HERRAMIENTA COMPUTACIONAL PARA EL FLUJO DE CARGA

ESTOCÁSTICO INCLUYENDO EL COMPORTAMIENTO DEL SOL Y SU

CARGA

Presentado por:

Luis Enrique Cervantes Salcedo

Jorge David Granados Sierra

Asesores:
Rafael Castillo
Luis López
Ingrid Oliveros Pantoja

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

PROYECTO FINAL
BARRANQUILLA, NOVIEMBRE, 2018.
 Tabla de Contenido
1. INTRODUCCIÓN ................................................................................................ 3

2. OBJETIVOS ........................................................................................................ 4

2.1 Objetivo general .......................................................................................... 4

2.2 Objetivos específicos .................................................................................. 4

3. DELIMITACIONES .............................................................................................. 4

3.1 Alcances ..................................................................................................... 4

3.2 Limitaciones ................................................................................................ 4

3.3 Entregables ................................................................................................. 4

4. ESTADO DEL ARTE ........................................................................................... 5

5. DESCRIPCIÓN DETALLADA.............................................................................. 6

5.1 Generalidades del diseño de la herramienta computacional ....................... 6

5.1.1 Acondicionamiento de datos de entrada.......................................... 7

5.1.2 Procesamiento de datos .................................................................. 7

5.1.3 Resultados del flujo de carga .......................................................... 8

5.2 Desarrollo de la herramienta computacional ............................................... 8

5.2.1 Plantilla en Excel ............................................................................. 8

5.2.2 Función de Flujo de carga con el método de Newton Raphson .... 10

5.2.3 Código de modelo de carga aleatoria ............................................ 10

5.2.4 Código de modelo de generación solar aleatoria .......................... 11

5.2.5 Interfaz Gráfica de Usuario (GUI) .................................................. 12

6. PRUEBAS, RESULTADOS Y ANÁLISIS DE RESULTADOS ........................... 13

7. CONCLUSIONES Y RECOMENDACIONES .................................................... 18

8. BIBLIOGRAFÍA ................................................................................................. 20
1. INTRODUCCIÓN
A lo largo del tiempo los sistemas eléctricos de potencia han experimentado grandes
cambios con el propósito de maximizar y optimizar su funcionamiento en general. En los
últimos años, una de las áreas en donde se ha hecho especial énfasis es en la integración
de las energías renovables a los sistemas de potencia. Sin embargo, es todo un reto la
integración de energías renovables a sistemas que ya se encuentran constituidos, como es
el caso del Sistema Interconectado Nacional Colombiano, debido a que conlleva un cambio
por las características únicas de operación de estas fuentes de energía. Entre estas
características destaca la inconstancia de la generación de estas fuentes de energía por la
dependencia de factores climáticos de carácter aleatorio. Esto causa un aumento en la
cantidad de datos estocásticos que deben ser integrados en los procesos de operación
normal del sistema. En el caso de la energía solar, esta estocasticidad está directamente
asociada con la irradiación solar y la temperatura.
Para analizar las centrales generadoras solares, es importante tener en cuenta el
comportamiento del sol y su radiación. A pesar de que el comportamiento del sol es el
mismo a lo largo del día, el cambio de este en un lugar determinado es fuertemente afectado
debido a la nubosidad que se presente; los cambios climáticos que se presentan en una
zona a lo largo del día, pueden causar que la capacidad máxima de generación de una
central solar varíe a lo largo del día. Igualmente según la ubicación geográfica el ángulo de
incidencia de la radiación solar en una zona cambia, lo que puede alterar la capacidad de
generación de una central.
Con base en esto, se muestra cómo a pesar de que el comportamiento del sol es
aparentemente el mismo, su variación está determinada principalmente por otros factores
climáticos y geográficos. Sin embargo, estos factores suelen ser aproximadamente
uniformes a lo largo de una zona geográfica específica, por lo que obtener datos de
radiación dividiendo el país en zonas suele ser una muy buena aproximación de la realidad.
De manera que los kWh/m2 obtenidos en un punto, suelen ser aproximadamente iguales a
su alrededor, hasta que se sobrepase cierta distancia o exista un cambio geográfico en la
zona que afecte este valor.
A diferencia del flujo de carga convencional, el flujo de carga probabilístico si toma en
consideración las incertidumbres y aleatoriedades asociadas a la demanda de energía y la
generación de algunas energías no convencionales cuyo comportamiento es
inherentemente estocástico, como el caso de la energía solar. Con el fin de incluir estas
variabilidades, el flujo de carga probabilístico recurre a la utilización de herramientas
estadísticas como las funciones de densidad de probabilidad, las variables aleatorias y las
distribuciones de probabilidad. La diferencia operacional del flujo de carga probabilístico
con respecto del convencional, radica en que en vez de asumir las variables de estado (las
magnitudes y los ángulos de las tensiones) como variables fijas, las analiza según su
función de densidad de probabilidad. En el caso de la generación solar, se escoge la función
de Weibull, por su adaptabilidad matemática al problema [6] y para la demanda se asume
una distribución normal, debido a su sencillez, a que ha sido utilizada en estudios anteriores
y aplica adecuadamente al escenario [20].
2. OBJETIVOS

2.1 Objetivo general

Desarrollar una herramienta informática para el cálculo del flujo de carga de un
sistema eléctrico de potencia en condiciones aleatorias provenientes de la
radicación solar y la demanda de energía.

