Implementación de una herramienta de monitoreo dinámico con
unidades de medición fasorial virtuales utilizando software de código
abierto
Implementation of a dynamic monitoring tool with virtual phasor
measurement units using open source software
|
Toala Peñafiel, Milton
|
|
|
0009-0005-7822-9555
|
|
|
Universidad Técnica de Cotopaxi, Ecuador
milton.toala4175@utc.edu.ec
|
|
Salazar Avilés, Jefte
|
|
|
Universidad Técnica de Cotopaxi, Ecuador
jefte.salazar5525@utc.edu.ec
|
Resumen:
El
presente
estudio
desarrolló
una
implementación
práctica
de
monitoreo
dinámico
sobre un sistema de dos áreas, utilizando el software
Power
Factory
para
la
simulación
de
eventos
de
perturbación
y
herramientas
de
código
abierto
(Spyder,
PyCharm
y
PMU
Tester)
para
la
visualización y análisis de señales en tiempo real.
La metodología incluyó: (i) la resolución del flujo
de potencia en condiciones normales de operación
con una tolerancia de convergencia de 1×10⁻⁶ p.u.,
(ii)
la
simulación
de
eventos
de
falla
en
líneas,
barras
y
generadores
mediante
simulación
electromecánica
transitoria
(EMS),
(iii)
la
aplicación
de
reguladores
automáticos
de
voltaje
(AVR)
y
estabilizadores
de
sistemas
de
potencia
(PSS) para mitigar la inestabilidad oscilatoria, y (iv)
la exportación de datos a una plataforma de Python
para generar señales síncrono-fasoriales en tiempo
real.
Los
resultados
evidenciaron
que
la
incorporación
de
los
estabilizadores
mejora
significativamente la señal oscilatoria del sistema,
reduciendo
el
tiempo
de
recuperación
frente
a
eventos de falla entre un 66% y un 69%. Asimismo,
se observó que los parámetros de los controladores
requieren ajustes específicos según la ubicación y
duración
de
la
falla.
Las
señales
de
voltaje,
corriente,
ángulo
y
potencia
activa
variaron
en
función del tipo y tiempo de falla, pudiendo exceder
los límites operativos hasta que el sistema retorna a
su estado estable. El estudio demuestra la viabilidad
de integrar software comercial de simulación con
herramientas de código abierto para implementar un
sistema
de
monitoreo
dinámico
accesible
y
replicable.
Palabras clave:
estabilidad oscilatoria; unidades de
medición
fasorial;
código
abierto;
sistemas
eléctricos de potencia.
Abstract:
The present study developed a practical
implementation
of
dynamic
monitoring
on a
two-
area
system,
using
Power
Factory
software
for
disturbance event simulation and open-source tools
(Spyder, PyCharm, and PMU Tester) for real-time
signal visualization and analysis. The methodology
included: (i) power flow resolution under normal
operating conditions with a convergence tolerance
of
1×10⁻⁶
p.u.,
(ii)
simulation
of
fault
events
on
lines,
buses,
and
generators
using
electromechanical transient simulation (EMS), (iii)
application of automatic voltage regulators (AVR)
and
power
system
stabilizers
(PSS)
to
mitigate
oscillatory
instability,
and
(iv)
data
export
to
a
Python
platform
for
generating
real-time
synchrophasor signals. Results evidenced that the
incorporation of stabilizers significantly improves
the
system's
oscillatory
signal,
reducing
recovery
time
against
fault
events
between
66%
and
69%.
Likewise,
controller
parameters
require
specific
adjustments
according
to
fault
location
and
duration. Voltage, current, angle, and active power
signals
varied
according
to
fault
type
and
time,
potentially
exceeding
operational
limits
until
the
system
returns
to
steady
state.
The
study
demonstrates
the
feasibility
of
integrating
commercial
simulation
software
with
open-source
tools
to
implement
an
accessible
and
replicable
dynamic monitoring system.
Keywords:
dynamic
monitoring;
oscillatory
stability; phasor measurement units; open source;
electrical power systems.
Vol. 2 Núm. 1 (2025)- 1-13
Revista Multidisciplinaria
Ciencia Kawsay
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
Cítese: Toala Peñafiel, M. y Salazar
Avilés
, J. (202
5).
Implementación
de
una
herramienta
de
monitoreo
dinámico
con
unidades
de
medición
fasorial
virtuales
utilizando
software
de
código
abierto.
Ciencia Kawsay, 2
(1),
1-13.
Recibido:
11/11/2024
Aceptado: 06/01/2025
Publicado:
13/01/2025
INTRODUCCIÓN
El mejoramiento continuo de los estándares de calidad en los sistemas eléctricos de
potencia (SEP) responde a la necesidad de garantizar confiabilidad y seguridad en las
redes
de
distribución
eléctrica.
