Grupo #2 Montecarlo

CONFIABILIDAD DE SISTEMAS DE TRANSMISION GRUPO 2
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL
FACULTAD DE INGENIERIA EN ELECTRICIDAD Y COMPUTACIÓN
CONFIABILIDAD DE SISTEMAS DE TRANSMISIÓN
TEMA:
SIMULACIÓN DE MONTE CARLO
Grupo # 2
Estudiantes:
• Byron Fabricio Zúñiga Santillán
• Luis Raúl Sigüenza Alvarado
Tutor:
• Ing. José Layana
1
SIMULACION DE MONTE CARLO
ÍNDICE
1.INTRODUCCION...................................................................................................3
2.OBJETIVOS..........................................................................................................4
2.1.Objetivo General...........................................................................................4
2.2.Objetivo Específico.......................................................................................4
3.FUNDAMENTACION TEORICA...............................................................................4
3.1. Modelo de Confiabilidad de los Componentes.............................................4
3.2.Técnicas de Evaluación de la Confiabilidad .................................................5
4. Método de MONTE CARLO..................................................................................6
4.1.Definición......................................................................................................6
4.2.Origen...........................................................................................................6
4.3. Aplicaciones.................................................................................................7
4.4. Importancia.................................................................................................7
4.5.Ventajas........................................................................................................7
4.6. Desventajas.................................................................................................8
5.El Análisis de Riesgo...........................................................................................8
5.1.Distribuciones de Probabilidades..................................................................9
6.Modelo de Carga usados en la Simulación de MONTE CARLO:.........................10
6.1.Método de Monte Carlo con carga Cronológica: ........................................10
6.1.1.DESARROLLO DEL ALGORITMO EN MATLAB.............................................12
6.1.2. EJEMPLOS DE APLICACIÓN......................................................................15
6.1.3. RESOLUCION DEL PROBLEMA.................................................................16
6.1.4. REQUERIMIENTOS DEL PROGRAMA:.......................................................17
6.1.5. TABLA Y CURVA DE RESULTADOS...........................................................20
6.1.6. ANALISIS DE RESULTADO.......................................................................25
6.2.Método de Monte Carlo con carga no Cronológica: ...................................25
6.2.1. Ejemplo de aplicación:............................................................................25
7.CONCLUSIONES ...............................................................................................31
8.BIBLIOGRAFIA...................................................................................................31
2
1. INTRODUCCION
Los sistemas eléctricos son muy difíciles de analizar, entender y explicar; razón por la
cual a lo largo del tiempo varios ilustres personajes se han encargado de estudiar y
diseñar modelos que puedan servir para ver el comportamiento de estos.
La evolución que han experimentado los mercados eléctricos en distintos países luego de
los procesos de privatización de los agentes, ha puesto dentro de los tópicos de interés de
las empresas el desarrollo de herramientas y criterios que permitan entregar señales
económicas adecuadas para la expansión eficiente se sus sistemas.
Uno de los más importantes objetivos de la planificación de sistemas eléctricos de

potencia es determinar la secuencia de refuerzos y/o nuevas instalaciones necesarias para
prestar el servicio de abastecimiento eléctrico de manera óptima, considerando tanto la
inversión y las restricciones de operación del sistema, como los costos asociados a ellas.
Fundamentalmente, un mejor servicio está condicionado por una mayor cantidad de

inversiones. Sin embargo, un asunto importante es predecir el valor de los índices de
confiabilidad en un año futuro, dado el crecimiento de la demanda y la ejecución o no de
obras de expansión, lo cual es parte del planeamiento eléctrico.
Para efectos de la evaluación del desempeño de los sistemas eléctricos y la planificación

futura de éstos, se emplea una herramienta computacional de cálculo de índice de
confiabilidad, basadas en un método de simulación estocástica, el método de Monte
Carlo, que entrega información más abundante para la toma de decisiones, debido a que
es factible obtener estimaciones especiales y funcionales acerca del desempeño del
sistema bajo análisis.
3
2. OBJETIVOS
2.1.Objetivo General
• Realizar un estudio de la confiabilidad del sistema de transmisión mediante el
método estocástico de Simulación de Monte Carlo y así determinar la eficiencia de
dicho sistema.
2.2. Objetivo Específico
• Dar al planificador una herramienta de evaluación de confiabilidad que le permita

tomar sus decisiones adecuadamente.
3. FUNDAMENTACION TEORICA
3.1. Modelo de Confiabilidad de los Componentes
• Para todos los componentes del SG se utiliza el modelo de dos estados mostrado
en la Figura 1, el cual se define mediante las distribuciones de probabilidad de los
tiempos para salida y de los tiempos para restauración. La construcción del
modelo se hace ajustando los datos operativos de tiempos para salida y tiempos
para restauración del componente a una función de probabilidad dada.
Figura 1. Modelo de dos estados para los componentes
4
Dos tipos de modelo de dos estados pueden implementarse para cada uno de los
componentes:
• Modelo para análisis de disponibilidad: Incluye salidas planeadas

