Revista
Ciencia e Ingeniería Neogranadina
Sistema
de Información Científica Redalyc
Red de Revistas Científicas de América
Latina y el Caribe, España y Portugal
Ubicación y
dimensionamiento de generación distribuida: Una revisión
Location and sizing of distributed generation:
a review
Luis Femado Grisales * luisgrisales@itm.edu.co
Instituto Tecnológico Metropolitano, Colombia
Bonie Johana Restrepo Cuestas ** bonierestrepo@itm.edu.co
Instituto Tecnológico Metropolitano, Colombia
Fredy Esteban Jaramillo *** fredyjaramillo97913@correo.itm.edu.co
Instituto Tecnológico Metropolitano, Colombia
Ubicación
y dimensionamiento de generación distribuida: Una revisión
Ciencia e Ingeniería Neogranadina, vol. 27, núm. 2, 2017
Universidad
Militar Nueva Granada
Disponible en: http://www.redalyc.org/articulo.oa?id=91150559008
Recepción: 19 Octubre 2016
Aprobación: 03 Mayo 2017
Cómo
citar: L.
F. Grisales, B. J. Restrepo Cuestas y F. E. Jaramillo, "Ubicación y
dimensionamientos de generación distribuida: una revisión," Ciencia
e Ingeniería Neogranadina, vol. 27, no. 2, pp. 157-176. DOI: http://dx.doi.org/10.18359/rcin.2344
Resumen:
La generación distribuida (GD) se presenta
como un apoyo para suplir la demanda del sistema de forma localizada, lo que
permite además como alternativas de generación el uso de fuentes
de energía renovables a pequeña escala. Como aporte principal,
este artículo presenta las consideraciones que se deben tener en cuenta
al momento de analizar, modelar y solucionar el problema de ubicación y
dimensionamiento de GD en la red eléctrica de distribución.
Inicialmente, se enuncian los aspectos técnicos de la red, el modelado
de las cargas e impactos de la GD; seguido de la formulación del modelo
matemático del problema, principales técnicas de solución
y metodologías aplicadas en la literatura; finalmente, se muestran las
investigaciones futuras en este campo de estudio. Todo lo anterior en busca de
mejorar las condiciones operativas de la red. Dentro de la revisión de
los trabajos presentados por los diferentes autores, se encontró que una
gran parte de los estudios se enfocan en los aspectos técnicos, sin
tener en cuenta los costos asociados a la integración de GD, ni los
incentivos económicos a los que puede ser susceptibles este tipo de
proyectos, que son de vital importancia para evaluar la viabilidad de la
propuesta de integración.
Palabras clave: Generación distribuida, sistema de distribución,
técnicas de optimización, perfiles de tensión,
pérdidas de energía, técnicas metaheurísticas.
Abstract: Distributed generation (DG) is presented
as a support to supply the demand of the system in a localized way, also
allowing small-scale generation with renewable energy sources. As a main
contribution, this document presents several considerations to be taken into
account when analyzing, modeling and solving the problem of location and
dimensioning of DG in the distribution grid. Initially, the technical aspects
of the network are outlined as well the load modeling, and DG impacts; followed
by the formulation of the mathematical model of the problem, main solution
techniques, methodologies applied in the literature. Finally, it shows future
research in this field of study All the above to improve the operating
conditions of the network. Within the review of the papers presented by the
different authors, it was found that a large part of the studies focus on the
technical aspects, without taking into account the costs associated with the
integration of DG, nor the economic incentives that can Be susceptible to this
type of projects, which are of vital importance in assessing the feasibility of
the integration proposal.
Keywords:
Distributed generation, distribution system,
optimization techniques, voltage profiles, power losses, metaheuristic
techniques.
INTRODUCCIÓN
La generación de electricidad se presenta generalmente en
centrales a gran escala, utilizando tecnologías convencionales en lugares
alejados al consumidor final. Esto genera pérdidas de energía
asociadas al transporte y alteración en los perfiles de tensión a
nivel de distribución, en algunos casos por fuera de los rangos
permitidos. Es por esto que la generación distribuida (GD) se ha
convertido en un apoyo a los sistemas de generación convencionales, hecho
que facilita la inyección de potencia en lugares cercanos a la carga. No
obstante, la integración de GD genera impactos en el sistema, que pueden
ser positivos o negativos, debido a que su implementación modifica el
modo de operación de la red. Una integración adecuada de GD
presenta desde el punto de vista técnico los siguientes beneficios:
disminución de pérdidas de energía, mejoras en el perfil
de tensión y descongestión en las líneas de distribución.
Sin embargo, una ubicación o dimensionamiento inapropiado de la GD en el
sistema puede generar efectos adversos en la red [1, 2, 3].
