Volumen 16 • Número 3 • mayo/junio 2018

CYME power engineering

software for a smarter grid

Standing behind thousands of

T&D projects worldwide
Power Engineering Software and Solutions
Eaton's extensive line of the CYME power engineering
software features advanced analysis for transmission,
distribution and industrial electrical power systems. Our
services include engineering consulting, training, data
integration and customized IT developments.

CYME is the perfect solution for:

• Optimization of grid
efficiency
• Distributed generation
impact
• Network-wide planning using
AMI/AMR data
• Key reliability assets
configuration improvement
• Downtown meshed grids
and secondary low-voltage
distribution network studies
• Ampacity calculations and
real-time thermal rating of
cables
• Protective device
coordination
• Design and optimization of
AC substation grids
• Data extraction from GIS and
quasi real-time simulations
• Customized plug-in and
applications

Contact us today to schedule a software demonstration or to

learn more about our solutions.

1-450-461-3655 1-800-361-3627 cymeinfo@eaton.com

www.cyme.com www.cooperpowereas.com

AD917001EN-2015
 magazine

Volumen 16 • Número 3 • mayo/junio 2018

www.ieee.org/power

18
hombre con estrellas: ©istockphtoto.com/polygraphus
imagen del servidor: ©istockphtoto.com/lvcandy

©istockphoto.com/Z_Wei
en la
portada

contenidos
presenta
20 Visualización de "big data" de energía 62 Análisis de "big data" en la industria
Por Rob J. Hyndman, Xueqin (Amy) Liu de la potencia eléctrica de china
y Pierre Pinson Por Chongqing Kang, Yi Wang, Yusheng Xue,
Gang Mu y Ruijin Liao
30 Sincrofasores en la distribución
Por Hamed Mohsenian-Rad, Emma Stewart 76 Formación de científicos de datos de
y Ed Cortez energía
Por Tao Hong, David Wenzhong Gao,
40 Análisis de "big data" Tom Laing, Dale Kruchten
para el intercambio flexible de energía y Jorge Calzada
Por Furong Li, Ran Li, Zhipeng Zhang,
Mark Dale, David Tolley y Petri Ahokangas 86 Energía eólica y solar integrada
y almacenamiento de energía
49 Datos meteorológicos para el análisis de Por Sundar Venkataraman, Chris Ziesler,
energía Peter Johnson y Stephanie Van Kempen
Por Jonathan Black, Alex Hofmann, Tao Hong,
Joseph Robert y Pu Wang

86 columnas y
departamentos
4 Del editor
6 Esquina del líder
13 Editorial invitada
97 Premios
99 Historia
112 Reseñas de libros
116 Calendario
123 En mi opinión

Identificador de Objeto Digital 10.1109/MPE.2017.2788977

mayo/junio 2018 ieee power & energy magazine 1


Editor en Jefe
Michael I. Henderson, mih.psat@gmail.com
Editores Asociados
Hyde Merrill, Emertitus, Historia
John Paserba, Historia
Consejo Editorial
L. Barroso, A. Conejo, J. Feltes, N. Hatziargyriou, T.
Hong, B. Johnson, B. Kroposki, N. Lu,
B. Mather, M. Miller, M. O’Malley, N. Ochoa,
power & energy society (pes) del ieee
La Power & Energy Society del IEEE es una organización de miembros del IEEE cuyo interés principal es el avance de la ciencia y la práctica de producción, transmisión,
distribución y utilización de la potencia eléctrica. Todos los miembros del IEEE son elegibles para ser miembros de la Sociedad. Declaración de misión: Ser el proveedor líder de
información científica y de ingeniería sobre potencia eléctrica y energía para la mejora de la sociedad y la fuente preferida de desarrollo profesional para nuestros miembros.
Consejo de Administración
S. Rahman, Presidente
F. Lambert, Presidente electo
M. Armstrong, Vicepresidente, Capítulos
F. Rahmatian, Vicepresidente, Actividades Técnicas
E. Uzunovic, Vicepresidente, Educación
M. Crow, Vicepresidente, Publicaciones
T. Mayne, Vicepresidente, Reuniones
J.C. Montero Q, Vicepresidente, Membresía
e Imagen
S. Bahramirad, Vicepresidente, Nuevas Iniciativas/
Alcance
N. Hadjsaid, Tesorero
J. Bian, Secretaria
D. Novosel, Expresidente
D. Diaz, Repr. Regional, EE. UU. y Canadá
J. Milanovic, Repr. Regional, Europa, Oriente
Medio y África
S. Leon, Repr. Regional, América Latina
D. Sharafi, Repr. Regional, Asia y Pacífico
C.Y. Chung, Miembro General
B. Enayati, Miembro General
H. Koch, Miembro General
L. Ochoa, Miembro General
Director de la División VII del IEEE
B. Meyer
Director electo de la División VII del IEEE
Abierto
Director Ejecutivo de la PES
Patrick Ryan, +1 732 465 6618,
fax +1 732 562 3881, p.ryan@ieee.org
Presidentes de Comités Permanentes
H. Louie, Estatutos y Reglamentos
V. Kolluri, Fellows
N. Hadjsaid, Finanzas
A. Apostolov, Historia
F. Lambert, Planificación de Largo Alcance
D. Novosel, Nominaciones y Nombramientos
Representantes de Capítulos
F. Al Dhaheri, Z. Bo, R. Cespedes,
S. Cundeva, C. Diamond, B. Djokic,
G. Gonzalez, J. Khan, R. Nagaraja,
N. Nair, M. Papic, I. Petruzela,
T. Salihy, G.N. Taranto, D. van Hertem,
M.C. Wong, Z. Zakaria
Presidentes del Comité de Capítulos
C. Diamond, Comunicación Electrónica
E. Carlsen, Premios y Recursos
Y. Chen, Programa de Conferencistas Distinguidos
C. Diamond, Sitio Web de Capítulos
Presidentes del Comité de Membresía
e Imagen
V. Madani, Premios y Reconocimiento
J. Hofman, Jóvenes Profesionales
Abierto, Embajadores
I. Riaño S., Redes Sociales
Identificador de Objeto Digital 10.1109/MPE.2017.2788998
2 ieee power & energy magazine
magazine
Departamento de publicaciones
periódicas y revistas del IEEE
445 Hoes Lane, Piscataway, NJ 08854 EE. UU.
J. Paserba, C.E. Root, H. Rudnick, M. Shahidehpour, www.ieee.org/magazines
G.B. Sheblé, J.C. Smith, M. Thomas, E. Uzunovic, Geraldine Krolin-Taylor, Directora de Redacción
S.S. Venkata, J. Wang, S. Widergren Janet Dudar, Directora Artística
Gail A. Schnitzer, Director Artístico Asociado
Theresa L. Smith, Coordinadora de Producción
Consejo Editorial en español
Enrique Tejera, Editor en Jefe Felicia Spagnoli, Gerente de Producción Publicitaria
Peter M. Tuohy, Director de Producción
Editores: M. Baqueadano, G. Gonzalez, G. Valverde Kevin Lisankie, Director de Servicios Editoriales
Dawn M. Melley, Director de Personal, Operacio-
Publicidad nes de Edición del IEEE
Erik Henson, Naylor Association Solutions
El IEEE prohíbe la discriminación, el hostigamiento y el acoso. Para
+1 352 333 3443, fax: +1 352 331 3525 obtener más información, visite http://www.ieee.org/web/aboutus/
ehenson@naylor.com whatis/policies/p9-26.html.
Promoting Sustainable Forestry
SFI-01681
G. González, Desarrollo de Sitio Web T. Burse, Coordinación de Estándares
S. Ninalowo, Mujeres en Energía D. Toland, Administrador de Sitios Web
J. Benedict, Mercadeo Abierto, Educación de la Industria
M. Seif, Desarrollo de Membresía
F. Guzman, Vicepresidente del Comité Publicaciones
de Desarrollo de Membresía Presidente del Consejo de Publicaciones, M. Crow
Editores en Jefe
Consejo Técnico IEEE Electrification Magazine, I. Husain
F. Rahmatian, Presidente, V. Vittal, Vicepresidente IEEE Power Engineering Letters, M. Fotuhi-
H. Chen, Secretario, M. Sanders, Expresidente Firuzabad
IEEE Trans. on Energy Conversion, J. Jatskevich
Presidentes del Comité Técnico IEEE Trans. on Power Delivery, W. Xu
A. Schneider, Métodos Analíticos para Sistemas
IEEE Trans. on Power Systems, N. Hatziargyriou
de Potencia IEEE Trans. on Smart Grid, J. Wang
K. Chen, Maquinaria Eléctrica
IEEE Trans. on Sustainable Energy, B. Chowdhury
W.T. Jewell, Desarrollo de Energía y Generación de IEEE Power & Energy Technology Systems Journal,
Potencia
S. Sudhoff
C. Searles, Almacenamiento de Energía y Batería IEEE Power & Energy Magazine, M. Henderson
Estacionaria
eNewsletter, S. Fattah
E. Bascom, Conductores Aislados Representante de la PES para IEEE Press, Abierto
T. Koshy, Ingeniería de Potencia Nuclear
Sitio Web, Abierto
M. Dood, Comunicación de Sistemas de Potencia
y Ciberseguridad Reuniones
C. Canizares, Rendimiento Dinámico del Sistema Presidentes del Comité
de Potencia Directivo de la Reunión General, D. Hall
E. Hanique, Instrumentación del Sistema de Directivo del Evento del Comité Técnico Mixto,
Potencia y Mediciones S. Ward
L. Barroso, Planificación de la Operación del Directivo de Conferencias Técnicamente
Sistema de Potencia y Economía Copatrocinadas, J. Mitra
M. Pratap, Transmisión y Control del Sistema Directivo de la Conferencia sobre Transmisión y
de Potencia Distribución y del Comité de Exposición para
S. Chandler, Construcción Inteligente, Carga y Norteamérica, C. Segneri
Sistemas de Clientes Conferencia sobre Tecnología de Redes Inteligentes
D. Watkins, Subestaciones Innovadoras – Europa, D. Van Hertem
R. Hotchkiss, Dispositivos de Protección frente a Conferencia sobre Tecnología de Redes Inteligentes
Sobretensiones Innovadoras – Asia, por confirmar
T. Irwin, Dispositivo de Conmutación Sitio Web, Abierto
S. McNelly, Transformadores
G. Chang, Transmisión y Distribución Educación
Presidentes del Comité
Comités de Coordinación del Consejo Técnico Educación de Potencia y Energía, S. Brahma
D. Houseman, Red Inteligente y Tecnologías Scholarship Plus, J. Peer
Emergentes Sitio Web, Abierto
D. Alexander, Sistemas Marinos
D. Lew, Potencia Eólica y Solar Nuevas Iniciativas y Alcance
Presidentes del Comité
Comités Permanentes del Consejo Técnico Smart Village del IEEE, R. Larsen, Presidente
M. Sanders, Premios R. Podmore, Vicepresidente
V. Vittal, Sesiones Técnicas Alcance de la Industria, J. Giri, Presidente
H. Chen, Organización y Procedimientos Sitio Web, K. Anastasopoulos
IEEE Power & Energy Magazine
IEEE Power & Energy Magazine (ISSN 1540-7977) (IPEMCF) es una publicación quincenal elaborada por el Institute of Electrical and
Electronics Engineers, Inc. Sede Central: 3 Park Avenue, 17th Floor, Nueva York, NY 10016-5997 EE. UU. La responsabilidad de los
contenidos recae sobre los autores y no sobre el IEEE, la Sociedad o sus miembros. Centro de Operaciones del IEEE (para pedidos,
suscripciones, cambios de dirección): 445 Hoes Lane, Piscataway, NJ 08854 EE. UU. Teléfono: +1 732 981 0060, +1 800 678 4333.
Copias individuales: Miembros del IEEE 20.00 USD (solo primera copia), no miembros 82.00 USD por copia. Tarifas de suscripción:
Miembros de la Sociedad incluido en las cuotas de afiliación. Tarifas de suscripción disponibles previa solicitud. Derechos de autor y
permisos de reimpresión: Se permite la extracción si se cita la fuente de información. Se permite que las bibliotecas realicen copias más
allá de los límites de la Ley de derechos de autor de EE. UU. para el uso privado de patrocinadores de 1) los artículos posteriores a 1977
que llevan un código en la parte inferior de la primera página, siempre y cuando se pague la tasa por copia indicada en el código a través del
Centro de derechos de autor (Copyright Clearance Center), 222 Rosewood Drive, Danvers, MA 01923 EE. UU.; 2) los artículos anteriores
a 1978 sin tasa alguna. Para otro permiso de copia, reimpresión o reedición, escriba al Departamento de Derechos de Autor y Permisos,
Centro de Operaciones del IEEE, 445 Hoes Lane, Piscataway, NJ 08854 EE. UU. Copyright © 2018 por el Institute of Electrical and
Electronics Engineers, Inc. Todos los derechos reservados. Franqueos periódicos pagados en Nueva York, NY, y en las oficinas de correo
adicionales. Administrador de Correos: Enviar cambios de dirección a IEEE Power & Energy Magazine, Centro de Operaciones del IEEE,
445 Hoes Lane, Piscataway, NJ 08854 EE. UU. Canadian GST #125634188 impreso en ee. uu.
mayo/junio 2018
DIgSILENT announces

PowerFactory 2018
DIgSILENT’s simulation software PowerFactory has been continually
improved and extended for more than 25 years to meet the increasing
demands of its customers.
In PowerFactory 2018 major new developments in functionality in-
clude the introduction of Probabilistic Analysis, Remedial Action
Schemes in Contingency Analysis, Data Extensions and new tools
for Protection analysis. It also comes with new and improved in-
terface functions including a PSS/Sincal data import converter and
a Plant and Grid Performance Monitor to support real-time data
streaming for RMS simulations. There has been an emphasis on
usability, in particular a restructuring of the Global Library and the
introduction of versioning, enabling all models including protection
device models to be included in the library. The plots functionality
has been redesigned, there are improvements to the data colouring
methodology and a new graphic search option is available.

Selected Key Features

New module Probabilistic Analysis incorporating very powerful capabilities
for managing stochastic parameters based on distribution curves and their
correlations
New Distance Protection Reach Colouring in diagrams and new Short-circuit
sweep plots
New Remedial Action Schemes (RAS) in Contingency Analysis, for flexible
and dynamic analysis of post-fault actions
New Frequency Response Analysis of dynamic models
New Plant and Grid Performance Monitor to support real-time data
streaming for RMS simulations, based on IEEE C37.118
Simulation snapshot saving for subsequent analysis
Improved visualisation of the Modal Analysis results in network diagram
Enhanced Cable System Analysis with improved cable layout modelling
Revision of Equipment Type Library with new versioning concept
Extension of the Type Library by all supported protection devices
New and improved models including Multi-Core Cables, Thyristor Controlled
Series Capacitor and HVDC Line Commutated Converter
New Data (Model) Extension concept, opening up new possibilities for
customisation with user-defined attributes
Powerful graphic search option for network elements in diagrams, including
geographic search
Improved plot handling, including new user-friendly plot insert option
Revised data colouring scheme to provide a better visualisation of
parameters with characteristics and distributions
New PSS ®Sincal data import converter

For more Information about DIgSILENT PowerFactory visit www.digsilent.com.

 del editor
Michael Henderson

tenemos los datos

que hacen que funcione para nosotros

T
Todos hemos oído el refrán
de gestión: “¡muéstrame los datos y to-
maremos una decisión sensata!” Para
tomar decisiones sensatas, debemos
identificar los datos que necesitamos re-
copilar, encontrar soluciones alternativas
cuando no haya alternativas confiables
disponibles, llevar a cabo análisis sóli-
dos y presentarlos en formas fácilmente
comprensibles. ¿Cómo podemos hacer
esto cuando la cantidad datos es enorme?
la transformación de la industria de
potencia eléctrica a una con más recur-
sos variables y distribuidos precisa de
nuevos medios para recopilar e interpre-
tar datos como requisito fundamental

©Footage Firm, iNC.

para llevar a cabo un análisis de los sis-
temas de potencia. Por ejemplo, cientos
de miles de instalaciones fotovoltaicas
particulares afectan el rendimiento del
sistema en la pequeña área de nueva In-
glaterra. el análisis de “big data” (BdA,
por sus siglas en inglés) proporciona los
medios para identificar, recopilar y ana-
lizar los parámetros críticos requeridos
para predecir la carga neta del sistema
del rendimiento fotovoltaico.
las mejoras tecnológicas propor-
cionan asombrosas cantidades de flu-
jos de datos que necesitan análisis de
"big data" en innumerables áreas. las
unidades de medición de fasores mejo-
ran el conocimiento de las situaciones;
el monitoreo de líneas y equipos infor-
ma sobre prácticas de mantenimiento
predictivas y mejora la resiliencia del
sistema. las mejoras en la tecnología
de almacenamiento ofrece oportunida-
Identificador de Objeto Digital 10.1109/MPE.2018.2801958
Fecha de publicación: 18 de abril de 2018
des para las aplicaciones en el sistema
de potencia, pero también presentan
desafíos para el funcionamiento eficaz
y económico. los avances en la comu-
nicación y los nuevos regímenes regu-
ladores pueden aumentar la eficacia
de la respuesta a la demanda, pero los
funcionamientos confiables y la plani-
ficación requieren BdA.
los actuales líderes en BdA han
identificado aplicaciones y han avanza-
do en la tecnología de punta. Preparar
la siguiente generación de analistas e
ingenieros con la capacidad de realizar
evaluaciones técnicas de BdA es tam-
bién una misión crítica en este campo
relativamente nuevo e interesante para
el análisis de los sistemas de potencia.
Presentar los resultados de BdA en
formas fácilmente comprensibles para
públicos menos técnicos, sin embargo,
sigue siendo clave para las decisiones
sensatas de gestión y la comunicación
con las partes interesadas, tales como
los responsables de formular políticas.
En esta edición
esta edición de la IEEE Power & Ener-
gy Magazine resume el motivo y la for-
ma del BdA. Aunque algunos de los
artículos describen métodos altamente
técnicos de análisis, a nuestros lectores
les convendría leer todos los artículos
en su totalidad. los profesionales
(continúa en la pág. 12)

4 ieee power & energy magazine mayo/junio 2018

 Analysis, planning and opamizaaon of networks
Fastest dynamic simulaaon
Asset Simulaaon and Forecasang

Electricity

Gas / Water / Heaang

NEPLAN relies on cuung-edge technology

> Modelling of any AC and DC networks with AC/DC converters
> State-of-the-art transient models for renewable energies, storage,
HVDC, VSC, wind turbines according to IEC 61970, etc.
> Calculaaon of very large transmission and distribuaon networks
> Automaac stress test for e-mobility and PV systems
> Combines electricit
electricity, gas and district heaang networks
> Risk analysis with asset management
Asset Management > Integrated protecaon device seeng and management in mula-user
environment
> High-end CIM Manager: Exchange of network data and models
according to IEC 61400

When it has to be fast, reliable and simple

NEPLAN AG Power Systems Engineering
Oberwachstgrasse 2
CH 8700 Kuesnacht, Zurich
Phone +41 44914 36 66
www.neplan.ch
Training info@neplan.ch
 esquina del líder
Tommy Mayne

Conferencias sobre ISGT

un enfoque en las soluciones prácticas de la red
inteligente

L
La ConferenCia de TeCnoLo-
gías de redes inteligentes integradas
(integrated Smart Grid Technologies,
iSGT) 2017 en Washington, d.C., marcó
el noveno evento sobre iSGT celebrado
en norteamérica. desde 2010, iSGT se
convirtió en la conferencia más impor-
tante que se centra en las soluciones
prácticas de redes inteligentes para la
Identificador de Objeto Digital 10.1109/MPE.2018.2798758
Fecha de publicación: 18 de abril de 2018
industria de los servicios públicos de
electricidad. La conferencia también
ha crecido desde sus raíces originales
en los estados Unidos a una presencia
global con 25 conferencias sobre iSGT
llevadas a cabo en países de todo el
mundo hacia fines de 2017 (Gráfico 1).
¿Por qué iSGT? recuerdo la prime-
ra vez que oí el término “red inteligen-
te”. Mi primer pensamiento fue que, en
más de 40 años en la industria de los
servicios públicos, no recordé que una
“red tonta” fuera diseñada. Pero con
mejoras en las tecnologías de la comu-
nicación y la informática, la oportuni-
dad de solucionar las limitaciones y los
costos de la red eléctrica se ha puesto
de manifiesto y permite que se desa-
rrollen redes más inteligentes. Las li-
mitaciones tecnológicas en la medición
ya no obligan a promediar los precios
máximos de la potencia y a hacerlos
llegar a todos los consumidores por
igual. en paralelo, el uso de cantidades

ISGT EN TODO EL MUNDO

Conferencias Mundiales sobre ISGT de la PES del IEEE

Gotemburgo, Suecia

Mánchester, Reino Unido Lyngby, Dinamarca

Liubliana, Eslovenia
Minneapolis, MN
Bosnia y Herzegovina
Berlín, Alemania
Tianjin, China
Anaheim, CA Gaithersburg, MD Torino, Italia

Washington, D.C. Estambul, Turquía Bangalore, India

Bangkok, Tailandia

Medellín, Colombia

Quito, Ecuador Singapur

Kuala Lumpur, Malasia

San Pablo, Brasil

LEYENDA DEL MAPA
ISGT Norteamérica Auckland, Nueva Zelandia
Melbourne, Australia
ISGT Asia Montevideo, Uruguay

ISGT Europa

ISGT América Latina

gráfico 1. Las Conferencias sobre ISGT tienen una presencia global.

6 ieee power & energy magazine mayo/junio 2018

 sustanciales de energía renovable ha
cambiado las características del siste-
ma eléctrico.
Gracias a una amplia variedad de
fuentes de energías renovables, se puso
de manifiesto la necesidad de sistemas
de control más sofisticados para facili-
tar la conexión de fuentes a lo que, de
otra manera, sería una red fácilmente
controlable. La potencia de las celdas
fotovoltaicas (y, en menor medida, de
las turbinas eólicas) también ha cuestio-
nado la necesidad de grandes centrales
de potencia centralizadas. Los costos
rápidamente descendentes de las ener-
gías renovables apuntan a un importante
cambio en la topología de la red centra-
lizada hacia una ampliamente distribui-
da, con la potencia siendo generada y
consumida en los límites de la red. La
creciente preocupación por la seguridad
ha suscitado pedidos de una red de ener-
gía más robusta, que dependa menos en
8 ieee power & energy magazine
las centrales de potencia centralizadas,
percibidas como vulnerables.
Una definición de “red
inteligente”
La primera definición oficial de redes
inteligentes en los estados Unidos fue
proporcionada por la Ley de autono-
mía energética y Seguridad de 2007,
aprobada por el Congreso en enero de
2007. esta brinda una descripción con
diez características que pueden consi-
derarse una definición de red inteligen-
te, y es la siguiente:
es la política de los estados
Unidos para apoyar la moderniza-
ción del sistema de transmisión y
distribución de la electricidad de
la nación, para mantener una in-
fraestructura de electricidad con-
fiable y segura que pueda cumplir
con el crecimiento futuro de la de-
manda y alcanzar cada una de las
siguientes características, que jun-
tas describen una red inteligente:
(1) Uso creciente de la tecnología
de la información digital y de los
controles para mejorar la confiabi-
lidad, la seguridad y la eficiencia
de la red eléctrica. (2) optimiza-
ción dinámica de las operaciones
y recursos de la red con seguridad
informática completa. (3) desplie-
gue e integración de recursos y de
generación distribuidos, incluyen-
do recursos renovables. (4) desa-
rrollo e incorporación de respuesta
a la demanda, de los recursos late-
rales de la demanda y de los recur-
sos para la eficiencia energética.
(5) despliegue de tecnologías “in-
teligentes” (tecnologías en tiempo
real, automatizadas e interactivas
que optimicen la operación física
de aparatos y dispositivos para
el consumidor) para mediciones,
mayo/junio 2018
 comunicación relativa a las
operaciones y estado de la red,
y automatización de la distribu-
ción. (6) integración de aparatos
y dispositivos “inteligentes” para
el consumidor. (7) despliegue e
integración de tecnologías avan-
zadas para el almacenamiento
de electricidad y la nivelación
de máximos, incluyendo los ve-
hículos eléctricos conectables e
híbridos, y el aire acondicionado
de almacenamiento térmico. (8)
Suministro a los consumidores de
información oportuna y opciones
de control. (9) desarrollo de es-
tándares para la comunicación y
la interoperabilidad de los apara-
tos y equipos conectados a la red
eléctrica, incluyendo la infraes-
tructura que abastece a la red.
(10) identificación y reducción de
barreras irracionales o innecesa-
rias a la adopción de tecnologías,
10 ieee power & energy magazine
prácticas y servicios de redes in-
teligentes.
incluso con esta definición de red
inteligente, la industria aún no com-
prende el término en su totalidad.
La Power & energy Society (PeS)
del ieee reconoció la necesidad de
que la Conferencia sobre iSGT se cen-
tre en la industria, con la colaboración
tanto de profesionales como de miem-
bros académicos. También se reconoció
la necesidad de la regionalización de la
conferencia. así, bajo el liderazgo de la
PeS, se han celebrado Conferencias sobre
iSGT alrededor del mundo en más de 19
países. esta globalización permite que
participen personal de la industria local
de servicios públicos y sus colegas aca-
démicos en regiones de todo el mundo.
el enfoque de la Conferencia sobre
iSGT en soluciones prácticas para re-
des inteligentes difiere del enfoque
académico de las conferencias típicas,
que abarcan únicamente ecuaciones e
investigación. Si no ha asistido a una
Conferencia sobre iSGT, anote la si-
guiente en su calendario y planee asis-
tir. Mejor aún: planee participar.
Las conferencias sobre iSGT brin-
dan exposición a las últimas novedades
sobre numerosos asuntos y temas, in-
cluyendo
✔ soluciones prácticas para los servi-
cios públicos, tales como historias
de éxito y lecciones aprendidas
✔ innovaciones y soluciones tecno-
lógicas que benefician a nuestra
industria
✔ influencias y mandatos regulato-
rios que afectan nuestra industria.
Todas las presentaciones pretenden ser
fáciles de comprender para toda la au-
diencia, no solo algunos expertos.
esta conferencia es un foro para que
los usuarios de servicios públicos
✔ aprendan sobre soluciones y tec-
nologías que pueden aplicar en
sus servicios públicos
mayo/junio 2018
PSCAD POWER SYSTEM SIMULATION

The Industry Standard for

Electromagnetic Transient Simulations
PSCAD™ / EMTDC™ has earned the trust of power system leaders around
the world for over 40 years. Our software provides unparalleled reliability,
speed, and accuracy for a range of applications, including:

• Insulation Coordination: Lightning and Switching

• Harmonics, Ferroresonance and Power Quality
• HVDC and FACTS
• Wind, Solar and Distributed Generation
• Protection and Relays
• Equipment Failure Analysis

Start your simulations today, our technical support

team is ready to help.

E: info@pscad.com
W: www.pscad.com
 ✔ reduzcan al mínimo el desecho
a través de investigación técnica
que no es aplicable en su trabajo
hoy en día
del editor (continuación de la pág. 4)
altamente analíticos aprenderán algunos
de los métodos de Bda que se usan y
quienes estén menos familiarizados con
la tecnología de punta aprenderán sobre
las posibles aplicaciones y los medios
para mostrar los resultados del Bda.
el editor invitado Tao Hong recopiló
seis buenos artículos que ilustran aspec-
tos importantes y cómo las aplicaciones
del Bda pueden ser útiles para la comu-
nidad de la PeS. Como se describe en
la “editorial invitada”, la edición analiza
distintos aspectos del Bda, tales como
✔ medios de visualización de “big
data”, con ejemplos de datos de
medidores inteligentes, unidades
de medición de fasores y predic-
ciones probabilísticas
✔ aplicaciones de Bda de las me-
diciones de sincrofasores del sis-
tema de distribución
✔ la forma en que el Bda puede
brindar flexibilidad y eficacia
física y reguladora a través del
comercio entre pares
✔ el uso de datos meteorológicos
para modelar y evaluar los índi-
ces de confiabilidad del cliente
ante interrupciones y para simu-
lar la salida de las instalaciones
fotovoltaicas particulares
✔ ejemplos de aplicaciones de Bda
en la industria de la potencia eléc-
trica para la predicción de carga,
la producción de energía renova-
ble, los análisis de estabilidad y
los equipos de potencia
✔ oportunidades para educar a los
estudiantes sobre el Bda y las
perspectivas de opciones profe-
sionales
La sección “en mi opinión” de Le
Xie analiza la probabilidad de que los
datos tengan un impacto importante en
los procesos comerciales y la moder-
nización de la red eléctrica. También
12 ieee power & energy magazine
✔ conozcan las regulaciones inmi-
nentes/propuestas que tendrán
un efecto directo sobre sus ser-
vicios públicos.
analiza cómo la Power & energy So-
ciety (PeS) del ieee reconoce los as-
pectos en torno al Bda y ayuda a edu-
car a nuestros miembros compartiendo
aplicaciones de nuevos métodos para
analizar el sistema de potencia.
La edición también presenta un
artículo independiente, de Sundar
Venkataraman, Chris Ziesler, Peter Jo-
hnson y Stephanie Van Kempen, sobre
el diseño de la planta integrada de po-
tencia eólica, solar y de almacenamien-
to de energía. el análisis de los perfiles
complementarios de producción de
recursos y del uso de diseños innova-
dores generan beneficios para empla-
zar la planta, una menor necesidad de
inversión en infraestructura y menores
costos operativos y de mantenimiento.
Reseña del libro
Gerald Sheblé ofrece a nuestros lectores
un análisis de Control and Dynamics in
Power Systems and Microgrids de Ling-
ling fan. el libro, que abarca de manera
integral todos los aspectos del control y
la simulación dinámica, debería ser de
gran interés tanto para estudiantes como
para profesionales de la industria.
Medalla del IEEE 2018 en
Ingeniería de Potencia
Las aplicaciones de la industria, la
electrónica industrial, la electrónica
de Potencia y las Sociedades de Pe del
ieee patrocinan la prestigiosa Meda-
lla del ieee en ingeniería de Potencia.
felicitaciones a Hirofumi akagi, el
ganador de 2018, quien fue reconocido
por sus innovadoras contribuciones a la
teoría y práctica de los sistemas de con-
versión de potencia y sus aplicaciones.
Actualizaciones de la PES
el ieee desempeña una función impor-
tante preparando nuestra membresía para
Si usted tiene alguna idea para hacer que la
Conferencia sobre iSGT sea mejor y más
valiosa, por favor háganoslo saber.
p&e
abordar los numerosos desafíos de la in-
tegración de recursos renovables y los re-
cursos de alta demanda. La “esquina del
líder” de Tommy Mayne, vicepresidente
de reuniones, analiza nuestras Conferen-
cias sobre Tecnologías innovadoras de
redes inteligentes (iSGT, por sus siglas
en inglés). estas conferencias se enfo-
can en soluciones de redes inteligentes
en beneficio de los asistentes, incluyen-
do teóricos, profesionales y autoridades
reguladoras. aunque comenzaron en los
estados Unidos, 25 conferencias sobre
iSGT se celebraron en 19 países alrede-
dor del mundo hasta fines de 2017.
Historia
Bienvenido, John Paserba, nuestro nue-
vo editor asociado de Historia. esta
edición presenta una columna de r.n.
Yeckley y J. Perulfi sobre la historia
de los disyuntores en aceite (oCB, por
sus siglas en inglés), desde su desarro-
llo inicial en los comienzos de nues-
tra industria hasta la década de 1980.
Muchos de nosotros colaboramos en
dicha historia, y la mayoría de nosotros
aún se encuentra con tecnología de
oCB. La columna muestra muchos
gráficos interesantes que ilustran la
evolución de estos disyuntores.
Agradecimientos
Un agradecimiento especial a Mel ol-
ken, quien sigue ofreciendo orientación
y tutelaje, y al personal de ieee Pu-
blications que hace que esta revista sea
posible. además, damos las gracias a
los muchos colaboradores de esta edi-
ción, en especial a nuestro editor in-
vitado Tao Hong y a nuestros autores
invitados. Un especial reconocimiento
al editor asociado John Paserba y ro-
bert C. Henderson, quien proporciona
asistencia editorial.
p&e
mayo/junio 2018
editorial invitada
Tao Hong

análisis de "big data"

que hace a la red inteligente más inteligente

S
Según google TrendS (grá­
fico 1), el interés de búsqueda en la web
del término “análisis” tuvo un salto en
2005, un punto álgido a fines de 2011
y luego un lento descenso. después
de la oleada a principios de la década
de 2010, ha habido una tendencia a la
baja en los últimos años. Hoy en día,
“análisis” atrae entre tres y cinco ve­
ces más interés de búsqueda que mu­
chas expresiones en boga, tales como
“inteligencia artificial” y “aprendizaje
automático”.
la portada de la edición de septiem­
bre/octubre 2012 de la IEEE Power
& Energy Magazine dice “el campo
emergente del análisis de datos: cómo
los datos se convierten en conocimien­
to”. la edición presentó cinco aplica­
ciones de análisis de datos, como el
conocimiento de la situación, la eva­
luación de seguridad, la estimación de
estado, el análisis de fallas y la pre­
dicción de potencia eólica. Cinco años
Identificador de Objeto Digital 10.1109/MPE.2018.2801440
Fecha de publicación: 18 de abril de 2018
más tarde, cuando volvemos a revisar
este tema, el análisis de datos ya no
es ajeno para el sector de la potencia y
la energía. la industria de la energía
asciende gradualmente en la escala del
análisis, del análisis descriptivo al aná­
lisis predictivo, y todo el proceso hasta
el análisis prescriptivo. Mientras tanto,
muchas empresas de energía han acu­
mulado grandes volúmenes de datos
de varias fuentes de análisis avanzado.
Hoy en día, el análisis de “big data” o la
aplicación de análisis en “big data” se
ha convertido en un campo emergente.
Como campo interdisciplinario, el
análisis de “big data” tiene un amplio
rango de aplicaciones en la industria
de la energía. Al preparar esta edición,
entendimos que no había manera de
que fuese integral. Por lo tanto, hemos
escogido una recopilación de ideas
nuevas, herramientas eficaces y nuevas
implementaciones para presentar. en­
tre los temas se incluye la visualización
de datos, la planificación y los funcio­
namientos del sistema, los mercados
de energía, la integración de energías
renovables y la educación. esta edición
también abarca una variedad de fuen­
tes de datos, tales como datos de medi­
dores inteligentes domésticos, datos de
sincrofasores, datos de interrupciones
en la distribución y datos meteorológi­
cos de alta resolución.
la visualización de datos es un paso
fundamental en el flujo de trabajo de
análisis. dado que una imagen vale más
que mil palabras, las visualizaciones de
imágenes cuidadosamente diseñadas
pueden ayudar a los analistas a identi­
ficar los modelos predictivos apropia­
dos, ofrecer información integral para
los responsables de tomar decisiones
y facilitar la comunicación con las
partes interesadas. dado que los datos
de la energía están aumentando cada
vez más, muchas tareas de visualiza­
ción ya no pueden ser realizadas tan
solo apuntando y haciendo clics en una
hoja de cálculo. en el primer artículo,
“Visualización de 'big data' de energía”,
Hyndman y otros demuestran varias
soluciones de visualización modernas
mediante tres conjuntos de datos dife­

Google Trends en cuanto a Análisis, Inteligencia artificial y Aprendizaje automático

100
Interés de búsqueda (%)

80

60

40
Análisis Inteligencia artificial Aprendizaje automático
20

0
2004–01
2004–04
2004–07
2004–10
2005–01
2005–04
2005–07
2005–10
2006–01
2006–04
2006–07
2006–10
2007–01
2007–04
2007–07
2007–10
2008–01
2008–04
2008–07
2008–10
2009–01
2009–04
2009–07
2009–10
2010–01
2010–04
2010–07
2010–10
2011–01
2011–04
2011–07
2011–10
2012–01
2012–04
2012–07
2012–10
2013–01
2013–04
2013–07
2013–10
2014–01
2014–04
2014–07
2014–10
2015–01
2015–04
2015–07
2015–10
2016–01
2016–04
2016–07
2016–10
2017–01
2017–04
2017–07
2017–10
2018–01

gráfico 1. Interés de búsqueda en la web de los términos "análisis", "inteligencia artificial" y "aprendizaje automático". Un
valor de 100 es la popularidad máxima del término. Un valor de 50 se refiere a que el término tiene la mitad de popularidad.

mayo/junio 2018 ieee power & energy magazine 13

7LPHWRVZLWFK
5XJJHGFRPPXQLFDWLRQVIRUWKHGLJLWDOVXEVWDWLRQ

'LJLWDOL]DWLRQXVKHUVLQDQHZGD\IRUVXEVWDWLRQVRSHQLQJXSQHZSURVSHFWVLQ
WKHKLJKO\YRODWLOHHQHUJ\PDUNHW²DVORQJDVFRPPXQLFDWLRQQHWZRUNVFDQUHOLDEO\
KDQGOHHYHUJURZLQJDPRXQWVRIGDWDDQGSUHFLVLRQWLPLQJRQDVLQJOHQHWZRUN
HYHQXQGHUH[WUHPHHQYLURQPHQWDOFRQGLWLRQV:LWKWKHQHZ58**('&20567
DQ,(((µUDFNVZLWFKIHDWXULQJKLJKSRUWGHQVLW\ZLWK*%LWVXSOLQNVDV
ZHOODVWKHFRPSDFWIXOO*LJDELW56*5DQG56*5,(((VZLWFKHVZLWK
3'3$$

353+65IXQFWLRQDOLW\\RX·OOEHUHDG\7LPHWRVZLWFK

VLHPHQVFRPGLJLWDOVXEVWDWLRQ
rentes: datos de demanda de medidores
inteligentes domésticos, datos de unida­
des de medición de fasores (PMU, por
sus siglas en inglés) y predicciones de
energía eólica probabilísticas.
dado que las PMU están transfor­
mando la manera en que vemos las re­
des de transmisión de potencia, algunas
empresas de distribución de energía
han comenzado a investigar aplicacio­
nes de PMU a nivel de distribución,
también conocidas como micro PMU
(μPMU). Una μPMU típica lee 120 ve­
ces/segundo, es decir, 108,000 más rápi­
do que un medidor inteligente típico que
lee una vez cada 15 minutos. la forma
de traducir estos datos de frecuencia
ultra alta en funcionamientos de dis­
tribución y planificación mejorados se
convierte en un desafío emergente tan­
to para la industria como para el mun­
do académico. en el segundo artículo,
“Sincrofasores en la distribución”, Mohse­
nian­rad y otros presentan una serie de
ejemplos del mundo real basados en los
datos de μPMU y eventos recopilados
de varios alimentadores de prueba de
12.47 kV en riverside, California. los
autores comienzan con cinco ejemplos
que ilustran las aplicaciones del análi­
sis descriptivo y predictivo en el diag­
nóstico defectuoso de la distribución y
el monitoreo de redes. luego, usan dos
ejemplos adicionales para motivar las
aplicaciones mejoradas de los datos de
μPMU y pedir soluciones escalables.
Aunque existe amplio apoyo para un
futuro con baja emisión de carbono, la
transición hacia una economía con baja
emisión de carbono presenta un desafío
enorme. el reino Unido, por ejemplo,
está enfrentando una disminución en el
subsidio para la generación renovable y
una reducción en la capacidad de la red.
Ambos factores están limitando la ace­
leración de la transición. li y otros, en
el tercer artículo, “Análisis de 'big data'
para el intercambio flexible de energía”
presentan dos esquemas de intercam­
bio para explotar la flexibilidad en un
sistema energético: 1) la flexibilidad y
la energía compartidas mediante la co­
mercialización de energía entre pares
en mercados locales de energía y 2) el
acceso compartido a la red. en dicho
sistema de intercambio flexible de ener­
gía, los usuarios y los participantes del
mercado requieren información integral
para el conocimiento de la situación; los
precios tienen que establecerse en tiem­
po real; la flexibilidad en la demanda
necesita coincidir con los recursos ener­
géticos variables a través de un amplio
análisis de datos. Por lo tanto, el análisis
de “big data” pasa a ser un facilitador
clave de estos esquemas de intercambio.
en esta década, la industria de la
energía ha estado muy dedicada a la
gestión y análisis de datos de nuevas
fuentes, como los medidores inteligen­
tes y las PMU. Mientras tanto, no se ha
prestado demasiada atención a los datos
meteorológicos, a pesar de que el clima
está afectando muchas facetas de la in­
dustria de la energía, como la demanda

World Leader in Developing Powerful and

Field-Proven On-line and Off-line Tools
Bigwood for Power Grid On-line Monitoring,
Systems, Inc. Assessment, Enhancement,
www.bigwood-systems.com
sales@bigwood-systems.com and Optimization
t: +1.607.257.0915
f: +1.607.257.0237 On-line, Look-ahead, and Day-ahead Solutions
 Real-time and Look-ahead Static and Dynamic Security Assessment
Innovation prevails! (patented screening, ranking, and detailed analysis)
BSI has invented and holds the rights
to 18 patents in this area of expertise.  Actionable Control Recommendation Engine to eliminate violations and
mitigate unstable contingencies
 On-line System Operating Limit Engine: on-line operating limit determina-
tion for voltage stability, transient stability, and small-signal stability
 On-line Volt/VAR Assessment and Control, including on-line reactive re-
serve management
 Next-Generation State Estimation for transmission and distribution net-
works with a low number of measurements (patent pending)
 Global Optimal Power Flow for over 250,000 control variables with AC/
“Bigwood Systems’ Online Voltage
Stability product is simply the best in
DC power flow and security constraints, including feasibility check
the field.”
- CAISO Project Leader
 Advanced PMU-based Applications software portfolio

“BSI On-line Transient Stability Assess- World-Wide Customer Base

ment is a superb product.”
- TEPCO Manager
“The BSI VAR Management System is a
best practice tool for all utilities.”
- SERC Audit Staff
BSI has provided solutions and services to over 35 electrical utilities world-wide, includ-
ing long-standing customers such as California ISO, PJM Interconnection (the largest
system operator in the world), Tokyo Electric Power Company (TEPCO), Tennessee
Valley Authority, and United Kingdom Power Networks (England), among others. BSI’s
advanced technology, innovation, and satisfied customers are key differentiators.
de electricidad, la generación renovable
y las interrupciones del sistema de distri­
bución. en “datos meteorológicos para
el análisis de energía”, el cuarto artículo,
Black y otros demuestran usos novedo­
sos de los datos meteorológicos para el
análisis de energía mediante dos aplica­
ciones de servicios públicos. la primera
se refiere a la interrupción en la distribu­
ción y el modelado de índices de confia­
bilidad, donde los autores usan algunos
datos meteorológicos de fácil acceso re­
copilados de la estación meteorológica
en un aeropuerto local para desarrollar
una visión probabilística de la tenden­
cia de confiabilidad en la distribución.
la segunda aplicación simula conjun­
tos fotovoltaicos particulares, donde
se usan datos meteorológicos de tipo co­
mercial de alta resolución para desarro­
llar simulaciones realistas.
China, uno de los países más gran­
des y con más rápido crecimiento en el
mundo, está acelerando la implemen­
tación de una estrategia de “big data”.
Mientras que muchos sectores comer­
ciales han puesto en marcha un análisis
de “big data”, la industria de la energía
es una de las favoritas. las agencias del
gobierno chino y el sector privado han
destinado una cantidad significativa de
financiamiento para apoyar la investi­
gación y el desarrollo del análisis de
“big data” para la industria de la energía.
en el quinto artículo, “Análisis de
“big data” en la industria de la energía
eléctrica de China”, Kang y otros
presentan varios proyectos notables
de análisis de “big data” que abarcan
diversas aplicaciones, como la respues­
ta a la demanda, la simulación de la
generación de potencia renovable, el
análisis de estabilidad de los sistemas
de potencia y el monitoreo de la situa­
ción de los activos. Al final, los autores
analizan tres desafíos, que incluyen
la fusión y seguridad de los datos, la
desregularización de la industria de la
energía y un alto intercambio de inte­
gración de las energías renovables.
la industria de la energía en los ee.
UU. ha estado luchando contra la crisis
de fuerza laboral desde principios de la
década de 2000. Hoy en día, la necesi­
dad de un análisis de “big data” crea una
demanda creciente de científicos de da­
tos de energía, generando una carencia
significativa de personal idóneo en aná­
lisis de datos. Como consecuencia, los
programas de energía de los estados
Unidos están enfrentando el desafío de
reducir la brecha con recursos limita­
dos. Hong y otros, en el sexto artículo,
“Formación de científicos de datos de
energía”, presentan las dificultades que
enfrenta la industria de la energía al
competir con otras industrias por perso­
nal idóneo en análisis. los autores pre­
sentan diversas perspectivas de agencias
gubernamentales, organizaciones indus­
triales e instituciones académicas. Pro­
ponen varias ideas para revisar el plan de
estudios tradicional de la ingeniería de
potencia para formar la próxima genera­
ción de científicos de datos de energía.

Advanced modeling and analysis features include:

Dynamic Security Assessment Software
Offering a simple, user-friendly interface
with extensive analysis options, DSAToolsTM
is a suite of software tools for power system
analysis. The software is designed for
applications in both off-line studies and
on-line dynamic security assessment.
Experience and support:
www.dsatools.com
• Comprehensive capabilities for voltage, transient, small signal, and
frequency stability assessment
• Integration with EMS/WAMS for on-line DSA to assess security
of real-time system conditions
• Computation of secure operation regions (stability limits)
• Recommendation of remedial actions
• Prominent provider of the on-line DSA technology with over
40 installations worldwide including 7 out of 9 ISOs in North
America
• Consulting services for custom software and model development,
system studies, and training

VSAT TSAT SSAT

Contact us:
dsainfo@powertechlabs.com
81022-0005
 cigrE SeSSiOn
August 26 - 31, 2018
paris - Palais des congrès
47 A TechnicAl
eXhiBiTiOn
oN 3 floors
registration l’inscription An All week
is now open! est ouverte ! TEchNical
ProgrammE
register Bénéficiez du tarif A unique
at early Bird rate préférentiel OppOrTuniTy FOr
before en vous inscrivant avant neTwOrking
wiTh 6600
April 30, 2018 on: le 30 avril 2018 sur : maNagErs aNd
ExPErTs from
www.cigre.org ThE worldwidE
PowEr iNdusTry.

