INTRODUCCIÓN
Los sistemas de potencia y su operación son fundamentales para el suministro de
electricidad a nivel global. Estos sistemas deben ser diseñados y operados de manera
eficiente y confiable, enfrentando diversas incertidumbres como fluctuaciones en la
demanda, variabilidad de fuentes renovables, fallas de componentes, y más. Los
métodos probabilísticos proporcionan herramientas esenciales para abordar estas
incertidumbres y garantizar un funcionamiento óptimo y seguro.
Herramientas Matemáticas y Computacionales
1. Simulación Monte Carlo
o Definición: Técnica de simulación que utiliza la generación de números
aleatorios para modelar y analizar sistemas complejos.
o Aplicación en Sistemas de Potencia: Evaluación de confiabilidad,
análisis de flujos de potencia, estimación de costos operativos, entre
otros.
2. Métodos de Optimización Estocástica
o Programación Lineal Estocástica: Considera la incertidumbre en los
parámetros del modelo de optimización.
o Optimización de Segunda Etapa: Permite ajustes en las decisiones
operativas una vez que se revela la incertidumbre.
3. Teoría de Colas
o Modelado de Redes Eléctricas: Utiliza modelos de colas para analizar y
optimizar la operación de sistemas de generación y distribución bajo
condiciones de incertidumbre en la demanda y generación.
Técnica de Monte Carlo en Sistemas de Potencia
Introducción a la Técnica de Monte Carlo
La técnica de Monte Carlo es un método estadístico utilizado para resolver problemas
que involucran incertidumbre y variabilidad. Este método se basa en la generación de
números aleatorios y la realización de simulaciones repetitivas para obtener resultados
probabilísticos.
Fundamentos de la Técnica de Monte Carlo
1. Generación de Números Aleatorios: Se generan números aleatorios para modelar las
variables de entrada del sistema, siguiendo distribuciones de probabilidad específicas.
2. Simulación de Escenarios: Se ejecutan múltiples simulaciones (o ensayos) para analizar
cómo las variaciones en las variables de entrada afectan el sistema.
3. Análisis Estadístico de Resultados: Se recopilan y analizan los resultados de las
simulaciones para obtener estimaciones de las métricas de interés (e.g., media,
varianza, percentiles).
Aplicaciones en Sistemas de Potencia
1. Evaluación de Confiabilidad del Sistema de Potencia
o Modelado de Fallos y Reparaciones: Utilizando distribuciones de probabilidad
para modelar los tiempos de fallo y reparación de los componentes del
sistema.
o Estimación de Métricas de Confiabilidad: Como el Tiempo Promedio Entre
Fallos (MTBF) y el Tiempo Promedio de Reparación (MTTR).
o Simulación de Escenarios: Evaluar el impacto de diferentes estrategias de
mantenimiento y redundancia en la confiabilidad del sistema.
2. Análisis de Flujos de Potencia Probabilístico (PFP)
o Modelado de Incertidumbre en Demandas y Generación: Considerando
variaciones en la demanda y generación de energía, especialmente de fuentes
renovables.
o Simulación de Flujos de Potencia: Realización de múltiples simulaciones de
flujo de potencia para obtener distribuciones de voltajes y corrientes en las
líneas.
o Identificación de Riesgos: Evaluar la probabilidad de sobrecargas o violaciones
de límites operativos en el sistema.
3. Integración de Energías Renovables
o Variabilidad de la Generación: Modelar la variabilidad en la generación de
energía solar y eólica utilizando distribuciones probabilísticas.
o Análisis de Impacto en el Sistema: Evaluar cómo la variabilidad de las fuentes
renovables afecta la estabilidad y confiabilidad del sistema de potencia.
o Optimización de la Operación del Sistema: Determinar estrategias de
despacho y almacenamiento que minimicen el riesgo asociado con la
variabilidad de las renovables.
4. Estimación de Costos Operativos
o Modelado de Incertidumbre en Precios del Combustible y Demanda: Utilizar
distribuciones de probabilidad para modelar la incertidumbre en los precios
del combustible y la demanda de energía.
o Simulación de Costos: Realizar simulaciones para estimar los costos operativos
bajo diferentes escenarios de precios y demanda.
o Análisis de Sensibilidad: Evaluar cómo cambios en las variables de entrada
afectan los costos operativos.
Pasos para Implementar la Técnica de Monte Carlo
1. Definir el Problema y las Variables de Entrada: Identificar las variables de entrada del
sistema y sus distribuciones de probabilidad.
2. Generar Números Aleatorios: Utilizar generadores de números aleatorios para
producir valores según las distribuciones especificadas.
3. Realizar Simulaciones: Ejecutar un gran número de simulaciones, cada una con un
conjunto diferente de valores de entrada.
4. Recolectar y Analizar Resultados: Recopilar los resultados de las simulaciones y
realizar análisis estadísticos para obtener métricas clave.
5. Interpretar y Utilizar los Resultados: Utilizar los resultados del análisis para tomar
decisiones informadas sobre la operación y planificación del sistema.
