En el análisis, la operación y la planificación de los sistemas de potencia una herramienta clave es el flujo de potencia. Este proceso se encarga de encontrar la condición en estado estable de la potencia y los voltajes en los nodos del sistema basado en observaciones o conocimiento disponible acerca del sistema. En la actualidad se han reportado varios métodos de solución para encontrar el estado del sistema de potencia, llegando a resultados interesantes basados en modelos deterministas. Los flujos de potencia necesitan especificar valores de demandas, generación y las condiciones del sistema, y además son dirigidos como un problema de optimización determinista con parámetros y variables de entrada fijas [1-4]. Sin embargo, en los sistemas de potencia actuales los parámetros eléctricos, la demanda, la generación de energía eléctrica convencional y no convencional presentan incertidumbres por medio de los componentes de medida, en la predicción de la generación de energía futura, en la demanda o fallas en equipos, [1, 2, 4, 5, 6], e inclusive en la temperatura de los parámetros eléctricos [7]. Por otra parte, aunque no sucede demasiado en Colombia; la alta penetración de las fuentes de energía renovables, tales como la generación eólica o solar, han introducido incertidumbre adicional en la operación y control de los sistemas de potencia [8], ya que su capacidad total instalada es proyectada a incrementar, y además este tipo de generación de energía puede ser descrito como una fuente intermitente, dado que su producción es influenciada por el estado del clima y el ambiente [9].
Los métodos de solución para los flujos de potencia probabilísticos (PPF) se pueden clasificar en dos tipos principales: los basados en simulación o los métodos analíticos [2, 8]. En la primer categoría se encuentra la simulación de Monte Carlo, es una técnica que se basa en el muestreo estadístico de variables aleatorias de entrada y la propagación de éstas muestras a través de soluciones repetitivas del modelo. Este primer enfoque arroja resultados precisos y efectivos, sin embargo, es un enfoque poco eficiente, ya que el proceso depende del número de muestras a propagar [4, 6]. El segundo grupo de métodos son los analíticos, dentro de los cuales se pueden mencionar: los enfoque basados en el análisis de intervalos probabilísticos [10,11], variables multilineales [12,13], métodos de convolución [14], métodos basado en cumulantes [15,16,9,8], teoría difusa [17] y los métodos de estimación puntual [18,19]. Estos métodos son computacionalmente más efectivos que los basados en simulación, sin embargo necesitan de hipótesis matemáticas o aproximaciones para obtener soluciones factibles [2, 4, 6]. Por lo tanto los métodos analíticos pueden ofrecer soluciones menos precisas en comparación a los enfoques basados en simulación [2, 4, 6].
En los métodos de simulación combinan los enfoques de muestreo de variables aleatorias de entrada con optimización determinística [4,8]. Dentro de los estudios basados en simulación que solucionan el problema del flujo de potencia probabilístico no se han planteado metodologías para abordar el problema desde una perspectiva Bayesiana. En este proyecto se plantea abordar el problema del flujo de potencia probabilístico utilizando computación Bayesiana aproximada (ABC por sus siglas en inglés), el cual es una técnica bayesiana cuando la función de verosimilitud es de difícil acceso o no se puede calcular analíticamente. Estas técnicas suelen llamarse métodos libres de verosimilitud, las cuales obtienen una aproximación de la distribución posterior de las variables de estado del problema de flujos de potencia probabilísticos.