(mantenimiento preventivo, inspecciones) y no planeadas (fallas,
vandalismo, accidentes, etc.). Se habla entonces de tiempos para salida y
para restauración.
• Modelo para análisis de fallas: Solo considera las salidas no planeadas

que corresponden a fallas propias del componente. En este caso se habla de
tiempo para falla y tiempo para reparación.
Es necesario modelar como componentes independientes las instalaciones de

producción que sean compartidas por varias unidades de generación, pues una
salida en estas instalaciones produce la salida de todas las unidades.
Debido a la naturaleza aleatoria de los fenómenos que afectan la evaluación

cuantitativa de la confiabilidad de los sistemas eléctricos de potencia, se tiende a
pasar de criterios e índices deterministicos a criterios e índices probabilísticos.
3.2. Técnicas de Evaluación de la Confiabilidad
• Una única fórmula o metodología de confiabilidad que sirva para todos los
propósitos no existe. El método usado y las formulas dependen del problema y las
suposiciones utilizada. Se debe tener cuidado de no introducir errores
significativos debido a la sobre simplificación de un problema.
Los pasos a previos a usar alguna técnica de evaluación de confiabilidad son:

5
 Entender la forma como el sistema opera

 Identificar la forma en la cual falla
 Deducir la consecuencia de la falla
 Derivar modelos para representar estas características
Solo entonces se selecciona la técnica de evaluación de confiabilidad.
Hay dos categorías principales de técnicas de evaluación de la confiabilidad
 Analítica
 Simulación
 Las técnicas analíticas: Representan al sistema por un modelo matemático

y evalúa los índices de confiabilidad a partir de este modelo usando una
solución matemática.
 El Método de Simulación: Estima los índices de confiabilidad simulando

el proceso actual y el comportamiento aleatorio del sistema. El método por
lo tanto trata el problema como una serie de experimentos reales.
4. Método de MONTE CARLO
4.1.Definición
• Es un método no determinístico o estadístico numérico usado para aproximar
expresiones matemáticas complejas y costosas de evaluar con exactitud.
4.2.Origen
• El método se llamó así en referencia al Casino de Montecarlo (Principado de
Mónaco) por ser “la capital del juego de azar”, al ser la ruleta un generador simple
de números aleatorios. El nombre y el desarrollo sistemático de los métodos de
Montecarlo datan aproximadamente de 1944 y se mejoraron enormemente con el
desarrollo de la computadora.
6
CASINO MONTE CARLO
• El uso de los métodos de Montecarlo como herramienta de investigación, proviene

del trabajo realizado en el desarrollo de la bomba atómica durante la segunda
guerra mundial en el Laboratorio Nacional de Los Álamos en EE.UU.
4.3. Aplicaciones
• Desde sus comienzos se ha utilizado con notable éxito en muy diferentes
aplicaciones, como pueden ser las siguientes:
 Simulación de variables aleatorias con distintas distribuciones.

 Estimación de integrales múltiples.
 Resolución de ecuaciones integrales de segundo orden.
 Resolución de ecuaciones elípticas.
 Modelo de la carga.
4.4. Importancia
• Existen problemas numéricos de muy difícil solución por métodos exclusivamente
analíticos.
• El desarrollo de los ordenadores posibilita la simulación de experimentos a través

de números aleatorios o de números determinísticos pseudoaleatorios.
• Las aplicaciones posibles trascienden las propias Matemáticas.
4.5.Ventajas
• Consiste en crear un modelo matemático del proceso o sistema que se quiere
analizar, identificando aquellas variables cuyo comportamiento aleatorio
determina el comportamiento global del sistema.
• Reconoce la naturaleza aleatoria de la carga y de la salida de generadores y líneas

en el sistema.
• Está basado en la simulación de variables aleatorias y el cálculo de estimadores

estadísticos para las magnitudes buscadas. Los algoritmos para generar sucesiones
7
de números aleatorios o, habitualmente, pseudoaleatorios con diferentes

