See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/273000158

ANÁLISIS DE LA DISPONIBILIDAD EN UN SISTEMA TRANSMISIÓN ELÉCTRICA

MEDIANTE SIMULACIÓN DE MONTE CARLO Y CADENAS DE MARKOV
AVAILABILITY ANALYSIS OF ELECTRICAL TRANSMISSION S....

Conference Paper · November 2014

CITATIONS READS

0 1,808

2 authors:

Yorlandys Salgado Duarte Alfredo Manuel del Castillo Serpa

AGH University of Science and Technology in Kraków Universidad Tecnológica de la Habana, José Antonio Echeverría
25 PUBLICATIONS   3 CITATIONS    45 PUBLICATIONS   76 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Gestión de mantenimiento a subestaciones eléctricas de 220kV View project

Método para evaluar la probabilidad de vida técnica remanente de transformadores de fuerza View project

All content following this page was uploaded by Yorlandys Salgado Duarte on 02 March 2015.

The user has requested enhancement of the downloaded file.

 ANÁLISIS DE LA DISPONIBILIDAD EN UN SISTEMA TRANSMISIÓN
ELÉCTRICA MEDIANTE SIMULACIÓN DE MONTE CARLO Y CADENAS DE
MARKOV

Yorlandys Salgado Duarte1, Alfredo M. del Castillo Serpa1

1
Centro de Estudios de Matemática para las Ciencias Técnicas (CEMAT), Centro de Investigación y Pruebas
Electroenergéticas (CIPEL), Instituto Superior Politécnico José Antonio Echeverría (IPSJAE),
Calle 114 No.11901 entre Ciclo Vía y Rotonda, Marianao, La Habana, Cuba.
1
e-mail: ysalgado@cemat.cujae.edu.cu

RESUMEN

En el presente trabajo se analiza la confiabilidad de un subsistema de líneas de transmisión eléctrica basándose

en el cálculo de la disponibilidad como magnitud de mayor generalidad, capaz de relacionar las variables
aleatorias Xi.- tiempo (en horas) de operación hasta el fallo de la línea i y Wi.- tiempo (en horas) de restauración
del servicio de la línea i. El comportamiento probabilístico de tales variables es caracterizando a partir de
información disponible en la base de datos del Despacho Nacional de Carga (DNC). Se pretende evaluar la
confiabilidad de un subsistema de líneas de transmisión eléctrica después que ya ha transcurrido un tiempo
relativamente grande después de su período de explotación con la intención de identificar si hay deterioro o no
en la vida útil de sus componentes (líneas) con el objetivo de contribuir a tomas de decisiones pertinentes en la
operación o planeamiento del sistema, ya sea respecto a su mantenimiento o perspectivas de expansión de la
topología de la red.

PALABRAS CLAVES: Disponibilidad, Markov, Monte Carlo, Líneas de Transmisión.

AVAILABILITY ANALYSIS OF ELECTRICAL TRANSMISSION SYSTEM BY

MAIN OF THE MONTE CARLO SIMULATION AND MARKOV CHAIN

ABSTRACT

In this study the reliability of a subsystem power transmission lines is analyzed based on the calculation of the
availability and magnitude how greater generality, able to relate the random variables Xi.- time (in hours ) of
operation until the failure line i and Wi.- time (in hours ) of restoration service line i. The probabilistic behavior
of such variables is characterized based on information available in the database of the National Load Dispatch
(NLD). We sought to evaluate the reliability of a subsystem power lines after a relatively long time has elapsed
after its period of operation in an attempt to identify deterioration or not in the lifetime of its components
(lines) with the objective of contributing to take adequate decisions in operation or Planning system , regarding
either maintenance or growth prospects of the network topology .

KEY WORDS: Availability, Markov, Monte Carlo, transmission system.

1. INTRODUCCIÓN
Los Sistemas Eléctricos de Potencia (SEP) son imprescindibles para el desarrollo de un país; pero son tan
importantes como complejos. Dentro de los SEP, las líneas de transmisión tienen la función de transportar
grandes bloques de energía desde las unidades generadoras hasta los centros de consumo regulando las
transferencias, los niveles de tensión y la frecuencia. La evaluación de la confiabilidad de las líneas de
transmisión resulta pertinente y su estudio se reduce al cálculo de la disponibilidad a partir de índices de
desempeño, por lo que en el presente trabajo se abordan los métodos más utilizados en la literatura, sin dejar de

1
aclarar que actualmente siguen siendo todavía laboriosos y de gran dimensión espacial. En la literatura las
técnicas de evaluación de la confiabilidad de sistemas complejos, como es el subsistema de líneas de
transmisión, se refieren a la etapa de diseño, algunas poseen gran dimencionalidad y complejidad, otras exigen
una estadística muy detallada, haciéndose impracticable en las condiciones de Cuba [1][2][3].

