METODOLOGÍA PARA LA GESTIÓN ÓPTIMA DE ENERGÍA EN UNA …bdigital.unal.edu.co/53470/1/1017168710.2016.pdf · que permiten mejorar la confiabilidad de la operación, que se puede

METODOLOGÍA PARA LA GESTIÓN ÓPTIMA DE ENERGÍA EN UNA

MICRO RED ELÉCTRICA INTERCONECTADA

Wilson Daniel Giraldo Gómez

Universidad Nacional de Colombia

Facultad de Minas, Departamento Energía Eléctrica y Automática

Medellín, Colombia

2016

METODOLOGÍA PARA LA GESTIÓN ÓPTIMA DE ENERGÍA EN UNA MI-

CRO RED ELÉCTRICA INTERCONECTADA

Wilson Daniel Giraldo Gómez

Trabajo de investigación presentado como requisito parcial para optar al título de:

Magister en Ingeniería – Ingeniería Eléctrica

Directora:

Ph. D. Rosa Elvira Correa Gutiérrez

Línea de Investigación:

Gestión y control de Micro redes Eléctricas

Grupo de Investigación:

Grupo de Investigación en Tecnologías Aplicadas - GITA

Universidad Nacional de Colombia

Departamento Energía Eléctrica y Automática

Medellín, Colombia

2016

Resumen

La energía eléctrica ha sido impulsora de diversas transformaciones tecnológicas y socia-

les en la historia. El crecimiento de las poblaciones, las exigencias de los nuevos mercados

y sobretodo la protección al medio ambiente, están facilitando la penetración de fuentes

de generación de energía no convencionales. Los sistemas distribuidos y las redes inteli-

gentes son una respuesta a las necesidades que se plantean en la operación y gestión de

los nuevos sistemas de energía eléctrica.

El objetivo de este trabajo es establecer una metodología para la gestión óptima de la

energía en una micro red eléctrica interconectada, compuesta de fuentes no convenciona-

les de energía y fuentes tradicionales, de tal manera que se determinen los costos de pro-

ducción, y los tiempos de entrega/absorción de energía hacia/desde la red.

Para esto se caracterizan algunas de las fuentes de generación de energía, el comporta-

miento de la carga y se analizan algunos modelos de gestión de energía que pueden ser

extendidos a las micro redes. El problema es resuelto con un algoritmo de programación

cuadrática secuencial y se compara con el algoritmo de punto interior

Finalmente se obtiene una metodología para la gestión de energía en micro redes en ope-

ración aislada e interconectada. Los algoritmos utilizados permiten gestionar una micro red

obteniendo una convergencia aproximadamente 67% más rápida con el algoritmo de pro-

gramación cuadrática secuencial respecto al de punto interior. Esta metodología se prueba

en diferentes escenarios de operación.

Palabras clave: Micro redes, Gestión de la energía eléctrica, Optimización, Genera-

ción distribuida, Energías Alternativas.

4 Metodología para la Gestión Óptima de Energía en Micro Redes

Abstract

The electrical energy has been driving different technological and social transformations in

history. Grown in populations, new markets requirements and environmental protection are

facilitating the penetration of unconventional renewable energy. Distributed systems and

smart grids are the answers to those needs that are formulate in operation and manage-

ment of new electrical energy systems.

The aim of this work is to establish a methodology for optimal energy management of a

Microgrid in a grid connected architecture, that is composed of unconventional and con-

ventional energy sources, so the production cost, times of energy absorption and supply to

conventional network.

Some energy sources are characterize, load dynamics and energy management systems

are modeled and analyzed to accomplish the approach. These models can be extend to

Microgrids. The problem is solve with a sequential quadratic programming algorithm and is

compare with interior point algorithm.

A methodology is obtain for energy management in Microgrids in islanded or grid-connected

operation. The algorithms allow managing a Microgrid with a convergence approximately

67% faster for sequential quadratic programming compared with interior point. The meth-

odology is prove in several operation scenarios.

Keywords: Micro Grids, Energy Management, Optimization, Distributed Generation,

Renewable Energy

Contenido

Pág.

1. Introducción………………………………………………………………………………...9

2. Micro redes Eléctricas ........................................................................................ 15 2.1 Componentes de Micro redes ......................................................................... 15 2.2 Sistemas de generación de energía................................................................ 17 2.3 Modelo de Carga............................................................................................ 24

3. Modelos de gestión y optimización de energía eléctrica en micro redes ......... 27 3.1 Modelos de gestión basados en horizonte temporal ........................................ 28 3.2 División Jerarquizada de sistemas de Gestión de Energía en micro redes....... 31 3.3 Problema de optimización en micro redes....................................................... 33 3.4 Función objetivo ............................................................................................. 34 3.5 Soluciones problema de optimización ............................................................. 39

4. Metodología para la gestión de energía en micro redes.................................... 49 4.1 Sistema de gestión óptima en micro redes...................................................... 52 4.2 Metodología de gestión de energía considerando diferentes escenarios de aplicación: Caso de estudio. ..................................................................................... 62

5. Conclusiones y recomendaciones ..................................................................... 76 5.1 Conclusiones ................................................................................................. 76 5.2 Recomendaciones ......................................................................................... 77

6. Referencias y Bibliografía .................................................................................. 79

Lista de figuras

Pág.

Figura 2-1. Topología de red de distribución, fuente:(Shi, Xie, Chu, & Gadh, 2015)........ 24 Figura 3-1. Modelos de gestión, según horizonte temporal. ........................................... 29 Figura 3-2. Sistemas de gestión de energía, adaptado de: (Meng et al., 2016). ............. 30 Figura 3-3. Modelos de gestión jerarquizada. ................................................................ 31 Figura 3-4. Funciones objetivo micro redes. Con información de: (Ahmad Khan et al.,

2016) ........................................................................................................................... 39

Figura 4-1. Sistema de gestión de energía propuesto.................................................... 50 Figura 4-2. Algoritmo de gestión optima de energía en MR............................................ 54 Figura 4-3. Micro red en estudio. Con información de: (Katiraei et al., 2008). ................. 59 Figura 4-4. Variación de carga en la micro red propuesta. (Open EI, 2016).................... 60 Figura 4-5. Perfil de velocidad del viento. Fuente: (Borowy & Salameh, 1994) ............... 60

Figura 4-6. Radiación solar horaria. Fuente: (Universidad Nacional de Colombia & Área

Metropolitana del Valle de Aburrá, 2015) ...................................................................... 60 Figura 4-7. Variación precio de energía de la red. Fuente: (independent electricity system

operator, 2016)............................................................................................................. 60 Figura 4-8. Dinámica típica generador fotovoltaico. ....................................................... 61 Figura 4-9. Convergencia del algoritmo SQP................................................................. 64

Figura 4-10. Salida sistema de gestión de MR - Caso Base........................................... 64 Figura 4-11. Matriz energética escenario inicial micro red.............................................. 65 Figura 4-12. Estado de carga batería. ........................................................................... 66 Figura 4-13. Desempeño MR escenario micro red aislada. ............................................ 67 Figura 4-14. Matriz energética escenario MR aislada. ................................................... 68

Figura 4-15. Curva de demanda aplanada. ................................................................... 69 Figura 4-16. Matriz energética, red aislada sin baterías - SQP....................................... 70 Figura 4-17. Matriz energética, red aislada sin baterías - Conjunto activo. ..................... 71 Figura 4-18. Dinámica generadores, red aislada sin baterías - Punto interior. ................ 72 Figura 4-19. Dinámica de generación, escenario inyección energía a red. ..................... 73 Figura 4-20. Matriz energética escenario de inyección de energía a la red..................... 74

Figura 4-21. SOC batería en escenario MR bidireccional............................................... 74 Figura 6-1. Mapa resumen de Micro-Redes. ................................................................. 96 Figura 6-2. Barreras de implementación de MR............................................................. 97 Figura 6-3. Necesidades y oportunidades para implementación de MR. ........................ 97 Figura 6-4. Componentes MR. ...................................................................................... 98

Figura 6-5. Soluciones previas problemas de optimización. ........................................... 98 Figura 6-6. Soluciones optimización heurística. ............................................................. 99

Introducción 7

Figura 6-7. Topología de micro red, fuente:(Adhikari & Li, 2014) ................................. 101 Figura 6-8. Topología de red utilizada en (Levron, Guerrero, & Beck, 2013) ................ 102

Figura 6-9. Topología de micro red, fuente: (Etemadi, 2012) ....................................... 102 Figura 6-10. Topología de micro red, fuente:(Tamersi, Radman, & Aghazadeh, 2011). 103 Figura 6-11. Topología de micro red, fuente:(Fu, 2013)............................................... 103 Figura 6-12. Topología de MR, fuente: (Huang et al., 2014). ....................................... 104

Lista de tablas

Pág.

Tabla 3-1. Organización modelos de gestión -MR ......................................................... 33 Tabla 3-2. Algoritmos de solución. ................................................................................ 48

Tabla 4-1. Variables función objetivo............................................................................. 56 Tabla 4-2. Descripción restricciones.............................................................................. 56 Tabla 4-3. Parámetros de operación MR. ...................................................................... 61 Tabla 4-4. Solución al problema de despacho MR......................................................... 63 Tabla 4-5. Solución problema de optimización MR modo aislado................................... 67

Tabla 4-6. Resultado MR aislada sin almacenamiento................................................... 70 Tabla 4-7. Función objetivo escenario MR bidireccional. ............................................... 73 Tabla 6-1. Estado del arte Micro redes.......................................................................... 89 Tabla 6-2. Componentes de Micro-Redes ................................................................... 105

1. Introducción

La transformación tecnológica impulsada por las tecnologías de la información y comuni-

caciones, ha implicado diversos cambios en el modo de operación y gestión de las redes

eléctricas.

Según (IEEE, 2011a), lo que hace que una red sea inteligente es su capacidad de interco-

nectar tecnologías de información y comunicación con la red de potencia. Esto ya se eje-

cuta, pero los principales retos en este sentido se encuentran en realizar una integración,

pasando de una red convencionalmente pasiva a una red con capacidad de comunicación

en doble vía.

Investigadores como Marzband et al consideran que la manera de alcanzar las propuestas

de una red inteligente es a través de las micro redes (MR) (Marzband, Sumper, Domín-

guez-García, & Gumara-Ferret, 2013). Las micro redes son actualmente un objeto de in-

vestigación importante, debido a la necesidad de migrar a nuevas formas de gestionar la

energía eléctrica, principalmente exigida en la normatividad medioambiental, además de

la necesidad de llevar energía a sitios apartados, optimizar los recursos energéticos dis-

ponibles y potenciar las energías renovables.

Diferentes autores han propuesto definiciones para la micro red, Lasseter introduce el con-

cepto de micro red como un sistema compuesto por una fuente generadora de energía

eléctrica y una demanda a satisfacer (carga). Se entiende también como un sistema de

respaldo, que puede operar en forma aislada o conectada a una red (Lasseter, 2002).

Laaksonen define la micro red como una parte de la red de distribución que tiene capacidad

de operación aislada y por ende permite reducir apagones, mejorando la confiabilidad del

sistema (Laaksonen, 2010). Tao et al definen una micro red, como una plataforma de inte-

gración de recursos de oferta de energía (micro generadores) y demanda (almacenamiento

y cargas) en una red de distribución local (Tao, Schwaegerl, Narayanan, & Zhang, 2011).


Igualmente, el Institute of Electrical and Electronics Engineers (IEEE) define una MR como

un nuevo agente del sistema eléctrico que posee fuentes de generación distribuida reno-

vable como sistemas fotovoltaicos, eólicos, micro generadores hidroeléctricos y que puede

tener sistemas de generación de energía no renovables como micro turbinas o generado-

res diésel (IEEE, 2011).

Las implicaciones de la incursión de tecnologías de generación distribuida y con fuentes

no convencionales, además de su impacto en la infraestructura de la energía, son campos

de estudio en auge. Diversos autores han desarrollado algoritmos, procesos y dispositivos

que permiten mejorar la confiabilidad de la operación, que se puede afectar por la variabi-

lidad inherente de los recursos asociados.

Se presentan retos para la implementación de micro redes como el manejo de las dinámi-

cas de las unidades de generación, desbalances y gestión de fuentes de energía no con-

trolables. Además de dificultades como el almacenamiento de energía en el corto y largo

plazo, conexión y desconexión de cargas o fuentes de generación mientras se mantienen

la operación, confiabilidad y calidad de energía (Katiraei, Iravani, Hatziargyriou, & Dimeas,

2008).

En este sentido algunos autores como Tazvinga et al han identificado la necesidad de

evaluar los costos de operación de sistemas híbridos de energía, considerando la intermi-

tencia asociada a las fuentes no convencionales, la dinámica estacional y el tipo de día de

consumo (laboral, fin de semana) (Tazvinga, Xia, & Zhang, 2013). En su análisis se iden-

tifican problemas asociados a previsiones de operación en MR, debido a las dificultades

que supone obtener predicciones de las variables ambientales (velocidad del viento, radia-

ción solar).

Mazidi et al modelan las variables ambientales, a través de funciones de probabilidad uti-

lizando el método estadístico Latin Hypercube Sampling (Mazidi, Zakariazadeh, Jadid, &

Siano, 2014). Del mismo modo, los autores Wu et al adicionan al problema de intermitencia

y aleatoriedad, el problema de proyección del despacho económico en las MR (Wu, Liu, &

Ding, 2014).

Micro redes Eléctricas 11

Attaviriyanupap et al, abordan la incertidumbre y desconocimiento en el manejo de los

mercados de reserva y energía no regulada, la no certeza es asociada al despacho eco-

nómico de sistemas compuestos por fuentes convencionales de energía (Attaviriyanupap,

Kita, Tanaka, & Hasegawa, 2004).

En el trabajo de Mokryani y Siano se estudia la dificultad que existe en la integración de

turbinas eólicas en redes de distribución dentro de un ambiente de mercado. Este artículo

incluye un estudio cualitativo del bienestar social asociado a tal tecnología. Se propone

solucionar este problema con un flujo de potencia óptimo, combinado con simulación

Monte Carlo para garantizar el bienestar social con la integración de gestión de la demanda

(Mokryani & Siano, 2013).

Debido a la variabilidad del suministro asociada a la generación de energía con fuentes

alternativas, algunos autores han propuesto estrategias para lograr la operación eficiente

y estable de una micro red compuesta por fuentes no convencionales de energía (Zhao,

Xue, Zhang, Wang, & Zhao, 2015), utilizando un sistema multi- agente para la gestión de

energía en una micro red.

Lopes et al estudian el problema de la estabilidad y el comportamiento de variables aso-

ciadas al proceso de generación cuando una micro red es forzada a trabajar en modo

aislado. En el artículo se proponen estrategias de control a través de arquitecturas factibles

(Single master operation y Multi master operation) para una micro red aislada (Lopes, Mo-

reira, & Madureira, 2006; Tang, Deng, & Qi, 2014). En este trabajo no se tuvo en cuenta el

costo de producción de energía con fuentes disponibles en la zona de instalación.

Algunos autores incluyen en el análisis de la micro red, el vehículo eléctrico (Chen & Duan,

2015; H. Liu, Ji, Zhuang, & Wu, 2015). H. Liu et al analizan las dificultades para establecer

un despacho en términos económico y el tratamiento de polución generada. Chen y Duan

parten de la dificultad de establecer el desempeño de una micro red cuando son conside-

rados carros tipo plug in hybrid electric vehicles (PHEVs), debido a los diversos modos de

carga y descarga del vehículo. El despacho es resuelto utilizando algoritmos genéticos y

utilizando una micro red aislada.


El análisis de Marzband et al, se enfoca en disminuir los costos asociados a la generación

de energía con fuentes no convencionales (Marzband et al., 2013). Para tal fin proponen

un sistema de gestión de energía para una micro red operando en modo aislado, utilizando

una previsión con un día de antelación.

En Silvente et al se analizan estrategias óptimas de programación y coordinación de las

micro redes, considerando la dificultad que existe debido a la incertidumbre de producción

y consumo de energía reactiva en estas redes (Silvente, Kopanos, Pistikopoulos, &

Espuña, 2015). Si bien este trabajo no considera variaciones en el precio de generación

de energía, establece un precedente para la resolución de problemas similares, al utilizar

un algoritmo de programación lineal entera mixta para la planeación de la micro red.

Marzband et al proponen un sistema de gestión para una micro red aislada, que es resuelto

utilizando un algoritmo de programación entera mixta, en el cual, no se calculan los flujos

de potencia de la micro red, (Marzband et al., 2013). Silvente et al también utilizan un al-

goritmo de programación entera mixta para la planeación de la micro red y no se evalúa el

precio de generación de energía. (Silvente et al., 2015).

En el análisis de Tazvinga et al, se soluciona el despacho de la micro red interconectada

con optimización cuadrática no lineal (Tazvinga et al., 2013).

Otros autores han realizado estudios similares a los anteriores para generar un perfil de

despacho de fuentes de energía en una micro red interconectada. Elsied et al utilizan el

algoritmo CPLEX desarrollado por IBM para el despacho de fuentes de generación en una

micro red, utilizando algoritmos genéticos (Elsied, Oukaour, Gualous, & Hassan, 2015).

Respecto a métodos heurísticos de solución, investigadores como Sharma y Mehta reali-

zan un despacho económico de una red eléctrica utilizando el algoritmo de optimización

del lobo gris (Sharma & Mehta, 2015). Attaviriyanupap et al utilizan algoritmos difusos para

resolver un despacho económico (Attaviriyanupap et al., 2004).

En Wu et al se resuelve el problema del despacho con el algoritmo de enjambre de partí-

culas (PSO por sus siglas en inglés). En este trabajo no se evalúan los costos iniciales de

las tecnologías de generación distribuida (GD) (Wu et al., 2014).


Otros analistas como Mokryani y Siano utilizan simulación Monte Carlo y flujo de potencia

óptimo para evaluar la gestión de la micro red. Su investigación solo se enfoca en sistemas

de generación eólicos (Mokryani & Siano, 2013).

En el estudio de W. Liu et al se busca mejorar el desempeño económico de la micro red al

incrementarse la penetración de la generación distribuida (W. Liu et al., 2014), realizando

un despacho económico con algoritmos evolutivos. Como resultado se han obtenido dife-

rentes algoritmos para resolución de problemas no lineales y no convexos.

En la investigación de Zhao et al es considerado un sistema multi-agente para la gestión

de la micro red. Este estudio no analiza las variaciones sobre el precio de la energía en la

red, tampoco se evalúa la estabilidad del sistema (Zhao et al., 2015).

La incursión de fuentes no convencionales de energía trae un reto importante en la ope-

ración y gestión de los nuevos sistemas de energía eléctrica, lo cual demanda una mayor

esfuerzo en la utilización de métodos de optimización, con el fin de determinar los esce-

narios más adecuados para un suministro de la energía confiable, ininterrumpido y de

calidad.

Reconociendo la necesidad de inclusión de fuentes no convencionales de energía en la

matriz energética a través de micro redes, en las cuales los usuarios tengan un papel activo

en la generación y consumo de energía, ¿cómo debe ser la operación y las estra tegias de

conexión y desconexión de las fuentes de energía en una micro red eléctrica interconec-

tada que aumente su beneficio desde el punto de vista financiero?