En
este
contexto,
los
investigadores
han
desarrollado
análisis
de
oscilaciones
para
determinar
la
confiabilidad
de
la
red,
establecer
rangos
operativos en estado normal y definir parámetros que contribuyan a la estabilización del
sistema
(Dueñas
Llanos
y
Palacios Andrade
,
2007).
Estos
análisis
permiten,
además,
estudiar casos con eventos de falla para observar cómo las señales se perturban y en qué
tiempo el sistema se recupera, proporcionando al operador información necesaria para la
gestión de la red ante situaciones críticas.
Los sistemas de gestión de energía (EMS, por sus siglas en inglés) constituyen un
conjunto
de
herramientas
computacionales
empleadas
en
la
supervisión
de
redes
eléctricas. Estos sistemas recopilan todas las mediciones obtenidas
en
campo, lo que
permite una gestión adecuada del recurso energético (Cepeda y De La Torre, 2014). Como
lo señalan Phadke y Thorp (2008), los sistemas de monitoreo de área amplia (WAMS)
basados en unidades de medición fasorial (PMU) han revolucionado la supervisión de
SEP
al
proporcionar
datos
sincronizados
en
tiempo
real
con
resolución
de
hasta
30
muestras por segundo. Las funciones de análisis se aplican sobre el sistema eléctrico
extrayendo
y
almacenando
información
para
realizar
estudios
de
flujo
de
potencia,
análisis de contingencia, estimación de estados,
flujo de potencia óptimo, análisis de
cortocircuito y estabilidad de voltaje mediante curvas PV (Kundur y Malik
et al
., 2022).
El procesamiento de datos en un EMS requiere dos tipos de entradas fundamentales.
En primer lugar, se necesita información del modelo eléctrico de la
red, que incluye
parámetros
de
líneas,
transformadores
y
capacitores.
En
segundo
lugar,
se
requieren
mediciones de campo y mediciones virtuales, las cuales se interpretan mediante gráficas
que permiten visualizar el comportamiento del sistema (
Šandi
et al.,
2016). El análisis de
estas gráficas facilita la identificación de estrategias para mejorar el sistema o evitar que
las perturbaciones se prolonguen excesivamente. De acuerdo con
Wang
et al.
(2021), la
integración de PMU virtuales basados en simulación con herramientas de código abierto
representa una alternativa de bajo costo para la formación de operadores y para estudios
preliminares de estabilidad.
El
objetivo
del
presente
estudio
consistió
en
implementar
una
herramienta
de
monitoreo
dinámico
basada
en
unidades
de
medición
fasorial
virtuales,
integrando
software comercial Power Factory con herramientas de código abierto (Spyder, PyCharm
y PMU Tester). El propósito fue evaluar el comportamiento oscilatorio de un sistema de
dos áreas frente a eventos de falla, aplicando reguladores automáticos de voltaje (AVR) y
estabilizadores
de
sistemas
de
potencia
(PSS)
para
mitigar
la
inestabilidad.
Como
complemento,
estudios
recientes
han
demostrado
que
la
combinación
de
simuladores
electromecánicos
con
plataformas
de
código
abierto
permite
validar
algoritmos
de
estimación de estados y detección de oscilaciones sin necesidad de infraestructura física
costosa (
Li
et al
., 2022;
Zhang
et al
., 2021). De esta manera, se buscó establecer una
metodología replicable para el monitoreo en tiempo real de sistemas eléctricos.
2
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
METODOLOGÍA
Descripción del sistema de estudio
El estudio se desarrolló sobre un sistema eléctrico de dos áreas, el cual constituye un
caso
de
prueba
estándar
para
análisis
de
estabilidad
oscilatoria
en
la
literatura
especializada (
Kundur y Malik
et al
., 2022
). La Figura 1 presenta el diagrama unifilar del
sistema de dos áreas utilizado en la simulación. Este sistema incluye generadores, líneas
de transmisión, barras y cargas distribuidas en ambas áreas interconectadas.
Figura 1. Sistema de dos áreas para el análisis de estabilidad oscilatoria
La Tabla 1 presenta los parámetros base del sistema de dos áreas utilizados en todas
las simulaciones. Estos parámetros son consistentes con los sistemas de prueba estándar
reportados en la literatura (
Kundur y Malik
et al
., 2022
; Milano, 2010).
Tabla 1. Parámetros base del sistema de dos áreas
|
Parámetro
|
Valor
|
Unidad
|
|
Potencia base (S_base)
|
100
|
MVA
|
|
Voltaje base (V_base)
|
230
|
kV
|
|
Frecuencia base (f_base)
|
60
|
Hz
|
|
Impedancia base (Z_base)
|
529
|
Ω
|
|
Corriente base (I_base)
|
251
|
A
|
La
Tabla
2
presenta
las
impedancias
de
las
líneas
de
transmisión
del
sistema
en
unidades por unidad (p.u.), calculadas a partir de los parámetros base de la Tabla 1.
