer predicciones confiables, y a la vez, lo más
agudas posible, lo que resulta en una mejor gestión del riesgo en las líneas y una mejora del
aprovechamiento de su capacidad.

Asimismo, la evaluación de las predicciones en la línea piloto, ha permitido comprobar

como la agudeza de las predicciones probabilísticas, está relacionada con el error de las
predicciones puntuales en las cuales están basadas. Cuanto menor es el error, mayor es la
agudeza de las predicciones probabilísticas. Esto, por su parte, pone de manifiesto la
importancia de las predicciones puntuales en la metodología propuesta, redundando, una vez
más, en la calidad de las predicciones probabilísticas y el aprovechamiento de la línea. La
agudeza de los métodos propuestos se ha comparado con la del estático probabilístico. Dicho
estático probabilístico no está basado en predicciones puntuales, sino en los cuantiles de las
observaciones durante todo el periodo de entrenamiento. Debido a la gran dispersión de las
observaciones durante el año que dura el conjunto de datos de entrenamiento, las predicciones
realizadas con el mismo a lo largo del periodo de evaluación no son muy agudas.

Otra cuestión a tener en cuenta es como varían los resultados con el alcance de las
predicciones. Se ha visto que la confiabilidad es similar para los distintos alcances analizados
en la línea piloto, debido a las características del método de predicción probabilística, que trata
de ajustarse a las predicciones puntuales del mismo modo para cada alcance. Por otra parte, no
se ha encontrado una relación directa entre el exceso máximo sobre la temperatura de diseño
de los conductores y el alcance, aunque su diferente magnitud puede ser debida a una mayor o
menor confiabilidad, siendo los peores valores para métodos como la red neuronal, para
determinados cuantiles y alcances en los cuales el ajuste ha sido ligeramente peor que en otros
métodos. Sin embargo, el aprovechamiento es mayor para los alcances más cortos en los
métodos que dependen de las observaciones recientes, ARIMA, regresión lineal y red neuronal,
ya que el error de las predicciones puntuales es menor. Esto no ocurre con la aplicación directa
de las predicciones meteorológicas de AEMET, ya que el nivel de error es el mismo para todos
los alcances desde 30 minutos hasta 24 horas.
127
Capítulo 6

En general, se puede decir que para el mismo nivel de riesgo, los métodos con mayor
aprovechamiento son los basados en regresión lineal y la red neuronal, para cualquier alcance.
Aunque a 30 minutos y 1 hora ARIMA es también comparable, su aprovechamiento es mucho
menor para alcances más largos. Sin embargo, la red neuronal ofrece valores de exceso máximo
de temperatura superiores al resto de métodos, para cualquier alcance, incluso para los cuantiles
más bajos. La aplicación directa de las predicciones meteorológicas de AEMET supone un
menor aprovechamiento, que se mantiene constante para los diferentes alcances, pero aun así
superior al del estático probabilístico. Se ha podido comprobar como dicho estático
probabilístico supone una predicción conservadora, con un aprovechamiento menor que
cualquiera de los métodos, pero un menor exceso de temperatura.

Se ha tratado de comparar los resultados de las predicciones de la línea piloto con lo

encontrado en la bibliografía. Se ha podido comprobar como la metodología propuesta en la
tesis mejora en cuanto a confiabilidad los resultados de trabajos como [SLCG15]. Sin embargo,
no ha sido posible contrastar la agudeza de los métodos propuestos con la bibliografía, ya que
en la bibliografía se evalúa usando indicadores sin normalizar, en las unidades de predicción de
ampacidad, o de las magnitudes meteorológicas, que se predicen individualmente. Tampoco se
ha podido comparar el riesgo y el aprovechamiento de las predicciones con la bibliografía, ya
que, o no se evalúan, o se utilizan indicadores y unidades diferentes.

128
7 Aplicación de la metodología
conductores de alta temperatura
en

Los conductores de la línea piloto tienen una temperatura máxima admisible de 75 ºC. Se
ha planteado la aplicación de la metodología para la predicción de ampacidad a líneas con
conductores HTLS, con una temperatura admisible mayor. Por este motivo, se han repetido los
cálculos, pero suponiendo una temperatura máxima admisible de 150 ºC. El límite estático en
la zona donde está situada la línea piloto está basado en la asunción de una radiación solar de
1000 W/m2, una temperatura ambiente de 26 ºC y un viento perpendicular efectivo sobre el
conductor de 0,6 m/s. Esto supone una ampacidad de 482 A para los conductores de la línea
piloto, pero si se tratara de conductores HTLS de 150 ºC, la ampacidad del límite estático sería
de 744 A. En el primer caso (Figura 75), con el límite estático se supera la temperatura máxima
admisible de los conductores un 11,6 % del tiempo, mientras que en el caso de los conductores
HTLS (Figura 76) ese porcentaje se incrementaría hasta el 27 %.

75 ºC
0.07
482 A

0.06

0.05

0.04

0.03

0.02

0.01

0
200 400 600 800 1000 1200 1400 1600
A

Figura 75. Límite estático en conductores de temperatura admisible de 75 ºC.

El enfriamiento producido por el viento en los conductores, y el calentamiento debido a

la radiación solar y a la temperatura ambiente se compensan mutuamente. En muchas ocasiones,
una radiación solar y una temperatura ambiente favorables, por debajo de las supuestas en el
límite estático, son suficientes para compensar una velocidad de viento casi nula. Sin embargo,
en conductores HTLS, el porcentaje de ocasiones en que la radiación solar y la temperatura
ambiente son capaces de compensar una velocidad de viento menor que la supuesta en el límite

129
Capítulo 7

estático se reduce, por lo que los conductores superan su temperatura máxima admisible un
mayor número de ocasiones. El coeficiente de expansión térmica de los conductores HTLS con
una temperatura admisible de 150 ºC es menor que el de los conductores ACSR de la línea
piloto, lo que supone una flecha reducida, y un riesgo menor. Sin embargo, este no es el caso
cuando la temperatura de los conductores está limitada por el deterioro de los mismos. Para
tratar de paliar este riesgo extra, se propone disminuir la asunción de la velocidad del viento de
forma proporcional a la temperatura admisible de los conductores. Pero la predicción de
ampacidad propuesta en esta tesis es dinámica, por lo que, a continuación, se analiza como
varían los indicadores de riesgo y aprovechamiento propuestos, al trabajar con conductores
HTLS de 150 ºC.

150 ºC
0.07
744 A

0.06

0.05

0.04

0.03

0.02

0.01

0
200 400 600 800 1000 1200 1400 1600
A

Figura 76. Límite estático en conductores de temperatura admisible de 150 ºC.

130
 Aplicación de la metodología en conductores de alta temperatura

7.1 Resultados de la aplicación de la metodología en conductores

de alta temperatura

Se han calculado los indicadores de riesgo y aprovechamiento propuestos en el capítulo

anterior, para las predicciones probabilísticas de AEMET, y se han comparado en la Tabla 15
para los conductores de la línea piloto, con una temperatura máxima de diseño de 75 ºC, y para
conductores de 150 ºC. En el último caso se han supuesto unos conductores con unas
dimensiones y una geometría similares a los de la línea piloto (diámetro exterior, secciones del
núcleo y las capas exteriores, etc.).

Tabla 15. Comparación de las predicciones de AEMET en conductores de diferente temperatura admisible.

Nivel de riesgo Exceso Aprovechamiento

Alcance Cuantil (%) temperatura (ºC) (%)
75 ºC 150 ºC 75 ºC 150 ºC 75 ºC 150 ºC
25 23,9 24,4 89,1 143,6 88,7 89,8
10 9,3 9,1 54,1 94,7 80,9 82,5
5 4,6 5,0 41,0 69,7 76,8 79,5
30 min
2,5 2,4 2,9 29,0 48,9 73,8 77,4
1 1,0 1,5 19,1 29,3 70,9 75,7
0,5 0,5 0,8 17,1 18,5 69,4 74,6
25 23,9 24,5 88,8 144,9 88,7 89,8
10 9,3 9,1 54,4 94,8 80,9 82,5
5 4,5 5,0 40,5 70,4 76,7 79,4
1h
2,5 2,3 3,0 28,6 50,5 73,7 77,4
1 1,0 1,5 19,2 29,2 70,9 75,6
0,5 0,5 0,7 17,2 18,4 69,4 74,6
25 23,8 24,4 88,5 149,2 88,6 89,7
10 9,3 9,3 58,8 92,6 80,9 82,5
5 4,5 5,0 43,3 69,2 76,7 79,4
2h
2,5 2,2 3,0 30,8 51,3 73,6 77,4
1 0,9 1,4 22,3 27,3 70,7 75,6
0,5 0,5 0,7 20,1 21,3 69,2 74,5
25 24,1 24,5 91,0 149,7 88,6 89,7
10 9,3 9,2 59,2 96,0 80,8 82,5
5 4,6 5,0 44,3 69,1 76,7 79,4
4h
2,5 2,3 3,0 31,2 46,7 73,7 77,4
1 1,0 1,4 22,4 25,8 70,8 75,5
0,5 0,5 0,8 20,1 21,9 69,2 74,6

131
Capítulo 7

Nivel de riesgo Exceso Aprovechamiento

Alcance Cuantil (%) temperatura (ºC) (%)
75 ºC 150 ºC 75 ºC 150 ºC 75 ºC 150 ºC
25 25,4 25,9 99,0 166,3 89,2 90,2
10 10,0 9,9 58,5 105,6 81,0 82,7
5 4,9 5,2 42,4 73,6 76,9 79,4
24 h
2,5 2,4 3,0 31,1 52,8 73,8 77,4
1 1,0 1,4 21,6 29,8 70,8 75,5
0,5 0,5 0,7 19,5 19,5 69,1 74,5

Tal como se puede comprobar en la Figura 77, que corresponde a las predicciones a 4
horas vista, el nivel de seguridad es similar en ambos casos. Esto se debe a las características
del método de predicción probabilística, que se ha basado en los intervalos empíricos de tipo 2,
y busca ajustarse a los cuantiles correspondientes de las observaciones. Sin embargo, el
aprovechamiento es algo mayor para los conductores de 150 ºC, siendo los resultados similares
para otros alcances. Esto no es debido al método de predicción probabilística, sino a una mayor
concentración de las observaciones para los cuantiles más pequeños. En contrapartida, como se
puede ver en la Figura 78, el exceso sobre la temperatura de diseño es mayor para los
conductores de 150 ºC.

