DETERMINACIÓN DE LA CAPACIDAD DE CRÉDITO

DE LA GENERACION EÓLICA
PARTE 1 – ÍNDICES DE CONFIABILIDAD

Juan Marcelo Torrez Baltazar

Ingeniero Eléctrico de la UMSA
Diplomado en Ingeniería y Tecnología de Sistemas de Potencia y
Herramientas para el Análisis de Sistemas Eléctricos
Magister en Sistemas Eléctricos de Potencia de la UMSS
Ingeniero de Estudios Energéticos en el CNDC
RESUMEN Las energías renovables, como la energía
eólica, permiten la producción de electricidad sin
consumir recursos fósiles y sin emisiones de dióxido de
carbono, lo que ha incrementado su instalación en la
última década, y la disminución de las centrales eléctricas
de generación convencional. Sin embargo, en contraste
con estas centrales, la producción de electricidad a partir
generadores eólicos no se puede planificar de igual
manera que la generación convencional, debido a la
naturaleza variable de la velocidad del viento. Por lo
tanto, las plantas de energía convencionales son
necesarias para los momentos en los que la demanda de
electricidad es elevada y la generación eólica es baja.
Esto lleva a varios cuestionamientos, como ¿Qué
cantidad de generación convencional sigue siendo
necesaria en un sistema con alta penetración de
generación eólica sin disminuir la calidad del servicio?
¿Qué cantidad de generación eólica es necesaria para
sustituir cierta cantidad generación convencional? En el
presente artículo, se determinarán los índices de
confiabilidad que tendrá un sistema eléctrico a medida
que se aumenta la integración de generación eólica y
disminuye la generación convencional, con la finalidad de
calcular el crédito de capacidad de la generación eólica,
que puede ser definido como la cantidad de generación
convencional que puede ser sustituida por la generación
eólica, manteniendo los mismos niveles de confiabilidad.
1. CONFIABILIDAD EN SISTEMAS ELÉCTRICOS DE
POTENCIA
El término confiabilidad tiene una amplia gama de
significados y no puede ser asociado con una sola
definición, por tanto, es necesario usar el término para
indicar, más que para un sentido específico, la capacidad
total del sistema para realizar su función [1]. La
confiabilidad se puede dividir en los dos aspectos
básicos, adecuación y seguridad.
Fig. 1. División del concepto de confiabilidad.
El término adecuación se refiere a la existencia de una
infraestructura suficiente en el sistema para satisfacer la
demanda de carga de los consumidores o las
restricciones de la operación del sistema. Esto incluye las
instalaciones necesarias para la generación transmisión y
distribución de energía. La adecuación está asociada con
las condiciones estáticas y no incluyen las alteraciones
del sistema dinámico y transitorio. Por otro lado, la
seguridad se refiere a la capacidad del sistema para
responder a las perturbaciones dinámicas o transitorias
que surgen dentro del sistema. La seguridad está
asociada directamente con la respuesta del sistema ante
las perturbaciones del mismo [1].
1.1. Adecuación del Sistema de Generación
Según la referencia [2], en un estudio del sistema de
generación, la generación es examinada para determinar
su capacidad y cumplir con los requisitos de demanda del
sistema. Esta actividad se denomina “evaluación de la
confiabilidad de la capacidad de generación”.
Fig. 2. Sistema para evaluar la confiabilidad de la
capacidad de generación.
El sistema de transmisión y su capacidad para transmitir
la energía generada a los puntos de consumo es
ignorado en esta evaluación. La principal preocupación
es estimar la cantidad de generación requerida para
satisfacer la demanda del sistema y tener la capacidad
suficiente para realizar el mantenimiento correctivo y
preventivo de las instalaciones. La metodología básica
para determinar el requisito de la capacidad es el método
de la reserva porcentual. En este método, la reserva
requerida es un porcentaje fijo, bien de la capacidad
instalada o bien de la carga prevista. Este y otros criterios
están siendo remplazados por métodos probabilísticos
que responden y reflejan los verdaderos factores que
influyen en la confiabilidad del sistema [1].
