Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tesis Influencia Del Viento en LT
Tesis Influencia Del Viento en LT
FACULTAD DE INGENIERIA
Departamento de Ingeniería Eléctrica
Santiago – Chile
2019
Algunos derechos reservados. Esta obra está bajo una Licencia Creative
Commons Atribucin-NoComercial-Compartir Igual 3.0. Sus condiciones de uso pueden ser
revisadas en: <http://creativecommons.org/licenses/bync-sa/3.0/cl/>.
TÍTULO: INFLUENCIA DE LA VELOCIDAD DEL VIENTO EN LA
CAPACIDAD DE DISEÑO DE UNA LINEA DE TRANSMISIÓN
DE ALTA TENSIÓN.
CLASIFICACIÓN TEMÁTICA: Líneas de Transmisión, Capacidad de
Transmisión, Balance Térmico, Trabajo Titulación, Modelo de
Distribución.
AUTOR: David Sergio Pérez Mardones
CARRERA: Ingeniería Civil en Electricidad
GRADO: LICENCIADO en Ciencias de la Ingeniería
PROFESOR GUÍA: Ortiz Navarrete, Luis
AÑO: 2019
RESUMEN
i
ABSTRACT
This thesis studies the possibility of assuming a higher wind speed in the calculation of the
design capacity of a high voltage and short length transmission line.
Wind speed records of meteorological stations located throughout the national territory are
reviewed and their probability distribution is evaluated. In addition, the study area is delimited to
the fourth region of Coquimbo and a short line of the zone is considered to compare the thermal
limits of transmission with the current wind speed and with one considered more representative.
Finally, it presents the effects of the study and the proposed future works.
ii
TABLA DE CONTENIDO
ÍNDICE DE TABLAS ..................................................................................................................... vii
1. INTRODUCCIÓN ................................................................................................................. 10
iii
Balance de energía en régimen transiente .......................................................... 22
iv
Decimotercera Región Metrtopolitana.................................................................. 37
Minería de datos................................................................................................... 62
v
6. CONCLUSIONES Y TRABAJOS FUTUROS ...................................................................... 68
REFERENCIAS ............................................................................................................................ 70
vi
ÍNDICE DE TABLAS
Tabla 2.1: Información técnica referente a capacidad de transmisión para condiciones normales
de operación con y sin sol. Fuente [7]. ........................................................................................ 21
Tabla 2.2: Información técnica referente a capacidad de transmisión para condiciones de
sobrecarga admisibles de corta duración con y sin sol. Fuente [7] ............................................. 21
Tabla 2.3: Coficientes del polinomio que caracteriza a Qs .......................................................... 24
Tabla 2.4: Componente variable de la azimut solar .................................................................... 24
Tabla 2.5 Valores de cuantiles superiores de la distribución de la estadística 𝐃𝐧. de
Kolmogorov-Smirnov. Fuente [12]. .............................................................................................. 30
Tabla 3.1: Constantes de escala y forma de los datos de estaciones de la II Región ................ 34
Tabla 3.2: Constantes de escala y forma de los datos de estaciones de la III Región. .............. 34
Tabla 3.3: Constantes de escala y forma de los datos de estaciones de la IV Región. .............. 34
Tabla 3.4: Constantes de escala y forma de los datos de estaciones de la VI Región. .............. 35
Tabla 3.5: Constantes de escala y forma de los datos de estaciones de la VII Región. ............. 35
Tabla 3.6: Constantes de escala y forma de los datos de estaciones de la VIII Región. ............ 35
Tabla 3.7: Constantes de escala y forma de los datos de estaciones de la IX Región. .............. 36
Tabla 3.8: Constantes de escala y forma de los datos de estaciones de la X Región. ............... 36
Tabla 3.9: Constantes de escala y forma de los datos de estaciones de la XI Región. .............. 36
Tabla 3.10: Constantes de escala y forma de los datos de estaciones de la XII Región. ........... 37
Tabla 3.11: Constantes de escala y forma de los datos de estaciones de la XIII Región. .......... 37
Tabla 3.12: Constantes de escala y forma de los datos de estaciones de la XIV Región. ......... 37
Tabla 3.13: Constantes de escala y forma de los datos de estaciones de la XV Región. .......... 38
Tabla 4.1: Estaciones de medición presentes en cada región. ................................................... 39
Tabla 4.2: Estaciones de medición representativas para cada línea de transmisión. ................. 41
Tabla 4.3: Velocidades de viento y Probabilidad acumulada en estaciones influyentes en Línea
Las Compañías-Tap Romeral [110kV] ........................................................................................ 44
Tabla 4.4: Media y desviación estándar de velocidades de vientos de Tabla 4.3....................... 45
Tabla 4.5: Datos de la línea Las compañías-Tap Romeral 110kV .............................................. 47
Tabla 4.6: Datos de localización de la línea. ............................................................................... 48
Tabla 4.7: Características del conductor AAAC Alliance ............................................................. 48
Tabla 4.8: Capacidad de transmisión para la velocidad de diseño declarada y calculada. ........ 50
Tabla 4.9: Aumento en la capacidad de transporte ..................................................................... 50
Tabla 4.10: Promedio de aumento de capacidad ........................................................................ 50
vii
Tabla 4.11: Capacidad de transmisión para la velocidad de diseño declarada y calculada. ...... 52
Tabla 4.12: Aumento en la capacidad de transporte ................................................................... 52
Tabla 4.13: Medias del aumento en la capacidad de transporte ................................................. 52
Tabla 4.14: Capacidad de transmisión para la velocidad de diseño declarada y calculada. ...... 53
Tabla 4.15: Aumento en la capacidad de transporte ................................................................... 54
Tabla 4.16: Medias del aumento en la capacidad de transporte ................................................. 54
Tabla 4.17: Capacidad de transmisión para la velocidad de diseño declarada y calculada. ...... 55
Tabla 4.18: Aumento en la capacidad de transporte ................................................................... 55
Tabla 4.19: Medias de aumento en la capacidad de transporte .................................................. 56
Tabla 5.1: Medidas de evaluación ............................................................................................... 63
viii
ÍNDICE DE FIGURAS
ix
CAPITULO 1
1. INTRODUCCIÓN
Las líneas de transmisión de energía eléctrica forman parte fundamental de los Sistemas
Eléctricos de Potencia (en adelante SEP), y cumplen la tarea de transportar la energía desde
los sistemas de generación a los centros de consumo [1].
El sistema de transmisión puede clasificarse por sus niveles de tensión, en líneas de
media y alta tensión. En particular, las líneas aéreas de transmisión de alta tensión (tensión
nominal entre 60 y 220 Kv [2]), son la solución para el transporte de grandes bloques de
energía, pues al elevar el voltaje, para una misma capacidad de corriente se incrementa el
producto de estas, además de reducir sustancialmente las perdidas Joule producto de la
circulación de corriente [1].
Por otra parte, el despacho económico de cargas se realiza mediante un modelo de
optimización lineal, donde las capacidades de las líneas de transmisión forman parte de las
restricciones, es por esto que juegan un rol fundamental en el despacho económico a la hora de
determinar los costos marginales de la energía [3].
Considerando que las principales limitantes en la capacidad de transmisión son la
impedancia característica, caídas de tensión, límites de estabilidad y límites térmicos [4], [5],
además de que la velocidad de viento es la variable que más influye en la capacidad de
transmisión desde la participación del balance de energía del conductor [6], es que el estudio de
probabilidad de velocidades de viento aplicado al balance energético en una línea de
transmisión puede resultar un ejercicio importante de resolver para determinar la estimación de
la capacidad de transmisión de una línea.
Existen dos formas de entender el límite térmico para el diseño de una línea. La primera y
tradicional corresponde a suponer el peor caso, donde la demanda es máxima y todas las
variables meteorológicas hacen que el limite sea menor que en ausencia de ellas. Este límite se
conoce como límite térmico estático. La segunda es aceptar que el límite térmico varía en
función de la demanda y variables externas al conductor, y que monitoreando estas variables es
posible aprovechar los aumentos de capacidad temporales de la línea, en tiempo real (límite
térmico dinámico).
10
1,6
Capacidad de la Línea
1,4
1,2
1
0,8
en 0/1
0,6
0,4 Límite Térmico Estático
0,2 Límite Térmico Dinámico
0
Actualmente se emplea el primer concepto para varios periodos durante el día [7], lo que
permite estimar a través del límite térmico estático una curva un tanto conservadora de
capacidad dinámica de una línea.
Independiente del punto de vista de diseño que se aplique, la variable de mayor
incidencia en la capacidad térmica, es la velocidad del viento que impacta en los conductores.
Es por esto que para el cálculo de límite estático se asume la peor condición de viento de las
que se tenga registro, o la que asegure la mayor cantidad de mediciones por sobre ella. Por su
parte, para aprovechar la capacidad dinámica de una línea, la variable que es de mayor
importancia monitorear es la velocidad de viento en conjunto con la temperatura del conductor
[4]–[6].
Considerando lo anterior, surge la idea de aplicar un método de cálculo de la probabilidad
de la velocidad del viento con el fin de obtener una capacidad térmica estática de diseño
representativa. Actualmente los anexos técnicos de los operadores y/o dueños de las líneas de
trasmisión se realizan asumiendo una velocidad del viento igual a 0,6 m/s cuando en realidad la
velocidad de viento del “pero caso” puede ser mayor considerando registros de la zona en la
que está emplazada la línea [8].
Una velocidad de viento de diseño mayor a la que actualmente se ocupa (0,6 m/s)
proporciona una mayor capacidad de transmisión en una línea. El presente trabajo pretende
comprobar que las velocidades de viento que se registran en el territorio nacional son mayores
a la utilizada actualmente y que su aplicación puede generar cambios positivos en el aumento
de la capacidad de transporte.
Ahora al momento de estimar una velocidad de diseño más representativa es necesario
aplicar técnicas de cálculo de estadística espacial, minería de datos y algoritmos genéticos.
Estas materias no se encuentran al alcance de ésta carrera de pregrado, por lo que una muy
buena aproximación es emplear modelos estadísticos en puntos donde se tenga registro de
velocidades de viento. Luego dependiendo de los resultados pueden desarrollarse estudios más
avanzados para profundizar el tema de investigación.
11
1.3 OBJETIVOS
Objetivo general
Aplicar un modelo de distribución estadística a la velocidad de viento para estimar, en
una primera instancia de investigación, la capacidad térmica de diseño de una línea de
transmisión de alta tensión.
Objetivos específicos
Aplicar un método de cálculo de capacidad térmica de transporte de una línea de
transmisión de alta tensión, en función de datos de velocidad modelados según una
función de distribución.
Calcular la variación de la capacidad térmica de diseño al considerar velocidades de
viento más representativas en una región acotada.
Identificar desventajas y beneficios de la estimación propuesta.