100 100

95 75 ºC 95
150 ºC

90 90

85 85

80 80

75 75

70 70

65 65
10

5
2.

0.

cuantil

Figura 77. Aprovechamiento y nivel de seguridad con conductores de diferente temperatura admisible.

132
 Aplicación de la metodología en conductores de alta temperatura

100
75 ºC
90 150 ºC

80

70

60

50

40

30

20

10
10

5
2.

0.
cuantil

Figura 78. Máximo exceso de temperatura en conductores de diferente temperatura admisible.

133
Capítulo 7

7.2 Conclusiones tras la aplicación de la metodología

Se ha analizado el resultado de la aplicación de la metodología propuesta en la tesis en

conductores HTLS, con una mayor temperatura máxima admisible que los conductores de la
línea piloto. Con las condiciones meteorológicas que se suponen en el límite estático, el riesgo
de superar la temperatura máxima admisible es mayor en conductores HTLS que en
conductores ACSR convencionales. Esto es debido a una menor compensación de velocidades
de viento pequeñas por una radiación solar y una temperatura ambiente también reducidas. Esto
no ocurre así con las predicciones probabilísticas basadas en la metodología propuesta. En este
caso, se ha podido comprobar como el porcentaje de predicciones con las que se supera la
temperatura admisible es similar para los dos tipos de conductores, aunque el exceso máximo
de temperatura es mayor en los conductores HTLS. El aprovechamiento también es mayor en
los conductores HTLS.

134
8 Aportaciones y líneas futuras

En esta tesis se ha desarrollado una metodología para la predicción de la ampacidad a

partir de medidas directas y predicciones meteorológicas, para lo cual se ha dispuesto de
medidas de las condiciones meteorológicas en un punto de una línea piloto y de predicciones
meteorológicas adaptadas a esa localización geográfica. Las medidas y las predicciones
meteorológicas están referidas al mismo punto geográfico, pero tienen diferente resolución
temporal, por lo que también ha sido necesario adaptar dicha resolución. Se ha calculado una
predicción de ampacidad utilizando un modelo térmico de conductor, a partir de las
predicciones de radiación solar, temperatura ambiente y velocidad y dirección de viento. La
predicción de ampacidad obtenida de esta manera es una predicción puntual, que tal como se
ha podido comprobar, supone un importante calentamiento de los conductores por encima de
su temperatura máxima de diseño. Esto es debido principalmente a las diferencias entre el
viento a nivel mesoescalar, y a escala local, a nivel de los conductores, con una gran variabilidad,
lo que justifica el uso de medidas de las variables meteorológicas para adaptar mejor las
predicciones a las condiciones de la línea eléctrica.

Por ese motivo, en una primera fase, se ha propuesto una metodología con la cual es
posible hacer una predicción puntual de la ampacidad, adaptando estadísticamente las
predicciones a las condiciones de la línea, mediante las medidas. Los métodos propuestos se
basan en regresión lineal y en redes neuronales. En ambos casos se han usado técnicas de
aprendizaje automático para obtener modelos que tratan de minimizar el error de las
predicciones. De este modo, se consigue reducir de manera importante el error de la predicción
de ampacidad basada únicamente en el modelo meteorológico. Para contrastar las predicciones
de estos métodos, también se ha hecho predicción de ampacidad basándose únicamente en
medidas locales recientes, con modelos ARIMA. Sin embargo, la predicción puntual busca
minimizar el error en valor absoluto, sin importar si es positivo o negativo. Los errores positivos
suponen predicciones por encima de la capacidad térmica de los conductores, lo que puede
llevar a situaciones de riesgo por un calentamiento excesivo de los mismos. En cambio, los
errores negativos suponen predicciones por debajo de la capacidad de los conductores, lo que
supone un uso ineficiente de la línea eléctrica.

Por esta razón, la siguiente fase se ha dedicado a desarrollar una metodología para la
predicción probabilística de la ampacidad. Dicha metodología produce predicciones con
diferentes niveles de probabilidad para cada instante futuro. Con ello se busca que el operador
de red o los mercados eléctricos puedan elegir el nivel de riesgo aceptado con anticipación.
Aunque es posible hacer predicciones probabilísticas de ampacidad usando solo medidas
pasadas, que en su forma más sencilla es lo que se ha denominado estático probabilístico, en
los métodos propuestos se hace una predicción probabilística a partir de las predicciones

135
Capítulo 8

puntuales de ampacidad. Lo que se pretende con estos métodos es maximizar el

aprovechamiento de la capacidad de la línea para un nivel de riesgo determinado.

Se ha establecido una metodología para la evaluación de las predicciones de ampacidad.

Con esta metodología es posible evaluar el riesgo y el aprovechamiento de la línea asociado a
las predicciones, mediante diferentes indicadores.

Tal como se ha explicado previamente el objetivo de esta tesis se centra en la predicción

de ampacidad de líneas eléctricas aéreas a partir de medidas directas y predicciones
meteorológicas. Esto se justifica en la necesidad de las compañías y mercados eléctricos de
disponer de predicciones de la ampacidad de las líneas de la red eléctrica con uno o varios días
de antelación. Además, también puede ser beneficioso para las compañías eléctricas disponer
de predicciones con un horizonte más corto, de unas pocas horas, para la operación de la red
correspondiente. En la revisión bibliográfica se han encontrado diversos documentos que tratan
de alcanzar ese objetivo con resultados desiguales. En general, se puede concluir que, tal como
ocurre en el sector eólico, los métodos de predicción desarrollados a partir de medidas directas
de las condiciones meteorológicas son más adecuados para plazos de unas pocas horas, mientras
que los métodos que incluyen predicciones meteorológicas se adecuan mejor a plazos de uno o
varios días. En la tesis, además de medidas, se ha dispuesto de predicciones meteorológicas, y
se ha desarrollado una metodología de predicción que se ha evaluado para horizontes desde 30
minutos hasta 24 horas.

Entre las carencias más importantes encontradas en los trabajos de investigación

analizados en la revisión bibliográfica, se encuentra el que en muchos de los casos se desarrollan
métodos que solo permiten hacer una predicción puntual de la ampacidad. Estos métodos
buscan hacer una predicción lo más precisa posible, tratando de reducir el error en valor
absoluto, sin importar si las predicciones son menores que las observaciones, o por el contrario,
si las predicciones son mayores que las observaciones. Esto es clave, ya que este último caso
conlleva un calentamiento excesivo de los conductores, y una flecha excesiva. En otras
investigaciones analizadas en la bibliografía se hace una predicción probabilística de la
ampacidad, lo que es beneficioso, ya que permite a las compañías eléctricas elegir el nivel de
riesgo asociado a las predicciones. Sin embargo, en todas ellas se han desarrollado métodos
específicos que dan directamente una predicción probabilística, con lo que se pierde generalidad.
Pero una cuestión aún más importante es que, con alguna excepción, en los métodos
encontrados en la bibliografía no se evalúan explícitamente, ni el riesgo asociado a las
predicciones, ni el aprovechamiento que se hace de la línea eléctrica con las predicciones dadas.

Por eso en la tesis se ha tratado de suplir estas carencias, siendo las aportaciones más
importantes de la misma:

• Ensayo y comparación de varios métodos que producen predicciones puntuales con el

menor error posible, y que permiten obtener, en una segunda etapa, predicciones
probabilísticas lo mejores posible en cuanto a riesgo y aprovechamiento

136
 Aportaciones y líneas futuras

• Desarrollo de una metodología general que permite producir predicciones

probabilísticas de ampacidad a partir de predicciones puntuales, independientemente de
cual haya sido el método utilizado para obtener estas últimas

• Desarrollo de una metodología que permite evaluar directamente el riesgo de

sobrecalentamiento de los conductores, el riesgo de una flecha excesiva y el
aprovechamiento de la línea eléctrica, debidos a las predicciones de ampacidad

En cuanto a las líneas de investigación a desarrollar en el futuro, ya que no ha sido posible

desarrollarlas en la tesis por motivos de plazo, o de no disponibilidad de ciertos recursos, se
encuentran:

• Generalización de la metodología de predicción de la ampacidad a líneas situadas en

zonas con una orografía compleja, en las cuales no es posible predecir la ampacidad de
las mismas a partir de un solo punto de medición

• Generalización de dicha metodología a la totalidad de las líneas que componen una red
eléctrica en la que se disponga de datos reales de carga, con vistas a mejorar la operación
de dicha red en cuanto a su seguridad y explotación económica

137
9
[AABF10]
Referencias
ABBOTT, S. ; ABDELKADER, S. ; BRYANS, L. ; FLYNN, D.: Experimental
validation and comparison of IEEE and CIGRE dynamic line models. En: 45th
International Universities Power Engineering Conference (UPEC), 2010
[AbES09] ABDEL-AAL, R. E. ; ELHADIDY, M. A. ; SHAAHID, S. M.: Modeling and forecasting
the mean hourly wind speed time series using GMDH-based abductive networks. En:
Renewable Energy vol. 34 (2009), Nr. 7, pp. 1686-1699
[ABOO06] ALPAY, S. ; BILIR, L. ; OZDEMIR, S. ; OZERDEM, B.: Wind speed time series
characterization by Hilbert transform. En: International Journal of Energy Research
vol. 30 (2006), Nr. 5, pp. 359-364
[ACMM15] ARROYO, A. ; CASTRO, P. ; MARTINEZ, R. ; MAÑANA, M. ; MADRAZO, A. ;
LECUNA, R. ; GONZALEZ, A.: Comparison between IEEE and CIGRE Thermal
Behaviour Standards and Measured Temperature on a 132-kV Overhead Power Line.
En: Energies vol. 8 (2015), Nr. 12, pp. 13660-13671
[AFLF19] ABBOUD, A. W. ; FENTON, K. R. ; LEHMER, J. P. ; FEHRINGER, B. A. ; GENTLE, J. P. ;
MCJUNKIN, T. R. ; LE BLANC, K. L. ; PETTY, M. A. ; ET AL.: Coupling computational
fluid dynamics with the high resolution rapid refresh model for forecasting dynamic
line ratings. En: Electric Power Systems Research vol. 170 (2019), pp. 326-337
[AFMB11] ALBIZU, I. ; FERNÁNDEZ, E. ; MAZÓN, A. .J. ; BENGOECHEA, J.: Influence of the
conductor temperature error on the overhead line ampacity monitoring systems. En:
IET Generation, Transmission & Distribution vol. 5 (2011), Nr. 4, pp. 440-447
[AlDS99] ALEXIADIS, M. C. ; DOKOPOULOS, P. S. ; SAHSAMANOGLOU, H. S.: Wind Speed and
Power Forecasting based on Spatial Correlation Models. En: IEEE Transactions on
Energy Conversion vol. 14 (1999), Nr. 3, pp. 836-842
[Alum89] THE ALUMINUM ASSOCIATION: Aluminum electrical conductor handbook, 1989
[Ampa00] Ampacimon. URL www.ampacimon.com. - recuperado 2019-06-30
[Auto00] Autonomous Sensor Network for Monitoring of Power Lines (ASTROSE). URL
https://www.enas.fraunhofer.de/en/news_events/messeuebersicht/exhibits/exponate.htm
l. - recuperado 2019-06-19
[AzSi16] AZNARTE, J. L. ; SIEBERT, N.: Dynamic Line Rating Using Numerical Weather
Predictions and Machine Learning: A Case Study. En: IEEE Transactions on Power
Delivery vol. 32 (2016), Nr. 1, pp. 335-343
[Babs11] BABS, ADAM: Weather-based and conductor state measurement methods applied
for dynamic line rating forecasting. En: 2011 International Conference on Advanced
Power System Automation and Protection, 2011, pp. 762-765

