Está en la página 1de 23

23/01/2017

Resiliencia en Sistemas Eléctricos de Potencia

Rafael Sacaan, Tomás Lagos, Alejandro Navarro Espinosa


19/01/2017

Equipo de Investigación- 1

Tabla de contenidos

• Motivación
• Objetivos
• Resiliencia - Marco Teórico
• Simulación detallada del Sistema de Potencia
• Optimización vía Simulación
• Consideraciones Finales

23-01-2017 Equipo de Investigación- 2

1
23/01/2017

Motivación

• La confiabilidad de los sistemas eléctricos de potencia ha sido


siempre un tema relevante en nuestra industria.
• La confiabilidad se refiere capacidad y seguridad que
presenta un sistema eléctrico (R. Billinton & R. Allan, 1990).
• Capacidad, existencia de instalaciones suficientes para
satisfacer la demanda y las restricciones operacionales del
sistema.
• Seguridad, capacidad de responder a perturbaciones que se
produzcan al sistema eléctrico de potencia (cambios de
demanda/generación, falla de líneas, etc.).

23-01-2017 Equipo de Investigación- 3

Motivación

• Tradicionalmente hemos
considerado fallas creíbles
en nuestros criterios de
diseño.
Control
N-1

N-1, EDAC, EDAG

23-01-2017 Equipo de Investigación- 4

2
23/01/2017

Motivación

• Sin embargo aún No tomamos en cuenta los efectos de los


eventos de poca probabilidad y alto impacto en nuestros
sistemas de potencia.
• ¿Cómo se prepara el SEP para los efectos de un evento
natural de gran envergadura?

El concepto de Resiliencia nos da el marco


conceptual para enfrentar esta situación

Concepción, 2010 Diego de Almagro, 2015


23-01-2017 Equipo de Investigación- 5

Objetivos: Proyecto Newton-Picarte

Objetivo General:
• Determinar a través de modelos de optimización las
medidas de operación e inversión necesarias para
incrementar la Resiliencia de los Sistemas Eléctricos
de Potencia evaluada detalladamente bajo la acción
de terremotos.

23-01-2017 Equipo de Investigación- 6

3
23/01/2017

Resiliencia

• En términos generales, se refiere a la capacidad de un cuerpo de volver a


su forma o posición original luego de ser estresado (doblado,
comprimido, alargado, etc.).

“Resiliencia es la capacidad de un sistema de energía de tolerar perturbaciones


continuando con el suministro de energía a los consumidores. Un sistema de energía
resiliente es aquel que puede rápidamente recuperarse de grandes shocks proveyendo
diversos medios para suministrar energía cada vez que existan cambios en las
circunstancias externas” (UK Energy Research Center, 2011)

¿Cómo nace el interés por este concepto?


• Países desarrollados preocupados por los efectos del cambio climático.
• IPCC pronostica mayor duración e intensidad de los fenómenos relacionados con el
clima.
• IPCC recomienda no sólo medidas de mitigación sino también de adaptación

Equipo de Investigación- 7

Resiliencia

• Curva de resiliencia:

(*) M. Panteli and P. Mancarella, "The Grid: Stronger, Bigger, Smarter?: Presenting a Conceptual Framework of
Power System Resilience," in IEEE Power and Energy Magazine, vol. 13, no. 3, pp. 58-66, May-June 2015.

Equipo de Investigación- 8

4
23/01/2017

Resiliencia – Marco General

• ¿Que se requiere modelar?

Modelación detallada de la operación del sistema

Generación y sistema Sistema de


de transmisión Distribución

Recuperación de
UC OPF UC Infraestructura

Recuperación de
Servicio
Simulación temporal horaria

23-01-2017 Equipo de Investigación- 9

Resiliencia – Marco General

• ¿Que se requiere modelar?


