Inga Lára
7 oct 2024
En el sector energético en rápida evolución, maximizar la capacidad de transmisión de energía se está volviendo cada vez más vital. Uno de los factores clave para determinar la capacidad de las líneas eléctricas aéreas son las condiciones ambientales en tiempo real, particularmente la velocidad y dirección del viento. Los métodos tradicionales, como las Clasificaciones Estáticas de Línea (SLR), dependen de estimaciones conservadoras, limitando frecuentemente el verdadero potencial de las líneas de transmisión. Las Clasificaciones Ajustadas por Ambiente (AAR) se han introducido para abordar esta limitación factorizando datos de temperatura en tiempo real. Sin embargo, el siguiente avance significativo en optimización de transmisión viene a través de las Clasificaciones Dinámicas de Línea (DLR), que ajustan la capacidad de líneas eléctricas en tiempo real, basándose no solo en temperatura sino también en factores críticos como velocidad y dirección del viento. Este artículo profundiza en el papel de los datos precisos de viento, los beneficios y limitaciones de las API meteorológicas, y cómo los sensores avanzados son esenciales para realizar completamente los beneficios de los sistemas DLR.
Clasificación Ajustada por Ambiente con FERC 881
En diciembre de 2021, la Comisión Federal Reguladora de Energía de Estados Unidos (FERC) emitió la Orden 881, requiriendo que los operadores de transmisión estadounidenses implementen Clasificaciones Ajustadas por Ambiente (AAR) para julio de 2025. El objetivo es aumentar la capacidad de la red usando datos de temperatura más precisos y en tiempo real, en lugar de depender de suposiciones meteorológicas estáticas y conservadoras. Las AAR se ajustan dinámicamente basándose en la temperatura real en la línea eléctrica, mientras factores como la velocidad del viento permanecen estáticos. Las temperaturas ambientales más bajas permiten que las líneas de transmisión transporten más electricidad, mientras que las temperaturas más altas reducen su capacidad. En muchos casos, AAR puede aumentar la capacidad de transmisión en 5-10%.
Para implementar AAR, los operadores de transmisión pueden aprovechar las API meteorológicas que proporcionan temperaturas en tiempo real y pronosticadas, ya que la temperatura es más fácil de modelar debido a sus cambios graduales sobre distancias cortas comparado con factores como el viento. Los datos de temperatura de una API meteorológica frecuentemente se alinean estrechamente con observaciones de estaciones meteorológicas. Esta consistencia permite que las API meteorológicas capturen o estimen temperaturas de manera confiable, permitiendo a los operadores de transmisión hacer AAR precisos y en tiempo real sin necesidad de sensores localizados a lo largo de la red.
Para enfatizar la similitud entre los datos de API meteorológica y estación meteorológica, realizamos un análisis de regresión lineal comparando valores AAR de 1 hora, calculados usando datos de temperatura de enero a julio de 2024. Los datos provienen de una estación meteorológica cerca de Hólmsheiði, Islandia, y una API meteorológica para la misma ubicación.
El gráfico de dispersión ilustra una fuerte correlación entre los dos conjuntos de datos, con una línea de regresión lineal mostrando un ajuste excelente. El valor R-cuadrado de 0.98 indica que el 98% de la varianza en valores AAR calculados usando datos de temperatura de la estación meteorológica puede explicarse por valores AAR derivados de los datos de temperatura de la API. Esta alta correlación demuestra que los datos de la API se alinean estrechamente con las lecturas reales de temperatura, con error mínimo.
Figura 1. Comparación de AAR calculado usando mediciones de temperatura de una estación meteorológica comparado con AAR calculado usando estimaciones de temperatura de una API meteorológica.
Mientras que las mediciones directas de sensores son típicamente más precisas, estos resultados muestran que los valores de temperatura de las API meteorológicas ofrecen un alto nivel de precisión, haciéndolas una solución viable para aplicaciones como AAR. Esto se alinea con las pautas de la Orden FERC 881. Aunque existen discrepancias menores, la naturaleza relativamente estable de las variaciones de temperatura asegura que las API puedan ser confiables con riesgo mínimo de error significativo.
Clasificación Dinámica de Línea - DLR
Construyendo sobre la Orden FERC 881 y explorando reformas potenciales para mejorar aún más las clasificaciones de líneas de transmisión, FERC emitió un Aviso Anticipado de Propuesta de Reglamentación (ANOPR), buscando aportes sobre reformas para implementar Clasificaciones Dinámicas de Línea (DLR). Las DLR ajustan las clasificaciones de líneas de transmisión en tiempo real basándose en condiciones ambientales reales como velocidad del viento, dirección del viento, temperatura y radiación solar. Al adaptarse a condiciones meteorológicas en tiempo real, DLR puede aumentar la capacidad de transmisión hasta 40%, ofreciendo una mejora significativa en capacidad de red más allá de lo que es alcanzable con AAR.
