Método de prevención y control basado en cadenas de fallo para desastres de tifón

Summary

Se propone un método de prevención y control basado en cadenas de fallas para desastres de tifones. Modelando los campos de viento de tifón, se puede calcular la probabilidad de fallo de las ramas de transmisión. A continuación, se puede realizar el cribado de ramales de alto riesgo para el análisis de cadenas de fallo e implementación de medidas de prevención y control para redes eléctricas bajo condiciones de tifón.

Abstract

Desastres extremos como los tifones suponen una gran amenaza para la integridad operativa y la estabilidad de las redes eléctricas, haciendo que las medidas preventivas y de control previas a desastres sean cada vez más importantes. Motivado por las limitaciones de los criterios convencionales de seguridad N-1 y N-2 para abordar fallos espacialmente correlacionados y impulsados por probabilidades, este artículo propone un método de prevención y control basado en cadenas de fallos para desastres de tifones. Un modelo de campo de viento de tifón se combina con un modelo de vulnerabilidad de ramas de transmisión para cuantificar las probabilidades de fallo espaciotemporal de las ramas de transmisión, en base a las cuales se identifican ramas de alto riesgo bajo escenarios de tifón previstos. Tomando estas ramas como contingencias iniciales, se realiza una búsqueda sistemática de la cadena de fallos para enumerar las rutas críticas de caída en cascada, y se establece un índice de riesgo integrando las probabilidades de fallo en cada etapa con el corte de carga correspondiente. Sobre esta base, se formula un modelo de optimización preventiva de control orientado al riesgo, en el que las salidas de los generadores y el corte de carga se coordinan para minimizar las consecuencias esperadas de cadenas de fallo de alto riesgo, al tiempo que se cumplen las restricciones operativas. Los estudios de caso sobre el sistema de pruebas IEEE 39-bus y la red eléctrica de Hainan bajo el tifón Yagi confirman que el método propuesto puede capturar eficazmente las características de fallo inducidas por tifones, reducir significativamente la reducción esperada de carga y aliviar costes de control excesivos en comparación con los criterios deterministas tradicionales. Los resultados demuestran que el método propuesto proporciona una herramienta práctica y económica de apoyo a la toma de decisiones para la operación en línea de redes eléctricas bajo condiciones extremas de tifón.

Introduction

Los vientos fuertes, las lluvias intensas, las tormentas eléctricas y otros factores asociados a los tifones pueden causar fallos de equipos en los sistemas eléctricos urbanos, suponiendo una grave amenaza para la seguridad energética regional y causando grandes daños a las economías^{urbanas 1}. El clima extremo, como los tifones, también puede provocar fallos en la cadena del sistema eléctrico, provocando cortes de suministro a gran^{escala 2}. El supertifón Lekima 2019 cayó en la provincia de Zhejiang, China, con fuertes lluvias, causando la indisponibilidad de 72 subestaciones y más de 4.000 líneas de la red eléctrica local y 7,72 millones de usuarios sin electricidad³. En febrero de 2021, el estado de Texas, Estados Unidos, experimentó un corte prolongado y generalizado de electricidad en la región debido a una tormenta invernal que provocó el congelamiento de las líneas de la red de transmisión y fallos de interbloqueo en los equipos^{de transmisión 4}. Según las estadísticas, más del 80% de los cortes en la red eléctrica global se desencadenan por desastres meteorológicos extremos como tifones y tormentas, provocando pérdidas económicas directas a la red eléctrica de más de 30.000 millones de dólares al año, y mostrando una tendencia creciente año tras^{año 5}. Es necesario fortalecer las capacidades de la red eléctrica para hacer frente a accidentes extremos. Entre ellas, el control preventivo es un medio importante para mitigar la probabilidad de fallos en cascada dentro de los sistemas^{eléctricos 6}. Las medidas preventivas pueden bloquear eficazmente los fallos de interbloqueo, reducir el alcance de los cortes y el tiempo de restauración, y la inversión en prevención es mucho menor que el coste de reparación y compensación tras un fallo.

Los tifones se dividen en tres partes principales: el ojo del tifón, la pared del ojo y la banda de lluvia en espiral, cuyo radio suele variar en decenas de^{kilómetros 7}. La distribución radial de la velocidad del viento de tifón muestra un aumento brusco cerca del ojo, alcanzando un pico a cierta distancia, y luego disminuye rápidamente hacia afuera. La representación precisa de las características clave de un campo de viento de tifón requiere construir un modelo de campo de viento basado en los parámetros estructurales del^{tifón 8}. El modelado del campo de viento de tifones desempeña un papel fundamental en el análisis del impacto de los peligros inducidos por tifones en las redes de transmisión, y el modelo seleccionado del campo de viento de tifón debería satisfacer la demanda de precisión en la simulación así como de eficiencia computacional. En aplicaciones de ingeniería, el cálculo del modelo debe tener en cuenta el fuerte acoplamiento entre los campos de presión y velocidad⁹, y obtener una solución no lineal precisa de este modelo suele ser computacionalmente complicado, por lo que en cálculos prácticos a menudo es necesario obtener solo su solución aproximada. En los años 70, Russell fue el primero en introducir un enfoque estocástico para simular el proceso de desarrollo de los^{tifones 10}, y se han realizado amplios esfuerzos por parte de investigadores de todo el mundo para desarrollar y perfeccionar modelos de campos de viento de tifones, junto con metodologías computacionales asociadas, y han surgido muchos métodos de modelado. El modelo del tifón de Batts asume que el tifón se mueve en línea recta tras tocar tierra, lo cual es inconsistente con la realidad. Holland y otros modelos de tifones simulan el tifón con alta precisión, pero sigue siendo difícil satisfacer plenamente los requisitos prácticos^{de ingeniería 11,12}. En este artículo, el modelo del campo de viento de Jelesnianski se utiliza para simular el movimiento y el proceso de decaimiento del desastre del tifón y para determinar la magnitud de las velocidades del viento en varios lugares dentro de la zona de impacto del desastre del^{tifón 13}.

En la investigación actual sobre fallos encadenados, en términos de búsqueda de cadenas de fallos, la rama con el índice de riesgo más alto suele seleccionarse como la rama abierta inferior de la cadena de fallos, pero es posible pasar por alto algunas de las trayectorias de la cadena de falla con consecuencias más^{graves 14}. En el control preventivo de la cadena de fallos, el esquema de control preventivo se presenta principalmente desde la perspectiva de la protección de relés, con el objetivo de maximizar el margen de seguridad de la red, pero no puede reflejar las consecuencias de riesgo de la cadena de fallos en la^{red 15}. Algunos estudios combinan el control preventivo de la cadena de fallos y el control de bloqueo para una optimización coordinada, y al mismo tiempo dan el esquema de control preventivo previo a fallo y el esquema de control de bloqueo para la cadena de fallos^{especificada 16,17}. Pero el proceso de optimización solo considera la probabilidad de fallo de las líneas dentro del camino de fallo de la cadena, y descuida la probabilidad de fallo asociada a las líneas de transmisión fuera del camino de fallo en cascada, lo que puede llevar al problema de que el esquema de control cambie el camino de propagación de la cadena de fallos, haciendo que el esquema de control propuesto sea inválido, y el modelo de optimización coordinada establecido suele ser difícil de^{resolver 18,19}.

