Bajo condiciones normales de operación el Centro de Control recibe diariamente la programación del

día. Esta ha sido calculada con un día de anticipación en base a la demanda estacional, los contratos
de carga /generación, los mantenimientos preventivos, los flujos de intercambio, los mantenimientos
correctivos, las cotas hidráulicas, la operación económica, etc.

Las funciones primordiales del Centro de Control son: La regulación carga / frecuencia, el despacho
económico, el intercambio de potencia entre áreas vecinas, y la disponibilidad de unidades

En el ESTADO NORMAL, el sistema se encuentra operando dentro de los parámetros especificados,

niveles de tensión, frecuencia, y potencias. Ningún equipo está operando fuere de sus límites. Si
disponemos de un índice o criterio que mida la confiabilidad del sistema, este estado es considerado
normal si el sistema puede tratar con una contingencia de manera segura manteniendo las variables
dentro de sus especificaciones.

En el ESTADO DE ALERTA, las variables permanecen dentro de las especificaciones y se cumple con
todas las restricciones operativas, sin embargo el índice o criterio que determina la operación segura y
la posibilidad de que una contingencia no pueda ser manejada ha sido alcanzado, por ejemplo la
presencia de una tormenta de cierta envergadura, puede colocarnos en este estado (Tornado en La
Patagonia, posibilidad de falla doble en el corredor Comahue - Buenos Aires).

Con la desaparición de la tormenta se retorna nuevamente al ESTADO NORMAL, sin embargo si alguno
de los componentes del sistema o el sistema en si mismo opera fuera de las especificaciones se pasa al
ESTADO DE EMERGENCIA. Si la aplicación de una medida correctiva es tal que se mantiene el Estado de
Emergencia, entonces se pasa al ESTADO IN EXTREMIS. En el ESTADO DE RECUPERACIÓN se permanece
mientras se ejecutan maniobras o se activan controles con el objeto de recuperar el Estado Normal o el
de Alerta. La correcta caracterización de los eventos permiten diseñar las correctas estrategias de
control, no obstante se debe notar que una subtensión o sobretensión pueden resultar en un estado In
Extremis o no según el criterio que se haya establecido. En todo caso manejar estas situaciones difusas
puede requerir de técnicas especiales.

CONTINGENCIAS NORMALES
• Falla trifásica permanente sobre un generador, línea de transmisión, transformador o barra, con
tiempo de despeje de falla normal y teniendo en cuenta el recierre del interruptor.

• Cortocircuito simultáneo fase - tierra sobre diferentes fases en torres adyacentes y sobre líneas
múltiples, teniendo en cuenta el tiempo de despeje normal.

• Cortocircuito fase - tierra sobre línea de transmisión, transformador o barra con retardo en el tiempo
de despeje debido a fallas en el interruptor, o retardos en el canal de comunicación. • Pérdida de algún
dispositivo sin fallas.

• Falla monofásica permanente en un interruptor con tiempo de despeje normal.

CONTINGENCIAS EXTREMAS

• Pérdida total de la capacidad de generación en una central. 34

• Pérdida de todas la líneas de una estación generadora, estación transformadora o subestación.

• Pérdida de todos las líneas de transmisión en una trayectoria dada.

• Falla trifásica permanente sobre un generador, línea de transmisión, transformador, o barra con
tiempo de despeje anormal teniendo en cuenta el recierre del interruptor. • Variación súbita de una
gran carga o centro de carga.

• Falla de operación sobre un esquema especial de protección como desconexión de generación, o

aislación de carga

La reestructuración del mercado, hacia uno de libre competencia, deriva en las siguientes
consecuencias: 144 • Operación del sistema en los límites técnicos del mismo posicionándolo en un
punto de operación cercano a la falla. • Ajusta sus recursos con un criterio comercial y no técnico, esto
disminuye la confiabilidad. • Operar el sistema con un criterio de minimización de recursos y costos
maximizando la rentabilidad. • La dinámica de las transacciones exigen rápidas respuestas sobre su
factibilidad y puesta en marcha. • La configuración y adaptabilidad de la topología es un requerimiento.
• Todos los puntos anteriores, agregan incertidumbre a la operación del sistema.

5.3 Redes Neuronales

- ANN (Artificial Neural Networks). Las redes neuronales intentan simular el mecanismo de resolución
de problemas empleados por las neuronas biológicas; en este sentido su fortaleza reside en la alta
capacidad de procesamiento paralelo. Como se dijo en la introducción las mayores debilidades se
encuentran en el aprendizaje y en la formulación de la topología del sistema neuronal [Laughton,
1997; del Brio et al., 2002]
Utilizando un flujo óptimo (Optimal Reactive Power Flow) se obtienen los valores de generación,
posición de los taps de los transformadores y de la compensación necesaria en las barras; esto
representa el valor óptimo de salida de la red neuronal (variables de control). El objetivo de la
optimización es minimizar el cuadrado de la suma de todos los L-Index.