InternatIonal CounCIl on large eleCtrIC SyStemS

Conseil International des Grands Réseaux Électriques

http://www.cigre.org
 la edición concluye con una colum­
na “en mi opinión” de le Xie, presi­
dente fundador del recientemente esta­
blecido Subcomité de Análisis de “Big
data” de la Power & energy Society del
Ieee. Predice que la “tecnología de da­
tos y análisis” va a ser la “nueva norma”
para la industria de la energía. Además
de articular cómo se puede aplicar el
análisis de “big data” en el campo de
la potencia y la energía y aportar valor
a la industria de la energía, Xie señala
tres aspectos clave: 1) la configuración
de un marco regulador para la propie­
dad y el uso de datos a través de los
límites organizativos, 2) la integración
de datos con los modelos físicos subya­
mayo/junio 2018
centes, y 3) la elaboración de datos sin­
téticos a una escala realista para permi­
tir la realización de pruebas de nuevos
algoritmos e ideas. en conclusión, Xie
analiza las principales actividades de
su subcomité y pide a los voluntarios
que colaboren con este interesante
campo emergente.
esta edición no se habría lanzado
sin el aliento, el apoyo y la orientación
del editor en Jefe, Mike Henderson.
Agradecemos especialmente a robert
Henderson por ayudar a mejorar la
claridad y la facilidad de lectura de
los artículos. Por último, pero no por
ello menos importante, agradecemos
enormemente a los 27 autores de 22
organizaciones repartidas en cuatro
continentes, quienes colaboraron con
los seis artículos y la columna “en mi
opinión”. Han trabajado con esmero
para preservar el sabor del análisis de
“big data” sin implicar ecuaciones ma­
temáticas complejas. esperamos que
los lectores disfruten las perspectivas
de este diverso grupo de autores, reco­
nozcan la importancia del análisis en
el campo de la ingeniería de potencia
y comiencen a aprovechar el potencial
del análisis de “big data” para hacer
nuestra red inteligente incluso más in­
teligente.
p&e
ieee power & energy magazine 19
 Visualización
de "big data"
de energía
Soluciones para este
componente crucial del
análisis de datos

Por Rob J. Hyndman,

Xueqin (Amy) Liu,
y Pierre Pinson

L
La visuaLización es un componente cruciaL
del análisis de datos. es siempre una buena idea diagramar
los datos antes de adaptar modelos, hacer predicciones o
sacar conclusiones. así como los sensores de la red eléctrica
están recopilando grandes volúmenes de datos de diversas
fuentes, los profesionales de la industria de la energía están
enfrentando el desafío de visualizar tales datos en forma
oportuna. en este artículo, demostramos varias soluciones
para la visualización de datos para el “big data” de energía
por medio de tres estudios de caso relacionados con datos
de medidores inteligentes, datos de unidades de medición
Identificador de Objeto Digital 10.1109/MPE.2018.2801441
Fecha de publicación: 18 de abril de 2018
de fasores (pmu, por sus siglas en inglés) y predicciones
probabilísticas, respectivamente.
Visualización de datos de medidores
inteligentes
Las iniciativas de redes inteligentes en todo el mundo han
desplegado millones de medidores inteligentes en la red
eléctrica. una empresa de servicios públicos pequeña a
mediana podría tener miles de medidores desplegados en
todo su territorio, registrando la demanda eléctrica en inter-
valos de una hora o menores. pero, ¿cómo debe uno diagra-
mar realmente los datos en miles de medidores inteligentes
si cada uno recibe miles de observaciones con el paso del
tiempo? no podemos simplemente producir diagramas de

20 ieee power & energy magazine 1540-7977/18©2018IEEE mayo/junio 2018


tiempo de la demanda registrada en cada medidor, debido al
gran volumen de datos implicado.
un enfoque es convertir cada serie extensa de datos de
demanda a un único punto bidimensional (2D) que pueda tra-
zarse en un simple diagrama de dispersión. De esta forma,
todos los medidores pueden verse en el diagrama de disper-
sión; se pueden detectar anomalías, observar agrupaciones
y examinar cualquier otra estructura que resulte interesante.
presentaremos una solución a este problema, principalmente,
al convertir los datos de cada medidor inteligente en una serie
de distribuciones de probabilidad, que luego se utilizan para
computar en distancias entre pares de los perfiles de carga.
Las residencias se integran en un espacio 2D para permitir
que se construyan diagramas simples pero informativos.
mayo/junio 2018
i
we
/z_
om
.c
to
ho
kp
oc
St
©i
Medidor de datos inteligente irlandés
a fin de ilustrar, utilizaremos los datos recopilados durante un
ensayo con un medidor inteligente realizado por la comisión
para la regulación energética (cer, por sus siglas en inglés)
en irlanda. con el propósito de la demostración, usaremos
medidas de consumo eléctrico cada media hora recolectadas
de 500 consumidores residenciales durante 535 días consecu-
tivos. cada medidor proporciona el consumo eléctrico entre el
14 de julio de 2009 y el 31 de diciembre de 2010. varios días
en la serie presentan períodos de datos faltantes. el conjunto
de datos de la cer no tiene en cuenta la energía consumida
por los sistemas de calefacción y refrigeración. puede ser que
las residencias utilicen una fuente diferente de energía para la
calefacción, tales como el combustible y el gas, o un medidor
ieee power & energy magazine 21
 en lugar de según el inicio de la
6 recopilación de datos. el Gráfico
2 muestra los mismos datos exhi-
4 bidos en el Gráfico 1 pero como

1539
un diagrama de dispersión según
Demanda (kWh)

2
el momento de la semana. ahora,
0
los picos de la mañana y la tarde
6
del medidor 1539 son claros, y
4 también es evidente que el medi-

1549
dor 1549 tiene un patrón diferente
2
los fines de semana que durante la
0 semana.
0 200 400 para examinar más a fondo los
Días perfiles de carga diarios, podemos
aprovechar el concepto de percen-
gráfico 1. Dos ejemplos de la demanda de medidores inteligentes del conjunto de til, que describe la distribución
datos de la CER. de las observaciones. el décimo
percentil, por ejemplo, es el valor
separado para calcular el consumo de la calefacción. Los sis- debajo del cual se puede encontrar el 10% de las observa-
temas de refrigeración instalados no se incluyen en el estudio. ciones. Los percentiles generalizados indican observaciones
Los datos de dos medidores inteligentes se demuestran generalizadas. por otra parte, según la consistencia de los
como el diagrama de series de tiempo en el Gráfico 1. aun- percentiles en un diagrama, pueden solaparse, lo que indica
que que es obvio que estos medidores tienen patrones de que las observaciones están cerca una de otra. en el caso
demanda muy diferentes, no es posible decir mucho más; los extremo en que todas las observaciones sean idénticas, los
patrones del momento del día y del día de la semana no se percentiles también lo serán.
muestran debido al volumen de datos, e incluso la demanda superpuesto en los datos de demanda individual, el Grá-
media no es clara en tales diagramas. fico 2 también muestra algunos percentiles de las distribu-
ciones de la demanda, ya que varían cada media hora y según
Percentiles por momento de la semana el día de la semana, lo que nos permite ver 48 # 7 = 336
una forma de analizar los patrones diarios y semanales es distribuciones de probabilidad por hogar. en algunos perío-
diagramar la demanda según el momento de la semana, dos, como temprano por la mañana alrededor de las 4 a.m.

Lunes Martes Miércoles Jueves Viernes Sábado Domingo

6

4
1539

2
Demanda (kWh)

0
6

4
1549

0
0 6 12 18 24 0 6 12 18 24 0 6 12 18 24 0 6 12 18 24 0 6 12 18 24 0 6 12 18 24 0 6 12 18 24
Momento del Día

Percentil 10 25 50 75 90

gráfico 2. La demanda diagramada según el momento de la semana para dos medidores inteligentes del conjunto de
datos de la CER.

22 ieee power & energy magazine mayo/junio 2018

 Lunes Martes Miércoles Jueves Viernes Sábado Domingo
Demanda (kWh)

1.0

1881
0.5

0.0
0 6 12 18 24 0 6 12 18 24 0 6 12 18 24 0 6 12 18 24 0 6 12 18 24 0 6 12 18 24 0 6 12 18 24
Momento del Día

Percentil 10 25 50 75 90

gráfico 3. La distribución de la demanda de la residencia menos típica de un total de 500 medidores inteligentes inclui-
dos en el análisis.

para el medidor 1549, no se pueden distinguir los percentiles
seleccionados, lo que indica niveles de carga similares, ya
que el consumo de electricidad durante las horas de sueño es
bajo y relativamente fijo. Las horas de la tarde (p. ej., de 18
a 24) muestran percentiles generalizados como resultado de
diversas actividades de consumo eléctrico.
Los percentiles se emparejan un poco con el tiempo al
combinar las medias horas aledañas. por ejemplo, los per-
centiles según la media hora h se calculan utilizando los
datos de las medias horas h - 1, h, y h + 1. esto equivale
a una forma de suavizado kernel en todas las medias horas.
utilizamos un simple cálculo de cada percentil para compu-
tar estas curvas. en este contexto, los cálculos simples son
mejores que aquellos sobre la densidad kernel (u otra estima-
ción más sofisticada de la distribución) porque el conjunto
de datos contiene una gran cantidad de ceros, lo que hace
que la distribución sea una mezcla de componentes discretos
y continuos. La gran asimetría de los datos y la naturaleza
no negativa de la demanda dificultan el uso de cálculos de
densidad kernel.
existen varias ventajas al trabajar con percentiles en lugar
de directamente con los datos. se evitan problemas con la
falta de observaciones y el tiempo específico de los even-
tos domésticos (p. ej., fiestas) y la atención se centra en el
comportamiento típico de un hogar durante toda la semana.
336 distribuciones de probabilidad por residencia, una para
cada período de media hora de la semana, así que tenemos
336 medidas de distancia de Jensen-shannon para cada par
de casas. podemos medir la distancia total entre las distribu-
ciones de dos hogares al sumar estas 336 medidas de distan-
cia de Jensen-shannon. De esta manera, podemos encontrar
la distancia entre cada par de casas en el conjunto de datos.
De estas distancias entre pares, podemos computar una
medida de la tipicidad de una residencia específica al ver
cuántas residencias similares están cerca según la divergen-
cia de Jensen-shannon. si existen muchos hogares con dis-
tribuciones de probabilidad similares, la medida de tipicidad
será alta. pero si hay pocas residencias similares, la medida
de tipicidad será baja. esto nos brinda una manera de encon-
trar anomalías en el conjunto de datos, que son los medi-
dores inteligentes correspondientes a los hogares menos
típicos. La residencia más anómala (es decir, la menos
típica) se demuestra en el Gráfico 3. esto es claramente una
distribución de demanda muy extraña, con una demanda
Incorporación del Laplaciano de las
Distribuciones del Medidor Inteligente
2
Componente 2

aunque solo se muestran cinco percentiles en el Gráfico 2,

en realidad computamos los percentiles de las probabilida- 0
des 1, 2, …, 99%.
4
−2
Residencias típicas y anómalas HDR
5
3 1 50
para estudiar la totalidad del conjunto de distribuciones de 2 99 >99
la demanda residencial, primero calcularemos las diferencias −4 1
en los patrones de consumo de electricidad entre pares de −2 −1 0 1 2
hogares. Hablando en términos de estadísticas, llamamos a Componente 1
estas diferencias “distancias”. se debe tener en cuenta que
la distancia utilizada aquí se refiere a la distancia entre dos gráfico 4. Una representación en 2D de los datos de los
distribuciones de probabilidad en lugar de la distancia física 500 hogares. Los puntos más típicos se muestran en rojo y
entre dos casas. una forma de medir la distancia entre dos los más inusuales en negro. HDR (en inglés): Región de alta
distribuciones es la divergencia de Jensen-shannon. tenemos densidad.

mayo/junio 2018 ieee power & energy magazine 23

 Un enfoque es convertir cada serie extensa de datos de demanda
a un único punto bidimensional (2D) que pueda trazarse
en un simple diagrama de dispersión.
extremadamente baja prácticamente de forma constante, que
se refleja con percentiles casi solapados.
Visualización a través de la incorporación
Las distancias entre pares de residencias también se pueden
utilizar para crear un diagrama de todas las casas juntas. si
computamos 99 percentiles por 48 medias horas por día y
siete días a la semana, cada una de las distribuciones resi-
denciales se puede pensar como un vector en espacio K
dimensional donde K = 99 # 48 # 7 = 33, 264. para visuali-
zarlos con facilidad, necesitamos proyectarlos en un espacio
2D. existen varias maneras de hacerlo, como mediante el
análisis del componente principal (pca, por sus siglas en
inglés) y escalamiento multidimensional. Hemos utilizado
un método de mapa de eigen Laplaciano para mantener los
puntos más parecidos en el espacio dimensional K tan cerca
como sea posible en el espacio 2D.
el Gráfico 4 muestra una incorporación 2D de las 500
residencias en este conjunto de datos. Los colores se toman
de la medida de tipicidad, con el 1% correspondiente a “más
típico” representado por los puntos en rojo y el 1% corres-
pondiente a “menos típico” por puntos en negro. Los pun-
tos restantes se dividen en dos grupos, siendo los puntos en
naranja más típicos que los puntos en amarillo. Los números
azules muestran la graduación de los puntos anómalos. el
punto más anómalo (número 1) corresponde a los datos que
se muestran en el Gráfico 3.
también se puede interpretar que los colores correspon-
den a las regiones de mayor densidad en el espacio K dimen-
sional original. esta manera de diagramar los datos nos
permite ver fácilmente las anomalías, identificar cualquier
grupo de observaciones en los datos y examinar cualquier
otra estructura que pudiera existir.
Visualización de datos de PMU
Desde que el primer prototipo de pmu fue desarrollado por
virginia tech en 1988, pmu interconectadas se han desple-
gado rápidamente en los últimos años. Desde principios de
2016, china y estados unidos tienen las redes de pmu más
grandes del mundo, con un total de más de 2,000 pmu en
operación cada una. a diferencia de los sistemas del control
de supervisión y los sistemas de adquisición de datos exis-
tentes que proporcionan mediciones cada 2 a 4 segundos, las
pmu pueden brindar datos, con un sello de tiempo certero
y preciso, de 10 a 60 veces por segundo. en consecuencia,
recibimos grandes volúmenes de datos de pmu de grandes
24 ieee power & energy magazine
dimensiones de forma continua, día tras día. tomando 30
pmu, por ejemplo, el operador del sistema debe adminis-
trar aproximadamente 15 mB de datos por minuto, 20 GB
por día, 140 GB por semana o 7 tB por año. el volumen de
datos de pmu aumentará dramáticamente cuando se insta-
len miles de pmu.
el problema de “demasiados datos, demasiada poca infor-
mación” debe ser resuelto, ya que se está volviendo cada vez
más difícil para los operadores del sistema hacer uso de los
datos de pmu sin procesar para la toma de decisiones en
tiempo real. por un lado, existe una explosión en cuanto a
la disponibilidad del flujo de datos de alto índice gracias a
los avances en el monitoreo de los dispositivos de pmu, lo
que lleva a una sobrecarga de datos. por otro lado, existe una
comprensión limitada sobre cómo extraer información pro-
cesable de estos dispositivos de monitoreo cargados de datos
para fines de monitoreo y control en tiempo real. el análisis
visual de “big data” ofrece un camino a seguir, lo que ayuda
a convertir estos flujos de “big data” en una visión proce-
sable en tiempo real y brindará apoyo en el desarrollo de
sistemas de gestión energética de nueva generación. en esta
sección, demostraremos la técnica más básica de reducción
de dimensiones, pca, como una herramienta fundamental
para los primeros pasos de visualización de datos de pmu.
Una simple herramienta de reducción de
dimensiones: PCA
el pca, propuesto por primera vez en 1901, es una de las
técnicas más populares de reducción de dimensiones. al usar
el pca, podemos eliminar la correlación entre las variables
y seleccionar solamente algunas variables sin correlación
lineal para representar los datos originales. podemos ver
el pca como una forma de rotación perpendicular, donde
los nuevos ejes pueden capturar la variación máxima de los
datos. La dirección perpendicular de la variación máxima
se puede identificar mediante el análisis del valor de eigen
y del vector de eigen de la matriz de la co-variación de los
datos de muestra, de modo que la variación máxima corres-
ponda a los mayores valores de eigen. Las nuevas variables
transformadas se denominan los “componentes principales”,
mientras que los primeros componentes principales pueden
explicar la mayor parte de la variación de los datos. por lo
que solo requerimos un conjunto reducido para representar
la mayoría de la información de los datos originales.
para los propósitos de detección y de diagnóstico del
evento, definimos dos estadísticas, T 2 y Q. T 2, construido
mayo/junio 2018
 Para estudiar la totalidad del conjunto de distribuciones de la
demanda residencial, primero calcularemos las diferencias en los
patrones de consumo de electricidad entre los pares de hogares.
por los componentes principales, se asocia con el modelo
de espacio del pca y representa una variación significativa
respecto de los datos originales. Q representa el error al
cuadrado de la disparidad del modelo y la variación de los
datos dentro del subespacio residual. al aplicar el pca en
los datos de pmu, podemos analizar muchos conjuntos de
medición de varias ubicaciones simultáneamente. Demos-
traremos la elegancia y la belleza del pca por medio de dos
estudios de caso, seleccionados de redes de potencia de Gran
Bretaña e irlanda.
Caso 1: Visualización de la frecuencia de datos
para distinguir múltiples
eventos en las redes de Gran Bretaña
Los datos usados aquí fueron registrados a de seis sitios en
las redes de Gran Bretaña con una frecuencia de muestreo de
10-Hz a través del proyecto openpmu, con uno situado en
el sur de inglaterra, uno en manchester y cuatro en las islas
orkney. el evento bien documentado el 30 de septiembre de
2012 registró una pérdida de carga a las 02:28. más tarde
el mismo día, un evento de disparo del interconector Gran
Bretaña – Francia a las 15:03 resultó en una disminución de
la frecuencia de Gran Bretaña de 49.97 a 49.60 Hz en tan
solo 10 segundos. el índice inicial de cambio de frecuen-
cia (rocoF, por sus siglas en inglés) activó la protección del
modo isla basada en rocoF, desconectando erróneamente la
generación distribuida.
De este día, podemos agrupar los datos en cuatro cla-
ses diferentes: datos normales, pérdida de carga, caída de
50.4
pérdida de
Evento de pérdid
Q carga
50.2 t1
Frecuencia (Hz)
Evento
vento del modo isla
50
confianza
Límite de confian
49.8 de 99.9%
49.6 Evento de caída de generación
49.5 49.6 49.7 49.8 49.9 50 50.1 50.2 50.3 50.4
Frecuencia (Hz)
gráfico 5. La ilustración en 2D para eventos múltiples
registrados el 30 de septiembre de 2012 en las redes de
Gran Bretaña. Los puntos en negro, azul, cian y púrpura
representan los datos normales, la caída de generación, la
pérdida de carga y evento del modo isla, respectivamente.
mayo/junio 2018
generación y evento en modo isla. para visualizar esto en el
Gráfico 5, hemos diagramado siete días de datos seleccio-
nados al azar de dos ubicaciones para obtener la cobertura
de frecuencia en condiciones normales de funcionamiento.
abarcando desde 49.8 50.2 Hz, representado por los pun-
tos en negro rodeados por el cuadro rojo; esto representa el
límite de confianza de 99.9%. Los datos normales del 30
de septiembre de 2012 se incluyen en esta categoría. en el
Gráfico 5, también hemos diagramado la pérdida de carga,
la caída de generación y los eventos del modo isla de dos
ubicaciones. ¿cómo debemos interpretar los patrones en esta
figura? La frecuencia es el parámetro universal de la red de
potencia síncrona y posee características simples y elegan-
tes. es decir, los puntos correspondientes a los datos de fre-
cuencia de dos ubicaciones están aproximadamente alinea-
dos con la línea y . x . el primer componente principal
t 1, que captura el 99% la variación total de los datos de
frecuencia, sigue en consecuencia esta dirección. en otras
palabras, podemos utilizar solo uno de los componentes
principales para representar todas las variables de frecuen-
cia registradas en toda la red.
en el Gráfico 5, también notamos que la caída de gene-
ración y la pérdida de los eventos de carga se corresponden
con la dirección del primer componente principal, pero por
fuera del cuadro rojo, con la pérdida de carga ubicada en
el extremo superior y la caída de generación en el extremo
inferior. cuando ocurren los eventos de pérdida de carga y
caída de generación en el sistema, las variables de frecuencia
se pueden desviar significativamente del valor nominal (50 Hz
1
Contribución Q
0
–1
–2 f1 f2 f3
–3 f4 f5 f6
15:03:30
15:04:30
15:05:30
15:06:30
15:07:30
15:08:30
15:09:30
15:10:30
15:11:30
15:12:30
Tiempo (h)
gráfico 6. Un diagrama de contribución para la estadística
Q para el caso 1.
ieee power & energy magazine 25
 variables de frecuencia individuales a las estadísticas predefi-
nidas del pca. si la contribución de una variable de frecuen-
Componente principal 3

cia en particular a la estadística Q es grande, se puede iden-

1 tificar un sitio de modo isla. el Gráfico 6 ilustra la variable
0
–1
5 (representando la pmu instalada en la isla orkney, donde
–2 ocurrió el modo isla), que domina la contribución a la estadís-
2
tica Q en el minuto 9 cuando tuvo lugar desde las 15:03:30 a
0 –2 5 las 15:12:30. ambos sistemas se sincronizaron a las 15:12:30.
Com
pone –4 –6
–10 –5 0 l 1
nte p –15 rin c ip a
rincip –8 nente p
al 2 Compo Caso 2: Visualización de los datos posteriores
a la perturbación de la tensión desde múltiples
gráfico 7. Un diagrama de dispersión de tres componen- ubicaciones en la red irlandesa
tes principales de 20 variables de tensión registradas en las ilustramos la trayectoria de la tensión posterior a la pertur-
redes irlandesas para el caso 2. bación durante un evento de disparo del interconector de
exportación este – oeste de 500-mW en la red irlandesa
para evidenciar de mejor manera que el pca es una
2.5 poderosa herramienta de reducción de dimensiones para la
visualización.
2.0
tradicionalmente, el operador del sistema monitoreará
Potencia (GW)

1.5 los rastros de la tensión desde diversas ubicaciones. sin

1.0
0.5
0.0
1 6 12 18 24
Plazo (h)
Intervalos de predicción
(Índices de cobertura de 10 a 90%)
Predicciones de punto
Observaciones
gráfico 8. Predicciones probabilísticas representadas por
un gráfico de abanico "río de sangre", con una intensidad
de color decreciente para el índice de mayor cobertu-
ra nominal de los intervalos de predicción, para toda la
generación de energía eólica de Dinamarca occidental,
con una resolución por hora de hasta cerca de dos días de
anticipación.
en este caso) pero no entre ellas de manera significativa.
sin embargo, para el evento del modo isla, es más probable
que la frecuencia en modo isla se desvíe significativamente
del resto de la frecuencia del sistema y, por lo tanto, no se
corresponda con la dirección del componente principal.
es decir, los datos del modo isla tienen su proyección en la
dirección perpendicular a t 1 (representados por el eje Q) y
se encuentra fuera del cuadro rojo. en comparación con el
gráfico tradicional de series de tiempo, la relación relativa de
múltiples eventos en comparación con las condiciones nor-
males de operación es mucho más sencilla, como se ilustra
en el Gráfico 5.
una vez que se detecta un evento del modo isla en el sis-
tema, el operador del sistema intentará averiguar su ubicación.
podemos llevar a cabo esta tarea mediante un simple dia-
grama de contribución para visualizar la contribución de las
embargo, es difícil gestionar cientos de pmu con este enfo-
que tradicional. además, se desconoce la interacción entre
múltiples variables de tensión integradas en múltiples ubi-
caciones. al aplicar el pca en los datos de pmu obtenidos
de 20 ubicaciones en toda la red, hemos encontrado que tres
30 36 43
componentes principales son suficientes para monitorear
la tensión en toda la red. Los tres componentes principales
seleccionados son capaces de explicar el 98% de la varia-
ción de los datos durante la prueba. como se ilustra en el
diagrama de dispersión de los tres componentes principales
en el Gráfico 7, el estado estacionario original está repre-
sentado por los puntos en amarillo; a medida que el evento
progresa, va de los puntos en negro a los rojos, a los azules
y finalmente se establece en un nuevo estado estacionario
representado por los puntos en verde. el rastro en espiral
indica el comportamiento oscilatorio durante esta prueba.
La visualización gráfica en el Gráfico 7 proporciona una
manera más rápida y fácil de interpretar la información, lo
que ayuda a reducir el tiempo de la toma de decisiones.
Visualización de las predicciones
probabilísticas
aunque es bien sabido que visualizar los datos al principio
del análisis de datos es un paso necesario, un paso igual-
mente importante es visualizar los resultados desde modelos
sofisticados. a continuación, presentaremos otro estudio de
caso que se centra en la visualización de los resultados de
las predicciones. utilizaremos las predicciones de energía
eólica como ejemplo, aunque la metodología se puede aplicar
de forma general a otras predicciones de energía, tales como
la previsión de la energía solar y la predicción de carga.
La incertidumbre siempre ha estado presente en torno a
la operación y la planificación de los sistemas de potencia.
por ejemplo, las incertidumbres de las decisiones operativas
y de los problemas de control se originan de contingencias

26 ieee power & energy magazine mayo/junio 2018


2.5
2.0
Potencia (GW)
1.5
1.0
0.5
0.0
1 6 12 18 24 30 36
Plazo (h)
Escenarios
Predicciones de punto
Observaciones
gráfico 9. Información de la predicción probabilística
transmitida por las predicciones de conjunto para toda la
generación de potencia eólica de Dinamarca occidental.
(unidades y líneas de generación), descripciones incomple-
tas o erróneas del estado del sistema y las proyecciones de
la demanda futura. Hoy, sin embargo, con el rápido desplie-
gue de la capacidad de generación de la energía renovable en
todo el mundo, están surgiendo nuevas incertidumbres que
se relacionan directamente con la cantidad de energía que
se puede generar en los próximos minutos, horas, días, etc.
asimismo, desde la perspectiva del consumo de electricidad,
las incertidumbres están creciendo debido a los cambios en
los patrones de consumo (tales como vehículos eléctricos y
consumidores más proactivos) pero también a la generación
de energía particular. en combinación con la mayor dispo-
nibilidad de datos relevantes que haya existido, esto ha res-
paldado el creciente interés en el desarrollo de nuevos enfo-
ques de análisis y predicciones para el control y operación
del sistema de potencia.
mientras que las predicciones tradicionales de punto (o
valor único) pueden proporcionar los valores previstos para
la variable del interés, las predicciones probabilísticas, que
han existido por más que una década, pueden cuantificar aún
más las futuras incertidumbres mediante cuantiles, interva-
los o distribuciones de probabilidad. es desafiante visualizar
tales incertidumbres para que las predicciones probabilís-
ticas puedan ser comunicadas efectivamente y finalmente
aceptadas por los consumidores comerciales de estas pre-
dicciones. en esta sección, presentaremos y discutiremos
enfoques alternativos para visualizar predicciones probabi-
lísticas de energía eólica.
Gráfico de abanico “río de sangre”
un ejemplo destacado para comunicar la información de la
predicción probabilística es a través de un gráfico de abanico
“río de sangre”, como se representa en el Gráfico 8. una ver-
sión anterior se ha utilizado, desde 2005, en un gran número
mayo/junio 2018
de presentaciones técnicas y artículos de gran audiencia
para presentar e ilustrar el concepto de predicciones pro-
babilísticas de potencia eólica. este diagrama ilustra la
generación de energía por hora a partir de la energía eólica
(en este caso, para toda la generación de potencia eólica de
Dinamarca occidental), con una resolución por hora de hasta
cerca de dos días de anticipación. esta propuesta de visua-
lización se basa en las predicciones probabilísticas para la
inflación del Banco de inglaterra, que se han publicado tri-
mestralmente a partir de 1996, como un enfoque pragmático
43 e intuitivo para transmitir la información de incertidumbre.
este gráfico de abanico llamado “río de sangre” asocia las
predicciones tradicionales de valor único, retransmitiendo
el medio de la probable generación de energía renovable en
un futuro cercano (formalmente, la expectativa condicional)
con un número de intervalos de predicción. estos interva-
los de predicción tienen un índice de cobertura nominal
creciente, por lo tanto, intuitivamente, se torna más extensa
en los colores claros. para un plazo determinado, un inter-
valo de predicción ofrece un rango en el que la generación
de energía puede establecerse, dada cierta probabilidad a
priori, es decir, su índice de cobertura nominal. esos inter-
valos de predicción se centran en la probabilidad media. La
visualización atrae tanto a una amplia audiencia como a pro-
fesionales expertos. Los primeros pueden estar satisfechos
con una simple e intuitiva forma de ver qué tan inciertas son
las predicciones, mientras que los últimos se ven provistos
de suficiente información para reconstruir densidades pre-
dictivas en su totalidad a fin de utilizarlas como aporte para
una amplia gama de problemas de decisión y control en un
marco de optimización estocástico. Hay que tener en cuenta
que el Gráfico 8 no intenta mostrar predicciones de potencia
eólica precisas, por lo que los lectores pueden no hacer caso
del hecho de que muchas observaciones se ubican fuera del
90% del intervalo de predicción.
Predicciones de conjuntos
mientras que la visualización en el Gráfico 8 es llamativa,
no es la única manera de comunicar la información de la
predicción probabilística. en lugar de la incertidumbre del
futuro, un enfoque alternativo le brinda al usuario de las
predicciones un conjunto de trayectorias alternativas en el
futuro. este enfoque fue defendido por la comunidad meteo-
rológica, que acuñó el término “predicción de conjunto”
para denominarlo. en la práctica, esto se ha traducido en un
número de aplicaciones de gran valor, como aquellas rela-
cionadas con la trayectoria de tormentas y los ciclones, así
como su impacto potencial.
para la generación de energía renovable, este tipo de
representación ha atraído un creciente interés debido a la
información adicional que transmite, lo que permite el uso
de estos futuros alternativos como aporte a las herramientas
ya existentes para las operaciones y el control dentro de un
marco determinístico. el Gráfico 9 muestra las predicciones
de conjunto que se utilizan para transmitir la información de
ieee power & energy magazine 27
 la predicción probabilística de Dinamarca occidental, en un
día determinado del pasado. puesto que se basan en métodos
relacionados, la información probabilística general que se
muestra en los Gráficos 8 y 9 tiene semejanzas, especial-
mente en términos de tendencias y niveles de incertidumbre.
sin embargo, las predicciones de conjunto en el Gráfico 9
proporcionan información adicional en términos de depen-
dencias entre plazos, que no es transmitida por los gráficos
de abanico “ríos de sangre”.
Observaciones finales
en este artículo, ofrecimos algunos ejemplos de cómo visua-
lizar el “bid data” energético. aunque estos ejemplos se des-
pliegan a través de la distribución (datos del medidor inteli-
gente), de la transmisión (datos de pmu) y de la generación
(datos de la predicción de energía eólica) y cubre las etapas
tanto pre como post modelado, no procuramos ser exhausti-
vos. Hay muchos otros diagramas detallados que no presen-
tamos, tales como mapas para la información geoespacial
(p. ej., el crecimiento de carga y la incorporación de vehícu-
los eléctricos). algunas perspectivas se presentan mejor de
forma dinámica mediante el uso de la animación en lugar de
en una página estática, tales como los cambios en la relación
de carga y temperatura con el paso del tiempo y cambios en
el comportamiento del cliente debido a la incorporación de
programas de respuesta a la demanda. esperamos que este
artículo pueda inspirar a más investigadores y profesionales
a crear diagramas efectivos a partir de datos de energía.
Lecturas complementarias
m. Belkin y p. niyogi, “Laplacian eigenmaps for dimensio-
nality reduction and data representation,” (mapas de eigen
Laplaciano para la reducción de dimensiones y la represen-
tación de datos) Neural Comput., vol. 15, n.º 6, pág. 1373-
1396, 2003.
r. J. Hyndman y Y. Fan, “sample quantiles in statistical
packages,” (cuantiles de muestra en paquetes estadísticos)
Amer. Statist., vol. 50, n.º 4, pág. 361–365, 1996.
28 ieee power & energy magazine
X. Liu, D. Laverty, r. Best, K. Li, D. J. morrow, y s.
mcLoone, “principal component analysis of wide area
phasor measurements for islanding detection: a geometric
view,” (análisis del componente principal de las mediciones
de fasores en áreas extensas para la detección del modo isla:
una visión geométrica) IEEE Trans. Power Delivery, vol.
30, n.º 2, pág. 976–985, 2015.
X. Liu, J. Kennedy, D. Laverty, D. morrow, y s. mcLo-
one, “Wide area phase angle measurements for islanding
detection: an adaptive nonlinear approach,” (mediciones
angulares de fases en áreas extensas para la detección del
modo isla: un enfoque no lineal adaptable) IEEE Trans.
Power Delivery, vol. 31, n.º 4, pág. 1901–1911, 2016.
J. m. morales, a. conejo, H. madsen, p. pinson, y m.
zugno, Integrating Renewable in Electricity Markets: Ope-
rational Problems. Series in Operational Research & Ma-
nagement Science. nueva York: springer verlag, 2014.
r. Bessa, c. möhrlen, v. Fundel, m. siefert, J. Browell,
s. H. el Gaidi, B.-m. Hodge, u. cali, y G. Kariniotakis,
“towards improved understanding of the applicability of
uncertainty forecasts in the electric power industry,” (Hacia
una mejor comprensión de la aplicabilidad de predicciones
de incertidumbre en la industria de la potencia eléctrica)
Energies, vol. 10, n.º 9, artículo n.º 1402, 2017.
Biografías
Robo J. Hyndman pertenece a la escuela de negocio de
monash, australia.
Xueqin (Amy) Liu pertenece a Queen’s university Bel-
fast, reino unido.
Pierre Pinson pertenece a la universidad técnica de Di-
namarca, Dinamarca.
p&e
mayo/junio 2018
Búsqueda de expertos en ventas de publicidad
en Latinoamérica para la edición en español de
la Revista IEEE Power & Energy (P&E)
¿Puede hacer que los anunciantes de habla hispana
se contacten con los responsables de la toma de
decisiones en el mercado de sistemas de potencia y energía?
IEEE Power & Energy Society (PES) es el proveedor líder de información científica y
de ingeniería sobre sistemas de potencia eléctricos y energía para el mejoramiento
de la sociedad y la fuente de desarrollo profesional preferida por nuestros miembros.

IEEE PES se encuentra en la búsqueda de una agencia de venta de publicidad en

Latinoamérica para la venta de espacio publicitario en la edición en español de
su galardonada Revista Power & Energy destinada a profesionales del sector de
los sistemas de potencia eléctricos y energía. La revista está disponible para
los 37 000 miembros de IEEE PES como un beneficio de su membresía.

La Revista P&E ofrece información sobre tecnologías y prácticas relacionadas

con todos los aspectos de los sistemas de potencia y energía desde una
perspectiva técnica y sobre áreas no técnicas, como
negocios, medioambiente y aspectos sociales.

La Revista P&E es la fuente internacional de información

para los profesionales del sector de los sistemas
eléctricos de potencia y energía involucrados en la
generación, transmisión, distribución, conversión,
medición, control de energía de manera segura,
confiable y económica.

La publicidad en la edición en español de la Revista P&E

ofrece a los anunciantes una gran oportunidad de
contactarse con profesionales de la ingeniería en Latino-
américa que están buscando soluciones para su negocio.

Si tiene experiencia en ayudar a las empresas a

desarrollar sus marcas, generar tráfico hacia sus sitios web y crear
oportunidades de calidad a través de la publicidad de alto impacto
de la Revista P&E edición en español del IEEE, comuníquese con:
Maria Proetto, IEEE a través de m.proetto@ieee.org o por teléfono al +1.732.562.3882.
 Sincrofasores en
la distribución
Por Hamed Mohsenian-Rad,
Emma Stewart y Ed Cortez

E
En la Evolución dE tEcnologías dE dEtEc-
ción avanzada, los sistemas de transmisión han liderado
la distribución. la visibilidad y el diagnóstico de la red de
transmisión se han transformado en la última década, con
la implementación sistemática de las unidades de medición
de fasores (PMu). nuevas fuentes de información simila-
res e incluso más avanzadas están ahora disponibles en la
red de distribución, mediante las PMu de nivel de distri-
bución, también denominadas micro PMU (µPMU). las
µPMu proporcionan mediciones de tensión y corriente con
una resolución y precisión más altas para facilitar un nivel
de visibilidad en la red de distribución que no es factible en
la actualidad. sin embargo, la simple disponibilidad de datos
en sí no conducirá a una mayor conciencia de la situación
ni inteligencia operativa. los datos deben combinarse con
análisis útiles para convertir estos datos en información
procesable. En este artículo, exploramos algunas de las servicios públicos pueden generar terabytes de datos a dia-
oportunidades para aprovechar los datos de las µPMu, en rio. como las µPMu transmiten sus mediciones de forma
conjunto con análisis basados en datos y así ayudar a los continua, los datos tienen que recolectarse, limpiarse y pro-
planificadores y a operadores de sistemas de distribución cesarse en tiempo real.
eléctrica a superar los problemas a medida que estos surjan. los datos recolectados de las μPMu luego tienen que
los datos generados por las µPMu son un ejemplo claro diseccionarse en análisis descriptivos, predictivos y pres-
de “big data” en los sistemas de potencia. cada µPMu criptivos. Mientras que el análisis descriptivo se enfoca en
genera 124,416,600 lecturas por día. Por lo tanto, las µPMu lo que sucedió en el pasado, el análisis predictivo apunta a
que se instalan en algunos alimentadores de distribución de lo que puede pasar en el futuro. ambos son un trampolín
hacia el análisis preceptivo, optimizando así el futuro con
Identificador de Objeto Digital 10.1109/MPE.2018.2790818
Fecha de publicación: 18 de abril de 2018 decisiones informadas. aquí, consideramos los estudios de

30 ieee power & energy magazine 1540-7977/18©2018IEEE mayo/junio 2018

 Vincular “big data” con el
análisis para crear información
procesable

de la red, los controles y el comportamiento de

recursos particulares. la industria de servicios
públicos de electricidad acaba de tomar medidas
importantes en busca de una mejor visibilidad
de la red de distribución para abordar algunos de
estos desafíos, con la integración de medidores
inteligentes. aun cuando los medidores inteligen-
tes brindan un conjunto de datos con intervalos
de tiempo de 15 min. que contienen información
valiosa sobre el comportamiento del cliente, no
proporcionan la información transitoria del com-
portamiento de tensión y corriente útil para el
posible diagnóstico de fallas incipientes. ahora,
mediante el uso de las µPMu, se pueden abordar
esta y otras deficiencias.
si bien es cierto que las µPMu pueden apoyar
o contribuir con algunos de los usos de las PMu
a nivel de transmisión, tales como la medición de
ubicación sincronizada, de frecuencia fundamental
o identificación de oscilaciones dentro del área, es la
r3d amSte

serie de tiempo (es decir, la secuencia de mediciones

oto.com/h

sincronizadas de ángulo de fase y magnitud en tres

fases) la que proporciona la mayor ventaja al sistema
©iStockph

caso sobre el análisis descriptivo y pre-
dictivo. asimismo, proporcionamos un muestreo
de los beneficios derivados de los datos de las µPMu.
¿Qué es una µPMU?
¿Por qué es necesaria?
algunas de las características de la red de distribución que
causan dificultades para la tecnología de detección y medi-
ción convencional incluyen la aleatoriedad del compor-
tamiento del cliente, el alto volumen de nodos, la falta de
metadatos útiles y una serie de incógnitas como la topología
de distribución.
una µPMu habitual está conectada a circuitos de
distribución monofásicos o trifásicos para medir, de
forma continua, magnitudes de tiempo del sistema de
posicionamiento global y los ángulos de fase de la ten-
sión y la corriente en dos lecturas/ciclo, o 120 lecturas/s.
Esto es 108,000 veces más rápido que la tasa de informe de
un medidor inteligente habitual, que proporciona una lectura
cada 15 minutos. cada uno de estos conjuntos de datos es útil
para un propósito específico, pero usarlos de tal modo que
sean los más “adecuados para determinado propósito” puede
llegar a ser todo un desafío. En la detección y medición de
la red de distribución, no existe ningún enfoque genérico: se
necesita tener una mentalidad abierta a todas las opciones
que puedan presentarse, pero esto sigue siendo un desafío

mayo/junio 2018 ieee power & energy magazine 31

 69 kV/12.47 kV
Red

12.47 kV/480 V

Sensor 1 Sensor 2

7,190 284
SCADA
7,170 µPMU 283
Tensión (V)

Tensión (V)
7,150 282

7,130 281 (e)

(b)
7,110 280
0 5 10 15 20 0 5 10 15 20
Tiempo (min) Tiempo (min)
(a) (d)
7,155 286
Tensión (V)

Tensión (V)
7,150 284
7,145 282
7,140 280
0 200 400 600 800 1,000 0 200 400 600 800 1,000
Tiempo (ms) Tiempo (ms)
(b) (e)
110 450
Corriente (A)

Corriente (A)

105 350
100 250
95 150
90 50
0 200 400 600 800 1,000 0 200 400 600 800 1,000
Tiempo (ms) Tiempo (ms)
(c) (f)

gráfico 1. Ejemplo de lecturas de μPMU en comparación con un estándar de SCADA o lectura de medidor: (a) SCADA
y las mediciones de la μPMU en la ubicación del sensor 1, (b) la medición de la magnitud de tensión por la μPMU en la
ubicación del sensor 1 después del acercamiento, (c) la medición de magnitud actual por la μPMU en la ubicación del
sensor 1 después del acercamiento, (d) la SCADA y las mediciones de la μPMU en la ubicación del sensor 2, (e) la medi-
ción de la magnitud de tensión por la μPMU en la ubicación del sensor 2 después del acercamiento, y (f) la medición de
magnitud actual por la μPMU en la ubicación del sensor 2 después del acercamiento.

para la investigación. desde el año 2015, se han instalado
varios dispositivos μPMu en sitios de prueba piloto dentro
del estado de california, que incluyen múltiples alimentado-
res de prueba de 12.47 kv en la ciudad de Riverside.
Ejemplo 1
considere el alimentador de distribución en el gráfico 1, en
donde se ha marcado la ubicación de dos sensores: una en
la parte secundaria del transformador 69 kv/12.47 kv en el
cabezal de alimentador y otra en la parte secundaria de un
transformador 12.47 kv/480 v en un edificio comercial. En
el gráfico 1 (a) - (c) se muestran las mediciones en el sensor
1. En el gráfico 1 (d) - (f) se muestran las mediciones en el
sensor 2. aquí solo se muestra una fase. las curvas negras
con puntos en el gráfico 1(a) y (d) muestran las medicio-
nes realizadas por el control de supervisión estándar y los
medidores de adquisición de datos (scada) que reportan
el valor de un error cuadrático medio (rms, por sus siglas
en inglés) por minuto. las curvas azules muestran las
mediciones realizadas por las µPMu que reportan una
magnitud de 7,200 valores/min.
las mediciones hechas por las µPMu proporcionan
muchos más detalles sobre las fluctuaciones de tensión. Por
ejemplo, revelan varias caídas de tensión momentáneas, tal
como se muestra en el gráfico 1 (a) y (d). dos caídas de
tensión sincronizadas alrededor del sexto minuto son de par-
ticular interés y están marcadas con flechas en ambos grá-
ficos. Estas se ven ampliadas e incrementadas en el gráfico
1(b) y (e), respectivamente. Estas caídas de tensión duran
unos 200 ms. los cambios correspondientes en la corriente

32 ieee power & energy magazine mayo/junio 2018

se muestran en el gráfico 1(c) y (e), respectivamente. En este
ejemplo, la caída de tensión es inducida por carga, a dife-
rencia de la inducida por red, ya que se origina al encender
una gran carga en la ubicación del sensor 2. la corriente
de sobretensión de carga reduce, de forma momentánea, la
tensión. El impacto no solo se ve en la ubicación de la carga,
sino que también se lo puede rastrear hasta llegar al cabezal
de alimentador en la subestación. En este ejemplo, la alta
resolución temporal y la sincronización de tiempo de las
mediciones de la µPMu son la clave para identificar la causa
fundamental de las caídas de tensión.
Analísis descriptivo
la mayor parte de los esfuerzos para analizar los datos de
la µPMu se han centrado hasta ahora en el diagnóstico, en
donde un acontecimiento o una falla y, posiblemente, sus
causas fundamentales se expliquen después del hecho. con
frecuencia, se pone al corriente a un humano experto, a veces
a través de la realización del diagnóstico con un modelo de
herramientas de flujo de potencia. En esta sección, veremos
dos casos de uso en los que se utilizan los datos de la µPMu
recolectados de Riverside, california.
tan lejos de la subestación, afectando sobre todo una fase. En
este gráfico solo se muestra la fase afectada.
los fasores de tensión se miden por tres µPMu en tres ubi-
caciones. la µPMu 1 está instalada hacia el final de la parte
lateral (no el lateral afectado) del alimentador fallido. la falla
por cortocircuito hace que la tensión baje a cero, temporal-
mente, en la ubicación de la µPMu 1, lo que provoca una breve
interrupción, como se muestra en el gráfico 2 (a). la µPMu 2
es el punto de acoplamiento común del alimentador fallido en
la subestación. la falla por cortocircuito crea una caída de ten-
sión grave en esta ubicación, tal como se muestra en el gráfico
2 (b). Por último, la µPMu 3, instalada en otro alimentador
a varias millas del alimentador fallido, registra una caída de
tensión considerable, tal como se muestra en el gráfico 2(c);
aunque mucho menos grave que la que la µPMu 2 capturó.
se puede utilizar este tipo de datos de tensión de la red
de distribución sincronizada para calibrar la coordinación
de los dispositivos de protección del sistema de distribución.
Pero cabe destacar que estos datos podrían permitir una
implementación rápida de los equipos de campo en la ubica-
ción de la falla en particular, indicando qué se puede haber
dañado en función de las características de falla observadas.

Ejemplo 2 Ejemplo 3
El gráfico 2 representa los transitorios sincronizados de la alta frecuencia de información de las µPMu permite cap-
tensión durante un acontecimiento de falla por cortocircuito turar cientos de eventos de tensión a diario. algunos de estos
causado por animales. la falla ocurrió en la parte lateral no eventos tienen sus causas fundamentales en el nivel de trans-

Red Alimentador 1
Interruptor
de circuito Fusible
µPMU 2 µPMU 1
Falla
µPMU 3 animal

Feeder 2

360 9,000 9,000

300
8,000 8,000
Tensión (V)

Tensión (V)

Tensión (V)

240
7,000 7,000
180
6,000 6,000
120
60 5,000 5,000
µPMU 1 µPMU 2 µPMU 3
0 4,000 4,000
0 200 400 600 800 1,000 0 200 400 600 800 1,000 0 200 400 600 800 1,000
Tiempo (ms) Tiempo (ms) Tiempo (ms)
(a) (b) (c)

gráfico 2. El impacto de una falla de cortocircuito causada por un animal y registrada en tres ubicaciones geográficas.
(a) La falla de cortocircuito reduce, de manera momentánea, la tensión a cero en la ubicación de la μPMU 1, lo que causa
una breve interrupción. (b) La falla de cortocircuito también crea una caída de tensión grave en la µPMU 2. (c) La μPMU 3
registra una caída de tensión considerable en otro alimentador, aunque mucho menos grave que lo que capturó la μMPU 2.

mayo/junio 2018 ieee power & energy magazine 33

 Las μPMU proporcionan mediciones de tensión y corriente a mayor
resolución y precisión para facilitar un nivel de visibilidad en la red
de distribución que no se puede alcanzar en la actualidad.
misión, lo cual podría no ser de mucho interés para los ope-
radores de distribución. Por lo tanto, es necesario distinguir
los eventos inducidos por la transmisión de los inducidos por
la distribución. Estos últimos pueden usarse en varios diag-
nósticos a nivel de distribución. Podemos hacer tal distinción
comparando las mediciones de tensión sincronizadas en los
alimentadores de distribución colindantes.
En el gráfico 3 se muestra un ejemplo, donde se han mar-
cado cuatro eventos de tensión. El evento 1 aparece en el ali-
mentador 2, pero no en el alimentador 1, por lo que es inducido
por las cargas y equipos en el alimentador 2. los eventos 2 y 4
aparecen en el alimentador 1, pero no en el alimentador 2, así
que son inducidos por las cargas y equipos en el alimentador 1.
El evento 3, que es el evento transitorio de tensión más grave de
este ejemplo, aparece en ambos alimentadores. Por lo tanto, lo
más probable es que se deba a problemas en un nivel de tensión
más alto, como los sistemas de transmisión o subtransmisión.
los datos de las µPMus también se han utilizado de
manera reciente para otros análisis descriptivos, como la
evaluación del desempeño fotovoltaico en sitio; la determi-
nación del comportamiento del regulador de tensión, la topo-
logía, así como para la detección de fase; y la selección de
recursos para la participación en el mercado eléctrico según
la demanda. si bien el conjunto de aplicaciones crece, los
requisitos para el análisis de la calidad de los datos, la comu-
nicación y la potencia computacional siguen siendo grandes
desafíos para la industria y el mundo académico.
Análisis predictivo
El análisis descriptivo es muy útil para administrar la red de
distribución existente. la entrada de datos de alta fidelidad,
7,260
Magnitud de tensión (V)
7,240 Alimentador 1
7,220 2 4
7,200
Alimentador 2 3
7,180
7,160 1 tes transitorias durante el cambio de eventos o fallas. la
7,140
0 1 2 3
Tiempo (s)
gráfico 3. Cuatro eventos transitorios de tensión marcados
en mediciones de tensión sincronizadas en dos alimentadores.
34 ieee power & energy magazine
como los datos de las µPMu, es un avance importante. Por
otro lado, la modernización de la red ha generado un avance
significativo hacia el análisis predictivo y prescriptivo.
la previsión de la energía solar, por ejemplo, se ha visto
obstaculizada por la falta de mediciones de la red de dis-
tribución y, a menudo, depende de la detección directa del
generador o un enfoque de pronóstico que pueda utilizar los
sensores meteorológicos y estimaciones de capacidad por
alimentador. las necesidades de previsión similares, y posi-
blemente más desafiantes, surgen ahora a una escala de mili-
segundos y a un nivel transitorio, por ejemplo, con respecto
a la operación de inversores de panel solar, transformadores
y baterías de condensadores. las μPMu y las técnicas que se
basan en datos pueden ayudar mucho en tales aplicaciones.
En esta sección, analizamos dos ejemplos de análisis pre-
dictivo basados en datos de μPMu del mundo real. ambos
ejemplos se relacionan con la supervisión y el manteni-
miento de los activos y equipos de la red. Esto se debe a que
un alimentador de distribución habitual puede tener miles de
dispositivos, como transformadores, baterías de condensa-
dores, fusibles, relés e interruptores. Es poco rentable insta-
lar un sensor de monitoreo de activos específico en cada dis-
positivo. Es interesante que sea posible monitorear una gran
cantidad de activos de red que utilizan las mediciones sin-
cronizadas y de alta resolución recopiladas por unas cuantas
μPMu y distinguir entre los diferentes tipos de fallas del
equipo. los datos recopilados pueden conducir a la identifi-
cación de anomalías que aún no son tan importantes como
para causar una falla o interrupción del cliente pero, si no se
aborda, es probable que cause fallas en un futuro cercano.
Ejemplo 4
un alimentador de distribución incluye una batería de con-
densador conmutado trifásica que se estima en 900 kvar. la
batería de condensador se enciende y apaga con un interrup-
tor de vacío. El tiempo de la conmutación se maneja por un
controlador de volt-var. se instala un dispositivo de induc-
tores de limitación transitoria en serie con cada fase de la
batería de condensador conmutado para limitar las corrien-
batería de condensador es instalada a pocos kilómetros de la
4 subestación en una parte lateral.
sin embargo, su funcionamiento se puede observar de
forma remota utilizando una μPMu instalada en el cabezal
del alimentador en la subestación. En el gráfico 4 se muestra
un evento de apagado de la batería de condensador. Primero,
mayo/junio 2018
 µPMU 1

Red
Batería de condensador

(Sin sensor)

7.3 100 360

A A
A
Magnitud (A)

Magnitud (A)

Magnitud (A)
7.25 80 240
C B B
7.2 60 120
B C C

7.15 40 0
0 400 800 1.200 1.600 2.000 0 400 800 1.200 1.600 2.000 0 400 800 1.200 1.600 2.000
Tiempo (ms) Tiempo (ms) Tiempo (ms)
(a) (b) (c)

gráfico 4. Un evento de desconexión de una batería de condensadores conmutados en observación remota por una
μPMU. (a) La desconexión del condensador provoca una caída permanente de tensión. (b) Se produce un sobreimpulso
de corriente grave en la fase A y un subimpulso de corriente grave en la fase C durante el evento de desconexión de la
batería de condensadores. (c) Por lo visto, la batería de condensadores no se desactiva, al principio, en las fases A y C en
el momento de la conmutación, sino hasta varios ciclos más tarde.

mediante las mediciones de magnitud de tensión, uno puede
confirmar que, al apagar el condensador, se produce una
caída permanente de tensión, tal como está previsto y como
se muestra en el gráfico 4 (a). Es importante destacar que
también hay un sobreimpulso de corriente grave en la fase a
y un subimpulso de corriente grave en la fase c durante dicho
evento de desconexión de la batería de condensadores, como
se muestra en el gráfico 4 (b). Podemos concluir que la bate-
ría de condensadores se apaga al paso por cero de la fase B.
las mediciones repetidas de sincrofasores de corriente en
días múltiples muestran un distintivo de desconexión muy
similar. El sobreimpulso y el subimpulso en las fases a y c
duran alrededor de 200 ms (un tiempo relativamente largo).
aparentemente la batería de condensador no está desactivada
inicialmente en las fases a y c durante la conmutación hasta
varios ciclos más tarde, como se muestra por las mediciones
das en ubicaciones no óptimas, es decir, sin la intención de
supervisar el funcionamiento del transformador. durante
una acción habitual del cambiador de tomas bajo carga
(oltc, por sus siglas en inglés), que se suele usar para la
regulación de tensión en los Estados unidos, se cambia la
relación de vueltas efectivas del transformador; esto se logra
con el movimiento mecánico de un contacto accionado por
resorte, a menudo en un ambiente lleno de aceite. los méto-
dos comunes para detectar la falla de dicho componente
incluyen análisis de gas disuelto y mediciones de nivel de
1.04
1.03 Lado primario
1.02 Lado secundario
Tensión (pu)

1.01
del ángulo de fase actual en el gráfico 4 (c). Esto puede indi-
1
car un mal funcionamiento del hardware o del control, mien-
0.99
tras que la gran magnitud y la larga duración del sobreimpulso 0.98
y subimpulso de corriente podrían ser un problema de calidad 0.97
de potencia para los clientes. Este tipo de análisis de eventos 0.96
permite el suministro proactivo del equipo para reparación o
0

0
20

40

60

80

00

20

40

60

80

00

reemplazo con una interrupción mínima para el cliente.