Para dar respuesta a este planteamiento, se proponen los siguientes objetivos de investi-

gación:

Objetivo General

Establecer una metodología para la gestión óptima de la energía en una micro red eléctrica

interconectada, compuesta de fuentes no convencionales de energía y fuentes tradiciona-

les, de tal manera que se determinen los costos de producción, y los tiempos de en-

trega/absorción de energía hacia/desde la red.


Objetivos Específicos

Para lograr este objetivo, se proponen los siguientes objetivos específicos.

1. Determinar las dinámicas principales de una micro red eléctrica

2. Definir modelos de gestión de la energía, en modo aislado o en modo interconec-

tado que permitan cuantificar los costos de producción de la energía.

3. Proponer un sistema de la operación de micro redes (aisladas o interconectadas)

4. Evaluar el comportamiento de una micro red con el sistema propuesto para la ges-

tión.

2. Micro redes Eléctricas

El uso amplio y diversificado de nuevas tecnologías de generación de energía, así como

la integración de tecnologías de la información y las comunicaciones (TICs) en los sistemas

eléctricos convencionales, han planteado diversos retos y paradigmas en las investigacio-

nes de energía eléctrica.

Como una herramienta para la organización y operación de las redes eléctricas, algunos

autores han planteado la utilización de micro redes eléctricas. Estas micro redes se estu-

dian en el presente capitulo, realizando un análisis de los componentes que poseen y las

dinámicas asociadas a estos dispositivos.

2.1 Componentes de Micro redes

Para el estudio de los principales componentes de una micro red, se han identificado tanto

micro red establecidas así como diferentes sitios de prueba o laboratorios. Generalmente,

estos sitios de prueba se han instaurado en universidades y centros de investigación.

La constitución de una micro red eléctrica se consigue involucrando un generador basado

en energía de fuentes convencionales; como gas, diésel, o incluso una pico central hídrica;

con fuentes de energía no convencional; como micro turbinas, celdas de combustible, ge-

neradores solares, eólicos o mareomotrices.

Estas tecnologías no convencionales son intermitentes en la generación de energía debido

a la variabilidad que presentan sus fuentes; por ejemplo, las variaciones en radiación solar

afectan la generación de energía fotovoltaica, o las oscilaciones en la velocidad del viento

afectan la generación eólica.


La aleatoriedad inherente a las variables ambientales, de las cuales depende la GD, debe

tenerse en cuenta en el diseño de la micro red. Por lo tanto, generalmente se debe incluir

un sistema de almacenamiento en una micro red. Estos sistemas de almacenamiento de

energía pueden ser baterías, súper-capacitores, volantes de inercia, sistemas de bombeo

entre otros.

Un sistema inversor DC/AC, DC/DC o AC/DC dependiendo de la tecnología de generación

que sea utilizada, así como de la carga que se considere en la micro red, debe incluirse en

la MR.

Del mismo modo, es importante incluir en una MR un sistema de supervisión y adquisición

de datos y control de los procesos –SCADA; y un sistema para respuesta a la demanda o

gestión de la misma. El sistema que se utilice para la transmisión y recolección de datos

de las mediciones realizadas debe tenerse presente durante la fase de diseño de la MR,

puesto que esto se considera imprescindible en el proceso de toma de decisiones dentro

de la micro red.

En este sentido, se han considerado diferentes tecnologías de comunicación para soportar

las aplicaciones de redes inteligentes en la red eléctrica, incluidos cables tradicionales de

telefonía, cables de línea, fibra óptica, celular, satélite, microondas, WiMAX, power line

carrier –PLC, ancho de banda sobre la línea de potencia. De la misma manera, otras tec-

nologías cómo WiFi y ZigBee se presentan en aplicaciones de bajo rango, como en hoga-

res (Department Of Energy, 2010).

La isla Jeju reportada en Shamshiri et al en Corea tiene amplia ventaja sobre los demás

sitios de prueba de micro redes. En este proyecto se conjugan diferentes fuentes de ener-

gía renovable con generación convencional. También incluye sistema de movilidad y casas

inteligentes que está soportado en un sistema robusto de telecomunicaciones (Shamshiri,

Gan, & Tan, 2012).

En Chile, el proyecto: Energía Sustentable Cóndor ubicado en Huatacondo, provee de

energía eléctrica a una comunidad de 80 habitantes, según Palma-Behnke et al. En este

caso, la MR posee planta fotovoltaica principal de 22.68 kW, otra pequeña de 1kW, una


turbina eólica de 3kW, un grupo electrógeno diésel de 120kVA y un sistema de almacena-

miento de energía 30 kVA.

Este proyecto tiene un contenido social alto, ya que involucra a la comunidad desde la fase

de desarrollo, hasta la operación final a través de un modelo para gestión de demanda

conocido como social SCADA (Palma-Behnke, Ortiz, Reyes, Jiménez-Estévez, & Garrido,

2011).

Generalmente, la infraestructura de una MR está compuesta por un generador tipo eólico

o solar con sus respectivos inversores, además de un generador basado en gas, diésel o

micro central hidroeléctrica, sistemas de almacenamiento y cargas controlables. Algunos

diseñadores de MR agregan celdas de combustible y sistemas en tiempo real (RT por sus

siglas en inglés) para simulación de gestión y respuesta a la demanda. Un laboratorio mo-

delo de MR reportado por Shamshiri et al constituido por generadores fotovoltaicos, eóli-

cos, celdas de combustible, sistemas de almacenamiento de energía y manejo inteligente

de cargas (Shamshiri et al., 2012). Otros sitios de pruebas de MR se presentan en el Anexo

D.

2.2 Sistemas de generación de energía

Diferentes autores han realizado análisis y desarrollado modelos que describen matemáti-

camente el comportamiento de los sistemas de generación de energía. Estos modelos in-

cluyen generadores eólicos, solares fotovoltaicos, generadores basados en biocombusti-

ble, pequeñas centrales hidroeléctricas, generadores diésel, sistemas de almacenamiento

(baterías), entre otros. En esta sección se describen algunos modelos.

Generador Eólico

Un generador eólico o aerogenerador es un elemento que convierte energía cinética del

aire en energía eléctrica. Esta tecnología, como lo explican Millán y Antonio, ha tenido su

auge en los últimos años debido al aumento en el desarrollo de tecnologías limpias (Millán

& Antonio, 2014) . Los generadores eólicos se dividen en dos grandes grupos: turbinas de

eje vertical y turbinas de eje horizontal.


El generador eólico es, en resumen, un elemento mecánico cuya potencia depende de

diferentes parámetros como: el tamaño y la cantidad de las aspas (generalmente bi-pala o

tri-pala), altura, ubicación, orientación y variables como la velocidad.

Un modelo matemático del aerogenerador, explicitado por Borowy y Salameh, el cual es

función de la velocidad del viento y la velocidad de corte (parámetro de diseño) (Borowy &

Salameh, 1994) es presentado a continuación.

𝑃𝑤𝑡 = 0 , 𝑣 < 𝑣𝑐

𝑃𝑤𝑡 = 𝑃𝑅𝑣𝑘−𝑣𝑐

𝑘

𝑣𝑅𝑘−𝑣𝑐

𝑘, 𝑣𝑐 ≤ 𝑣 ≤ 𝑣𝑅

𝑃𝑤𝑡 = 𝑃𝑅 , 𝑣𝑅 < 𝑣 < 𝑣𝐹

𝑃𝑤𝑡 = 0 𝑣 > 𝑣𝐹

(2.1)

Donde:

PR es la potencia nominal

vc es la velocidad del viento de corte inferior

vR es la velocidad nominal de viento

vF es la velocidad de corte superior

k es el parámetro de ajuste de la distribución de Weibull a los datos históricos de velocidad

de viento.

De este modo, es posible reproducir la potencia de un generador eólico en función de los

datos históricos, o predichos de velocidad del viento y la velocidad instantánea.

Algunos autores como Huang et al proponen otros modelos para describir la potencia ge-

nerada por un generador eólico. El modelo como se describe a continuación (Huang, Yao,

& Wu, 2014).

𝑃𝑤𝑡 = 0 , 𝑣 < 𝑣𝑐𝑖

𝑃𝑤𝑡 = 𝑎𝑣3 + 𝑏𝑣2 + 𝑐𝑣 + 𝑑 , 𝑣𝑐𝑖 ≤ 𝑣 ≤ 𝑣𝑅

𝑃𝑤𝑡 = 𝑃𝑤𝑡 ,𝑅 , 𝑣𝑅 < 𝑣 ≤ 𝑣𝐹

𝑃𝑤𝑡 = 0 𝑣 > 𝑣𝐹

(2.2)

Donde 𝑃𝑤𝑡,𝑅 es la potencia nominal. Las velocidades están descritas por 𝑣 es la velocidad

actual, 𝑣𝑅 nominal 𝑣𝑐𝑖 es la velocidad de corte inferior y 𝑣𝐹 de corte superior. Los autores


también proveen la información de los parámetros del generador. Se tiene que para una

turbina General Electric GE 1.5xle los parámetros son: a = −2.608, b = 63.201, c = 293.3,

d = 374.23, 𝑃𝑤𝑡 ,𝑅 = 1500 𝑘𝑊, 𝑣𝑐𝑖 = 3.5 𝑚/𝑠 , 𝑣𝑅 = 20 𝑚/𝑠 y 𝑣𝐹 = 12.5 𝑚/𝑠.

Por facilidad en la implementación, se utiliza el modelo descrito en 2.1 para las simulacio-

nes realizadas en este trabajo.

Generador fotovoltaico

Un generador fotovoltaico, según se define en la patente de Chapin et al, es aquel que

transforma la energía solar o radiación electromagnética del sol en corriente eléctrica. Se

utiliza en diferentes ámbitos como aplicaciones espaciales o atendimiento de energía en

zonas no interconectadas (Chapin, Fuller, & Pearson, 1957).

Estos generadores son utilizados a menudo para la carga de sistemas de almacenamiento

como baterías, como lo reporta Myer en su patente. Estas baterias luego pueden suplir de

energía durante periodos en que el generador solar no está expuesto a suficiente radiación

para mantener la potencia en el nivel demandado (Myer, 1968).

Un modelo de generador fotovoltaico es tomado de Tafreshi et al. Estos investigadores

proponen una función que depende del número de módulos fotovoltaicos, el área de cada

módulo, la radiación incidente y la eficiencia instantánea del panel (Tafreshi, Zamani, Ez-

zati, Baghdadi, & Vahedi, 2010).

𝑃𝑝𝑣 = 𝜂𝑔𝑁𝑝𝑣𝐴𝑚𝐺𝑡 (2.3)

Donde:

𝑁𝑝𝑣 es el número de módulos

𝐴𝑚 es el área de cada módulo (𝑚2)

𝐺𝑡 es la irradiación incidente (𝑤/𝑚2)

𝜂𝑔 eficiencia instantánea 𝜂𝑔 = 𝜂𝑟𝜂𝑝𝑡 [1− 𝛽𝑡(𝑇𝑐 − 𝑇𝑟)]

𝜂𝑟 es la eficiencia del generador fotovoltaico,


𝜂𝑝𝑡 eficiencia equipo de seguimiento (MPPT)

𝑇𝑐 𝑦 𝑇𝑟 temperatura ambiente y de referencia

Otros autores como Tazvinga et al proponen diferentes modelos para describir la potencia

generada por sistemas fotovoltaicos. Los autores proponen el modelo que se describe en

la ecuación 2.4 (Tazvinga et al., 2013).

𝑃𝑝𝑣 = 𝜂𝑝𝑣𝐴𝑐𝐼𝑝𝑣 (2.4)

En la cual,

𝐴𝑐 es el área del arreglo, 𝜂𝑝𝑣 es la eficiencia del panel, dada por:

𝜂𝑝𝑣 = 𝜂𝑟 [1 − 0.9𝛽(𝐼𝑝𝑣

𝐼𝑝𝑣 ,𝑁𝑇 )(𝑇𝑐,𝑁𝑇 − 𝑇𝐴,𝑁𝑇) − 𝛽(𝑇𝐴 − 𝑇𝑅)], donde

𝜂𝑟 es la eficiencia del panel medida a temperatura de referencia (𝑇𝑅 ), a condiciones están-

dar (25ºC);

𝛽 es el coeficiente de temperatura (típicamente entre 0.004–0.005/ºC);

𝐼𝑝𝑣,𝑁𝑇 es la radiación horaria solar promedio incidente en el arreglo fotovoltaico a condicio-

nes estándar (NT).

𝑇𝑐,𝑁𝑇 Típicamente es 45ºC y 𝑇𝐴 ,𝑁𝑇 (20ºC) son temperatura de la celda y temperatura am-

biente a condiciones estándar respectivamente.

La radiación solar incidente, 𝐼𝑝𝑣, que es función de la hora del día, tiene una ecuación de

la forma 𝐼𝑝𝑣 = (𝐼𝐵 + 𝐼𝐷)𝑅𝐵 + 𝐼𝐷. Esto relaciona la radiación global (𝐼𝐵) y difusa (𝐼𝐷) inciden-

tes, además de 𝑅𝐵, el factor geométrico que relaciona la incidencia de radiación en un

plano inclinado y en un plano horizontal.

Por facilidad en implementación, se elige el modelo descrito en 2.3 para su utilización en

este trabajo.


Generación con biocombustibles

Un generador basado en biocombustible, biogás o biodiesel es una metodología de apro-

vechamiento y transformación bacteriana de elementos vegetales o residuos en combus-

tible para la generación de energía eléctrica (NREL, 2010).

Entre los beneficios que se pueden obtener del uso de esta tecnología según Burgos y

Sepúlveda se encuentra que son ambientalmente responsables, pues la vegetación que

se utiliza para crear el biodiesel captura CO2 antes de que se produzca por incinerar el

combustible. Además, el biocombustible es biodegradable, por lo tanto en el caso de un

derrame del mismo, el costo de tratamiento es menor que el del diésel.

Otra ventaja es que algunos de estos generadores permiten la mezcla de diésel y biod iesel,

por lo que la operación no depende enteramente de un combustible (Burgos & Sepulveda

Lanziano, 2011).

El modelo de generación por medio de biogás según Biswas et al tiene en cuenta las ecua-

ciones diferenciales de balance de masa para los diferentes componentes que reaccionan

en las etapas acidogénicas, acetogénicas, metanogénica y en las correspondientes masas

bacteriales, como sigue en las ecuaciones 2.5, 2.6 y 2.7 (Biswas, Chowdhury, & Bhatta-

charya, 2007).

𝑑𝐶𝑛

𝑑𝑡= ∑ ∑

𝜇𝑗𝑥𝑗

𝑌𝑗𝑛𝑗𝑛 (2.5)

𝑑𝑥𝑗

𝑑𝑡= 𝜇𝑗𝑥𝑗 (2.6)

𝑌𝑗𝑛 = (𝑑𝑥𝑗 𝑑𝑡⁄ )

(±𝑑𝐶𝑛 𝑑𝑡⁄ )𝑗 (2.7)

Donde j son diferentes reacciones acidogénicas (o fermentativas), acetogénicas y meta-

nogénica que ocurren durante la generación de biogás. En todos los casos, n indica el

substrato o producto consumido o generado en las reacciones.


Grupos electrógenos

Los grupos electrógenos son un conjunto de máquinas rotativas, eléctricas y de combus-

tión acopladas mediante un eje mecánico. Este conjunto transforma la combustión de ener-

gía térmica basada en gasolina o diésel, en energía eléctrica. Los grupos electrógenos se

utilizan como fuente de energía en casos de emergencia o como fuente primaria, también

conocida como de operación continua.

Como fuente primaria se utiliza en sitios remotos o zonas de difícil acceso con el sistema

de distribución. También como sistema de respaldo para zonas con problemas de regula-

ción. Generalmente se utiliza como como fuente auxiliar, como requisito de seguridad en

entidades públicas o privadas, también como respaldo para suplir una demanda máxima.

Un modelo de un grupo electrógeno es tomado de la investigación de Huang et al como la

ecuación 2.8, en el cual el costo de la energía generada se expresa como una función

polinómica de segundo orden (Huang et al., 2014).

𝐶𝐷𝐸 = 𝛼 + 𝛽𝑃𝐷𝐸 + 𝛾𝑃𝐷𝐸2 (2.8)

Donde 𝛼, 𝛽, 𝛾 son coeficientes obtenidos de la hoja de datos suministrada por el fabricante,

𝑃𝐷𝐸 es la potencia de salida del generador Diésel en kW, la cual se asume conocida.

Sistema de almacenamiento

Dada la variabilidad de las unidades de generación no convencional; eólico y solar; y ade-

más con el objetivo de aplanar la curva de demanda se utiliza un sistema de almacena-

miento de energía.

La energía se genera y transporta con relativa facilidad, aunque su puede almacenamiento

puede ser complicado. Los métodos para el almacenamiento de la energía pueden ser en

escala de gigavatios a través de sistemas de bombeo de agua (centrales hidroeléctr icas

reversibles), o con sistemas térmicos. En niveles inferiores de potencia es posible almace-

nar la energía con baterías, condensadores o ultra-capacitores y volantes de inercia.


Un modelo de operación de sistema de almacenamiento basado en baterías se toma de la

pesquisa de Wu et al. En esta investigación, se propone para definir el estado actual de

carga (SOC por sus siglas en inglés) un modelo que se presenta a continuación (Wu et al.,

2014).

𝑆𝑂𝐶(𝑡) = (1 − 𝛿)𝑆𝑂𝐶(𝑡 − 1)−𝑃𝑐Δ𝑡𝜂𝑐

𝐸𝑐 (2.9)

𝑆𝑂𝐶(𝑡) = (1 − 𝛿)𝑆𝑂𝐶(𝑡 − 1)−𝑃𝑑 Δ𝑡

𝐸𝑐 𝜂𝑑 (2.10)

𝑆𝑂𝐶𝑚𝑖𝑛 ≤ 𝑆𝑂𝐶(𝑡) ≤ 𝑆𝑂𝐶𝑚𝑎𝑥 (2.11)

−𝑃𝐵 𝑚𝑎𝑥 ≤ 𝑃𝐵 ≤ 𝑃𝐵 𝑚𝑎𝑥 (2.12)

𝑆𝑂𝐶𝑒𝑛𝑑 = 𝑆𝑂𝐶𝑠𝑡𝑎𝑟𝑡 + ∑ 𝑃𝐵 ∆𝑡𝑛−1𝑡=0 = 𝑆𝑂𝐶𝑠𝑡𝑎𝑟𝑡 (2.13)

Donde 𝑆𝑂𝐶𝑚𝑖𝑛 es 0.1 que representa los límites mínimo de SOC y el 𝑆𝑂𝐶𝑚𝑎𝑥o se toma

como 0.9 el cual representa el límite superior del SOC.

𝑃𝑐 es negativo y representa la potencia de carga, 𝜂𝑐 corresponde a la eficiencia de carga y

𝐸𝑐 es la capacidad total de la batería durante el periodo de cálculo Δ𝑡.

𝑃𝑑 es la potencia de descarga, 𝜂𝑑 está relacionado con la eficiencia de descarga.

𝛿 es la razón de descarga propia del sistema de almacenamiento, y es dado en unidades

de %/hora.

𝑃𝐵 𝑚𝑎𝑥 es la máxima potencia de carga y descarga de batería. Considerando la dinámica

del despacho económico en una micro red, el cual se ejecuta en ciclos, debe asumirse que

la carga final de la batería 𝑆𝑂𝐶𝑒𝑛𝑑 es igual al estado inicial de la bateria 𝑆𝑂𝐶𝑠𝑡𝑎𝑟𝑡, al final

de los n periodos de cálculo en el día.