Se dispone así de un conjunto entrada – salida para entrenar la red neuronal. La entrada está
compuesta por los valores de tensión de los nodos de monitoreo y por los índices de estabilidad
respectivos; la salida que corrige este estado está provista por el algoritmo de flujo óptimo que fija los
valores de los controladores para corregir la contingencia.

Diseño de un Controlador Neuronal

La selección de los nodos pilotos se basa en la idea intuitiva de que estas barras se deberán escoger
entre las más fuertes, capaces de imponer tensiones en las otras mediante la inyección de reactivo en
ellas.

Esquema de control

En el presente trabajo una red neuronal es entrenada para controlar el nivel de tensión en los nodos
pilotos fijando la referencia de tensión en el AVR de cada generador que participa en el control
secundario de tensión, Figura 7.2 [Khaldi, 2008].

El juego de datos para entrenar la red neuronal se obtiene sometiendo el sistema a distintas
perturbaciones y resolviendo luego el flujo que resulta para la nueva situación.
Redes Neuronales Artificiales Las redes neuronales son una técnica de procesamiento de información
basada en la manera que los sistemas nerviosos biológicos, procesan información. El concepto
fundamental de las redes neuronales está en la estructura del sistema de procesamiento de
información, compuesto por un gran número de elementos de procesamiento altamente
interconectados llamados neuronas; es decir, de una serie de nodos de procesamiento que transfieren
actividad a otros a través de conexiones, imitando la actividad neuronal de la neurona biológica. Las
células nerviosas envían impulsos eléctricos a otras a través de axones, las cuales detectan estos
impulsos por medio de las dendritas. [14] El uso de las redes neuronales ofrece muchas propiedades y
capacidades, como el aprendizaje adaptativo, autoorganizativas, funcionamiento en paralelo en
tiempo real y tolerancia de fallas por la codificación redundante de la información. Desde el punto de
vista de solucionar problemas, las redes neuronales son diferentes de los ordenadores convencionales
que usan algoritmos secuenciales, mientras que las redes neuronales actúan como el cerebro
humano, procesando la información en paralelo, y también pueden aprender y generalizar a casos
nuevos que no estaban incluidos durante el proceso del diseño. Las redes neuronales pueden 29
procesar las informaciones más rápido que los ordenadores convencionales, pero tiene la desventaja
de que no podemos seguir su respuesta paso a paso como se puede hacer al ejecutar un programa
convencional en un ordenador por lo que no resulta fácil detectar los errores.

Los modelos de redes neuronales artificiales, o, simplemente, redes neuronales son conocidos bajo
diversas denominaciones, como “modelos conexionistas”, “neurocomputadores”, “modelos de
procesamiento paralelos distribuidos” y “sistemas neuromórficos”. Cualquiera que sea su nombre,
estos modelos tratan de conseguir el mejor rendimiento vía interconexión de elementos
computacionales simples.

No existe información que indique si la salida que produce la red es o no correcta. Las técnicas de
aprendizaje no supervisado se utilizan sobre todo para obtener estructuras, relaciones o
clasificaciones (cluster analysis). Existen muchos algoritmos de aprendizaje pero los más extendidos
son la regla delta generalizada (backpropagation) para el aprendizaje supervisado y la regla estándar
del aprendizaje competitivo en el caso no supervisado.

El proceso de diseño de una Red Neuronal Artificial (RNA) consiste en los siguientes pasos

1. Preparación de los datos adecuados para el entrenamiento.

2. Selección adecuada de la estructura de la red.

3. Entrenamiento de la red.

4. Evaluación de la red con patrones no utilizados en el entrenamiento.

Los datos para el entrenamiento pueden ser tomados de la realidad a partir de señales almacenadas
en oscilógrafos o dispositivos digitales modernos que guardan las señales de eventos reales
producidos en el Sistema Eléctrico de Potencia. Como el entrenamiento hay que hacerlo con
numerosos regímenes, casi siempre son empleados simuladores digitales de Sistemas Eléctricos de
Potencia para obtener las señales necesarias en la simulación. Existen herramientas matemáticas que
realizan el entrenamiento de una RNA y son flexibles como para cambiar el método de
entrenamiento. MATLAB® es una de ellas y que permite, incluso, simular el posterior funcionamiento
de la red con las señales que se deseen, para verificar el aprendizaje de la misma