distribuciones son fundamentales para este método.
• Permite utilizar cualquier distribución para modelar los tiempos para salida y
restauración de los componentes.
• Permite resolver sistemas en los cuales no existe una solución analítica. Por
ejemplo, sistemas donde alguno de los componentes tiene modelado el tiempo
para salida o restauración por medio de la distribución Gausiana.
• Permite obtener las distribuciones de probabilidad de los índices de confiabilidad

de los puntos de carga, lo cual es muy útil para valorar el riesgo de que ocurran
diferentes valores de los índices.
• Los cambios en el sistema se realizan en la base de datos sin que sea necesario
realizar cambios en el software.
4.6. Desventajas
• Requiere un alto tiempo computacional, ya que se debe a la gran cantidad de
componentes y puntos de carga que por lo general existen en los circuitos
primarios de distribución por lo cual el software debe procesar una gran cantidad
de información.
• Para aplicar este método se requiere conocer las distribuciones de probabilidad

que modelan los tiempos para salida y restauración de cada uno de los
componentes.
• Por ser un método estocástico hay preferencia por los métodos de análisis, dado
que es mucho más fácil su manejo.
5. El Análisis de Riesgo
La simulación Monte Carlo realiza el análisis de riesgo con la creación de

modelos de posibles resultados mediante la sustitución de un rango de valores —
una distribución de probabilidad— para cualquier factor con incertidumbre
inherente.
El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis

de riesgo cualitativo generalmente incluye la evaluación instintiva o “por
corazonada” de una situación, y se caracteriza por afirmaciones como “Eso parece
8
muy arriesgado” o “Probablemente obtendremos buenos resultados”. El análisis

de riesgo cuantitativo trata de asignar valores numéricos a los riesgos, utilizando
datos empíricos o cuantificando evaluaciones cualitativas.
Las distribuciones de probabilidad son una forma mucho más realista de describir
la incertidumbre en las variables de un análisis de riesgo.
5.1.Distribuciones de Probabilidades
Las distribuciones de probabilidad más comunes son:
Normal – O “curva de campana”: El usuario simplemente define

la media o valor esperado y una desviación estándar para describir la
variación con respecto a la media. Los valores intermedios cercanos a
la media tienen mayor probabilidad de producirse. Es una distribución
simétrica y describe muchos fenómenos naturales, como puede ser la
estatura de una población. Ejemplos de variables que se pueden
describir con distribuciones normales son los índices de inflación y los
precios de la energía.
Log normal: Los valores muestran una clara desviación; no son

simétricos como en la distribución normal. Se utiliza para representar
valores que no bajan por debajo del cero, pero tienen un potencial
positivo ilimitado. Ejemplos de variables descritas por la distribución
lognormal son los valores de las propiedades inmobiliarias y bienes
raíces, los precios de las acciones de bolsa y las reservas de petróleo.
Uniforme: Todos los valores tienen las mismas probabilidades de

producirse; el usuario sólo tiene que definir el mínimo y el máximo.
Ejemplos de variables que se distribuyen de forma uniforme son los
costos de manufacturación o los ingresos por las ventas futuras de un
nuevo producto.
Triangular: El usuario define los valores mínimo, más probable y

máximo. Los valores situados alrededor del valor más probable tienen
9
más probabilidades de producirse. Las variables que se pueden

describir con una distribución triangular son el historial de ventas
pasadas por unidad de tiempo y los niveles de inventario.
PERT Técnica de Revisión y Evaluación de Programas:

El usuario define los valores mínimo, más probable y máximo, como
en la distribución triangular. Los valores situados alrededor del más
probable tienen más probabilidades de producirse. Sin embargo, los
valores situados entre el más probable y los extremos tienen más
probabilidades de producirse que en la distribución triangular; es decir,
los extremos no tienen tanto peso. Un ejemplo de uso de la
distribución PERT es la descripción de la duración de una tarea en un
modelo de gestión de un proyecto.
Discrete: El usuario define los valores específicos que pueden ocurrir

y la probabilidad de cada uno. Un ejemplo podría ser los resultados de
una demanda legal: 20% de posibilidades de obtener un veredicto
positivo, 30% de posibilidades de obtener un veredicto negativo, 40%
de posibilidades de llegar a un acuerdo, y 10% de posibilidades de que
se repita el juicio.
Durante una simulación Monte Carlo, los valores se muestrean

aleatoriamente a partir de las distribuciones de probabilidad
introducidas. Cada grupo de muestras se denomina iteración, y el
resultado correspondiente de esa muestra queda registrado.
6. Modelo de Carga usados en la Simulación de MONTE CARLO:
Hay dos versiones principales de representar la variación de la carga:
6.1.Método de Monte Carlo con carga Cronológica:

 Enumera los niveles de carga en forma secuencial u orden
cronológico en los cuales estos ocurren o se espera que ocurran.
10
 Simula cronológicamente cada hora del año y el estado

actual depende de los estados anteriores, se dice que son sistemas con
memoria.
 Este modelo de carga puede ser usado para representar solo

los picos diarios de carga dando 365 valores para cualquier año, o representar
los valores horarios (o medias horas), dando 8760 (17520) valores individuales
para un año.
 Este tipo de simulación es secuencial, dado que los tiempos

de salida y restauración generados se van acumulando para obtener el tiempo
total de operación del circuito primario bajo estudio.
 La simulación es un proceso iterativo en el cual se observa

para un periodo de tiempo de interés, los estados operativos que aparecen en el
circuito primario debido a los eventos aleatorios de salida y restauración de los
componentes. En cada estado operativo se determinan los puntos de carga
afectados por la salida de un componente dado.
 Una vez se termina la simulación, se contabiliza para cada

punto de carga el número de salidas que lo afectaron y el tiempo de
indisponibilidad. Con estos dos índices básicos se calculan los demás índices
de confiabilidad.
 Para aplicar este método se requiere conocer las

distribuciones de probabilidad que modelan los tiempos para salida y
restauración de cada uno de los componentes.
 La simulación se implementa como un software que utiliza

la base de datos del sistema, donde se ha registrado para cada circuito
primario: componentes con sus distribuciones de probabilidad, puntos de
carga, número de usuarios por punto de carga y demanda total por punto de
carga.
Este es el método de análisis más versátil dado que:
• Permite utilizar cualquier distribución para modelar los tiempos

para salida y restauración de los componentes.
• Permite resolver sistemas en los cuales no existe una solución

analítica. Por ejemplo, sistemas donde alguno de los componentes tiene
11
modelado el tiempo para salida o restauración por medio de la

distribución exponencial.
• Permite obtener las distribuciones de probabilidad de los índices

de confiabilidad de los puntos de carga, lo cual es muy útil para valorar
el riesgo de que ocurran diferentes valores de los índices.
6.1.1.DESARROLLO DEL ALGORITMO EN MATLAB

clc
Dmax=input('Ingrese la Dmax anual en MW: ');
Dias=364;
L=zeros(Dias,1);
% Ingreso de los datos de la tabla del problema
Y=zeros(52,1);
Y(1,1)=0.862;
Y(2,1)=0.9;
Y(3,1)=0.878;
Y(4,1)=0.834;
Y(5,1)=0.88;
Y(6,1)=0.841;
Y(7,1)=0.832;
Y(8,1)=0.806;
Y(9,1)=0.74;
Y(10,1)=0.737;
Y(11,1)=0.715;
Y(12,1)=0.727;
Y(13,1)=0.7040;
Y(14,1)=0.75;
Y(15,1)=0.7210;
Y(16,1)=0.8;
Y(17,1)=0.754;
Y(18,1)=0.837;
Y(19,1)=0.87;
Y(20,1)=0.88;
Y(21,1)=0.856;
Y(22,1)=0.811;
Y(23,1)=0.9;
Y(24,1)=0.887;
Y(25,1)=0.896;
Y(26,1)=0.861;
Y(27,1)=0.755;
Y(28,1)=0.816;
Y(29,1)=0.8010;
Y(30,1)=0.88;
Y(31,1)=0.722;
Y(32,1)=0.776;
Y(33,1)=0.8;
Y(34,1)=0.729;
Y(35,1)=0.726;
Y(36,1)=0.705;
Y(37,1)=0.78;
Y(38,1)=0.695;
Y(39,1)=0.724;
Y(40,1)=0.724;
Y(41,1)=0.743;
Y(42,1)=0.744;
Y(43,1)=0.8;
12
Y(44,1)=0.881;
Y(45,1)=0.885;
Y(46,1)=0.909;
Y(47,1)=0.94;
Y(48,1)=0.89;
Y(49,1)=0.942;
Y(50,1)=0.97;
Y(51,1)=1;
Y(52,1)=0.952;
for j=1:52
disp(j)
y=Y(j,1);
u=Dmax*y;
i=7*(j-1);
L(i+1,1)=u*0.93;
L(i+2,1)=u*1;
L(i+3,1)=u*0.98;
L(i+4,1)=u*0.96;
L(i+5,1)=u*0.94;
L(i+6,1)=u*0.77;
L(i+7,1)=u*0.75;
end
%Demanda máxima diaria obtenida de los datos de la tabla
L
Nt=input('Ingrese el # total de simulaciones: ');