139
[BaCB15] BANGAY, J. ; COLEMAN, M. ; BATTEN, R.: Comparison of IEEE and CIGRE
methods for predicting thermal behaviour of powerlines and their relevance to
distribution networks. En: 2015 IEEE Eindhoven PowerTech, 2015, pp. 1-5
[BACM07] BRACALE, A. ; ANDREOTTI, A. ; CARPINELLI, G. ; DE MARTINIS, U.:
Probabilistic index for increasing hourly transmission line ratings. En: International
Journal of Emerging Electric Power Systems vol. 8 (2007), Nr. 4
[BaJI12] BANERJEE, B. ; JAYAWEERA, D. ; ISLAM, S. M.: Impact of wind forecasting and
probabilistic line rating on reserve requirement. En: 2012 IEEE International
Conference on Power System Technology (POWERCON), 2012, pp. 1-6
[BaLA13] BALGHOUZAL, S. ; LILIEN, J. L. ; EL ADNANI, M.: What Is the Actual Conductor
Temperature on Power Lines. En: Electrical and Power Engineering Frontier vol. 2
(2013), Nr. 4, pp. 118-129
[BBTP08] DI BARTOLOMEO, E. ; BRUNO, G. ; TRICOLI, S. ; PIROVANO, G. ; CHIARELLO, S. ;
MEZZANI, D.: Increasing capacity of two Italian lines by the adoption of devices for
monitoring environmental conditions and conductors temperature or by using high-
temperature conductors. En: Cigre session B2-102, 2008, pp. 1-9
[BCCO10] BLACK, J. ; COLANDAIRAJ, J. ; CONNOR, S. ; O’SULLIVAN, B.: Equipment and
methodology for the planning and implementation of dynamic line ratings on overhead
transmission circuits. En: 2010 Modern Electric Power Systems, 2010, pp. 1-6
[BGLN07] BADGER, J. ; GIEBEL, G. ; LARSEN, X. G. ; NIELSEN, T. S. ; NIELSEN, H. A. ;
MADSEN, H. ; TOFTING, J.: Report on the use of stability parameters and mesoscale
modelling in short-term prediction, 2007
[BHMB07] BERNAUER, C. ; HINRICHSEN, V. ; MUHR, M. ; BOHME, H. ; KORNHUBER, S. ;
STREHL, T. ; GROSSMANN, S. ; MARKALOUS, S. ; ET AL.: Temperature measurement on
overhead transmission lines (OHTL) utilizing surface acoustic wave (SAW) sensors.
En: 19th International Conference on Electricity Distribution (CIRED), 2007, pp. 1-4
[BJRL16] BOX, G. E. P. ; JENKINS, G. M. ; REINSEL, G. C. ; LJUNG, G. M.: Time Series
Analysis: Forecasting and Control. 5th. ed. : Wiley, 2016
[BlCh14] BLACK, C. R. ; CHISHOLM, W. A.: Key Considerations for the Selection of
Dynamic Thermal Line Rating Systems. En: IEEE Transactions on Power Delivery
vol. 30 (2014), Nr. 5, pp. 2154-2162
[Boss85] BOSSANYI, E. A.: Short-Tern wind prediction using Kalman Filters. En: Wind
Engineering vol. 9 (1985), Nr. 1, pp. 1-8
[BTAD06] BARBOUNIS, T. G. ; THEOCHARIS, J. B. ; ALEXIADIS, M. C. ; DOKOPOULOS, P. S.:
Long-Term Wind Speed and Power Forecasting Using Local Recurrent Neural
Network Models. En: IEEE Transactions on Energy Conversion vol. 21 (2006), Nr. 1,
pp. 273-284
[CaDo88] CALLAHAN, PATRICK M. ; DOUGLAS, DALE A.: An experimental evaluation of a
thermal line uprating by conductor temperature and weather monitoring. En: IEEE
Transactions on Power Delivery vol. 3 (1988), Nr. 4, pp. 1960-1967
[CaRi09] CADENAS, E. ; RIVERA, W.: Short term wind speed forecasting in La Venta,

140
 Referencias

Oaxaca, Mexico, using artificial neural networks. En: Renewable Energy vol. 34
(2009), Nr. 1, pp. 274-278
[Cat-00] CAT-1. URL http://www.usi-power.com/cat-1-dynamic-line-rating-system/. -
recuperado 2019-06-30
[CDIP12] CLAIRMONT, B. ; DOUGLASS, DALE.A. ; IGLESIAS, J. ; PETER, Z.: Radial and
Longitudinal Temperature Gradients in Bare Stranded Conductors with High Current
Densities. En: Cigre session B2-108, 2012
[Chai18] CHAICHANA, A.: Computation of Dynamic Line Rating of Overhead Transmission
Line Using Weather Forecast and Interval Arithmetic. En: 2018 IEEE International
Conference on Environment and Electrical Engineering and 2018 IEEE Industrial and
Commercial Power Systems Europe (EEEIC / I&CPS Europe), 2018, pp. 1-4
[ChBa89] CHISHOLM, W. A. ; BARRETT, J. S.: Ampacity Studies on 49oC-Rated Transmission
Line. En: IEEE Transactions on Power Delivery vol. 4 (1989), Nr. 2
[ChSH15] CHITTOCK, L. M. ; STRICKLAND, D. ; HARRAP, C.: Weather forecasting to predict
practical dynamic asset rating of overhead lines. En: IET International Conference on
Resilience of Transmission and Distribution Networks (RTDN), 2015, pp. 1-6
[Cigr02] CIGRE WG 22.12: Technical Brochure 207: The thermal behavior of overhead
conductors, 2002
[Cigr06] CIGRE WG B2.12: Technical Brochure 299: Guide for selection of weather
parameters for bare overhead conductor ratings, 2006
[Cigr08] CIGRE WG B2.12: Technical Brochure 345: Alternating current (AC) resistance of
helically stranded conductors, 2008
[Cigr12] CIGRE WG B2.36: Technical Brochure 498: Guide for Application of Direct Real-
Time Monitoring Systems, 2012
[Cigr14] CIGRE WG B2.43: Technical Brochure 601: Guide for thermal rating calculations
of overhead lines, 2014
[Cigr16] CIGRE TF B2.12.3: Technucal Brochure 324: Sag-tension calculation methods for
overhead lines, 2016
[Cigr19] CIGRE WG B2.55: Technical brochure 763: Conductors for the uprating of
existing overhead lines, 2019
[Cigr92] CIGRE WG 22.12: The thermal behaviour of overhead conductors. Sections 1 and
2. En: Electra 144 (1992)
[ClLF10] CLOET, E. ; LILIEN, J. L. ; FERRIERES, P.: Experiences of the Belgian and French
TSOs using the «Ampacimon» real-time dynamic rating system. En: Cigre session C2-
106-2010, 2010
[DaDo01] DAMOUSIS, I. G. ; DOKOPOULOS, P.: A fuzzy expert system for the forecasting of
wind speed and power generation in wind farms. En: PICA 2001. Innovative
Computing for Power - Electric Energy Meets the Market. 22nd IEEE Power
Engineering Society. International Conference on Power Industry Computer

141
 Applications, 2001, pp. 63-69
[DaLa04] DACONTI, J. R. ; LAWRY, D. C.: The Thermalrate system: a solution for thermal
uprating of overhead transmission lines. En: Power Technology (2004), Nr. 95
[DCDG16] DOUGLASS, D. ; CHISHOLM, WI. ; DAVIDSON, G. ; GRANT, I. ; LINDSEY, K. ;
LANCASTER, M. ; LAWRY, D. ; MCCARTHY, T. ; ET AL.: Real-Time Overhead
Transmission-Line Monitoring for Dynamic Rating. En: IEEE Transactions on Power
Delivery vol. 31 (2016), Nr. 3, pp. 921-927
[Deb95] DEB, A. K.: Object-Oriented Expert System Estimates Line Ampacity. En: IEEE
Computer Applications in Power vol. 8 (1995), Nr. 3, pp. 30-35
[DGNC19] DOUGLASS, D. A. ; GENTLE, J. ; NGUYEN, H. M. ; CHISHOLM, W. A. ; XU, C. ;
GOODWIN, T. ; CHEN, H. ; NUTHALAPATI, S. ; ET AL.: A Review of Dynamic Thermal
Line Rating Methods with Forecasting. En: Transactions on Power Delivery (2019)
[DoEP97] DOUGLASS, D. A. ; EDRIS, A. A. ; PRITCHARD, G. A.: Field application of a
dynamic thermal circuit rating method. En: IEEE Transactions on Power Delivery vol.
12 (1997), Nr. 2, pp. 823-831
[DuKM19] DUPIN, R. ; KARINIOTAKIS, G. ; MICHIORRI, A.: Overhead lines Dynamic Line
rating based on probabilistic day-ahead forecasting and risk assessment. En: Electrical
Power and Energy Systems vol. 110 (2019), pp. 565-578
[DuMK16] DUPIN, R. ; MICHIORRI, A. ; KARINIOTAKIS, G.: Dynamic line rating day-ahead
forecasts — Cost benefit based selection of the optimal quantile. En: CIRED Workshop
2016, 2016
[ElES06] EL-FOULY, T. H. M. ; EL-SAADANY, E. F. ; SALAMA, M. M. A.: Grey Predictor for
Wind Energy Conversion Systems Output Power Prediction. En: IEEE Transactions on
Power Systems vol. 21 (2006), Nr. 3, pp. 1450-1452
[Emei13] EMEIS, STEFAN: Wind energy meteorology - Atmospheric physiscs for wind power
generation : Springer, 2013
[Epri05] EPRI: Increased Power Flow Guidebook: Increasing Power Flow in Transmission
and Substation Circuits, 2005
[Epri08] EPRI: Demonstration of Advanced Conductors for Overhead Transmission Lines,
2008
[FaBI16] FAN, F. ; BELL, K. ; INFIELD, D.: Probabilistic weather forecasting for dynamic line
rating studies. En: 19th Power Systems Computation Conference, PSCC 2016, 2016,
pp. 1-7
[FABM16] FERNANDEZ, E. ; ALBIZU, I. ; BEDIALAUNETA, M. T. ; MAZON, A. J. ; LEITE, P.
T.: Review of dynamic line rating systems for wind power integration. En: Renewable
and Sustainable Energy Reviews vol. 53 (2016), pp. 80-92
[FGJM14] FERNÁNDEZ DE SEVILLA, S. ; GONZALEZ, G. ; JUBERIAS, G. ; MARTINEZ, L. ;
ESCRIBANO, M. ; IGLESIAS, J. ; ALBI, P. ; BÚRDALO, U. ; ET AL.: Dynamic Assessment of
Overhead Line Capacity for integrating Renewable Energy into the Transmission Grid.
En: Cigre session B2-207, 2014