Tabla 2. Parámetros de líneas de transmisión en unidades por unidad
|
Línea
|
Resistencia (R)
[p.u.]
|
Reactancia (X)
[p.u.]
|
Susceptancia (B/2)
[p.u.]
|
|
Línea 1-2
|
0.0025
|
0.0250
|
0.0210
|
3
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
|
Línea 1-3
|
0.0030
|
0.0300
|
0.0250
|
|
Línea 2-3
|
0.0020
|
0.0200
|
0.0180
|
Una vez seleccionado el sistema, se procedió a ubicar estratégicamente las unidades
de medición fasorial (PMU) virtuales en puntos clave de la red. La Figura 2 muestra la
ubicación de los PMU en el sistema de dos áreas, seleccionada en función de la criticidad
de
los
nodos
y
la
capacidad
de
observar
modos
oscilatorios
inter-área,
siguiendo
los
criterios de observabilidad establecidos por Phadke y Thorp (2008).
Figura 2. Ubicación de las unidades de medición fasorial en el sistema de dos
áreas
Simulación de flujo de potencia y eventos de falla
En primer lugar, se resolvió el flujo de potencia del sistema en condiciones normales
de operación. La tolerancia de convergencia utilizada para el flujo de potencia fue de
1×10⁻⁶
unidades
por
unidad
(p.u.)
para
las
potencias
activa
y
reactiva,
siguiendo
l
as
recomendaciones
de
Milano
(2020)
para
estudios
de
estabilidad.
Este
paso
permitió
establecer
la
base
de
comparación
para
evaluar
el
impacto
de
las
perturbaciones
posteriores. Posteriormente, se simularon eventos de falla en diferentes elementos del
sistema, incluyendo líneas de transmisión, barras y generadores.
La Tabla 3 presenta el listado de eventos de falla ingresados en el software Power
Factory
para
la
simulación.
Los
eventos
incluyeron
cortocircuitos
trifásicos
en
ubicaciones predeterminadas, apertura de interruptores y variaciones de carga.
Tabla 3. Eventos de falla simulados en el sistema de dos áreas
|
Tipo de evento
|
Ubicación
|
Duración (s)
|
Tiempo de inicio (s)
|
|
Cortocircuito trifásico
|
Línea 7-8
|
0.10
|
1.00
|
|
Cortocircuito trifásico
|
Barra 3
|
0.08
|
1.50
|
|
Apertura de interruptor
|
Barra 3
|
0.05
|
2.00
|
|
Variación de carga (20%)
|
Barra 9
|
0.20
|
2.50
|
4
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
Variables de monitoreo
Se definieron las variables eléctricas a monitorear durante las simulaciones. La Tabla
4 enumera las variables analizadas, las cuales incluyen voltajes en barras (B1, B3, B7,
B8, B9), corrientes en generadores (G1, G3) y flujos de potencia en líneas críticas (Línea
7-8, Línea 8-7).
Tabla 4. Variables seleccionadas para el monitoreo dinámico del sistema
|
Variables
|
Tipo
|
Ubicación
|
Unidad
|
Rango nominal
|
|
V_B1
|
Voltaje
|
Barra 1
|
p.u.
|
0.95-1.05
|
|
V_B3
|
Voltaje
|
Barra 3
|
p.u.
|
0.95-1.05
|
|
V_B7
|
Voltaje
|
Barra 7
|
p.u.
|
0.95-1.05
|
|
V_B8
|
Voltaje
|
Barra 8
|
p.u.
|
0.95-1.05
|
|
V_B9
|
Voltaje
|
Barra 9
|
p.u.
|
0.95-1.05
|
|
I_G1
|
Corriente
|
Generador 1
|
A
|
0-500
|
|
I_G3
|
Corriente
|
Generador 3
|
A
|
0-500
|
|
P_Line78
|
Potencia activa
|
Línea 7-8
|
MW
|
0-200
|
|
P_Line87
|
Potencia activa
|
Línea 8-7
|
MW
|
0-200
|
Simulación electromecánica transitoria (EMS)
Una vez definidas las variables, se procedió a ejecutar la simulación electromecánica
transitoria (EMS) para cada evento de falla. Este tipo de simulación permite observar la
evolución
temporal
de
las
variables
eléctricas
ante
perturbaciones,
considerando
los
modelos dinámicos de los generadores y sus sistemas de control (
Kundur y Malik
et al
.,
2022
).