Topología de Micro red

Aunque diferentes autores han realizado estudios de micro redes, aisladas e interconecta-

das, no existe un estándar de la topología de micro red reportado en la literatura. Dado que

el nivel de tensión donde operan la micro red se considera un nivel del sistema de distri-

bución, donde frecuentemente las redes son de forma radial, en general las topologías de


red reportadas en la literatura son radiales. A continuación se presenta un ejemplo de di-

chas formas de red. Modelos adicionales reportados en la literatura se presentan en el

Anexo D.

Figura 2-1. Topología de red de distribución, fuente:(Shi, Xie, Chu, & Gadh, 2015)

2.3 Modelo de Carga

Los investigadores en sistemas eléctricos han propuesto diferentes estrategias para definir

un modelo de carga. Históricamente se han utilizado métodos apoyados en matemática

estadística, como métodos basados en filtro de Kalman, modelos de auto-regresión

(ARIMA) (Amral, Ozveren, & King, 2007), exponential smooting (Christiaanse, 1971), mo-

delos en espacios de estados y modelo de box Jenkins (Irisarri, Widergren, & Yehsakul,

1982).

Los autores Hernández et al utilizan redes neuronales (NN) para la previsión de demanda

a corto plazo. Estos mismos autores recopilan diferentes metodologías utilizadas, como

mapas auto organizados (SOM), máquinas de soporte vectorial (SVM) (Hernández et al.,


2014) y regresiones de soporte vectorial (SVR) combinadas con sistemas de inferencia

difusa (Jain, Smith, Culligan, & Taylor, 2014).

Otras técnicas han sido reportadas, como en el trabajo de N. Liu et al que se utiliza un

modelo híbrido de predicción, basado en modo de descomposición empírica (EMD), filtro

extendido de Kalman (EKF), máquina de aprendizaje extremo con kernel (KELM) y optimi-

zación con enjambre de partículas (PSO) (N. Liu, Tang, Zhang, Fan, & Liu, 2014).

Un punto de vista diferente lo brindan los investigadores Pascual et al que proponen dos

casos de previsión: métodos basados en modelos persistentes y métodos basados en da-

tos históricos (Pascual, Barricarte, Sanchis, & Marroyo, 2015).

Los investigadores Xiao et al utilizan redes neuronales para la predicción de demanda de

una red eléctrica, para determinar los pesos óptimos de los coeficientes de la NN se utiliza

el algoritmo determinístico de Broyden–Fletcher–Goldfarb–Shanno-Firefly (BFGS-FA)

(Xiao, Wang, Hou, & Wu, 2015).

En otra pesquisa se propone un algoritmo combinacional para predicción de la carga. Ade-

más se utiliza teoría de restricciones combinatorias no positivas (Xiao, Shao, Liang, &

Wang, 2016).

Carga con Regresión lineal

La técnica de regresión lineal es utilizada para establecer relaciones entre variables de-

pendientes continuas de valores real y una o más variables independientes 𝑥1 ,𝑥2,… 𝑥𝑘. El

objetivo de este análisis es identificar una función que describe de la mejor manera posible,

la relación entre dichas variables. De modo que el valor de las variables dependientes se

puede predecir utilizando las variables independientes (Amral et al., 2007).

En su aplicación para predicción de carga, ésta puede estimarse a partir de variables in-

dependientes como condiciones climáticas, y otras variables que puedan influenciar la

carga eléctrica.

La predicción de carga utilizando este método se expresa como:


𝑦 = 𝛽0 + 𝛽1𝑥1 + 𝛽2𝑥2 + ⋯+ 𝛽𝑘𝑥𝑘 + 휀 (2.14)

donde 𝑦 representa la carga, 𝑥𝑖 son los factores que pueden afectar dicha carga, 𝛽𝑖 son

los parámetros de regresión respecto a 𝑥𝑖 y 휀 es un error de estimación, con media 0 y

varianza constante. Los parámetros 𝛽𝑖 son desconocidos y deben ser estimados de las

observaciones de 𝑦 y 𝑥𝑖.

Si se hace 𝑏𝑖 los estimativos de 𝛽𝑖 , utilizando la ecuación 2.14, se tiene que el valor esti-

mado de carga es: �̂� = 𝑏0 + 𝑏1𝑥1 + 𝑏2𝑥2 + ⋯+ 𝑏𝑘𝑥𝑘. Asumiendo que el valor de la carga

𝑦 y el valor estimado �̂� tienden a ser iguales, se puede asumir que el término 휀 que se

encontraba la ecuación 2.14, tiene en promedio un valor esperado de 0. Además, si la

distribución de probabilidad de la carga tiene una distribución normal, entonces el error

puede omitirse en el cálculo de los parámetros.

Así que utilizando el método de estimación de mínimos cuadrados, que minimiza la suma

de los cuadrados de los residuales los parámetros 𝑏𝑖 son obtenidos como:

𝐵 = [𝑏0 𝑏1 … 𝑏𝑘]𝑇 = (𝑋𝑇 𝑋)

−1𝑋𝑇𝑌,

donde 𝑋 y 𝑌 son:

𝑌 = [

𝑦1

𝑦2

⋮𝑦𝑘

] 𝑋 = [

1 𝑥11 𝑥12

1 𝑥21 𝑥22

… 𝑥1𝑘

… 𝑥2𝑘

⋮ ⋮ ⋮1 𝑥𝑛1 𝑥𝑛2

⋮ ⋮… 𝑥𝑛𝑘

].

Luego de que los parámetros son calculados, el modelo puede ser utilizado para predicción

de la carga.

La implementación de este método para predicción de curva de carga se propone como

una mejora a este trabajo, a realizarse en investigaciones futuras.

3. Modelos de gestión y optimización de ener-gía eléctrica en micro redes

Un sistema de gestión de energía (EMS por sus siglas en inglés) en micro redes como lo

definen Su y Wang es un software de control que, de modo óptimo, puede ubicar la poten-

cia de salida en los generadores distribuidos de una micro red (Su & Wang, 2012). Esto se

realiza para suplir de manera económica las cargas, además establece los modos de ope-

ración; aislado o interconectado; basado tanto en las condiciones de operación cómo en

variaciones ambientales, que deriven en modificaciones de la potencia generada por los

sistemas alternativos.

Para proponer un modelo de gestión de energía en Micro redes se requiere identificar las

estrategias de gestión de energía que convencionalmente se utilizan en micro red. Estas

estrategias se analizan desde el punto de vista de redes interconectadas, y su aplicación

a redes aisladas. Además se formula una división de los modelos de gestión según su

aplicación jerarquizada o temporal.

Posteriormente, se plantea la gestión de la energía como un problema de optimización y

se recopilan las estrategias que aplican a micro redes. También se analizan las diferentes

funciones objetivo considerando costos ambientales, operacionales, de capital, de alma-

cenamiento de energía y otras.

Al final de este capítulo se describen las técnicas de solución de problemas de optimiza-

ción, tanto determinísticas como programación lineal, cuadrática y otras técnicas no linea-

les así como técnicas heurísticas que diversos investigadores han utilizado para solucionar

problemas relacionados con gestión de MR.


Con este análisis se pretenden obtener las bases para la construcción de un modelo de

gestión de energía así como una metodología para definir y cuantificar los costos de pro-

ducción de energía eléctrica en una MR que sea propuesta.

El rol principal de un sistema de gestión de energía en una micro red (MR-EMS) es deter-

minar de un modo autónomo el despacho óptimo hora a hora de una micro red y de la red

principal (cuando es interconectada) para lograr satisfacer la demanda de energía (Elsied

et al., 2015).

Debido a la necesidad de optimizar el uso de las fuentes de generación distribuidas (DER),

minimizando los costos de operación y considerando todas las restricciones posibles del

sistema, se puede justificar la oportunidad para el desarrollo de un algoritmo para la gestión

de la micro red.

Entre los objetivos de un EMS está minimizar los costos asociados a la operación de una

micro red (Ahmad Khan, Naeem, Iqbal, Qaisar, & Anpalagan, 2016). Estos costos pueden

estar determinados por costos de mantenimiento, combustibles, compra de energía de la

red. El EMS también debe proveer de la inteligencia y debe tener las funcionalidades ne-

cesarias para garantizar que la calidad de potencia en la micro red está en niveles ade-

cuados, que la micro red participe en el mercado de energía y que además se optimice la

operación (Katiraei et al., 2008). Igualmente, se deben avalar transiciones suaves entre

modos de operación tanto para las diferentes fuentes de generación de energía, como en

la operación en modo aislado e interconectado.

3.1 Modelos de gestión basados en horizonte temporal

Se busca modelar y proponer un sistema de gestión de energía en micro redes. Para tal

objetivo, se estudian los modelos utilizados en la actualidad. Además se proponen pará-

metros para realizar una organización de estos modelos, según algunas de sus caracte-

rísticas. Diversos autores han enfocado sus esfuerzos en encontrar parámetros o caracte-

rísticas de organización temporal de las MR que permitan realizar una gestión de las mis-

mas.

Modelos de gestión y optimización de energía eléctrica en micro redes 29

Figura 3-1. Modelos de gestión, según horizonte temporal.

Un sistema inteligente para la gestión de la energía permite visualizar y predecir el desem-

peño de una micro red eléctrica en un plazo determinado de tiempo, con el objetivo de

minimizar los costos relacionados con la operación de la misma.

(Meng et al., 2016), plantean que los modelos de gestión de energía se pueden dividir

como métodos para gestión con anticipación (day-ahead scheduler) y métodos para ges-

tión en corto plazo/tiempo real. Esta organización de los modelos de gestión de energía en

micro redes puede describirse como se muestra en la Figura 3-2. Para ambos métodos de

gestión se deben tener predicciones del precio de energía spot, generación de energía con

recursos renovables (RES) y pronósticos de consumo.

Modelos de gestión Horizonte

temporal

Corto plazoSaravanan et al.,

2013

Largo plazoAhmad Khan et al.,

2016


Predicción de 24 horas de: Precio energía Generación de RES Consumo

Predicción de corto plazo: Precio energía Generación de RES Consumo

Despacho predictivo con anticipación

Planeación del parque

generador

Despacho de corto plazo/tiempo real

Despacho económico

Controladores de nivel de campo

Figura 3-2. Sistemas de gestión de energía, adaptado de : (Meng et al., 2016).

En la organización de los modelos de gestión de micro redes basados en su operación

temporal, inicialmente se ubica la planeación del parque generador (unit commitment - UC).

Esta planeación se realiza generalmente con un día de anticipación, basado en previsiones

de precio de generación de energía, pronósticos de generación de energía basada en

fuentes renovables y no convencionales, además del consumo previsto. Este método se

utiliza en diferentes sistemas de gestión de energía eléctrica convencional, no sólo en mi-

cro redes.

En segundo lugar, se encuentra como método para gestión de las micro redes en el corto

plazo, el despacho económico (economic dispatch - ED). Esta operación se puede realizar

como un ajuste al UC proyectado como línea base de generación, o también como una

planeación de la operación en sí misma.

Ambas metodologías de gestión, UC y DE, son formuladas como problemas de optimiza-

ción usados para determinar la planeación de operación de unidades de generación y ges-

tión de cargas/fuentes controlables, como los sistemas de almacenamiento (Meng et al.,

2016).


En este problema de optimización se consideran diferentes restricciones de operación y

variaciones ambientales (Meng et al., 2016; Saravanan, Das, Sikri, & Kothari, 2013).

3.2 División Jerarquizada de sistemas de Gestión de Energía en micro redes

(Almada, Leão, Sampaio, & Barroso, 2016) presentan un enfoque en el cual se tienen en

cuenta los sistemas de gestión de energía en micro redes como centralizado, descentrali-

zado y distribuido. A continuación se describen cada una de estas arquitecturas de control

y sus implicaciones.

Figura 3-3. Modelos de gestión jerarquizada.

Gestión centralizada de micro redes

El primero consiste en un controlador central provisto con información de cada fuente de

GD y de la MR como tal, es decir, parámetros de red y modo de operación. En esta arqui-

tectura, la salida del control está relacionada con los valores de referencia de cada GD, así

como decisiones de conexión y desconexión de cargas y sistemas de almacenamiento

(Olivares, Cañizares, & Kazerani, 2014). Finalmente se destacan como estrategias de so-

lución para este tipo de gestión, metodologías heurísticas, programación lineal y algoritmos

evolutivos (Almada et al., 2016).

La principal ventaja de esta arquitectura de gestión, radica en que considera toda la MR,

por lo que permite realizar una optimización conjunta (Almada et al., 2016). Del mismo

Modelos de gestión Jerarquía

CentralizadoOlivares et al.,

2014

Descentralizado Planas et al., 2013

Distribuido Chung, 2013


modo, se tienen en cuenta en la gestión de la MR los precios de mercado de energía,

balances de energía y calidad de potencia (Kaur, Kaushal, & Basak, 2016; Olivares et al.,

2014).

Gestión descentralizada de micro redes

Dada la naturaleza distribuida de los sistemas de generación en MR, se facilita la imple-

mentación de sistemas de gestión en el nivel local. En este caso se utuliza medición y

gestión local en cada unidad de generación (Almada et al., 2016). En esta estrategia de

control y gestión se facilita el uso de controladores distribuidos, y de este modo se logra

disminuir las necesidades de procesamiento de información.

Del mismo modo, permite el seguimiento de las señales de control impuestas desde la

referencia de tensión y frecuencia (Planas, Gil-de-Muro, Andreu, Kortabarria, & Martínez

de Alegría, 2013).

En este caso, se presentan algunos problemas asociados a la integración de DER y la falta

de un sistema global de supervisión (Olivares et al., 2014; Planas et al., 2013).

Gestión distribuida de micro redes

Se utilizan controladores distribuidos para resolver los problemas de gestión cerca del ori-

gen de los mismos, reduciendo así necesidades en términos de procesamiento, almace-

namiento y comunicación de datos (Almada et al., 2016). En este caso se suelen utilizar

sistemas multi-agente, provisionando de autonomía a las DER y cargas que pertenecen a

la MR, donde cada agente controla y toma decisiones sobre un conjunto de DER (Chung,

2013), facilitando de este modo las labores de comunicación y control. También es posible

proponer acciones de control colaborativas entre los diferentes elementos intervenidos.

Finalmente, y a modo de resumen, se presentan las estrategias de gestión de energía en

micro redes en la Tabla 3-1. Entre las estrategias para organización de metodologías para

la gestión de redes eléctricas se han detectado dos corrientes principales, una basada en

el horizonte temporal de gestión y la otra basada en la jerarquización de la gestión.


Tabla 3-1. Organización modelos de gestión -MR

Por horizonte temporal (Meng et al., 2016) Por Jerarquía (Almada et al., 2016)

Largo plazo Corto plazo Centralizado Descentralizado Distribuido

Planeación del par-

que generador (UC)

Despacho econó-

mico

Gestión cen-

tralizada de

fuentes

Gestión descen-

tralizada de fuen-

tes

Gestión

cerca de la

fuente

Predicción y planea-

ción con un día de

anticipación

Predicción, planea-

ción y operación en

corto plazo/tiempo

real

Información y

operación cen-

tralizada de

DER y MR.

Control y gestión

a nivel local

Resolver la

gestión en

la fuente de

generación.

(Ahmad Khan et al.,

2016)

(Meng et al., 2016;

Saravanan et al.,

2013)

(Olivares et al.,

2014)

(Planas et al.,

2013)

(Chung,

2013)

3.3 Problema de optimización en micro redes

Como se expuso anteriormente, la gestión de energía en micro redes es comúnmente for-

mulada como un problema de optimización. Más aún, los investigadores encargados del

estudio de las MR han utilizado diferentes técnicas que permiten solucionar este plantea-

miento. En esta sección se tratarán las técnicas o metodologías que se utilizan convencio-

nalmente para la solución del problema de gestión óptima de energía en la micro red.

Para lograr la solución adecuada es importante garantizar un planteamiento del problema

que esté ajustado a las necesidades de optimización de la MR. Por lo tanto, en el inicio de

esta sección se comentarán y analizarán los tipos de función objetivo así como el contexto

en el cual es factible utilizar una de estas.

Entre las restricciones que utilizan diversos investigadores se pueden considerar los límites

de operación de los sistemas de generación. Estos límites además se asocian a temas de

seguridad en la operación y capacidad de los equipos utilizados. Igualmente, es posible

definir restricciones asociadas a la integración con el sistema interconectado en el caso de

red enlazada. Otras limitantes en la operación pueden ser la razón de carga y descarga de


baterías, encendidos máximos de un generador en el día, límite de consumo de combusti-

ble, entre otras.

Posteriormente se estudian los algoritmos que han sido utilizados previamente por los in-

vestigadores interesados en la gestión de micro redes eléctricas, tanto aisladas como in-

terconectadas. Al final, se propone una función objetivo que permita la gestión de una micro

red eléctrica, garantizando que cumpla con los requerimientos establecidos en la función

objetivo y con las restricciones propuestas.

3.4 Función objetivo

Generalmente el despacho de fuentes de generación y la gestión de estas unidades de

generación han sido formulados como un problema de optimización con restricciones. Para

esto, se debe proponer una función objetivo de minimización que dependerá de diferentes

factores (Ahmad Khan et al., 2016):

Topología de la MR

Zona geográfica

Condiciones económicas

Entornos legales

Escenario financiero

tarifas de mercado.

En esta función objetivo se pueden incluir los costos asociados a la producción de energía,

también el costo de instalación y retorno de la inversión inicial, así como los asociados a

la operación y mantenimiento de la micro red.

Otros costos que han sido utilizados para definir la funcional de costo son los asociados al

arranque y parada de fuentes de generación. Otros autores también han incluido en la

función de costo, variables cualitativas como costos asociados a la insatisfacción de los

usuarios o la frustración de los mismos debido a servicios deficientes (Silvestre, Graditi, &

Sanseverino, 2014).


Costos ambientales

El problema de contaminación mundial impulsa la transformación de las redes eléctricas y

de las fuentes de generación de energía que convencionalmente se han utilizado. Más

aún, se utiliza la capacidad de la función objetivo para disminuir la utilización de energía

proveniente de fuentes de energía contaminantes.

A continuación se explicitan algunas funciones objetivo que se han utilizado en temáticas

ambientales:

i. Emisiones de contaminantes

La emisión de contaminantes ha sido utilizada en forma de disminuir, en la cantidad

que lo permita la MR, la expulsión de contaminantes al medio ambiente.

ii. Costo de tratamiento de emisiones

En este caso se pretende decrecer el costo de tratamiento de emisiones atmosfé-

ricas de contaminantes. Se puede entender que el costo de tratar los contaminan-

tes es proporcional a la emisión de los mismos y por lo tanto es una función análoga

a la que disminuye la emisión de contaminantes.

Costos operacionales y de capital

En este caso la función objetivo busca disminuir los costos asociados a la operación de la

micro red de manera que se optimice el retorno de la inversión, teniendo en cuenta costos

de:

Generación.

Materias primas para generación (combustibles fósiles o alternativos).

Costo asociado al capital inicial.

