Trafo Tridevanado

46
CAP ITULO 2. MODELAMIENTO DEL SISTEMA COLOMBIANO
Tabla 2.6: Datos Transformadores 2 devanados sistema Colombiano

Nodo inicial ALAN220 ALAN220 ALAN220 ANCOR110 APAR110 Nodo nal ANCHG1 ANCHG2 ANCHG3 ANCO46.6 APAR44 Grupo YNd1 YNd1 YNd1 YNyn0 YNd1 V1 kV 230 230 230 110 110 V2 kV 13,8 13,8 13,8 46,6 44 Z(1) % 12,8 12,8 12,8 7,66 7,16 R(1) % 0,32 0,32 0,32 0,23 0,25 Z(0) % 12,8 12,8 12,8 7,66 7,16 R(0) % 0,32 0,32 0,32 0,23 0,25 S MVA 115 115 115 60 40
Modelamiento transformadores 3 devanados. Se cuenta con informacin de 130 o transformadores tridevanados. Para cada elemento hay datos de tensin de cada o devanado, potencia de cada devanado, impendacia y resistencia en secuencias desde un devanado a otro, tal como se muestra el las tablas 2.7 y 2.8.
Tabla 2.7: Datos transformadores 3 devanados

Primario ALTA220 ANCE5 ANCEA BAC5 BAC5 Devanado Secundario Terciario ALTA115 ALTA13 ANCO110 ANCO46.6 ANCO110 ANCO14 BAC115 BAC34.5 BAC2 BAC 34. Grupo YNyn0d5 YNyn0d5 YNyn0d5 YNyn0d5 YNyn0d5 V1 kV 220 220 220 500 500 V2 kV 115 110 110 115 230 V3 kV 13,8 46,6 46,6 34,5 34,5 Sr12 MVA 90 180 180 450 450 Sr23 MVA 90 180 180 450 450 Sr31 MVA 90 180 180 450 450
Tabla 2.8: Datos transformadores 3 devanados (continuacin) o

Z12(1) % 9 8,8 9,31 12,29 11,53 Z23(1) % 19,2 26,8 27,45 7,39 16,64 Z31(1) % 28,8 36,8 39,18 19,56 31,06 R12(1) % 0,24 0,2 0,21 0,29 0,25 R23(1) % 0,52 0,71 0,62 0,17 0,35 R31(1) % 0,77 0,97 0,88 0,46 0,66 Z12(0) % 9 8,8 9,31 12,29 11,53 Z23(0) % 19,2 26,8 27,45 7,39 16,64 Z31(0) % 28,8 36,8 39,18 19,56 31,06
Para los transformadores tridevanados es importante tener en cuenta que los valores de Z y R dados en las tablas anteriores, son valores medidos como se muestra en la gura 2.14. De acuerdo con el modelo, R12 es la impedancia que hay entre los devanados primario y secundario. Teniendo los valores R12, R23 y R13, se calculan los valores de R1 R2 y R3 de la siguiente manera:
46
2.8. MODELAMIENTO DEL SISTEMA COLOMBIANO.
47
R12 1 R13 R1 R2 2 R23
R3
3
Figura 2.14: Datos de Resistencia entre los devanados. Transformador terciario.
R1 =
R12 + R13 R23 2 R12 + R23 R13 R2 = 2 R13 + R23 R12 R3 = 2
(2.33)
Se realiza el mismo procedimiento para hallar X1 , X2 y X3 . Posteriormente, con el nimo de no generar un nodo cticio en el centro del a transformador tridevanado, se realiza una conversin estrella a delta teniendo como o resultado lo siguiente: R1 R2 1 2 RC RB RA 2
R3
Figura 2.15: Modelo transformador tridevanado en estrella y delta
Donde:
(R1 R2 ) + (R1 R3 ) + (R2 R3 ) R3 (R1 R2 ) + (R1 R3 ) + (R2 R3 ) RB = R1 (R1 R2 ) + (R1 R3 ) + (R2 R3 ) RC = R2 RA = 47
(2.34)
48
Para la secuencia cero, las conexiones entre elementos RA , RB y RC del transformador se alteran de acuerdo con el grupo de conexin de los devanados. o Modelamiento Cargas. En primer lugar, slo algunos de los nodos del sistema tienen o cargas conectadas y son identicados como PQcarga. La informacin que se tiene o para el modelamiento es el valor de la potencia consumida por todas las cargas en un determinado tiempo, el factor de distribucin de la potencia entre los nodos de o carga y el factor de potencia de cada uno de los nodos.
Tabla 2.9: Datos de cargas del Sistema Colombiano
Nodo AGUABLANCA115 ALAN220 ALTAMIRA115 ALTAMIRA220 AMAGA1 AMAGA2 ANCONEPM220 ANCONISA220 ANCON SUR110 ANCON SUR46.6 Factor Distribucin o 0,00760 0,00000 0,00340 0,00000 0,00290 0,00000 0,00000 0,00000 0,00360 0,00450 Factor de Potencia 0,91980 1,00000 0,94870 1,00000 0,95310 1,00000 1,00000 1,00000 0,90000 0,95960 Tipo nodo PQcarga PQpaso PQcarga PQpaso PQcarga PQpaso PQpaso PQpaso PQcarga PQcarga
El valor de potencia consumida por las cargas de todo el sistema es 8762MW, tomado de [UPME. 2006]. Al multiplicar este valor por los respectivos factores de distribucin o de cada nodo, se puede hallar el valor de potencia activa consumida por nodo. Posteriormente usando el valor de potencia activa hallado y el factor de potencia, se halla la potencia reactiva en cada nodo. Con las potencias activa y reactiva calculadas se hallan los respectivos valores de R y XL o G y B para agregar al modelo general del sistema. Modelamiento Generadores. El sistema colombiano cuenta con 180 generadores conectados. Se cuenta con informacin para cada unidad de generacin sobre o o potencia y tensin nominales, valores de puesta a tierra, impedancias transitorias o y subtransitorias con las cuales se obtienen los valores de impedancia para el modelo de secuencias.
Tabla 2.10: Datos de Generadores del sistema Colombiano
Nodo A.ANCHICAYA A.ANCHICAYA A.ANCHICAYA AYURA G1 B.ANCHICAYA S nominal MVA 126 126 126 19,1 25 V nominal kV 13,8 13,8 13,8 6,9 6,9 R tierra Ohm 26,66 26,66 26,66 0 28 X tierra Ohm 0 0 0 0 0
G1 G2 G3 G1
48
2.8. MODELAMIENTO DEL SISTEMA COLOMBIANO.
49
Tabla 2.11: Datos de Generadores del sistema Colombiano (continuacin) o

xd % 107 107 107 123 143,96 xd % 25 25 25 32,1 32,14 xd % 18 18 18 18,7 24,37 xq % 63 63 63 75 91,06 xq % 63 63 63 75 91,06 xq % 24 24 24 23,8 29,19
Con los datos de las tablas 2.10 y 2.11, y usando las ecuaciones expuestas en secciones anteriores se obtienen los parmetros necesarios para completar el modelo a de secuencias. Debido a los protocolos de etiquetacin, convenciones tcnicas y generalizaciones en la o e informacin del modelo colombiano, los elementos del sistema tienen nombres distintos para o identicar un mismo punto. Por lo tanto, en el trabajo de modelamiento se debe determinar la correcta conexin entre los elementos del sistema. Dichas conexiones fueron determinadas o en gran parte en [Gallego L. 2008] y posteriormente fueron revisadas e implementadas en esta investigacin. En seguida se asigna una identicacin numrica para cada nodo, con o o e el n de identicarlos claramente dentro de las matrices de secuencia. Posteriormente se procede a organizar la informacin como se indic en la tabla 2.1. Es o o importante resaltar que para la secuencia (0) el modelo de los transformadores var segn a u la conexin de los devanados, por lo tanto, para organizar estas conexiones en tramos serie y o shunt es necesario realizar un anlisis exhaustivo de dicha informacin. Una vez organizada a o la informacin aplicamos el algoritmo (AGM) obteniendo las matrices de secuencia positiva, o negativa y cero de (756x756) que caracterizan el sistema colombiano.
2.8.2.
Construccin del unilar y asignacin de coordenadas o o
En esta seccin se propone la construccin de un diagrama unilar del sistema colombiano o o con informacin de posicin (x,y) de cada una de las barras, con la intencin de observar o o o de manera grca: a Zonas Perturbadoras: Zonas del sistema donde ocurren fallas que generan hundimientos en tensin en los nodos de inters. o e Zonas Cr ticas: Zonas donde ocurren hundimientos en tensin con alto nivel de o severidad. Esta construccin se realiza a travs de la consulta de [UPME. 2006], ubicando cada uno o e de los elementos modelados en un diagrama general y etiquetando cada uno de los nodos. A falta de un software para realizar un diagrama de 756 nodos, este se implement en o el software Openoce Draw, y para poder dibujar contornos de manera sistemtica, el a 49
50
diagrama se export, posteriormente, a texto plano en cdigo SVG.2 o o En el diagrama se localizan las coordenadas de cada una de las barras del sistema, las cuales segn el formato y el tamao de la hoja, corresponden a un valor dado en pixeles. u n La visualizacin del diagrama es orientativa de las conexiones entre elementos y no es o geogrca, por lo tanto, los resultados en secciones posteriores mostrarn las condiciones de a a calidad de potencia de las barras, pero dichos resultados no tienen signicado de distancia geogrca entre dichas barras. a El modelo desarrollado del sistema colombiano ser util para hallar zonas en las cuales a ocurren fallas que pueden afectar las tensiones de los nodos de Bogot. Tambin, dicho a e modelamiento servir para posteriores proyectos de investigacin a mayor escala. En la a o gura 2.16 se puede observar el diagrama unilar del sistema colombiano, en el cual cada uno de los nodos se encuentra etiquetado con el nmero que lo representa en las matrices u de secuencia.
SVG es un formato para representar grcas en texto plano. a
50
Figura 2.16: Diagrama unilar del sistema Colombiano modelado (Parte).
52
52
Cap tulo
Simulacin Estocstica de fallas y anlisis o a a de hundimientos