Fuentes de
Sistema Temporal y Geográfico Salidas
Perturbación

Fallas Modelación detallada de la operación del sistema

inherentes
Generación y sistema Sistema de Evolución de
de transmisión Distribución
la Energía No
Suministrada
Efectos del (ENS)
Recuperación de
Terremoto UC OPF UC Infraestructura

Recuperación de
Servicio
Simulación temporal horaria

23-01-2017 Equipo de Investigación- 10

5
23/01/2017

Resiliencia – Marco General

• ¿Que se quiere optimizar? Optimizador

Fuentes de
Sistema Temporal y Geográfico Salidas
temporalidad y ubicación de los impactos

Perturbación
Considerando la estocasticidad en la

Fallas Modelación detallada de la operación del sistema

inherentes
Generación y sistema Sistema de Evolución de
de transmisión Distribución
la Energía No
Suministrada
Efectos del (ENS)
Recuperación de
Terremoto UC OPF UC Infraestructura

Recuperación de
Servicio
Simulación temporal horaria
Para
minimizar la
energía no
Portafolio de inversiones y/o acciones óptimas suministrada

23-01-2017 Equipo de Investigación- 11

Modelación detallada de la Operación


Para poder hacer un análisis de confiabilidad preciso, se necesita modelar un sistema de
potencia de forma realista. El modelo considera los siguientes bloques:

Monte Carlo Secuencial (SMCs): Unit commitment (UC):


- simulación de diferentes escenarios de falla - DC analysis
(combinaciones de fallas de los componentes) - resolución horaria
- dependencia temporal! - planificación del parque generador de forma
- incorpora los efectos de variación de carga costo-efectiva por un período de 24 horas.
- incorpora tiempos de recuperación de cada - considera reservas en giro
componente
- set de restricciones que modelan el
comportamiento de las unidades
- sistema multi-barra, con restricciones de
DC Optimal Power Flow (DCOPF): flujo/corriente
- dado un plan de despacho (UC) y un estado del - problema de programación entera-mixto
sistema, calcula la producción de las unidades (MILP, una variable binaria por generador)
- set de restricciones que modelan el
comportamiento de las unidades
- sistema multi-barra, con restricciones de
flujo/corriente
LUEGO, este modelo será extendido
incluyendo eventos de terremotos
sobre la red eléctrica.

23-01-2017 Equipo de Investigación- 12

6
23/01/2017

Modelación detallada de la Operación

Diagrama de Flujo de SMC


Cargar Test Case
Settear tpos. de recuperación (deterministicos) y tasas de falla (probabilisticas)
Ejecutar UC

Ejecutar multiples simulaciones


Para cada simulación, ejecutar 24 horas secuenciales
Para cada hora, checkear el status de cada componente (online/offline)
¿estaba antes en estado online/offline?
¿falló en este período?
¿fue recuperado?

Actualizar Test Case con los nuevos status

Ejecutar DCOPF para esa hora


Considerar el último estado del parque generador como
punto de partida.

DCOPF entrega la Energía No Suministrada (ENS)


Store ENS

1/23/2017 Equipo de Investigación- 13

Modelación detallada de la Operación


Unit Commitment (UC) formulation:
- Basado en “A Computationally Efficient Mixed-Integer Linear Formulation for the Thermal Unit
Commitment Problem.” Carrión, Arroyo. 2006 pero extendido a un Sistema multi-nodal
- MILP que utiliza una variable binaria por generador para describir su modelamiento.

Objective Function:
minimizar costos de produccion,
partida y apagado de unidades de
generación (costos fijos)

balance de potencia por barra


(sistema multi-barra)

márgenes de reserva en giro.

set de restricciones de cada unidad


de gen.