Este artículo pone a prueba la hipótesis de que un marco de control preventivo basado en cadenas de fallos, que integra explícitamente las características del campo de viento de tifón, la vulnerabilidad de la rama de transmisión y los mecanismos de corte en cascada en un modelo unificado de optimización orientada al riesgo, puede proporcionar un apoyo a la decisión más eficaz y económico para la operación del sistema eléctrico bajo condiciones extremas de tifón que los criterios deterministas tradicionales N-1/N-2. Específicamente, se plantea la hipótesis de que al 1) cuantificar las probabilidades de fallo de ramas impulsadas por cargas de tifón espacialmente correlacionadas, 2) identificar cadenas críticas de fallos y evaluar su riesgo asociado en términos de pérdida de carga esperada, y 3) optimizar las salidas de los generadores de contingencia y los cortes de carga respecto a estos riesgos de la cadena de fallos, el método propuesto puede capturar con mayor precisión el comportamiento de fallo inducido por desastres, reducir significativamente el riesgo esperado de reducción de carga y apagón, y evitar acciones preventivas excesivas o innecesarias en comparación con los estándares de seguridad convencionales.

En este artículo, las ramas con alta probabilidad de fallo bajo condiciones meteorológicas extremas se bloquean utilizando el modelo de campo de viento de tifón y el modelo de vulnerabilidad de las ramas de transmisión. La rama de alto riesgo en condiciones meteorológicas extremas se utiliza como la rama abierta inicial para buscar todas las posibles cadenas de fallas. Ajustando la salida de las unidades del sistema eléctrico y las cargas de desmonto, se pueden mitigar las consecuencias esperadas de cada cadena de fallo.

El método propuesto requiere información que incluya datos del campo de viento de tifón, topología de la rejilla y parámetros operativos. Las suposiciones típicas incluyen radio máximo de viento constante y modelado simplificado de fiabilidad de estructura en serie para ramales de transmisión. Sin embargo, la eficiencia computacional puede verse cuestionada cuando se aplica a sistemas de muy gran escala debido a la naturaleza combinatoria de la enumeración de cadenas de fallos.

Protocol

Cálculo de la probabilidad de fallo de la línea bajo un desastre de tifón

Las líneas aéreas de transmisión y los circuitos soportados por torres son muy vulnerables a las cargas de viento espacialmente variables impuestas por un tifón²⁰ en traslación. Cuando la velocidad del viento de un tifón es demasiado alta, es muy fácil causar que el equipo de transmisión^{falle 21,22}. Las formulaciones empíricas de campos de viento, como el modelo de campo de viento de Jelesnianski, permiten reconstruir campos de velocidad de viento variables en el tiempo sobre la huella de la tormenta. Cuando estas salidas del campo eólico se combinan con los modelos de vulnerabilidad para secciones de línea o torres individuales, es posible traducir las cargas espaciotemporales del viento en probabilidades acumuladas de^{fallo 23}.

Modelo del campo de viento de tifón

La simulación en el modelo de Jelesnianski se dividió en dos pasos: primero, el campo de viento axisimétrico del tifón se derivó a partir de una formulación analítica predefinida, y el campo de viento traslacional asociado al movimiento del tifón se superpuso para obtener el campo de viento resultante. Este modelo de tifón utilizó parámetros como la máxima velocidad del viento del tifón y el radio de la máxima velocidad del viento para estimar el componente tangencial del viento de la circulación ciclónica, que se daba en la siguiente fórmula:

(1)

Donde V_s es la velocidad tangencial del viento de la circulación del tifón a una distancia r del centro del tifón; V_max es la mayor velocidad del viento; R₀ es el radio de la mayor velocidad del viento.

El campo de viento móvil del modelo de tifón se calculó entonces usando la siguiente ecuación:

(2)

Donde V_d es la velocidad del tifón a una distancia r de su centro; V_c es la velocidad de movimiento del centro del tifón.

Cuando se disponían de datos del círculo de viento del nivel 7, el radio del viento máximo se estimaba típicamente como 1/10 del radio del campo de viento de nivel siete de la escala de Beaufort. Para tifones que carecían de datos observacionales sobre el radio del campo de viento de viento de nivel siete, el mayor radio de viento se calculó mediante una ecuación empírica^{de relación 21}:

(3)

Donde R_k es una constante empírica, normalmente entre 30 y 60; P₀ es la presión en el centro del tifón.

La fórmula de velocidad del campo de viento para el modelo del tifón se obtuvo superponiendo la velocidad tangencial del viento de circulación del tifón V_s y la velocidad de movimiento V_d de la siguiente manera:

Cuando 0 ≤ r ≤ R₀

(4)

(5)

Cuando R₀ ≤ r ≤ ∞

(6)

(7)

Donde V_x es el componente de velocidad del tifón en el eje x a una distancia r del centro del tifón; V_y es el componente de velocidad del tifón en el eje y a una distancia r del centro del tifón; V_dx y V_dy son los dos componentes de la velocidad del centro del tifón en el eje x y y; x₀ e y₀ son los dos valores de coordenadas del centro del tifón en el eje x y y; x e y son los dos valores de coordenadas en el eje x y y a una distancia r del centro del tifón; θ es el ángulo de entrada del tifón.

La Figura 1 muestra un esquema del proceso de movimiento del tifón tras el aterrizaje. En el modelo del campo de viento del tifón, se puede observar que la velocidad del viento horizontal del tifón aumenta y luego disminuye desde el centro hacia afuera. Tomando como ejemplo la posición O en la rama de transmisión, en el momento de t₁, el radio máximo de viento del tifón es r_max(t₁), y la distancia entre el centro del tifón y O es d(t₁). Esta vez, d(t₁) es mayor que r_max(t₁), y a medida que avanza el tifón, la distancia entre O y el centro del tifón disminuye, por lo que la velocidad del viento en O aumenta. En el momento de t₂, d(t₂) es menor que r_max(_{t 2}) y d(t₂) está disminuyendo, por lo que la velocidad del viento en O disminuye. En el momento t₃, d(t₃) sigue aumentando pero es menor que r_max(t₃), por lo que la velocidad del viento en O aumentará. De manera similar, en t₄, d(t₄) sigue aumentando y es mayor que r_max(t₄), por lo que la velocidad del viento en O disminuye a medida que el centro del tifón se aleja. Se puede observar que la velocidad del viento en cualquier punto de la rama de transmisión cambia con el tiempo, y aunque en la misma rama de transmisión, los cambios de velocidad del viento en diferentes ubicaciones no son los mismos.

Modelo de vulnerabilidad de ramas de transmisión

El fuerte impacto de los desastres de tifones en la red de transmisión puede causar cortes de suministro en las ramas de transmisión y potencialmente desencadenar cortes de electricidad regionales o^{generalizados 24}. La probabilidad de fallo en diferentes segmentos de la misma rama de transmisión no es la misma. Debido al gran tamaño y la compleja estructura de la red de transmisión, modelar la vulnerabilidad de las ramas de transmisión puede llevar a enormes cálculos si cada dispositivo de transmisión en ella se modela y^{analiza 25}. Por lo tanto, esta sección se centra únicamente en segmentos y torres de líneas de transmisión para establecer un modelo de vulnerabilidad en las ramas de transmisión que refleje la relación de mapeo entre la probabilidad de fallo de las ramas de transmisión y la velocidad del viento de tifón. Se utilizarán tanto las dimensiones temporales como espaciales para modelar la vulnerabilidad probabilística de fallos en ramas de transmisión, reflejando el impacto de desastres de tifones. Toma la información sobre la velocidad del viento que cambia en el espacio y el tiempo dentro del campo de viento del tifón como la cantidad de entrada, y el riesgo acumulado de fallo de componentes aéreos (incluidos segmentos de línea y estructuras de soporte bajo impacto de tifón) se evalúa en función de las fluctuaciones locales de la velocidad del viento. Posteriormente, la probabilidad de fallo de cada ruta de transmisión se determina mediante la aplicación de un modelo de estructura en serie bajo marcos de evaluación de fiabilidad establecidos.