En este cap tulo se explican detalladamente los siguientes tres pasos de la metodolog a de anlisis de hundimientos correspondientes a la identicacin de zonas perturbadoras y a o zonas de inters, simulacin de fallas en el sistema y por ultimo el anlisis estad e o a stico de las simulaciones.
Figura 3.1: Zonas perturbadoras, simulacin y anlisis de hundimientos en la metodolog o a a propuesta
La evaluacin del impacto de las fallas en los hundimientos de tensin observados en las o o barras del sistema puede realizarse por medio de dos metodolog monitoreo de eventos as, 53
54 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS
(fallas y hundimientos) o simulacin estocstica de fallas. o a En cuanto al monitoreo de eventos es necesario tener informacin de los hundimientos o en tensin que ocurren en todas las barras objeto del anlisis, e informacin de las fallas o a o ocurridas en el sistema. En general el procesamiento de esta informacin puede presentar o dicultades debido a los siguientes aspectos. El proceso para el registro de informacin de fallas es en gran parte manual, lo o que permite impresiciones por parte del operario al determinar el tipo de falla, la causa de dicha falla y la hora de sta.1 Esto conlleva a dicultades para correlacionar e informacin, ya que el registro de hundimientos en tensin y el de fallas en el sistema o o deber estar adecuadamente sincronizados. an Existen equipos de proteccin y control que registran la ocurrencia de fallas, sin o embargo gran parte de stos no estn integrados a un sistema de gestin informacin, e a o o por lo que dicha informacin en general se pierde o en el mejor de los casos se obtiene o de manera manual con dicultad. Gran cantidad de fallas transitorias no se detectan o reportan ya que, debido a su rapidez, no ocasionaron ninguna maniobra de algn equipo, disparo o recierre de u protecciones, apertura de circuitos, o dao de elementos en el sistema. n
Por otro lado, la simulacin estocstica se usa para determinar las caracter o a sticas de los hundimientos en tensin de cada una de las subestaciones. En este procedimiento, o las caracter sticas de las fallas como lugar de ocurrencia, tipo de falla, frecuencia de ocurrencia, se modelan como distribuciones de probabilidad y posteriormente se simulan sobre el sistema [Romero M. 2008]. La simulacin arroja como resultado las distribuciones o de probabilidad de magnitud y frecuencia de los hundimientos en tensin en cada una de o las barras del sistema. La interpretacin de los resultados de la simulacin estocstica puede ser diversa. En caso o o a de usar informacin real para modelar las caracter o sticas de las fallas (obviamente con las dicultades mencionadas en prrafos anteriores), el resultado ser el valor esperado de la a a cantidad y las caracter sticas de los hundimientos en tensin que ocurren realmente en las o barras del sistema debido a fallas. Generalmente cuando se considera que las tendencias de fallas permanecen invariantes, los resultados se interpretan como una prediccin de la o cantidad y caracter sticas de los hundimientos en tensin. Es importante resaltar que las o tendencias halladas de hundimientos dependen fuertemente de la informacin estad o stica de las fallas, adems, el grado de exactitud de la prediccin va ligado a la cantidad de a o tiempo de registro de dichas fallas tal como lo indica la tabla 1 en la introduccin de este o documento.
Por ejemplo, muchas de las fallas con causa incierta son atribuidas a descargas atmosfricas y la hora e registrada es deducida o asignada por el operario que realiza el reporte.
1
54
3.1. DETERMINACION DE ZONAS PERTURBADORAS
55
En caso de no contar con informacin real o conable, las caracter o sticas de las fallas se pueden modelar con distribuciones uniformes, de tal manera que en la simulacin se o realiza un barrido de todo tipo de fallas en todos los lugares posibles. Debido a que no se tiene informacin de la cantidad de fallas real en cada lugar de ocurrencia, con este o anlisis no es posible determinar la cantidad real de hundimientos que pueden ocurrir en a las barras del sistema, sin embargo, s permite determinar el valor esperado de la magnitud de los hundimientos en tensin que podr ocurrir debido a fallas. Con sto, se puede saber o a e qu tan expuesta est una barra a experimentar hundimientos por fallas y cmo es el perl e a o de hundimientos que podr tener las barras del sistema. an En las siguientes secciones se determinarn las barras en donde se evaluarn los a a hundimientos en tensin, y la zona perturbadora del sistema colombiano en la cual ocurren o fallas que ocasionan hundimientos en dichas barras. Las caracter sticas como lugar de ocurrencia y tipo de falla se modelarn con distribuciones uniformes, para posteriormente a realizar una simulacin estocstica generando fallas en modelo de componentes simtricas o a e del sistema obtenido en el cap tulo anterior. Esto permitir, (i) identicar las zonas a perturbadoras donde las fallas ocasionan hundimientos en las barras del sistema de Bogot, a (ii) determinar cules barras de 220kV y 115kV son ms vulnerables a hundimientos a a en tensin y (iii) determinar las caracter o sticas de hundimientos generados por fallas. Posteriormente los resultados de las simulaciones se utilizarn en el cap a tulo siguiente para determinar el impacto real de las fallas usando informacin real de hundimientos en tensin. o o
3.1.
Determinacin de zonas perturbadoras o
Una zona perturbadora es en la que ocurren fallas que generan hundimientos en tensin o en alguna barra de inters. En esta investigacin, el inters es conocer en qu zonas del e o e e sistema colombiano pueden ocurrir fallas que generen hundimientos en tensin en los nodos o del sistema de 115kV y 220kV cercanos o dentro de la ciudad de Bogot. Despus de a e identicar las zonas perturbadoras, se realiza la simulacin estocstica de fallas en dichas o a zonas y se evalan los hundimientos generados en los nodos de inters. u e Para hallar las zonas perturbadoras, a partir de las matrices de secuencia del sistema se construye otra matriz llamada matriz de hundimientos en tensin. Esta matriz entrega o informacin de las tensiones de todos los nodos cuando ocurren fallas en cada uno de los o nodos. Para cada tipo de falla es necesario construir la matriz de hundimientos con base en los clculos de fallas explicados en el cap a tulo anterior. Posteriormente se ltra la matriz de hundimientos extrayendo slo los nodos en los que ocurren fallas que generan hundimientos o en los nodos de inters. En este procedimiento la condicin de tensin prefalla V=1 es valida e o o para todos los casos, ya que la deteccin de los hundimientos en tensin se hace con la o o referencia deslizante (ver pgina 9). a Para construir la matriz de hundimientos en tensin por fallas trifsicas suponemos de o a 55
manera ilustrativa que el nodo de inters es el nodo 8 en el sistema de prueba de 9 nodos e utilizado anteriormente y descrito en la gura 3.2.
4
Nodo Inters e
10kV / 110kV
21kV / 110kV
G2
T2 Dyn5
G1
T1 Dyn5
L1 T3 YnY0d5 L6
380kV / 110kV
Q1 L2
5
L5 T4 YnY0d5
L3
L7
6 7
T5 YY0 Q2 G3
M
M1
110kV / 10kV
M
T6 YYn0 L4 M2
Figura 3.2: Nodo de inters para hundimientos en tensin e o
En primer lugar la tensin en cada uno de los nodos cuando ocurre una falla trifasica en k o est dada por la ecuacin: a o Zik Zkk Con base en la ecuacin 3.1 se calcula la matriz de hundimientos como sigue: o Vi = 1
(3.1)
VHT = [1] Z[DZ]1
(3.2)
En la ecuacin 3.2 el trmino [DZ]1 es una matriz calculada a partir de la diagonal de la o e matriz de impedancia positiva, cuya dimensin es aumentada para ser multiplicada punto o a punto con Z. Para calcular [DZ] primero extraemos la diagonal de la matriz Z:
0,0037 0,0134 0,0433 0,0598 0,0138 0,0823 0,7550 0,0458 0,0350
diag(Z) =
0,0374 0,1659 0,2752 0,3341 0,1590 1,6024 2,3363 0,7753 0,5703
(3.3)
56
57
Posteriormente, es necesario transponer la diagonal y aumentar la dimensin de sta, para o e sto, hay que tener en cuenta que al transponer un vector complejo, la transpuesta tambin e e es la conjugada por lo que es necesario, conjugar nuevamente el resultado tal como se muestra en la ecuacin 3.4. o DZ = meshgrid (abs(diag(Z) ). abs(diag(Z) ) diag(Z) (3.4)
El trmino meshgrid aumenta la dimensin del vector obteniendo una matriz cuadrada e o como se muestra a continuacin. o
0,0037 0,0037 0,0037 0,0037 0,0037 0,0037 0,0037 0,0037 0,0037 0,0134 0,0134 0,0134 0,0134 0,0134 0,0134 0,0134 0,0134 0,0134 0,0433 0,0433 0,0433 0,0433 0,0433 0,0433 0,0433 0,0433 0,0433 0,0598 0,0598 0,0598 0,0598 0,0598 0,0598 0,0598 0,0598 0,0598 0,0138 0,0138 0,0138 0,0138 0,0138 0,0138 0,0138 0,0138 0,0138 0,0823 0,0823 0,0823 0,0823 0,0823 0,0823 0,0823 0,0823 0,0823 0,7550 0,7550 0,7550 0,7550 0,7550 0,7550 0,7550 0,7550 0,7550 0,0458 0,0458 0,0458 0,0458 0,0458 0,0458 0,0458 0,0458 0,0458 0,0350 0,0350 0,0350 0,0350 0,0350 0,0350 0,0350 0,0350 0,0350
DZ =
(3.5)
0,0374 0,0374 0,0374 0,0374 0,0374 0,0374 0,0374 0,0374 0,0374
0,1659 0,1659 0,1659 0,1659 0,1659 0,1659 0,1659 0,1659 0,1659
0,2752 0,2752 0,2752 0,2752 0,2752 0,2752 0,2752 0,2752 0,2752
0,3341 0,3341 0,3341 0,3341 0,3341 0,3341 0,3341 0,3341 0,3341
0,1590 0,1590 0,1590 0,1590 0,1590 0,1590 0,1590 0,1590 0,1590
1,6024 1,6024 1,6024 1,6024 1,6024 1,6024 1,6024 1,6024 1,6024
2,3363 2,3363 2,3363 2,3363 2,3363 2,3363 2,3363 2,3363 2,3363
0,7753 0,7753 0,7753 0,7753 0,7753 0,7753 0,7753 0,7753 0,7753
0,5703 0,5703 0,5703 0,5703 0,5703 0,5703 0,5703 0,5703 0,5703
(3.6)
Al aplicar la ecuacin 3.2 obtenemos que para fallas trifsicas la matriz de hundimientos o a es la siguiente:
0,0000 0,4807 0,6059 0,6367 0,5948 0,6799 0,6918 0,7747 0,8303 0,8828 0,0000 0,2485 0,3092 0,2258 0,3867 0,4119 0,5687 0,6755 0,9469 0,5551 0,0000 0,2780 0,5156 0,6162 0,6324 0,4283 0,6619 0,9600 0,6656 0,4085 0,0000 0,6145 0,6945 0,7077 0,6610 0,5330 0,9046 0,1944 0,1491 0,1727 0,0000 0,2099 0,2404 0,5122 0,6120 0,9925 0,9363 0,9329 0,9346 0,9215 0,0000 0,0471 0,9616 0,9695 0,9954 0,9618 0,9595 0,9607 0,9522 0,4362 0,0000 0,9768 0,9816 0,9891 0,9074 0,7962 0,8516 0,8997 0,9207 0,9237 0,0000 0,9307 0,9888 0,9053 0,8353 0,7256 0,8915 0,9143 0,9175 0,9059 0,0000
VHT =
(3.7)
En la matriz de la ecuacin 3.7 cada columna se interpreta como el nodo donde ocurre la o falla trifsica, y cada una de las las son las tensiones de los nodos durante la ocurrencia a de dicha falla. De esta manera, al ocurrir por ejemplo una falla trifsica en el nodo 3, las a tensiones en todos los nodos sern las marcadas con letras en rojo. Por otro lado, para a identicar cules fallas ocasionaron hundimientos en el nodo de inters (8), observamos a e la correspondiente la (marcada en celda gris) y vericamos cules de los valores son a hundimientos. De aqu podemos identicar que la ocurrencia de fallas en los nodos 1,2,3,4,5 y 8 generan hundimientos en tensin en el nodo 8. o
57
Los nodos hallados hacen parte de la zona perturbadora para hundimientos en el nodo 8. El resultado se muestra grcamente en la gura 3.3. a
4 8
10kV / 110kV
21kV / 110kV
G2
T2 Dyn5
G1
T1 Dyn5
L1 T3 YnY0d5 L6
380kV / 110kV
Q1 L2
5
L5 T4 YnY0d5
L3
L7
6 7
T5 YY0 Q2 G3
M
M1
110kV / 10kV
M
T6 YYn0 L4 M2
Figura 3.3: Zona perturbadora para el nodo 8
Para generar zonas perturbadoras en el sistema colombiano, se implementa el procedimiento anterior en el siguiente algoritmo: 1. Se calcula la matriz de hundimientos en tensin VHT de acuerdo con la ecuacin 3.2. o o 2. De la matriz VHT se extraen los nodos de inters. e 3. Se buscan las columnas donde los valores de tensin en los nodos de inters son o e menores a 0.9 pu. 4. Con los nodos encontrados se genera una grilla de datos para generar contornos. 5. Con la ubicacin X,Y de las barras del sistema colombiano y los nodos encontrados, o se genera el contorno de la zona perturbadora. Debido a que los dems tipos de fallas son asimtricas (monofsica, bifsica y bifsica a e a a a a tierra), la matriz de hundimientos en tensin se calcula a partir de las matrices de o componentes simtricas. El resultado de esto son tres matrices de tensiones de secuencias e (+,- y 0), de las cuales se obtienen las tensiones V a, V b y V c de cada uno de los nodos. La matriz de hundimientos nal para cada uno de los tipos de falla, est compuesta por el a menor valor de tensin de las tres fases para cada uno de los nodos. o
58
59
Para el caso de fallas monofsicas tenemos que la matriz [DZ] y las matrices de secuencias a se calculan segn las ecuaciones 3.8 y 3.9. u (abs(diag(Z + Z() + Z(0) ) ). abs(diag(Z + Z() + Z(0) ) ) diag(Z + Z() + Z(0) ) V(+) = [1] Z[DZ]1 V() = Z() [DZ]1 V(0) = Z(0) [DZ]
1
DZ = meshgrid
(3.8)
(3.9)
Posteriormente, se calculan las tensiones de las fases y se halla la matriz de hundimientos segn las ecuaciones 3.10 y 3.11. u
Va = V(0) + V(+) + V() Vb = V(0) + V(+) (1 120o ) + V() (1120o ) Vc = V(0) + V(+) (1120 ) + V() (1 120 ) VHT = min(Va , Vb , Vc ) (3.11)
o o
(3.10)
Para el caso de fallas bifsicas la matriz [DZ] y las matrices de secuencias son calculadas a segn las ecuaciones 3.12 y 3.13. u (abs(diag(Z + Z() ) ). abs(diag(Z + Z() ) ) diag(Z + Z() ) V(+) = [1] Z[DZ]1 V() = Z() [DZ]1 V(0) = 0 (3.13)
DZ = meshgrid
(3.12)
Y nalmente para el caso de fallas bifsicas a tierra tenemos: a (diag(Z) + ((diag(Z() ). diag(Z(0) )) (diag(Z(0) ) + diag(Z() ))
DZ = meshgrid
(3.14)
59
V(+) = [1] Z [DZ]1 V() = Z() ([DZ]1 ) meshgrid V(0) = Z(0) ([DZ]1 ) meshgrid diag(Z) (diag(Z(0) ) + diag(Z() )) diag(Z() ) (diag(Z(0) ) + diag(Z() )) (3.15)
Para estos dos ultimos casos de fallas la matriz de hundimientos se calcula de igual manera que el caso monofsico a travs de las ecuaciones 3.10 y 3.11. a e El procedimiento descrito, es implementado para cada tipo de falla sobre el sistema colombiano, con el n de encontrar las zonas perturbadoras del sistema en las cuales ocurren fallas que afectan los nodos de inters para la ciudad de Bogot. Los nodos de e a inters dentro del sistema colombiano para observar los hundimientos en tensin son los e o siguientes:
11 Nodos del anillo 220kV que alimentan al sistema de Bogot. a 50 Nodos del sistema de 115kV relacionado con el sistema de Bogot. a 3 Nodos de 57,5kV barras modeladas dentro de Bogot. a 21 Nodos de 13,8kV barras de generacin. o 1 Barra generacin 6,9kV. o
Los Nombres de estos nodos de inters y su correspondiente nivel de tensin pueden verse e o en la tabla 3.1 y las zonas para cada tipo de fallas se muestran en las guras 3.4, 3.5 y 3.6.
60
61
Tabla 3.1: Barras de inters para deteccin zonas perturbadoras e o