Igualmente, se incluye el costo de mantenimiento de los elementos de la MR. Con frecuen-

cia, la función objetivo contiene el costo concerniente al encendido o apagado de las fuen-

tes. En el caso de tener una MR interconectada, se suele incluir en la función de costo un

término asociado a la energía consumida de la red eléctrica.

i. Combustibles


Con esto se busca modelar el valor a pagar por el combustible consumido. Es po-

sible en este caso la inclusión de combustibles fósiles como basados en petróleo o

carbón, también biocombustibles y otros combustibles alternativos como los utiliza-

dos en celdas de combustible (PEM, SOFC etc).

ii. Capital/mantenimiento

El costo inicial de la micro red es incluido en la FO para disminuirla o para operar

la MR de tal modo que se disminuya el tiempo de retorno de tal inversión.

iii. Encendido/apagado

En ocasiones es de interés disminuir la cantidad de encendidos y apagados de un

sistema, por ejemplo térmico, para evitar el problema de tiempos de preencendido

en estos. Igualmente, se puede identificar y modelar una curva del costo de encen-

dido o apagado que sea función de la potencia para incluirse en la función objetivo.

iv. Energía de la red

Si el sistema permite un flujo bidireccional, es decir que el flujo de energía se da

tanto del sistema interconectado a la MR como desde la micro red hacia el sistema

interconectado, la energía consumida de la red logra valores negativos o positivos

según el planteamiento que sea dado, y así es posible disminuir aún más el valor

de la función objetivo.

Costo de almacenamiento de energía

En este caso se dedica la función objetivo a optimizar el almacenamiento de energía eléc-

trica en la micro red, de modo que el número de operaciones de carga/descarga sea opti-

mizado. Igualmente se ha propuesto optimizar el almacenamiento horario, que puede ser

usado con el objetivo de lograr un aplanamiento en la curva de carga. También se utiliza

una función de costo para garantizar la eficiencia en carga y descarga de la batería para

obtener, por ejemplo, ciclos completos.

i. Carga/descarga


Se pretende que la función objetivo en este caso permita la optimización de las

operaciones de carga y descarga de la batería. Del mismo modo, esta FO puede

en otros casos utilizarse para evitar que la batería haga ciclos medios, es decir, no

realice una carga descarga completa.

ii. Almacenamiento horario

Este tipo de FO busca que se optimice el almacenamiento, de modo que el sistema

de acumulación optimice el costo asociado a la carga y descarga del mismo.

iii. Eficiencia de carga y descarga

La FO se encarga de maximizar eficiencia de carga y descarga del sistema de al-

macenamiento.

iv. Sistema de almacenamiento

Esta FO generalizada puede aplicarse para el dimensionamiento mínimo del sis-

tema mencionado. En el caso de múltiples sistemas de almacenamiento, la utiliza-

ción y operación de estos puede incluirse en la función objetivo.

Otras funciones objetivo

En ocasiones se plantea la disminución o maximización de otro tipo de función objetivo, de

modo que variables de la micro red definidas por el analista sean optimizadas. Algunas de

estas FO se nombran a continuación.

i. Costos de frustración/insatisfacción

Se asocia esta FO al posible nivel de frustración o insatisfacción que los usuarios

tendrían debido a los problemas de operación de la micro red. Se quiere disminuir

este nivel de insatisfacción en los usuarios, pues niveles altos representarán resis-

tencia por parte de nuevos usuarios a incursionar en las tecnologías. Este tipo de

FO es importante pues aporta en la apropiación social de la tecnología, con métri-

cas comparables para diferentes comunidades y tecnologías de micro red.

ii. Errores de seguimiento


Esta función objetivo está referida a los errores de seguimiento, cuando se utilizan

seguidores solares para el máximo aprovechamiento de la energía fotovoltaica o

solar térmica.

iii. Precio de desconexión de cargas

Esta FO busca la disminución del costo asociado a la desconexión de cargas, a fin

de que se mejoren los índices comúnmente aplicados a empresas de distribución

de energía, como SAIFI (System Average Interruption Frequency Index), SAIDI

(System Average Interruption Duration Index) o CENS (Cost of Energy Not

Supplied).

iv. Diseño óptimo

Este tipo de FO busca el mejor diseño de la micro red para un sitio específico,

donde se tienen en cuenta factores como la ubicación, la disponibilidad de fuentes,

el tamaño óptimo de la fuentes, entre otros.

En resumen, los tipos de función objetivo que convencionalmente se utilizan en problemas

de gestión de micro redes, Smart Grids y redes eléctricas en general descritas y utilizadas

por diferentes autores se presentan en la Figura 3-4.


Figura 3-4. Funciones objetivo micro redes. Con información de: (Ahmad Khan et al., 2016)

3.5 Soluciones problema de optimización

Como parte del estudio de métodos y estrategias de gestión de micro redes, se analizan

las propuestas previas realizadas por diferentes autores para resolver diferentes proble-

mas de optimización.

Se han analizado técnicas como la programación dinámica, que se basa en la discretiza-

ción y secuencializacion de un problema. Esta técnica se aplica a problemas que tienen

características como (Bellman, 2003):

Sub-problemas óptimos: es decir, la solución óptima del problema se puede definir

en función de soluciones óptimas a problemas de menor tamaño.

Superposición de problemas: un mismo problema se resuelve varias veces en la

solución recursiva.

Funciones Objetivo

Costos ambientales

Emisiones de contaminantes

Costo de tratamiento de

emisiones

Costos operacionales y de

capital

Combustibles

Capital/mantenimiento

Encendido/apagado

Energía de la red

Costo de almacenamiento de

energía

Carga/descarga

Almacenamiento horario

Eficiencia de carga y descarga

Sistema de almacenamiento

Otros

Costos de frustración/insatisfa

cción

Errores de seguimiento

Precio de desconexión de

cargas

Diseño óptimo MR/ dimensión de

fuentes


La solución a problemas de este tipo se encuentra enmarcada en el principio de optimali-

dad de Bellman: Cualquier sub-secuencia de decisiones de una secuencia óptima de de-

cisiones que resuelve un problema también debe ser óptima respecto al sub-problema que

resuelve.

También se estudió la programación estocástica, la cual se aplica a problemas matemáti-

cos donde algunos parámetros presentan dinámicas aleatorias (Prékopa, 1995).

De este modo, se relajan problemas donde se tienen variables determinísticas, de forma

que estas sean consideradas aleatorias, sujetas a incertidumbres por errores de medición

o de estimación, de las cuales se deberá conocer su distribución de probabilidad (Masri &

Ben Abdelaziz, 2010). Para esta distribución, se tiene la hipótesis que es independiente de

las variables de decisión.

Estas dos técnicas, programación dinámica y estocástica, se dejan abiertas como una he-

rramienta futura para el mejoramiento de esta propuesta de solución.

Entre las alternativas de solución se han detectado métodos tradicionales, como la progra-

mación lineal y la programación no lineal, además de otros métodos utilizados, como los

heurísticos que se analizan a continuación.

3.5.1 Método de Programación lineal

La técnica de programación lineal busca resolver, u optimizar, el valor que maximice la

función objetivo definida en la ecuación 3.1 , dentro de una región factible definida por las

restricciones lineales 3.2 y 3.3 (Tom Van Den Boom & Vart De Shutter, 2007). Este método

también es conocido como el método simplex.

𝑓(𝑥) = 𝑐𝑇𝑥 (3.1)

Sujeto a:

𝐴𝑥 = 𝑏 (3.2)

𝑥 ≥ 0 (3.3)


Donde 𝑥 ∈ ℝ𝑛 es el vector de n-variables, 𝑐𝑇es el vector de coeficientes de 𝑥. La expresión

𝐴𝑥 corresponde las restricciones de igualdad, con 𝐴 ∈ ℝ𝑚×𝑛 y 𝑏 ∈ ℝ𝑚, es un vector de

constantes.

Los puntos que cumplen con las restricciones conforman un perímetro que se llama región

factible, es decir, todos los puntos dentro de esta zona cumplen con las restricciones del

sistema, estas se conocen como soluciones factibles. El problema se reduce a la búsqueda

de el o los valores que sean soluciones factibles y que optimicen la función objetivo. Así,

las soluciones factibles que optimizan la función objetivo son las soluciones óptimas.

Igualmente se puede deducir que en este tipo de problemas de optimización, si existe una

solución óptima, ésta se encontrará en un vértice de la región factible. Si el sistema tiene

infinitas soluciones óptimas, se encontrarán en uno de los lados de la región óptima.

3.5.2 Método de Programación cuadrática

En este caso se consideran problemas de optimización con función objetivo cuadrática y

con restricciones lineales. Este tipo de problemas han sido conocidos como problemas de

programación cuadrática (Tom Van Den Boom & Vart De Shutter, 2007).

Además, los problemas de programación lineal se pueden dividir en dos tipos: con restric-

ciones de desigualdad y con restricciones de igualdad.

Para el caso de restricciones de desigualdad, se busca minimizar (o maximizar) una fun-

ción objetivo de la forma:

𝑓(𝑥) =1

2𝑥𝑇𝐻𝑥 + 𝑐𝑇𝑥 (3.4)

Sujeto a:

𝐴𝑥 ≤ 𝑏 (3.5)

𝑥 ≥ 0 (3.6)

Donde 𝐻 es una matriz positiva semi-definida. Es decir, si 𝐻 ∈ ℝ𝑛×𝑛, se dice que 𝐻 es

positiva semi-definida si 𝑥𝑇𝐻𝑥 ≥ 0, para todos los 𝑥 ∈ ℝ𝑛. Si 𝐻 es simétrica, entonces 𝐻


es positiva semi-definida sí y solo sí todos sus valores propios son no-negativos (i.e., ma-

yores o igual a cero).

En el caso que las restricciones sean de igualdad, sólo se modifica la ecuación 3.5. de

modo que 𝐴𝑥 = 𝑏.

3.5.3 Método de Programación no lineal

Por la naturaleza no lineal de los problemas matemáticos utilizados en ingeniería, este tipo

de algoritmos es utilizado ampliamente. En muchos de estos casos se pueden realizar

aproximaciones lineales a los problemas planteados (Bradley, Hax, & Magnanti, 1977).

En diversos casos se tienen funciones de optimización no lineales, o restricciones no li-

neales. Es crucial en algunas aplicaciones no realizar aproximación de dichas no lineali-

dades, pues estas son las que representan el problema planteado.

Este tipo de problemas se enfoca en seleccionar el valor óptimo de un problema con n

variables de decisión dentro de una región de factibilidad que llevan la función objetivo a

un valor óptimo (máximo o mínimo).

Programación no lineal sin restricciones

En este caso se busca la optimización de una función objetivo no lineal que no está res-

tringida.

Se logran discernir algunos métodos y algoritmos de solución de este problema de optimi-

zación (Tom Van Den Boom & Vart De Shutter, 2007).

1. Métodos de Newton y Cuasi-Newton

Los métodos de Newton y Cuasi-Newton para solución de problemas de optimizai-

cón están soportados en la aproximación cuadrática de la función. Un limitante es

que adicional a la evaluación de la función objetivo, el método de Newton y el mé-

todo de Levenberg-Marquardt requieren la evaluación del Hessiano y el Gradiente

de la función objetivo.


En los métodos Cuasi-Newton, no se computa explícitamente el Hessiano sino que

se realizan aproximaciones. De este modo, estos métodos solo requieren la eva-

luación de la función objetivo y del gradiente. Entre los algoritmos Cuasi-Newton

que se utilizan convencionalmente están: Broyden-Fletcher-Goldfarb-Shanno –

BFGS, Davidon-Fletcher-Powell – DFP,

2. Métodos con determinación de dirección y búsqueda de línea.

Cada iteración consiste en determinar una dirección de búsqueda y una línea de

búsqueda, para plantear la optimización en tal dirección. La idea de este método

es buscar la dirección de mejoramiento de la función objetivo. Existen diversas téc-

nicas para la búsqueda de línea como el método de paso variable o el de paso fijo,

métodos de interpolación cúbica o parabólica, la sección dorada o el método de

Fibonacci.

3. Método de Nelder-Mead.

Este método se basa en las propiedades geométricas del método simplex. En oca-

siones se nombra como el método simplex no lineal.

Suponiendo que se está buscando el máximo de la función objetivo, el método u ti-

liza una forma geométrica en ℝ𝑛 que tenga una cantidad n+1 puntos, de modo que

estos puntos no estén ubicados en un híper-plano, por ejemplo un triángulo en ℝ2 .

De este modo, si se tienen los n+1 puntos, es posible evaluar la función objetivo en

ellos y el punto que tenga una solución menos satisfactoria (función objetivo más

pequeña si se busca maximizar) se refleja este punto respecto al centro geométrico

de las otras n soluciones propuestas. El algoritmo debe detenerse cuando la fun-

ción objetivo calculada en un punto nuevo sea menor a la calculada con los otros n

puntos.

Programación no lineal con restricciones

Se pretende la optimización de una función objetivo no lineal sujeta a restricciones de

igualdad o desigualdad. A continuación se describen este tipo de problemas y los métodos

convencionales de solución.


Restricciones de igualdad

Se quiere minimizar la función objetivo sujeta a restricciones de igualdad, como se describe

en la ecuación 3.7.

min𝑥∈ℝ𝑛

𝑓(𝑥) Sujeto a ℎ(𝑥) = 0 (3.7)

En algunos casos el problema se puede simplificar por eliminación de las restricciones

(lineales o no lineales) de igualdad, con lo que se obtiene un problema de minimización sin

restricciones que se puede solucionar con los métodos anteriormente descritos .

En el caso que las restricciones sean lineales, es decir que el problema 3.7 tome la forma:

min𝑥∈ℝ𝑛

𝑓(𝑥) Sujeto a 𝐴𝑥 = 𝑏 (3.8)

Con 𝐴 ∈ ℝ𝑚×𝑛 una matriz, 𝑏 ∈ ℝ𝑚×1 un vector y 𝑥 ∈ ℝ𝑛×1 el vector de parámetros. Además

se asume que 𝑛 > 𝑚. Es posible eliminar las restricciones 𝐴𝑥 = 𝑏 definiendo un nuevo

vector de parámetros �̅� ∈ ℝ𝑛−m, eligiendo una matriz �̅� ∈ ℝ(𝑛−𝑚)×𝑛 y un vector 𝑥0 tal que

𝐴𝑥0 = 𝑏 y que 𝐴�̅�𝑇 = 0. Luego 𝑥 = 𝑥0 + �̅�𝑇�̅� , así que el problema 3.8 puede reescribirse

como un problema no lineal sin restricciones:

min𝑥̅∈ℝ𝑛−m

𝑓(𝑥0 + �̅�𝑇�̅� ) (3.9)

El problema descrito en 4.9 se puede resolver como se describió anteriormente, en la so-

lución de problemas de optimización no lineal sin restricciones.

Restricciones de desigualdad

Si se tiene un problema no lineal cuyas restricciones no lineales sean de desigualdad,

como se describe en la ecuación 4.10, los Boom y Shutter proponen solucionarlo por medio

de eliminación, método de proyección del gradiente o introduciendo funciones de penali-

zación o barrera (van de Boom & de Shutter, 2007).

min𝑥∈ℝ𝑛

𝑓(𝑥) Sujeto a 𝑔(𝑥) ≤ 0 (3.10)

En el caso de la eliminación de restricciones de desigualdad, puede ser realizado si existe

una función de mapeo Φ ∶ �̅� → 𝑥, de tal modo que

{𝑥| 𝑥 = Φ(�̅�) , �̅� ∈ ℝm } = {𝑥| 𝑥 ∈ ℝn, 𝑔(𝑥) ≤ 0}


Así la optimización de 𝑓(𝑥) con restricciones en el dominio de 𝑥 ∈ ℝn para 𝑔(𝑥) ≤ 0 se

convierte en una optimización sin restricciones de la función 𝑓(Φ(�̅�)) en el dominio de �̅� ∈

ℝm.

El método de proyección del gradiente puede ser utilizado en combinación con el método

de búsqueda de línea y determinación de dirección. Si se considera el problema con res-

tricciones de desigualdad lineales, es decir min𝑥∈ℝ𝑛

𝑓(𝑥) sujeto a 𝐴𝑥 − 𝑏 ≤ 0, además de un

punto inicial 𝑥𝑘. El método busca la dirección en la cual 𝑓 disminuye. Ese sentido se busca

tangente (si es considerado en 2 variables) a la frontera. Esto significa que se deben veri-

ficar las restricciones activas.

Cando las restricciones de desigualdad son no lineales, el problema se dificulta pues la

región de frontera deja de ser un híper-plano, donde el gradiente pueda ser proyectado.

De modo que la manera más sencilla es ingresar la función de restricciones no lineales en

la función objetivo a través de una función de barrera (también llamada función de penali-

zación interna) o de penalización (llamada en ocasiones función de penalización externa).

Una opción es incluir como una función de viabilidad, definida como 𝑓𝑣𝑖𝑎𝑏(𝑥) = 0 si 𝑔(𝑥) ≤

0 y 𝑓𝑣𝑖𝑎𝑏(𝑥) = ∞ si 𝑔(𝑥) ≰ 0. De modo que adicionando esta función en la función original,

se busca

min𝑥

( 𝑓(𝑥) + 𝑓𝑣𝑖𝑎𝑏(𝑥) ) (3.11)

Y así el problema de optimización con la nueva función como se describe en la ecuación

3.11, siempre buscará un mínimo en la región factible.

Algoritmo SQP

Otro algoritmo propuesto por Boom y Shutter para resolver problemas de optimización no

lineal con restricciones no lineales es el SQP (sequential quadratic programming) (van de

Boom & de Shutter, 2007).

En este algoritmo parte, asumiendo que se tiene un problema como el descrito en la ecua-

ción 3.10, y se introduce la función de Lagrange como 𝐿(𝑥, 𝜆) = 𝑓(𝑥) + 𝜆𝑇𝑔(𝑥).

Si se realiza la aproximación de esta función, en el punto 𝑥𝑘, se obtiene que el lagrangiano

toma la forma:


𝐿(𝑥, 𝜆) ≈ 𝐿(𝑥𝑘 ,𝜆) + ∇𝑘T𝐿(𝑥𝑘 ,𝜆)(𝑥 − 𝑥𝑘)+

1

2 (𝑥 − 𝑥𝑘)

𝑇 𝐻𝐿(𝑥𝑘 ,𝜆)(𝑥 − 𝑥𝑘)

Donde 𝐻𝐿 es el Hessiano de la función 𝐿 respecto a 𝑥.

Además también se puede realizar una aproximación de las restricciones de desigualdad

como 𝑔(𝑥) = 𝑔(𝑥𝑘)+ ∇T𝑔(𝑥𝑘)(𝑥 − 𝑥𝑘). Igualmente, si se escribe 𝑑 = (𝑥 − 𝑥𝑘) y se apro-

xima el Hessiano de la función 𝐿(𝑥, 𝜆) como �̂�𝑘, por medio de los algoritmos BFGS o el

algoritmo de Fletcher-Reeves, el problema no lineal con restricciones no lineales se puede

escribir como: min𝑑

1

2𝑑𝑇�̂�𝑘𝑑 + ∇T𝑓(𝑥𝑘)𝑑, sujeto a 𝑔(𝑥𝑘)+ ∇T𝑔(𝑥𝑘)𝑑 ≤ 0.

En la Tabla 3-2 se presentan un resumen de los algoritmos determinísticos anteriormente

presentados y los métodos de solución de cada uno.