Al resolver la probabilidad de fallo de un determinado equipo de transmisión, era posible determinar primero su tasa de fallo y luego seleccionar un modelo de proceso estocástico adecuado basado en sus características de fallo para determinar su probabilidad de fallo durante el periodo afectado por el desastre del tifón. La tasa de fallo se definió como el número de fallos de equipos de transmisión por unidad de tiempo²⁶, que reflejaba la intensidad media de sus fallos durante el impacto del tifón. Para facilitar el cálculo, se asumió que las secciones de la línea de transmisión conectadas entre cada dos torres de transmisión estaban sometidas a la misma velocidad del viento, y la duración total T_w del desastre del tifón se dividió en T intervalos de tiempo de longitud Δt, manteniendo la velocidad del viento constante en cada intervalo de tiempo. El diagrama esquemático de la rama de transmisión m se mostró en la Figura 2, donde la tasa de fallo de la sección t de la línea de transmisión l en el intervalo de tiempo podía calcularse usando la siguiente ecuación:

(8)

Donde v_m,l(t) es la velocidad del viento de tifón sostenida por la sección de línea de transmisión I de la rama de transmisión m en el intervalo de tiempo t; V_{D, línea} es la velocidad de diseño del viento de esta sección de línea de transmisión, que en este artículo se consideró 30 m/s; Δl es la longitud de este tramo de línea de transmisión en kilómetros. Dado que la velocidad del viento de tifón permaneció constante en el rango de longitudes de cada sección de línea de transmisión y en el intervalo de tiempo seleccionado para los impactos del tifón, la tasa de fallo de los tramos individuales de la línea de transmisión se mantuvo constante. En consecuencia, el riesgo acumulado de fallo para el segmento l dentro del camino de transmisión m durante el periodo de exposición al tifón _{T w} podría evaluarse usando la siguiente expresión:

(9)

De manera similar, la tasa de fallo de la torre de transmisión k de la rama de transmisión m en el intervalo de tiempo t del tiempo de impacto del tifón T_w podría calcularse mediante la siguiente ecuación:

(10)

Donde v_m,k(t) es la velocidad del viento tifón a la que está sometida la torre k de transmisión de la rama m en el intervalo de tiempo t ; γ es un parámetro del modelo, el rango de valores era 0-0,4, en este artículo γ se estableció en 0,2; V_{D, la torre} es el umbral de carga estructural del viento de la torre de transmisión, que puede determinarse según la prueba destructiva; Este papel tomó 35 m/s.

Correspondientemente, la probabilidad acumulada de fallo de la torre de transmisión k de la rama de transmisión m durante el tiempo de impacto del tifón T_w se denotó como:

(11)

Las ramas de transmisión se consideraban un modelo en serie compuesto por múltiples secciones de línea de transmisión en serie con múltiples torres de transmisión. Según el método de cálculo de la probabilidad de fallo del modelo en serie en la teoría de evaluación de fiabilidad, asumiendo que los fallos de cada sección de línea de transmisión y torre de poste son independientes entre sí, la falla de cualquier sección de línea de transmisión o torre de poste podría provocar la interrupción de la transmisión de energía eléctrica de todo el circuito de rama^{de transmisión 27}. Por lo tanto, la probabilidad de fallo de la rama de transmisión m se calculó usando la siguiente ecuación:

(12)

Donde L es el número de segmentos de línea de transmisión incluidos en la línea ramal de transmisión m ; K es el número de torres de transmisión incluidas en la rama de transmisión m .

Medidas de prevención y control basadas en cadenas de fallo

Para mitigar el riesgo de fallos en cascada y apagones a gran escala provocados por fallos en líneas de transmisión de alto riesgo durante desastres extremos, el sistema eléctrico requiere control preventivo. Según la sección anterior, se obtuvo cada línea con alta probabilidad de fallo en desastres extremos. Cada rama de alto riesgo se utilizó secuencialmente como la rama abierta inicial para la búsqueda en cadena de fallos. Basado en todas las cadenas de fallos, se llevó a cabo el método de prevención y control, con el objetivo de minimizar los impactos de fallos en cascada y proporcionar apoyo a la toma de decisiones para los operadores de despacho de red²⁸.

Método propuesto

La Figura 3 describió paso a paso el marco del método propuesto de prevención y control, que abordaba las cadenas de fallas bajo escenarios meteorológicos extremos.

Carga de datos e identificación inicial de la cadena de fallos

Primero, carga todos los datos básicos de entrada, como el modelo de la red eléctrica, el modo de funcionamiento normal y la información meteorológica en caso de desastre extremo. El modelo de la red eléctrica estaba en formato MATPOWER (.m), que contenía parámetros del bus, especificaciones del generador, parámetros de ramificación y topología de red. Los datos meteorológicos para el desastre extremo estaban en formato JSON, proporcionando las coordenadas del centro del tifón, velocidad de traslación, radio del viento máximo y presión central.

A continuación, filtrar las líneas de transmisión de alto riesgo calculando la probabilidad de fallo para todas las ramas. Este proceso implicó dos modelos computacionales centrales. El modelo del campo de viento del tifón Jelesnianski se ejecutó por primera vez para calcular la velocidad del viento variable en el tiempo. Posteriormente, se aplicó el modelo de vulnerabilidad de la rama de transmisión para calcular la tasa de fallo de cada segmento de línea y torre en función de la velocidad local del viento.

Finalmente, selecciona una o más ramas de alto riesgo del conjunto inicial de contingencias como las ramas iniciales de corte para iniciar la búsqueda en cadena de fallos. Desconectar la rama seleccionada, modificar los parámetros de topología de la red, realizar cálculos de flujo de potencia de corriente continua en la red objetivo, identificar las ramas sobrecargadas como ramas de interrupción subsecuentes y repetir este proceso. La búsqueda en cadena de fallos terminaba cuando se producía el colapso del sistema, se alcanzaba la profundidad máxima de búsqueda preestablecida o no se encontraban ramas sobrecargadas adicionales.

Evaluación y resolución de modelos de optimización de cadenas de fallos

Esta fase estableció el marco de optimización, resolvió el modelo y validó la solución final mediante el siguiente procedimiento.

Primero, establecer una función lineal por partes que represente la influencia de los cortes de líneas de transmisión en los flujos de energía de las ramas. Calcular el valor de riesgo de cada cadena de fallos basándose en cálculos de flujo de potencia en corriente continua. Específicamente, los valores de riesgo se determinaron multiplicando la probabilidad de cada cadena de fallo y el valor mínimo de corte de carga necesario para garantizar la seguridad del flujo de potencia de las ramas. Selecciona cadenas de fallo con valores de riesgo más altos e incorpóralas en el conjunto candidato de cadenas de fallo.

A continuación, ejecuta los dos pasos previos de cada línea en el conjunto inicial de contingencias hasta que todas las ramas hayan sido procesadas. Esta iteración sistemática aseguró una cobertura integral de todos los posibles puntos de inicio de fallos, resultando en un conjunto completo de cadenas candidatas que representa la unión de todas las rutas de fallo de alto riesgo identificadas.