2.2 Objetivos específicos

- Desarrollar un algoritmo para calcular el flujo de carga estocástico que incorpore las
variables aleatorias y sea extensible para sistemas de cualquier número de nodos.
- Seleccionar un modelo matemático para representar la radiación solar y la demanda
de energía eléctrica del sistema de potencia estudiado.
- Construir una interfaz gráfica para integrar los algoritmos y modelos desarrollados
en el flujo de carga.
- Validar la herramienta computacional con dos sistemas de referencia IEEE.

3. DELIMITACIONES

3.1 Alcances
- El algoritmo es flexible, permite analizar sistemas sin importar el número de nodos
o líneas.
- La herramienta realiza proyecciones a partir de los datos obtenidos de demanda
energética e irradiación solar a lo largo del año 2017.
- La información de los sistemas eléctricos a utilizar se introducen mediante una
plantilla predeterminada en Excel.

3.2 Limitaciones
- No se tendrán en cuenta las restricciones de potencia de las líneas del sistema.
- No se considerarán sistemas en donde se presenten casos en que ocurran fallas
eléctricas de cualquier tipo, que alteren el funcionamiento normal del sistema.
- No se analizarán datos obtenidos experimentalmente ni se realizarán validaciones
experimentales.

3.3 Entregables
- Informe final
- Software (algoritmos correspondientes a la herramienta computacional)
- Video instruccional
- Manual
- Póster
4. ESTADO DEL ARTE
Aproximadamente un 78% de la energía consumida hoy en día en Colombia proviene de
fuentes fósiles, mientras que el 22% restante proviene de fuentes renovables. La
disponibilidad local de fuentes no convencionales de energías renovables aún no
aprovechadas, sumada a la progresiva reducción en los costos asociados a su uso y la
evolución de las tecnologías relacionadas, hacen que la integración de estas fuentes a la
canasta energética nacional cobre relevancia a raíz de sus potenciales beneficios.
La regulación en Colombia concerniente a la inclusión de estas nuevas tecnologías ha
estado en desarrollo desde hace unos cuantos años. Con la expedición de la Ley 1715 de
2014, el Gobierno Nacional estableció como objetivo la integración de las fuentes no
convencionales al sistema energético nacional. Dentro de las políticas establecidas en
dicha norma, se viabilizó la entrega de excedentes de autogeneración, con el fin de
promover esta actividad, así como la generación distribuida. La Comisión de Regulación de
Energía y Gas estableció la regulación aplicable a los autogeneradores de gran escala
mediante la resolución CREG 024 de 2015 y propuso en la resolución CREG 121 de 2017
las reglas aplicables a la autogeneración a pequeña escala y a la generación distribuida. Y
finalmente, pero no menos importante, mediante la resolución MME 40072 de 2018 se
establecieron los mecanismos para implementar la infraestructura de medición avanzada
en el servicio público de energía eléctrica. [22].
Los estudios de flujo de carga son una tarea esencial que se lleva a cabo en la planificación
y las operaciones del sistema eléctrico. Sin embargo, el análisis determinista de flujo de
carga ampliamente utilizado está limitado en su manejo de incertidumbres de red o
inexactitudes en los datos de entrada. Un ejemplo de dichas incertidumbres es el consumo
diario de potencia, o las capacidades de generación de las fuentes de energía no
convencionales. Por lo tanto, el flujo de carga probabilístico basado en métodos numéricos
(como la simulación de Monte Carlo) o en un método analítico (como las técnicas de
convolución) se desarrolló en la década de 1970 para manejar las incertidumbres del
sistema de energía debido a las variaciones en las variables de la red eléctrica.
Actualmente, existen muchos métodos de simulación, como las aproximaciones lineales de
las ecuaciones características de potencia activa y reactiva, el método de estimación
puntual, cumulantes combinados y expansiones de Gram-Charlier, estimación estadística
de mínimos cuadrados o la transformación de Natlaf y el muestreo del hipercubo latino [20].
Estos métodos son computacionalmente más efectivos que aquellos de simulación. Sin
embargo, al mismo tiempo requieren suposiciones o aproximaciones matemáticas para
generar soluciones factibles. Por esta razón se afirma que los procesos asociados a
simulación entregan soluciones más precisas que los métodos analíticos [11].
El modelo de carga estocástica se describe como variables aleatorias independientes; Este
modelo tiene la capacidad de capturar la naturaleza aleatoria de la carga. El patrón de carga
de los consumidores se puede obtener a partir de un análisis de carga estadístico de los
datos de carga históricos de los consumidores, donde se suman las curvas estadísticas de
carga de un período particular de una red de distribución, y los datos estadísticos sumados
tendrán una variación en torno a su valor medio. Por esta razón, es muy común asumir que
la demanda está distribuida normalmente con sus respectivos valores de media y de
desviación estándar. [20]
La electrónica de potencia juega un papel importante en la implementación de fuentes de
energía no convencionales a los sistemas eléctricos. En el caso de los sistemas
fotovoltaicos, esto se ve representado en la tecnología de Maximum Power Point Tracking.
La función del MPPT es buscar, a pesar de la variabilidad de la irradiancia y la nubosidad,
las características de carga que realicen una transferencia de potencia que tenga la mayor
eficiencia posible. Existen varios métodos por el cual funciona esta tecnología, como son el
de conductancia creciente, el barrido de corrientes y el de voltaje constante. Pero el más
utilizado y el que se escogió para el desarrollo del modelo de generación es el de
perturbación y observación. En este método, el controlador de carga del sistema
fotovoltaico ajusta el voltaje mediante cambios pequeños (perturbación) y toma medidas de
potencia a la salida (observación), y en caso de que la potencia aumente, continúa variando
en la dirección del aumento hasta que no exista un aumento en la potencia. Esto garantiza
la máxima eficiencia en el suministro de potencia.