3.5.4 Técnicas heurísticas

Además de las técnicas de solución convencionalmente utilizadas, se incluyen otras como

numeración exhaustiva, listado de prioridades, programación dinámica, branch and bound,

programación entera, recalentamiento simulado o búsqueda tabú (Saravanan et al., 2013).

Otros autores, como (Lv & Ai, 2016) presentan variaciones de soluciones heurísticas ante-

riormente utilizadas, en este caso usando Theory–Hierarchical Genetic Algorithm–NSGA-

II, para resolver el problema de optimización. Los investigadores (Abedini, Moradi, & Hos-

seinian, 2016) utilizan para la solución del problema de optimización un algoritmo de en-

jambre de partículas con mutación gausiana (Particle Swarm Optimization with Gaussian

Mutation GPSO-GM), con el cual se disminuye el costo de operación de la MR durante un

lapso de tiempo de trabajo. Otros autores como (Attaviriyanupap et al., 2004) resuelven el

despacho de MR con algoritmos difusos, igualmente (Wu et al., 2014) tratan el problema

del despacho esta vez con enjambre de partículas (PSO por sus siglas en inglés) al igual

que los autores (H. Liu et al., 2015).

Este tipo de técnicas se basa en la implementación de algoritmos genéticos. Los Algorit-

mos Genéticos (GA por sus siglas en inglés) son métodos adaptativos usados en proble-


mas de búsqueda y optimización de parámetros. Se fundamenta en reproducción y el prin-

cipio de supervivencia del más apto (Marcos Gestal, Daniel Rivero, Juan-Ramón Rabuñal,

Julián Dorado, & Alejandro Pazos, 2010). Se utiliza para resolver problemas de optimiza-

ción lineal o no lineal de la forma min𝑥∈ℝ𝑛

𝑓(𝑥) sujeto a ℎ(𝑥) = 0.

Comienza con un número de estados o individuos generados aleatoriamente que compo-

nen una población. Los individuos están representados por cadenas sobre un dominio en

particular (en el caso del GA simple es binario) (Russell & Norvig, 2004).

Después de generar un número de individuos aleatorios, se evalúa la función de idoneidad

o aptitud (Función objetivo), si no llega a un valor satisfactorio entonces continuar a la

siguiente fase donde se seleccionan los individuos a los cuales se les aplicaran los opera-

dores genéticos clonación, mutación y cruce.

Se evalúa de nuevo la idoneidad y se repite hasta que llegue al número de generaciones

definido o hasta que cumpla otro criterio de parada.

Finalmente, en la Tabla 3-2 se presenta un resumen de los algoritmos de solución de pro-

blemas de optimización mostrados. Se resaltan como ventajas de los algoritmos determi-

nísticos que logran encontrar explícitamente el valor óptimo que soluciona el problema que

se plantea, con la desventaja de tener que calcular el gradiente y el Hessiano. La ventaja

de los algoritmos heurísticos radica en que no deben realizarse cálculos de funciones com-

plejas como el gradiente o el Hessiano.


Tabla 3-2. Algoritmos de solución.

Algoritmo Función de

costo

Descripción Métodos de solución

Programación

lineal

𝑓(𝑥) = 𝑐𝑇𝑥 𝑐𝑇: Vector de pesos. Determinístico basado en gradiente

Programación

cuadrática

𝑓(𝑥)

=1

2𝑥𝑇𝐻𝑥 + 𝑐𝑇𝑥

𝐻: Matriz positiva

semi-definida

Solución determinística basada en gra-

diente y Hessiano.

Programación

no lineal

𝑓(𝑥) Función no lineal Newton, cuasi-Newton, dirección y bús-

queda de línea, Nelder-Mead, elimina-

ción, proyección de gradiente, funcio-

nes de penalización o barrera, progra-

mación cuadrática secuencial. Podría

obtenerse como solución un mínimo lo-

cal

Algoritmos

heurísticos

𝑓(𝑥) Función no lineal Evaluación aleatoria de la función,

hasta obtener una solución ajustada.

Es posible que se llegue a un mínimo

local, aunque generalmente se progra-

man métodos para eliminar esta posibi-

lidad.

4. Metodología para la gestión de energía en micro redes

Un problema importante para una micro red conectada a la empresa de suministro, es la

administración de la energía. De modo que de forma óptima se determine la operación de

la MR, para reducir los costos de producción y el consumo de energía de la red eléctrica

convencional.

En este contexto, se propone implementar y realizar la gestión de una micro red eléctrica

compuesta por sistemas híbridos de generación de energía basado en fuentes convencio-

nales y fuentes no convencionales de energía.

El sistema óptimo de gestión de energía que se formulará, debe despachar las fuentes de

generación de energía de forma que se obtenga el menor precio de generación de energía.

Para tal objetivo se plantea un modelo de gestión, Figura 4-1.


Sistema de gestión óptimo de

MG

Demanda de energía

Variables ambientales

(V,G,T)

Despacho óptimo MG

Precio energía

Figura 4-1. Sistema de gestión de energía propuesto.

El sistema óptimo de gestión de potencia activa tiene como variables de entrada la de-

manda de energía instantánea de la MR, además la radiación solar, la velocidad del viento,

el precio de la energía y la temperatura ambiente. Con este sistema de gestión de la MR

se busca que la demanda total sea suplida, al mínimo costo posible y teniendo en cuenta

las limitantes dadas por las variaciones en energía obtenida por radiación solar y velocidad

de viento. Este sistema de gestión se debe utilizar en el caso de un despacho con día de

antelación (planeación del parque generador).

Algoritmo para la gestión óptima de micro redes eléctricas.

El sistema de gestión desarrollado por Elsied et al resuelve el problema del despacho

desde el criterio de costo ambiental, proponiendo la optimización de una función objetivo

que incluye el costo de encendido de las fuentes y su impacto ambiental (Elsied et al.,

2015). Este algoritmo opera como se describe a continuación.

Se inicializan los valores para el tiempo t=1 sugeridos por los valores mínimos y máximos

de las variables a ser optimizadas. Luego se actualizan los datos de demanda de energía

Metodología para la gestión de energía en micro redes 51

en el tiempo t. Después se selecciona el mejor despacho de fuentes o almacenamiento

según la función objetivo a optimizar. Se chequea el cumplimiento de las restricciones,

haciendo énfasis en la restricción de balance de potencia. Si se ha real izado el proceso

para las 24 horas del día, se exportan los resultados obtenidos.

Otro algoritmo identificado para la gestión de MR lo han elaborado los autores Chen y

Duan. Se enfatiza en los efectos de integración de vehículos a la red. Los autores han

optimizado la operación de la red utilizando un algoritmo genético. La investigación de

estos autores no tuvo en cuenta variaciones en el precio de energía en el mercado spot

(Chen & Duan, 2015).

La operación de este sistema de gestión se describe a continuación. En primer lugar se

inicializan de modo aleatorio los valores de generación de energía con cada fuente, luego

se calculan los valores de sobrepaso de restricciones y se calculan la función objet ivo y la

función de ajuste para el algoritmo genético. Se compara el valor de la función objetivo en

el tiempo actual y en el anterior. Después se repite el ciclo hasta que se cumpla alguno de

los criterios de parada del algoritmo genético.

Así para el funcionamiento del sistema de gestión de potencia activa de una MR que se

propone, se deben obtener pronósticos de variables ambientales (radiación solar, ve loci-

dad de viento, temperatura), estimados del precio de energía en el mercado spot, además

de predicción del consumo proyectado de energía en la MR durante el tiempo de despacho.

Igualmente, es posible a partir de este sistema de gestión desarrollar el caso en el cual se

gestiona la operación de la red en el corto plazo. En este asunto vale la pena reca lcar la

necesidad de acceso a datos a la velocidad propicia para garantizar la gestión de la micro

red en el horizonte que se pretende gestionar. Esta operación en corto plazo se plantea

como un trabajo posterior al desarrollado en esta investigación. Asimismo, se plantea en

este trabajo la gestión de potencia activa en la MR. Para un trabajo posterior se propone

la gestión tanto de potencia activa como reactiva en MR.


4.1 Sistema de gestión óptima en micro redes

Se propone de este modo un algoritmo para la gestión óptima de micro redes eléctricas,

basado en la información obtenida de pronósticos y previsiones de variables ambientales,

precio de energía en mercado spot y carga demandada.

Este algoritmo consta de una etapa de cargado de datos y procesamiento de los mismos,

para realizar la gestión de la energía. Luego se deben definir las condiciones iniciales de

planeación de la generación con las diversas fuentes instaladas. Estas condiciones inicia-

les pueden cumplir o no las restricciones del sistema, y por lo tanto podrían ser una solu-

ción en sí misma para función objetivo que se diseñe.

Posterior a esto, se modifican las variables de decisión para que coincidan con dichas

condiciones iniciales. Estas variables de decisión se seguirán variando en el transcurso de

la optimización, siempre con el objetivo de minimizar la función.

En un paso siguiente, se evalúa que las condiciones de generación anteriormente estable-

cidas cumplan con las restricciones. Es importante garantizar que las especificaciones es-

tablecidas sean respetadas pues estas se relacionan con limitantes de capacidad o segu-

ridad asociadas al sistema real.

En el caso que no se cumplan las restricciones, se deberán modificar las condiciones ini-

ciales y por consiguiente las variables de decisión. Si se cumplen las restricciones, se eva-

lúa y almacena el valor obtenido para la función objetivo.

Después, se compara el valor de la función objetivo en la iteración actual con el valor ob-

tenido en iteraciones anteriores, si la función objetivo disminuye, se modifican las variables

de decisión. En el caso contrario, se evalúan los criterios de parada.

En los criterios de parada se pueden definir por ejemplo el número máximo de iteraciones,

el número máximo de evaluaciones de la función objetivo, repetición máxima del mismo

valor de la función objetivo, tiempo máximo de operación del algoritmo, entre otros criterios.


Si alguno de los criterios de parada es alcanzado, se finaliza el proceso de optimización.

En el caso contrario, se continúa con la modificación de las variables de decisión del modo

según el algoritmo de solución programado (determinístico o heurístico). Para modificar las

variables de decisión, se procede a realizar las variaciones según el algoritmo de optimi-

zación que se quiera utilizar.

El resultado final de este algoritmo de optimización de la operación de micro redes eléctri-

cas es un despacho de fuentes de generación en la MR establecida. Este algoritmo se

resume a modo de flujograma en la Figura 4-2.


Figura 4-2. Algoritmo de gestión optima de energía en MR.


Planteamiento problema de optimización

Con el algoritmo formulado para la gestión de energía de la micro red, se quiere facilitar la

operación de la MR, de modo que se provea de la energía demandada en todos los ins-

tantes de tiempo. Para esto se controla la potencia activa de la MR.

De este modo, el problema de optimización se establece a continuación. Inicialmente se

propone como función objetivo una que contiene el costo por kilovatio consumido de po-

tencia activa proveniente del generador diésel, y adicionalmente un término asociado al

costo de consumir energía originaria del sistema interconectado.

Esta optimización se lleva a cabo para un horizonte de tiempo de 24 horas y se realiza

teniendo en cuenta que los datos de radiación, velocidad de viento y temperatura son va-

riables cada hora.

min𝑃𝐺𝐸, 𝑃𝐺

𝐽 = ∑(𝑎𝑃𝐺𝐸2

𝑘 + 𝑏𝑃𝐺𝐸𝑘+ 𝑐)

𝑁

𝑘=1

+ ∑ 𝐶𝐺𝑘𝑃𝐺𝑘

𝑁

𝑘=1

Sujeto a:

𝑃𝐿 = 𝑃𝑃𝑉 + 𝑃𝑊𝑇 + 𝑃𝐺𝐸 + 𝑃𝐺 + 𝑃𝐵𝐴𝑇 𝑃𝐺𝐸𝑚𝑖𝑛 ≤ 𝑃𝐺𝐸𝑘

≤ 𝑃𝐺𝐸𝑚𝑎𝑥

𝑃𝐺𝑚𝑖𝑛 ≤ 𝑃𝐺𝑘≤ 𝑃𝐺𝑚𝑎𝑥

𝐸𝐵𝐴𝑇𝑚𝑖𝑛 ≤ 𝐸𝐵𝐴𝑇 ≤ 𝐸𝐵𝐴𝑇𝑚𝑎𝑥 𝑃𝐺 , 𝑃𝐺𝐸 ≥ 0

(1) (2) (3) (4) (5)

La descripción de las variables se realiza en la Tabla 4-1.


Tabla 4-1. Variables función objetivo.

Variable Descripción 𝑃𝐺𝐸𝑘

Potencia generada con los grupos electrógenos en el instante k

𝑃𝐺𝑘 Potencia obtenida de la red eléctrica en el tiempo k

𝑃𝐿 Demanda de potencia en la MR

𝑃𝑃𝑉 Potencia generada con el sistema fotovoltaico

𝑃𝑊𝑇 Potencia generada con energía eólica

𝑃𝐵𝐴𝑇 Potencia de la batería

𝐸𝐵𝐴𝑇 Energía en la batería

𝑃𝐺𝐸𝑚𝑖𝑛, 𝑃𝐺𝐸𝑚𝑎𝑥 Límites de potencia mínima y máxima de los grupos electrógenos

𝑃𝐺𝑚𝑖𝑛,𝑃𝐺𝑚𝑎𝑥 Límites de potencia mínima y máxima obtenida de la red eléctrica

𝐸𝐵𝐴𝑇𝑚𝑖𝑛, 𝐸𝐵𝐴𝑇𝑚𝑎𝑥 Energía máxima y mínima en la batería

Esta optimización está sujeta a las restricciones que impone el sistema físico. Es decir,

condiciones de flujo de potencia activa, operación de los generadores dentro de los límites

permitidos. De la misma manera, se restringe la operación de la batería, dentro de límites

máximo y mínimo de flujo de energía.

Tabla 4-2. Descripción restricciones.

Restricción Descripción

(1) Restricción de flujo de energía, la energía generada debe ser igual a la

consumida.

(2) Límites de operación del sistema de generación Diésel.

(3) Límites de operación red eléctrica.

(4) Flujo máximo y mínimo de energía en la batería

(5) Potencias de generación positivas (si 𝑃𝐺𝐸𝑘≤ 0 se entrega energía a la red)

La función objetivo puede expresarse de forma matricial como se presenta a continuación.

Este planteamiento corresponde a un problema afín al anteriormente planteado, en el cual

se elimina el término independiente (𝑐) que no afecta el valor mínimo de la función de

optimización. Éste término es posteriormente sumado en la función de costo para facilitar

comparación con otros métodos de solución.


𝐽 = [𝑃𝐺𝐸 1 ,𝑃𝐺𝐸 2

, … , 𝑃𝐺𝐸 24, 𝑃𝐺 1

, 𝑃𝐺 2, … , 𝑃𝐺 24

]

[ 𝑎 … 0⋮ ⋱ ⋮0 ⋯ 𝑎

0⋱

0 ]

[ 𝑃𝐺𝐸 1

𝑃𝐺𝐸 2

⋮𝑃𝐺𝐸 24

𝑃𝐺 1

𝑃𝐺 2

⋮𝑃𝐺 24 ]

+ [𝑏,𝑏, … , 𝑏, 𝐶𝐺1,𝐶𝐺2

,… ,𝐶𝐺24]

[ 𝑃𝐺𝐸 1

𝑃𝐺𝐸 2

⋮𝑃𝐺𝐸 24

𝑃𝐺 1

𝑃𝐺 2

⋮𝑃𝐺 24 ]

Sujeto a:

[1 ⋯ 0⋮ ⋱ ⋮0 ⋯ 1

1 ⋯ 0⋮ ⋱ ⋮0 ⋯ 1

]

[ 𝑃𝐺𝐸1

𝑃𝐺𝐸2

⋮𝑃𝐺𝐸24

𝑃𝐺1

𝑃𝐺2

⋮𝑃𝐺24 ]

=

[

𝑃𝐿 (1)− 𝑃𝑃𝑉1 − 𝑃𝑊𝑇1

𝑃𝐿(2)− 𝑃𝑃𝑉 2− 𝑃𝑊𝑇2

⋮𝑃𝐿 (24)− 𝑃𝑃𝑉 24

− 𝑃𝑊𝑇 24]

[ 𝑃𝐺𝐸𝑚𝑖𝑛𝑃𝐺𝐸𝑚𝑖𝑛

⋮𝑃𝐺𝐸𝑚𝑖𝑛𝑃𝐺 𝑚𝑖𝑛𝑃𝐺 𝑚𝑖𝑛

⋮𝑃𝐺 𝑚𝑖𝑛 ]

≤

[ 𝑃𝐺𝐸1

𝑃𝐺𝐸2

⋮𝑃𝐺𝐸24

𝑃𝐺1

𝑃𝐺2

⋮𝑃𝐺24 ]

≤

[ 𝑃𝐺𝐸𝑚𝑎𝑥𝑃𝐺𝐸𝑚𝑎𝑥

⋮𝑃𝐺𝐸𝑚𝑎𝑥𝑃𝐺𝑚𝑎𝑥𝑃𝐺𝑚𝑎𝑥

⋮𝑃𝐺𝑚𝑎𝑥 ]

[

𝐸𝑏𝑎𝑡𝑚𝑖𝑛

𝐸𝑏𝑎𝑡𝑚𝑖𝑛

⋮𝐸𝑏𝑎𝑡𝑚𝑖𝑛

] ≤ [

𝐸𝑏𝑎𝑡(1)𝐸𝑏𝑎𝑡(2)

⋮𝐸𝑏𝑎𝑡(24)

]≤ [

𝐸𝑏𝑎𝑡𝑚𝑎𝑥

𝐸𝑏𝑎𝑡𝑚𝑎𝑥

⋮𝐸𝑏𝑎𝑡𝑚𝑎𝑥

]


[ 𝑃𝐺𝐸 1

𝑃𝐺𝐸2

⋮𝑃𝐺𝐸 24

𝑃𝐺 1

𝑃𝐺 2

⋮𝑃𝐺 24 ]

≥ [

00⋮0

]

Micro red

Para el estudio actual, se tiene en cuenta una micro red compuesta por generadores sola-

res, eólicos y generador diésel, además de la carga. Las cargas de la MR son variables, y

se conoce su dinámica. Igualmente se considera que ésta se encuentra interconectada a

la red eléctrica.

Del mismo modo, se tiene variabilidad en las condiciones ambientales (radiación solar,

velocidad del viento, temperatura ambiente). Dichas condiciones ambientales se suponen

variables cada hora en el horizonte de gestión energética de la micro red.

Adicionalmente el precio de la energía varía cada hora, siguiendo condiciones de mercado

de la bolsa de energía eléctrica. El precio del combustible (diésel) se considera constante

durante el periodo de estudio.

Se propone una micro red como la que se presenta en la Figura 4-3. De ésta se destaca

que posee un sistema de generación solar fotovoltaico de 10 kW. Así mismo, tiene un

sistema de generación eólico de 10 kW. Esta micro red está interconectada al sistema de

distribución que posee la empresa de generación de energía. Igualmente, la micro red

cuenta con un sistema de almacenamiento de energía (BESS), baterías de 10 kWh.

La M micro red en estudio tiene un grupo electrógeno, el cual se comporta como una fuente

de energía en firme. Esta micro red cuenta con una carga, cuya demanda de energía debe

ser suministrada por la micro red en todo momento.