1.

1.

1.

1.

1.

2.

Tiempo (ms)

Ejemplo 5
un transformador de subestación de distribución tiene una gráfico 5. El evento de cambio de toma de un OLTC
falla incipiente aún no detectada. las μPMu están instala- observado por dos μPMU.

mayo/junio 2018 ieee power & energy magazine 35

 Desde el año 2015, se han instalado varios dispositivos μPMU en
sitios de prueba piloto dentro del estado de California, que incluyen
múltiples alimentadores de prueba de 12.47 kV en la ciudad de
Riverside.

aceite. Estos métodos a menudo requieren desconectar el
dispositivo para realizar pruebas completas.
En este ejemplo real, también se examinaron mediciones
precisas de tensión sincronizada de las μPMu para determi-
nar cualquier comportamiento anómalo relacionado con los
cambios de toma. de hecho, se detectaron anomalías en el
lado primario del transformador en forma de subida y caída de
tensión sincronizada durante un cambio de toma, como se ve
en el gráfico 5, a pesar de la falta de indicaciones previas adi-
cionales por parte de otros sensores en el campo. Esto podría
relacionarse con el comportamiento anómalo de la resistencia
o el puente del reactor dentro del oltc (que se usa para limitar
la corriente circulante durante el cambio mecánico) o con una
pérdida de aceite que causa la formación de un arco dentro del
dispositivo. curiosamente, ni el sensor de aceite ni los medi-
dores inteligentes detectaron la presencia de una anomalía.
cuando el equipo de campo visitó el transformador después
del análisis de datos de la μPMu, se determinó que se nece-
sitaba una reparación. después de la reparación, la anomalía
desapareció. con la continua pérdida de aceite y a falta del
análisis de datos de μPMu, se hubiera dado una falla catas-
trófica del transformador y una interrupción para los clientes.
Nota sobre los ejemplos 3 y 4
vale la pena enfatizar que ni las anomalías de la batería de
condensador en el Ejemplo 3 ni las anomalías del transforma-
dor en el Ejemplo 4 fueron identificadas por otros sensores
existentes en la red pública. ambos conjuntos de anomalías
se presentaron como eventos transitorios, solo visibles para
los sensores con altas tasas de muestreo en milisegundos,
como las μPMu. a pesar de que las μPMu de la vida real,
que proporcionaron las mediciones para realizar los análisis
en los ejemplos 3 y 4, no fueron en un inicio pensadas para
el análisis en ninguno de los dos ejemplos, fueron capaces de
proporcionar mediciones muy esclarecedoras para detectar
fallas incipientes.
la aplicación de detección de fallas incipientes, junto con
una comunicación cercana en tiempo real, permitirá accio-
nes correctivas oportunas. Por ejemplo, en el Ejemplo 4, se
tomaron rápidamente las medidas para reducir la carga del
transformador, sin mayor intervención por parte del opera-
dor o del equipo de campo, y se marcó el transformador para
su reparación. dichos enfoques proactivos ayudan a evitar
las interrupciones al consumidor, permiten que los servicios
públicos sean reparados en lugar de funcionar hasta fallar,
y minimizan el tiempo de despacho del equipo de campo.
Desbloquear el potencial del “big data”
del ejemplo 1 hasta el 5, se puede ver que hay una enorme
cantidad de información que se puede extraer incluso de un
pequeño número de μPMu, siempre que se pueda ampliar,
detectar y analizar cada evento dentro de su escala de tiempo
en milisegundos. En particular, uno puede expandir las ideas
centrales presentadas por estos ejemplos para monitorear, de
manera remota, cientos de equipos de red, activos, recursos
de energía distribuida, inversores y cargas en cada alimen-

45 45 45
Aumento

30 30 30
Alimentador 1

Alimentador 1

Alimentador 1

15 15 15
Grupo 2
0 0 0

–15 Grupo 1 –15 –15

Caída

–30 –30 –30

Caída Aumento
–45 –45 –45
–45 –30 –15 0 15 30 45 –45 –30 –15 0 15 30 45 –45 –30 –15 0 15 30 45
Alimentador 2 Alimentador 2 Alimentador 2
(a) (b) (c)

gráfico 6. Un análisis estadístico de eventos de tensión transitorios y sincronizados en dos alimentadores vecinos: (a) fase
A, (b) fase B y (c) fase C.

36 ieee power & energy magazine mayo/junio 2018

 La aplicación de detección de fallas incipientes,
junto con una comunicación cercana a tiempo real,
permitirá acciones correctivas oportunas.
tador y así llegar a la clave para una verdadera conciencia
situacional en los sistemas de distribución de potencia.
sin embargo, el principal desafío es ir más allá de los
métodos manuales basados en la intuición y la heurística de
los expertos humanos, como los descritos en los ejemplos del
1 al 5. En cambio, es crucial desarrollar la inteligencia nece-
saria de máquinas para automatizar y ampliar el análisis en
miles de millones de mediciones de las μPMu y terabytes de
datos a diario y en tiempo real. En esta sección, veremos que
el análisis de “big data” (Bda, por sus siglas en inglés) es la
clave para abordar los desafíos al trabajar con mediciones de
las μPMu y, por lo tanto, convertir los datos en información
procesable de forma escalable.
Bda es el proceso de examinar “big data” para descubrir
patrones ocultos, correlaciones desconocidas, preferencias
del cliente, comportamientos poblacionales, fallas incipien-
tes, irregularidades operacionales, entre otras utilidades
basadas en datos. En los sistemas de potencia, los hallaz-
gos de Bda pueden llevar a mitigar las amenazas; prevenir,
predecir o responder mucho más rápido a las fallas; mejorar
la eficiencia; nuevas oportunidades de ingresos y un mejor
servicio al cliente.
Recientemente, se han realizado importantes avances
técnicos dentro del área de Bda en la forma de nuevas téc-
nicas predictivas y de previsiones; herramientas de minería
de datos y aprendizaje automático para mejorar la clasifica-
ción, la regresión, la agrupación y la reducción dimensional;
inteligencia artificial para permitir la simulación cognitiva,
los sistemas expertos y la percepción; análisis estadístico
140 140
120 120
1,000
1,000
100 100
80 80
Frecuencia
Frecuencia
60 60
40 40
20 20
0 0
–1 0 1 2 236
Ángulo de fase relativa(°)
(a)
gráfico 7. Distribución de diferencia del ángulo de fase relativa entre una carga monofásica y cada una de las tres fases
en la subestación: (a) fase A, (b) fase B y (c) fase C.
mayo/junio 2018
y visualización avanzada de datos. así como la potencia
computacional crece y se distribuye potencialmente hasta el
límite de la red, el campo de análisis se expandirá y per-
mitirá que se desarrolle la red de distribución de energía
modernizada.
la primera y más importante aplicación de Bda en el
contexto de este artículo es el diagnóstico y el pronóstico
basados en datos de μPMu de forma automatizada mediante
la inteligencia de las máquinas, en lugar de caso por caso o
incluso manualmente, como es la norma en este campo en la
actualidad. Es decir, recuerde del Ejemplo 3 que filtrar los
eventos transitorios de tensión causados en el nivel de trans-
misión es una tarea crítica que debe realizarse con continui-
dad para permitir un enfoque en eventos que pueden indicar
cualquier anomalía potencial en términos de equipos de red
y cargas de clientes en el alimentador de distribución de
interés. Por lo tanto, el enfoque de clasificación visual de la
sección “análisis descriptivo” tiene un uso limitado en una
aplicación del mundo real. afortunadamente, se pueden usar
herramientas de análisis estadístico adecuadas para llevar a
cabo dicha clasificación, en gran parte, de forma automática.
como se muestra en el gráfico 6, todos los eventos de
tensión transitoria, por encima de la magnitud nominal del
0.1% durante un día, se correlacionan de forma cruzada
mediante mediciones de tensión sincronizadas en tres fases
de dos alimentadores vecinos. cada punto indica un evento
que fue detectado en al menos un alimentador. la ubica-
ción en el eje y indica el cambio de tensión transitoria que
se detectó en el alimentador 1, mientras que la ubicación en
140
120
1,000
100
80
Frecuencia
60
40
20
0
237 238 239 240 116 117 118 119 120
Ángulo de fase relativa(°) Ángulo de fase relativa(°)
(b) (c)
ieee power & energy magazine 37
 Los enfoques proactivos ayudan a evitar las interrupciones al
consumidor, permiten que los servicios públicos sean reparados
en lugar de funcionar hasta fallar, y minimizan el tiempo de
despacho del equipo de campo.
el eje x indica el cambio detectado en el alimentador 2. los
eventos pueden ser caídas de tensión o aumentos de tensión.
En el gráfico 6, y en cada fase, los puntos diagonales indi-
can los eventos transitorios de tensión que se iniciaron en
el nivel de transmisión. comprenden aproximadamente un
tercio de los principales eventos transitorios de tensión que
aparecen en estos dos alimentadores de distribución. No son
de interés principal para los ingenieros de distribución.
los eventos que preocupan a los ingenieros de distribución
son, en realidad, los dos grupos de puntos que se encuentran dentro
de los dos elipsoides marcados por puntos en el gráfico 6.
cabe destacar que los elipsoides están marcados solo en la
fase a para evitar saturar el gráfico; sin embargo, también
se pueden identificar elipsoides similares para las fases B
y c. El “grupo 1” indica las principales caídas de tensión
transitoria a causa del equipo y/o cargas en el alimentador
1. El “grupo 2” indica las principales caídas transitorias de
tensión causadas por el equipo y/o cargas en el alimentador
2. los eventos en el grupo 1 comprenden el 65%, el 71% y el
70% de todos los principales eventos transitorios de tensión
en las fases a, B y c del alimentador 1, respectivamente.
los eventos en el grupo 2 comprenden 60%, 65% y 64% de
todos los principales eventos transitorios de tensión en las
fases a, B y c del alimentador 2, respectivamente. los dos
alimentadores tienen clasificaciones iguales. se podría uti-
lizar el análisis estadístico y de minería de datos ampliado,
junto con el uso de técnicas como el reconocimiento de
patrones, para identificar las causas fundamentales de las
diferencias entre los dos alimentadores, así como si es nece-
saria una visita al sitio o una reparación. Esencialmente, este
es un cronograma de mantenimiento basado en riesgos de
entrada, con un gran número de anomalías ubicadas en el
sistema de distribución que conduce a un mayor potencial
de interrupción.
las técnicas basadas en datos que tienen como base
las mediciones de una μPMu a veces pueden convertir los
problemas tradicionalmente desafiantes de los sistemas de
distribución de potencia en tareas algo triviales. un ejemplo
de esto es la identificación de fases, que es el problema de
identificar la conexión de fases correcta para cada carga de
una, dos o tres fases. lo habitual es que la identificación
de fases se realice mediante el análisis de las correlaciones
entre los valores de tensión rms. sin embargo, la identifica-
ción de fases también puede lograrse a través de un simple
análisis basado en datos de mediciones de ángulo de fase.
38 ieee power & energy magazine
En el gráfico 7 se muestra un ejemplo. aquí, se diagrama
la distribución de probabilidad, en forma de un histograma
discreto, de la diferencia de ángulo de fase relativa entre el
fasor de tensión en una carga monofásica y el fasor de tensión
en cada fase de la subestación. la distribución se aproxima
a 0°, 240° y 120° para las fases a, B y c, respectivamente.
sin duda, la carga se conecta a la fase  a. Esta es también
una técnica que podría mejorar la capacidad de usar datos de
medidores inteligentes. con la fase del medidor identificada,
se puede desarrollar un control más enfocado a un nivel gra-
nular. Esta técnica se puede aplicar en todo el sistema de
distribución y se volverá muy importante a medida que el
equilibrio del sistema de distribución se vuelva más variable
con la generación particular.
El análisis tradicional del sistema de potencia, en general,
se basa en el modelado de sistemas físicos. Por el contrario,
los enfoques Bda se enfocan más en los datos. Por ejem-
plo, en el problema de identificación de fases que se men-
cionó anteriormente, no necesitamos conocer la topología
del alimentador. sin embargo, podríamos beneficiarnos de
un híbrido de enfoques basados en datos y modelos. En ese
caso, existe una necesidad de compensaciones técnicas entre
los detalles de los modelos y la dimensión de los datos.
las aplicaciones de Bda van más allá de los estudios de
caso antes descritos. de hecho, la mayoría de las herramien-
tas y técnicas de Bda que se desarrollaron recientemente se
orientan al descubrimiento y la exploración. En otras pala-
bras, no requieren que predeterminemos qué es exactamente
lo que se espera buscar o ver en los datos. En este sentido,
en lugar de construir sistemas que manipulen los datos de
μPMu para alcanzar ciertos objetivos previstos (como la
identificación de fase o la detección de fallas del equipo), el
paradigma Bda busca posibilitar y facilitar diferentes obje-
tivos (aún desconocidos). también existe un gran potencial
para desarrollar metodologías que puedan extraer informa-
ción procesable a partir de la agregación y desagregación de
los datos de otras fuentes además de μPMu, como medido-
res inteligentes, PMu de nivel de transmisión, sensores de
calidad de potencia y metadatos de red.
a medida que ingresamos a esta nueva frontera de visi-
bilidad y control del sistema de distribución eléctrica, con
clientes y recursos del lado de estos dedicados a su propio
suministro, es fácil decir que una medición de sincrofasor de
alta precisión y alta fidelidad es como un martillo buscando
un clavo. los estudios de caso ilustrados aquí son problemas
mayo/junio 2018
comunes del estado y visibilidad de la red, con poca aplica-
ción para soluciones escalables en los últimos años. cada
uno de estos problemas fue detectado por un sensor o un
par de sensores en un alimentador de distribución con un
conjunto limitado de implementaciones en un entorno de
investigación y una aplicación muy limitada de técnicas
avanzadas de Bda.
Existen numerosas técnicas de Bda que se desarrollan
fuera del campo de la ingeniería de potencia y que se pueden
adaptar. Por ejemplo, en genética, el Bda se usa para bus-
car la correlación de la mutación genética con los diagnósti-
cos de cáncer. En ciencias sociales, el Bda puede ayudar a
identificar públicos objetivo para productos y servicios. con
una mayor mejora de estas técnicas y el desarrollo de nuevas
áreas de investigación, como los enfoques híbridos basados
en datos y modelos de flujo de potencia, podemos permitir
un nivel de visibilidad sin precedentes y una verdadera exce-
lencia operativa para una red moderna.
Agradecimientos
agradecemos a ciaran Roberts del laboratorio nacional
lawrence Berkeley, california; alireza shahsavari, Hossein
akhavan-Hejazi y Mohammad Farajollahi de la universidad
de california en Riverside; Megala Fady de Riverside Public
utilities y tao Hong de la universidad de carolina del norte
en charlotte por sus interesantes aportes.
Lecturas complementarias
a. von Meier, E. stewart, a. McEachern, M. andersen y l.
Mehrmanesh, “Precision micro-synchrophasors for distribu-
tion systems: a summary of applications” (Microsincrofaso-
res de precisión para sistemas de distribución: un resumen
de sus aplicaciones), IEEE Trans. Smart Grid, vol. 8, n.º 6,
págs. 2926–2936, nov. 2017.
a. shahsavari, a. sadeghi-Mobarakeh, E. stewart, E.
cortez, l. alvarez, F. Megala y H. Mohsenian-Rad, “dis-
tribution grid reliability versus regulation market efficiency:
an analysis based on micro-PMu data” (confiabilidad de
mayo/junio 2018
las redes de distribución versus eficiencia del mercado de re-
gulación: un análisis basado en datos de micro PMu), IEEE
Trans. Smart Grid, vol. 8, n.º 6, págs. 2916–2925, nov. 2017.
a. shahsavari, M. Farajollahi, E. stewart, a. von Meier,
l. alvarez, E. cortez y H. Mohsenian-Rad, “a data-driven
analysis of capacitor bank operation at a distribution feeder
using micro-PMu data” (un análisis basado en datos so-
bre el funcionamiento de las baterías de condensadores en
alimentadores de distribución empleando datos de micro
PMu), en Proc. IEEE Power and Energy Society Innovative
Smart Grid Technologies Conf., abril 2017, págs. 1–5.
a. liao, E. stewart y E. Kara, “Micro-synchrophasor data
for diagnosis of transmission and distribution level events”
(datos de microsincrofasores para el diagnóstico de eventos
a nivel de transmisión y distribución), en Proc. Transmission
and Distribution Conf., 2016, págs. 1–5.
M. Farajollahi, a. shahsavari y H. Mohsenian-Rad, “lo-
cation identification of distribution network events using
synchrophasor data” (identificación de ubicaciones de even-
tos de distribución de redes empleando datos de sincrofaso-
res), en Proc. North American Power Symp., 2017, págs. 1–6.
a. shahsavari, M. Farajollahi, E. stewart, c. Roberts, F.
Megala, l. alvarez, E. cortez y H. Mohsenian-Rad, “au-
topsy on active distribution networks: a data-driven fault
analysis using micro-PMu data” (autopsia de las redes de
distribución activas: un análisis de fallas basado en datos de
micro PMu), en Proc. North American Power Symp., 2017,
págs. 1–7.
Biografías
Hamed Mohsenian-Rad es miembro de la universidad de
california, Riverside.
Emma Stewart es miembro del laboratorio nacional lo-
renzo livermore, california.
Ed Cortez es miembro del Riverside Public utilities, ca-
lifornia.
p&e
ieee power & energy magazine 39
 Acelerar un futuro con
baja emisión de carbono

Análisis de

©iStockphoto.com/lexamer
“big data”
para el intercambio
flexible de energía
Por Furong Li, Ran Li, Zhipeng Zhang, Mark Dale,
David Tolley y Petri Ahokangas

E
El REino Unido maRcó Un hito impoRtantE
en su transición hacia una economía con baja emisión de car­
bono el 21 de abril de 2017 (Gráfico 1). Este fue el primer día
hábil en Gran Bretaña sin carbón desde la Revolución indus­
trial. El desafío ahora es ampliar ese día a los 365 días del año.
Sin embargo, dos grandes barreras restringen una mayor
aceleración de esta transición. la primera es la disminución
del subsidio para la generación renovable: el Reino Unido
ha reducido su apoyo financiero para la generación fotovol­
taica (FV) en un 80% respecto a los niveles de 2017. la
segunda barrera es la reducción de la capacidad de la red,
particularmente en el nivel de distribución, dado que las
Identificador de Objeto Digital 10.1109/MPE.2018.2796358
Fecha de publicación: 18 de abril de 2018
tecnologías de baja emisión de carbono, tales como la generación
FV y el almacenamiento de energía o las fuentes de energía
distribuida (dER, por sus siglas en inglés), se conectan con la
red existente. Si un sistema de energía inteligente consiste en
aprovechar las dER generales en el sistema, entonces se deben
presentar mercados energéticos en el sector de la distribución para
conectar a los productores de energía con los consumidores,
entregando valores financieros de manera que las dER puedan
desarrollarse en un entorno sin subsidios.
Visión de un sistema “de intercambio” de
energía
Fundamentalmente, un sistema de energía inteligente debe
crear una capacidad adicional a la de la red existente a través

40 ieee power & energy magazine 1540-7977/18©2018IEEE mayo/junio 2018

 Gran Bretaña pasa 24 horas sin generación de carbón
El viernes 21 de abril de 2017 fue el primer período de 24 horas desde la década de 1880 durante el cual Gran Bretaña estuvo
sin emisiones de generación a carbón.
1,000
Generación de carbón (MW)
800
600
400
200
0
6 12 18 6 12 18
Sábado 15 Domingo 16
gráfico 1. Generación de carbón en Gran Bretaña, 15–21 de abril de 2017 (usado con permiso de la Red Nacional).
de una mejora considerable de su eficacia operativa, en lugar
de depender de una nueva inversión de red primaria, y así
permitir un aumento significativo en los flujos de energía del
sistema existente. para lograr esto se requiere un cambio de
paradigma desde los actuales modelos comerciales de baja
inteligencia/alto valor de los operadores de red de distribu­
ción (dno, por sus siglas en inglés).
Una economía colaborativa ha proporcionado un valor
mejorado en muchos otros sectores del mercado, como el
transporte (por ejemplo, Uber, que conecta a pasajeros con
conductores) y el turismo (por ejemplo, airbnb, que conecta
a huéspedes con anfitriones). las economías colaborativas
usan la tecnología de la información y la comunicación
(ict, por sus siglas en inglés) de alta velocidad para ajustar
la oferta y la demanda y aumentar el uso de recursos poco
utilizados a través de modelos comerciales disruptivos y del
comercio entre pares (p2p). El desarrollo de redes inteligen­
tes y el despliegue general de medidores inteligentes pro­
porcionan la infraestructura básica para la llegada de una
economía colaborativa al sector energético.
prevemos que una economía colaborativa puede ser uno
de los catalizadores fundamentales que liberará la capacidad
en la red de suministros existente, aportará un gran valor
financiero a la generación renovable y, en definitiva, dará
lugar a una energía asequible y limpia para los actuales y los
futuros consumidores de energía.
Este artículo resume nuestras perspectivas sobre el uso
de los sistemas de intercambio de energía en dos principales
categorías de activos poco utilizados.
✔ Flexibilidad de clientes: En este contexto, una econo­
mía colaborativa promovería el suministro horizontal
de energía a través de transacciones p2p (Gráfico 2),
permitiendo que se compartan los recursos distribui­
mayo/junio 2018
Sin generación
de carbón
por 24 horas
6 12 18 6 12 18 6 12 18 6 12 18 6 12 18
Lunes 17 Martes 18 Miércoles 19 Jueves 20 Viernes 21
Abril de 2017
dos de forma horizontal entre productores de energía y
usuarios flexibles. también permitiría la flexibilidad
de los clientes para contrarrestar la incertidumbre del
suministro a nivel local, incentivando así a los clientes
a compartir la responsabilidad de mantener la seguri­
dad de la red, y reduciría el a veces costoso y exclusivo
control central de los dno al integrar tecnologías de
baja emisión de carbono en el sistema.
✔ Flexibilidad de la red: Una economía colaborativa en
el contexto de una red de distribución requeriría que
un dno renunciara a sus derechos exclusivos en la
red. El dno estaría obligado a alquilar la capacidad
no utilizada o de reserva a una parte independiente,
y a dicha parte independiente se le otorgaría una li­
cencia para el acceso a la red del sistema (Sna, por
sus siglas en inglés) y actuaría como dno secundario.
aprovecharía la capacidad no utilizada en la red para
proporcionar servicios de red flexibles que se ajusta­
rían a la generación y a la demanda flexibles. de esta
manera, el paradigma propuesto usaría más capacidad
de la red física existente y reduciría significativamen­
te el costo de acceso a la red para generar flexibilidad.
El “big data” y el análisis son catalizadores clave para
introducir una economía colaborativa en un sistema de
monopolio. pueden acceder a y procesar grandes cantidades
de datos de la red, de clientes, de mercado, socioeconómi­
cos, demográficos y ambientales. pueden detectar patrones
ocultos, correlaciones y conocimientos sobre información en
tiempo real respecto al estado actual de los productores de
energía, los consumidores de energía y el sistema de distri­
bución, así como sus probables estados en el futuro. cons­
tituirán aportaciones esenciales para tomar decisiones que
puedan aumentar considerablemente la eficiencia operativa
ieee power & energy magazine 41
 e informar sobre la transferencia de energía más eficiente
entre los productores y consumidores de energía, los ope­
radores de red primarios y secundarios, y los operadores y
usuarios de la red.
En este artículo, analizamos la posibilidad de aprovechar
la flexibilidad en un sistema energético a través de la intro­
ducción de dos esquemas de intercambio:
✔ energía y flexibilidad compartidas: comercialización
de energía p2p en mercados energéticos locales
✔ acceso compartido a la red (Sna, por sus siglas en in­
glés): nuevos modelos comerciales en redes de energía.
Estado actual de la situación (“small data”)
El mercado de la energía actual en el Reino Unido es un sis­
tema vertical (Gráfico 2), en el que los productores y consu­
midores locales tienen acceso limitado pero, agregado a una
escala razonable, pueden participar en los mercados centra­
les de energía o frecuencia. Esto ha funcionado bien desde
la creación del mercado de la electricidad según la estruc­
tura tradicional de sistema de suministro eléctrico, donde la
generación y el consumo se separan en ambos extremos del
sistema. con el costo de las tecnologías de baja emisión de
carbono, como la energía FV, los vehículos eléctricos (VE),
el almacenamiento de baterías y las bombas de calor, en
rápida disminución, estas tecnologías se están conectando
progresivamente a la ventaja del sistema de distribución.
millones de empresas y hogares que tradicionalmente han
sido consumidores de energía pasiva pasarán a ser prosumi­
dores de energía, capaces de almacenar, convertir y generar
energía. Esto les permitirá convertirse en participantes acti­
vos en el mercado.
desde la perspectiva del cliente, el modelo comercial ver­
tical actual podría perjudicar a los productores de energía
locales, especialmente a aquellos que emplean tecnologías
renovables, ofreciendo opciones limitadas en términos de
cómo utilizar la producción. En concreto, se recicla el exceso
de energía intermitente de los recursos renovables de los pro­
sumidores en bruto, a través de la red a una tarifa muy baja:
3 peniques/KWh (en comparación con la tarifa minorista
de 24 peniques/KWh), dado que representa un suministro
energético intermitente de baja confiabilidad, es decir, una
variabilidad de la producción de energía. El sistema central
actúa entonces como un almacenamiento enorme de energía
que aumentaría la confiabilidad percibida del suministro a
un nivel que cumpla con los estándares. como se ilustra en
el Gráfico 2, al hacerlo, se limita el valor financiero de los
recursos locales y se impone una carga adicional en el sis­
tema de suministro, especialmente cuando la energía eólica
y la FV local se vuelven significativas a nivel de distribución.
a nivel de distribución de la red, el modelo comercial
actual de los dno recupera el funcionamiento de la red y los
costos de inversión a través de su uso del sistema y los car­
gos de conexión. los ingresos están determinados en gran
medida por la cantidad de dinero gastado en su red cada año,
donde se establece la inversión para ganar una tasa fija de
rentabilidad sobre el capital. Según este modelo comercial,
un dno tiene un incentivo para invertir en la red y alcanzar
el crecimiento de carga previsto en el supuesto de que todas
las cargas requieran el mismo nivel de confiabilidad alta. Se
diseña una capacidad significativa en la red para respaldar el
nivel máximo de corta duración del sistema, con la conse­
cuencia inevitable de que la red siga siendo poco utilizada la
mayor parte del año. El modelo comercial actual de los dno
continúa en un futuro que no distingue la demanda flexible
de la demanda fija; por lo tanto, disminuirá más la eficacia
de la utilización de activos tendiendo a conectar los recursos
flexibles con las redes de baja tensión (Bt).
a nivel de mercado, los principios económicos que sus­
tentan las actuales estructuras de mercado se basan sola­
mente en el precio y la cantidad, sin considerar la confia­
bilidad del suministro de energía. la estructura tradicional
de un mercado de electricidad establece un equilibrio entre
la oferta y la demanda comercializando al mismo tiempo
solo un nivel de confiabilidad para los productos energéti­
cos. toda la electricidad debe cumplir con los estándares de
seguridad definidos por organismos reguladores, que gene­
ralmente requieren cerca de un 100% de confiabilidad. En
el entorno emergente de baja emisión de carbono, existe una

£0.03/kWh £0.17/kWh
Reciclada por la red

1 Transacción vertical

2 Transacción horizontal
Plataforma
de comercialización
£0.10/kWh £0.10/kWh

gráfico 2. Transacción vertical y horizontal.

42 ieee power & energy magazine mayo/junio 2018

oportunidad de usar la flexibilidad de las cargas emergentes
con un grado más alto de tolerancia a la deficiente confiabi­
lidad del suministro energético. Estas incluirán cargas como
la calefacción y el transporte eléctrico, los aparatos inteli­
gentes y el almacenamiento energético en zonas residencia­
les. para aprovechar esta oportunidad, es necesario ampliar
las disposiciones actuales del mercado desde el costo y la
cantidad hasta la confiabilidad. Esto permitirá que el sumi­
nistro energético de baja confiabilidad, como la energía FV
y eólica local, se comercialice directamente con un tercero
en el área local. dicha disposición ofrece la posibilidad de
ofrecer más opciones a los usuarios y liberar completamente
el valor de los recursos locales.
Tecnología disruptiva: Análisis y
aplicación de “big data” en una
economía colaborativa de energía
Una economía colaborativa moviliza recursos tradicional­
mente poco utilizados de propiedad de personas o comunida­
des y con ello les permite ofrecer servicios que crean un valor
mucho mayor para los recursos que el que podrían obtener de
otro modo. la aplicación del principio de una economía cola­
borativa en mercados de energía locales se realiza a través de
un mercado comercializado p2p que permite una gran canti­
dad de compradores y vendedores (prosumidores) de energía
segmentados para encontrar y comercializar con otros a una
fracción de los costos de energía de la red. los precios de la
electricidad se establecerían para un área o una transacción,
de manera que la demanda local se pueda ajustar a la gene­
ración local y así lograr un “equilibrio local”. Este equilibrio
local puede asimilar la incertidumbre del impacto de la oferta
y la demanda de baja emisión de carbono y reducir así las
cargas operativas sobre los dno y el mercado en general. Se
haría un seguimiento de las fuentes intermitentes de genera­
ción renovable en tiempo real, de manera que aquellas que
tengan la menor confiabilidad ofrezcan el precio más bajo,
proporcionando así incentivos para que la demanda responda.
Una aplicación de una economía colaborativa en el acceso
a la red permitiría que un tercero con licencia tenga mayores
competencias en la evaluación y mitigación de riesgos para
desarrollar estrategias de alquiler que ajusten dinámica­
mente la disponibilidad de la red a la flexibilidad del cliente.
El análisis de “big data” es el catalizador clave para el desa­
rrollo de dichos sistemas de intercambio. a continuación
analizamos las diferencias técnicas clave y las posibles solu­
ciones de “big data” para cada una de estas disposiciones.
Mercados de energía P2P locales que
pueden hacer un seguimiento de la
oferta y la demanda local
En un mercado p2p local, los prosumidores se conciben
como personas capaces de colaborar de manera horizontal
y, por tanto, de evitar el sistema central. dichas actividades
de mercado locales proporcionan señales e incentivos para
que los clientes locales cambien sus patrones de demanda y
mayo/junio 2018
1.8
Imprecisión de la demanda (kWh)
1.6
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0 10 20 30 40 50
Tiempo (horas)
Perfiles de salida FV Perfil FV promedio
gráfico 3. Las salidas diarias de un generador FV en un
año; la curva roja representa el valor diurno promedio.
hagan un seguimiento de la salida de generación local, asi­
milando así la incertidumbre a nivel local.
El actual sistema de comercialización de energía de media
hora está diseñado para la generación convencional a gran
escala que se puede enviar de forma central. los generadores
renovables distribuidos tienen características muy distintas.
identificar el producto que un generador distribuido puede
vender en el tiempo y en el espacio, es fundamental para
tarificar y ajustar la generación intermitente a la flexibilidad
de la demanda. para un productor de energía solar común,
los productos de energía que puede ofrecer en un mercado
de electricidad central pueden variar considerablemente en
el tiempo. la producción diaria de un generador de energía
FV de muestra y su valor diurno promedio se muestran en el
Gráfico 3, pero los productos de energía comunes que podría
ofrecer en un mercado central varían en gran medida día tras
día, como se muestra en el Gráfico 4. El producto es un per­
fil seleccionado y cuantificado de producción de energía FV
similar: la “puntuación” indica la cantidad comercializable
del producto y “Var” representa la cantidad residual, que no
se comercializa debido a las imprecisiones.
Esto sugiere un diseño y funcionamiento de mercado dife­
rente para la generación de baja emisión de carbono distri­
buida y la flexibilidad de la demanda. El diseño de mercado
debe definir qué, cómo y dónde comprar y vender productos
de energía renovable locales, considerando productos de ener­
gía ampliamente diferentes y sus imprecisiones. para que los
mercados locales compitan, el funcionamiento del mercado
debe ser más eficaz que el mercado central de media hora.
Confiabilidad en el diseño de mercado: La
tercera dimensión del equilibrio de mercado
El desafío clave de desarrollar mercados p2p locales es ajus­
tar las grandes cantidades de clientes a las ofertas y demandas,
cada uno con distintas prioridades en términos de cantidad,
ieee power & energy magazine 43
 0.6
1.2
0.5
1.0
0.4
0.8
Demanda (kWh)

Demanda (kWh)
0.3
0.6
0.2
0.4
0.1
0.2
0.0
0.0
–0.1
–0.2
–0.2
0 10 20 30 40 0 10 20 30 40
Tiempo (horas) Tiempo (horas)

Producto: Puntuación = 0.58, Inicio = 15, Duración = 19 Producto: Puntuación = 2.13, Inicio = 19, Duración = 13
Var = 0.03 Var = 0.08

(a) (b)
2.0

1.5
1.5
Demanda (kWh)

Demanda (kWh)

1.0
1.0

0.5
0.5

0.0 0.0

0 10 20 30 40 0 10 20 30 40
Tiempo (horas) Tiempo (horas)

Producto A: Puntuación = 3.07, Inicio = 15, Duración = 14 Producto A: Puntuación = 2.69, Inicio = 24, Duración = 9
Producto B: Puntuación = 0.85, Inicio = 29, Duración = 6 Producto B: Puntuación = 1.02, Inicio = 13, Duración = 11
Var = 0.12 Var = 0.15
(c) (d)

gráfico 4. Cuatro productos diarios típicos extraídos de la salida anual del generador FV.

precio y, fundamentalmente, confiabilidad en el suministro de
potencia. Ya se han investigado ensayos de comercialización
de energía p2p a pequeña o mediana escala en otras jurisdic­
ciones; por ejemplo, Vandebron en los países Bajos, piclo en
el Reino Unido y comunidad de Sonnenbatterie en alemania.
las innovaciones clave que se han considerado son
✔ reflejar el exceso y el déficit de energía y movilizar
la demanda flexible para aumentar o disminuir los
requisitos de energía según la disponibilidad de esta
✔ permitir la distribución de energía óptima entre los
clientes a partir del suministro sin interrupciones lo­
cal y el suministro tradicional central, y maximizar el
uso de recursos locales
✔ mejorar los flujos de potencia en las redes de distribu­
ción para mitigar los niveles de congestión y reducir la
restricción energética de renovables.
Sin embargo, ninguno de estos enfoques distingue entre la
alta y la baja confiabilidad del suministro energético.
para hacer pleno uso del sistema de intercambio, se debe
introducir la tercera dimensión del mercado (la confiabilidad
de la energía), para permitir que se comercialicen suminis­
tros bajos e intermitentes y abrir así el valor financiero de los
recursos locales. Se propone una nueva teoría de mercado
de la energía p2p que puede ampliar la teoría tradicional de
manera que pueda representar no solo el precio y la canti­
dad, sino también la confiabilidad. Esto permitiría el envío

44 ieee power & energy magazine mayo/junio 2018

de un amplio rango de productos de energía a los clientes
con diferentes capacidades de alcanzar un equilibrio eco­
nómico entre el costo, el volumen y la confiabilidad en la
comercialización de la energía.
En el Gráfico 5, mostramos que el mercado tradicio­
nal tiene casi un 0% de flexibilidad en la demanda, mien­
tras que el producto de energía que se comercializa casi
siempre está 100% disponible. la curva de la demanda en
este escenario es casi vertical. Sin embargo, si se pudiera
reconocer la flexibilidad de la demanda y la confiabilidad
del suministro, entonces el mercado puede dividirse en
muchos segmentos con múltiples interacciones de oferta/
demanda y equilibrios.
por ejemplo, en el Gráfico 5, hemos ilustrado qué tan
flexible (0%–60%) sería la respuesta de la demanda a los
precios de la energía. para la generación local, la pendiente
de la curva de la oferta es más plana que para el suministro
central debido a que es intermitente y a su menor confiabili­
dad y, por lo tanto, es menos costosa. En los puntos de equi­
librio, el cliente con mayor flexibilidad se beneficiará de un
precio mucho más bajo al aprovechar la generación local de
baja emisión de carbono y de bajo costo en lugar de depender
del mercado de energía central.
El análisis de “big data” respaldará el diseño de los mer­
cados de energía locales a través de lo siguiente.
✔ Un mercado de energía local p2p permitiría que se co­
mercializara la energía en distintos bloques de tiempo
(de segundos y minutos a horas), en diferentes canti­
dades y, especialmente, con diferente confiabilidad de
suministro. El análisis de “big data” sería fundamental
para asegurar un sistema de comercialización de ener­
gía de múltiples tiempos, escalas y confiabilidades
optimizado para hacer un seguimiento de los niveles
de oferta/demanda y de su variabilidad. las posibles
aplicaciones incluyen lo siguiente:
• Caracterización de recursos: Se necesita para
entender las unidades mayores y menores de co­
mercialización, las unidades mayores y menores
de tiempo y la mayor y menor confiabilidad del
suministro.
• Predicción de probabilidades: Servirá para estimar
la energía probable (tanto de generación como de
consumo) en los períodos de licitación, desde segun­
dos a minutos y a horas. Fundamentalmente, estima­
rá la distribución probable de cada nivel de oferta y
demanda para que en cada período de licitación se
mida la imprecisión de la estimación.
• Establecimiento ultrarrápido. debido a que existe
una imprecisión potencialmente significativa entre
la energía predicha y la comercialización en tiem­
po real, los excesos o déficits asociados necesitarían
compaginarse y establecerse. dependiendo de la di­
mensión y del bloque de tiempo del mercado p2p, el
análisis de “big data” podría respaldar una comer­
cialización y un establecimiento rápido.
mayo/junio 2018
Precio
80%
100%
60%
80%
40%
60%
40%
Cantidad
gráfico 5. Las curvas de demanda/oferta en un mercado
de energía P2P local (Li, 2015).
Funcionamiento del mercado: Predicción,
tarificación y ajuste
durante la etapa de funcionamiento del mercado, todas las
posibles ofertas y licitaciones dependerían de la predicción
y tarificación en tiempo real. El sistema de comercializa­
ción encontraría entonces los mejores ajustes entre la oferta
y la demanda. Existe una necesidad particular de mejorar
los algoritmos de predicción, tarificación y ajuste para con­
siderar los productos, la flexibilidad y las imprecisiones y, en
definitiva, maximizar el valor de los recursos locales.
la predicción, la tarificación y los ajustes en tiempo real
son interdependientes, lo que requiere un procesamiento de
datos altamente eficaz para enfrentar una cantidad potencial­
mente grande de ofertas. la calidad y la velocidad de la pre­
dicción son prerrequisitos para la calidad de la tarificación
para garantizar que el mercado refleje la disponibilidad y la
condición de las ofertas. la predicción y la tarificación deter­
minarán entonces la calidad de los ajustes, es decir, el grado
de valor que se puede dar a los recursos de energía locales.
las técnicas de predicción de energía, por lo tanto,
desempeñan un papel fundamental en el mercado centrali­
zado tradicional. los méritos de estas técnicas son difíciles
en los mercados locales por los siguientes motivos:
✔ a nivel local, la demanda de electricidad es volátil y
difícil de predecir. a un nivel agregado, la diversidad
entre los clientes hace que la demanda agregada a un
mercado centralizado sea más fácil de predecir y co­
rrelacionar con variables explicativas como los días de
la semana y el clima.
✔ En un mercado de potencia centralizado, los genera­
dores son controlables y se pueden usar para equilibrar
el error de predicción de la demanda. por el contrario,
los generadores distribuidos normalmente son inter­
mitentes e incontrolables. los errores de predicción
bidireccionales de generación y demanda conllevarían
una imprecisión significativa para el establecimiento
de un mercado local.
✔ El despliegue de tecnologías de baja emisión de carbo­
no desafiará de forma significativa los modelos de pre­
dicción existentes. por ejemplo, los perfiles de carga
ieee power & energy magazine 45
 Demanda flexible

ada Facilitar
/no utiliz
Capacidad
serva
de la red de re
cidad
Capa
DNO secundario

Demanda fija
Capacidad
utilizada
Proporcionar

DNO titular

gráfico 6. El concepto básico del modelo comercial del GRD del SNA.

promedio establecidos serán inadecuados cuando los en tiempo real. En su lugar, los mercados de energía locales
hogares se equipen con energía FV, con sus propios requieren una nueva variedad de técnica predictiva que pueda
VE y tengan de forma individual perfiles de demanda identificar rápidamente las variables dominantes a partir de
muy variados. grandes volúmenes de datos de entrada y hacer predicciones
En particular, las técnicas de predicción dependen de la rápidas con un grado razonable de confianza. Esencialmente,
selección de variables dependientes o explicativas que luego se requieren nuevas técnicas de selección y predicción varia­
se usan para derivar algoritmos a la demanda predicha. para bles para predecir información clave de energía en relación
respaldar el mercado local, la selección de variables tiene con la disponibilidad y variabilidad energética de manera
que ir mucho más allá del actual espacio de búsqueda, que se oportuna, informando así todos las consiguientes operacio­
basa en la experiencia práctica. Esto se debe a que, a un nivel nes del mercado, es decir, la tarificación y los ajustes.
específico, la demanda y la generación individual se ven En la etapa de comercialización en tiempo real, la corres­
influidas notablemente por las variables explicativas. por pondencia automática entre la generación intermitente y la
ejemplo, la producción de energía solar en los tejados está demanda flexible maximizaría el valor de los recursos loca­
determinada principalmente por factores meteorológicos, les. lidiar con una enorme cantidad de transacciones en el
mientras que la demanda de hogares está muy influida por tiempo y en distintas ubicaciones requiere algoritmos de
factores geodemográficos; es probable que los patrones de búsqueda eficaces y a gran escala, que consideren la impre­
vida, las conductas de conducción y las ubicaciones de carga cisión física en los riesgos predictivos y financieros de la
sean factores de influencia clave para la demanda de VE. tarificación. con este fin, la segmentación de prosumidores
Examinar todas las posibles variables internas y externas permitiría procesos de ajustes rápidos controlando a los pro­
sería demasiado laborioso y engorroso para las aplicaciones sumidores similares en grupos, para acelerar los algoritmos
de búsqueda.
tabla 1. Resumen comparativo de diferencias entre el
status quo y los sistemas de intercambio de energía. Acceso compartido a la red
El Sna tiene como objetivo integrar la demanda flexible de
Status quo Sistema de manera rentable. los principales beneficios del Sna en los
intercambio
modelos comerciales convencionales se pueden ver exami­
Flexibilidad Productos de energía Comercialización nando las relaciones comerciales y de flujo de caja entre las
de clientes muy limitados para horizontal de
la flexibilidad de energía P2P entre los partes interesadas. más importante aún, como se muestra en
clientes; los activos prosumidores el Gráfico 6, el esquema de Sna proporciona un incentivo
muy poco utilizados y a los dno titulares para renunciar a su acceso exclusivo a
no optimizados para el
sistema completo la red y alquilar la capacidad no utilizada o de reserva a las
partes independientes con licencia. la propiedad de los acti­
Flexibilidad Reservado para SNA; la capacidad
de la red contingencias; inactivo no utilizada se
vos sería mantenida por los dno titulares, pero se presen­
gran parte del tiempo puede alquilar para taría la competencia a través de la subasta o la subcontrata­
acomodar más ción de los derechos de la capacidad no utilizada. las partes
demanda/generación
flexible
independientes que tengan licencia para el Sna actuarían
como dno secundarios para ofrecer servicios de red flexi­