5. DESCRIPCIÓN DETALLADA

5.1 Generalidades del diseño de la herramienta computacional

Para el desarrollo del algoritmo para la herramienta computacional de flujo de carga
estocástico, inicialmente fue necesario realizar un diagrama de bloques para realizar una
completa planeación de este. En este diagrama, se divide el desarrollo de la herramienta
computacional en tres partes: Acondicionamiento de los datos de entrada, procesamiento
de datos (flujo de carga) y salida de los resultados del flujo de carga. Este diagrama es
expresado en la siguiente Figura:

Figura 1. Diagrama de bloques general del proceso de desarrollo de la herramienta computacional.

Se plantea que la herramienta computacional tenga tres grupos de datos de entrada: Datos
del sistema de potencia, datos de generación según la radiación solar y los datos de la
demanda. Los datos del sistema de potencia se modelan en una hoja de Microsoft Excel,
en donde se ingresan los datos de las líneas y nodos del sistema, según el formato que fue
diseñado. Se eligió la implementación de la hoja de Microsoft Excel aprovechando, pues,
su compatibilidad con el software MATLAB, su sencillez y facilita la tabulación de datos para
mayor rapidez de procesamiento.

5.1.1 Acondicionamiento de datos de entrada

Para realizar el acondicionamiento de los datos correspondientes a la demanda de
potencia, se utiliza el histórico de la demanda dada por la base de datos de XM [1], en
donde se toma como muestra la demanda de cada uno de los días a lo largo del 2017. Se
procede luego a tabular estos datos, de tal manera que el año es dividido en siete días:
Domingo, lunes, martes, miércoles, jueves, viernes y sábado. De cada uno de los días se
obtienen la media y la desviación estándar de la variación de la carga a lo largo de las 24
horas de cada día; a partir de esto se utiliza la distribución normal para obtener datos
aleatorios por hora de cada uno de los días, pues se encontró que describe fielmente el
comportamiento de la carga [2] [3] [4], manteniendo así estos datos dentro de la desviación
estándar de la muestra y que se adhieren a la tendencia del comportamiento de la carga a
lo largo del día. Así se logra desarrollar un modelo para representar la demanda de energía
eléctrica del sistema, cumpliendo con el OE2. Igualmente, en el acondicionamiento de los
datos de generación, se extraen de la base de datos del IDEAM [5] los datos de la radiación
solar mensual para cada una de las 24 horas del día para obtener, asimismo, la media y la
desviación estándar y proceder a obtener datos aleatorios, en este caso siguiendo la
distribución Weibull la cual es la que mejor describe el comportamiento de la radiación solar
[6]. Estos datos de irradiancia solar son posteriormente procesados mediante un modelo de
un sistema fotovoltaico con la tecnología MPPT implementado en MATLAB [7] [8] para
llevarlo a valores de capacidad máxima de generación de potencia. De esta manera se
cumplen completamente los objetivos propuestos en el OE2.

5.1.2 Procesamiento de datos

Continuando así hacia la etapa de procesamiento de datos, el algoritmo de flujo de carga
se desarrolló utilizando el software MATLAB, el cual obtendrá los datos de demanda y
generación solar a partir de las plantillas elaboradas en Microsoft Excel. Inicialmente se
elaboró un código en MATLAB encargado de resolver flujos de carga convencionales,
siguiendo el método numérico de Newton-Raphson aplicado a sistemas de potencia [9]. El
algoritmo está diseñado de tal manera que el usuario ingrese la información del sistema a
analizar, garantizando flexibilidad en cuanto a los sistemas a estudiar independiente del
número de nodos que este posea. Esto con el fin de cumplir lo propuesto en el OE1.
Posterior a garantizar el correcto funcionamiento de la solución de flujos de carga
convencionales con la herramienta en desarrollo, se incluye el comportamiento estocástico
añadiendo las entradas de demanda y generación aleatorias a dos nodos arbitrarios del
sistema a analizar. Con este fin, se escogieron los modelos que más se acercaban al
comportamiento probabilístico de cada variable. La distribución de Weibull para la
irradiación solar y, por ende, la generación solar, y la distribución Normal o Gaussiana para
el consumo de potencia de los usuarios. A partir de la información obtenida de las bases de
datos del IDEAM para la irradiación solar y de XM para la demanda, ambos
correspondientes al año 2017, se procede a analizar dicha información con el fin de obtener
los parámetros característicos del comportamiento de las variables para así producir una
muestra aleatoria que sea coherente con la conducta estadística. Para el caso de la
irradiación solar, se extraen los parámetros de escala y de forma que describen la
distribución Weibull, para a partir de ellos fabricar la nueva muestra aleatoria. Asimismo, se
realiza el proceso análogo para las cargas. Para las cargas, se calcula el aporte de cada
nodo para la demanda total del sistema, y el valor aleatorio generado corresponde a un
nuevo valor de demanda total del sistema. Con este nuevo consumo, se calcula la potencia
activa respectiva de cada nodo. Y, finalmente, con el fin de cumplir las regulaciones de
factor de potencia del Código de Redes, se asume un factor de potencia de 0,9 inductivo
para cada nodo, y así obtenemos el valor de potencia reactiva para cada correspondiente
nodo. Con los nuevos valores aleatorios, se procede a resolver el flujo de cargas mediante
el algoritmo de Newton-Raphson desarrollado.