142
 Referencias

[FLMS88] FOSS, S. D. ; LIN, S. H. ; MARAIO, R. A. ; SCHRAYSHUEN, H.: Effect of

variability in weather conditions on conductor temperature and the dynamic rating of
transmission lines. En: IEEE Transactions on Power Delivery vol. 3 (1988), Nr. 4,
pp. 1832-1841
[FLSF83] FOSS, S. D. ; LIN, S. H. ; STILLWELL, H. R. ; FERNANDES, R. A.: Dynamic Thermal
Line Ratings Part II Conductor Temperature Sensor and Laboratory Field test
Evaluation. En: IEEE Transactions on Power Apparatus and Systems vol. PAS-102
(1983), Nr. 6, pp. 1865-1876
[FoBC02] FORBES, B. ; BRADSHAW, D. ; CAMPBELL, F.: Finding Hidden Capacity In
Transmission Lines. En: Transmission & Distribution World (2002)
[FoLF83] FOSS, S. D. ; LIN, S. H. ; FERNANDES, R. A.: Dynamic Thermal Line Ratings Part I
Dynamic Ampacity Rating Algorithm. En: IEEE Transactions on Power Apparatus and
Systems vol. PAS-102 (1983), Nr. 6, pp. 1858-1864
[FoMa90] FOSS, S. D. ; MARAIO, R. A.: Dynamic line rating in the operating environment.
En: IEEE Transactions on Power Delivery vol. 5 (1990), Nr. 2, pp. 1095-1105
[FoMa92] FOSS, S. D. ; MARAIO, R. A.: Evaluation of an overhead line forecast rating
algorithm. En: IEEE Transactions on Power Delivery vol. 7 (1992), Nr. 3, pp. 1618-
1627
[GaLo10] GABROVSEK, M. ; LOVRENCIC, V.: Temperature monitoring of overhead lines
(OHL) is Smart Grid solution for power grid. En: Conferinta “Retele Energetice
Inteligente”, 2010, pp. 1-8
[GBNT13] GHAFOURIAN, M. ; BRIDGES, G. E. ; NEZHAD, A. Z. ; THOMSON, D. J.: Wireless
overhead line temperature sensor based on RF cavity resonance. En: Smart Materials
and Structures vol. 22 (2013), Nr. 7, pp. 1-7
[GCCS04] GUTIERREZ, J. M. ; CANO, R. ; COFIÑO, A. S. ; SORDO, C. M.: Redes
probabilisticas y neuronales en las ciencais atmosféricas : Instituto Nacional de
Meteorología - Universidad de Cantabria, 2004
[GGMD14] GREENWOOD, D. M. ; GENTLE, J. P. ; MYERS, K. S. ; DAVISON, P. J. ; WEST, I.
J. ; BUSH, J. W. ; INGRAM, G. L. ; TROFFAES, M. C. M.: A Comparison of Real-Time
Thermal Rating Systems in the U . S . and the U . K . En: IEEE Transactions on Power
Delivery vol. 29 (2014), Nr. 4, pp. 1849-1858
[GiKa11] GIEBEL, G. ; KARINIOTAKIS, G.: The state-of-the-art in short-term forecasting of
wind power - A literature overview, 2011
[GITC13] GREENWOOD, D. ; INGRAM, G. ; TAYLOR, P. ; COLLINSON, A. ; BROWN, S.: Network
planning case study utilising real-time thermal ratings and computational fluid
dynamics. En: 22nd International Conference and Exhibition on Electricity
Distribution (CIRED), 2013, pp. 1-4
[GMBW12] GENTLE, J. ; MYERS, K. S. ; BALDWIN, T. ; WEST, I. ; HART, K. ; SAVAGE, B. ;
ELLIS, M. ; ANDERSON, P.: Concurrent Wind Cooling in Power Transmission Lines. En:
2012 Western Energy Policy Research Conference, 2012
[GMDM14] GONZÁLEZ, A. ; MADRAZO, A. ; DOMINGO, R. ; MARTÍNEZ, R. ; MAÑANA, M. ;

143
 ARROYO, A. ; CASTRO, P. ; SILIÓ, D. ; ET AL.: Indirect estimation of overhead line
ampacity in overhead lines integrating wind farms. En: International Conference on
Renewable Energies and Power Quality (ICREPQ’14), 2014
[Gow03] GOW, G.: Forecasting short-term wind farm production, 2003
[HaDe88] HALL, J. F. ; DEB, A. K.: Prediction of overhead transmission line ampacity by
stochastic and deterministic models. En: IEEE Transactions on Power Delivery vol. 3
(1988), Nr. 2, pp. 789-800
[Hayk05] HAYKIN, S.: Neural Networks - A Comprehensive Foundation : Pearson - Prentice
Hall, 2005
[HBSD10] HUR, K. ; BODDETI, M. ; SARMA, N. D. R. ; DUMAS, J. ; ADAMS, J. ; CHAI, S.
K.: High-Wire Act. En: IEEE power & energy magazine (2010)
[HeJJ14] HERING, P. ; JANECEC, P. ; JANECEC, E.: On-line Ampacity Monitoring from Phasor
Measurements. En: IFAC Proceedings Volumes vol. 47 (2014), Nr. 3, pp. 3164-3169
[HeMF13] HECKENBERGEROVÁ, J. ; MUSILEK, P. ; FILIMONENKOV, K.: Quantification of
gains and risks of static thermal rating based on typical meteorological year. En:
Electrical power and energy systems vol. 44 (2013), Nr. 1, pp. 227-235
[HJHS12] HOEKSTRA, H. E. ; JANSEN, C. P. J. ; HAGEN, J. ; VAN SCHUYLENBURG, J. W.:
Weather forecasted thermal line rating model for the Netherlands. En: Cigre session
B2-105, 2012
[HuNa01] HUNT, K. ; NASON, G.: Wind speed modelling and short-term prediction using
wavelets. En: Wind Engineering vol. 25 (2001), Nr. 1, pp. 55-61
[HyKo06] HYNDMAN, R. J. ; KOEHLER, A. B.: Another look at measures of forecast accuracy.
En: International journal of forecasting vol. 22 (2006), Nr. 4, pp. 679-688
[Ieee06] IEEE POWER AND ENERGY SOCIETY: IEEE Standard for Calculating the Current-
Temperature of Bare Overhead Conductors, 2006
[Ieee13] IEEE POWER AND ENERGY SOCIETY: Std 738: IEEE Standard for Calculating the
Current-Temperature Relationship of Bare Overhead Conductors, 2013
[Ieee86] IEEE POWER AND ENERGY SOCIETY: IEEE Standard for Calculation of Bare
Overhead Conductor Temperature Under Steady-State Conditions, 1986
[Ieee93] IEEE POWER AND ENERGY SOCIETY: IEEE Standard for Calculating the Current-
Temperature Relationship of Bare Overhead Conductors, 1993
[Inte00] INTERNATIONAL ELECTROTECHNICAL COMMISSION: Electropedia. URL
http://www.electropedia.org/. - recuperado 2019-03-11
[Inte17] INTERNATIONAL ENERGY AGENCY: Key world energy statistics, 2017
[JBMN04] JONES, S. ; BUCEA, G. ; MCALPINE, A. ; NAKANISHI, M. ; MASHIO, S. ;
KOMEDA, H. ; JINNO, A.: Condition Monitoring System for TransGrid 330kV Power
Cable. En: International Conference on Power System Technology - POWERCON,
2004, pp. 1-6

