CF Verdejo HF

UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS F
ISICAS Y MATEM
ATICAS
DEPARTAMENTO DE INGENIER
IA EL
ECTRICA
AN
ALISIS ESTOC
ASTICO DE ESTABILIDAD
DE PEQUE
NA SE
NAL EN SISTEMAS EL
ECTRICOS DE POTENCIA
TESIS PARA OPTAR AL GRADO DE DOCTOR
EN INGENIER
IA EL
ECTRICA
HUMBERTO ANTONIO VERDEJO FREDES
SANTIAGO DE CHILE
2012
UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS F
ISICAS Y MATEM
ATICAS
DEPARTAMENTO DE INGENIER
IA EL
ECTRICA
AN
ALISIS ESTOC
ASTICO DE ESTABILIDAD
DE PEQUE
NA SE
NAL EN SISTEMAS EL
ECTRICOS DE POTENCIA
TESIS PARA OPTAR AL GRADO DE DOCTOR
EN INGENIER
IA EL
ECTRICA
HUMBERTO ANTONIO VERDEJO FREDES
PROFESOR GU
IA:
DR. LUIS SANTIAGO VARGAS D
IAZ
MIEMBROS DE LA COMISI
ON:
DR. WOLFGANG KLIEMANN
DR. RODRIGO PALMA BEHNKE
DR. LUIS MOR
AN TAMAYO
SANTIAGO DE CHILE
2012
Resumen
El estudio de estabilidad en Sistemas El ectricos de Potencia consiste en determinar
la condici on de operaci on del sistema luego de ocurrida una perturbaci on. El enfoque
cl asico considera tres tipos de an alisis: Angular, Frecuencia y Voltaje. Los eventos de
inter es para la planicaci on y operaci on corresponden a salidas repentinas de unidades
de generaci on y/o consumos, fallas en lneas de transmisi on o transformadores, etc.
En el estudio cl asico de estabilidad angular de r egimen permanente, las ecuaciones
diferenciales y algebraicas que representan la din amica del sistema, se linealizan en torno
a un punto de operaci on estable. En tal caso, el an alisis consiste en determinar los
autovalores del sistema lineal equivalente, estableciendo como condici on de operaci on
estable aquella en que todas las partes reales est en en el semiplano complejo izquierdo.
En este tipo de estudio se considera la ocurrencia de perturbaciones que afectan al
sistema en un solo instante de tiempo, donde se determinan los autovalores y a partir
de la ubicaci on de sus partes reales m as cercanas al origen, se determina la condici on
de operaci on del sistema.
En este trabajo se presenta una nueva metodologa que permite generalizar el
concepto de estabilidad de r egimen permanente para el caso en que las perturbaciones
son aleatorias y autosostenidas en el tiempo, descritas por un proceso estoc astico tipo
Markov. Dependiendo de la naturaleza de la perturbaci on, se proponen dos modelos de
an alisis: Multiplicativo y Aditivo.
El Modelo Multiplicativo tiene como objetivo presentar una generalizaci on del concepto
de autovalor en sistemas lineales estoc asticos, donde el Exponente de Lyapunov
representa el equivalente de la parte real m as cercana al origen de los autovalores en
sistemas lineales deterministas. En este caso, se proponen e implementan m etodos
num ericos para calcular el Exponente de Lyapunov en sistemas lineales estoc asticos.
En esta representaci on se considera que las perturbaciones autosostenidas afectan la
din amica de las variables de estado del sistema. En base al Teorema Erg odico, en el
Modelo de perturbaci on Aditivo se proponen tres indicadores que permiten caracterizar
las perturbaciones aleatorias y autosostenidas que afectan la operaci on de r egimen
permanente: Desviaci on Angular, Rango de Desviaci on Angular Permanente y Costo
de P erdidas de Energa. Como aplicaci on de estos indicadores, se propone una
metodologa de ajuste a las ganancias de los controladores estabilizadores de potencia
(PSS en ingl es), considerando como criterio de dise no minimizar las p erdidas de potencia
activa producto de las oscilaciones de r egimen permanente. En esta representaci on se
considera que las perturbaciones autosostenidas afectan los sistemas de comunicaci on
y control durante la operaci on.
Se presentan resultados para los sistemas de prueba con 3, 4 y 10 m aquinas descritos
en la literatura internacional. Para el caso del modelo Multiplicativo se implementan tres
m etodos num ericos que permiten determinar el Exponente de Lyapunov en sistemas
el ectricos de potencia. Se identica como aplicaci on el c alculo del tama no m aximo de
la perturbaci on que hace al sistema inestable. Respecto al modelo Aditivo se utiliza el
indicador Costo de P erdidas de Energa para ajustar las ganancias de los controladores
PSS en los sistemas de 3 y 10 m aquinas. Los resultados obtenidos muestran que se
reduce el Costo de P erdidas de Energa, sin deteriorar la respuesta din amica obtenida a
partir de las t ecnicas deterministas.
El trabajo de esta tesis presenta un nuevo enfoque para realizar estudios de estabilidad
en sistemas el ectricos de potencia, sometidos a perturbaciones aleatorias y sostenidas en
el tiempo. Como trabajo futuro se identica mejorar los m etodos de c alculo desarrollados,
con el n de realizar estudios de estabilidad en sistemas el ectricos con un elevado n umero
de variables de estado.
I
Abstract
The study of stability in Electric Power Systems consists in determining the operating
condition of the system after a perturbation has taken place. The classical approach
considers three types of analysis: Angular, Frequency and Voltage. The events of
interest for planning and operation correspond to sudden collapse of generation and/or
consumption units, faults in transmission lines or transformers, etc.
In the classical study of angular stability in permanent regime, the differential and
algebraic equations that represent the systems dynamics are linearized around a stable
operation point. In such case the analysis consists in determining the eigenvalues of the
equivalent linear system, setting as a condition for stable operation that in which all the
real parts are in the left complex semiplane. This kind of study considers the occurrence
of perturbations that affect the system at a single instant of time, where the eigenvalues
are determined, and from the location of its real parts closest to the origin the systems
operating condition is determined.
This paper presents a new methodology that allows to generalize the concept of
permanent regime stability for the case in which the perturbations are random and self-
sustained in time, described by a Markov type stochastic process. Depending on the
nature of the perturbation, two models of analysis are proposed: Multiplicative and
Additive.
The objective of the Multiplicative Model is to present a generalization of the concept
of eigenvalue in stochastic linear systems, where the Lyapunov exponent represents the
equivalent of the real part closest to the origin of the eigenvalues in deterministic linear
systems. In this case numerical methods are proposed and implemented to calculate the
Lyapunov exponent in stochastic linear systems. In this representation it is considered
that the self-sustained perturbations affect the dynamics of the systems state variables.
Based on the Ergodic theorem, the Additive Perturbation Model proposes three
indicators that allow the characterization of the random and self-sustained perturbations
which affect the permanent regime operation: angular deviation, permanent angular
deviation range, and cost of energy loss. As an application of these indicators, a
methodology is proposed for adjusting to the gains of the power system stabilizers (PSS),
considering minimizing the active power loss caused by the permanent regime oscillations
as a design criterion. This representation considers that the self-sustained perturbations
affect the communication and control systems during operation.
Results are shown for the test systems with 3, 4 and 10 machines described
in international literature. For the Multiplicative Model three numerical methods are
implemented which allow the determination of the Lyapunov exponent in electric power
systems. The calculation of the maximum perturbation size that makes the system
unstable is identied as an application. In relation to the Additive model, the energy loss
cost indicator is used to adjust the gains of the PSS controllers in the systems with 3 and
10 machines. The results show that the Energy Loss Cost is reduced without deteriorating
the dynamic response obtained from the deterministic techniques.
The work developed in this thesis presents a new approach for carrying out studies
of stability in electric power systems subjected to random perturbations sustained in
time. For future work improvement of the calculation methods developed is identied
with the aim of performing stability studies in electric systems with a large number of state
variables.
II
Agradecimientos
Agradezco en primer lugar al profesor Luis Vargas por la conanza y apoyo incondi-
cional, especialmente en los momentos m as difciles del doctorado. En segundo lugar al
profesor Wolfgang Kliemann por la amistad y apoyo entregado durante el doctorado y en
el perodo que visit e Ames.
A los profesores Oscar P aez y Manuel Valenzuela de la Universidad de Santiago por
respaldarme en todo momento y conar en que terminara el doctorado a pesar de los
momentos difciles de los ultimo dos a nos.
A los profesores del area de energa de la Universidad de Santiago por el apoyo y
conanza a pesar de todo. A Benita, Julio y Becker.
A mis padres y hermana por soportar mi mal humor y apoyarme siempre. A la profe-
sora Gladys Bobadilla quien dedic o gran parte de su tiempo para ayudarme a estudiar y
salir de lo estoc astico del primer a no.
A Natalia por acompa narme en los momentos buenos y los no tanto.....y nalmente a
Dios por la fuerza y sabidura para salir adelante.
III
Indice
1 Introducci on 6
1.1 An alisis cl asico de peque na perturbaci on . . . . . . . . . . . . . . . . . . . 8
1.2 Motivaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Estado del arte desde el enfoque cl asico . . . . . . . . . . . . . . . . . . . 15
1.4 Propuesta del Trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.1 Modelo de Perturbaci on Multiplicativo . . . . . . . . . . . . . . . . . 17
1.4.2 Modelo de Perturbaci on Aditivo . . . . . . . . . . . . . . . . . . . . . 17
1.5 Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6 Objetivos Especcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7 Estructura del trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Modelo de Perturbaci on Multiplicativo 20
2.1 Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Exponentes de Lyapunov para sistemas lineales estoc asticos . . . . . . . . 20
2.2.1 Expresiones para el m aximo exponente de Lyapunov . . . . . . . . 22
2.3 M etodos num ericos para el c alculo de Exponentes de Lyapunov en
Sistemas Lineales Estoc asticos . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.1 Modelo de la perturbaci on . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.2 Metodo 1: C alculo del exponente de Lyapunov para sistemas lineales 23
2.3.3 M etodo 2: C alculo del exponente de Lyapunov a partir de la
proyecci on del sistema lineal . . . . . . . . . . . . . . . . . . . . . . 24
2.3.4 M etodo 3: C alculo del exponente de Lyapunov para el sistema
proyectado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.5 Valores iniciales y tiempo de simulaci on para el c alculo de
exponentes de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4 Casos de Estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.1 Exponentes de Lyapunov para sistemas deterministas . . . . . . . . 26
2.4.2 Oscilador lineal en dos dimensiones . . . . . . . . . . . . . . . . . . 27
2.4.3 Oscilador lineal en tres dimensiones . . . . . . . . . . . . . . . . . . 28
2.4.4 Modelamiento del sistema el ectrico con perturbaci on . . . . . . . . 31
2.4.5 Ejemplos de aplicaci on a Sistemas de Potencia . . . . . . . . . . . . 32
2.4.6 Sistema Cuatro m aquinas . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4.7 Sistema Diez M aquinas . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.8 Modelaci on alternativa del ruido multiplicativo . . . . . . . . . . . . . 38
2.5 Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3 Modelo de Perturbaci on Aditivo 41
3.1 Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Indicadores del comportamiento del sistema . . . . . . . . . . . . . . . . . 41
3.2.1 Conceptos matem aticos previos . . . . . . . . . . . . . . . . . . . . 41
3.2.2 Modelo del Sistema de Excitaci on Sometido a Perturbaciones
Estoc asticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.3 Indicadores del rendimiento de un sistema el ectrico de potencia . . 44
3.3 Metodologa de resintonizaci on de par ametros de PSS . . . . . . . . . . . 47
1
3.3.1 Criterios de Selecci on de Par ametros . . . . . . . . . . . . . . . . . 47
3.3.2 Algoritmo de b usqueda utilizado para ajustar los par ametros de los
PSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 Aplicaci on de la metodologa de sintonizaci on . . . . . . . . . . . . . . . . . 50
3.4.1 Sistema Tres M aquinas nueve barras . . . . . . . . . . . . . . . . 52
3.4.2 Sistema Diez M aquinas treinta y nueve barras . . . . . . . . . . . 54
3.5 Efecto del Modelo de Carga en el nuevo ajuste de las ganancias de los
controladores PSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.6 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4 Conclusiones 60
4.1 Trabajo Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Publicaciones del trabajo de tesis . . . . . . . . . . . . . . . . . . . . . . . . 61
A Revisi on Bibliogr aca 63
A.1 Publicaciones de an alisis probabilstico de estabilidad transiente . . . . . . 63
A.2 Publicaciones de an alisis probabilstico de estabilidad permanente . . . . . 64
A.3 Ecuaciones diferenciales estoc asticas . . . . . . . . . . . . . . . . . . . . . 68
A.4 Libros de Sistemas El ectricos de Potencia . . . . . . . . . . . . . . . . . . . 68
B Modelo del Sistema El ectrico para an alisis de peque na perturbaci on 70
B.1 Modelo Lineal para simulaci on Multim aquina . . . . . . . . . . . . . . . . . 70
B.1.1 Modelo de ecuaciones diferenciales . . . . . . . . . . . . . . . . . . 70
B.1.2 Ecuaciones algebraicas de estator . . . . . . . . . . . . . . . . . . . 73
B.1.3 Modelo para las ecuaciones de red . . . . . . . . . . . . . . . . . . . 74
B.2 Modelo en variables de estado del estabilizador de potencia (PSS) . . . . . 75
B.2.1 Diagrama de bloques . . . . . . . . . . . . . . . . . . . . . . . . . . 75
B.2.2 Diagrama bloque lead/lag . . . . . . . . . . . . . . . . . . . . . . . . 76
B.2.3 Diagrama bloque washout . . . . . . . . . . . . . . . . . . . . . . . . 77
B.3 Modelo Linealizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
B.3.1 T ecnicas b asicas de linealizaci on . . . . . . . . . . . . . . . . . . . . 77
B.3.2 Modelo de cada m aquina . . . . . . . . . . . . . . . . . . . . . . . . 78
B.3.3 Ecuaciones algebraicas en los terminales de las m aquinas . . . . . 80
B.3.4 Para las barras de generaci on . . . . . . . . . . . . . . . . . . . . . 82
B.3.5 Para las barras de carga . . . . . . . . . . . . . . . . . . . . . . . . . 84
B.3.6 Modelo linealizado del controlador PSS . . . . . . . . . . . . . . . . 85
B.4 Esquema general para el sistema linealizado . . . . . . . . . . . . . . . . . 86
B.4.1 Algoritmo utilizado para el c alculo de autovalores . . . . . . . . . . . 88
B.5 Sistemas de prueba utilizados . . . . . . . . . . . . . . . . . . . . . . . . . 89
B.5.1 Sistema tres m aquinas - nueve barras . . . . . . . . . . . . . . . . . 89
B.5.2 Sistema 4 m aquinas - 10 barras . . . . . . . . . . . . . . . . . . . . 89
B.6 Validaci on de los modelos linealizados . . . . . . . . . . . . . . . . . . . . . 91
B.6.1 Sistema tres m aquinas - nueve barras . . . . . . . . . . . . . . . . . 91
B.6.2 Sistema cuatro m aquinas - diez barras . . . . . . . . . . . . . . . . . 91
C Fundamentos Matem aticos 93
C.1 Ecuaciones diferenciales ordinarias . . . . . . . . . . . . . . . . . . . . . . 93
C.1.1 Ecuaciones diferenciales No-Lineales . . . . . . . . . . . . . . . . . 93
C.1.2 Ecuaciones diferenciales Lineales . . . . . . . . . . . . . . . . . . . 94
C.1.3 Estabilidad de Ecuaciones Diferenciales Lineales Ordinarias . . . . 95
C.2 Elementos de teora de probabilidad . . . . . . . . . . . . . . . . . . . . . . 95
C.2.1 Elementos preliminares . . . . . . . . . . . . . . . . . . . . . . . . . 95
C.2.2 Independencia de Eventos y de Variables Aleatorias . . . . . . . . . 97
C.2.3 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
C.3 Denici on formal de un proceso estoc astico . . . . . . . . . . . . . . . . . . 98
C.4 Condici on de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
2
C.5 Condici on Estacionaria y Erg odica . . . . . . . . . . . . . . . . . . . . . . . 100
C.6 Integraci on Estoc astica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
C.7 Ecuaciones Diferenciales Estoc asticas . . . . . . . . . . . . . . . . . . . . . 103
C.8 Regla de It o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
C.9 F ormula multi-dimensional para la regla de It o . . . . . . . . . . . . . . . . 104
D Distribuciones de las P erdidas de Energa Modelo de Perturbaci on Aditivo 107
D.1 Distribuciones
p
(P
g
) para el Sistema Tres M aquinas - Nueve Barras . . . . 107
D.2 Distribuciones
p
(P
g
) para el Sistema Diez M aquinas - Treinta y Nueve Barras110
Bibliografa 114
3
Indice de guras
1.1 Clasicaci on de Estabilidad en Sistemas El ectricos de Potencia seg un
IEEE [12] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Sistema generador-barra innita . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Evoluci on de la velocidad de la m aquina en por unidad para una falla en
t = 60 seg. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Evoluci on de la velocidad de la m aquina en por unidad para una falla
autosostenida a partir de t = 60 seg. . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Nueva propuesta de clasicaci on de Estabilidad en Sistemas El ectricos de
Potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1 Exponentes de Lyapunov para el oscilador lineal en dos dimensiones . . . 27
2.2 Oscilador lineal en dos dimensiones . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Oscilador Lineal en 3-D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4 IEEE Type I exciter model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Sistema M aquina-Barra Innita: M etodo 1 . . . . . . . . . . . . . . . . . . . 34
2.8 Sistema Cuatro M aquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.9 Sistema Diez M aquinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.1 Desviaci on y Rango de Desviaci on Angular Acumulada. . . . . . . . . . . . 45
3.2 P erdidas de Energa en r egimen permanente. . . . . . . . . . . . . . . . . . 46
3.3 Algoritmo de b usqueda de una mejor soluci on. . . . . . . . . . . . . . . . . 49
3.4 Sistema Tres M aquinas nueve barras. . . . . . . . . . . . . . . . . . . . . 50
3.5 Sistema Diez M aquinas nueve barras. . . . . . . . . . . . . . . . . . . . . 51
3.6 Evoluci on velocidad de las m aquinas, en tanto por uno, del sistema Tres
M aquinas - nueve barras ante una falla trif asica en barra 9. . . . . . . . . . 53
3.7 Evoluci on velocidad de las m aquinas, en tanto por uno, del sistema Diez
M aquinas - nueve barras ante una falla trif asica en barra 29. . . . . . . . . 56
B.1 Estructura PSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
B.2 Bloque lead/lag . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
B.3 Bloque washout . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
B.4 Algoritmo de c alculo de autovalores de la matriz A
sys
. . . . . . . . . . . . . 88
D.1 Sistema Tres-M aquinas: Caso Base I, M aquina 2. . . . . . . . . . . . . . . 108
D.2 Sistema Tres-M aquinas: Caso Resintonizado I, M aquina 2. . . . . . . . . . 108
D.3 Sistema Tres-M aquinas: Caso Base I, M aquina 3. . . . . . . . . . . . . . . 109
D.4 Sistema Tres-M aquinas: Caso Resintonizado II, M aquina 3. . . . . . . . . . 109
D.5 Sistema Tres-M aquinas: Caso Base II, M aquina 5. . . . . . . . . . . . . . . 110
4
Indice de tablas
2.1 Exponentes de Lyapunov para el Sistema M aquina Barra Innita . . . . . . 36
2.2 Exponentes de Lyapunov para el sistema de 10 barras . . . . . . . . . . . . 37
2.3 Exponentes de Lyapunov para el sistema de 39 barras . . . . . . . . . . . . 38
3.1 Costo de p erdidas de energa por m aquina (d olares/a no) . . . . . . . . . . 52
3.2 An alisis de la parte real cercana al origen . . . . . . . . . . . . . . . . . . . 53
3.3 Rango de Desviaci on de las P erdidas de Energa Permanente . . . . . . . 54
3.4 Costo de p erdidas de energa por m aquina (d olares/a no) . . . . . . . . . . 54
3.5 An alisis de la parte real cercana al origen . . . . . . . . . . . . . . . . . . . 55
3.6 Rango de Desviaci on de las P erdidas de Energa Permanente . . . . . . . 57
3.7 Costo de p erdidas de energa por m aquina de acuerdo a modelos
exponenciales de carga (d olares/a no) . . . . . . . . . . . . . . . . . . . . . 58
B.1 Datos para cada m aquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
B.2 Datos para cada sistema de excitaci on . . . . . . . . . . . . . . . . . . . . . 89
B.3 Datos para cada m aquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
B.4 Datos para cada sistema de excitaci on . . . . . . . . . . . . . . . . . . . . . 90
B.5 Autovalores para Sistema tres m aquinas . . . . . . . . . . . . . . . . . . . . 91
B.6 Autovalores para Sistema cuatro m aquinas . . . . . . . . . . . . . . . . . . 92
5
Captulo 1
Introducci on
Un Sistema El ectrico de Potencia (SEP) se encuentra sometido a diversos fen omenos
que pueden afectar la operaci on provocando en casos extremos el colapso total del
sistema. Dentro de los fen omenos que se consideran para realizar estudios de estabilidad
se encuentran: fallas en lneas o unidades de generaci on, variaciones bruscas en las
potencias de los consumos, etc.
Desde el a no 1920 el estudio de estabilidad de los SEP ha sido reconocido como uno
de los problemas m as importantes para operar de manera segura el sistema [13]. La
literatura internacional ha reportado los eventos m as importantes ocurridos por problemas
de estabilidad:
En el a no 1965 ocurri o un apag on en el sistema noreste de Estados Unidos [4],
donde una falla en la capacidad de transmisi on de la lnea que une la zona noreste
y suroeste del sistema ocasion o el colapso total del sistema.
En el a no 1977 ocurri o un apag on que afect o a una amplia zona de Estados Unidos,
incluyendo Nueva York [5], donde la falla afect o al sistema hasta por 25 horas. Para
este colapso del sistema, las causas se encontraron en el mal funcionamiento de
equipos e inadecuados protocolos para condiciones de emergencia.
En el a no 1987 ocurri o una falla del sistema de Tokyo que afecto a m as 2 millones
de clientes [6], donde la causa del colapso fue que el sistema no contaba con la
suciente reserva de potencia activa para abastecer el incremento de demanda que
ocurri o en ese momento.
En el a no 1996 ocurri o un falla en el sistema noreste de Estados unidos, debido a
un arbol que provoc o cortocircuito en una lnea de 345 kV, dejando de inyectar al
sistema 2 GW [7].
En el a no 2003 ocurri o un colapso en el sistema de Canad a, el cual afect o a casi
50 millones de personas [8]. La raz on de este evento radica en que el sistema no
contaba con la suciente potencia reactiva para la demanda del momento, lo que se
tradujo en un colapso por inestabilidad de voltaje.
En el a no 2007 hubo un colapso del sistema en Australia [9]. En este caso el apag on
ocurri o por un incendio forestal que afecto las lneas de 300 kV, desconectando el
resto de las lneas de manera sucesiva.
En Chile, durante los dos ultimos a nos han ocurrido eventos que han provocado la
cada parcial o total del sistema:
La falla del 27 de febrero del 2010 provoc o la cada tota del Sistema Interconectado
Central [10].
6
La falla del 14 de marzo de 2010 que afect o uno de los autotransformadores 500/220
kV de S/E Charr ua, signic o la p erdida de 4137 MW en el SIC [11].
La falla del 24 de septiembre de 2011, producida en un pa no de 220 kV, que signic o
la salida del autotransformador 500/220 kV de S/E Ancoa, implic o la p erdida de 3300
MW en el SIC [11].
En funci on de los antecedentes reci en expuestos, la planicaci on y operaci on de los
SEP deben ser realizados considerando la posibilidad de ocurrencia de eventos que
tengan como consecuencia p erdidas parciales o totales del sistema. En este contexto,
los estudios de estabilidad permiten determinar claramente cu ales son las condiciones
de operaci on crticas antes que ocurra el colapso y as determinar los protocolos de
operaci on ante situaciones de este tipo.
Sin embargo, previo de realizar cualquier an alisis, resulta necesario presentar las
deniciones utilizadas por la comunidad internacional. En general, la estabilidad de SEP
se dene como:
La capacidad que tiene el sistema para retornar al punto equilibrio luego de ocurrida
una perturbaci on [12].
La forma en que los eventos ocurren y que pueden sacar al sistema del punto de
equilibrio dependen de factores como los siguientes [12]:
La naturaleza fsica del fen omeno que pudiese provocar la p erdida de estabilidad
El tama no de la perturbaci on considerada, lo que inuye en el modelo matem atico
a utilizar
Los dispositivos, procedimientos y tiempos necesarios para lograr que el sistema
recupere la condici on de estabilidad
La Figura 1.1 muestra un diagrama donde se resume el problema de estabilidad de un
SEP, el cual puede ser dividido de acuerdo a los factores reci en indicados:
Figura 1.1: Clasicaci on de Estabilidad en Sistemas El ectricos de Potencia seg un IEEE [12]
Donde:
7
Estabilidad Angular: se reere a la habilidad de una m aquina sincr onica, que se
encuentra conectada a un SEP, de permanecer en sincronismo una vez que ha
ocurrido una perturbaci on.
Estabilidad de Voltaje: se reere a la habilidad que posee un SEP para mantener
todas las tensiones en las barras dentro de los lmites establecidos por alguna
norma, luego de ocurrida alguna perturbaci on.
Estabilidad de Frecuencia: se reere a la habilidad de posee un SEP para mantener
la frecuencia del sistema dentro de los lmites establecidos por alguna norma, luego
de ocurrido un desbalance entre la potencia de generaci on y carga.
En Chile los rangos en que pueden variar las tensiones en las barras y la frecuencia
del SEP est an indicados en [13].
En los tres tipos de estabilidad indicados en la Figura 1.1 se visualizan dos
subcategoras correspondientes a peque na perturbaci on y an alisis transiente:
Se entiende por an alisis de peque na perturbaci on a la capacidad que tiene el
SEP de retornar al punto de equilibrio una vez que han ocurrido eventos en que
las variaciones que afectan al sistema son peque nas. Los eventos que caen en
esta categora son tales que el an alisis se realiza mediante la linealizaci on de las
ecuaciones que describen la din amica del sistema.
Se entiende por an alisis transiente a la capacidad que tiene el SEP de retornar
al punto de equilibrio una vez que han ocurrido eventos severos, por ejemplo la
salida repentina de una lnea de transmisi on. Dada la naturaleza de este tipo de
perturbaciones, las variaciones en torno al punto de operaci on estable son tales
que el an alisis mediante linealizaci on de ecuaciones no es v alido y por lo tanto,
resulta necesario resolver las ecuaciones no lineales que describen la din amica del
sistema.
En funci on de la escala de tiempo en que se realice el an alisis, el estudio de estabilidad
puede dividirse en Corto y Largo Plazo. Se entiende como estudio de Corto Plazo al
hecho en que la escala de tiempo de an alisis de estabilidad no supere los 5 segundos [12].
Un ejemplo de estudio de Corto Plazo puede ser la ocurrencia de una falla trif asica que
es despejada en 6 ciclos y dada la naturaleza del evento, el estudio de estabilidad consiste
en obtener la curva de respuesta de los angulos de los rotores de los generadores en los
primeros segundos. Esto se realiza para determinar las m aximas oscilaciones permisibles
y el tiempo en que se retorna a la condici on de r egimen permanente. Por otro lado, el
estudio de Largo Plazo consiste en determinar la respuesta del sistema, luego de ocurrido
el evento, para un perodo mayor a los 5 segudos [12].
El esquema mostrado en la Figura 1.1 corresponde al que actualmente se utiliza en la
industria para realizar planicaci on y operaci on de los SEP.
El enfoque de este trabajo est a orientado al an alisis de estabilidad de peque na
perturbaci on, proponiendo una metodologa para analizar el comportamiento de los SEP
en presencia de perturbaciones aleatorias y sostenidas en el tiempo. Sin embargo, antes
de presentar el aporte del trabajo, la siguiente secci on contiene los fundamentos del
an alisis de estabilidad cl asico [14].
1.1 An alisis cl asico de peque na perturbaci on
El an alisis de estabilidad de peque na perturbaci on en el corto plazo, consiste en linealizar
las ecuaciones din amicas y algebraicas del sistema, en torno a punto de operaci on
estable.
El an alisis cl asico considera las siguientes deniciones [14]:
8
Sea x el vector que contiene todas las variables asociadas a las ecuaciones
din amicas del sistema: velocidades angulares de las m aquinas, angulos de los
rotores, tensiones en los bornes y sistemas de excitaci on de las m aquinas, variables
asociadas a los controladores, etc.
Sea y el vector que contiene todas las variables asociadas a las ecuaciones
algebraicas del sistema: m odulos y angulos de las tensiones en las barras.
Sea u el vector que contiene todas las variables de entrada del sistema: valores
de referencia de los voltajes en los controladores y sistemas de excitaci on, torque
mec anico inicial, etc.
En funci on de lo anterior un SEP queda descrito por el siguiente sistema:
x = f(x, y, u) (1.1)
0 = g(x, y) (1.2)
Donde:
f(x, y, u): representa las ecuaciones diferenciales no lineales asociadas a la
din amica de los generadores y controladores.
g(x, y): representa las ecuaciones diferenciales no lineales asociadas al r egimen
permanente, generalmente el ujo de potencia.
Para obtener el modelo para an alisis lineal, se considera que se produce una variaci on
en torno al punto de operaci on estable en las variables din amicas y algebraicas, esto es:
x = x
0
+ x, y = y
0
+ y (1.3)
Donde:
x
0
, y
0
: representan los valores del punto de equilibrio obtenido a partir del ujo de
potencia.
x, y: representan los incrementos en torno al punto de equilbrio.
En el an alisis cl asico del modelo lineal del SEP se considera que los elementos del
vector de entrada u no cambian [14].
Por lo tanto, el modelo resultante para an alisis lineal es el siguiente:
x = Ax +By (1.4)
0 = Cx + Dy (1.5)
Donde las matrices A, B, C y D contienen los coecientes obtenidos al linealizar las
ecuaciones din amicas y algebraicas.
De acuerdo al an alisis cl asico lineal [14], se obtiene un sistema equivalente al reducir
las ecuaciones (1.4) y (1.5):
x = (A BD
1
C)x = A
sys
x (1.6)
La ecuaci on (1.6) representa el modelo lineal del SEP y se tienen tres opciones que
describen la estabilidad del sistema [15]:
1. Si todos los autovalores de la matriz A
sys
tienen partes reales negativas, entonces
el sistema es asint oticamente estable.
9
2. Si al menos un autovalor de la matriz A
sys
tiene parte real cero, entonces el sistema
es crticamente estable.
3. Si al menor un autovalor de la matriz A
sus
tiene parte real positiva, entonces el
sistema es inestable.
Uno de los principales objetivos del estudio de estabilidad de peque na perturbaci on, es
lograr trasladar hacia el semiplano complejo izquierdo, aquellos autovalores que tengan
las partes reales m as cerca del origen. En este contexto, los estabilizadores de potencia
(PSS: Power System Stabilizer) han sido utilizados para conseguir este objetivo [1622],
dado que pueden desplazar las partes reales crticas a trav es del ajuste de las ganancias.
El detalle de la estructura de un controlador PSS de presenta en el Anexo B.
Por lo tanto, el an alisis cl asico de estabilidad de peque na perturbaci on consiste en
determinar los autovalores del sistema.
x = A
sys
x (1.7)
En la siguiente secci on se presentan los argumentos que dan cuenta que el an alisis
de peque na perturbaci on en el corto plazo no es suciente para determinar la condici on
de estabilidad de un sistema, cuando existen perturbaciones aleatorias y sostenidas en
el tiempo que afectan la operaci on del SEP en r egimen permanente.
1.2 Motivaci on
Como se present o en la secci on anterior, el an alisis lineal de un SEP se realiza
linealizando las ecuaciones din amicas y algebraicas, en torno a un punto de operaci on
estable, para luego obtener un modelo equivalente de acuerdo a la Ecuaci on (1.6). Se
determinan los autovalores de la matriz A
sys
y de acuerdo a la ubicaci on de las partes
reales se determina la condici on de estabilidad del sistema [14].
Sin embargo, hay aspectos que no se consideran en el an alisis reci en presentado
y esto se traduce en que los resultados obtenidos mediante el an alisis de autovalores
cl asico resulten ser limitados. Esto se fundamenta en tres ideas principales:
A) Debido a la din amica que existe en la operaci on de un SEP, el sistema estar a
variando continuamente en torno al punto de operaci on estable, que determina el
modelo lineal de la Ecuaci on (1.6).
B) Es necesario considerar que las perturbaciones que afectan al punto de operaci on
estable del sistema tienen naturaleza aleatoria.
C) El enfoque cl asico considera que en caso de existir perturbaciones, estas ocurren
en un solo instante de tiempo y posterior a ellas, el sistema opera sin variaciones.
Sin embargo, las perturbaciones en la operaci on en r egimen permanente son
autosostenidas y modicar an la din amica del sistema en torno al punto de operaci on
estable.
Para ilustrar las ideas reci en expuestas, consideremos un SEP compuesto por una
m aquina conectada a una barra innita a trav es de una lnea de transmisi on:
10
Figura 1.2: Sistema generador-barra innita
Para este sistema, las ecuaciones diferenciales que determinan la din amica son las
siguientes [14]:
q
=
1
T
do
(E
q
+ (X
d
X
d
)I
d
E
fd
)
=
s
=

s
2H
[T
M
(E
q
I
q
+ (X
q
X
d
)I
d
I
q
+D(
s
))]
En este caso el vector x que contiene las variables de estado, tiene la estructura:
x = [E
q
, , ]
t
Donde:
E
q
: tensi on interna de la m aquina en eje q.
: angulo del rotor de la m aquina.
: velocidad de la m aquina en tanto por uno ( =

s
).
Las ecuaciones algebraicas, asociadas a la operaci on de r egimen permanente est an
dadas por:
Ecuaciones en los terminales de la m aquina:
X
d
I
q
V
t
sin( ) = 0
E
q
V
t
cos( ) X
d
I
d
= 0
Ecuaciones de la red:
R
e
I
d
X
e
I
q
= V
d
V
sin
X
e
I
d
+R
e
I
q
= V
q
V
cos
11
Aplicando el procedimiento de linealizaci on indicado en [14], se tiene lo siguiente:
x = A
sys
x +Eu (1.8)
Recordar que el modelo general de an alisis lineal en un SEP considera que el vector
de entrada u es nulo, pero en este caso se mantiene la notaci on para no perder la
estructura de las ecuaciones linealizadas.
A
sys
=
_
_
_
_
_
1
K
3
T
d0
K
4
T
d0
0
0 0
s
K
2
2H

K
1
2H

D
s
2H
_
_
_
_
_
, E =
_
_
_
_
_
1
T
do
0
0 0
0
1
2H
_
_
_
_
_
donde:
= R
2
e
+ (X
e
+X
q
)(X
e
+ X
d
) (1.9)
K
1
=
1
_
I
0
q
V
(X
d
X
q
)((X
q
+X
e
) sin
0
R
e
cos
0
)
_
_
V
((X
d
X
q
)I
0
d
E
0
q
)((X
q
+X
e
) cos
0
+R
e
sin
0
)
_
K
2
=
1
_
I
0
q
I
0
q
(X
d
X
q
)(X
q
+X
e
) R
e
(X
d
X
q
)I
0
d
+R
e
E
0
q
_
(1.10)
1
K
3
= 1 +
(X
d
X
d
)(X
q
+X
e
)
(1.11)
K
4
=
V
(X
d
X
d
)
_
(X
q
+X
e
) sin
0
R
e
cos
0
(1.12)
En el modelo reci en presentado se ha considerado que no existe din amica para el
sistema de excitaci on, pero en la realidad esto se puede modelar, lo que se traduce en un
aumento el n umero de variables de estado [14].