Para cada simulación, se registraron los siguientes parámetros de interés:
-
•
Voltaje normal de operación
-
•
Voltaje durante la falla
-
•
Factor de corrección
-
•
Potencia de cortocircuito inicial
-
•
Corriente de cortocircuito subtransitoria
-
•
Corriente pico instantánea
Estos parámetros permitieron analizar el estado estable del sistema antes, durante y
después de
cada evento
de falla, siguiendo los procedimientos estándar
descritos por
Grainger
et al
. (2016).
Aplicación de estabilizadores (Frame con AVR y PSS)
Con el objetivo de mitigar la inestabilidad oscilatoria, se incorporaron estabilizadores
(denominados Frame en el estudio) compuestos por reguladores automáticos de voltaje
(AVR) y estabilizadores de sistemas de potencia (PSS). Estos dispositivos actúan sobre
los generadores para amortiguar las oscilaciones electromecánicas que se producen tras
una perturbación (Rogers, 2000). Como lo señalan Machowski
et al.
(2020), la correcta
sintonización
de
los
PSS
es
fundamental
para
garantizar
la
estabilidad
de
pequeñas
señales en sistemas interconectados.
5
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
La Figura 3 presenta las señales obtenidas del comportamiento del sistema antes y
después
de
la
aplicación
de
los
estabilizadores.
Como
se
observa
en
la
figura,
la
incorporación
de
los
Frame
reduce
significativamente
la
amplitud
y
duración
de
las
oscilaciones.
Figura 3. Señales del comportamiento del sistema con y sin estabilizadores
Exportación de datos y procesamiento en Python
Una vez completadas las simulaciones en Power Factory, los valores obtenidos se
exportaron a una plantilla de Microsoft Excel. Posteriormente, estos datos se importaron
en un script desarrollado en el entorno Spyder de Python (Van Rossum y Drake, 2009).
La Figura 4 muestra el script implementado en Spyder para el procesamiento de los datos
exportados.
6
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
Figura 4. Script de procesamiento de datos en el entorno Spyder (Python)
7
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
import random
from synchrophasor.frame import ConfigFrame2
from synchrophasor.pmu import Pmu
"""
randomPMU will listen on ip:port for incoming connections.
After request to start sending measurements - random
values for phasors will be sent.
"""
if __name__ == "__main__":
# pmu = Pmu(ip="172.24.37.185", port=1410)
pmu = Pmu(ip="127.0.0.1", port=1410)
pmu.logger.setLevel("DEBUG")
cfg = ConfigFrame2(1410, # PMU_ID
1000000, # TIME_BASE
1, # Number of PMUs included in data frame
"TWOAREAS", # Station name
1410, # Data-stream ID(s)
(True, True, True, True), # Data format - POLAR; PH - REAL; AN - REAL; FREQ - REAL;
11, # Number of phasors
1, # Number of analog values
1, # Number of digital status words
["VA1", "VA3", "VA7", "VA8", "VA9", "IA78", "IA89", "IA98", "IAG1", "IAG3", "ANALOG1",
"BREAKER 1 STATUS",
"BREAKER 2 STATUS", "BREAKER 3 STATUS", "BREAKER 4 STATUS", "BREAKER 5 STATUS",
"BREAKER 6 STATUS", "BREAKER 7 STATUS", "BREAKER 8 STATUS", "BREAKER 9 STATUS",
"BREAKER A STATUS", "BREAKER B STATUS", "BREAKER C STATUS", "BREAKER D STATUS",
"BREAKER E STATUS", "BREAKER F STATUS", "BREAKER G STATUS"], # Channel Names
[(0, "v"), (0, "v"), (0, "v"), (0, "v"), (0, "v"),
(0, "i"), (0, "i"), (0, "i"), (0, "i"), (0, "i")], # Conversion factor for phasor channels - (float representation,
not important)
[(1, "pow")], # Conversion factor for analog channels
[(0x0000, 0xffff)], # Mask words for digital status words
60, # Nominal frequency
1, # Configuration change count
60) # Rate of phasor data transmission
pmu.set_configuration(cfg)
pmu.set_header("Hey! I'm randomPMU! Guess what? I'm sending random measurements values!")