D=0;
N=0;
G=input('Ingrese el # total de unidades de generación: ');
C=zeros(G,1);
FOR=zeros(G,1);
tf=zeros(G,1);
tr=zeros(G,1);
for i=1:G
disp(i)
C(i,1)=input('Ingrese la capacidad en MW de la unidad: ');
tf(i,1)=input('Ingrese la tasa de falla de la unidad: ');
tr(i,1)=input('Ingrese la tasa de reparacion de la unidad:
');
FOR(i,1)=tf(i,1)/(tf(i,1)+tr(i,1));
end
C
FOR
LOLE=zeros(Nt,1);
f=zeros(11,1);
i=0;
while i<Nt
i=i+1;
Cs=zeros(Dias,G);
for j=1:G
t=0;
X=1;
a=0;
while t<Dias
U1=rand*1;
if X==1
T1=fix((-log(U1)/tf(j,1))*35 + 32.5);
13
T2=t+T1;
if T2<Dias
for h=1+t:T2
Cs(h,j)=C(j,1);
end
else
for k=1+t:Dias
Cs(k,j)=C(j,1);
end
end
else
T1=fix(-log(U1)/tf(j,1));
T2=t+T1;
if T2<Dias
for h=1+t:T2
Cs(h,j)=0;
end
else
for k=1+t:Dias
Cs(k,j)=0;
end
end
end
X=X+(-1)^(a+1);
a=a+1;
t=T2;
end
end
Ct=zeros(Dias,1);
for m=1:Dias
Ctt=0;
for n=1:G
Ct(m,1)=Cs(m,n)+ Ctt;
Ctt=Ct(m,1);
end
end
Ct;
df=0;
for q=1:Dias
if Ct(q,1)<L(q,1)
df=df+1;
end
end
df;
D=D+df;
LOLE(i,1)=D/i;
f(df+1,1)=f(df+1,1)+1;
end
LOLE(Nt,1)
f
figure(1)
plot(LOLE)
title 'LOLE vs # Simulaciones'
14
Ylabel('LOLE')
Zlabel('# de simulaciones'')
figure(2)
bar3(f,'group','b')
title 'Histograma de frecuencia'
Ylabel('Dias problema')
Zlabel('Numero de simulaciones')
6.1.2. EJEMPLOS DE APLICACIÓN
 Se tiene un sistema de generación con 5 unidades de 40

MW con una tasa de falla 1 =‫ ג‬F/año y una tasa de reparación µ= 99 rep/año
el periodo de estudio es un año, el pico de carga se estima igual a 160 MW y la
carga mínima se estima en 64 MW. Calcule la perdida de carga esperada
mediante el método de simulación.
15
PICO DE CARGA SEMANAL COMO UN PORCENTAJE DEL PICO ANUAL

Semana Pico de Semana Pico de Semana Pico de Semana Pico de
Carga Carga Carga Carga
(%) (%) (%) (%)
1 86.2 14 75.0 27 75.5 40 72.4
2 90.0 15 72.1 28 81.6 41 74.3
3 87.8 16 80.0 29 80.1 42 74.4
4 83.4 17 75.4 30 88.0 43 80.0
5 88.0 18 83.7 31 72.2 44 88.1
6 84.1 19 87.0 32 77.6 45 88.5
7 83.2 20 88.0 33 80.0 46 90.9
8 80.6 21 85.6 34 72.9 47 94.0
9 74.0 22 81.1 35 72.6 48 89.0
10 73.7 23 90.0 36 70.5 49 94.2
11 71.5 24 88.7 37 78.0 50 97.0
12 72.7 25 89.6 38 69.5 51 100.0
13 70.4 26 86.1 39 72.4 52 95.2
6.1.3. RESOLUCION DEL PROBLEMA
16
 El anterior problema lo vamos a tratar aplicando el Método

de Montecarlo para Curva de Carga Cronológica, por lo tanto debemos aplicar
el algoritmo anteriormente programado.
 Como datos de entrada emplearemos la tabla de datos de la

carga diaria, las capacidades de las unidades de generación y sus respectivas
tasas de falla y reparación, además el número de simulaciones que deseamos
realizar, cabe recalcar que entre mayor número de simulaciones, los resultados
serán más precisos.
6.1.4. REQUERIMIENTOS DEL PROGRAMA:
Los datos que necesita ingresar el usuario son:
 El número total de simulaciones que nos da el criterio de