El análisis de la disponibilidad de este presente trabajo para la evaluación de la confiabilidad en subsistemas de

líneas de transmisión tiene aplicabilidad en el Sistema Electroenergético Nacional (SEN) dado que utiliza la
información disponible en la base de datos del DNC, permitiendo tener resultados congruentes. La base de
datos permite calcular indicadores anuales como: número de fallas, energía cortada, horas al año sin servicio,
horas al año con servicio, tasa de falla y tasa de reparación que proporcionan información de la situación actual
de los índices de desempeño del subsistema y denotan variables para estudios de disponibilidad, los cuales
permiten identificar puntos débiles en la red para posteriores beneficios que se podrían obtener en la operación
o expansión.

2. CONCEPTOS SOBRE CONFIABILIDAD EN SISTEMAS ELÉCTRICOS

La confiabilidad de un sistema de potencia eléctrico se relaciona con la habilidad del sistema para realizar su
función de entregar energía, cuando y donde sea requerida, en los niveles de tensión y frecuencia apropiados.
El termino habilidad es usado para indicar la combinación de tasas con respecto a la carga y al sistema
generación – transmisión, disponibilidad aleatoria, salida de unidades y componentes de la red. Los efectos de
esas tasas combinadas deben ser apropiadamente cuantificados y analizados para la toma de medidas
pertinentes por el planificador del sistema. La evaluación del nivel de confiabilidad es indispensable para el
planeamiento y la operación del sistema de potencia. La confiabilidad de un sistema compuesto puede ser
descrita por dos atributos: adecuación y seguridad.

1.- La adecuación se define como la habilidad de suministrar la potencia de energía eléctrica requerida por los
consumidores dentro de los límites de tensión, potencia y frecuencia aceptables; teniendo en cuenta salidas
planeadas y no planeadas de los componentes y asumiendo condiciones estáticas de los mismos [4].

2.- La seguridad se define como una medida de la habilidad de un sistema de potencia compuesto para resistir
disturbios repentinos específicos tales como corto circuitos o pérdidas no anticipadas de componentes del
sistema. También se puede definir como la habilidad del sistema de sobreponerse a disturbios entre dos estados
estables [5][6][7].

En este trabajo los análisis que se realizan son basados principalmente en el primero de los conceptos antes
mencionados.

Criterios de evaluación de la confiabilidad en un sistema eléctricos de potencia

Los criterios de confiabilidad definen cuantitativamente los niveles aceptables de fallas, históricamente existen
dos criterios: determinístico y probabilístico [8]. Los criterios determinísticos son basados en la examinación
de un número de situaciones restrictivas escogidas de acuerdo al planificador y a la experiencia del operador,
tomando en consideración la incertidumbre de las cargas y la disponibilidad de los componentes del sistema.
Los criterios probabilísticos reconocen la naturaleza aleatoria de las cargas y las salidas del equipo de
generación – transmisión. En el presente trabajo son usados ambos criterios, considerando las ventajas y
desventajas de cada uno.

Índices de confiabilidad

La confiabilidad de un sistema eléctrico de potencia se expresa mediante índices, los cuales cuantifican la
calidad del servicio que presenta la red eléctrica. Deben ser lo suficientemente consistentes y sensibles para
distinguir varias situaciones alternativas y expresarle al operador o planificador del sistema (según el propósito
de estudio de la confiabilidad) lo que necesita saber del mismo: apoyo a la operación del sistema, análisis de la

2
operación ya ejecutada, justificar nuevas inversiones, comparar alternativas de expansión, informar que tan
confiable es el sistema a terceros, evaluar razón costo/beneficio, etc. [9].

Existen varias clasificaciones de índices, a continuación se muestran algunas:

Tabla 1: Clasificación de índices de desempeño.

Según su estructura. Según pérdida de carga [10].
a.- Básicos. a.- Probabilidad de falla.
b.- Compuestos. b.- Frecuencia de falla.
c.- Duración de falla.
d.- Severidad de falla.
e.- Energía no suministrada.
Según lugar de aplicación [11][12].
a.- Totalidad del sistema.
b.- Área.
c.- Barra o Subestación.
d.- Falla específica en punto particular.