Como se ha expuesto, existen dos formas de entender el límite térmico para el diseño de
una línea. La primera es establecer el límite térmico, asumiendo las peores condiciones
meteorológicas de operación y carga (Límite Térmico Estático) y la otra forma es monitorear las
variables meteorológicas y determinar una capacidad dinámica en tiempo real considerando las
variaciones de la carga (Límite Térmico Dinámico) [4]–[6].
Al calcular el límite térmico estático, en la etapa e diseño se realizan consideraciones de
viento igual a 0,6 m/s. Éstas consideraciones no son realistas para todas las zonas del país,
pues no se realizan estudios de velocidad de viento apropiadas para cada caso.
Es por esto que en el presente trabajo de título se aplicará un modelo de distribución
estadística a las velocidades de viento medidas en estaciones meteorológicas, y conociendo
que esta es la variable que más influye en el balance energético de un conductor aéreo, se
establecerá el limite térmico que determina la capacidad de diseño en una línea de transmisión
aérea de alta tensión.
Para esto se revisa la normativa vigente y se recopilan mediciones de velocidades de
viento mensuales de estaciones meteorológicas. Luego se desarrollan 2 programas en el
software de simulación Matlab; el primero es para determinar las constantes de formas de la
función de distribución de tipo Weibull que se ajusta a datos recopilados y el segundo es para
calcular la una curva de capacidad de transmisión en función de la velocidad del viento, según
el estándar IEEE [10].
Luego con las funciones de probabilidades identificadas para cada estación, se escoge
una zona de estudio en función de la zona con mayores puntos de registro de velocidad de
12
viento. Por su parte se identifican las líneas cortas de la zona de estudio para ver que puntos de
medición son influyentes debido a su proximidad con la línea al momento de estimar una
velocidad de viento representativa.
Se realizan cuatro casos de estudio para una línea de la zona escogida (cuarta región).
Se simula la capacidad de transmisión para distintas velocidades de viento y temperatura
ambiente, en época de verano e invierno, durante el día y la noche para finalmente realizar
observaciones, conclusiones y comentarios técnico económicos del estudio y como se puede
ahondar en el tema.
Como se ha expuesto, existen dos formas de entender el límite térmico para el diseño de
una línea. La primera es establecer el límite térmico, asumiendo las peores condiciones
meteorológicas de operación y carga (Límite Térmico Estático) y la otra forma es monitorear las
variables meteorológicas y determinar una capacidad dinámica en tiempo real considerando las
variaciones de la carga (Límite Térmico Dinámico).
Teniendo en cuenta el mal supuesto de cálculo en el que se incurre actualmente para
determinar la capacidad de diseño estática con la velocidad de viento igual a 0,6 m/s. El
presente estudio desarrolla la idea de conseguir una aproximación representativa de la
velocidad de viento al momento de diseño. Por lo tanto su importancia radica en el
planteamiento de una nueva forma de calcular la capacidad de diseño con una velocidad de
viento obtenida a partir de los registros de vientos que se tienen en la zona de estudio. No
obstante, sabiendo que las técnicas empleadas para determinar dicha velocidad de mayor
representatividad son la aproximación primaria de un estudio más acabado, se presentan
además las teorías pertinentes para la indagación futura de consecuencias y validación futura
del trabajo.
13
que la definen para cada región del país. En el capítulo 4 se define la zona de estudio, las
estaciones de medición de la zona y las líneas que son influenciadas por los registros de sus
estaciones meteorológicas, se define la línea de estudio y se calcula la capacidad de diseño en
función de la velocidad del viento para finalmente presentar las consecuencias técnico
económicas.
El capítulo 5 está destinado a presentar la teoría necesaria para desarrollar el tema de
manera más avanzada. Se aborda la minería de datos, los algoritmos genéticos y la estadística
espacial. En el capítulo final se realizan las conclusiones del trabajo y se dan descripciones de
trabajos futuros para seguir en la línea de investigación
14
CAPÍTULO 2
2. MARCO TEÓRICO
15
2.2.1.1 Aumento de temperatura de operación del conductor existente
Esta solución se efectúa solo cuando en la planificación de una línea se contempla que a
futuro se puede tender otro conductor paralelo al existente, pues de no ser así el costo es
demasiado significativo debido a que el trabajo consiste en reemplazar la totalidad de las
estructuras por estructuras más robustas y ocupar solo la servidumbre de la línea que se desea
repotenciar [4], [5].
Al igual que el caso anterior este método es factible solo cuando en la planificación se
contempla el aumento de nivel de tensión puesto que las distancias mínimas de seguridad se
pueden ver vulneradas producto del aumento de los campos eléctricos en las superficies de los
conductores, aunque si el aumento de tensión no es grande podría efectuarse sin mayor
inconveniente, pero por supuesto sería un aumento menor de capacidad [4], [5].
Repotenciación Dinámica
16
El aumento de capacidad de transmisión aplicando el monitoreo de las variables
climáticas puede ser de un 15% a un 30% el 95% del tiempo. Se debe tener en cuenta que para
conseguir este aumento de capacidad es necesario invertir en estaciones meteorológicas y/o
puntos de medición de variables que deben estar comunicados en tiempo real [4], [5].
Medición indirecta: en esta medición se escogen dos barras de aluminio de tal manera
de imitar el conductor. Una barra cuenta con un radiador a modo de imitar el conductor
energizado y la otra barra se expone de manera natural en el ambiente.
Se trata de celdas de carga unidas por medio de unidades de transmisión a los extremos
de los vanos, precisamente entre la estructura y la cadena de aisladores. Estos equipos miden
tensión mecánica, radiación solar y temperatura ambiente. Emplean la tensión medida para
17
calcular una temperatura promedio del conductor y en conjunto con la radiación y temperatura
ambiente se calcula una velocidad de viento efectiva. En este método se emplea el concepto
“vano equivalente” para representar a partir de un vano, otros tramos de la línea [4], [5].
18
𝑑𝑇𝑐
𝑞𝑗 + 𝑞𝑚 + 𝑞𝑠 = 𝑚 ∙ 𝑐𝑝 ∙ + 𝑞𝑐 + 𝑞𝑟 + 𝑞𝑣 (2.2)
𝑑𝑡
𝑡 : Tiempo
El estudio realizado en [6] evaluó la incidencia de las variables relevantes del balance de
energía en la determinación de la capacidad de transmisión para un conductor de una línea
aérea de alta tensión.
Se concluye que las variables que mayor incidencia tienen en el aumento de la capacidad
de transmisión son la velocidad y dirección del viento, y las que mayor incidencia tienen en la
disminución de la capacidad de transmisión son la temperatura ambiente y la corriente que
circula por la línea. Efectos mucho menores provocan por ejemplo el día del año, la latitud o la
altura sobre el nivel del mar.
Efectos Mecánicos
19
𝛼 = 2,3 ∙ 10−5 1/℃ para el aluminio y aleación de aluminio.
centrales generadoras,
sistemas de transporte,
20
sistemas de almacenamiento de energía,
instalaciones de Distribución,
El Artículo 16 del anexo [7] indica la información que deben entregar los coordinados que
explotan a cualquier título líneas de transmisión. Dicho artículo contempla 32 ítems, refiriéndose
a la información de capacidad de transmisión en los ítems comprendidos entre el 27 y el 30,
como se indica en la Tabla 2.1 y la Tabla 2.2 respectivamente. Se solicita información del límite
térmico y sobrecarga admisible de corta duración para condiciones de operación con y sin sol.
Se indica que los cálculos deben realizarse para época estival y que se debe consultar la norma
IEEE Std 738-2016 y 2012 [10].
Por lo expuesto anteriormente es que, en el presente trabajo de título, se toman en
cuenta los procedimientos de cálculo de la norma [10] que se exponen en la sección.
Tabla 2.1: Información técnica referente a capacidad de transmisión para condiciones normales de
operación con y sin sol. Fuente [7].
Límites térmicos de la línea para una condición de operación sin sol para temperaturas
1.27 ambiente comprendidas entre 0° C y los 45° C, incluyendo ambas, con pasos de 2.5 °C
[kA]
Límites térmicos de la línea para una condición de operación con sol para temperaturas
1.28 ambiente comprendidas entre 0° C y los 45° C, incluyendo ambas, con pasos de 2.5
°C[kA]
Tabla 2.2: Información técnica referente a capacidad de transmisión para condiciones de sobrecarga
admisibles de corta duración con y sin sol. Fuente [7]
Límites de sobrecarga admisible de corta duración para una condición de operación sin
sol para temperaturas ambientes comprendidas entre 10° C. y los 40° C., incluyendo
1.29 ambas, para corrientes iniciales por circuito iguales al 0%, 50% y 75% de la corriente
nominal por circuito, entendiéndose por corta duración al período de duración igual a 15
minutos (Ref.:Art. 5-35 de la NT) [kA]
Límites de sobrecarga admisible de corta duración para una condición de operación con
sol para temperaturas ambientes comprendidas entre 10° C. y los 40° C., incluyendo
1.30 ambas, para corrientes iniciales por circuito iguales al 0%, 50% y 75% de la corriente
nominal por circuito, entendiéndose por corta duración al período de duración igual a 15
minutos (Ref.:Art. 5-35 de la NT) [kA]
21
IEEE Standard for Calculating the Current-Temperature Relationship of
Bare Overhead Conductors [10]
𝑞𝑐 + 𝑞𝑟 − 𝑞𝑠
𝐼=√ (2.7)
𝑅(𝑇)
Tal como se expuso en 2.3.1.2, para el balance de energía en régimen transitorio se debe
considerar la energía almacenada en el conductor, resultando la ecuación (2.8) :
𝑑𝑇
𝑞𝑗 + 𝑞𝑠 + 𝑚 ∙ 𝐶𝑝 ∙ = 𝑞𝑐 + 𝑞𝑟 [𝑊/𝑚] (2.8)
𝑑𝑡
Donde
𝑚 : Masa equivalente de los materiales del conductordel conductor
Luego, reordenando:
22
𝑑𝑇 1
= ∙ [𝑞𝑐 + 𝑞𝑟 − 𝑞𝑗 − 𝑞𝑠 ] [𝑊/𝑚] (2.9)
𝑑𝑡 𝑚 ∙ 𝐶𝑝
Que se rescribe como una ecuación de diferencias:
∆𝑇 1
= ∙ [𝑞𝑐 + 𝑞𝑟 − 𝐼 2 ∙ 𝑅(𝑇) − 𝑞𝑠 ] (2.10)
∆𝑡 𝑚 ∙ 𝐶𝑝
La ganancia de calor por efecto Joule describe el calentamiento del conductor producto
de la circulación de corriente por el mismo, y se calcula según la ecuación (2.6) vista
anteriormente. Ahora para determinar la resistencia a temperatura máxima es necesario realizar
un ajuste lineal como el descrito en la siguiente ecuación:
𝑅(𝑇2 ) − 𝑅(𝑇1 )
𝑅(𝑇𝑚𝑎𝑥 ) = ∙ (𝑇𝑚𝑎𝑥 − 𝑇1 ) + 𝑅(𝑇1 ) (2.11)
𝑇2 − 𝑇1
Ganancia de calor por radiación solar
𝑄𝑠𝑒 : Intensidad de calor total de la radiación del sol, corregida por altura
Además:
𝑄𝑠𝑒 = 𝐾𝑠𝑜𝑙𝑎𝑟 ∙ 𝑄𝑠 (2.13)
𝐾𝑠𝑜𝑙𝑎𝑟 : Factor de corrección por altura sobre el nivel del mar He
23
𝜔: Diferencia horaria entre la hora de medición y el mediodía local (12:00),
multiplicado por 15.