Figura 4-3. Micro red en estudio. Con información de: (Katiraei et al., 2008).

Los elementos asociados a dicha micro red tienen comportamientos dinámicos basados

en los modelos presentados en la sección 2.2 Sistemas de generación de energía. De este

modo, se obtienen las variaciones dinámicas de cada generador, asociado a datos de en-

trada y parámetros establecidos.


Figura 4-4. Variación de carga en la micro red propuesta.

(Open EI, 2016)

Figura 4-5. Perfil de velocidad del viento. Fuente: (Bo-

rowy & Salameh, 1994)

Figura 4-6. Radiación solar horaria. Fuente: (Universidad

Nacional de Colombia & Área Metropolitana del Valle de

Aburrá, 2015)

Figura 4-7. Variación precio de energía de la red. Fuente:

(independent electricity system operator, 2016)

Por ejemplo, para un panel solar se calcula la potencia en función de la radiación solar

incidente y de la temperatura como se modela en el capítulo 0. Las curvas de operación

del sistema generador solar relacionado con la radiación solar incidente se presentan en

la Figura 4-8. En ésta se muestra la curva de radiación máxima, mínima y media según las

mediciones obtenidas.


Figura 4-8. Dinámica típica generador fotovoltaico.

Los parámetros de operación de la micro red utilizados en este trabajo se definen en la

Tabla 4-3. En ésta se presentan los límites de operación del grupo electrógeno, además

de los límites de interconexión de la micro red con el sistema convencional y límites de

energía en el sistema de almacenamiento. En la tabla también se especifica la cantidad

de generadores no convencionales (eólico y solar) y baterías.

Tabla 4-3. Parámetros de operación MR.

Parámetro Mínimo Máximo Unidades

Límites de operación sistema Diésel 0 5 kW

Límites de operación sistema interconectado 1 7 kW

Costo de combustible 2.056 $/lt

Energía batería 2 10 kWh

Número de baterías 200 Unid

Turbinas eólicas 2 Unid

Paneles solares 50 Unid


Los datos de entrada al sistema optimizador se han obtenido de diferentes fuentes: el perfil

de carga se obtiene de la base de datos del Open Energy Information, una plataforma de

intercambio de información relacionada con energía (Open EI, 2016), se logran diferenciar

la media, la curva máxima y la mínima según el histórico de esta base de datos en la Figura

4-4.

La velocidad del viento se obtiene de la investigación de Borowy & Salameh, 1994, se

aprecia en la Figura 4-5. La información de la radiación solar se adquiere de la base de

datos del Área Metropolitana del Valle de Aburrá a través de la Red de Monitoreo de Cali-

dad del Aire (Universidad Nacional de Colombia & Área Metropolitana del Valle de Aburrá,

2015), una curva tipo de esta base de datos se presenta en la Figura 4-6.

Finalmente se presentan en la Figura 4-7 las variaciones del precio spot la energía para el

día estudiado. Estos datos son adquiridos de la base de datos de Hourly Ontario Energy

Price (HOEP) (independent electricity system operator, 2016).

4.2 Metodología de gestión de energía considerando di-ferentes escenarios de aplicación: Caso de estudio.

En esta sección se presenta la aplicación de la metodología de gestión de energía en la

micro red bajo diferentes escenarios de aplicación.

Así con el esquema que se plantea en la Figura 4-1 y los parámetros que se presentan

en la Tabla 4-3, se realiza una optimización de la función objetivo propuesta. También se

comparan los resultados obtenidos con diferentes algoritmos de optimización.

El costo de operación descrito en la función objetivo depende de la manipulación del ge-

nerador diésel y de la conexión de la micro red a la red eléctrica convencional.

Para la solución de la función objetivo no lineal con restricciones no lineales, se utiliza el

algoritmo SQP (sequential quadratic programming), además se comparan los resultados

con los algoritmos de solución de sistemas no lineales: conjunto activo y punto in terior.


Operación de la micro red

Se presentan a continuación diferentes escenarios de operación de la micro red. Inicial-

mente un caso base en el cual la operación de la red se da en modo interconectado a la

red eléctrica con un generador diésel, además de tener generación solar fotovoltaica y

eólica con sistema de almacenamiento.

En este escenario se utiliza una micro red como se estableció anteriormente. Se busca

que la operación de la misma suministre de energía eléctrica a una carga durante el pe-

ríodo de estudio. Este esquema de operación se considera la base para comparación del

estudio. Con este escenario de operación se facilita la operación de la red de modo inter-

conectado.

En este caso, se tiene un valor para la función objetivo de aproximadamente 65 millones

con los tres algoritmos utilizados, como se presenta en la Tabla 4-4. Las diferencias entre

los algoritmos utilizados radican en el tiempo de simulación y la cantidad de iteraciones

que cada uno de estos utiliza para aproximarse a la solución del problema.

Tabla 4-4. Solución al problema de despacho MR.

Función de costo Tiempo de simulación Iteraciones Algoritmo

65,1238 x 106 3.2031 31 SQP

65,1238 x 106 3.2179 34 Conjunto activo

65,1238 x 106 6.8855 54 Punto interior

En la Figura 4-9 se presenta la convergencia del algoritmo a un valor de la función objetivo.

Se nota que con aproximadamente 10 iteraciones, la solución converge. En este caso el

algoritmo de optimización continúa su ejecución hasta finalizar con 30 ejecuciones del al-

goritmo.


Figura 4-9. Convergencia del algoritmo SQP.

Como resultado de la optimización planteada, se obtiene una planeación de la operación

como se presenta en la Figura 4-10. De la gráfica se nota como se realiza la variación de

los generadores durante las 24 horas del día para cubrir con la demanda exigida por la

carga.

Figura 4-10. Salida sistema de gestión de MR - Caso Base.


En la Figura 4-10 se presentan los aportes de generación eólica y solar a la micro red (línea

azul y roja respectivamente). También se representa la potencia establecida en el genera-

dor Diésel en cada instante de tiempo (línea negra). Además se grafica la potencia consu-

mida de la red y la potencia de la batería (correspondientemente: línea verde y fucsia).

Finalmente se grafican la demanda (+ fucsia) y la sumatoria de generación (restricción 1).

Es importante notar la variación de la potencia dada por la batería. Si se analiza el com-

portamiento de ésta en las horas iniciales de operación (entre la 1 y las 6 horas), la batería

se está cargando, y por lo tanto se comporta como una demanda adicional para la micro

red. A las 7 horas de operación, cuando se presenta un aumento en la demanda de energía

en la micro red, la batería suple parte de la energía requerida.

Figura 4-11. Matriz energética escenario inicial micro red.

También se nota que la operación de la energía consumida de la red y de los grupos elec-

trógenos se comportan de modo estable. Más aún, la potencia generada por los grupos

electrógenos se lleva al mínimo debido a su costo.

Además se nota que la capacidad instalada en interconexión con la red convencional es

utilizada. Ésta capacidad se usa para cubrir la demanda. Cuando el precio spot es sufi-

cientemente alto, comparado con el precio de despacho del grupo electrógeno, la energía

almacenada en baterías es utilizada. La Figura 4-11 que contiene la matriz composición


energética de la micro red. Se deduce que la carga logra suplirse con los generadores

establecidos.

En la Figura 4-12 se presenta el estado de carga de la batería, el cual verifica que no se

sobrepasan los límites de energía en la batería.

Figura 4-12. Estado de carga batería.

La operación de la batería se describe a continuación. En el rango de operación entre las

8 y las 17 horas de operación, la batería sigue su comportamiento de carga y por lo tanto

aumenta la demanda de energía que solicita la la micro red. Esta etapa de almacenamiento

de carga coincide con la operación de los generadores fotovoltaicos, sugiriendo que la

energía que se genera estos módulos es utilizada para almacenar energía para operación

en picos de demanda y precios altos de energía de la red eléctrica.

Micro red no interconectada

Se propone un caso en el cual la micro red no se encuentra interconectada a la red eléc-

trica, es decir tiene una operación en modo aislado de la red. En esta ocasión, el respaldo

será dado con la operación de la unidad electrógena de generación y no por la red eléctrica.

Por lo tanto, se aumenta la capacidad máxima de generación con diésel. Como en el caso

anterior, se presentan los resultados obtenidos con tres métodos de optimización.


Se llevan en este caso los límites de operación de la red eléctrica en valor cero, para ga-

rantizar que la micro red está aislada. Igualmente en la Tabla 4-5 se presentan los resulta-

dos obtenidos con el optimizador propuesto.

Tabla 4-5. Solución problema de optimización MR modo aislado.


570,5337 x106 2.0636 5 SQP

570,5337 x106 2.9989 9 Conjunto activo

570,5337 x106 3.9619 35 Punto interior

El optimizador propuesto cumple con la restricción de operación de la micro red, en la cual

se decide operarla en modo aislado. Como se esperaba, este caso resulta en una opera-

ción con costo más elevado respecto a la operación interconectada a la red.

El resultado para la gestión de energía en la micro red bajo este escenario de operación

que se obtiene con la optimización planteada se presenta en la Figura 4-13. Se destaca

que con el sistema de gestión se cubre la demanda exigida.

Figura 4-13. Desempeño MR escenario micro red aislada.


En la Figura 4-14 se presenta la matriz energética de la micro red. Logra identificarse como

en algunos periodos de tiempo de operación, la generación supera a la demanda de ener-

gía.

Figura 4-14. Matriz energética escenario MR aislada.

En las horas de 1 a 6 y de 10 a 15, se presenta un fenómeno en el cual la carga supera la

demanda, esto se presenta debido a que el exceso de energía es utilizado para el alma-

cenamiento y posterior utilización en otras horas de operación. Además la operación pon-

dera la utilización de energías alternativas al diésel, de modo que este generador perma-

nece estable durante el periodo de operación. El comportamiento de la batería en estos

periodos es como una carga adicional para el sistema. Este comportamiento se muestra

en la Figura 4-15.


Figura 4-15. Curva de demanda aplanada.

Asimismo, la dinámica de la demanda nueva consistente en la suma entre la carga y la

potencia de la batería, logra un aplanamiento de la curva de demanda. Luego, el optimi-

zador realiza de modo tácito labores de gestión de la demanda.

Micro red sin sistema de almacenamiento y aislada

Se plantea un tercer escenario en el cual no se tiene disponibilidad de conexión a la red

eléctrica, es decir se tiene un sistema aislado o no interconectado, en el cual tampoco se

cuenta con un sistema de almacenamiento de energía. Por lo tanto, la demanda de energía

deberá ser suplida con la generación eólica, solar fotovoltaica y diésel.

Este estudio se realiza con los parámetros establecidos en la Tabla 4-3, eliminando la

intervención del sistema de almacenamiento. Además los resultados obtenidos con el op-

timizador propuesto se presentan en la Tabla 4-6.


Tabla 4-6. Resultado MR aislada sin almacenamiento.


942,16551x106 2.3012 4 SQP

875,74541 x106 2.299 6 Conjunto activo

951,00799x106 123.3 2739 Punto interior

En la solución a este problema se presenta una inconsistencia entre las 2 y 3 horas de

operación Figura 4-16. En este caso el algoritmo converge a una solución no factible. Se

debe a que la potencia asociada a la generación eólica es superior a la demanda total del

sistema, por lo que es imposible satisfacer las restricciones de balance de potencia. Para

cada uno de los algoritmos se analizan a continuación los inconvenientes para la resolución

de este problema.

Figura 4-16. Matriz energética, red aislada sin baterías - SQP.

El algoritmo SQP, Figura 4-16, permite encontrar la solución de un problema no lineal con

restricciones utilizando el método de Newton como se utiliza en problemas sin restriccio-

nes. En cada iteración se aproxima la solución utilizando el Hessiano, o el gradiente del

Lagrangiano, el cual puede ser aproximado utilizando un método de actualización cuasi-

Newton. Para eliminar las restricciones no lineales, se adicionan variables slack o dum-


mies, convirtiéndolas en restricciones de desigualdad. Nuevamente existe una inconsis-

tencia con el balance de potencia de la micro red y por lo tanto el algoritmo converge a una

solución no satisfactoria.

Figura 4-17. Matriz energética, red aislada sin baterías - Conjunto activo.

El algoritmo de conjunto activo, Figura 4-17, utiliza una función de penalización para mo-

dificar el problema no lineal con restricciones a un problema no lineal sin restricciones. En

esta solución, la restricción de balance de potencia no logra ser satisfecha y por lo tanto el

algoritmo converge a una solución que no cumple los requerimientos.


Figura 4-18. Dinámica generadores, red aislada sin baterías - Punto interior.

Con el algoritmo de punto interior, Figura 4-18, es imposible garantizar la convergencia

debido a que este utiliza una función de barrera, que impide que se violen las restricciones.

Dado que la restricción de balance de potencia no se cumple, el algoritmo continúa reali-

zando iteraciones hasta que se cumplen otros criterios de parada definidos.

Micro red con aporte a la red eléctrica

Este escenario de operación presenta la flexibilidad para que la energía en exceso produ-

cida en la micro red sea enviada a la red eléctrica cuando el precio spot de energía así lo

permita. Es decir que este escenario permite un flujo bidireccional de energía, para lo cual

se plantean otros retos técnicos como la implementación de medidores bidireccionales,

sincronización de frecuencia y retos jurídicos como el de la facturación.

En este modo se utilizan los parámetros de operación establecidos en la Tabla 4-3. Se

varían los límites de operación del sistema interconectado para permitir que exista flujo de

potencia desde la micro red hacia la red eléctrica.


Tabla 4-7. Función objetivo escenario MR bidireccional.


19,28146x106 3.3511 56 SQP

19,28146x106 4.6271 62 Conjunto activo

19,28146x106 5.6274 124 Punto interior

En este escenario de operación se presentan variaciones respecto a los escenarios ante-

riormente estudiados. Dado que el costo de generación de energía con grupos electróge-

nos aún no es competitivo respecto al precio spot de energía, se da prioridad al uso de

almacenamiento para obtener ganancias en los horarios de precio spot favorable para la

venta (precio spot > precio producción micro red). Este fenómeno se aprecia en la Figura

4-19.

Figura 4-19. Dinámica de generación, escenario inyección energía a red.

Igualmente, se nota como en el periodo de alto precio el sistema de gestión óptima de

energía en la micro red utiliza su potencial de generación para venta de energía, inyec-

tando parte de la potencia generada a la red. Este efecto se nota en la Figura 4-19, donde

la potencia de la red toma valores negativos, por lo tanto se comporta como una carga

para la micro red. Esta dinámica se puede evidenciar en la Figura 4-20.


Figura 4-20. Matriz energética escenario de inyección de energía a la red.

La potencia excedente en horas iniciales (horas 2 y 3) cuando existe exceso de energía

generada con fuente eólica, se exige conexión a la red eléctrica. Dicha potencia es utilizada

para almacenamiento de energía en la batería. Esta batería se utilizará posteriormente

como generador de energía, cuando el precio spot de energía es beneficioso para la venta.

Figura 4-21. SOC batería en escenario MR bidireccional.

Cómo se presenta en los otros escenarios estudiados en los que se tiene sistema de al-

macenamiento, las baterías se cargan en periodos de coste bajo y se descargan en el

periodo de precios más altos, como se presentó en la Figura 4-7, relativa al precio de


energía en mercado spot. Igualmente, la carga de baterías coincide con la curva de gene-

ración de energía solar fotovoltaica, por lo que se deduce que parte de la energía generada

con fuente solar se aprovecha en este sentido. Este fenómeno se describe en la Figura

4-21.

5. Conclusiones y recomendaciones

5.1 Conclusiones

En este trabajo se propuso una metodología para la gestión óptima de la energía en una

micro red eléctrica, compuesta de fuentes no convencionales de energía y fuentes tradi-

cionales, operando de forma aislada o interconectada a la red.

El problema se resolvió utilizando un algoritmo de programación cuadrática secuencial y

se comparó con el algoritmo de punto interior, obteniendo una convergencia aproximada-

mente del 67% más rápida con el algoritmo de programación cuadrática secuencial.

Respecto a la operación de la micro red con el algoritmo propuesto, se identificaron y ana-

lizaron los comportamientos del sistema de almacenamiento, en función del costo de ener-

gía en mercado spot. Se nota como en los intervalos de precios más altos, la batería suplió

de la mayor cantidad posible de energía a la micro red, evitando caer en sobrecostos.

La dinámica de carga y descarga de batería coincidió con la operación del sistema solar

fotovoltaico en los casos de operación analizados. De modo que se valida la utilización de

un sistema de almacenamiento cuando existen fuentes con variabilidad en el tiempo, como

son la solar o la eólica. Un comportamiento similar al de la red interconectada se halló en

la red aislada. Se valida la pertinencia de una red en operación aislada como aplicación

para zonas no interconectadas o de difícil acceso.

Se utilizó un sistema de almacenamiento y se gestionó la micro red, con esto se logró, de

un modo tácito, realizar gestión de la demanda. Este tema se deja abierto para futuras

investigaciones dada su pertinencia dentro de los objetivos de investigación de las micro

red como lo es aplanar la curva de carga.

Conclusiones y recomendaciones 77

Para el sistema en operación aislada y que no posee sistema de almacenamiento, se ana-

lizó la dificultad de encontrar un punto de operación óptimo. Esto debido a que en algunas

ocasiones la generación de energía con fuentes no convencionales superó la demanda y

por lo tanto el algoritmo de gestión evidenció una falla en la optimización. Esta incompati-

bilidad se corrige con la inclusión de cargas adicionales en la micro red que permitan eli-

minar excesos de energía cuando el fenómeno ocurra.

Otro modo de lograr la convergencia del algoritmo consiste en la relajación del problema a

través de la inclusión de variables slack, como se describió anteriormente. La desventaja

de este artificio matemático radica en la posibilidad que haya un desbalance de energía y

por lo tanto se obtengan soluciones no satisfactorias.

5.2 Recomendaciones

Es importante verificar la aplicabilidad del modelo de gestión de energía propuesto a través

de la diversificación de fuentes de generación de energía. Para esto es necesario realizar

el modelado de dichos generadores de modo que sean compatibles con la metodología

propuesta.

Además de lo mencionado anteriormente, se sugiere incluir la aleatoriedad asociada a las

fuentes de generación dependientes de condiciones climáticas, así como aleatoriedad en

la predicción de carga. Vale la pena destacar la necesidad de incluir errores de predicción

en las variables anteriormente nombradas.

Aunque el modelo de gestión no penaliza las rampas de encendido o apagado de genera-

dores electrógenos, su comportamiento permanece estable durante la operación. Como

una oportunidad de mejora se analiza la inclusión de dicha restricción de operación.

Se aconseja la aplicación de diferentes algoritmos tanto heurísticos como determinísticos

para la solución del problema de optimización propuesto en el sistema de gestión óptima

de energía en micro redes.


También se recomienda analizar la sensibilidad del sistema de gestión de energía en micro

redes ante variaciones y fallas aleatorias en los sistemas de generación además de su

impacto en la operación de la micro red.

Un ámbito que se sugiere profundizar es el aplanamiento de curva de demanda (gestión

de la demanda) utilizando sistema de almacenamiento, modelando e incluyendo dicha ate-

nuación de picos en el modelo de optimización.