Id barra 21 23 36 38 60 84 87 115 116 127 128 129 137 155 157 158 179 181 194 196 197 229 261 270 272 273 274 275 277 306 307 308 309 310 313 348 353 354 355 357 366 386 403 Barra aranjuez 115 autopista115 balsillas220 balsillas115 barzal bolivia115 bosa115 calle51 115 calle67 115 canoas115 caqueza115 carrera5 115 castellana115 charquitog1 chia115 chicala115 circo220 circo115 colegio115 con5 57.5 concordia115 el sol115 fontibon115 granada guaca220 guaca g1 guaca g2 guaca g3 guaca115 guavio g1 guavio g2 guavio g3 guavio g4 guavio g5 guavio220 la calera115 la juncag1 la paz115 la tintag1 laguneta115 limonar g1 mesa220 morato115 Tensin kV o 115 115 230 115 115 115 115 115 115 115 115 115 115 13,8 115 115 230 115 115 57,5 115 115 115 115 230 13,8 13,8 13,8 115 13,8 13,8 13,8 13,8 13,8 230 115 13,8 115 13,8 115 6,9 230 115 Id barra 404 405 406 407 415 417 433 434 471 472 473 474 521 544 574 578 582 589 633 635 647 648 649 663 671 677 682 683 684 685 694 696 714 715 725 726 727 736 751 752 753 754 755 Barra mosquera115 mua115 n mua3 115 n muzu115 noroeste220 noroeste115 ocoa ocoa g1 paraiso220 paraiso g1 paraiso g2 paraiso g3 reforma115 s.carlos eeb115 sal5 57.5 salitre115 salto1 115 san antoniog1 suba115 sur2 techo115 tenjo115 tequendamag1 termozipa115 tibabuyes115 tmosquera115 torca220 torca eeb115 torca ex115 torca isa115 tunal220 tunal115 usaquen115 usme115 ver5 57.5 veraguas115 victoria1 115 villavivencio220 zipaquira zipaquira g2 zipaquira g3 zipaquira g4 zipaquira g5 Tensin kV o 115 115 115 115 230 115 115 13,8 230 13,8 13,8 13,8 115 115 57,5 115 115 13,8 115 230 115 115 13,8 115 115 115 230 115 115 115 230 115 115 115 57,5 115 115 230 115 13,8 13,8 13,8 13,8
61
62
Figura 3.4: Zona perturbadora para fallas monofsicas a tierra. a
Figura 3.5: Zona perturbadora para fallas bifsicas y bifsicas a tierra. a a
Figura 3.6: Zona perturbadora para fallas trifsicas. a
. .
66
3.2. CARACTERIZACION DE VARIABLES ALEATORIAS
67
3.2.
Caracterizacin de variables aleatorias o
Una vez determinadas las zonas perturbadoras para cada tipo de falla, se deben caracterizar los parmetros de ocurrencia de las fallas que se van a simular. Los parmetros establecidos a a para esta investigacin son la ubicacin y el tipo de falla. La ubicacin de una falla es o o o considerada como una variable aleatoria ya que no es posible saber de manera determinista en qu lugar del sistema ocurrir una falla. De igual manera, cuando ocurre una falla no e a es posible saber si sta ser de tipo monofsico, bifsico o trifsico, por lo que el tipo de e a a a a falla tambin es considerado una variable aleatoria. Estas variables aleatorias se modelan e a partir de informacin estad o stica de fallas que ocurren en el sistema de transmisin y o distribucin. En las siguientes secciones se explica detalladamente como se realiza dicho o modelamiento.
3.2.1.
Ubicacin de la falla o
En las redes de distribucin constantemente ocurren fallas que ocasionan la operacin de o o las protecciones en los respectivos circuitos y generan hundimientos en tensin en varias o barras del sistema, dichas fallas generalmente ocurren ms en unos lugares que otros debido a a: Condiciones atmosfricas distintas en cada zona. e Niveles de exposicin diferentes a la humedad, intemperie, viento y animales. o Construccin topolgica de los circuitos (areo o subterrneo). o o e a Usuarios perturbadores ubicados en ciertos lugares del sistema. El modelamiento de la tendencia del lugar ocurrencia de las fallas es indispensable ya que esto afecta directamente las caracter sticas de los hundimientos en tensin vistos en cada o uno de los nodos del sistema. En caso de tener informacin detallada de cada linea o circuito, el modelo de la ubicacin de o o falla se puede obtener con la distribucin de frecuencias normalizada de fallas. Un ejemplo o del modelamiento se puede apreciar en [Romero M. 2006] en donde la informacin de fallas o que ocurren en una muestra de 22 circuitos de media tensin en las redes de CODENSA o ESP S.A entre 2002 y 2005, es analizada para caracterizar la ubicacin de falla en dichos o circuitos. Dicha informacin mostrada en la tabla 3.2, es normalizada dividiendo cada una o de las cantidades de falla entre el total de fallas de todos los circuitos. Al gracar la cantidad de fallas normalizada obtenemos la gura 3.9 donde podemos apreciar, por ejemplo, que es mucho ms probable que ocurra una falla en el circuito 5 que a en los dems circuitos. Con esta distribucin de frecuencias o distribucin de probabilidad a o o se tiene el criterio para generar fallas en la simulacin estocstica. o a
67
Tabla 3.2: Nmero de Fallas en circuitos de distribucin de ejemplo. u o

ID Circuito 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 No. Fallas 6 1 1 1 248 4 2 3 6 1 3 19 1 3 3 154 1 4 98 5 3 8 Fallas normalizadas 0,01 0 0 0 0,43 0,01 0 0,01 0,01 0 0,01 0,03 0 0,01 0,01 0,27 0 0,01 0,17 0,01 0,01 0,01
Probabilidad de ocurrencia de Falla
0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 1 2 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 ID del circuito
Figura 3.7: Distribucin de probabilidad Falla en ejemplo de 22 circuitos. o
De acuerdo con el nivel de detalle de la informacin de las fallas, se puede estimar la o resolucin de la ubicacin de stas. Por ejemplo, en la distribucin de la gura 3.7, aunque o o e o sabemos en cules circuitos ocurren ms fallas, no es posible determinar en qu parte del a a e circuito estn ocurriendo dichas fallas, por lo que, si no se cuenta con ms informacin, se a a o puede considerar que el circuito puede fallar en cualquier parte con igual probabilidad.
68
69
En otras ocasiones la informacin que se tiene de las fallas ocurridas es muy general, por o ejemplo, en muchos casos se tienen para lineas de transmisin la tasa esperada de fallas por o kilmetro al ao, asumiendo que todas las lineas se comportan estad o n sticamente igual, se puede establecer las fallas de cada linea segn su extensin. En otros casos se pueden tener u o estad sticas de fallas por niveles de tensin, por ejemplo se espera que en baja tensin o o ocurran ms eventos porque hay usuarios perturbadores y las lineas estn expuestas a a a muchas ms eventualidades. En alta tensin se esperan pocas fallas, la mayor debido a a o a condiciones atmosfricas. e En casos de tener informacin estad o stica general es necesario evaluar dicha informacin o con el n de adjudicar a cada tramo de inters una probabilidad de falla. Un ejemplo de e esto se explica en [Romero M. 2006], donde al no tener informacin detallada de fallas que o ocurren en las redes elctricas de la Universidad Nacional de Colombia (Bogot), se tom la e a o informacin generalizada de tasa de fallas en circuitos para redes de distribucin areas y o o e subterrneas de Bogot, mostrada en la tabla 3.3. a a Area e 386 436,622 0,884 Subterrnea a 36 77,176 0,466
Numero fallas Longitud (Km) Fallas/Km
Tabla 3.3: Tasa de falla segn la tipolog de linea. u a
Con la informacin de la tabla 3.3, la informacin de la extensin de cada tramo modelado o o o del circuito de la universidad y la topolog se hace la suposicin que los tramos se a, o comportan estad sticamente igual segn lo indicado en la tabla 3.3, es decir, que los circuitos u de la Universidad Nacional se comportan generalmente como lo har cualquier circuito de a la ciudad, por lo que para cada uno de los 33 tramos (areos y subterrneos) se puede e a calcular una tasa de falla cuyo resultado es mostrado en la gura 3.8.
0.07
0.06
0.05 Probabilidad de Falla
0.04
0.03
0.02
0.01
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 Tramo donde ocurre la falla
Figura 3.8: Probabilidad de Falla en tramos de la Universidad Nacional.
69
El resultado del modelamiento del lugar de ocurrencia de fallas es una distribucin de o probabilidad que indica dnde y qu tan frecuente pueden ocurrir fallas en algn sitio o e u espec co del sistema. Para modelar la ocurrencia de fallas en la zona perturbadora identicada en secciones anteriores, se necesita informacin estad o stica de fallas en lineas del sistema colombiano, que incluyen los niveles de tensin 115kV 220kV y 500kV, tal como o se muestra en las grcas de zonas perturbadoras. Dicha informacin no estuvo disponible a o durante la elaboracin de este trabajo por lo que en este documento asumiremos una o distribucin de ocurrencia de falla uniforme, resaltando que la metodolog propuesta se o a puede aplicar a cualquier distribucin encontrada posteriormente. o
3.2.2.
Tipo de falla
Las fallas que ocurren en el sistema pueden ser de tipo monofsico, bifsico, bifsico a a a a tierra o trifsico. El modelamiento del tipo de falla consiste en encontrar la distribucin a o de probabilidad que indica qu tan posible es que la ocurrencia de una falla sea de uno u e otro tipo. Para encontrar la distribucin que caracteriza el tipo de falla se hace un anlisis o a de acuerdo a la calidad y el detalle de la informacin de las fallas. o En un primer caso, es posible contar con registros de tipo de falla por parte de los operadores de red, stos se pueden contabilizar de tal manera que se encuentre el nmero de eventos e u por cada tipo de falla y posteriormente normalizar cada uno de los valores de la misma manera que en la seccin anterior. El resultado de esto ser una distribucin discreta de o a o tres o cuatro posibles estados indicando la probabilidad de ocurrencia de cada uno de estos. En general en la literatura se encuentra que en los circuitos de distribucin las fallas o monofsicas son las ms probables , les siguen bifsicas y posteriormente trifsicas. a a a a Es importante tener en cuenta que la distribucin del tipo de falla hallada representa o el comportamiento de la variable para todos los circuitos modelados. Sin embargo, es posible realizar una representacin ms detallada del tipo de falla, haciendo que para cada o a linea se tenga una distribucin de probabilidad distinta. En ese caso se pueden realizar o simulaciones de montecarlo con variables dependientes (algoritmo Gibbs) explicado en [Romero M. 2006]. Esto implica un trabajo ms elaborado por lo que es necesario vericar a si el detalle y la cantidad de informacin, y las diferencias entre distribuciones ameritan la o realizacin de un trabajo tan detallado. o En un segundo caso, la informacin del tipo de falla no se encuentra reportada o directamente. En este caso los operadores de red tienen clasicados los eventos que ocurren en las redes con el n de llevar estad sticas de operacin y mantenimiento entre otros. Por o ejemplo, en CODENSA ESP. S.A estos eventos son clasicados en 62 diferentes tipos de causas segn [Duarte O. 2005], registrando informacin puntual del suceso f u o sico pero no del tipo de falla que se gener. o Con la informacin anterior no es posible inferir de manera directa el tipo de falla ocurrido, o 70
71
sin embargo, si podemos estimar de manera estocstica qu probabilidad de falla hay para a e cada una de las causas. Para realizar sto, en [Romero M. 2006] se propone una clasicacin e o de las causas de las fallas como se indica en la tabla 3.4. N mero u 1 2 3 4 5 6 7 8 9 Causa Vandalismo Arboles Falla Equipos Accidentes No Determinada Viento Otros Falla Infraestructura Descargas
Tabla 3.4: Clasicacin de las causas de fallas o
Una vez que los eventos son clasicados en cada tipo de causa, se debe estimar cul es el tipo a de falla para cada causa, sin embargo, una causa no ocasiona siempre el mismo tipo de fallas, por lo que la asignacin del tipo de falla se puede lograr a travs de estimacin estocstica. o e o a Un ejemplo de sto se puede ver en [Reyes D. 2005] en donde se estim estocsticamente e o a el tipo de falla para cada causa obteniendo la tabla 3.5. Tipo de Falla Monofsica Bifsica Trifsica a a a 0,79 0 0,21 0,08 0,9 0,02 0,33 0,33 0,33 0,85 0,1 0,05 0,45 0,45 0,1 0,83 0,15 0,02 0,33 0,33 0,33 0,85 0,1 0,05
Causa Descargas Viento Accidentes Falla Infraestructura Animales Arboles Vandalismo Fallas Equipos
Tabla 3.5: Probabilidad de ocurrencia de una falla segn la causa. u
Con la tabla 3.5 se puede estimar de manera estocstica el tipo de falla para cada evento a ocurrido en el sistema. De esta manera se tiene completa la informacin para hallar la o tendencia general del tipo de falla en los circuitos evaluados. El resultado de este anlisis a es la distribucin del tipo de falla tal como se muestra en la tabla 3.6 y en la gura 3.9 o donde el tipo de falla para los 22 circuitos de baja tensin obtenido de [Romero M. 2006]. o
71
Tabla 3.6: Distribucin del tipo de falla o
Tipo falla Monofsica a Bifsica a Trifsica a TOTAL

