IEEE Power & Energy Magazine - Spanish - July/August 2022 - 44

dispuestos a restringir el uso a precios de la energía mayorista
lo suficientemente altos. Si esto puede hacerse sin limitación,
estas cargas pueden excluirse en la planificación de
la adecuación de las fuentes. No obstante, la mayoría de las
fuentes de respuesta a la demanda tienen límites en cuanto
a la duración y la frecuencia con la que se puede recurrir a
ellas. Muchas de las FED son variables o tienen limitaciones
en el uso y, por ende, están sujetas a la saturación y los efectos
de la interacción. Por esto, contemplar las contribuciones
de adecuación de las fuentes de las FED inestables requiere
el mismo marco de modelado integrado que las fuentes del
lado de la oferta.
Debido al cambio climático, el rendimiento
previo no garantiza los resultados futuros
La planificación de la adecuación de las fuentes está dada
por los patrones climáticos que impactan a casi todos los
aspectos de los sistemas eléctricos, incluida la demanda, la
producción de energía hidroeléctrica y las interrupciones del
generadores. Hoy en día, los conjuntos de datos de modelado
de adecuación de las fuentes aprovechan la información histórica
para mapear cargas y producción de energía eólica,
solar e hidroeléctrica en relación con mediciones previas de
temperatura, bajo el supuesto de que las condiciones de los
últimos 20 a 50 años representan patrones climáticos futuros
plausibles. Sin embargo, el cambio climático está afectando
los fundamentos del sistema climático que impulsan las cargas
y la disponibilidad de las fuentes, y fuerza a los planificadores
a repensar qué condiciones se deberían capturar en
el modelado de confiabilidad. El cambio climático también
puede reducir la eficiencia del generador termodinámico y
modificar los patrones del viento, la lluvia y la nubosidad.
Estas tendencias requieren modificaciones al modelado
de adecuación de las fuentes. Los conjuntos de datos históricos
deben ajustarse a los impactos del cambio climático
siempre que sea posible e incorporar cambios históricos
LOLE (días por año)
y futuros. Se están investigando métodos para vincular el
modelado del impacto climático a los modelos de los sistemas
eléctricos. La figura 5 ilustra la manera en la que la
distribución de las temperaturas puede cambiar en el futuro.
Además de predecir temperaturas promedio más altas, también
se prevé que la frecuencia e intensidad de los eventos
extremos, como el " domo de calor " del noroeste del Pacífico
de junio de 2021, aumenten a nivel mundial.
Definiendo un método robusto de
adecuación de las fuentes para dar lugar
a un futuro bajo en carbono
Por lo expuesto, mantener la confiabilidad durante la transición
de la energía requiere prácticas flexibles y resilientes de
planificación de la adecuación de las fuentes. Esta sección
presenta un enfoque para la planificación de la adecuación
de las fuentes, ilustrado en la figura 6, que es apropiado para
los sistemas eléctricos actuales y adaptable a las condiciones
cambiantes futuras.
Paso 1: desarrollar un robusto
modelado probabilístico del conjunto de datos
A medida que el modelado más sofisticado se vuelve crucial
para capturar las interacciones entre fuentes variables y de
uso limitado, el modelado de LOLP sigue siendo el mejor
abordaje para la planificación de la adecuación de las fuentes.
Los modelos de LOLP de hoy simulan las operaciones
cronológicas del sistema, que son importantes para calcular
la habilidad del almacenamiento de trasladar la energía de un
periodo a otro. No obstante, la efectividad de estos modelos
depende de la robustez de las entradas de datos. Se necesitan
conjuntos de datos extensivos de varios años (idealmente,
de varias décadas) que correlacionen el clima, las cargas,
el viento y la producción de energía solar para modelar con
precisión los sistemas bajos en carbono. El modelado robusto
de LOLP captura con exactitud los eventos imprevistos
Megavatios necesarios para alcanzar el estándar de confiabilidad
PRM
TRN
(MW efectivos, pero se
pueden trasladar a PRM)
Estándar de confiabilidad
(por ej., LOLE de 0.1 día
por año)
Capacidad efectiva (MW)
(a)
TRN
Máximo promedio
(b)
figura 7. Derivación del porcentaje de PRM de los megavatios efectivos de la TRN. (a) Las simulaciones de LOLP derivan
los MV de la TRN. (b) Los MV de la TRN convertidos a porcentaje de PRM en relación con el pico promedio.
44
ieee power & energy magazine
julio/agosto 2022
Máximo promedio

IEEE Power & Energy Magazine - Spanish - July/August 2022

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - July/August 2022