1.2. Índices de Confiabilidad
Los índices básicos para la evaluación de la confiabilidad
de un sistema de generación son la probabilidad de
pérdida de carga (LOLP), la pérdida de carga esperada
(LOLE), la demanda no suministrada esperada (EDNS),
la pérdida de energía esperada (LOEE), la frecuencia de
pérdida de carga (LOLF) y la duración de la pérdida de
carga (LOLD). Conceptualmente, estos índices pueden
ser descritos por las siguientes expresiones matemáticas
descritas en la referencia [2].
➢ LOLE (Loss Of Load Expectation)
LOLE= ∑ pi T
i∈S
Donde pi es la probabilidad del estado i del sistema, S es
el conjunto de todos los estados del sistema en los que la
carga del sistema ha superado a la generación disponible
(pérdida de carga) y T es el tiempo que ha permanecido
en pérdida de carga cada uno de esos estados. LOLE se
mide como el número de días u horas en un periodo
determinado (generalmente un año) en la cual, la carga
pico diaria o la carga horaria, se espera que exceda la
capacidad de generación disponible. Si pi depende de la
comparación entre la carga horaria y la capacidad de
generación disponible, el índice LOLE se encontrará en
hr/año, mientras que, si pi depende de la comparación
entre la carga pico diaria y la capacidad de generación
disponible, el índice LOLE se encontrará en días/año.
El índice LOLE no indica la severidad de la deficiencia, ni
la frecuencia, ni la duración de la pérdida de carga. A
pesar de estas deficiencias, es un criterio probabilístico
muy utilizado en la planificación de la generación.
➢ LOEE (Loss Of Energy Expectation)
LOEE= ∑ 8760Ci pi
i∈S
Ci es la pérdida de carga para el estado del sistema i.
LOEE es la cantidad de energía no suministrada por el
sistema, cuando la demanda ha sido superior a la
generación total disponible.
Este índice incorpora la gravedad de las deficiencias,
además el número de ocasiones y su duración, por lo que
es importante en el análisis de la incorporación o
sustitución de la energía por fuentes de energía eólica. El
valor complementario de LOEE, es decir, el valor de
energía efectivamente suministrada, puede ser dividido
por la energía total demandada para obtener un índice
normalizado, conocido como el índice de confiabilidad de
la energía (EIR). Este índice puede ser utilizado para
comparar la adecuación de los sistemas que difieren
considerablemente de tamaño.
➢ LOLP (Loss of Load Probability)
LOLP= LOLE⁄8760
Se define como la probabilidad de no satisfacer toda la
potencia demandada con la generación disponible.
➢ LOLF (Loss of Load Frequency)
LOLF= ∑(Fi -fi )
i∈S
Donde Fi es la frecuencia de salida del estado del
sistema i y fi es la porción de Fi que corresponde a no
pasar el límite entre el conjunto de estados de pérdida de
carga y el conjunto de estados sin pérdida de carga.
➢ LOLD (Loss of Load Duration)
LOLD= LOLE⁄LOLF
2. METODO MONTE CARLO
El método Monte Carlo es generalmente designado para
describir las simulaciones estocásticas que emplean
números aleatorios. Una definición general del método
Monte Carlo es descrita en la referencia [3], “Los
métodos de Monte Carlo son aquellos en los que las
propiedades de las distribuciones de las variables
aleatorias son investigadas mediante la simulación de
números aleatorios. Estos métodos, dejando a un lado el
origen de los datos, son similares a los métodos
estadísticos habituales, en los cuales las muestras
aleatorias se utilizan para realizar inferencias acerca de
las poblaciones origen. Generalmente, en su aplicación
estadística, se utiliza un modelo para simular un
fenómeno que contiene algún componente aleatorio.
La base principal del método de Monte Carlo es la
generación de números aleatorios entre 0 y 1. Por ello, se
debe garantizar la mayor aleatoriedad posible en la
generación de estos números. Ésta variará según la
función de distribución de probabilidad (FDP) usada para
cada una de las variables.
2.1. Algoritmo de Simulación
El algoritmo de simulación del método de Monte Carlo
está fundamentado en la generación de números
aleatorios por el método de Transformación Inversa, el
cual está basado en las distribuciones de frecuencia