Ajuste de leyes de probabilidad

Las leyes de probabilidad teóricas típicas para modelar las variables aleatorias en los subsistemas de
transmisión de los SEP son la Exponencial, Weibull, Lognormal y Gamma tanto para las variables aleatorias
Xi.- tiempo (en horas) de operación hasta el fallo de la línea i como Wi.- tiempo (en horas) de restauración del
servicio de la línea i, aunque no se excluyen la posibilidad de ajuste a otros modelos. Cada una de estas leyes
tiene parámetros estimados de distribución ajustada, a continuación se trata una de ellas.

Para el caso de la distribución Exponencial, su función de densidad es:

f (t ,  )    e t , t  0 (1)
Donde:
 .- es la media de la distribución ajustada.

Conociendo la función de densidad de una variable aleatoria, se puede determinar la razón de fallo o función
de riesgo Z(t), que para el caso de la variable aleatoria Xi permite decretar si el componente analizado presenta
deterioro o está en su período de vida útil, la misma se obtiene por la fórmula siguiente:
f (t )
Z (t )   (2)
 f (t ) dt
t
Para el caso de la Exponencial se obtiene que Z(t) es constante, la cual se toma como referencia en los estudios,
dado que la mayoría de los mantenimientos se realizan a partir del MTTF (Mean Time To Failure por sus
siglas en inglés), el cual coincide con la inversa del parámetro de esta ley; pero para las demás leyes su
comportamiento varía según los parámetros de ajuste de sus respectivas leyes, que a su vez dependen de la
variable aleatoria.

En el caso de los Tests de Bondad de Ajuste, se debe utilizar el test Chi-cuadrado definido en la ecuación (3),
si los datos son suficientes como para que este se ejecute (tamaño de la muestra superior a 25) o si el número
de observaciones es demasiado pequeña, el criterio de decisión es a partir el test de Kolmogorov-Smirnov
definido en la ecuación (4) que se apropia muy bien a muestras pequeñas.
k
(O  Ei )2
X2  i (3)
i 1 Ei
Donde:
X 2 .- Estadístico de la prueba.
k .- Número de clases en que está agrupada la muestra.
Oi .- Frecuencia observada de la clase i .
Ei .- Frecuencia esperada de la clase i .
D  max  D , D  (4)

3
Donde:
i 
D   max   z(i )  .- Distancia máxima entre la curva empírica y el histograma de clases de los datos por
i
n 
encima de la curva.
 i  1
D   max  z(i )  .- Distancia máxima entre la curva empírica y el histograma de clases de los datos por
i
 n 
debajo de la curva.
z(i )  F ( x(i ) ) .- Distribución de probabilidad acumulada de los datos.

Puede darse el caso donde no se ajuste ningún modelo teórico típico, haciéndose necesario la formalización de
leyes de probabilidad empíricas, que con la ayuda de técnicas de identificación como las Redes Neuronales
permiten al igual que las leyes teóricas conocer dado un tiempo hasta el fallo o reparación cuál es la
probabilidad de que el sistema o componente según sea el caso funcione o viceversa [13][14].

Redes Neuronales Artificiales

Las gran capacidad de procesamiento de información del cerebro, adaptabilidad a los cambios y fortaleza al
momento resolver los problemas a través de la experiencia (aprendizaje) entre otras, han sido la inspiración
para la creación de un modelo de simulación llamado red neuronal artificial (RNA o ANN por sus siglas en
inglés), que busca recrear su funcionamiento mediante la utilización de modelos matemáticos, el objetivo es
conseguir que las maquinas den respuestas similares a las de un cerebro humano. El uso de redes neuronales
ofrece las siguientes propiedades [15][16].

1.- No linealidad.
2.- Mapeo entrada – Salida.
3.- Adaptabilidad.
4.- Tolerancia a las fallas.
5.- Analogía neurobiológica.

Estas propiedades dotan a las redes neuronales con la capacidad de resolver problemas complejos, que no
pueden ser resueltos de manera tradicional. Las RNA generalmente son utilizadas en la clasificación de
patrones que a simple vista son de difícil detección, separando la información en grupos que poseen
características similares.

La red neuronal está compuesta de neuronas artificiales interconectadas unas con otras, cada neurona tiene una
salida que depende de la función de propagación consistente en la sumatoria de cada entrada Xn multiplicada
por el peso de conexión Wn, si el peso es positivo la conexión se denomina excitadora en caso contrario se
denomina inhibitoria. Seguidamente una función de activación y por ultimo una salida Y. Un esquema simple
se muestra en la Fig. 1.