Mientras que las API meteorológicas son efectivas estimando temperatura, frecuentemente fallan en capturar condiciones de viento precisas, un factor esencial para determinar la capacidad de líneas de transmisión con DLR. La velocidad del viento, que puede variar significativamente sobre distancias cortas debido a características geográficas como terreno y vegetación, es estimada menos precisamente por modelos meteorológicos comparado con la temperatura. Como el viento es el mayor contribuyente a efectos de enfriamiento en conductores, imprecisiones en datos de viento de las API pueden llevar a errores sustanciales en cálculos de ampacidad en tiempo real y pronosticados.
Sin datos precisos y localizados, optimizar completamente el uso de líneas de transmisión se vuelve desafiante. Al desplegar sensores en sitio para medir variables críticas como velocidad del viento, dirección del viento y temperatura en tiempo real, los proveedores de transmisión pueden maximizar tanto la seguridad como la eficiencia de su infraestructura. Esto asegura que las líneas sean completamente utilizadas mientras se adhieren a estándares de seguridad.
Para destacar las discrepancias entre los datos de viento de API meteorológica y estación meteorológica, realizamos un análisis de regresión lineal comparando valores DLR de 1 hora, calculados usando temperatura, velocidad del viento y dirección del viento, de enero a julio de 2024. Los datos provienen de las mismas fuentes meteorológicas usadas para el cálculo AAR anterior.
En contraste con los datos AAR, los datos DLR revelan una brecha significativa entre estimaciones de API meteorológica y mediciones directas. El gráfico de dispersión destaca estas discrepancias, con una línea de regresión lineal mostrando un ajuste relativamente débil entre valores DLR de la API meteorológica y aquellos de mediciones meteorológicas directas. El valor R-cuadrado de 0.63 indica que solo el 63% de la varianza en DLR observada por la estación meteorológica puede explicarse por los datos de la API. Este R-cuadrado más bajo, comparado con el valor mucho más alto de 0.98 para datos AAR, sugiere que las estimaciones de velocidad del viento de la API meteorológica son considerablemente menos confiables.
Figura 2. Comparación de DLR calculado usando mediciones de temperatura, velocidad del viento y dirección del viento de una estación meteorológica comparado con DLR calculado usando estimaciones de temperatura, velocidad del viento y dirección del viento de una API meteorológica.
Esta discrepancia subraya por qué el ANOPR de FERC enfatiza la necesidad de mediciones directas de velocidad del viento a través de sensores en sitio. Sin estos, cualquier sistema DLR arriesga estimar incorrectamente la capacidad de líneas eléctricas, lo cual podría comprometer la confiabilidad y eficiencia de la red. Los sistemas DLR directos equipados con sensores de viento proporcionan los datos de velocidad del viento más precisos, mejorando tanto las clasificaciones en tiempo real como las pronosticadas, esenciales para la gestión efectiva de la red. Este enfoque ayuda a prevenir los riesgos de sobrecargar o subutilizar la infraestructura de transmisión.
El gráfico de series de tiempo ilustra la ampacidad de una línea de transmisión a lo largo del tiempo, comparando varios métodos para determinar clasificaciones de líneas entre el 14 de abril de 2024 y el 17 de abril de 2024. El gráfico demuestra la efectividad de DLR para maximizar la capacidad de transmisión comparado con AAR y el más conservador SLR, particularmente cuando incorpora mediciones meteorológicas reales.
Curiosamente, durante una hora, el DLR de las mediciones de la estación meteorológica cae por debajo del SLR, indicando un riesgo potencial de operar la línea por encima de su clasificación térmica, lo cual podría presentar peligros de seguridad. Durante este período, las AAR también fallan en capturar la capacidad disminuida, subrayando las limitaciones de AAR en escenarios con condiciones ambientales que cambian rápidamente.
La diferencia entre las metodologías de cálculo de clasificaciones para este período también se resume en la tabla 1.
Tabla 1. Comparación de metodologías de cálculo de clasificaciones del 14 al 17 de abril de 2024.
Los datos precisos también son cruciales durante condiciones meteorológicas extremas. A medida que estos eventos se vuelven más frecuentes y severos debido al calentamiento global, los datos en tiempo real de sensores en sitio juegan un papel clave en prevenir fallas del sistema y asegurar la estabilidad de la red. Tener la capacidad de responder rápidamente a condiciones ambientales que cambian rápidamente es vital para mantener una red de transmisión segura y confiable.
Puntos Clave
El cambio hacia DLR representa una oportunidad significativa para optimizar la capacidad de transmisión en tiempo real, mucho más allá de las limitaciones de SLR y AAR. Como se demostró, las mediciones meteorológicas en tiempo real, particularmente el viento, son esenciales para maximizar la eficiencia de la red y asegurar la seguridad. Al desplegar sensores para capturar estas condiciones, los operadores de transmisión pueden aprovechar el potencial completo de su infraestructura, alineándose con la visión de FERC para una red más confiable y resistente. Avanzando, integrar datos meteorológicos precisos y localizados será crucial para desbloquear la verdadera capacidad de la red.