acumulada (CDF). El algoritmo sigue los siguientes
pasos:
1) Determinar las variables aleatorias y sus CDF
2) Generación de un número aleatorio entre 0 y 1.
3) Calcular la variable aleatoria según la distribución
de frecuencia acumulada
4) Repetir los pasos 2 y 3 tantas veces como muestras
se necesiten.
5) Obtener media y varianza para verificar la
convergencia del proceso.
Una vez realizado el algoritmo, se podrá conseguir el
objetivo del método de Monte Carlo, que es, obtener la
respuesta (media) de un sistema en función de las
variables aleatorias de entrada elegidas. Para ello el
principal problema es el punto 4), donde se debe elegir
bien el número de repeticiones del proceso de muestreo
hasta alcanzar la convergencia. Si la generación de las
variables de entrada se lleva a cabo mediante un
procedimiento adecuado, la solución converge a medida
que el número de muestras aumenta.
Para el caso de evaluación de la adecuación del sistema
de generación, se considera como variables aleatorias el
estado de cada una de las unidades de generación. De
modo que se generará un número aleatorio por cada
unidad de generación y se comparará con la probabilidad
de fallo definida para ese elemento, determinando así el
estado del mismo. Esta simulación será sometida a
numerosas repeticiones hasta que el valor calculado
presente un error pequeño o se realicen un número
determinado de estas repeticiones.
También para la generación eólica será necesario incluir,
como variable aleatoria, la distribución de la velocidad del
viento (distribución de Weibull) correspondiente al
emplazamiento del parque eólico en estudio. De esta
manera, además de la disponibilidad, se podrá saber la
potencia que los aerogeneradores tendrán para cada
periodo de simulación.
2.2. Algoritmo de Simulación
El método de Monte Carlo está basado en un proceso de
repeticiones, por tanto, debe determinarse el número de
repeticiones mínimas para que los resultados sean
fiables y el error esté dentro del margen. Para poder
establecer los márgenes, primero se definirá el error
como la diferencia (en valor absoluto) entre el valor
medio y el valor estimado de la simulación en un
momento determinado.
Fig. 3. Proceso de convergencia del método Monte Carlo.
Se puede observar que la simulación de Monte Carlo
crea un proceso de convergencia fluctuante, que, al
aumentar el número de muestras, disminuye el error del
resultado final hasta mantenerse cerca del valor exacto
(media de la variable en estudio). Si se realizaría un
número de iteraciones infinito, los resultados tendrían una
fiabilidad del 100% ya que se consideran todos los
valores posibles de las variables. La expresión para
poder obtener el error de la simulación de Monte Carlo
para un índice en estudio es [4]:
σ 2) Muestreo de Duración de Estados (State Duration
Error(ε)= ×100 [%]
E(x)
Donde σ es la desviación típica del proceso, y E(x) es la
media obtenida en el proceso de cálculo del índice de
confiabilidad. En la evaluación de la confiabilidad del
sistema de potencia, los diferentes índices de
confiabilidad tienen velocidades de convergencia
diferentes. Se ha encontrado que el coeficiente de
variación del índice EENS tiene la menor tasa de
convergencia. Por lo tanto, este coeficiente de variación
debe utilizarse como criterio de convergencia para
garantizar una precisión razonable [1].
2.3. Enfoques de Simulación
Existen tres enfoques principales de simulación en la
evaluación de la confiabilidad:
1) Muestreo de Estados del Sistema (System State
Sampling): Depende de la combinación de todos los
estados de los componentes y cada estado de los
componentes se puede determinar muestreando la
probabilidad de que el componente aparece en ese
estado. El comportamiento de cada componente se
puede describir mediante una distribución uniforme
entre [0,1]. Se asume que cada componente tiene dos
estados (operativo y falla) y que las fallas de los
componentes son eventos independientes. Si Si
denota el estado del i-ésimo componente y PFi denota
su probabilidad de falla. Se determina un número
aleatorio Ui distribuido uniformemente entre [0, 1] para