Finalmente, resuelve el modelo de optimización usando solucionadores comerciales como GUROBI y evalúa si ocurren nuevas cadenas de fallo severo tras la optimización. Esta validación se realizaba reejecutando el proceso de búsqueda en cadena de fallos con el despacho de generación optimizado. Si surgen nuevas cadenas de fallo, incorpóralas al conjunto candidato de cadenas de fallos y repite el proceso de optimización. Si no se generaban cadenas de fallo graves, se generaba el plan optimizado de potencia de salida y corte de carga del generador para reducir el riesgo de fallos en cascada.

Producción final y archivo

Saca el plan optimizado de potencia y corte de carga del generador. Archivar sistemáticamente todos los datos de entrada relevantes, archivos de configuración, resultados intermedios y el esquema final de salida para la documentación y la reproducibilidad. Esta práctica archivística integral garantizó la completa reproducibilidad, facilitó el análisis posterior al evento y proporcionó casos de referencia para futuros proyectos de mejora de la resiliencia de la red.

Búsqueda en cadena de fallos

Se seleccionaron una o más ramas con alta probabilidad de fallo para la búsqueda en cadena de fallos. Tomemos las ramas de alto riesgo seleccionadas como las ramas abiertas iniciales de la cadena de fallos, desconectálas, modifiquen los parámetros de la red, realizen cálculos de flujo de potencia de CC para la red objetivo, tomen todas las ramas sobrecargadas como siguiente etapa, abran ramas de la cadena de fallo a su vez y repitan el proceso. La búsqueda en cadena de fallos terminaba cuando se cumplía la condición de detención. Luego, se obtuvieron todas las cadenas de fallo que empezaban con esta rama de alto riesgo.

Ignorando la influencia del entorno externo, cuando el flujo de potencia de la línea no superaba su límite de flujo, la probabilidad de fallo de la línea de transmisión era la probabilidad oculta de protección de relés, cuyo valor era cercano a 0. En el proceso de desarrollo y propagación de la cadena de fallos, los despachadores de la red tendían a tomar las medidas de bloqueo correspondientes, para que la profundidad de búsqueda de la cadena de fallos no superara la profundidad máxima establecida (normalmente 4). El islo de la rejilla provocado por una cadena de fallas suele provocar un apagón importante. Por lo tanto, en este artículo, la condición de parada de la búsqueda de la cadena de fallos se estableció como: 1) ocurrió el islo de la cuadrícula; 2) la búsqueda en cadena de fallos alcanzaba la profundidad máxima de búsqueda; y 3) una determinada etapa de la búsqueda en cadena de fallos no llevó a la sobrecarga de ninguna rama. La búsqueda en cadena de fallos cesaba cuando se cumplían cualquiera de las condiciones.

Utilizar una función lineal por partes para describir la relación entre la probabilidad de fallos de la línea de transmisión y el flujo de potencia de la línea, dada por:

(13)

Donde p_l es la probabilidad de que ocurra un fallo en l; p_l es el flujo real de potencia en l; P_{l, max} es el límite de capacidad de transmisión de l; P_H es la probabilidad de fallo de protección oculta; B es el multiplicador umbral de sobrecarga, típicamente fijado en 1,4, lo que implica que si el flujo de potencia transmitido por una línea supera 1,4 veces su capacidad nominal de transmisión, los dispositivos de protección funcionarán y dispararán la línea, resultando en una probabilidad de fallo de 1.

Cálculo del valor de riesgo para la cadena de fallos

Supongamos que una cadena de fallos concreta implica fallos en k líneas de transmisión. Tras la eliminación de estas líneas k , se calculó el nivel mínimo de reducción de carga que garantizaba una transferencia segura de energía continua dentro de la red. La función objetivo se definió entonces de la siguiente manera:

(14)

Donde n_B representa el número total de autobuses en el sistema eléctrico; D_{i_cut} es la cantidad de corte de suministro en el nodo i. Las restricciones a cumplir incluyen:

Restricciones de corte de carga de nodos

(15)

Donde S_N es el conjunto de barras en el sistema eléctrico; D_i es la carga original en el nodo i.

Restricciones de salida del generador

(16)

Donde S_G es el conjunto de nodos generadores en el sistema eléctrico; PG_i denota la potencia de salida del generador en el nodo i; PG_{i_min} y PG_{i_max} representan respectivamente los límites técnicos mínimos y máximos de generación en el nodo i.

Restricciones de seguridad del flujo de potencia de línea

(17)

Donde S_L es el conjunto de líneas de transmisión en el sistema eléctrico; P_ij es el flujo de energía en la línea ij; P_{ij_max} es el límite de capacidad de transmisión para la línea ij.

Restricciones de equilibrio de potencia de nodos

(18)

Restricciones de flujo de potencia de CC

(19)

Donde θ_i y θ_j denotan los ángulos de tensión en los buses i y j, x_ij es la reactancia de la línea ij.

Para una cadena de fallos dada L con v etapas, la probabilidad de que ocurra P_L es:

(20)

Donde p_l0 es la probabilidad del evento inicial de fallo de la cadena de eventos; P_l1 ~ P_lv son las probabilidades de ocurrencia de cada etapa en la cadena de fallos. El valor de riesgo R_L para la cadena de fallos L se define como:

(21)

Donde D_L es la cantidad de corte de carga causada tras la aparición de la cadena de fallo L.

La búsqueda en cadena de fallos permitió seleccionar simultáneamente varias ramas de alto riesgo como cortes iniciales. Asumiendo independencia entre fallos iniciales de rama, la probabilidad conjunta del evento inicial era el producto de las probabilidades independientes de fallo de cada rama de alto riesgo.

Modelo de optimización de prevención y control

Basándose en el conjunto obtenido de cadenas de fallo, construye un modelo de prevención y optimización del control. La función objetivo se formuló como:

(22)

Donde n_G representa el número total de nodos generadores; a_i y ΔPG_i representan respectivamente el coeficiente de coste y la cantidad de ajuste de potencia del nodo generador i; ΔL_j representa la cantidad de corte de carga en el nodo j. n_R se refiere al número de cadenas de fallos; R_k denota el valor de riesgo de la cadena de fallos k; y b es el coeficiente de coste del corte de carga.

Las restricciones son las siguientes:

Restricción de equilibrio de potencia

(23)

Restricciones de ajuste de salida del generador

(24)

Restricciones de seguridad del flujo de potencia de línea

(25)

Donde PTDF es la matriz de factores de distribución de transferencia de flujo de potencia de la red; P es el vector de inyección de potencia; ΔPG es el vector de ajuste de generación; y F_max es el vector de límites de capacidad de transmisión de línea.

Considerando la etapa de propagación t en una cadena de fallas (1 ≤ t ≤ v), supongamos que la rama de corte anterior es km. El impacto de la interrupción de la rama en km en la redistribución del flujo en la red restante se evaluó utilizando el modelo de flujo de energía de corriente continua. La operación de la red cumplía las siguientes condiciones antes de la interrupción del kilómetro ramal

(26)

Tras la interrupción del km de la rama

(27)

Ignorando los términos pequeños de segundo orden, se convierte en:

(28)

Combinando las ecuaciones (26) y (28), se obtiene lo siguiente:

(29)

Una simplificación adicional conduce a:

(30)

Donde P_km denota el flujo de potencia activa en la rama km; es un vector fila en el que la k-ésima entrada es 1, la m-ésima entrada es -1 y todos los componentes restantes son cero.