5.1.3 Resultados del flujo de carga

Dado que la solución de esta modificación del flujo de carga requiere de un método
probabilístico, puesto que los datos de demanda y generación se originan en procesos
estocásticos, es necesario aplicar un método pertinente para el análisis como lo es la
simulación Monte Carlo [10] [11]. Para esto es necesario obtener una muestra lo
suficientemente significativa a partir de realizar el flujo de carga un número de veces
escogido por el usuario, utilizando valores diferentes de potencia demandada y generada
dentro de las probabilidades de sus modelos, para obtener valores estadísticos como la
media y la desviación estándar y así obtener conclusiones con respecto del software de
validación.
Así pues en esta fase se imprime una nube de resultados la cual registra los valores de
tensión obtenidos del flujo de carga estocástico en la interfaz gráfica de usuario diseñada,
en donde el usuario podrá observar los resultados generados en el proceso. A partir de esta
nube de puntos se podrá concluir información acerca de cuáles nodos podrían presentar
susceptibilidad ante la inclusión de energía solar en el nodo seleccionado por el usuario.

5.2 Desarrollo de la herramienta computacional

5.2.1 Plantilla en Excel

En el desarrollo de la plantilla de Excel, se pensó en un modelo que permita ingresar al
usuario los datos por líneas y nodos del sistema, por lo que se creó un archivo llamado
“sistema.xlsx” con dos hojas, una denominada “Líneas” y la segunda “Nodos”.
En la hoja de líneas se muestran ocho columnas que serán llenadas con los datos del
sistema. “Desde” y “Hasta” hace referencia a los nodos de partida y llegada,
respectivamente, de la línea analizada. ”Sn” es la potencia en MVA de base, de la línea
descrita, con lo que se colocó en p.u. los valores de impedancia de la línea correspondientes
al modelo pi de línea media. El Tap solo se tiene en cuenta si entre los dos nodos que
comprenden dicha línea existe un transformador por lo que, en el defecto, este valor se
mantiene en cero. Y finalmente se agrega un desfase, en grados, correspondiente a los
casos en que se cuente con transformadores desfasadores. En la Figura 2 se evidencia la
hoja de líneas para el sistema eléctrico IEEE 14 nodos.

Figura 2. Hoja de “Líneas” en Excel del sistema IEEE 14 nodos.

En el caso de la hoja de “Nodos”, los nodos se introducen en orden ascendente, y la

información expresada es el tipo de nodo, 0 para nodos de carga tipo PQ, 2 para nodos de
voltaje controlado tipo PV, y 3 para el nodo tipo Slack del sistema. Aquí se inserta también
la información inicial de las magnitudes y ángulos de las tensiones, en por unidad y en
radianes respectivamente. Posteriormente se escribe toda la información referente a las
potencias activa y reactiva de los nodos en MW y en MVAR respectivamente, en cuanto a
generación y demanda, e introduciendo los límites mínimos y máximos de reactivos en cada
nodo. Por último se añaden los valores de los bancos shunt de capacitores o inductores, en
caso de ser necesario. En la Figura 3 se evidencia la hoja “Nodos” para el sistema eléctrico
IEEE 14 nodos.

Figura 3. Hoja de “Nodos” en Excel del sistema IEEE 14 nodos.

Se elige el uso de la hoja de Microsoft Excel teniendo en cuenta la compatibilidad con el

software MATLAB y a que maneja la información en vectores filas y columnas, lo que facilita
el proceso de lectura y reduce el tiempo de procesamiento de los datos en el script
desarrollado.