Figura 1: Esquema simple de una Red Neuronal Artificial.

Donde:
X n .- Representa la señal de entrada.
Wn .- Representa los pesos de las variables de entrada.

4
Y .- Salida.

Modelos para el cálculo de la disponibilidad de los componentes de una red

Los SEP son sistemas cuyo funcionamiento es continuo, fallan cada cierto tiempo y son reparables. Estos
atributos dan lugar a una serie de parámetros probabilísticos relacionados con los índices de confiabilidad que
se quieren calcular.

La base del cálculo de esta probabilidad es la disponibilidad de las componentes del sistema. Los valores de
estos parámetros son en realidad valores medios esperados. Las predicciones que se hacen de estos valores se
basan en gran medida en los valores históricos de los índices de confiabilidad de los componentes del sistema.
Es importante por lo tanto, cuando se realiza un análisis de confiabilidad, no sólo verificar el método utilizado,
sino también verificar la confiabilidad de los datos de partida. Se debe señalar que en general no existe mucha
estadística con respecto al comportamiento de los sistemas eléctricos por lo tanto la escasez de estos datos ha
sido uno de los principales problemas para realizar estudios sobre el comportamiento de sistemas eléctricos de
potencia.

Cadenas de Markov

La teoría de procesos de Markov, iniciada por A. A. Markov en 1906, se basa en el principio denominado en
física como principio de causalidad [17]. Un ejemplo es un sistema descrito por una ecuación diferencial
siguiente:
dyt
 f (t , yt ) , y0 = dado (5)
dt
La propiedad de Markov para un proceso Xt es la traducción estocástica del principio de causalidad. Para el
caso de ser Xt variables aleatorias continuas, se denomina función de transición del proceso de Markov a la
ecuación (6) y densidad de transición a la ecuación (7).
y
P( X t  y / X s  x)   f X t (u / X s  x) du (6)


d
P( X t  y / X s  x)  f X t ( y / X s  x) (7)
dy
De Markov, Chapman Kolmogorov deducen que, para 0  s  u  t , x, y  se deduce la siguiente ecuación:
d
P ( X t  y / X s  x )   ( P ( X t  y / X u  v) P( X u  v) / X s  x) dv (8)
 dv
La generalización en el espacio de estado parte de definir las Cadenas de Markov a tiempo continuo donde el
término p(xt) significa P(Xt = xt). La propiedad de Markov tiene la siguiente forma: Para cualesquiera tiempos
0  t1  t2      tn , p ( xtn xt1 , . . ., xtn1 )  p ( xtn xtn1 ) .

Esta probabilidad se escribe de manera breve mediante la expresión pij(t), para i y j enteros no negativos. En
particular para t = 0 se define nuevamente pij(t) como la función delta de Kronecker, es decir,
1 si i  j 
pij (0)   ij    (9)
0 si i  j.
Haciendo variar los índices i y j en el espacio de estados, se obtiene la matriz de probabilidades de transición al
tiempo t:
 p00 (t ) p01 (t ) . . .
 
 p10 (t ) p11 (t ) . . 
 
pt   . .  (10)
 . . 
 
 . . 

5
Las Cadenas de Markov presentan tres propiedades para su utilización.

1.- Probabilidades de transición.

Supondremos que el espacio de estados es  0, 1 , . . .  y que el tiempo de estancia asociado el estado i es la
variable aleatoria Ti, la cual supondremos positiva con función de distribución Fi(t). Se denotará por pij a la
probabilidad de que la cadena salte del estado i al estado j. Adicionalmente impondremos la condición pii  0 ,
y con ello se inhibe, por ahora, que la cadena salte al mismo estado de partida. Las probabilidades de transición
cumplen entonces las siguientes condiciones:
a) pij  0 .
b) pii  0 .
c)  j
pij  1

2.- Independencia.
Supondremos que los tiempos de estancia Ti1 , Ti 2 ,. . . son independientes entre sí, y también son
independientes del mecanismo mediante el cual se escoge el estado j al cual la cadena brinca después de estar
en cualquier otro estado i.

3.- Estados absorbentes o no absorbentes.

Supondremos que cada variable Ti es finita con probabilidad uno, o bien es infinita con probabilidad uno. En el
primer caso se dice que el estado i es no absorbente, y en el segundo caso que es absorbente. El hecho de que
Ti   se interpreta en el sentido de que el proceso deja de saltar y permanece en el estado i el resto del
tiempo, es decir, es absorbente. Estamos entonces suponiendo que sólo hay dos tipos de estados: absorbentes o
no absorbentes, en otras palabras, con probabilidad uno el tiempo de estancia es finito o con probabilidad uno
es infinito.