Ventajas y Limitaciones de la Técnica de Monte Carlo
Ventajas
Flexibilidad: Puede aplicarse a una amplia gama de problemas con diferentes niveles
de complejidad.
Capacidad para Manejar Incertidumbre: Proporciona una forma efectiva de modelar y
analizar incertidumbres en sistemas complejos.
Intuición y Visualización: Facilita la comprensión de la variabilidad y el riesgo mediante
la visualización de distribuciones de resultados.
Limitaciones
Coste Computacional: Requiere un número significativo de simulaciones para obtener
resultados precisos, lo que puede ser computacionalmente costoso.
Dependencia de Datos: La precisión de los resultados depende de la calidad y
precisión de las distribuciones de probabilidad de las variables de entrada.
Complejidad en Modelos Complejos: Puede ser difícil de implementar en modelos
extremadamente complejos debido a la necesidad de generar y manejar grandes
cantidades de datos.
ADECUACIÓN DE GENERACIÓN
La técnica convencional más básica utilizada para determinar el requisito de capacidad
de generación es el método de porcentaje de reserva o margen de reserva del sistema.
Otro método convencional usado es determinar una reserva igual a la potencia de una de
las unidades más grandes en el sistema. Estos dos enfoques determinísticos ahora han
sido sustituidos por métodos probabilísticos que responden y reflejan los factores reales
que influyen en la confiabilidad del sistema.
En este sentido, el enfoque básico de los modelos probabilísticos para la evaluación de
la adecuación de los sistemas de generación consiste en tres pasos generales:
Los índices de confiabilidad se pueden calcular utilizando el método de simulación de
Monte Carlo.
ADECUACIÓN DE GENERACIÓN EN DIGSILENT
POWERFACTORY
DIgSILENT PowerFactory está diseñada específicamente para evaluar la adecuación de
generación del sistema de potencia. Esta herramienta se utiliza para determinar la
capacidad general del sistema y para determinar la Probabilidad de Pérdida de Carga
(LOLP) y la Demanda Esperada No Suministrada (EDNS).
• La evaluación analítica de adecuación degeneración requiere que a cada
generador del sistema se le asigne un número de ‘estados’ probabilísticos que
determinen la probabilidad de operación del generador a varios niveles de
potencia de salida.
• Del mismo modo, a cada una de las cargas del sistema se le asigna una
característica basada en el tiempo, la cual determina el nivel de carga real del
sistema en cualquier instante.
• Sin embargo, como el número de generadores, estados de los generadores,
cargas y estados de carga, aumentan, los escenarios para el análisis se expanden
rápidamente, de manera que se hace imposible resolver en un plazo razonable de
tiempo. Tal problema es ideal para la simulación de Monte Carlo.
Dado que el método de Monte Carlo requiere un número determinado de
iteraciones para la convergencia, es común utilizar un criterio de parada. En el
caso de la aplicación utilizada, este criterio de parada es definido por la varianza.
A continuación, se presentan las fórmulas de los límites superiores e inferiores
para el cálculo de la varianza:
Donde n es el número de muestras, y i es la muestra y y es la media de la
muestra. El 90% del intervalo de confianza se calcula según la siguiente
expresión:
Donde z es la probabilidad inversa estándar para la distribución t-Student, con un
intervalo de confianza de 90%.
El valor de la demanda no suministrada (DNS, por sus siglas en inglés) se
calcula para cada estado. Este proceso se realiza para un número específico de
iteraciones. Al final de la simulación, los valores de la probabilidad de pérdida
de carga (LOLP) y la pérdida de carga esperada (LOLE) son índices calculados
como valores promedio de todas las iteraciones realizadas.
Hay varios objetos de base de datos en PowerFactory específicamente
relacionados con el análisis de adecuación de la generación, tales como:
• Modelo estocástico para el objeto generación (StoGen)
• Tipo de curva de potencia (TypPowercurve); y
• Estación Meteorológica.
Esto significa que, para cada estado, se debe especificar la capacidad de generación total
disponible en % de la producción máxima, junto con su probabilidad de ocurrencia. La
columna de la probabilidad de ocurrencia está limitada de forma automática, de modo
que la suma sea igual al 100%.
Conclusión
La técnica de Monte Carlo es una herramienta poderosa para la evaluación y
análisis de sistemas de potencia bajo incertidumbre. Su capacidad para modelar
variaciones aleatorias y proporcionar resultados probabilísticos la convierte en
una técnica esencial para la planificación y operación de sistemas de potencia
confiables y eficientes.
Los métodos probabilísticos son esenciales para la operación y planificación de
sistemas de potencia, proporcionando herramientas para manejar la
incertidumbre y garantizar la confiabilidad y eficiencia del suministro eléctrico.
Desde la predicción de demanda hasta la integración de energías renovables,
estos métodos permiten a los operadores y planificadores tomar decisiones
informadas y robustas frente a las variabilidades inherentes del sistema.