Se sugiere realizar los análisis y modificaciones necesarias para planteamien to del pro-

blema de gestión en el corto plazo. En este tema es importante garantizar un procesa-

miento de datos superior a la que exige la gestión de la micro red. Esta operación en corto

plazo se plantea como un trabajo posterior al desarrollado en esta investigación. También

se propone realizar en un trabajo futuro la gestión de potencia activa en conjunto con po-

tencia reactiva en una micro red.

6. Referencias y Bibliografía

Abedini, M., Moradi, M. H., & Hosseinian, S. M. (2016). Optimal management of

microgrids including renewable energy scources using GPSO-GM algorithm. Re-

newable Energy, 90, 430–439. http://doi.org/10.1016/j.renene.2016.01.014

Adhikari, S., & Li, F. (2014). Coordinated V-f and P-Q Control of Solar Photovoltaic

Generators With MPPT and Battery Storage in Microgrids. IEEE Transactions on

Smart Grid, 5(3), 1270–1281. http://doi.org/10.1109/TSG.2014.2301157

Ahmad Khan, A., Naeem, M., Iqbal, M., Qaisar, S., & Anpalagan, A. (2016). A com-

pendium of optimization objectives, constraints, tools and algorithms for energy

management in microgrids. Renewable and Sustainable Energy Reviews, 58,

1664–1683. http://doi.org/10.1016/j.rser.2015.12.259

Almada, J. B., Leão, R. P. S., Sampaio, R. F., & Barroso, G. C. (2016). A centralized

and heuristic approach for energy management of an AC microgrid. Renewable and

Sustainable Energy Reviews, 60, 1396–1404.

http://doi.org/10.1016/j.rser.2016.03.002

Amral, N., Ozveren, C. S., & King, D. (2007). Short term load forecasting using

Multiple Linear Regression. En Universities Power Engineering Conference, 2007.

UPEC 2007. 42nd International (pp. 1192–1198).

http://doi.org/10.1109/UPEC.2007.4469121

Anaya-Lara, O., Crolla, P., Roscoe, A. J., Venturi, A., & Burt, G. M. (12 September

2013). Experiences of a microgrid research laboratory and lessons learned for fu-

ture smart grids. Recuperado 19 de marzo de 2016, a partir de https://building-mi-

crogrid.lbl.gov/sites/all/files/santiago_anaya-lara.pdf

Army Corps of Engineers. (2013, mayo 31). Sustainability & Energy. Recuperado

19 de marzo de 2016, a partir de https://www.fmi.gov/node/89

Attaviriyanupap, P., Kita, H., Tanaka, E., & Hasegawa, J. (2004). A fuzzy-optimiza-

tion approach to dynamic economic dispatch considering uncertainties. IEEE Trans-

actions on Power Systems, 19(3), 1299–1307.


http://doi.org/10.1109/TPWRS.2004.831272.

Barnes, M., Dimeas, A., Engler, A., Fitzer, C., Hatziargyriou, N., Jones, C., … Van-

denbergh, M. (2005). Microgrid laboratory facilities. En 2005 International Confer-

ence on Future Power Systems (p. 6 pp.–6).

http://doi.org/10.1109/FPS.2005.204229

Bellman, R. (2003). Dynamic Programming (Reprint edition). Mineola, N.Y: Dover

Publications.

Biswas, J., Chowdhury, R., & Bhattacharya, P. (2007). Mathematical modeling for

the prediction of biogas generation characteristics of an anaerobic digester based

on food/vegetable residues. Biomass and Bioenergy, 31(1), 80–86.

http://doi.org/10.1016/j.biombioe.2006.06.013

Borowy, B. S., & Salameh, Z. M. (1994). Optimum photovoltaic array size for a hy-

brid wind/PV system. IEEE Transactions on Energy Conversion, 9(3), 482–488.

http://doi.org/10.1109/60.326466

Bradley, S. P., Hax, A. C., & Magnanti, T. L. (1977). Applied Mathematical Program-

ming. Reading, Mass: Addison-Wesley.

Burgos, E. M., & Sepulveda Lanziano, E. (2011). Estudio de prefactibilidad para

seleccionar la mejor alternativa de transformación fisica para el aprovechamiento

energético de la biomasa generada durante las podas a lo largo de las lineas de

distribución de energía eléctrica en la ciudad de Bogotá D.C. Recuperado a partir

de http://repository.lasalle.edu.co/handle/10185/2444

Chapin, D. M., Fuller, C. S., & Pearson, G. L. (1957, febrero 5). Solar energy con-

verting apparatus. Recuperado a partir de http://www.google.com/pa-

tents/US2780765

Chen, C., & Duan, S. (2015). Microgrid economic operation considering plug-in hy-

brid electric vehicles integration. Journal of Modern Power Systems and Clean En-

ergy, 3(2), 221–231. http://doi.org/10.1007/s40565-015-0116-0

Christiaanse, W. R. (1971). Short-Term Load Forecasting Using General Exponen-

tial Smoothing. IEEE Transactions on Power Apparatus and Systems, PAS-90(2),

900–911. http://doi.org/10.1109/TPAS.1971.293123

Chung, I.-Y. (2013). Distributed Intelligent Microgrid Control Using Multi-Agent Sys-

tems. Engineering, 05(01), 1–6. http://doi.org/10.4236/eng.2013.51B001

Department Of Energy. (2010, octubre 5). Communications Requirements of Smart

Grid Technologies. Recuperado 28 de enero de 2014, a partir de

Referencias y Bibliografía 81

http://energy.gov/gc/downloads/communications-requirements-smart-grid-techno-

logies

Elsied, M., Oukaour, A., Gualous, H., & Hassan, R. (2015). Energy management

and optimization in microgrid system based on green energy. Energy, 84, 139–151.

http://doi.org/10.1016/j.energy.2015.02.108

Etemadi, A. H. (2012, diciembre 11). Control and Protection of Multi-DER Microgrids

(Thesis). Recuperado a partir de https://tspace.library.uto-

ronto.ca/handle/1807/33989

Flueck, A. J., & Nguyen, C. P. (2010). Integrating Renewable and Distributed re-

sources - IIT Perfect Power Smart Grid Prototype. En 2010 IEEE Power and Energy

Society General Meeting (pp. 1–4). http://doi.org/10.1109/PES.2010.5589520

Fu, Q. (2013). Modeling, Analyses and Assessment of Microgrids Considering High

Renewable Energy Penetration. Theses and Dissertations. Recuperado a partir de

http://dc.uwm.edu/etd/248

Hatziargyriou, N., Asano, H., & Iravani, R. (2007, julio). Microgrids: An Overview of

Ongoing Research, Development, and Demonstration Projects. Recuperado 19 de

marzo de 2016, a partir de http://www.smartgrids.eu/documents/docs_interest/Ni-

kos_et_al_Power+Energy_jul-aug_07_article.pdf

Hernández, L., Baladrón, C., Aguiar, J. M., Carro, B., Sánchez-Esguevillas, A., &

Lloret, J. (2014). Artificial neural networks for short-term load forecasting in mi-

crogrids environment. Energy, 75, 252–264. http://doi.org/10.1016/j.en-

ergy.2014.07.065

Huang, W.-T., Yao, K.-C., & Wu, C.-C. (2014). Using the Direct Search Method for

Optimal Dispatch of Distributed Generation in a Medium-Voltage Microgrid. Ener-

gies, 7(12), 8355–8373. http://doi.org/10.3390/en7128355

IEEE. (2011). IEEE Guide for Design, Operation, and Integration of Distributed Re-

source Island Systems with Electric Power Systems. IEEE Std 1547.4-2011, 1–54.

http://doi.org/10.1109/IEEESTD.2011.5960751

independent electricity system operator. (2016). Hourly Ontario Energy Price

(HOEP) Report. Recuperado 29 de abril de 2016, a partir de http://re-

ports.ieso.ca/public/DispUnconsHOEP/PUB_DispUnconsHOEP.xml

Irisarri, G. D., Widergren, S. E., & Yehsakul, P. D. (1982). On-Line Load Forecasting

for Energy Control Center Application. IEEE Transactions on Power Apparatus and

Systems, PAS-101(1), 71–78. http://doi.org/10.1109/TPAS.1982.317242


Jain, R. K., Smith, K. M., Culligan, P. J., & Taylor, J. E. (2014). Forecasting energy

consumption of multi-family residential buildings using support vector regression:

Investigating the impact of temporal and spatial monitoring granularity on perfor-

mance accuracy. Applied Energy, 123, 168–178. http://doi.org/10.1016/j.apen-

ergy.2014.02.057

Katiraei, F., Iravani, R., Hatziargyriou, N., & Dimeas, A. (2008). Microgrids manage-

ment. IEEE Power and Energy Magazine, 6(3), 54–65.

http://doi.org/10.1109/MPE.2008.918702

Kaur, A., Kaushal, J., & Basak, P. (2016). A review on microgrid central controller.

Renewable and Sustainable Energy Reviews, 55, 338–345.


Laaksonen, H. J. (2010). Protection Principles for Future Microgrids. IEEE Trans-

actions on Power Electronics, 25(12), 2910–2918.

http://doi.org/10.1109/TPEL.2010.2066990

Lasseter, R. H. (2002). MicroGrids. En IEEE Power Engineering Society Winter

Meeting, 2002 (Vol. 1, pp. 305–308 vol.1).

http://doi.org/10.1109/PESW.2002.985003

Lee, D., Park, J., Shin, H., Choi, Y., Lee, H., & Choi, J. (2009). Microgrid village

design with renewable energy resources and its economic feasibility evaluation. En

Transmission Distribution Conference Exposition: Asia and Pacific, 2009 (pp. 1–4).

http://doi.org/10.1109/TD-ASIA.2009.5356841

Levron, Y., Guerrero, J. M., & Beck, Y. (2013). Optimal Power Flow in Microgrids

With Energy Storage. IEEE Transactions on Power Systems, 28(3), 3226–3234.

http://doi.org/10.1109/TPWRS.2013.2245925

Liu, H., Ji, Y., Zhuang, H., & Wu, H. (2015). Multi-objective dynamic economic dis-

patch of microgrid systems including vehicle-to-grid. Energies, 8(5), 4476–4495.

http://doi.org/10.3390/en8054476

Liu, N., Tang, Q., Zhang, J., Fan, W., & Liu, J. (2014). A hybrid forecasting model

with parameter optimization for short-term load forecasting of micro-grids. Applied

Energy, 129, 336–345. http://doi.org/10.1016/j.apenergy.2014.05.023

Liu, W., Zhang, Y., Zeng, B., Niu, S., Zhang, J., & Xiao, Y. (2014). An environmental-

economic dispatch method for smart microgrids using VSS-QGA. Journal of Applied

Mathematics, 2014. http://doi.org/10.1155/2014/623216

Lopes, J. A. P., Moreira, C. L., & Madureira, A. G. (2006). Defining control strategies


for microgrids islanded operation. IEEE Transactions on Power Systems, 21(2),

916–924. http://doi.org/10.1109/TPWRS.2006.873018

Lv, T., & Ai, Q. (2016). Interactive energy management of networked microgrids-

based active distribution system considering large-scale integration of renewable

energy resources. Applied Energy, 163, 408–422. http://doi.org/10.1016/j.ape-

nergy.2015.10.179

Marcos Gestal, Daniel Rivero, Juan-Ramón Rabuñal, Julián Dorado, & Alejandro

Pazos. (2010). Introduccion a los algoritmos geneticos y la programacion genetica

(Universidade da Coruña, Servizo de Publicacións). Recuperado a partir de

http://centauronorte.cs.buap.mx/IA/LIBROS/algoritmos-geneticos-libro-bueno.pdf

Marzband, M., Sumper, A., Domínguez-García, J. L., & Gumara-Ferret, R. (2013).

Experimental validation of a real time energy management system for microgrids in

islanded mode using a local day-ahead electricity market and MINLP. Energy Con-

version and Management, 76, 314–322. http://doi.org/10.1016/j.encon-

man.2013.07.053

Masri, H., & Ben Abdelaziz, F. (2010). Belief linear programming. International Jour-

nal of Approximate Reasoning, 51(8), 973–983.

http://doi.org/10.1016/j.ijar.2010.07.003

Mazidi, M., Zakariazadeh, A., Jadid, S., & Siano, P. (2014). Integrated scheduling

of renewable generation and demand response programs in a microgrid. Energy

Conversion and Management, 86, 1118–1127. http://doi.org/10.1016/j.encon-

man.2014.06.078

McAllister, K. (2011, marzo). Fort Bragg Micro Grid [NC Smart Grid Technical Fo-

rum]. Recuperado 19 de marzo de 2016, a partir de http://www.ho-

neywell.com/newsroom/pressreleases/2014/06/honeywell-awarded-microgrid-pro-

ject-to-bolster-energy-reliability-and-security-at-fort-bragg

Meng, L., Sanseverino, E. R., Luna, A., Dragicevic, T., Vasquez, J. C., & Guerrero,

J. M. (2016). Microgrid supervisory controllers and energy management systems:

A literature review. Renewable and Sustainable Energy Reviews, 60, 1263–1273.


Miletijev, K. (2015, marzo). SMUD Energy R&D Program. Recuperado 19 de marzo

de 2016, a partir de http://www.energy.ca.gov/research/notices/2015-03-06_works-

hop/presentations/07_Katarina_Miletijev_CEC_Microgrid_Presenta-

tion_150304_Miletijev.pdf

Millán, E., & Antonio, M. (2014). Análisis del emplazamiento de un generador eólico


en una vivienda urbana usando técnicas CFD. Repositorio Académico - Universi-

dad de Chile. Recuperado a partir de http://reposito-

rio.uchile.cl/handle/2250/131578

Mokryani, G., & Siano, P. (2013). Evaluating the integration of wind power into dis-

tribution networks by using Monte Carlo simulation. International Journal of Electri-

cal Power and Energy Systems, 53(1), 244–255.

http://doi.org/10.1016/j.ijepes.2013.04.019

Myer, J. H. (1968, febrero 20). Photovoltaic generator. Recuperado a partir de

http://www.google.com/patents/US3369939

NREL. (2010, febrero 2). NREL: Learning - Biopower. Recuperado 7 de julio de

2014, a partir de http://www.nrel.gov/learning/re_biopower.html

Oleg Osika, Thomas Degner, Christian Hardt, H. Lange, & Oleg Osika. (2005, sep-

tiembre 19). Large Scale Integration of Micro-Generation to Low Voltage Grids. Re-

cuperado 19 de marzo de 2016, a partir de http://www.microgrids.eu/micro2000/de-

livarables/deliverable_dh1.pdf

Olivares, D. E., Cañizares, C. A., & Kazerani, M. (2014). A Centralized Energy Man-

agement System for Isolated Microgrids. IEEE Transactions on Smart Grid, 5(4),

1864–1875. http://doi.org/10.1109/TSG.2013.2294187

Open EI. (2016). Commercial and Residential Hourly Load Profiles for all TMY3

Locations in the United States - OpenEI DOE Open Data. Recuperado 29 de abril

de 2016, a partir de http://en.openei.org/doe-opendata/dataset/commercial-and-re-

sidential-hourly-load-profiles-for-all-tmy3-locations-in-the-united-states

Palma-Behnke, R., Ortiz, D., Reyes, L., Jiménez-Estévez, G., & Garrido, N. (2011).

A social SCADA approach for a renewable based microgrid #x2014; The

Huatacondo project. En 2011 IEEE Power and Energy Society General Meeting

(pp. 1–7). http://doi.org/10.1109/PES.2011.6039749

Pascual, J., Barricarte, J., Sanchis, P., & Marroyo, L. (2015). Energy management

strategy for a renewable-based residential microgrid with generation and demand

forecasting. Applied Energy, 158, 12–25. http://doi.org/10.1016/j.ape-

nergy.2015.08.040

Planas, E., Gil-de-Muro, A., Andreu, J., Kortabarria, I., & Martínez de Alegría, I.

(2013). General aspects, hierarchical controls and droop methods in microgrids: A

review. Renewable and Sustainable Energy Reviews, 17, 147–159.



Prékopa, A. (1995). Stochastic Programming. Dordrecht: Springer Netherlands. Re-

cuperado a partir de http://link.springer.com/10.1007/978-94-017-3087-7

Ravindra, K., & Iyer, P. P. (2014). Decentralized demand-supply matching using

community microgrids and consumer demand response: A scenario analysis.

Energy, 76, 32–41. http://doi.org/10.1016/j.energy.2014.02.043

Russell, S., & Norvig, P. (2004). Inteligencia artificial: Un enfoque moderno. (J. M.

C. Rodríguez, Trad.) (Edición: 2). Madrid: PRENTICE HALL.

RWTH AACHEN UNIVERSITY. (2016). Institute for Automation of Complex Power

Systems. Recuperado 19 de marzo de 2016, a partir de

https://www.acs.eonerc.rwth-aachen.de/

Saravanan, B., Das, S., Sikri, S., & Kothari, D. P. (2013). A solution to the unit com-

mitment problem—a review. Frontiers in Energy, 7(2), 223–236.

http://doi.org/10.1007/s11708-013-0240-3

Shamshiri, M., Gan, C. K., & Tan, C. W. (2012). A review of recent development in

smart grid and micro-grid laboratories. En Power Engineering and Optimization

Conference (PEDCO) Melaka, Malaysia, 2012 Ieee International (pp. 367–372).

http://doi.org/10.1109/PEOCO.2012.6230891

Sharma, D. S., & Mehta, S. (2015). Economic Load Dispatch Using Grey Wolf Op-

timization. International Journal of Engineering Research and Applications , 5(4),

128–132.

Shi, W., Xie, X., Chu, C.-C., & Gadh, R. (2015). Distributed Optimal Energy Man-

agement in Microgrids. IEEE Transactions on Smart Grid, 6(3), 1137–1146.

http://doi.org/10.1109/TSG.2014.2373150

Silvente, J., Kopanos, G. M., Pistikopoulos, E. N., & Espuña, A. (2015). A rolling

horizon optimization framework for the simultaneous energy supply and demand

planning in microgrids. Applied Energy, 155, 485–501.

http://doi.org/10.1016/j.apenergy.2015.05.090

Silvestre, M. L. D., Graditi, G., & Sanseverino, E. R. (2014). A Generalized Frame-

work for Optimal Sizing of Distributed Energy Resources in Micro-Grids Using an

Indicator-Based Swarm Approach. IEEE Transactions on Industrial Informatics,

10(1), 152–162. http://doi.org/10.1109/TII.2013.2272945

Southern California Gas Company, & Sempra Energy utilities. (2009). Beach Cities

MicroGrid Project. Recuperado 19 de marzo de 2016, a partir de http://microgrid-

symposiums.org/wp-content/uploads/2014/12/sandiego_bialek.pdf


Su, W., & Wang, J. (2012). Energy Management Systems in Microgrid Operations.

The Electricity Journal, 25(8), 45–60. http://doi.org/10.1016/j.tej.2012.09.010

Tafreshi, S. M. M., Zamani, H. A., Ezzati, S. M., Baghdadi, M., & Vahedi, H. (2010).

Optimal unit sizing of Distributed Energy Resources in MicroGrid using genetic al-

gorithm. En 2010 18th Iranian Conference on Electrical Engineering (ICEE) (pp.

836–841). http://doi.org/10.1109/IRANIANCEE.2010.5506961

Tamersi, A., Radman, G., & Aghazadeh, M. (2011). Enhancement of microgrid dy-

namic voltage stabilty using Microgrid Voltage Stabilizer. En 2011 Proceedings of

IEEE Southeastcon (pp. 368–373). http://doi.org/10.1109/SECON.2011.5752968

Tang, X., Deng, W., & Qi, Z. (2014). Investigation of the dynamic stability of mi-

crogrid. IEEE Transactions on Power Systems, 29(2), 698–706.