pmu.run()
import pandas as pd
import numpy as np
dato = pd.read_csv("DATOG8.csv")
while True:
if pmu.clients:
for i in range(0, len(dato)):
VA_B1_MAG = dato.iloc[i]["VA_B1_MAG"] * 1000
VA_B1_ANG = dato.iloc[i]["VA_B1_ANG"] * np.pi / 180
VA_B3_MAG = dato.iloc[i]["VA_B3_MAG"] * 1000
VA_B3_ANG = dato.iloc[i]["VA_B3_ANG"] * np.pi / 180
VA_B7_MAG = dato.iloc[i]["VA_B7_MAG"] * 1000
VA_B7_ANG = dato.iloc[i]["VA_B7_ANG"] * np.pi / 180
VA_B8_MAG = dato.iloc[i]["VA_B8_MAG"] * 1000
VA_B8_ANG = dato.iloc[i]["VA_B8_ANG"] * np.pi / 180
VA_B9_MAG = dato.iloc[i]["VA_B9_MAG"] * 1000
VA_B9_ANG = dato.iloc[i]["VA_B9_ANG"] * np.pi / 180
IA_B788_MAG = dato.iloc[i]["IA_B788_MAG"] * 1000
IA_B788_ANG = dato.iloc[i]["IA_B788_ANG"] * np.pi / 180
IA_B887_MAG = dato.iloc[i]["IA_B887_MAG"] * 1000
IA_B887_ANG = dato.iloc[i]["IA_B887_ANG"] * np.pi / 180
IA_B889_MAG = dato.iloc[i]["IA_B889_MAG"] * 1000
IA_B889_ANG = dato.iloc[i]["IA_B889_ANG"] * np.pi / 180
IA_B988_MAG = dato.iloc[i]["IA_B988_MAG"] * 1000
IA_B988_ANG = dato.iloc[i]["IA_B988_ANG"] * np.pi / 180
IA_G1_MAG = dato.iloc[i]["IA_G1_MAG"] * 1000
IA_G1_ANG = dato.iloc[i]["IA_G1_ANG"] * np.pi / 180
IA_G3_MAG = dato.iloc[i]["IA_G3_MAG"] * 1000
IA_G3_ANG = dato.iloc[i]["IA_G3_ANG"] * np.pi / 180
pmu.send_data(phasors=[(VA_B1_MAG, VA_B1_ANG),
(VA_B3_MAG, VA_B3_ANG),
(VA_B7_MAG, VA_B7_ANG),
(VA_B8_MAG, VA_B8_ANG),
(VA_B9_MAG, VA_B9_ANG),
(IA_B788_MAG, IA_B788_ANG),
(IA_B887_MAG, IA_B887_ANG),
(IA_B889_MAG, IA_B889_ANG),
(IA_B988_MAG, IA_B988_ANG),
(IA_G1_MAG, IA_G1_ANG),
(IA_G3_MAG, IA_G3_ANG)],
analog=[9.91],
digital=[0x0001])
pmu.join()
El
script
desarrollado
permitió
conectar
los
datos
procesados
al
PMU
Tester,
una
herramienta de código abierto para la generación y visualización de señales síncrono-
fasoriales en tiempo real (Šandi
et al.,
2016; Zhang
et al
., 2021). La Figura 5 presenta las
señales en tiempo real obtenidas a través del PMU Tester, donde se evidencia la evolución
de las variables monitoreadas.
Figura 5. Señales en tiempo real visualizadas mediante el PMU Tester
Posteriormente, se utilizó un segundo script desarrollado en PyCharm para analizar las
curvas de ángulo, voltaje (en unidades por unidad) y potencia activa. La Figura 6 presenta
las gráficas generadas en PyCharm, las cuales permiten una interpretación más detallada
del comportamiento dinámico del sistema.
Figura 6. Gráficas de ángulo, voltaje y potencia generadas en PyCharm
RESULTADOS
Comportamiento del sistema sin estabilizadores
En
ausencia
de
estabilizadores
(Frame),
el
sistema
exhibió
un
comportamiento
oscilatorio
prolongado
tras
la
ocurrencia
de
eventos
de
falla.
Las
señales
de
voltaje,
corriente, ángulo y potencia activa presentaron distorsiones significativas, y el tiempo
requerido
para
que
el
sistema
retornara
a
un
estado
de
operación
estable
fue
considerablemente
mayor
en
comparación
con
el
escenario
con
estabilizadores.
Este
8
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
comportamiento
es
consistente
con
lo
reportado
por
Machowski
et
al.
(2020)
para
sistemas sin control suplementario.
Este
hallazgo
evidencia
que,
sin
dispositivos
de
amortiguamiento,
el
sistema
permanece
vulnerable
a
perturbaciones,
lo
que
podría
comprometer
la
estabilidad
operativa
y
la
calidad
del
suministro
eléctrico.
Como
señalan
Kundur
y
Malik
et
al
.
(2022
), las oscilaciones no amortiguadas pueden llevar a la pérdida de sincronismo y al
colapso del sistema.
Comportamiento del sistema con estabilizadores (Frame)
La incorporación de los estabilizadores (Frame), compuestos por AVR y PSS, produjo
una mejora sustancial en la respuesta del sistema frente a fallas. Como se observa en la
Tabla 5, el tiempo de recuperación de la señal oscilatoria se redujo significativamente
cuando se aplicaron los controladores.