Variables:
producción, maxima potencia
disponible y variable binaria para cada Notation:
gen. en cada periodo de tiempo K : set de horas D : demanda total del sist.
J : set unidades de gen R : reservas en giro
costos de los gen. para cada periodo B : set de buses Db : Demanda en bus b
M : set de líneas
flujos y ángulo de las barras. πj : set de restricciones de la unidad de gen j

1/23/2017 Equipo de Investigación- 14

7
23/01/2017

Modelación detallada de la Operación


Set de restricciones de las unidades de gen:
min. técnico y potencia max.

ramp positiva

ramp negativa

initial status of the units Restricciones de flujo:


(up time)

constraint for satisfying min.


up time over every period k

constraint for modeling min. up


time of the final periods Notation:
RUj : ramp de subida gen. unit j
Análogamente, estas 3 RDj : ramp de bajada gen. unit j
restricciones son utilizadas para el SUj : potencia de encendido gen. unit j
mínimo down time. SDj : paso de apagado gen. unit j

1/23/2017 Equipo de Investigación- 15

Modelación detallada de la Operación


DC Optimal power flow (DCOPF):
Para el UC, el cálculo del despacho se efectúa considerando un nivel de reservas en giro y un
estado sin fallas del sistema por un período de 24 horas.
El output del UC es un arreglo binario para cada generador por cada hora, indicando su estado
(online/offline). También entrega un estado inicial (vector de estado de la generación).

El DCOPF resuelve el mismo problema que el UC pero para una (1) hora. Éste se ejecuta 24
veces, para 24 horas secuenciales. Representa el despacho en “tiempo real” del sistema
eléctrico.

Inputs del DCOPF: Output del DCOPF:


i. El plan de despacho (UC). i. Nuevo vector estado de generación.
ii. Estado de la topología del sistema
iii. Vector de estado de unidades de generación

En este contexto, el DCOPF resuelve un problema particular de flujos DC determinado por la


presencia de fallas.

23-01-2017 Equipo de Investigación- 16

8
23/01/2017

Modelación detallada de la Operación


Descripción de simulación Monte Carlo: Luego de 24 horas:
RESET del sistema a topología sin
fallas.

Init > Sistema Simulación Para hora ‘i’


SET: sistema caso base
SET: tasa falla de línea tasas de falla
tpos. de reparación [hrs] endógenas de los Para cada LINEA del sistema:
componentes! RUN random de falla
IF ‘fail’:
RUN: Unit Commitment (UC)
status línea ‘l’ = 0
para 24 hrs. (sin fallas en el
ELSE:
sistema).
IF tpo. en falla >= tpo. reparación
status línea ‘l’ = 1
SET: Cond. inicial = output
ELSE
del UC , vector de estado de
status línea ‘l’ = 0
generación hora 24.
tpo en falla =+ 1

RUN DCOPF hora ‘i’


Init > Montecarlo
SET: ‘n’ simulaciones o
corridas de 24 horas cada
una. Gen de falla = ENS

ENS total y EENS por hora

7/6/16 Equipo de Investigación- 17

Modelación detallada de la Operación


Casos de Prueba.
Para probar la metodología, escalabilidad y flexibilidad de la plataforma implementada se
utilizaron dos sistemas:
Nro. de gens: 5 unidades
i. IEEE 14-bus Cap. Máx. de Gen: 772.4 MW ii. IEEE 24-bus
Demanda Total Peak: 259 MW

Nro. de gens: 32 unidades


Cap. Máx. de Gen: 3405 MW
Demanda Total Peak: 2850
MW

23-01-2017 Equipo de Investigación- 18

9
23/01/2017

Resultados de la simulación
Resultados de la simulación con SMC.
i. IEEE 24-bus
SMC-1 SMC-2

Parámetros: Parámetros:
Intervalo de tiempo = 24 horas Intervalo de tiempo = 24 horas
Reservas (UC) = 10% Reservas (UC) = 10%
N = 1000 simulaciones N = 1000 simulaciones
tasa falla gen = 0.0 tasa falla gen = 0.01 !!
tasa falla bus = 0.0 tasa falla bus = 0.0
tasa falla linea = 0.05 tasa falla linea = 0.08 !!
tpo. reparación gen = 14 horas tpo. reparación gen = 14 horas
tpo. reparación bus = 10 horas tpo. reparación bus = 10 horas
tpo. reparación linea = 3 horas tpo. reparación linea = 3 horas

23-01-2017 Equipo de Investigación- 19

¿Cómo incorporar el efecto de los terremotos


al análisis de confiabilidad implementado?