0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
Nmero de u 321 112 73 506
TOTAL fallas Probabilidad de ocurrencia 0,634 0,221 0,144 1,000
Pobabilidad Tipo Falla
2 Tipo de Falla
Figura 3.9: Probabilidad de tipo de Falla en 22 circuitos de baja tensin. o
Otra posibilidad para realizar el modelamiento de las fallas es usar la causa como una variable aleatoria con lo cual se tendr 3 distribuciones de probabilidad, el lugar de la an falla, la causa de la falla y el tipo de falla, las cuales pueden simularse a travs de algoritmos e de montecarlo mencionados anteriormente. Finalmente, debido a la falta de informacin o y a los problemas sealados al inicio de este cap n tulo, en este documento se modelar el a tipo de falla en los circuitos de 220kV y 115kV con una distribucin uniforme, sin embargo o para la metodolog planteada las interpretaciones de los resultados siguen siendo vlidas. a a
3.3.
Generacin de fallas en zonas perturbadoras o
Una vez se tienen las distribuciones de probabilidad que modelan las variables aleatorias del lugar de la falla y tipo de falla, se procede a generar los valores aleatorios de dichas distribuciones de tal manera que stos sean estad e sticamente similares a las distribuciones encontradas. Para generar valores aleatorios de una variable cualquiera modelada por una distribucin de o probabilidad, se debe calcular el valor normalizado y el valor acumulado de la distribucin. o Como ejemplo podemos ver que para la distribucin del tipo de falla mostrada en la gura o 3.9 se tienen los valores normalizados y acumulados mostrados en la tabla 3.7. 72
3.3. GENERACION DE FALLAS EN ZONAS PERTURBADORAS
73
Tabla 3.7: Valor acumulado del tipo de falla
Tipo falla Monofsica a Bifsica a Trifsica a
TOTAL Valor Normalizado 0,634 0,221 0,144
Valor Acumulado 0,634 0,855 1,000
Ahora con un software se generan nmeros aleatorios entre 0 y 1 usando el valor acumulado u de la tabla anterior para asignar el tipo de falla, tal como se muestra a continuacin. o Si el nmero aleatorio generado est entre 0 y 0,634 se asigna un valor de falla u a monofsica. a Si el nmero aleatorio generado est entre 0,635 y 0,855 se asigna un valor de falla u a bifsica. a Si el nmero aleatorio generado est entre 0,855 y 1 se asigna un valor de falla u a trifsica. a Al hacer un nmero de muestras sucientemente grande, se lograr que stas sean u a e estad sticamente similares a la distribucin modelada. Se puede vericar si la cantidad o de muestras es suciente si las pruebas estad sticas explicadas posteriormente resultan satisfactorias. El resultado de la generacin de nmeros aleatorios para el tipo de falla es o u entonces un vector de valores de dicha variable aleatoria tal como se muestra en la tabla 3.8.
Tabla 3.8: Generacin estocstica de valores de tipo de falla o a
Muestra 1 2 3 4 5 6 7 8 9 10
N. Aleatorio 0,043 0,508 0,044 0,139 0,751 0,584 0,482 0,914 0,261 0,785
Tipo de Falla Monofsica a Monofsica a Monofsica a Monofsica a Bifsica a Monofsica a Monofsica a trifsica a Monofsica a Bifsica a
El proceso anterior se aplica a todas las variables aleatorias con el n de realizar la simulacin estocstica de fallas. El algoritmo completo aplicado a las zonas perturbadoras o a del sistema colombiano se explica detalladamente a continuacin. o 73
1. Se genera una ubicacin de falla a partir de la distribucin uniforme de ubicacin. o o o Con esto se obtiene en cul de las lineas de la zona perturbadora ocurrir una falla. a a 2. Se genera un valor de Porcentaje de linea. Para estimar en qu tramo ocurrir la falla, e a la linea se divide en 10 tramos y el nmero aleatorio indica en cul de los tramos u a ocurrir la falla. a 3. Generacin de tipo de falla. Por medio de la distribucin de tipo de falla, se estima o o cul es el tipo de falla que ocurrir. a a 4. Ir la paso 1, o nalizar si se alcanz el mximo de simulaciones. o a
El resultado de este proceso es la tabla 3.9 que son los datos de entrada para el simulador de fallas diseado en secciones anteriores. n
Tabla 3.9: Muestra de datos de entrada para simulacin de fallas o
Tramo 15 16 17 18 28 28 28 28 28 28 28
% tramo 100 100 100 100 0 10 20 30 40 50 60
Tipo falla 1 1 1 1 1 1 1 1 1 1 1
Para asegurar que las muestras obtenidas son estad sticamente idnticas a las distribuciones e de entrada, se pueden aplicar criterios como la prueba sobre la media, varianza o jicuadrado, o aplicar otras pruebas ms estrictas como la de kolmogorov y smirnov las a cuales son explicadas detalladamente en [Romero M. 2006]. Con los datos anteriores se realiza la simulacin de cada una de las fallas obteniendo o como resultado una matriz de voltajes en cada uno de los nodos de inters. Esta matriz es e procesada para extraer los valores de tensin que se encuentran en el rango de hundimientos o en tensin y son analizados estad o sticamente en la siguiente seccin. o
74
3.4. DESARROLLO DE ALGORITMOS PARA GENERACION DE CONTORNOS ISO-PROFUNDIDAD
75
3.4.
Desarrollo de algoritmos para generacin de contornos o iso-profundidad
Parte de los objetivos de este trabajo es desarrollar una propuesta de visualizacin para o los indicadores calculados. Esta propuesta consiste en visualizar de manera grca la a informacin de hundimientos en tensin en un mapa geogrco o unilar por medio de o o a contornos. Estos contornos ayudarn a identicar cul es la distribucin de zonas cr a a o ticas en el sistema. Con el n de generar dichos contornos se realiza el siguiente procedimiento:
1. Cargar los ndices de hundimientos para cada uno de los nodos. Para este caso, consiste en realizar una consulta desde MATLAB a una base de datos,2 donde se encuentra toda la informacin de hundimientos simulados. A travs de la consulta se o e puede calcular el correspondiente indicador que se quiere visualizar para cada uno de los nodos. 2. Cargar la informacin del mapa y coordenadas (x,y) de cada uno de los nodos. Es o necesario tener un mapa geogrco o un plano unilar en formato de SVG el cual a permite agregar informacin de texto plano de forma directa. Adems se carga la o a informacin de las coordenadas (x,y) de cada nodo dando su ubicacin dentro del o o mapa. Estas coordenadas estn denidas en pixeles y son precalculadas del mapa del a sistema. 3. A cada dato de ubicacin de nodo (x,y) se le asigna el indicador correspondiente. o La tabla 3.10 muestra un ejemplo de la informacin del o ndice de hundimientos y las coordenadas de cada nodo.
Tabla 3.10: Ejemplo de informacin calculada para generacin de contornos. o o
Nodo 21 23 36 38 60
Coordenada X 3824 3670 2952 2919 3117
Coordenada Y 4274 4298 4076 4126 4351
Indice (profundidad) 0,45 0,56 0,23 0,44 0,39
4. Se calcula el rango de los indicadores de todos los nodos y ste se divide en 10 e

Debido a la gran cantidad de datos simulados, se implement una base de datos en MYSQL con el n o de optimizar el manejo de la informacin y reducir tiempos de clculos. o a
2
75
partes con el n de crear 10 contornos distintos cada uno relacionado con un valor de profundidad del hundimiento. 5. Se genera un matriz de coordenadas (x,y) la cual servir para completar informacin a o de zonas que no hacen referencia a nodos del sistema. Posteriormente, se calculan los datos de profundidad para todas las coordenadas (x,y) por medio de mtodos de e triangulacin y pol o gonos impl citos en las funciones de matlab. 6. se calculan el vector de contornos para la matriz anterior. El resultado es la grca a 3.10 y N vectores con la informacin de cada uno de los contornos. o
5600
0.34
5400
24 0 0 0. 5 .22 2 5 84 55 9 2
0.191
3
0.2 696
0.2 98 7
0.2987
5200
3 0.313 0. 32
0.2259 0.2405 55 0.2 0.2842
0.1913 0.2696 0.3133 0.3 0.2987 279 0.2842