144
 Referencias

[JLCZ18] JIANG, J. ; LIANG, Y. ; CHEN, C. ; ZHENG, X. ; CHUANG, C. ; WANG, C.: On

Dispatching Line Ampacities of Power Grids Using Weather-Based Conductor
Temperature Forecasts. En: IEEE Transactions on Smart Grid vol. 9 (2018), Nr. 1,
pp. 406-415
[Kari17] KARINIOTAKIS, G.: Renewable energy forecasting : Elsevier Ltd., 2017
[KaSe09] KAVASSERI, R. G. ; SEETHARAMAN, K.: Day-ahead wind speed forecasting using f -
ARIMA models. En: Renewable Energy vol. 34 (2009), Nr. 5, pp. 1388-1393
[KiKi10] KIM, D. M. ; KIM, J. O.: Prediction of transmission-line rating based on thermal
overload probability using weather models. En: European transactions on electrical
power vol. 20 (2010), Nr. 4, pp. 534-544
[KKBT17] KABOVIC, A. V. ; KABOVIC, M. M. ; BOŠTJANCIC RAKAS, S. V. ; TIMCENKO, V.
V.: Short-Term Wind Forecasting Based on Time Series Data for Dynamic Line Rating.
En: 25th Telecommunications forum TELFOR 2017, 2017, pp. 1-4
[KNNL05] KUTNER, M. H. ; NACHTSHEIM, C. J. ; NETER, J. ; LI, W.: Applied Linear
Statistical Models. 5th editio. ed. : McGraw-Hill Irwin, 2005
[KrWB10] KRONTIRIS, T. ; WASSERRAB, A. ; BALZER, G.: Weather-based Loading of
Overhead Lines – Consideration of Conductor’s Heat Capacity. En: Modern Electric
Power Systems, 2010
[KuZS09a] KUSIAK, A. ; ZHENG, H. ; SONG, Z.: Short-Term Prediction of Wind Farm
Power: A Data Mining Approach. En: IEEE Transactions on Energy Conversion vol. 24
(2009), Nr. 1, pp. 125-136
[KuZS09b] KUSIAK, A. ; ZHENG, H. ; SONG, Z.: Wind Farm Power Prediction : A Data-
Mining Approach. En: Wind Energy vol. 12 (2009), Nr. 3, pp. 275-293
[LaDa03] LAWRY, D. C. ; DACONTI, J. R.: Overhead line thermal rating calculation based on
conductor replica method. En: 2003 IEEE PES Transmission and Distribution
Conference and Exposition. vol. 3, 2003, pp. 880-885
[LaFo09] LANGE, M. ; FOCKEN, U.: Estimation of the increased ampacity of overhead power
lines in weather conditions with high wind power production. En: 8th International
Workshop on Large-Scale Integration of Wind Power into Power Systems, 2009
[LaMc10] LAU, A. ; MCSHARRY, P.: Approaches for multi-step density forecasts with
application to aggregated wind power. En: Annals of Applied Statistics vol. 4 (2010),
Nr. 3, pp. 1311-1341
[LGDC06] LILIEN, J. L. ; GUÉRARD, S. ; DESTINÉ, J. ; CLOET, E.: Microsystems Array for
Live High Voltage Lines Monitoring. En: Cigre session B2-302, 2006, pp. 1-10
[LHYH13] LUO, J. ; HAO, Y. ; YE, Q. ; HAO, Y. ; LI, L.: Development of optical fiber
sensors based on brillouin scattering and FBG for on-line monitoring in overhead
transmission lines. En: Journal of Lightwave Technology vol. 31 (2013), Nr. 10,
pp. 1559-1565
[LiES11] LIU, H. ; ERDEM, E. ; SHI, J.: Comprehensive evaluation of ARMA-GARCH(-M)
approaches for modeling the mean and volatility of wind speed. En: Applied Energy

145
 vol. 88 (2011), Nr. 3, pp. 724-732
[LiMC11] LI, Q. ; MUSAVI, M. ; CHAMBERLAIN, D.: Overhead conductor thermal rating using
neural networks. En: 2011 IEEE International Conference on Smart Measurements of
Future Grids (SMFG) Proceedings, 2011, pp. 139-142
[MaSi12] MAHAJAN, S. M. ; SINGAREDDY, U. M.: A real-time conductor sag measurement
system using a differential GPS. En: IEEE Transactions on Power Delivery vol. 27
(2012), Nr. 2, pp. 475-480
[MaSM11] MANNALA, M. J. ; SOUZA, O. H. JR. ; MELEK, A.: Monitoramento de Altura de
Segurança para Cálculo de Ampacidade de Linhas de Transmissão em Tempo Real. En:
9o Congresso latino americano de geração e transmissão de energia eletrica -
CLAGTEE 2011, 2011, pp. 1-5
[MBAZ99] MIÑAMBRES, J. F. ; BARANDIARAN, J. J. ; ALVAREZ-ISASI, R. ; ZORROZUA, M.
A. ; ZAMORA, I. ; MAZON, A. J.: Radial temperature distribution in ACSR conductors
applying finite elements. En: IEEE Transactions on Power Delivery vol. 14 (1999),
Nr. 2, pp. 472-480
[MBDD99] MOTLIS, Y. ; BARRETT, J. S. ; DAVIDSON, G. A. ; DOUGLASS, D. A. ; HALL, P. A. ;
REDING, J. L. ; SEPPA, T. O. ; THRASH, F. R. ; ET AL.: Limitations of the ruling span
method for overhead line conductors at high operating temperatures. En: IEEE
Transactions on Power Delivery vol. 14 (1999), Nr. 2, pp. 549-560
[MBMB09] MONTEIRO, C. ; BESSA, R. ; MIRANDA, V. ; BOTTERUD, A. ; WANG, J. ;
CONZELMANN, G.: Wind Power Forecasting: State-of-the-Art 2009, 2009
[McPG09] MCSHARRY, P. ; PINSON, P. ; GIRARD, R.: Methodology for the evaluation of
probabilistic forecasts. SafeWind report, 2009
[MFHH01] MENSAH-BONSU, C. ; FERNANDEZ, U. ; HEYDT, G. T. ; HOVERSON, Y. ;
SCHILLECI, J. ; AGRAWAL, B.: Application of the Global Positioning System to the
Measurement of Overhead Power Transmnission Conductor Sag. En: IEEE Power
Engineering Review vol. 21 (2001), Nr. 11, pp. 64-64
[MGMM14] MARTÍNEZ, R. ; GONZÁLEZ, A. ; MADRAZO, A. ; MAÑANA, M. ; ARROYO, A. ;
CAVIA, M. A. ; DOMINGO, R. ; SIERRA, A. ; ET AL.: Ampacity forecasting using neural
networks. En: International Conference on Renewable Energies and Power Quality
(ICREPQ’14) - Renewable Energies and Power Quality Journal (RE&PQJ), 2014,
pp. 120-123
[Mich10] MICHIORRI, ANDREA: Power system real-time thermal rating estimation, Durham
University, 2010
[Mico00] MiCOM P341 Agile relay. URL
https://www.gegridsolutions.com/products/brochures/Grid-GA-L3-P341-0644-
2015_12-EN.pdf. - recuperado 2019-06-19
[MiSW04] MILLIGAN, M. ; SCHWARTZ, M. N. ; WAN, Y.: Statistical Wind Power
Forecasting for U.S. Wind Farms. En: 17th Conference on Probability and Statistics in
the Atmospheric Sciences, 2004
[MiTa09] MICHIORRI, A. ; TAYLOR, P. C.: Forecasting real-time ratings for electricity

146
 Referencias

distribution networks using weather forecast data. En: 20th International Conference
and Exhibition on Electricity Distribution (CIRED) - Part 2, 2009
[MKHA05] MAQSOOD, I. ; KHAN, M. R. ; HUANG, G. H. ; ABDALLA, R.: Application of soft
computing models to hourly weather analysis in southern Saskatchewan, Canada. En:
Engineering Applications of Artificial Intelligence vol. 18 (2005), Nr. 1, pp. 115-125
[MMMA19] MÍNGUEZ, R. ; MARTÍNEZ, R. ; MAÑANA, M. ; ARROYO, A. ; DOMINGO, R. ;
LASO, A.: Dynamic management in overhead lines : A successful case of reducing
restrictions in renewable energy sources integration. En: Electric Power Systems
Research vol. 173 (2019), pp. 135-142
[MoFS19] MOLINAR, G. ; FAN, L. T. ; STORK, W.: Ampacity forecasting : an approach using
Quantile Regression Forests. En: IEEE Power & Energy Society Innovative Smart Grid
Technologies Conference (ISGT), 2019, pp. 1-5
[MoLD12] MOGHE, R. ; LAMBERT, F. C. ; DIVAN, D.: Smart stick-on sensors for the smart
grid. En: IEEE Transactions on Smart Grid vol. 3 (2012), Nr. 1, pp. 241-252
[Moni00] Monitoring System for Overhead Transmission Lines EMO. URL
www.ohtlgrid.com. - recuperado 2019-06-30
[Mons91] MONSEU, M.: Determination of thermal line ratings from a probabilistic approach.
En: 1991 Third International Conference on Probabilistic Methods Applied to Electric
Power Systems, 1991, pp. 180-184
[MoPS18] MOLINAR, G. ; POPOVIC, N. ; STORK, W.: From data points to ampacity forecasting:
Gated Recurrent Unit networks. En: 2018 IEEE Fourth International Conference on
Big Data Computing Service and Applications (BigDataService), 2018, pp. 200-207
[Morg90] MORGAN, V. T.: The radial temperature distribution and effective radial thermal
conductivity in bare solid and stranded conductors. En: IEEE Transactions on Power
Delivery vol. 5 (1990), Nr. 3, pp. 1443-1452
[MPJH08] MUHR, M. ; PACK, S. ; JAUFER, S. ; HAIMBL, W. ; MESSNER, A.: Experiences
with the Weather Parameter Method for the use in Overhead Line Monitoring Systems.
En: Elektrotechnik und Informationstechnik vol. 125 (2008), Nr. 12, pp. 444-447
[MSCL04] MARTÍ, I.. ; SAN ISIDRO, M. J. ; CABEZÓN, D. ; LOUREIRO, Y. ; VILLANUEVA, J. ;
CANTERO, E. ; PÉREZ, I.: Wind power prediction in complex terrain: from the synoptic
scale to the local scale. En: Proceedings of The Science of making Torque from Wind,
2004, pp. 316-327
[MTJB09] MICHIORRI, A. ; TAYLOR, P. C. ; JUPE, S. C. E. ; BERRY, C. J.: Investigation into
the influence of environmental conditions on power system ratings. En: Proceedings of
the Institution of Mechanical Engineers, Part A: Journal of Power and Energy vol. 223
(2009), Nr. 7, pp. 743-757
[Mult00] MultilinTM Intelligent Line Monitoring System. URL
www.gedigitalenergy.com/multilin/catalog/fmc.htm. - recuperado 2019-06-30
[MYLD10] MOGHE, R. ; YANG, Y. ; LAMBERT, F. ; DIVAN, D.: Design of a low cost self
powered «Stick-on» current and temperature wireless sensor for utility assets. En: 2010
IEEE Energy Conversion Congress and Exposition, 2010, pp. 4453-4460