Pasos necesarios
1. Modelar el terremoto.
2. Modelar el impacto del terremoto en la infraestructura
eléctrica.
3. Modelar el impacto de la pérdida (total/parcial) de
infraestructura en la operación del sistema de potencia.

23-01-2017 Equipo de Investigación- 20

10
23/01/2017

1. Modelación Simplificada de Terremotos

• Modelación simplificada de terremotos para su


incorporación PRELIMINAR a la plataforma simulador-
optimizador.
• Importancia de la atenuación (propagación) del terremoto
desde su epicentro.
• Elementos que influyen en la atenuación:
• Magnitud del Sismo.
• Distancia al epicentro/centro de liberación de energía.
• Profundidad.
• Tipo de suelo (en modelos sofisticados).

23-01-2017 Equipo de Investigación- 21

1. Modelación Simplificada de Terremotos

• Modelación simplificada de terremotos (*):


= . + . × − . × + . × . × + . ×
1000 1000

900 900

800 800

700 700

600 600

500 500

400 400

300 300

200 200

100 100

100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000

(*) Ground Motion Attenuation Equations for Earthquakes on the Cascadia Subduction Zone, C.B. Crouse, M. EERI

23-01-2017 Equipo de Investigación- 22

11
23/01/2017

1. Modelación Simplificada de Terremotos

• Ejemplos para distintas ubicaciones:

23-01-2017 Equipo de Investigación- 23

1. Modelación Simplificada de Terremotos


• Caso de 24 barras (The IEEE Reliability Test System -1996)

7/6/16 Equipo de Investigación- 24

12
23/01/2017

2. Impacto en la Infraestructura Eléctrica

Las curvas de fragilidad son una herramienta estadística que representa la probabilidad de
estar o exceder un nivel de daño en la estructura física, en función de algún parámetro que
represente movimientos de suelo (ie. PGA).
Son la función de probabilidad acumulada de una distribución lognormal.

estados de daño

P ( Slight| Pga = x2)

P ( Slight| Pga = x1) P ( Moderate| Pga = x2)

P ( Extensive| Pga = x2)


P ( Moderate| Pga = x1)

P ( Complete| Pga = x2)


P ( Extensive| Pga = x1) x1 x2
P ( Complete| Pga = x1)

23-01-2017 Equipo de Investigación- 25

2. Impacto en la Infraestructura Eléctrica

Curvas de fragilidad

Información recolectada desde


manual técnico “HAZUS – MH
MR5” publicado por FEMA (Federal
Emergency Managment Agency)
Ejemplo

7/6/16 Equipo de Investigación- 26

13
23/01/2017

2. Impacto en el Sistema Eléctrico


Cómo utilizar las curvas de fragilidad
Genera múltiples PGA entra en la curva
PGA en Probabilidad de estar en un
Terremoto de fragilidad del
coordenadas (x,y) estado de daño
componente (P1, P2, P3, P4, P5)
Sea X es una variable aleatoria con distribución de probabilidad uniforme:
0 ≤ x ≤ P( DS ≥ ds5|PGA) damage state = ds5
P( DS ≥ ds5|PGA) ≤ x ≤ P( DS ≥ ds4|PGA) damage state = ds4
Si x P( DS ≥ ds4|PGA) ≤ x ≤ P( DS ≥ ds3|PGA) damage state = ds3
P( DS ≥ ds3|PGA) ≤ x ≤ P( DS ≥ ds2|PGA) damage state = ds2
P( DS ≥ ds2|PGA) ≤ x ≤ 1 damage state = ds1

Tiempo
Con esto: Terremoto: UC-2: Calcula el despacho óptimo para
nuevo estado las próximas 24 horas post terremoto.
OPF OPF
del sistema Considera tiempos de recuperación de componentes.
Calcula la ENS en el período.
UC-1
(sin fallas) hora t hora t + 24

7/6/16 Equipo de Investigación- 27

2. Impacto en el Sistema Eléctrico


Resultados simulación post terremoto: MonteCarlo con UC-2

Caso IEEE 14-barras

Terremoto en la hora 0.
n = 1000
tpo.rep gen = 10
tpo.rep bus = 5

Equipo de Investigación- 28

14
23/01/2017

2. Impacto en el Sistema Eléctrico


Resultados simulación post terremoto: MonteCarlo con UC-2

Caso IEEE 14-barras

Terremoto en la hora 0.
n = 1000
tpo.rep gen = 14
tpo.rep bus = 10

Equipo de Investigación- 29

¿Cómo mejorar nuestro sistema?