parada del programa.
 El número total de generadores, sus capacidades en MW
que pueden ser diferentes para cada unidad (en caso de ser requerida).
 La tasa de fallo de cada unidad falla ‫ ג‬F/año.
 La tasa de reparación de cada unidad µ rep/año.
Resultados del programa:
 El valor de la pérdida esperada de carga (LOLE) en

días/año.
 Frecuencia de número de días de problemas.
 Grafico de las variaciones que se obtuvo en la simulación
para hallar el LOLE
Ingrese el # total de simulaciones: 5000
Ingrese el # total de unidades de generación: 5
Ingrese la capacidad en MW de la unidad: 40
Ingrese la tasa de falla de la unidad: 1
Ingrese la tasa de reparación de la unidad: 99
17
Capacidad de las unidades generadores en MW
C=
40
40
40
40
40
Tasa de falla de las unidades generadoras
FOR =
0.0100
0.0100
0.0100
0.0100
0.0100
18
La pérdida de carga esperada (LOLE) es de:
ans =
0.1104 dias/año
Frecuencia de número de días de problemas del año 0 hasta el año 10

respectivamente:
f=
Frecuencia de
numero de días
de problemas
Dias de frecuen
proble cia
mas (años)
0 4530
1 402
2 57
3 8
4 3
5 0
6 0
7 0
8 0
9 0
10 0
19
6.1.5. TABLA Y CURVA DE RESULTADOS

 Para una mejor visualización del programa se procederá a
realizar tres simulaciones del algoritmo para verificar la eficiencia del
mismo.
 Al simular el problema en Matlab, utilizando el algoritmo,

tenemos las siguientes respuestas:
SIMULACION #1
ans =
0.1104 dias/año
20

respectivamente:
f=
Frecuencia de
numero de dias
de problemas
Dias de frecuen
proble cia
mas (años)
0 4530
1 402
2 57
3 8
4 3
5 0
6 0
7 0
8 0
9 0
10 0
21
SIMULACION #2
ans =
0.1082 dias/año

respectivamente:
f=
Frecuencia de
numero de dias
de problemas
Dias de frecuen
proble cia
mas (años)
0 4535
1 396
2 62
3 7
4 0
5 0
6 0
7 0
8 0
9 0
10 0
22
SIMULACION #3
ans =
0.1154 dias/año
23

respectivamente:
f=
Frecuencia de
numero de dias
de problemas
Dias de frecuen
proble cia
mas (años)
0 4518
1 403
2 65
3 2
4 0
5 0
6 0
7 0
8 0
9 0
10 0
24
6.1.6. ANALISIS DE RESULTADO

 Como podemos ver en las curvas de resultados inicialmente
se presenta un transitorio, pero después de un número determinado de
simulaciones la curva busca estabilizarse, es decir busca un valor fijo, para los
casos mostrados en las tres simulaciones realizadas las curvas nos indican los
diferentes valores del LOLE debido a que esto es generado por medio de
números aleatorios, y este índice se encuentra en un valor que rodea el 0.111
días/año en promedio del LOLE obtenidos por el algoritmo, el cual es
verificable por los tres LOLE que se obtuvieron que son 0.1104 días/año,
0.1082 días/año, 0.1154 días/año.
Mientras que en la curva inferior podemos ver un histograma de frecuencia,

donde determinamos cuantas fallas ocurrieron en el año de analisis, y cual se
repitió mas, para nuestro sistema vemos que el sistema no presento problemas
de pérdidas de carga una cantidad considerable de veces.
En el histograma de frecuencia para las tres simulaciones realizadas tenemos

un valor aproximado de 4527 veces no existió ninguna falla, 405 veces el
sistema fallo un día, 65 veces el sistema fallo por dos días y aproximadamente
6 veces hubo un fallo del sistema por tres días, para fallas mayores a tres días
el número de veces fallado aproximadamente es cero.
Por lo tanto nuestro sistema es muy confiable, tenemos un LOLE muy bajo, y
mayores años donde no hay falla.
6.2.Método de Monte Carlo con carga no Cronológica:
 Es conocido como la curva de duración de carga (LDC).