5.2.2 Función de Flujo de carga con el método de Newton Raphson

Se eligió desarrollar el algoritmo mediante el software MATLAB debido a su rapidez
computacional para este tipo de procesos matriciales iterativos, como se evidencia en el
modelo de plantilla seleccionado y la simulación Monte Carlo de este flujo probabilístico.
Además de esto, se contaba con experiencia con el uso de este lenguaje d programación,
lo que eliminaría el tiempo de estudio y aprendizaje de un nuevo lenguaje de programación
para el desarrollo de la herramienta computacional. Esto es ideal para este proyecto debido
al tiempo inicialmente estipulado para su desarrollo.
Se desarrolló la función en MATLAB de flujo de carga de manera que primeramente se lean
los datos del sistema que se crearon en las plantillas de Excel, además de realizar el
acondicionamiento necesario respecto a convertir valores a por unidad y cambios de base.
El código procede con la resolución de los cálculos respectivos a las tensiones realizando
las iteraciones del método de Newton-Raphson hasta cumplir un criterio de tolerancia
establecido por el usuario. El usuario también selecciona un número máximo de iteraciones
en caso de que no exista la convergencia con los datos obtenidos de la plantilla. El carácter
aleatorio y probabilístico del flujo de carga se logra mediante el acople de la función del flujo
“NewtonRaphsonPowerFlow.m” y las funciones “ModeloCarga.m” y “GenSolar.m” para la
demanda y la generación solar respectivamente. Seguidamente se obtienen los aportes de
cada uno de los nodos respecto a la demanda total del sistema. Esto debido a que al utilizar
la función “ModeloCarga.m” para obtener valores aleatorios de demanda total respecto a
los datos históricos de Colombia en el año 2017, se distribuyen estas cargas en cada uno
de sus nodos respecto al aporte inicial que tenía cada uno, de manera que el
comportamiento general de la demanda del sistema sea el mismo planteado inicialmente
por el usuario.
Entre los diferentes métodos de cálculos de flujo de carga, como Gauss-Seidel, Gauss-
Seidel acelerado, o la variación del Newton-Raphson desacoplado, se elige el método de
Newton-Raphson debido a que la superioridad de su exactitud está demostrada en la
literatura [21] y a que es más notoria a medida que el número de nodos a analizar
incrementa.

5.2.3 Código de modelo de carga aleatoria

Se elaboró una función en MATLAB la cual, a partir de la base de datos de la demanda en
Colombia obtenida de XM [1], genera una muestra aleatoria de valores de demanda
estadísticamente probables de acuerdo a una distribución normal. Esto con el fin de simular
el carácter variable del consumo eléctrico del Sistema Interconectado Nacional. El histórico
de los datos de XM está organizado por semanas, para las cuales registra la demanda a lo
largo de cada hora de cada día de la semana en una tabla dinámica de Microsoft Excel. El
código organiza esta información en matrices correspondientes a cada hora del día, para
así extraer las medidas de tendencia estadística con las que se generará la muestra
aleatoria. Ya generadas las matrices que contienen la media y la desviación estándar de
cada hora del día se procede a crear la matriz de la muestra aleatoria de demanda.

Figura 4. Media horaria de la demanda en Colombia.

El código continúa con la selección de uno de estos valores aleatorios para llevar ese nuevo
valor de demanda del sistema al posterior análisis. La función de flujo probabilístico calcula
el aporte de cada nodo con carga con respecto de la demanda total del sistema introducido
por el usuario. Con este aporte, se calcula el nuevo valor de demanda con respecto de
aquel obtenido de la muestra aleatoria del script “ModeloCarga.m” para mantener las
relaciones de los nodos con respecto del estado inicial introducido por el usuario.
Debido a que estos sistemas cuentan con tensiones ya establecidas en los nodos de voltaje
controlado por fuera de las regulaciones en Colombia descritas en la Resolución CREG 025
de 1995, se escogió garantizar la regulación concerniente al factor de potencia, en la que
se asegura que éste se encuentre en el mínimo de 0,9 inductivo.

5.2.4 Código de modelo de generación solar aleatoria

Se desarrolló una función en MATLAB, cuyo objetivo es simular la variabilidad de la
irradiación solar, y a partir de un modelo de un sistema fotovoltaico con tecnología MPPT
(Maximum Power Point Tracker) [7], obtener un valor de potencia fotovoltaica de
generación. Dado que se utilizan datos de demanda del país, se modela un sistema de
generación con 100 paneles con el fin de que su aporte de potencia sea significativo para
el flujo de carga. Mediante un archivo de EXCEL se tabulan las medias de irradiación
mensuales por hora del día, y se registró la curva característica del sistema fotovoltaico
modelado. El código procede a obtener los parámetros de escala y de forma necesarios
para el análisis según la distribución de Weibull de la irradiación solar [6]. Partiendo de estos
parámetros se genera una muestra aleatoria de valores de irradiancia los cuales siguen la
distribución de probabilidad seleccionada, con los cuales se visita la curva característica del
sistema fotovoltaico modelado y se obtiene el valor aleatorio de potencia fotovoltaica
generada. Ya obtenido el valor, se reemplaza esta generación en algún nodo cuya
escogencia queda a criterio del usuario y finalmente se procede a realizar el flujo de carga
probabilístico.