• Determinar el conjunto óptimo de Considerando la estocasticidad en la


temporalidad y ubicación de los impactos
inversiones y/o acciones de operación que
permitan enfrentar de mejor manera la
Perturbación
Efectos del

inherentes
Terremoto

Fuentes de
Fallas

ocurrencia de un terremoto.
Portafolio de inversiones y/o acciones óptimas

• Disminuir la energía no suministrada del


sistema eléctrico de potencia.
UC
Simulación temporal horaria

Generación y sistema

Modelación detallada de la operación del sistema

Sistema Temporal y Geográfico


de transmisión

• Dada la complejidad, estocasticidad


OPF

temporal y espacial, existe un compromiso


UC

entre:
• El nivel de detalle de la modelación del
Recuperación de

Recuperación de
Infraestructura

Distribución
Sistema de
Servicio

sistema eléctrico, y
Optimizador

• La optimalidad del conjunto de


inversiones/acciones determinado
Suministrada
la Energía No
Evolución de
suministrada

Salidas
minimizar la
energía no

(ENS)
Para

Propuesta:
Optimización vía Simulación (OvS)
23-01-2017 Equipo de Investigación- 30

15
23/01/2017

Optimización vía Simulación

DOvS
DOvS pueden ser formulados con la siguiente estructura:
Minimizar el valor esperado de la max ( )

energía no suministrada
Θ = {x ∶

≤ , = 1, . . ,

0 ≤ ≤ ≤ ≤ ∞, = 1, . . ,
, , ∈ℤ ∪ 0 , = 1, . . , }

Donde x es el vector de variables de decisión y se asume


que es desconocida, pero que podemos estimar su
realización vía simulación.

1/19/17 Equipo de Investigación- 31

Optimización vía Simulación


Industrial Strength COMPASS (ISC)

Usa un procedimiento de tres etapas:


 En la etapa de búsqueda global se adapta una metodología basada en
algoritmos genéticos Niching Genetic Algorithm (NGA).
 En la etapa local, se usa una versión modificada del algoritmo COMPASS
que obtiene una solución mejorada a partir de cada nicho.
 Una etapa final de "limpieza", aplica un procedimiento de Ranking and
Selection (R&S) para seleccionar el mejor de un conjunto de soluciones
identificadas en la etapa local con una cierta probabilidad.

Este procedimiento garantiza que todas las soluciones son visitadas


"infinitely often". Aunque, como existen test de parada en cada etapa,
podría ser el caso de que la solución encontrada no sea la óptima global.

1/19/17 Equipo de Investigación- 32

16
23/01/2017

Optimización vía Simulación


Niching GA
• Los NGA sirven como un mecanismo de búsqueda de soluciones.

• Se forman nichos que tienen al centro un “óptimo local" (viendo la


región como una grilla).

• El test de parada de la etapa global depende de los siguientes criterios:


1. Niche Rule: Si en cualquier momento hay sólo un Nicho.
2. Improvement Rule: Si es que las soluciones de una iteración a otra no
cambian.
3. Dominance Rule: Si una solución de un nicho domina a todos los demás
nichos.
4. Budget rule: Si el número de evaluaciones (simulaciones) realizadas pasa
un umbral.

1/19/17 Equipo de Investigación- 33

Optimización vía Simulación


COMPASS
El siguiente paso del algoritmo es mejorar la solución actual del nicho,
realizando búsqueda local dentro de este. Este procedimiento comienza
con una población de individuos que forman un nicho.