E
fd
= f
s
(E
fd
)E
fd
+
V
R
T
E

V
R
=
V
R
T
A
+
K
A
T
A
R
F

K
A
K
F
T
A
T
F
E
fd
K
A
T
A
V +
K
A
T
A
V
ref

R
F
=
R
F
T
F
+
K
F
(T
F
)
2
E
fd
Para este ejemplo se han agregado 3 variables de estado al modelo de la m aquina
original, lo cual incrementa la dimensi on del problema. En general, por cada generador
representado en el modelo dq, se tienen 7 variables de estado din amicas y por cada
barra del SEP se incluyen 2 variables algebraicas asociadas a los m odulos y angulo de
las tensiones en dichos puntos [14]. En este caso el sistema en variables de estado que
describe el sistema m aquina - barra innita es el siguiente:
12
_

E
fd
_
_
=
_
1
K
3
T
d0
K
4
T
d0
0
1
T
d0
0 0
s
0
K
2
2H

K
1
2H

D
2H
0
K
A
K
6
T
a
K
A
K
5
T
A
0
1
T
A
_
_
E
E
fd
_
_
(1.13)
Considerando los valores num ericos de los par ametros indicados en [14], realizando
an alisis de estabilidad de peque na perturbaci on desde el enfoque cl asico, los autovalores
del sistema son los siguientes:
1
= 2.4820 + 1.6755i,
2
= 2.4820 1.6755i
3
= 0.1936 + 19.4619i,
4
= 0.1936 19.4619i
Por lo tanto el sistema es asint oticamente estable desde el enfoque cl asico.
Para el sistema m aquina - barra innita, la tensi on

V
representa la tensi on
equivalente de un gran sistema al cual est a conectada la m aquina sincr onica en estudio.
Consideremos que el sistema equivalente sufre una repentina variaci on en torno a su
punto de operaci on y este evento se traduce en que el m odulo de esta tensi on sufre una
perturbaci on de la forma, denominado Caso (I):
Caso (I): V
=
_
V
0
(1 + ) si t = 60,
V
0
si t = 60.
(1.14)
donde V
0
es el m odulo de la tensi on en la barra innita en r egimen permanente y [0, 1]

el tama no de la perturbaci on.
La Figura 1.3 muestra las trayectorias en el tiempo para esta condici on.
Tiempo (s)
Ocurre la perturbaci on
Figura 1.3: Evoluci on de la velocidad de la m aquina en por unidad para una falla en t = 60 seg.
Dado que la trayectoria de la velocidad de la m aquina tiende a cero, a pesar de la ocur-
rencia de la perturbaci on, se tiene que el sistema es estable desde el enfoque cl asico.
Consideremos ahora los siguientes hechos:
13
Dado que un SEP est a continuamente variando en torno a la condici on de operaci on
de r egimen permanente, es razonable considerar que la tensi on

V
tambi en variar a
y no tendr a un valor constante.
Dado que las variaciones del SEP en torno al punto de operaci on estable
son aleatorias, resulta razonable tambi en considerar que la tensi on

V
tendr a
comportamiento aleatorio.
Dado que la din amica del SEP cambia en funci on del tiempo, resulta razonable
suponer que el comportamiento de

V
tambi en depender a del tiempo.

Los tres elementos reci en indicados representan las ideas A), B) y C) propuestas
anteriormente. En funci on de lo anterior, un modelo adecuado para representar la
variaci on del m odulo de la tensi on en la barra innita es la siguiente, denominado Caso
(II):
Caso (II): V
=
_
V
0
(1 + sin(
t
)) si t t
0
,
V
0
si t < t
0
.
(1.15)
donde
t
es un proceso estoc astico que permite caracterizar los fen omenos aleatorios en
el sistema equivalente representado por la barra innita y es el tama no de la pertur-
baci on.
Para el mismo tama no de perturbaci on e instante de tiempo en que act ua la
perturbaci on para el Caso (I) y considerando que la acci on sobre

V
es permanente,
se tiene lo siguiente:
Rango de autovalores
A partir de los argumentos reci en planteados, la matriz de coecientes de la
ecuaci on (1.8) depender a del tiempo y por lo tanto, para cada instante existir a un
conjunto de autovalores diferente. Considerando observar la parte real m as cercana
al origen se tiene lo siguiente:
0.1938 < R{
max
} < 4.6598 (1.16)
Esto muestra que el enfoque de an alisis de autovalores cl asico no es factible, dado
que en la pr actica sera necesario analizar las partes reales para cada instante de
tiempo y para cada condici on que represente el comportamiento aleatorio, lo cual
es impracticable.
Respuesta en el tiempo
La Figura 1.4 muestra la evoluci on de la velocidad de la m aquina para el caso en
que la perturbaci on ocurre en el mismo instante que el Caso (I), pero autosostenida
en el tiempo.
14
Tiempo (s)
Ocurre la perturbaci on
Figura 1.4: Evoluci on de la velocidad de la m aquina en por unidad para una falla autosostenida a
partir de t = 60 seg.
A partir de la evoluci on de la velocidad de la m aquina en la Figura 1.4, se observa que
el sistema es inestable.
Los resultados obtenidos al aplicar los modelos de perturbaci on (I) y (II), muestran que
para la situaci on en que la perturbaci on es autosostenida en el tiempo, el comportamiento
del sistema es diferente respecto al an alisis cl asico, el cual asume que las perturbaciones
ocurren en un solo instante.
En la siguiente secci on se presenta la propuesta desarrollada en la tesis, la cual
pretende abordar los aspectos que no est an incluidos en el an alisis lineal cl asico de los
SEP, es decir, incorporar perturbaciones aleatorias y sostenidas en el tiempo afectan la
operaci on de r egimen permanente.
1.3 Estado del arte desde el enfoque cl asico
En la operaci on diaria los sistemas el ectricos de potencia est an sometidos a una
variedad de perturbaciones aleatorias, las cuales afectan el comportamiento del sistema
desde el punto de vista din amico y de r egimen permanente. Tradicionalmente se ha
intentado representar la aleatoriedad en los sistemas el ectricos mediante el enfoque
probabilista, el cual est a orientado al an alisis de contingencias [23]. En dicho caso el
argumento principal consiste en asignar un valor de probabilidad a la ocurrencia de ciertos
eventos que son de inter es para el estudio que se realice. As, la probablidad de que el
sistema sea estable, se calcula usando las funciones de distribuci on de los elementos
que representan el comportamiento aleatorio del sistema.
En el contexto de estabilidad de peque na perturbaci on, el enfoque probabilista
tambi en ha sido desarrollado, ejemplos de estas situaciones han sido reportados en las
referencias [2430]. Sin embargo, en estos trabajos no se considera una estrategia para
analizar condiciones en las cuales la perturbaci on sea sostenida en el tiempo.
Para dar cuenta de lo anterior, en [31] el ruido blanco se utiliza como modelo
de perturbaci on sostenido en el tiempo y se estable un nuevo criterio de estabilidad.
Dado que el ruido blanco ha sido utilizado para modelar perturbaciones en fen omenos
biol ogicos, no resulta ser un adecuada representaci on para el estudio de los sistemas
el ectricos.
15
En general, las pertubaciones a considerar en los SEP son del tipo, variaciones
de carga, uctuaciones de potencia en los generadores, salidas imprevistas de lneas,
etc, las que no est an en la escala de tiempo de un movimiento Browninano, el cual
posee incrementos independientes y trayectorias no acotadas. Por ejemplo, en un
sistema el ectrico las uctuaciones de los consumos se encuentran restringidas a un rango
denido.
Se han reportado importantes trabajos que han incorporado parte de estos fen omenos
reci en indicados. En [32] se ha propuesto utilizar los exponentes de Lyapunov como
ndice de estabilidad para analizar sistemas de potencia, sin embargo no se muestran
m etodos num ericos para calcularlo. En [33], se muestra una descripci on te orica del
calculo de exponentes de Lyapunov en estructuras, considerando aplicaciones solo en
sistemas de baja dimensi on.
En [3436] se proponen criterios de estabilidad para estudios de peque na
perturbaci on, en presencia de perturbaciones estoc asticas y sostenidas en el tiempo,
sin embargo no de describe con detalle la manera de extrapolar las metodologas a
sistemas de gran dimensi on. En [31] se analiza la estabilidad transiente, modelando
el comportamiento aleatorio del sistema con Teora de Caos.
En las referencias [3739], se reproduce la aleatoriedad considerando diferentes ujos
de potencia, pero la perturbaci on se asume como un modelo te orico, y para representar
elmente el fen omeno en estudio, debe ser estimada a partir de mediciones reales.
En resumen, la literatura especializada muestra importantes avances en el estudio de
estabilidad considerando perturbaciones aleatorias, sin embargo es necesario modelar
dichos fen omenos con din amica sostenida en el tiempo. Adem as, los trabajos realizados
no presentan una metodologa clara para obtener aplicaciones en sistemas reales y de
gran dimensi on.
Por otro lado, resulta necesario analizar la posibilidad de mitigar las perturbaciones
aleatorias y sostenidos en el tiempo que afectan la operaci on de los SEP, y una alternativa
son los controladores PSS (Power System Stabilizers).
Los dispositivos PSS han sido ampliamente utilizados para resolver los problemas de
oscilaciones de potencia en los sistemas el ectricos de potencia [40] y su principal objetivo
es modular el sistema de excitaci on de las m aquinas, introduciendo amortiguaci on a las
oscilaciones de peque na magnitud y baja frecuencia que se presentan en el sistema
[41, 42].
Los primeros dispositivos PSS fueron propuestos entre los a nos 1950 y 1960 [4345].
La principal lnea de investigaci on, seguida desde entonces, se ha concentrado en el
estudio de estabilidad de peque na se nal, utilizando an alisis lineal del sistema el ectrico
y estrategias de control para lograr una adecuada operaci on del sistema. El principal
objetivo ha sido determinar los par ametros del PSS, por lo general, ganancias y
constantes de tiempo que minimicen la amplitud de las oscilaciones y reduzcan el tiempo
en que el sistema retorna al r egimen permanente, despu es de ocurrida una perturbaci on
[4649].
Este proceso se conoce como sintonizaci on de par ametros y las t ecnicas reportadas
en la literatura internacional se basan en control robusto [48, 49], [50], control supervisor
lineal [5153], t ecnicas de optimizaci on en base a m etricas aplicadas a los autovalores
[5459] y aproximaciones en base a t ecnicas metaheursticas [1922, 50, 6062].
En las t ecnicas reci en mencionadas, la sintonizaci on de par ametros se realiza en base
a un conjunto conocido y acotado de puntos de operaci on, frecuentemente, diferentes
niveles de carga. Adem as, las contingencias consideradas en el dise no suponen la
ocurrencia de eventos, generalmente representados como una perturbaci on de tipo
escal on. La aleatoriedad no se considera explcitamente, ya que las perturbaciones
act uan en instantes de tiempo denidos, es decir, se estudia el sistema con un enfoque
determinista convencional. En este contexto, la tesis presenta una novedosa metodologa
que permite ajustar los par ametros del PSS con el n de mitigar el efecto de las
perturbaciones aleatorias y sostenidas que afectan la operaci on en r egimen permanente
del sistema.
16
1.4 Propuesta del Trabajo
El presente trabajo tiene como objetivo principal proponer una nueva forma de analizar
la estabilidad de un SEP, incorporando las perturbaciones aleatorias y sostenidas en
el tiempo que ocurren en torno al punto de operaci on estable del sistema. Para
esto se proponen dos alternativas para representar dichas perturbaciones: Modelo de
Perturbaci on Multiplicativo y Modelo de Perturbaci on Aditivo
1.4.1 Modelo de Perturbaci on Multiplicativo
Este modelo permite caracterizar cualquier perturbaci on que afecte la din amica de las
variables de estado del sistema [31,3539,63]. Por ejemplo: perturbaciones en corrientes
y voltajes en ejes dq, tensiones en los sistemas de excitaci on, variables de estado en los
controladores, etc.
Matem aticamente se modela de la siguiente forma:
x = A
sys
(
t
)x (1.17)
Donde:
A
sys
(
t
): representa la din amica del sistema en r egimen permanente producto de
las perturbaciones aleatorias y sostenidas en el tiempo.

t
: es el proceso estoc astico que caracteriza las perturbaciones aleatorias y
sostenidas en el tiempo.
1.4.2 Modelo de Perturbaci on Aditivo
El modelo aditivo permite caracterizar cualquier perturbaci on que afecte la operaci on
del SEP debido a errores en las variables asociadas a los sistemas de comunicaci on y
control [34, 64]. Por ejemplo: perturbaciones en las se nales de referencia de los sistemas
de excitaci on y controladores.
Este modelo tiene la siguiente representaci on matem atica:
x = A
sys
x +Eu(
t
) (1.18)
Donde:
E: es la matriz de coecientes constantes la cual determina en que controlador se
introduce la perturbaci on aleatoria y sostenida en el tiempo.

t
: es el proceso estoc astico que caracteriza las perturbaciones aleatorias y
sostenidas en el tiempo.
Para este caso no se considera el hecho que para el an alisis cl asico el vector u es cero.
Notar que es posible tambi en presentar un modelo en que se considere la combi-
naci on de perturbaciones multiplicativas y aditivas que afecten la operaci on del SEP. Sin
embargo, esto no se desarrolla en el presente trabajo y se plantea como trabajo futuro de
investigaci on.
El aporte del presente trabajo consiste en desarrollar los Modelos de Perturbaci on Mul-
tiplicativo y Aditivo con el n de caracterizar las perturbaciones aleatorias y sostenidas
en el tiempo que afectan la operaci on del SEP. En particular, se implementan m etodos
num ericos y proponen nuevos indicadores asociados a la operaci on de los sistemas
17
el ectricos con din amica estoc astica. Estos elementos se desarrollan en los Captulos
2 y 3 respectivamente.
Desde un punto de vista general, la propuesta de esta tesis consiste en proponer
un nuevo enfoque de estabilidad de peque na perturbaci on, debido a las perturbaciones
aleatorias y sostenidas en el tiempo. La Figura 1.5 muestra el aporte realizado en esta
tesis de doctorado.
Figura 1.5: Nueva propuesta de clasicaci on de Estabilidad en Sistemas El ectricos de Potencia
En las secciones siguientes se indican los objetivos general y especcos, como
tambi en la estructura general del trabajo.
1.5 Objetivo General
El objetivo general de esta tesis es proponer una nueva metodologa para el an alisis de
peque na perturbaci on en sistemas el ectricos de potencia, con el n de caracterizar las
perturbaciones aleatorias y sostenidas en el tiempo que afectan al sistema durante la
operaci on de r egimen permanente.
1.6 Objetivos Especcos
Los objetivos especcos de esta tesis son:
1. Proponer dos modelos que permiten caracterizar las perturbaciones aleatorias
y sostenidas en el tiempo que afectan a los SEP: Modelo de Perturbaci on
Multiplicativo y Modelo de Perturbaci on Aditivo.
2. Para el Modelo de Perturbaci on Multiplicativo:
18
Generalizar el an alisis cl asico de autovalores para sistemas lineales que
se encuentran sometidos a perturbaciones aleatorias y sostenidas en el
tiempo. Se propone el uso del Exponente de Lyapunov para sistemas lineales
estoc asticos, como un ndice para evaluar la estabilidad del SEP.
Desarrollar e implementar m etodos num ericos para el c alculo del Exponente
de Lyapunov para sistemas lineales estoc asticos.
3. Para el Modelo de Perturbaci on Aditivo:
Proponer indicadores que permitan caracterizar las perturbaciones aleatorias
y sostenidas en el tiempo que afectan la operaci on en r egimen permanente de
un SEP.
Proponer una metodologa para realizar el ajuste de las ganancias de los
controladores PSS, con el n de minimizar el costo de las p erdidas de energa
producto de las oscilaciones de r egimen permanente.
Los resultados obtenidos para los Modelos Multiplicativo y Aditivo son aplicados a
sistemas de prueba internacionales del IEEE, con el n de mostrar que tanto los m etodos
num ericos como los indicadores propuestos permiten caracterizar las perturbaciones
aleatorias y sostenidas en el tiempo que afectan la operaci on en r egimen permanente.
1.7 Estructura del trabajo
El presente trabajo se estructura de la siguiente manera: en el Captulo 1 se incluyen
argumentos y ejemplos donde se muestra que el an alisis lineal cl asico no es suciente
cuando se considera la presencia de perturbaciones aleatorias y sostenidas en el tiempo
afectando la operaci on de un sistema. En el Captulo 2 se desarrolla el Modelo de
Perturbaci on Multiplicativo, incluyendo aplicaciones a los SEP y resultados obtenidos
en modelos de prueba del IEEE. El Captulo 3 presenta la metodologa para analizar
el Modelo de Perturbaci on Aditivo, incluyendo como ejemplo de aplicaci on el ajuste de las
ganancias de los controladores PSS para reducir las p erdidas de energa producto de las
oscilaciones en r egimen permanente que afectan la operaci on de un SEP. Finalmente, en
el Captulo 4 se detallan conclusiones y trabajo futuro.
19
Captulo 2
Modelo de Perturbaci on Multiplicativo
2.1 Introducci on
En el presente captulo se propone una metodologa para analizar sistemas lineales
sometidos a perturbaciones aleatorias y sostenidas en el tiempo de acuerdo a un Modelo
Multiplicativo. Esta representaci on permite considerar las perturbaciones que afectan
a las variables de estado del sistema: voltajes, corrientes, variables de estado de las
m aquinas y controladores.
La metodologa se basa en realizar una generalizaci on del concepto de autovalor
en sistemas lineales estoc asticos, considerando los Exponentes de Lyapunov como el
equivalente de la parte real m as cercana al origen de los autovalores en sistemas lineales
deterministas.
Se presentan tres m etodos num ericos para estimar el Exponente de Lyapunov en
sistemas lineales que est an sometidos a perturbaciones aleatorias y sostenidas en el
tiempo. Finalmente, se incluyen los resultados obtenidos al aplicar la metodologa en
sistemas de prueba internacionales del IEEE, con el n de mostrar la potencial aplicaci on
a sistemas el ectricos de potencia.
2.2 Exponentes de Lyapunov para sistemas lineales
estoc asticos
Como se mencion o en el Captulo 1, la estabilidad de un sistema lineal, no puede ser
descrita en base al an alisis de los autovalores. Es necesario obtener la soluci on en el
tiempo y para ello es posible utilizar una aproximaci on mediante exponentes de Lyapunov.
En este contexto, se presenta un desarrollo para sistemas lineales con perturbaci on tipo
Markov.
Consideremos el sistema
x = A(
t
)x in R
d
, (2.1)
donde
t
es una perturbaci on que tiene el siguiente modelo. Sea:
d
t
= Y
0
(
t
)dt +
l
i=1
Y
i
(
t
) dW
t
in M (2.2)
sea una ecuaci on diferencial estoc astica en un compacto C
manifold M con C
campo de vectores Y
0
, ..., Y
l
. Donde denota a una ecuaci on diferencial estoc astica
tipo Stratonovich.
20
Observaci on 2.2.1 Para revisar la diferencia entre Ecuaci on diferencial estoc astica tipo
Ito o Stratonovich ver el Anexo C.
Asumiendo que la ecuaci on (2.2) tiene una unica soluci on estacionaria y erg odica, con
una distribuci on estacionaria en M, donde la existencia se garantiza por la condici on de
no-degeneraci on
dimLA{Y
i
, i = 1, ..., l} (y) = dimM (2.3)
y M, donde LA denota el algebra de Lie generada por el campo de vectores Y
i
.
La perturbaci on del sistema
t
, en la ecuaci on (2.1), se modela como una funci on que
representa el ruido en el sistema
t
en la forma
t
= f(
t
) f : M U R
m
(2.4)
con f una funci on C
en un conjunto compacto U R
m
con 0 intU, el interior de U.
Lo anterior brinda una gran exibilidad al modelar la perturbaci on del sistema (acotada,
estacionaria y Markoviana).
Denotamos la soluci on de la ecuaci on (2.1), al tiempo, t 0 con valor inicial
x R
d
como (t, x,
t
). El comportamiento exponencial est a dado por los exponentes
de Lyapunov
(x, ) = limsup
t
1
t
log((t, x,
t
())), (2.5)
donde es una elemento del espacio de probabilidad donde la ecuaci on diferencial
estoc astica (2.2) se encuentra denida.
En general, el sistema estoc astico de la ecuaci on (2.1) con perturbaci on erg odica
t
puede tener un n umero d exponentes de Lyapunov diferentes. Bajo la condici on de
no-degeneraci on en las direcciones invarianres de A(
t
), tiene un unico exponente con
probabilidad 1. Esta condici on se expresa en t erminos del sistema inducido en la esfera
R
d
. Como el sistema de la ecuaci on (2.1) es lineal, la proyecci on en la esfera S
d1
R
d
esta dada por una ecuaci on diferencial
s = h(A(
t
), s) s S
d1
(2.6)
h(A, s) = (A s
T
As I)s
donde
Tr
denota el vector traspuesto e I es la d d matriz identidad. Asumiendo la
siguiente condici on para el ruido de la ecuaci on (2.2) y A() proyectada a la esfera
dimLA
__
Y
0
+
w
i
Y
i
h(A(f()), s)
_
, w R
l
__
s
_
(2.7)
= dimM +d 1
para todo
_
s
_
M S
d1
. Con estos elementos, se tiene el siguiente resultado:
Teorema 2.2.2 Consideremos el sistema lineal de la ecuaci on (2.1) con perturbaci on
estoc astica (2.2,2.4) bajo las condiciones (3.5,2.7). Luego el sistema tiene un unico
exponente de Lyapunov
(x, ) = lim
t
1
t
log((t, x,
t
())) (2.8)
para todo x R
d
\ {0}, con probabilidad 1 (casi seguro).
21
Este teorema fue probado en [65], la versi on presentada en este documento sigue [66].
El exponente de Lyapunov, a partir del teorema 2.2.2 determina el comportamiento de la
soluci on de (2.1) en el siguiente modo:
Corolario 2.2.3 Bajo la condici on del teorema 2.2.2, la soluci on nula (t, 0,
t
) 0 del
sistema lineal estoc astico x(t) = A(
t
)x(t) es, casi seguro, exponencialmente estable, s
y solo s < 0.
Teorema 2.2.2 y Corolario 2.2.3 son la base para los m etodos num ericos que permiten
obtener los exponentes de Lyapunov. Notar que para la aplicaci on a los sistemas
de potencia,
t
y f deben ser estimados desde datos, como perles de tensi on para
diferentes condiciones de operaci on.
2.2.1 Expresiones para el m aximo exponente de Lyapunov
De acuerdo al Corolario 2.2.3, el exponente de Lyapunov del sistema (2.1), determina
completamente, la casi segura estabilidad del sistema. El exponente debe ser estimado
directamente a partir de las trayectorias de (2.1), comparar por ejemplo con [67] y
[68] para sistemas con pertubaci on tipo ruido blanco. Existen diferentes caminos para
obtenerlo, debido al uso de la linealidad de (2.1) en un sentido u otro.
C alculo del exponente de Lyapunov usando la denici on
El camino m as directo para estimar el exponente de Lyapunov , es usar la denici on
de la ecuaci on (2.5), es decir, simular trayectorias de la perturbaci on
t
(), resolver
num ericamente la ecuaci on diferencial (2.1), para obtener (t, x
0
,
t
()), para alg un valor
inicial x
0
R
d
\ {0} y aproximar el lmite in (2.5). Pero como el exponente de Lyapunov
describe el crecimiento exponencial de la soluci on, los valores de (t, x
0
,
t
()), crecen
o decrecen exponencialmente, estableciendo problemas num ericos por esta va. En la
pr actica, por tanto, se normaliza la soluci on (t, x
0
,
t
()) despu es de cada m unidades
de tiempo, deniendo x
n+1
:=
(m, x
n
,
t
())
(m, x
n
,
t
())
para n N y considerando (t, x
n
,
t
())
en el intervalo t [nm, (n + 1)m]. Con lo anterior, se obtiene
1
(n + 1)m
log(((n + 1)m, x
0
,
t
())) (2.9)
=
1
(n + 1)
n
i=0
1
m
log((m, x
i
,
t
()))
y por lo tanto, el exponente de Lyapunov puede ser aproximado, para n grande, por
el promedio en tiempo nito de exponentes de Lyapunov
1
k
log((k, x
i
,
t
())) en
intervalos de tiempo [ik, (i +1)k] para i = 0, ..., n. En alg un intervalo de tiempo nito [0, T],
el exponente de tiempo nito
1
T
log((T, x
0
,
t
())) depende del valor de la condici on
inicial x
0
R
d
\{0}; esta dependencia y uso como burn-in ser a examinada en la Secci on
2.3.
Sistema lineal proyectado
Denotemos a la soluci on del sistema proyectado de la ecuaci on (2.6) en la esfera S
d1
por
s(t, s
0
,
t
), para la condici on inicial s
0
S
d1
R
d
. La ecuaci on radial (2.6) resulta en una
expresion para el exponente de Lyapunov, de la siguiente manera
22
= lim
t
1
t
t
_
0
q(, s
0
,
()) d (2.10)
para todo s
0
S
d
, casi seguro, donde q(, s
0
,
()), es denido como