Tao, L., Schwaegerl, C., Narayanan, S., & Zhang, J. H. (2011). From laboratory

Microgrid to real markets Challenges and opportunities. En 8th International Con-

ference on Power Electronics - ECCE Asia: “Green World with Power Electronics”,

ICPE 2011-ECCE Asia (pp. 264–271).

Tazvinga, H., Xia, X., & Zhang, J. (2013). Minimum cost solution of photovoltaic -

diesel-battery hybrid power systems for remote consumers. Solar Energy, 96, 292–

299. http://doi.org/10.1016/j.solener.2013.07.030

Universidad Nacional de Colombia, & Área Metropolitana del Valle de Aburrá.

(2015, junio 4). Datos meteorológicos (radiación) de las estaciones del municipio

de Medellín para el año 2014. “Solicitud_1536”.

van de Boom, T., & de Shutter, V. (2007). Optimization in Systems and Control

(SC4091). Recuperado 3 de mayo de 2016, a partir de http://www.dcsc.tu-

delft.nl/~sc4091/

Wu, H., Liu, X., & Ding, M. (2014). Dynamic economic dispatch of a microgrid: Math-

ematical models and solution algorithm. International Journal of Electrical Power &

Energy Systems, 63, 336–346. http://doi.org/10.1016/j.ijepes.2014.06.002

Xiao, L., Shao, W., Liang, T., & Wang, C. (2016). A combined model based on mul-

tiple seasonal patterns and modified firefly algorithm for electrical load forecasting.

Applied Energy, 167, 135–153. http://doi.org/10.1016/j.apenergy.2016.01.050

Xiao, L., Wang, J., Hou, R., & Wu, J. (2015). A combined model based on data pre-

analysis and weight coefficients optimization for electrical load forecasting. Energy,

82, 524–549. http://doi.org/10.1016/j.energy.2015.01.063


Yamane, A., Li, W., Bélanger, J., Ise, T., Iyoda, I., Aizono, T., & Dufour, C. (2011).

A Smart distribution grid laboratory. En IECON Proceedings (Industrial Electronics

Conference) (pp. 3708–3712).

Zhao, B., Xue, M., Zhang, X., Wang, C., & Zhao, J. (2015). An MAS based energy

management system for a stand-alone microgrid at high altitude. Applied Energy,

143, 251–261. http://doi.org/10.1016/j.apenergy.2015.01.016

Zhao, B., Zhang, X., & Chen, J. (2012). Integrated Microgrid Laboratory System.

IEEE Transactions on Power Systems, 27(4), 2175–2185.


A. Anexo: Definiciones asociadas con

Micro redes

Definiciones tomadas de (IEEE, 2011).

Recursos distribuidos (DR): fuentes de potencia eléctrica que no están directamente co-

nectados al sistema de transmisión en grandes centrales de energía. DR incluye genera-

dores y tecnologías de almacenamiento de energía. También llamados generación distri-

buida (GD).

Sistema de Recursos Distribuidos (RD) aislado: Sistemas RD aislados son partes del sis-

tema de potencia eléctrica (EPSs) que tienen DR y cargas, tienen la habilidad de desco-

nectarse y operar en paralelo con el EPS, incluye EPS local y puede incluir porciones de

EPS de área, son intencionalmente planeadas.

Los tipos de sistemas DR aislados incluyen: EPS local aislado, circuito lateral aislado, cir-

cuito de distribución aislado, bus de subestación aislado, subestación aislada, circuito ais-

lado adyacente.

Dispositivo de interconexión de isla (IID): Dispositivo que permite la separación de sistema

DR aislado desde el EPS. Este dispositivo puede proveer la función de un dispositivo pa-

ralelo al re-conectador del sistema DR aislado con un EPS de área.

Sistema de distribución: Parte del sistema eléctrico que envía energía eléctrica desde los

puntos de transformación en la transmisión o desde la generación en grandes centrales

hacia los consumidores.

B. Anexo: Revisión del estado del arte en Micro redes

Tabla 6-1. Estado del arte Micro redes.

Año Artículo Problemática Metodología Resultados Restricciones Que no se hizo?

2014 Dynamic economic dispatch of a mi-crogrid: Mathemati-cal models and solu-tion algorithm

La aparición de nue-vas fuentes de ener-gia renovables, como la eolica y la solar, que tienen un factor de aleato-riedad y que ade-más son disconti-nuos, que hacen que se deban dise-ñar nuevos despa-chos economicos.

Optimizacion particle swarm optimization PSO combinado con Monte Carlo para re-solver la función ob-jetivo, Operando con conexión a una red o en modo aislado.

Incrementar el ta-maño de la batería puede reducir las pérdidas de potencia del sistema. Cuatro casos de estudio (2 opciones conexión a la red y 2 aislados).

La MR posee un sis-tema de almacena-miento,

no se consideran costos iniciales de instalación de las tecnologías de GD, no se realiza un estudio de es-tabilidad del sis-tema, no se estu-dia la confiabili-dad del sistema (ENS, SIFI, SIDI)

2004 A Fuzzy-Optimiza-tion Approach to Dy-namic Economic Dispatch Considering Uncer-tainties

La incertidumbre y el desconocimiento en el manejo de los mercados de re-serva y la energía no regulada.

Optimización fuzzy para resolver un despacho econó-mico dinámico

Algoritmo de optimi-zación fuzzy para realizar un despacho económico diná-mico, que permite a

Mercado no regulado, predicción de demanda y precios de mercado, Precio de demanda de energía en reserva

No se incluyen fuentes no con-vencionales de energía


las empresas de ge-neración establecer la cantidad óptima de energía a vender en bolsa y como re-serva.

2005 Defining Control Strategies for Mi-croGrids Islanded Operation

Inestabilidad y com-portamiento inade-cuado de algunas variables, cuando una micro red es for-zada a operar en modo aislado.

El artículo propone estrategias de con-trol factibles en una micro red aislada, que garantice opera-ción estable. A tra-vés de un modelado fenomenológico de fuentes no conven-cionales, arquitec-tura de micro red.

Estrategias de con-trol para micro redes aisladas: SMO y MMO (single master opeation SMO, multi master operation MMO)

Red aislada, cargas controlables, Almace-namiento como herra-mienta fundamental para operación aislada, evitando desviaciones en la frecuencia

No se tiene en cuenta el costo de producción de la energía con las fuentes disponi-bles.

2013 Evaluating the inte-gration of wind power into distribution net-works by using Monte Carlo simula-tion

Dificultad para inte-gración de turbinas eólicas en redes de distribución dentro de un ambiente de mercado.

Utiliza simulación monte carlo y flujo de potencia óptimo para maximizar el bienestar social con la integración de gestión de la de-manda.

Se obtuvo un algo-rimo para resolver el flujo de potencia óp-timo (a través de metodo de punto in-terior con paso con-trolado), que com-bina con simulación monte carlo

Respuesta a la de-manda está enfocado en la capacidad de cambio de las deman-das de carga de acuerdo a criterios de confiabilidad (predicio-nes) Basado en prediccio-nes de demanda, y ge-neración

Está enfocado sólo en turbinas eólicas, no evalúa otras FNCE. No se tuvo en cuenta un sistema ais-lado de la red.

2013 Experimental valida-tion of a real time en-ergy management system for mi-crogrids in islanded mode using a local

Los altos costos de la energía no con-vencional

Utilizando herra-mientas como Mi-xed-integer nonli-near programming (MINLP). Además se propone un mercado

Algoritmo de sis-tema de gestión de energía (EMS) ba-sado en Mixed-inte-ger nonlinear pro-gramming (MINLP).

La tensión de todos los buses de la MR es igual, no se consideran pérdidas en potencia, no se consideran po-tencias reactivas.

No se realiza flujo de potencia, no son consideradas potencias reacti-vas ni pérdidas en la linea.

Anexo: Revisión del estado del arte en Micro redes 91

day-ahead electricity market and MINLP

local de energía (LEM) para obtener el mínimo precio (COE - Cost of energy), maximi-zando la utilización de recursos de GD en la MR.

Se propone un mer-cado local de ener-gía (LEM) para ob-tener el mínimo pre-cio (COE - Cost of energy), maximi-zando la utilización de recursos de GD en la MR.

2014 An MAS based en-ergy management system for a stand-alone microgrid at high altitude

Dificultad para lograr operación eficiente y estable de una MR compuesta de PV, pequeña hidro.

Sistema multiagente para la gestión de energía MAS, en una MR. Se ejecuta el EMS para lograr operación eficiente y estable. Se utiliza un RTDS-PXI como plataforma de simu-lación.

Algoritmo para ges-tión de energía en una MR, utilizando un MAS.

No se cuenta con un referente, no hay forma de validar los resulta-dos con una red exis-tente. Se debe hacer la validadción utili-zanod modelos predic-tivos.

No se considera el precio de la energía de la red.

2014 Decentralized de-mand supply match-ing using community microgrids and con-sumer demand re-sponse: A scenario analysis

En los paises en desarrollo se en-frenta el desafio de llevar la energá a si-tios apartados y que no se estan aprove-chando otros recur-sos energéticos.

Herramienta para identificar optiones de energía descen-tralizada en una co-munidad, a través de un análisis de es-cenarios. Para resolver el pro-blema se plantea la utilización de MR y respuesta a la de-manda (gestión del consumo)

Metodología de es-cenarios para imple-mentación de micro redes comunitarias. Escenario base para negocio, gestión de la demanda, sumi-nistro, oferta y de-manda, análisis de riesgos y mitigación

No consideran mode-los de MR

no se utilizan mo-delos de MR y no se establecen los tipos de fuentes no convenciona-les


2014 Integrated schedul-ing of renewable generation and de-mand response pro-grams in a microgrid

No se tienen predic-ciónes adecuadas en la velocidad del viento y la radiación solar, lo cual repre-senta un desafio grande para la ope-rabilidad las MR.

Se modelan la velo-cidad del viento e irradiancia como funciones de proba-bilidad, utilizando el Latin Hypercube Sampling. Posteriomente se generar escenarios posibles de genera-ción con renovables para previsión del despacho del dia si-guiente. También se propone una minimi-zación estocástica de dos etapas.

Algoritmo para la mi-nimización de costo operacional.

Se supone datos ade-cuados de la velocidad del viento y radiación solar. Los requerimien-tos de reserva son ma-nejados a través de respuesta de la de-manda y unidades de GD.

2015 A rolling horizon opti-mization framework for the simultaneous energy supply and demand planning in microgrids

Es dificil afrontar la incertidumbre de-bido a la producción y el consumo de energía reactiva.

Estrategias óptimas de programación para la coordinación de micro redes. Se formula un mixed in-teger linear progra-mming (MILP) para optimización. Modificar el tiempo de uso de energía (consumo) en cier-tas ventanas de tiempo.

Se obtiene un algo-ritmo para rolling ho-rizon, Despacho de acuerdo al horizonte de predicción.

No se considera el precio de gene-ración de energía.

2014 An Environmental-Economic Dispatch

Necesidad de mejo-rar el desempeño económico de las

Utilizando VSS-QGA, se compara con un algoritmo ge-

Algoritmo para solu-ción de proglemas no lineales y no con-vexos (VSS-QGA)


Method for Smart Mi-crogrids Using VSS_QGA

MR al incrementar la incursión de GD.

nético (GA), un evo-lutionary approach (EP), quantum gene-tic algorithm (QGA) y chaotic quantum genetic algorithm (CQGA).

2015 Microgrid economic operation consider-ing plug-in hybrid electric vehicles inte-gration

Es complicado esta-blecer un deseme-peño económico de una MR que tiene plug-in hybrid elec-tric vehicle (PHEVs), debido a los diferen-tes modos de carga y descarga, así como utilización del vehiculo.

Modelamiento de la MR, por componen-tes, resolución por método de GA

Algoritmo para ope-ración de una MR que considera un PHEV, para opera-ción con el menor precio.

El comportamiento de las fuentes dependien-tes del ambiente, no se enfoca en las fuentes de generación. Se considera una MR aislada

MR interconec-tada

2015 Multi-Objective Dy-namic Economic Dis-patch of Microgrid Systems Including Vehicle-to-Grid

Dificultad en realizar un despacho econó-mico, en términos de dinero, emisiones de dioxido de carbono, menor costo de tra-tamiento de polución

Funciones multi-ob-jetivo convertidas a función de objetivo simple a través del método de la matriz de juzgamiento, des-pacho económico di-námico con PSO.

Diagrama de flujo de operación de la carga diaria de un VE bajo una opera-ción autónoma de carga, y bajo una operación coordi-nada. Algoritmo (PSO) para resolver el despacho econó-mico, en modo ais-lado o conectado, con dos estrategias cada uno.

Función objetivo modi-ficada por matriz de juzgamiento, se tiene en cuenta variación en el percio de energía y precio de tratamiento de los contaminantes (dioxido de carbono y polución)

Comparación con otros algoritmos de optimización (sólo PSO y PSO mejorado)


2013 Minimum cost solu-tion of photovoltaic-diesel-battery hybrid power systems for remote consumers

Necesidad de eva-luar los costos de operación de siste-mas híbridos que consideran intermi-tencia de las fuentes de energía, en ve-rano y en invierno, en dias laborales y fines de semana.

Solución del pro-blema de optimiza-ción a través de opti-mización no-lineal cuadrática para defi-nir el flujo de poten-cia de las fuentes GD.

Se obtiene un mo-delo despacho de energía óptimo para un sistema híbrido compuesto por PV, diesel, bateria.

Se restringe a una curva de carga dada, El sistema no está co-nectado a la red

Sistema aislado

2002 MicroGrids Articulo de definicio-nes sobre MR. Ar-quitecturas básicas, control, protecciones y gestión de ener-gía.

2012 Solve environmental economic dispatch of Smart MicroGrid containing distrib-uted generation sys-tem – Using chaotic quantum genetic al-gorithm

Necesidad de eva-luar la inclusión de parámetros ambien-tales en el mérito de despacho de dife-rentes fuentes de generación en MR.

Se plantea el pro-blema de optimiza-ción, y se resuelve utilizando el chaotic quantum genetic al-gorithms.

Algoritmo CQGA. Comparativo del al-goritmo CQGA con programación diná-mica, GA, programa-ción evolucionaria.

Enfocado en minimo costo de operación y mínimo costo por trata-miento de contaminan-tes

No se detecta el uso de fuentes eólica, solar

2014 Using the Direct Search Method for Optimal Dispatch of Distributed Genera-tion in a Medium-Voltage Microgrid

Dificultad para pro-poner un despacho económico cuando el sistema posee di-ferentes fuentes GD,

En lugar de utilizar los multiplicadores de lagrange conven-cionales, se utiliza el método de bús-queda directa, que además puede re-solver problemas no derivables,

DER entre 1MW y 25MW conectado al bus secundario de HV/MV, DER de 100kW a 1MW está co-nectado con sistemas primarios de distribu-ción, y DER menor a 100kW está conectado con secundarios de los

El artículo se en-foca en sistemas DER entre 100kW y 2MW. Sólo se estudian las condiciones de operación 1 y 2.


sistemas de distribu-ción. 4 condiciones de ope-ración: 1. operación en estado estable conec-tada a la red, 2. estado estable operación auto-nóma, 3. Operación transitoria de conec-tada a la red a autó-noma, 4. operación transitoria de autó-noma a conectada a la red.

2014 Microgrids: Experi-ences, barriers and success factors

Existen dificultades para la implementa-ción de MR, este ar-tículo propone algu-nas soluciones para tales dificultades

Revisión del estado del arte

No se realizan simula-ciones ni implementa-ciones reales.

C. Anexo: Mapa resumen Micro redes

Figura 6-1. Mapa resumen de Micro-Redes.

Anexo: Mapa resumen Micro redes 97

Figura 6-2. Barreras de implementación de MR.

Figura 6-3. Necesidades y oportunidades para implementación de MR.


Figura 6-4. Componentes MR.

Figura 6-5. Soluciones previas problemas de optimización.

Anexo: Mapa resumen Micro redes 99

Figura 6-6. Soluciones optimización heurística.

D. Anexo: Topologías y Componentes

de MR.

Figura 6-7. Topología de micro red, fuente:(Adhikari & Li, 2014)


Figura 6-8. Topología de red utilizada en (Levron, Guerrero, & Beck, 2013)

Figura 6-9. Topología de micro red, fuente: (Etemadi, 2012)

Anexo: Topologías y Componentes de MR 103

Figura 6-10. Topología de micro red, fuente:(Tamersi, Radman, & Aghazadeh, 2011)

Figura 6-11. Topología de micro red, fuente:(Fu, 2013)


Figura 6-12. Topología de MR, fuente: (Huang et al., 2014).

Tabla 6-2. Componentes de Micro-Redes

Nombre Lab –sitio pruebas Foto-

vol-taico

In-

ver-sores

Eólico Otro

Gen

BESS Loadb

ank

demand-

response

SCADA Fuel

Cell

RTD o

simu

Otro Referencias

The D-NAP facil ity x x x x 1 80kVA motor-genset (Anaya-Lara, Crolla, Roscoe, Ven-

turi, & Burt, 12 September 2013)

Perfect Power System Pro-

totype

x x x x Advanced Cyber Security

Features

(Flueck & Nguyen, 2010)

Beach Cities MicroGrid Project

x x x x Var compensator (Southern California Gas Company & Sempra Energy utilities, 2009)

Fort Bragg Micro Grid x x x x x Biomass – 45 MW Hydro - 0.5 MW

(McAllister, 2011)

Microgrid smud x x x (Mileti jev, 2015)

Certs ugrid concept x x x x x Heat recovery (Hatziargyriou, Asano, & Iravani, 2007)

Tokyo University x x Steam absorption, termanl

storage

(Hatziargyriou et al., 2007)

Smart distribution grid la-boratory

x x x x x a 154-kV transmission line and a 154-kV to 6.6-kV

transformer

(Yamane et al., 2011)

Institute for automation of complex power systems

x x PMU (RWTH AACHEN UNIVERSITY, 2016)

Csiro energy microgrid x x x x x x x (Shamshiri et al., 2012)

Jeju smart grid system demonstration complex

x x x x x Smart transportation (Shamshiri et al., 2012)

Sandia distributed energy technology lab

x x x x x x x (Barnes et al., 2005)

Changwon dongjeun vi-l lage

x x x x Evaporador (Lee et al., 2009)

Integrated microgrid labo-

ratory system

x x x x x Flywheel energy storage (Zhao, Zhang, & Chen, 2012)

Army corps of engineers x x x x x (Army Corps of Engineers, 2013)

Ntua x x x x (Barnes et al., 2005)

Demotec x x x x x (Barnes et al., 2005)

Sunlight x x x Container

Flywheel installation x x x Flywheel (Barnes et al., 2005)

Armines laboratory micro-

grid

X x x x x (Oleg Osika, Thomas Degner, Chris-

tian Hardt, H. Lange, & Oleg Osika, 2005)

Documents

METODOLOGÍA PARA LA GESTIÓN ÓPTIMA DE ENERGÍA EN UNA …bdigital.unal.edu.co/53470/1/1017168710.2016.pdf · que permiten mejorar la confiabilidad de la operación, que se puede