Según la ecuación (30), en la etapa de propagación t de la cadena de eventos L, cuando el km de la rama se desconectaba, el flujo incremental de potencia activa en ramas sucesivas se representaba como una función lineal relacionada con el flujo de potencia activa de la rama km. Además, basándose en la ecuación (13), este incremento se mapeó directamente a las probabilidades de fallo de ramas posteriores.

En el modelo de optimización del flujo de potencia establecido en esta sección, la función objetivo implicaba el producto de probabilidades de fallo de cada etapa de la cadena de eventos. Considerando la probabilidad de fallo en cada etapa de la cadena de fallos como variables, el modelo era difícil de resolver si el orden de multiplicación de las variables era demasiado grande. El uso de algoritmos heurísticos como la optimización por enjambre de partículas o algoritmos genéticos suele dificultar la obtención de soluciones óptimas globales. Por lo tanto, este artículo trató el producto multiplicador de las probabilidades de fallo de las diferentes etapas de la cadena de fallos como una única variable nueva, reduciendo así efectivamente el orden de multiplicación de las variables en la función objetivo. Posteriormente, se utilizaron solucionadores comerciales de optimización como CPLEX y GUROBI para obtener soluciones.

Results

Análisis de casos del modelo del campo de viento de tifón

Esta sección presenta un estudio de caso basado en el tifón Yagi, que tocó tierra en la provincia de Hainan, China, en 2024. Los datos del campo de viento utilizados para la modelización se extraen de las previsiones de las estaciones meteorológicas emitidas 24 horas antes del evento. Utilizando el modelo de Jelesnianski, la distribución espacial de la velocidad del viento puede calcularse en cualquier momento dado. Combinado con el modelo de vulnerabilidad de ramas de transmisión, esto permite evaluar las probabilidades de fallo de ramas individuales dentro de la Red de Hainan. La duración T_w se establece en 1 h. Se asume que la velocidad del viento permanece constante durante este periodo T_w, por lo tanto Δt = T_w = 1 h.

Se analizaron los datos horarios de la velocidad del viento en la ciudad de Haikou junto con el número correspondiente de líneas dañadas, con los resultados presentados en la Figura 4. Se observa una clara correlación positiva: a medida que aumenta la intensidad del viento, el número de fallos de líneas aumenta en consecuencia. Al integrar las condiciones meteorológicas previstas con el marco de modelado de campos eólicos propuesto aquí, el método captura de forma más eficaz el riesgo real de fallo de la red.

Las rutas típicas se seleccionaron entre cuatro ciudades: Haikou, Danzhou, Sanya y Qionghai, cada una de 10 km de longitud con intervalos de 500 m. Utilizando el método propuesto en este artículo, se calculó la probabilidad de fallo de la línea bajo velocidades máximas del viento y se comparó con la proporción de líneas fallidas respecto al total de líneas durante eventos de tifón reales, como se muestra en la Figura 5. Los resultados demuestran una buena consistencia entre la probabilidad de fallo calculada y la razón de fallo observada: la probabilidad de fallo aumenta a medida que aumenta la velocidad máxima del viento en las ciudades relevantes, validando aún más la viabilidad del modelo desarrollado en este artículo cuando se combina con la información de pronóstico de tifones.

Prevención y optimización del control basada en las cadenas de fallos

La eficacia del enfoque propuesto se demuestra mediante una simulación realizada en el sistema de pruebas del bus IEEE 39. Se asume que las ramas 1-2, 2-3 y 4-5 son de alto riesgo en condiciones de desastre extremo, como se muestra en la Figura 6. El límite de flujo de potencia activa de cada rama se establece en 0,9 veces su capacidad térmica, y la profundidad de previsión de la cadena de fallos d_max se establece en 3. Los coeficientes de coste de despacho de generadores, los límites de salida y otra información se enumeran en la Tabla 1. El coeficiente riesgo-coste b es 100/MW, y la probabilidad de fallo de la rama que se activó inicialmente se asume es 1. La probabilidad de un fallo oculto de protección _{P H} está fijada en 0,01. Tras formular el modelo, el editor utilizó MATLAB R2022b para llamar al solucionador GUROBI. Tiempo de solución: 0,14 s, brecha: 0,0000%.

Al realizar la búsqueda de cadenas de eventos, se descubrió que abrir las líneas 2-3 o 4-5 no sobrecarga las líneas restantes, y por tanto no se originan cadenas de eventos a partir de estas interrupciones. Sin embargo, cuando las líneas 1-2 se desconectan, pueden ocurrir cuatro posibles cadenas de eventos: [1-2, 2-3, 26-27], [1-2, 2-3, 25-26], [1-2, 2-3, 17-18, 26-27], [1-2, 2-3, 17-18, 25-26].

El resultado de búsqueda de la cadena de fallos que comienza con las ramas 1-2 se muestra en la Figura 7. Entre ellas, la cadena de fallo [1-2, 2-3, 25-26] no causa cortes de carga, y el riesgo de que la cadena de fallo [1-2, 2-3, 17-18, 25-26] sea mucho menor que el de las otras dos cadenas de fallo. Por lo tanto, solo se conservan las cadenas de fallo [1-2, 2-3, 26-27] y [1-2, 2-3, 17-18, 26-27] para la posterior prevención y optimización del control.

La Tabla 2 presenta los resultados de la optimización de prevención y control, mientras que la Figura 8 muestra las cadenas de fallos optimizadas correspondientes iniciadas desde las ramas 1-2. Tras ajustar las salidas de los generadores, el corte de carga esperado resultante de las cadenas de fallo relacionadas se reduce de 11,835 MW a 0,670 MW, lo que revela que el riesgo del sistema IEEE 39-bus disminuye sustancialmente. La validación tras la optimización confirma que no surgen cadenas de fallo adicionales, lo que indica que la solución de prevención y control puede implementarse directamente a los despachadores del sistema de soporte.

Estudio de caso sobre una red eléctrica real: Sistema de Hainan bajo el tifón Yagi

Para validar aún más la aplicabilidad práctica del método propuesto, se realizó un estudio de caso basado en la red eléctrica de Hainan en China durante el tifón Yagi en 2024. Este caso se centra en la eficacia del método en sistemas a gran escala y sus ventajas frente a los criterios de seguridad convencionales N-1 y N-2.

Métodos de prevención y control comparados con los criterios de seguridad N-2

Bajo el impacto del tifón Capricornio, varias líneas de la red eléctrica de Hainan sufrieron cortes. La distribución del flujo de energía de la red regional a las 19:50 del 6 de septiembre se muestra en la Figura 9. En la figura, el rojo indica el nivel de tensión de 500 kV, el negro indica el nivel de tensión de 220 kV, el azul indica el nivel de tensión de 110 kV, las líneas sólidas representan líneas operativas y las líneas discontinuas representan líneas de corte.

En ese momento, las líneas LQ-JD y YZU-WQ eran de alto riesgo. Considerando el proceso de fallo en cascada desencadenado por la interrupción de estas dos líneas, la distribución del flujo de energía de la red regional tras las interrupciones de las líneas LQ-JD y YZU-WQ se muestra en la Figura 9. El flujo de potencia en la línea DL-WC aumenta a 173,9 MW, superando con creces su capacidad de carga de corriente a largo plazo de 82 MW. Con un factor de carga que alcanza el 214%, el bloqueo de la cadena de la línea se vuelve inevitable. Esto dará lugar a la operación aislada de WQ, JD, DL y sus subestaciones asociadas de 110 kV. Dado que la carga está por debajo de la salida técnica mínima de las unidades de la planta WQ, mantener la estabilidad en frecuencia durante la operación aislada se vuelve difícil, lo que finalmente provoca un apagón.