5.2.5 Interfaz Gráfica de Usuario (GUI)

Para el desarrollo de la interfaz gráfica de usuario, se utilizó la herramienta de creación de
GUI (Interfaz Gráfica de Usuario) ofrecida por MATLAB. Teniendo en cuenta el
funcionamiento general de la herramienta computacional, es necesario solicitar al usuario
cuatro datos adicionales (Además del archivo “sistema.xlsx”): Tolerancia (para el flujo de
carga Newton-Raphson), número máximo de iteraciones para un flujo de carga, el número
máximo de flujos de carga para la simulación Monte Carlo y el nodo en donde se inyectará
la potencia (este nodo debe ser especificado como nodo PV en el archivo de “sistema.xlsx”).
Seguidamente se presiona el botón de “calcular” para que la herramienta computacional
inicie los cálculos respectivos. Esto se comprueba mediante el cuadro ubicado en la esquina
inferior izquierda en donde aparece “Procesando…” haciendo referencia a que el programa
aún está realizando los cálculos. Una vez terminado el proceso, el cuadro de estado del
programa pasará a tener “Completado” y aparecerá una gráfica el cálculo de la nube de
resultados obtenidos de los flujos de carga realizados, los cuales pueden ser exportados
en un archivo de Excel en caso de que el usuario necesite realizar un análisis más profundo
partiendo de este flujo de carga estocástico. Igualmente en la parte superior de esta gráfica
aparecerá una barra desplazable, con la cual se puede seleccionar que se muestre la Ybus
correspondiente al sistema.
El aspecto general de la interfaz gráfica de usuario es mostrado en la Figura 4.

Figura 5. GUI de la herramienta computacional desarrollada.

6. PRUEBAS, RESULTADOS Y ANÁLISIS DE RESULTADOS
Se escogieron como sistemas de prueba los ejemplos de la literatura IEEE de 14 nodos y
de 30 nodos para verificar el correcto funcionamiento de la herramienta computacional
desarrollada. En las figuras a continuación se exhiben los diagramas unifilares para ambos
sistemas. Inicialmente se calculó el flujo de carga convencional para ambos sistemas, con
el fin de observar la exactitud de la herramienta con respecto del software de validación.

Figura 6. Topología del sistema IEEE 14 nodos.

Figura 7. Topología del sistema IEEE 30 nodos.

Nodo Magnitud [V] Ángulo [°]

1 1.0600 0

2 1.0450 -4.99

3 1.0100 -12.74

4 1.0142 -10.26

5 1.0172 -8.76

6 1.0700 -14.42

7 1.0503 -13.25

8 1.0900 -13.25

9 1.0337 -14.83

10 1.0326 -15.04

11 1.0475 -14.85

12 1.0535 -15.27
 13 1.0471 -15.31

14 1.0213 -16.06

Tabla 1. Tensiones obtenidas de la herramienta computacional para el flujo de carga convencional del
sistema IEEE 14 nodos.

Asimismo, se llevó a cabo el proceso análogo mediante la herramienta PowerFactory de

DIgSILENT.

Nodo Magnitud [V] Ángulo [°]

1 1.06 0.00

2 1.045 -4.98

3 1.01 -12.72

4 1.018624 -10.32

5 1.020264 -8.78

6 1.07 -14.22

7 1.061951 -13.37

8 1.09 -13.37

9 1.056347 -14.95

10 1.051329 -15.10

11 1.057082 -14.80

12 1.055221 -15.08

13 1.050443 -15.16

14 1.035796 -16.04

Tabla 2. Tensiones obtenidas del software PowerFactory de DIgSILENT para el sistema IEEE 14 nodos.

De los resultados se obtuvo que el mayor error relativo se presentó en el nodo 9 con un
valor de 2,143%. Se considera que estos datos son lo suficientemente satisfactorios, pues
las diferencias entre las tensiones calculadas puede deberse a que la herramienta
computacional desarrollada no tiene en cuenta el control de tensiones en cuanto a las
violaciones de límites de potencia reactiva de los nodos de voltaje controlado, en contraste
con el software utilizado.

Continuando con el análisis, para ambos sistemas se calcula el flujo de carga probabilístico,
con el objetivo de obtener las posibles tensiones para diferentes escenarios de carga y
generación. Para verificar la confiabilidad de los datos se ajustaron las muestras de las
tensiones a la distribución normal para obtener las respectivas medias y desviaciones
estándar y se calcularon los errores relativos de las muestras de las tensiones de cada nodo
con respecto de sus medias.

Figura 8. Nube de puntos referente a la muestra de tensiones obtenida de la herramienta computacional para
el sistema IEEE 14 nodos en el nodo 2.

Para el caso del sistema de 14 nodos, se ubicó el nodo de generación solar en el nodo 2, y
se obtuvo que las desviaciones estándar de las tensiones pertenecientes a los nodos PQ
están en el orden de 1 × 10−3. A su vez, el máximo error relativo hallado entre la muestra
de tensiones de las iteraciones de la simulación Monte Carlo y la media exhibida por el
software PowerFactory DIgSILENT fue de un 0,8044%.

De la gráfica correspondiente a la Figura 8 se observa que los nodos en los que más
influyente es la inclusión de la carga y la generación solar son evidentemente el nodo 4 y el
nodo 5. Las caídas de tensión pueden atribuirse a los escenarios en los que la generación
solar sea mínima y la demanda se encuentre en horas pico, como por ejemplo el pico que
se presenta cerca de las 8:00pm.
Figura 9. Nube de puntos referente a la muestra de tensiones obtenida de la herramienta computacional para
el sistema IEEE 30 nodos con generación solar en el nodo 2.

Continuando con el análisis, se escogió que para el sistema IEEE 30 nodos el nodo de
inyección de generación solar sería el nodo 2. Asimismo, se encontró que la máxima
desviación estándar de las tensiones en los nodos fue de 0.00617, y a su vez el máximo
error relativo hallado fue de 1.1691%.