0.255 0.2696
0.32
0.
2 9 0.25 5 0.255 0 24 0.2842
0.3
0.
79
27
0.19
0.3
0.2
5000
279 0.3.3133 0
0.3
13 3 0.32
13
0.31
33
0.2696
0. 29 87
87
0.2987
0.1913
0.2696
0.3
4800
13
0.
29
0.32
79
0.3
42
0.24 0.225 9 05 0.255
0.3279
79
0.2842
0.313 3
0.28
0.2842
4600
0.3
42
0.26
59 0.22 5 0.240 0.255
0.34
0.2987
4400
79
31 33
0.26 0.2842 96
4200
42 0.2 98 0.26 7 96
0.
0.31
24
0. 32 79
0.28
0.2405 0.255 0.19 0.2259 13
33
0.1913
0.32
4000
0. 0.2405 255 9 0.225 0.1913
0.3 27 9 0.2842 0.2987 0.269 6
0. 34 24
0.24
0.3133
0.24 0.2259 05 0.1913
0. 25 5
9 0.225 5 0.240
0.22
0.2 3800 2500 3000 3500 4000 4500
Figura 3.10: Contornos generados para valores de profundidad promedio de hundimientos.
7. Se calcula el nivel del cada uno de los contornos con lo cual se puede denir cules a de stos son encerrados por otros. Este paso es muy importante para generar zonas e y dibujar los contornos sobre el mapa del sistema. 8. Dependiendo de cules contornos son encerrados por otros, se recalculan las a coordenadas de cada contorno y se generan instrucciones en formato SVG para construir las diferentes zonas. Esta informacin se procesa con el texto plano en o formato SVG del mapa del sistema. El resultado nal ser una grca de contornos a a como en la gura 3.11.
76
3.4. DESARROLLO DE ALGORITMOS PARA GENERACION DE CONTORNOS ISO-PROFUNDIDAD
77
Figura 3.11: Contornos de profundidad promedio de hundimientos sobre diagrama unilar.
77
La grca 3.11 muestra cul es la profundidad promedio de los hundimientos que ocurren a a en cada uno de los nodos. La barra izquierda indica el color correspondiente al nivel de profundidad promedio de los hundimientos de tensin con lo cual podemos observar que o los nodos en zonas color rojo tienen los hundimientos ms cr a ticos y los nodos en zonas azules son los menos perjudicados. El algoritmo anterior se programa en matlab como una funcin de tal manera que se pueden o generar mapas de manera fcil y sistemtica. Posteriormente este algoritmo ser modicado a a a para generar contornos en un mapa geogrco usando herramientas de visualizacin como a o GoogleMaps3 .
3.5.
Anlisis estad a stico de hundimientos
Para observar cmo es la profundidad de los hundimientos debido a las fallas ocurridas en o el sistema de 220kV y 115kV, se analizarn los hundimientos obtenidos en la simulacin a o estocstica. Para este anlisis, en primer lugar se deben cambiar los valores de tensin de a a o los hundimientos de la simulacin por valores de profundidad, lo cual segn la gura 1.2 o u en el cap tulo 1, corresponde a restar de 1pu el valor de tensin del hundimiento. Esto se o hace con el nimo de evitar confusiones en la interpretacin de los indicadores calculados, a o logrando una correspondencia entre el valor del indicador y el nivel de gravedad, es decir, que entre ms grande sea el valor del indicador ste es considerado ms cr a e a tico. Para el actual caso, la interpretacin implica que entre ms grande es el valor de la profundidad, o a ms cr a tico es el indicador. Una vez que se calculan las profundidades, se excluyen los datos que no son considerados hundimientos en tensin (generalmente son datos de variacin de tensin menor al 10 %). o o o Posteriormente, los datos se agrupan por niveles de tensin, por nodos o por tipo de o falla, para calcular los distintos indicadores estad sticos. En este anlisis, los indicadores a estad sticos propuestos son el Mximo, Percentil 95, Percentil 50 y promedio, los cuales a son generalmente utilizados en evaluacin de calidad de potencia y adems permiten o a caracterizar de manera detallada el comportamiento de los hundimientos en tensin. Estos o indicadores se calculan para los hundimientos de las correspondientes tres fases de cada nodo. Para visualizar los indicadores mencionados se utilizarn las siguientes opciones: a
Distribuciones de frecuencia. Por medio de las distribuciones de frecuencia se puede visualizar la distribucin de los datos, observando las posibles tendencias de la o profundidad.
GoogleMaps es una herramienta de Google la cual ofrece una plataforma para generar y modicar todo tipo de grcos sobre mapas geo-referenciados a
3
78
3.5. ANALISIS ESTAD ISTICO DE HUNDIMIENTOS
79
Tablas de ndices. A travs de las tablas se pueden evaluar comparativamente los e distintos indicadores calculados para cada grupo de datos. Mapas de iso-profundidad. Por medio de contornos de igual profundidad se pueden identicar qu zonas son cr e ticas para cada tipo de fallas. Top de nodos cr ticos y nodos robustos. Esta tablas muestran cuales son los nodos que son ms afectados por las fallas que ocurren en el sistema, as como los nodos a que son ms robustos. a En la siguiente seccin se muestran los resultados de la simulacin estocstica planteada. o o a El anlisis realizado est dividido en tres partes: a a Primero se analizarn los hundimientos ocasionados por todas las fallas en el sistema, a luego, se analizarn los indicadores de hundimientos en tensin ocasionados por fallas a o discriminadas por el nivel de tensin donde ocurren. o Por ultimo se analizarn los indicadores de hundimientos en tensin discriminados a o por tipo de falla.
3.5.1.
Caracterizacin de hundimientos por todo tipo de fallas o
En un primer caso, se analizan todas las fallas simuladas en las redes de 220kV y 115kV. Los hundimientos en tensin de todos los nodos son caracterizados mediante la distribucin o o de frecuencias de la gura 3.12. De la gura 3.12 podemos observar que la profundidad de la mayor de los hundimientos a ocasionados por fallas en 115kV y 220kV est concentrada entre 0.1 y 0,5. Slo algunos a o hundimientos tienen profundidad mayor a 0.5. Vemos que entre mayor sea la profundidad de los hundimientos, menor es su probabilidad de ocurrencia. Lo anterior se puede observar de manera ms detallada en la tabla 3.11, en la cual, se calculan los indicadores estad a sticos de mximo, percentil 95, 50 y promedio, discriminados por el nivel de tensin donde se a o observan los hundimientos en tensin. o
Tabla 3.11: Hundimientos de tensin debido a fallas en 220kV y 115kV o

Indicador Maximo Percentil 95 Percentil 50 Promedio Todos 1,000 0,575 0,248 0,302 Profundidad de sags seg n Nivel tensin observado u o 220kV (11) 115kV(50) 57,5kV (3) 13,8kV (21) 6,9kV (1) 1,000 1,000 1,000 0,900 0,896 0,515 0,598 0,665 0,480 0,559 0,232 0,284 0,259 0,199 0,249 0,271 0,327 0,344 0,245 0,311
De la tabla 3.11 podemos observar: 79
12
x 10
10
Cantidad de Hundimientos
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Profundidad del Hundimiento
Figura 3.12: Profundidad Hundimientos por fallas en 220kV y 115kV
1. La mayor (95 %) de los hundimientos observados en todos los nodos tienen una a profundidad a lo sumo de 0,575. Este valor var entre 0,480 y 0,665 si se observa en a cada nivel de tensin . o 2. De acuerdo con todos los indicadores, los nodos menos afectados son los de nivel de tensin 13,8kV que corresponden a los nodos de generacin. El 95 % de los o o hundimientos en este nivel de tensin tienen una profundidad de a lo sumo 0,480. o 3. De acuerdo al indicador percentil 95, el nivel de tensin ms afectado por las fallas es o a el de 57,5kV con una profundidad de 0,665. El indicador promedio indica lo mismo. Es importante tener en cuenta la cantidad de nodos que existe en cada nivel de tensin o la cual est indicada en parntesis al lado del nivel de tensin en la tabla 3.11, con esto a e o podemos vericar en cuntos nodos se observa la caracter a stica de los hundimientos de cada nivel de tensin. o Para observar la profundidad de los hundimientos en cada uno de los nodos de inters, se e calcula el percentil 95 de las profundidades de los hundimientos en tensin en cada uno o de los nodos, entonces, utilizando el algoritmo descrito en la seccin anterior se genera la o grca iso-profundidad 3.13. a En la grca 3.13, se observan los nodos de inters encerrados por contornos cuyos colores a e indican cul es la profundidad del 95 % de los hundimientos para dicho nodo. En el mapa a observamos que los nodos de generacin que se encuentran unidos al anillo de 220kV son los o menos afectados. Los nodos ms afectados se encuentran en la zona central en los niveles a de tensin 115kV y 57,5kV. o 80
81
Figura 3.13: Mapa de hundimientos en tensin debido fallas en 220kV y 115kV o
81
Con el n de evaluar cmo es el impacto de las fallas con respecto a profundidad de los o hundimientos en tensin generados en cada uno de los nodos de inters, se obtienen las o e tablas 3.12 y 3.13.
Tabla 3.12: Nodos ms afectados por fallas en 220kV y 115kV a

Nodo 725 727 544 714 23 348 726 116 137 407 Nombre VER5 57.5 VICTORIA1 115 S.CARLOS USAQUEN115 AUTOPISTA115 LA CALERA115 VERAGUAS115 CALLE67 115 CASTELLANA115 MUZU115 Profundidad 0,72 0,71 0,68 0,68 0,67 0,67 0,67 0,66 0,66 0,66
De la tabla 3.12 podemos ver que en general los nodos ms afectados tienen profundidades a de hundimientos en tensin entre 0,66 y 0,72, siendo el nodo de Veraguas 57,5kV el o ms afectado. Tambin podemos observar que los nodos ms afectados se encuentran a e a concentrados en la parte central derecha del mapa del sistema de distribucin, en la gura o 3.13.
Tabla 3.13: Nodos menos afectados por fallas en 220kV y115kV

Nodo 752 306 307 308 309 310 313 434 353 355 Nombre ZIPAQUIRA G2 GUAVIO G1 GUAVIO G2 GUAVIO G3 GUAVIO G4 GUAVIO G5 GUAVIO220 OCOA G1 LA JUNCAG1 LA TINTAG1 Profundidad 0,39 0,4 0,4 0,4 0,4 0,4 0,44 0,44 0,46 0,46
En la tabla 3.13 se observa que los nodos menos afectados son en general de 13,8kV y corresponden a los nodos de generacin unidos al anillo de 220kV. Estos nodos estn o a distribuidos en la parte exterior del anillo mostrado en la grca 3.13. El nodo menos a afectado es una unidad de generacin colgada al sistema de 220kV mediante la barra de o Termozipa.
82
83
3.5.2.
Caracterizacin de hundimientos por nivel de tensin de las fallas o o
A continuacin, se observan de manera separada las distribuciones de frecuencia de los o hundimientos en todos los nodos, de acuerdo al nivel de tensin donde ocurrieron las o fallas. Es decir, se establece un anlisis para los hundimientos en tensin debido a fallas a o en 220kV y otro para hundimientos en tensin debido a fallas en 115kV. El resultado se o observa en la gura 3.14.
4.5 4 3.5 x 10
4
3 2.5 2 1.5 1 0.5 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

4
x 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 3.14: Profundidad Hundimientos por fallas en 220kV(arriba) y 115kV(abajo)
En la gura 3.14, podemos ver que la mayor de los hundimientos en tensin causados por a o fallas en 220kV se encuentran entre 0,1 y 0,5 lo que no es muy distinto a los ocasionados por fallas en 115kV. Sin embargo, la distribucin de la profundidad de los hundimientos o 83
ocasionados por fallas en 115kV es ms homognea que la de hundimientos de 220kV. a e
Tabla 3.14: Hundimientos de tensin debido a fallas en 220kV o

Indicador Mximo a Percentil 95 Percentil 50 Promedio Todos 1,000 0,506 0,296 0,271 Profundidad de sags seg n Nivel tensin observado u o 220kV (11) 115kV(50) 57,5kV (3) 13,8kV (21) 6,9kV (1) 1,000 0,768 0,611 0,883 0,428 0,698 0,465 0,450 0,644 0,393 0,271 0,339 0,352 0,221 0,326 0,304 0,268 0,268 0,256 0,233
Tabla 3.15: Hundimientos de tensin debido a fallas en 115kV o

Indicador Mximo a Percentil 95 Percentil 50 Promedio Todos 1,000 0,600 0,256 0,316 Profundidad de sags seg n Nivel tensin observado u o 220kV (11) 115kV(50) 57,5kV (3) 13,8kV (21) 6,9kV (1) 0,684 1,000 1,000 0,900 0,896 0,424 0,653 0,736 0,449 0,580 0,272 0,273 0,283 0,210 0,235 0,256 0,352 0,375 0,240 0,341
Al observar las tablas 3.14 y 3.15 podemos ver que: 1. La mayor (95 %) de los hundimientos en tensin ocasionados por fallas en a o 115kV tienen profundidad de 0,6 lo cual es ms cr a tico que la profundidad de los hundimientos por fallas en 220kV que corresponde 0,506. 2. Las fallas que ocurren en 115kV afectan en mayor medida a las barras de 57,5kV con hundimientos de tensin a lo sumo de 0,736 de profundidad. o 3. El nivel de tensin menos afectado por fallas que ocurren en 115kV es el de 220kV o con profundidades de 0,424 (percentil95) seguido del de 13,8kV con profundidades de 4,49. 4. Segn el indicador percentil 95, las fallas que ocurren en 220kV afectan en mayor u medida a las barras de 220kV con profundidad mxima de 0,698. a 5. El nivel de tensin menos afectado por fallas que ocurren en 220kV es el de 6,9kV o seguido por 57,5kV con 0,450. 6. Los nodos de 220kV son ms afectados por las fallas que ocurren en 220kV. a 7. Los nodos de 115kV son ms afectados por las fallas que ocurren en 115kV. a 8. Los nodos de 57,5kV son ms afectados por las fallas que ocurren en 115kV. a 9. Los nodos de 13,8kV son ms afectados por las fallas que ocurren en 220kV. a 10. Los nodos de 6,9kV son ms afectados por las fallas que ocurren en 115kV. a 84
85
Figura 3.15: Mapa de hundimientos debido fallas en 220kV
85
De acuerdo con la gura 3.15 Los nodos ms afectados por las fallas que ocurren en 220kV a son los nodos que se encuentran en el anillo de 220kV y los nodos generadores unidos a ese anillo. En general los nodos ms afectados estn en la parte izquierda del mapa del a a sistema, sin embargo, todos los nodos de 220kV son afectados.
Tabla 3.16: Nodos ms afectados por fallas en 220kV a