Los sistemas de generación – transmisión por sus características pueden describirse a partir de Cadenas de
Markov, las cuales pueden modelar dos etapas del mismo: en funcionamiento, o estado disponible, y averiado,
o estado indisponible. Entre los dos estados que puede tener el sistema, se definen tasas de transición. En el
caso del subsistema de líneas de transmisión, las tasas de transición de un estado a otro cuando la ley de ajuste
de las variables aleatorias es Exponencial son: λ, tasa de falla del sistema, y µ, tasa de reparación del sistema.
En la Fig. 2 está representada una cadena continua de Markov con dos estados, disponible e indisponible, y dos
tasas de transición λ y µ.

Figura 2: Cadena de Markov de un sistema con dos estados.

La técnica típica que se aplica para conocer todos los estados operativos de un subsistema de transmisión es la
Enumeración de Estados. Dado que las componentes del sistema puede estar en solo dos estados posibles:
disponible o no disponible; la dimensión del problema es igual a 2n, donde n es el número de componentes
analizados. Por tanto, la probabilidad de pasar de un estado a otro depende en gran medida del grado de
incidencia de la razón de falla o reparación del componente que puede provocar la indisponibilidad.

Simulación de Monte Carlo

La Simulación de Monte Carlo consiste en la simulación de una gran cantidad de situaciones, generadas en
forma aleatoria, donde los valores de los índices de confiabilidad corresponden a los momentos de las
distribuciones de probabilidad asociadas al estado del sistema [18] – [23]. El método de Simulación de Monte
Carlo se clasifica según sea el caso de estudio en:

6
1.- Simulación de Monte Carlo Secuencial.
2.- Simulación de Monte Carlo No Secuencial.

Para el caso de la disponibilidad de los componentes se utiliza el método Monte Carlo Secuencial el cual
corresponde a una simulación cronológica de la operación de un sistema eléctrico en un lapso definido de
tiempo. El ciclo de “disponible” – “no disponible” de cada componente es simulado a lo largo de la línea de
tiempo, obteniéndose como resultado una secuencia cronológica del estado del sistema. Esta metodología
permite incluir factores cronológicos como una modelación horaria de la demanda, impacto de la hidrología y
realizar un cálculo más preciso de los indicadores relacionados con frecuencia y duración. No obstante, esta
metodología consume considerablemente más recursos computacionales debido a la mayor complejidad de la
simulación.

Si se considera un modelo de dos estados, a partir de la distribución ajustada, tomando como ejemplo la
Exponencial, se obtienen los valores aleatorios de las variables Xi y Wi, que denotaremos TTF y TTR
respectivamente mostrados en las ecuaciones (11) y (12), a partir de la inversa de la distribución ajustada,
generando con una distribución Uniforme números aleatorios U1 y U2 entre (0,1).
1
TTF   ln U1 (11)

1
TTR   ln U 2 (12)

El ciclo “disponible” – “no disponible” de cada componente es simulado como se muestra en la Fig. 3, y el
cálculo de la disponibilidad es a partir de la ecuación (13).
m (Xi )
D (Xi )  (13)
M
Donde M es el número total de ciclos simulados y m(Xi) es la cantidad de ciclos simulados en que el sistema
está funcionando, denotando 1 cuando mi sistema o componente está funcionando según sea el caso y 0 cuando
no está funcionando.

Figura 3: Secuencia de estado de un componente.

3. METODOLOGÍA
Las consideraciones de los modelos matemáticos utilizados es necesario garantizarlas para la aplicación de la
siguiente metodología. La evaluación de la confiabilidad es posible obtenerla correctamente siguiendo los
pasos enumerados a continuación:

Paso 1.- Ajuste de modelos probabilísticos unimodales posibles para cada variable aleatoria Xi y Wi,
determinando sus correspondientes funciones de riesgo o razones de fallas Zi(t) y Ui(t).

Paso 2.- Representar, mediante diagramas en bloque, el caso de estudio de la manera más simple posible para
poder visualizar correctamente su configuración.

7
Paso 3.- Análisis de la disponibilidad del caso de estudio utilizando las Cadenas de Markov en caso de ajustes
de leyes Exponenciales y Weibull y Simulación de Monte Carlo en el caso de ajuste de cualquier tipo de ley
teórica.

Nota: La RNA se utiliza cuando es necesario utilizar leyes de probabilidad empírica. Para calcular la
disponibilidad con la RNA el método a utilizar es la Simulación de Monte Carlo.