147
[NgLS13] NGUYEN, H. ; LILIEN, J. ; SCHELL, P.: Dynamic line rating and ampacity forecasting
as the keys to optimise power line assets with the integration of RES. The European
project Twenties demonstration inside Central Western Europe. En: 22nd International
Conference and Exhibition on Electricity Distribution (CIRED), 2013, pp. 1-4
[NgSF17] NGOKO, B. ; SUGIHARA, H. ; FUNAKI, T.: Methodology for the determination of
real-time dynamic line ratings for secure operation of overhead conductors. En: 2017
IEEE PES Innovative Smart Grid Technologies Conference Europe, (ISGT-Europe),
2017, pp. 1-6
[OlEd02] OLSEN, R. G. ; EDWARDS, K. S.: A new method for real-time monitoring of high-
voltage transmission-line conductor sag. En: IEEE Transactions on Power Delivery
vol. 17 (2002), Nr. 4, pp. 1142-1152
[Otlm00] OTLM Overhead transmission line monitoring. URL www.otlm.eu. - recuperado
2019-06-30
[PCMS08] PINSON, P. ; CHRISTENSEN, L. E. A. ; MADSEN, H. ; SØRENSEN, P. E. ;
DONOVAN, M. H. ; JENSEN, L. E.: Regime-switching modelling of the fluctuations of
offshore wind generation. En: Journal of Wind Engineering and Industrial
Aerodynamics vol. 96 (2008), Nr. 12, pp. 2327-2347
[PeBo10] PETR, N. ; BOHUMIL, S.: PMU measurements as basis of system WAMS in Czech
Transmission Power System - Analysis, parameters calculations and state estimations.
En: 2010 Modern Electric Power Systems, 2010, pp. 1-7
[Pike13] PIKE ENERGY SOLUTIONS: The ThermalRate System (2013)
[Pins06] PINSON, P.: Estimation of the uncertainty in wind power forecasting, Tesis doctoral,
École Nationale Supérieure des Mines de Paris, 2006
[PJMP13] POPELKA, A. ; JURIK, D. ; MARVAN, P. ; POVOLNY, V.: Advanced applications of
WAMS. En: 22nd International Conference and Exhibition on Electricity Distribution
(CIRED), 2013, pp. 1-4
[PMLT11] PYTLAK, P. ; MUSILEK, P. ; LOZOWSKI, E. ; TOTH, J.: Modelling precipitation
cooling of overhead conductors. En: Electric Power Systems Research vol. 81 (2011),
Nr. 12, pp. 2147-2154
[PoJM11] POPELKA, A. ; JURIK, D. ; MARVAN, P.: Actual Line Ampacity Rating Using PMU.
En: 21st International Conference on Electricity Distribution (CIRED), 2011
[PoNe06] POTTER, C. W. ; NEGNEVITSKY, M.: Very Short-Term Wind Forecasting for
Tasmanian Power Generation. En: IEEE Transactions on Power Systems vol. 21
(2006), Nr. 2, pp. 965-972
[Powe00] Power Donut. URL http://www.usi-power.com/power-donut-line-monitor/. -
recuperado 2019-06-30
[PSRN12] PUFFER, R. ; SCHMALE, M. ; RUSEK, B. ; NEUMANN, C. ; SCHEUFEN, M.: Area-wide
dynamic line ratings based on weather measurements. En: Cigre session B2-106, 2012
[Pytl12] PYTLAK, P.: Intelligent Methods for Evaluating the Impact of Weather on Power
Transmission Infrastructure, Tesis doctoral, University of Alberta, 2012

148
 Referencias

[RaFe04] RAMÍREZ-ROSADO, I. J. ; FERNÁNDEZ-JIMÉNEZ, L. A.: An advanced model for

short-term forecasting of mean wind speed and wind electric power. En: Control and
Intelligent Systems vol. 32 (2004), Nr. 1, pp. 21-26
[RATH10] RAHIM, A. A. ; ABIDIN, I. Z. ; TARLOCHAN, F. ; HASHIM, M. F.: Thermal rating
monitoring of the TNB overhead transmission line using line ground clearance
measurement and weather monitoring techniques. En: 4th International Power
Engineering and Optimization Conference (PEOCO), 2010, pp. 274-280
[Rfou16] R FOUNDATION FOR STATISTICAL COMPUTING: R Core Team. R: A language and
environment for statistical computing. Vienna (Austria) (2016)
[RiSM13] RINGELBAND, T. ; SCHÄFER, P. ; MOSER, A.: Probabilistic ampacity forecasting for
overhead lines using weather forecast ensembles. En: Electrical Engineering vol. 95
(2013), Nr. 2, pp. 99-107
[RJSB08] REN, L. ; JIANG, X. ; SHENG, G. ; BO, W.: Design and calculation method for
dynamic increasing transmission line capacity. En: WSEAS Transactions on Circuits
and Systems vol. 7 (2008), Nr. 5, pp. 348-357
[RLDH09] RINGELBAND, T. ; LANGE, M. ; DIETRICH, M. ; HAUBRICH, H.: Potential of
Improved Wind Integration by Dynamic Thermal Rating of Overhead Lines. En: 2009
IEEE Bucharest Power Tech, 2009, pp. 1-5
[SADC98] SEPPA, T. O. ; ADAMS, H. W. ; DOUGLAS, D. A. ; COAD, N. ; EDRIS, A. ;
OLIVIER, P. ; TRASH, F.R.: Use of on-line tension monitoring for real-time thermal
ratings, ice loads, and other environmental effects. En: Cigre session 22-102, 1998
[SAML98] SOTO, F. ; ALVIRA, D. ; MARTÍN, L. ; LATORRE, J. ; LUMBRERAS, J. ;
WAGENSBERG, M.: Increasing the capacity of overhead lines in the 400 kV Spanish
transmission network: real time thermal ratings. En: Cigre session 22-211, 1998
[ScTe98] SCHLINK, U. ; TETZLAFF, G.: Wind Speed Forecasting from 1 to 30 Minutes. En:
Theoretical and Applied Climatology vol. 60 (1998), Nr. 1-4, pp. 191-198
[SeMS10] SEPPA, T. O. ; MOHR, R. D. ; STOVALL, J.: Error Sources of Real-Time Ratings
Based on Conductor Temperature Measurements. Report to CIGRE WG B2.36, 2010
[Sepp93] SEPPA, T. O.: Practical approach for increasing the thermal capabilities of
transmission lines. En: IEEE Transactions on Power Delivery vol. 8 (1993), Nr. 3,
pp. 1536-1550
[Sepp95] SEPPA, T. O.: Accurate ampacity determination: Temperature-sag model for
operational real time ratings. En: IEEE Transactions on Power Delivery vol. 10 (1995),
Nr. 3, pp. 1460-1470
[Sfet00] SFETSOS, A.: A comparison of various forecasting techniques applied to mean
hourly wind speed time series. En: Renewable Energy vol. 21 (2000), Nr. 1, pp. 23-35
[Sfet02] SFETSOS, A.: A novel approach for the forecasting of mean hourly wind speed time
series. En: Renewable Energy vol. 27 (2002), Nr. 2, pp. 163-174
[SGVL16] SKIVEE, F. ; GODARD, B. ; VASSORT, F. ; LAMBIN, J. ; BOURGEOIS, R.:
Integration of 2 days-ahead capacity forecast to manage belgian energy imports. En:

149
 CIGRE Session C2-120, 2016
[SHBH09] SYRACUSE, S J ; HALVERSON, P G ; BARLOW, C V ; HERNANDEZ, A W: Non-
Contact, Real-Time Sensor System for Accurate, Secure, Wireless Monitoring of
Critical HV Transmission Line Operating Parameters. En: IEEE PES joint technical
committee meeting:TP&C Subcommittee, 2009
[SiBL15] SIDEA, D. ; BARAN, I. ; LEONIDA, T.: Weather-Based Assessment of the Overhead
Line Conductors Thermal State. En: 2015 IEEE Eindhoven PowerTech, 2015, pp. 1-6
[SLCG15] SUN, X. ; LUH, P. B. ; CHEUNG, K. W. ; GUAN, W.: Probabilistic forecasting of
dynamic line rating for over-head transmission lines. En: IEEE Power and Energy
Society General Meeting, 2015, pp. 1-5
[SPOP09] SALCEDO-SANZ, S. ; PEREZ-BELLIDO, A. M. ; ORTIZ-GARCIA, E. G. ; PORTILLA-
FIGUERAS, A. ; PRIETO, L. ; PAREDES, D.: Hybridizing the fifth generation mesoscale
model with artificial neural networks for short-term wind speed prediction. En:
Renewable Energy vol. 34 (2009), Nr. 6, pp. 1451-1457
[SpRo11] SPOOR, D. J. ; ROBERTS, J. P.: Development and Experimental Validation of a
Weather-Based Dynamic Line Rating System. En: IEEE PES Innovative Smart Grid
Technologies, 2011, pp. 1-7
[StKo12] VAN STADEN, P. ; DE KOCK, J. A.: The practical comparison of conductor operating
temperatures against IEEE and CIGRE ampacity calculations. En: IEEE Power and
Energy Society Conference and Exposition in Africa: Intelligent Grid Integration of
Renewable Energy Resources, (PowerAfrica), 2012, pp. 1-7
[StND91] STEELEY, W. J. ; NORRIS, B. L. ; DEB, A. K.: Ambient temperature corrected
dynamic transmission line ratings at two PG&E locations. En: IEEE Transactions on
Power Delivery vol. 6 (1991), Nr. 3, pp. 1234-1242
[StPH03] STEWART, A. ; PANDEY, A. ; HURST, N.: Development of a Real-Time Monitoring /
Dynamic Rating System for Overhead Lines. Report for the California Energy
Commission, 2003
[StRe10] STASZEWSKI, L. ; REBIZANT, W.: The Differences between IEEE and CIGRE Heat
Balance Concepts for Line Ampacity Considerations. En: 2010 Modern Electric Power
Systems, 2010, pp. 1-4
[Tran00] Transmission Line Monitor (TLM). URL https://lindsey-
usa.com/sensors/transmission-line-monitor/. - recuperado 2019-06-19
[Uski15] USKI, S.: Dynamic Line Rating Forecastability for Conservative Day-Ahead Line
Rating Values. En: IECON 2015 - 41st Annual Conference of the IEEE Industrial
Electronics Society, 2015, pp. 3738-3742
[VDPH20] VIAFORA, N. ; DELIKARAOGLOU, S. ; PINSON, P. ; HOLBØLL, J.: Chance-
constrained optimal power flow with non-parametric probability distributions of
dynamic line ratings. En: Electrical Power and Energy Systems vol. 114 (2020),
p. 105389.
[WaSJ11] WANG, K. ; SHENG, G. ; JIANG, X.: Risk assessment of transmission dynamic line
rating based on Monte Carlo. En: 2011 IEEE Power Engineering and Automation