Tabla 5. Comparación del tiempo de recuperación del sistema con y sin
estabilizadores
|
Tipo de falla
|
Tiempo de
recuperación sin
Frame (s)
|
Tiempo de
recuperación
con Frame (s)
|
Reducción
(%)
|
|
Cortocircuito en Línea 7-8
|
2.45
|
0.82
|
66.5
|
|
Cortocircuito en Barra 3
|
2.12
|
0.71
|
66.5
|
|
Apertura de interruptor en Barra
3
|
1.98
|
0.61
|
69.2
|
|
Variación de carga en Barra 9
|
1.72
|
0.54
|
68.6
|
Adicionalmente,
se
observó
que
el
comportamiento
de
las
variables
monitoreadas
(voltaje, corriente,
ángulo y potencia) varía en función del tiempo y
el
tipo de falla.
Durante
el
evento
de
falla,
dichas
variables
pueden
exceder
los
límites
operativos
establecidos, retornando gradualmente a sus valores nominales una vez que el sistema se
recupera. Estos resultados coinciden con los hallazgos de Wang
et al
. (2021) y Li
et al.
(2021), quienes reportaron que los métodos basados en estimación fasorial y detección de
desviaciones
de
frecuencia
permiten
mejorar
el
monitoreo
dinámico
de
sistemas
eléctricos.
Influencia de la ubicación y duración de la falla
Un
hallazgo
particularmente
relevante
consistió
en
que
los
parámetros
de
los
controladores (AVR y PSS) requieren ajustes específicos según la ubicación y duración
de
la
falla.
La Tabla
6
presenta
los
parámetros
óptimos
identificados
para
diferentes
escenarios de falla.
Tabla 6. Parámetros ajustados de los controladores según tipo de falla
|
Ubicación de
la falla
|
Duración
(s)
|
Ganancia AVR
(K_AVR)
|
Constante de
tiempo PSS
(T_PSS, s)
|
Ganancia PSS
(K_PSS)
|
|
Línea 7-8
|
0.10
|
25.0
|
0.35
|
12.5
|
|
Barra 3
|
0.08
|
28.5
|
0.38
|
14.0
|
9
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
|
Apertura en
Barra 3
|
0.05
|
30.5
|
0.40
|
15.0
|
|
Generador 1
|
0.08
|
22.0
|
0.30
|
10.0
|
Como resultado de estos ajustes, la señal oscilatoria mejoró su comportamiento en
términos de amortiguamiento y tiempo de estabilización. En consecuencia, se concluye
que no existe una configuración única de controladores para todo el sistema, sino que los
parámetros deben calibrarse en función del punto específico donde ocurre la perturbación.
Rogers (2000) confirma que la sintonización de PSS debe realizarse considerando los
modos oscilatorios específicos de cada área del sistema.
Generación de señales en tiempo real mediante herramientas de código abierto
La
integración
de
Power
Factory
con
Python
(Spyder)
y
el
PMU Tester
permitió
generar señales síncrono-fasoriales en tiempo real. Las curvas de ángulo, voltaje (p.u.) y
potencia
obtenidas
mediante
PyCharm
demostraron
la
viabilidad
de
implementar
un
sistema de monitoreo dinámico de bajo costo utilizando herramientas de código abierto
(Šandi
et al
., 2016; Zhang
et al
., 2021).
Las gráficas generadas (Figura 6) evidencian la evolución temporal de las variables
monitoreadas, destacando los transitorios posteriores a cada evento de falla y la posterior
estabilización del sistema gracias a la acción de los controladores. Zhang
et al
. (2021)
documentaron la implementación de aplicaciones síncrono-fasoriales para monitoreo de
oscilaciones en tiempo real, demostrando la viabilidad de integrar mediciones fasoriales
con herramientas de visualización en centros de control.
DISCUSIÓN
Interpretación de los hallazgos
Los resultados obtenidos confirman que el análisis de estabilidad oscilatoria mediante
software
especializado
(Power
Factory)
constituye
una
herramienta
valiosa
para
investigadores y operadores de sistemas eléctricos de potencia. A diferencia de estudios
previos que se limitan a la simulación sin validación externa (
Dueñas
Llanos y Palacios
Andrade,
2007),
el
presente
estudio
integró
herramientas
de
código
abierto
para
la
visualización en tiempo real, lo que amplía las posibilidades de monitoreo continuo.
En contraste con los hallazgos de Cepeda y De La Torre (2014), quienes analizaron
oscilaciones
de
baja
frecuencia
en
el
Sistema
Nacional
Interconectado
del
Ecuador
utilizando
registros
históricos,
la
presente
investigación
generó
señales
síncrono-
fasoriales
a
partir
de
simulaciones
controladas.
Esta
aproximación
permite
mayor
flexibilidad en el diseño de escenarios de prueba y facilita la validación de algoritmos de
control sin necesidad de infraestructura física (Li
et al
., 2022).
Comparación con estudios previos
De manera similar a lo reportado por Šandi
et al.