_
s(, s
0
,
())
Tr
A(
)s(, s
0
,
())
. (2.11)
Las trayectorias s(t, s
0
,
t
) del sistema angular pueden ser obtenidas resolviendo la
ecuaci on (2.6) o (2.1) y proyectando las soluciones (t, x
0
,
t
()) en la esfera, es decir,
s(, s
0
,
()) = S((t, x
0
,
t
())) para alg un x
0
= S
1
(s
0
), donde S : R
d
S
d1
es la
proyecci on Euclideana. En un invervalo nito de tiempo [0, T], el exponente de tiempo
nito
1
T
_
T
0
s(t, s
0
,
t
())dt depende del valor inicial s
0
S
d1
; esta dependencia y uso como
burn-in ser a examinada en la Secci on 2.3.
Distribuci on invariante en la esfera
Bajo la condici on del Teorema 2.2.2, el conjunto de procesos
_
Ps(t, s
0
,
t
)
t
_
tienen una
unica distribuci on estacionaria en P
d1
M. Sin embargo, el c alculo de dicha distribuci on
podra ser impracticable para sistemas con un alto n umero de variables de estado.
2.3 M etodos num ericos para el c alculo de Exponentes
de Lyapunov en Sistemas Lineales Estoc asticos
2.3.1 Modelo de la perturbaci on
Para los casos que se presentar an en la Secci on 2.4, se ha utilizado como perturbaci on
el proceso Ornstein-Uhlenbeck
d
t
=
t
dt +dW
t
in R
1
(2.12)
con = 1.0 and = 1.0. El ruido est a dado por
t
= sin(
t
), resultando en un proceso
Ornstein-Uhlenbeck en la esfera S
1
con magnitud 1.
La ecuaci on diferencial estoc astica (2.12) es resuelta, num ericamente, usando un
esquema de Euler. La resultante ecuaci on lineal (2.1) y su ecuaci on proyectada (2.6)
son resueltas num ericamente usando un esquema Runge-Kutta, explcito, de orden 4.
2.3.2 Metodo 1: C alculo del exponente de Lyapunov para sistemas
lineales
Este m etodo est a basado en la Secci on 2.2.1. Se ja un intervalo de tiempo [0, T], T N,
un tama no de paso h =
1
k
> 0, k N. Para el proceso Ornstein-Uhlenbeck, se simula
una serie de realizaciones
t
(i), i = 1, ..., de largo Tk. Se toma un n umero de
condiciones iniciales x
j
0
S
d1
, j = 1, ..., . Para cada condici on inicial, se resuelve el
sistema lineal (2.1), en el intervalo [0, 1], resultando en series x
j
(n)
(i) con n = 0, ..., k. Se
dene x
j
1
(i) := x
j
(k)
(i) y usando s
j
1
(i) := x
j
(k)
(i)/
_
_
_x
j
(k)
(i)
_
_
_ S
d1
como la condici on inicial
23
para el intervalo [1, 2], y continua el proceso hasta completar el intervalo [0, T]. Para cada
trayectoria
t
(i) del proceso que representa el ruido y para cada condici on inicial x
j
0
, se
obtiene una aproximaci on del exponente de Lyapunov
j
(i) =
1
T
T
n=1
log
_
_
x
j
n
(i)
_
_
. (2.13)
Promediando la expresi on (2.13) sobre las realizaciones del proceso, resulta una
estimaci on
j
=
1
i=1
j
(i) (2.14)
del exponente de Lyapunov, al tiempo T, a partir de la condici on inicial x
j
0
S
d1
y m as
a un, promediando sobre todas las condiciones iniciales, resulta una estimaci on
=
1
j=1
j
(2.15)
del exponente de Lyapunov, al tiempo T, del sistema.
Como el exponente de Lyapunov, para un sistema lineal estoc astico, se obtiene a partir
de un lmite cuando T , es posible obtener simulaciones consistentes al realizar un
corte al inicio del perodo de tiempo considerado. Este corte se conoce como burn-in, es
decir, el tiempo que se considera. Para T
1
N con T
1
< T, a partir de (2.13), se obtiene
la siguiente f ormula
j
(i) =
1
T T
1
T
n=T
1
log
_
_
x
j
n
(i)
_
_
. (2.16)
Los otros promedios son obtenidos a partir de (2.14) y (2.15).
2.3.3 M etodo 2: C alculo del exponente de Lyapunov a partir de la
proyecci on del sistema lineal
Este m etodo se basa en la Secci on 2.2.1. Como en la secci on 2.3.2, se ja un intervalo de
tiempo [0, T], T N, un tama no de paso h y se ja un n umero de condiciones iniciales
x
j
0
S
d1
, j = 1, ..., . Las series del ruido se obtienen de la misma forma que en el
M etodo 1. En este caso, para cada condici on inicial, el sistema lineal (2.1) se resuelve
para un paso h y el punto resultante en R
d
es proyectado a la esfera S
d1
. Continuando
con el proceso, se obtiene una serie para s
j
n
(i) := x
j
n
(i)/ x
j
n
(i) for n = 0, ..., Tk. Dicha
serie corresponde a una aproximaci on num erica del sistema proyectado (2.6). Usando
F ormula (2.10), se obtiene
j
(i) =
1
T
T
_
0
s
j
t
(i)
T
A(
t
)s
j
t
(i)dt (2.17)
una aproximaci on al tiempo T, del exponente de Lyapunov, para la condici on inicial
x
j
0
S
d1
y para la trayectoria del ruido
t
(i). Para los resultados presentados en la
Secci on 2.4, se ha utilizado la regla trapezoidal para evaluar la integral (2.17). Promedios
24
sobre las trayectorias de la perturbaci on y sobre las condiciones iniciales, se obtienen de
acuerdo a (2.14) y (2.15).
De la misma manera que en el M etodo 1, es posible obtener resultados m as
consistentes, utilizando el burn-in time T
1
> 0, es decir
j
(i) =
1
T T
1
T
_
T
1
s
j
t
(i)
T
A(
t
)s
j
t
(i)dt. (2.18)
Para este m etodo, es importante utilizar este corte en el tiempo de simulaci on, ya que
la expresi on s
T
As en (2.17), puede tomar, para algunos sistemas reales, enormes valores
cuando s S
d1
se encuentra cerca de uno de los ejes en R
d
.
2.3.4 M etodo 3: C alculo del exponente de Lyapunov para el sistema
proyectado
Este m etodo es el mismo que el M etodo 2, excepto que las trayectorias s
j
n
(i) for n =
0, ..., Tk en la esfera S
d1
, se calculan directamente la ecuaci on diferencial no lineal (2.6)
del sistema proyectado. Se ha utilizado un esquema, explcito, de Runge-Kutta de orden
4. Con lo anterior f ormulas (2.17) y (2.18) no se alteran. Cuando se usa este m etodo
el burn-in time resulta escencial, ya que la expresi on s
T
As aparece en el campo de
vectores del lado derecho en la expresi on (2.6).
2.3.5 Valores iniciales y tiempo de simulaci on para el c alculo de
exponentes de Lyapunov
El c alculo num erico del exponente de Lyapunov, para un sistema lineal estoc astico, se
basa en la denici on
(x
0
, ) = lim
t
1
t
log((t, x
0
,
t
()))
para las condiciones iniciales x
0
R
d
\{0} y las trayectorias del ruido
t
(), o en la
expresi on considerando el sistema proyectado
(s
0
, ) = lim
t
1
t
t
_
0
_
s(, s
0
,
())
T
A(
)s(, s
0
,
())
d.
Existen tres componentes en estas f ormulas, que deben ser consideradas con cierta
atenci on:
1. Trayectorias del proceso que representa la perturbaci on
t
(): En este caso, se
ha utilizado un proceso, estacionario, tipo Ornstein-Uhlenbeck como el ruido
t
,
y
t
= sin(
t
). Para obtener resultados conables,
t
necesita ser simulado en
un intervalo de tiempo suciente, tal que las trayectorias obtenidas, reejen el
comportamiento estacionario del proceso.
2. Condiciones iniciales: Para cada intervalo de tiempo [0, T], el exponente de
Lyapunov depender a de condici on inicial x
0
escogida. Para dimensiones bajas
(d 4) es posible iniciar con una malla na de condiciones iniciales en la esfera
S
d1
, para capturar esta dependencia y estimar el exponente de Lyapunov a partir
25
del promedio en (2.15). Para sistema reales, de gran dimensi on, lo anterior puede
ser difcil de lograr, por el alto costo computacional involucrado. En dichos casos, es
necesario denir cuales son las condiciones iniciales m as importantes a considerar.
3. Tiempo de simulaci on: Las expresiones que denen el exponente de Lyapunov,
est an dadas cuando t , es decir, los exponentes no dependen de alg un
intervalo nito de tiempo [0, T]; las referencias [68] y [67], discuten este hecho en
detalle. Por otro lado, cuando se monitorea el sistema, se requiere informaci on
en periodos cortos de tiempo. Para estos casos, incrementando el n umero de
trayectorias del proceso que representa el ruido y aumentando el n umero de
condiciones iniciales, ser a suciente para obtener estimaciones conables del
exponente de Lyapunov.
2.4 Casos de Estudio
2.4.1 Exponentes de Lyapunov para sistemas deterministas
Debido a que los exponentes de Lyapunov se calculan a partir de las soluciones de
las ecuaciones diferencial, el valor obtenido depender a del valor inicial y del tiempo de
simulaci on considerado, incluso para el caso determinista. Para ilustrar este hecho,
consideremos el siguiente ejemplo
x =
_
1 0
0 2
_
x in R
2
.
Usando el M etodo 1 de la Secci on 2.3.2, calculamos los exponentes de Lyapunov
para diferentes condiciones iniciales en la esfera S
1
, para intervalos de simulaci on [0, 1]
(Figura 2.1a), [0, 3] (Figura 2.1b), y [0, 5] (Figura 2.1c). Excepto para las dos direcciones
invariantes
_
1
0
_
y
_
0
1
_
los exponentes de Lyapunov calculados, crecen en el mismo sentido
en que el tiempo de simulaci on T. Por supuesto, para T se obtiene una curva
discontinua de (s
0
), con
__
1
0
__
= 1 y (s
0
) = 2 para todas las condiciones iniciales
s
0
S
1
.
26
Condiciones Iniciales
(a) Tiempo de simulaci on 1 segundo
(b) Tiempo de simulaci on 3 segundos
(c) Tiempo de simulaci on 5 segundos
Figura 2.1: Exponentes de Lyapunov para el oscilador lineal en dos dimensiones
Como las discontinuidades no ocurren para el sistema estoc astico (2.1), la condici on
(2.7) indica que no existen direcciones invariantes y por lo tanto, el exponente
de Lyapunov, en un intervalo de tiempo innito [0, ), es constante para todas
las condiciones iniciales. Sin embargo, en intervalos de tiempo nitos [0, T], las
aproximaciones de los exponentes, depender a, en general, de la condici on inicial. En
particular, este es el caso en que el soporte de la distribuci on invariante (ver Secci on
2.2.1) es un conjunto peque no de S
d1
.
2.4.2 Oscilador lineal en dos dimensiones
Consideremos el oscilador lineal x = A(
t
)x en dimensi on 2 con la matriz
A(
t
) =
_
0 1
1 2b(1 +
t
)
_
. (2.19)
Se ha usado b = 1,
t
= sin(
t
) con
t
un proceso tipo Ornstein-Uhlenbeck, considerando
los par ametros = 1.0 y = 1.0. Adem as, se ha simulado 50 trayectorias del ruido
t
y considerado un intervalo de tiempo [0, T] = [0, 60]. Los resultados para los c alculos
num ericos del exponente de Lyapunov, del sistema perturbado, de acuerdo a la ecuaci on
(2.14), son presentados en Figuras 2.2a -2.2c, para 41 condiciones iniciales proyectadas
en la esfera P
1
.
27
(a) M etodo 1
(b) M etodo 2
(c) M etodo 3
Figura 2.2: Oscilador lineal en dos dimensiones
Las Figuras 2.2a -2.2c muestran que, para este sistema de baja dimensi on, el
exponente de Lyapunov se obtiene de manera consistente usando cualquiera de los tres
m etodos y la dependencia, con respecto, a la condici on inicial, es casi despreciable. Notar
que para el sistema sin perturbaci on (
t
0) el exponente de Lyapunov es 1 y la reserva
de estabilidad se ve disminuida a 0.5 debido a la perturbaci on aleatoria sostenida.
2.4.3 Oscilador lineal en tres dimensiones
Consideremos el oscilador lineal x = A(
t
)x en tres dimensiones, con la siguiente matriz
A(
t
) =
_
0 1 0
0 0 1
c(1 +
t
) b a
_
. (2.20)
Se consideraron los valores a = 1, b = 2, y c = 1 para las simulaciones. La perturbaci on
estoc astica es
t
= sin(
t
) con
t
un proceso tipo Ornstein-Uhlenbeck . Adem as, se
simularon 50 trayectorias para el ruido
t
, en un intervalo de tiempo de [0, T] = [0, 60]. Los
resultados, de acuerdo a la ecuaci on (2.14), son presentados en los gr acos de la Figura
2.3, para una malla regular de condiciones iniciales en P
2
.
A partir de los experimentos realizados, se veric o que al realizar el c alculo
del Exponente de Lyapunov en el intervalo [0, T] (T jo), los m etodos num ericos
implementados muestran errores debido problemas de convergencia durante las primeras
28
iteraciones. Para mostrar lo anterior se presentan dos caso denominados M etodo Normal
y M etodo con Variante:
El M etodo Normal: corresponde a realizar el c alculo del Exponente de Lyapunov en
el intervalo [0, T]
El M etodo con Variante: corresponde a no considerar las primeras iteraciones que
afectan la convergencia. En este caso los c alculos se realizan en el intervalo [t
0
, T],
con t
0
y T jos, los cuales se especican de manera tal que el Exponente calculado
para = 0 sea el mismo valor que la parte real m as cercana al origen del sistema
determinista. De aqu en adelante se denominar a burn-in-timeal hecho de no
considerar el intervalo [0, t
0
] en el c alculo del Exponente de Lyapunov.
29
(a) M etodo 1 normal
(b) M etodo 2 normal
(c) M etodo 2 con variante
(d) M etodo 3 normal
(e) M etodo 3 con variante

Figura 2.3: Oscilador Lineal en 3-D
Los resultados son consistentes para los m etodos presentados en Secci on 2.3. En
particular, se observa que para los peque nos valores considerados a lo largo de los ejes
30
en R
3
y para el bur-in time, en la ecuaci on (2.18), no tienen impacto en los valores
obtenidos para el exponente de Lyapunov (calculado a tiempo nito). Los autovalores
para el sistema sin perturbaci on (
t
0) son 0.570 y 0.215 1.307i, mientras que
el exponente de Lyapunov estimados (usando(2.15)) del sistema estoc astico es 0.221
(M etodo 1), 0.224 (M etodo 2), y 0.232 (M etodo 3).
2.4.4 Modelamiento del sistema el ectrico con perturbaci on
En esta secci on ejemplos de aplicaci on para el an alisis de peque na perturbaci on son
presentados. En primera instancia, se menciona como las perturbaciones aleatorias
pudiesen ser modeladas en sistemas el ectricos. En Figura 2.4 se muestra el modelo
Tipo I (IEEE) de excitatriz.
K
A
1+sT
A
1
K
E
+sT
E
sK
F
1+sT
F
V
ref
V
E
fd V
R
S
E
(E
fd0
)
+
-
+
-
+
-
Figura 2.4: IEEE Type I exciter model
En Figura 2.4, la curva de saturaci on se modela de acuerdo a la expresi on
S
E
(E
fd0
) = C
1
e
C
2
E
fd0
(2.21)
con C
1
y C
2
valores constantes.
De acuerdo al modelo de la referencia [14], es posible escribir el sistema determinista
de la manera siguiente:
x = Ax + Eu (2.22)
donde A y E son matrices diagonales, el vector x tiene las variables di amicas
[
i
,
i
, E
qi
, E
di
, E
fdi
, V
Ri
, R
fi
]
Tr
,
y u es el vector de entrada para las se nales T
Mi
y V
refi
. Se omite la notaci on , dado que
se ha considerado que x representa el sistema linealizado.
En sistemas el ectricos reales, el punto de operaci on que permite obtener la matriz
A, cambia con el tiempo. En esta secci on se ha considerado que el comportamiento
din amico y aleatorio del sistema se reeja en uctuaciones en las corrientes del modelo
d-q.
El efecto de estas uctuaciones ser a regulado a partir del control en la amplitud
de la perturbaci on, para lo cual denimos el par ametro como la magnitud de las
perturbaciones aleatorias y sostenidas en el tiempo que afectan la operaci on del sistema
en r egimen permanente. En este caso, se ha modelado la perturbaci on de la siguiente
forma:
31
I
d0
= I
ss
d0
(1 + sin(
t
)) (2.23)
I
q0
= I
ss
q0
(1 + sin(
t
)) (2.24)
S
E
(E
fd
) = S
ss
E
(E
fd
)(1 + sin(
t
)). (2.25)
donde, ss denota las condiciones de operaci on en r egimen permanente.
En la siguiente secci on se presentan los resultados para los siguientes sistemas:
1. Sistema M aquina conectado a Barra Innita.
2. Sistema Cuatro M aquinas - diez barras.
3. Sistema Diez m aquinas - treinta y nueve barras.
2.4.5 Ejemplos de aplicaci on a Sistemas de Potencia
En esta secci on de presentan los resultados obtenidos al aplicar la metodologa del
c alculo del Exponente de Lyapunov a sistemas el ectricos de potencia.
Sistema M aquina Barra Innita
Este ejemplo est a detallado en [15]. La ecuaci on de estado del sistema lineal corresponde
a x = Ax y el vector de estados asociado es el siguiente:
x = [, ,
fd
, v
1
, v
2
, v
3
] (2.26)
adem as, v
1
, v
2
, v
3
son variables de estado adicionales correspondiente al controlador PSS
existente en la m aquina. La matriz A tiene la siguiente estructura:
A =
_
_
_
_
_
_
a
11
a
12
a
13
0 0 0
a
21
0 0 0 0 0
0 a
32
a
33
a
34
0 a
36
0 a
42
a
43
a
44
0 0
a
51
a
52
a
53
0 a
55
0
a
61
a
62
a
63
0 a
65
a
66
_
_
_
_
_
_
(2.27)
Los coecientes a
ij
se explican con detalle en la referencia [15].
Modelamiento de la perturbaci on en el Sistema M aquina Barra Innita
La ecuaci on de estado para el circuito de campo, ver p. 748 en [15], est a dada por:
fd
=
K
3
1 + sT
3
(E
fd
K
4
) , (2.28)
con sistema de excitaci on denido por la ecuaci on de estado:
E
fd
= K
A
v
1
, (2.29)
donde, v
1
es la se nal de salida del transductor de voltaje. En este caso se ha considerado
que la perturbaci on afecta la se nal del mencionado elemento, lo que resulta razonable
considerando que existen errores en los instrumentos de conversi on de se nales. De esta
manera, la perturbaci on se introduce siguiente la forma
E
fd
= K
A
(1 +
t
)v
1
. (2.30)
donde:
32

t
= sin(
t
): caracteriza las perturbaciones aletorias y sostenidas en el tiempo
: magnitud de la perturbaci on sostenida en el tiempo
De acuerdo a los par ametros indicados en [15], la matriz de estado para el Sistema
M aquina Barra Innita, est a dada por:
A =
_
_
_
_
_
_
0 0.11 0.12 0 0 0
377 0 0 0 0 0
0 0.19 0.42 27.4 (1 +
t
) 0 27.4
0 7.3 20.8 50 0 0
0 1 1.1 0 0.71 0
0 4.8 5.4 0 26.9 30.3
_
_
_
_
_
_
, (2.31)
Exponentes de Lyapunov para el Sistema M aquina Barra Innita
A continuaci on se presenta los resultados obtenidos al aplicar los M etodos 1, 2 y 3,
para determinar el Exponente de Lyapunov para el Sistema M aquina Barra Innita,
considerando un tama no de ruido = 0.5.
La gura 2.5 muestra los resultados utilizando el M etodo 1. Para la simulaci on se
consider o un tiempo nito de 30 segundos. En la Figura 2.5a es posible observar
que el exponente de Lyapunov tiene diferentes valores para las condiciones iniciales
consideradas, ya que el la supercie no es plana. Este efecto se puede reducir
considerando el burn-in-time, que para este caso, se escogi o como 10 segundos. En la
Figura 2.5b se observa que el efecto transitorio es eliminado, ya que la supercie obtenida
es pr acticamente plana. Las diferencias aparecen entorno al origen. El exponente de
Lyapunov estimado, utilizando el M etodo 1 y considerando el burn-in time es 0.7456.
Con un n ilustrativo, la Figura 2.5c muestra los valores obtenidos simulando hasta 10
segundos y as poder observar el comportamiento del m etodo num erico en dicho intervalo
de tiempo.
33
(b) M etodo 1 superior
(c) M etodo 1 inferior

Figura 2.5: Sistema M aquina-Barra Innita: M etodo 1
La Figura 2.6 muestra los resultados utilizando el M etodo 2. En la Figura 2.6a se
muestran los resultados considerando la simulaci on en el intervalo [0, 30] y claramente la
supercie no es plana, por lo tanto los valores para el exponente de Lyapunov no son los
mismos para todas las condiciones iniciales consideradas. En la Figura 2.6b se muestra
la supercie de resultados, considerando el burn-in-timey en este caso, el transitorio del
m etodo num erico se reduce considerablemente. El exponente de Lyapunov estimado,
utilizando el M etodo 2 y considerando el burn-in time es 0.7438.
34

La Figura 2.7 muestra los resultados utilizando el M etodo 3. La Figura 2.7a muestra
la simulaci on en el intervalo de tiempo nito [0, 30]. Estos valores son muy irregulares
por el hecho que la expresi on x
T
A(
t
)x toma valores muy elevados entorno al origen,
Este efecto se ve disminuido usando el burn-in-timede 10 segundos y los resultados se
muestran en la Figura 2.7b. El exponente de Lyapunov estimado, utilizando el M etodo 3
y considerando el burn-in-timees 0.7445.

Una aplicaci on directa del c alculo del Exponente de Lyapunov, consiste en determinar
el tama no de ruido m aximo que el sistema puede soportar sin perder la estabilidad. Esto
se traduce en determinar el tama no de que tenga asociado un Exponente de Lyapunov
positivo.
En la Tabla 2.1 se muestra los resultados del c alculo del Exponente de Lyapunov, a
partir de los tres M etodos presentados y considerando diferentes tama nos de ruido. Para
> 1.5, el Exponente ya no es negativo, por lo tanto corresponde al m aximo valor tolerable
que perturbe la salida del transductor de voltaje y mantenga el sistema sea estable.
35
Tabla 2.1: Exponentes de Lyapunov para el Sistema M aquina Barra Innita
M etodo 1 M etodo 2 M etodo 3
0 -0.73959 -0.73966 -0.73997
0.25 -0.742 -0.74161 -0.74196
0.5 -0.7456 -0.74382 -0.74453
0.75 -0.75464 -0.75032 -0.75762
1 -0.78036 -0.77237 -0.77903
1.25 -0.69922 -0.68871 -0.6914
1.5 -0.34924 -0.33379 -0.33244
1.75 0.072314 0.090733 0.089853
2 0.4994 0.52221 0.52154
Desde un punto de vista num erico, los M etodos de c alculo propuestos diferir an en los
resultados a medida que el tama no de la perturbaci on se incremente. Recordar que los
tres M etodos utilizan las trayectorias del sistema lineal para el c alculo del Exponente de
Lyapunov, por tanto a mayor ruido, existir a mayor diferencia en el valor calculado.
2.4.6 Sistema Cuatro m aquinas
Para mayor detalle de este sistema, ver p. 278 en referencia [14]. El diagrama unilineal
se muestra en la siguiente gura
1
5
6
9 10
8
7
3
2 4
M 1
M 2
M 3
M 4
L1 L2
Figura 2.8: Sistema Cuatro M aquinas
La perturbaci on fue introducida en cada m aquina, de acuerdo al modelo presentado
en la Secci on 2.4.4.
Usando como burn-in-time T
1
= 10 sec. y un tiempo total de simulaci on de
T = 90 sec., los resultados para los exponentes de Lyapunov estimados, para diferentes
valores en el tama no de la perturbaci on, son los mostrados en Tabla 2.2.
36
Tabla 2.2: Exponentes de Lyapunov para el sistema de 10 barras
M etodo 1 M etodo 2 M etodo 3
0 -0.0032 -0.0032 -0.0019
0.1 -0.0039 -0.0054 -0.0043
0.2 -0.0040 -0.0044 -0.0038
0.3 -0.0012 0.0002 0.0002
0.4 0.0044 0.0035 0.0038
0.5 0.0092 0.0099 0.0102
De acuerdo a los datos de la Tabla 2.2, el signo del exponente de Lyapunov cambia
para = 0.4, en otras palabras, si el tama no de la perturbaci on crece, el sistema podra
ser inestable. Usando este idea, es posible determinar el m aximo tama no para , tal que
el sistema a un sea estable. En este ejemplo, el m aximo valor de se encuentra entre 0.3
y 0.4.
Notar ademas que en la Tabla 2.2, los exponentes de Lyapunov son estimados a
partir de la respuesta que tiene el sistema y por tanto del m etodo num erico utilizado.
Los exponentes de Lyapunov estimados son -0.0032 (M etodo 1); -0.0032 (M etodo 2); -
0.0019 (M etodo 3). La experiencia de este trabajo, muestra que el M etodo 1 es m as r apido
y requiere de menos memoria computacional para lograr resultados adecuados. El burn-
in time y el tiempo de simulaci on, fueron escogidos de tal manera que el exponente
de Lyapunov, con = 0, fuese el mismo valor que la m axima parte real del sistema
determinista.
2.4.7 Sistema Diez M aquinas
Se considera el sistema de 10 m aquinas-39 barras presentado en [16], descrito en Figura
2.9. En este ejemplo se ha incluido controladores PSS en m aquinas 5, 7 y 9. Los
par ametros del sistema han sido obtenidos de [16]. Para el sistema determinista, la
m axima parte real tiene un valor -0.0260.
37
Figura 2.9: Sistema Diez M aquinas
La perturbaci on ha sido introducida en las m aquinas 1-4, de acuerdo al modelo
presentado en la Secci on 2.4.4. De acuerdo a las simulaciones previas realizadas, el
M etodo 1 resulta ser eciente en cuanto a tiempo y uso de memoria. Por lo tanto, para
los resultados obtenidos y presentados en esta secci on, se utiliz o solamente el m etodo
descrito anteriormente. Los resultados obtenidos para los exponentes de Lyapunov se
muestran en Tabla 2.3, considerando un tiempo total de simulaci on de T = 90 sec y burn-
in-timede T
1
= 35 sec.
Tabla 2.3: Exponentes de Lyapunov para el sistema de 39 barras
=0. =0.1. = 0.2. =0.3. =0.4. =0.45.
-0.025406. -0.02682. -0.036681. -0.02152. 0.15192. 0.28131
En Tabla 2.3 es el tama no de la perturbaci on y se calcula de acuerdo a (2.16). El
exponente de Lyapunov estimado, para el sistema sin perturbaci on, es -0.0260 (ver Tabla
2.3 para = 0).
El valor m aximo de para el que el sistema sigue siendo estable, se encuentra entre
0.3 y 0.4.
2.4.8 Modelaci on alternativa del ruido multiplicativo
Una manera alternativa de modelar el ruido, es considerar lo siguiente:
38
I
d0
= I
ss
d0
(1 + sin(
t
)) (2.32)
I
q0
= I
ss
q0
(1 + sin(
t
)) (2.33)
E
0
fd
= E
ss
fd
(1 + sin
t
). (2.34)
Recordar que ss denota el sistema determinista en r egimen permanente y es el
tama noo de la perturbaci on.
La ecuacion de estado linealizada para el sistema excitacion es la siguiente:

E
fd
=
_
K
E
+S
E
(E
0
fd
) E
0
fd
+ S
E
(E
0
fd
)
T
E
_
E
fd
+
1
T
E
V
R
(2.35)
Para un modelo de la forma S
E
(E
fd
) = A e
BE
fd
, se tiene lo siguiente:
S
E
(E
fd
) = A B e
BE
fd
(2.36)

E
fd
=
_
K
E
+S
E
(E
0
fd
) E
0
fd
+ S
E
(E
0
fd
)
T
E
_
E
fd
+
1
T
E
V
R
(2.37)
=
_
K
E
+A B e
BE
0
fd
E
0
fd
+A e
BE
0
fd
T
E
_
E
fd
+
1
T
E
V
R
(2.38)
Si se considera E
0
fd
= E
0
fd
(1 + sin
t
)
S
E
(E
0
fd
) = A B e
BE
0
fd
(1+sin t)
(2.39)
= A B e
BE
0
fd
e
BE
0
fd
sin t
(2.40)
= A B e
BE
0
fd
(1 + B E
0
fd
sin
t
) (2.41)
= A B e
BE
0
fd
+ A B
2
e
BE
0
fd
E
0
fd
sin
t
(2.42)
S
E
(E
0
fd
) = A e
BE
0
fd
(1+sin t)
(2.43)
= A e
BE
0
fd
e
BE
0
fd
sin t
(2.44)
= A e
BE
0
fd
(1 + B E
0
fd
sin
t
) (2.45)
= A e
BE
0
fd
+ A B e
BE
0
fd
E
0
fd
sin
t
(2.46)
Para denir como introducir la perturbaci on, es necesario analizar el t ermino:
= K
E
+S
E
(E
0
fd
) E
0
fd
+ S
E
(E
0
fd
)
= K
E
+ (A B e
BE
0
fd
+A B
2
e
BE
0
fd
E
0
fd
sin
t
) E
0
fd
+ A e
BE
0
fd
+A B e
BE
0
fd
E
0
fd
sin
t
= K
E
+A B e
BE
0
fd
E
0
fd
+A B
2
e
BE
0
fd
(E
0
fd
)
2
sin
t
+ A e
BE
0
fd
+A B e
BE
0
fd
E
0
fd
sin
t
39
= (K
E
+ A B e
BE
0
fd
E
0
fd
+ A e
BE
0
fd
) + A B
2
e
BE
0
fd
(E
0
fd
)
2
sin
t
+ A B e
BE
0
fd
E
0
fd
sin
t
= (K
E
+ A B e
BE
0
fd
E
0
fd
+ A e
BE
0
fd
)
+ (A B e
BE
0
fd
E
0
fd
+A e
BE
0
fd
) E
0
fd
B sin
t
= (K
E
+A B e
BE
0
fd
E
0
fd
+A e
BE
0
fd
)
+ (K
E
+A B e
BE
0
fd
E
0
fd
+A e
BE
0
fd
K
E
) E
0
fd
B sin
t
= (K
E
+A B e
BE
0
fd
E
0
fd
+A e
BE
0
fd
)
+ (K
E
+A B e
BE
0
fd
E
0
fd
+A e
BE
0
fd
) E
0
fd
B sin
t
K
E
E
0
fd
B sin
t
= (K
E
+A B e
BE
0
fd
E
0
fd
+A e
BE
0
fd
) (1 + E
0
fd
B sin
t
) K
E
E
0
fd
B sin
t
= (1 + E
0
fd
B sin
t
) K
E
E
0
fd
B sin
t
2.5 Comentarios
En el presente captulo se propone una metodologa para analizar sistemas lineales
sometidos a perturbaciones aleatorias y sostenidas en el tiempo de acuerdo a un
Modelo Multiplicativo. En este contexto, se considera al Exponente de Lyapunov como
el equivalente a la parte real m as cercada al origen para el caso de sistemas lineales
deterministas.
En funci on de lo anterior, se muestran los resultados obtenidos al implementar
tres m etodos num ericos para calcular el Exponente de Lyapunov en sistemas lineales
estoc asticos. Los resultados obtenidos para sistemas reportados en la literatura
internacional, muestran que los algoritmos presentan diferencias entre s, principalmente
por el tiempo y memoria de c alculo computacional requeridos.
El M etodo 1 resulta ser el m as eciente dado requiere menos capacidad
computacional de c alculo y no presenta problemas num ericos como el M etodo 2 y 3.
Finalmente se incluyen resultados para sistemas de prueba internacionales del IEEE,
con el n de mostrar la potencialidad de la metodologa para ser aplicado a los SEP.
40
Captulo 3
Modelo de Perturbaci on Aditivo
3.1 Introducci on
En este captulo se propone una metodologa para caracterizar el efecto de las
perturbaciones aleatorias y sostenidas en el tiempo que afecta la operaci on de r egimen
permanente en sistemas lineales de acuerdo a un Modelo Aditivo. Esta representaci on
permite considerar las perturbaciones que afectan la operaci on de r egimen permanente
producto a errores en la transmisi on de datos desde el sistema de comunicaci on y control,
afectando por ejemplo a los sistemas de excitaci on de las maquinas.
La metodologa consiste en denir los indicadores de rendimiento Desviaci on Angular
Acumulada, Rango de Desviaci on Permanente y Costo de P erdidas de Energa, los
cuales permitir an evaluar el impacto econ omico y din amico de las perturbaciones
aleatorias y sostenidas en el tiempo, que afectan la operaci on de los sistemas el ectricos
de potencia en r egimen permanente.
Adem as, con los ndices mencionados, se realiza un ajuste de los par ametros de
los controladores PSS, que permitan minimizar el efecto de las perturbaciones en la
operaci on del sistema. La metodologa propuesta se aplica a dos sistemas de prueba
IEEE: tres generadores nueve barras y diez generadores treinta y nueve barras, ver
referencias [16, 17], respectivamente.
3.2 Indicadores del comportamiento del sistema
3.2.1 Conceptos matem aticos previos
En esta secci on se detalla el modelo general para estudiar un sistema lineal, sometido a
perturbaciones estoc asticas, de acuerdo a un modelo aditivo.
Como punto inicial, consideremos un sistema el ectrico de potencia representado por un
sistema no lineal de la forma
y = f(y, p) (3.1)
El sistema se encuentra denido en el espacio de estado R
N
, donde N
1
= 2n
corresponde a los angulos relativos de los rotores (
1
, ...,
n
), y velocidades (
1
, ...,
n
),
y N
2
corresponde al resto de las variables de estado (N
1
+ N
2
= N). El vector de p R
r
corresponde a las variables que pueden ser ajustadas para garantizar la optima operaci on
del sistema.
Consideremos tambi en, y
R
N
un punto jo (punto de operaci on) del sistema (3.1) y
el sistema lineal en dicho punto, dado por
41
x = A(p)x. (3.2)
En el an alisis de esta secci on, se considera que los par ametros del sistema son tales,
que el origen es un punto exponencialmente estable del sistema lineal denido en (3.2).
El sistema sometido a perturbaciones aleatorias y sostenidas en el tiempo, de
naturaleza aditiva, puede ser descrito por el siguiente modelo, ver [69]
x = A(p)x +B
t
, (3.3)
Donde
t
un proceso estoc astico que toma valores en alg un conjunto U R
m
y B es una
matriz de dimensi on N m, la cual describe la forma en que la perturbaci on afecta a los
estados del sistema.
Para modelos, realistas y exibles, del ruido es posible considerar:
1. El ruido
t
es un proceso estacionario y erg odico, denido en un espacio de
probabilidad (, F, P) con valores en alg un espacio M de dimensi on nita. Los
par ametros de
t
se obtienen a partir de un conjunto de datos que reeje el rudio,
por ejemplo, mediante distribuciones estacionarias, autocorrelaciones, etc. Un tpico
ejemplo para el ruido es el proceso multidimensional Ornstein-Uhlenbeck
d
t
= C
t
dt + D dW
t
in R
k
,
donde C es una matriz estable, de orden k k, W
t
es un proceso de Wiener y D es
una matriz de dimensi on apropiada.
2. La perturbaci on del sistema
t
es suave, acotada por una funci on f(
t
) y U es
compacto en una vecindad del origen 0 R
m
. La funci on f : M U R
m
permite
ajustar la estadstica y el tama no de la perturbaci on
t
, de tal manera que es posible
probar el sistema (3.3) con diferentes tama nos deperturbaciones. Un ejemplo tpico
de f, es f(
t
) = sin(
t
), donde
t
es un proceso Ornstein Uhlenbeck process, en
una dimensi on y sin(
t
) es la proyecci on en el intervalo [1, 1].
3. Para evaluar la inuencia del tama no del ruido, en el comportamiento del sistema,
se ha introducido un par ametro 0 y se ha considerado la familia de funciones
f
: M U
R
m
, denidas por f
() = f(). Para = 0, se tiene el sistema

sin perturbaci on de (3.2).
Para el siguiente an alisis, se asume lo siguiente:
1. La matriz A(p) es estable para todos los posibles valores en el parametro p, es decir,
todos los autovalores de A(p) tienen parte real negativa.
2. La matriz (B, AB, A
2
B, ..., A
N1
B) tiene rango completo N.
3. El ruido
t
es la soluci on de la ecuaci on diferencial estoc astica, en C
manifold M,
dada por
d
t
= Y
0
(
t
)dt +
l
i=1
Y
i
(
t
) dW
t
(3.4)
con C
, campo de vectores Y
0
, ..., Y
l
.. Donde denota la ecuaci on diferencial tipo
Stratonovic. Asumiendo que (3.4) tiene una unica soluci on estacionaria y erg odica,
con distribuci on invariante en M, lo que se garantiza por la condici on de no
degeneraci on
dimLA{Y
i
, i = 1, ..., l} (y) = dimM for all y M, (3.5)
donde LA, denota la algebra de Lie, generada por el campo de vectores Y
i
.
42
4. La funci on f : M U es un mapeo continuo en el conjunto U R
m
, tal que
existe un conjunto cerrado y conectado L M, donde la restricci on f |
L
is C
1
y el
Jacobiano Df() tiene rango completo, para todo L, con f() intU, el interior
de U. Como antes, se asume que U es convexo y compacto en una vecindad del
origen 0 R
m
.
Bajo estas condiciones, es posible presentar el siguiente resultado.
Teorema 3.2.1 Consideremos el sistema lineal estoc astico (3.3), bajo las condiciones 1
- 4.
1. El sistema tiene una unica soluci on estacionaria y erg odica x
(t, p, ) para todo

t 0. Dicha distribuci on invariante
p
tiene un soporte en un conjunto compacto
C
p
R
N
.
2. La distribuci on estacionaria es globalmente atrayente, es decir, sea x
0
R
N
una
condici on inicial para (3.3) luego la correspondiente soluci on x
(t, p, , x
0
), entrar a
en el conjunto C
p
en un tiempo nito y converge en distribuci on, a la distribuci on
invariante
p
.
Demostraci on. Bajo la condici on 2, el sistema de control asociado x = A(p)x+Bu, tiene
un unico set de control C
p
con un interior, no vaco, y 0 intC
p
, ver [70] y [69]. Bajo la
condici on 1 el set C
p
es compacto e invariante, ver [69], p. 61. De acuerdo a [71] y [72], el
sistema estoc astico (3.3) tiene una unica soluci on estacionaria y erg odica x
(t, p, ), cuya
distribuci on invariante
p
tiene como soporte el conjunto C
p
. Esto prueba parte (1). La
parte (2) sigue directamente de [71], usando la estabilidad exponencial de A(p).
La distribuci on estacionaria, del sistema linealizado, (3.3) es descrita en el Teorema
3.2.1, junto con el Teorema Erg odico, la base para los indicadores de rendimiento que
ser an desarrollados en la siguiente secci on. Esta distribuci on
p
y el soporte C
p
, est an
relacionados con la din amica no lineal del sistema y = f(y, p) + B
t
, alrededor del punto
de operaci on y
R
N
, en el siguiente modo: Como el punto jo y
, es exponencialmente
estable, una peque na perturbaci on aditiva, resultar a en una unica soluci on estacionaria
y erg odica del sistema no lineal estoc astico, alrededor de y
, comparar Teorema 4.7.11

en [69]. Esto signica que las bifurcaciones globales de las distribuciones invariantes que
pueden ocurrir en el sistema no lineal estoc astico, del tipo y = f(y, p) +B
t
, no ocurrir an
para perturbaciones con un suciente rango peque no y el comportamiento del sistema no
lineal, alrededor de y
, se asemeja a (3.3) cerca del origen.