46 ieee power & energy magazine mayo/junio 2018

bles usando la capacidad no utilizada en la red, reduciendo
así notablemente el costo de acceso a la red para la demanda
flexible. En el caso de las contingencias no predichas, la
capacidad no utilizada se devolvería a los dno titulares para
garantizar la seguridad del suministro. la tabla 1 resume las
diferencias entre los modelos actuales y el intercambio de los
sistemas de energía.
cabe señalar que habría desafíos técnicos y normativos
significativos a la hora de alinear los objetivos de los opera­
dores primarios y secundarios para garantizar una coordina­
ción y una transición fluidas. cuando surja la necesidad de
devolver la capacidad no utilizada al operador primario, el
operador secundario debe esencialmente interrumpir el sumi­
nistro a su demanda flexible. por ejemplo, cuando es nece­
sario, la industria de las telecomunicaciones normalmente
evita que las nuevas llamadas se conecten a la red existente,
pero las conversaciones en curso no son interrumpidas. los
desafíos técnicos y normativos deben considerarse de forma
apropiada para dar tanto a los operadores primarios como
a los secundarios un grado mayor de precisión en términos
de disponibilidad de capacidad para que puedan optimizar y
coordinar sus redes según los intereses tanto de demanda fija
como flexible. no hacerlo conllevaría un sistema mucho más
complicado, así como clientes insatisfechos.
El avance clave requerido para lograr el Sna es hacer
visible la disponibilidad de carga dinámica de la capacidad
no utilizada de la red. En general, en el Reino Unido, la etapa
final de monitoreo del sistema está en los alimentadores de
salida de 11 kV en una subestación primaria, donde se mide
tanto la corriente como la tensión. En la actualidad, la carga
en tiempo real de las subestaciones de distribución junto con
los alimentadores de 11 kV no se registra ni es visible sin
una visita al sitio. además, las mediciones del indicador de
demanda máxima tomadas durante una visita al sitio mues­
tran una precisión deficiente en el rango de carga.
Sin el apoyo del “big data”, el dno suele diseñar la red
según criterios de “ajuste fácil” pasivos. Esto asegura que
el sistema pueda funcionar dentro de los límites legales y
se mantenga resiliente en el peor de los casos, como la hora
punta de la tarde durante el período más frío del invierno. El
enfoque se basa en la suposición de que el crecimiento de la
carga para los clientes existentes sea relativamente bajo, uni­
forme y predecible. la adopción a gran escala de la tecno­
logía de baja emisión de carbono en las redes de Bt podría
cambiar esta evaluación del peor de los casos y desvirtuar
las suposiciones de crecimiento de carga actuales. Un desa­
fío clave del diseño es identificar el momento en que estos
cambios probablemente ocurran. la visibilidad limitada del
uso de activos y el estado de la red dificultan a un dno la
optimización de planificación y funcionamiento de su red.
Un mejor entendimiento de la forma en que probablemente
la conducta de los clientes afecte la carga y la tensión de la
hora del día “margen” disponible en diferentes partes de la
red de Bt, es esencial en la planificación de la seguridad de
una red futura.
mayo/junio 2018
Una solución considerada para el conocimiento de la
situación es el monitoreo general. En la práctica, dicha solu­
ción podría ser excesivamente costosa: se ha estimado que
costaría £2 mil millones monitorear todas las redes de Bt en
el Reino Unido. Se podrían usar estadísticas inferenciales,
otra característica del “big data”, para observar todo el
sistema extrayendo datos de las poblaciones menores. dicho
proceso pretende maximizar los valores del “small data”
y así evitar los datos “costosos”. la pregunta crucial es si
existe un método simple y rentable que pueda proporcionar
la visibilidad de flujos en la red de distribución de Bt.
En el Reino Unido, los dno han llevado a cabo una serie
de proyectos para responder esta pregunta. El proyecto de
plantillas de Red de Bt era uno de estos proyectos emble­
máticos. proporciona monitoreo remoto de la corriente y la
tensión a más de 800 subestaciones de distribución. además,
se han instalado monitores de tensión en aproximadamente
3,500 sitios en el extremo de los alimentadores de Bt. Enton­
ces se desarrolló un conjunto de plantillas de subestaciones
de red de Bt para ofrecer perfiles de carga y tensión de refe­
rencia que pudieran aplicarse en el Reino Unido.
los métodos de perfil de carga tradicionales se basan en
técnicas de aprendizaje supervisado y clientes asignados en
clases domésticas, comerciales e industriales predefinidas.
dado que la industria tiene poco conocimiento previo de
las cargas de Bt y de los estados de las redes, el proyecto
propone un nuevo algoritmo de aprendizaje semi­supervi­
sado de tres etapas. El primer paso es una agrupamiento no
supervisado para buscar plantillas de subestaciones típicas.
El siguiente paso es asignar una subestación desconocida
a la plantilla más semejante. El último paso es estimar los
niveles de carga de las subestaciones de Bt a través del uso
de la regresión de grupos.
Esto ha generado dos resultados importantes. En primer
lugar, las plantillas desarrolladas fueron validadas por cinco
de siete dno en el Reino Unido y, en general, lograron una
precisión del 87%. En segundo lugar, un impacto incluso
mayor y más duradero del proyecto ha sido el aprendizaje
asociado a los perfiles de tensión. Esto, a su vez, ha dado
lugar a otro proyecto relacionado con el análisis de reduc­
ción de tensión.
Western power distribution (Wpd) solicitó a la Univer­
sidad de Bath realizar un estudio en relación con los efectos
de un esquema de reducción de tensión para aquellos perfiles
de tensión cercanos al límite superior de los límites lega­
les. los investigadores de la Universidad de Bath concluye­
ron que dicho esquema podría reducir significativamente la
demanda, las facturas de los clientes y la emisión de car­
bono. al adoptar el método para los clientes de Gales del
Sur, Wpd redujo la tensión en un 1%. Esto le ha ahorrado a
los clientes de Gales del Sur aproximadamente £14 millones
al año. Existen planes para utilizar este enfoque en las cuatro
áreas con licencia de Wpd, en la medida de lo posible. Si
se pone en marcha a nivel nacional, junto con la adopción
de tolerancias de tensión (±10%), se estima que la política
ieee power & energy magazine 47
 podría ahorrarle a Gran Bretaña £315 millones y 1.98 millo­
nes de toneladas de dióxido de carbono al año.
Conclusiones
Gestionar la flexibilidad en la generación, la demanda y el
almacenamiento es un requisito para lograr mayor eficacia
en el suministro eléctrico. aprovechar esta flexibilidad para
lograr una mayor utilización de los activos del sistema es
esencial para permitir que el Reino Unido transite hacia una
economía energética de baja emisión de carbono. cambiar a
una economía colaborativa es uno de los enfoques más pro­
metedores para aprovechar la flexibilidad a través del uso
de ict de alta velocidad, la exploración de modelos comer­
ciales disruptivos y la creación de mercados horizontales
innovadores.
Un catalizador clave será el análisis de "big data" que
pueda informar a los usuarios y participantes del mercado,
establecer precios y ajustar la flexibilidad a la demanda con
la generación intermitente a través de análisis extensos de
datos medidos junto con información socioeconómica y
meteorológica. En este artículo, analizamos los mercados de
energía p2p y el Sna para ilustrar el valor de adoptar una
economía colaborativa en el sector de la energía. a través
de estos avances, se pueden ofrecer importantes beneficios
a aquellos que han promovido la baja emisión de carbono y
a los clientes de energía flexible, extrayendo más valor de la
generación existente, de la red y de los activos de los clientes.
Reconocimientos
Este trabajo fue respaldado por el proyecto p2p­Smartest de
la UE2020 y el proyecto peer­to­peer Energy trading and
Sharing–3m del EpSRc.
Lecturas complementarias
F. li, “incentives for local production and demand flexibi­
lity to support community energy” (incentivos para la pro­
ducción local y la flexibilidad en la demanda para apoyar
la energía comunitaria), en Proc. New Market Models for
Community Energy Conf., enero de 2015.
48 ieee power & energy magazine
R. li, c. Gu, F. li, G. Shaddick y m. dale, “development
of low voltage network templates—part i: Substation cluste­
ring and classification” (desarrollo de plantillas de red de
baja tensión, parte i: agrupamiento y clasificación de sub­
estaciones), IEEE Trans. Power Systems, vol. 30, n.º 6, págs.
3036­3044, 2014. doi 10.1109/tpwrs.2014.2371474.
t. hong y S. Fan, “probabilistic electric load forecasting:
a tutorial review” (predicción de carga eléctrica probabilís­
tica: Repaso de tutorial), Int. J. Forecasting, vol. 32, n.º 3,
págs. 914–938, julio–septiembre de 2016.
R. li, Z. Zhang, F. li y a. petri, “a novel business model
for distribution networks: multiple network operators with
shared network access” (Un nuevo modelo comercial para
las redes de distribución: múltiples operadores de red con
acceso compartido a la red), IEEE Power Eng. Lett., 2017.
h. Shi, m. Xu, R. li y F. li, “deep learning for house­
hold load forecasting: a novel pooling deep Rnn” (apren­
dizaje profundo para la predicción de carga doméstica: Una
nueva Rnn profunda de agrupamiento), IEEE Trans. Smart
Grid, vol. pág. n.° 99, pág. 1­1, 2017.
R. li, Z. Zhang, F. li y p. ahokangas, “a shared network
access business model for distribution networks” (modelo
comercial de acceso compartido a la red para redes de dis­
tribución), IEEE Trans. Power Systems, vol. 33, n.º 1, págs.
1082­1084, enero de 2018.
Biografías
Furong Li pertenece a la Universidad de Bath, Reino Unido.
Ran Li pertenece a la Universidad de Bath, Reino Unido.
Zhipeng Zhang pertenece a la Universidad de Bath, Rei­
no Unido.
Mark Dale pertenece a Western power distribution, Rei­
no Unido.
David Tolley pertenece a la Universidad de Bath, Reino
Unido.
Petri Ahokangas pertenece a la Universidad de oulu,
Finlandia.
p&e
mayo/junio 2018
E
El clima impacta prácticamEntE En todos
los aspectos de nuestra vida diaria. por consiguiente, muchos
sectores comerciales se ven afectados por las condiciones
meteorológicas, y la industria de la energía no es la excep-
ción. El clima es uno de los principales factores que influyen
en la confiabilidad del sistema, y es un motor fundamental
de la demanda y suministro de energía. En este artículo,
daremos a conocer usos novedosos que se le puede dar a los
datos meteorológicos para el análisis de energía a través de
dos aplicaciones de servicios públicos. primero, utilizamos
datos meteorológicos de fácil acceso junto con análisis de
regresión para ejemplificar interrupciones en la distribución
y obtener un panorama probabilístico de los índices de con-
fiabilidad que ayudan a revelar la tendencia de confiabilidad
de un servicio público. luego, utilizamos datos meteoroló-
gicos de alta resolución y de categoría comercial para desa-
rrollar simulaciones realistas de las flotas fotovoltaicas (FV)
particulares previstas.
Confiabilidad de la distribución de energía
la confiabilidad es un tema importante en la industria de la
energía eléctrica. las interrupciones en los sistemas de dis-
tribución se relacionan directamente con los ingresos de los
servicios públicos y la satisfacción del cliente. Una red menos
confiable aporta una mayor pérdida de ingresos y una menor
satisfacción del cliente. por consiguiente, la confiabilidad en

Desde modelado de interrupciones e índices

de confiabilidad hasta simulación de flotas
fotovoltaicas distribuidas

Datos
meteorológicos
para el
Imagen autorIzada por Ingram publIshIng

análisis de
energía
Por Jonathan Black,
Alex Hofmann, Tao Hong,
Identificador de Objeto Digital 10.1109/MPE.2018.2801442 Joseph Roberts y Pu Wang
Fecha de publicación: 18 de abril de 2018

mayo/junio 2018 1540-7977/18©2018IEEE ieee power & energy magazine 49

 los servicios públicos está siendo evaluada continuamente
por consejos, ejecutivos, ingenieros, operadores, clientes y
autoridades reguladoras. si bien es cierto que la mayoría de
las partes interesadas no estarían dispuestas a pagar el gran
capital, operaciones y gastos de mantenimiento necesarios
para mantener una red muy confiable, hay muchas otras que
tampoco estarían dispuestas a aceptar una escasa confiabi-
lidad. por lo tanto, la industria de la energía elécrica debe
equilibrar continuamente los costos y beneficios que implica
la mejora de la confiabilidad del sistema.
para poder medir y comunicar confiabilidad, las partes
interesadas de los servicios públicos generalmente utilizan
los índices de confiabilidad como una buena medición de la
salud del sistema de servicios públicos. así como muchos
sistemas complejos tienen su propio nivel de mediciones
de la salud, los índices de confiabilidad permiten que todos
sepan si el sistema de servicios públicos está mejorando o
empeorando con el tiempo. los índices de confiabilidad ayu-
dan a que los ingenieros de potencia y otros operadores pue-
dan ver y mostrar la naturaleza interconectada de los diver-
sos componentes del sistema independiente que conforman
un sistema de distribución eléctrica. para cuantificar el nivel
de confiabilidad del sistema, estos ingenieros han adoptado
e inventado muchos índices de confiabilidad.
Uno de los índices utilizados habitualmente para los sis-
temas de distribución de potencia es el system average inte-
rruption duration index (saidi), que indica el tiempo total
de interrupción para el cliente promedio durante un período
predefinido. la fórmula para calcular el índice es:
SAIDI
Suma de la duraciol n de todas las interrupciones a clientes
= .
Total de clientes del suministro
podríamos considerar al numerador como el número total
de minutos de interrupción que todos los clientes expe-
rimentan por un período predefinido, que suele ser de un
año. El saidi suele presentarse en minutos y, en términos
generales, representa los minutos de interrupción promedio
que experimenta un cliente conectado al sistema del servicio
público. los valores diarios y mensuales del saidi podrían
utilizarse para un análisis más detallado y oportuno de la
confiabilidad del sistema. cabe señalar que algunos servi-
cios públicos no tienen suficientes interrupciones para cal-
cular un saidi para todos los días del año.
Un valor elevado de saidi revela una escasa confiabi-
lidad en el sistema. aunque el saidi, junto con muchos
otros índices de confiabilidad, podría servir para describir la
experiencia del cliente, este no ofrece muchos conocimien-
tos procesables sobre las operaciones diarias de los servicios
públicos. Ello se debe a que las condiciones meteorológi-
cas extremas repercuten significativamente en el cálculo del
saidi, al anular el servicio de un gran número de clientes
por un período de tiempo prolongado.
consideremos a dos compañías de potencia, P1 y P2,
cada una atiende a 1 millón de clientes. P1 tuvo 50,000
50 ieee power & energy magazine
clientes que experimentaron 300 interrupciones de 6 minu-
tos en un año. El valor del saidi anual de P1 se puede cal-
cular como 6 # 300 # 50,000/1,000,000 = 90 min . P2 fue
azotado por un fuerte huracán que provocó una interrupción
de 90 minutos en todo el sistema, aunque durante el año no
ocurrió ninguna otra interrupción. El valor del saidi anual
de P2 sería 90 # 1 # 1,000,000/1,000,000 = 90 min.
aunque ambas compañías comparten exactamente el
mismo valor del saidi, la capacidad y la estrategia para que
las dos mejoren su confiabilidad puede ser muy diferente.
P1 puede mejorar sus operaciones diarias para reducir el
número de interrupciones y la duración de cada interrup-
ción. En cambio, el fuerte huracán que golpeó a P2 podría ser
un evento atípico que nadie puede controlar. si P2 decidiera
hacer exactamente lo mismo que antes, pero no sufre otro
fuerte huracán el próximo año, su valor de saidi sería muy
pequeño, lo cual indicaría una confiabilidad muy buena. si
P2 decidiera mejorar sus procedimientos de reconstrucción
después de una tormenta, la duración de la interrupción pro-
vocada por un huracán similar podría ser menor.
Método Beta
del Estándar 1366 del IEEE
para estudiar acontecimientos importantes de las opera-
ciones diarias por separado y para revelar tendencias en
las operaciones diarias que pueden estar ocultas debido al
efecto estadístico de acontecimientos importantes, el Grupo
de trabajo de confiabilidad en la distribución del iEEE
incluyó la sección “clasificación del día del aconteci-
miento importante” en el Estándar 1366 del iEEE, Guía del
IEEE para los Índices de Confiabilidad en la Distribución
de Energía Electrica. según este estándar, se estima que el
valor del saidi diario sigue una distribución logarítmica
normal. después de lograr la transformación logarítmica
natural de los valores del saidi diario, los días que supe-
raron la desviación estándar de 2.5 a la derecha de la media
se clasifican como días del acontecimiento importante. las
desviaciones media y estándar están representadas por a y
b, respectivamente. Este método también se conoce como el
método Beta, el método b 2.5 o Beta 2.5 del iEEE.
para llegar a una mayor audiencia, el método Beta con-
serva su simplicidad evitando cualquier intento de modelo
predictivo en el proceso de informe del saidi que no sea la
transformación logarítmica y el cálculo de la desviación pro-
medio y estándar. El método Beta es mejor en la “revelación
de tendencias en operaciones diarias que pudiesen estar ocul-
tas debido al gran efecto estadístico de los acontecimientos
importantes” que el cálculo del saidi integral original. sin
embargo, debido a la exclusión de la información meteoro-
lógica, este no puede contestar ninguna pregunta hipotética
frecuente e importante, como “¿cuáles serían los valores del
saidi si el clima este año fuera igual al del año pasado?”
por consiguiente, el método Beta tiene una capacidad limi-
tada para revelar las tendencias en confiabilidad, incluyendo
cualquier mejora o degradación que pudiera estar oculta
mayo/junio 2018
 tabla 1. Resumen estadístico de los valores del SAIDI diario de una compañía de distribución local, 2008–2016.

Original Beta simplificado Beta del IEEE

Año Sum Máx. Días Sum Máx. Días Umbral Sum Máx. Días
2008 70 12.2 271 58 5.7 270 1.31 38 1.9 266
2009 70 10.0 221 60 5.4 220 1.31 41 3.4 216
2010 76 22.4 232 54 4.7 231 1.47 49 3.1 230
2011 2447 1793.0 224 47 3.3 216 1.44 47 3.3 216
2012 105 56.7 215 48 6.4 214 1.81 42 3.4 213
2013 51 7.5 216 43 6.3 215 1.77 37 4.0 214
2014 83 14.4 186 69 4.9 185 1.81 69 4.9 185
2015 214 133.6 205 53 4.2 202 1.95 53 4.2 202
2016 167 91.2 194 55 5.1 191 2.09 63 7.3 192
Tendencia −26.0 — — −0.1 — — — 2.8 — —
Notas
Original: estadísticas obtenidas de los datos originales sin descartar los días de acontecimientos importantes.
Beta simplificada: estadísticas obtenidas de los datos de muestra en las que no se incluyen los días de acontecimientos importantes a través del método
Beta simplificado.
Beta del IEEE: estadísticas obtenidas de los datos de muestra en las que no se incluyen los días de acontecimientos importantes a través del método Beta
del Estándar 1366 del IEEE.
Sum: SAIDI anual (en minutos) calculado como la suma de los valores del SAIDI diario.
Máx.: SAIDI diario máximo (en minutos) durante el período que se incluye en el cálculo.
Días: número de días incluidos en el cálculo.
Umbral: número consecutivo (a + 2.5b) por año usado para excluir los días de acontecimientos importantes según lo indicado por el Estándar 1366 del
IEEE.
Tendencia: la tendencia (en minutos/año) del SAIDI anual durante el período de nueve años.

por las condiciones meteorológicas no clasificadas como
acontecimientos importantes. además, todavía se tiene que
verificar el supuesto de que el saidi diario siempre sigue la
distribución logarítmica normal.
¿Han mejorado las operaciones de servicios públicos en
los últimos años? desde fines del siglo XX, la industria de
la energía ha intentado responder a esta pregunta. aunque
el Estándar 1366 del iEEE ha hecho excelentes avances
al incluir una herramienta sencilla en el proceso de infor-
mación, aún queda mucho camino por recorrer. En este
artículo, daremos a conocer un enfoque de modelo predic-
tivo que pueda proporcionar un panorama probabilístico de
los índices de confiabilidad para ayudar a revelar aún más la
tendencia de confiabilidad de un servicio público. El estudio
de caso se basa en una pequeña compañía de distribución
local (ldc, por sus siglas en inglés) en los Estados Unidos.
Interrupción descriptiva
y análisis de confiabilidad
la ldc atiende a aproximadamente 30,000 clientes. El
estudio de caso utiliza información de interrupción de esta
ldc recopilada durante nueve años. las interrupciones se
produjeron en 1,964 días de los 3,288 que abarca el conjunto
de datos. después de lograr la transformación logarítmica
en los valores del saidi diario, obtenemos la media (a) de
estos nueve años de valores del saidi diario transformados
logarítmicamente como -2.80 con una desviación estándar
(b) de 1.88. observe que la unidad del valor del saidi diario
original (en minutos) desaparece después de lograr la trans-
formación logarítmica. Veintiún días del período de nueve
años superaron las desviaciones estándar 2.5. consideramos a
este método para calcular el umbral basado en el conjunto
de datos en su totalidad (en este caso, un período de nueve
años) como el método Beta simplificado. también hicimos
el cálculo exacto según lo indicado por el método Beta del
Estándar 1366 del iEEE, obteniendo como resultado un
umbral continuo (p.ej., a + 2.5b) calculado una vez al año
en función de los cinco años más recientes de los valores
históricos de los valores del saidi diario. cuando había
menos de cinco años de datos disponibles, se utilizó todo el
historial. por ejemplo, para calcular el umbral del año 2011,
utilizamos tres años de historial (2008 a 2010).
la tabla 1 muestra la suma y el máximo de los valores
del saidi diario y el número de días con interrupciones para
cada año según los tres métodos. también calculamos las
tendencias del saidi anual (suma de los valores del saidi
diario por año). cuando no se excluyen los días de aconteci-
mientos importantes en el cálculo del saidi anual, la confia-
bilidad muestra una tendencia descendente muy fuerte (−26
minutos/año). por otra parte, el método Beta simplificado

mayo/junio 2018 ieee power & energy magazine 51

 diario (min) 2,000
1,500
SAIDI

1,000
500
0
08

09

10

11

12

13

14

15

16

17
20

20

20

20

20

20

20

20

20

20
de

de

de

de

de

de

de

de

de

de
o

o
er

er

er

er

er

er

er

er

er

er
en

en

en

en

en

en

en

en

en

en
de

de

de

de

de

de

de

de

de

de
Fecha
1

1
(a)
8
diario (min)

6
SAIDI

4
2
0
08

09

10

11

12

13

14

15

16

17
20

20

20

20

20

20

20

20

20

20
de

de

de

de

de

de

de

de

de

de
o

o
er

er

er

er

er

er

er

er

er

er
en

en

en

en

en

en

en

en

en

en
de

de

de

de

de

de

de

de

de

de
Fecha
1

1
(b)

gráfico 1. Diagramas de líneas con los valores del SAIDI diario: (a) todos los valores del SAIDI y (b) los 20 valores del
SAIDI más altos están excluidos.

El repunte de estas interrupciones en el año 2011 se debió

SAIDI anual (en minutos) por causa fundamental a un fuerte huracán. aunque otros huracanes afectaron la
70 región durante el período de nueve años, provocando en
60 algunos casos también interrupciones prolongadas, ninguno
fue tan perjudicial para la red de potencia como el de 2011.
50
debido a este repunte, el umbral de días de acontecimien-
40 tos importantes ascendió a 1.81 en 2012. según el método
30 Beta, este repunte permanece en el cálculo de a y b por
20 cinco años, por lo que los umbrales de 2012 a 2016 son más
10 altos que los de 2008 a 2011. la fuerte tendencia creciente
mencionada anteriormente del saidi anual calculada con
0
2008 2009 2010 2011 2012 2013 2014 2015 2016 el método Beta se debe en gran parte a este aumento en el
umbral del día del acontecimiento importante. Este efecto
Otros Desconocido Falla eléctrica
Accidente Animal Clima también fue mencionado en el Estándar 1366 del iEEE como
un trabajo en curso “emprendido para desarrollar los méto-
dos objetivos para identificar y procesar acontecimientos
gráfico 2. SAIDI anual por causa fundamental. Las con-
catastróficos (eliminar el efecto señalado en la tendencia de
tribuciones a la suma de los valores del SAIDI durante el
confiabilidad)”.
período de nueve años son el clima (29%), la falla eléctrica
(28%), los animales (19%), lo desconocido (15%), los acci- El Gráfico 1 muestra un panorama más detallado de los
dentes (8%) y otros (1%). datos del saidi diario. la parte (a) muestra los valores del
saidi diario del período de nueve años (2008 a 2016) com-
pleto, en donde el pico del 2011 hace que los otros días se
muestra una tendencia plana (−0.1 minutos/años), mientras vean como una línea plana. la parte (b) no incluye los 20
que el método Beta del iEEE presenta una tendencia ascen- días principales con los valores más altos del saidi diario.
dente moderada (2.8 minutos/año). nuevamente, dada la El diagrama lineal de los días restantes tampoco muestra
falta de información meteorológica en el cálculo de ambos ningún patrón estacional obvio. obsérvese que la distribu-
métodos, la tendencia que se obtiene de cada uno de ellos no ción de los valores del saidi diario transformados logarít-
indica la mejora o la degradación de las operaciones diarias micamente no pasa pruebas de normalidad habitualmente
de esta ldc. utilizadas, tales como shapiro-Wilk, anderson-darling y

52 ieee power & energy magazine mayo/junio 2018

Kolmogorov-smirnov. En términos sencillos, los valores del
saidi diario de esta ldc no siguen una distribución loga-
rítmica normal. En la práctica, entre las ldc con las que
trabajamos, apenas podemos encontrar a alguna que tenga
un saidi diario que siga una distribución logarítmica nor-
mal. En la parte restante de este estudio de caso, adoptare-
mos el método Beta simplificado para excluir 20 días del
período de nueve años para el análisis adicional, ya que ello
nos ayuda a responder preguntas sobre la tendencia subya-
cente de confiabilidad de los servicios públicos al eliminar
de forma uniforme los acontecimientos extremos en todo el
conjunto de datos.
son muchos factores los que pueden provocar una inte-
rrupción en la distribución. El Gráfico 2 de barras apiladas
muestra la suma de los valores del saidi anual por cada
causa fundamental de interrupción durante los últimos nueve
años. la leyenda muestra las categorías en orden ascendente
de la cuota del saidi durante los nueve años. la categoría
más amplia es la de clima, que incluye las subcategorías de
árbol, tormenta y viento. las otras categorías, como fallas
eléctricas, animales, desconocido y accidentes, no tienen al
clima como un factor principal. En este artículo, nos cen-
tramos en las interrupciones relacionadas con el clima, que
contribuyen con cerca de un tercio (el 29% en este caso) del
valor del saidi en el período de nueve años.
enfriamiento por viento), enfriamiento por viento, energía
del enfriamiento por viento, temperatura de bulbo húmedo,
humedad relativa, velocidad del viento, ráfaga de velocidad
y precipitación. para que coincidan con los datos del saidi
diario, convertimos los registros originales de las primeras
diez variables meteorológicas a valores diarios tomando los
valores máximos, medios y mínimos por hora. En cuanto
a la precipitación, resumimos los registros horarios por día
para obtener la precipitación diaria. además, incluimos
cuatro variables ficticias para describir los acontecimientos
meteorológicos del día, tales como niebla, lluvia, nieve y tor-
menta eléctrica. En total, utilizamos 37 posibles variables
independientes para construir un modelo que pronostique un
saidi diario que dependa de las variables y esté relacionado
con el clima.
Utilizamos el procedimiento de regresión del paquete
stat del sas para llevar a cabo el proceso de selección
de modelo. después de intentar diversas opciones, como la
selección progresiva, la eliminación regresiva, la mejora de
Resultados de calibración del
modelo predictivo del SAIDI diario (en minutos)
25
20

Interrupción predictiva 15
y análisis de confiabilidad 10
también podemos relacionar las causas fundamentales de
las interrupciones con algunas variables meteorológicas. por 5
2008 2009 2010 2011 2012 2013 2014 2015 2016
ejemplo, podemos usar la velocidad del viento y las ráfagas
para describir el viento; podemos usar la precipitación y la Real (Pendiente = –0.8 min/año)
velocidad del viento para describir una tormenta. aunque Pronóstico (Pendiente = –0.4 min/año)
los defectos en los árboles no siempre tienen que ver con el
clima, muchos de ellos se deben a la caída de árboles sobre gráfico 3. Resultados de calibración del modelo que pro-
líneas aéreas por acción del viento. En ocasiones, la rama nostica el SAIDI diario relacionado con el clima.
húmeda de un árbol hace puente entre dos conductores y
paulatinamente se seca debido a la leve corriente, la cual, a
la larga, podría producir un cortocircuito. las condiciones Panorama probabilístico del
meteorológicas, como el viento, la precipitación, la humedad SAIDI relacionado con elclima (en minutos)
y la temperatura son a menudo las causas verdaderas de los 25
defectos en los árboles. por lo tanto, en este artículo combi-
namos los defectos en los árboles con las otras interrupcio- 20
nes relacionadas con el clima para realizar el análisis. de
los 3,268 días, o nueve años completos, menos los 20 días 15
principales del saidi, esta categoría incluye 375 días con
interrupciones relacionadas con el clima. 10
los principales proveedores de servicios meteorológi-
cos en los Estados Unidos han divulgado variables meteo- 5
rológicas por hora para muchas estaciones meteorológicas
0

6
01

01

01

01

01

01

01

importantes, incluyendo la que está cerca de esta ldc.

–2

–2

–2

–2

–2

–2

–2
08

09

10

11

12

13

14

En este estudio de caso, tomamos las siguientes 11 varia-

20

20

20

20

20

20

20

bles meteorológicas cuantitativas: temperatura, tempera-

tura del punto de condensación, índice del calor, sensación gráfico 4. Panorama probabilístico del SAIDI relacionado
térmica (la combinación del índice de calor y del factor de con el clima durante un período de nueve años.

mayo/junio 2018 ieee power & energy magazine 53

 −0.4 minutos/año para el saidi real y previsto, respectiva-
mente. según lo mencionado anteriormente, la pendiente de
la curva del saidi real indica la tendencia de la experien-
cia del cliente con respecto a interrupciones en lugar de la
46° N mejora de las operaciones diarias. por otra parte, se podría
asumir que la ldc ha tenido prácticas operativas diarias
ME relativamente consistentes durante el período de nueve años.
Bajo esta suposición, la pendiente descendente indica que el
VT
44° N
clima, en vez de mejorar las prácticas operativas, ha contri-
buido con la tendencia de una mayor confiabilidad durante el
NH período de nueve años.
sin embargo, el hecho de mantener prácticas operativas
MA diarias constantes durante un período tan largo (nueve años)
42° N es una gran suposición. la pregunta que hemos estado tra-
CT tando de responder es si los servicios públicos han mejo-
RI rado sus operaciones diarias. para seguir investigando este
72° O 70° O 68° O tema, realizamos una simulación para ofrecer un panorama
probabilístico del saidi relacionado con el clima. primero
gráfico 5. Mapa de los estados de Nueva Inglaterra. CT: disminuimos el período de entrenamiento a tres años. des-
Connecticut; MA: Massachusetts; ME: Maine; NH: New pués adaptamos el mismo modelo de 11 variables usando
Hampshire; RI: Rhode Island; VT: Vermont. los datos de entrenamiento de tres años y pronosticamos
los valores del saidi diario del período de nueve años. al
repetir este intervalo de entrenamiento de manera conti-
tabla 2. Resumen de la capacidad nominal total de FV nua, podemos obtener siete grupos de perfiles previstos del
instaladas y el número de instalaciones, por estado,
saidi, en donde cada grupo incluye nueve años de valores
al 31 de diciembre de 2017. (Datos proporcionados
a ISO New England por los servicios públicos de previstos del saidi diario, representando tres años de prác-
distribución de Nueva Inglaterra.) tica operativa bajo escenarios meteorológicos de nueve años
distintos, del 2008 al 2016. El Gráfico 4 muestra los agre-
Capacidad gados anuales de los valores previstos del saidi provoca-
nominal Número de
Estado instalada (MWCA) instalaciones dos por el clima. las nueve líneas punteadas representan los
nueve escenarios meteorológicos. la línea roja en el centro
Connecticut 366 29,512
conecta los valores medianos (normalizados) de los nueve
Massachusetts 1,602 78,047 años dentro de cada grupo.
Maine 33 3,598 por ejemplo, al tomar el primer período de entrenamiento
de tres años (2008 a 2010), cada uno de los nueve puntos
New Hampshire 70 7,330
correspondientes representa los valores previstos del saidi
Rhode Island 62 4,148 si esos tres años experimentan el mismo clima que uno del
Vermont 257 9,773 período de nueve años (2008 a 2016). El punto rojo en el
medio es el valor medio que puede utilizarse para indicar las
Nueva Inglaterra 2,390 132,408
operaciones diarias durante este período de tres años norma-
lizados en función de nueve años de historial meteorológico.
R 2 máxima, la selección R 2 ajustada y la selección de C p de En general, las pendientes de las líneas punteadas varían de
mallows, elegimos las 11 variables siguientes: temperatura −0.1 a −1 minuto/año. En otras palabras, debido al mismo
máxima del punto de condensación, temperatura mínima clima de cualquier año del período de nueve años, el saidi
del punto de condensación, precipitación diaria, humedad relacionado con el clima de este servicio público muestra
relativa promedio, ráfaga de velocidad promedio, ráfaga de una tendencia descendente de 2008 a 2016. la curva norma-
velocidad mínima, tormenta eléctrica, máximo enfriamiento lizada tiene una pendiente de −0.7 minutos/año, indicando
por viento, enfriamiento por viento promedio, velocidad del una mejora normalizada por el clima del saidi relacionado
viento promedio y velocidad del viento mínima. con el clima en esta ldc.
al calibrar este modelo usando los 3,268 días de ¿Han mejorado las operaciones de servicios públicos en
datos históricos, obtenemos valores previstos del saidi los últimos nueve años? En esta etapa, hemos respondido a la
diario relacionado con el clima para la ldc. El Grá- pregunta para las interrupciones relacionadas con el clima,
fico 3 muestra los agregados anuales de los valores del que constituye la cuota más grande del saidi total para la
saidi real y previsto. ambas curvas del saidi muestran ldc pequeña en este estudio de caso. puesto que el clima es
una tendencia descendente, con la pendiente de −0.8 y considerado una causa fundamental de las interrupciones de

54 ieee power & energy magazine mayo/junio 2018

distribución en muchos otros grandes y pequeños servicios
públicos, este tipo de análisis puede ofrecer a las organiza-
ciones una mejor comprensión de su tendencia subyacente de
confiabilidad y una dirección más clara en la planificación
de la confiabilidad.
FV solares particulares
la implementación de FV solares ha crecido considerable-
mente en los últimos años y está haciendo una contribución
creciente, aunque relativamente nueva, a la combinación de
recursos dentro de los sistemas de potencia modernos. Una
gran parte de las FV se distribuye, o una menor escala (es
decir, con una capacidad nominal de varios megavatios o
menos) es instalada de forma particular (Btm, por sus siglas
en inglés), integrada con carga en el sistema de distribución.
Este aspecto de las FV significa que no son perceptibles para
los operadores de sistemas independientes / organizaciones
de transmisión regional (iso / rto, por sus siglas en inglés)
como el iso new England (Gráfico 5). En general, la proli-
feración de FV ha dado pie a un mayor énfasis industrial en
la necesidad de una integración confiable y eficiente de estos
nuevos recursos en las redes de potencia.
En áreas en las que se anticipan altas penetraciones de
FV particulares, los iso/rto necesitan prepararse para los
cambios resultantes en su sistema, como la posible necesidad
de una mayor flexibilidad del sistema y los impactos relacio-
nados con el compromiso y despacho de la unidad de genera-
ción. En tales casos, los estudios de planificación del sistema
deben tener en cuenta los impactos de carga anticipados de
FV particulares para determinar el momento y la magnitud
de las preocupaciones relacionadas con estos tipos de desa-
fíos de integración. Hablamos sobre cómo es posible en la
actualidad desarrollar simulaciones realistas de FV particu-
lares anticipadas, utilizando datos y herramientas disponi-
bles públicamente para poder realizar un análisis detallado
y planificar su llegada. para demostrar estas capacidades,
describimos una simulación de una FV particular en nueva
inglaterra durante el período histórico de 1998 a 2014, uti-
lizando datos meteorológicos de alta resolución desarrolla-
dos por el laboratorio nacional de Energías renovables
(nrEl, por sus siglas en inglés). los resultados resaltan el
valor que tiene el uso de estas capacidades de simulación
emergentes para descubrir los efectos del clima localizado
en FV particulares en plazos cortos, así como las caracte-
rísticas de recursos a largo plazo de las FV particulares para
una región, siendo ambas consideraciones importantes para
la planificación y operación del sistema de potencia.
las importantes reducciones de costos en FV instaladas,
los incentivos federales y las políticas estatales en conjunto
han estimulado un crecimiento significativo de FV distri-
buidas en los Estados Unidos. En nueva inglaterra, estos
factores han llevado al crecimiento de la capacidad nominal
de FV agregada de menos de 50 mWca a principios del año
2010, a 2,390 mWca a fines del año 2017, la gran mayoría de
los cuales es particular. la tabla 2 muestra un resumen de
mayo/junio 2018
los datos de servicios de distribución proporcionados al iso
new England, incluida la capacidad nominal de FV gradual,
estado por estado, y el número de instalaciones en servicio
para fines del año 2017. El Gráfico 6 es un diagrama que
ilustra la distribución espacial de FV en nueva inglaterra a
finales del año 2017 y a nivel municipal.
Pronóstico de carga a largo plazo
con FV particulares
los pronósticos probabilísticos de carga a largo plazo son
un aporte fundamental para los estudios de planificación de
sistemas, en donde el objetivo suele ser orientar la inversión
en infraestructura para lograr confiabilidad y eficiencia en el
mercado. sin embargo, si bien es cierto que se comprenden
bien cuáles son los efectos generales del clima en la carga de
un área determinada, no sucede lo mismo con la influencia
conjunta del clima tanto en la demanda de electricidad como
en el rendimiento de FV solares. además, las condiciones
meteorológicas raras o extremas, como las olas de calor,
ocurren con poca frecuencia, por lo que la predicción exacta
de los efectos a la carga futura de estas condiciones impor-
tantes se convierten en una práctica desafiante aunque nece-
saria. para asegurarse de que sus modelos capturen estas
condiciones extremas, muchos pronosticadores de carga a
largo plazo usan datos históricos de carga y clima de una
década o más en el desarrollo de sus pronósticos.
para una mayor comprensión de los impactos en la carga
a causa de la proliferación de FV particulares se requieren
registros contemporáneos de carga, clima y datos solares a un
5+
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
gráfico 6. Mapa de calor que muestra la distribución
espacial de la capacidad nominal instalada (en MW CA) al
31 de diciembre de 2017.
ieee power & energy magazine 55
 400 500 400
Número de sitios

Número de sitios

Número de sitios
300 400
300
300
200 200
200
100 100 100

0 0 0
50 100 150 200 250 300 0 20 40 60 80 100 0 0.6 0.8 1 1.2 1.4 1.6 1.8
Ángulo azimutal (°) Ángulo de inclinación (°) Relación de CA a CD
(a) (b) (c)

<100 kW ≤500 kW >500 kW

gráfico 7. Distribuciones de los parámetros simulados del diseño del sistema de FV particulares para Connecticut: (a)
ángulo acimutal, (b) ángulo de inclinación y (c) relación de CD a CA.

relativo largo plazo. Históricamente, los datos solares solían
ser insuficientes o estaban incompletos como para realizar pro-
nósticos y análisis de este calibre. sin embargo, con la reciente
aparición de los datos meteorológicos integrales y de alta
calidad como la Base de datos nacional de radiación solar
(nsrdB, por sus siglas en inglés) del nrEl, la industria de
la energía Electrica ahora tiene mucha más información para
estar mejor preparada para futuros desafíos de integración.
Entre las consideraciones importantes vinculadas a los
impactos prospectivos de reducción de carga gracias a FV
particulares se incluyen: cambios en la magnitud y el tiempo
de las cargas máximas pronosticadas; cambios en el ajuste y
volatilidad de la carga; la frecuencia, el tiempo y la duración
de las condiciones de carga ligera cuando la carga es baja y
la salida de FV particulares es alta; y los impactos generales
a las formas típicas de carga. dado que todas estas conside-
raciones dependen de la penetración de FV particulares, se
requiere la creación de escenarios y un análisis profundo de
las cargas netas resultantes (es decir, carga menos salida de
FV particulares).
Características de las flotas de FV
particulares
las flotas de FV particulares incluyen una gran población
de sistemas individuales, que posiblemente asciende a cien-
tos de miles, instaladas de forma heterogénea en una amplia
tabla 3. Sistemas simulados de FV particulares por
clases de tamaño.
Capacidad (kW) Simulaciones totales
<100 26,676
≥100 ≤500 8,208
>500 ≤2,500 6,156
Total 41,040
región geográfica. para muchas regiones como nueva ingla-
terra, no hay datos de rendimiento medidos disponibles para
la mayor parte de la flota de FV particulares. los metadatos
relativos al diseño exacto y la ubicación de todos los sistemas
de FV particulares también suelen ser relativamente limita-
dos. Esta falta de información es uno de los desafíos para
comprender la influencia de la variación estacional y diurna
de las FV particulares en la carga, debido a una variedad de
condiciones meteorológicas y a la ampliación de la flota de
FV particulares.
la simulación realista de una flota descentralizada de
sistemas FV particulares a pequeña escala debe incluir lo
siguiente:
✔ datos meteorológicos integrales y de alta resolución
que incluyan los principales impulsores del rendi-
miento de FV
✔ cierto nivel de información detallada sobre la ubica-
ción y el diseño de sistemas individuales
✔ herramientas de simulación capaces de modelar el
rendimiento del sistema fotovoltaico, dada la variedad
de condiciones meteorológicas y una diversidad de
características de diseño en los sistemas individuales.
En caso de que no se conozcan las características detalladas
del diseño de los sistemas fotovoltaicos, es posible hacer supo-
siciones informadas con respecto a estos aportes e, idealmente,
validar los resultados de la simulación con los datos medidos
de los FV particulares instalados. más adelante hablaremos
sobre el desarrollo de tales supuestos y la validación de los
resultados en el caso de prueba de nueva inglaterra.
Total
seleccionado La Base de Datos Nacional de Radiación
Solar
26,676
las mediciones en tierra de irradiancia solar necesarias para
554 el modelado fotovoltaico casi no están disponibles debido a
126 los gastos y la dificultad técnica para instalar y mantener la
red de medición de radiación solar necesaria. para llenar este
27,356
vacío, el departamento de Energía de los Estados Unidos ha

56 ieee power & energy magazine mayo/junio 2018

financiado el desarrollo continuo de la nsrdB de nrEl.
En apoyo de los objetivos del proyecto sunshot del depar-
tamento de Energía, nrEl desarrolló y lanzó la tercera
generación de la nsrdB, un conjunto de datos en red sobre
irradiancia solar que abarca los Estados Unidos continenta-
les y otras partes de américa del norte, central y del sur.
Esta versión de la nsrdB ha mejorado significativamente la
capacidad que tienen los usuarios para evaluar en profundi-
dad los recursos solares dentro de las áreas cubiertas. nrEl,
en colaboración con la Universidad de Wisconsin y la admi-
nistración nacional oceánica y atmosférica de EE. UU.
publicó la versión más reciente de la nsrdB a finales del
año 2015. El conjunto de datos cubre los años de 1998 a 2014,
a intervalos de 30 minutos, y tiene una red con una resolución
espacial de 4 km. Esto significa que hay casi 12,000 puntos
de red climatológica dentro de nueva inglaterra.
nrEl utilizó un enfoque físico para modelar la radiación
superficial con mayor detalle al recuperar la información de
nubes y aerosoles de las imágenes del satélite Geoestacio-
nario operacional ambiental y posteriormente utilizó esta
información en un modelo de transferencia radiativa. los
datos de la nsrdB resultantes incluyen los tres compo-
nentes de la irradiancia: directa normal, difusa horizontal
y global horizontal. otros datos meteorológicos auxiliares,

1 de mayo de 2014 12:30 horas 1 de mayo de 2014 12:30 horas

1

0.9

0.8
46° N 46° N
0.7

0.6

0.5
44° N 44° N
0.4

0.3

42° N 42° N 0.2

0.1

0
72° O 70° O 68° O 72° O 70° O 68° O
(a)

15 de octubre de 2014 12:30 horas 15 de octubre de 2014 12:30 horas

1

0.9

0.8
46° N 46° N
0.7

0.6

0.5
44° N 44° N
0.4

0.3

0.2
42° N 42° N
0.1

0
72° O 70° O 68° O 72° O 70° O 68° O
(b)

gráfico 8. Desempeño de FV particulares medido (derecha) y simulado (izquierda) el (a) 1 de mayo de 2014 y (b) 15 de
octubre de 2014. (Gráfico proporcionado por ISO New England; Quantitative Business Analytics, Inc., la fuente de datos
para los datos medidos).

mayo/junio 2018 ieee power & energy magazine 57

 incluida la temperatura del bulbo seco y del punto de con- proveniente del análisis retrospectivo de la Era moderna
densación, velocidad del viento, dirección del viento, hume- de la administración nacional de aeronáutica y el Espacio
dad relativa y presión atmosférica, son obtenidos por reduc- para la investigación y aplicación.
ción de escala del conjunto de datos de análisis adicional
Simulación de la flota de FV particulares
la flota de FV particulares fue simulada utilizando el sys-
tem advisor model (sam) de nrEl, un modelo de ren-
Potencia de FV particulares,

0.8 dimiento tecnoeconómico utilizado como una aplicación de

Capacidad total (%)

0.7 escritorio y en el kit de desarrollo de software (sdK, por sus

0.6 siglas en inglés) de sam. sam combina el módulo fotovol-
0.5
taico y los submodelos del inversor para calcular el rendi-
0.4
0.3 miento de un sistema fotovoltaico con un archivo meteoro-
0.2 lógico y datos de entrada que describen las características
0.1 del sistema. El software sam simulation core sdK permite
0 al usuario acceder a la aplicación sam mediante progra-
1 de julio de 2007
00:00

1 de julio de 2007
12:00

2 de julio de 2007
00:00

2 de julio de 2007
12:00

3 de julio de 2007
00:00
mación. las simulaciones de sam usaron la versión más
reciente de pVWatts (versión 5). se usó matlaB para todo
el trabajo de simulación; sin embargo, el sdK también con-
tiene envoltorios de idioma para c#, Java y python.
para el caso de prueba de nueva inglaterra, las simula-
ciones incluyen más de 41,000 sistemas fotovoltaicos úni-
MA CT ME
NH RI VT cos ubicados en toda la región para capturar la diversidad
tanto de la influencia del clima y como de los diseños del
gráfico 9. Perfiles promedio de potencia de FV particula- sistema fotovoltaico. los diseños incluyen tamaños de
res a nivel de estado, del 1 al 2 de julio de 2007. proyectos que van desde 4  KWcd hasta 2,500 KWcd y una

tabla 4. Factores de capacidad anual promedio para la potencia simulada de FV particulares en los estados de
Nueva Inglaterra.
(Nota: no hay datos de la NSRDB para Maine para el año 2010.)