Nodo 272 471 386 273 274 275 472 473 474 313 Nombres GUACA220 PARAISO220 MESA220 GUACA G1 GUACA G2 GUACA G3 PARAISO G1 PARAISO G2 PARAISO G3 GUAVIO220 Profundidad 0,88 0,86 0,84 0,8 0,8 0,8 0,74 0,74 0,74 0,7
Segn la tabla 3.16, los nodos ms afectados pertenecen a los niveles de tensin 220kV y u a o 13,8kV, los cuales son el anillo de transmisin y los nodos de generacin unidos a ste. El o o e nodo ms afectado es Guaca de 220kV con hundimientos en tensin de 0,88. a o
Tabla 3.17: Nodos menos afectados por fallas en 220kV

Nodo 752 753 754 755 649 589 663 155 157 229 Nombres ZIPAQUIRA G2 ZIPAQUIRA G3 ZIPAQUIRA G4 ZIPAQUIRA G5 TEQUENDAMAG1 SAN ANTONIOG1 TERMOZIPA115 CHARQUITOG1 CHIA115 EL SOL115 Profundidad 0,24 0,29 0,29 0,29 0,35 0,36 0,36 0,37 0,37 0,37
Segn la tabla 3.17, los nodos menos afectados pertenecen a los niveles de tensin 13,8kV, u o los cuales son los nodos de generacin unidos al sistema de 115kV. El nodo menos afectado o es el nodo de generacin de Zipaquir con hundimientos en tensin de 0,24. o a o
86
87
Figura 3.16: Mapa de hundimientos debido fallas en 115kV
87
En la gura 3.16 observamos que los nodos ms afectados se encuentran en la zona central a derecha, abarcando en mayor parte nodos de 115kV y un nodo de 57,5kV. Es importante notar que los nodos afectados se encuentran concentrados en una zona. Los nodos menos afectados son los del anillo de 220kV y los nodos generadores unidos a dicho anillo. Esto implica que las fallas que ocurren en 115kV afectan en menor medida a los nodos aguas arriba en 220kV.
Tabla 3.18: Nodos ms afectados por fallas en 115kV a

Nodo 727 726 725 714 544 407 348 129 23 21 Nombres VICTORIA1 115 VERAGUAS115 VER5 57.5 USAQUEN115 S.CARLOS EEB115 MUZU115 LA CALERA115 CARRERA5 115 AUTOPISTA115 ARANJUEZ 115 Profundidad 0,76 0,74 0,79 0,71 0,73 0,74 0,73 0,75 0,74 0,72
Segn la tabla 3.18, los nodos ms afectados pertenecen a los niveles de tensin 115kV y u a o 57,5kV. El nodo ms afectado es Victoria1 de 115kV con hundimientos en tensin de 0,76. a o
Tabla 3.19: Nodos menos afectados por fallas en 115kV

Nodo 306 307 308 309 310 273 274 275 472 473 Nombres GUAVIO G1 GUAVIO G2 GUAVIO G3 GUAVIO G4 GUAVIO G5 GUACA G1 GUACA G2 GUACA G3 PARAISO G1 PARAISO G2 Profundidad 0,28 0,28 0,28 0,28 0,28 0,29 0,29 0,29 0,29 0,29
Segn la tabla 3.19 los nodos menos afectados por fallas que ocurren en 115kV son los u nodos de generacin unidos al anillo de 220kV. Los nodos ms robustos pertenecen a o a Guavio 13,8kV con hundimientos en tensin de 0,28. o
88
89
3.5.3.
Caracterizacin de hundimientos por tipo de falla o
Ahora el anlisis se centrar en las diferencias de los hundimientos en tensin generados a a o por distintos tipos de falla. Para esto se ltran los hundimientos en tensin segn el o u tipo de falla que los gener, monofsicas, bifsicas, trifsicas y bifsicas a tierra. luego se o a a a a calculan los indicadores para cada grupo de manera separada. A continuacin se observan o las distribuciones de frecuencia de la profundidad de los hundimientos en tensin obtenidos o para cada tipo de falla.
3.5
x 10
2.5
1.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 3.17: Profundidad Hundimientos por fallas monofsicas a
x 10
2.5
1.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Profundidad del Hundimientos
Figura 3.18: Profundidad Hundimientos por fallas bifsicas a
89
2.5
x 10
1.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 3.19: Profundidad Hundimientos por fallas trifsicas a
2.5
x 10
1.5
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 3.20: Profundidad Hundimientos por fallas bifsicas a tierra a
90
91
De las grcas 3.17, 3.18, 3.19 y 3.20 podemos ver que: a 1. Las fallas monofsicas producen hundimientos en tensin con profundidades de entre a o 0,1 y 0,5. Entre mayor es la profundidad del hundimiento, menor es la ocurrencia de este. 2. Las fallas bifsicas producen hundimientos en tensin con profundidades de entre 0,1 a o y 0,5. La distribucin de las profundidades es mucho ms homognea que los dems o a e a tipos de fallas. 3. Las fallas trifsicas producen hundimientos en tensin con profundidades de entre a o 0,1 y 0,9. 4. Las fallas bifsicas a tierra producen hundimientos en tensin con profundidades de a o entre 0,1 y 0,9. Sin embargo la distribucin de las profundidades es distinta que la o de las fallas trifsicas. a En la tabla 3.20 se observa de manera comparativa los indicadores para los hundimientos en tensin ocasionados por cada tipo de falla. o
Tabla 3.20: Percentil 95 de hundimientos de tensin por tipo de falla o

Percentil 95 todas monofasicas bifasicas trifasicas bif-tierra Todos 0,575 0,525 0,495 0,653 0,621 Profundidad de sags seg n Nivel tensin observado u o 220kV (11) 115kV(50) 57,5kV (3) 13,8kV (21) 6,9kV (1) 0,515 0,598 0,665 0,480 0,559 0,542 0,587 0,391 0,324 0,348 0,469 0,489 0,732 0,526 0,585 0,577 0,684 0,724 0,502 0,571 0,563 0,642 0,707 0,490 0,558
Segn la tabla 3.20 las fallas monofsicas afectan en mayor medida a los nodos de 115kV u a con profundidades de 0,587. Por otro lado, las fallas bifsicas, trifsicas y bifsicas a tierra a a a afectan en mayor media a los nodos de 57,5kV con profundidades cercanas a 0,7. Los nodos de niveles de tensin 220kV, 115kV y 57,5kV son afectados en mayor medida o por las fallas trifsicas. Los nodos de 13,8kV y 6,9kV son afectados en mayor medida por a fallas bifsicas. a
91
Figura 3.21: Mapa de hundimientos debido fallas monofsicas a
92
93
Figura 3.22: Mapa de hundimientos debido fallas bifsicas a
93
Figura 3.23: Mapa de hundimientos debido fallas trifsicas a
94
95
Figura 3.24: Mapa de hundimientos debido fallas bifsicas a tierra a
95
De las grcas 3.24, 3.23, 3.22 y 3.21 podemos observar que: a
1. Las fallas monofsicas afectan los nodos de 220kV en la parte izquierda del sistema a y los nodos de 115 en la parte central derecha. Los nodos ms afectados tienen a profundidades entre 0.68 y 0,76. 2. Las fallas bifsicas afectan en mayor parte a los nodos de 57,5kV con profundidades a entre 0,65 y 0,8. El resto de los nodos tienen profundidades similares cercanas a 0,4. 3. Las fallas trifsicas afectan en mayor parte a los nodos de 115kV en la parte central a derecha del mapa del sistema, con profundidades entre 0.72 y 0,79. 4. Las fallas bifsicas afectan en mayor parte a los nodos de 115kV y 57,5kV en la parte a central derecha del mapa del sistema, con profundidades entre 0.71 y 0,89. Finalmente, la tabla 3.21 muestra el indicador percentil 95 discriminado por lugar de ocurrencia de las fallas y por tipo de fallas.
Tabla 3.21: Indicadores de hundimientos por ubicacin y tipo de falla o
Percentil 95 Mono 220kV Bi 220kV Tri 220kV Bit 220kV Mono 115kV Bi 115kV Tri 115kV Bit 115kV Todos 0,470 0,484 0,553 0,547 0,553 0,498 0,679 0,643 Profundidad de sags seg n Nivel tensin observado u o 220kV (11) 115kV(50) 57,5kV (3) 13,8kV (21) 6,9kV (1) 0,801 0,406 0,348 0,474 0,321 0,506 0,467 0,466 0,719 0,413 0,827 0,471 0,445 0,714 0,387 0,786 0,481 0,435 0,696 0,378 0,368 0,659 0,409 0,289 0,355 0,411 0,495 0,799 0,497 0,612 0,445 0,735 0,793 0,462 0,598 0,445 0,702 0,776 0,450 0,585
De la anterior tabla podemos observar que: 1. Los nodos de 220kV son ms afectados por fallas trifsicas en 220kV y menos a a afectados por fallas monofsicas en 115kV. a 2. Los nodos de 115kV son ms afectados por fallas trifsicas en 115kV y menos a a afectados por fallas monofsicas en 220kV. a 3. Los nodos de 57,5kV son ms afectados por fallas bifsicas en 115kV y menos a a afectados por fallas monofsicas en 220kV. a 4. Los nodos de 13,8kV son ms afectados por fallas bifsicas en 220kV y menos a a afectados por fallas monofsicas en 115kV. a 5. Los nodos de 6,9kV son ms afectados por fallas bifsicas en 115kV y menos afectados a a por fallas monofsicas en 220kV. a
96
Cap tulo
Correlacin fallas vs hundimientos en o tensin por medio de tcnicas de o e agrupamiento (Clustering)