4. EJEMPLO DE APLICACIÓN
En la Fig. 4 se muestran las líneas que se analizan en el subsistema de transmisión de 110 kV seleccionado
como caso de estudio y su nomenclatura. La estadística de falla de las líneas modeladas es obtenida del
SCADA del DNC, datos que aparecen en la tesis [24].

Figura 4: Mono-lineal del caso de estudio para la evaluación de la confiabilidad.

Paso 1.

Los resultados de las Tablas 2 y 3 son los parámetros de las leyes de probabilidad teórica ajustada para las
fallas y reparaciones respectivamente de la Línea Artemisa – Cemento Acay – Mariel, obtenidas con la ayuda
del software StatGraphics, que permite modelar matemáticamente el comportamiento de la variable Xi y Wi. La
ecuación (14) muestra para la Línea Guanajay – Artemisa, la ley acumulada empírica propuesta para la
variable Xi normalizada y los resultados de su ajuste mediante redes neuronales se muestra en la Tabla 4. Estos
resultados son obtenidos para cada una de las líneas del caso de estudio.

Tabla 2: Parámetros de las leyes de probabilidad ajustada para la variable aleatoria Xi.
Exponencial Gamma Lognormal Weibull
media = 1074,23 forma = 0,771964 media = 1559,38 forma = 0,846821
escala = 0,000718622 desviación estándar = 4646,27 escala = 986,934
Escala log: media = 6,2069
Escala log: desv. est. = 1,51337

Tabla 3: Parámetros de las leyes de probabilidad ajustada para la variable aleatoria Wi.
Exponencial Gamma Lognormal Weibull
media = 6,18056 forma = 0,856795 media = 9,92028 forma = 0,92887
escala = 0,138627 desviación estándar = 30,0409 escala = 5,98908
Escala log: media = 1,13485
Escala log: desv. est. = 1,52298

8
 0.142857 si 0  X i  0.003374

0.285714 si 0.003374  X i  0.241289
0.428571 si 0.241289  X i  0.518006

p ( X i )  0.571429 si 0.518006  X i  0.546560 (14)
0.714286 si 0.546560  X i  0.591367

0.857143 si 0.591367  X i  0.749405

1 si 0.749405  X i  1

Tabla 4: Resultados de ajuste con RNA de la Línea Guanajay – Artemisa.

Red del tipo Algoritmo de retro – propagación 1 – 20 – 1, una
neurona a la entrada, una capa oculta con 20 neuronas y una
neurona a la salida, con función de aprendizaje Levenberq –
Marquardt y función de transferencia entre capas Sigmoidea.
Fallas Normalizadas Salida de la Red Error
0.003373963 0.003376458650607 -2.49570e-06
0.241288953 0.241288951945950 1.05400e-09
0.518005594 0.518005599659324 -5.65930e-09
0.546560474 0.546560461574585 1.24250e-08
0.591367219 0.591367225356351 -6.35640e-09
0.749405196 0.749405193985420 2.01460e-09
1 0.999679397104845 3.20600e-04

Paso 2.

En el presente trabajo solo se estudian las líneas de transmisión, por ende se considera que la Generación y
Trasformación (refiriéndose a las subestaciones) no fallan, no obstante no invalida ningún resultado y no deja
de ser pertinente. Se muestra en la Fig. 5 el equivalente en bloques del monolineal del subsistema caso de
estudio escogido para una mejor comprensión.

Figura 5: Diagrama en Bloque del Monolineal caso de estudio.

Paso 3.

La enumeración utilizando Cadenas de Markov y la Simulación de Monte Carlo no son mutuamente

excluyentes, el uso de estos métodos está determinado según el estudio en particular. Para el caso del cálculo
de la disponibilidad de los componentes de una red de líneas de transmisión eléctrica ambos son análogos, pero
las Cadenas de Markov están limitadas por el tipo de ley ajustada; sin embargo la Simulación de Monte Carlo
no. El registro de falla y reparación según sea el caso se ajusta en la mayoría de los casos a varias de estas leyes
de probabilidad teóricas típicas, como se muestran en las Tablas 2 y 3, por lo que hay que tomar criterio de
cuál de todas se acerca más al modelo real del comportamiento de las variables Xi y Wi.