Se realiza la optimización preventiva del control de la red regional. La distribución optimizada del flujo de potencia se muestra en la Figura 10. Una unidad en la central WQ se apaga y la potencia de la unidad restante se ajusta a 221,3 MW. Tras disparar las líneas LQ-JD y YZU-WQ, el flujo de potencia en la línea DL-WC es solo de 58,8 MW, evitando así fallos en cascada. Teniendo en cuenta el criterio de seguridad N-2, si solo se consideran fallos N-2 en los alimentadores de subestaciones WQ, sería necesario ajustar la potencia de la central WQ a 133,5 MW para garantizar un flujo de energía seguro en DL-WC. Este enfoque de control implica costes excesivamente altos.

Métodos de prevención y control comparados con los criterios de seguridad N-2

La distribución del flujo de energía de la red regional a las 19:58 del 6 de septiembre se muestra en la Figura 11. En este momento, ambas líneas LQ-JD y YZU-WQ están abiertas debido a daños causados por tifón. Las líneas YZG-DY (probabilidad de fallo P₁=0,1) y DY-YZU (probabilidad de fallo P₂=0,7) están incluidas en el conjunto de líneas de alto riesgo. La capacidad de transporte de corriente de la línea de transmisión TP-PT es de 82 MW.

Teniendo en cuenta el proceso de fallo en cascada provocado por una desconexión de una sola rama, la desconexión de la línea YZG-DY o DY-YZU causaría una sobrecarga severa en la línea TP-PT. Esto inevitablemente provocaría el disparo en cascada de la línea TP-PT, lo que finalmente provocaría la desconexión del sistema. Los resultados de la búsqueda por cadenas de fallos se muestran en la Figura 11. Según los criterios de seguridad N-1, garantizar la estabilidad del flujo de potencia tras el disparo de la línea YZG-DY requiere eliminar 213 MW de carga. Según los criterios de seguridad N-2, garantizar la estabilidad del flujo de potencia tras la parada de ambas líneas YZG-DY y DY-YZU requiere eliminar 213 MW de carga. Las cantidades de corte de suministro para los tres métodos se comparan en la Tabla 3.

Los resultados demuestran que el método propuesto, al considerar las probabilidades de fallo de cada rama de alto riesgo y las probabilidades de fallo en cada etapa de la propagación de la cadena de fallos, puede reducir significativamente los altos costes de control asociados con los criterios de seguridad N-1 y N-2. En comparación con los criterios de seguridad N-1 y N-2, el método propuesto cumple mejor con los requisitos de control en línea durante desastres.

Disponibilidad de datos:

El sistema de prueba IEEE 39-bus utilizado en el Estudio de Caso I se basa en la red de referencia pública distribuida con MATPOWER y repositorios relacionados, y puede obtenerse en la página web del proyecto MATPOWER. Los datos de entrada y los resultados de simulación generados por el método propuesto para este sistema de referencia (incluyendo cadenas de fallo identificadas e índices de riesgo correspondientes) están disponibles del autor correspondiente a solicitud razonable.

Los datos del sistema real utilizados en el Estudio de Caso II se derivan de la red eléctrica de Hainan e incluyen la topología detallada de la red, parámetros de equipos y registros operativos. Estos datos son propiedad de la compañía eléctrica local y están sujetos a obligaciones contractuales de confidencialidad y a normativas de protección de infraestructuras críticas. En consecuencia, el conjunto de datos de cuadrícula en bruto de Hainan y la salida completa del modelo directamente vinculada a este conjunto no pueden hacerse públicas. Solo se proporcionan en el artículo los resultados agregados y anonimizados necesarios para respaldar los hallazgos de este estudio. Los investigadores que deseen acceder a los datos subyacentes del sistema de Hainan para fines académicos legítimos pueden contactar con el autor correspondiente; Cualquier posible intercambio de datos requerirá la aprobación previa por escrito del titular de los datos y, cuando sea necesario, la firma de un acuerdo de confidencialidad adecuado.

El marco general de modelado, los algoritmos y la configuración de parámetros se describen con suficiente detalle en el texto principal y en la Información de Apoyo para permitir que otros investigadores implementen y validen el método propuesto en sistemas de prueba públicos o en sus propios conjuntos de datos.