284 + 𝑁
𝛿 = 23,4583 ∙ 𝑠𝑒𝑛 ( ∙ 360) (2.17)
365
𝑁: Día del año (1-365)
Finalmente se tiene que el ángulo de incidencia de los rayos del sol resulta de la
ecuación (2.18):
𝑍𝑐 = 𝐶 + 𝑎𝑟𝑐𝑡𝑔(𝜒) (2.19)
La componente variable depende del ángulo horario, la latitud de la línea y la declinación
solar como se ve en la ecuación (2.20(2.20):
𝑠𝑒𝑛(𝜔)
𝜒= (2.20)
𝑠𝑒𝑛(𝐿𝑎𝑡) ∙ 𝑐𝑜𝑠(𝜔) − 𝑐𝑜𝑠 (𝐿𝑎𝑡) ∙ 𝑡𝑎𝑛(𝛿)
Y la componente constante se ocupa según la Tabla 2.4:
Tabla 2.4: Componente variable de la azimut solar
χ≥0 χ<0
−180 ≤ ω < 0 0 180
0 ≤ ω < 180 180 360
Para determinar las pérdidas por convección, [10] establece que se debe ocupar el valor
máximo que se obtiene de las siguientes 3 ecuaciones:
𝑞𝑐𝑛 = 3,645 ∙ 𝜌𝑓 0,5 ∙ 𝑑𝑒 0,75 ∙ (𝑇𝑠 − 𝑇𝑎 )1,25 (2.21)
24
𝑞𝑐1 = 𝐾𝑎𝑛𝑔𝑙𝑒 ∙ [1,01 + 1,35 ∙ 𝑁𝑅𝑒 0,52 ] ∙ 𝑘𝑓 ∙ (𝑇𝑠 − 𝑇𝑎 ) (2.22)
𝑞𝑐2 = 𝐾𝑎𝑛𝑔𝑙𝑒 ∙ 0,754 ∙ 𝑁𝑅𝑒 0,6 ∙ 𝑘𝑓 ∙ (𝑇𝑠 − 𝑇𝑎 ) (2.23)
Lo que matemáticamente puede escribirse como en (2.24):
𝑞𝑐 = 𝑚𝑎𝑥{𝑞𝑐𝑛 , 𝑞𝑐1 , 𝑞𝑐2 } (2.24)
Donde 𝑞𝑐𝑛 es la convección natural en ausencia de viento y 𝑞𝑐1 con 𝑞𝑐2 son ajustes de la
convección en presencia de viento para números de Reynolds 𝑁𝑅𝑒 bajos y altos
respectivamente.
Además se tiene que ρf es la densidad del aire, que depende de la altura sobre el nivel
del mar y del promedio entre la temperatura de servicio del conductor 𝑇𝑠 y la temperatura
ambiente 𝑇𝑎 que se define por 𝑇𝑓𝑖𝑙𝑚 como se presenta en la ecuación (2.25) :
1,293 − 1,525 ∙ 10−4 ∙ 𝐻𝑒 + 6,379 ∙ 10−9 ∙ 𝐻𝑒 2
𝜌𝑓 = (2.25)
1 + 0,00367 ∙ 𝑇𝑓𝑖𝑙𝑚
Por su parte el número de Reynolds se obtiene de la ecuación (2.26):
𝑑𝑒 ∙ 𝜌𝑓 ∙ 𝑉𝑤
𝑁𝑅𝑒 = (2.26)
𝜇𝑓
Donde Vw es la velocidad del viento y μf es la viscosidad dinámica del aire que a su vez
depende de Tfilm al igual que la conductividad térmica del aire k f , como muestran las
ecuaciones (2.27) y (2.28):
1,5
1,458 ∙ 10−6 ∙ (𝑇𝑓𝑖𝑙𝑚 + 273)
𝜇𝑓 = (2.27)
𝑇𝑓𝑖𝑙𝑚 + 383,4
𝑘𝑓 = 2,424 ∙ 10−2 + 7,477 ∙ 10−5 ∙ 𝑇𝑓𝑖𝑙𝑚 − 4,407 ∙ 10−9 ∙ 𝑇𝑓𝑖𝑙𝑚 2 (2.28)
Las pérdidas de calor por radiación del conductor se definen por la ecuación
𝑇𝑠 + 273 4 𝑇𝑎 + 273 4
𝑞𝑟 = 17,8 ∙ 𝑑𝑒 ∙ 𝜀 ∙ [( ) −( ) ] (2.29)
100 100
Donde:
ε : Emisividad del conductor.
Para entender con claridad ésta sección es necesario recordar algunas definiciones de
probabilidad y estadística [13]:
Definición 2.1: El conjunto de todos los posibles resultados de un experimento aleatorio
recibe el nombre de espacio muestral.
Definición 2.2: De dice que un espacio muestral es discreto si su resultado puede
ponerse en una correspondencia uno a uno con el conjunto de los enteros positivos.
25
Definición 2.3: Se dice que un espacio muestral es continuo si sus resultados consisten
de un intervalo de números reales.
Definición 2.4: Un evento del espacio muestral es un grupo de resultados contenidos en
éste, cuyos miembros tienen una característica común.
Definición 2.5: Sea S cualquier espacio muestral y E cualquier evento de éste. Se llamará
función de probabilidad sobre el espacio muestral S a P(E) si satisface los siguientes axiomas1:
1. 𝑃(𝐸) ≥ 0
2. 𝑃(𝑆) = 1
3. ∀𝐸 ∈ 𝑆, 𝐸𝑖 ∩ 𝐸𝑗 = ∅ ∀𝑖 ≠ 𝑗 ⟹ 𝑃(𝐸1 ∪ 𝐸2 ∪ ⋯ ) = 𝑃(𝐸1 ) + 𝑃(𝐸2 ) + ⋯
Ahora bien, la distribución de probabilidad de una variable aleatoria continua X está
caracterizada por una función f(x) que recibe el nombre de función de densidad de probabilidad.
Si se le asignara una probabilidad a cada valor específico x de la variable aleatoria X, la suma
en X no sería uno. Por lo tanto, la probabilidad de que una variable aleatoria continua X tome un
valor específico x es cero. Por lo anterior es que la función de densidad de probbilidad no
representa la probabilidad de X = x, en concreto ésta proporciona un medio para determinar la
probabilidad de un intervalo a ≤ X ≤ b [13].
Definición 2.6: Sea S un espacio muestral sobre el que se encuentra definida una función
de probabilidad. Sea X una función de valor real definida sobre 𝑆, de manera que transforme los
resultados de S en puntos sobre la recta de los reales. Se dice entonces que 𝑋 es una variable
aleatoria.
Definición 2.7: Se dice que una variable 𝑋 es continua si sus valores consisten en uno o
más intervalos de la recta de los reales.
Definición 2.8: Si existe una función 𝑓(𝑥) tal que
1. 𝑓(𝑥) ≥ 0, −∞ < 𝑥 < ∞,
∞
2. ∫−∞ 𝑓(𝑥) 𝑑𝑥 = 1, y
𝑏
3. 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫𝑎 𝑓(𝑥) 𝑑𝑥
para cualesquiera 𝑎 y 𝑏, entonces 𝑓(𝑥) es la función de densidad de probabilidad de la variable
aleatoria continua 𝑋.
La función de distribución acumulativa de una variable aleatoria continua 𝑋 es la
probabilidad de que X tome valor menor o igual a algún x específico. Esto es:
𝑥
𝑃(𝑋 ≤ 𝑥) = 𝐹(𝑥) = ∫ 𝑓(𝑡) 𝑑𝑡, (2.30)
−∞
26
se tiene que,
𝑃(𝑋 ≤ 𝑥) = 𝑃(𝑋 < 𝑥) = 𝐹(𝑥). (2.32)
La función de distribución acumulativa F(x), es una función lisa no decreciente de los
valores de la variable aleatoria con las siguientes propiedades [13]:
1. 𝐹(−∞) = 0;
2. 𝐹(∞) = 1;
3. 𝑃(𝑎 < 𝑋 < 𝑏) = 𝐹(𝑏) − 𝐹(𝑎);
𝑑𝐹(𝑥)
4. = 𝑓(𝑥).
𝑑𝑥
La distribución Weibull fue establecida por el físico suizo del mismo nombre quien
demostró, con base en una evidencia empírica, que el esfuerzo al que se someten los
materiales puede modelarse de manera adecuada mediante el empleo de ésta distribución [13].
Definición 2.4: Se dice que una variable aleatoria X tiene una distribución de Weibull si
su función de densidad de probabilidad está dada por (2.33):
𝑏 𝑥 𝑏−1 −(𝑥 )𝑏
𝑓(𝑥; 𝑎, 𝑏) = {𝑎 (𝑎) ∙ 𝑒 𝑎 , 𝑥 > 0; 𝑎, 𝑏 > 0.
(2.33)
0 para cualquier otro caso
Como se puede apreciar ésta distribución depende de dos parámetros el de escala a y el
de forma b. Adicionalmente se puede reemplazar la variable aleatoria de Weibull X por X − c, en
donde c es un parámetro de localización que representa un valor umbral o tiempo de garantía.
27
Figura 2.1: Función de distribución Weibull
Ajuste de la muestra
Para una muestra de una variable aleatoria, es posible realizar un ajuste con sus
observaciones para obtener los parámetros de una función de distribución de probabilidad del
tipo Weibull que se aproxima a describir el comportamiento de la función de distribución de
probabilidad de la muestra. Los ajustes más comunes son el ajuste lineal y no lineal, que en
general, cualquier paquete de software computacional de ingeniería puede realizar, de todas
formas a continuación se desarrolla el método teórico para el ajuste lineal [14].