• convergent optimization via most-promising-area stochastic search.

• Denote el conjunto como todas las soluciones visitadas hasta la


iteración .
• Sea = { ∈ Θ: || − || ≤ − ,∀ ∈ , ≠ } la región
más prometedora en la iteración .
• Sea = { ∈ Θ: − ≤ 1}.

1/19/17 Equipo de Investigación- 34

17
23/01/2017

Optimización vía Simulación


COMPASS
• Dada una solución óptima en la iteración , ∗, si ∗ ⊂ entonces
se realiza el siguiente test de hipótesis:
 : ∗ ≤ min∗ ( )
∈ ( )
 : ∗ > min∗ ( )
∈ ( )

• El error de tipo I se setea en y el poder del test para ser al menos 1 −


si ∗ ≥ min + , donde es una tolerancia que ingresa
∈ (∗ )
el usuario.

• Si no se rechaza el test en favor de la hipótesis nula, se para en la


iteración actual del COMPASS, para bien seguir con el siguiente nicho o
pasar a la etapa de R&S.

1/19/17 Equipo de Investigación- 35

Optimización vía Simulación


Clean-Up Phase
• El objetivo de este paso es comparar los “óptimos locales" obtenidos en
el paso anterior.

• Screening. Usando la información de las simulaciones ya realizadas se


descartan todos los candidatos inferiores estadísticamente. Sea el
conjunto de índices de las soluciones sobrevivientes.

• Selection. Se realizan suficientes simulaciones adicionales para las


soluciones en para seleccionar el mejor. Sea la(s)
solución(soluciones) seleccionada(s).

• Estimation. Con un intervalo de confianza de 1 − , es el mejor, o


con una brecha menor que del mejor.

1/19/17 Equipo de Investigación- 36

18
23/01/2017

OvS para incrementar confiabilidad

¿Cuál es la mejor
línea a instalar?

Minimizar el valor esperado de la


energía no suministrada

1/19/17 Equipo de Investigación- 37

OvS para incrementar confiabilidad

1/19/17 Equipo de Investigación- 38

19
23/01/2017

OvS para incrementar confiabilidad

1/19/17 Equipo de Investigación- 39

OvS para incrementar confiabilidad

1/19/17 Equipo de Investigación- 40

20
23/01/2017

OvS para incrementar confiabilidad


¿Cuál es el conjunto de las mejores
3 líneas a construir?

1/19/17 Equipo de Investigación- 41

OvS para incrementar confiabilidad

1/19/17 Equipo de Investigación- 42

21
23/01/2017

Comentarios Finales

• Se ha desarrollado una plataforma capaz de modelar


detalladamente la operación del sistema eléctrico frente a
fallas normales y frente a eventos de poca probabilidad y alto
impacto (i.e., terremotos).
• Se ha desarrollado una plataforma capaz de encontrar una
solución óptima para incrementar la confiabilidad de un
sistema eléctrico sin renunciar a la modelación detallada del
mismo.
• Se está en proceso de la incorporación del terremoto al
proceso de optimización via simulación.
• Se esta incorporando no sólo redundancia de líneas sino
también reforzamiento de infraestructura.

23-01-2017 Equipo de Investigación- 43

Comentarios Finales
• ¿Qué nos esta faltando? Desafío
Incorporación del sistema de
distribución al análisis de
Terremoto 2010 resiliencia

¿Cómo pueden aportar las


comunidades en estos
escenarios de emergencia?
¿Cómo recuperar
infraestructura crítica?
¿Cuál es el rol de las baterías
en estas contingencias?

¿Cómo desarrollar
Los mayores problemas se observaron a nivel
comunidades
de distribución resilientes?
23-01-2017 Equipo de Investigación- 44

22
23/01/2017

Resiliencia en Sistemas Eléctricos de Potencia

Rafael Sacaan, Tomás Lagos, Alejandro Navarro Espinosa


19/01/2017

Equipo de Investigación- 45

23