el i-ésimo componentes.
0 (estado operativo) si Ui ≥PFi
Si = {
1 (estado de falla) si 0≤Ui ≤PFi
El estado del sistema que contiene m componentes
se expresa mediante el vector Si:
Si =(S1 ,……,Si ,…..,Sm )
Las ventajas del enfoque de muestreo de estados son
las siguientes [1]:
✓ El muestreo es relativamente simple. Solo es
necesario generar números aleatorios
uniformemente distribuidos entre 0 y 1.
✓ Los datos básicos de confiabilidad requeridos son
relativamente pocos. Solo se requieren las
probabilidades de estado del componente.
✓ El enfoque de muestreo de estados no solo se
aplica a eventos de falla de componentes, sino
que también se puede generalizar fácilmente a
estados de otros parámetros en la evaluación de
la confiabilidad del sistema de potencia, tales
como carga, estados hidrológicos, meteorológicos.
La desventaja de este enfoque es que no se puede
utilizar por sí solo para calcular el índice de frecuencia
Sampling): Se basa en el muestreo de la distribución
de probabilidad de la duración del estado del
componente. Los procesos cronológicos de transición
de estado para todos los componentes se simulan
primero mediante muestreo. El proceso cronológico
de transición de estado del sistema puede ser
obtenido al combinar los procesos de transición de
estado de todos los componentes. El proceso
cronológico de transición de estado del sistema de
dos componentes se muestra en la figura 4.
Fig. 4. Proceso cronológico de transición de estados
del sistema
 Las ventajas del enfoque de muestreo de duración
estado son las siguientes:
✓ Puede usarse fácilmente para calcular el índice de
frecuencia.
✓ Se puede considerar fácilmente cualquier
distribución de duración estado.
Las desventajas de este enfoque son:
▪ En comparación con el enfoque de muestreo de
estados, requiere más tiempo de computación y
almacenamiento, debido a que es necesario
generar una variable aleatoria siguiendo una
distribución dada para cada componente y
almacenar la información sobre los procesos
cronológicos de transición de estado de todos los
componentes en un lapso de tiempo prolongado.
▪ Requiere parámetros asociados con todas las
distribuciones de duración de estado de los
componentes. En algunos casos, especialmente
para una representación de componentes multi-
estado, podría ser difícil proporcionar todos estos
datos en una aplicación real del sistema.
3) Muestreo de Transición de Estados del Sistema
(System State Transition Sampling): Se centra en la
transición de estado de todo el sistema en lugar del
estado de los componentes o los procesos de
transición de estado de los componentes. Supone que
la duración del estado de cada componente sigue una
distribución exponencial. Las ventajas del enfoque de
muestreo de transición de estado del sistema son:
✓ Se puede utilizar para calcular el índice de
frecuencia sin la necesidad de muestrear la
función de distribución y realizar el
almacenamiento cronológico de la información
como en el muestreo de duración de estado.
3.1. Modelos del Sistema de Generación
El principal parámetro empleado en la evaluación de la
adecuación de la generación estática es la probabilidad
de encontrar a la unidad en falla (indisponibilidad forzada)
en algún momento en el futuro. Esta probabilidad es
conocida como la tasa de salida forzada (FOR – Forced
Outage Rate), que se define como la relación entre dos
valores de tiempo [2]:
∑[Tiempos en falla]
Indisp. = U =
∑[Tiempos en falla] + ∑[Tiempos en operación]
MTTR λ
U= =
MTTR+MTTF λ+μ
La disponibilidad se define como:
∑[Tiempos en operación]
Disp. = A =
∑[Tiempos en falla] + ∑[Tiempos en operación]
MTTF μ
A= =
MTTR+MTTF λ+μ
Donde:
MTTR: Tiempo Medio de Reparo (Mean Time To Repair) [hr]
MTTF: Tiempo Medio de Falla (Mean Time To Failure) [hr]
: Tasa de falla [fallas/año];  = 8760 / MTTF
: Tasa de reparo [reparaciones/año];  = 8760 / MTTR
Los conceptos de disponibilidad e indisponibilidad, se
encuentran asociadas con el modelo simple de dos
estados que se muestra en la figura 5. Este modelo es
directamente aplicable a unidades de generación de
carga base, que cuentan con ciclos de operación
prolongados [1].