(2016), quienes desarrollaron el
paquete
PyPMU
para
la
transferencia
de
datos
síncrono-fasoriales,
la
presente
implementación utilizó Python como plataforma de procesamiento y visualización. La
principal diferencia radica en que el presente estudio integró los datos exportados desde
10
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
Power Factory, mientras que Šandi
et al.
(2016) trabajaron directamente con flujos de
datos provenientes de PMU físicos.
Por otra parte, los resultados de la Tabla 5 (reducción del tiempo de recuperación entre
66.5% y 69.2%) son consistentes con los reportados por Machowski
et al.
(2020), quienes
documentaron mejoras del 60-75% en sistemas de dos áreas con PSS adecuadamente
sintonizados. Asimismo, Rogers (200) estableció que el análisis modal es fundamental
para comprender las oscilaciones electromecánicas y diseñar controladores efectivos para
sistemas de potencia.
Los hallazgos del presente estudio sugieren que la combinación de software comercial
de simulación (Power Factory) con herramientas de código abierto (Python, PMU Tester)
ofrece
una
alternativa
viable
y
de
bajo
costo
para
la
implementación
de
sistemas
de
monitoreo dinámico, especialmente en contextos donde no se dispone de PMU físicos
(Zhang
et al
., 2021
; Zhang
et al
., 2021).
Limitaciones del estudio
El presente estudio presenta varias limitaciones que deben ser consideradas. En primer
lugar,
la
simulación
se
realizó
sobre
un
sistema
de
dos
áreas,
el
cual,
si
bien
es
representativo para estudios de estabilidad oscilatoria, no captura toda la complejidad de
un sistema eléctrico real de gran escala (
Kundur y Malik
et al
., 2022
). En segundo lugar,
los PMU implementados son virtuales (basados en simulación), por lo que los resultados
no reflejan las incertidumbres asociadas a mediciones reales, tales como ruido, errores de
sincronización o pérdida de datos (Phadke y Thorp, 2008). En tercer lugar, la calibración
de los parámetros de los controladores se realizó mediante prueba y error, sin emplear
métodos
de
optimización
sistemática
como
algoritmos
genéticos
o
búsqueda
por
enjambre de partículas (Rogers, 2000).
A
pesar
de
estas
limitaciones,
la
metodología
propuesta
es
replicable
y
puede
ser
extendida a sistemas de mayor escala utilizando bases de datos estándar como los sistemas
de prueba del IEEE de 14, 30, 57 o 118 barras (Milano, 2020; Grainger
et al.,
2016).
Implicaciones prácticas
Los
hallazgos
del
estudio
tienen
implicaciones
prácticas
para
los
operadores
de
sistemas eléctricos. La capacidad de simular eventos de falla y observar la respuesta del
sistema en tiempo real permite anticipar comportamientos críticos y diseñar estrategias
de
mitigación
antes
de
que
ocurran
eventos
reales.
Asimismo,
la
integración
de
herramientas de código abierto reduce las barreras económicas para la implementación
de sistemas de monitoreo, especialmente en países en desarrollo (Zhang
et al
., 2021
).
Zhang
et al.
(2021) demostraron que la implementación de aplicaciones avanzadas de
potencia para monitoreo de confiabilidad del sistema, incluyendo análisis de estabilidad
en tiempo real y aplicaciones síncrono-fasoriales, mejora significativamente la capacidad
de respuesta de los operadores ante contingencias.
11
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
CONCLUSIONES
El presente estudio implementó una herramienta de monitoreo dinámico para sistemas
eléctricos de potencia, integrando el software Power Factory con herramientas de código
abierto
(Spyder,
PyCharm
y
PMU
Tester).
Los
resultados
obtenidos
permitieron
establecer que la incorporación de estabilizadores (Frame) compuestos por reguladores
automáticos de voltaje (AVR) y estabilizadores de sistemas de potencia (PSS) mejora
significativamente la señal oscilatoria del sistema frente
a eventos de
falla. Como se
evidenció en la Tabla 5, el tiempo de recuperación se redujo entre un 66.5% y un 69.2%
dependiendo del tipo de falla, lo cual confirma la efectividad de estos dispositivos para
amortiguar
las
oscilaciones
electromecánicas.
Asimismo,
se
determinó
que
los
parámetros de los controladores deben ajustarse específicamente según la ubicación y
duración de la falla, pues no existe una configuración única aplicable a todo el sistema.
Esta
conclusión
implica
que
la
calibración
de
los
AVR
y
PSS
debe
realizarse
considerando la topología de la red y los puntos críticos de operación. En ausencia de
estabilizadores,
las
señales
oscilatorias
del
sistema
requieren
un
tiempo
significativamente mayor para retornar a un estado de operación estable, lo que confirma
la importancia de contar con sistemas de control adecuados para garantizar la estabilidad
y confiabilidad del suministro eléctrico.