9
Esta analogía entre las Cadenas de Markov y la Simulación de Monte Carlo, se comprueba mediante el cálculo
de la disponibilidad para el mismo componente por ambos métodos mediante el ajuste de ley Exponencial,
dado que según la teoría para este caso Markov es exacto. En la Fig. 6 se muestra la Línea Artemisa – Cemento
Acay – Mariel para 1000 horas de funcionamiento. En el caso de la Simulación de Monte Carlo, a medida que
se aumente el número de simulaciones se acerca a la solución exacta (Simulación de Monte Carlo 1), pero
criterios prácticos demuestran que es más factible fijar un número de simulaciones y calcularla n veces y
promediar los resultados (Simulación de Monte Carlo 2).

Figura 6: Disponibilidad de la Línea Artemisa – Cemento Acay – Mariel para 1000 horas de funcionamiento.

Las Tablas 5 y 6 muestran el cálculo de la disponibilidad para 1000 horas de funcionamiento del enlace
Briones – Mariel. Para la solución de cada sistema de ecuaciones diferenciales resultante de modelar
matemáticamente las líneas de transmisión mediante Cadenas de Markov se utiliza la herramienta MatLab,
capaz de obtener mediante el método numérico de Runge Kutta de 4to Orden una solución con error absoluto
menor que 10-10. Para el caso de la Simulación de Monte Carlo se utiliza una secuencia de códigos
implementada en la herramienta MatLab.

Tabla 5: Markov Exponencial.

Línea Disponibilidad
Artemisa - Cemento Acay – Mariel 0.994279
Briones – Paso Real 0.999833
Briones – San Cristóbal 0.999646
Guanajay – Artemisa 0.999697
Guanajay – Cemento Acay – Mariel 0.996956
Paso Real – Artemisa 0.999826
San Cristóbal – Artemisa 0.997983
Enlace Briones – Mariel 0.999980

Tabla 6: Simulación de Monte Carlo.

Línea Disponibilidad
Artemisa – Cemento Acay – Mariel 0.994072
Briones – Paso Real 0.999732
Briones – San Cristóbal 0.999644
Guanajay – Artemisa 0.999720

10
 Guanajay – Cemento Acay – Mariel 0.995648
Paso Real – Artemisa 0.999790
San Cristóbal – Artemisa 0.996316
Enlace Briones – Mariel 0.999971

5. CONCLUSIONES
1.- Evaluar la confiabilidad de un subsistema de líneas de alta tensión así como identificar si hay deterioro o no
en el tiempo de sus características de diseño a través de la información disponible en las bases de datos del
DNC es posible aplicando correctamente la metodología.

2.- El ajuste a varias leyes de probabilidad teóricas o empíricas trae como resultado que se necesite tomar
juicio de cuál describe el comportamiento real de la variable analizada, tal es así que existen diferencias de
4.84 % en las milésimas de la Línea Artemisa –Cemento Acay– Mariel en los resultados de la disponibilidad,
que para este tipo de estudio son significativas.

3.- La tendencia muestra que el subsistema caso de estudio escogido para la aplicación del método propuesto
está en su período de vida útil por tanto se debe mantener el plan de mantenimiento implementado hasta el
momento dado que todos los enlaces tienen una disponibilidad del orden de los cinco nueves, comparables con
los requerimientos internacionales para este tipo de sistema [27].