150
 Referencias

Conference, 2011, pp. 398-402

[WWHZ16] WEI, Z. ; WANG, M. ; HAN, X. ; ZHANG, H. ; ZHANG, Q.: Probabilistic
forecasting for the ampacity of overhead transmission lines using quantile regression
method. En: IEEE PES Asia-Pacific Power and Energy Engineering Conference
(APPEEC), 2016, pp. 1632-1635
[YDHH06] YANG, Y. ; DIVAN, D. ; HARLEY, R. G. ; HABETLER, T. G.: Power line sensornet
- a new concept for power grid monitoring. En: 2006 IEEE Power Engineering Society
General Meeting, 2006, pp. 1-8
[Yous01] YOUSSEF, M.: A new method for temperature measurement of overhead
conductors. En: IMTC 2001. Proceedings of the 18th IEEE Instrumentation and
Measurement Technology Conference. Rediscovering Measurement in the Age of
Informatics. vol. 2, 2001, pp. 966-969
[YSLM18] YAO, R. ; SUN, K. ; LIU, F. ; MEI, S.: Efficient Simulation of Temperature
Evolution of Overhead Transmission Lines Based on Analytical Solution and NWP. En:
IEEE Transactions on Power Delivery vol. 33, IEEE (2018), Nr. 4, pp. 1576-1588
[ZDZX16] ZHANG, H. ; DU, M. ; ZHAO, Q. ; XUE, L. ; WEI, Z. ; ZHANG, Q.: Security
constrained economic dispatch with dynamic thermal rating technology integration. En:
2016 IEEE International Conference on Power and Renewable Energy (ICPRE), 2016,
pp. 709-713
[ZhYa02] ZHU, Z. ; YANG, H.: Discrete Hilbert transformation and its application to estimate
the wind speed in Hong Kong. En: Journal of Wind Engineering and Industrial
Aerodynamics vol. 90 (2002), Nr. 1, pp. 9-18
[ZPMS02] ZHANG, J. ; PU, J. ; MCCALLEY, J. D. ; STERN, H. ; GALLUS, W. A.: A Bayesian
approach for short-term transmission line thermal overload risk assessment. En: IEEE
Transactions on Power Delivery vol. 17 (2002), Nr. 3, pp. 770-778

151
10 Anexos

A Publicación de los resultados de investigación

Gran parte de los resultados de investigación generados dentro del ámbito de esta tesis,
durante el tiempo que se ha dedicado a su consecución, se han publicado en diversas revistas
especializadas y en los congresos a las que se ha asistido. Entre los artículos publicados en
revistas se cuentan:

• Albizu, I.; Fernández, E.; Alberdi, R.; Bedialauneta, M. T.; Mazón, A. J.: Adaptive Static
Line Rating for Systems with HTLS Conductors. En: IEEE Transactions on Power
Delivery vol. 33 (2018), Nr. 6, pp. 2849-2855

• Albizu, I.; Fernández, E.; Mazón, A. J.; Alberdi, R.: Forecast ratio and security analysis
of rating forecasting methods in an overhead line. En: IET Generation, Transmission &
Distribution vol. 11 (2017), Nr. 6, pp. 1598-1604

En cuanto a los documentos presentados en congresos, se encuentran:

• Alberdi, R.; Albizu, I.; Fernández, E.; Bedialauneta, M. T.; Fernández, R.; Mazón, A. J.:
Wind Speed Effect on the Conductor Temperature of a Distribution Line. En: 7th
International Conference on Clean Electrical Power - Renewable Energy Resources
Impact, 2019

• Alberdi, R.; Albizu, I.; Fernández, E.; Bedialauneta, M. T.; Fernández, R.; Mazón, A. J.:
Analisys of the spatial uncertainty of line rating monitoring systems in smart grids. En:
The 28th IEEE International Symposium on Industrial Electronics, 2019

• Alberdi, R.; Fernández, R.; Fernández, E.; Albizu, I.; Bedialauneta, M. T.; Mazón, A. J.;
Etxegarai, A.: Short-term Forecasting based on Weather Measurements in a Distribution
Line. En: Mediterranean Conference on Power Generation, Transmission, Distribution
and Energy Generation. Dubrovnik, 2018

• Alberdi, R.; Albizu, I.; Fernández, E.; Bedialauneta, M. T.; Fernández, R.; Mazón, A. J.:
Security and Reliability Assessment of Overhead Lines Ampacity Forecasting. En: 18th
IEEE International Conference on Environment and Electrical Engineering and
Electrical Engineering and 2018 IEEE Industrial and Commercial Power Systems
Europe (EEEIC / I&CPS Europe). Palermo, 2018, pp. 1-6

153
 • Alberdi, R.; Albizu, I.; Fernández, E.; Etxegarai, A.; Valverde, V.; Buigues, G.; Mazón,
A. J.; Bedialauneta, M. T.: Predicting Wind Speed with Local Measurements in an
Overhead Line. En: UPEC 2017 · 52nd International Universities’ Power Engineering
Conference. Heraklion, 2017, pp. 1-5

• Alberdi, R.; Fernández, E.; Albizu, I.; Mazón, A. J.; Bedialauneta, M. T.; Sagastabeitia,
K. J.: Wind speed forecasting in overhead lines for system operation. En: 2017 IEEE
Manchester PowerTech. Manchester, 2017, pp. 1-5

• Alberdi, R.; Fernández, E.; Albizu, I.; Mazón, A. J.; Bedialauneta, M. T.; Sagastabeitia,
K. J.: Wind speed forecasting in overhead lines for system operation. En: 2017 IEEE
Manchester PowerTech. Manchester, 2017

• Albizu, I.; Fernández, E.; Mazón, A. J.; Alberdi, R.: Seguridad y aprovechamiento de
líneas aéreas a partir de medidas y predicciones meteorológicas. En: Workshop
monitorización de líneas. Cigre B1-B2. Santander, 2017

• Alberdi, R.; Fernández, E.; Albizu, I.; Valverde, V.; Bedialauneta, M. T.; Sagastabeitia,
K. J.: Statistical Methods and Weather Prediction for Ampacity Forecasting in Smart
Grids. En: 2016 IEEE PES PowerAfrica. Livingstone, 2016, pp. 21-25

• Fernández, E.; Albizu, I.; Mazón, A. J.; Etxegarai, A.; Buigues, G.; Alberdi, R.: Power
Line Monitoring for the Analysis of Overhead Line Rating Forecasting Methods. En:
2016 IEEE PES PowerAfrica. Livingstone, 2016, pp. 119-123

154
 Anexos

B Modelos de series temporales

En la revisión bibliográfica se han visto diferentes modelos estadísticos para la predicción

de ampacidad o de magnitudes meteorológicas. Muchos de estos modelos son lineales y están
basados en regresión lineal, y otros no lo son, siendo modelos más complejos. Si los datos están
correlacionados en el tiempo se habla de series temporales, siendo los modelos más sencillos
los basados en ARIMA (Auto Regressive Integrative Moving Average). La metodología para
hacer predicción con estos modelos se describe en [BJRL16] y se basa en el análisis de dichas
series temporales, entendidas como tales las observaciones tomadas secuencialmente en el
tiempo, generalmente a intervalos de tiempo regulares. Estos modelos se pueden componer de

autorregresivos univariable se basan en la idea de que el valor actual, xt, de una serie, puede ser
términos autorregresivos (AR), de media móvil (MA) e integrativos (I). Los modelos

expresado en función de un número finito p de observaciones pasadas, xt−1, xt−2, ... , xt−p, y un
término de error aleatorio, at. Se asume que la serie es estacionaria, siendo ϕ1, ϕ2, ... , ϕp
constantes, y se asume que at es una serie gaussiana de ruido blanco con media cero y varianza
constante.

mZ = ˜{ ∙ mZ•{ + ˜: ∙ mZ•: + ⋯ + ˜¦ ∙ mZ•¦ + $Z (32)

función de un término de error at y un número finito q de errores pasados at−1, at−2, ... , at−q.
Análogamente, en un modelo de media móvil se expresa el valor actual de la serie en

Los terminosθ1, θ2, ... , θq son parámetros, y se asume que at es una serie gaussiana de ruido
blanco con media cero y varianza constante.

mZ = $Z − ™{ ∙ $Z•{ − ™: ∙ $Z•: − ⋯ − ™¶ ∙ $Z•¶ (33)

Si se combinan ambos modelos, dan lugar a un modelo ARMA. En estos modelos se

asume que la serie es estacionaria, es decir, que tiene un nivel medio constante a lo largo del
tiempo. Sin embargo, la variabilidad natural de muchos procesos hace que esto no sea así, dando

serie resultante de diferenciar los términos de la serie d veces, si es estacionaria.

lugar a series no estacionarias que son definidas mediante un modelo ARIMA, en el cual la

Además, muchos procesos tienden a seguir fluctuaciones periódicas (diarias, anuales,

etc.), como es el caso de los procesos que dan lugar a las series de medidas locales de
temperatura ambiente, velocidad de viento, etc. En estos casos, el valor actual de la serie

un periodo s, usando para caracterizarlas polinomios autorregresivos y de media móvil. Esto

depende, además de los valores pasados adyacentes en el tiempo, de valores pasados espaciados

resulta en modelos más generales que incluyen términos periódicos y ordinarios, los modelos
SARIMA (Seasonal Auto Regressive Integrated Moving Average). Estos modelos se denotan
como ARIMA(p,d,q)×(P,D,Q)S, donde los componentes autorregresivos (ordinario y periódico)
están representados por polinomios de ordenes p y P respectivamente, los componentes de
media móvil por polinomios de ordenes q y Q, y los componentes integrados con ordenes d y
D.

155
 Para poder usar un modelo para predicción, previamente se sigue un proceso de
identificación, estimación de sus parámetros y chequeo [BJRL16]. Para identificar un modelo
univariable se analizan las funciones de autocorrelación y de autocorrelación parcial, de la serie
diferenciada y sin diferenciar siguiendo lo expuesto en la Tabla 16. La autocorrelación de una
serie temporal se define como la correlación de la serie con una versión desplazada en el tiempo
de la propia serie. La autocorrelación parcial mide la correlación entre dos versiones de una
serie desplazadas en el tiempo, cuando no se considera la dependencia creada por los retardos
intermedios existentes entre ambas.

Tabla 16. Identificación de modelos ARIMA.