Se tiene que la función de probabilidad acumulativa es:
𝑥 𝑏
𝐹(𝑥) = 1 − 𝑒 −(𝑎) (2.37)
Que se reordena de la siguiente manera:
1 𝑥 𝑏
= 𝑒 (𝑎) (2.38)
1 − 𝐹(𝑥)
Aplicando logaritmo natural 2 veces la expresión se reescribe:
1 𝑥 𝑏
𝐿𝑛 [𝐿𝑛 ( )] = 𝐿𝑛 [( ) ] = 𝑏 ∙ 𝐿𝑛(𝑥) − 𝑏 ∙ 𝐿𝑛(𝑎) (2.39)
1 − 𝐹(𝑥) 𝑎
Luego, se tiene una relación lineal al asumir las variables auxiliares:
1
𝑧 = 𝐿𝑛 [𝐿𝑛 ( )] (2.40)
1 − 𝐹(𝑥)
𝑢 = 𝐿𝑛(𝑥) (2.41)
𝑚=𝑏 (2.42)
𝑛 = −𝑏 ∙ 𝐿𝑛(𝑎) (2.43)
28
Que se expresa por:
𝑧=𝑚∙𝑢+𝑛 (2.44)
Con lo que se puede aplicar una regresión lineal al cálculo de los puntos (u(x), z(x))
según las relaciones de las ecuaciones (2.40)(2.41)(2.42) y (2.43).
Dicho ajuste, se somete a una prueba de bondad, que acepta o rechaza la aproximación
a la función de distribución de probabilidad.
Test de Kolmogorov-Smirnov
29
Para un tamaño e del error del tipo I (“falso negativo”, es decir que se rechaza
erróneamente H0 ), la región crítica es de la forma:
𝑐
𝑃 (𝐷𝑛 > )=𝛼 (2.47)
√𝑛
De acuerdo con lo anterior, la hipótesis H0 se rechaza si para algún valor x observado del
valor Dn se encuentra dentro de la región crítica de tamaño α [13].
1−α
n
0.80 0.85 0.90 0.95 0.99
1 .900 .925 .950 .975 .995
2 .684 .726 .776 .842 .929
3 .565 .597 .642 .708 .828
4 .494 .525 .564 .624 .733
5 .446 .474 .510 .565 .669
6 .410 .436 .470 .521 .618
7 .381 .405 .438 .486 .577
8 .358 .381 .411 .457 .543
9 .339 .360 .388 .432 .514
10 .322 .342 .368 .410 .490
11 .307 .326 .352 .391 .468
12 .295 .313 .338 .375 .450
13 .284 .302 .325 .361 .433
14 .274 .292 .314 .349 .418
15 .266 .283 .304 .338 .404
16 .258 .274 .295 .328 .392
17 .250 .266 .286 .318 .381
18 .244 .259 .278 .309 .371
19 .237 .252 .272 .301 .363
20 .231 .246 .264 .294 .356
25 .21 .22 .24 .27 .32
30 .19 .20 .22 .24 .29
35 .18 .19 .21 .23 .27
Fórmula para 1,07 1,14 1,22 1,36 1,63
una n mayor √n √n √n √n √n
30
CAPITULO 3
Como bien se explica en la sección 2.5, una variable aleatoria es continua si sus valores
consisten en uno o más intervalos de la recta de los reales, por consiguiente los registros de
velocidad de viento representan a una variable aleatoria continua. Luego, es preciso emplear
31
funciones de densidad de probabilidad para poder determinar la probabilidad de que la variable
aleatoria tome un rango específico de valores. Se emplea entonces la función de distribución
acumulativa definida como la integral de la función densidad.
La distribución de probabilidad o función de distribución de probabilidad Weibull es
utilizada en diversas aplicaciones. Dentro de ellas se encuentra el modelado de la distribución
de velocidad de viento [14]. Weibull permite describir la distribución de la velocidad de viento
cuando se desea, por ejemplo, estimar volúmenes de generación de energía de parques
eólicos, y pese a que la aplicación desarrollada en el presente trabajo aborda la estimación de
la incidencia en la convección forzada del calor y por ende en la capacidad de una línea de
transmisión a causa del viento, no debiese alejarse de una buena aproximación.
El ajuste de los datos a una distribución de tipo Weibull y luego la prueba de bondad
mediante el test de Kolmogorov Smirnov permiten saber si es posible modelar los datos
registrados de velocidad de viento como una función de ti Weibull. En el Anexo A se presentan
los resultados del proceso de ajuste y prueba de bondad de las estaciones evaluadas.
Al conocer las estaciones que cumplen con el ajuste, es posible realizar un análisis de las
probabilidades de obtener ciertas velocidades de viento de una manera no muy compleja. Basta
con graficar o tabular la probabilidad acumulada respecto de la velocidad de viento para
determinar por ejemplo una tolerancia, o en otras palabras, que velocidades de viento se está
dispuesto descartar o valores frecuentes de viento e incluso valores de los que no se tienen
registro. Todo esto puede dar una idea del comportamiento espacial del viento, por lo que sirve
como base de un modelo más complejo que pueda corroborar con certeza la probabilidad de
ocurrencia del viento en una determinada zona geográfica.
Recordando que la función de distribución de probabilidad de Weibull está descrita por la
siguiente ecuación:
𝑣𝑤 𝑏
𝐹(𝑣𝑤 ) = 1 − 𝑒 −( 𝑎 ) (3.1)
Es posible obtener de manera matemática una velocidad de viento mínima que asegure
con una probabilidad determinada que el resto de las velocidades de viento sean superiores a la
velocidad mínima.
Sea P la probabilidad de resgistrar una velocidad de viento inferior a la velocidad de
viento mínima vwmín , se tiene que dicha velocidad mínima se puede calcular de la siguiente
manera:
𝑣𝑤𝑚í𝑛 𝑏
𝐹(𝑣𝑤𝑚í𝑛 ) = 1 − 𝑒 −( 𝑎
)
=𝑃 (3.2)
𝑣𝑤𝑚í𝑛 𝑏 (3.3)
𝑒( 𝑎
)
= (1 − 𝑃)−1
32
Aplicando logaritmo natural:
𝑣𝑤𝑚í𝑛 𝑏 (3.4)
( ) = −𝐿𝑛(1 − 𝑃)
𝑎
𝑣𝑤𝑚í𝑛 𝑏 = 𝑎𝑏 ∙ −𝐿𝑛(1 − 𝑃) (3.5)
Finalmente:
𝑏 (3.6)
𝑣𝑤𝑚í𝑛 = 𝑎 √−𝐿𝑛(1 − 𝑃)
Para la Región de Antofagasta las estaciones que cumplen con el filtro de antigüedad de
registro son las 7 que se presentan en la Tabla 3.1:
33
Tabla 3.1: Constantes de escala y forma de los datos de estaciones de la II Región
34
Quinta Región de Valparaíso
Para la Región de O’Higgins las estaciones que cumplen con el filtro de antigüedad de
registro son las 2 que se presentan en la Tabla 3.4.
Tabla 3.4: Constantes de escala y forma de los datos de estaciones de la VI Región.
Para la Región del Maule las estaciones que cumplen con el filtro de antigüedad de
registro son las 5 que se presentan en la Tabla 3.5.
Tabla 3.5: Constantes de escala y forma de los datos de estaciones de la VII Región.
35
Tabla 3.7: Constantes de escala y forma de los datos de estaciones de la IX Región.
36
Duodécima Región de Magallanes
Para la Región de Aysén las estaciones que cumplen con el filtro de antigüedad de
registro son las 4 que se presentan en la Tabla 3.10.
Tabla 3.10: Constantes de escala y forma de los datos de estaciones de la XII Región.
Tabla 3.11: Constantes de escala y forma de los datos de estaciones de la XIII Región.
Tabla 3.12: Constantes de escala y forma de los datos de estaciones de la XIV Región.
37
Tabla 3.13: Constantes de escala y forma de los datos de estaciones de la XV Región.
38
CAPITULO 4
4. ZONA DE ESTUDIO
39
4.1 LOCALIZACIÓN DE LÍNEAS Y ESTACIONES DE LA IV REGIÓN
En primer lugar se presentan las líneas del SEN y las estaciones de medición en los
mapas geo-referenciados de la Figura 4.1 y la Figura 4.2.
Figura 4.1: Mapa geo-referenciado (1) de estaciones de medición en la cuarta región (Archivo del
Coordinador editado por el autor).
40
Figura 4.2: Mapa geo-referenciado (2) de estaciones de medición en la cuarta región (Archivo del
Coordinador editado por el autor).
De las figuras expuestas se puede relacionar líneas de transmisión cortas de alta tensión
con estaciones de medición cercanas. En la Tabla 4.2 se puede observar las líneas que son
influenciadas por las respectivas estaciones meteorológicas.
41
Las Cardas
UCN Guayacan
4 Pan de azucar - Minera Teck CDA
Pan de Azúcar
Coquimbo [El Panul]
Las Cardas
UCN Guayacan
5 Nueva Pan de Azucar-Pan de Azucar
Pan de Azúcar
Coquimbo [El Panul]
Las Cardas
UCN Guayacan
6 El Peñón-Pan de Azucar
Pan de Azúcar
Coquimbo [El Panul]
Las Cardas
UCN Guayacan
Pan de Azúcar
7 Pan de Azúcar-Marquesa
Coquimbo [El Panul]
Vicuña
La Serena [El Romeral]
Las Cardas
UCN Guayacan
8 Pan de Azúcar-San Joaquín Pan de Azúcar
Coquimbo [El Panul]
La Serena [El Romeral]
UCN Guayacan
Pan de Azúcar
Coquimbo [El Panul]
9 El peñon - Ovalle
Las Cardas
Ovalle [Talhuén]
Quebrada Seca
Pan de Azúcar
10 El Peñón-Andacollo
Las Cardas
Ovalle [Talhuén]
11 Los Molles - Monte Patria
Rapel
Ovalle [Talhuén]
12 Monte Patria-Ovalle
Rapel
Pan de Azúcar
13 El Peñon - Min Carmen de Andacollo
Las Cardas
42
4.2 VELOCIDADES DE VIENTO EN LÍNEA LAS COMPAÑÍAS-TAP
ROMERAL 110 KV
Como bien se presenta en la Tabla 4.2 las estaciones, cuyas mediciones de vientos son
relevantes para la línea Las compañías-Tap Romeral 110kV son Coquimbo [El Panul], La
Serena [El Romeral], Pan de Azúcar y UCN Guayacán. Las velocidades de viento en función de
la probabilidad acumulada se obtienen con la ecuación vista en la sección 3.3:
𝑏
𝑣𝑤 = 𝑎 √−𝐿𝑛(1 − 𝑃) y las gráficas se presentan en la Figura 4.3:
También se presentan los datos tabulados a modo de ejemplo en la Tabla 4.3 (en pasos
de 5%) para cada estación que influencia a la línea Las Compañías-Tap Romeral [110kV]. Y el
promedio para cada probabilidad de las estaciones se puede apreciar en la Tabla 4.4.
43
Tabla 4.3: Velocidades de viento y Probabilidad acumulada en estaciones influyentes en Línea Las
Compañías-Tap Romeral [110kV]
44
Tabla 4.4: Media y desviación estándar de velocidades de vientos de Tabla 4.3.
45
Figura 4.4: Velocidad de viento promedio de estaciones de medición influyentes para la línea Las
Compañías-Tap Romeral 100kV en función de la probabilidad acumulada en el rango de más menos la
desviación estándar.