REFERENCIAS

1. BILLINTON, R., WOJCZYNSKI, E. “Distributional variation of distribution systems reliability indices”.

IEEE Transactions on Power Apparatus and Systems, Vol. PAS-104, Nro.11, November 1985, pp. 3152-
3160.
2. BILLINTON, R., GOEL, R. “An analytical approach to evaluate probability distributions associated with
the reliability indices of electric distributions systems”. IEEE Transaction on Power Delivery, Vol.
PWRD-1, Nro.3.
3. DYALINAS, E.N. “Evaluating the approximate distributions of load point reliability indices in power
distribution networks”. Proceedings of the IEE, Vol. 135, Pt. C, Nro. 5, September 1988, pp. 450-460.
4. JOSÉ A. RINCÓN GUERRERO, “Confiabilidad en sistemas de generación y transmisión de energía”,
Departamento de Ingeniería Eléctrica y Electrónica, Universidad de los Andes, Bogotá D.C., Enero 2001.
Tesis de estudiante de maestría en el área de Sistemas de potencia y Planeamiento energético.
5. B. PORRETTA, D. KIGUEL, G. HAMOUD y E. NEUDORF, “A comprehensive approach for adequacy
and security evaluation of bulk power systems” , IEEE Transactions on Power Systems, Vol. 6 , No 2,
Mayo 1991.
6. A. REI, A. LEITE DA SILVA, J. JARDIM y J. C. DE OLIVEIRA MELLO, “Static and dynamic aspects in
bulk power system reliability evaluations, IEEE Transactions on Power Systems, Vol. 15 No. 1, Febrero
2000.
7. R. BILLINTON y E. KHAN, “A security based approach to composite power system reliability evaluation”,
IEEE Transactions on Power Systems, Vol. 7, No. 1, Febrero 1992.
8. BILLINTON, R., GROVER, M.S. “Reliability assessment of transmissions and distributions systems”.
IEEE Transactions on Power Apparatus and Systems, Vol. PAS-94, 1975, pp. 724-732.
9. M. P. BHAVARAJU, P. F. ALBRECHT, R. BILLINTON, N. D. REPEN y R. J. RINGLEE, “Requirements
for composite system reliability evaluation model”, IEEE Transactions on Power Systems , Vol. 3, No. 1,
Febrero 1988.
10. R. BILLINTON y R. N. ALLAN, “Reliability evaluation of power systems”, Pitman Publishing INC, 1984.
11. T. S. DILLON y Y. BACKLUND, “Reliability modeling of composite power systems”, Swedish State
Power Board Systems Development, April 1987.
12. R. N. ALLAN, G. STRBAC, J. MILANOVIC, “Reliability assessment of power systems”, UMIST,
Febrero 2000.
13. O. GÓMEZ, L. P. GARCÉS, “Inferencia estadística utilizando Redes Neuronales Artificiales”, Scientia et
Technica Año X, No 26, Diciembre 2004. UTP. ISSN 0122-1701.

11
 14. L. P. GARCÉS, O. GÓMEZ, “Secuencia operativa de componentes mediante sistemas nuerodifusos para
análisis de confiabilidad”, Scientia et Technica Año XI, No 29, Diciembre de 2005. UTP. ISSN 0122-
1701.
15. Hilera, J.; Martínez, V. Redes neuronales artificiales: fundamentos, modelos y aplicaciones. Madrid, RA-
MA, 1995.
16. Sánchez, E. N.; García, A. Alma Y. Redes Neuronales. Madrid, Prentice-Hall, 2006.
17. L. Rincón, “Introducción a los Procesos Estocásticos,” Departamento de Matemáticas, Facultad de
Ciencias UNAM, Enero 2011.
18. Li, Wenyuan. Risk Assessment of Power Systems. [ed.] Mohamed E El-Hawary. s.l. : Jhon Wiley & Sons,
2005.
19. Soto, Manuel. Cálculo de índices nodales y funcionales de confiabilidad en sistemas eléctricos de potencia.
Pontificia Universidad Católica de Chile. Santiago de Chile: s.n., 1997. Tesis para Magister en Ciencias de
la Ingeniería.
20. Keller, K. y Franken, B.F.C. Quality of supply and market regulation; survey within Europe. s.l.: KEMA
Consulting, 2006.
21. North American Electric Reliability Corporation, NERC. Reliability Standards for the Bulk Electric
System of North America.
22. IEEE Power Engineering Society. IEEE 1366 Guide for Electric Power Distribution Reliability Indices.
2003.
23. National Grid. National Electricity Transmission System Performance Report. 2009 - 2010.
24. SALGADO, D.Y., del CASTILLO, S.A. “Análisis de Confiabilidad de un Subsistema de Líneas de
Transmisión de 110 kV de la Zona Occidental”. Tesis de Diploma. Centro de Investigación y Pruebas
Electroenergéticas. Instituto Superior Politécnico José Antonio Echeverría, Ciudad de La Habana, 2013.

SOBRE LOS AUTORES

Yorlandys Salgado Duarte

Actualmente poseo el título de Ingeniero Electricista, me desempeño como Profesor de Matemática de la
carrera de Ingeniería Eléctrica, pertenezco al Centro de Estudios de Matemática para las Ciencias Técnicas
(CEMAT) del Instituto Superior Politécnico José Antonio Echeverría (IPSJAE), soy integrante del Grupo de
Investigación Nacional “Sistemas de Ingeniería”.

Alfredo del Castillo Serpa

Ingeniero Electricista desde 1969 en la Universidad de La Habana. Doctor en Ciencias Técnicas desde 1985 en
el ISPJAE, Cuba. Pertenece al Centro de Estudios de Matemática para las Ciencias Técnicas (CEMAT) del
Instituto Superior Politécnico José Antonio Echeverría (IPSJAE), es integrante del Grupo de Investigación
Nacional “Sistemas de Ingeniería”.

12

View publication stats