En este cap tulo se explican detalladamente los ultimos dos pasos de la metodolog a de anlisis de hundimientos de tensin correspondientes a la identicacin de patrones a o o de hundimientos por medio de algoritmos de clustering (kmeans) y clasicacin de o hundimientos reales.
Figura 4.1: Identicacin de patrones y clasicacin de hundimientos en la metodolog o o a propuesta
Actualmente en Colombia, los operadores de red y el ente regulador CREG estn a 97
98
CAP ITULO 4. CORRELACION FALLAS VS HUNDIMIENTOS EN TENSION POR MEDIO DE TECNICAS DE AGRUPAMIENTO (CLUSTERING)
interesados en conocer las condiciones de calidad (entre ellas hundimientos en tensin) o de las redes de distribucin, con el n de evaluar y posteriormente regular la emisin o o de dichas perturbaciones. En ese sentido, es importante para los operadores de red determinar cules son las causas de los hundimientos en tensin, con el nimo de denir a o a responsabilidades, determinar posibles acciones de mitigacin, y mejorar los indicadores o de evaluacin reportados a la CREG. o Con respecto al anlisis de causas de hundimientos, en el cap a tulo 3 despus de realizar una e simulacin estocstica de fallas en el sistema colombiano, se obtuvieron las caracter o a sticas de profundidad de los hundimientos en tensin debido a fallas en 220kV y 115kV. En o este anlisis se identic cmo es la caracter a o o stica de los hundimientos generados por fallas, pero no se conoce en cules zonas ocurren las fallas que generan ms hundimientos a a en tensin. En ese sentido es importante resaltar que los operadores de red actualmente o registran los hundimientos ocurridos en cada una de las barras del sistema. Esta informacin o es analizada dentro del proyecto de investigacin Innovacin en Clusters de Calidad de o o Potencia[CLUSTERS. 2010], del cual esta tesis hace parte, por lo que es posible tomar esa informacin para determinar en qu zonas ocurren las fallas que ocasionan dichos o e hundimientos. En este cap tulo se propone un algoritmo para correlacionar los hundimientos registrados por el operador de red con fallas simuladas en el cap tulo anterior a travs de algoritmos e de agrupacin de datos (clustering) con la intencin de: o o Encontrar las zonas donde ocurren las fallas que ocasionan los hundimientos en tensin registrados por el operador de red CODENSA S.A. Esto se hace con el o propsito de implementar estrategias de evaluacin y mantenimiento en dichas zonas o o con el n reducir la posibilidad de fallas. Identicar en cules zonas del sistema colombiano, que no hacen parte del operador a de red CODENSA S.A , ocurren fallas que generan hundimientos en las barras de dicho operador de red. Esto se hace con el n de sentar bases para la denicin de o las responsabilidades de cada uno de los operadores con respecto a los hundimientos en tensin ocurridos. o En las prximas secciones se explican detalladamente las principales caracter o sticas de las tcnicas de agrupamiento de datos analizando el funcionamiento del algoritmo kmeans e mediante un ejemplo ilustrativo. Posteriormente se usa el algoritmo para clasicar los hundimientos generados en la simulacin estocstica del cap o a tulo anterior, mencionando las limitaciones de dimensionalidad del algoritmo kmeans y las opciones para determinar el nmero de grupos deseados. Debido a la relacin causa-efecto entre las fallas simuladas u o y los hundimientos generados, los distintos grupos de hundimientos obtenidos sern una a clasicacin indirecta de las fallas, que hace referencia al lugar y tipo de falla, que ocasionan o tales hundimientos. El agrupamiento de los datos simulados ser usado como clasicador a de los eventos reales, asignando cada evento real a un grupo de hundimientos simulados y por lo tanto, a un grupo de fallas en ciertas zonas que representan los lugares donde pudo 98
4.1. TECNICAS DE AGRUPAMIENTO DE DATOS
99
haber ocurrido la falla. El resultado de lo anterior es la identicacin de las zonas donde ocurren las fallas que o posiblemente generan los hundimientos en tensin reportados por el operador de red o CODENSA S.A.
4.1.
Tcnicas de agrupamiento de datos e
El objetivo de las tcnicas de agrupamiento (clustering) es identicar o clasicar datos en e distintos grupos o categor Este agrupamiento se realiza de tal manera que los datos as. de un mismo grupo tienen caracter sticas similares entre s y stas son distintas a las , e caracter sticas de los datos en otros grupos [Queipo. 2001, Ramos A. 2001]. Cada dato Ax es caracterizado por un conjunto de variables (dimensiones) que reejan las cualidades fundamentales del mismo (x, y, ...). Cada grupo es identicado por su centro (centroide), el cual se calcula como el promedio (o la mediana segn el algoritmo de u clustering) de los datos que pertenecen a dicho grupo. Para clasicar N datos en k grupos, es necesario ejecutar un algoritmo con dos objetivos fundamentales: Minimizar las desviaciones entre los datos que pertenecen a un mismo grupo. Maximizar las distancias entre los centroides de los grupos. El resultado de esto es la identicacin de distintos grupos (clusters) los cuales se emplean o para clasicar cada uno de los datos tal como se muestra en la gura 4.2. Existen varias tcnicas para realizar agrupamiento de datos (kmeans, kmedoids, jerrquie a cos, etc. ), cuyas diferencias se basan fundamentalmente en la forma de medir distancias entre los datos y los clusters, el criterio para denir la pertenencia de los datos a cada cluster y la forma de optimizar el agrupamiento [Berzal F. 2005]. Entre las tcnicas de e agrupamiento se encuentra el algoritmo kmeans, la idea de este algoritmo es realizar una clasicacin de N datos en k grupos. Cada grupo es identicado por un centroide cuya o posicin se va optimizando por medio del clculo de la media de los datos del respectivo o a grupo. El algoritmo de kmeans se desarrolla de manera detallada en los siguientes pasos: 1. En primer lugar se debe denir un nmero inicial de grupos o clusters k para la u clasicacin. Debido a la dicultad para determinar la cantidad correcta de clusters, o generalmente se realiza una barrido para varios valores de k calculando algunos indicadores que estiman la correcta cantidad de clusters. Muchas veces la cantidad de clusters puede denirse dependiendo de la utilidad que se puede obtener de un agrupamiento espec co. 2. Una vez se dene la cantidad de clusters, se procede a ubicar k puntos (identicados como centroides) en el espacio muestral. Esta ubicacin inicial de centroides puede o realizarse de las siguientes maneras: 99
100
Figura 4.2: Agrupacin de datos de dos dimensiones o
Se seleccionan k datos aleatorios entre todas las observaciones. Se seleccionan k posiciones de los datos ms alejados entre si. a Se seleccionan k puntos aleatorios y uniformemente distribuidos del rango de las observaciones. Se selecciona una muestra preliminar del 10 % de los datos a la cual se le realiza un pre-agrupamiento inicializado con muestras aleatorias. Seleccionando un set de centroides pre-establecidos. Esta ubicacin inicial tiene un fuerte impacto en el resultado nal del agrupamiento, o por lo que es necesario inicializar muchas veces el algoritmo para evitar estancarse en mximos locales. a 3. Posteriormente, se calculan las distancias entre los N datos y cada uno de los centroides. La manera de calcular estas distancias puede ser denida por el usuario, sin embargo lo ms comn es usar la distancia euclidiana. a u 4. Cada uno de los datos es asignado al grupo con el centroide ms cercano. Luego se a actualiza la posicin de cada centroide calculando la media de los datos asignados al o respectivo grupo. 5. Con la nueva ubicacin de centroides se retorna al paso 4 hasta que las distancias o entre datos y centroides sea m nima.
100
4.1. TECNICAS DE AGRUPAMIENTO DE DATOS
101
Un ejemplo ilustrativo se observa en la gura 4.3 donde se utiliza el algoritmo kmeans para clasicar los datos en tres grupos distintos.
Figura 4.3: Proceso iterativo del algoritmo Kmeans
En una primera iteracin 3 centroides (color rojo) son ubicados en unas posiciones o aleatorias iniciales. Posteriormente se calculan las distancias entre los datos y los centroides y se asignan los datos a cada centroide. En esta iteracin se denen los tres grupos de datos o (Colores verde, rojo y azul) iniciales. Para cada grupo de datos se calcula la media y se actualiza el lugar de cada uno de los centroides, tal como se muestra en la iteracin 2. o 101
102
El proceso se repite varias veces entre la iteracin 3 y la iteracin 6. En la grca se o o a puede observar como los centroides se van desplazando hacia los grupos naturales de datos existentes. Finalmente en la iteracin 6 se tienen 3 grupos de datos bien denidos. o Tal como se mencion anteriormente, el algoritmo es muy sensible a los valores iniciales de o los centroides, por lo que se puede quedar en un mximo local. Un ejemplo de sto se ve a e en la gura 4.4 donde se muestra una primera iteracin para el mismo grupo de datos un o conjunto de centroides iniciales distintos. En la gura 4.4 el algoritmo kmeans inicia con centroides distribuidos aleatoriamente en el rango de los datos. Al alcanzar la ultima iteracin (6) vemos que los datos fueron agrupados o de manera distinta a la de la gura 4.3. En este caso, el algoritmo alcanz un mximo local o a en el cual los datos no se encuentran agrupados de manera ptima. o
Figura 4.4: Datos agrupados con kmeans (Mximo local) a
Para evitar que el algoritmo nalice en un mximo local se ejecuta el algoritmo kmeans a varias veces aumentando de esta manera la probabilidad de alcanzar un mximo absoluto. a
4.2.
Agrupacin de hundimientos en tensin o o
Tal como se mencion al inicio de este cap o tulo, el objetivo de esta seccin es clasicar o los hundimientos simulados en el cap tulo 3 usando el algoritmo kmeans. Debido a que la informacin se corrrelacionar posteriormente con hundimientos reales ocurridos en las o a barras de CODENSA S.A. ESP., se deben tener en cuenta los siguientes aspectos para el tratamiento de la informacin simulada. o 1. En primer lugar, para realizar la correlacin se debe tener las mismas variables o en la simulacin y en los datos reales, esto quiere decir, que se identicar en o a 102
4.2. AGRUPACION DE HUNDIMIENTOS EN TENSION
103
cules barras de CODENSA existe informacin de hundimientos en tensin. a o o Analizando la informacin del proyecto de investigacin SIGCE (Sistema Integral o o de Gestin de Calidad [SIGCE. 2008]) y el proyecto CLUSTERS [CLUSTERS. 2010] o se identicaron 48 barras de 115kV con informacin de hundimientos en tensin. o o 2. Una vez que las barras de CODENSA son identicadas, se procede a extraer la informacin simulada de hundimientos en tensin de dichas barras organizando la o o informacin en una matriz de N las x 144 columnas, que corresponden a las 3 fases o de los 48 nodos. 3. Debido a que en la realidad no existe concordancia entre el etiquetado de las fases(A,B,C) en la simulacin con el etiquetado realizado por CODENSA1 , la o informacin de cada una de las fases de cada barra se organiza segn su severidad o u de la ms cr a tica a la menor. De esta manera es posible hacer la correlacin entre o informacin simulada e informacin real. o o
Una vez organizada la informacin simulada podemos observar en la gura 4.5 dos matrices, o una matriz con la informacin de las fallas que causan los hundimientos y otra de los o hundimientos vistos en cada fase de 48 barras.
Figura 4.5: Organizacin de informacin para agrupamiento de datos o o
En la gura 4.5 observamos que la magnitud de los hundimientos en tensin est organizada o a como se mencion anteriormente. Adems se hace referencia a la relacin causa-efecto entre o a o las fallas en el sistema y los hundimientos observados en las barras. La matriz de fallas se compone de tres variables, tramo de falla, porcentaje de linea y tipo de falla, con una cantidad de datos igual a 6355. (3 variables x 6355 datos). Por otro lado la matriz de hundimientos cuenta con 144 variables o dimensiones que son producto de 3
1 Es decir, en la instalacin de equipos de medicin de calidad se conectan los cables A, B y C a las o o fases del punto de medida, cuidando que queden en secuencia positiva, sin embargo las fases pueden quedar rotadas, es decir (B,C,A, o C,A,B)
103
104
fases por 48 nodos y 6355 datos (144 variables x 6355 datos). El algoritmo kmeans ser aplicado a la matriz de hundimientos en tensin identicando a o distintos grupos, los cuales harn referencia a datos de 144 dimensiones que tienen cierto a grado de similaridad entre si. Debido a la relacin causa-efecto entre las fallas simuladas o y los hundimientos en tensin generados, los distintos clusters de hundimientos obtenidos o sern una clasicacin indirecta de las fallas que hace referencia al lugar y tipo de falla. Es a o decir, que las fallas (monofsicas, bifsicas y trifsicas) que ocurren en distintos puntos del a a a sistema y que generan perles de hundimientos en tensin similares, sern agrupadas en o a un mismo cluster. Por lo tanto, el cluster tambin se puede interpretar como la agrupacin e o de zonas de fallas (y tipos de falla) con el mismo impacto. En resumen se realizar una clasicacin de las fallas (lugar y tipo), de acuerdo con su a o impacto en las barras (hundimientos en tensin). o Una vez se tiene organizada la matriz de hundimientos en tensin, se debe establecer o el nmero de clusters en los cuales se clasicar dicha informacin. Para esto se u a o propone ejecutar el algoritmo kmeans haciendo un barrido en el nmero de grupos (k), u para posteriormente identicar el mejor valor para k. Sin embargo, existen problemas relacionados con la dimensin de la matriz simulada (6355 las x 144 columnas) los cuales o se enumeran a continuacin. o En cuanto al algoritmo kmeans: Los algoritmos iterativos de clasicacin de informacin como kmeans generalmente o o son ecientes para problemas de dimensin reducida pero se vuelven inecientes en o problemas de gran escala. Es necesario aumentar el nmero de simulaciones por lo tanto el algoritmo kmeans u emplea grandes cantidades de tiempo para optimizar la agrupacin. o Debido a la alta dimensionalidad, las posibles ubicaciones iniciales aleatorias de los centroides aumenta exponencialmente, por lo que la probabilidad de quedarse en un mximo local tambin aumenta. a e En cuanto a la matriz de hundimientos: Es posible que se encuentre informacin redundante en las 144 variables de la matriz o de hundimientos. Es posible que exista informacin irrelevante que no ofrece capacidad de discriminao cin que ayude a denir los grupos. o Es posible que la informacin se encuentre segmentada, es decir que una informacin o o interesante puede estar distribuida en varios atributos. Teniendo en cuenta lo anterior, para realizar la agrupacin de hundimientos en tensin es o o necesario reducir la dimensionalidad de la matriz de entrada. En la siguiente seccin se o explica detalladamente el anlisis de componentes principales para este propsito. a o
104
4.3.
REDUCCION DE DIMENSIONALIDAD POR MEDIO DE ANALISIS DE COMPONENTES PRINCIPALES 105
4.3.
Reduccin de dimensionalidad por medio de anlisis o a de componentes principales
Uno de los mayores inconvenientes en el anlisis de datos cuando se tiene una gran cantidad a de variables, es la dimensionalidad del problema. Sin embargo, si se logran describir de manera precisa los valores de p variables por un conjunto de r variables (donde r < p), se habr reducido dicha dimensionalidad a costa de una pequea prdida de informacin a n e o [Melndez J. 2007]. e La idea anterior se emplea en la tcnica conocida como Anlisis de Componentes Principales e a (Hotelling 1933), la cual tiene como objetivo representar adecuadamente informacin o expresada como n observaciones y p en variables, con un menor nmero r de variables u construidas como combinaciones lineales de las originales. De esta forma, se pueden identicar las posibles variables ms relevantes del problema, y transformar las variables a originales (generalmente correlacionadas), en variables no correlacionadas, facilitando de esta forma la interpretacin de las mismas. o
4.3.1.
Interpretacin de las componentes principales o
Sea una matriz X de [n]x[p] (n datos y p variables). Se desea encontrar un subespacio de menor dimensin que p, tal que al proyectar sobre l cada una de las observaciones, stas o e e conserven su estructura con la menor distorsin posible. Un ejemplo ilustrativo se puede o ver el la gura 4.6, en la cual se desea encontrar la componente fundamental (subespacio de dimensin uno) de un caso con 2 variables (p = 2). o
Figura 4.6: Ejemplo de componentes principales
La recta roja dibujada en la gura 4.6 puede transformar el problema de las dos variables en solo una, ya que sta pasa cerca de todos los datos y a su vez la distancia entre stos se e e 105
106
mantiene de manera aproximada cuando se proyectan dichos datos sobre la recta. Para determinar dicha recta (que es la que mejor representa los datos) se debe cumplir la siguiente condicin: o
La sumatoria de las distancias entre los puntos originales y sus proyecciones sobre la recta debe ser lo m nimo posible.
Para explicar lo anterior, se toma un dato Xi y una direccin a1 de norma uno, donde la o proyeccin de Xi sobre a1 es el escalar: o Xi a1 = zi |a1 |
P royX =
(4.1)
Denominando zi a1 como el vector que representa la proyeccin sobre la recta y ri como la o distancia entre Xi y la recta, el objetivo consiste en minimizar el cuadrado de la suma de las distancias ri :
n n
Minimizar
i=1
ri =
i=1
|xi zi ai |2
(4.2)
Se puede observar en la gura 4.6, que al proyectar cada punto sobre la recta se forma un tringulo rectngulo. Por el teorema de Pitgoras, se puede escribir: a a a Xi2 = zi 2 + ri 2 Xi Xi = zi + ri realizando la suma de todos los puntos i=1...n
n n n
(4.3) (4.4)
Xi
i=1
Xi =
i=1
zi +
i=1
ri 2
(4.5)
2 Ya que el primer trmino de la ecuacin 4.5 es constante, minimizar e o ri , equivale a 2 maximizar zi , es decir la suma al cuadrado de las proyecciones. Esto a su vez equivale a maximizar la varianza [Pea D. 2002]. n
De acuerdo con lo anterior, podemos ver en la gura 4.6, que la mejor recta para representar los datos en una sola dimensin es aquella en la cual se maximizan las varianzas de los o datos. Este criterio se puede extender a n dimensiones en el espacio, donde n < p.
106
4.3.
REDUCCION DE DIMENSIONALIDAD POR MEDIO DE ANALISIS DE COMPONENTES PRINCIPALES 107
El anlisis para hallar las componentes principales de una matriz de datos a partir de las a matrices de covarianza est implementado en Matlab mediante la funcin princomp. Esta a o funcin devuelve como resultado las componentes principales de la matriz de entrada y un o vector que contiene los valores propios de la matriz de covarianza.
4.3.2.
Principales componentes de los hundimientos en tensin simulados o
Debido a que la matriz de hundimientos en tensin cuenta con 6355 observaciones de o 144 variables, se realiza el anlisis de componentes principales por medio de la funcin a o de Matlab princomp. El resultado de esto es una matriz de 144 componentes distintas organizadas de tal manera que las primeras componentes tienen la mayor varianza, es decir, las primeras componentes tienen la mayor informacin de la matriz de entrada. o Para saber cuntas componentes sern necesarias para tener el mximo de informacin, se a a a o calcula el porcentaje de varianza para las (n) primeras componentes principales mediante la siguiente ecuacin: o
P Sn =
n i=1 Si N i=1 S
100 %
(4.6)
Donde: P S es porcentaje de varianza para (n) componentes. Sn es el valor propio (n) de la matriz de covarianza. N es el nmero total de componentes. u n es el nmero de componentes. u El resultado de la ecuacin 4.6 se muestra en la tabla 4.1 para las 6 primeras componentes o principales.
Tabla 4.1: Porcentaje de varianza de las componentes principales
Nmero de u componentes 1 2 3 4 5 6
Porcentaje de Varianza ( %) 64,34 79,62 84,66 87,13 89,45 91,29 107
108
En la tabla 4.1 se observa que las primeras cinco componentes principales representan el 89.4 % de la varianza de los datos originales. Finalmente se toman estas cinco componentes por lo que tenemos que la matriz inicial (6355 x 144) queda reducida a sus componentes principales (6355 x 5) sobre las cuales se les aplicar kmeans. a
4.4.
Implementacin de kmeans e o ndices de agrupamiento
No hay un procedimiento espec co para encontrar cul es el nmero indicado de grupos en a u los cuales se puede clasicar la informacin [Davies D. 1979], sin embargo en la literatura o se propone el uso de algunos indicadores que se expone a continuacin. o
1. Cuadrado de la suma de las distancias entre las observaciones y los centroides(R). Este indicador muestra cmo var la suma de las distancias entre los datos de cada o a uno de los clusters y sus centroides. A medida que la cantidad de clusters aumenta, la distancia entre los datos y los centroides disminuye. El objetivo es encontrar desde cual valor de (k) el indicador tiene poca variacin. Es decir, el nmero apropiado de o u grupos esta relacionado con el codo de la curva tal como se muestra en la gura 4.7 donde tenemos k=6.
Figura 4.7: Indice cuadrado suma de las distancias datos-centroides
2. Indicador Silueta. Este indicador asigna a cada dato un valor entre -1 y 1, que mide la similaridad de los datos en el mismo cluster comparndola con la similaridad de los datos de a 108
4.4. IMPLEMENTACION DE KMEANS E INDICES DE AGRUPAMIENTO
109
otros clusters. Entre ms cercano se encuentre el a ndice a 1, los datos estn mejor a agrupados. El indicador generalmente se resume como el promedio de los ndices calculados para cada dato. En la grca 4.8 se muestra un ejemplo ilustrativo del a indicador silueta para datos agrupados en 4 clusters.
Cluster
0.2
0.4
0.6 Silhouette Value
0.8
Figura 4.8: Indicador silueta para datos agrupados en 4 clusters
3. Relacin Inter-intra Cluster. o En este indicador se calcula la proporcin que hay entre el promedio de la distancia o de los datos a los respectivos centroides y la m nima distancia que hay entre los centroides. Para una agrupacin adecuada, se tiene como objetivo maximizar el valor del indicador o silueta; por otro lado el objetivo que se tiene para el indicador intra-inter clusters es minimizar su valor. Teniendo las cinco componentes principales de la matriz de hundimientos en tensin o simulados, se procede a ejecutar el algoritmo kmeans para diferentes cantidades de grupos (k) de entrada, calculando los indicadores explicados con el nimo de hallar la cantidad a apropiada de clusters para clasicar la informacin. o Los resultados de los indicadores para agrupaciones con valores de k entre 2 y 100 se muestran a continuacin: o
109