Figura 1: Esquema del movimiento del tifón tras el impacto en tierra. Según el modelo del campo de viento de tifón, la velocidad del viento horizontal aumenta desde el ojo y posteriormente disminuye con la distancia radial. Tomando la posición O en la rama de transmisión como ejemplo, en el momento de t₁, el radio máximo de viento del tifón es r_max(t₁), y la distancia entre el centro del tifón y O es d(t₁). Esta vez, d(t₁) es mayor que r_max(t₁), y a medida que avanza el tifón, la distancia entre O y el centro del tifón disminuye, por lo que la velocidad del viento en O aumenta. En el momento de t₂, d(t₂) es menor que r_max(t₂) y d(t₂) está disminuyendo, por lo que la velocidad del viento en O disminuye. En el momento t₃, d(t₃) sigue aumentando pero es menor que r_max(t₃), por lo que la velocidad del viento en O aumentará. De manera similar, en t₄, d(t₄) sigue aumentando y es mayor que r_max(t₄), por lo que la velocidad del viento en O disminuye a medida que el centro del tifón se aleja. Se puede observar que la velocidad del viento en cualquier punto de la rama de transmisión cambia con el tiempo, y aunque en la misma rama de transmisión, los cambios de velocidad del viento en diferentes ubicaciones no son los mismos. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2: Diagrama esquemático de la rama de transmisión m. Esta figura muestra una única rama de transmisión compuesta por torres secuenciales (etiquetadas como Torre m a Torre k) y líneas (etiquetadas como Línea m a Línea k). Cada par adyacente de torres forma un tramo conductor. Una torre es un punto de evaluación discreto para la carga meteorológica y el estado de los componentes, y una línea indica el tramo conductor entre dos torres vecinas en la misma rama. El estado de la rama m se obtiene agregando los estados de sus torres y líneas bajo una suposición de estructura en serie. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 3: Procedimiento para medidas de prevención y control basadas en cadenas de fallo. Este diagrama de flujo muestra el flujo de trabajo utilizado. Las ramas identificadas como de alto riesgo en desastres extremos se incluyen primero en el conjunto inicial de fallos. Para cada candidato, se elige una rama como la rama inicial de disparo, la rama se activa y se actualizan los parámetros de la red. Si ocurre isla del sistema o se alcanza la profundidad máxima preestablecida, la búsqueda de esta cadena de fallas se detiene. Si aparecen ramas sobrecargadas, cada rama sobrecargada se toma por turno como la rama de disparo de siguiente nivel y el bucle de disparo-actualización-comprobación continúa. Si no se produce sobrecarga, se calcula el índice de riesgo de la cadena de fallos. Una vez procesados todos los fallos iniciales, se identifican los caminos de la cadena de fallos con valores de riesgo relativamente altos y luego se aplican medidas preventivas a la red objetivo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 4: Relación entre la velocidad del viento de tifón y el número de líneas fallidas en la ciudad de Haikou. Esta cifra muestra la velocidad horaria del viento de tifón en la ciudad de Haikou (eje y izquierdo) y el número de líneas defectuosas registradas en la hora correspondiente (eje y derecho). A medida que la velocidad del viento aumenta de 10 m/s a más de 50 m/s, el número de líneas defectuosas aumenta en consecuencia, alcanzando su máximo alrededor de las 19:00-20:00 y luego disminuyendo a medida que el viento se debilita. La variación síncrona indica una clara asociación positiva entre la intensidad local del viento y las fallas de la línea, coherente con la suposición aquí de que el riesgo de fallo de los componentes de transmisión aumenta con el aumento de la velocidad del viento. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 5: Comparación entre la probabilidad de fallo de la línea y la razón real de fallo. Esta figura compara la proporción de líneas defectuosas reales con líneas totales (eje y izquierdo) con la probabilidad de fallo de línea (eje y derecho) en cuatro ciudades. Ambos indicadores siguen el mismo patrón espacial: Haikou es el más alto, Danzhou el siguiente, Sanya el más bajo y Qionghai muestra un repunte modesto. Las dos curvas siguen de cerca, lo que indica una fuerte asociación positiva entre la probabilidad de fallo modelada y la incidencia observada de fallos, lo que apoya la interpretación de que las ciudades con mayor riesgo estimado también experimentan mayores ratios reales de fallo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 6: Sistema IEEE de 39 buses. Esta figura muestra el sistema de prueba IEEE 39-bus utilizado en el caso de estudio. Los autobuses están numerados, los generadores están marcados con G, y las ramas de transmisión interconectan los autobuses. Los segmentos de rama resaltados en rojo indican ramas de alto riesgo identificadas para el escenario de desastre extremo por el procedimiento de evaluación de riesgos descrito aquí; Estas ramas constituyen el conjunto inicial de fallos para construir cadenas de fallo en el análisis posterior. El diagrama es esquemático y se utiliza para aclarar la topología del sistema de prueba y la ubicación de las ramas de alto riesgo identificadas. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 7: Resultados de búsqueda por cadena de fallos. Esta figura enumera las cadenas de fallo obtenidas en el caso del bus IEEE 39. A partir de la rama inicial de disparo 1-2, la cadena avanza hacia la 2-3 y luego se ramifica hacia las ramas de disparo candidatas de siguiente nivel (26-27, 25-26, 17-18). Los números en las flechas indican la probabilidad de etapa para la siguiente rama disparada. El texto en los nodos terminales informa del corte de carga mínimo resultante para esa cadena (por ejemplo, 73,73 MW, 39,36 MW) o indica que no ocurre ningún corte de carga. El diagrama proporciona un registro compacto de las trayectorias de cadena de fallo candidatas y sus resultados. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 8: Cadenas de fallos optimizadas. Esta figura enumera las cadenas de fallos optimizadas en el caso IEEE 39-bus. Comenzando por la rama inicial de disparo 1-2, la cadena continúa hasta la 2-3 y luego sigue una de las dos ramas de disparo de siguiente nivel: directamente hasta la 26-27, o pasando por la 17-18 y luego hasta la 26-27. Los números en las flechas (por ejemplo, 0,01, 0,9) indican la probabilidad de etapa para la siguiente rama disparada a lo largo de cada camino. El diagrama proporciona un registro compacto de las trayectorias optimizadas de la cadena de fallos y sus probabilidades de etapa. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 9: Resultados de simulación de flujo de potencia para una red regional a las 19:50 del 6 de septiembre y distribución del flujo de energía en la red regional tras la desconexión de las líneas LQ-JD y YZU-WQ. La figura anterior es la simulación de flujo de potencia para una red regional a las 19:50 del 6 de septiembre. Flujo de energía base de la red regional bajo influencia de tifones. Los colores indican niveles de voltaje (500/220/110 kV). En este momento, las líneas LQ-JD y YZU-WQ se identifican como elementos de alto riesgo. La figura siguiente muestra la distribución del flujo de energía en la red regional tras la desconexión de las líneas LQ-JD y YZU-WQ. Cuando las dos líneas de alto riesgo se disparan, la energía se redistribuye y la línea DL-WC se sobrecarga gravemente, lo que provoca que el corredor WQ-JD-DL se agrave a un posible aislamiento de las subestaciones conectadas de 110 kV y posibles cortes. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 10: Distribución del flujo de energía en la red regional tras medidas de prevención y control. Con el control preventivo propuesto, una unidad en WQ se cierra y la generación restante se reprograma. Las sobrecargas se alivian y el riesgo en cascada se reduce significativamente, logrando una seguridad con una restricción mucho menor que el criterio convencional N-2. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 11: Resultados de la simulación de flujo de energía para una red regional a las 19:58 del 6 de septiembre y resultados de búsqueda de cadenas de fallos para la red eléctrica de Hainan. La figura anterior es la simulación de flujo de potencia para una red regional a las 19:58 del 6 de septiembre. El sistema opera con LQ-JD y YZU-WQ abiertos. El apantallamiento indica a YZG-DY y DY-YZU como las siguientes líneas más críticas, mientras que el corredor TP-PT de 110 kV se convierte en la restricción térmica de unión en esta zona. La figura siguiente muestra los resultados de la búsqueda por cadena de fallos para la red eléctrica de Hainan. La búsqueda identifica dos cadenas dominantes de un solo paso iniciadas por líneas de alto riesgo: LQ-JD (probabilidad inicial de fallo 0,1) y DY-YZU (probabilidad inicial de fallo 0,7). En ambos casos, la sobrecarga obliga a la TP-PT a dispararse (probabilidad de etapa ≈ 1), lo que lleva a la división del sistema con un corte de carga estimado de 295 MW y 144 MW, respectivamente. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Bus generador	Potencia activa inicial (MW)	Límite inferior de potencia activa (MW)	Límite superior de potencia activa (MW)	Coste de ajuste (1/MW)
30	250	0	1040	1
31	677.87	0	976	1.1
32	650	0	725	1.1
33	632	0	652	1.2
34	508	0	508	1.2
35	650	0	687	1.3
36	560	0	580	1.3
37	540	0	564	1.1
38	830	0	865	1.1
39	1000	0	1200	1.5

Tabla 1: Información relacionada con el sistema IEEE 39 bus. Esta tabla informa de los parámetros del generador para el caso IEEE 39-bus. Para cada bus del generador, se indica la potencia activa inicial de salida, el rango admisible dado por los límites inferior/superior de potencia activa y el coste de ajuste. Estas entradas especifican el despacho inicial, los límites de ajuste permitidos y el coeficiente de ajuste por MW para cada generador utilizado en el estudio de caso.

No.	Bus generador	Ajuste de salida (MW)
1	30	32.64
2	31	-32.64

Tabla 2: Resultados de optimización del flujo de potencia. Esta tabla muestra los ajustes en el lado del generador producidos por la optimización del flujo de potencia. Para cada bus del generador, la columna de ajuste de salida muestra el cambio respecto a la potencia activa inicial; los valores positivos indican un aumento, y los negativos indican una disminución. En este caso, el Bus 30 se ajusta en +32,64 MW y el Bus 31 en -32,64 MW.

Método	Corte de carga (MW)
Método de Control Preventivo	62
Criterio de Seguridad N-1	>213
Criterio de seguridad N-2	>>213

Tabla 3: Comparación de las cantidades de corte de suministro para los tres métodos. Esta tabla compara las cantidades de corte de suministro requeridas por los tres métodos. El método propuesto de control preventivo requiere solo 62 MW de corte de carga, mientras que tanto los criterios de seguridad N-1 como N-2 requieren más de 213 MW, demostrando una reducción significativa en el coste de control lograda con el enfoque propuesto.