✓ En comparación con el enfoque de muestro de

estados, requiere sólo un número aleatorio para
producir un estado del sistema.
La desventaja de este enfoque es que sólo se aplica a
duraciones de estado de componentes con
distribución exponencial.
3. EVALUACIÓN DE LA CONFIABILIDAD
Fig. 5. Modelo de unidad de generación de 2 estados.
También existe la posibilidad de que las unidades de
generación operen con un estado de capacidad reducida.
La figura 6 muestra el diagrama del modelo de tres
estados, donde ij se define como la tasa de transición
del estado i al estado j.

Como se describió en el punto anterior, existen tres

enfoques básicos de simulación en la evaluación de la
confiabilidad. El muestreo de duración de estado y el
muestreo de transición de estados del sistema se
denominan métodos secuenciales (cronológicos) porque
siguen la secuencia de estados del sistema, mientras que
el muestreo de estados del sistema se denomina método
no secuencial porque considera cada punto de tiempo o
estado del sistema independiente de otro [1].
Fig. 6. Modelo de unidad de generación de 3 estados.
Para unidades de generación con ciclos de operación Las nuevas expresiones de los índices de confiabilidad
relativamente cortos, como las unidades de operación anuales para las N muestras se pueden calcular de la
intermitente o de punta, donde el periodo más crítico de siguiente manera:
operación es el periodo de arranque y comparada con las
➢ Probabilidad de Pérdida de Carga (LOLP), [%]
unidades de operación de carga base, las unidades de
punta tendrán pocas horas de operación y muchos más
∑Nk=1 Ik (DNSk )
arranques y paradas. Estos aspectos deben ser LOLP= ×100
considerados en la estimación de la indisponibilidad de la N
unidad en el futuro, para lo cual la referencia [5], propone
➢ Pérdida de Carga Esperada (LOLE), [hr/año]
el siguiente modelo de 4 estados.
∑Nk=1 Ik (DNSk )
LOLE= ×8760
N

➢ Demanda No Suministrada Esperada (EDNS), [MW]

∑Nk=1 DNSk
EDNS=
N

➢ Pérdida de Energía Esperada (LOEE), [MWh/año]

∑Nk=1 DNSk ×8760

LOEE=
Fig. 7. Modelo de unidad de generación de 4 estados. N
Donde Ik(DNSk) es el indicador variable:
3.2. Modelo de Carga de un solo Nivel
0 Si DNSk =0
Para un solo nivel de carga, la adecuación del sistema de Ik (𝐷𝑁𝑆𝑘 )= {
1 Si DNSk ≠0
generación depende de los posibles estados de
capacidad de generación del sistema. Un estado del
3.3. Modelo de Carga con Curva Anual
sistema es la combinación aleatoria de todos los estados
de las unidades de generación. El comportamiento de
El enfoque más básico para considerar la curva de carga
cada generador se puede simular mediante una
anual es determinar todos los puntos horarios de la curva
secuencia de números aleatorios distribuida
de carga cronológica. Sin embargo, esto no es práctico
uniformemente entre 0 y 1. En el caso de una
debido a los requisitos computacionales. Las siguientes
representación de dos estados, sea Si el estado de la i-
tres alternativas se pueden utilizar para modelar la curva
ésima unidad generadora y FUi su indisponibilidad
de carga anual [1]:
forzada. El número aleatorio uniformemente distribuido Ui
[0,1] se determina para la i-ésima unidad de generación. 1) Muestrear estados de carga en términos de la curva
de carga cronológica. Cada carga horaria en un año
0 (estado operativo) Si Ui ≥FUi tiene la misma probabilidad de ocurrencia. Un número
Si = {
1 (estado de falla) Si 0≤Ui ≤FUi aleatorio uniformemente distribuido, por lo tanto,
puede ser obtenido para seleccionar un determinado
En caso de que unidades con estados de capacidad estado de carga. Este estado de carga y los estados
reducida sean consideradas, PDRi representa la obtenidos de todas las unidades generadoras forman
probabilidad de un estado simple de capacidad reducida una muestra del estado del sistema.
de la i-ésima unidad generadora.
2) Modelo multi-etapa de la curva de carga anual. La
0 (estado operativo) Si Ui ≥PDR i +FUi curva de carga cronológica se puede cambiar a una
curva de duración de la carga con un nivel de carga
Si = {1 (estado en falla) Si PDR i ≤Ui <PDR i +FUi
de orden descendiente. Y la curva de duración de la
2 (capacidad reducida) Si 0≤Ui ≤PDR i carga se puede aproximar mediante un modelo multi-
etapa, como se muestra en la figura 8.
El estado de capacidad de generación del sistema puede
ser expresado usando el vector de capacidad de
generación (Gik,i = 1,….,m), donde Gik es la potencia
disponible en el i-ésima unidad de generación en la k-
ésima muestra y m es el número de componentes del
sistema. Para un nivel de carga D, la demanda no
suministrada (DNS) debido a la insuficiente capacidad de
generación en la k-ésima muestra es dada por:
m