 Enumera los niveles de carga en orden descendente para
formar un modelo de carga acumulativa.
 Simula aleatoriamente todas las horas del año y el estado
actual no depende del anterior, se dice que son sistemas sin memoria.
6.2.1. Ejemplo de aplicación:

El presente ejemplo es basado en el muestreo aleatorio de la generación y los
estados de la carga y por lo tanto no toma en cuenta la variación secuencial de
la carga con el tiempo o la duración de los estado de generación.
El ejemplo es basado en la DPLVC. Consecuentemente, ni frecuencia, ni

duración, ni índices de energía pueden ser evaluados; solo LOPL y LOLE (en
25
días/años) pueden evaluados. Esto se repite el análisis realizado usando el

método analítico.
6.2.2. Sistema Estudiado
El sistema consiste de 5 unidades de 40 MW cada una con un FOR=0.01. La
carga del sistema es representada por la DPLVC teniendo un pico de crac
máxima estimado de 160 MW; y un pico de carga mínima de 64MW, el
periodo de estudio es 365 días (un año). La curva de carga es asumida una
línea recta desde su valor máximo al valor mínimo.
6.2.3. Procedimiento de la simulación:
Algoritmo en base Matlab para el desarrollo de la simulación de Monte

Carlo (LOLE) para cargas no cronológicas:
% Algoritmo para la Evaluación del LOLE con cargas no

cronológicas
% Desarrollo
c lc
Ns= input ('Ingrese el número de simulaciones = ');
D = 0;
N = 0;
G = input('Ingrese el número de unidades de generación = ');
Dmax = input('Ingrese el valor de la Dmax en MW = ');
Dmin = input ('Ingrese el valor de la Dmin en MW = ');
Capacidad=zeros(G,1);
FOR=zeros(G,1);
x=1;
disp(' ');
disp(' ');
for h=1:G
fprintf('* Para la unidad de generación');
disp(x);
Capacidad(h,1)=input(' Ingrese la capacidad en MW de la
unidad de generación = ');
FOR(h,1)=input(' Ingrese el FOR de la unidad de generación =
');
x=x+1;
disp(' ');
end
LOLE=zeros(Ns,1);
26
for i=1:Ns
Capo=0;
for j=1:G
U1=rand*1;
if U1<=FOR(j,1)
Cap=Capo;
else
Cap=Capacidad(j,1)+Capo;
end
Capo=Cap;
end
Capo
U2=rand*1;
L=Dmin+(Dmax-Dmin)*U2;
if Capo<L
D=D+1;
end
N=N+1;
LOLP=D/N;
LOLE(i,1)=LOLP*365;
end
LOLE;
plot(LOLE)
xlabel('Tamaño de la muestra','FontSize',12)
ylabel('LOLE dias/años','FontSize',12)
title('Evaluación del LOLE con carga cronológica','FontSize',12)
6.2.4. Resultados de la Simulación:

Ingrese el número de simulaciones = 800000
Ingrese el número de unidades de generación = 5
Ingrese el valor de la Dmax en MW = 160
Ingrese el valor de la Dmin en MW = 64
* Para la unidad de generación 1

Ingrese la capacidad en MW de la unidad de generación = 40
Ingrese el FOR de la unidad de generación = 0.01



27

6.2.5. Resultado del LOLE para una determinada muestra:
* Para la simulación 2000
El LOLE en días/años es = 0
El LOLE en días/años es = 0.1217
28
6.2.6. Tabla de resultados:
Variación del LOLE con el número de Simulaciones
Simulación LOLE Simulación LOLE
(días/años) (días/años)
2000 0 16000 0,1369
3000 0,1217 32000 0,1369
4000 0,0912 64000 0,1312
5000 0,1416 128000 0,1554
6000 0,1217 512000 0,1583
7000 0,2086 600000 0,157
8000 0,1825 700000 0,153
800000 0,1564
29
6.2.7. Gráfica:
30
7. CONCLUSIONES
• Se puede concluir que los métodos de simulación dan valores muy cercanos a los
reales, además con estos métodos podemos incluir más variables, que en el caso
del método analítico no se puede añadir.
• El uso de computadoras nos facilita un montón de cálculos que si lo hacemos nos

tomarían días o meses realizarlos.
• El LOLE es el mejor índice de pérdida de carga.
• La simulación Monte Carlo proporciona una visión mucho más completa de lo

que puede suceder.
• Mediante el uso de distribuciones de probabilidad, las variables pueden generar

diferentes probabilidades de que se produzcan diferentes resultados.
• El método de Monte Carlo con carga no cronológica reconoce la naturaleza

aleatoria de la carga y de la salida de generadores y líneas en el sistema.
• Que la facilidad que ofrece de poder tener en cuenta cualquier contingencia y la

posibilidad de adoptar políticas de operación son similares a las reales.
• Por ser un método estocástico hay preferencias por los métodos de análisis, dado
que es mucho más fácil su manejo.
8. BIBLIOGRAFIA
• http://www.utp.edu.co/~planeamiento/prod_aca/tesis/CONFIABILIDADTRANS
MISION.pdf
• http://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo
• Zapata Carlos J, “Confiabilidad de SistemasEléctricos”, UTP, 2003.
• Piñeros Luis C, Castaño Diego A, “Estudio de Confiabilidad del Sistema de