Discussion

En este artículo se propone un método de prevención y control basado en cadenas de fallos para desastres de tifones, que primero filtra las ramificaciones de alto riesgo bajo desastres de tifones y, posteriormente, ajusta la salida de la unidad de energía de la red y la carga de depósito según dichas cadenas, con el objetivo de mitigar el riesgo de propagación de fallos. En comparación con los métodos de control en línea basados en los criterios de seguridad N-1 y N-2 durante desastres, el método propuesto en este artículo reduce significativamente los costes de control bajo los criterios de seguridad N-1 y N-2 al considerar la probabilidad de fallo de cada línea durante desastres de tifones y la probabilidad en cascada de fallos de sobrecarga^{en línea: 29,30}.

La investigación propuesta contribuye al avance del análisis de la resiliencia de los sistemas eléctricos en varios aspectos. En primer lugar, recoge los impactos espacialmente correlacionados y variables en el tiempo de las cargas de tifones sobre la infraestructura de transmisión, que a menudo se simplifican o descuidan en el análisis de contingencias tradicional. En segundo lugar, al filtrar ramas de alto riesgo y construir cadenas de fallo correspondientes, el método centra los recursos preventivos en un conjunto limitado de caminos críticos en cascada, reduciendo eficazmente los cortes de carga esperados y evitando programas preventivos excesivamente conservadores en comparación con los controles clásicos basados en N-1/N-2. En tercer lugar, el índice unificado de riesgo, definido combinando probabilidades de fallo y consecuencias de pérdida de carga, ofrece una métrica práctica para que los operadores equilibren la seguridad y el control de costes en el soporte a la toma de decisiones en tiempo real.

No obstante, hay que reconocer varias limitaciones. El modelo de vulnerabilidad se centra en segmentos de línea y torres y adopta una suposición de estructura en serie, que puede no representar completamente en la práctica interacciones complejas de componentes y fallos correlacionados. El análisis de la cadena de fallos se basa en el flujo de potencia de CC y en mecanismos simplificados de cascada, y las incertidumbres de parámetros en las previsiones de tifones y curvas de fragilidad pueden afectar la precisión de la cuantificación del riesgo. Además, el marco de optimización aborda principalmente el control preventivo; Acciones coordinadas de bloqueo o remediación durante la propagación de cadenas de fallo no están modeladas explícitamente en este trabajo.

Los enfoques alternativos para investigar la misma hipótesis incluyen formulaciones robustas o con contratiempos de flujo de potencia óptimo considerando escenarios de tifón, simulaciones completas de fallo en cascada basadas en N-k o Montecarlo y modelos coordinados de control preventivo que optimizan conjuntamente el despacho previo a contingencias y las medidas correctivas o de isla posteriores a contingencias a lo largo de cadenas de fallo^{específicas 31}. Estos métodos ofrecen perspectivas complementarias y podrían combinarse con el marco propuesto para mejorar la fidelidad del modelado.

El método propuesto tiene importantes aplicaciones potenciales en la operación y planificación de sistemas eléctricos resistentes a desastres en regiones propensas a tifones y costeras. Puede integrarse en plataformas de apoyo a la toma de decisiones en línea para generar estrategias de control preventivo informadas en riesgo antes de la llegada de un tifón, ayudar a los operadores a priorizar la monitorización y refuerzo de corredores de alto riesgo, y apoyar la planificación a medio y largo plazo para reforzar ramas críticas de transmisión. Con la adecuada adaptación de los modelos de vulnerabilidad y peligro, el marco también puede extenderse a otros peligros relacionados con el clima y naturales, como tormentas de viento severas, eventos de hielo e incendios forestales, ofreciendo así una herramienta general para mejorar la resiliencia de las redes eléctricas^{modernas 32}.

Modificaciones y resolución de problemas

Aunque el método propuesto ha sido validado tanto en el caso de IEEE 39-bus como en el de la red eléctrica de Hainan, los profesionales pueden necesitar adaptarlo o podrían encontrarse con dificultades durante la implementación. Esta sección ofrece orientación sobre posibles modificaciones y la solución de problemas comunes.

Modificaciones para escenarios específicos:

El método propuesto en este artículo no se limita a desastres de tifones. Puede adaptarse a otros desastres, como tormentas de hielo e incendios forestales, modificando los modelos correspondientes de peligro y vulnerabilidad. En la práctica de implementación, el modelo de campo de viento del tifón Jelesnianski debería sustituirse por modelos específicos de peligro adecuados, y el modelo de vulnerabilidad de la línea de transmisión debería recalibrarse en función de los mecanismos de fallo distintivos de los componentes bajo las nuevas condiciones de desastre.

En sistemas con alta penetración de renovables, el punto de operación previo al desastre se vuelve más variable. El método puede modificarse a un marco de optimización estocástica o robusta. La evaluación del riesgo de la cadena de fallos tendría que considerar múltiples escenarios de generación renovable, aumentando el número de cadenas de fallo candidatas y la carga computacional global.

Resolución de problemas comunes de implementación:

El método propuesto puede enfrentarse a tiempos de cálculo prohibitivamente largos cuando se aplica a sistemas a gran escala. Esto se debe a la complejidad combinatoria inherente al proceso de búsqueda en cadenas de fallos. En sistemas extra-grandes que contienen numerosas líneas iniciales de alto riesgo, el número de cadenas de fallo potenciales aumenta drásticamente, especialmente cuando se configura una gran profundidad de búsqueda, lo que conduce a una duración computacional excesiva. Para abordar este problema, se pueden considerar las siguientes estrategias de mitigación: Primero, el conjunto inicial de contingencias puede reducirse adecuadamente aumentando el umbral de probabilidad de fallo para su inclusión, filtrando así las líneas de alto riesgo con mayor rigor. Se debe dar prioridad a las líneas situadas dentro del área central prevista para el desastre. Segundo, la profundidad de búsqueda puede ser limitada. Según el juicio de ingeniería y la longitud típica de propagación de fallos históricos en cascada en la cuadrícula objetivo, la profundidad máxima de búsqueda puede reducirse de 4 a 3 o incluso 2. Además, el método propuesto puede encontrarse inviable en el modelo de optimización. Dadas las graves escenarios de contingencia que se abordan, las restricciones —como los criterios de seguridad N-1 y los límites de salida del generador— pueden ser excesivamente restrictivas, resultando en una solución factible de despacho de generación que pueda mitigar simultáneamente todas las cadenas de fallos de alto riesgo. Para resolver estos problemas, se pueden considerar los siguientes enfoques: Primero, las restricciones de seguridad pueden relajarse convirtiendo restricciones estrictas N-1 en restricciones blandas dentro de la función objetivo, permitiendo violaciones menores y temporales para lograr una reducción global del riesgo del sistema. Segundo, reexaminar el conjunto de cadenas de fallo candidatas. Es posible que algunas cadenas de muy baja probabilidad pero de alta consecuencia estén impulsando la inviabilidad. Podría ser necesario recortar el conjunto de candidatos basado en el riesgo.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GUROBI	Gurobi Optimization, LLC	10.0.1	Solucionador comercial utilizado para el modelo de optimización
MATLAB	MathWorks	2020b	Entorno central para todas las simulaciones
PC portátil	Lenovo	X1 Carbon Gen 9	CPU: Intel Core i7-1165G7; RAM: 16 GB; SSD: 512 GB; SO: Windows 11
Scripts MATLAB autodesarrollados	Autodesarrollado	v1.0	Implementa las rutinas de búsqueda y optimización de cadenas de fallos