Se afirma desde la gráfica exhibida en la Figura 9 que las tensiones se ven menos
drásticamente afectadas por los diferentes escenarios de consumo de los usuarios y
generación solar. Se observa entonces el efecto que tiene la elección de la ubicación del
sistema de generación en este caso fotovoltaico.
 Figura 10. Nube de puntos referente a la muestra de tensiones obtenida de la herramienta computacional
para el sistema IEEE 30 nodos con generación solar en el nodo 8..

El análisis entre la Figura 9 y la Figura 10 evidencia que ubicando el nodo de inyección de

potencia solar en el nodo 8 presenta comportamientos un poco más dispersos que en la
prueba anterior. Para este caso se encontró que la mayor desviación estándar fue de
0.006356 y el máximo error relativo de 1.3996%.

7. CONCLUSIONES Y RECOMENDACIONES
Se logró desarrollar un algoritmo para el cálculo del flujo de carga estocástico en donde se
incorporan las variables aleatorias de la irradiación solar y la demanda a lo largo de un año,
en diferentes horas del día. Esto utilizando plantillas predeterminadas en Excel, de manera
que los datos de entrada pueden ser modificados según el usuario lo requiera. Así, es
posible ingresar diferentes tipos de sistemas con cualquier número de nodos, cambiar el
comportamiento de la irradiación solar a lo largo del año (y las especificaciones del sistema
fotovoltaico para la conversión de irradiación a potencia) y cambiar la historia de la demanda
que se tomará como muestra. De esta manera se desarrolla un algoritmo completamente
versátil que se acomoda a los requerimientos del usuario.

Para representar la demanda eléctrica, se realizó un análisis estadístico de los históricos

de los consumidores, a partir de los cuales se concluyó que todos los datos estadísticos
tienen una variación en torno a un valor medio, por lo que fue posible asumir una distribución
normal, obteniendo los respectivos valores de media y desviación estándar de la muestra.
A partir de esto, se obtuvieron valores aleatorios estadísticamente probables, que son los
utilizados en la herramienta computacional.
En la representación de la irradiación solar se realizó mediante la distribución de Weibull,
obteniendo los datos de escala y forma de la muestra, y generando una nueva muestra
aleatoria estadísticamente probable. Finalmente esta nueva muestra de datos de irradiación
fue procesada mediante un sistema fotovoltaico MPPT para obtener la potencia generada
por los valores de irradiación creados.

Se construyó la interfaz gráfica logrando que fuera capaz de integrar las funciones de
modelo de carga, modelo de irradiación solar y el flujo de carga. Esto de manera que
realizara varios flujos de carga partiendo de los datos generados aleatoriamente por cada
uno de los modelos. Igualmente se incluyeron opciones de interacción del usuario con la
GUI, de manera que este es capaz de determinar parámetros como el número máximo de
iteraciones y la tolerancia del flujo, cantidad de flujos de carga y el nodo en donde se
inyectará la potencia aleatoria. Además, se le permite al usuario exportar un archivo con los
resultados del flujo de carga estocástico, lo que también aporta a la versatilidad de la
herramienta, debido a que el usuario podría realizar otros tipos de análisis más profundos,
partiendo de un flujo de carga estocástico.

Se validó la herramienta computacional utilizando el software DIgSILENT, modelando los

sistemas eléctricos IEEE 14 nodos e IEEE 30 nodos. Se ajustaron las muestras de
tensiones a la distribución normal, se obtuvieron las respectivas medias y desviaciones
estándar y se calcularon los errores relativos de las muestras de las tensiones de cada nodo
con respecto de sus medias. El máximo error relativo entre la muestra de tensiones de las
iteraciones de la simulación Monte Carlo y la media exhibida por el software PowerFactory
DIgSILENT fue de un 0,8044% y de 1.1691% para los sistemas IEEE 14 nodos e IEEE 30
nodos, respectivamente.

Partiendo de lo descrito anteriormente, se consiguió desarrollar una herramienta

computacional para el cálculo del flujo de carga de un sistema eléctrico de potencia en
condiciones aleatorias provenientes de la irradiación solar y la demanda de energía.
Cumpliendo con los objetivos, alcances y limitaciones planteados inicialmente.

Con el fin de mejorar la exactitud y precisión de la herramienta desarrollada, se sugiere la