DNSk =max {0, D - ∑ Gik }

Fig. 8. Modelo multi-etapa de la curva de duración de
i=1
carga.
 El método para un solo nivel de carga puede ser
empleado directamente para cada nivel de carga. Los
índices de confiabilidad pueden obtenerse
ponderando los índices anualizados para cada nivel
de carga por la probabilidad de cada etapa de carga.
Se asume que la curva de duración de la carga se
divide en etapas de nivel NL y el i-ésima etapa incluye
NIi puntos de carga. La probabilidad de la i-ésima
etapa de carga es:
NIi
Pi =
8760
Los índices de confiabilidad anual considerando el
modelo multi-etapa de la curva de carga anual puede
ser obtenida mediante las siguientes ecuaciones:
NL
EDNS= ∑ EDNSi Pi
i=1
NL
LOEE= ∑ LOEEi Pi
i=1
NL
LOLE= ∑ LOLEi Pi
i=1
Donde EDNSi, LOEEi y LOLEi son los índices
anualizados para la i-ésima etapa de carga.
3) Muestreo de los niveles de carga utilizando el modelo
multi-etapa. Las probabilidades de todas las etapas Pi
son puestos sucesivamente en el intervalo [0, 1]. Se
puede determinar un nivel de carga en cada muestra
de acuerdo con la ubicación del número aleatorio
como se muestra en la figura 9.
Fig. 9. Ejemplo del muestro de los niveles de carga.
El segundo método es más efectivo que los demás,
desde un punto de vista computacional. Esto se debe a
que los puntos de carga en los segmentos planos de la
curva de duración de carga proporcionan casi la misma
contribución a los índices totales y que varios de puntos
de carga baja, que pueden tener probabilidades
relativamente altas de ocurrencia, hacen poca o ninguna
contribución a los índices totales.
Las diferentes etapas del nivel de carga hacen diferentes
contribuciones a los índices anuales totales. Por lo tanto,
es posible utilizar diferentes valores de tolerancia para los
criterios de convergencia del coeficiente de variación en
las diferentes etapas del nivel de carga. Esto es similar a
un enfoque de muestreo estratificado. Las etapas de bajo
nivel de carga, que hacen poca o ninguna contribución a
los índices totales, a menudo se pueden excluir de la
enumeración.
4. INCERTIDUMBRE DE LA GENERACIÓN
La incertidumbre de generación dependerá del tipo de
generación que se quiera predecir. No es lo mismo la
certeza con la que se puede predecir la generación
convencional que la certeza para predecir la generación
eólica. La segunda tendrá una incertidumbre mayor que
la primera, es decir, es más difícil predecir los valores de
generación. Esto es debido a que la generación
convencional es más firme y estable ya que depende, en
gran medida, de la probabilidad de disponibilidad de la
central de generación. Por otro lado, la generación eólica,
además de depender de la probabilidad de disponibilidad
del aerogenerador, dependerá también de un factor
aleatorio como es la velocidad del viento:
4.1. Generación Convencional
Cuando se habla de generación convencional, se habla,
entre otras características, de una generación no
renovable, firme y con un alto porcentaje de
disponibilidad. Los tipos de centrales para este tipo de
generación pueden ser, entre otras, centrales térmicas,
de ciclo combinado, nucleares, etc. En un sistema
eléctrico no solo existe un mismo tipo de central con las
mismas características, sino que existen varios tipos y
con diferente capacidad de generación. Cada central
tendrá una probabilidad de disponibilidad, dependiendo
del tipo de generación, potencia instalada, etc.
Las centrales de generación convencional de simulan a
través del modelo de 2 estados (fallo y operación), por lo
que la posibilidad de estados de una central de n
unidades es 2n estados posibles.
4.2. Generación Eólica
Una de las principales barreras de la integración de gran
cantidad de recursos renovables no convencionales
(eólico y solar) es la variabilidad de los recursos naturales
(viento y radiación solar). Esta variabilidad de los
recursos renovables también se conoce como la
intermitencia de los recursos [6].
En el caso específico de la generación eólica, al ser el
viento un recurso natural, es muy difícil predecir su
comportamiento (velocidad) con exactitud, por lo que, su
simulación se realizará mediante la generación de
números aleatorios que conseguirán los valores de
velocidad del viento. La generación de estos valores
aleatorios no seguirá la misma distribución para todos los