Trafo Tridevanado

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

Trafo Tridevanado

Uploaded by

Copyright:

Available Formats

46

CAP ITULO 2. MODELAMIENTO DEL SISTEMA COLOMBIANO

Tabla 2.6: Datos Transformadores 2 devanados sistema Colombiano

Tabla 2.7: Datos transformadores 3 devanados

Tabla 2.8: Datos transformadores 3 devanados (continuacin) o

2.8. MODELAMIENTO DEL SISTEMA COLOMBIANO.

R12 1 R13 R1 R2 2 R23

R12 + R13 R23 2 R12 + R23 R13 R2 = 2 R13 + R23 R12 R3 = 2

Figura 2.15: Modelo transformador tridevanado en estrella y delta

(R1 R2 ) + (R1 R3 ) + (R2 R3 ) R3 (R1 R2 ) + (R1 R3 ) + (R2 R3 ) RB = R1 (R1 R2 ) + (R1 R3 ) + (R2 R3 ) RC = R2 RA = 47

CAP ITULO 2. MODELAMIENTO DEL SISTEMA COLOMBIANO

2.8. MODELAMIENTO DEL SISTEMA COLOMBIANO.

Tabla 2.11: Datos de Generadores del sistema Colombiano (continuacin) o

Construccin del unilar y asignacin de coordenadas o o

CAP ITULO 2. MODELAMIENTO DEL SISTEMA COLOMBIANO

SVG es un formato para representar grcas en texto plano. a

Figura 2.16: Diagrama unilar del sistema Colombiano modelado (Parte).

CAP ITULO 2. MODELAMIENTO DEL SISTEMA COLOMBIANO

Simulacin Estocstica de fallas y anlisis o a a de hundimientos

Figura 3.1: Zonas perturbadoras, simulacin y anlisis de hundimientos en la metodolog o a a propuesta

54 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS

3.1. DETERMINACION DE ZONAS PERTURBADORAS

Determinacin de zonas perturbadoras o

56 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS

Figura 3.2: Nodo de inters para hundimientos en tensin e o

VHT = [1] Z[DZ]1

0,0374 0,1659 0,2752 0,3341 0,1590 1,6024 2,3363 0,7753 0,5703

3.1. DETERMINACION DE ZONAS PERTURBADORAS

0,0374 0,0374 0,0374 0,0374 0,0374 0,0374 0,0374 0,0374 0,0374

0,1659 0,1659 0,1659 0,1659 0,1659 0,1659 0,1659 0,1659 0,1659

0,2752 0,2752 0,2752 0,2752 0,2752 0,2752 0,2752 0,2752 0,2752

0,3341 0,3341 0,3341 0,3341 0,3341 0,3341 0,3341 0,3341 0,3341

0,1590 0,1590 0,1590 0,1590 0,1590 0,1590 0,1590 0,1590 0,1590

1,6024 1,6024 1,6024 1,6024 1,6024 1,6024 1,6024 1,6024 1,6024

2,3363 2,3363 2,3363 2,3363 2,3363 2,3363 2,3363 2,3363 2,3363

0,7753 0,7753 0,7753 0,7753 0,7753 0,7753 0,7753 0,7753 0,7753

0,5703 0,5703 0,5703 0,5703 0,5703 0,5703 0,5703 0,5703 0,5703

58 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS

Figura 3.3: Zona perturbadora para el nodo 8

3.1. DETERMINACION DE ZONAS PERTURBADORAS

60 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS

3.1. DETERMINACION DE ZONAS PERTURBADORAS

Tabla 3.1: Barras de inters para deteccin zonas perturbadoras e o

62 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS

Figura 3.4: Zona perturbadora para fallas monofsicas a tierra. a

Figura 3.5: Zona perturbadora para fallas bifsicas y bifsicas a tierra. a a

Figura 3.6: Zona perturbadora para fallas trifsicas. a

66 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS

3.2. CARACTERIZACION DE VARIABLES ALEATORIAS

Caracterizacin de variables aleatorias o

68 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS

Tabla 3.2: Nmero de Fallas en circuitos de distribucin de ejemplo. u o

Probabilidad de ocurrencia de Falla

Figura 3.7: Distribucin de probabilidad Falla en ejemplo de 22 circuitos. o

3.2. CARACTERIZACION DE VARIABLES ALEATORIAS

Numero fallas Longitud (Km) Fallas/Km

Tabla 3.3: Tasa de falla segn la tipolog de linea. u a

0.05 Probabilidad de Falla

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 Tramo donde ocurre la falla

Figura 3.8: Probabilidad de Falla en tramos de la Universidad Nacional.

70 CAP ITULO 3. SIMULACION ESTOCASTICA DE FALLAS Y ANALISIS DE HUNDIMIENTOS

3.2. CARACTERIZACION DE VARIABLES ALEATORIAS

Tabla 3.4: Clasicacin de las causas de fallas o