3.2.2 Modelo del Sistema de Excitaci on Sometido a Perturbaciones
Estoc asticas
Para ilustrar el modelo, consideremos la ecuaci on de estado, linealizada, de un sistema
con excitatriz constante, ver [14]
T
A

E
fd
= E
fd
+K
A
(V
ref
V
t
) (3.6)
El sistema el ectrico, con todas las ecuaciones de estado linealizadas, puede ser
descrito de la siguiente manera, ver [14]
x = Ax +Bu (3.7)
En estudios cl asicos de estabilidad de peque na perturbaci on, se considera que el
vector de entrada u es nulo, y por lo tanto se eval uan los autovalores de la matriz A de
la ecuaci on.
43
Si se considera que existen errores instrumentales en los sistemas de telemedida,
del voltaje de referencia del sistema de control, y dichas variaciones son de naturaleza
aleatoria y sostenida en el tiempo, el vector u ya no es nulo. En particular, para este
caso la componente V
ref
ser a no nula y puede ser escrita de la siguiente manera
V
ref
= V
0
ref
+
t
(3.8)
Donde el t ermino V
ref
corresponde a la situaci on sin perturbaci on, que en general
se asume cero y
t
es el proceso estoc astico que representa los errores de medida
introducidos a los sistemas de excitaci on de las m aquinas.
De acuerdo a lo anterior, el sistema lineal (3.7) se transforma en un modelo estoc astico
que sigue la forma de la ecuaci on (3.3).
x = Ax +Bu(
t
) (3.9)
Para modelar la perturbaci on
t
, se usan los resultados de las referencias [34, 35]
y [37], donde se ha mostrado que el proceso Ornstein-Uhlenbeck puede ser utilizado
para modelar fen omenos aleatorios presentes en los sistemas el ectricos de potencia. En
base a lo anterior, se modela
t
de acuerdo a
t
= sin
t
, 0 (3.10)
Donde:

t
: corresponde a la soluci on de la siguiente ecuaci on diferencial estoc astica
d
t
=
t
dt +dW
t
(3.11)
Los par ametros y se estiman a partir de mediciones reales del fen omeno que se
desea modelar. En este trabajo se especic o = 1 y = 1, como un caso particular
a lo reportado en referencia [35].
: es un par ametro que modula la amplitud del efecto de la perturbaci on.
3.2.3 Indicadores del rendimiento de un sistema el ectrico de
potencia
En esta secci on se presentan ndices que permiten caracterizar el comportamiento de un
sistema el ectrico, sometido a perturbaciones aleatorias y sostenidas en el tiempo.
1. Desviaci on Angular Acumulada
En ausencia de perturbaciones sostenidas en el tiempo, la desviaci on de los angulos
rot oricos, en el estado de r egimen permanente, son nulos (
1
=
2
= =
n
= 0). Cuando existen perturbaciones aleatorias y sostenidas en el tiempo, la
desviaci on de los angulos puede ser medida por
d
i
(p, ) =
_

0
|
i
(t, p, )|dt, i = 1, ..., n. (3.12)
Donde representa la realizaci on del proceso estoc astico que modela el ruido [73]
y el n umero de m aquinas del sistema.
La Fig. 3.1 muestra la evoluci on tpica de
i
(t, p, ) para un sistema estable, donde
a partir de t = t
0
, el sistema entra en r egimen permanente. Cada curva corresponde
a una realizaci on y C
p
() es el rango m aximo donde oscilar an las trayectorias de
44
los angulos de las m aquinas en r egimen permanente. El area sombreada, que
corresponde a d
i
(ecuaci on 3.12), permite determinar la variaci on de los angulos
producto de las oscilaciones estoc asticas de r egimen permanente.
Tiempo (s)
t = t
0
C
p
()
i
(t, p, )
Figura 3.1: Desviaci on y Rango de Desviaci on Angular Acumulada.
2. Rango de Desviaci on Angular Permanente
El t ermino C
p
() de la Fig. 3.1 determina el rango m aximo para las oscilaciones de
r egimen permanente, por tanto, puede ser utilizado para caracterizar el efecto de
las perturbaciones sostenidas en el tiempo.
3. Costo de P erdidas de Energa
Un indicador que puede relacionarse directamente con aspectos econ omicos de la
operaci on de los sistemas el ectricos, es el Costo de las P erdidas de Energa en
r egimen permanente. En general, las P erdidas de Energa corresponden al area
sombreada de la Figura 3.2.
45
Figura 3.2: P erdidas de Energa en r egimen permanente.
donde:
P
gi
(): es el valor nominal de la potencia activa que uye por el sistema en MW.
P
gi
(): es la desviaci on de la potencia activa que uye por el sistema en MW.
Utilizando el Teorema Erg odico, ver [69, 73], la desviaci on de potencia generada en
r egimen permanente, puede ser estimada de acuerdo a la forma
Pg
i
p
=
_
C
i
p
Pg
i
()d
i
p
() (3.13)
Donde:

i
p
(): distribuci on invariante que tiene la desviaci on de potencia generada en
r egimen permanente. Este par ametro fue denido en [34] y [69, 73].
A su vez, la variaci on de potencia generada puede calcularse de [14]
P
i
gp
= V
i
sin(
i
i
)I
di
+V
i
cos(
i
i
)I
qi
(3.14)
+ (I
di
sin(
i
i
) + I
qi
cos(
i
i
))V
i
+ (I
di
V
i
cos(
i
i
) I
qi
V
i
sin(
i
i
))
i
(I
di
V
i
cos(
i
i
) I
qi
V
i
sin(
i
i
))
i
Donde:
I
d
, I
q
: corrientes en ejes d-q de cada m aquina.
V , : m odulo y angulo de la barra donde se conecta cada generador.
, I
d
, I
q
, V and variables que se obtienen al resolver el sistema
(3.3).
En la siguiente secci on se muestra el uso de los indicadores d
i
, C
p
() y P
i
gp
en el ajuste no de los par ametros de los controladores PSS, en presencia de
perturbaciones aleatorias y sostenidas en el tiempo.
46
3.3 Metodologa de resintonizaci on de par ametros de
PSS
En un sistema el ectrico de potencia las condiciones de operaci on cambian constante-
mente y los controladores est an sometidos a perturbaciones continuas en el tiempo, lo
que los saca del punto de sintonizaci on optima. Por ello, en este trabajo se propone
una resintonizaci on de los par ametros de los controladores, para lidiar con este tipo de
perturbaciones aleatorias. La metodologa propuesta realiza un ajuste no sobre los
par ametros de los PSS obtenidos a trav es de t ecnicas tradicionales de sintonizaci on,
es decir, basadas en los autovalores de la matriz jacobiana del sistema din amico.
3.3.1 Criterios de Selecci on de Par ametros
En esta secci on se presentan tres criterios para encontrar un ajuste de los par ametros de
los controladores PSS, utilizando los ndices presentados en la secci on anterior.
1. Minimizaci on de Desviaci on Angular Acumulada
Este criterio de selecci on de los par ametros de los controladores PSS, consiste
en determinar la combinaci on que minimiza la desviaci on de los angulos de las
m aquinas en r egimen permanente (ecuaci on 3.12). Esto se logra satisfaciendo la
expresi on
E
_
n
i=1
d
i
(p, )
_
, i = 1, ..., n. (3.15)
Donde el t ermino d
i
(p, ) corresponde a las desviaciones de los angulos de las
m aquinas en r egimen permanente (ecuaci on (3.12)) y n el n umero de m aquinas
del sistema.
2. Minimizaci on del Rango de Desviaci on Angular Permanente
Una aproximaci on al problema (3.15) consiste en elegir la combinaci on de
par ametros del PSS, que minimicen el rango de las oscilaciones angulares en
r egimen permanente.
min
p
diam(C
p
()) (3.16)
3. Minimizaci on del Costo de las P erdidas de Energa en r egimen permanente
Para estimar la energa perdida producto de las oscilaciones aleatorias y sostenidas
en el tiempo, se utiliza la expresi on
E
_
n
i=1
_
T
t
0
|
i
(t, p, )|dt
_
(Tt
0
)
_
n
i=1
_
_
C
i
p
[0,)
yd
i
p
(y) +
_
C
i
p
(,0]
i
p
(y)d
i
p
(y)
__
.
(3.17)
Esta expresi on estima un valor medio de la energa producto de las oscilaciones
sostenidas, para el perodo de un a no.
Posteriormente, para tener una medida del impacto econ omico de estas p erdidas,
se multiplica el valor calculado en (3.17) por el costo de la energa.
47
3.3.2 Algoritmo de b usqueda utilizado para ajustar los par ametros
de los PSS
En esta secci on se presenta el algoritmo que permite ajustar los par ametros de los PSS,
utilizando los criterios de selecci on indicados en el presente trabajo. En particular, se
considera como criterio de b usqueda minimizar el Costo de las P erdidas de Energa en
El algoritmo permite realizar una resintonizaci on de todos los par ametros que
conforman el controlador PSS. Sin embargo, a manera de ejemplo, solo se ajustan las
ganancias ya que inuyen directamente en la amortiguaci on del sistema en r egimen
permanente (ver [49]), y por lo tanto, en el Costo de las P erdidas de Energa.
Utilizando los resultados obtenidos a partir de t ecnicas tradicionales de sintonizaci on,
se establece la soluci on que ser a ajustada aplicando el algoritmo de b usqueda indicado
en la Fig. 3.3. Previamente, se simula la respuesta en el tiempo con los par ametros de
la soluci on en estudio, introduciendo perturbaciones aleatorias y sostenidas en el tiempo,
para evaluar el Costo de las P erdidas de Energa que tiene asociado.
48
Figura 3.3: Algoritmo de b usqueda de una mejor soluci on.
La Fig. 3.3, muestra las etapas realizadas en el proceso de b usqueda de un ajuste de
las ganancias de los controladores PSS.
A partir de la Fig. 3.3, en (A) se establece un espacio de b usqueda para los par ametros
que ser an ajustados. En (B) y (C) se eval ua el Costo de P erdidas de Energa para todas
las combinaciones de par ametros denidas en (A). En (D) se elige la combinaci on que
tiene asociado el menor Costo de P erdidas de Energa, y dicha soluci on ser a factible,
si el costo obtenido resulta ser menor al que tiene asociado la soluci on en proceso de
ajuste. En (E) se verica que la parte real m as cercana al origen, de la nueva soluci on,
se encuentre en una vecindad de la parte real respectiva a la soluci on inicial. Si existe
una combinaci on de par ametros que cumpla con las condiciones (II) y (III), se tiene una
alternativa m as econ omica, sin perder la estabilidad de la soluci on tradicional.
49
3.4 Aplicaci on de la metodologa de sintonizaci on
Se consideraron como aplicaci on los siguientes sistemas de prueba:
Sistema I: Sistema Tres M aquinas - nueve barras descrito en [16].
Figura 3.4: Sistema Tres M aquinas nueve barras.
Sistema II: Sistema Diez M aquinas treinta y nueve barras descrito en [17].
50
Figura 3.5: Sistema Diez M aquinas nueve barras.
Como punto de partida de las pruebas se usaron las sintonizaciones de PSS descritas
en las referencias [16, 17]. En ambos casos se utilizaron t ecnicas tradicionales de
sintonizaci on, es decir, se escogieron los par ametros de los PSS de modo que los
autovalores crticos de la matriz jacobiana del sistema din amico, resultaran m as lejanos
al origen considerando diferentes puntos de operaci on.
La referencia [16] presenta una variaci on del modelo Heffron-Phillip, ver [14], donde
el sistema es modelado desde el generador hasta los bornes del lado de alta tensi on del
transformador elevador, de manera tal, que la sintonizaci on se realiza considerando solo
los par ametros de la m aquina.
En la referencia [17] se presenta una t ecnica de sintonizaci on robusta, donde se
utiliza un modelo lead-lag para el PSS, que busca optimizar una funci on objetivo en
base a b usqueda Tab u. La funci on est a denida por las partes reales de los autovalores,
sometida a diferentes condiciones de carga (liviana, normal y pesada).
En esta aplicaci on, y para iniciar el algoritmo de b usqueda (ver A en Fig. 3.3),
se utilizan los valores optimos de las ganancias reportadas en [16, 17], los que ser an
denominados K
n1
y K
n2
, respectivamente. Se utilizan estos valores como casos base
para realizar un ajuste de las ganancias, de modo que le permita a las m aquinas lidiar de
51
mejor forma frente a perturbaciones sostenidas en el tiempo.
El ajuste se hace variando las ganancias en torno a K
n1
y K
n2
. Para ello, las nuevas
ganancias se obtienen a partir de la expresi on
K
PSS
i
= k
i
K
n
j
, i = 1, ..., n. j = 1, 2. (3.18)
Donde n es el n umero de PSS en cada sistema y j el n umero de casos considerado.
Dado que se buscan soluciones en torno del caso base, se acotan las variaciones al
rango k
i
[0.8, 1.2]. Las variaciones sostenidas de la perturbaci on, sobre el voltaje de
referencia del sistema de control, se acotan al 8% (la norma t ecnica en Chile admite una
sobreoscilaci on de hasta 15% para una perturbaci on de 5% [13]).
A continuaci on, se presentan los resultados obtenidos al aplicar la metodologa
propuesta a los sistemas de prueba.
3.4.1 Sistema Tres M aquinas nueve barras
Ajuste de las ganancias de los controladores
La Tabla 3.1 muestra el Costo de las P erdidas de Energa por m aquina, producto
de las perturbaciones aleatorias y sostenidas en el tiempo. El par ametro indica
el tama no de la perturbaci on. El Costo de las P erdidas de Energa se calcula para
un a no, considerando un valor de 100 d olares/MWh (para el precio de la energa
ver [74]).
En la segunda la, primera columna de la Tabla 3.1, los valores K
pss
1
= 50, K
pss
2
= 5
y K
pss
3
= 3 son las ganancias de los PSS reportadas en [16], para las m aquinas 1,
2 y 3, respectivamente. Este caso se denomina Caso Base I.
Tabla 3.1: Costo de p erdidas de energa por m aquina (d olares/a no)
K
pss
1
/K
pss
2
/K
pss
3
= 0 = 0.02 = 0.04 = 0.06 = 0.08
50/5/3 0.90 2081 4162 6244 8325
40/6/2.4 1 1937 3875 5813 7750
En el caso determinista, caracterizado por = 0, se observa que el Costo de las
P erdidas de Energa equivale al 0.05 respecto a la situaci on estoc astica, = 0.
Para obtener el Costo Total de P erdidas de Energa, para un tama no de ruido jo,
el valor correspondiente de la Tabla 3.1, debe ser multiplicado por el n umero de
unidades presentes en el sistema. Por ejemplo, si se proyecta el Costo de las
P erdidas de Energa del Caso Base I, a un sistema con 50 generadores, sometido
a una perturbaci on de tama no = 0.08, el Costo Total de las P erdidas es de
50*8325=416000 d olares/a no.
La la tres, primera columna de la Tabla 3.1, muestra el ajuste realizado a las
ganancias de acuerdo al algoritmo propuesto en la Fig. 3.3. Este caso se denomina
Caso Resintonizado I.
Si se eval ua la reducci on del costo por m aquina, por ejemplo si se considera el caso
en que = 0.08, se obtiene una reducci on de (8325-7750)=575 d olares/a no. Si se
proyecta el ahorro a un sistema de 50 generadores, la diferencia en el Costo de
P erdidas de Energa es (8325-7750)*50=28750 d olares/a no.
An alisis de la parte real cercana al origen
A continuaci on se somete el sistema a condiciones de carga liviana, normal y
pesada, de la misma manera que en [16]. Luego, se calculan los autovalores y
52
se identican los m as cercanos al origen (valores crticos). La Tabla 3.2 muestra las
partes reales de los valores propios crticos. Se observa que las partes reales del
Caso Resintonizado I se encuentran en una vecindad de los valores obtenidos al
utilizar la soluci on del Caso Base I, por lo tanto la estabilidad no se ve perjudicada.
Tabla 3.2: An alisis de la parte real cercana al origen
Carga Liviana Carga Normal Carga Pesada
Caso Base I -0.0100 -0.0100 -0.0100
Caso Resintonizado I -0.0085 -0.0085 -0.0085
Con lo anterior, se ha encontrado un ajuste de los controladores PSS m as
econ omico que la soluci on encontrada mediante una t ecnica tradicional
An alisis de Respuesta Din amica
En esta secci on se presenta la respuesta din amica del sistema en estudio ante una
falla trif asica, considerando la sintonizaci on del Caso Base I y el Caso Resintonizado
I.
Se aplica una falla trif asica a la barra nueve (ver Fig. 3.4), en t = 1 segundo y es
despejada en t = 0.1 segundos.
Figura 3.6: Evoluci on velocidad de las m aquinas, en tanto por uno, del sistema Tres M aquinas -
nueve barras ante una falla trif asica en barra 9.
53
En la Fig. 3.6, se presentan las curvas de las velocidades de las m aquinas 1, 2 y 3,
para la falla indicada.
Como se muestra en dicha gura, la respuesta del Caso Resintonizado I es muy
similar al Caso Base I. A partir del an alisis de estabilidad transitoria y de r egimen
permanente realizado, la soluci on propuesta entrega una operaci on con menor
Costo de P erdidas de Energa manteniendo la estabilidad del Caso Base I.
Rango de Desviaci on de las P erdidas de Energa Permanente
En las Tablas 3.3a y 3.3b se observa que el Rango de las Desviaciones de las
P erdidas de Energa en r egimen permanente, son menores con el ajuste realizado
a los controladores.
Esto conrma que minimizar el Costo de las P erdidas de Energa es equivalente
a minimizar el rango en que oscilar an las P erdidas de energa en r egimen
permanente.
Tabla 3.3: Rango de Desviaci on de las P erdidas de Energa Permanente
(a) C
p
(P
g
) (MW) en M aquina 2.
K
pss
2
= 0 = 0.02 = 0.04 = 0.06 = 0.08
5 0.0054939 25.972 51.939 77.907 103.87
6 0.0058972 24.101 48.197 72.292 96.388
(b) C
p
(P
g
K
pss
2
= 0 = 0.02 = 0.04 = 0.06 = 0.08
3 0.0050538 52.509 105.01 157.52 210.02
2.4 0.0060092 48.524 97.042 145.56 194.08
3.4.2 Sistema Diez M aquinas treinta y nueve barras
Ajuste de las ganancias de los controladores
La Tabla 3.4 muestra el Costo de las P erdidas de Energa por m aquina, producto de
las perturbaciones aleatorias y sostenidas en el tiempo.
En la segunda la, primera columna de la Tabla 3.4, los valores K
pss
5
= 12.258,
K
pss
7
= 10.981 y K
pss
9
= 19.758 son las ganancias de los PSS reportadas en [17],
para las m aquinas 5, 7 y 9, respectivamente. Este caso se denomina Caso Base II.
Tabla 3.4: Costo de p erdidas de energa por m aquina (d olares/a no)
K
pss
5
/K
pss
7
/K
pss
9
= 0 = 0.02 = 0.04 = 0.06 = 0.08
12.258/10.981/19.758 731.2 2526.8 4825.1 7169.0 9524.9
14.709/13.177/23.709 707.4 2386.0 4553.3 6763.6 8985.8
En la Tabla 3.4, el Costo de las P erdidas de Energa en el sistema determinista,
caracterizado por = 0, es menos del 8% respecto al caso en que existe
perturbaci on sostenida en el tiempo, = 0.08.
La la tres, primera columna de la Tabla 3.4, muestra el ajuste realizado a las
ganancias de acuerdo al algoritmo propuesto en la Fig. 3.3. Este caso se denomina
54
Caso Resintonizado II. Al igual que para el sistema de Tres M aquinas, se logr o
ajustar las ganancias de los PSS obteniendo un menor Costo de P erdidas de
Energa.
De acuerdo a la Tabla 3.4, y considerando = 0.08, la disminuci on en el Costo de
P erdidas de Energa por m aquina, es (9524-8985)=539 d olares/a no. Al proyectar
esta diferencia a un sistema de 50 generadores, el ahorro se incrementa a (9524-
8985)*50=26950 d olares/a no.
An alisis de la parte real cercana al origen
A continuaci on se somete el sistema a condiciones de carga liviana, normal y
pesada. Luego, se calculan los autovalores y se identican los m as cercanos al
origen (valores crticos). La Tabla 3.5 muestra las partes reales de los valores
propios crticos.
Tabla 3.5: An alisis de la parte real cercana al origen
Carga Liviana Carga Normal Carga Pesada
Caso Base II -0.0261 -0.0260 -0.0028
Caso Resintonizado II -0.0266 -0.0264 -0.0113
Con lo anterior, se ha encontrado un ajuste de los controladores PSS m as
econ omico que la soluci on encontrada mediante una t ecnica tradicional.
An alisis de la Respuesta Din amica
En esta secci on se presenta la respuesta din amica del sistema en estudio ante
una falla trif asica, considerando la sintonizaci on del Caso Base II y el Caso
Resintonizado II.
Se aplica una falla trif asica a la barra 29 (ver Fig. 3.5), en t = 1 segundo, la cual es
despejada en t = 1.065 segundos. La Fig. 3.7 muestra las curvas de las velocidades
de las m aquinas 5, 7 y 9, para la falla considerada. Como se muestra en dicha gura,
la respuesta del Caso Resintonizado II es muy similar al Caso Base II.
55
Figura 3.7: Evoluci on velocidad de las m aquinas, en tanto por uno, del sistema Diez M aquinas -
nueve barras ante una falla trif asica en barra 29.
A partir del estudio de estabilidad transitoria y de r egimen permanente realizado, se
verica que la combinaci on de par ametros del Caso Resintonizado II obtiene una
operaci on con menor Costo de P erdidas de Energa manteniendo la estabilidad del
Caso Base II.
Rango de Desviaci on de las P erdidas de Energa Permanente
En las Tablas , y se observa que el Rango de las Desviaciones de las P erdidas
de Energa en r egimen permanente, son menores con el ajuste realizado a los
controladores.
Esto conrma que minimizar el Costo de las P erdidas de Energa es equivalente
a minimizar el rango en que oscilar an las P erdidas de energa en r egimen
permanente.
56
Tabla 3.6: Rango de Desviaci on de las P erdidas de Energa Permanente
(a) C
p
(P
g
K
pss
5
= 0 = 0.02 = 0.04 = 0.06 = 0.08
12.258 9.528 23.977 40.294 57.51 75.137
14.709 10.11 23.641 39.438 55.999 73.129
(b) C
p
(P
g
K
pss
7
= 0 = 0.02 = 0.04 = 0.06 = 0.08
10.981 10.418 44.781 82.36 120.11 157.95
13.177 9.7543 41.593 75.643 109.81 144.03
(c) C
p
(P
g
K
pss
9
= 0 = 0.02 = 0.04 = 0.06 = 0.08
19.758 2.8634 27.263 53.189 79.36 105.54
23.709 3.1632 24.696 47.811 70.927 94.043
Con el n de validar que el ajuste realizado a las ganancias de los controladores no
empeora la estabilidad del SEP desde el punto de vista cl asico, en la siguiente secci on
de eval ua el comportamiento del sistema con el nuevo ajuste de las ganancias, para
diferentes modelos de carga siguiendo el enfoque de [14].
3.5 Efecto del Modelo de Carga en el nuevo ajuste de las
ganancias de los controladores PSS
El modelo de las cargas afecta los estudios de estabilidad del sistema [17]. En este trabajo
se utiliza el modelo potencia constante, el que corresponde al caso m as exigente desde
el punto de vista de la estabilidad del sistema [17]. En esta secci on se estudia el efecto
del modelo utilizado para representar la din amica de las cargas sobre el ajuste realizado
a los par ametros de los controladores PSS. Se consideran modelos del tipo exponencial
para evaluar su efecto sobre el m etodo de ajuste propuesto.
De acuerdo a lo indicado en la referencia [17], el modelo exponencial para representar
la din amica de las cargas es:
P
i
= P
L
0
i
_
V
i
V
0i
_
n
pi
, Q
i
= Q
L
0
i
_
V
i
V
0i
_
n
pi
, i = 1, , m. (3.19)
Donde:
m: n umero de cargas en el sistema.
P
i
, Q
i
, V
i
: potencia activa, reactiva y tensi on en la carga.
P
L
0
i
, Q
L
0
i
: valores nominales de potencia activa y reactiva de la carga.
V
0i
: valor nominal de la tensi on en la barra de carga.
n
p
, n
q
: constantes que denen el modelo din amico de la carga.
57
Para el Sistema de Diez M aquinas, se incrementan las potencias activas de las cargas
conectadas a las barras 30 y 36, dado que tienen los mayores niveles de consumo.
Luego, se eval ua el ajuste obtenido, considerando modelos de carga Potencia Constante
y Corriente Constante. Se utilizan como par ametros el Costo de las P erdidas de Energa
y el valor propio crtico. En funci on de lo anterior, se denen dos casos de an alisis:
Caso a: todas las cargas se representan de acuerdo al modelo potencia constante,
esto es, n
pi
= n
qi
= 0 .
Caso b: las cargas conectadas a las barras 30 y 36 se representan de acuerdo al
modelo corriente constante, con n
p
30
= n
p
36
= 1 y n
q
30
= n
q
36
= 1. El resto de las
cargas tienen comportamiento tipo potencia constante, con n
pi
= n
qi
= 0.
La Tabla 3.7 muestra el Costo de las P erdidas de Energa y el valor propio crtico para
el ajuste encontrado en cada caso.
Tabla 3.7: Costo de p erdidas de energa por m aquina de acuerdo a modelos exponenciales de
carga (d olares/a no)
Situaci on K
pss5
/K
pss7
/K
pss9
= 0 = 0.02 = 0.04 = 0.06 = 0.08
Caso a 14.709/13.177/23.709 3482 5400 8774 12508 16539
Valor propio crtico -0.0067
Caso b 14.709/13.177/23.709 3296 4894 7765 10981 14318
Valor propio crtico -0.0132
Se observa en la Tabla 3.7, que el Costo de las P erdidas de Energa es menor para el
modelo corriente constante y corresponde a una reducci on de 13% a 15%. Adem as,
al realizar el an alisis de autovalores, se tiene que para el Caso b (modelo corriente
constante), la parte real del valor propio crtico es -0.0132, que resulta ser mayor al valor
-0.0067, obtenido para el Caso a (modelo potencia constante). Lo anterior concuerda
con el hecho de que el modelo potencia constante es m as exigente para estudios de
estabilidad.
3.6 Conclusiones
En este trabajo se propone una metodologa para realizar un ajuste no sobre los
par ametros de los PSS, con el objeto de mejorar su desempe no frente a perturbaciones
aleatorias y sostenidas en el tiempo.
La metodologa utiliza ndices que permiten caracterizar el efecto de este tipo de
perturbaciones sobre el desempe no de los controladores de voltaje de los generadores.
Se proponen tres ndices: Desviaci on Angular Acumulada, Rango Desviaci on Angular
Permanente y Costo de P erdidas de Energa.
Aunque la metodologa propuesta puede usar cualquiera de estos ndices, en este
trabajo se presenta el desarrollo usando el Costo de P erdidas de Energa. Este ndice
permite evaluar la energa que se pierde en el sistema de transmisi on producto de
la existencia de perturbaciones aleatorias y sostenidas en el tiempo. Por ello, se
desarrolla la minimizaci on del ndice Costo de las P erdidas de Energa,como un criterio
de resintonizaci on de las ganancias de los PSS.
Los resultados, sobre sistemas de prueba internacionales, muestran que el ajuste
realizado a las ganancias de los PSS permite reducir el efecto de las oscilaciones de
potencia que se traducen en problemas de estabilidad para el sistema y, simult aneamente,
reducen los Costos de las P erdidas de Energa en el sistema. Con ello se logra
58
un mejoramiento global de la respuesta de un sistema el ectrico en presencia de
perturbaciones aleatorias y sostenidas en el tiempo.
Con respecto al efecto de la din amica de las cargas, se observa que el modelo
potencia constante resulta ser el m as exigente para estudios de estabilidad en sistemas
el ectricos de potencia. Esto fue vericado al considerar modelos de carga del tipo
impedancia constante, al evaluar el ajuste realizado a las ganancias de los controladores,
mediante el c alculo del Costo de las P erdidas de Energa y el an alisis de los autovalores
m as cercanos al plano derecho.
59
Captulo 4
Conclusiones
El principal aporte de esta tesis consiste en formular y desarrollar una nueva
metodologa para el an alisis de peque na perturbaci on de sistema lineales sometidos a
perturbaciones aleatorias y sostenidas en el tiempo, con potenciales aplicaciones a los
sistema el ectricos de potencia. Para esto se desarrollan metodologas de an alisis de la
estabilidad de un sistema lineal mediante los Modelos de Perturbaci on Multiplicativo y
Aditivo.
Ambos modelos permiten caracterizar las perturbaciones que afectan la operaci on de
los SEP, considerando la naturaleza y origen de cada fen omeno. El modelo Multiplicativo
representa todas las perturbaciones que afectan a las variables de estado del sistema:
voltajes, corrientes, variables de los sistemas de control, etc. En cambio, el modelo Aditivo
permite englobar las perturbaciones existentes producto de los errores en los sistemas
de proceso y transmisi on de datos, que afectan por ejemplo, los sistemas de excitaci on
de las m aquinas.
Con el n de modelar las perturbaciones aleatorias y sostenidas en el tiempo que
afectan a los SEP, se utiliza el proceso Ornstein-Uhlenbeck, el cual permite capturar la
din amica de las perturbaciones que afectan la operaci on del sistema.
Para el Modelo de Perturbaci on Multiplicativo se realiza una generalizaci on del
concepto de autovalor en sistemas lineales estoc asticos, en el cual el Exponente de
Lyapunov representa el equivalente de la parte real m as cercana al origen de los
autovalores en sistemas lineales deterministas. Para obtener el valor de este Exponente
se proponen tres m etodos num ericos que permiten calcularlo.
Para el Modelo de Perturbaci on Aditivo se proponen tres indicadores para caracterizar
las perturbaciones aleatorias y sostenidas en el tiempo que afectan la operaci on de
r egimen permanente de un SEP: Desviaci on Angular, Rango de Desviaci on Angular
Permanente y Costo de P erdidas de Energa.
Como aplicaci on de estos indicadores, se realiza un ajuste a las ganancias de los
controladores PSS considerando como criterio de dise no minimizar las p erdidas de
potencia activa producto de la oscilaciones de r egimen permanente.
La aplicaci on de ajuste de par ametros de controladores tambi en puede ser realizada
con el modelo Multiplicativo, tendiendo en cuenta que en este caso, el ajuste se realizara
considerando el como funci on objetivo determinar el m aximo tama no de perturbaci on
posible, sin que el sistema pierda la estabilidad.
Los resultados obtenidos al aplicar la metodologa propuesta permiten reducir el costo
asociado a las p erdidas en r egimen permanente, sin afectar la estabilidad del sistema
que entregan las t ecnicas tradicionales de sintonizaci on. Para vericar lo anterior, se
compar o la respuesta del sistema de prueba considerando el ajuste obtenido mediante
t ecnicas tradicionales y el propuesto en esta tesis para los siguientes situaciones:
Utilizar diferentes modelos de carga.
Simular cortocircuitos trif asicos para analizar la respuesta del sistema en r egimen
transitorio
60
Para las pruebas consideradas, el ajuste realizado a los par ametros de los
controladores mantiene el rendimiento del sistema desde el punto de vista din amico y
reduce el costo en p erdidas de energa en r egimen permanente.
Una idea novedosa que se prueba en esta tesis es que la estimaci on del Costo de las
P erdidas de Energa, producto de las oscilaciones aleatorias y sostenidas en el tiempo
que afectan a un SEP, permiten establecer una relaci on directa entre aspectos din amicos
y econ omicos en la operaci on del sistema.
4.1 Trabajo Futuro
Se identican diferentes aspectos en los cuales es posible hacer desarrollos futuros
asociados a la tem atica presentada en este trabajo de tesis, entre los cuales es posible
mencionar:
Realizar una estimaci on de par ametros del proceso Ornstein-Uhlenbeck con el n
de ajustar su comportamiento a alg un fen omeno en particular que sea de inter es en
la operaci on de un SEP. En el presente trabajo se utilizaron los resultados indicados
en la referencia [35].
Utilizar otro modelo de perturbaci on para representar las variaciones aleatorias
y sostenidas en el tiempo que afectan un SEP y contrastar con los resultados
obtenidos en el presente trabajo.
Realizar una implementaci on del Modelo de Perturbaci on Multiplicativo y Aditivo
para sistemas reales, por ejemplo una versi on reducida del Sistema Interconectado
Central (SIC).
En este punto el trabajo a implementar debe considerar la optimizaci on de los
algoritmos de c alculo dado que la dimensi on del sistema, el n umero de condiciones
iniciales y puntos que representen el comportamiento aleatorio de la perturbaci on,
incidir an directamente en el tiempo de c alculo y el requerimiento del procesador a
utilizar para las simulaciones.
Para el caso del Modelo de Perturbaci on Multiplicativo los m etodos num ericos deben
ser optimizados para realizar simulaciones en sistema que tienen un alto n umero
de variables de estado. El tiempo de ejecuci on y uso de memoria es un aspecto
importante que se detect o en el desarrollo de esta tesis.
En este trabajo solo se ajust o el valor de las ganancias de los controladores. Sin
embargo, la metodologa propuesta se puede utilizar en la sintonizaci on de todos
par ametros que denen el PSS.
Para el caso del Modelo de Perturbaci on Aditivo, el Costo de las P erdidas de Energa
puede ser utilizado como un elemento para decidir en que m aquina sincr onica
del SEP colocar en operaci on un controlador PSS y al mismo tiempo, realizar un
ajuste de los par ametros para asegurar operaci on con mnimo costo en p erdidas de
energa producto de las oscilaciones aleatorias y sostenidas en el tiempo.
4.2 Publicaciones del trabajo de tesis
En el perodo de desarrollo de la tesis se han publicado los siguientes artculos:
1. Congresos Internacionales
61
L. Vargas, H. Verdejo and W. Kliemann. A stochastic methodology for modeling
pss in small signal stability analysis, en conferencia IEEE NAPS, 2008.
H. Verdejo, L. Vargas and W. Kliemann, Stability Reserve in Stochastic Linear
Systems with Applications to Power Systems, en conferencia IEEE PMAPS,
20010.
2. Revistas Internacionales (ISI)
H. Verdejo, L. Vargas and W. Kliemann, Fine Tuning of PSS Control Parameters
under Sustained RandomPerturbations, IEEE Latin America Transactions, Vol.
9, n
o
7, pp. 1051 - 1059, Diciembre 2011.
H. Verdejo, L. Vargas and W. Kliemann, Stability of Linear Stochastic Systems
via Lyapunov Exponents and Applications to Power Systems, aceptado para
ser publicado en Applied Mathematics and Computation de Elsevier, 2012.
H. Verdejo, L. Vargas and W. Kliemann, Improving PSS Performance
under Sustained Random Perturbations, aceptado para ser publicado en
Generation, Transmission and Distribution de IET, 2012.
62
Ap endice A
Revisi on Bibliogr aca
Este trabajo est a orientado al estudio de estabilidad permanente de Sistemas El ectricos
de Potencia, por lo que la discusi on bibliogr aca se concentra en aquellos trabajos que
aborden el estudio de peque na se nal considerando la incorporaci on de elementos o
perturbaciones aleatorias. Sin embargo, se incluyen los principales aportes realizados
acerca del estudio de estabilidad transitoria, considerando fuentes de incerteza en el
fen omeno de estudio. Adem as, se mencionan los principales textos matem aticos y de
especialidad que han sido consultados para la elaboraci on de esta tesis.
A.1 Publicaciones de an alisis probabilstico de estabili-
dad transiente
En referencias [75], [76] y [77] se presenta una metodologa para realizar un estudio
de estabilidad transiente, considerando perturbaciones aleatorias en el tipo de falla,
elemento que la despejar a, ubicaci on del evento, etc. Los autores proponen como
ndice de estabilidad, calcular la probabilidad de que el sistema sea estable, a partir
de las distribuciones de probabilidad de los elementos que introducen aleatoriedad
al fen omeno en estudio. En referencia [76], se aplica la metodologa propuesta a un
sistema multim aquina.
El autor no especica por qu e asumir distribuciones normales para el tiempo de
despeje por ejemplo, pero el trabajo muestra una alternativa novedosa para estimar
un ndice de estabilidad en los Sistemas El ectricos de Potencia.
En referencia [78] se utiliza simulaci on de Monte Carlo para estudiar la estabilidad
transiente de un Sistema El ectrico de Potencia. El trabajo consiste en asumir
modelos probabilsticos para la perturbaci on y el sistema de protecci on que
despejara el evento. A continuaci on, con los valores obtenidos anteriormente, se
estima la funci on de energa de Lyapunov, para determinar si el sistema es inestable
o no.
Se considera un gran n umero de simulaciones para este efecto, adem as de asumir
que los resultados para cada estudio, son independientes entre s. Este tipo de
an alisis tiene la desventaja de requerir enormes recursos computacionales para los
c alculos involucrados, adem as de que los resultados obtenidos, depender an de los
modelos de probabilidad que se consideren.
En referencias [79] y [80] se proponen metodologas, en base a m ultiples
simulaciones, para determinar la estabilidad de un Sistema El ectrico. Solo se
mencionan como ejemplo de los trabajos realizados en esta area. En referencia [79]
se propone un ndice llamado valor esperado de la estabilidad marginal, el que se
63
obtiene a partir de un conjunto nito de conguraciones y condiciones de operaci on.
La desventaja es que el valor obtenido, que indica la estabilidad del sistema, est a
sujeto a los casos que se consideren.
A.2 Publicaciones de an alisis probabilstico de estabili-
dad permanente
En referencia [34] se presenta la base de este proyecto de tesis. Se desarrolla
una metodologa para estimar los par ametros optimos de un controlador PSS. Se
introduce un nuevo ndice denominado como banda de seguridad y corresponde al
rango donde oscilar a el angulo, en r egimen permanente, para un conjunto dado de
par ametros en el controlador. Se propone minimizar esta banda, y por ende denir
los par ametros asociados, al considerar una perturbaci on en el tiempo, cuando se
revuelve el sistema lineal asociado. La idea propuesta se aplica a una m aquina
conectada a una barra innita.
Los puntos d ebiles de este trabajo, radican en el hecho de considerar un conjunto
reducido de par ametros para el PSS y en que el sistema elegido, no permite apreciar
diferencias signicantes con respecto al caso determinista. En un trabajo futuro,
se pretende aplicar esta metodologa a un sistema de mayor dimensi on, adem as
de cuanticar las oscilaciones de potencia, cuando el sistema perturbado, est a en
En referencia [26] se utiliza el ndice se seguridad denido en [36] para establecer si
un sistema de potencia sometido a perturbaciones en las cargas, se encuentra en
estado estable. El ndice de estabiidad que se presenta corresponde al tiempo en
que el sistema perturbado toma para entrar en una banda de r egimen permanente.
La principal diferencia con respecto a [36], es que se utiliza un indicador temporal
y no el valor de la funci on de energa denida por Lyapunov para el estudio de
estabilidad transitoria de sistemas de potencia.
En este trabajo no queda claro la elecci on de la perturbaci on, ya que solo se
mencionan escalamientos en la magnitud del ruido incorporado. Adem as, se
establece que se emplear a ruido blanco y coloreado, para denir la perturbaci on,
pero no se detalla como y por qu e se escogen dichas estructuras para la
perturbaci on. Los ejemplos presentados, no tienen una distribuci on continua, ya que
solo se realizan perturbaciones para ciertos valores de escalamiento del ruido, lo
que no permite visualizar una respuesta del sistema ante perturbaciones continuas.
M as que estudiar el comportamiento del sistema ante un conjunto de perturbaciones
en las cargas, se especican valores discretos de estas, lo que representa un
estudio por casos.
Adem as, para el caso del ruido blanco, no se detalla ni explica el problema que
existe cuando la perturbaci on utilizada es un proceso estoc astico no acotado y
las implicaciones que pueden existir en la soluci on del problema que ese est a
estudiando.
En referencia [81] se aborda el estudio de la estabilidad probabilstica de los
sistemas de potencia desde dos areas: estudio transiente [75]- [76] y en estado
estable [82]. Se propone una metodologa para estudiar la estabilidad transiente de
un sistema de potencia, calculando la distribuci on de probabilidad asociada. Para
lograrlo se establece que es posible calcularla utilizando simulaciones sucesivas tipo
Monte Carlo, o utilizando una transformaci on entre variables. Dicha transformaci on
corresponde a operaciones realizadas entre la matriz de admitancias, las variables
de estado, centro de inercia y la funci on de energa de Lyapunov. Se establece que
64
la probabilidad de estabilidad del sistema estar a denida por el valor que tome la
funci on de energa.
El uso de Monte Carlo, tiene como desventaja el alto consumo de recursos
computacionales para los c alculos asociados, adem as de que corresponde a un
estudio de casos y no muestra el comportamiento del sistema ante un conjunto
continuo de perturbaciones.
El empleo de la transformaci on denida, tiene el inconveniente de usar la funci on
de energa de Lyapunov, la cual no puede ser obtenida de manera analtica y esta
sujeta a un conjunto de restricciones que no resultan ser muy claras.
El c alculo de la distribuci on usando Monte Carlo tiene la ventaja de que los
resultados tienden a ser m as claros, ya que se consideran un conjunto de casos
posibles, pero no muestra claramente cual es el modelo de la perturbaci on que se
quiere utilizar.
En referencia [83] se presenta un algoritmo para estudiar la estabilidad de voltaje
de un sistema considerando perturbaciones en las cargas. Los consumos son
modelados como polinomios y los coecientes que los denen son tratados como
variables aleatorias con distribuci on normal. Se utiliza Monte Carlo para estimar
estos coecientes y la estabilidad del sistema se dene en base a dos ndices:
M axima cargabilidad esperada y la probabilidad de inestabilidad de voltaje.
Este trabajo muestra una manera en que pueden ser modelados los consumos, lo
que podra ser utilizado para un estudio de estabilidad transitoria o de estado estable
en un sistema de potencia.
En referencia [84] se presenta una metodologa para estudiar la estabilidad
transitoria de un sistema de potencia, utilizando una transformaci on lineal por partes
del sistema no lineal asociado. Los resultados son contrastados con los obtenidos
utilizando Monte Carlo, y las comparaciones indica que son similares.
La propuesta presentada es bastante atractiva, ya que ilustra una nueva herramienta
para evitar el estudio de m ultiples casos, tipo Monte Carlo, pero las justicaciones
no son desarrolladas en detalle. Adem as, las perturbaciones no corresponden a
modelos claros, si no que a escalones de voltaje.
En referencia [85] se desarrolla una metodologa para estudiar la estabilidad de
peque na se nal de un sistema de potencia. Se asume que los autovalores de la
matriz que dene sistema el lineal, tienen distribuci on normal, por lo que el criterio de
estabilidad consiste en calcular la probabilidad de que todos los autovalores est en
el el semi-plano izquierdo del plano complejo.
Lo autovalores que importan son aquellos que tengan parte real m as cercana a
cero. Una vez obtenidos, se obtiene la distribuci on conjunta asociada y se calcula la
probabilidad de que todos sean negativos. Para calcular este valor, se utiliza series
num ericas.
El autovalor crtico es unico para cada condici on de carga, por lo que para obtener
distintos valores, se consideran diversos puntos de operaci on del sistema, que en el
fondo se traduce en m ultiples simulaciones.
Los autovalores crticos depender an de la condici on de operaci on del sistema, en
consecuencia, los resultados estar an condicionados a los casos posibles que de
desee analizar.
En referencia [86] se desarrolla una metodologa similar a la presentada en
referencia [85], pero el algoritmo utilizado para calcular la probabilidad de que
los autovalores est en en el semi-plano izquierdo, est a basado en el algoritmo de
estimaci on de dos puntos.
65
Los resultados son contrastados con los obtenidos mediante herramientas
tradicionales como Monte Carlo. Se remarca que estos algoritmos alternativos,
permiten evitar utilizar excesivo tiempo en operaciones computacionales.
De la misma manera que en [85], no queda claro, por qu e asumir distribuciones
normales para la parte real de los autovalores.
En referencia [87], se propone denir ndices que determinar an la estabilidad del
sistema de potencia lineal. Se utiliza la misma b asica presentada en referencia
[82], pero se propone el c alculo de ndices en base a la informaci on que posean
los autovalores que posea la matriz que dene el sistema lineal. Para obtener
las distribuciones de los autovalores, es necesario simular diversos puntos de
operaci on, pero se menciona que esto requiere menores recursos que utilizar Monte
Carlo.
En referencia [82] se desarrollan las primeras ideas que corresponden a la base
de los trabajos [85] [86] - [87]. Cuando se analiza la estabilidad de un sistema
de potencia lineal, los elementos de las matrices asociadas son conocidos y por
lo tanto, los autovalores son deterministas. El autor propone que al considerar
elementos aleatorios en el estudio de los sistemas de potencia, al realizar un
estudio linealizado del sistema, los autovalores dejan de ser deterministas, para
transformarse en variables aleatorias.
En una primera etapa se propone un m etodo para determinar la densidad de
probabilidad de la parte real de los autovalores de la matriz que dene al sistema
lineal. Luego, esta densidad es utilizada para calcular la probabilidad de que el
sistema completo sea estable, lo que se traduce en que todos los autovalores deben
tener parte real negativa.
La herramienta de c alculo son tetrachoric series y es utilizada, porque se asume
que las distribuciones de la parte real de lo autovalores son normales y estas
series permiten calcular, num ericamente, la probabilidad conjunta que determinar a
la estabilidad del sistema.
La principal ventaja de este estudio, es que permite obtener un ndice de estabilidad
del sistema de potencia. Utilizar Monte Carlo tiene la desventaja que solo dene
rangos de operaci on del sistema, ya que para las diversas simulaciones es
necesario denir distintos puntos de operaci on.
Sin embargo, para estimar la distribuci on de probabilidad de la parte real de los
autovalores, tambi en es necesario simular diversos puntos de operaci on para luego
lograr estimar dichas funciones, pero seg un el autor, se requiere menor esfuerzo
computacional utilizar Monte Carlo.
En referencia [88] se utiliza la misma idea que en referencia [82]. Para un sistema
lineal, se calcula la probabilidad de que todos los autovalores tengan parte real
negativa y para esto se asume que tienen distribuci on normal. Para estimar estas
funciones de probabilidad se utilizan, los perles de voltaje obtenidos para distintas
condiciones de operaci on.
El objetivo principal de este trabajo, es determinar la ubicaci on optima de un PSS,
utilizando como criterio los ndices de sensibilidad. Se utilizan el mismo sistema de
prueba que en [87]. Se comparan los resultados del sistema con y sin PSS.
En [89] se replica el trabajo realizado en [82], pero en este caso la probabilidad de
estabilidad del sistema (todos los autovalores tengan parte real negativa), se calcula
a trav es de una probabilidad condicional. La principal diferencia con [82], es que se
evita el c alculo num erico de las series.
Al igual que en las referencias [82, 8588], la ventaja que se presenta es evitar
tener que realizar simulaciones tipo Monte Carlo, con el n de ahorrar recursos
computacionales y denir un ndice de estabilidad.
66
En referencia [89], los casos necesarios para lograr estimar las distribuciones
de la parte real de los autovalores, se obtienen a trav es de ujos de potencia
probabilstico. Esta alternativa resulta ser m as adecuada, en el caso de querer
introducir aleatoriedad, en relaci on a suponer casos con distintos puntos de
operaci on.
En referencia [90], se aplica el Probabilistic Collocation Method para estimar
el comportamiento de consumos , los que son modelados con par ametros de
incertidumbre. Las cargas son consideradas como combinaciones de polinomios
y a partir de estos, se estima la distribuci on de probabilidad asociada. Se menciona
que este mecanismos tiene ventajas sobre los m etodos tradicionales, como Monte
Carlo, por el hecho de que requiere una menor cantidad de simulaciones, lo que se
traduce en menor recurso computacional.
Adem as, se muestran ejemplos donde el m etodo propuesto se valida para en el
estudio de estabilidad en sistemas de potencia.
En referencia [91], se realiza un estudio de estabilidad de peque na se nal en un
sistema multim aquina. Se introduce la idea que los consumos tienen componentes
aleatorias, las que son modeladas, de tal manera, que el sistema determinista es
transformado en un sistema de ecuaciones diferenciales estoc asticas.
Aunque el sistema es linealizado, estudiar los autovalores y determinar si el sistema
es estables, observando la parte real, no es claro ni directo. Para ello se introduce el
exponente de Lyapunov como ndice de estabilidad. Esta teora no ha sido aplicada
a sistemas de potencia reales, lo que representa un gran desafo y es presentado
como un objetivo en el desarrollo del presente trabajo.
En referencia [36], se estudia la estabilidad transitoria de un sistema de potencia
utilizando ecuaciones diferenciales estoc asticas. Se analiza la estabilidad de voltaje
introduciendo perturbaciones debido al comportamiento aleatorio de los consumos y
se dene como ndice de estabilidad, el tiempo en que el sistema toma para salir de
la regi on de atracci on. El sistema es modelado considerando la din amica asociada
en los voltajes internos de las m aquinas sincr onicas.
El trabajo muestra la aplicaci on al estudio de una m aquina que alimenta un
consumo. No se ilustran aplicaciones a sistemas multi-m aquinas, debido a la
complejidad asociada en el c alculo del tiempo de salida . Adem as, la manera de
introducir la aleatoriedad es demasiado articial, ya que considerar la perturbaci on
como Movimiento Browniano, no representa el comportamiento de un sistema real.
En referencia [92], se presenta una metodologa similar a la desarrollada en [82],
pero la manera en que se dene la estabilidad es diferente. Se considera que
la matriz que dene el sistema tiene una componente aditiva, que representa las
incertezas presentes. Se asume que los elementos de esta matriz aditiva, tienen
distribuci on normal y a partir de esto, se dene un ndice de estabilidad, que
corresponde a la probabilidad de que las partes reales, se encuentren en el semi-
plano izquierdo del plano complejo.
En este trabajo no se hace referencia a [82] y los ejemplos presentados resultan ser
poco descriptivos.
En referencia [93], se presenta una metodologa para analizar el estudio de peque na
se nal de un sistema multim aquina, sometido a perturbaciones aleatorias. Se utiliza
el random telegraph process, para modelar la perturbaci on. El trabajo realizado,
no presenta un ejemplo de aplicaci on que permita ilustrar la manera en que las
expresiones matem aticas fueron manipuladas.
En referencia [38], se propone una metodologa para evaluar el impacto
probabilstico de las variaciones de la demanda el ectrica alrededor de las
67
condiciones proyectadas de operaci on para un da. Para cada condici on
programada, se considera que la demanda es aleatoria.
La estabilidad del sistema de potencia, linealizado, se determina por la probabilidad
de que los autovalores tengan parte real negativa. Se programan distintos
despachos, los cuales son simulados con diferentes condiciones de carga. Para
cada simulaci on se obtienen los valores propios y con esta informaci on se estima
una distribuci on de probabilidad, la que permitir a calcular el ndice de estabilidad
propuesto. Para el comportamiento aleatorio de las carga, se asume que tienen
distribuci on normal, pero no se explica por qu e se utiliza este argumento.
En este paper no se menciona, referencia, el trabajo realizado por [82], adem as, no
deja claro cual es la ventaja de utilizar este m etodo, con respecto a utilizar Monte
Carlo.
En referencia [39], se aplica la metodologa propuesta en [38], para estudiar la
estabilidad de tensi on en regimen permanente. Al igual que en la referencia anterior,
no se hace menci on acerca del trabajo realizado en [82] y se utiliza, nuevamente,
simulaciones de Monte Carlo para estimar las funciones de distribuci on de los
autovalores de la matriz que dene el sistema lineal.
A.3 Ecuaciones diferenciales estoc asticas
En referencia [94], se resumen todos los estudios realizados acerca de sistemas
din amicos estoc asticos. Se presentan ejemplos fsicos donde la teora establecida
tiene aplicaci on. En este libro, se encuentran las herramientas num ericas que
permitir an abordar los objetivos se nalados en el presente trabajo.
Esta publicaci on corresponde a uno de los trabajos m as actualizados que existe
respecto al estudio de din amica estoc astica.
En referencias [95] se presenta un trabajo introductorio acerca de la teora de
ecuaciones diferenciales estoc asticas. Este texto permite comprender con cierto
grado de naturalidad, la denici on de una ecuaci on diferencial estoc astica y las
herramientas que existen para tratar de encontrar soluciones explcitas cuando es
posible. Adem as, presenta una introducci on a los m etodos num ericos existentes
para la resoluci on de este tipo de problemas.
En referencia [69] se describe la teora de control y sistemas din amicos. Se
realiza una conexi on entre el desarrollo matem atico en control no-lineal, sistemas
din amicos y los sistemas con perturbaciones que varan en tiempo, aplicados a la
ingeniera y ciencias.
A.4 Libros de Sistemas El ectricos de Potencia
En el presente proyecto, se pretende introducir conceptos de Sistemas Din amicos
Estoc asticos, en Sistemas de Potencia con un gran n umero de unidades generadoras, por
lo que resulta importante mencionar que textos de la especialidad, permiten comprender
mejor este modelo. A continuaci on, se comentan los principales trabajos consultados.
En referencia [96] se presenta una descripci on acerca de estabilidad de tensi on y
explica el fen omeno de colapso asociado. Adem as, se discuten trabajos realizados
acerca de seguridad de tensi on en los Sistemas El ectricos y se desarrollan
herramientas que permiten evaluarla.
68
En referencia [14] se presenta una descripci on detallada y clara acerca del
estudio din amico de los Sistemas de Potencia. Se da un especial enfasis al
estudio de estabilidad angular transitoria y en r egimen permanente. De los textos
mencionados, creo que corresponde a la mejor descripci on acerca de un sistema
multi-m aquina.
En referencia [15] se exponen los principales conceptos acerca del control de los
Sistemas El ectricos. Se muestra una gran cantidad de trabajos en distintas areas,
pero el estudio multi-m aquina resulta ser poco detallado con respecto al trabajo
presentado en [14].
En referencia [97] se abordan conceptos generales del estudio de los Sistemas
Electricos, d ando enfasis al estudio econ omico, como el despacho de unidades
generadoras, adem as de desarrollar conceptos como la regulaci on de frecuencia.
En referencia [98] se presenta un trabajo detallado con respecto a la modelaci on de
la m aquina sincr onica. Se explica la metodologa para el estudio de sistemas multi-
m aquina, pero no resulta ser tan did actica como el desarrollo presentado en [14].
69
Ap endice B
Modelo del Sistema El ectrico para
an alisis de peque na perturbaci on
B.1 Modelo Lineal para simulaci on Multim aquina
En este captulo se desarrolla con detalle el procedimiento indicado en [14] para
obtener el modelo equivalente lineal de un Sistema El ectrico, a partir de las ecuaciones
diferenciales y algebraicas en ejes d-q. Se comparan los resultados del modelo
desarrollado con los obtenidos a partir de informaci on entregada por el autor de la
referencia [14]. Tambi en se propone una forma alternativa de modelar el controlador
PSS, en variables de estado, a partir de lo reportado en [99]. Finalmente, se calculan
los autovalores para el Sistema Tres M aquinas - nueve barras y Cuatro M aquinas - diez
barras, reportados en [14], con el n de validar el modelo propuesto.
B.1.1 Modelo de ecuaciones diferenciales
El modelo de ecuaciones diferenciales-algebraicas que describe el comportamiento
din amico de un sistema el ectrico, se presenta considerando las siguientes condiciones:
1. Se desprecian los efectos de saturaci on y de las reactancias subtransitorias de la
red.
2. No se considera el modelo din amico de la turbina y se considera que el torque
mec anico T
Mi
es una constante.
3. No se consideran los lmites en los reguladores de voltaje, ya que solo se pretende
explicitar un modelo para simulaci on.
4. Se supone que el t ermino de la amortiguaci on es lineal, es decir, T
Fi
= D
i
(
i
s
).
5. El modelo para los excitadores es el IEEE tipo I.
En la siguiente secci on del presente captulo, se presentan las ecuaciones
diferenciales que rigen la din amica de las m aquinas y las ecuaciones algebraicas que
representan la operaci on del sistema en r egimen permanente.
70
Ecuaciones Diferenciales
Cada m aquina ser a representada por el siguiente conjunto de ecuaciones diferenciales
no lineales.
T
doi
dE
qi
dt
= E
qi
(X
di
X
di
) I
di
+E
fdi
(B.1)
T
qoi
dE
di
dt
= E
di
(X
qi
X
qi
) I
qi
(B.2)
d
i
dt
=
i
s
(B.3)
2H
d
i
dt
= T
Mi
E
di
I
di
E
qi
I
qi
(X
qi
X
di
)I
di
I
qi
D
i
(
i
s
) (B.4)
T
Ei
dE
fdi
dt
= (K
Ei
+ S
Ei
(E
fdi
))E
fdi
+V
Ri
(B.5)
T
Fi
dR
fi
dt
= R
fi
+
K
Fi
T
Fi
E
fdi
(B.6)
T
Ai
dV
Ri
dt
= V
Ri
+K
Ai
K
Ai
K
Fi
T
Fi
E
fdi
+K
Ai
(V
refi
V
i
), para i = 1, ..., m. (B.7)
donde:
T
doi
, T
qoi
, T
Ei
, T
Fi
, T
Ai
: constantes de tiempo en segundos.
K
Ei
, K
Ai
, K
Fi
: ganancias.
E
fdi
: tensi on a la salida del sistema de excitaci on.
E
di
, E
qi
: tensiones internas del generador en ejes dq.
V
i
: tensi on en los bornes del generador.
I
di
, I
qi
: corrientes del generador en ejes dq.
S
Ei
(E
fdi
): funci on no lineal que caracteriza el regulador del voltaje.
V
refi
: tensi on de referencia en el sistema de excitaci on.
Para el desarrollo siguiente de este captulo n ser a el n umero de barras que tiene el
sistema y m el n umero de m aquinas.
Ecuaciones Algebraicas
Corresponden las ecuaciones de estator y de red del sistema.
Ecuaciones de estator
Al plantear la Ley de kirchhoff de voltaje considerando la tensi on interna, la cada de
tensi on en la impedancia y la barra donde est a conectada la m aquina se tiene que:
0 = V
i
e
j
i
+ (R
si
+jX
di
)(I
di
+jI
qi
)e
j
_
E
di
+ (X
qi
X
di
)I
qi
+jE
qi
_
e
j
, para i = 1, ..., m. (B.8)

71
Ecuaciones de la red
1. Realizando el balance de potencia en las barras de generaci on se tiene que:
V
i
e
j
i
(I
di
jI
qi
)e
+ P
Li
(V
i
) + jQ
Li
(V
i
) =
n
k=1
V
i
V
k
Y
ik
e
j(
i
ik
)
(B.9)
para i = 1, ..., m. (B.10)
2. Realizando el balance de potencia en las barras de carga se tiene que:
P
Li
(V
i
) + jQ
Li
(V
i
) =
n
k=1
V
i
V
k
Y
ik
e
j(
i
ik
)
para i = m+ 1, ..., n. (B.11)
donde:
V
i
e
j
i
(I
di
jI
qi
)e
= P
Gi
+jQ
Gi
es la potencia compleja inyectada en la barra
i
P
Li
(V
i
): potencia activa en cada carga sistema.
Q
Li
(V
i
): potencia reactiva en cada carga del sistema.
Y
ik
: m odulo de los elementos de la matriz admitancia de barras.

i
: angulo del elemento

Y
i
de la matriz admitancia de barras.
V
i
: m odulo de la tensi on en la barra i.