Durante los eventos de
falla simulados, los valores de voltaje, corriente, ángulo y
potencia activa variaron en función del tiempo y el tipo de falla, pudiendo exceder los
límites
operativos
establecidos.
Esta
información
resulta
crucial
para
el
diseño
de
esquemas de protección y para la definición de márgenes de seguridad en la operación
del
sistema.
Por
otra
parte,
la
integración
de
Power
Factory
con
Python
(Spyder,
PyCharm) y PMU Tester permitió generar y visualizar señales síncrono-fasoriales en
tiempo real a partir de simulaciones. Esta metodología ofrece una alternativa viable y de
bajo costo para el monitoreo dinámico en contextos donde no se dispone de PMU físicos.
Finalmente, la metodología desarrollada es replicable y puede ser extendida a sistemas
de mayor escala, como los sistemas de prueba del IEEE de 14, 30, 57 o 118 barras. Los
scripts implementados en Python y los parámetros de configuración de Power Factory
pueden ser adaptados por otros investigadores sin necesidad de modificar la estructura
fundamental de la metodología.
REFERENCIAS
Cepeda,
J.
C.,
y
De
La
Torre, A.
B.
(2014).
Monitoreo
de
las
oscilaciones
de
baja
frecuencia del Sistema Nacional Interconectado a partir de los registros en tiempo
real.
Revista
Técnica
"Energía",
10
(1),
181-190.
https://doi.org/10.37116/revistaenergia.v10.n1.2014.114
.
Dueñas Llanos, M. E.,
y Palacios Andrade, J. P. (2007). Monitoreo y control de una
estación de servicio [Tesis de grado, Escuela Superior Politécnica del Litoral].
https://www.dspace.espol.edu.ec/handle/123456789/44300?locale=es
.
12
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025
Grainger, J. J., Stevenson, W. D., y Chang, G. W. (2016). Power system analysis (2nd
ed.).
McGraw-Hill.
https://bibliotecadigital.espol.edu.ec/library/publication/power-system-analysis-
1631903734
.
Kundur, P. S., y Malik, O.
(2022).
Power system stability and control (2nd ed.). McGraw-
Hill.
https://www.mheducation.com/highered/mhp/product/power-system-
stability-control-second-edition.html?viewOption=student
.
Li, W., Zhang, G., Chen, M., Zhong, H., y Geng, Y. (2021). Dynamic harmonic phasor
estimator considering frequency deviation.
IEEE Sensors Journal, 21
(21), 24453-
24461.
https://doi.org/10.1109/JSEN.2021.3113795
.
Machowski,
J.,
Lubosny,
Z.,
Bialek,
J.
W.,
y
Bumby,
J.
R.
(2020).
Power
system
dynamics:
Stability
and
control
(3rd
ed.).
John
Wiley
&
Sons.
https://eprints.ncl.ac.uk/272792
.
Milano,
F.
(2010).
Power
system
modelling
and
scripting
(2nd
ed.).
Springer.
https://doi.org/10.1007/978-3-642-13669-6
.
Phadke, A.
G.,
y
Thorp,
J.
S.
(2008).
Synchronized
phasor
measurements
and
their
applications (2nd ed.). Springer.
https://doi.org/10.1007/978-0-387-76537-2
.
Rogers,
G.
(2000).
Power
system
oscillations
(2nd
ed.).
Springer.
https://anyflip.com/epwvh/kass/basic/101-150
.
Šandi, S.,
Krstajić
, B., y
Popović
, T. (2016).
PyPMU - Open source python package for
synchrophasor data transfer. 24th Telecommunications Forum (TELFOR 2016),
5-8.
https://doi.org/10.1109/TELFOR.2016.7818916
.
Van
Rossum,
G.,
y
Drake,
F.
L.
(2009).
Python
3
reference
manual.
CreateSpace.c
https://dl.acm.org/doi/book/10.5555/1593511
.
Wang, M., Chow, J. H., Osipov, D., Konstantinopoulos, S., Zhang, S., Farantatos, E., y
Patel,
M.
(2021).
Review
of
low-rank
data-driven
methods
applied
to
synchrophasor measurement.
IEEE Open Access Journal of Power and Energy, 8,
532-542.
https://doi.org/10.17023/eya9-vw25
.
Zhang,
H.
(2021).
Implementing
synchrophasor
applications
for
grid
monitoring
.
En
Power
Systems
(pp.
343-389).
Springer.
https://doi.org/10.1007/978-3-030-
44544-7_6
.
Zhang, H., Kincic, S., y Edwards, S. (2021). Advanced power applications for system
reliability monitoring.
Springer.
https://doi.org/10.1007/978-3-030-44544-7
.
13
Revista Ciencia Kawsay | Vol. 02 | Núm. 01 | enero - junio | 2025