Es importante destacar que lo que se hace en el presente trabajo es considerar que los
eventos de obtener una determinada velocidad de viento en distintas estaciones, no son del
todo independientes los unos de los otros y existe una relación que se debe determinar en un
estudio acabado y específico con algún método como los que se proponen en el Capítulo XXX.
Es por esta razón que se ha determinado que una media con una baja desviación estándar para
una línea de longitud de 15 km es una buena medida para la aproximación de una predicción
certera.
46
Las tablas de resumen análogas a la Tabla 4.4 para cada línea de transmisión se
encuentran en el ANEXO B así como también las gráficas de probabilidad acumulada de
velocidad de viento de cada estación de medición de la cuarta región en el ANEXO C y las
gráficas de la velocidad de viento influyente en cada línea en función de la probabilidad
análogas a la Figura 4.3 en el ANEXO D.
La capacidad de diseño depende del balance térmico del conductor en el cual las
pérdidas de calor por convección dependen directamente del viento. Desde este punto de vista
(con las pérdidas y ganancias restantes, constantes) la capacidad de diseño tiene una
dependencia de la velocidad del viento, por lo que asegurar que el viento sea mayor a un valor
específico, implica directamente asegurar que la capacidad de la línea también es mayor a un
valor específico. Es decir, cuando la velocidad de viento se escoge de forma que existe un 5%
de probabilidad de que la velocidad de viento sea menor que la escogida, se puede calcular una
capacidad de transmisión que a su vez asegura que la capacidad de la línea será mayor a la
calculada con un 95% de probabilidad.
Siguiendo el ejemplo de la sección 4.2 y empleando las ecuaciones del balance
energético en un conductor, se obtiene la capacidad de diseño con una velocidad de viento
representativa. Para el caso de la línea Las Compañías-Tap Romeral 110 kV se emplea 3,56
m/s de la Tabla 4.4 cuyo valor de velocidad de viento es el promedio de las estaciones que
influyen en la línea, para una probabilidad acumulada del 5%. Es decir, se asegura que existe
un 5% de probabilidad de que la velocidad de viento sea menor a dicha velocidad de viento y
por consiguiente un 5% de probabilidad de que la capacidad de la línea se a menor a la
determinada para una velocidad de viento de 3,56 [m/s].
La línea Las compañías-Tap Romeral 110 kV posee las características generales
presentes en la Tabla 4.5 [8]:
Tabla 4.5: Datos de la línea Las compañías-Tap Romeral 110kV
Longitud km 15
Voltaje kV 110
Conductor AAAC Alliance
Capacidad MVA 79.44
Propietario Transelec
Calificación Zonal
Las condiciones de cálculo del límite térmico que solicita el Coordinador en éste caso son
para época de verano con sol y viento de 0,6 m/s, obteniendo una corriente nominal de 417 (A)
47
para una temperatura ambiente de 25°C y temperatura de operación de 80°C [15]. La corriente
determinada por el balance térmico del conductor proporciona una capacidad de transporte de
la línea de 79,44 MVA.
En adición, hay muchos otros casos que también se abarcan; para distintas
temperaturas ambiente y de operación, con y sin viento, en régimen normal y de sobrecarga,
aunque solo en época de verano [16]–[19].
A continuación se revisan las consecuencias de aumentar de 0,6 a 3,56 m/s la velocidad
del viento para los cálculos de la capacidad de diseño de la línea en cuatro casos: invierno y
verano, de día y de noche. Además se expone acerca de la utilidad del cálculo en condición de
no viento.
Condiciones de cálculo
Para realizar los cálculos y las consecuencias de la consideración de velocidad de viento
mayor, es importante definir los datos de entrada para cada cálculo.
En primer lugar se definen los datos de ubicación de la línea necesarios en la Tabla 4.6
[15]:
Tabla 4.6: Datos de localización de la línea.
Por su parte las características del conductor AAAC Alliance se presentan en la Tabla
4.7. El cálculo de las resistencias a 25℃ y 75℃ se realiza conforme a la teoría [20].
Tabla 4.7: Características del conductor AAAC Alliance
Para los cuatro casos de estudio que se desarrollan en las siguientes secciones se
considera una temperatura de operación del conductor de 80℃, atmósfera limpia y una
incidencia perpendicular del viento en el conductor.
48
considera que las ganancias de temperatura por radiación solar son nulas (Q s = 0). Para cada
caso se grafica la capacidad de la línea en función de la velocidad de viento con valores de
temperatura ambiente de entre 10℃ y 30℃ en pasos de 5℃ lo que proporciona cinco curvas
para analizar.
Época de verano, durante día
En la Figura 4.5 se ve claramente que la capacidad de transmisión crece a medida que
se asume una velocidad de viento de diseño mayor. También se ve que la curva de capacidad
se desplaza hacia abajo a medida que aumenta la temperatura ambiente y hacia arriba en el
caso contrario. En la Tabla 4.8 se puede apreciar la cantidad de corriente que puede transportar
la línea con velocidad de viento 0,6 y 3,56 m/s. Luego la Tabla 4.9 muestra la diferencia para
dichas velocidades de viento y su equivalente en potencia considerando cada una de las
temperaturas ambiente definida en la sección anterior.
Figura 4.5: Capacidad de transmisión en función del viento época de verano durante el día.
49
Tabla 4.8: Capacidad de transmisión para la velocidad de diseño declarada y calculada.
Ampacity
𝑇𝑎 °𝐶 𝑉𝑤 = 0,6 [𝑚/𝑠] 𝑉𝑤 = 3,56 [𝑚/𝑠]
10 462,12 729,12
15 444,26 701,44
20 425,56 672,64
25 405,89 642,57
30 385,09 611,04
Es de gran importancia mencionar que existe una diferencia en los cálculos realizados en
este trabajo, respecto del declarado por el dueño de la línea. Para una velocidad de viento de
0,6 [m/s], una temperatura ambiente de 25℃ y el resto de condiciones iguales, hay una
diferencia de 11 (A) que proporciona el siguiente error:
417 − 406
𝑒𝑟𝑟𝑜𝑟 = ∙ 100% = 2,64% (4.1)
417
Lo anterior se debe a la forma de estimar la resistencia de corriente alterna de un
conductor de aleación de aluminio 6201 como si fuera puramente de aluminio. Pese a esto la
diferencia no es relevante para el estudio que se realiza a los límites térmicos y la capacidad de
transporte porque, como se ve en la ecuación anterior, el error es despreciable [20].
Aumento
𝑇𝑎 °𝐶 Corriente [𝐴] Potencia [𝑀𝑉𝐴] Porcentaje
10 267,01 50,87 57,78%
15 257,18 49,00 57,89%
20 247,08 47,08 58,06%
25 236,69 45,09 58,31%
30 225,96 43,05 58,68%
Aumento
Corriente [𝐴] Potencia [𝑀𝑉𝐴] Porcentaje
Media 246,78 47,02 58,14%
Desviación 16,22 3,09 0,36%
50
En definitiva para la época de verano durante el día la capacidad de trasmisión puede
aumentar entre 43,3 y 50,11 𝑀𝑉𝐴 dependiendo de la temperatura ambiente, equivalente a un
aumento promedio de 58,14% con una desviación estándar de 0,36% en la capacidad de
transmisión.
Época de verano, durante la noche
De manera similar a la sección anterior se grafican las curvas de capacidad de transporte
en función de la velocidad del viento para las temperaturas ambiente definidas previamente en
la Figura 4.6.
Existe un desplazamiento hacia arriba de la curva respecto de los cálculos realizados
para la condición de día, lo que significa un aumento en la capacidad de transmisión, esto se
debe a que no existe la ganancia de calor producto de la radiación solar permitiendo circular
una mayor corriente en la noche para la misma temperatura de operación del conductor.
Figura 4.6: Capacidad de transmisión en función del viento época de verano durante la noche.
51
Tabla 4.11: Capacidad de transmisión para la velocidad de diseño declarada y calculada.
Ampacity
Ta °C Vw = 0,6 [m/s] Vw = 3,56 [m/s]
10 485,72 744,31
15 468,77 717,21
20 451,09 689,08
25 432,58 659,76
30 413,12 629,09
Aumento
Ta °C Corriente [A] Potencia [MVA] Porcentaje
10 258,59 49,27 53,24%
15 248,44 47,33 53,00%
20 237,99 45,34 52,76%
25 227,18 43,28 52,52%
30 215,97 41,15 52,28%
Aumento
Corriente [A] Potencia [MVA] Porcentaje
Media 237,63 45,28 52,76%
Desviación 16,84 3,21 0,38%
En las tablas 4.12 y 4.13 se puede ver como también existe un considerable aumento en
la capacidad de transmisión de la línea para la noche, en verano. Se observa que la capacidad
puede aumentar entre 41,15 y 49,27 MVA dependiendo de la temperatura ambiente, siendo
más posible que los valores bordeen el límite inferior (41,15 MVA) debido a que difícilmente se
alcancen niveles de temperatura ambiente cercanos a 30°C durante la noche. Estos aumentos
representan en promedio un 52,76% con una desviación estándar de 0,38%.
52
Época de invierno, durante el día
Figura 4.7: Capacidad de transmisión en función del viento época de invierno durante el día.
Ampacity
Ta °C Vw=0,6 m/s Vw=3,56 m/s
10 465,45 731,24
15 447,73 703,64
20 429,18 674,94
25 409,68 644,97
30 389,08 613,56
53
En las tablas 4.15 y 4.16 se presentan los aumentos en la capacidad de transmisión para
éste caso. Se observa que la capacidad puede aumentar entre 42,77 y 50,64 MVA dependiendo
de la temperatura ambiente Estos aumentos representan en promedio un 57,33% con una
desviación estándar de 0,24%.
Tabla 4.15: Aumento en la capacidad de transporte
Aumento
Ta °C Corriente A Potencia MVA Porcentaje
10 265,79 50,64 57,10%
15 255,91 48,76 57,16%
20 245,76 46,82 57,26%
25 235,30 44,83 57,44%
30 224,49 42,77 57,70%
Aumento
Corriente A Potencia MVA Porcentaje
Media 245,45 46,76 57,33%
Para éste caso es posible hacer tres importantes observaciones con la ayuda de la Figura
4.8 y la Tabla 4.17. La primera es que efectivamente las capacidades de transmisión para
distintas temperaturas ambientes, aumentan bajo la lógica de no existencia de radiación en la
noche. La segunda es que justamente la ausencia, en invierno y verano, de radiación nocturna
hace que las capacidades de transmisión a mismas temperaturas ambiente, sean exactamente
las mismas en ambas épocas. Ahora bien la tendencia de bajas temperaturas del presente caso
provoca también una tendencia a mayores capacidades de transmisión que en época de
verano.
54
Tabla 4.17: Capacidad de transmisión para la velocidad de diseño declarada y calculada.
