Documente Academic
Documente Profesional
Documente Cultură
Presentado por:
Asesores:
Rafael Castillo
Luis López
Ingrid Oliveros Pantoja
2. OBJETIVOS ........................................................................................................ 4
3. DELIMITACIONES .............................................................................................. 4
5. DESCRIPCIÓN DETALLADA.............................................................................. 6
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
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
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.
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.
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.
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..
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.
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.