IEEE Power & Energy - Spanish - Marzo/Abril 2018 - 39

utiliza para calcular el BiL_nuevo. se trata de un paradigma
de cálculo basado en gráficos que procesa los datos en cada
nodo del gráfico asociado con un punto de medición donde se
recaban los datos. el cálculo correlaciona datos en cada punto
con los impactos que pueden tener los datos de otros puntos
sobre la medición. Los nodos donde se miden los datos se
muestran en amarillo. La designación tx_n se refiere a las
líneas de transmisión n, cada una con torres m.
Para cada uno de los nodos, se define un conjunto de varia(a)
bles X y el análisis de datos gcrF utiliza las ramas de la
red para establecer correlaciones de gráfico entre los nodos de
medición donde se encuentra cada aislador individual. como
resultado, el BiL_nuevo se calcula para cada aislador en un
momento dado en el tiempo, lo que permite a los operadores
ver el riesgo de un aislador específico que falla en un momento
determinado. este tipo de información también ordena al
grupo de planificación para la gestión de activos que dé inicio
(b)
a las órdenes de trabajo que mitigan la situación al sustituir
todos los aisladores que estén en un alto riesgo de falla.
estos mapas de riesgo de evolución de tiempo pueden
crearse para realizar un seguimiento al estado de los activos
(en este caso, aisladores de línea de transmisión), como se
muestra en el gráfico 8. Podemos observar en el marcador
rectangular en la red que el riesgo individual cambia con el
tiempo y afecta varios aisladores de manera diferente.
(c)
Una vez que la capacidad de realizar un seguimiento de
Riesgo
0-20%
20-40%
40-60%
un gran número de activos y predecir su riesgo de falla se
60-80%
80-100%
conviertan en una función estándar del eMs/dMs, se podría
mejorar la resiliencia que se ve afectada por fallas aleatorias
en los activos mediante el uso de una herramienta de toma
de decisiones que identifique una estrategia de reparación y gráfico 8. El riesgo a partir del (a) 1 de enero de 2009, (b)
reemplazo. esta podría convertirse en una parte integral de 31 de diciembre de 2014, y de (c) enero de 2015 (predicción).
la estrategia de control que mantiene la red en condiciones normales de funcionamiento.
tabla 1. Datos utilizados en el análisis de datos de riesgo predictivo para la

marzo/abril 2018

Vulnerabilidad

el marco de gestión de apagones
basado en riesgos se puede ilustrar utilizando la tarea de gestión
de vegetación en los sistemas de
distribución. Otro estudio en curso
en la Universidad a&M de texas
se ha centrado en el uso de datos
que se muestran en la tabla 1 para
predecir apagones ocasionados
por los impactos del clima. como
resultado, los mapas de riesgo con
un alto riesgo de apagones debido
a la vegetación se pueden predecir,
como se muestra en el gráfico 9

Valor de las
pérdidas

Resiliencia en la gestión
de apagones: predecir
fallas y optimizar las
medidas de mitigación
proactivas

Peligro

gestión de fallas en alimentadores de distribución.

Datos climáticos:
* Temperatura
* Precipitaciones
* Datos del viento
* Humedad

Eventos climáticos:
* Tormenta
* Granizo
* Inundación repentina
* Sequía

Historial de datos de apagones:
* Datos y tiempo
* Ubicación
* Duración
* Personas afectadas
* Tipo de causa

Evento
de apagón

Medidas ante las consecuencias:
* Información del cliente
* Modelo de costos de apagones
* Ubicación del apagón

Costo para
el cliente
por un apagón

Factor
de riesgo

ieee power & energy magazine

Table of Contents for the Digital Edition of IEEE Power & Energy - Spanish - Marzo/Abril 2018