Año Massachusetts Connecticut Maine New Hampshire Rhode Island Vermont

1998 15.5% 15.6% 14.3% 14.8% 15.8% 14.6%
1999 16.5% 16.4% 15.3% 15.7% 16.6% 15.7%
2000 15.8% 16.0% 14.6% 14.9% 16.2% 14.6%
2001 16.6% 16.5% 15.5% 15.8% 16.9% 15.5%
2002 16.1% 16.1% 15.0% 15.3% 16.4% 15.1%
2003 14.9% 14.7% 14.4% 14.5% 15.1% 14.6%
2004 15.2% 15.2% 14.7% 14.7% 15.4% 14.6%
2005 15.3% 15.4% 14.2% 14.6% 15.7% 14.8%
2006 15.1% 15.2% 13.7% 14.2% 15.2% 13.7%
2007 15.6% 15.6% 14.5% 14.8% 15.9% 14.7%
2008 15.0% 15.2% 13.7% 14.2% 15.3% 14.0%
2009 14.8% 14.7% 13.8% 14.2% 15.0% 14.1%
2010 15.4% 15.4% — 14.4% 15.7% 13.9%
2011 15.2% 15.2% 14.1% 14.4% 15.6% 14.3%
2012 15.8% 15.9% 14.8% 15.1% 16.1% 15.2%
2013 15.8% 15.8% 14.4% 14.9% 16.0% 14.5%
2014 15.4% 15.5% 14.3% 14.6% 15.8% 14.4%
Promedio 15.5% 15.5% 14.5% 14.8% 15.8% 14.6%

58 ieee power & energy magazine mayo/junio 2018

variedad de ángulos acimutales (también conocidos como
orientación de matriz), ángulos de inclinación y relación
de ca a cd. dado que los sistemas fotovoltaicos de segui-
miento son poco comunes en nueva inglaterra, se asumió
que todos los sistemas simulados eran de eje fijo. a falta
de valores conocidos para estos parámetros, algunas supo-
siciones de alto nivel que reflejan observaciones generales
de instalaciones FV particulares sirvieron como guía para la
selección de parámetros. primero, la población total de los
valores de cada parámetro refleja una distribución normal
centrada en valores aproximados previstos. Estos valores
previstos tienen un ángulo acimutal de 180° (es decir, sur
solar), 1.2 para la relación cd a ca y 30° para la inclina-
ción del sistema. segundo, las distribuciones de parámetros
reflejan que sus valores asociados con sistemas fotovoltaicos
más grandes tienden a estar más cerca de los valores pre-
vistos (es decir, sus valores muestran menos variación), y
los de sistemas más pequeños reflejan una tendencia a una
mayor diversidad (es decir, muestran más variación). Estos
principios guía reflejan la observación de que los sistemas
de tejado más pequeños a menudo se instalan en condiciones
menos óptimas, mientras que los desarrollos fotovoltaicos
de mayor tamaño tienen más probabilidades de estar diseña-
dos de manera óptima para maximizar los ingresos, lo que
refleja incentivos basados en el rendimiento. además del uso
que se le da para abordar problemas de integración de red,
vale la pena señalar que las capacidades de simulación de
FV particulares también son valiosas para consideraciones
de políticas, inversión y toma de decisiones para el diseño
del sistema. El Gráfico 7 muestra las distribuciones resul-
tantes de los valores de parámetros simulados para el ángulo
acimutal, el ángulo de inclinación y la relación ca a cd
para diferentes clases de tamaño de sistemas en connecticut.
la tabla 3 enumera la cantidad total de sistemas simulados
y seleccionados en toda la región de nueva inglaterra para el
desarrollo de los perfiles finalizados a nivel de ciudad.
Simulaciones de evaluación comparativa
para la producción de FV particulares
medidas
dada la falta de un diseño detallado de FV particulares así
como de un conjunto completo de datos de rendimiento de FV
particulares medidas, el iso new England emplea un enfo-
que similar a uno utilizado en alemania, cuyo subconjunto
de información sobre instalaciones y datos de producción
disponibles de una muestra de los sitios de FV particulares
representativos es la base de estimaciones precisas de la pro-
ducción de FV particulares. En el caso del iso new England,
los dos aportes principales para la estimación son los datos de
instalación de FV particulares y los datos de rendimiento de
FV particulares proporcionados por el proveedor, a nivel de
granularidad urbano así como municipal. los datos de rendi-
miento en cualquier intervalo de tiempo representan el rendi-
miento relativo de FV particulares, según la capacidad nomi-
nal por unidad, tal como se ilustra en los mapas de calor del
mayo/junio 2018
24
Factor de capacidad (%)
22
20
18
16
14
12
10
8
1 2 3 4 5 6 7 8 9 10 11 12
Mes
gráfico 10. Factores de la capacidad promedio mensual
en Massachusetts, 1998–2014. Los extremos superiores e
inferiores de cada recuadro representan el primer y tercer
cuartil, respectivamente. La franja dentro del recuadro es el
valor medio, y los extremos de las líneas que se extienden
por encima y debajo de los recuadros (“bigotes”) reflejan
el grado de variabilidad fuera de los cuartiles superiores
e inferiores. Los círculos rojos reflejan valores atípicos
estadísticos.
Gráfico 8. por ejemplo, los colores que se muestran en cada
mapa representan la salida de potencia de las FV particulares
ubicadas en cada ciudad como una parte relativa de su capaci-
dad nominal total. tanto para los datos de producción de FV
particulares simulados como para los medidos, hay diferen-
tes números de instalaciones individuales en cada ciudad con
diferentes características de diseño que constituyen la base del
perfil por unidad. las ciudades sin sistemas fotovoltaicos son
de color gris o negro en los mapas de datos medidos de FV
particulares. con los datos estructurados de esta manera, el
usuario simplemente puede ampliar un perfil de nivel urbano
a la cantidad de capacidad instalada en la ciudad para obtener
la salida estimada de FV particulares en esa ciudad y agregar
las estimaciones a nivel de ciudad resultantes para obtener un
perfil de potencia total de FV particulares estimado para una
región de interés más grande.
la razón principal de este enfoque es que una vez que las
flotas de FV particulares maduren y alcancen las decenas o
cientos de miles de instalaciones individuales, abarcando un
área grande, es posible obtener un enfoque estadístico para
modelar sus características de rendimiento agregado. En
cierto sentido, este tipo de enfoque es una forma de compre-
sión de datos, cuyo objetivo es usar una cantidad limitada de
información para inferir el rendimiento total de FV particu-
lares y, a su vez, eliminar la necesidad de cualquier infor-
mación que sea redundante. Este tipo de enfoque funcionará
siempre que se establezcan las características más destaca-
das que rigen el rendimiento de la flota de FV particulares y
que exista una cantidad suficiente de datos disponibles para
representar estas características. para las simulaciones de
FV particulares, los factores más sobresalientes son las con-
diciones climáticas localizadas representadas por los datos
meteorológicos de 4 km de la nsrdB y las características
del presunto diseño de sistema de la flota de FV particulares
ieee power & energy magazine 59
 utilizadas como entradas para las simulaciones. tenga en
cuenta que este enfoque podría no ser adecuado para todas
las aplicaciones. por ejemplo, en aplicaciones limitadas a
análisis y pronósticos localizados, a nivel de distribución, la
flota de FV particulares es mucho más pequeña, lo que puede
garantizar una mayor consideración de, por ejemplo, carac-
terísticas de diseño más detalladas del sistema fotovoltaico.
Este enfoque estadístico es similar a los métodos de pro-
nóstico de carga descendente que los iso/rto suelen utili-
zar. para estos métodos, en lugar de pronosticar la demanda de
cada aparato o dispositivo de iluminación en casas o empresas,
se agrega una diversidad de usos finales de electricidad coin-
cidentes e individuales al consumo eléctrico para un área, y
los modelos estadísticos entrenados en datos históricos apro-
vechan los patrones de carga implícitos. a su vez, estos mode-
los luego pueden pronosticar con precisión la carga basándose
únicamente en el calendario y en las entradas climatológicas.
Resultados de alta calidad y alta
fidelidad
El Gráfico 8 ilustra una comparación de los resultados de
simulación a nivel de ciudad (izquierda) y el rendimiento a
nivel de ciudad de más de 2,000 instalaciones fotovoltaicas
reales (derecha) el (a) 1 de mayo de 2014 a las 12:30, hora
del Este (Ept) y (b) 15 de octubre de 2014 a las 12:30, Ept.
ambos conjuntos de datos representan la cantidad relativa
de producción solar a nivel municipal, tal como se describió
anteriormente. a pesar de que los dos conjuntos se obtienen
de fuentes independientes, existe una amplia concordancia
entre los datos fotovoltaicos simulados y los medidos. El alto
grado de coherencia del color espacial en la representación
de ambos conjuntos demuestra el valor de utilizar los datos
de producción por unidad a nivel de ciudad en el proceso de
estimación, ya que los mapas de calor muestran claramente
su capacidad para encapsular los efectos del clima local
(principalmente capa nubosa) en la flota de FV particulares.
por ejemplo, en (a) los gráficos del 1 de mayo, ambos mapas
ilustran una baja producción fotovoltaica debido a condicio-
nes principalmente nubosas en gran parte del área sureste de
la región y una mayor producción fotovoltaica en partes del
noroeste de la región debido a una menor capa nubosa. de
manera similar, (b) los diagramas del 15 de octubre muestran
condiciones principalmente soleadas en el sureste, con los
efectos de una mayor capa nubosa reflejados en varios focos
de menor producción fotovoltaica en el resto de la región.
El Gráfico 9 ilustra el perfil simulado de FV particulares
por unidad para los seis estados de nueva inglaterra, el 1 y 2
de julio de 2007. Estos perfiles reflejan una media aritmética
de todos los perfiles de la ciudad dentro de cada estado, y
muestran el efecto general del clima en cada estado en la
potencia simulada de FV particulares. de acuerdo con el
mismo conjunto de resultados, también es posible desarro-
llar perfiles agregados de FV particulares que reflejen una
distribución geográfica específica a nivel de ciudad de los
sistemas de FV particulares instalados con tan solo ponderar
60 ieee power & energy magazine
los perfiles de la ciudad por la capacidad instalada de cada
una de ellas.
la tabla 4 resume los factores de capacidad anual prome-
dio para los seis estados durante todo el período de simula-
ción de 17 años basado en la nsrdB, y el Gráfico 10 es un
diagrama de cajas que muestra la variabilidad de los factores
de capacidad mensual de FV particulares en massachusetts,
durante todo el período. dado que nueva inglaterra normal-
mente experimenta eventos de nieve durante el invierno y en
las simulaciones no se modelaron explícitamente los efectos
de la capa de nieve, las métricas de desempeño anual son algo
optimistas para los meses de invierno (y, como resultado,
anualmente). sin embargo, los resultados de invierno represen-
tan la disponibilidad de recursos solares en invierno, sin nieve.
En general, la gran concordancia que existe entre los
resultados granulares de la simulación a nivel de ciudad y
los datos de medición demuestra que la simulación de la flota
de FV particulares produjo resultados razonables y realis-
tas, y destaca el hecho de que el nuevo conjunto de datos de
la nsrdB de nrEl no solo es espacial y temporalmente
integral, sino que también es de muy alta calidad. dado
que el período de simulación es de 17 años, ahora es posi-
ble una comprensión relativamente sólida de los patrones
de disponibilidad de recursos solares en el área cubierta por
la nsrdB. Quizás, y más importante aún, el acoplamiento
de los resultados con los pronósticos a largo plazo de FV
particulares y las cargas históricas permita una investiga-
ción exhaustiva de los patrones de carga neta a medida que
aumenten las penetraciones de FV particulares. al utilizar
esta información, ahora es posible tener una mayor claridad
en cuanto al momento y la magnitud de las medidas de miti-
gación que puedan requerirse para integrar penetraciones
de FV particulares cada vez más grandes en el futuro. por
último, la nsrdB ahora permite a los pronosticadores de
carga a largo plazo factorizar las potencias fotovoltaicas en
sus pronósticos, donde y cuando sea necesario.
Observaciones finales
Hace más de 70 años, los investigadores reconocieron la
temperatura como un factor determinante de la demanda
de potencia. desde entonces, los datos de temperatura han
sido ampliamente utilizados en los modelos de pronóstico
de carga. debido a la creciente necesidad de pronósticos de
potencia precisos, la industria de la energía está adoptando
más datos climatológicos. En este artículo presentamos dos
aplicaciones de servicios públicos que se basan en datos
meteorológicos. Utilizamos algunos datos meteorológicos
convencionales y de fácil acceso para ofrecer un panorama
nuevo y probabilístico del saidi, que ayuda a revelar la ten-
dencia de confiabilidad de los servicios públicos. En el estu-
dio de simulación de FV particulares, utilizamos algunos
datos climatológicos integrales recientemente desarrollados
para abordar un problema emergente en la integración de las
energías renovables. los investigadores y profesionales han
establecido una gran cantidad de conocimiento en la ciencia
mayo/junio 2018
de la meteorología y la ciencia de la atmósfera en general.
Esperamos que este artículo lo inspire a probar más datos
climatológicos y ampliar el rastro de la meteorología en el
campo del análisis de energía.
Lecturas complementarias
IEEE Guide for Electric Power Distribution Reliability
Indices, Estándar 1366-2012 del iEEE (revisión del Estándar
1366-2003 del iEEE), mayo 2012.
t. Hong, J. Wilson y J. Xie, “long term probabilistic load
forecasting and normalization with hourly information”
(pronóstico y normalización probabilística de carga a largo
plazo con información por hora), IEEE Trans. Smart Grid,
vol. 5, n.º 1, págs. 456–462, Ene. 2014.
t. Hong y s. Fan, “probabilistic electric load forecasting:
a tutorial review” (pronóstico probabilístico de cargas eléc-
tricas: Una revisión tutorial), Int. J. Forecasting, vol. 32, n.º
3, págs. 914–938, Jul.–sep. 2016.
Base de datos nacional de radiación solar. (2017).
agencia internacional de Energía renovable. [En línea].
disponible: https://nsrdb.nrel.gov/current-version#psm
mayo/junio 2018
agencia internacional de Energía renovable. system ad-
visor model. [En línea]. disponible: https://sam.nrel.gov/
E. lorenz, t. scheidsteger, J. Hurka, d. Heinemann y c.
Kurz, “regional pV power prediction for improved grid in-
tegration” (predicción regional de la potencia fotovoltaica
para una mejor integración de redes), Progress Photovol-
taics Res. Applicat., vol. 19, n.º 7, págs. 757–771, nov. 2011.
Biografías
Jonathan Black es miembro del iso new England, Holyo-
ke, massachusetts.
Alex Hofmann es miembro de la american public power
authority, arlington, Virginia.
Tao Hong es miembro de la Universidad de carolina del
norte en charlotte.
Joseph Roberts es miembro del iso new England, Hol-
yoke, massachusetts.
Pu Wang es miembro del sas institute inc., cary, caro-
lina del norte.
p&e
ieee power & energy magazine 61
 Análisis de big
data” en la
industria de
la potencia
eléctrica de
china
62 ieee power & energy magazine 1540-7977/18©2018IEEE mayo/junio 2018
 Información moderna,
tecnologías de
comunicación y millones
de medidores inteligentes

I
Impulsada por su IndustrIa de alta tecno­
logía en rápido crecimiento durante la década de 2010,
china ha presenciado un aumento en los índices de datos
de compras en línea, servicios de Internet móvil e informa­
tización industrial, entre otros usos. a medida que aumenta
la conciencia sobre el “big data”, múltiples industrias han
comenzado a adoptar el análisis para aprovechar el valor
de todos estos datos. industria de la energía eléctrica, con
el uso de la información moderna, de las tecnologías de
la comunicación y de millones de medidores inteligentes
recientemente desplegados, es un precursor importante en el
campo del análisis de “big data”.
el Gráfico 1 muestra un marco de análisis de “big data”
en aplicaciones en los sistemas de potencia. el proceso de
©iStockphoto.com/Wenjie Dong

recopilación de datos comienza con distintas fuentes, como

medidores inteligentes, mercados de energía, sensores
meteorológicos y agencias gubernamentales. las personas
pueden aplicar entonces estadística avanzada y técnicas de
aprendizaje automático, como análisis cronológicos, agrupa­
ciones y un aprendizaje profundo para generar conocimien­
tos útiles. estos conocimientos pueden usarse para mejorar
las operaciones de la red y la planificación, así como la expe­
riencia del cliente o ser aprovechados por terceros para otros
usos comerciales.

Avance reciente
Por Chongqing Kang, en los últimos cinco años, el gobierno chino ha destinado

Yi Wang, una cantidad significativa de financiamiento al análisis de

“big data” para la industria de la potencia. la comisión
Yusheng Xue, de desarrollo y reforma del estado de china ha emitido
directrices de desarrollo para una estrategia de energía inte­
Gang Mu ligente “Internet plus” (Internet de la energía), en la que
y Ruijin Liao
Identificador de Objeto Digital 10.1109/MPE.2018.2790819
Fecha de publicación: 18 de abril de 2018

mayo/junio 2018 ieee power & energy magazine 63

 Consumo de electricidad
Análisis cronológico
Para la red de potencia

Clima
Agrupamiento

Información para el usuario

Para los clientes

Aprendizaje profundo
Datos económicos

Precio de la electricidad Extracción de características Para terceros

gráfico 1. Marco del análisis de “big data” en la industria de la potencia eléctrica.

bras de los títulos de estos proyectos, que abarca una amplia

gráfico 2. Nube de palabras de proyectos de análisis de
“big data” en la industria de la potencia eléctrica apoyados
por la NFSC.
el “big data” se considera una tecnología instrumental
clave. entre 2013 y 2017, la Fundación nacional de cien­
cias naturales de china (nsFc, por sus siglas en inglés)
patrocinó más de 27 proyectos relacionados con el análisis
de “big data” de ingeniería eléctrica, con un financiamiento
total superior a los ¥22.45 millones (aproximadamente
us$3.3 millones). el Gráfico 2 muestra una nube de pala­
variedad de temas dentro de la industria de la potencia, como
la predicción energética, el monitoreo de equipos y la inte­
gración renovable. en 2015, el ministerio de ciencia y tec­
nología financió un proyecto de cinco años, “tecnologías
claves de análisis de ‘big data’ para la distribución y utilización
inteligente”. en 2017, el ministerio de ciencia y tecnología
financió otro proyecto de cinco años, “teoría fundamental
de la planificación y el funcionamiento de los sistemas
de potencia con alta proporción de energía renovable”, la
primera y más extensa fase de lo que es el análisis de “big
data” para la predicción energética, la focalización de la
respuesta a la demanda y el análisis característico de la
carga neta.
además de estos proyectos de investigación financiados
por el gobierno, muchas empresas de potencia han patro­
cinado también varios proyectos de “big data”, como reco­
pilación de datos, integración, extracción y predicción. a
través de la implementación de estos proyectos, el análisis
de “big data” en industria de la energía eléctrica está
avanzado desde la investigación básica y aplicada, al trabajo
de campo. la creciente incidencia de las tecnologías de “big
data” ha significado un desafío y está cambiando las prácti­
cas tradicionales de planificación y funcionamiento del los
sistemas de potencia. también ha estimulado el surgimiento
de muchas empresas nuevas.
este artículo presenta el reciente avance en la aplicación del
análisis de “big data” en industria de la energía eléctrica de
china. entre las aplicaciones seleccionadas se incluye la res­
puesta a la demanda, la integración renovable, las operaciones

64 ieee power & energy magazine mayo/junio 2018

de sistemas y el monitoreo de equipos. concluimos analizan­
do algunas oportunidades y desafíos particulares.
Análisis de “big data” de la demanda
el análisis de “big data” está revolucionando las prácticas
de mercadeo en varias industrias. los grandes operadores
del comercio electrónico chino, como alibaba y Jingdong,
dependen en gran medida del análisis de “big data” para
aprovechar los conocimientos de las conductas de compra y
navegación web de los clientes para el propósito de mercadeo
personalizado. además, los operadores de redes de potencia
y los minoristas de electricidad están intentando analizar las
conductas de consumo de electricidad de los clientes para
poder ofrecer servicios diversificados y personalizados y
alentar a los clientes a participar en programas de respuesta
a la demanda y de eficiencia energética.
antes de la década actual, los servicios públicos reco­
pilaban la mayor parte de la información de los sistemas
de control de supervisión y de adquisición de datos, siendo
utilizados los datos de demanda principalmente para la
predicción de carga a nivel de sistema o de barra. durante
los últimos años, se han instalado cerca de mil millones de
medidores inteligentes. la popularización de los medidores
inteligentes ha generado datos de consumo de electricidad
cada vez más detallados que permiten aplicaciones extensas
de análisis de “big data” respecto
a la demanda.
dado que es imposible anali­
zar todos estos medidores uno por
uno, es necesario agrupar los que
son similares antes de desarrollar
más modelos. los grupos resultan­
tes se llaman grupos; dichas tareas
es
conducta de consumo de electricidad de los consumidores,
se requieren perfiles de carga de un período más largo. en
términos de escalas espaciales, los perfiles de carga varían
a partir de un solo consumidor, subestación, alimentador o
barra para todo el sistema, según los objetivos específicos.
en segundo lugar, podemos clasificar los métodos de
agrupamiento en 1) agrupamiento directo y 2) agrupamiento
indirecto, según si se han extraído las características de los
perfiles de carga originales o no. en concreto, los métodos
de agrupamiento directo incluyen k­means, agrupamiento
difuso, agrupamiento jerárquico y tecnologías de agrupa­
miento basado en la densidad, como el agrupamiento espa­
cial basado en la densidad de aplicaciones con ruido (dBs­
can, por sus siglas en inglés). el agrupamiento indirecto
incluye métodos de agrupamiento con procedimientos de
preprocesamiento de datos logrados usando técnicas de aná­
lisis cronológico (por ejemplo, el modelo oculto de markov),
métodos de extracción de características (por ejemplo, la
codificación dispersa), métodos de reducción de dimensio­
nalidad (por ejemplo, el análisis de componentes principa­
les), etc. los índices de evaluación actuales para el funciona­
miento de los agrupamientos se pueden clasificar en índices
orientados a la similitud y a la clasificación que se usan
para determinar el método de agrupamiento óptimo y los
parámetros optimizados correspondientes. entre los índices
Escala de tiempo
En
tr
• Diaria ad
a

también se conocen como agrupa-

ion

miento o análisis de grupos en la • Semanal

ac
lic

extracción de datos. el Gráfico 3 re­

Ap

sume y explica el perfil de carga en • Mensual Escala espacial

Eficiencia energética
tres áreas: 1) los perfiles de carga Respuesta a la demanda
•

Áreas • Anual • Carga total

•

de entrada del agrupamiento, 2) • Industrias

•

Tarificación •
técnicas de agrupamiento e índi­
•

Perfil de carga • Únicas Áreas

ces de evaluación específicos, y 3)
aplicaciones potenciales. Análisis cronológico
Indirectos
en primer lugar, los perfiles • Extracción de características
de carga de entrada varían en Orientados a Reducción de la dimensión
• la similitud
términos de tiempo y ubicación. Directos Agrupamiento difuso
DBI
MIA • K-Means
la escala de tiempo de los datos
CDI DBSCAN
agrupados es determinada por el • Orientados a la clasificación
objetivo del análisis, que puede Pureza
variar desde períodos de tiempo Recuperación
Índices Métodos
diarios, semanales y mensua­ Precisión-F
les hasta anuales. por ejemplo,
podemos diseñar una tarifa diaria Agrupamiento
basada en los grupos de perfiles
de carga diaria. si necesitamos
comprender mejor la dinámica de gráfico 3. Resumen del perfil de carga.

mayo/junio 2018 ieee power & energy magazine 65

 orientados a la similitud se incluye el índice de davies Boul­
din (dBI, por sus siglas en inglés), el índice de idoneidad
media (mIa, por sus siglas en inglés), el indicador de disper­
sión de agrupamiento (cdI, por sus siglas en inglés) y otros.
entre los índices orientados a la clasificación se incluye la
pureza, la recuperación y la precisión F, entre otros.
Finalmente, el análisis de grupos de consumo de elec­
tricidad se puede aplicar con varios propósitos, como el
reconocimiento del patrón de carga, la evaluación del poten­
cial de respuesta a la demanda, la gestión de la eficiencia
energética, la fijación de tarifas, la predicción de carga y la
identificación de información sociodemográfica de los con­
sumidores. por ejemplo, los consumidores que no tienen una
ocupación de tiempo fijo, acceso a la red ni computadoras
(por ejemplo, los campesinos) podrían mostrar un consumo
más alto a mediodía; los consumidores que tienen computa­
doras (por ejemplo, los trabajadores de oficina) podrían mos­
trar un consumo de electricidad más alto por la noche; y los
consumidores que tienen acceso a una red pero no tienen una
ocupación de tiempo fijo (por ejemplo, los jóvenes en línea)
podrían mostrar un consumo de electricidad más alto antes del
amanecer. por lo tanto, se puede detectar la correspondencia
entre los patrones de carga obtenidos por el agrupamiento y
la información sociodemográfica de los consumidores.
state Grid Jiangsu electric power company está innovando
en las aplicaciones de respuesta a la demanda en china, espe­
cialmente para los grandes consumidores. existen dos módu­
los de software de agrupamiento integrados en un sistema de
programación de respuesta a la demanda en la provincia de
Jiangsu. el primero es el módulo de evaluación potencial de
respuesta a la demanda; este módulo adopta tres medidas
para evaluar el potencial de respuesta a la demanda de los
residentes, de los edificios comerciales y de los consumi­
dores industriales. en primer lugar, se extraen los patrones
de consumo de electricidad básicos a través de los perfiles
de carga históricos de agrupamiento. después de eso, se
comparan los patrones de carga extraídos entre los distin­
tos consumidores y en diferentes días. Finalmente, aque­
llos consumidores que tienen una carga altamente volátil
y patrones bajos de consumo de electricidad base son
identificados como consumidores potenciales de respuesta
a la demanda.
el segundo es un módulo de predicción de carga para
grandes consumidores. el módulo adopta los patrones de
consumo básicos de cada consumidor a partir de los datos de
carga históricos para establecer un modelo de markov y des­
cribir la norma de cambio de un patrón a otro. Finalmente,
el módulo predice el perfil de carga del día siguiente según
el modelo de markov. el Gráfico 4 muestra los resultados
de predicción de carga de grandes consumidores por agru­
pamiento, de la provincia de Jiangsu. en comparación con
un método de máquina de vectores de soporte (sVm, por
sus siglas en inglés), el método de agrupamiento muestra un
funcionamiento superior, como lo indica la distancia menor
entre la carga real y la predicha.
66 ieee power & energy magazine
Simulación de producción de energía
renovable
debido a la incertidumbre de la producción, la variabilidad y
las correlaciones complejas de los recursos de energía renova­
ble, acomodar las altas proporciones de energía renovable ha
sido un desafío importante para la industria de la potencia. se
puede usar el análisis de “big data” en el análisis, la predicción
y la simulación de energía renovable para seguir aumentando
su incorporación. en particular, el análisis de “big data” ha
contribuido a la simulación de producción de energía reno­
vable y se ha integrado en los procesos de toma de decisiones
para la planificación de los sistemas de potencia.
recientemente, china ha registrado un aumento en el
despliegue de turbinas eólicas y tecnologías solares fotovol­
taicas (FV). a finales de 2016, las capacidades instaladas
de potencia eólica y solar alcanzaron los 169 GW y 77 GW,
respectivamente. además de la necesidad de predicción de
la energía renovable a corto plazo, la industria de la potencia
necesita la serie de salidas cronológicas de potencia eólica y
FV, necesaria para la generación y planificación de redes y
para determinar los modos de funcionamiento de los sistemas
de potencia en el futuro. la industria no puede simplemente
usar datos históricos porque
✔ el desarrollo de generación eólica y solar es tan rápido
que los datos históricos acumulados de potencia eóli­
ca y FV no son suficientes para que el modelo físico
simule la producción FV y de potencia eólica
✔ la potencia eólica y solar han estado tan restringidas
en los últimos años que las mediciones en tiempo real
no reflejan con precisión el potencial de salidas exis­
tentes de potencia eólica y solar; por ejemplo, las me­
diciones fluctúan normalmente menos que la salida
potencial libre completa debido a que la salida está
restringida.
por lo tanto, la industria debe basarse en el análisis para
generar dicha serie de salidas cronológicas.
algunas instituciones han dedicado muchas actividades
de investigación a la simulación de generación de potencia
eólica y FV. el Gráfico 5 muestra la plataforma Herramienta
de planificación Óptima de redes desarrollada por la uni­
versidad de tsinghua; (a) y (b) son las interfaces de usua­
rio básicas, y (c) y (d) son las salidas simuladas de potencia
eólica y FV, respectivamente, de diez sitios. estas salidas se
han aplicado ampliamente a la planificación y a las operacio­
nes de los sistemas de potencia.
el desafío principal de simular una salida de energía reno­
vable es la consideración de las características estocásticas,
las características de volatilidad y las dependencias tempo­
rales y espaciales de las velocidades eólicas y las radiaciones
solares en diferentes sitios. es incluso más difícil considerar
conjuntamente todos estos aspectos de forma simultánea.
normalmente, es posible que un método que captura bien
una característica no pueda incorporar las demás.
para simular salidas de potencia eólica, primero comen­
zamos con una generación de perfil de velocidad eólica. la
mayo/junio 2018
 1 1

mayo/junio 2018
0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
Tiempo/30 minutos Tiempo/30 minutos
(a) (b)
22 14 12
20
12 10
18
16 10
14 8

12 8
6
10 6

Consumo/MW
Consumo/MW
Consumo/MW

8
4
6 4
4 2
2
2
0 0 0
0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48 0 4 8 12 16 20 24 28 32 36 40 44 48
Tiempo/30 minutos Tiempo/30 minutos Tiempo/30 minutos
Carga real Basado en el agrupamiento Basado en la SVM
(c)

gráfico 4. Predicción de carga de grandes consumidores basada en el agrupamiento. (a) Patrones típicos de consumo de electricidad normalizados. (b) Perfiles de carga

ieee power & energy magazine

normalizados con el mismo patrón. (c) Resultados de predicción de tres grandes consumidores.

67
 metodología central es usar ecuaciones diferenciales esto­
cásticas multidimensionales (sde, por sus siglas en inglés)
para generar cronologías de velocidad eólica, donde la parte
de desviación de las sde puede modelar la característica
estocástica y de intermitencia de cada parque eólico y las
dependencias temporales y espaciales pueden ser captura­
das por la parte de difusión multidimensional en las sde. el
proceso se lleva a cabo de la siguiente manera:
1) calcular los índices característicos clave de las veloci­
dades eólicas según los datos históricos de velocidad
eólica, como la distribución de probabilidad, el coe­
ficiente de autocorrelación, el coeficiente de interco­
rrelación y las velocidades eólicas promedio por mes
y hora.
2) aplicar los conjuntos de sde multidimensionales
para generar una cronología multidimensional de ve­
locidades eólicas.
3) modificar las velocidades eólicas considerando el
efecto débil.
4) convertir las velocidades eólicas en las salidas de po­
tencia eólica usando la curva de potencia de una tur­
bina eólica.
5) tomar una muestra de la disponibilidad de cada tur­
bina eólica.
6) obtener las salidas de potencia eólica simuladas, se­
gún las salidas de potencia eólica, considerando la
curva de potencia y el modelo de confiabilidad de la
turbina eólica.
en comparación con la producción de potencia eólica,
la producción FV tiene una parte tanto determinista como
estocástica. la parte determinista es la radiación solar y se
puede calcular fácilmente para cada estación FV. la parte
estocástica es la pérdida de producción provocada por las
nubes y los aerosoles. la simulación de la cronología del
efecto de desprendimiento es similar a la de la potencia
eólica. el proceso se lleva a cabo de la siguiente manera:
1) usar el modelo de radiación solar global para simular
la intensidad de radiación solar sin los efectos de des­
prendimiento.
2) usar las sde para tomar una muestra del índice de
claridad que representa el efecto del desprendimien­
to de nubes. calcular los coeficientes de reflexión
y refracción según el índice de claridad y la altitud
del sitio.

(a) (b)

180 120
Salida de potencia eólica (MW)

160
Salida de potencia FV (MW)

100
140
120 80
100
60
80
60 40
40
20
20
0 0
0 12 24 36 48 60 72 84 96 108 120 132 144 156 0 12 24 36 48 60 72 84 96 108 120 132 144 156
Tiempo (horas) Tiempo (horas)
(c) (d)

gráfico 5. Programa de software para la simulación y el análisis de producción de energía renovable: (a) y (b) las interfa-
ces de usuario básicas y (c) y (d) la producción de potencia eólica y FV simuladas, respectivamente, de diez sitios.

68 ieee power & energy magazine mayo/junio 2018

 3) calcular la salida de potencia de los paneles FV según
el mecanismo de estos paneles (ángulo de inclinación
y ángulo de dirección), el modo de seguimiento (panel
fijo, seguimiento de un solo eje horizontal, seguimien­
to de un solo eje inclinado, seguimiento de eje doble),
la irradiación solar, el índice de claridad, el coeficien­
te de reflexión, el coeficiente de refracción y las carac­
terísticas de salida de los paneles FV.
dichos métodos de simulación facilitan un análisis inte­
gral de los parámetros de salida de la potencia eólica y FV,
como las horas de utilización anuales, la salida promedio, la
salida garantizada, la salida máxima, el factor de simulta­
neidad de salida y el efecto regulador. sirven además como
entradas para la simulación de funcionamiento de los sistemas
de potencia considerando la integración de energía renovable.
Ideas de “big data” para análisis de
estabilidad
el análisis de estabilidad de los sistemas de potencia es otra
área por la que se consideran las aplicaciones de análisis de
“big data”. aunque el análisis de estabilidad es un tema muy
tradicional en el análisis de sistemas de potencia, la tecno­
logía de “big data” conlleva nuevos e innovadores conoci­
mientos y métodos de cálculo.
el análisis de estabilidad de los transitorios de los siste­
mas de potencia se basa en ecuaciones algebraicas diferen­
ciales (dae, por sus siglas en inglés), que pueden ser difí­
ciles de solucionar de forma analítica y producir resultados
que pueden ser difíciles de interpretar. los grandes sistemas
de potencia interconectados suman más dificultades al aná­
lisis de estabilidad debido a la alta dimensionalidad, las múl­
tiples escalas de tiempo, la fuerte ausencia de linealidad, los
parámetros variables en tiempo y los requisitos de cálculo
en tiempo real.
podemos obtener la trayectoria numérica posterior a las
perturbaciones de una gran red de potencia por simulaciones
cronológicas. la simulación se basa en los modelos dinámi­
cos de los sistemas de potencia basados en las dae que lle­
van a cabo las computadoras. matemáticamente, los grandes
modelos de dae se pueden analizar de manera numérica en
lugar de hacerlo de forma analítica, de manera que el cri­
terio de estabilidad/inestabilidad se basa en los índices de

300
250
200
150
100
50
0
–50
Integración numérica –100
–150 t
Sistema de potencia R n Trayectoria original en el espacio R n

Reducción de
Transformación la dimensión
inversa

P 5
PE′ (δ′ )

Establecimiento de parámetros
1 4 6
P0 t

2 3 δ′
0 δ′0 π /2
Margen de estabilidad Trayectoria independiente
en espacios n × R 2

Análisis teóricos Razonamiento causal

gráfico 6. Flujo lógico de la estabilidad del sistema de potencia eléctrica en estudio.

mayo/junio 2018 ieee power & energy magazine 69

 experiencia estadísticos en lugar de hacerlo en los criterios
teóricos. los desafíos de usar índices de experiencia en la
valoración de la estabilidad incluyen evitar valorar errónea­
mente una trayectoria estable como una inestable, aunque
entonces el umbral de la oscilación tiene que establecerse
en un nivel alto. las simulaciones realizadas en un intervalo
extenso pueden evitar los falsos positivos pero aumentar en
gran medida el costo de la carga informática. debido a que
los índices de experiencia de estabilidad pueden determi­
narse solo mediante el análisis de estadísticas numéricas,
no podemos obtener la condición necesaria/suficiente para
la estabilidad ni cuantificar las influencias de los distintos
parámetros en el grado de estabilidad del sistema. estos
desafíos obstaculizan el estudio del mecanismo de estabili­
dad y la decisión de control de la estabilidad óptima.
en teoría, los métodos analíticos existen para calcular
la estabilidad del ángulo de potencia transitoria de los sis­
temas de potencia. el más conocido es el criterio de áreas
iguales (eac, por sus siglas en inglés), que tiene un signi­
ficado claro, conciso y físico intuitivo que explica el meca­
nismo de estabilidad de los sistemas de potencia y puede
abordar el problema de estabilidad desde una perspectiva
de razonamiento por causalidad, en lugar de hacerlo usando
un análisis estadístico numérico. sin embargo, el eac solo
es aplicable en sistemas de máquina síncrona/barra infinita
(smIB, por sus siglas en inglés) y no considera la disipación
de energía ni las estrategias de control durante la falla.
los investigadores buscan ampliar la aplicabilidad de los
métodos analíticos debido a su ventaja sobre el análisis y el
control de los sistemas de potencia. sin embargo, el sistema
de potencia real es demasiado complejo para usar métodos
analíticos debido a que la gran escala del sistema de poten­
cia es esencialmente un problema dimensional muy superior
que el método analítico no puede solucionar. las ideas de
“big data” ofrecen una posible solución. el eac extendido
(eeac, por sus siglas en inglés) usa la idea de reducción
dimensional para ampliar la aplicabilidad del eac a los sis­
temas de potencia complejos.
el Gráfico 6 muestra el flujo lógico del eeac. en primer
lugar, lleva a cabo la simulación de la trayectoria posterior
a las perturbaciones según el modelo completo del sistema
de potencia (es decir, modelos de espacio R n ) usando algo­
ritmos de integración numérica. a continuación, podemos
transformar la trayectoria de alta dimensión obtenida en un
conjunto de trayectorias de smIB ortogonales (indepen­
dientes) usando un mapeo de reducción de dimensiones y
de preservación de estabilidad lineal. el análisis de estabi­
lidad se puede llevar a cabo entonces usando la teoría de
eac, donde existe un modo dominante de oscilación que
recae en el espacio R 1 o R 2 (la trayectoria transformada se
puede analizar en el espacio R 1 si el modo dominante de
la oscilación es uno o varios generadores que se balancean
con fuerza desde otros generadores mayoritarios. se puede
analizar en el espacio R 2 si el modo dominante de oscilación
son dos grupos de generadores que se balancean entre sí). el
70 ieee power & energy magazine
margen de estabilidad o el margen de parámetros se puede
evaluar cuantitativamente a través del razonamiento por cau­
salidad en lugar de hacerlo a través de un análisis estadístico
numérico. la estrategia de control de estabilidad se puede
optimizar entonces.
de esta manera, el eeac convierte el análisis de estadís­
tica numérica de la estabilidad de los grandes sistemas de
potencia en un análisis de razonamiento por causalidad. es
aplicable a muchos sistemas de potencia complejos con una
fuerte falta de linealidad y diferencias en los tiempos, así
como a escenarios complicados de contingencia.
la teoría del eeac se puede ver como una técnica de
extracción de conocimientos profundos a partir de los datos
de simulación masivos o los datos de sincrofasores (pmu, por
sus siglas en inglés). esto prueba que la condición necesaria
y suficiente para la inestabilidad de un sistema de múltiples
máquinas es que la energía cinética de al menos un par de
grupos complementarios supera la barrera de energía poten­
cial correspondiente. el límite de estabilidad del modelo de
sistemas multigeneracionales depende del par de grupos más
crítico. por lo tanto, el razonamiento por causalidad entre el
conjunto de trayectorias perturbadas (conjunto de “big data”
y el margen de estabilidad de los sistemas (datos escalares
únicos) complementa las interpretaciones experimentales y
estadísticas de la estabilidad de las trayectorias perturbadas.
de esta manera, el análisis experimental asciende a un aná­
lisis riguroso de mecanismos. en otras palabras, el eeac
determina la relación de causalidad existente objetivamente,
aunque poco conocida en los datos estadísticos.
el eeac consiste en tres algoritmos: el eeac estático (se
omiten los factores de variación de tiempo), el eeac diná­
mico (se consideran parcialmente los factores de variación
de tiempo) y el eeac integrado (se consideran plenamente
los factores de variación de tiempo). las precisiones de estos
algoritmos aumentan sucesivamente, al costo de la carga
informática adicional. podemos aplicar estos tres algoritmos
del eeac de forma secuencial para coordinar la precisión y la
carga informática en el análisis de estabilidad de los sistemas.
la pregunta sigue siendo por qué las estabilidades en muchos
casos (denominadas “casos de tipo a”) se pueden calcular de
forma precisa usando el eeac estático analítico, mientras
que otras (denominadas “casos de tipo B”) se pueden calcular
por medio de un eeac integrado o dinámico para valorar su
estabilidad. al analizar y verificar los resultados intermedios
de un amplio número de casos, encontramos que existen erro­
res en el eeac estático comparado con el eeac dinámico
debido a que el tamaño de paso es demasiado grande para
reflejar la variabilidad del tiempo del sistema de mapeo. la
carga informática se puede reducir radicalmente cuando dis­
tinguimos los casos de tipo a de los casos de tipo B.
al aplicar el eeac en un sistema de potencia práctico,
podemos usar la técnica estadística para determinar si se puede
terminar todo el proceso de análisis directamente en la etapa
del eeac estadístico o en la etapa del eeac dinámico. por
ejemplo, cuando los resultados dados por el eeac dinámico
mayo/junio 2018
mayo/junio 2018
Datos de entrada Datos de salida

Datos de equipos Detección de datos anormales

Imputación de datos que faltan y gobernanza
Parámetros nominales Almacenamiento de datos
Registros de fallas Método medio Redes neuronales/SVM
Registros de mantenimiento Plataformas múltiples Método de regresión Regresión lineal múltiple
Imputación múltiple Máquina de aprendizaje extremo
Adquisición de datos Método K de distancia Factores influyentes
Datos de monitoreo de estado más cercana

Condición de generación
de potencia Depuración de datos
Condición de almacenamiento 600
Condición de transformación Datos antes de la depuración
500 Datos después de la depuración
Datos de redes de potencia 400
Corriente/Tensión 300
Potencia activa
Potencia reactiva 200

100
Datos externos
0
0 50 100 150 200 250 300
Temperatura
Presión del aire
Altitud Datos de interferencias Datos que faltan

gráfico 7. Marco de depuración de datos de los equipos de potencia.

ieee power & energy magazine

71
 se acercan lo suficiente a aquellos aportados por el eeac está­
tico, no es necesario usar el eeac integrado. por lo tanto, el
costo informático se puede reducir significativamente.
podemos ver que la teoría del eeac refleja una buena
combinación entre el razonamiento causal y el análisis esta­
dístico. el análisis estadístico ayuda a encontrar el meca­
nismo tras el “big data” de alta dimensión; el razonamiento
causal puede revelar el principio de estabilidad y llevar a
cabo el análisis analítico. a su vez, se puede aplicar el análi­
sis estadístico para acelerar la velocidad del análisis analítico.
“Big data” para equipos de potencia
la tecnología de “big data” también mejora la gestión de los
equipos de potencia. los datos acumulados en el sistema de
gestión de producción y el sistema de gestión de energía se
están expandiendo. la gran escala de datos de monitoreo de
equipos de potencia eléctrica ofrece información valiosa que
se puede extraer usando técnicas de “big data”. la depura­
ción de datos y las técnicas de diagnóstico de fallas son dos
aplicaciones comunes en la gestión de equipos de potencia.
el “big data” de equipos de potencia incluyen
1) datos de los equipos: parámetros de placas, datos de
inspección de equipos, información de mantenimien­
to y funcionamiento, y defectos, fallas y registros de
mantenimiento
2) datos de monitoreo de equipos: generación de poten­
cia y condición de almacenamiento
3) datos de redes de potencia: información de envío de los
sistemas de potencia, datos de carga y generación de
barras, datos de tensión y corriente en tiempo real, y da­
tos de monitoreo de potencia activa y potencia reactiva
4) datos externos: datos del sistema de información geo­
gráfica y datos meteorológicos.
los datos pueden ser imprecisos debido a anomalías y
falta de datos, que pueden introducirse de forma accidental o
intencionada durante el proceso de adquisición, transmisión
y almacenamiento de datos de equipos. la depuración de
datos asegura la validez, la coherencia y la integridad del
conjunto completo de datos. el Gráfico 7 muestra los prin­
cipales procedimientos del método de depuración de datos
aplicado en el sistema de potencia. contiene tres procesos
principales: 1) monitoreo y finalización de falta de datos, 2)
detección y corrección de datos anormales, y 3) evaluación
de la calidad de los datos.
en primer lugar, se detectan los datos que faltan y se
clasifican como ausencia menor y ausencia mayor. los

Entrada

Datos de monitoreo Datos de red de potencia Datos de fallas

Gas disuelto en aceite Corriente Modo de fallas: Ubicación de fallas: Otros

Temperatura del aceite Tensión Recalentamiento Bobinado datos
Corriente a tierra en punto neutro Potencia activa Descarga Núcleo de hierro
... Potencia reactiva Cortocircuito... Carcasa...

Algoritmos de análisis de correlación Modelo de diagnóstico de fallas de parámetros de características multidimensionales

Salida

Parámetros de características clave Tendencia de desarrollo de fallas Conclusiones de diagnóstico de fallas

Recalentamiento: DGA, temperatura, carga... Modo de fallas original/final Modo de fallas

Envejecimiento: Furfural, DGA, PD... Ubicación de fallas Ubicación de fallas

Humedad: Humedad en aceite, PD... Distribución de probabilidad de fallas Gravedad de fallas

gráfico 8. Marco de diagnóstico de fallas de los transformadores. DGA: análisis de gases disueltos; PD: descarga parcial.

72 ieee power & energy magazine mayo/junio 2018

algoritmos simples como la estimación de interpolación,
la regulación o un método de regresión pueden finalizar la
ausencia menor; los algoritmos inteligentes como el análisis
de grupos, la red neuronal artificial (ann, por sus siglas en
inglés) y la sVm son más adecuados para manejar la ausen­
cia mayor. en segundo lugar, los estados anormales de los
datos se detectan a través del cálculo del índice de cambio, la
media, la variación y el rango de los datos de monitoreo bajo
diferentes modos de anormalidad. luego se usan los algo­
ritmos de filtración para eliminar las interferencias de los
datos anormales. Finalmente, se usa el conjunto de índices
de evaluación de calidad de los datos para valorar los datos
modificados en un intervalo normal. si no pasa la evaluación
de calidad, el conjunto de datos debe depurarse nuevamente
hasta que se cumplan los requisitos de calidad.
las tecnologías de “big data” ayudan a mejorar la eva­
luación de las condiciones de los equipos de potencia y el
diagnóstico de fallas para reducir la probabilidad de falla
de los equipos y fortalecer la confiabilidad y economía del
sistema de potencia. los métodos tradicionales de diagnós­
tico de fallas dependen principalmente de un solo umbral de
parámetros, de manera que no se puede evitar una cantidad
considerable de resultados falsos positivos y falsos negativos.
un método de diagnóstico de fallas basado en los amplios
parámetros de conjuntos de datos y características multidi­
mensionales puede mejorar de manera eficaz la precisión
diagnóstica y reducir la probabilidad de fallas en los equipos.
en primer lugar, las correlaciones entre distintos datos
de monitoreo y el modo, la ubicación y la gravedad de las
fallas se evalúan usando algoritmos de análisis de correlación
como correlación gris. se identifican características clave de
dicha correlación. luego, se identifican los patrones de cam­
bio de los datos de monitoreo bajo diferentes modos de fallas
usando algoritmos de aprendizaje supervisados o no supervi­
sados, como la matriz aleatoria de alta dimensión, el análisis
de grupos, la sVm, la ann y el sistema informático. Final­
mente, se predice la tendencia de desarrollos, las ubicaciones
y la gravedad de las fallas en los equipos de potencia.
tomando el diagnóstico de fallas de transformadores como
ejemplo, se pueden dividir los procedimientos en cinco pasos,
como se muestra en el Gráfico 8: 1) recopilar datos de monito­
reo de estados multidimensionales; 2) calcular las correlaciones
entre estos datos; 3) recopilar una gran cantidad de muestras de
fallas de los transformadores; 4) usar el análisis de correlación
para obtener parámetros de características clave bajo distin­
tas fallas, modos de fallas originales, modos de fallas finales y
ubicaciones de fallas; y 5) aplicar métodos de clasificación de
ann para diagnosticar fallas en los transformadores basados
en los parámetros de características multidimensionales.
Desafíos en China
los desafíos para el análisis de “big data” son múltiples.
existen tanto aspectos técnicos que se originan a partir de
características del sistema de potencia como aspectos no téc­
nicos tales como la formación o ubicación de personal téc­
mayo/junio 2018
nico suficiente en este campo. además, la rápida transición
de la industria de la potencia de china que incluye la desregu­
larización del mercado y la alta penetración de la integración
de energías renovables también presenta nuevos desafíos.
Fusión y Seguridad de los Datos
distintos tipos de datos se suelen almacenar en diversos sis­
temas de bases de datos debido a que varias partes del sis­
tema de potencia normalmente son ejecutadas por diferentes
departamentos. por ejemplo, los datos de carga en tiempo
real y el consumo de electricidad mensual se almacenan en
los departamentos de envío de potencia y mercadeo, respec­
tivamente. el diseño de los sistemas tradicionales de gestión
de base de datos en los sistemas de potencia no consideran
el intercambio ni la interacción en los departamentos, lo que
presenta barreras para permitir las ideas de “big data” en los
sistemas de potencia. esto no es solo un problema técnico
sino que también puede suponer dificultades de gestión para
las empresas de redes. en el futuro, la fusión de datos múl­
tiples en la actual industria de potencia eléctrica probable­
mente producirá más información valiosa y conllevará más
aplicaciones. dicho valor mejoraría la gestión y el intercam­
bio de datos entre los distintos departamentos.
además, el aspecto de seguridad de los datos de consumo
de electricidad y los datos de funcionamiento de las redes
de potencia está aumentando las crecientes inquietudes. los
ataques cibernéticos en los medidores inteligentes y los dis­
positivos de pmu perjudican la facturación y la privacidad
de la demanda. Hoy en día, los impactos en la estabilidad y
seguridad de todo el sistema de potencia son más significa­
tivos. Garantizar la seguridad de las cantidades masivas de
datos generados de los sistemas de potencia, depende tanto
del modelo de gestión de las aplicaciones de técnicas avanza­
das tales como Blockchain. los investigadores industriales
y académicos deben hacer mayores esfuerzos en este área.
Desregularización de industria de la energía
eléctrica
la industria de la potencia está experimentando una rápida
transición de desregularización del mercado, especialmente
en la demanda. se presentarán varios participantes, como
minoristas y agregadores, y emergerán nuevos modelos
comerciales. en un entorno competitivo, los minoristas y
agregadores desregularizados tienen más incentivo para
ofrecer servicios de valor agregado y maximizar así sus
ganancias. los participantes aplicarán el análisis de “big
data” más ampliamente en el mercado de la potencia, que
no se limita a las empresas de redes de potencia, para detec­
tar información masiva y valiosa de los datos de medidores
inteligentes. por ejemplo, en la provincia de Guangdong,
los minoristas de electricidad requieren proporcionar pre­
dicciones de demanda precisas. los errores predictivos que
superen el 3% se penalizarán. en este caso, los minoristas o
agregadores se benefician al hacer uso completo de distintos
datos que mejoran la precisión de su modelo de predicción.
ieee power & energy magazine 73
 el mercado de electricidad minorista aún está en su etapa
inicial en china. los nuevos modelos comerciales cam­
biarán las conductas de electricidad de los consumidores
y alterarán más la forma de funcionamiento del sistema de
potencia. por ejemplo, los métodos de carga y predicción de
precios tradicionales podrían no ser eficaces en un marco
energético de transacción. el análisis de “big data” puede
ofrecer una forma eficaz de entender la conducta del sistema
de potencia y los mecanismos detrás de esto en dichos entor­
nos en constante evolución. además, deben desarrollarse
métodos de optimización y control de predicciones impul­
sadas por datos para respaldar el funcionamiento del sistema
de potencia tanto desde el punto de vista de la confiabilidad
como del comercio, por ejemplo, cómo fomentar la interac­
ción entre los consumidores y las redes de potencia y cómo
proporcionar servicios personalizados.
Alta proporción de integración de energías
renovables
el gobierno chino estableció una meta ambiciosa para desa­
rrollar energía renovable, especialmente en la industria de
la potencia. la alta penetración de integración de energías
renovables ha conllevado grandes desafíos para el sistema de
potencia tradicional. el análisis de “big data” puede contri­
buir a la resolución de estos problemas. por ejemplo, la inte­
gración de energía renovable distribuida presenta dificultades
para la predicción de carga neta. tomar decisiones en rela­
ción con la forma de modelar y cuantificar las incertidumbres
presentadas y considerarlas en la planificación y el funciona­
miento del sistema de potencia es obligatorio. las tecnologías
de “big data” pueden proporcionar un mayor entendimiento
del complejo impacto de incertidumbre e intermitencia en
el sistema de potencia. estas tecnologías también ofrecen
un medio prometedor para abordar tales problemas introdu­
ciendo modelos de optimización impulsados por datos para
la planificación y el funcionamiento del sistema de potencia.
con una alta proporción de integración de energías reno­
vables, los sistemas de potencia tradicionales pueden trans­
formarse en sistemas de potencia dominados por la elec­
trónica de potencia, el mecanismo de estabilidad del cual
cambiará fundamentalmente y es mucho más complejo que
los sistemas de potencia dominados por generadores sín­
cronos. analizar y evaluar la estabilidad de un sistema de
potencia desde la perspectiva impulsada por datos ofrece
nuevas oportunidades y también nuevos desafíos.
Conclusiones
industria de la energía eléctrica de china ha presenciado
un desarrollo sin precedentes en el análisis de “big data” y en
las aplicaciones desde 2013, desde la formación del concepto
“big data” hasta la investigación académica y las aplicaciones
industriales. sin embargo, emergerán muchos más y mayores
desafíos en el futuro. el análisis de “big data” y las aplicaciones
en industria de la energía eléctrica deben seguir avanzando.
74 ieee power & energy magazine
Agradecimientos
este trabajo recibió el apoyo del programa nacional de I+d
clave de china (2016YFB0900100), el proyecto clave del
Fondo nacional de ciencias naturales (61533010, 51437003)
y el programa nacional de Investigación de alta tecnología
(2015aa050204). agradecemos al profesor Youyuan Wang de
la universidad de chongqing y al profesor Jun an de la uni­
versidad nororiental de potencia eléctrica por su contribución.
Lecturas complementarias
X. Yu y Y. Xue, “smart grids: a cyber­physical systems
perspective” (redes inteligentes: una perspectiva de los sis­
temas cibernéticos y físicos), en Proc. IEEE, vol. 104, n.º 5,
págs. 1058–1070, 2016.
Y. Wang, Q. chen, c. Kang y Q. Xia, “clustering of elec­
tricity consumption behavior dynamics toward big data ap­
plications” (agrupamiento de la dinámica de conductas de
consumo de electricidad hacia las aplicaciones de “big data”),
IEEE Trans. Smart Grid, vol. 7, n.º 5, págs. 2437–2447, 2016.
n. Zhang, c. Kang, d. s. Kirschen, Q. Xia, W. Xi, J.
Hunag y Q. Zhang, “planning pumped storage capacity for
wind power integration” (planificación de la capacidad de
almacenamiento por bombeo para la integración de la po­
tencia eólica), IEEE Trans. Sustainable Energy, vol. 4, n.º 2,
págs. 393–401, 2013.
r. J. liao, J. p. Bian, l. J. Yang, s. Grzybowski, Y. Y.
Wang y J. li, “Forecasting dissolved gases content in power
transformer oil based on weakening buffer operator and
least square support vector machine–markov” (predicción
del contenido de gases disueltos en el aceite de los transfor­
madores de potencia basada en el debilitamiento del opera­
dor de búfer y la máquina de vectores de soporte­markov de
mínimos cuadrados), IET Gener. Transm. Distrib., vol. 6, n.º
2, págs. 142–151, 2012.
B. Xiao, p. Guo, G. mu, G. Yan, p. li, H. cheng, J. li
y Y. Bai, “a spatial load forecasting method based on the
theory of clustering analysis” (método de predicción de car­
ga espacial basado en la teoría de análisis de agrupamiento),
Phys. Procedia, vol. 24, parte a, págs. 176–183, 2012. doi
10.1016/j.phpro.2012.02.027.
Biografías
Chongqing Kang pertenece a la universidad de tsinghua,
pekín, china.
Yi Wang pertenece a la universidad de tsinghua, pekín,
china.
Yusheng Xue pertenece al Instituto estatal de Investiga­
ción de potencia eléctrica de redes, nankín, china.
Gang Mu pertenece a la universidad nororiental de po­
tencia eléctrica, Jilin, china.
Ruijin Liao pertenece a la universidad de chongqing,
chongqing, china.
p&e
mayo/junio 2018
IEEE Power and Energy Technology Systems Journal

CALL FOR AUTHORS!