i
: angulo de la tensi on de la barra i.
Dimensi on del problema de acuerdo al modelo del sistema
La dimensi on del modelo equivalente del sistema el ectrico depender a del n umero de
ecuaciones existentes y las variables de estado que se considere, es decir:
1. Por cada m aquina hay 7 ecuaciones diferenciales, por tanto existen 7m ecuaciones
diferenciales en el sistema.
2. Una ecuaci on compleja en el estator de cada m aquina, indica que hay 2 ecuaciones
reales por generador, por tanto existen 2m ecuaciones algebraicas en el sistema.
3. Una ecuaci on compleja por barra, indica que hay 2 ecuaciones reales por cada
elemento, por tanto existen 2n ecuaciones algebraicas en el sistema.
En total se tienen 7m+ 2m+ 2n ecuaciones en el sistema.
En general, el vector de estados es de la forma x = [x
t
1
, ..., x
t
m
], donde cada
componente tiene las siguientes variables asociadas a la din amicas de las m aquinas
presentes en el sistema.
x
i
= [E
qi
, E
di
,
i
,
i
, E
fdi
, R
fi
, V
Ri
]
Por otro lado, el vector y = [I
t
dq
, V
t
,
t
] contiene las variables algebraicas.
I
dq
= [I
d1
, I
q1
, ..., I
dm
, I
qm
]
t
: (B.12)
V = [V
1
, ..., V
n
]
t
, = [
1
, ...,
n
]
t
: . (B.13)
72
I
dq
: vector de corrientes en componentes dq.
V , : vectores de m odulos y angulos de las tensiones en las barras del sistema.
t: corresponde al operador transposici on.
En forma general, es posible escribir las ecuaciones que rigen la din amica de un
sistema el ectrico de potencia de la siguiente forma:
x = f(x, y, u) (B.14)
0 = g(x, y) (B.15)
donde:
f(x, y, u): representa las ecuaciones no lineales asociadas a la din amicas de las
m aquinas.
g(x, y): representa las ecuaciones algebraicas asociadas a la operaci on de r egimen
permanente (ujo de potencia).
x: corresponde a las variables de estado [E
qi
, E
di
,
i
,
i
, E
fdi
, R
fi
, V
Ri
].
y: corresponde a las variables algebraicas [I
t
dq
, V
t
,
t
].
u = [u
t
1
, ..., u
t
m
]: corresponde al vector de variables de entrada.
Donde cada componente del vector u
i
tiene la forma [
s
, T
mi
, V
Refi
], con:

s
: velocidad sincr onica de la m aquina.
T
mi
: torque mec anico de la m aquina que acciona el eje del generador.
V
Refi
: tensi on de referencia del sistema de excitaci on.
A continuaci on se presenta con detalle la forma en que es posible modelar las
ecuaciones diferenciales y algebraicas.
B.1.2 Ecuaciones algebraicas de estator
Existen diferentes maneras para expresar las ecuaciones algebraicas de estator, en esta
secci on de mostrar a la forma polar y rectangular.
1. Forma Polar
Consideremos la expresi on de la ecuaci on (B.8):
0 = V
i
e
j
i
+ (R
si
+ jX
di
)(I
di
+jI
qi
)e
j
(B.16)
_
E
di
+ (X
qi
X
di
)I
qi
+jE
qi
_
e
j
, para i = 1, ..., m. (B.17)

multiplicando ambos lados por e
e igualando partes real e imaginaria, se

tiene
73
E
di
V
i
sin(
i
i
) R
si
I
di
+ X
qi
I
qi
= 0 (B.18)
E
qi
V
i
cos(
i
i
) R
si
I
qi
+X
qi
I
di
= 0 (B.19)
para i = 1, ..., m.
2. Forma Rectangular
Esta forma puede ser derivada utilizando lo siguiente:
V
i
= V
Di
+jV
Qi
= V
i
e
j
i
= V
i
cos
i
+jV
i
sin
i
(B.20)
Usando que V
Di
= V
i
cos
i
y V
Qi
= V
i
sin
i
, en (B.18) y (B.19)
E
di
V
Di
sin
i
+V
Qi
cos
i
R
si
I
di
+ X
qi
I
qi
= 0 (B.21)
E
qi
V
Di
cos
i
V
Qi
sin
i
R
si
I
qi
X
di
I
di
= 0 (B.22)
para i = 1, ..., m.
El uso de alguna de las dos formas depender a de la manera en que se realice el
proceso de linealizaci on que ser a detallado en las secciones posteriores.
B.1.3 Modelo para las ecuaciones de red
Para modelar las ecuaciones de red es necesario realizar el balance potencia activa y
reactiva en las barras de generaci on y carga de manera separada:
1. Balance de potencia en barras de generaci on
Considerando la ecuaci on (B.10):
V
i
e
j
i
(I
di
jI
qi
)e
+P
Li
(V
i
) + jQ
Li
(V
i
) =
n
k=1
V
i
V
k
Y
ik
e
j(
i
ik
)
(B.23)
para i = 1, ..., m.
y separando en parte real e imaginaria, se tiene lo siguiente
I
di
V
i
sin(
i
i
) + I
qi
V
i
cos(
i
i
) + P
Li
(V i)
n
k=1
V
i
V
k
Y
ik
cos(
i
k

ik
) = 0 (B.24)
I
di
V
i
cos(
i
i
) I
qi
V
i
sin(
i
i
) + Q
Li
(V i)
n
k=1
V
i
V
k
Y
ik
sin(
i
k

ik
) = 0 (B.25)
2. Balance de potencia en barras de carga
En este caso no se considera que existen elementos que inyecten potencia al
sistema, de acuerdo a la ecuaci on (B.11):
74
P
Li
(V
i
) + jQ
Li
(V
i
) =
n
k=1
V
i
V
k
Y
ik
e
j(
i
ik
)
para i = m+ 1, ..., n. (B.26)
y separando en parte real e imaginaria, se tiene lo siguiente
P
Li
(V
i
)
n
k=1
V
i
V
k
Y
ik
cos(
i
k

ik
) = 0 (B.27)
Q
Li
(V
i
)
n
k=1
V
i
V
k
Y
ik
sin(
i
k

ik
) = 0 (B.28)
Hasta el momento se ha mostrado con detalle las ecuaciones que representan el
comportamiento din amico y de r egimen permanente de un sistema el ectrico de potencia.
Por otro lado, existen dispositivos que ayudan al sistema a responder de mejor forma
ante la ocurrencia de perturbaciones durante la operaci on, por ejemplo cortocircuitos,
salidas de lneas, incrementos de carga, etc. Uno de los elementos com unmente
utilizados para atenuar las oscilaciones de potencia, que pudiesen provocar los
fen omenos mencionados, es el controlador PSS (Power System Stabilizer).
B.2 Modelo en variables de estado del estabilizador de
potencia (PSS)
Este dispositivo tiene la caracterstica principal que a partir de mediciones de la velocidad
de la m aquina sincr onica, arroja como salida ajustes en las se nales de control del sistema
de excitaci on, ayudando de esta forma a amortiguar las oscilaciones de potencia que
pudiesen ocurrir durante la operaci on.
En la siguiente secci on se muestra como es posible representar el modelo de este
controlador en variables de estado, para luego ser incorporado al sistema de ecuaciones
diferenciales-algebraicas.
B.2.1 Diagrama de bloques
El modelo est andar de controlador PSS puede ser representado por el siguiente diagrama
de bloques:
K
s
sTw
1+sTw
1+sT
1
1+sT
2
1+sT
3
1+sT
4
V
s
Figura B.1: Estructura PSS
El controlador se compone de cuatro bloques, los cuales se describen de izquierda a
derecha seg un la Figura B.1:
1. Bloque ganancia: determina la cantidad de amortiguaci on que el controlador
introduce al sistema. El valor de la ganancia es el que inuye principalmente en
la ubicaci on de las partes reales de los autovalores m as cercanos al origen.
75
2. Bloque washout: act ua como un ltro pasa alto, el cual se ajusta con la constante
de tiempo T
W
. El principal objetivo de este bloque es que el controlador responda
solamente ante cambios de la velocidad de la m aquina y eliminar alg un otro tipo de
variaci on que pudiese arrojar valores err oneos en la se nal de salida.
3. Bloques compensadores de fase, conocidos como lead/lag: proveen las
caractersticas de adelanto de fase para compensar el atraso de fase entre la
entrada de la excitatriz y el torque el ectrico del generador.
Los par ametros que aparecen en la Figura B.1 corresponden a:
: velocidad de la m aquina en por unidad.
V
s
: voltaje en el terminal de la m aquina.
K
s
: ganancia del controlador.
T
w
: constante de tiempo que dene al bloque washout.
T
1
, T
2
, T
3
, T
4
: constantes de tiempo que denen los bloques lead/lag.
A continuaci on se indican los modelos en variables de estado para cada uno de los
bloques del controlador PSS.
B.2.2 Diagrama bloque lead/lag
El siguiente diagrama permite visualizar la manera en que las ecuaciones de estado del
bloque lead/lag pueden ser obtenidas:
u
T
1
T
2
+
1
T
1
T
2
1
T
2
1
s
y
+
+
Figura B.2: Bloque lead/lag
La ecuaci on de estado para el bloque lead/lag est a dada por:
d
dt
=

T
2
+
_
1
T
1
T
2
_
T
2
u (B.29)
La salida de este bloque es:
y = +
T
1
T
2
u (B.30)
76
B.2.3 Diagrama bloque washout
El siguiente diagrama permite visualizar la manera en que las ecuaciones de estado del
bloque washout pueden ser obtenidas:
u
+
1
T
1
s
y
+
+
Figura B.3: Bloque washout
La ecuaci on de estado para el bloque washout est a dada por:
d
dt
=
+ u
T
(B.31)
La salida de este bloque es:
y = +u (B.32)
Deniendo las siguientes variables de estado:
1. X
1
: variable de estado correspondiente al bloque washout.
2. X
2
: variable de estado correspondiente al primer bloque lead/lag.
3. X
3
: variable de estado correspondiente al segundo bloque lead/lag.
4. V
S
: salida del PSS.
Una vez establecido el modelo de todos los elementos del sistema el ectrico de
potencia, a continuaci on se detalla el procedimiento para obtener el equivalente lineal
de un sistema el ectrico para estudios de estabilidad de peque na perturbaci on.
B.3 Modelo Linealizado
Para realizar un an alisis de peque na perturbaci on, es necesario linealizar el modelo
presentado en la secci on anterior. En la siguiente secci on se indican las t ecnicas de
linealizaci on a utilizar.
B.3.1 T ecnicas b asicas de linealizaci on
Como se indic o en la secci on anterior, el modelo no lineal de un sistema el ectrico puede
ser escrito de la siguiente manera:
x = f(x, y, u) (B.33)
0 = g(x, y) (B.34)
donde:
77
x: es el vector que contiene las variables de estado que rigen la din amica de las
m aquinas.
y: es el vector que contiene las corrientes en ejes dq y voltajes, en m odulos y angulos
de las tensiones.
En funci on de lo indicado en la Secci on B.1.1, la ecuaci on (B.33) es de dimensi on 7m y la
ecuaci on (B.34) es de dimensi on 2(n + m).
Dado que la ecuaci on (B.34) contiene las ecuaciones algebraicas de estator y de
la red, con el n de visualizar las ecuaciones tpicas de ujo de potencia y las otras
ecuaciones algebraicas, es posible particionar y de la siguiente manera
y = [I
t
dq
,
1
V
1
, ..., V
m
|
2
, ...,
n
, V
m+1
, ..., V
n
]t
y = [y
t
a
|y
t
b
] (B.35)
donde:
y
b
corresponde a las variables del ujo de potencia
y
a
tiene las otras variables algebraicas.
t representa el operador transposici on.
En este modelo la referencia se encuentra en la barra 1, las barras 2, ..., m, son tipo
PV y las barras m+ 1, ..., n, son tipo PQ y recordar que la dimensi on del vector de estado
x es 7m.
Linealizando las ecuaciones (B.33) y (B.34), alrededor de un punto de operaci on
estable, obtenido a partir de un ujo de potencia, se tiene el siguiente sistema:
_
_
dx
dt
0
0
_
_
=
_
A B
C
D
11
D
12
D
21
J
LF
_
_
x
y
a
y
b
_
+E[u]
Deniendo:
J
AE
=
_
D
11
D
12
D
21
J
LF
_
.
Eliminando y
a
y y
b
, se obtiene
x = A
sys
x (B.36)
donde, A
sys
= (A BJ
1
AE
C) (J
AE
es el Jacobiano del ujo de potencia).
A continuaci on se presenta el proceso de linealizaci on de cada una de las ecuaciones
diferenciales-algebraicas presentadas en este captulo, para luego presentar en detalle el
sistema lineal reci en denido.
B.3.2 Modelo de cada m aquina
Al linealizar las ecuaciones (B.1) - (B.7) se tiene el siguiente sistema:
78
qi
=
1
T
d0i
E
qi
(X
di
X
di
)
T
d0i
I
di
+
1
T
d0i
E
fdi
(B.37)
di
=
1
T
q0i
E
di
(X
qi
X
qi
)
T
q0i
I
qi
(B.38)
i
=
i
(B.39)

i
=
1
M
i
T
Mi
I
qi0
M
i
E
qi
I
di0
M
i
E
di
D
i
M
i
i
+
_
X
di
I
qi0
M
i
qi
I
qi0
M
i
di
M
i
_
I
di
(B.40)
+
_
X
di
I
di0
M
i
qi
I
di0
M
i
qi
M
i
_
I
qi

E
fdi
= f
si
(E
fdi
)E
fd
+
1
T
Ei
V
Ri
(B.41)

V
Ri
=
1
T
Ai
V
Ri
+
K
Ai
T
Ai
R
Fi
K
Ai
K
Fi
T
Ai
T
Fi
E
fdi
K
Ai
T
Ai
V
i
+
KA
i
T
Ai
V
refi
+
KA
i
T
Ai
V
si
(B.42)

R
Fi
=
R
Fi
T
Fi
+
K
Fi
(T
Fi
)
2
E
fdi
(B.43)
para i = 1, ..., m.
Matricialmente, se puede escribir de la siguiente manera:
_
i

i
qi
di

E
fdi

V
Ri

R
Fi
_
_
=
_
_
0 1 0 0 0 0 0
0
D
i
M
i
I
qi0
M
i
I
di0
M
i
0 0 0
0 0
1
T
di0
0
1
T
di0
0 0
0 0 0
1
T
qi0
0 0 0
0 0 0 0 f
si
(E
fdi0
)
1
T
Ei
0
0 0 0 0
K
AiK
Fi
T
Ai
T
Fi
1
T
Ai
K
Ai
T
Ai
0 0 0 0
K
Fi
(T
Fi
)
2
0
1
T
Fi
_
i
E
qi
E
di
E
fdi
V
Ri
R
Fi
_
_
+
_
_
0 0
I
qi0
(X
di
X
qi
) E
di0
M
i
I
di0
(X
di
X
qi
) E
di0
M
i
(X
di
X
di
)
T
di0
0
0
X
qi
X
qi
T
qi0
0 0
0 0
0 0
_
_
I
di
I
qi
_
79
+
_
_
0 0
0 0
0 0
0 0
0 0
0
K
Ai
T
Ai
0 0
_
_

i
V
i
_
+
_
_
0 0
1
M
i
0
0 0
0 0
0 0
0
K
Ai
T
Ai
0 0
_
_
T
Mi
V
refi
_
denotando
I
gi
=
_
I
di
I
qi
_
, V
gi
=
_

i
V
i
_
y u
i
=
_
T
Mi
V
refi
_
,
Las expresiones anteriores pueden ser resumidas en la siguiente ecuaci on matricial:
x = A
1
x +B
1
I
g
+B
2
V
g
+E
1
U (B.44)
donde las matrices A
1
, B
1
, B
2
y E
1
corresponden a los t erminos presentes en las
expresiones anteriores.
B.3.3 Ecuaciones algebraicas en los terminales de las m aquinas
Para linealizar las ecuaciones de estator de las m aquinas, resulta convenientes considerar
el siguiente esquema general:
0 = V
i
e
j
i
+
_
(R
si
+ jX
di
)(I
di
+jI
qi
) (E
di
+ (X
qi
X
di
)I
qi
+jE
qi
)
_
e
j(
i
/2)
0 = V
i
e
j
i
+
_
R
si
I
di
+ jR
si
I
qi
+jX
di
I
di
X
di
I
qi
E
di
(X
q
X
di
)I
qi
jE
qi
_
e
j(
i
/2)
0 = V
i
e
j
i
+
_
(R
si
I
di
X
di
I
qi
E
di
(X
qi
X
di
)I
qi
) + j(R
si
I
qi
+ X
di
I
di
E
qi
)
_
e
j(
i
/2)
0 = V
i
e
j
i
+ (A
i
+jB
i
)(cos(
i
/2) + j sin(
i
/2))
donde:
A
i
= R
si
I
di
X
di
I
qi
E
di
(X
qi
X
di
)I
qi
B
i
= R
si
I
qi
+X
di
I
di
E
qi
As:
0 = V
i
cos
i
+jV
i
sin
i
+A
i
cos(
i
/2) + jAsin(
i
/2)
+ jB
i
cos(
i
/2) B
i
sin(
i
/2) (B.45)
Agrupando en parte real e imaginaria
Real = V
i
cos
i
+A
i
cos(
i
/2) B
i
sin(
i
/2) = 0 (B.46)
Imag = V
i
sin
i
+ A
i
sin(
i
/2) + B
i
cos(
i
/2) = 0 (B.47)
Linealizando con respecto a las variables de estado:
80
Real
i
= A
i
sin(
i
/2) B
i
cos(
i
/2).
Imag
i
= A
i
cos(
i
/2) B
i
sin(
i
/2).
Real
E
q
= sin(
i
/2).
Imag
E
q
= cos(
i
/2).
Real
E
d
= cos(
i
/2).
Imag
E
d
= sin(
i
/2).
Linealizando con respecto a las variables algebraicas, corrientes en ejes dq:
Real
I
d
=
A
i
I
d
cos(
i
/2)
B
i
I
d
sin(
i
/2) = R
si
cos(
i
/2) X
di
sin(
i
/2).
Imag
I
d
=
A
i
I
d
sin(
i
/2) +
B
i
I
d
cos(
i
/2) = R
si
sin(
i
/2) +X
di
cos(
i
/2).
Real
I
q
=
A
i
I
q
cos(
i
/2)
B
i
I
q
sin(
i
/2) = X
qi
cos(
i
/2) R
si
sin(
i
/2).
Imag
I
q
=
A
i
I
q
sin(
i
/2)+
B
i
I
q
cos(
i
/2) = X
qi
sin(
i
/2)+R
si
cos(
i
/2).
Linealizando con respecto al m odulo de la tensi on y el angulo:
Real
V
i
= cos
i
.
Imag
V
i
= sin
i
.
Real
i
= V
i
sin
i
.
Imag
i
= V
i
cos
i
.
Matricialmente, se puede escribir de la siguiente forma
_
A
i
sin(
i
/2) B
i
cos(
i
/2) 0 sin(
i
/2) cos(
i
/2) 0 0 0
A
i
cos(
i
/2) B
i
sin(
i
/2) 0 cos(
i
/2) sin(
i
/2) 0 0 0
_
i
E
qi
E
di
E
fdi
V
Ri
R
Fi
_
_
81
+
_
R
si
cos(
i
/2) X
di
sin(
i
/2) X
qi
cos(
i
/2) R
si
sin(
i
/2)
R
si
sin(
i
/2) + X
di
cos(
i
/2) X
qi
sin(
i
/2) + R
si
cos(
i
/2)
_
_
I
d
I
q
_
+
_
cos
i
V
i
sin
i
sin
i
V
i
cos
i
_
_
V
i
i
_
= 0
An alogamente que para el caso de las ecuaciones din amicas, el arreglo anterior de
matrices puede ser resumido en la siguiente forma:
0 = C
1
x + D
1
I
g
+D
2
V
g
(B.48)
donde las matrices C
1
, D
1
y D
2
corresponden a los t erminos presentes en las expresiones
anteriores.
B.3.4 Para las barras de generaci on
Al linealizar directamente las ecuaciones en las barras de generaci on dadas en la
ecuaci on (B.23), se tiene lo siguiente:
0 =
_
P
L
i
(V
i
)
V
i
k=1
V
k0
Y
ik
cos(
i0
k0
ik
) V
i0
Y
ii
cos(
i
ii
)
_
V
i
+ (I
di0
sin(
i0
i0
) + I
qi0
cos(
i0
i0
)) V
i
+
_
n
k=1
V
i0
V
k0
Y
ik
sin(
i0
k0
ik
)
_
i
V
i0
n
k=1,k=i
Y
ik
cos(
i0
k0
ik
)V
k
V
i0
n
k=1,k=i
V
k0
Y
ik
sin(
i0
k0
ik
)
k
+ V
i0
sin(
i0
i0
)I
di
+ V
i0
cos(
i0
i0
)I
qi
+ (I
di0
V
i0
cos(
i0
i0
))
i
(B.49)
Lo anterior, se puede escribir de la siguiente manera:
0 = A
ii
V
i
+B
ii
i
+
n
k=1,k=i
C
ki
V
k
+
n
k=1,k=i
D
ki
k
+ V
i0
sin(
i0
i0
)I
di
+V
i0
cos(
i0
i0
)I
qi
+ (I
di0
V
i0
cos(
i0
i0
))
i
(B.50)
donde:
1. A
ii
=
P
L
i
(V
i
)
V
i
k=1
V
k0
Y
ik
cos(
i0
k0
ik
) V
i0
Y
ii
cos(
i
ii
)
2. B
ii
=
n
k=1
V
i0
V
k0
Y
ik
sin(
i0
k0
ik
)
3. C
ki
= V
i0
Y
ik
cos(
i0
k0
ik
)
82
4. D
ki
= V
i0
V
k0
Y
ik
sin(
i0
k0
ik
)
0 =
_
Q
L
i
(V
i
)
V
i
k=1
V
k0
Y
ik
sin(
i0
k0
ik
) V
i0
Y
ii
sin(
i
ii
)
_
V
i
_
n
k=1
V
i0
V
k0
Y
ik
cos(
i0
k0
ik
)
_
i
V
i0
n
k=1,k=i
Y
ik
sin(
i0
k0
ik
)V
k
+ V
i0
n
k=1,k=i
Y
ik
cos(
i0
k0
ik
)
k
+ V
i0
cos(
i0
i0
)I
di
V
i0
sin(
i0
i0
)I
qi
I
qi0
V
i0
cos(
i0
i0
)
i
(B.51)
0 = E
ii
V
i
+F
ii
i
+
n
k=1,k=i
G
ki
V
k
+
n
k=1,k=i
H
ki
k
+ V
i0
cos(
i0
i0
)I
di
V
i0
sin(
i0
i0
)I
qi
I
qi0
V
i0
cos(
i0
i0
)
i
(B.52)
donde:
1. E
ii
=
Q
L
i
(V
i
)
V
i
k=1
V
k0
Y
ik
sin(
i0
k0
ik
) V
i0
Y
ii
sin(
i
ii
)
2. F
ii
=
n
k=1
V
i0
V
k0
Y
ik
cos(
i0
k0
ik
)
3. G
ki
= V
i0
Y
ik
sin(
i0
k0
ik
)
4. H
ki
= V
i0
V
k0
Y
ik
cos(
i0
k0
ik
)
En ambos casos anteriores, esto es v alido para i = 1, ....., m.
0 =
_
_
C
21
.
.
.
C
2m
_
_
_
_
x
1
.
.
.
x
m
_
_
+
_
_
D
31
.
.
.
D
3m
_
_
_
_
I
g1
.
.
.
I
gm
_
_
+
_
_
D
41,1
. . . D
41,m
.
.
.
.
.
.
.
.
.
D
4m,1
. . . D
4m,m
_
_
_
_
V
g1
.
.
.
V
gm
_
_
+
_
_
D
51,m+1
. . . D
51,n
.
.
.
.
.
.
.
.
.
D
5m,m+1
. . . D
5m,n
_
_
_
_
V
lm+1
.
.
.
V
ln
_
_
donde, V
li
=
_
i
V
i
_
, i = m+ 1, ..., n.
En forma compacta, lo anterior se escribe de la siguiente manera:
0 = C
2
x +D
3
I
g
+ D
4
V
g
+D
5
V
l
(B.53)
donde las matrices C
2
, D
3
, D
4
y D
5
corresponden a los t erminos presentes en las
expresiones anteriores.
83
B.3.5 Para las barras de carga
Procediendo al linealizar las ecuaciones de balance en las barras de carga dadas en la
ecuaci on (B.26), se tiene lo siguiente:
0 =
_
P
L
i
(V
i
)
V
i
k=1
V
k0
Y
ik
cos(
i0
k0
ik
) V
i0
Y
ii
cos(
i
ii
)
_
V
i
+
_
n
k=1
V
i0
V
k0
Y
ik
sin(
i0
k0
ik
)
_
i
V
i0
n
k=1,k=i
Y
ik
cos(
i0
k0
ik
)V
k
V
i0
n
k=1,k=i
V
k0
Y
ik
sin(
i0
k0
ik
)
k
0 = A
ii
V
i
+B
ii
i
+
n
k=1,k=i
C
ki
V
k
+
n
k=1,k=i
D
ki
k
(B.54)
donde:
1. A
ii
=
P
L
i
(V
i
)
V
i
k=1
V
k0
Y
ik
cos(
i0
k0
ik
) V
i0
Y
ii
cos(
i
ii
)
2. B
ii
=
n
k=1
V
i0
V
k0
Y
ik
sin(
i0
k0
ik
)
3. C
ki
= V
i0
Y
ik
cos(
i0
k0
ik
)
4. D
ki
= V
i0
V
k0
Y
ik
sin(
i0
k0
ik
)
0 =
_
Q
L
i
(V
i
)
V
i
k=1
V
k0
Y
ik
sin(
i0
k0
ik
) V
i0
Y
ii
sin(
i
ii
)
_
V
i
_
n
k=1
V
i0
V
k0
Y
ik
cos(
i0
k0
ik
)
_
i
V
i0
n
k=1,k=i
Y
ik
sin(
i0
k0
ik
)V
k
+ V
i0
n
k=1,k=i
Y
ik
cos(
i0
k0
ik
)
k
0 = E
ii
V
i
+F
ii
i
+
n
k=1,k=i
G
ki
V
k
+
n
k=1,k=i
H
ki
k
(B.55)
donde:
84
1. E
ii
=
Q
L
i
(V
i
)
V
i
k=1
V
k0
Y
ik
sin(
i0
k0
ik
) V
i0
Y
ii
sin(
i
ii
)
2. F
ii
=
n
k=1
V
i0
V
k0
Y
ik
cos(
i0
k0
ik
)
3. G
ki
= V
i0
Y
ik
sin(
i0
k0
ik
)
4. H
ki
= V
i0
V
k0
Y
ik
cos(
i0
k0
ik
)
En ambos casos anteriores, esto es v alido para i = m+ 1, ....., n.
0 =
_
_
D
6m+1,1
. . . D
6m+1,m
.
.
.
.
.
.
.
.
.
D
6n,1
. . . D
6n,m
_
_
_
_
V
g1
.
.
.
V
gm
_
_
+
_
_
D
7m+1,m+1
. . . D
7m+1,n
.
.
.
.
.
.
.
.
.
D
7n,m+1
. . . D
7n,n
_
_
_
_
V
lm+1
.
.
.
V
ln
_
_
donde, V
li
=
_
i
V
i
_
, i = m+ 1, ..., n.
En forma compacta, lo anterior se escribe de la siguiente manera:
0 = D
6
V
g
+D
7
V
l
(B.56)
donde las matrices D
6
y D
7
corresponden a los t erminos presentes en las expresiones
anteriores.
Recordando que:
x
i
= [
i
,
i
, E
qi
, E
di
, E
fdi
, V
Ri
, R
fi
]
t
I
g
= [I
d1
, I
q1
, ..., I
dm
, I
qm
]
t
V
g
= [
1
, V
1
, ...,
m
, V
m
]
t
V
l
= [
m+1
, V
m+1
, ...,
n
, V
n
]
t
u = [u
t
1
, ..., u
t
m
]
t
u
i
= [T
Mi
, V
refi
]
t
B.3.6 Modelo linealizado del controlador PSS
De acuerdo al modelo presentado en la Secci on B.2, el sistema de ecuaciones
linealizadas que describe la din amica del controlador es la siguiente [99]:

X
1
=
K
s
T
w
1
T
w
X
1

X
2
=
_
T
2
T
1
T
2
2
_
K
s

_
T
2
T
1
T
2
2
_
X
1
1
T
2
X
2

X
3
=
_
T
4
T
3
T
2
4
_
T
1
T
2
K
s

_
T
4
T
3
T
2
4
_
T
1
T
2
X
1
+
_
T
4
T
3
T
2
4
_
X
2
1
T
4
X
3
V
s
=
T
1
T
2
T
3
T
4i
K
s

T
1
T
2
T
3
T
4
X
1
+
T
3
T
4
X
2
+ X
3
Donde:
85

X
1
,

X
2
,

X
3
son las variables de estado internas.
V
s
: corresponde a la variable de salida.
B.4 Esquema general para el sistema linealizado
A partir del desarrollo indicado en las secciones previas, el arreglo matricial que incluye
las lineallizaciones de las ecuaciones din amicas y algebraicas del sistema el ectrico, se
tiene lo siguiente:
x = A
1
x +B
1
I
g
+B
2
V
g
+ E
1
u (B.57)
0 = C
1
x +D
1
I
g
+D
2
V
g
(B.58)
0 = C
2
x + D
3
I
g
+D
4
V
g
+D
5
V
l
(B.59)
0 = D
6
V
g
+D
7
V
l
(B.60)
De la Ecuaci on (B.60), se despeja
V
l
= D
7
D
6
V
g
= K
1
V
g
(B.61)
Reemplazando la Ecuaci on (B.61) en la Ecuaci on (B.59) se tiene que:
0 = C
2
x +D
3
I
g
+ D
4
V
g
+D
5
K
1
V
g
0 = C
2
x +D
3
I
g
+ (D
4
+D
5
K
1
)V
g
0 = C
2
x +D
3
I
g
+K
2
V
g
(B.62)
Por lo tanto se ha eliminado el vector asociado a las tensiones, en m odulo y angulo,
en las cargas:
x = A
1
x +B
1
I
g
+B
2
V
g
+ E
1
u
0 = C
1
x + D
1
I
g
+D
2
V
g
0 = C
2
x + D
3
I
g
+K
2
V
g
A partir de la Ecuaci on (B.62):
V
g
= K
1
2
(C
2
c +D
3
I
g
)
V
g
= K
1
2
C
2
x K
1
2
D
3
I
g
V
g
= K
3
x + K
4
I
g
(B.63)
Reemplazando en la Ecuaci on (B.58):
0 = C
1
x + D
1
I
g
+D
2
K
3
x +D
2
K
4
I
g
0 = (C
1
+D
2
K
3
)x + (D
1
+D
2
K
4
)I
g
0 = K
5
x + K
6
I
g
(B.64)
Reemplazando en la Ecuaci on (B.57):
86
x = A
1
x +B
1
I
g
+B
2
K
5
x +B
2
K
6
I
g
x = (A
1
+B
2
K
5
)x + (B
1
+B
2
K
6
)I
g
x = K
7
x + K
8
I
g
(B.65)
As:
x = K
7
x +K
8
I
g
(B.66)
0 = K
5
x +K
6
I
g
(B.67)
Despejando de la Ecuaci on (B.67):
I
g
= K
1
6
K
5
x
I
g
= K
9
x (B.68)
Reemplazando la Ecuaci on (B.68) en la Ecuaci on (B.66):
x = K
7
x +K
8
K
9
x
x = (K
7
+ K
8
K
9
)x
x = A
sys
x (B.69)
Los autovalores de A
sys
indicar an si el sistema es estable o no. Sin embargo, existe
una manera alternativa de obtener el sistema equivalente.
Las Ecuaciones (B.57)-(B.60), pueden ser escritas de una forma compacta:
_
x
0
_
=
_
A
_
x
V
N
_
+
_
E
1
0
_
u
donde, V
n
=
_
V
g
V
l
_
.
Reordenando las variables en el vector de voltajes, es posible denir:
V
p
= [y
t
c
, y
t
b
]
t
= [
1
, V
1
, ..., V
m
|
2
, ...,
n
, V
m+1
, ..., V
n
]
t
(B.70)
donde:
y
t
b
es el conjunto de variables del ujo de potencia.
y
t
c
es restante grupo de variables asociadas a las ecuaciones algebraicas de la
red.
Al momento de evaluar los autovalores de la matriz resultante, es necesario eliminar
la variable que act ua como referencia. Si seleccionamos
1
como la referencia, entonces
se tiene redenir las variables de la siguiente manera:
i
=
i
1
, para i = 2, ..., m
1
= 0
=
i
1
, para i = 2, ..., m
= 0
i
=
i
1
, para i = 2, ..., n
87
Este proceso es importante de realizar, ya que de lo contrario siempre aparecer a un
autovalor cero.
Reordenando las ecuaciones, se tiene el siguiente modelo equivalente:
_
x
0
0
_
=
_
_
A
1
B
2
C
1
D
11
D
12
C
2
D
21
D
22
_
_
_
x
y
c
y
b
_
+
_
E
1
0
0
_
u
deniendo J
AE
=
_
D
11
D
12
D
21
D
22
_
el sistema equivalente es de la forma:
x = A
sys
x +Eu (B.71)
donde,
A
sys
= A
[B
1
, B
2
][J
AE
]
1
[C
1
, C
2
]
t
(B.72)
En la siguiente secci on se mostrar an los resultados obtenidos al implementar el
modelo detallado anteriormente, el cual est a basado en el trabajo reportado en [14].
Para validar los resultados obtenidos, el Dr. Peter Sauer (autor principal de la
referencia [14]) tuvo la gentileza compartir los resultados de los ejemplos de las
p aginas 240 y 278 de su libro.
B.4.1 Algoritmo utilizado para el c alculo de autovalores
En la Figura B.4 se muestra el algoritmo para el c alculo de los autovalores de la matriz
A
sys
.
Figura B.4: Algoritmo de c alculo de autovalores de la matriz A
sys
.
Para eliminar uno de los autovalores que es cero, es necesario eliminar la referencia
del sistema de acuerdo a lo indicado en esta secci on.
El segundo valor nulo corresponde al caso en que el sistema no posee amortiguaci on,
es decir, D
i
= 0, para i = 1, . . . , n.
88
B.5 Sistemas de prueba utilizados
Los sistemas de prueba utilizados corresponden a los siguientes:
Sistema tres m aquinas - nueve barras
Sistema diez m aquinas - treinta y nueve barras
B.5.1 Sistema tres m aquinas - nueve barras
Los datos indicados en las Tablas B.1 y B.2 pueden encontrarse en la p agina 172 de la
referencia [14].
Tabla B.1: Datos para cada m aquina
Par ametro M aquina 1 M aquina 2 M aquina 3
H(sec) 23.64 6.4 3.01
X
d
(pu) 0.146 0.8958 1.3125
X
d
(pu) 0.0608 0.1198 0.1813
X
q
(pu) 0.0969 0.8645 1.2578
X
q
(pu) 0.0969 0.1969 0.25
T
d0
8.96 6.0 5.89
T
q0
0.31 0.535 0.6
D(pu) 0 0 0
Tabla B.2: Datos para cada sistema de excitaci on
Par ametro M aquina 1 M aquina 2 M aquina 3
K
A
20 20 20
T
A
(sec) 0.2 0.2 0.2
K
E
1.0 1.0 1.0
T
E
(sec) 0.314 0.314 0.314
K
F
0.063 0.063 0.063
T
F
(sec) 0.35 0.35 0.35
S
E
(E
fd0
) 0.0039e
1.555Efd0
0.0039e
1.555Efd0
0.0039e
1.555Efd0
B.5.2 Sistema 4 m aquinas - 10 barras
Este ejemplo corresponde al sistema conocido tradicionalmente como Kundur. Los datos
indicados en las Tablas B.3 y B.4 pueden encontrarse en la p agina 279 de la referencia
[14].
Tabla B.3: Datos para cada m aquina
Par ametro M aquina 1 M aquina 2 M aquina 3 M aquina 4
H(sec) 54 54 63 63
Xd(pu) 0.2 0.2 0.2 0.2
X
d
(pu) 0.033 0.033 0.033 0.033
Xq(pu) 0.19 0.19 0.19 0.19
X
q
(pu) 0.0641 0.0641 0.0641 0.0641
T
d0
8 8 8 8
T
q0
0.4 0.4 0.4 0.4
D(pu) 0 0 0 0
89
Tabla B.4: Datos para cada sistema de excitaci on
Par ametro M aquina 1 M aquina 2 M aquina 3 M aquina 4
K
A
200 200 200 200
T
A
(sec) 0.1 0.1 0.1 0.1
90
B.6 Validaci on de los modelos linealizados
A continuaci on se presentan los autovalores obtenidos a partir del modelo descrito en
este captulo. Los resultados coinciden con los indicados por el Dr. Peter Sauer en la
p agina 240 de la referencia [14].
B.6.1 Sistema tres m aquinas - nueve barras
Tabla B.5: Autovalores para Sistema tres m aquinas
Autovalores Modelo Propuesto Autovalores Referencia [14] Error (%)
0.+0.i 0.+0.i 0
0.+0.i 0.+0.i 0
-0.71953.-12.746.i -0.7209.-12.749.i 0.0209
-0.71953.+12.746.i -0.7209.+12.749.i 0.0209
-0.19064.-8.366.i -0.1908.-8.3672.i 0.01437
-0.19064.+8.366.i -0.1908.+8.3672.i 0.01437
-5.2218.-7.816.i -5.2218.-7.8161.i 0.00088
-5.2218.+7.816.i -5.2218.+7.8161.i 0.00088
-5.4876.-7.9487.i -5.4875.-7.9487.i -0.00058
-5.4876.+7.9487.i -5.4875.+7.9487.i -0.00058
-5.3234.-7.922.i -5.3236.-7.922.i 0.00116
-5.3234.+7.922.i -5.3236.+7.922.i 0.0011
-5.1776. -5.1761. -0.02897
-3.3983. -3.3995. 0.03529
-0.44431.-1.211.i -0.4445.-1.2104.i -0.03860
-0.44431.+1.211.i -0.4445.+1.2104.i -0.03860
-0.43938.-0.73937.i -0.4394.-0.7392.i -0.01580
-0.43938.+0.73937.i -0.4394.+0.7392.i -0.01580
-0.42576.-0.49592.i -0.426.-0.496.i 0.0331
-0.42576.+0.49592.i -0.426.+0.496.i 0.0331
-3.2258. -3.2258. 0.
De acuerdo a los errores obtenidos para cada autovalor, el modelo implementando es el
adecuado para el an alisis de peque na perturbaci on cl asico.
B.6.2 Sistema cuatro m aquinas - diez barras
Para el caso del sistema de cuatro m aquinas, los resultados no est an indicados
directamente en la referencia [14]. Sin embargo, el autor del libro envi o facilit o los
resultados para la validaci on del modelo.
91
Tabla B.6: Autovalores para Sistema cuatro m aquinas
Autovalores Modelo Propuesto Autovalores Referencia [14] Error (%)
0.+0.i 0.+0.i 0
0.+0.i 0.+0.i 0
-4.3107. -4.3072. -0.080447.
-4.5276.-0.085497.i -4.5282.-0.085154.i 0.013694.
-4.5276.+0.085497.i -4.5282.+0.085154.i 0.013694.
-0.016637.-4.6044.i -0.016304.-4.6207.i 0.35363.
-0.016637.+4.6044.i -0.016304.+4.6207.i 0.35363.
-4.6775. -4.6796. 0.043838.
-0.78335.-6.8003.i -0.77486.-6.8352.i 0.48938.
-0.78335.+6.8003.i -0.77486.+6.8352.i 0.48938.
-0.77614.-7.4774.i -0.76308.-7.5113.i 0.42925.
-0.77614.+7.4774.i -0.76308.+7.5113.i 0.42925.
-5.3379.-7.0116.i -5.3479.-6.9755.i -0.25666.
-5.3379.+7.0116.i -5.3479.+6.9755.i -0.25666.
-5.2773.-7.3312.i -5.2849.-7.2919.i -0.30393.
-5.2773.+7.3312.i -5.2849.+7.2919.i -0.30393.
-5.0991.-11.672.i -5.0996.-11.659.i -0.092812.
-5.0991.+11.672.i -5.0996.+11.659.i -0.092812.
-4.4274.-17.32.i -4.4308.-17.367.i 0.25983.
-4.4274.+17.32.i -4.4308.+17.367.i 0.25983.
De acuerdo a los errores obtenidos para cada autovalor, el modelo implementando es
el adecuado para el an alisis de peque na perturbaci on cl asico.
92
Ap endice C
Fundamentos Matem aticos
En el desarrollo de la tesis se utilizaron conceptos como proceso estoc astico, ecuaci on
diferencial estoc astica, condiciones de existencia, Teorema Erg odigo, distribuciones
invariantes, etc. Esto hace necesario presentar de manera formal la teora existente
detr as de estos conceptos y en las secciones siguientes de detallan las deniciones
formales de la literatura especializada.
C.1 Ecuaciones diferenciales ordinarias
Una ecuaci on diferencial ordinaria (frecuentemente abreviadas EDO) es una igualdad que
involucra a una funci on y sus derivadas. Una EDO de orden n es una igualdad de la forma
F(x, y, y
, ..., y
n
) = 0, (C.1)
donde y es una funci on de x, y
=
dy
dx
, es la primera derivada con respecto a x , y
n
=
d
n
dx
n
,
es la derivada de orden n, con respecto a x.
Una EDO, de orden n, se dice lineal si es de la forma
a
n
(x)y
(n)
+ a
n1
(x)y
(n1)
+ +a
1
(x)y
+a
0
(x)y = Q(x), (C.2)
donde Q(x) es una funci on de x. Si Q(x) = 0, la ecuaci on se dice homog enea.
C.1.1 Ecuaciones diferenciales No-Lineales
Denici on C.1.1 Una ecuaci on diferencial no lineal en R
d
es de la forma
y(t) = f(t, y) (C.3)
donde t R (representa el tiempo), y(t) R
d
(representa los estados), f(t, ) : R
d
R
d
es el campo de vectores (que podra cambiar con el tiempo) y y
(t) =
dy
dt
(t).
El problema de valor inicial para (C.3) consiste en encontrar una funci on y(t) que
satisface la ecuaci on diferencial ordinaria, respetando la condici on inicial y(t
0
) = y
0
.
Para asegurar la existencia de la soluci on, el campo de vectores debe cumplir la
condici on de Lipschitz, es decir, existe una constante > 0 tal que
||f(t, x) f(t, y)|| ||x y|| x, y R
d
.
93
Considerando que f C
y la condici on anterior, queda garantizada la existencia de

una unica soluci on para el problema (C.3).
Un punto p R
d
es un punto jo de la ecuaci on diferencial y = f(y), si y(t, p) = p, para
todo t R.
La linealizaci on de la ecuaci on y = f(y), en un punto jo p R
d
, est a dada por
x = D
y
f(p)x, donde D
y
f(p) es la matriz Jacobiana de f en el punto p.
C.1.2 Ecuaciones diferenciales Lineales
Denici on C.1.2 Para una matriz A gl(d, R), la exponencial de una matriz e
A
G :
(d, R) esta denida por e
A
= I +
n=1
1
n!
A
n
GL(d, R), donde I gl(d, R) es la matriz
identidad.
Denici on C.1.3 Una ecuaci on diferencial lineal (con coecientes constantes) esta dada
por una matriz A gl(d, R), a trav es de x(t) = Ax(t), donde x la derivada con respecto al
tiempo. Alguna soluci on x : R R
d
tal que x(t) = Ax(t) para todo t R, es una soluci on
de x = Ax.
Denici on C.1.4 El problema de valor inicial de la ecuaci on diferencial x = Ax, consiste
en encontrar, dada una condici on inicial x
0
R
d
, la soluci on x(, x
0
) que satisface
x(0, x
0
) = x
0
.
Denici on C.1.5 Los autovalores (complejos) de la matriz A gl(d, R) se denotan por
1
, ,
n
.
Denici on C.1.6 La forma real de Jordan de una matriz A gl(d, R) se denota por J
R
A
.
Notar que para cierta matriz A, existe una matriz T gl(d, R), tal que A = T
1
J
R
A
T.
Denici on C.1.7 Sea x(, x
0
) una soluci on de la ecuaci on diferencial lineal x = Ax. El
exponente de Lyapunov, para x
0
= 0, est a denido por
(x
0
) = lim
t
sup
1
t
log x(t, x
0
) (C.4)
donde log denota al logaritmo natural y es alguna norma en R
d
.
Denici on C.1.8 Sean
k
=
k
+ i
k
, k = 1, , r los autovalores de A gl(d, R).
Ordenando las partes reales de dichos autovalores, de la forma,
1
< <
l
, 1 r d,
se dene el espacio de Lyapunov del autovalor
j
como
L(
j
) = E
k
, (C.5)
donde la suma directa () se toma sobre todos los autoespacios generados, por los
autovalores con parte real igual a
j
. Notar que
l
j=1
= L(
j
) = R
d
.
Denici on C.1.9 Los autoespacios estable, central e inestable, asociados a la matriz
A gl(d, R) est an denidos por
L
= {L(
j
),
j
< 0}, L
0
= {L(
j
),
j
= 0}, L
+
= {L(
j
),
j
> 0} (C.6)
respectivamente.
94
Denici on C.1.10 La soluci on nula x(t, 0) 0 se dice exponencialmente estable si
existen una vecindad U(0) y constantes positivas a, b > 0, tal que
x(t, x
0
) a x
0
e
bt
, t R, x
0
U(0). (C.7)
El exponente de Lyapunov de una soluci on x(, x
0
) (con x
0
= 0) satisface que
lim
t
1
t
x(t, x
0
) =
j
, si y solo si, x
0
L(
j
). Por lo tanto, asociados a la matriz
A gl(d, R), son exactamente l exponentes de Lyapunov, las distintas partes reales de
los autovalores de la matriz A.
C.1.3 Estabilidad de Ecuaciones Diferenciales Lineales Ordinarias
La noci on de estabilidad es usada para estudiar el comportamiento de sistemas
din amicos bajo perturbaciones iniciales entorno a los puntos de equilibrio. En esta
secci on se muestran los conceptos que existen sobre la estabilidad de sistemas de
ecuaciones diferenciales lineales con coecientes constantes.
Denici on C.1.11 El equilibrio x
e
(t) 0 del sistema x = Ax, se dice estable en el sentido
de Lyapunov, o simplemente estable, si para cada > 0, existe = () > 0, tal que alguna
soluci on x del problema x = Ax, x(t
0
) = x
0
, con x
0

2
< , satisface x(t)
2
para todo
t t
0
.
e
(t) 0 del sistema x = Ax, se dice asimpt oticamente
estable si es estable y lim
t
x(t) = 0, para alguna soluci on x de x = Ax.
e
(t) 0 del sistema x = Ax, se dice inestable, si no es
estable.
e
(t) 0 del sistema x = Ax, se dice exponencialmente
estable si existe > 0 y > 0 tal que la soluci on x del problema x = Ax, x(t
0
) = x
0
,
satisface x(t)
2
e
(tt
0
)
x
0

2
para todo t t
0
.
El equilibrio x
e
(t) 0 del sistema x = Ax, es estable, si y solo si, todos los autovalores
de la matriz A, tienen parte real negativa y aquellos que tienen parte real nula, deben
tener la misma multiplicidad algebraica y geom etrica. Si alguna de estas condiciones no
se cumple, el sistema es inestable.
El equilibrio x
e
(t) 0 del sistema x = Ax, es asimpt oticamente estable, si y solo si,
todos los autovalores de la matriz A, tienen parte real negativa.
C.2 Elementos de teora de probabilidad
En esta secci on se presentan algunos resultados de los reportados en [100] y [101]
C.2.1 Elementos preliminares
Denici on C.2.1 Denici on de algebra en S. Sea S un conjunto. Una colecci on

0
de
subconjuntos de S, se llama un algebra de S si:
1. S
0
.
95
2. F
0
F
c
= S \ F
0
.
3. F, G
0
F G
0
.
Notar que = S
c
0
y F, G
0
F G = (F
c
G
c
)
c
0
.
As, un algebra en S, es una familia de conjuntos de S bajo un n umero nito de
operaciones.
Denici on C.2.2 Denici on de - algebra en S Una colecci on
de subconjuntos de S se
dice - algebra de S, si

es un algebra de S, tal que para cualquier F
n

(n N), se
tiene que:
_
n
F
n

Notar que si
es - algebra en S y F
n

n N, entonces.
n
F
n
=
_
_
n
F
c
n
_
c
Nota C.2.3 De aqu en andelante, denotaremos la - algebra como F.

Nota C.2.4 El par (, F), se dice espacio medible.
Denici on C.2.5 Sea S un conjunto,
0
un algebra en S y
0
y una funci on no-negativa:
0
:
0
[0, ]
1.
0
se dice aditiva si
0
() = 0 y F, G
0
, F G =
0
(F G) =
0
(F) +
0
(G)
2.
0
se dice -aditiva si
0
() = 0 y siempre que {F
n
: n N} es una secuencia de conjuntos disjuntos en
0
, con uni on F =
_
n
F
n
0
, tenemos:
0
(F) =
n=1
0
(F
n
)
Denici on C.2.6 Sea (S, ) un espacio medible. Una funci on:
:
[0, ]
se dice medida en (S, ), si es -aditiva
Nota C.2.7 El tro (, F, ), se dice espacio de medida .
Denici on C.2.8 Una variable aleatoria es una funci on X : R tal que para a R,
el evento {X a} = { : X() a}, puede estar asociado a una probabilidad, es decir:
{X a} F
Una funci on X : E, donde E es un conjunto numerable, se dice variable aleatoria
discreta si E
{X = x} F
96
La probabilidad P(A) de un evento A F mide el grado de ocurrencia que tiene
dicho evento. Como esta denida en F, la probabilidad P debe satisfacer un conjunto de
propiedades, denominados Axiomas de probabilidad.
Denici on C.2.9 Axiomas de probabilidad. Una probabilidad (medida) en (, F) es un
mapeo P : F R, tal que
1. 0 P(A) 1
2. P() = 1
3. P(
n
k=1
A
k
) =
n
k=1
P(A
k
)
La propiedad (3) se conoce como sigma aditividad. La tripleta (, F, P) se llama
espacio de probabilidad o modelo de probabilidad.
Los axiomas de probabilidad est an inspirados en la siguiente interpretaci on heurstica
para P(A), como la frecuencia emprica de ocurrencia del evento A. Si nexperimentos,
independientes, son realizados y n
A
son realizaciones del evento A, la frecuencia
emprica
F(A) =
n
A
n
ser a una aproximaci on de P(A) para n sucientemente grande. Claramente, la funci on F
satisface los axiomas anteriores.
C.2.2 Independencia de Eventos y de Variables Aleatorias
Denici on C.2.10 Independencia. Dos eventos A y B se dicen independientes si:
P(A B) = P(A) P(B). (C.8)
Dos variables aleatorias, X e Y , son independientes, si a, b R:
P(X a, Y b) = P(X a)P(Y b). (C.9)
Se ha utilizado la notaci on: P(X a) = P({X a}), donde {X a} = {; X() = a}.
C.2.3 Variables aleatorias
La abreviaci on v.a. ser a usada para referir al t ermino variable aleatoria. Una v.a. X se
dice nita si existe un n umero nito de valores
1
,
2
, ..... tal que a
i
= P(X =
i
) > 0 para
i = 1, 2, 3, ......, y
i
a
i
= 1. Si P(X = ) = 0, para cada valor de , la v.a. X se dice
continua. Si existe una funci on no-negativa p(t), denida para < t < +, tal que la
funci on de distribuci on F de la v. a. X est a dada por:
F() =
_

p(t)dt (C.10)
p(t) se dice que es la densidad de probabilidad de X. Si X tiene densidad de probabilidad,
entonces, necesariamente debe ser continua.
Si X es una v.a. discreta, entonces el momento de orden m, esta denido por
97
E[X
m
] =
m
i
P(x =
i
) (C.11)
Si X es una v.a. continua, con densidad de probabilidad p(), el momento de orden m
est a dado por:
E[X
m
] =
_
+
x
m
p(x)dx (C.12)
Asumiendo que tanto la serie como la integral son convergentes. El primer momento
de X, se denomina media y es denotado por m
X
o
X
. El segundo momento se denomia
varianza y se denota por
2
X
.
C.3 Denici on formal de un proceso estoc astico
Hasta ahora hemos considerado que el dominio y la densidad de probabilidad que denen
a la v. a. X son jos, pero en la pr actica ambos pueden cambiar con el tiempo. En el
siguiente desarrollo, se considerar a que el dominio de la v.a. es jo y que la densidad de
probabilidad ser a una funci on del tiempo.
Sea t
1
, t
2
, t
3
.... una secuencia creciente de puntos y X
t
1
, X
t
2
, X
t
3
, .... la secuencia de
v.a. asociadas a dichos puntos.
Una realizaci on produce una secuencia de n umeros x
t
1
, x
t
2
, x
t
3
, ....., y en el caso
continuo, produce una trayectoria. La funci on de densidad p
t
i
(x), para cada X
t
, puede
ser diferente para cada secuencia. Es posible denir la funci on p
1
(x, t) de la siguiente
manera:
p
t
i
= p
1
(x, t
i
) (C.13)
de tal manera que una secuencia de v.a., X(t), es llamada proceso estoc astico. El tiempo
t puede tomar un rango de valores continuos o un conjunto de valores discretos, que es
llamado ndice o par ametro.
Como regla X
t
i
, para i = 1, ...,, no son secuencias independientes. La dependencia
es precisamente una expresi on de la din amica de la variable aleatoria X(t).
Un proceso estoc astico es una v.a X(t) que depende del tiempo. Una realizaci on es
una trayectoria x(t), una funci on del tiempo. En estricto rigor, se podra asociar con cada
uno de los elementos de la totalidad de posibles experimentos que resultan en una
funci on X(t, ). La funci on de distribuci on P(x(t) ) depende de y t, que es igual
al evento {|X(t, ) }, que consiste en todos los resultados, en el tiempo t, tal que
X(t, ) . La conexi on con la densidad de probabilidad es:
P({x(t) }) =
_

dxp(x, t) (C.14)
Denici on de un proceso Markoviano
Un proceso {X
t
, t T} es de Markov si para cada colecci on creciente t
1
, ...., t
n
T:
P(X
tn
x
n
|X
t
= x
, = 1, ..., n 1) = P(X
tn
x
n
|X
t
n1
= x
n1
) (C.15)
En palabras, dado el pasado (X
t
1
, ..., X
t
n2
) y el presente (X
t
n1
), el futuro (X
tn
),
depende solo del presente.
98
Ejemplo de un proceso estoc astico: Movimiento Browniano
En 1828 el bot anico escoc es Robert Brown observ o que el partculas de polen
suspendidas en un lquido, tena un movimiento irregular. Dicho movimiento fue explicado
por colisiones aleatorias con las mol eculas del lquido. Para describir matem aticamente
el movimiento, resulta natural utilizar el concepto de un proceso estoc astico B
t
(),
interpretado como la posici on al tiempo t de una partcula de polen .
Denici on C.3.1 El movimiento Browniano es un proceso estoc astico {X(t), t 0} que
tiene las siguientes propiedades:
1. Los incrementos independientes, X(t + s) X(s) tienen distribuci on normal, con
media 0 y varianza ct, donde c es una constante.
2. Para cada par de intervalos de tiempo disjuntos, [t
1
, t
2
], [t
3
, t
4
], t
1
< t
2

t
3
< t
4
, los incrementos X(t
4
) X(t
3
) y X(t
2
) X(t
1
) son variables aleatorias
independientes con distribuciones dadas en 1. Con esto es posible establecer que
un desplazamiento X(t + s) X(s) es independiente del pasado, formalmente:
Si t > t
0
> t
1
> t
n
P(X(t) x|X(t
0
) = x
0
, X(t
1
) = x
1
, , X(t
n
) = x
n
) = P(X(t) x|X(t
0
) = x
0
)
(C.16)
Siguiendo la idea con las partcula de polen, sea X(t) la componente x (como funci on
del tiempo) de una partcula. Sea x
0
la posici on de la partcula al tiempo t = t
0
, es decir,
X(t
0
) = x
0
. Adem as, sea p(x, t|x
0
) la densidad de probabilidad condicional de X(t + t
0
),
dado que X
t
0
= x
0
, con las siguientes propiedades:
p(x, t|x
0
0),
_

p(x, t|x
0
)dx = 1 (C.17)
Einstein prob o que la densidad de probabilidad condicional p(x, t|x
0
), satisface la
ecuaci on diferencial parcial:
p
t
= D
2
p
x
2
(C.18)
La expresi on anterior se conoce como ecuaci on de difusi on y el par ametro D
corresponde al coeciente de difusi on. Eligiendo un valor apropiado para D, por ejemplo
1
2
, es posible vericar que:
p(x, t|x
0
) =
1
2t
e
1
2t
(x x
0
)
2
(C.19)
es una soluci on para (C.18).
C.4 Condici on de Markov
Los procesos de Markov se caracterizan por cumplir con la siguiente propiedad:
p
n
(x
n
, t
n
|x
n1
, t
n1
; ...; x
1
, t
1
) = p
2
(x
n
, t
n
|x
n1
, t
n1
) (C.20)
para las probabilidades condicionales (n > 2). Con n de entender el signicado de
esta condici on, consideremos a X(t) pa posici on de una partcula al tiempo t. Luego:
99
p
2
(x
n
, t
n
|x
n1
, t
n1
)dx
n
(C.21)
es la probabilidad de que la partcula se encuentre en el intervalo (x
n
, x
n
+ dx
n
)
al tiempo t
n
, al estar en la posici on x
n1
al tiempo t
n1
, es decir, la probabilidad que
recorriera la distancia x
n
x
n1
en el tiempo t
n
t
n1
. Por otro lado:
p
3
(x
n
, t
n
|x
n1
, t
n1
; x
n2
, t
n2
)dx
n
(C.22)
es la probabilidad de recorrer la misma distancia, pero considerando que estaba en la
posici on x
n2
al tiempo t
n2
y que en el tiempo t
n1
t
n2
recorriera el intervalo x
n1
x
n2
.
La condici on de Markov dice que la probabilidad para la transici on desde x
n1
a x
n
en el intervalo de tiempo desde t
n1
a t
n
es independiente de lo que pas o anteriormente,
es decir, independiente del camino en que la partcula alcanz o la posici on x
n1
. Toda la
informaci on relevante para el futuro, est a incluida en el presente y como se alcanz o el
presente es irrelevante.
La probabilidad condicional p
2
(x, t|x
, t
) es conoce como probabilidad de transici on.

Un proceso de Markov cuya probabilidad de transici on dependa solo de la diferencia de
tiempo, se dice homogeneo o estacionario en sentido amplio. Adem as, si p
1
(x, t) es
tambi en independiente de t, el proceso es estacionario en sentido estricto.
Ahora es f acil entender que un proceso de Markov es unicamente determinado a
trav es de p
1
(x, t) y p
2
(x
2
, t
2
|x
1
, t
1
) o equivalentemente a trav es de p
2
(x
2
, t
1
; x
1
, t
1
). Esto
es porque todas las distribuciones conjuntas p
n
, para n > 2, pueden ser expresadas en
t erminos de p
1
y p
2
. Por ejemplo, para t
3>t
2
>t
1
se tiene que:
p
3
(x
3
, t
3
; x
2
, t
2
; x
1
, t
1
) = p
3
(x
3
, t
3
|x
2
, t
2
; x
1
, t
1
)p
2
(x
2
, t
2
; x
1
, t
1
) (C.23)
= p
3
(x
3
, t
3
|x
2
, t
2
)p
2
(x
2
, t
2
; x
1
, t
1
)p
1
(x
1
, t
1
) (C.24)
La propiedad de Markov es una idealizaci on que permite denir un proceso estoc astico
en t erminos de pocas cantidades.
C.5 Condici on Estacionaria y Erg odica
Denici on C.5.1 Un proceso estoc astico {X
t
, < t < }, se dice estacionario si para
alg un (t
1
, ..., t
n
) la distribuci on conjunta {X
t
1
+t
0
, ..., X
tn+t
0
}, no depende de t
0
.
As, si {X
t
, t T} es estacionario, la funci on de distribuci on n-dimensional
P(x
1
, t
1
; x
2
, t
2
; ...; x
n
, t
n
) es igual a P(x
1
, 0; x
2
, t
2
t
1
; ...; x
n
, t
n
t
1
) y as, solo depender a
de las diferencias de tiempo t
2
t
1
, ..., t
n
t
1
.
Denici on C.5.2 Un proceso estoc astico {X
t
, < t < }, se dice estacionario en
sentido amplio, si se cumplen las siguientes condiciones:
1. E[X
2
t
] <
2. E[X
t
] = , donde es constante.
3. E[(X
t
)(X
s
)], depende solo de t s.
Denici on C.5.3 Sea : R una m etrica en un espacio de probabilidad (, F, P).
Un conjunto F es llamado P-invariante bajo si P[(
1
(t, ) \) (\(
1
(t, )))] =
0t R. El ujo se dice erg odico, si cada conjunto invariante F tiene medida 0 o 1.
100
Teorema C.5.4 (Teorema Erg odico de Birkhoff), ver [102]
Sea (, F, P) un espacio de probabilidad y X L
1
(, F, P). Luego:
1
n
n1
j=0
X() E[X] =
_
XdP (C.25)
con probabilidad 1 y en L
1
cuando n .
Este teorema dice que el promedio en el tiempo, es igual al promedio sobre las
realizaciones.
Teorema C.5.5 (Teorema Erg odico Multiplicativo), ver [102]
Consideremos un sistema lineal aleatorio = (, ) : RR
d
R
d
y asumiendo:
sup
0t1
log
+
(t, ) L
1
(, F, P) (C.26)
sup
0t1
log
+
(t, )
1
L
1
(, F, P) (C.27)
donde es alguna norma en Gl(d, R), L
1
es el espacio de las funciones integrables
y log
+
denota la parte positiva de la funci on logaritmo, es decir:
log
+
(x) =
_
log(x) si log(x) > 0
0 si log(x) 0
Luego existe un conjunto