Modelo AR MA ARMA
Exponenciales y/o
Función de Exponenciales y/o senoidales amortiguadas a
Se interrumpe en el lag q
autocorrelación senoidales amortiguadas partir de los primeros q-p
lags
Exponenciales y/o
Función de
Exponenciales y/o senoidales amortiguadas a
autocorrelación Se interrumpe en el lag p
senoidales amortiguadas partir de los primeros p-q
parcial
lags
Esto se cumple para series estacionarias y es válido también para modelos periódicos.
Además de la autocorrelación y autocorrelación parcial, en el proceso de identificación es usual
utilizar otras herramientas como AIC (Akaike Information Criteria) y BIC (Bayesian
Information Criteria), que pueden ser calculados según ecuaciones (34) y (35).

−2 ∙ lnG_$m'_$ b),+€'_'*'`T(L + 2, 2
[9· = ≈ lnGCpO: L + , + &`)
% %
(34)

lnG%L
W9· = lnGCpO: L + ,
%
(35)

La estimación de parámetros se hace con el criterio de máxima verosimilitud, suponiendo

que los errores tienen una distribución gaussiana. Para verificar que el modelo elegido es
adecuado se chequean los residuos, comprobando que su media sea cero, que tengan una
distribución gaussiana, que no haya correlación entre ellos, y que su varianza sea constante. En
caso contrario, si la varianza no es constante, se dice que la serie es heterocedástica, existiendo
modelos que describen como varia esta con el tiempo, como los ARCH (AutoRegressive
Conditional Heterocedastic) (36) y los GARCH (Generalized AutoRegressive Conditional
Heterocedastic) (37), en sus diferentes variantes [BJRL16].

CZ: = $V + >{ ∙ $Z•{

:
+ >: ∙ $Z•:
:
+ ⋯ + >? ∙ $Z•?
:
(36)

CZ: = $V + >{ ∙ $Z•{

:
+ ⋯ + >? ∙ $Z•?
:
+ £{ ∙ CZ•{
:
+ ⋯ + £? ∙ CZ•d
: (37)

En muchas aplicaciones interesa predecir una variable en función de observaciones

pasadas de si misma y de otras variables, por lo que se definen diferentes tipos de modelos

de cada una de K variables, que pueden ser observaciones de una misma magnitud física
multivariable. Entre ellos se encuentran los modelos VAR [BJRL16], que dan una predicción

156
 Anexos

distribuidas geográficamente, a partir de las observaciones pasadas de esas variables. En la

ecuación (38) Xt, Xt-1, Xt-2, … , Xt-p son matrices con las observaciones de K variables, Φ1,
Φ2, … , Φp matrices de coeficientes, y At la matriz de errores. De forma más general, se definen
los modelos VARMA y VARIMA, que también constan de términos de media móvil e
integrativos.

¤Z - Φ{ ∙ ¤Z•{ + Φ: ∙ ¤Z•: + ⋯ + Φ¦ ∙ ¤Z•¦ + [Z (38)

157
C Modelos de regresión lineal y redes neuronales

independientes con distribución gaussiana de media cero y varianza constante, εi, en función de
Se define un modelo general de regresión lineal [KNNL05], con términos de error

las variables Xi1, Xi2, … , Xip-1, para i=1, … , n.

¢5 = £V + £{ ∙ ¤5{ + £: ∙ ¤5: + ⋯ + £¦•{ ∙ ¤5¦•{ + E5 (39)

Dado que E[εi]=0, su función de respuesta es

v[¢] = £V + £{ ∙ ¤{ + £: ∙ ¤: + ⋯ + £¦•{ ∙ ¤¦•{ (40)

Este modelo general de regresión lineal con términos de error normales implica que las
observaciones Yi son variables independientes normales con media E[Yi] y varianza constante
σ2. Este tipo de modelo general permite predecir el valor futuro de una variable Y, como puede
ser ampacidad, a partir de múltiples predictores Xi1, Xi2, … , Xip-1, como pueden ser observaciones
pasadas de variables meteorológicas o de la misma ampacidad, o predicciones de esas variables
meteorológicas. Sin embargo, en todo modelo estadístico existe una incertidumbre asociada a
la predicción de eventos futuros o a observaciones pasadas. Para cuantificar esa incertidumbre
es posible establecer unos límites de predicción 1-α, para una observación nueva Yh
correspondiente a los valores Xh, siendo la varianza del error de predicción s2[pred] [KNNL05].

¢…§ ± `{•-⁄: ∙ €[.,)(] (41)

€ : [.,)(] = u|v + € : ‰¢…§ ‹ = u|v ∙ G1 + ¤′§ ∙ G¤′ ∙ ¤L•{ ∙ ¤§ L (42)

Entre los modelos de predicción no lineales encontrados en la revisión bibliográfica, se

encuentran las redes neuronales. La idea básica de una red neuronal es la de modelar la respuesta
como una función no lineal de varias combinaciones lineales de predictores. Una red neuronal
es un modelo estadístico no lineal con muchos más parámetros que un modelo lineal. Esto
resulta en un modelo sobreparametrizado, en el cual los parámetros no tienen una interpretación
directa. El modo en que está estructurada una red neuronal, está ligado al algoritmo usado para
entrenar la red neuronal. Hay tres arquitecturas básicas [Hayk05]:

• Redes de propagación hacia delante de una capa (Single layer feedforward networks, o
Single layer perceptrons), en las que una capa de nodos de entrada se proyecta en una
única capa de salida.

• Redes de propagación hacia delante multicapa (Multilayer feedforward networks, o

Multilayer perceptrons), con una capa de entrada, una o más capas ocultas, y la capa de
salida.

158
 Anexos

• Redes recurrentes (Recurrent networks), que a diferencia de las redes que se propagan
hacia delante, tienen al menos un lazo de realimentación, pudiendo tener o no capas
ocultas.

En general, los tipos de aprendizaje de una red neuronal se pueden clasificar como
[Hayk05]:

• Aprendizaje supervisado, según el cual la red neuronal “aprende” a partir de ejemplos

(conjuntos de pares de datos de entrada-salida) proporcionados por un “maestro”. Las
arquitecturas más comunes en aprendizaje supervisado son: Perceptron multicapa
(Multilayer Perceptron, MLP), entrenada con el algoritmo de Propagación hacia atrás
(Error Back-Propagation algorithm, BP), red neuronal de base radial (Radial-Basis
Function Network, RBF), máquinas de vectores de soporte (Support Vector Machines,
SVC) y varios tipos de “Committee Machines” como son “Mixture of Experts”.

• Aprendizaje reforzado (reinforcement learning), en el cual la red “aprende” un mapa de

entradas-salidas mediante la interacción continua con el entorno, para minimizar un
indicador de su rendimiento proporcionada por un “critico”.

• Aprendizaje no supervisado, no hay “maestro” ni “critico” para supervisar el proceso

de aprendizaje, pero si una medida de la calidad de representación de la red, cuyos
parámetros se optimizan con respecto a esta medida. En aprendizaje no supervisado se
usan distintos tipos de redes: análisis de componentes principales (Principal Component
Analysis), mapas autoorganizados (Self-Organizing Maps), “Information-Theoretic
Models” y “Stochastic Machines”.

Hay diferentes tipos de redes neuronales especialmente apropiadas para el procesamiento

del tiempo, y por lo tanto, para usarlas en series de tiempo: redes de propagación hacia delante,
en las cuales los retrasos (time delays) son implementados a nivel sináptico, o en la capa de
entrada de la red, y redes recurrentes (Recurrent Networks), en las cuales se implementan uno
o varios lazos de realimentación, de forma local, o englobando toda la red [Hayk05].

159
D Modelos numéricos de predicción meteorológica

Los modelos numéricos usados en predicción meteorológica (Numerical Weather

Prediction, NWP), son modelos matemáticos de la atmosfera, para predecir el tiempo
atmosférico a partir de las condiciones actuales. Diferentes agencias nacionales e
internacionales ejecutan modelos de predicción a diferentes escalas, usando las observaciones
meteorológicas de satélites, radiosondas, estaciones meteorológicas terrestres, y otros sistemas
como inputs. Dichos modelos usan sistemas de ecuaciones diferenciales basadas en las llamadas
ecuaciones primitivas de la atmosfera [GCCS04] :

• Conservación de la masa.

• Conservación del vapor de agua.

• Ecuación de estado de los gases ideales.

• Conservación de la energía.

• Conservación del momento.

Estas ecuaciones no son lineales y se aplican sobre una malla tridimensional alrededor de
todo el planeta, o sobre un mapa regional. Viento, temperatura, radiación solar, humedad, y
otros parámetros son calculados para cada celda de la malla, y las interacciones con las celdas
contiguas, y con los límites de la malla, son usadas para calcular el comportamiento de la
atmosfera en el futuro. Estos modelos numéricos se pueden clasificar según su escala espacial
y temporal [GCCS04]:

• Modelos globales, los cuales estudian la evolución del clima a escala planetaria, y
generan predicciones mensuales y estacionales.

• Modelos regionales, se aplican a mapas regionales (por ejemplo, de Europa) y sirven

para predecir el tiempo atmosférico hasta con 15 días de antelación, con una resolución
espacial mayor.

• Modelos mesoescalares, se usan para predecir el tiempo hasta con 3 días de antelación,
con resolución espacial aún mayor.

Entre los modelos mesoescalares más conocidos, cabe mencionar [GiKa11, MBMB09]:

• WRF, Weather Research and Forecasting model, respaldado principalmente por las
agencias norteamericanas NCAR, NOAA y AFWA, sucesor del modelo MM5.

• RAMS, Regional Atmospheric Modelling System, desarrollado por la Universidad de

Colorado.

• ARPS, Advanced Region Prediction System, de la Universidad de Oklahoma.

160
 Anexos

• GEM-LAM, Global Environmental Multiscale Limited Area Model, del servicio

meteorológico de Canadá.

• HIRLAM, High Resolution Limited Area Model, se ejecuta en cooperación con

diferentes institutos meteorológicos europeos.

• ALADIN, desarrollado por un consorcio de varios países europeos y norteafricanos, con

el liderazgo de Meteo-France.

• COSMO, desarrollado por el Consortium for Small-Scale Modelling (varios países

europeos).

Los citados modelos están en constante desarrollo, y en muchos casos, cada agencia o
universidad ejecuta varias versiones del mismo modelo, con diferentes resoluciones o
características.

161
162