Articles Wanted For IEEE PES New Open Access Journal
The launch of IEEE Power and Energy
Technology Systems Journal has created
an opportunity for professionals within the
industry to submit articles for publication.
IEEE Power and Energy Technology Systems
Journal will include practice-oriented articles
focusing on the development, planning, design,
construction, maintenance, installation and
operation of equipment, structures, materials
and power systems for the safe, sustainable,
economic, and reliable conversion, generation,
transmission, distribution, storage, and usage
of electric energy, including its measurement
and control.
IEEE continues to be the most cited publisher
in U.S. and European new technology patents.
The IEEE Open Access publishing format brings
a heightened visibility, research activity, and
industry credibility to the authors work – so you
will reach a larger potential audience with
a rapid, yet thorough, peer-review process.
To submit your article for publication, visit:
http://mc.manuscriptcentral.com/pes-ieee
Select Power and Energy Technology
Systems Journal from the drop down menu.
 Formación de los
científicos de
datos de energía

Las universidades y
la industria necesitan
trabajar juntas para
reducir la brecha de
talentos ©iStockphoto.com/danleap

76 ieee power & energy magazine 1540-7977/18©2018IEEE mayo/junio 2018

L
La crisis de mano de obra no es nueva para La industria de potencia de esta-
dos unidos. Ha sido una creciente preocupación tanto para los gobiernos como para las organizaciones de
la industria desde principios de la década de 2000. mientras tanto, el crecimiento de los datos durante la
última década ha llevado a un aumento en la demanda para el análisis de datos en todos los sectores comer-
ciales. La falta de mano de obra en el campo de la electricidad y la creciente demanda para el análisis de
datos presentan un nuevo desafío así como una oportunidad para los programas universitarios de ingeniería
de potencia para reducir la brecha de talentos en el análisis de datos. después de recopilar varias perspec-
tivas de miembros de la academia, la industria y el gobierno, proponemos un enfoque interdisciplinar y
empresarial para revisar el plan de estudios tradicional de ingeniería de potencia para formar a la próxima
generación de científicos de datos de energía.

Un poco de historia: Luchando contra la crisis de la mano de obra en el

campo de la electricidad
a principios del siglo XXi, 78 millones de personas nacidas entre 1946 y 1964 comenzaron a alcanzar la
elegibilidad para jubilarse. estos “baby boomers” (personas nacidas durante la explosión de la natalidad
de la posguerra) representaban el 44% de la mano de obra de los ee. uu. si bien sus retiros presentan un
desafío para virtualmente todos los sectores comerciales, el impacto en la industria de potencia es particu-
larmente fuerte. el Gráfico 1 enumera varias publicaciones destacadas relacionadas con la educación sobre
la potencia y la energía.
el artículo de IEEE Spectrum, “power engineering education at the crossroads” (La educación de la
ingeniería de potencia en una encrucijada), presentó entrevistas con muchos expertos, tales como gerentes
de ingeniería, profesores académicos y reclutadores. La mayoría de ellos consideraba que “la escasez inmi-
nente de personal capacitado” en la industria de la potencia “se gestó por décadas”. encuestas del ieee de
ee. uu. en aquel momento también demostraron que “los salarios de los ingenieros que trabajan en los
sectores de potencia y energía han quedado gravemente rezagados con respecto a los sueldos de la mayoría
de otros campos de ingeniería eléctrica y electrónica, y que el desfase se empeora mientras más avancen los
ingenieros en sus carreras”.
el artículo de la IEEE Power & Energy Magazine, “Feeding our profession” (alimentando nuestra pro-
fesión), enumeró algunas estadísticas desalentadoras. el porcentaje de estudiantes de pregrado de ingeniería
eléctrica que se dedicaban a la potencia eléctrica en los estados unidos había disminuido de
forma constante del 15 al 10% en la década de 1970 hasta un 5 o 7% en la década de
2000. aunque los números en los programas de graduados eran bastante estables,
en gran medida debido a las inscripciones de estudiantes internacionales, las ins-
cripciones totales en programas de ingeniería de potencia mostraban ciertamente
una tendencia decreciente. asimismo, las contrataciones en las universidades
para el área de ingeniería de potencia eran bajas en las décadas de 1980 y 1990,
dando como resultado que el promedio de edad de los profesores de ingeniería
de potencia se moviera hacia el extremo de edades más avanzadas del espectro.
en 2004, IEEE Transactions sobre Sistemas de Potencia publicó una sec-
ción especial sobre la enseñanza de la ingeniería de potencia para estimular
un interés adicional en la ingeniería de potencia, documentar nuevas ideas y

Por Tao Hong, David Wenzhong Gao,

Tom Laing, Dale Kruchten,
y Jorge Calzada

Identificador de Objeto Digital 10.1109/MPE.2018.2798759

Fecha de publicación: 18 de abril de 2018

mayo/junio 2018 ieee power & energy magazine 77

 actividades y fomentar la comunicación entre la industria y
la academia. el foco estaba principalmente en los “progra-
mas universitarios formales que les brindaban nuevos inge-
nieros a la industria y al mundo académico”.
en 2006, el departamento de energía de ee. uu. emitió
un informe para el congreso de los ee. uu. sobre la tenden-
cia de la mano de obra en la industria de los servicios públi-
cos eléctricos, centrándose en dos profesiones: trabajadores
de líneas eléctricas e ingenieros de potencia eléctrica. La
primera depende en gran parte de la orientación y formación
en el trabajo, mientras que la segunda depende fuertemente
de los programas universitarios. con respecto a la mano de
obra de ingenieros de potencia, el informe destacó varias
cuestiones, como el decreciente interés de los estudiantes,
la reducción de programas universitarios y bajos salarios
en comparación con otras concentraciones de ingeniería
eléctrica. el informe también pedía que asociaciones públi-
co-privadas aborden el problema del apoyo en declive para
la investigación de sistemas de potencia.
en 2007, el congreso aprobó la Ley de autonomía y segu-
ridad energética de 2007, que proporcionó una definición ofi-
cial de red inteligente. poco después, se vertieron en la red eléc-
trica miles de millones de dólares provenientes de los sectores
público y privado, incluyendo millones de dólares destinados a
la investigación de los sistemas de potencia. repentinamente,
el campo de la energía de potencia recuperó su popularidad.
muchas universidades estadounidenses comenzaron a cons-
truir o reconstruir sus programas de ingeniería de potencia.
La matrícula estudiantil se incrementó. La membresía de la
2000 • Chowdhury, “Power engineering education
at the crossroads” (La educación de la
Ingeniería de potencia en una encrucijada),
IEEE Spectrum
2003 • Heydt y Vittal, “Feeding Our Profession”
(Alimentando nuestra profesión),
2004
IEEE Power & Energy Magazine
Sauer et al., “Special Section on Power
2006 • Engineering Education” (Sección especial
sobre la enseñanza de la ingeniería de
2007
potencia), IEEE Transactions sobre Sistemas
de Potencia
U.S. Department of Energy, “Workforce
• Trend in the Electric Utility Industry”
(Tendencia de la mano de obra en la
industria de los servicios públicos eléctricos)
• Ley de autonomía y
seguridad energética de 2007
• Pahwa et al., “Special Section on Power and
2014 Energy Education” (Sección especial sobre
la enseñanza de potencia y energía),
IEEE Transactions sobre Sistemas de Potencia
• Grupo de Trabajo de la QER, “Second
2017
Installment of the QER” (La segunda
entrega de la QER)
gráfico 1. Una línea de tiempo de las evaluaciones de la
crisis de mano de obra en el sector de la electricidad.
78 ieee power & energy magazine
power & energy society (pes) del ieee aumentó en más del
50% en la última década. Las inscripciones a las principales
conferencias sobre potencia, como la reunión General de la
pes, estaban estableciendo niveles récord. investigadores de
otras concentraciones de ingeniería eléctrica e incluso fuera de
los departamentos de ingeniería eléctrica se apresuraban por
ingresar al campo de la red inteligente.
en 2014, IEEE Transactions sobre Sistemas de Potencia
publicó otra sección especial sobre la enseñanza de poten-
cia y energía para documentar nuevos cursos, laboratorios,
planes de estudio, actividades de divulgación y pedagogía
desarrollados tanto en academia como en industria durante
los últimos años. si bien parece que nuestra industria está
sobreviviendo a la crisis en la mano de obra a través de esta
ola de esfuerzos de modernización de la red, estamos, de
hecho, entrando en otra batalla.
en enero de 2017, el grupo de trabajo de la revisión cua-
trienal del sector energético (Qer, por sus siglas en inglés)
publicó su segunda entrega, en la que se dedicó un capítulo a
las necesidades cambiantes y las nuevas oportunidades para
la mano de obra del sector eléctrico del siglo XXi. el grupo
de trabajo confirmó la brecha en la mano de obra y el desafío
debido a las jubilaciones de los “baby boomers”. también
destacó las “nuevas posibilidades comerciales y laborales”
que “requerirán una amplia gama de nuevas habilidades”. en
esa misma línea, el grupo de trabajo sugirió que “la industria
de la electricidad necesitará una mano de obra multidiscipli-
naria para la red de potencia que pueda comprender, diseñar
y gestionar sistemas físico-cibernéticos; la industria reque-
rirá cada vez más una mano de obra experta en la evaluación
de riesgos, la ciencia del comportamiento y el conocimiento
de la higiene cibernética”.
El rol del análisis en la transformación
del sector de la electricidad
La palabra “análisis” apareció en la mayoría de los temas
importantes de la Qer, reflejando la necesidad emergente
en una amplia gama de funciones comerciales en la industria
de la potencia, tales como la gestión de redes, una energía
limpia, la comercialización y la participación de los clien-
tes. en cuanto a la gestión de la red, por ejemplo, el análisis
puede ayudar a que sean posibles respuestas de consumo más
exactas, oportunas y predecibles a las señales del sistema, de
modo que el foco pueda ir más allá de la mitigación máxima
hacia la confiabilidad de la red. en general, Qer recono-
ció el “análisis operativo y predictivo” como una “inversión
central” necesaria para “lograr un sector de la electricidad
limpio, asequible y confiable para el siglo XXi”.
La encuesta sobre el análisis de los servicios públicos
publicada en junio de 2017 examinó los temas y tendencias
que daban forma a cómo los servicios públicos despliegan
datos y análisis para alcanzar metas comerciales; 136 servi-
cios públicos de 24 países respondieron a la encuesta. como
se muestra en el Gráfico 2, de nueve áreas de aplicación de
análisis, el 52% de los encuestados reconoció la predicción
mayo/junio 2018
energética como prioritaria, la más alta de todas. cuando se sea, será quien lidere el equipo de análisis, un rol que nunca
les pidió escoger una área prioritaria de mayor importancia, existió en la industria de la potencia. según la encuesta sobre
el 20% eligió la predicción energética, nuevamente, la más el análisis de los servicios públicos de 2017, solo 3% de los
alta de todas. Ésta fue seguida por el análisis de medido- servicios públicos se apoyan en su c-suite para llevar a cabo
res inteligentes, con el 50% considerándolo como altamente iniciativas de análisis, mientras que 73% de los servicios
prioritario y el 17% como el más importante. públicos relegan esa responsabilidad en las unidades comer-
La encuesta también demostró que los servicios públicos ciales individuales.
tienen altas expectativas de rentabilidad en la inversión gra- para esos servicios públicos que están intentando llenar
cias a las predicciones. con la llegada de datos más deta- un puesto de categoría c para director de análisis, un paso
llados de los medidores inteligentes y del tiempo, junto con natural es hacer que el personal existente adquiera las nuevas
arquitecturas informáticas sofisticadas, muchos líderes de habilidades y luego ascender a alguien del grupo. Las unida-
los servicios públicos se han volcado a la predicción ener- des comerciales individuales que asumen las responsabilida-
gética para obtener resultados finales mejorados, particu- des del análisis, tales como la predicción energética, el com-
larmente en la era actual de consumo energético plano o promiso de unidad y la comercialización de energía, pueden
decreciente. numerosos estudios han demostrado que una contribuir al grupo de candidatos a líder del equipo de aná-
reducción en el error de las predicciones tan pequeña como lisis corporativo. por otra parte, varios sectores comerciales
del 1 al 2% puede producir millones de dólares en ahorros adoptaron el análisis muchos años antes que el sector ener-
para el servicio público mediano o grande. gético, tales como la alta tecnología, los servicios financieros
para abordar los desafíos analíticos de la predicción ener- e incluso sectores minoristas y de la cadena de producción.
gética, la pes formó un grupo de trabajo para la predicción por lo que otra estrategia es contratar a alguien de esos sec-
energética en 2011, que luego organizó tres competencias tores para que lidere el cargo de análisis energético.
importantes sobre la predicción, competencia Global sobre cada estrategia tiene sus pros y contras. además de ser
la predicción energética 2012, 2014 y 2017. estas compe- un experto en una o más áreas de análisis de los servicios
tencias atrajeron a miles de participantes de diferentes sec- públicos, un buen candidato interno generalmente entiende
tores comerciales en todo el mundo para hacer frente a los la política y cultura internas, importantes en la combinación
problemas emergentes de la predicción en la industria ener- de funciones analíticas que tradicionalmente se ubican en
gética. Los conjuntos de datos y modelos usados en las com- silos. un director de análisis externo, por otra parte, es poco
petencias ahora se utilizan como referencias populares en la proclive a ser influenciado por una unidad comercial indivi-
industria y la academia. dual al momento de tomar decisiones comerciales. un can-
cuando se les preguntó qué área tendría el mayor im- didato externo podría traer ideas frescas y lecciones aprendi-
pacto positivo en sus negocios, el 22% de los encuestados das de otros sectores expertos en análisis, los cuales pueden
mencionaron la experiencia del cliente. Los usos específicos transformar con eficacia a una empresa de servicios públicos
de la red, como la predicción/análisis predictivo ganaron el en una empresa moderna orientada al entendimiento del
segundo lugar con el 20% de las respuestas. La alteración a siglo XXi.
la relación tradicional con el cliente ha creado una urgencia el candidato interno debe adquirir conocimiento y expe-
para reinventarla. retener a los clientes y agregar nuevos in- riencia que nadie en la compañía posee para abordar desa-
gresos graduales es crucial para la salud financiera a largo fíos que nadie ha enfrentado. el candidato externo tiene que
plazo de los servicios públicos. en el centro de este desa- aprender sobre la industria de servicios públicos y sus ope-
fío está la necesidad de entender mejor a los clientes. con raciones comerciales para adaptar e implementar algunas
muchos nuevos intermediarios surgiendo en los entornos de ideas disruptivas. sin importar si es externo o interno, un
usuarios finales residenciales, comerciales e industriales, los candidato ideal tiene que aprender de por vida.
servicios públicos deben mejorar
sus relaciones con el cliente para Aplicaciones de Aplicaciones de
seguir siendo viables y evitar con- Alta Prioridad Máxima Prioridad
vertirse en un servicio de infraes- Predicción Energética 52% 20%
tructura mercantilizada. Análisis de los Medidores Inteligentes 50% 17%
Análisis/Gestión de Activos 39% 14%
Líderes del análisis Operaciones de la Red 38% 15%
energético Segmentación de Clientes 35% 12%
definitivamente será difícil sacar Comercialización de Energía 33% 6%
a relucir el valor de datos a través Créditos y Cobranzas 24% 6%
del análisis. ¿Quién puede tomar Análisis de los Centros de Atención 23% 6%
la iniciativa? ¿el director de datos, Mercadeo de Programas 14% 4%
el director de análisis, o el jefe de gráfico 2. La prioridad de las áreas de aplicación del análisis de los servicios públi-
análisis de datos? cualquiera que cos, según la Encuesta sobre el Análisis de los Servicios Públicos 2017.

mayo/junio 2018 ieee power & energy magazine 79

 otra característica necesaria es el espíritu emprendedor,
porque establecer un equipo corporativo de análisis implica
romper los silos y cambiar algunos pensamientos consolida-
dos. a veces, el líder del equipo tiene que luchar contra las
jerarquías corporativas existentes para instalar la estructura
innovadora del equipo y ofrecer paquetes de remuneración
competitivos a los talentos.
el análisis es un campo donde interactúan muchas dis-
ciplinas, como la estadística, la investigación operativa y la
informática. La aplicación del análisis al sector energético
implicaría otro conjunto de disciplinas, como la ingeniería,
la economía y políticas públicas. un contexto académico
interdisciplinario es ciertamente un beneficio para el líder
de análisis porque proporciona diversas habilidades y una
amplia perspectiva para abordar los problemas comerciales
emergentes en la industria de potencia.
Motor de conocimiento
cuando el equipo de análisis es promovido al nivel cor-
porativo, el valor potencial que puede generar de los datos
dependerá en gran parte del tamaño de la organización. un
servicio público en propiedad de un gran inversionista puede
obtener millones de dólares en ahorros anuales y se justifi-
caría tener un amplio equipo de análisis. Los servicios públi-
cos pequeños, como las cooperativas de distribución y los
servicios públicos municipales, sin embargo, pueden tener
que limitar el tamaño de sus equipos de análisis a un puñado
de personas, de modo que el costo no supere las ganancias.
Ya sea que el equipo de análisis sea grande o pequeño,
puede ser visto como un motor de conocimiento de toda la
organización. el personal que forma el motor tiene que ser
capaz de revisar y gestionar grandes conjuntos de datos,
aprovechar las plataformas analíticas de la empresa, ana-
lizar datos mediante análisis avanzados, escribir y diag-
nosticar códigos, comunicarse bien tanto de forma verbal
como por escrito, trabajar correctamente en un entorno de
equipo colaborativo y adaptarse tanto a roles de liderazgo
como de apoyo según sea necesario. además del conjunto
de habilidades típicas de los científicos de datos convencio-
nales, algunos servicios públicos también pueden necesitar
tabla 1. Estadísticas de los científicos de datos, de
acuerdo con la Encuesta sobre la Ciencia de Datos y
Aprendizaje Automático 2017.
Estados Resto del
Unidos mundo
Edad media 32 30
Salario medio anual USD USD
$110,000 $55,441
Nivel más Licenciatura 26.5% 32%
alto de
educación Máster 44.5% 41.8%
formal
Doctorado 20.7% 15.6%
80 ieee power & energy magazine
economistas y especialistas en normativas en el equipo de
análisis.
mientras que el motor produce conocimientos de primera
categoría, puede que el negocio no pueda capturar todo el
valor de tales conocimientos. para cerrar la brecha, algu-
nas compañías, incluyendo las que están en silicon valley y
en Wall street, tienen “evangelizadores” de la plataforma, o
“evangelizadores” analíticos, gente que está realmente más
orientada hacia las capacidades blandas, con la capacidad de
influenciar, en lugar de tener las habilidades técnicas duras
centrales. en este papel del “evangelizador” o socio comer-
cial, los servicios públicos buscarían a alguien que pueda
convencer a los ejecutivos, que han hecho las cosas exacta-
mente de la misma manera durante 30 años, de que hay una
mejor forma de hacer esto o aquello. al sumar a estos socios
comerciales, se espera que el equipo de análisis convierta
sus capacidades en conocimiento y acciones corporativas de
valor agregado.
Científicos de datos de energía
un científico de datos es “una combinación de hacker de
datos, analista, comunicador y del consejero de confianza”,
según lo define un artículo del Harvard Business Review
2012. el artículo también reconoció que “la combinación es
extremadamente poderosa y rara”, lo que fue confirmado por
la encuesta ejecutiva del “big data” de los socios de new-
vantage 2012 entre los 1000 ejecutivos de categoría c de
Fortune y líderes del gobierno federal. aunque 70% de ellos
estaban contratando científicos de datos o planeaban hacerlo
en un futuro cercano, solo el 2% de ellos declararon que no
se les presentó ningún desafío al encontrar el talento del “big
data” indicado y recursos calificados.
en octubre de 2017, Kaggle publicó los resultados de su
encuesta sobre la ciencia de datos y aprendizaje automá-
tico 2017. La tabla 1 proporciona algunas estadísticas sobre
los científicos de datos en los estados unidos y en todo el
mundo. en términos sencillos, un científico de datos típico
en los estados unidos tiene aproximadamente 32 años, tiene
una maestría y gana aproximadamente usd $110,000 al año.
en la actualidad, existen más de 175 programas en los
estados unidos que ofrecen licenciaturas en ciencias del
análisis y de datos. algunas de ellas son absolutamente trans-
parentes con sus perfiles estudiantiles y datos de empleo. por
ejemplo, en la promoción 2017 del programa de maestría en
ciencias del análisis (msa, por sus siglas en inglés) en la
universidad estatal de carolina del norte, 107 estudiantes
obtuvieron puestos al graduarse con un salario base anual de
us$ 91,000 más un bono medio a la firma del contrato de
usd $7,500. La edad promedio de la clase era de 25 años.
un consenso entre la encuesta de Kaggle y el informe de
empleo de la msa de la universidad estatal de carolina del
norte es obvio: ¡los científicos de datos están consiguiendo
sueldos altos! Los salarios también reflejan la relación entre
la oferta y la demanda en mercado laboral actual. Hay una
demanda muy alta de científicos de datos. dada la brecha de
mayo/junio 2018
 Si bien parece que nuestra industria está sobreviviendo a la
crisis en la mano de obra a través de esta ola de esfuerzos de
modernización de la red, solo estamos entrando en otra batalla.

talento identificada en la encuesta ejecutiva de “big data”
2012, no debería ser ninguna sorpresa que están siendo bien
remunerados en los primeros pasos de sus carreras.
por otra parte, los servicios públicos han estado luchando
con la mano de obra en el sector de la electricidad por más
que una década. según la Qer, la distribución de la edad en
los servicios públicos de electricidad y gas natural en 2014
es bimodal, con el pico más bajo en la franja etaria de 33 a
37 y el pico más alto de 53 a 57. La edad media es en los 40,
mientras que los ingresos anuales promedio del sector de la
electricidad en 2015 fue de usd $106,000. un ingeniero de
potencia en sus 40 ganaría un sueldo similar al de un cien-
tífico de datos norteamericano tipo a los 32 años de edad o
un recién graduado del programa de la msa del estado de
carolina del norte a finales de sus 20.
dado que la mayoría de los científicos de datos en la
actualidad se encuentran en los sectores comerciales que
adoptaron el análisis de forma temprana, ¿cómo pueden
competir los servicios públicos en la adquisición de talen-
tos? al parecer, esos talentos en análisis a nivel mundial
saben que deben ir a silicon valley y Wall street en busca
de empleos bien remunerados. La mayoría de ellos proba-
blemente nunca pensó en trabajar en un servicio público
regulado, conocido comúnmente como monopolio de movi-
miento lento. una estrategia adoptada actualmente por
varios servicios públicos es “cazar” de manera proactiva a
estos científicos de datos. salen y buscan los mejores progra-
mas de postgrado que puedan encontrar en las universidades
para áreas temáticas específicas. en el grupo de doctores
que trabaja en estos programas, ellos determinan a quiénes
desean reclutar, luego se ponen en contacto directamente y
consiguen su atención.
Estado del plan de estudios de ingeniería
de potencia
idealmente, los programas de potencia de la universidad
deberían proporcionarle a los recién graduados habilidades
que cumplan con las necesidades actuales y emergentes de
la industria de potencia. sin embargo, el plan de estudios
de ingeniería de potencia convencional rara vez ha recono-
cido en el pasado que el análisis sea un componente crucial.
esto se refleja en parte en la literatura para la enseñanza de
la ingeniería de potencia. por ejemplo, entre los más de 30
artículos obtenidos por dos de las secciones enfocadas en la
educación de IEEE Transactions sobre Sistemas de Poten-
cia, ninguno de ellos tenía la palabra “análisis” en el título.
Los programas tradicionales de ingeniería de potencia, que
acaban de experimentar tres décadas de disminución en las
inscripciones de estudiantes y en el recuento de docentes, no
tenían recursos para acomodar completamente los análisis
avanzados en el plan de estudios.
Hemos examinado los planes de estudios de ingeniería de
potencia en los estados unidos (Gráfico 3). en el nivel de los
estudiantes, muchos programas de ingeniería eléctrica tienen
los cursos necesarios para un título b.s.e.e. focalizándose en
materias relacionadas con la potencia y la energía durante los
últimos dos años, tales como conversión de la energía, intro-
ducción a sistemas de potencia y energía, y controles. Los

Retransmisión y Protección del Sistema de Potencia; Estabilidad del Sistema

Optativas para Graduados
Troncales para Graduados
Optativas para Estudiantes Análisis de los Sistemas de Potencia; Energía Renovable; Motores Eléctricos;
de Pregrado
Troncales Técnicas para
Estudiantes de Pregrado
de Potencia; Electrónica de Potencia Avanzada; Economía, Mercados y
Regulación del Sistema de Potencia; Sistemas de Gestión de Energía;
Calidad de Potencia; Transitorios del Sistema de Potencia; Planificación y
Confiabilidad de los Sistemas de Potencia; AC/DC de Alta Tensión;
Sistema de Transmisión de AC Flexible
Análisis de los Sistemas de Potencia; Operación y Control del Sistema de
Potencia; Electrónica de Potencia; Comunicación de los Sistemas de
Potencia; Generación de Potencia; Sistemas de Distribución
Inteligente; Unidades de Motor Eléctrico
Electrónica de Potencia; Red Inteligente
Microelectrónica; Sistemas Lineales; Campos Electromagnéticos;
Sistemas de Control; Conversión de Energía

gráfico 3. Cursos habituales de ingeniería de potencia para estudiantes y graduados.

mayo/junio 2018 ieee power & energy magazine 81

 cursos optativos típicos incluyen la energía eléctrica ecoló- la década de 1990. según lo destacado en el artículo “ali-
gica, la maquinaria eléctrica, la electrónica de potencia, aná- mentando nuestra profesión”, “muchos de los mismos pro-
lisis de sistemas de potencia, operación y control de sistemas blemas ocurren en la subárea del control automático. Quizás
de potencia, economía de sistemas de potencia y protección se debería animar a los estudiantes a que sigan una especia-
de sistemas de potencia. aunque la mayoría de estos progra- lización en potencia y una materia secundaria en control (u
mas, si no todos, cuentan con un curso de probabilidad y esta- otra subárea con bajas inscripciones). Ya que los programas
dística en los requisitos del título b.s.e.e., no encontramos que contratan no son demasiado grandes, la maestría dual
ningún curso relacionado con el análisis de datos de energía podría ser ventajosa”.
en los programas de potencia para estudiantes.
en el nivel de postgrado, la mayoría de los programas El análisis de datos en la enseñanza
de ingeniería eléctrica que se centran en sistemas de poten- de potencia y energía
cia enfatizan aspectos de análisis, operaciones y control, Hoy en día, para la mayoría de los estudiantes de ingenie-
ofreciendo cursos avanzados como análisis del sistema de ría en potencia que quieren tener créditos en análisis en sus
potencia, operaciones del sistema de potencia, estabilidad y expedientes académicos, tienen que tomar cursos adicionales
control del sistema de potencia y análisis de fallas y pro- fuera del programa de ingeniería de potencia. algunos de
tección del sistema de potencia. algunos programas tam- estos cursos pueden estar dentro del departamento de inge-
bién ofrecen el planeamiento del sistema de potencia, eco- niería eléctrica, tales como la inteligencia artificial, apren-
nomía del sistema de potencia y mercados de electricidad. dizaje automático, reconocimiento de patrones, gestión de
a menudo se requiere un curso moderno sobre sistemas de bases de datos y algunos cursos de programación informá-
control en estos programas de potencia. La relación cercana tica. el departamento de ciencias informáticas puede ofrecer
actual entre los sistemas de potencia y el control pudo haber cursos similares. para consolidar sus antecedentes analíticos
sido el resultado de la crisis de la mano de obra anterior en normativos, los estudiantes de ingeniería de potencia pue-
den tomar cursos de optimización
y matemáticos relacionados con
la programación de la ingeniería
Temas de Análisis Energético industrial y la investigación de
Predicción de Carga a Largo Plazo Cursos de Ingeniería operaciones. para el análisis pre-
de Potencia dictivo, los estudiantes pueden ir
Predicción de Carga a Corto Plazo Planeamiento del Sistema
de Potencia
fuera de la universidad de inge-
Predicción de Precios de la Electricidad niería para tomar cursos de esta-
Operaciones del Sistema
Predicción de Potencia Solar y Eólica de Potencia dística, como inferencia estadís-
Economía del Sistema de Potencia
Predicción de Interrupciones tica, análisis de regresión, análisis
Análisis de Fallas y Protección
de series de tiempo y estadística
Gestión de Activos
Mercado de Electricidad espacial.
Segmentación de Clientes
Energía Renovable mientras que los estudiantes
Detección de Anomalías de doctorado pueden encontrar
Respuesta a la Demanda este entrenamiento interdiscipli-
nario particularmente útil para su
investigación, sería difícil que los
gráfico 4. Los vínculos entre los temas de análisis energético y los cursos tradicio- estudiantes de licenciaturas y de
nales de ingeniería de potencia. másters sigan el mismo camino.
tomar estos cursos puede llevar
mucho tiempo. agregar de tres a
Proyectos de Análisis Financiados cinco cursos al ya cargado pro-
grama de grado puede significar
la demora en la graduación en uno
Conocimientos o dos semestres. además, los pro-
Procesables Docentes
industria de Programas fesores que imparten estos cursos
de Análisis
la energía Universitarios Energético analíticos fuera de los programas
de ingeniería de potencia pueden
no estar muy expuestos a sus pro-
blemas, por lo que algunos de los
Científicos de Datos de Energía materiales del curso pueden no
tener aplicaciones directas a la
gráfico 5. El ecosistema para producir científicos de datos de energía. ingeniería de potencia.

82 ieee power & energy magazine mayo/junio 2018

 una posible solución es agregar un curso de análisis de
datos de energía a los programas de ingeniería de potencia
existentes. tal curso puede incluir estadística básica y técni-
cas de aprendizaje automático (p. ej., la descomposición sin-
gular del valor, el análisis de regresión, el análisis de series
de tiempo y las redes neuronales artificiales) así como casos
representativos del uso de tales técnicas en las redes inteli-
gentes, en los mercados de electricidad y otros segmentos de
la industria de potencia (p. ej., la detección de anomalías, la
predicción energética y la validación del modelo de sistemas
de potencia). dentro de este curso, los estudiantes pueden
adquirir las habilidades analíticas y el conocimiento comer-
cial y mercantil relacionados con el análisis de los servicios
públicos. además, los estudios de caso en el curso se pueden
ampliar a temas de investigación para que los estudiantes
profundicen algunas subáreas.
el análisis de datos es un campo interdisciplinario.
muchas universidades que actualmente ofrecen programas
de grado en ciencia del análisis y de datos incluyen pla-
nes de estudio interdisciplinarios que reconocen los cursos
de varios departamentos en los requisitos para el título de
grado. mientras tanto, la industria de la potencia tiene dema-
siados problemas analíticos para apretujar en un solo curso.
un enfoque holístico sería ofrecer una serie de cursos sobre
el análisis de datos de energía, que podrían agruparse en un
programa de certificado de posgrado o una materia dentro de
un programa de maestría.
puede que muchos programas de potencia actuales no ten-
gan suficientes aspirantes a titularidad para cubrir los cursos
de análisis de datos de energía. una solución alternativa es
incluir temas analíticos en cursos existentes de ingeniería de
potencia como conferencias y proyectos de curso. el Gráfico
4 muestra un esquema de temas analíticos seleccionados para
algunos de los cursos de ingeniería de potencia existentes.
una desventaja de este enfoque es la carencia de cobertura en
las herramientas analíticas. por ejemplo, en un curso sobre
el mercado de electricidad con la predicción de carga como
un proyecto de curso, el instructor puede no tener suficientes
horas para cubrir el análisis de regresión con suficiente deta-
lle para preparar a los estudiantes para el proyecto.
Viendo hacia delante
a fines del siglo XX, muchos programas de ingeniería de
potencia desaparecían, con una tendencia en declive en los
cargos de la facultad e inscripciones estudiantiles. Le tomó
a una década a la industria de potencia reconstruir y renovar
esos programas, cuando muchos otros sectores comerciales
se embarcaban en el análisis avanzado en la era del “big
data”. con el desarrollo de tecnologías avanzadas de sen-
sores, comunicación e información, se hicieron posibles
técnicas más precisas y detalladas para la operación, admi-
nistración y el monitoreo de sistemas de potencia. en esta
década, se han desplegado numerosas unidades de medición
de fasores y medidores inteligentes para ayudar a los servi-
cios públicos a evaluar mejor los estados del sistema y tam-
mayo/junio 2018
bién operar mejor la red. como resultado, una gran cantidad
de datos se genera a cada segundo en los sistemas de poten-
cia. cómo convertir el “big data” de energía en conocimien-
tos procesables será un desafío para los ingenieros de poten-
cia hoy y mañana. mientras que los servicios públicos tienen
una necesidad crónica de científicos de datos de energía, la
mayoría de los programas de ingeniería de potencia no los
están produciendo. asimismo, es muy difícil que la industria
de la potencia compita con otras industrias expertas en el
análisis al reclutar científicos de datos.
una transformación no sucederá de un día para otro. será
difícil y llevará muchos años establecer un buen número de
científicos de datos de energía. Las universidades y los servi-
cios públicos deben trabajar juntos para hacer que esto suceda
(Gráfico 5). Los servicios públicos alimentan a las universida-
des con proyectos financiados y las universidades utilizan el
financiamiento y los temas de investigación para ayudar a que
los servicios públicos adquieran conocimiento de sus datos
mientras que sus estudiantes se convierten en científicos de
datos de energía. La mayoría de estos científicos de datos
de energía pueden entonces unirse los servicios públicos
después de graduarse, mientras que algunos de ellos pueden
convertirse en educadores para entrenar a futuros estudiantes.
para crear esta nueva “línea de productos” de científicos
de datos de energía, las universidades tienen que enriquecer
sus programas de ingeniería de potencia con contenido rele-
vante para el curso, que generalmente requiere cargos adi-
cionales con posibilidad de titularidad. con el entorno actual
de la educación superior, es poco probable que un departa-
mento académico destine a varios profesores que todavía no
sean titulares. por otra parte, la naturaleza interdisciplinaria
de la ciencia de datos de energía está llamando a profeso-
res de diversos campos, tales como ingeniería, informática,
negocios y estadística. tener varios departamentos que for-
men una red de investigación y patrocinen en conjunto uno
o más cargos abiertos a titularidad sería un enfoque razona-
ble. aunque los nombramientos conjuntos entre la ingeniería
eléctrica y otros departamentos de ingeniería no son poco
frecuentes hoy en día en las universidades, hace falta un gran
espíritu emprendedor para romper los silos entre universida-
des en términos de reclutamiento docente.
dos justificaciones importantes para una posición
docente abierta a titularidad son la demanda del mercado
laboral y proyectos de investigación financiados. Las empre-
sas de potencia pueden ayudar desde ambos aspectos. aun-
que la fuerte demanda de científicos de datos de potencia en
el mercado laboral puede hablar por sí misma, no es insig-
nificante que las compañías de potencia financien proyectos
de investigación académicos. existe una brecha natural entre
los objetivos de la investigación científica de las universi-
dades y las necesidades analíticas de la industria. Los ser-
vicios públicos están intentando solucionar problemas de la
vida real aplicando técnicas analíticas que son bien conoci-
das de una nueva manera. muchos programas de doctorado,
sin embargo, se están centrando en crear algo que nunca ha
ieee power & energy magazine 83
 existido en lugar de buscar soluciones innovadoras a los pro-
blemas existentes. si el resultado de la investigación puede
ser una solución válida a los problemas del mundo real que le
interesan a los servicios públicos, existen muchas oportuni-
dades para que financien la investigación académica.
La accesibilidad a los datos es una barrera común en la
investigación analítica de la energía. algunos temas deben
resolverse antes de que los servicios públicos puedan compar-
tir datos con las universidades, como problemas de seguridad
de los datos de información esencial de la infraestructura ener-
gética, problemas de privacidad de los medidores inteligentes y
datos de la información de clientes, así como las incertidumbres
de entregar información potencialmente competitiva sobre la
empresa. aunque un archivo de datos disponible públicamente
se necesita con urgencia, muchos de estos problemas no pue-
den ser resueltos por una sola entidad, como una universidad o
una empresa de potencia. de nuevo, será muy difícil.
La agencia de energía de proyectos de investigación
avanzada (arpa-e, por sus siglas en inglés), una de las
agencias de financiación del departamento de energía de los
estados unidos, estaba explorando la viabilidad de lanzar
una competencia de optimización de la red a gran escala.
después de varios talleres anteriores a la competencia en
2014 y 2015, se hizo evidente para los expertos que asistie-
ron y para los funcionarios del programa de arpa-e que
los datos son cruciales para el éxito de la competencia de la
optimización de la red, así como el adelanto en la investi-
gación de los sistemas de potencia en general. para tratar el
problema de los datos, el arpa-e lanzó su programa Grid
data (Generate realistic information for the development
of distribution and transmission algorithms, en inglés), que
significa generar información realista para el desarrollo de
algoritmos de distribución y transmisión. el programa finan-
ció a siete equipos de universidades, laboratorios nacionales,
servicios públicos y proveedores en todo estados unidos
para abordar diversos aspectos de modelos de sistemas de
potencia y archivos de datos.
Históricamente, el instituto de investigación de potencia
eléctrica y la Fundación nacional de ciencias (nsF, por sus
siglas en inglés) han proporcionado una ayuda invaluable
para la educación universitaria y la investigación de la inge-
niería de potencia. sin embargo, el análisis de datos de ener-
gía aún no ha sido una fuerte orientación en los programas
financiados. con las industrias de potencia y energía como
grandes partes interesadas en el análisis de datos, es lógico
que los programas de asociación público – privada como
el centro de investigación cooperativa de la universidad
industrial de la nsF sean vistos como un mecanismo poten-
cial para impulsar el cambio en los planes de estudio univer-
sitarios con la finalidad de satisfacer la necesidad emergente
de la industria de científicos de datos de energía.
después de un esfuerzo de una década por la moderni-
zación de la red, la industria de la potencia ahora se está
sentando en una mina de oro de datos. ahora tenemos la
oportunidad de indagar en los datos, obtener conocimientos
84 ieee power & energy magazine
valiosos y tomar las decisiones necesarias para ejecutar
el sistema más complejo hecho por el hombre en la tierra.
¡comencemos capacitando la siguiente generación de cientí-
ficos de datos de potencia!
Lecturas complementarias
b. H. chowdhury, “power engineering education at the cros-
sroads” (La educación de la ingeniería de potencia en una
encrucijada), IEEE Spectr., vol. 37, n.º 10, pág. 64–68, oct.
2000.
G. t. Heydt y v. vittal, “Feeding our profession” (ali-
mentando nuestra profesión), IEEE Power Energy Mag., vol.
1, n.º 1, pág. 38-45, ene.-feb. 2003.
p. W. sauer, G. t. Heydt, y v. vittal, “Guest editorial
special section on power engineering education” (editorial
invitada, sección especial sobre la enseñanza de la ingeniería
de potencia), IEEE Trans. Power Syst., vol. 19, n.º 1, pág. 4,
feb. 2004.
departamento de energía de ee. uu., “Workforce trend
in the electric utility industry: a report to the united states
congress pursuant to section 1101 of the energy policy act
of 2005” (tendencia de la mano de obra en la industria de
los servicios públicos energéticos: informe para el congreso
de los estados unidos según el artículo 1101 de la Ley de
política energética de 2005), agosto 2006.
a. pahwa, K. L. butler-purry, y H. Zareipour, “Foreword
for the special section on power and energy education” (pró-
logo para la sección especial sobre la enseñanza de poten-
cia y energía), IEEE Trans. Power Syst., vol. 29, n.º 4, pág.
1871–1873, julio 2014.
Grupo de trabajo para la revisión cuatrienal del sec-
tor energético, “transforming the nation’s electricity sec-
tor: the second installment of the Qer” (transformando al
sector de la electricidad nacional: la segunda entrega de la
Qer), ene. 2017.
t. H. davenport y d. J. patil, “data scientist: the sexiest
job of the 21st century” (científicos de datos: el trabajo más
atractivo del siglo XXi), Harvard Bus. Rev., pág. 70–76, oct.
2012.
Kaggle (2017). Kaggle mL y encuesta sobre la ciencia
de datos. [en línea]. disponible en: https://www.kaggle.com/
surveys/2017
F. van den driest, s. sthanunathan y K. Weed, “building
an insights engine” (construyendo un motor de conocimien-
to), Harvard Bus. Rev., pág. 1600–1610, sept. 2016.
t. Hong, p. pinson, y s. Fan, “Global energy forecasting
competition 2012” (competencia global sobre la predicción
energética 2012), Int. J. Forecasting, vol. 30, n.º 2, pág. 357–
363, abril–junio 2014.
t. Hong, p. pinson, s. Fan, H. Zareipour, a. troccoli, y
r. J. Hyndman, “probabilistic energy forecasting: Global
energy Forecasting competition 2014 and beyond” (predic-
ción energética probabilística: competencia Global sobre la
predicción energética 2014 y más allá), Int. J. Forecasting,
vol. 32, n.º 3, pág. 896–913, jul–sept. 2016.
mayo/junio 2018
 instituto sas, “utility analytics in 2017: aligning data
and analytics with business strategy” (análisis de los servi-
cios públicos en 2017: alineando los datos y el análisis con la
estrategia comercial), cary, north carolina, 2017.
newvantage partners, “big data executive survey 2012”
(encuesta ejecutiva de “big data” 2012), dic. 2012.
Biografías
Tao Hong pertenece a la universidad de carolina del norte
en charlotte.
David Wenzhong Gao pertenece a la universidad de
denver, colorado.
Tom Laing pertenece a la asociación de cooperativas
eléctricas de carolina del norte, raleigh.
Dale Kruchten pertenece a la red nacional en Hicksvi-
lle, nueva York.
Jorge Calzada pertenece a la red nacional en Waltham,
massachusetts.
p&e

mayo/junio 2018 ieee power & energy magazine 85

 Energía eólica
y solar integrada y
almacenamiento
de energía
Por Sundar Venkataraman,
Chris Ziesler, Peter Johnson
y Stephanie Van Kempen

C
Colocar generación eólica y solar con
almacenamiento de energía por baterías es un concepto que
está llamando mucho la atención últimamente. Una planta
de energía eólica y solar integrada con almacenamiento de
energía (IWSES, por sus siglas en inglés) tiene un perfil
de generación mucho mejor que las plantas eólicas o sola-
res independientes. Genera un mejor uso del sistema de
evacuación de transmisión, que, a su vez, ofrece un costo
menor de la planta en general comparado con las plantas
eólicas y solares independientes con la misma capacidad
de generación. Las plantas de IWSES son especialmente
Identificador de Objeto Digital 10.1109/MPE.2018.2793478
Fecha de publicación: 18 de abril de 2018
adecuadas para regiones que han establecido objetivos ele-
vados para la generación eólica y solar, pero han limitado
el terreno disponible para el desarrollo de proyectos.
El concepto de una planta de IWSES
Las plantas eólicas y solares separadas conectadas al mismo
punto de interconexión no constituyen una planta eólica y
solar integrada. En una planta de IWSES, las turbinas eóli-
cas, los paneles solares fotovoltaicos (FV) y un sistema
de almacenamiento de energía por baterías (BESS, por
sus siglas en inglés) se integran en una sola planta usando
controles de tecnología de punta. Cabe señalar que la integración
de plantas eólicas y solares FV, así como de un BESS, se

