Matriz Jacobiana

La matriz Jacobiana en el análisis de flujo de potencia es la matriz de derivadas parciales de primer orden de las ecuaciones de desbalance de potencia activa y reactiva respecto a las magnitudes y ángulos de tensión en cada barra. Captura la sensibilidad linealizada de las inyecciones de potencia ante cambios de tensión y es el motor matemático que impulsa el método de solución de Newton-Raphson.

Aspectos clave de la matriz Jacobiana:

• Estructura (J1, J2, J3, J4): La Jacobiana completa se divide típicamente en cuatro submatrices: J1 = ∂P/∂θ (sensibilidad de potencia activa a ángulos), J2 = ∂P/∂|V| (sensibilidad de potencia activa a magnitudes), J3 = ∂Q/∂θ (sensibilidad de reactiva a ángulos) y J4 = ∂Q/∂|V| (sensibilidad de reactiva a magnitudes). En sistemas de transmisión, J2 y J3 son pequeñas respecto a J1 y J4, lo que fundamenta la aproximación desacoplada.
• Papel en Newton-Raphson: En cada iteración, la Jacobiana se utiliza para resolver la ecuación de corrección linealizada [ΔP; ΔQ] = J × [Δθ; Δ|V|] para las correcciones de tensión Δθ y Δ|V|. Las correcciones se aplican a las estimaciones actuales de tensión y el proceso se repite hasta la convergencia.
• Dispersión: Al igual que la matriz Y-bus, la Jacobiana es altamente dispersa porque la ecuación de cada barra solo involucra las tensiones de vecinas directamente conectadas. Las técnicas de almacenamiento y factorización de matrices dispersas (ordenamiento óptimo, factorización simbólica, descomposición LU dispersa) son esenciales para manejar eficientemente sistemas grandes.
• Singularidad y mal condicionamiento: Una Jacobiana singular o casi singular indica que el sistema está en o cerca del límite de estabilidad de tensión (el punto de nariz de la curva PV). El número de condición de la Jacobiana es por tanto un indicador útil de los márgenes de estabilidad de tensión y la proximidad al colapso.
• Coste computacional: Formar y factorizar la Jacobiana es el paso computacionalmente más costoso en cada iteración de Newton-Raphson. Esto motiva métodos como el Desacoplado Rápido, que usa Jacobianas constantes y simplificadas para evitar la re-formación y re-factorización repetidas.