Distribución de Pereira Usando el Método de Simulación de Montecarlo”, UTP,
2003.
31

Grupo #2 Montecarlo

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Grupo #2 Montecarlo

Uploaded by

Copyright:

Available Formats

CONFIABILIDAD DE SISTEMAS DE TRANSMISION GRUPO 2

ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL

FACULTAD DE INGENIERIA EN ELECTRICIDAD Y COMPUTACIÓN

CONFIABILIDAD DE SISTEMAS DE TRANSMISIÓN

SIMULACIÓN DE MONTE CARLO

• Byron Fabricio Zúñiga Santillán

• Luis Raúl Sigüenza Alvarado

• Ing. José Layana

Uno de los más importantes objetivos de la planificación de sistemas eléctricos de

Fundamentalmente, un mejor servicio está condicionado por una mayor cantidad de

Para efectos de la evaluación del desempeño de los sistemas eléctricos y la planificación

2.2. Objetivo Específico

• Dar al planificador una herramienta de evaluación de confiabilidad que le permita

3.1. Modelo de Confiabilidad de los Componentes

Figura 1. Modelo de dos estados para los componentes

• Modelo para análisis de disponibilidad: Incluye salidas planeadas

• Modelo para análisis de fallas: Solo considera las salidas no planeadas

Es necesario modelar como componentes independientes las instalaciones de

Debido a la naturaleza aleatoria de los fenómenos que afectan la evaluación

3.2. Técnicas de Evaluación de la Confiabilidad

Los pasos a previos a usar alguna técnica de evaluación de confiabilidad son:

 Entender la forma como el sistema opera

Solo entonces se selecciona la técnica de evaluación de confiabilidad.

Hay dos categorías principales de técnicas de evaluación de la confiabilidad

 Las técnicas analíticas: Representan al sistema por un modelo matemático

 El Método de Simulación: Estima los índices de confiabilidad simulando

4. Método de MONTE CARLO

CASINO MONTE CARLO

• El uso de los métodos de Montecarlo como herramienta de investigación, proviene

 Simulación de variables aleatorias con distintas distribuciones.

• El desarrollo de los ordenadores posibilita la simulación de experimentos a través

• Las aplicaciones posibles trascienden las propias Matemáticas.

• Reconoce la naturaleza aleatoria de la carga y de la salida de generadores y líneas

• Está basado en la simulación de variables aleatorias y el cálculo de estimadores

de números aleatorios o, habitualmente, pseudoaleatorios con diferentes

• Permite obtener las distribuciones de probabilidad de los índices de confiabilidad

• Para aplicar este método se requiere conocer las distribuciones de probabilidad

La simulación Monte Carlo realiza el análisis de riesgo con la creación de

El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis

muy arriesgado” o “Probablemente obtendremos buenos resultados”. El análisis

Las distribuciones de probabilidad más comunes son:

Normal – O “curva de campana”: El usuario simplemente define

Log normal: Los valores muestran una clara desviación; no son

Uniforme: Todos los valores tienen las mismas probabilidades de

Triangular: El usuario define los valores mínimo, más probable y

más probabilidades de producirse. Las variables que se pueden

PERT Técnica de Revisión y Evaluación de Programas:

Discrete: El usuario define los valores específicos que pueden ocurrir

Durante una simulación Monte Carlo, los valores se muestrean

6. Modelo de Carga usados en la Simulación de MONTE CARLO:

Hay dos versiones principales de representar la variación de la carga:

6.1.Método de Monte Carlo con carga Cronológica:

 Simula cronológicamente cada hora del año y el estado

 Este modelo de carga puede ser usado para representar solo

 Este tipo de simulación es secuencial, dado que los tiempos

 La simulación es un proceso iterativo en el cual se observa

 Una vez se termina la simulación, se contabiliza para cada

 Para aplicar este método se requiere conocer las

 La simulación se implementa como un software que utiliza

Este es el método de análisis más versátil dado que:

• Permite utilizar cualquier distribución para modelar los tiempos

• Permite resolver sistemas en los cuales no existe una solución

modelado el tiempo para salida o restauración por medio de la