parques eólicos, sino que dependerá de la zona
geográfica donde se instalen. Estadísticamente la
frecuencia de los valores de viento, para un lugar
geográfico y durante un tiempo de estudio, sigue una
distribución específica, llamada distribución Weibull. La
expresión matemática de la función de densidad de esta
distribución tiene la siguiente forma:
k x k-1 -( x )k
f(x)= {A (A) e A x≥0
0 x<0
Donde, la distribución la definen el parámetro de escala A
(m/s), que nos da el valor de velocidad media, y el
parámetro de forma k (adimensional), que nos da una
idea de cuan angosta o sesgada hacia la izquierda (hacia
cero) es la curva de la función de densidad de
probabilidad. La figura 10 muestra cinco ejemplos de
curvas de densidad de probabilidad de Weibull, donde se
puede evidenciar el comportamiento del viento para los
distintos parámetros de forma y escala [4].
Fig. 10. Función de densidad de probabilidad [4].
Analizando las curvas, se observa que las distribuciones
de las velocidades del viento no son simétricas para
ninguna de las curvas. A veces tendrán velocidades de
viento muy altas (20-25 m/s), pero son muy raras. Por
otro lado, las velocidades del viento entre 4 y 6 m/s son
las más comunes ya que es donde se concentran la
mayor cantidad de puntos. Si se habla de la parte
estadística, el área bajo la curva siempre vale
exactamente 1, ya que la probabilidad de que el viento
sople a cualquiera de las velocidades, incluyendo el cero,
debe ser del 100%.
Si sumamos las frecuencias de las curvas por orden, se
obtienen las curvas de las frecuencias de las velocidades
del viento acumuladas. La función de frecuencias
acumuladas de Weibull F(x), da la probabilidad de una
velocidad del viento sea igual o menor que x. Su
expresión matemática se obtiene integrando f(x):
x k
-( )
F(x)=1-e A
Para x>0, siendo nula cuando x<0. En la siguiente figura
se muestran ejemplos de curvas de frecuencias
acumuladas para los mismos valores de escala y forma
que en la figura anterior.
Fig. 11. Curvas de frecuencia acumulada [4].
Determinadas las distribuciones, el siguiente paso es la
simulación de los valores de velocidad de viento. Esta
simulación, al igual que con la generación convencional,
se realizará mediante la generación de valores aleatorios.
Estos valores aleatorios en conjunto con las diferentes
distribuciones de Weibull, darán como resultado distintos
valores de velocidad de viento. Todos esos valores de
velocidad se tienen que convertir en valores de potencia
eléctrica, mediante la curva de potencia (MW) vs
velocidad del viento (m/s) que tiene cada modelo de
aerogenerador. A continuación, se muestra una curva PV
para un aerogenerador del fabricante VESTAS, modelo
V-112 de 3 MW, obtenida de la referencia [4].
Fig. 12. Curva PV Aerogenerador VESTAS V-112 (3 MW)
La potencia del aerogenerador es nula hasta una
velocidad mínima o de arranque de 3 m/s. A partir de ahí
crece rápidamente (aproximadamente con el cubo de la
velocidad) creciendo asimismo el régimen de giro del
rotor. Al llegar el viento a una velocidad en torno a los 12
m/s comienzan a actuar los mecanismos de limitación y la
potencia de salida se mantiene constante. Esta potencia
se le denomina de diseño o nominal y se mantiene hasta
los 25 m/s. De ese valor en adelante, la potencia de
salida se anula desconectándose la turbina. En este
tramo actúan los mecanismos de protección, frenando el
rotor por motivos de seguridad.
REFERENCIAS
[1] R. Billinton, W. Li, Releability Assessment of Electric
Power Systems Using Monte Carlo Methods,
Springer, LCC, New York, 1994.
[2] R. Billinton, R. N. Allan, Releability Evaluation of
Power Systems, Plenum Press, New York, 1984
[3] Losilla, J.M., “Herramientas para un laboratorio de
estadística fundamentado en técnicas de Monte
Carlo” Tesis Doctoral, Univ. Aut. de Barcelona, 1994
[4] Casado Rodríguez A., “Fiabilidad de un Sistema
Eléctrico con Energía Eólica – Crédito de
Capacidad” Proyecto Fin de Carrera, Universidad
Carlos III de Madrid.
[5] IEEE Task Group, "A Four-State Model for
Estimation of Outage Risk for Units in Peaking
Service," IEEE Trans. on PAS, Vol. 91, 1972.
[6] V. Cardenas, D. Echeverría, J. Cepeda, “Análisis de
Confiabilidad de la Generación Considerando el
Ingreso de Energías Renovables No
Convencionales en los Sistemas de Potencia”,
Revista Técnica “energía”. No 11, Pp. 101-107.