86 ieee power & energy magazine 1540-7977/18©2018IEEE mayo/junio 2018


puede realizar a nivel de turbina eólica/panel FV o a nivel
de granja. En la integración a nivel de granja, los equipos de
equilibro de la planta (BOP, por sus siglas en inglés) tales
como transformadores y conmutadores, así como el sistema
previo de evacuación de transmisión, son compartidos por
las turbinas eólicas, los paneles solares y el BESS. En la
integración a nivel de turbinas, cada convertidor podría ser
potencialmente compartido por una turbina eólica, un panel
solar y un BESS.
Beneficios de una planta de IWSES
Una planta de IWSES podría ofrecer varias ventajas en com-
paración con plantas eólicas o solares independientes de la
mayo/junio 2018 ieee power & energy magazine 87
Diseño de
plantas con un
mejor perfil de
generación y
menor costo
general
©iStockphoto.com/Bigmouse108
misma capacidad, algunas de las cuales ya pueden ofrecer
beneficios económicos, mientras que otras no. Si hemos
de entender el valor económico de dichas plantas, enton-
ces estos beneficios se deben cuantificar. En primer lugar,
presentamos los beneficios de integrar la generación eólica
y solar; luego anali zamos los beneficios acumulados de la
adición del almacenamiento de energía.
Beneficios de integrar la generación eólica y
solar
Los beneficios clave de una planta eólica-solar integrada en
relación con las plantas eólicas y solares independientes con
la misma capacidad acumulativa son los siguientes:
 ✔ Disminución en los costos de desarrollo de proyectos:
Para los proyectos eólicos y solares, se requieren estu-
dios de desarrollo de proyectos para determinar su via-
bilidad, el impacto socioeconómico y los impactos en
el mercado, el ambiente y la red misma. los proyectos
eólicos y solares también necesitan el cumplimiento
de requisitos legales y regulatorios, tales como permi-
sos de seguridad y licencias, acuerdos de alquiler de
terreno, evaluaciones de impacto ambiental, permisos
de construcción, acuerdos de interconexión de red y
acuerdos de compra de energía. se puede lograr una
reducción en los costos de desarrollo de proyectos a
través de métodos eficientes en estudios de proyectos
y solicitudes a los organismos legales debido a que son
lo mismo para ambos tipos de generación.
✔ Mejor uso del terreno disponible: Colocar plantas de
energía eólica y solar conserva el espacio y aumenta
la densidad energética (es decir, la cantidad de energía
producida por hectárea de terreno). en muchas plan-
tas eólicas, el terreno entre las turbinas suele quedar
sin utilizar. Para hacer un mejor uso del espacio, se
pueden colocar plantas eólicas y solares, siempre que
las condiciones para la generación de energía eólica
y solar sean favorables en la misma ubicación. Como
alternativa, si se pueden ubicar las plantas eólicas y
solares adyacentes, pueden compartir la misma in-
fraestructura de evacuación de transmisión.
✔ Perfil de generación complementario: otro beneficio
de integrar la generación eólica y solar se deriva de la
naturaleza complementaria de los patrones diurnos y
estacionales de su generación.
600
Eólica
Solar
400 Híbrida
MW
MW
200
0 0
0 5 10 15 20
(a)
800
600
MW
MW
400
200
0 0
0 5 10 15 20
(c)
gráfico 1. La generación promedio por hora de una planta eólica-solar de 500 MW cada una, de capacidad eólica y
solar. (a) enero, (b) abril, (c) julio, y (d) octubre.
88 ieee power & energy magazine
• Diurnos: el gráfico 1 muestra el promedio de genera-
ción por hora durante los meses seleccionados de una
planta eólica-solar de unos 500 MW de capacidad por
cada tipo de generación eólica y solar. Como señala
claramente el gráfico, en general, la generación eóli-
ca baja durante el día y aumenta en la noche. Por otra
parte, la generación solar sigue el sol y es más alta
durante el día. la combinación de la energía eólica
y solar reduce la diferencia entre los niveles de ge-
neración durante los periodos diurnos y nocturnos.
• Estacionales: el gráfico 1 también muestra cómo
la generación eólica en este sitio es más alta durante
los meses del monzón (junio–septiembre); es tam-
bién el período durante el cual la generación solar se
encuentra en su punto más bajo debido a que hay más
incidencia de días nublados.
✔ Potencial ahorro en los costos de evacuación de
transmisión: Una planta eólica-solar integrada tam-
bién tiene el potencial de ahorro en los costos de
actualización de la evacuación y transmisión. nor-
malmente, en una planta eólica o solar, el sistema
colector está diseñado para transportar la máxima
salida de la planta. Por ejemplo, las plantas eólicas o
solares independientes de 100 MW tendrían cada una
100 MW de capacidad de evacuación. sin embargo,
una planta integrada puede hacerlo con una capaci-
dad de evacuación menor a 200 MW debido a que
la generación éolica y solar no alcanzarán su punto
máximo al mismo tiempo. el gráfico  2 muestra un
rango de generación acumulada por hora durante
los meses seleccionados para una planta eólica-solar
600
400
200
0 5 10 15 20
(b)
500
400
300
200
100
0 5 10 15 20
(d)
mayo/junio 2018
 de 1,000 MW. en este punto, la línea azul indica la
generación acumulada promedio por hora. además,
las líneas roja y verde en el gráfico 2 indican los lí-
mites dentro de los cuales la generación acumulada
para cada hora ocurriría el 95% del tiempo. Por lo
tanto, es posible diseñar el sistema de evacuación con
una clasificación menor a la suma de las capacidades
máximas de las plantas eólicas y solares. en el caso
excepcional de que la generación acumulada supere
la clasificación del sistema de evacuación, la salida de
la planta éolica o solar podría restringirse para evi-
tar que el flujo de potencia supere el límite de trans-
misión. asimismo, integrar plantas eólicas y solares
puede reducir la necesidad de actualizar el sistema de
transmisión.
✔ Distribución de gastos de operación y mantenimiento
(O&M, por sus siglas en inglés): otro beneficio
clave de una planta de iWses es la reducción en
los gastos de o&M. se requiere menos personal de
mantenimiento para mantener una planta eólica-
solar integrada en comparación con el personal necesa-
rio para mantener las plantas eólicas y solares ubicadas
por separado. las capacidades necesarias para
mantener las plantas eólicas y solares son simila-
res; en particular, las capacidades requeridas para
mantener los equipos de conversión de energía y el
patio de maniobras. Desde el punto de vista operativo,
se podría ahorrar compartiendo la sala de control,
la infraestructura de comunicación y el personal
necesario para el funcionamiento de la planta.
800
Híbrida prom.
600 +1.5 Sigma
–1.5 Sigma
MW
400
200
0 0
0 5 10 15 20
(a)
800
600
MW
400
200
0 5 10 15 20
(c)
gráfico 2. El rango de generación por hora de una planta eólica-solar de 500 MW cada una, de capacidad eólica y solar.
(a) enero, (b) abril, (c) julio, y (d) octubre.
mayo/junio 2018
Beneficios de integrar un BESS
Un Bess conectado a un sistema de potencia de gran escala
puede proporcionar varios servicios a nivel de generación y
transmisión, como el arbitraje de energía, la regulación de
reservas, la gestión de congestión de la transmisión y el apla-
zamiento de los activos de transmisión. Con la agregación
y los cambios regulatorios adecuados, un Bess ubicado en
el sitio de un cliente puede prestar servicios adicionales a
nivel del cliente, así como servicios preliminares tales como
servicios del sistema de potencia de gran escala y a nivel de
distribución. sin embargo, un Bess integrado en una planta
eólica-solar también puede proporcionar servicios a nivel de
planta dispuestos por códigos de red o regulaciones o incenti-
vados a través de los mercados. la acumulación de servicios
a nivel de planta y de sistema puede ayudar a obtener más
valor del almacenamiento de energía. Un Bess integrado en
una planta eólica-solar puede proporcionar muchos de los
mismos servicios a nivel de sistema que aquellos proporcio-
nados por un Bess independiente, como los siguientes:
✔ Desplazamiento de energía: el almacenamiento de
energía se suele usar para el arbitraje de energía o el
desplazamiento de carga. en los estados Unidos, se
instalaron plantas hidroeléctricas de almacenamien-
to por bombeo principalmente para integrar plantas
de energía nuclear de carga base, que se cargan de
noche cuando los precios de la energía son bajos y ge-
neran energía durante el día cuando los precios son
altos. se ha usado el almacenamiento de energía por
baterías para proporcionar energía durante las horas
punta de carga en varios escenarios especializados.
600
400
MW
200
0 5 10 15 20
(b)
800
600
MW
400
200
0
0 5 10 15 20
(d)
ieee power & energy magazine 89
 Las plantas de IWSES son especialmente adecuadas para regiones que
han establecido objetivos elevados para generación eólica y solar, pero
han limitado el terreno disponible para el desarrollo de proyectos.
será posible usar el almacenamiento de energía por
baterías en la medida en que los costos disminuyan
en el futuro.
✔ Servicios auxiliares: la regulación de la frecuencia
(es decir, el ajuste rápido en la generación o la carga
para equilibrar el sistema en el marco de tiempo de
segundos a minutos) es una de las pocas aplicaciones
que puede ofrecer la recuperación total de los costos
para un proyecto comercial de almacenamiento por
baterías. sin embargo, los servicios auxiliares, como
la regulación, no se adquieren explícitamente ni se
compensan en todos los sistemas. los Bess han en-
contrado recientemente un segmento en el equilibrio
de los servicios auxiliares como la respuesta de fre-
cuencia rápida. También se puede usar un Bess para
proporcionar capacidad de arranque en negro al siste-
ma y soporte de tensión al sistema de potencia de gran
escala, además de servicios auxiliares de equilibrio,
como se analizó anteriormente.
✔ Gestión de la congestión de la transmisión y distribu-
ción, y aplazamiento de la actualización: Dependien-
do de su ubicación, un Bess puede mitigar la conges-
tión de la transmisión satisfaciendo la demanda en el
área limitada por la transmisión. el Bess se puede
usar para aplazar la necesidad de actualizar el
sistema de transmisión o distribución mediante el
desplazamiento temporal de la energía almacenada,
desde períodos de baja a máxima demanda.
Un Bess integrado en una planta eólica-solar puede pro-
porcionar servicios adicionales a nivel de planta. estos servi-
cios a nivel de planta podrían ayudar a que la planta cumpla
con los códigos de red o los requisitos operativos. aunque
estos servicios pueden ser provistos por un Bess que no está
integrado en la planta, es posible que se requiera más control
y coordinación para lograr los mismos resultados.
✔ Cumplimiento con los estándares técnicos: los códi-
gos de red en varios países requieren que las plantas
eólicas y solares limiten su índice de aumento y, en
algunos casos, también proporcionen respuesta de fre-
cuencia primaria. Podría ser económico para un Bess
integrado proporcionar estos servicios en lugar de res-
tringir la generación de las plantas eólicas y solares
con este propósito.
✔ Cumplimiento con los requisitos operativos: además
de facilitar el cumplimiento de las plantas eólicas y
solares con los estándares técnicos, un Bess también
90 ieee power & energy magazine
puede ayudar a una planta a cumplir con los requisitos
operativos, por ejemplo, en la estabilización (reducir
las desviaciones pronosticadas) de la generación eólica y
solar. en algunos países, las plantas eólicas son pena-
lizadas si la generación se desvía de la predicción en
más de cierto porcentaje. Dado que reduce los errores
de predicción, un Bess se puede usar para reducir las
sanciones impuestas a las plantas eólicas.
Diseño de planta de generación IWSES
recientemente, se realizó un estudio de viabilidad tecnoe-
conómica de las plantas de iWses para dos sitios en india
(ananthpur, en andhra Pradesh; y Kutch, en gujarat). este
estudio se realizó para infrastructure leasing & Financial
services energy Development Company limited, un desa-
rrollador y financista de proyectos renovables en india bajo
una concesión de asistencia técnica de la agencia de los ee.
UU. para el Comercio y el Desarrollo. los resultados de este
estudio fueron los siguientes:
✔ desarrollar el diseño técnico de la planta de iWses,
incluido el plan de evacuación de transmisión
✔ desarrollar casos de uso para el almacenamiento de
energía integrado adecuado para el sistema indio.
✔ dimensionar el almacenamiento energético para pro-
porcionar múltiples servicios a nivel de planta y sis-
tema
✔ realizar análisis de rentabilidad de las plantas de iW-
ses bajo regulaciones existentes y propuestas
✔ preparar directrices de análisis de alto nivel sobre el
impacto ambiental y social
✔ exponer el plan de financiamiento para los proyectos
que usan financiamiento para los déficits de viabili-
dad y otros incentivos para apoyar los proyectos de in-
fraestructura que se justifican económicamente pero
que son insuficientes para la viabilidad financiera
✔ recomendar cambios a las regulaciones y las políticas
necesarios para integrar el almacenamiento de ener-
gía en india
✔ llevar a cabo una misión comercial reversa para
las autoridades reguladoras y los responsables de
formular políticas en india para aprender sobre el
negocio del almacenamiento de energía en los
estados Unidos.
las pasos relacionados con el diseño técnico del iWses
se resumen en las siguientes secciones y también se dan
ejemplos de los dos sitios de construcción.
mayo/junio 2018
 Para hacer un mejor uso del espacio, se pueden colocar plantas
eólicas y solares, siempre que las condiciones para la generación
de energía eólica y solar sean favorables en la misma ubicación.
Evaluación de recursos y ubicación
de turbinas eólicas
Para evaluar con precisión el recurso eólico en un sitio de
construcción, es importante obtener las mediciones locales
de la velocidad del viento y otros parámetros meteorológicos
pertinentes. la cantidad ideal de las ubicaciones de medición
es específica del sitio. Para los dos sitios de construcción, se
comprobó la calidad de los datos de monitoreo, se ajustaron
a las características a largo plazo y se cortaron hasta la altura
del cubo de las turbinas. la distribución de la frecuencia del
viento en el sitio se determinó combinando estos datos con
un archivo de recursos eólicos de la red. esta información
se usó para la ubicación de las turbinas y la estimación de la
producción de energía.
se empleó un enfoque basado en los sistemas de infor-
mación geográfica (sig) para identificar el área edificable
adecuada para ubicar las turbinas del proyecto, según el
uso del suelo y otras limitaciones. se aplicaron reducciones
compensatorias a varias categorías de uso del suelo para
definir las áreas de exclusión. Dependiendo de las caracte-
rísticas dentro y en torno al proyecto, las categorías compen-
sadas incluyeron los límites de propiedades, las residencias,
los caminos, las líneas de transmisión, los humedales, los
arroyos, los terrenos protegidos, las laderas altas, o carac-
terísticas que pudieran afectar la ubicación de las turbinas.
las turbinas eólicas se ubicaron de forma óptima en el
área edificable para maximizar la energía y minimizar las
pérdidas de energía por efecto estela después de considerar
el espacio necesario entre las turbinas. se logró la optimiza-
ción usando la herramienta comercial de diseño de parques
eólicos openwind. al finalizar la optimización, se reubica-
ron algunas turbinas para mejorar la construcción e interco-
nexión del proyecto.
en el caso de un iWses, hubo algunas consideraciones
adicionales en relación a la ubicación de las turbinas para
optimizar la ubicación del panel solar. esto se analiza en la
sección “Consideraciones de diseño para una planta eólica-
solar integrada”.
Evaluación de recursos y ubicación de paneles
solares
se requiere una medición de buena calidad de los datos de
irradiancia para realizar una evaluación de recursos solares.
si no están disponibles mediciones útiles, es una práctica
común de la industria usar conjuntos de datos de alta cali-
dad modelados por satélite. Para los dos sitios de construc-
mayo/junio 2018
ción, se usaron datos modelados por satélite para lograr la
menor imprecisión de los recursos. se usó el período a largo
plazo de registro de la base de datos solargis para estimar
el recurso a largo plazo y crear un año meteorológico típico
(TMy, por sus siglas en inglés). el TMy representa un
recurso de largo plazo de temperatura y velocidad de viento
en el sitio en una base horaria, durante un año típico. por
hora en el sitio durante un año típico.
según el área terrestre disponible, los obstáculos, las
condiciones del sitio y las prácticas estándar de la industria,
se desarrollaron configuraciones óptimas para dos tecnolo-
gías solares FV: cristalina y de capa fina. se consideró una
serie de parámetros en el diseño, tales como el ángulo de
inclinación, el acimut, la longitud del colector, el terreno y
la proporción CD a Ca. el principal objetivo de la optimización
fue maximizar el factor de capacidad y minimizar las pérdi-
das por sombreado, logrando aun así y al mismo tiempo un
diseño rentable que cumpliera con los objetivos de capacidad
establecidos para los sitios.
el primer paso en el diseño del sistema fue optimizar
el ángulo de inclinación a la latitud del sitio. se midió la
longitud del colector según las dimensiones modulares y los
enfoques de montaje estándar de la industria. se estableció
el acimut de los paneles para optimizar la producción de
energía. se llevó a cabo un análisis de terreno/sombreado
para determinar el diseño óptimo de las configuraciones FV
antes de la simulación de energía. se usó el resultado de este
análisis para establecer un terreno de pérdida por sombreado
como función del terreno (el espacio entre filas). el análisis
de terreno/sombreado generó proporciones de suelo-cubierta
dependientes de la latitud.
a continuación, se establecieron los paneles solares para
optimizar el uso del suelo, minimizar la intrusión en las zonas
de exclusión y minimizar la potencial pérdida por sombreado
provocada por la proximidad a las turbinas. se apartaron los
paneles solares de las zonas y los límites de exclusión con
una zona de separación de 10 metros (33 pies). las zonas de
separación establecen distancias de las áreas sensibles y pro-
porcionan un medio de acceso a los equipos solares. se defi-
nieron caminos de 10 metros de ancho a través y alrededor de
las plantas solares para proporcionar acceso.
se usó una proporción de CC a Ca de 1.3 para las configu-
raciones. esta proporción de CC a Ca representa un estándar
de la industria que es óptimo en valor para que los actuales
costos de los equipos aumenten la producción de energía y
minimicen el costo de la energía. el panel de gran tamaño de
ieee power & energy magazine 91
 infinito de turbinas éolicas se representa como una región de
tabla 1. Capacidad eólica y solar
rugosidad superficial alta y uniforme. la rugosidad impone
por fase del proyecto.
resistencia en la atmósfera, provocando tanto un cambio pos-
Capacidad terior en la estructura de la capa límite como una reducción
Capacidad Capacidad eólica-solar en la velocidad del viento de la corriente libre a la altura del
eólica solar FV FV total
(MW) (MW) (MW) cubo de la turbina. Una vez que se define la rugosidad equi-
valente, es posible calcular la velocidad del viento a la altura
Fase 1-a Ananthapur 16 25 41
del cubo en el interior del arreglo, donde la capa límite ha
Fase 1-b Ananthapur 71 68 139 alcanzado el equilibrio con la rugosidad del arreglo.
Fase 2 Ananthapur 99 91 190 en los sitios de construcción, el efecto fue comparable
con el de la vegetación local. el modelo de campo de flujo-
Kutch 18.4 21 39.4
de viento consideró la rugosidad local, suponiendo que los
Fase 3 Ananthapur 345 325 670 paneles serían muy parecidos a la rugosidad de la vegetación
Kutch 29.9 41 70.9 local para dar cuenta de este efecto. la diferencia compara-
tiva entre la altura del cubo de las turbinas eólicas y los pane-
Total Ananthapur 531 509 1,040 les FV generalmente produce un leve efecto de rugosidad
Kutch 48.3 62 110.3 en las turbinas eólicas por parte de los paneles. los paneles
solares pueden tener un impacto significativo en la rugosidad
local si es probable que se elimine el follaje más extenso
CC minimiza las pérdidas antes del inversor, lo que permite (por ejemplo, los árboles altos) para hacer espacio para los
una mayor producción energética a una irradiancia baja y paneles solares o si se espera cubrir con paneles solares un
aumenta el factor de capacidad de ca. la fase inicial llevó el área importante con el viento en contra de las turbinas en
diseño al punto en que la interacción mutua de los equipos la dirección principal del viento. sin embargo, este tipo de
eólicos y solares requirieron más consideración. escenario extremo no aplicó para este proyecto.

Consideraciones de diseño para una planta
eólica-solar integrada
al diseñar una planta integrada, es importante asegurar que
se capture y se considere la interacción entre las plantas
eólicas y solares. existen dos tipos principales de interac-
ciones que deben modelarse: 1) el efecto de las turbinas en
los paneles FV y 2) el efecto de los paneles FV en el campo
de flujo-de viento.
El efecto de los paneles FV en la ubicación de las
turbinas eólicas
en ambos lugares de construcción, se llevó a cabo la ubica-
ción de las turbinas, en primer lugar, debido a que el recurso
eólico era más variable en el sitio que el recurso solar; por
lo tanto, la configuración óptima de las turbinas eólicas es
más sensible a su ubicación que la del panel solar. la presen-
cia de los paneles FV puede impactar en la rugosidad de la
superficie y afectar el flujo del viento a través del panel de
las turbinas. Un conjunto de paneles solares puede ser simi-
lar a otras características topográficas o de ubicación (árbo-
les, construcciones, etc.) en que este altera la rugosidad de la
superficie y afecta el flujo del viento a través de los paneles.
Una mayor rugosidad de la superficie cambia el perfil de la
capa atmosférica límite dado que fluye por el panel, aumen-
tando el efecto de corte.
el enfoque para el modelado de rugosidad, los efectos
estela de las turbinas y el impacto en el flujo del viento se
basa en una teoría que sostiene sten Frandsen (véase “lectu-
ras complementarias”) que define la rugosidad equivalente
en los parques eólicos. Frandsen estipula que un conjunto
El efecto de las turbinas eólicas en la ubicación de
planta FV.
la forma más obvia de que los paneles solares puedan verse
afectados por la ubicación de las turbinas eólicas proviene de
la sombra que pueden proyectar. este efecto de sombreado
depende del momento del día y de la orientación de las tur-
binas con respecto a los paneles. se adaptó un análisis de
parpadeo de sombras para evaluar el nivel de impacto del
sombreado en ubicaciones receptoras de los paneles sola-
res. Usando esta metodología personalizada, se calculó la
fracción de sombreado en cada receptor por cada hora. el
tiempo afectado equivalente de los paneles se calculó como
una función de la distancia entre las turbinas y los paneles, la
dirección del viento que afecta la orientación de la turbina, y
el cenit y ángulo de acimut locales del sol.
se calculó el tiempo afectado equivalente de los paneles
para dar una estimación de pérdida por sombreado de las
turbinas. se usaron datos de recursos solares específicos del
sitio para estimar la pérdida de energía solar. la pérdida de
energía por sombreado de las turbinas también es responsa-
ble de la luz difusa que sigue presente durante el sombreado
en cualquier momento del día, incluso aunque el componente
directo sea bloqueado por la turbina. esto significa que el
sombreado de las turbinas no genera una pérdida total, sino
solo una reducción de la potencia durante las horas en que
los paneles se ven afectados. Debido al efecto eléctrico de
los módulos en serie y el gran alcance de la sombra de una
sola aspa de una turbina eólica, el análisis consideró que un
reflector sombreado correspondía a la presencia de irradian-
cia difusa solo en la parte del panel por la fracción de una

92 ieee power & energy magazine mayo/junio 2018

hora representada por el modelo. el análisis consideró ade- luego, estas fueron agrupadas en aplicaciones primarias y
más que la reducción en la irradiación incidental sobre el secundarias. las aplicaciones primarias son aquellas por las
panel solar fue proporcional a la pérdida de energía esperada que existe una necesidad inmediata de almacenamiento o un
para el sombreado de las turbinas. mecanismo de pago. las aplicaciones secundarias son aque-
luego se usó modelado de energía para calcular el impacto llas por las que un Bess agregará valor al sistema pero este
del sombreado de las turbinas en la producción solar. en parte valor solo se puede obtener por cambios en las regulaciones
debido a que el efecto de las sombras fue más pronunciado en existentes.
momentos de producción solar relativamente baja, se descu-
brió que el efecto de sombreado de las turbinas era menor Aplicaciones primarias
al 1% de la producción anual. la irradiación difusa seguía ✔ Gestión de cargos de penalización bajo el mecanis-
presente incluso durante momentos de sombreado intenso. mo de solución de diferencias (DSM, por sus siglas
en inglés): la primera aplicación primaria del almace-
Configuración eólica y solar óptima namiento de energía aborda la reducción de la sanción
es posible llegar a una configuración óptima tanto para los monetaria en el DsM. en india, cada estado tiene un
diseños de turbinas como de paneles solares solo después de centro estatal de distribución de carga (slDC, por sus
que 1) se hayan definido y cumplido todas las restricciones siglas en inglés) para que, al planificar el funciona-
del sitio, 2) se hayan incorporado las interacciones mutuas miento de la generación interna, se cumpla con la carga
de las turbinas y los paneles dependientes del tiempo en los predicha. los slDC también coordinan la programa-
cálculos de energía, y 3) se hayan capturado y modelado con ción de los generadores interestatales (generadores de-
precisión los recursos eólico y solar. la capacidad eólica y signados para que cumplan con la carga de más de un
solar de cada fase del proyecto se basó en la evaluación de los estado) con la ayuda del centro regional de distribución
recursos. se realizó un análisis adicional de costos nivelados de carga. Cualquier desviación de los programas inte-
para determinar la configuración del
inversor, así como la elaboración y
el modelado de los paneles FV y las
Ejemplo de fase 1-a: Reducción de carga del DSM
turbinas eólicas que se emplearán
Frecuencia (Hz)

para cada fase. la Tabla 1 muestra Alta Datos del estado de AP del 24 de enero de 2015
Tarifa cero
la capacidad eólica y solar por fase Frecuencia
50 Hz
del proyecto.
Baja Tarifas altas
Diseño del BESS

Potencia de desviación (MW)

Descarga de Sanciones
Desarrollo de casos de uso de almacenamiento adicionales
almacenamiento de energía Potencia de desviación Exceso
el primer paso en el proceso de
diseño del Bess fue identificar los 0 MW
Recarga de
usos del almacenamiento de ener- almacenamiento Déficit
gía. según un estudio de las nece- Ingresos
0 6 12 18 24
sidades del sistema, así como de los Medianoche Mediodía Medianoche
ingresos esperados a corto y largo Momento del día (horas)
plazo, se identificaron siete apli-
caciones que resultan ser valiosas. gráfico 3. La gestión de carga del DSM usando un BESS.

Perfil de Controles específicos Perfil de Regulaciones locales Ingresos

Salida de potencia (MW)

generación local de la aplicación generación modificado y tarificación en el mercado Ajustados

0.9
Potencia (MW)

0.8 100
0.7
Valor (US$)

0.6
0.5 50
0.4
0.3
US$
0.2 0
0.1
0
–0.1 –50
0 500 1,000 1,500 0 500 1,000 1,500
Tiempo (minutos) Tiempo (minutos) Distintas ISO

gráfico 4. La primera fase de la metodología de análisis de valor del almacenamiento de energía: aplicaciones e ingresos.

mayo/junio 2018 ieee power & energy magazine 93

 Una planta eólica-solar integrada también tiene el potencial
de ahorro en los costos de actualización de la evacuación y
transmisión.

restatales con un día de anticipación se determina cada tiene una meta alta (8,100 MW de potencia eólica y 4,081
15 minutos, y las sanciones e incentivos asociados con MW de potencia solar) de energía renovable. Durante las
estas desviaciones se determinan según la condición horas de baja demanda (8:00 a.m.–2:00 p.m.), el Bess
del sistema (frecuencia) que prevalezca en el momento se carga y almacena energía, la cual se descarga durante
de la desviación. en general, cuando la frecuencia está las horas máximas de carga (6:00–10:00 p.m.). Por lo
por debajo de los 50.05 Hz, y si el estado no produce tanto, la planta integrada suministra una cantidad con-
lo suficiente ni sobrepasa la producción, se aplica una sistente de energía a los clientes durante las horas punta
sanción. Por el contrario, cuando la frecuencia está por a través de una combinación de energía eólica, solar y
debajo de los 50.05 Hz, y si el estado sobrepasa la pro- almacenamiento de energía.
ducción o no produce lo suficiente, se aplica un incen- ✔ Reducción de desviaciones pronosticadas en las plantas
tivo. el gráfico 3 muestra cómo se puede descargar un eólicas y solares: otra de las aplicaciones primarias
Bess durante los períodos en que la frecuencia está por que puede proporcionar el almacenamiento de energía
debajo de los 50.5 Hz y el estado transfiere más que la es la reducción de desviaciones pronosticadas en las
energía programada, y cómo se puede cargar durante plantas eólicas y solares. el concepto es que el alma-
otros períodos para reducir la sanción del DsM. cenamiento de energía se puede distribuir para reducir
✔ Desplazamiento de la energía renovable a las horas de los errores de predicción de la planta de energía reno-
máxima demanda: otra aplicación primaria del almace- vable y evitar así la pérdida de ganancias. en india,
namiento de energía es el desplazamiento de la energía existe una estructura nivelada de sanciones para las
renovable a las horas de máxima demanda. la aplicación desviaciones en la generación eólica y solar. Por ejem-
se consideró clave para el estado de andhra Pradesh, que plo, si la generación eólica está por debajo del valor
Potencia de evento prom. (MW)
Potencia de batería (MW)

Comando de potencia Mapa de intensidad Base de datos de almacenamiento Costo

0.2
de batería de uso y calculadora de métricas instalado
1 900
0.8 800
0.6 700
0.4 600
0 0.2 500
0
–0.2 400 US$
–0.4 300
–0.6 200
–0.2 –0.8 100
–1 0
0 5 10 15 20 25 30
Tiempo (horas) Duración del evento
(minutos)

gráfico 5. La segunda fase de la metodología de análisis de valor del almacenamiento de energía: costo instalado.

Modelos de vida útil Mapa de intensidad de daños y

Ciclos hasta final de la vida útil

de la batería vida útil estimada del modo

Valor presenteneto

108 1 20 Economía
Potencia uniforme

0.8 18
107 0.6 16 proyectada
prom. (MW)

LIC 0.4 14
106
Volante 0.2 12
105 LTO 0 10
104 LNCA –0.2 8 NPV
NoMx –0.4 6
103 –0.6 4
102 –0.8 2
0 20 40 60 80 100 –1 0
0 5 10 15 20 25 30
Profundidad de Duración del evento Dimensión de
descarga (%) (minutos) batería instalada (MWh)

gráfico 6. La tercera fase de la metodología de análisis de valor del almacenamiento de energía: vida útil de los recursos.
NPV: valor presente neto, en inglés.

94 ieee power & energy magazine mayo/junio 2018

 En una planta de IWSES, las turbinas eólicas, los paneles solares
fotovoltaicos y un sistema de almacenamiento de energía por baterías se
integran en una sola planta usando controles de tecnología de punta.
programado en un bloque de 15 minutos en un 25%,
entonces se aplica un cargo por desviación: 110% de
la tasa fija para un equilibrio de la energía superior al
15% y hasta un 25% (es decir, no se aplica un cargo
por desviación por el primer 15%).
Aplicaciones secundarias
los casos de uso secundarios del Bess incluyen 1) la gestión
del ajuste de carga de la planta eólica-solar integrada, 2) la
respuesta de frecuencia rápida, 3) la respuesta de frecuencia
primaria, y 4) la gestión del ajuste de carga para el sistema
durante los desniveles en la mañana y la tarde.
Dimensionamiento del BESS
el proceso de diseño genérico del Bess se muestra en los
gráficos 4–6. el gráfico 4 ilustra el primer paso en la eva-
luación, durante el cual se desarrolla el comando de energía
de la batería específico a la aplicación. Como ejemplo, a par-
tir de un perfil local de generación eólica y predicciones, los
controles específicos a la aplicación generaría la energía de
almacenamiento necesaria para acercar la generación total
(eólica y de almacenamiento) a la predicción. al combinar
estos perfiles con las normas y los precios del mercado local,
se pueden calcular los flujos de ingresos (o las sanciones evi-
tadas) por la aplicación específica y el mercado.
a continuación, como se muestra en el gráfico 5, se
seleccionan tecnologías de almacenamiento de energía y se
dimensionan procesando el comando de energía de baterías
en un mapa de intensidad de uso. Dependiendo de una base
de datos de modelos de rendimiento basados en la física, se
calcula el costo instalado para cumplir con los requisitos
de la aplicación por cada tecnología, incluido el almacena-
miento y el BoP.
Por último, como se muestra en el gráfico 6, la vida útil
de los recursos se determina a partir del perfil de servicio,
tipo de recurso y tamaño usando un calendario específico de
los recursos y los modelos de ciclo de vida útil. Combinando
todos los cálculos, se pueden estimar las proyecciones econó-
micas según los ingresos, el costo inicial y la vida útil (can-
tidad de reemplazos a lo largo de la vida útil del proyecto).
este análisis usó una base de datos de tecnologías de
almacenamiento de energía creada en ge global research
para la comparación y evaluación de distintos recursos de
almacenamiento de energía disponibles en el mercado
actual. la base de datos subyacente de recursos incluye
modelos de circuitos equivalentes de más de 100 recursos
mayo/junio 2018
de almacenamiento de energía que abarcan un amplio rango
de tecnologías y opciones. estos modelos de circuitos equi-
valentes de almacenamiento de energía se desarrollaron a
partir de una combinación de hojas de datos y charlas de
seguimiento con los proveedores para confirmar los resulta-
dos de los modelos.
Para los casos de uso primarios y secundarios descritos
anteriormente, la entrada clave para determinar el perfil de
carga/descarga del Bess fue el perfil eólico y solar simu-
lado de 15 minutos y las correspondientes predicciones a
corto plazo para cada fase del proyecto. entre otras entradas
clave de los modelos, se incluyen las tarifas de la energía
solar, la estructura de sanción del DsM y las tarifas de los
servicios auxiliares.
según el análisis de diseño técnico y financiero, se reco-
mendó un Bess con batería de óxido de cobalto manganeso
litio de 10 MW y 15 MWh para el proyecto eólico-solar inte-
grado de 41 MW de fase 1-a. este Bess se diseñó princi-
palmente para ejecutar la función de reducción de sanciones
del DsM, pero, cuando no lo hace, también se podría usar
para otras aplicaciones primarias y secundarias. el dimen-
sionamiento del Bess para las fases restantes del proyecto
dependerán en gran medida de las regulaciones relacionadas
con el almacenamiento de energía en el futuro y el costo del
Bess. en cada una de las fases restantes de los proyectos
de ananthpur y Kutch, el Bess varió en dimensión entre
10–60 MW, con una capacidad de 30–280 MWh.
Diseño del sistema colector
el sistema colector se diseñó usando una combinación de
buenas prácticas de la industria para los sistemas de colector
eólico y FV. es una práctica común en india usar conducto-
res aéreos para las plantas eólicas independientes y cables
subterráneos para las plantas solares FV. Una consideración
importante en el diseño del colector fue si los cables subterrá-
neos deberían usarse para el sistema colector o si sería pre-
ferible un enfoque de construcción combinada que use tanto
cables subterráneos como conductores aéreos. se compara-
ron los diseños de ambos casos para evaluar estas opciones.
en el caso de construcción combinada, se usó el cable
subterráneo para alimentar los sistemas FV o cada vez que
la vía del conductor ingresaba a una zona de exclusión de
turbinas eólicas. en este caso, se usaron postes de salida
para transitar entre la construcción subterránea y aérea. se
empleó un diseño totalmente subterráneo en la fase 1-a del
proyecto debido a la estricta disposición de los paneles FV y
ieee power & energy magazine 95
 de las zonas de exclusión de turbinas eólicas, incluso aunque
el costo fuera levemente mayor que con el enfoque de cons-
trucción combinada. Para las fases con líneas de transmisión
área, se diseñó la ruta de manera que no hubiera pérdidas
en la generación FV debido al sombreado desde las líneas.
Para evacuar la energía, se diseñó una subestación de agru-
pamiento de 33 KV/220 KV para cada fase del proyecto.
el Bess se ubicó en la subestación de agrupamiento y se
conectó a la parte de baja tensión de la subestación.
Diseño del sistema de controles y
comunicación
el último paso de diseño fue el sistema de controles y comu-
nicación que permite que el Bess se comunique con las
turbinas eólicas y los paneles solares de la planta y que tam-
bién permite que el slDC y el Centro de gestión de energía
renovable ejecuten las distintas aplicaciones. la arquitec-
tura propuesta de control de la planta consiste en tres tipos
de dispositivos de control:
✔ Sistema de gestión de energía de la planta: este siste-
ma organiza todas las acciones de control y comunica-
ción y proporciona la interfaz a los servicios públicos
y el slDC.
✔ Estación de control central de la planta: esta estación es
una computadora reforzada que incluye servicios de con-
trol fundamentales en tiempo real. su principal función es
calcular el punto de ajuste del sistema de almacenamiento
de energía, es decir, el comando para los ciclos de carga
o descarga del Bess. También calcula los comandos a
nivel de planta para las plantas eólicas y solares.
✔ Estación de control de bordes de la planta: los
controladores de bordes a nivel de planta son
controladores industriales reforzados ubicados en el
Bess así como en cada planta eólica o solar. estas
unidades controlan el flujo de potencia real en el
punto de interconexión basándose en las mediciones
locales y los comandos recibidos del controlador a
nivel central. los controladores de bordes de la
planta normalmente son controladores de múltiples
funciones que proporcionan la interfaz física a los
controladores y sensores a nivel del inversor.
Próximos pasos para el proyecto de
IWSES en India
el siguiente paso es desarrollar la planta de iWses de 41
MW como un proyecto piloto financiado por concesión. las
lecciones aprendidas del proyecto de demostración se pue-
den usar para desarrollar el diseño técnico, las disposicio-
nes comerciales y las políticas y regulaciones relacionadas
con el almacenamiento de energía que tendrán una fuerte
96 ieee power & energy magazine
influencia sobre los proyectos de almacenamiento energé-
tico en el futuro en india.
Agradecimientos
agradecemos el apoyo brindado por la agencia de los ee.
UU. para el Comercio y el Desarrollo (UsTDa, por sus siglas
en inglés) y raj Budhavarapu [quien perteneció a infrastruc-
ture leasing & Financial services (il&Fs) energy Develo-
pment Company, ltd.] en la realización de este estudio.
Lecturas complementarias
“Technical assistance for the integrated wind, solar and
energy storage project” (asistencia técnica para el proyecto
de potencia eólica y solar integrada y almacenamiento de
energía), rep. for Task 1–10. activity rep. 201531004a,
UsTDa (puede solicitarse a la UsTDa).
M. Brower, Wind Resource Assessment: A Practical Gui-
de to Developing a Wind Project (Evaluación de recursos
eólicos: Guía práctica para el desarrollo de un proyecto eó-
lico). Hoboken, nJ: Wiley, 2012.
J. Burton y B. sharpe, Wind Energy Handbook (Manual
de la energía eólica), 2da ed. Chichester, reino Unido: Wi-
ley, 2011.
s. T. Frandsen, “Turbulence and turbulence-generated
structural loading in wind turbine clusters” (Turbulencia y
carga estructural generada por turbulencias en grupos de
turbinas eólicas), risø-r-1188(en), risø national labora-
tory, Jan. 2007.
T. M. letcher, Wind Energy Engineering: A Handbook
for Onshore and Offshore Wind Turbines (Ingeniería de
energía eólica: Un manual de turbinas eólicas terrestres y
marítimas). nueva york: academic, 2017.
V. Badescu, ed., Modeling Solar Radiation at the Earth’s
Surface: Recent Advances (Modelado de radiación solar en
la superficie terrestre: Avances recientes). Berlín, alema-
nia: springer-Verlag, 2008.
a. luque y s. Hegedus, eds., Handbook of Photovoltaic
Science and Engineering (Manual de ciencia e ingeniería
fotovoltaica), 2da ed. Chichester, reino Unido: Wiley, 2011.
Biografías
Sundar Venkataraman pertenece a ge energy Consulting,
Phoenix, arizona.
Chris Ziesler pertenece a aWs Truepower, a Ul com-
pany, albany, nueva york.
Peter Johnson pertenece a aWs Truepower, a Ul com-
pany, albany, nueva york.
Stephanie Van Kempen pertenece a aWs Truepower, a
Ul company, albany, nueva york.
p&e
mayo/junio 2018
premios
Hirofumi Akagi
Ganador de la Medalla del IEEE 2018 en
Ingeniería de Potencia
L
La MedaLLa deL Ieee en Inge­ instantánea en circuitos trifásicos. Cono­
niería de Potencia se estableció en agos­ cida como la teoría p­q, akagi la aplicó
to de 2008. Se le otorga a una persona a un compensador de potencia reactiva
por sus sobresalientes contribuciones a trifásico que consistía en dispositivos
la tecnología asociada con la generación, de conmutación sin un
transmisión, distribución, aplicación y componente de alma­
utilización de la energía eléctrica para cenamiento de energía Se otorgó la
la mejora de la sociedad. el premio con­ voluminoso. además,
siste en una medalla de oro, una réplica verificó de forma expe­ Medalla del
de bronce, un certificado y un honorario.
La medalla está patrocinada por las
rimental las caracterís­
ticas operativas innova­
IEEE 2018 en
aplicaciones Industriales, la electróni­ doras que habían sido, Ingeniería
ca Industrial, la Sociedad de electró­ hasta entonces, imposi­
nica de Potencia y las Sociedades de bles de obtener a través de energía
Potencia y energía del Ieee. Se otorgó
la Medalla del Ieee 2018 en Ingeniería
de la aplicación de la
teoría de potencia reac­
a Hirofumi
de Potencia a Hirofumi akagi “por sus tiva convencional en Akagi “por sus
innovadoras contribuciones a la teoría circuitos monofásicos.
y práctica de los sistemas de conversión Considerada una teoría innovadoras
fundamental para los
de energía y sus aplicaciones”.
circuitos trifásicos, la
contribuciones
Hirofumi Akagi teoría p­q de akagi ha a la teoría y
Hirofumi akagi es permitido a estudiantes
uno de los colabora­ e ingenieros de poten­ práctica de los
cia comprender mejor el
dores más prolíficos
en aumentar el uso concepto instantáneo de
sistemas de
de la electrónica de tensión, corriente, po­ conversión de
potencia en benefi­ tencia activa y potencia
cio de los sistemas reactiva. Ha proporcio­ potencia y sus
nado avances en el con­
de potencia. Su trabajo pionero en técni­
cas de conversión de energía ha generado trol de los compensado­
aplicaciones ”.
aplicaciones de ahorro energético en siste­ res estáticos síncronos y
mas industriales y residenciales, y ha sido ha unificado los contro­
esencial para los avances en sistemas de ladores de flujo de potencia en sistemas
energía renovable, vehículos eléctricos/hí­ de transmisión de alta tensión así como en
bridos y almacenamiento de energía. filtros activos puros e híbridos.
akagi presentó el primer trabajo so­ el trabajo de akagi en el desarro­
bre la teoría de potencia activa y reactiva llo del inversor con fijación por diodos
(nPC, por sus siglas en inglés) de tres ni­
Identificador de Objeto Digital 10.1109/MPE.2018.2801444 veles ha repercutido en los convertidores
Fecha de publicación: 18 de abril de 2018 de alta potencia para los accionamientos
mayo/junio 2018
en motores de tensión media y las apli­
caciones conectadas a la red. el concepto
nPC, que marcó el comienzo de la tec­
nología de convertidores de múltiples
niveles, ha sido usado
en todo el mundo en in­
versores fotovoltaicos,
inversores de uso gene­
ral, fábricas de acero y
trenes bala.
akagi ha abordado
los efectos perjudicia­
les de la interferencia
electromagnética (eMI,
por sus siglas en inglés)
encontrada en los siste­
mas de conversión de
energía con investiga­
ciones innovadoras que
han conducido a la crea­
ción de filtros activos
y pasivos para reducir
la eMI conductora y la
corriente de rodamiento
en los sistemas de ac­
cionamiento por motor.
También es reconocido
por sus innovaciones
con respecto a los filtros
activos puros e híbridos
para el acondiciona­
miento de potencia.
Fellow del Ieee y
ganador del Premio Richard H. Kauf­
mann del Ieee 2008, akagi es un dis­
tinguido profesor de investigación en el
departamento de Ingeniería eléctrica
y electrónica del Instituto de Tecnolo­
gía de Tokio, en Japón.
p&e
ieee power & energy magazine 97
Identificador de Objeto Digital 10.1109/MPE.2018.2816858
historia
disyuntores en aceite
una mirada a la generación anterior
A
A fines del siglo XiX y prin­
cipios del siglo XX, los medios de inte­
rrupción de los disyuntores eran el aire,
el aceite o el agua. el gráfico 1 muestra
un conjunto de disyuntores de esa épo­
ca. el disyuntor que se muestra en el
gráfico 2 era para una aplicación a 40
kV, se instaló en 1901 y consistía en dos
barriles llenos hasta la mitad con agua
para realizar la interrupción y con aceite
en la sección superior para proporcionar
un dieléctrico en posición abierta. esto
funcionaba bastante bien hasta que se
hicieron varias operaciones en un perío­
do breve y explotó, destruyendo la cen­
tral de potencia adyacente. el gráfico 3
es un disyuntor en aceite (oCB, por sus
siglas en inglés) que originalmente esta­
ba en el sistema de potencia del oeste de
Colorado, funcionaba a una tensión de
44 kV y se mantuvo en servicio duran­
te 52 años; consistía en dos barriles de
aceite con los interruptores y una pieza
móvil que transportaba la corriente en­
tre ellos.
A medida que aumentaban las de­
mandas de tensiones más altas por
parte de los servicios públicos, el oCB
se convertía en el disyuntor preferido.
en los estados Unidos, el disyuntor en
aceite de tanque muerto o de volumen
era el más popular. en europa, el di­
seño de disyuntor en aceite de tanque
vivo (también conocido como "de acei­
te mínimo" o a veces llamado "diseño
con poca cantidad de aceite") se con­
virtió en el más popular. esta fue prin­
cipalmente la consecuencia de que el
aceite estuviera más disponible en los
estados Unidos.
Identificador de Objeto Digital 10.1109/MPE.2018.2801959
Fecha de publicación: 18 de abril de 2018
mayo/junio 2018
Russ Yeckley y John Perulfi
En el Suplemento T&D Show de la IEEE Power & Energy Magazine de marzo/abril
2016, analizamos el potencial dieléctrico de dispositivos de conmutación y medio
de interrupción de última generación en “Green Gas para reemplazar SF6 en redes
eléctricas”, de Yannick Kieffel, Todd Irwin, Philippe Ponchon y John Owens. En la edición
de mayo/junio 2016 de IEEE Power & Energy Magazine, Russ Yeckley y Jerry Colclaser nos
proporcionaron un historial de desarrollo del primer disyuntor de hexafluoro de azu-
fre (SF6) que comenzó en la década de 1950 en su colaboración a la “Historia”, “Primer
diseño de disyuntor SF6”. Hasta la fecha, SF6 sigue siendo el dieléctrico dominante y el
medio de interrupción de dispositivos de conmutación a tensiones medias y altas.
Con estos dos artículos de 2016 que representan el presente y el posible fu-
turo, la dirección de los dieléctricos y el medio de interrupción en dispositivos
de conmutación, la columna de esta edición observa la generación anterior de
dieléctricos y el medio de interrupción del dispositivo de conmutación en forma
de disyuntores en aceite (OCB). Los OCB atendían las necesidades de la industria
de la potencia desde principios de la década de 1900 hasta comienzos de la década
de 1980 en producción y nuevas instalaciones y continúan atendiendo las necesi-
dades de dispositivos de conmutación de nuestro sistema de potencia, dado que
muchos de estos OCB de época siguen actualmente en servicio.
Russ Yeckley recibió una licenciatura en ingeniería mecánica de la Universidad
de Michigan y un máster de la Universidad de Pittsburgh. Fue contratado por Wes-
tinghouse, donde su trabajo inicial consistió en el desarrollo de OCB. Participó en el
desarrollo y las pruebas del primer disyuntor SF6 comercial. Posteriormente, estuvo
más de 25 años con Mitsubishi Electric Power Products, Inc. (MEPPI) en el diseño y
la fabricación de disyuntores SF6. Ahora se desempeña como consultor en MEPPI.
John Perulfi recibió una licenciatura en ingeniería industrial de la Universidad de
Washington en St. Louis y fue contratado por Westinghouse en su Programa de Es-
pecialistas en Dispositivos de Conmutación EE para graduados. En 1960, fue transfe-
rido a la División de Disyuntores de Potencia de Westinghouse, lo que implicaba el
desarrollo y mercadeo de la línea completa de disyuntores de aceite y SF6. Durante
sus 31 años en Westinghouse, se desempeñó como gerente de mercadeo de equipos
aislados con gas, gerente de productos y análisis de costos y gerente de control de
calidad. En 1986, fue miembro inicial de una sociedad conjunta con Westinghouse
y Mitsubishi Electric que más tarde pasó a ser MEPPI, donde se desempeñó como
vicepresidente de la región de Centroamérica. Actualmente, es consultor en MEPPI.
Nos complace dar la bienvenida a Russ Yeckley a la columna “Historia” por
segunda vez, así como al coautor John Perulfi por primera vez.
John Paserba
Editor Asociado, Historia
ieee power & energy magazine 99
 los primeros oCB se basaban úni­
camente en la separación de contactos,
y el largo tiempo de duración del arco
producido era de poca importancia. el
aceite se convirtió en el medio prefe­
rido para los disyuntores debido a su
mayor aislamiento en comparación con
el aire y también por su mayor eficacia
en la extinción del arco. pese a la
inflamabilidad tanto del aceite como
de los gases producidos durante el arco,
se logra un funcionamiento seguro al
sumergir los contactos en un ambiente
sin oxígeno, inmerso en el aceite y que
permita que los gases se enfríen al
subir a la superficie.
Avances en la
década de 1920
A principios de la década de 1920,
los ingenieros comenzaron a inves­
tigar la interrupción con la intención
de proporcionar mayores capacidades
de interrupción y períodos más bre­
ves de interrupción a los disyuntores.
en Westinghouse, la investigación fue
encabezada por el científico de inves­
tigación dr. Joseph slepian. su trabajo
tuvo como resultado una explicación

Cut Your Time

científica detallada sobre el comporta­
miento del arco basada en la ionización
de gases, tanto desde el punto de

By A Third EasyPower
With vista teórico como práctico. durante
el arco, la corriente viaja gracias a la
* ionización del medio de interrupción,
y a corriente cero, la interrupción de la
corriente es consecuencia de la desio­
nización del espacio del arco. Una de
EasyPower has the las verdades fundamentales desarrolla­
das en los estudios de slepian fue que
· fastest model building la extinción de un arco dependía de
· easiest to use dos factores: 1) la tasa de recuperación
· shortest learning curve de la fuerza dieléctrica del espacio del
arco después de la corriente cero y 2) la
· best product support tasa en que el circuito externo aplica la
of any power system tensión que tiende a reactivar el arco.
A finales de la década de 1920, esta
management software

12
investigación dio lugar al desarrollo de
on the market. un interruptor desionizante aplicado
originalmente a disyuntores de 69 kV,
y con el tiempo se aplicaron diversas
versiones de redes desionizantes (ana­

3 Power Made Easy

intelligent | intuitive | instantaneous
lizadas más adelante) a oCB a tensio­
nes de hasta 345 kV y corrientes de in­

9 Power System Software

Power Engineering
terrupción de 63 kA. el desarrollo del
interruptor controló el arco y mejoró el
proceso de desionización, generando
Consulting un período más breve de duración del arco

6
Training y una mayor capacidad de interrupción
de la corriente. se muestra el montaje
Explore more online and de un interruptor desionizante de 69
kV en el gráfico 4. Consiste en una
try a free demo copy at:
red compuesta de placas de fibra, cada
www.EasyPower.com/demo una de las cuales se cortó en una forma
geométrica plana específica de mane­
*Independently verified by consultants for the
process of creating one-lines, populating equipment ra que, cuando se montaran una sobre
data, performing analysis, and generating reports. otra, las placas dejaran espacio para los
contactos, los pasajes de flujo para la
® ventilación de gases, la segregación del
Power made easy.
arco y las cavidades para el aceite para
suministrar aceite nuevo y así enfriar
el arco y promover la desionización.