Ampacity
Ta °C Vw=0,6 m/s Vw=3,56 m/s
10 485,72 744,31
15 468,77 717,21
20 451,09 689,08
25 432,58 659,76
30 413,12 629,09
Figura 4.8: Capacidad de transmisión en función del viento época de invierno durante la noche.
Aumento
Ta °C Corriente A Potencia MVA Porcentaje
10 258,59 49,27 53,24%
15 248,44 47,33 53,00%
20 237,99 45,34 52,76%
25 227,18 43,28 52,52%
30 215,97 41,15 52,28%
55
Tabla 4.19: Medias de aumento en la capacidad de transporte
Aumento
Corriente A Potencia MVA Porcentaje
Media 237,63 45,28 52,76%
Desviación 16,84 3,21 0,38%
Se observa que la capacidad puede aumentar entre 41,15 y 49,27 MVA dependiendo de
la temperatura ambiente Estos aumentos representan en promedio un 57,33% con una
desviación estándar de 0,24%.
56
A continuación se presentan las ecuaciones que determinan el campo magnético 𝐵 en un
punto del plano transversal al trazado de una línea de transmisión mediante el método de la
imagen a una distancia compleja.
𝑛
𝜇0 ∙ 𝐼𝑖 𝑦 − ℎ𝑖 𝑦 − ℎ𝑖 + 𝛼
𝐵𝑥 = − ∑ ( − ) (4.2)
2𝜋 𝑅𝑖 2 𝑅"𝑖 2
𝑖=1
𝑛
𝜇0 ∙ 𝐼𝑖 𝑥 − 𝑑𝑖 𝑥 − 𝑑𝑖
𝐵𝑦 = ∑ ( − ) (4.3)
2𝜋 𝑅𝑖 2 𝑅"𝑖 2
𝑖=1
En donde:
ℎ𝑖 : distancia vertical del conductor al punto de medición del campo magnético.
𝑑𝑖 : distancia horizontal del conductor al punto de medición del campo magnético.
𝜌
𝛿 = √𝜇0 ∙ 𝜎 ∙ 𝜔 ≈ 503 ∙ √ (4.7)
𝑓
Como muestran las ecuaciones (4.2) y (4.3) el campo magnético considera la influencia
de cada corriente de la línea de transmisión para determinar las componentes vectoriales
horizontales y verticales. Luego la magnitud se determina con la ecuación (4.8).
Figura 4.9: Perfil de campo magnético respecto del centro de una la línea de 220 kV, un conductor por
fase. Fuente: Apuntes de la asignatura Sistemas de Distribución de la Energía Eléctrica. Profesor Luis
Ortiz Navarrete.
57
El campo magnético es directamente proporcional a la corriente, esto quiere decir que
para un aumento en la corriente que pasa por el conductor de una línea de transmisión, el
campo magnético generado en un punto (𝑥, 𝑦) del plano transversal al trazado del conductor
también aumenta. Se puede demostrar fácilmente dicho fenómeno.
Sean las componentes 𝑥 e 𝑦 del campo magnético definidas por las ecuaciones (4.2) y
(4.3) respectivamente, y la corriente para una velocidad de 3,56 m/s es 1,5 veces la corriente
para la que se diseña la línea con una velocidad de viento igual a 0,6 m/s, se tiene que:
𝑛
𝜇0 ∙ 1,5 ∙ 𝐼𝑖 𝑦 − ℎ𝑖 𝑦 − ℎ𝑖 + 𝛼
𝐵𝑥 (𝑣𝑤 = 3,56) = − ∑ ( − ) = 1,5 ∙ 𝐵𝑥 (𝑣𝑤 = 0,6) (4.9)
2𝜋 𝑅𝑖 2 𝑅"𝑖 2
𝑖=1
𝑛
𝜇0 ∙ 1,5 ∙ 𝐼𝑖 𝑥 − 𝑑𝑖 𝑥 − 𝑑𝑖
𝐵𝑦 (𝑣𝑤 = 3,56) = ∑ ( − ) = 1,5 ∙ 𝐵𝑥 (𝑣𝑤 = 0,6) (4.10)
2𝜋 𝑅𝑖 2 𝑅"𝑖 2
𝑖=1
2
|𝐵(𝑣𝑤 = 3,56)| = √(1,5 ∙ 𝐵𝑥 (𝑣𝑤 = 0,6))2 + (1,5 ∙ 𝐵𝑦 (𝑣𝑤 = 3,56)) (4.12)
2
|𝐵(𝑣𝑤 = 3,56)| = 1,5 ∙ √(𝐵𝑥 (𝑣𝑤 = 0,6)2 + 𝐵𝑦 (𝑣𝑤 = 0,6)2 ) (4.14)
58
La línea estudiada en la sección anterior presenta un aumento promedio de un 55,25% en
la capacidad de transmisión considerando los cuatro casos de estudio. Esto significa que si se
diseña una línea con los requerimientos de capacidad iguales a 1,55 veces el diseñado en el
caso anterior, pero con una velocidad de viento de diseño de 3,56 𝑚/𝑠, la inversión será del
mismo orden. En consecuencia si se requiere la capacidad diseñada, tomando una velocidad de
viento de 3,56 𝑚/𝑠 los requerimientos en inversión serán menores.
Despacho económico
Si en lugar de realizar el estudio para una línea que está en la etapa de diseño, se evalúa
el impacto de considerar una mayor influencia del viento en las líneas existentes, se podrían
operar las líneas de transmisión cortas a una capacidad mayor.
Lo anterior tiene consecuencias en las líneas catalogadas como zonales, puesto que
dichas líneas son parte del sistema que estudia el despacho económico y las restricciones de
capacidad forman parte de las restricciones del problema de optimización lineal que se debe
resolver. Un aumento de la capacidad de la líneas de trasmisión puede afectar de manera
positiva el despacho y optimizarlo si es que alguna de las restricciones de capacidad pasa de
estar activa a desactiva, es decir si una línea pasa de estar operando a máximo técnico a
operar con capacidad de holgura.
59
CAPITULO 5
Claro está que el trabajo desarrollado hasta acá no garantiza de manera total o certera un
criterio aceptable de determinación de la velocidad del viento para aplicar al diseño de todas la
líneas cortas del país. Es necesario entonces presentar la teoría que puede abordar un estudio
más avanzado en el tema. En el presente capítulo se explican a grandes rasgos métodos y
procesos de trabajo con datos que se pueden aplicar a la contribución y el desarrollo del
presente tema de pregrado. Dicho desarrollo tiene cabida en una investigación de postgrado.
Existen múltiples definiciones para la minería de datos (Data Minding en inglés). Según
Frawley (1992) la minería de datos es la tarea no trivial de extraer información implícita,
previamente desconocida y potencialmente útil de bases de datos, para Jiawei Han y Micheline
Kamber (2001) es el proceso descubrir conocimiento interesante de grandes cantidades de
datos. El némesis de la minería de datos toma lugar en los años 80 cuando surge la necesidad
de nuevas herramientas para analizar información contenida en grandes bases de datos ya que
herramientas más convencionales como la estadística no son lo suficientemente sofisticadas.
En definitiva la minería de datos es parte del proceso de descubrimiento de conocimiento en
bases de datos denominado KDD Process en inglés y se ilustra en Figura 5.1.
60
Integración y Recopilación de datos
Ésta etapa consiste, entre otras cosas, en descartar datos irrelevantes que se obtuvieron
en la fase de recopilación para construir un subconjunto de datos determinados campo minable,
que en definitiva serán sometidos a la minería de datos. Además de los datos irrelevantes
existen en muchos casos datos que no se ajustan al comportamiento general del resto de datos
(outliers) o también se puede dar la ausencia de datos (missing values). Para ambos problemas
hay soluciones, existen algoritmos de minería de datos que dejan a un lado los outliers y para
los missing values existen técnicas de aproximación. Las cualidades de las bases de datos
vistas justifican la tarea de una adecuada limpieza con el fin de mejorar la calidad.
La selección de los atributos relevantes es de gran importancia. Supóngase que al
momento de estudiar la velocidad del viento no se considera otras variables climatológicas
directamente relacionadas con él, e incluso se agregan otros atributos redundantes poco
concluyentes. Pues es de imaginar que los resultados carecerán probablemente de sentido de
análisis considerando que un algoritmo de datos sería arroje una regla como la siguiente:
𝑆𝑖(𝑓𝑒𝑐ℎ𝑎 = 23 𝑑𝑒 𝑗𝑢𝑛𝑖𝑜 𝑑𝑒 2003) 𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠(𝑣𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑣𝑖𝑒𝑛𝑡𝑜 = 5 𝑚/𝑠)
que, en definitiva no sirve para realizar conjeturas, ni predicciones. Además de una buena
elección, en ocaciones es necesario crear nuevos atributos en base a los presentes en el
almacen de datos, por ejemplo si se iene la cantidad de puntos de mediciónde una región y se
tiene el área de esa región, es posible crear un ratio que asigna una densidad de puntos de
mediciones en la región de estudio. Por otra parte se pueden discretizar datos que están
61
distribuidos en rangos numéricos continuos con el fin de simplificar los datos potencialmente
minables o por el contrario asignar un número real a cualidades, como por ejemplo el tipo de
conductor de una línea [21].
Minería de datos
Es la fase más importante del proceso KDD y muchas veces se usa su nombre para
definir el proceso. El objetivo de ésta fase es crear conocimiento y ponerlo a disposición para la
toma de decisiones. Lo primero que se debe hacer es identificar la tarea a realizar, luego el
modelo y en seguida el algoritmo para llevar a cabo la tarea.
Dentro de las tareas se encuentran [21]:
la clasificación, que consiste en tratar de asignar una clase a los datos minables
e intentar predecir la clase de datos que aún no se obtienen, es una de las tareas
más utilizadas;
la regresión, que es una tarea de predicción tal como la clasificación que ocupa
una función definida en los reales, por lo que el valor a predecir es un número y
no una clase;
el agrupamiento, que consiste en seleccionar grupos naturales muy similares
entre si y muy distintos a los de otros grupos, para asignarles una etiqueta;
las correlaciones, que sirven para asociar comportamientos de variables
numéricas por medio del índice de correlación que se comprende entre -1 y 1, si
el valor para dos variables es positivo significa que se comportan de manera
proporcional y lo contrario para valores negativos del índice, por su parte si
asume un valor 0 significan que son independientes y no se correlacionan.
las reglas de asociación, un ejemplo de estas reglas es si el atributo X toma tal
valor, el atributo Y tomo este otro valor, claramente se entiende que buscan
explicitar las relaciones numéricas entre atributos;
las reglas de asociación secuenciales, que se basan en secuencias temporales
de datos y se usan para determinar los patrones asociados a dichos datos, se
diferencian de las reglas de asociación solo en que las relaciones son
temporales.