inclusión de las posibles restricciones operacionales del sistema, tales como el control de
tensiones teniendo en cuenta los límites de potencia reactiva de las líneas del sistema, así
como los límites de potencia activa de los generadores. Es probable también que un análisis
estadístico más furtivo arroje información que confirme aún más la fidelidad de los datos,
como lo serían análisis de varianza y pruebas de normalidad, para finalmente postular una
prueba de hipótesis que garantice que estadísticamente las medias de la herramienta
desarrollada y el software comercial seleccionado sean iguales.
8. BIBLIOGRAFÍA
[1] XM - Filial de ISA. “Pronóstico oficial de demanda”. Disponible en:
http://www.xm.com.co/Paginas/Generacion/Pronostico-oficial-de-
demanda.aspx?&&p_SortBehavior=1&p_FileLeafRef=2016%2d02&&PageFirstRow=1&&V
iew={6450EBD8-FBF0-4785-AED7-E3773534669C}
[2] Nassar, M, “A Novel Probabilistic Load Model and Probabilistic Power Flow”, IEEE 28th
Canadian Conference on Electrical and Computer Engineering, pp. 881-886, 3-6 May. 2015
[3] A. Soroudi, M. Aien, and M. Ehsan, “A Probabilistic Modeling of Photo Voltaic Modules
and Wind Power Generation Impact on Distribution Networks” IEEE Syst J., vol 6, no. 2, pp
254-259, 2012
[4]K. Balamurugan, and D. Srinivasan, “Review of power flow studies on distribution network
with distributed generation”, Power Electronics and Drive Systems (PEDS), 2011 IEEE Ninth
International Conference on Power Electronics and Drive Systems, vol., no., pp. 411-417,
5-8 Dec. 2011
[5] Instituto de Hidrología, Meteorología y estudios ambientales (IDEAM). “Atlas de radiación
solar, Ultravioleta y Ozono de Colombia”. Disponible en:
http://atlas.ideam.gov.co/visorAtlasRadiacion.html
[6] J. A. Hernández, C. L. Trujillo and W. A. Vallejo, “Modelamiento de la irradiancia y la
temperatura ambiente utilizando funciones de probabilidad”
[7] M. Kumar, M. Kachwaya and B. Kumar, “Development of MATLAB/Simulink based model
of PV System with MPPT” India International Conference on Power Electronics (IICPE),
2016 IEEE 7th India International Conference on Power Electronics, vol., no., pp. 1-4, 2016
[8] O. Ibrahim, N. Z. Yahaya, N. Saad, and M.W. Umar,” Matlab/Simulink model of solar PV
array with perturb and observe MPPT for maximising PV array efficiency” IEEE Conference
on Energy Conversion (CENCON), 2015 IEEE Conference on Energy Conversion, vol., no.,
pp.254-258
[9] Análisis de Sistemas de Potencia, Stevenson
[10] J. Warren, M. Negnevitsky and T. Nguyen, “Probabilistic Load Flow Analysis in
Distribution Networks with Distributed Solar Generation”, IEEE Power and Energy Society
General Meeting (PESGM), 2016 IEEE Power and Energy Society General Meeting, vol.,
no., pp. 1-5, 2016
[11] Zuluaga C.D., Álvarez M.A. (2017) “Approximate Probabilistic Power Flow”. In: Woon
W., Aung Z., Kramer O., Madnick S. (eds) Data Analytics for Renewable Energy Integration.
DARE 2016. Lecture Notes in Computer Science, vol 10097. Springer, Cham, pp. 43-53
[12] E.E Henao-Bravo, D.A. Márquez-Viloria, J.P Villegas-Ceballos, S.I. Serna-Garcés, C.A
Ramos-Paja y D. González-Montoya “Modelo matemático de sistemas fotovoltaicos para
búsqueda distribuida del punto de máxima potencia”, Tecno Lógicas, vol. 19, no. 37, pp.
107-124, 2016.
[13] Vera-Dávila, A. G., Delgado- Ariza, J. C., & Sepúlveda-Mora, S. B. (2018). Validación
del modelo matemático de un panel solar empleando la herramienta Simulink de Matlab.
Rev.investig.desarro.innov, 8(2), 343-356.doi: 10.19053/20278306.v8.n2.2018.7972
[14] J. Cata and F. Rodríguez, "Análisis matemático de un panel solar fotovoltaico de
silicio.", Universidad Politécnica Salesiana sede Guayaquil, 2015.
[15] Correa F., C.A.; Marulanda G., G.A.; Panesso H., A.F. (2016). Impacto de la
penetración de la energía solar fotovoltaica en sistemas de distribución: estudio bajo
supuestos del contexto colombiano. Revista Tecnura, 20 (50), 85-95.
doi:10.14483/udistrital.jour.tecnura.2016.4.a06
[16] Asociación Colombiana de Ingenieros, ACIEM (2008). Manual de referencia de tarifas
para la contratación de servicios profesionales de Ingeniería en Colombia. Bogotá, D.C.,
pp.11-14.
[17] R. A. Diantar, and I. Pujotomo (2016), “Calculation of electrical energy with solar power
plant design”, (ISITIA), 2016 International Seminar on Intelligent Technology and Its
Applications, vol., no., pp. 443-446, 2016
[18] W. Ahmed, S. Kamel, and F. Jurado, “Probabilistic load flow analysis for large scale
distribution systems”, (MEPCON), 2016 Eighteenth International Middle East Power
Systems Conference, vol., no., pp. 803-808, 2016
[19] N. Kumar, (2016). “Newton Raphson Power Flow Method”, File Exchange - MATLAB
Central. Disponible en: https://la.mathworks.com/matlabcentral/fileexchange/55379-
newton-raphson-power-flow-method,
[20] B. Marah, A. O. Ekwue, (2015). “Probabilistic Load Flows”, IEEE .
[21] Documento CREG 026 de 2018 “Autogeneración a pequeña escala y generación
distribuida”
[22] C. Sreemoyee, M. Suprovab, “A Novel Comparison of Gauss-Seidel and Newton-
Raphson Methods for Load Flow Analysis”, (2017), International Conference on Power
and Embedded Drive Control (ICPEDC)