100 ieee power & energy magazine mayo/junio 2018

gráfico 1. Un conjunto de disyuntores de aceite y aire, 1900. (Imagen cortesía de los autores.)

gráfico 2. Un disyuntor de 40 kV instalado en 1901. (De R. Wilkins y E.A. gráfico 3. Un OCB de 1908 a 1958.
Crellin, High Voltage Oil Circuit Breakers. Nueva York: McGraw Hill, 1930.) (Usado con permiso de los autores.)

mayo/junio 2018 ieee power & energy magazine 101

 A medida que aumentaban las ten­
siones, el interruptor desionizador se
creaba como montaje de un bloque de
redes por separado que se insertaba en
la estructura principal de apoyo tubular
del interruptor como unidades separa­
das. esto generaba un interruptor que
podía incluir distintos bloques de redes
y contactos del interruptor asociado en
serie, formando así el montaje comple­
to de un interruptor de rupturas múlti­
ples. se muestra un bloque de redes en
el gráfico 6 que se monta en ensambles
de interruptores como se muestra en el
gráfico  7, que representa un conjunto
de estos interruptores para aplicarlos a
distintas tensiones de hasta 345 kV y
corrientes de interrupción de 63 kA.

making life visibly safer

gráfico 4. Red desionizante de un

interruptor de 69 kV. (Del Boletín
Descriptivo de Westinghouse 33–252,
enero de 1961.) SpanLite TM

Self-Illuminated
las placas de fibra son únicas para Power Line Marker
esta aplicación, dado que el material
es de combustión limpia, lo que signi­ Meets FAA Advisory
fica que las altas temperaturas del arco Circular 70/7460-1L
no generaban carbonización, sino que (Dec. 2015)
mantenían sus características aislantes.
la descomposición de la fibra también Installs directly on
live lines up to 500 kV
producía gases para mejorar la desioni­
zación. el uso de contactos (plata­
tungsteno) resistentes al arco reducía la
contaminación del espacio del arco con
gases ionizados.

Un impulso hacia
tensiones y corrientes más
altas
A tensiones y corrientes más altas del
interruptor, se modificaba el interrup­
tor de ruptura única agregando una
segunda ruptura o una ruptura gene­
radora de presión en serie con la prin­
cipal ruptura de interrupción. estos
contactos se ubicaban en una cámara
separada, también conocida como "cá­
Bird LED Obstruction Low Line
mara de explosión", y el arco generaba
Diverters Lights Flags & Markers
presión para forzar el flujo de aceite en
las vías de las placas de fibra de la red
del interruptor y en el espacio de ar­
queado, mejorando la desionización y
la interrupción. este tipo de interruptor
se muestra en el gráfico 5 y se aplicaba
making life visibly safer
800-722-8078 • pr-tech.com
6709

a 138 kV.

102 ieee power & energy magazine mayo/junio 2018

 durante el desarrollo de los disyun­
tores en aceite, los laboratorios de prue­
bas tenían limitaciones para probar las
capacidades de tensión y corriente. de­
Ventilaciones
Interruptor tipo flujo múltiple, vista en corte
gráfico 5. Un interruptor de flujos múltiples. (Del Boletín Descriptivo de Wes-
tinghouse 33–355, enero de 1961.)
gráfico 6. Bloque de redes de un interruptor para un interruptor de rupturas
múltiples. (Del Boletín Descriptivo de Westinghouse 33–355, enero de 1961.)
mayo/junio 2018
bido a esto, estaban limitados a la veri­
ficación de la tensión y la corriente de
una sola ruptura. las técnicas de prue­
bas sintéticas modernas habían hecho
Válvula de escape
Válvula de control
Cuerno de arco
Contacto de balancín
Contacto intermedio
Brazo de funcionamiento
lateral
Orificios de entrada
Contacto de movimiento
inferior
Resorte del brazo de
funcionamiento
Pistón de aceite
Anillo de retardo de bombeo
Travesaño de contacto
móvil
posible probar una capacidad de ruptu­
ra mayor de los interruptores.
Apertura y cierre
de los disyuntores
A principios de la década de 1900, el
cierre del disyuntor normalmente se ha­
cía con una operación manual o un mo­
tor. se incluían cerraduras para mante­
ner la posición cerrada. la apertura se
lograba soltando la cerradura para que
se pudiera liberar la energía del resorte
comprimido que se almacenaba durante
el movimiento de cierre. se podía soltar
la cerradura de forma manual o eléctri­
ca. A principios de la década de 1920,
los disyuntores de 220 kV tenían un
tiempo de interrupción de cerca de 12
ciclos: cuatro ciclos hasta el inicio del
arco seguidos por ocho ciclos durante
el arco. los requisitos de los sistemas
de potencia generaban una mayor capa­
cidad de interrupción y períodos más
breves de interrupción. el avance en
los períodos más breves de interrupción
dio lugar a una disminución de ocho a
cinco ciclos y se redujo más hasta llegar
al período más común de interrupción
de tres ciclos en la actualidad.
en la década de 1920, el funcio­
namiento de un disyuntor se lograba
normalmente con la energía de sole­
noides para cerrar y cargar los resortes
de apertura. A medida que mejoraba el
gráfico 7. Un conjunto de interrup-
tores de rupturas múltiples (desde la
izquierda: 138, 230 y 345 kV). (Del
Boletín Descriptivo de Westinghouse,
33–253, septiembre de 1977.)
ieee power & energy magazine 103
 Tirante del disyuntor
Palanca anti disparo libre
Palanca de disparo libre

Mecanismo de activación
ón Contador de maniobras
en tándem
em
Mecanismo de activación
Meca
aro
Cerradura anti disparo tándem
en tá
bre
libre

Resorte de recuperación
ón

Disparo desviado
Dispa
Interbloqueo magnético
ico de alta velocidad

auxiliar
Interruptor a

Bobina de cierre
erre

gráfico 8. Un mecanismo de solenoides de Westinghouse. (De los Datos Descriptivos de Westinghouse 33–123, sep-
tiembre de 1938.)

THE ORIGINAL, RESPONSIBLE

WAY TO PUMP WATER, NOT OIL.
The OSS-100 is the trusted and proven plug & play
system that pumps water, not oil from elevator sumps,
transformer oil containment areas and underground
electrical vaults.

Oil Smart® systems satisfy ASME A17.1, IEEE 980 and EPA
SPCC requirements.

Phone: 888-733-9283
Your trusted source for quality control panels.®
www.seewaterinc.com

104 ieee power & energy magazine mayo/junio 2018

gráfico 9. Un esquema del mecanismo de disparo libre. (De los Datos Descriptivos de Westinghouse 33–123, septiem-
bre de 1938.)

rendimiento de los sistemas de potencia

con mayores corrientes de interrupción
y períodos más breves de interrupción,
los mecanismos de funcionamiento re­
querían mayor energía y menor tiempo
para soltar la cerradura. las corrientes
más altas requerían también una mayor
energía de cierre del mecanismo que
se generaba a partir de fuerzas provo­
cadas por corrientes de preencendido
en los interruptores en aceite justo an­
tes del contacto. el área de cambios y
mejoras en el mecanismo de funciona­
miento ha sido la fuente de la energía
de cierre, la cantidad de esa energía,
la velocidad de cierre, la velocidad de
apertura, la capacidad de realizar múl­
tiples cierres, además de la confiabili­
dad y simplicidad.
Uno de los primeros requisitos de
diseño del disyuntor era la necesidad de
que fuera a prueba de fallas, lo que sig­
gráfico 10. Los tipos de mecanismo neumático AA-7 y AA-14 de Westin- nifica que tenía que ser capaz de abrirse
ghouse. (Del Boletín Descriptivo de Westinghouse 33–350, junio de 1959.) en caso de una pérdida de energía para

mayo/junio 2018 ieee power & energy magazine 105

su funcionamiento. la energía almace­
nada del resorte cumplía con abrir los
disyuntores. A medida que la confiabi­
lidad de los mecanismos mejoraba con
su desarrollo, se utilizaban fuentes de
energía de aire comprimido o de siste­
mas hidráulicos tanto para abrir como
para cerrar el disyuntor. se muestra un
mecanismo típico de solenoides en el
gráfico 8. estos mecanismos eran ca­
paces de proporcionar períodos de inte­
rrupción de cinco ciclos. este es uno de
los primeros mecanismos en proporcio­
nar la función de disparo libre. el dis­
paro libre ahora es un requisito están­
dar que permite abrir inmediatamente
un disyuntor, incluso si la operación de gráfico 11. El tipo de mecanismo gráfico 12. Una vista de la sección
cierre está en marcha, dando lugar así a pneumático AA-10 de Westinghouse transversal de un OCB de 138 kV. (Del
una operación de cierre y apertura. el en posición de disparo libre. (Del Boletín Descriptivo de Westinghouse,
gráfico 9 es un esquema de una opera­ Boletín Descriptivo de Westinghouse 33–253, mayo de 1960.)
33–350, junio de 1959.)
ción de disparo libre del mecanismo de
solenoides.
los períodos de interrupción más mecanismos usaran aire de alta presión de disparo para una liberación más
breves y las corrientes más altas reque­ y que posteriormente se desarrollaran rápida requerían rediseños completos.
rían mayor energía, provocando que los mecanismos hidráulicos. los sistemas el gráfico 10 muestra un conjunto de
 gráfico 16. Un disyuntor trifásico de
132 kV con monofases antideslizantes
gráfico 13. Un esquema de un dispositivo potencial con casquillos. (Del Bole- montadas. (Usado con permiso de los
tín Descriptivo de Westinghouse 33–357, agosto de 1955.) autores.)

Año Tensión MVA kA mecanismos neumáticos con diámetros de disparo libre, en la cual la conexión
Aceite 1934 287 2,500 5 de cilindros de aire de 7 y 14 pulgadas mecánica se desconecta del pistón de
1941 287 3,500 7 con funcionamiento a presión de aire cierre por un diámetro de cilindro de
1945 138 3,500 15
1947 230 10,000 25 hasta 270 libras por pulgada cuadrada. aire de 10 pulgadas. los mecanismos
1949 138 6,000 25 el mayor mecanismo individual con un que empleaban presión de aire tanto
1951 161 10,000 36 diámetro de 14 pulgadas operaba las para cerrar como para funcionar tenían
1954 330 25,000 44 tres fases de un oCB de 345 kV en sin­ válvulas que ofrecían una liberación
1960 245/362 63
cronismo. los tres mecanismos conta­ rápida de la presión de aire del cierre
gráfico 14. La escala de calificacio- ban con disparo libre de forma mecáni­ para permitir que se aplicara inmedia­
nes de OCB por años. ca. el gráfico 11 muestra la operación tamente la presión de aire de la apertu­
ra. se identificaban como disparo libre
de forma neumática.

Características de diseño
de modelos posteriores
el diseño de los primeros disyuntores
consistía en dos interruptores unidos
por una pieza de metal móvil (travesa­
ño) para transportar la corriente cuan­
do se cerrara el disyuntor o para cortar
el circuito y proporcionar un espacio de
desconexión para el aislamiento cuan­
do se abriera. esta era una función im­
portante que se mantuvo en los disyun­
gráfico 15. Un OCB de 69 kV montado en un marco. (Del Boletín Descriptivo tores en aceite de modelos posteriores.
de Westinghouse 33–252, enero de 1961). Además, hubo cambios significativos

mayo/junio 2018 ieee power & energy magazine 107

 en la estructura, el funciona­
miento mecánico y los casqui­
llos para aislar los conductores
de la estructura de tanque en
tierra y los transformadores de
corriente para la inteligencia. el
gráfico 12 es la sección trans­
versal de un polo de un oCB
moderno. el casquillo aísla el
conductor de la estructura en
tierra que consiste en el tanque
y también presta apoyo para
los interruptores unidos por el
travesaño conectado al meca­
nismo de funcionamiento a tra­
vés del brazo elevador aislado.
los transformadores actuales
para la transmisión y medición
de protección se montan al­
rededor de los casquillos. la
gráfico 17. Un disyuntor en aceite trifásico de 138 kV montado en una base deslizan- construcción de los casquillos
te. (Del Boletín Descriptivo de Westinghouse, 33–252, septiembre de 1977.) consiste en el conductor, que

CONNECTION SYSTEMS
ShawFlex
DSG-Canusa There is no limit to what we can
accomplish together
Backed by the strengths of Shawcor, the
Connection Systems group combines the
industry trusted brands of ShawFlex and
DSG-Canusa.
We work with our clients to deliver custom
solutions that meet the requirements of their
most demanding applications with:
• Customized designs for specific project
requirements
• Customer focused testing
• Supply chain partnering
• Products manufactured to the highest
quality standards
To learn more about how we can service
your business visit us at: shawcor.com/
connection-systems

SHAWCOR.COM

108 ieee power & energy magazine mayo/junio 2018

 Tipo GO
1940
Tipo GM
1942 Tipo GW
1952

2,500 3,500
MVA MVA

15,000 galones de aceite

7,000 galones de aceite
3,900 galones de aceite

Un “factor de cuatro” en el reciente diseño de disyuntores de 230 kv

—los valores han aumentado cuatro veces y el aceite ha disminuido cuatro veces.

gráfico 18. Una cantidad de control de aceite por diseño. (Usado por cortesía de los autores.)

gráfico 19. Un OCB de tanque vivo típico. (Fotografía de archivo de un disyuntor de 220 kV, 3,500 MVA, fabricado por
CKD Stalingrad Works, usado con permiso de los autores.)

mayo/junio 2018 ieee power & energy magazine 109

 Transformer

Bags

substation

liners

1.800.231.6074
reefindustries.com
gráfico 20. El OCB de 345 kV de Westinghouse en Ohio
Valley Electric Corp. (Del Boletín Descriptivo de Westin-
ghouse DB-33–254, julio de 1956.)

está envuelto en capas alternadas de papel kraft impregnado

en aceite y papel metálico para proporcionar un grado de ca­
pacidad de la tensión a tierra. se usa una toma de capacidad
en la segunda capa de papel metálico para proporcionar una
baja tensión y así operar un posible dispositivo de transmi­
sión. el gráfico  13 muestra un esquema de un dispositivo
potencial con casquillos.

Un avance de las tensiones y corrientes

de interrupción
el avance de las tensiones de los sistemas y las corrientes de
interrupción se muestra en el gráfico 14. se consideraba ne­
cesario formar clases de disyuntores en aceite, calificándolos
en clase de subtransmisión 15–69 kV y clase de transmisión
121–242 kV, con 345 kV de “extra alta” tensión. la califica­
ción 69 kV tenía disyuntores montados en el marco, como se
muestra en el gráfico 15. en este diseño, los tanques de los
polos se apoyan en un marco donde los tanques se reducen
para tareas de mantenimiento. Con las tensiones más altas,
los tanques de los polos se montaban por separado sobre una
base o sobre columnas de acero, como se muestra en los grá­
ficos 16 y 17. Cuando los disyuntores en aceite eran popula­
res, existía el deseo de reducir el volumen de aceite requerido. Now Enrolling in Power Systems
esto dio lugar a diseños de tanques especiales para ajustarlos Online Graduate Programs
a gradientes de tensión según los componentes internos de
Learn more: bit.ly/wpi-pwr-info
110 ieee power & energy magazine mayo/junio 2018
alta tensión. Uno de dichos diseños se
muestra en el gráfico 18 como ejemplo
del avance logrado en la reducción de la
cantidad de aceite. el tipo de disyuntor
tanque vivo (gráfico 19) era un diseño
conservador en cantidad de aceite; sin
embargo, este tipo de disyuntor no pro­
porcionaba la magnitud de las corrien­
tes de interrupción deseadas y no llegó
a ser un diseño importante para el mer­
cado de los ee. UU. como se mencionó
anteriormente. los oCB alcanzaron
su tensión más alta de 345 kV (gráfico
20), originalmente diseñados para inte­
rrupciones de 40 kA y posteriormente
modificados para llegar a los 63 kA,
con placas internas para evitar descar­
gas disruptivas en la pared del tanque
durante la interrupción de corriente
superior a 63 kA.
mayo/junio 2018
Aplicaciones
la aplicación del disyuntor en aceite
requería ciertas consideraciones por
parte de los usuarios de ingeniería de
servicios públicos, como un posible in­
cendio de hidrocarburos en caso de fa­
lla. Aunque era un caso poco habitual,
la posibilidad de que ocurriera influía
en la ubicación de las subestaciones.
Como se explicó anteriormente, la inte­
rrupción de una falla se puede resumir
en explosiones controladas, dado que el
arco se extingue entre los interruptores.
A medida que aumentaba la corriente
de la falla, la magnitud de las consi­
guientes fuerzas requería la atención al
diseño de tanques y bases. los diseños
de absorción de energía internos de los
tanques consistían en cámaras de aire
atrapado y cámaras de aire sumergido
como amortiguadores de impacto; sin
embargo, la estabilidad de los disyun­
tores durante la interrupción de fallas
seguía requiriendo tamaños específi­
cos y cierre de sujeción.
la historia muestra que la produc­
ción e instalación de oCB respondió
a las necesidades de los sistemas de
transmisión eléctrica en la década de
1980. Hoy en día, un disyuntor que usa
hexafluoruro de azufre es ahora la op­
ción para responder a la continua de­
manda de tensiones más altas, mayores
corrientes, capacidad y conmutación
de reactores; sin embargo, miles de
oCB continúan estando en servicio.
p&e
ieee power & energy magazine 111
 reseñas de libros
E
En Esta Edición, sE analiza
un libro, Control and Dynamics in
Power Systems and Microgrids, escrito
por lingling Fan. según el revisor, “a
estudiantes y profesionales de la industria
por igual les convendría leer” este libro.
Control and Dynamics
in Power Systems and
Microgrids
Por Lingling Fan
los efectos del desarrollo de energías
renovables están aumentando al mismo
tiempo que las inversiones en transmi-
sión disminuyen. En muchos lugares,
la estructura de la red de potencia está
regresando a las regiones urbanas más
aisladas que eran la norma antes de que
la transmisión de alta tensión conectara
áreas geográficas más grandes. El sis-
tema de transmisión actual se destaca
por una falta de inercia cada vez mayor,
control deficiente de la frecuencia y la
necesidad de un control mejorado de
tensión. Están sucediendo cambios.
✔ los recursos de energía variable
dependen de la disponibilidad de
viento y sol.
✔ El trabajo de mantenimiento del
sistema se comprime para mini-
mizar los impactos del mercado,
evitando al mismo tiempo inte-
rrupciones durante los períodos
operativos críticos.
✔ las transferencias de energía si-
guen aumentando a medida que
Identificador de Objeto Digital 10.1109/MPE.2018.2798760
Fecha de publicación: 18 de abril de 2018
112 ieee power & energy magazine
control y dinámica
cómo se aplican en las microrredes del sistema
de potencia
se compra y vende energía en los
continentes para cumplir con la
demanda.
✔ El almacenamiento de energía
desempeña una función más sig-
nificativa en el sistema.
✔ la combinación de calor y po-
tencia se está convirtiendo en
una tecnología más común para
la generación distribuida.
la red inteligente es una consecuen-
cia de esta evolución como resultado de
sistemas de comunicación con mayo-
res capacidades y de bajo costo. los
mercados competitivos, como la ener-
gía transactiva, complican aún más el
funcionamiento y la planificación del
sistema. a estudiantes y profesionales
de la industria por igual les convendría
leer Control and Dynamics in Power
Systems and Microgrids.
El control de cualquier sistema es
de la mayor importancia para los es-
tudios de operación y planificación.
Este libro abarca todos los aspectos
de la simulación dinámica y el control
bajo la suposición de que los lectores
están familiarizados con el comporta-
miento en estado estacionario, que no
se analiza en este texto. El libro tiene
dos objetivos: 1) mostrar cómo modelar
la generación considerando plenamente
el mayor uso de electrónica de potencia
para el control y la coordinación del
convertidor, y 2) introducir control de
consenso para oscilaciones entre área.
El texto comienza con la simulación
dinámica como base fundamental para
todas las simulaciones de control. des-
pués de analizar el material fundamen-
tal, Control and Dynamics in Power
Systems and Microgrids demuestra
ejemplos prácticos con código Mat-
laB. también se entrega el código
Python para quienes no tienen acceso
a MatlaB. los lectores pueden usar
scilaB, el equivalente gratuito de
MatlaB, para hacer un trabajo de
simulación. dado que la simulación es
el pilar para resolver problemas de con-
trol, dinámica y tensión, se entrega al
lector una base excelente para el resto
del texto.
El modelo de planta de generación
eléctrica se desarrolla empleando la
transformación de vectores espaciales
y complejos para las ecuaciones del
generador de Park. El autor sostiene
mayo/junio 2018
 Inspire a brighter
tomorrow.

Donate Today!

“Being selected a PES Scholar has IEEE PES is committed to shaping the future
of the power and energy industry.
given me the confidence to open
doors of opportunity that I had Your support of PES scholars like Oceane,
help make a difference in the lives of these
never realized were options for me.” young professionals who will be an integral
part of that future.
-Oceane Boulais, IEEE PES Scholar
Florida Atlantic University

Tomorrow’s industry innovators depend on support from leaders like you.

Visit www.ee-scholarship.org to donate today!
Identificador de Objeto Digital 10.1109/MPE.2018.2816859
 que la transformación de vectores
espaciales y vectores es un enfoque
más directo en comparación con la
transformación de Park. Esto hace que
el libro sea un excelente complemento
para textos más esenciales en el análisis
de sistemas de potencia, especialmente
el texto de Bergen y Vittal al que el
autor apunta.
la última sección de Control and
Dynamics in Power Systems and Mi-
crogrids aplica el material anterior a
las microrredes, analizando de mane-
ra integral los aspectos técnicos y las
soluciones para su desarrollo exito-
so. la información considera a fondo
los problemas de las microrredes. El
control de las microrredes se presenta
como una extensión del análisis tra-
dicional con las soluciones a muchos
114 ieee power & energy magazine
problemas de muestra. El objetivo es
ofrecer información usando “ejemplos
de programación, herramientas de di-
seño de control de última generación
y conceptos de control avanzados para
el análisis tradicional extendidos a las
microrredes”. Esto se logra de gran
manera. El libro aborda el control de
frecuencia, incluidas las caídas, y luego
analiza a fondo el control de converti-
dores y la distribución de potencia en-
tre los convertidores con microrredes,
incluido el material con los modos de
control PQ y VF.
En los últimos dos capítulos, se
analiza la estabilidad de las señales
amplias y pequeñas. El objetivo es pre-
sentar derivaciones y análisis del mo-
delo de sistema lineal. Estas secciones
les servirán a los lectores.
El objetivo del autor es hacer un
puente entre el control tradicional y
el control de las microrredes. dicho
objetivo se logra plenamente. El lec-
tor aprende gracias a ejemplos de pro-
blemas y sus soluciones con el código
MatlaB proporcionado. Recomien-
do totalmente Control and Dynamics
in Power Systems and Microgrids
como complemento para presentacio-
nes de textos tradicionales de análisis
de sistemas de potencia. destaco la
presentación de problemas y soluciones
con el código MatlaB por parte del
autor como una herramienta de apren-
dizaje completa.
—Gerald Sheblé
p&e
mayo/junio 2018
 ®

2018
IEEE PES

!

5-9 AUGUST
!

" 

CONVENTION CENTER AND CROWN PLAZA

Re-imagining the Electric Grid

Join us for the 2018 PES General Meeting in Portland, Oregon
R EG I ST R AT I O N I S N OW OP E N !
The 2018 IEEE Power & Energy Society General Meeting will be held from August 5-9, 2018
at the Convention Center and Crown Plaza.

The PES General Meeting attracts over 3,400 professionals from every segment of the electric
power and energy industries. It features a comprehensive technical program with paper
presentations, poster and panel sessions, a number of technical tours, a student program and
companion activities.

As always, IEEE PES has put together an outstanding program,

with Super Sessions addressing such topics as:


<
953(/(
7(054
$0'
3,'
(4,.,(0&:


<
0(3*:
513$*(


<
:%(3
$0'
+:4,&$.
(&63,5:


<
,453,%65('
(0(3$5,10

(*6.$5,10
0*,0((3,0*
Modeling, and Impacts

105
/,44
5+,4
42(&5$&6.$3
(7(05
/$-(
2.$04
018
51
$55(0'

#(
.11-
)138$3'
51
4((,0*
:16
,0
135.$0'

IEEE PES – More Power to the Future TM

For more information visit: pes-gm.org/2018

Identificador de Objeto Digital 10.1109/MPE.2018.2816860
 calendario

eventos de la PES
para obtener más información, visite www.ieee-
pes.org

E
El sitio wEb dE la PowEr (ISGT, por sus siglas en inglés, Asia),
& Energy society (PEs) del iEEE 22–25 de mayo, singapur, contactar con
(http://www.ieee-pes.org) presenta una Kian Hoong Kwan, kwankh@tp.edu.sg,
sección de eventos, la cual incluye http://sites.ieee.org/isgt-asia-2018/home/
solicitudes de artículos e información
adicional sobre cada uno de los eventos Junio de 2018
patrocinados por la PEs. Conferencia y Exposición de Electrifi-
cación del Transporte en Asia-Pacífico
Mayo de 2018 del IEEE (ITEC, por sus siglas en in-
Tecnologías Innovadoras de la Red In- glés, Asia-Pacífico 2018), 6–9 de junio,
teligente en Asia de la PES del IEEE bangkok, tailandia, contactar en itec-ap@
evat.or.th, https://www.itec-ap2018.com/
Identificador de Objeto Digital 10.1109/MPE.2018.2801445
Fecha de publicación: 18 de abril de 2018
Conferencia y Exposición de Electrifi-
cación del Transporte del IEEE (ITEC,
por sus siglas en inglés, 2018), 13–15 de
junio, long beach, California, Estados
Unidos, contactar con omer onar, ona-
roc@ornl.gov, http://itec-conf.com/
PowerAfrica de la PES del IEEE (Power-
Africa 2018), 26–29 de junio, Ciudad del
Cabo, sudáfrica, contactar con abraham
s Meets FAA Specifications! Gebregergid, abraham.g.us@ieee.or,
Color – Size – Shape!
– International Orange
http://sites.ieee.org/powerafrica/
s Tested and approved by
major power companies! Agosto de 2018
s Thousands still in service
after 40 years Reunión General de la PES del IEEE
s Universal attaching! Fits any (GM, por sus siglas en inglés, 2018),
wire .1" to 1"!
s Installs in 5 minutes!
5–9 de agosto, Portland, oregón, Es-
s Withstands hail! tados Unidos, contactar con richard
s No maintenance! Does not Goddard, richard.goddard@pgn.com, o
slip, oscillate, chafe, cause
electrolysis or harmonic shane Freepons, shane.Freepons@pgn.
vibration. com, http://pes-gm.org/2018/
s Ships in halves nested.
9, 12, 20, 24, 30, and 36" balls
& special sizes available
Septiembre de 2018
Conferencia y Exposición sobre Distri-
Call now 573-796-3812 bución y Transmisión en América La-
ext. 2001 tina de la PES del IEEE (T&D LA, por
Fax 573-796-3770 sus siglas en inglés, 2018), 18–21 de sep-
www.tanawiremarker.com tiembre, lima, Perú, contactar con alex
TANA WIRE MARKERS
arquinego Paz, alex.arquinego@ieee.
P.O. Box 370, California, MO 65018
org, http://ieee-tdla2018.org/
Octubre de 2018
Conferencia de Ingeniería Eléctrica
y Energética en Asia-Pacífico de la
PES del IEEE (APPEEC, por sus si-
glas en inglés, 2018), 7–10 de octubre,
sabah, Malasia, contactar con Zuhaina
Zakaria, zuhaina@ieee.org, http://sites.
ieee.org/appeec-2018/
Tecnologías de Redes Inteligentes
Innovadoras en Europa de la PES
del IEEE (ISGT, por sus siglas en in-
glés, Europa 2018), 21–25 de octubre,
sarajevo, bosnia y Herzegovina, con-
tactar con senad Huseinbegovic, shu-
seinbegovic@etf.unsa.ba, http://sites.
ieee.org/isgt-europe-2018/
Noviembre de 2018
Red de Potencia Electrónica del IEEE
(eGRID, por sus siglas en inglés,
2018), 12–14 de noviembre, Charleston,
Carolina del sur Estados Unidos,
contactar con Johan Enslin, jenslin@
clemson.edu, http://ieee-et-d.org/
Foro Internacional sobre Redes Inteli-
gentes para Ciudades Inteligentes del
IEEE (SG4SC, por sus siglas en in-
glés, 2018), 26–28 de noviembre, Genk,
bélgica, contactar con Geert deconinck,
geert.deconinck@kuleuven.be, http://
www.ieeesg4sc.org/
Enero de 2019
Evento del Comité Técnico Mixto de la
PES del IEEE (JTCM, por sus siglas en
inglés, 2019), 13–17 de enero, condado de
orange, California, Estados Unidos, con-
tactar con solveig ward, sward@quanta-
technology.com, www.pestechnical.org
p&e

116 ieee power

634276_Tana.indd 1 & energy magazine
23/03/13 10:38 AM mayo/junio 2018
 UPCOMING

Electric Power Industry EDUCATION COURSES

TALK
Know someone who could benefit
from more technical knowledge
of the Power Industry?
IEEE PES Plain Talk courses are designed for
power industry professionals who are not already
experts. They will help you understand technical
aspects of the electric power industry, even if you
do not have an engineering background.

Attendees will gain insights into the concerns of

engineers, the demands of regulators and
consumer groups, and the factors and trends
that impact the operation of today's electric
power systems.

We are offering a course co-located with the

largest IEEE Power and Energy Conference
of the Year.

August 7-9, 2018 Online Courses

Portland, OR Coming Soon

Learn more: www.ieee-pes.org/professional-development/education/plain-talk

Identificador de Objeto Digital 10.1109/MPE.2018.2816861
 en mi opinión (continuación de la pág. 123)

Es probable que el valor de los da-
tos le brinde a la industria de potencia
un paradigma renovado que lleve a un
renacimiento de sus modelos empre-
sariales. Durante la última década, la
industria de potencia ha experimentado
cambios fundamentales de paradigma
debido a una serie de impulsores nor-
mativos y económicos. El primer im-
pulsor principal es el cambio drástico
de la cartera de generación. Alrededor
de 200 GW de capacidad de energía
variable renovable contribuye a cerca
del 20% de la capacidad de generación
total en los Estados Unidos, mientras
que se retiraron 16 GW de generación
por carbón en 2015 únicamente, con
más retiros por venir en las próximas
décadas. La confiabilidad y seguridad
de la red necesitarán ser diseñadas cui-
dadosamente para tales cambios en la
cartera de generación.
El segundo impulsor principal es el
creciente nivel de innovación y utiliza-
ción de la red de distribución en compa-
ración con la red de transmisión a nivel
mayorista. Por ejemplo, en la Unión Eu-
ropea, más del 90% de la energía solar
fotovoltaica recientemente instalada fue
integrada en los sistemas de distribución
de tensión más baja en 2016. Esto da
lugar a preguntas fundamentales para
los servicios públicos del futuro. ¿Cuál
sería el nuevo modelo empresarial que
alinearía intereses de varias partes inte-
resadas bajo el nuevo entorno? ¿Cómo
deberían redefinir las empresas de ser-
vicios públicos sus modelos empresaria-
les, de modo que sus partes interesadas
(incluyendo clientes de servicios públi-
cos, proveedores de recursos distribui-
dos, dueños de infraestructuras, opera-
dores del sistema y vendedores) puedan
estar correctamente incentivados para
mejorar el bienestar social?
En esta búsqueda, los datos pro-
bablemente desempeñarían un papel
importante. Muchos servicios de valor
agregado de las empresas de servicios
públicos podrían convertirse fácil-
mente en nuevas sendas para innova-
ciones y oportunidades comerciales.
Los ejemplos incluyen: asesoría sobre
la eficiencia energética en el hogar,
descuentos en horario pico o incluso
la electrificación del transporte, entre
otros. Todo esto requeriría el tercer pi-
lar de la futura industria de potencia:
los expertos con destreza en TD.
Así como los datos están transfor-
mando la forma en que las personas
realizan negocios minoristas, hoteleros
y muchos otros, es probable que los da-
tos tengan un importante impacto en la
modernización de la red eléctrica. Ade-
más de los problemas técnicos, existen
barreras políticas que regulan el acceso
a los datos y su uso. A menos que haya
un marco claro de políticas que indi-
quen qué se puede acceder, compartir
y asegurar, será difícil que las tecno-
logías tengan éxito por sí mismas. La
industria necesita un marco regulatorio
claro para abordar el asunto translineal
en todas las fronteras de organización

Datos de PMU
Datos de SCADA

Datos de AMI

Escala
Milisegundos Segundos Transmisión Minutos Temporal
continua
de Datos

Flujo de Potencia Óptimo

Máquina Transitoria Flujo de Potencia
Física de Estado Estacionario
Dinámica e Interacción Cuasi-Estático
Con Restricciones de Carga

Análisis

Milisegundos Segundos Minutos Escala

Temporal

• Detección de Anomalías • Detección de Fase

• Etc. • Estimación de Estado • Licitación en el Mercado
• Control de Tensión Predictivo
• Etc.

gráfico 1. La integración de datos y de modelos basados en la física en las operaciones del sistema de potencia en diver-
sas escalas temporales.

118 ieee power & energy magazine mayo/junio 2018

 & IAS

PowerAfrica Conference Presented

by IEEE PES and IEEE IAS

Cape Town
26-29 June 2018

JOIN US FOR POWERAFRICA 2018

PowerAfrica 2018 will be a platform for participants from academia, electric utilities and industry
to discuss experiences, best practices and associated technical developments that can be applied
towards the electrification of Africa, enabling socio-economic development. Power delivery
regulations, investments and policies will also be addressed.

This year the IEEE Power and Energy Society (PES) and Industrial Applications Society (IAS) have
joined forces to coordinate this important international forum on clean and affordable energy
pathways in support of the sustainable development goals throughout Africa.

Technical Sessions will Cover the Following Topic Areas:

• Infrastructure Advances
• Energy Access Frameworks and Policies
• Transforming and Renewing Centralised Systems
• Resilient Services from Energy, Water and Health
• Innovation in Components and Systems

Learn more at ieee-powerafrica.org

Identificador de Objeto Digital 10.1109/MPE.2018.2816862

 y definir la propiedad y el uso de datos
en distintas instancias.
Otra cuestión clave es cómo man-
tener los datos estrechamente acopla-
dos a los modelos físicos. El gráfico 1
muestra la posible visión de datos in-
tegrados con los modelos físicos sub-
yacentes. No sería sensato desechar
todo el maravilloso conocimiento que
los ingenieros y los investigadores han
acumulado por décadas y comenzar un
enfoque exclusivo de datos totalmente
nuevo para los sistemas de potencia y
energía. Por el contrario, tales modelos
y principios físicos ofrecen profundos
conocimientos para guiar los aspectos
educativos del descubrimiento basado
en datos. En términos de consecuen-
cias prácticas, sería importante juntar
a científicos de datos e ingenieros de
potencia para que puedan comunicarse
entre ellos y apreciar el valor y los co-
nocimientos de cada uno. En cuanto a
la investigación, sería extremadamente
productivo combinar las herramientas
del aprendizaje automático y de la cien-
cia de datos con una integración pro-
funda del modelo físico dinámico en
diversas escalas temporales.
La tercera cuestión es la disponibili-
dad y accesibilidad de los datos. Si bien
no todos los datos se pueden compartir
en el dominio público, existen muchos
espacios que vierten datos reales y
sintéticos. En los Estados Unidos, por
ejemplo, el compartir datos reales de
la red está limitado por restricciones
referentes a la información crítica de
la infraestructura de energía, según lo
definido por la Ley de patriotismo de
2001. Por lo tanto, podría llegar a ser
crucial para la comunidad de investiga-
ción que se construya una escala de da-
tos realista pero sintética que permita
evaluar nuevos algoritmos e ideas.
La comunidad de la Power & Ener-
gy Society (PES) del IEEE reconoció
los retos y oportunidades del "big data"
tan pronto como el término "big data"
comenzó a tomar impulso. Después de
una propuesta inicial en julio de 2012
(durante la Reunión General de la PES
en San Diego), la comunidad decidió
establecer un grupo de trabajo para es-
tudiar el tema del "big data" y el análi-
sis en operaciones de red; el tema ahora
está a cargo del recientemente reestruc-
turado Comité de Métodos Analíticos
para Sistemas de Potencia. El comité
ha establecido varios grupos de tra-
bajo y fuerzas de trabajo, centrándose
en el acceso a los datos, análisis de los
sistemas de distribución y una serie de
seminarios web para todo el IEEE. El
grupo acaba de organizar con éxito el
primer Taller de "Big Data" en Servi-
cios Públicos del IEEE en San Anto-
nio, con más de 120 asistentes de todo
del mundo. Una monografía educativa
está en desarrollo para presentar las
ciencias de los datos a la PES. En su-
matoria, diez paneles y más de 1,000
participantes han asistido a las activi-
dades organizadas por este grupo. Este
comité participó en la edición especial
sobre "big data" de IEEE Transactions
on Smart Grid, publicada en septiem-
bre de 2016. Hay varios informes técni-

IEEE PES

RESOURCE IEEE PES Resource Center

CENTER

• Technical Reports
• Tutorials
EVERYTHING YOU NEED IN ONE PLACE • Videos
• Archived Webinars
• Conference Slides
POWER & and Presentations
ENERGY • And More!
CONTENT

IEEE PES – More Power to the Future TM

Visit the IEEE PES Resource Center and explore the most extensive library of content in the world devoted exclusively to
the field of power and energy. You don’t have to be a PES member to access the Resource Center’s vast array of content
available to assist in your research, presentations, or academic programs, and benefit your professional development!

PES Member Access: Most materials in the PES Non-PES Member Access: Discounted prices are
Resource Center are free to members. Members log-in listed for each product and non-members can use
with your username and password to download content. the shopping cart to purchase.

Visit the IEEE PES Resource Center: resourcecenter.ieee-pes.org

Identificador de Objeto Digital 10.1109/MPE.2018.2816863

cos en desarrollo con los voluntarios de
este comité. El grupo da la bienvenida
a más voluntarios.
En líneas generales, soy extrema-
damente optimista sobre las posibi-
lidades que los datos pueden ofrecer
a los sistemas de potencia y energía.
Esto podría llegar a ser tan importante
para la industria de potencia como la
incorporación de la computadora digi-
tal para el sector de la potencia, lo que
transformó toda la industria de la po-
tencia eléctrica. La introducción de da-
tos y de la inteligencia de datos puede
llegar a transformar nuestra industria
aún más. Somos afortunados de estar
mayo/junio 2018
en un momento muy emocionante en
la historia.
Lecturas complementarias
Y. LeCun, Y. Bengio, y G. Hinton,
“Deep learning,” (Aprendizaje profun-
do) Nature, vol. 521, págs. 436-444,
mayo 2015.
M. Wu y L. Xie, “Online de-
tection of low-quality synchrophasor
measurements: A data driven approa-
ch” (Detección en línea de medicio-
nes del sincrofasor de baja calidad: Un
enfoque impulsado por datos), IEEE
Trans. Power Syst., vol. 32, n.º 4, págs.
2817-2827, julio 2017.
X. Geng y L. Xie, “Learning the
LMP-load coupling from data: A sup-
port vector machine based approach”
(Aprendiendo sobre el acople de la car-
ga LMP desde los datos: Un enfoque
basado en una máquina de vectores de
soporte), IEEE Trans. Power Syst., vol.
32, n.º 2, págs. 1127-1138, mar. 2017.
T. Hong, C. Chen, J. Huang, N. Lu, L.
Xie, y H. Zareipour, “Guest editorial big
data analytics for grid modernization”
(Editorial invitada: análisis del "big
data" para la modernización de la red),
IEEE Trans. Red Inteligente, vol. 7, n.º 5,
págs. 2395-2396, sept. 2016.
p&e
ieee power & energy magazine 121
 índice de anunciantes
El Índice de anunciantes incluido en esta edición ha sido compilado como un servicio para nuestros lectores y
anunciantes: el editor no se responsabiliza por errores u omisiones, a pesar del esfuerzo por garantizar su exactitud.
Asegúrese de informar a nuestros anunciantes que los encontró a través de la IEEE Power & Energy Magazine.
Empresa n.º de URL Teléfono
página
ASPEN, Inc. CVR4 www.aspeninc.com +1 650 347 3997

Bigwood Systems, Inc. 14 www.bigwood-systems.com +1 607 257 0915

CYME CVR 2 www.cyme.com +1 800 361 3627

DIgSILENT GmbH 3 www.digsilent.com +49 7072 9168 0

EasyPower LLC 87 www.EasyPower.com/demo

Electrical Studies, Corp. 15 www.electrical-studies.com/photon

ETAP 7 etap.com/18 +1 949 900 1000

Manitoba HVDC Research Centre 11 www.pscad.com +1 204 989 1240

Neplan AG 5 www.neplan.ch +41 44 914 36 66

NR Electric Co., Ltd 93 www.nrec.com +86 25 8717 8888

P & R Technologies 89 www.pr-tech.com +1 800 722 8078

Powertech Labs Inc. 16 www.dsatools.com

PowerWorld Corporation 8 www.powerworld.com +1 217 384 6330

Reef Industries, Inc. 97 reefindustries.com +1 800 231 6074

RTDS Technologies, Inc. 10 www.rtds.com

See Water, Inc. 91 www.seewaterinc.com +1 888 733 9283

Shawcor 95 www.shawcor.com

Siemens AG International 13 siemens.com/digitalsubstation

Siemens Power Technologies International CVR 3 siemens.com/pss-odms

SKM Systems Analysis, Inc. 9 www.skm.com +1 800 500 4SKM

Tana Wire Markers 102 www.tanawiremarker.com +1 573 796 3812

Worcester Polytechnic Institute 97 bit.ly/wpi-pwr-info

445 Hoes Lane, Piscataway, NJ 08854

Representante de IEEE power & energy magazine

Erik Henson
Naylor Association Solutions
+1 352 333 3443, fax: +1 352 331 3525
ehenson@naylor.com

Identificador de Objeto Digital 10.1109/MPE.2017.2770701

122 ieee power & energy magazine mayo/junio 2018

en mi opinión
E
ESTABA SENTADO EN EL PRIMER
Taller de "Big Data" en Servicios Pú-
blicos del IEEE, llevado a cabo en San
Antonio en septiembre de 2017. Fue
justo después de que el histórico hura-
cán Harvey devastara Texas. Valentine
Emesih, vicepresidente de operaciones
de mercado y de redes de la división
energética de CenterPoint Energy, ha-
bló sobre pintar la capa de datos de
interrupciones en tiempo real en los
sistemas de información geográfica
(GIS, por sus siglas en inglés) para que
los clientes sean conscientes de cómo
progresa la restauración de la potencia.
Aunque el huracán fue muy grave, "big
data" ofreció un destello de optimismo
y esperanza para la recuperación pos-
terior a la emergencia. No podía evitar
pensar acerca del potencial del "big
data" y del análisis para transformar la
industria de la potencia.
En la actualidad, hay dos categorías
principales de expertos en servicios pú-
blicos y operadores de sistema: la gen-
te de TI (tecnología de la información)
y la de TO (tecnología operacional).
Mientras escuchaba las conferencias,
seguía pensando que, en el futuro, el
tercer pilar de la industria de la poten-
cia serían muy probablemente los ex-
pertos en "TD" (tecnología de datos y
análisis) como la "nueva norma".
Dada la naturaleza crítica de la in-
fraestructura de la potencia eléctrica,
las tecnologías avanzadas de detección,
Identificador de Objeto Digital 10.1109/MPE.2018.2793479
Fecha de publicación: 18 de abril de 2018
mayo/junio 2018
tecnología de los datos
la nueva norma
comunicación y cómputos siempre se
han acoplado estrechamente con el de-
sarrollo de la red. En la última década,
aproximadamente, gracias a las inicia-
tivas de redes inteligentes alrededor del
mundo, se han desplegado mil millones
de los dólares en tecnologías de la in-
formación y de la comunicación. Estas
generan una gran cantidad de datos en
diversas escalas temporales.
La industria ha comenzado a sacar
ventaja de estos datos emergentes al
abordar varios problemas a través de un
enfoque impulsado por datos. Además
de la visualización de datos mediante
GIS hay muchas otras aplicaciones. Por
ejemplo, ¿cómo se pueden utilizar los
datos de medidores inteligentes para
calibrar mejor las pérdidas no técnicas?
¿Cómo se pueden emplear los modelos
y mediciones del sistema de distribución
para calibrar parámetros en equipos ta-
les como los transductores? ¿Cómo se
podrían consolidar varios eventos en un
marco de modelado de datos integrado?
¿Cómo se pueden modelar y rastrear los
cambios eléctricos a nivel del usuario
final y al mismo tiempo mantener los
complejos modelos fáciles de manejar
a nivel de transmisión? Los casos adi-
cionales de uso incluyen la predicción
de daños por tormenta, la evaluación de
riesgos elevados del alimentador y mu-
chos otros. Como ingeniero de potencia,
esto brinda numerosas posibilidades
nuevas de solucionar grandes problemas
con un inmenso impacto social.
Desde el punto de vista de la in-
vestigación, la integración de datos
Le Xie
provenientes de sensores desplegados
de forma masiva con modelos físicos
subyacentes, los cálculos informáticos,
y las operaciones humanas proporciona
una gran oportunidad para la comuni-
dad de análisis de sistemas de potencia.
En el centro de este cambio estructural
sin precedentes yace el desafío cientí-
fico de modelar y operar el sistema de
potencia eléctrica, cada vez más com-
plejo. El rendimiento técnico y la oferta
de valor económico de los recursos dis-
tribuidos se podrían alinear en merca-
dos de electricidad reestructurados. La
ciencia de vanguardia de los datos se
puede integrar con sistemas de poten-
cia dinámicos en tiempo real y ofrecer
transmisión continua de análisis para
la operación y planificación de la red
de potencia subyacente. La transmi-
sión continua de datos del sincrofasor
se puede utilizar para el monitoreo en
línea de las anomalías del sistema, e in-
cluso proporcionar clasificaciones de la
causa principal de los eventos del siste-
ma para fines predictivos y preventivos
de control. De manera similar, en una
escala temporal diferente, el comporta-
miento de los consumidores conforme
a los precios en tiempo real se puede
obtener y analizar a través de una lente
dinámica de los sistemas. Un estudio
reciente sugiere que el comportamiento
podría no ser del todo lineal con rela-
ción a los precios, debido al patrón de
precios obtenido con anterioridad.
(continúa en la pág. 118)
ieee power & energy magazine 123
 IEEE PES

RESOURCE
CENTER

TUTORIALS
MERCHANDISE

TECHNICAL
REPORTS
CONFERENCE
VIDEOS SLIDES &
PRESENTATIONS
AND
MORE!

Visit the IEEE PES Resource Center and explore the industry’s most extensive
library of content devoted exclusively to the field of power and energy.

The PES Resource Center is the gateway to exclusive content, developed by

some of IEEE’s most esteemed experts in the field of power & energy.

Access to this invaluable content is available to both IEEE PES members, and
non-members, with special discounted rates for current members

Search the PES Resource Center and explore the vast array of content available!

PES MEMBER ACCESS NON-PES MEMBER ACCESS

Log-in with your username
and password to download
content to assist in your
research, presentations, or
academic programs
Explore the site and search
on your topics of interest.
Prices are listed below each
product and you can use the
shopping cart to purchase.

IEEE PES – More Power to the Future!

Visit the IEEE PES Resource Center today resourcecenter.ieee-pes.org

Seamless data management
and exchange across multiple
utility domains
with the PSS®ODMS Network Model Management
(NMM) Solution

There is only one physical transmission grid, but a

transmission company can have many diverse grid models
– each associated with a different enterprise domain.
Inconsistencies in model data can result in system
performance issues and excessive manual labor. With the
PSS®ODMS NMM solution, transmission companies can
leverage a “single source of truth” to coordinate and manage
network modeling information across their enterprise.

siemens.com/pss-odms
ASPEN
OneLiner
Short circuit and relay coordination program
trusted by utilities worldwide

ASPEN OneLiner ™
Powerful, fast, intuitive and easy to use

Applications Advanced features

PRC compliance Simulates breaker-failure conditions
Fault location Models wind and solar plants and VSC converters
Circuit breaker rating Time-distance diagram
Relay setting and testing Vendor-specific distance relay models
System-wide coordination studies Relay coordination checking with stepped events

ASPEN 49 N. San Mateo Dr., San Mateo, CA 94401 USA

650-347-3997 info@aspeninc.com www.aspeninc.com