Para cumplir con las tareas presentadas, existe una serie de técnicas sustentadas en la
estadística y matemática, tales son: las regresiones lineales y no lineales, métodos basados en
núcleos, métodos bayesianos, arboles de decisión, inducción de reglas, técnicas de conteo y
soporte mínimo, aprendizaje basado en instancias y casos, y algoritmos evolutivos. Dichas
técnicas se escogen conforme a las tareas que se desarrollarán. En particular los algoritmos
genéticos son aplicables en la mayoría de las tareas antes descritas y se explican con mayor
detalle más adelante.
62
Las técnicas son la base de los modelos que en su definición deben ser consistentes con
los pasos previos, es decir con los datos minables y sus formatos, y con los pasos siguientes
que significan la evaluación e interpretación. Desde este punto de vista es probable que en la
búsqueda o diseño del modelo más adecuado para la tarea definida, sea necesario realizar
modificaciones en los pasos previos y tener bien definidos las técnicas de evaluación del
modelo y sus medidas.
Evaluación e interpretación
Una vez que la minería de datos defina los patrones es necesario verificar o validar el
método por el cual se obtuvieron. Los resultados deben ser precisos, comprensibles e
interesantes. Las evaluaciones de métodos más utilizadas se denominan validaciones del tipo
simple, cruzada y cruzada de 𝑛 pliegues.
La validación simple consiste en separar los datos minables en dos grupos con el objetivo
de aplicar el modelo de minería de datos al subconjunto de menor tamaño, el de entrenamiento
y según los resultados se tendrá noción de que tan efectivo es el método para luego aplicarlo al
otro subconjunto denominado de prueba y estimar la certeza de la predicción. La validación
cruzada consiste en separar los datos minables en dos grupos, para realizar el ejercicio de la
validación simple, primero ocupando un grupo como entrenamiento y el otro como prueba, y
luego viceversa, entonces la certeza de la o predicción del modelo será la determinada por los
ratios de aciertos respecto intentos de cada validación simple. De manera muy similar la
validación cruzada de 𝑛 capas consiste en crear 𝑛 grupos e ir utilizándolos uno por uno como
conjunto de entrenamiento para determinar la certeza de la predicción del modelo con todos los
ratios de validación simple resultantes.
Por su parte, las medidas de evaluación dependen de la tarea. En general de la manera
descrita en Tabla 5.1. No obstante existen otras medidas más subjetivas como el interés, la
novedad, la simplicidad o a comprensibilidad, y también se debe considerar el contexto en el
que se dan los resultados [21].
Tabla 5.1: Medidas de evaluación
Tarea Medida de evaluación
Clasificación Precisión predictiva, probabilidad de acertar
Reglas de asociación Cobertura y confianza
Regresión Error cuadrático medio
Agrupamiento Distancia media entre grupos y componentes del grupo
63
Difusión, uso y monitorización
En la fase final se debe informar de la técnica de minería de datos y sus resultados a las
personas competentes relacionadas a la toma de decisiones dentro de la institución que realiza
el proceso KDD. Mantener un permanente monitoreo y ocuparlo como realimentación que
puede servir para mejorar el modelo y aumentar la calidad del conocimiento.
64
Figura 5.2: Individuo genético binario
Como se vio en la sección anterior los algoritmos genéticos, evolutivos y la programación
genética, pueden emplearse en la etapa de minería de datos del proceso KDD. Específicamente
los algoritmos genéticos se emplean para la búsqueda de reglas dándole la calidad de
cromosomas a estas, esto lo hacen de manera individual o como conjunto de reglas.
Llevando esta teoría al problema de representatividad de las mediciones de velocidad de
viento, se puede intuir que la manera de abordar el tema es, en primer lugar, establecer un
punto de comparación de la predicción del viento en las líneas de transmisión que pueden ser
las relaciones físicas y geográficas de la zona de estudio. Además el algoritmo debe recoger
datos de estaciones de mediciones cercanas a dichas líneas y debe ser capaz de realizar los
procesos de selección, reemplazo, copia, elitismo y mutación mencionados anteriormente con la
finalidad de acercarse generación tras generación de la población, a las velocidades de vientos
que concuerdan con las relaciones físicas y geológicas de la zona y que son representativas de
asumir en el recorrido de la línea.
La información obtenida de una región espacial definida puede ser analizada como
cualquier otro tipo de información. No obstante cada dato registrado u obtenido de dicha región,
tiene coordenadas de localización asociadas que entregan mayor información aún y se pueden
tener más resultados estadísticos. Por eso se dice que el problema pasa de ser un análisis de
una serie de la variable 𝑎, a un análisis de una serie de ternas (𝑥, 𝑦, 𝑎). De éste hecho se
derivan dos técnicas de análisis; el estudio de los pares de localización independiente de la
variable 𝑎 y el estudio integrado de las ternas.
Análogamente a las medidas de tendencia central de la estadística clásica, en estadística
espacial existen las medidas centrográficas. En primer lugar se define el centro medio en la
ubicación (𝑥̅ , 𝑦̅) donde 𝑥̅ es la media de las coordenadas 𝑥 e 𝑦̅ es la media de las coordenadas
𝑦, dicho punto minimiza las distancias cuadradas de los demás puntos respecto al centro medio.
Por otra parte, define el centro medio ponderado que incluye el valor de la variable como un
ponderador, peso o masa.
∑𝑛𝑖=1 𝑎𝑖 ∙ 𝑥𝑖
𝑥𝑝 =
̅̅̅ (5.1)
∑𝑛𝑖=1 𝑎𝑖
65
∑𝑛𝑖=1 𝑎𝑖 ∙ 𝑦𝑖
𝑦𝑝 =
̅̅̅ (5.2)
∑𝑛𝑖=1 𝑎𝑖
Además se definen las medidas de dispersión, que dan cuenta de la densidad de las
ubicaciones dentro de la región de estudio. Una medida comúnmente adoptada es la desviación
típica como la raíz del cociente entre la suma de las distancias cuadradas de los puntos
respecto del centro medio y el número de puntos tal como se ve en la ecuación (5.3):
∑𝑛𝑖=1 𝑑𝑖 2 ∑𝑛 𝑥𝑖 2 ∑𝑛 𝑦𝑖 2
𝜎=√ = √( 𝑖=1 − 𝑥̅ 2 ) + ( 𝑖=1 − 𝑦̅ 2 ) (5.3)
𝑛 𝑛 𝑛
∑𝑛 𝑎𝑖 ∙ 𝑑𝑖 2
𝜎 = √ 𝑖=1𝑛 (5.4)
∑𝑖=1 𝑎𝑖
Dichas desviaciones acotan hasta el momento un área circular que representa cuan
agrupados están los puntos en los que se encuentran los datos y por consiguiente un espacio
de validez de los datos.
En la práctica dicha circunferencia puede ser reemplazada por una elipse que tenga una
determinada dispersión en un semieje que en el otro. E inclusive dichos semiejes se encuentran
rotados respecto de los ejes trazados en el centro medio. Se puede expresar dicha rotación por
la ecuación
66
∑𝑛𝑖=1 𝑑𝑥𝑖 − ∑𝑛𝑖=1 𝑑𝑦𝑖 √(∑𝑛𝑖=1 𝑑𝑥𝑖 − ∑𝑛𝑖=1 𝑑𝑦𝑖 )2 + 4 ∑𝑛𝑖=1 𝑑𝑥𝑖 ∙ 𝑑𝑦𝑖
𝜃 = 𝑎𝑟𝑐𝑡𝑎𝑛 ( + ) (5.5)
2 ∑𝑛𝑖=1 𝑑𝑥𝑖 ∙ 𝑑𝑦𝑖 2 ∑𝑛𝑖=1 𝑑𝑥𝑖 ∙ 𝑑𝑦𝑖
Donde 𝑑𝑥𝑖 y 𝑑𝑦𝑖 son las distancias de las coordenadas 𝑥 e 𝑦 respectivamente del punto al
origen situado en el centro medio.
Ahora sean 𝑥′ e 𝑦′ los nuevos ejes rotados en 𝜃 respecto del centro de masas, se pueden
definir las desviaciones para cada semieje formando una elipce.
Dado que no es la finalidad seguir ahondando en ésta teoría se dejará hasta aquí el
desarrollo matemático de la estadística espacial [24].
Las medidas vistas, ya poseen la suficiente complejidad para la comprensión como para
seguir desarrollando ideas en base a su matemática. Lo importante es destacar que la
profundización en temas de autocorrelación espacial de los datos 𝑎𝑖 , denominados pesos y
asociados a las ubicaciones, permite inferir con base estadística el valor de un peso para otra
ubicación dentro de la región de estudio y más aún pueden originar métodos predictivos
manejando series temporales para cada ubicación y lo más valioso, define áreas en las que es
aplicable la teoría.
67
CAPITULO 6
6.1 CONCLUSIONES
68
temperatura de operación, esto debido al aumento de las pérdidas de calor por convección dan
lugar a una corriente que es posible aumentar para provocar la misma temperatura (80°C en
éste caso) en el conductor. Otra forma de entenderlo es que, el aumento en pérdidas de calor
por convección, se genera en ganancia de calor por efecto Joule, manteniendo así la
temperatura del conductor constante.
Lo anterior sustenta la idea de que en realidad las líneas de transmisión de alta tensión
de corta longitud (menores a 80km) no tienen definido un límite térmico representativo. Es más
se concluye que las líneas poseen holguras cuando se cree que están operando a dicho límite.
Como se dijo antes, el trabajo se realiza con promedios de las velocidades de viento, que
cumplen funciones de distribución del tipo Weibull, en cada estación de medición. Por lo tanto
las velocidades de viento asumidas, pueden no representar fielmente la velocidad de viento que
cumple con el 5% de probabilidad acumulada en el lugar de la línea, pues la condición de
proximidad de las estaciones meteorológicas (40 kms) puede no ser suficiente. No obstante, se
considera que para ser un trabajo que plantea por primera vez el estudio de una velocidad de
viento más representativa en la capacidad de diseño, es una aproximación.
Por lo tanto, el presente trabajo puede ser desarrollado de manera más avanzada y
acabada con teorías como la estadística espacial que considera mediciones distribuidas en una
región acotada del espacio, la minería de datos es que capaz de encontrar patrones de
predicción y estimación de velocidades de viento mediante la utilización de algoritmos genéticos
u otros algoritmos presentados en el capítulo 5.
El mismo trabajo planteado en el párrafo anterior puede desarrollarse considerando más
variables que solo la velocidad del viento, pudiéndose generar una mayor cantidad de patrones
que aporten al conocimiento y la toma de decisiones en el proceso KDD.
Por otra parte el estudio en los costos marginales del sistema en la medida que
aumentan los límites térmicos de las líneas de transmisión cortas es también un trabajo
interesante que se puede derivar a partir del presente.
69
REFERENCIAS
[1] J. j. Grainger y W. D. Stevenson Jr, Análisis de sistemas eléctricos de potencia, 4ta ed.
México: McGRAW-HILL/INTERAMERICANA DE MÉXICO, S. A. de C. V., 1996.