, medible e invariante, bajo el ujo : R ,
tal que para cada

existe una divisi on R
d
=
l()
j=1
en subespacios lineales con las
siguientes propiedades.
1. El n umero de subespacios es invariante, es decir, l((t, )) = l()t R y
la dimensi on de los subespacios son invariante, es decir, dimL
j
((t, )) =
dimL
j
() =: d
j
(), t R.
2. Los subespacios son invariantes bajo el ujo , es decir, (t, )L
j
() L
j
((t, )),
para todo j = 1, ..., l().
3. Existe un n umero nito de n umeros
1
() < <
l()
() R, tal que para cada
x R
d
\ {0}, el exponente de Lyapunov (x, ) existe como un lmite y:
(x, ) = lim
t
1
t
log (t, , x) =
j
() (C.28)
si y solo si x L
j
() \ {0}. Los subespacios L
j
() son llamados espacios de
Lyapunov (algunas veces de Oseledets) del sistema .
Bajo condiciones que ser a explicadas m as adelante, este Teorema garantiza y permite
obtener los exponentes de Lyapunov para sistemas lineales estoc asticos.
101
C.6 Integraci on Estoc astica
De la teora cl asica de integraci on se tiene lo siguiente, ver [95]:
1. Integral de Riemann:
_
t
0
f(t)dt = lim
n
n
j=1
f(
j
)(t
j+1
t
j
) (C.29)
donde
j
[t
j
, t
j+1
].
2. Integral Riemann-Stieltjes:
_
t
0
f(t)dg(t) = lim
n
n
j=1
f(
j
)(g(t
j+1
) g(t
j
)) (C.30)
donde
j
[t
j
, t
j+1
].
En el caso estoc astico, es necesario calcular:
_
t
0
f(t)dW
t
. (C.31)
donde W
t
es un movimiento browniano. La integral (C.31) no cumple las reglas de
integraci on cl asica debido a los siguientes factores:
1. W(t) no tiene trayectorias suaves.
2. El movimiento browniano tiene un n umero innito de variaciones en cualquier
intervalo de tiempo que se considere.
3. El lmite que dene la integral depender a del valor que tome
j
[t
j
, t
j+1
].
4. Dependiendo del valor que tome
j
, se tienen dos tipos de integrales estoc asticas:
(a) Si
j
= t
j
, se llama integral de Ito.
(b) Si
j
=
t
j
+t
j+1
2
, se llama integral Stratonovich.
Ejemplo C.6.1 1.
_
t
0
W
s
dW
s
=
1
2
(W
2
t
W
2
0
t): Tipo Ito.
2.
_
t
0
W
s
dW
s
=
1
2
(W
2
t
W
2
0
): Tipo Stratonovich
Las reglas del c alculo tradicional no aplican para las integrales del tipo Ito.
102
C.7 Ecuaciones Diferenciales Estoc asticas
Los resultados aqu indicados han sido extrados de lo reportado en [95].
Denici on C.7.1 Una ecuaci on diferencial estoc astica (en 1 dimensi on) es de la forma:
dX
t
dt
= b(t, X
t
)dt +(t, X
t
)W
t
, b(t, x) R, (t, x) R (C.32)
o en la forma diferencial:
dX
t
= b(t, X
t
)dt +(t, X
t
)dB
t
, W
t
=
dB
t
dt
(C.33)
donde W
t
es un movimiento Browniano en una dimensi on.
Teorema C.7.2 Existencia y unicidad de ecuaciones diferenciales estoc asticas. Sea
T > 0 y b(, ) : [0, T] R
n
R
nxm
, (, ) : [0, T] R
n
R
nxm
funciones medibles
que satisfacen:
|b(t, x)| +|(t, x)| C(1 +|x|) (C.34)
para alguna constante C, (donde ||
2
=
|
ij
|
2
) y tal que:
|b(t, x) b(t, y)| +|(t, x) (t, y)| D|x y| x, y R
n
, t [0, T] (C.35)
para alguna constante D. Sea Z una variable aleatoria que es independiente de la -
algebra F
m
generada por B
s
(), s 0 y tal que:
E[|Z|
2
] < (C.36)
Luego la ecuaci on diferencial estoc astica:
dX
t
= b(t, X
t
)dt +(t, X
t
)dB
t
, 0 t T, X
0
= Z (C.37)
tiene una unica soluci on continua X
t
() con la propiedad que X
t
() es adaptada a la
ltraci on F
Z
t
generada por Z y B
s
(); s t y:
E
__
T
0
|X
t
|
2
dt
_
< (C.38)
C.8 Regla de It o
Teorema C.8.1 Sea X
t
un proceso de It o dado por:
dX
t
= udt +vdB
t
(C.39)
Sea g(t, x) C
2
([0, ) R) (g es dos veces diferenciables en C
2
([0, ) R)). Luego:
Y
t
= g(t, X
t
) (C.40)
es otra vez un proceso de It o y:
dY
t
=
g
t
(t, X
t
)dt +
g
x
(t, X
t
)dX
t
+
1
2
2
g
x
2
(t, Xt) (dX
t
)
2
(C.41)
donde (dX
t
)
2
= (dX
t
) (dX
t
) se obtiene de acuerdo a las siguientes reglas:
dt dt = dt dB
t
= dB
t
dt = 0, dB
t
dB
t
= dt. (C.42)
103
Ejemplo C.8.2 Consideremos I =
_
t
0
B
s
dB
s
En este caso, es posible elegir X
t
= B
t
y
g(t, x) =
1
2
x
2
. Luego:
Y
t
= g(t, B
t
) =
1
2
B
2
t
(C.43)
Usando la regla de It o:
dY
t
=
g
t
dt +
g
x
dB
t
+
1
2

2
g
x
2
(dB
t
)
2
= B
t
dB
t
+
1
2
(dB
t
)
2
= B
t
dB
t
+
1
2
dt.
donde
d
_
1
2
B
2
t
_
= B
t
dB
t
+
1
2
dt. (C.44)
En otras palabras:
1
2
B
2
t
=
_
t
0
B
s
dB
s
+
1
2
t. (C.45)
C.9 F ormula multi-dimensional para la regla de It o
Sea B(t, ) = (B
1
(t, ), ..., B
m
(t, )) un browniano de dimensi on m. Si cada proceso
u
i
(t, ) y v
ij
(t, ) son procesos de It o (1 i n, 1 j m), entonces es posible obtener
el siguiente proceso de orden n:
_
_
dX
1
= u
1
dt +v
11
dB
1
+ +v
1m
dB
m
.
.
.
.
.
.
dX
n
= u
n
dt +v
n1
dB
1
+ +v
nm
dB
m
o en notaci on matricial:
dX(t) = udt +vdB(t) (C.46)
donde
X(t) =
_
_
X
1
(t)
.
.
.
X
n
(t)
_
_
, u =
_
_
u
1
.
.
.
u
n
_
_
, v =
_
_
v
11
v
1m
.
.
.
.
.
.
v
n1
v
nm
_
_
, dB(t) =
_
_
dB
1
(t)
.
.
.
dB
m
(t)
_
_
X(t) es llamado proceso de It o multi-dimensional.
Teorema C.9.1 Sea dX(t) = udt +vdB(t) a un proceso de It o multi-dimensional, como el
anterior. Sea g(t, x) = (g
1
(t, x), ..., g
p
(t, x)) C
2
un mapeo desde [0, ) R
p
a R
p
. Luego
el proceso
Y (t, ) = g(t, X(t)) (C.47)
104
es un proceso de It o, cuya componente de orden k, est a dada por
dY
k
=
g
k
t
(t, X)dt +
i
g
k
x
i
dX
i
+
1
2

i,j
2
g
k
x
i
x
j
(t, X)dX
i
dX
j
(C.48)
donde dB
i
dB
j
=
ij
dt, dB
i
dt = dtdB
i
= 0.
Ejemplo C.9.2 Sea X = B, un movimiento Browniano en una dimensi on y g(t, x) = e
ix
=
(cos x, sin x) R
2
para x R. Luego
Y = g(t, X) = e
iB
= (cos B, sin B) (C.49)
aplicando la f ormula de It o
_
_
dY
1
(t) = sin(B)dB
1
2
cos(B)dt
dY
2
(t) = cos(B)dB
1
2
sin(B)dt
en notaci on matricial
dY =
1
2
Y dt +KY dB, donde K =
_
0 1
1 0
_
Ejemplo C.9.3 Consideremos la siguiente ecuaci on diferencial estoc astica, ver [33]:
dX(t) = X(t)dt + dW(t), X(t
0
) = x
0
(C.50)
donde y son constantes reales y W(t) es un movimiento browniano.
Para estudiar este proceso, consideremos la siguiente transformaci on:
Z(t) = X(t)e
t
(C.51)
dZ(t) = e
t
dX(t) + X(t)e
t
dt (C.52)
= e
t
[X(t)dt + dW(t)] + X(t)e
t
= e
t
dW(t) (C.53)
Integrando (C.53), se tiene lo siguiente:
Z(t) = Z(t
0
) +
_
t
t
0
e
s
dW(s) (C.54)
y por lo tanto:
X(t) = e
t
Z(t) (C.55)
= X
0
e
(tt
0
)
+
_
t
t
0
e
(ts)
dW(s)
donde:
Z(t
0
) = X(t
0
)e
t
0
= x
0
e
t
0
El valor esperado del proceso X(t) es:
105
m
X
(t) = E[X(t)] = e
(tt
0
)
E[x
0
] (C.56)
La covarianza se obtiene a partir de:
K(t
1
, t
2
) = E [[X(t
1
) m
X
(t
1
)][X(t
2
) m
X
(t
2
)]] (C.57)
Reemplazando (C.56) y (C.56), en (C.57):
K(t
1
, t
2
) = e
(t
1
+t
2
2t
0
)
V ar(X
0
) +
2
E
__
t
1
t
0
e
(t
1
s
1
)
dW(s
1
)
_
t
2
t
0
e
(t
2
s
2
)
dW(s
2
)
_
= = e
(t
1
+t
2
2t
0
)
V ar(X
0
) +
2
e
(t
1
+t
2
)
_
t
1
t
0
_
t
2
t
0
e
(s
1
+s
2
)
E[dW(s
1
)dW(s
2
)]
Usando que:
E[dW(s
1
)dW(s
2
)] = (s
2
s
1
)ds
1
(C.58)
donde () es la funci on Delta de Dirac. La funci on covarianza queda determinada
como sigue:
K(t
1
, t
2
) = e
(t
1
+t
2
2t
0
)
V AR(x
0
) +
2
e
(t
1
+t
2
)
_
min(t
1
,t
2
)
t
0
e
2s
ds
= e
(t
1
+t
2
)
_
e
2t
0
V ar(x
0
) +

2
2
_
e
2min(t
1
,t
2
)
e
2t
0
_
_
(C.59)
Haciendo t
1
= t
2
, se tiene la varianza de X(t):
V ar[X(t)] = E
_
[X(t) m
X
(t)]
2
= K(t, t)
= e
2(tt
0
)
V ar(X
0
) +

2
2
_
1 e
2(tt
0
)
(C.60)
Dada una condici on inicial X(t
0
) = x
0
, en un tiempo t
0
, X(t) es una variable aleatoria
con media
X(t)
y varianza
X(t)
:
X(t)
= x
0
e
(tt
0
)
(C.61)
2
X(t)
=

2
[1 e
2(tt
0
)
]
2
(C.62)
Tambi en es posible demostrar, que esta variables aleatoria, tiene distribuci on normal,
con momentos dados por (C.61) y (C.62).
Cuando t +, la distribuci on de X(t), se aproxima a N
_
0,

2
2
_
(distribuci on
normal).
En las referencias [34, 35] y [37], se ha mostrado que el proceso Ornstein-Uhlenbeck
puede ser utilizado para modelar fen omenos aleatorios presentes en los sistemas
el ectricos de potencia.
106
Ap endice D
Distribuciones de las P erdidas de
Energa Modelo de Perturbaci on Aditivo
En esta secci on se muestran las Distribuciones de las P erdidas de Energa para los
resultados obtenidos al aplicar la metodologa del Captulo 3 en los sistemas de prueba
IEEE: Tres M aquinas - Nueve Barras y Diez M aquinas - Treinta y Nueva Barras.
D.1 Distribuciones
p
(P
g
) para el Sistema Tres M aquinas
- Nueve Barras
Las Figuras D.1 y D.3 muestran las distribuciones de las P erdidas de Energa del Caso
Base I, para las M aquinas 2 y 3, sometidos a diferentes tama nos de perturbaci on. Se
observa en estas guras que a medida que el tama no de la perturbaci on crece, el soporte
de las distribuciones de las p erdida de energa tambi en se incrementan, por lo tanto, el
costo total producto de las oscilaciones en r egimen permanente ser a mayor.
En las Figuras D.2 y D.4 se muestra las distribuciones de las P erdidas de Energa para
el Caso I Resintonizado. En estos casos se observa que los soportes de las distribuciones
son menores respecto al caso base, lo cual se traduce en que el costo total de las p erdidas
producto de las oscilaciones resulte ser menor con el nuevo ajuste de las ganancias de
los controladores PSS para cada magnitud en la perturbaci on aleatoria y sostenida en el
tiempo.
107
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
Figura D.1: Sistema Tres-M aquinas: Caso Base I, M aquina 2.
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
Figura D.2: Sistema Tres-M aquinas: Caso Resintonizado I, M aquina 2.
108
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
Figura D.3: Sistema Tres-M aquinas: Caso Base I, M aquina 3.
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
Figura D.4: Sistema Tres-M aquinas: Caso Resintonizado II, M aquina 3.
109
D.2 Distribuciones
p
(P
g
) para el Sistema Diez M aquinas
- Treinta y Nueve Barras
Las Figuras D.5, D.7 y D.9 muestran las distribuciones de las P erdidas de Energa del
Caso Base II, para las M aquinas 5, 7 y 9, para diferentes tama nos de perturbaci on. A
medida que se incrementa la magnitud de la perturbaci on, el soporte de las distribuciones
crece y por lo tanto, el costo total de las p erdidas tambi en es mayor para cada caso.
Las Figuras D.6, D.8 y D.10, muestran las distribuciones de las p erdidas para el caso
en que se han ajustado las ganancias de los controladores ubicados en las m aquinas 5,
7 y 9. En este caso, se observa que los soportes son menores respecto al caso base,
lo que se traduce en que el Costo de las P erdidas de Energa, para cada tama no de
perturbaci on, resulte ser menor que para el caso original.
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
Figura D.5: Sistema Tres-M aquinas: Caso Base II, M aquina 5.
110
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
111
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
112
(a) = 0. (b) = 0.02. (c) = 0.04.
(d) = 0.06. (e) = 0.08.
113
Bibliografa
[1] C. P. Steinmetz, Power control and stability of electric generating stations,
American Institute of Electrical Engineers, Transactions of the, vol. XXXIX, pp. 1215
1287, july 1920.
[2] First report of power system stability, American Institute of Electrical Engineers,
Transactions of the, vol. 56, pp. 261 282, feb. 1937.
[3] A. Atputharajah and T. Saha, Power system blackouts - literature review, in
Industrial and Information Systems (ICIIS), 2009 International Conference on,
pp. 460 465, dec. 2009.
[4] G. Vassell, Northeast blackout of 1965, Power Engineering Review, IEEE, vol. 11,
p. 4, january 1991.
[5] U. D. of Energy federal energy regulatory commission, The con edison power failure
of july 13 and 14, 1977, tech. rep., 1978.
[6] A. Kurita and T. Sakurai, The power system failure on july 23, 1987 in tokyo, in
Decision and Control, 1988., Proceedings of the 27th IEEE Conference on, pp. 2093
2097 vol.3, dec 1988.
[7] C. Taylor and D. Erickson, Recording and analyzing the july 2 cascading outage
[western usa power system], Computer Applications in Power, IEEE, vol. 10, pp. 26
30, jan 1997.
[8] J. Dagle, Data management issues associated with the august 14, 2003 blackout
investigation, in Power Engineering Society General Meeting, 2004. IEEE, pp. 1680
1684 Vol.2, june 2004.
[9] T. N. group publication: Department of Primary Industries, 16th january 2007
electricity supply interruptions in victoria - what happened, why, opportunities and
recommendations, tech. rep., 2007.
[10] J. Araneda, H. Rudnick, S. Mocarquer, and P. Miquel, Lessons from the
2010 chilean earthquake and its impact on electricity supply, in Power System
Technology (POWERCON), 2010 International Conference on, pp. 1 7, oct. 2010.
[11] J. C. Araneda, Cigre: Oportunidades y desafos en transmisi on el ectrica, tech.
rep., 20011.
[12] P. Kundur, J. Paserba, V. Ajjarapu, G. Andersson, A. Bose, C. Canizares,
N. Hatziargyriou, D. Hill, A. Stankovic, C. Taylor, T. Van Cutsem, and V. Vittal,
Denition and classication of power system stability ieee/cigre joint task force
on stability terms and denitions, Power Systems, IEEE Transactions on, vol. 19,
pp. 1387 1401, aug. 2004.
[13] C. Comisi on Nacional de Energa, Norma t ecnica de seguridad y calidad de
servicio, tech. rep., 2009.
114
[14] P. Sauer and M. Pai, Power System Dynamics and Stability. Prentice Hall, 1998.
[15] P. Kundur, Power System Stability and Control. McGraw-Hill, 1994.
[16] G. Gurrala and S. Indraneel, Power system stabilizers design for interconnected
power systems, IEEE Transactions on Power Systems, vol. 25, pp. 10421051,
may 2010.
[17] M. A. Y. L. Abdel-Magid and A. Mantawy, Robust tuning of power system stabilizers
in multimachine power systems, IEEE Transactions on Power Systems, vol. 15,
pp. 735740, may 2000.
[18] S. U. V.A. Maslennikov and J. Milanovic, Method for considering uncertainties for
robust tuning of pss and evaluation of stability limits, IEE Proceedings Generation,
Transmission and Distribution, vol. 149, pp. 295299, may. 2002.
[19] H. J. E. R. You and M. H. Nehrir, An online adaptive neurofuzzy power system
stabilizer for multimachine systems, IEEE Transactions on Power systems, vol. 18,
pp. 128135, feb. 2003.
[20] M. Ramirez-Gonzalez and O. Malik, Power system stabilizer design using an online
adaptive neurofuzzy controller with adaptive input link weights, IEEE Transactions
on Energy Conversion, vol. 23, pp. 914922, sep. 2008.
[21] D. Chaturvedi and O. Malik, Neurofuzzy power system stabilizer, IEEE
Transactions on Energy Conversion, vol. 23, pp. 887894, sep. 2008.
[22] M. Abido and Y. Abdel-Magid, A hybrid neuro-fuzzy power system stabilizer for
multimachine power systems, IEEE Transactions on Power Systems, vol. 13,
pp. 13231330, nov. 1998.
[23] M. Schilling, A. Leite da Silva, R. Billinton, and M. El-Kady
[24] C. Pans, Z. Dong, P. Zhang, and X. Yin, Probabilistic analysis of power system
small signal stability region, vol. 1, pp. 503 509 Vol. 1, jun. 2005.
[25] R. C. Burchett and G. T. Heydt, Probabilistic methods for power system dynamic
stability studies, IEEE Transactions on Power Apparatus and Systems, vol. PAS-97,
pp. 695 702, may. 1978.
[26] C. Nwankpa, S. Shahidehpour, and Z. Schuss, A stochastic approach to small
disturbance stability analysis, IEEE Transactions on Power Systems, vol. 7,
pp. 1519 1528, nov. 1992.
[27] Y. B. Seo and J. W. Choi, Stochastic eigenstructure assignment with s-stability,
vol. 5, pp. 3031 3034 vol.5, aug. 2002.
[28] C. Chung, K. Wang, C. Tse, and R. Niu, Power-system stabilizer (pss) design
by probabilistic sensitivity indexes (psis), IEEE Transactions on Power Systems,
vol. 17, pp. 688 693, aug. 2002.
[29] H. Yi, Y. Hou, S. Cheng, H. Zhou, and G. Chen, Power system probabilistic small
signal stability analysis using two point estimation method, pp. 402 407, sep. 2007.
[30] P. M. Anderson and A. Bose, A probabilistic approach to power system stability
analysis, IEEE Power Engineering Review, vol. PER-3, pp. 25 26, aug. 1983.
[31] D. Wei and X. Luo, Noise-induced chaos in single-machine innite-bus power
systems, Europhysics Letters, vol. 86, pp. 16, jun. 2009.
115
[32] N. Namachchivaya, M. Pai, and M. Doyle, Stochastic approach to small disturbance
stability in power systems, in Lyapunov Exponents (L. Arnold, H. Crauel, and J.-P.
Eckmann, eds.), vol. 1486 of Lecture Notes in Mathematics, pp. 292308, Springer
Berlin / Heidelberg, 1991. 10.1007/BFb0086677.
[33] W. Xie, Dynamic Stability of Structures. Cambridge University Press, 2006.
[34] H. V. L. Vargas and W. Kliemann, A stochastic methodology for modeling pss in
small signal stability analysis, IEEE 40th North American Power Symposium, 2008.
[35] K. Loparo and G. Blankenship, A probabilistic mechanism for small disturbance
instabilities in electric power systems, IEEE Transactions on Circuits and Systems,
vol. 32, pp. 177184, feb. 1985.
[36] C. D. Marco and A. Bergen, A security measure for random load disturbances
in nonlinear power system models, IEEE Transactions on Circuits and Systems,
vol. 34, pp. 15461557, dec. 1987.
[37] M. A. M. Perninge, V. Knazkins and L. Soder, Modeling the electric power
consumption in a multi-area system, European Transactions on Electrical Power,
pp. 413423, 2010.
[38] R. A. M. A. Rios and A. Torres, Proyecci on diaria del riesgo de inestabilidad angular
dependencia probabilstica de la demanda, IEEE Latina America Transactions,
vol. 5, pp. 585590, dec 2007.
[39] M. A. Rios and H. Amaranto, Proyecci on diaria del riesgo de inestabilidad de voltaje
por efecto probabilstico de la demanda, IEEE Latin America Transactions, vol. 5,
pp. 611615, dec. 2007.
[40] G. Rogers, Power system oscillations. Springer Verlag, 1999.
[41] G. Rogers, The application of power system stabilizers to multigenerator plant,
IEEE Transactions onf Power Systems, vol. 15, pp. 350355, feb. 2000.
[42] C. T. L. T. G. Lima, L. H. Bezerra and n. Martins, New methods for fast small signal
stability assessment of large scale power systems, IEEE Transactios on Power
Systems, vol. 10, pp. 19791985, nov. 1995.
[43] E. Larsen and D. Swann, Applying power system stabilizers part i: General
concepts, IEEE Transactions on Power Apparatus and Systems,, vol. Vol 10,
pp. 30173024, jun. 1981.
[44] E. Larsen and D. Swann, Applying power system stabilizers part ii: Performance
objectives and tuning concepts, IEEE Transactions on Power Apparatus and
Systems, vol. 100, pp. 30253033, jun. 1981.
[45] E. Larsen and D. Swann, Applying power system stabilizers part iii: Practical
considerations, IEEE Transactions on Power Apparatus and Systems, vol. 100,
pp. 30343046, jun. 1981.
[46] M. Gibbard, Co-ordinated design of multimachine power system stabilizers
based on damping torque concepts, IEE Proceedings Conference Generation,
Transmission and Distribution, vol. 135, pp. 276284, jul. 1988.
[47] M. Gibbard, Robust design of xed-parameter power system stabilizers over a
wide range of operating conditions, IEEE Transactions on Power Systems, vol. 6,
pp. 794800, may. 1991.
116
[48] B. P. R.A. Jabr and N. Martins, A sequential conic programming approach for the
coordinated and robust design of power system stabilizers, IEEE Transactions on
Power Systems, vol. 25, pp. 16271637, aug. 2010.
[49] N. M. R.A. Jabr, B.C. Pal and J. Ferraz, Robust and coordinated tuning of power
system stabilizer gains using sequential linear programming, IET Generation,
Transmission Distribution, vol. 4, pp. 893904, aug. 2010.
[50] B. PAL and B. CHAUDHURI, Robust control in power systems. Springer, 2005.
[51] L.-J. Cai and I. Erlich, Simultaneous coordinated tuning of pss and facts damping
control lers in large power systems, IEEE Transactions on Power Systems, vol. 20,
pp. 294300, feb. 2005.
[52] A. Doi and S. Abe, Coordinated synthesis of power system stabilizers in
multimachine power systems, IEEE Transactions on Power Apparatus and
Systems, vol. 103, pp. 14731479, jun. 1984.
[53] P. Pourbeik and M. Gibbard, Simultaneous coordination of power system stabilizers
and facts device stabilizers in a multimachine power system for enhancing dynamic
performance, IEEE Transactions on Power Systems, vol. 13, pp. 473479, may.
1998.
[54] N. M. J.C.R. Ferraz and G. Taranto, Simultaneous partial pole placement for
power system oscillation damping control, IEEE Power Engineering Society Winter
Meeting, vol. 3, pp. 11541159, 2001.
[55] N. M. J.C.R. Ferraz and G. Taranto, Coordinated stabilizer tuning in large
power systems considering multiple operating conditions, IEEE Power Engineering
Society General Meeting, pp. 18, jun. 2007.
[56] J. J. da Cruz and L. C. Zanetta, Stabilizer design for multimachine power systems
using mathematical programming, International Journal of Electrical Power and
Energy Systems, vol. 19, pp. 519523, nov. 1997.
[57] L. Jr. Zanetta and J. J. D. Cruz, An incremental approach to the coordinated tuning
of power systems stabilizers using mathematical programming, IEEE Transactions
on Power Systems, vol. 20, pp. 895902, may. 2005.
[58] B. Pal, Robust pole placement versus root-locus approach in the context of
damping interarea oscillations in power systems, IEE Proceedings Generation,
Transmission and Distribution, vol. 149, pp. 739745, nov. 2002.
[59] I. J. B.C. Pal, A.H. Coonick and H. El-Zobaidi, A linear matrix inequality approach
to robust damping control design in power systems with superconducting magnetic
energy storage device, IEEE Transactions on Power Systems, vol. 15, pp. 356362,
feb. 2000.
[60] G. T. A.L.B. Do Bomm and D. Falcao, Simultaneous tuning of power system
damping controllers using genetic algorithms, IEEE Transactions on Power
Systems, vol. 15, pp. 163169, feb. 2009.
[61] M. A. Y.L. Abdel-Magid and A. Mantawy, Simultaneous stabilization of multimachine
power systems via genetic algorithms, IEE Power Engineering Society Winter
Meeting, vol. 14, pp. 14281439, nov. 1999.
[62] G. T. I. Kamwa and L. G.-L. joie, Robust design and coordination of multiple
damping controllers using nonlinear constrained optimization, IEEE Transactions
on Power Systems, vol. 15, pp. 10841092, aug. 2000.
117
[63] A. T. G. A. Ramos and M. A. Rios, Analysis of electrical industrial systems using
probabilistic networks, IEEE Latin America Transactions, vol. 8, pp. 5055011, sep.
2010.
[64] A. G omez-Exp osito, An alisis y operaci on de sistemas de energa el ectrica. Mc-
Graw Hill, 2002.
[65] W. K. L. Arnold and E. Oeljeklaus, Lyapunov exponents of linear sctochastic
systems, Springer Lecture Notes in Mathematics, no. 1186, pp. 85125, 1986.
[66] F. Colonius and W. Kliemann, Spectral theory for perturbed systems, GAMM
Mitteilungen, vol. 31, no. 1, pp. 2646, 2009.
[67] A. Grorud and D. Talay, Approximation of lyapunov exponents of nonlinear
stochastic differential equations, SIAM Journal on Applied Mathematics, vol. 56,
no. 2, pp. 627650, 1996.
[68] D. Talay, Approximation of upper lyapunov exponents of bilinear stochastic
differential systems, SIAM Journal on Numerical Analysis, vol. 28, no. 4, pp. 1141
1164, 1991.
[69] F. Colonius and W. Kliemann, The Dynamics of Control. Birkhauser, 2000.
[70] E. Sontag, Mathematical Control Theory. Springer, second ed., 1998.
[71] W. Kliemann, Recurrence and invariant measures for degenerate diffusions, Ann.
Prob., vol. 15, pp. 690707, 1987.
[72] L. Arnold and W. Kliemann, On unique ergodicity for degenerate diffusions,
Stochastics, vol. 21, pp. 4161, 1987.
[73] K. B. Athreya and S. Lahiri, Measure Theory and Probability Theory. Springer-
Verlag, 2006.
[74] C. Comisi on Nacional de Energa, Informe precio nudo, tech. rep., 2010.
[75] R. Billinton and P. R. S. Kuruganty, A Probabilistic Index for Transient Stability,
IEEE Transactions on Power Apparatus and Systems, vol. 99, pp. 195206, Jan.
1980.
[76] R. Billinton and P. R. S. Kuruganty, Probabilistic Assessment of Transient Stability
in a Practical Multimachine System, vol. 100, pp. 36343641, July 1981.
[77] R. Billinton and K. Chu, Transient Stability Evaluation in an Undergraduate
Curriculum- A Probabilistic Approach, IEEE Transactions on Power Systems, vol. 1,
pp. 171177, Nov. 1986.
[78] K. J. Timko, A. Bose, and P. M. Anderson, Monte Carlo Simulation of Power System
Stability, IEEE Transactions on Power Apparatus and Systems, vol. 102, pp. 3453
3459, Oct. 1983.
[79] J. A. Momoh, M. Elfayoumy, B. Mittelstadt, and Y. V. Makarov, Probabilistic angle
stability index, in Power Engineering Society Summer Meeting, 1999. IEEE, vol. 1,
(Edmonton, Alta., Canada), pp. 212218, July 1822, 1999.
[80] H. Yuan-Yih and C. Chung-Liang, Probabilistic transient stability studies using the
conditional probability approach, IEEE Transactions on Power Systems, vol. 3,
pp. 15651572, Nov. 1988.
118
[81] P. M. Anderson and A. Bose, A Probabilistic Approach to Power System Stability
Analysis, IEEE Transactions on Power Apparatus and Systems, vol. 102, pp. 2430
2439, Aug. 1983.
[82] R. C. Burchett and G. T. Heydt, Probabilistic Methods For Power System Dynamic
Stability Studies, IEEE Transactions on Power Apparatus and Systems, vol. 97,
pp. 695702, May 1978.
[83] Y. Z. B. Wu and M. J. Chen, A Probabilistic Approach to Voltage Stability Analysis
with load uncertainty considered, European Transactions on Electrical Power, 2007.
[84] D. R. Romero and H. M. Merel, Probabilistic transient stability utilizing a
transformation [electric power systems], in Circuits and Systems, 1990., IEEE
International Symposium on, (New Orleans, LA), pp. 152155, May 13, 1990.
[85] C. K. Pans, Z. Y. Dong, P. Zhang, and X. Yin, Probabilistic analysis of power
system small signal stability region, in Control and Automation, 2005. ICCA 05.
International Conference on, vol. 1, pp. 503509, June 2629, 2005.
[86] S. C. H. Z. H. Yi, Y. Hou and G. Chen, Power system probabilistic small
signal stability analysis using two point estimation method, in Universities
Power Engineering Conference, 2007. UPEC 2007. 42nd International, (Brighton),
pp. 402407, Sept. 46, 2007.
[87] C. T. T. C. Y. Chung, K. W. Wang and R. Niu, Power-system stabilizer (PSS) design
by probabilistic sensitivity indexes (PSIs), IEEE Transactions on Power Systems,
vol. 17, pp. 688693, Aug. 2002.
[88] C. T. T. K. W. Wang, C. Y. Chung and K. M. Tsang, Probabilistic eigenvalue
sensitivity indices for robust PSS site selection, in Generation, Transmission and
Distribution, IEE Proceedings-, vol. 148, pp. 603609, 2001.
[89] C. T. T. W. Kewen and K. M. Tsang, Algorithm for power system dynamic stability
studies taking account the variation of load power, in Advances in Power System
Control, Operation and Management, 1997. APSCOM-97. Fourth International
Conference on (Conf. Publ. No. 450), vol. 2, pp. 445450, Nov. 1114, 1997.
[90] J. M. D. Han and R. He, Uncertainty analysis of load models in dynamic stability,
2008 IEEE Power and Energy Society General Meeting - Conversion and Delivery
of Electrical Energy in the 21st Century, pp. 16, July 2024, 2008.
[91] S. M. S. C. O. Nwankpa and Z. Schuss, A stochastic approach to small disturbance
stability analysis, IEEE Power Engineering Review, vol. 7, pp. 15191528, Nov.
1992.
[92] Y. B. Seo and J. W. Choi, Stochastic eigenstructure assignment with S-stability,
in SICE 2002. Proceedings of the 41st SICE Annual Conference, vol. 5, pp. 3031
3034, Aug. 57, 2002.
[93] K. Loparo and G. Blankenship, A probabilistic mechanism for small disturbance
instabilities in electric power systems, IEEE Transactions on Circuits and Systems,,
vol. 32, pp. 177184, Feb. 1985.
[94] Wei-Chau-Xie, Dynamic Stability of Structures. Cambridge, 2006.
[95] B. Oksendal, Stochastic Differential Equations: An Introduction with Applications.
Springer, sixth ed., 2000.
[96] T. V. Custers and C. Vournas, Voltage Stability of Electric Power Systems. Kluver
Academic Publishers, 1998.
119
[97] A. J. Wood and B. F. Wollenberg, Power Generation, Operation and Control. Wiley-
Interscience, second ed., 1996.
[98] P. M. Anderson and A. A. Fouad, Power System Control and Stability. IEEE,
second ed., 1994.
[99] D. R. Morris, Analysis of low frequency oscillations in power systems, M. S. Thesis,
University of Illinois, Urbana-Champaign, 1993.
[100] P. Breamud, Markov Chains: Gibbs Fields, Monte Carlo Simulations and Queues.
Springer, 1991.
[101] D. Williams, Probability with Martingales. Cambridge Mathematical Textbooks,
2001.
[102] L. Arnold, Random Dynamical Systems. Springer-Verlgag, 1998.
120

CF Verdejo HF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CF Verdejo HF

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD DE CHILE

es el m odulo de la tensi on en la barra innita en r egimen permanente y [0, 1]

tambi en depender a del tiempo.

()), es denido como

(a) M etodo 1 normal

(b) M etodo 2 normal

(c) M etodo 2 con variante

(d) M etodo 3 normal

(e) M etodo 3 con variante

(a) M etodo 1 normal

(b) M etodo 1 superior

(c) M etodo 1 inferior

(a) M etodo 2 normal

(b) M etodo 2 superior

(a) M etodo 3 normal

(b) M etodo 3 superior

() = f(). Para = 0, se tiene el sistema

(t, p, ) para todo

, comparar Teorema 4.7.11

, se asemeja a (3.3) cerca del origen.

, para i = 1, ..., m. (B.8)

, para i = 1, ..., m. (B.17)

e igualando partes real e imaginaria, se

y la condici on anterior, queda garantizada la existencia de

Nota C.2.3 De aqu en andelante, denotaremos la - algebra como F.

) es conoce como probabilidad de transici on.

You might also like