[2] Electricidad Tensiones Normales para Sistemas e Instalaciones. Chile: Comisión
Nacional de Energía, 1975.
[3] K. de los Á. Tapia Ahumada, “Impacto De Las Restricciones De Transmisión En Un
Mercado Competitivo De Electricidad”, Pontificia Universidad Católita de Chile, 1998.
[4] J. M. Moya Lizana, “Calculo de la capacidad de transmision de una linea electrica
considerado efectos de ventilación.”, Tesis, Universidad de Chile, 2011.
[5] U. D. Soto González, “Sistemas de Monitoreo Dinámico de la Capacidad de Líneas de
Transisión”, Universidad de Chile, 2011.
[6] C. Sanchez Farias, “Calculo de la sobrecarga dinámica en líneas aéreas de distribución
de alta tensión.”, Universidad de Santiago de Chile, 2000.
[7] Comisión Nacional de Energía, ANEXO TÉCNICO : Información Técnica De
Instalaciones y Equipamiento. Chile: Comisión Nacional de Energía, 2018, p. 49.
[8] CEN, “Home - Infotecnica”. [En línea]. Disponible en: https://infotecnica.coordinador.cl/.
[Accedido: 10-may-2019].
[9] Comisión Nacional de Energía, Norma técnica de seguridad y calidad de servicio. Chile:
Comisión Nacional de Energía, 2018, p. 183.
[10] D. Committee, I. Power, y E. Society, IEEE Standard for Calculating the Current-
Temperature Relationship of Bare Overhead Conductors. 2013.
[11] H. Andrews, “Hydro Tasmania - Annual & Sustainability Report 2009”, Energy, vol. 16, no
5, pp. 803–814, 2009.
[12] L. M. Checa, Líneas de transporte de energía, 3ra ed. Barcelona: Marcombo Boixareu
Editores, 1988.
[13] G. C. Canavo, Probabilidad y estadistica aplicaciones y métodos, 1ra ed. México:
McGRAW-HILL/INTERAMERICANA DE MÉXICO, S. A. de C. V., 1988.
[14] A. F. García, “Función de distribución de Weibull”, 2018. [En línea]. Disponible en:
http://www.sc.ehu.es/sbweb/fisica3/datos/viento/estadistica.html.
[15] Transelec S.A, “Límite Térmico”, Santiago, Chile, 2012.
[16] Transelec S.A, “Límite Térmico Permanente Sin Sol”, Santiago, Chile, 2012.
[17] Transelec S.A, “Límite Térmico Permanente Con Sol”, Santiago, Chile, 2012.
[18] Transelec S.A, “Límite Térmico Transitorio Sin Sol”, Santiago, Chile, 2012.
[19] Transelec S.A, “Límite Térmico Transitorio Con Sol”, Santiago, Chile, 2012.
[20] J. Córdova, Distribucion Industrial de la Energía Eléctrica. Santiago, Chile., 1994.
70
[21] J. Hernández Orallo, M. J. Ramirez Quintana, y C. Ferri Remirez, Introducción a la
Minería de Datos. Madrid, España: Pearson Educación, S.A, 2004.
[22] M. Gestal, D. Rivera, J. R. Rabuñal, J. Dorado, y A. Pozos, Introducción a los Algorítmos
Genéticos y la Programación Genética., Universida. Coruña, 2010.
[23] D. Beasley, D. Bull, y R. Martin, “An Overview of Genetic Algorithms: Part 1,
Fundamentals”, 1993.
[24] V. Olaya, Sistemas de Información Geográfica. 2014.
71
ANEXO A
72
Tabla A 2: Resultados del ajuste de distribución
Estación Cumplen la distribución a b
31 Algarrobo Bajo 0 0,00 0,00
32 Camarico 0 0,00 0,00
33 Falda Verde 1 8,96 18,83
34 La Copa 1 6,32 13,87
35 Chaguaral 1 7,53 6,53
36 El Palqui 0 0,00 0,00
37 Cuncumén 1 2,08 10,55
38 Colliguay 1 1,51 7,21
39 Huentelauquen 1 5,45 12,32
40 Quilimari 1 8,22 18,13
41 La Platina 0 0,00 0,00
42 La Cruz 0 0,00 0,00
43 Hacienda Lampa 1 3,57 3,46
44 El Maqui 0 0,00 0,00
45 El Asiento 1 2,93 6,67
46 Los Tilos 0 0,00 0,00
47 San Antonio de Naltahua 1 3,90 2,25
48 San Pedro de Melipilla 1 2,34 4,97
49 Rinconada - U de Chile 1 5,27 2,78
50 El Arenal 1 4,27 5,77
51 Human 0 0,00 0,00
52 Nueva Aldea 0 0,00 0,00
53 Ninhue 1 6,59 4,07
54 Navidad 1 6,13 5,09
55 Lebu 1 9,09 4,24
56 Santa Sofía 1 4,18 3,44
57 Coronel 1 12,03 7,05
58 Chiguayante 1 9,21 6,85
59 Cañete 0 0,00 0,00
60 CE Arroz 1 8,89 6,43
61 El Membrillo 1 5,21 6,66
62 El Quincho 1 4,28 4,54
63 Faja Maisan 1 5,61 5,62
64 Gaby-Ranquilco 1 6,02 5,39
65 El Vergel 1 7,56 7,83
66 Tamelaike 1 21,40 4,70
67 Vista Hermosa 1 11,39 4,41
68 Cerro Castillo 1 15,27 3,59
69 Estancia 5 de Enero 1 20,65 11,26
70 Ñirehuao 1 19,65 8,35
73
Tabla A 3: Resultados del ajuste de distribución
Estación Cumplen la distribución a b
71 Cauquenes 0 0,00 0,00
72 El Tambo 1 5,38 3,86
73 Hidango 1 4,89 5,39
74 Puente Negro 1 3,92 13,76
75 Liceo Jean Buchanan 1 2,29 8,78
76 Coronel de Maule 1 5,98 4,11
77 Los Despachos 1 5,14 3,83
78 Chanco 1 6,46 5,64
79 Lomas 1 3,19 8,45
80 Deuca 1 3,27 4,41
81 San Clemente 1 3,92 3,47
82 Santa Amada 1 4,21 3,66
83 Monte Flor-Tucapel 1 6,91 4,60
84 San Jorge Los Niches 1 2,46 6,47
85 Miraflores 1 6,82 5,74
86 Carillanca 1 6,78 4,79
87 Dominguez 1 7,75 4,10
88 Cuarta Faja 1 4,70 2,88
89 Yungay 1 4,24 3,54
90 Collimallin 1 3,90 9,05
91 La Providencia 0 0,00 0,00
92 Huiscapi 1 5,36 6,57
93 Las Palmas 1 5,46 6,70
94 La Isla 1 4,90 3,35
95 La Paz 1 8,01 14,71
96 Quiripio 1 9,52 5,76
97 Perales 1 4,93 3,23
98 Puala 1 4,59 5,21
99 San Enrique 1 4,53 6,19
100 Radal 1 3,95 17,39
101 Santa Adela 1 4,96 4,21
102 San Luis 1 5,32 4,64
103 San Fabián 1 8,34 8,21
104 San Rafael 1 7,29 5,12
105 San Sebastián 1 6,61 49,14
106 Tranapuente 1 5,69 4,07
107 Santa Inés 1 6,77 4,87
108 Surco y Semilla 1 6,21 3,99
109 Austral 1 5,74 5,23
110 Taplon 1 3,65 13,50
74
Tabla A 4: Resultados del ajuste de distribución
Estación Cumplen la distribución a b
111 El Cardal 1 5,04 3,70
112 Lago Verde 1 8,53 6,14
113 Las Lomas 1 3,20 3,22
114 Palermo 1 3,96 4,27
115 Rucatayo 1 8,97 4,15
116 Butalcura 1 6,98 5,37
117 Colegual 1 7,75 5,00
118 Santa Carla 0 0,00 0,00
119 Desagüe Rupanco 1 6,43 3,31
120 Carelmapu 1 11,48 5,94
121 Huyar Alto 0 0,00 0,00
122 La Pampa 0 0,00 0,00
123 Ensenada 1 2,99 4,24
124 Huacamapu 1 4,95 5,71
125 Isla Chelin 1 4,64 14,30
126 Los Canelos 1 7,07 4,56
127 Polizones 0 0,00 0,00
128 Octay 1 6,62 5,98
129 Quilacahuin 1 3,17 2,92
130 Pid-Pid 1 5,93 14,60
131 Remehue 1 4,57 4,17
132 Quilanto 1 7,96 6,26
133 Tara 1 8,54 5,23
134 Quilquico 1 6,27 16,52
135 Arroyo el Gato 1 12,75 12,85
136 Chile Chico 1 5,27 3,43
137 Cochrane 1 7,68 3,85
138 El Claro 1 8,25 3,73
139 La Junta 1 4,88 7,79
140 Bajada Ibañez 1 16,24 12,09
141 Puerto Natales 1 13,65 4,02
142 Kampenaike 1 23,30 5,26
143 Punta Arenas Rural 1 12,48 5,82
144 Isla Riesco 1 10,73 5,45
145 Estancia Zenia 1 23,75 12,39
146 Tierra del Fuego 1 18,44 4,99
147 Coquimbo [El Panul] 1 6,55 5,50
148 Gabriela Mistral 0 0,00 0,00
149 Huintil 1 4,05 3,76
150 Canela 1 7,98 10,35
75
Tabla A 5: Resultados del ajuste de distribución
Estación Cumplen la distribución a b
151 Illapel 1 2,25 2,97
152 Las Cardas 1 4,51 7,31
153 La Serena [El Romeral] 1 5,94 6,46
154 Hurtado [Lavaderos] 1 13,70 17,11
155 La Laguna [Elqui] 0 0,00 0,00
156 Punta de Choros 1 11,47 4,15
157 Pisco Elqui 0 0,00 0,00
158 Pan de Azúcar 1 5,38 4,53
159 Ovalle [Talhuén] 1 8,47 6,78
160 Los Molles [Bocatoma] 1 8,87 6,37
161 Rapel 1 2,97 4,86
162 Rivadavia 1 3,92 1,52
163 UCN Guayacan 1 7,50 4,52
164 Quebrada Seca 1 11,96 10,41
165 Salamanca [Chillepín] 1 6,43 7,84
166 Vicuña 1 3,59 4,31
76
ANEXO B
77
Tabla A 7: Medias y desviaciones estándar de velocidades de viento y probabilidad acumulada
en estaciones influyentes en líneas de la cuarta región.
78
Tabla A 8: Medias y desviaciones estándar de velocidades de viento y probabilidad acumulada
en estaciones influyentes en líneas de la cuarta región.
79
Tabla A 9: Medias y desviaciones estándar de velocidades de viento y probabilidad acumulada
en estaciones influyentes en líneas de la cuarta región.
80
ANEXO C
81
82
83
84
85
86
87
88
ANEXO D
89
90
91
92
93
94
95