Lo anterior, sumado a la necesidad de aumentar la calidad y contabilidad
del servicio a través de la optimización de recursos y
sostenibilidad ambiental, hace que los sistemas de distribución tiendan
a convertirse en redes inteligentes (Smart Grids) [4].
Es allí donde la integración de GD ha recibido un creciente interés,
ya que puede contribuir en la obtención de resultados en materia de una
gestión más activa de la red, reducción de pérdidas
de energía, emisiones y la integración de fuentes de
energías renovables [1]. En este sentido, algunos países han
desarrollado políticas en busca de promover e incentivar la
integración de nuevas fuentes de energía dentro de sus sistemas
eléctricos. Se pueden mencionar casos como el de los Estados Unidos, con
el consorcio de tecnologías para la solución de la contabilidad
eléctrica [5]; la Unión Europea, con su proyecto de microredes [6], y Japón, que es un país con
un alto número de proyectos de inclusión de GD, financiados por
la Organización para el Desarrollo Nuevas Energías y
Tecnología Industrial [7]. Con respecto a Colombia, la Unidad de
Planeación Minero Energética (UPME), a través de la
Resolución 18-919 de 2010, el convenio ATN/FM-12825-CO y la Ley 1715
[8], [9], promueve la creación de marcos legales asociados al uso de las
fuentes no convencionales de energía y herramientas que fomenten el uso
racional de la energía. Esto además incentiva a las
universidades, los grupos de investigación y sectores privados a
investigar alrededor de estas temáticas, patrocinando proyectos a
través de Colciencias. Este aspecto demuestra la necesidad de generar
soluciones para integrar sistemas de GD, empleando fuentes convencionales y no
convencionales de energía.
Como aporte principal, este documento presenta las consideraciones
por tener en cuenta al momento de analizar, modelar y solucionar el problema de
integración de GD. Se parte con el numeral 1.1, con una
descripción del sistema eléctrico de distribución,
haciendo énfasis en los modelos de representación de cargas
eléctricas en el sistema, seguido de una definición de GD y la
descripción de los impactos que puede presentar en el sistema de
distribución, en el numeral 1.2. Luego se muestra en el numeral 2.1 el
planteamiento del modelo del problema, que puede ser representado a
través de funciones objetivo y el conjunto de restricciones que lo
limitan. Adicionalmente, se muestran las técnicas de optimización
más empleadas en la integración de GD; de esta manera, se permite
al lector comprender, interpretar y formular el problema, seleccionando el tipo
de técnica que más se adapte a los factores que desee impactar en
el sistema de distribución (SD). Vale la pena destacar que la
selección de artículos que contienen la información y
metodologías empleadas para integración de GD, fueron realizadas
de manera que permitan visualizar un panorama general de los enfoques,
métodos y técnicas empleados por los autores en la última década.
1. Generación distribuida
1.1. Sistema
eléctrico de distribución
Un sistema eléctrico de distribución es la parte comprendida
entre la subestación eléctrica de media tensión y los
usuarios finales. El sistema está conformado por alimentado-res,
subestaciones de transformación, líneas y cargas, conectados a
través de nodos. La variación en las tensiones nodales y en las
corrientes a través de las líneas depende de la variación
de las cargas. Estas últimas, en un sistema eléctrico, se definen
como la representación de la demanda de energía en un nodo [10],
dicha representación puede estar asociada a un periodo
específico, como la demanda pico (mono-nivel), o tener en cuenta la
variación de la curva de demanda diaria del sistema (multi-nivel)
[11].
Al analizar el estado operativo del sistema, es necesario tener en
cuenta el tipo de carga para la interpretación de los diferentes indicadores
del sistema, como las pérdidas de energía por transporte, violación
de los perfiles de tensión, índice de estabilidad de
tensión, cargabilidad en las líneas,
entre otros [12,13]. Si se trabaja con una carga mono-nivel se tendrán niveles
o aproximaciones para una hora específica, que permiten estimar su
estado operativo, pero dentro de un panorama limitado (para la hora cuando se
realizó el análisis). Caso contrario, cuando se trabaja con sistemas
multi-nivel, que tienen en cuenta el comportamiento
de la carga en un margen de 24 horas.
Para conocer el estado operativo del sistema, se aplica el equivalente
monofásico del sistema de distribución trifásico [14], y a
través de un flujo de carga se obtienen las tensiones nodales y
corrientes de línea; variables con las que se definen todos los
indicadores del sistema. Vale la pena destacar que con la variación de
las demandas nodales (curva de demanda horaria) o la inyección de
potencia activa o reactiva en cualquier nodo del sistema, el estado operativo
varía drásticamente.
Los valores que tomen las cargas para ambos casos pueden ser obtenidos
a través de modelos determinísticos o estocásticos. Para
el primer caso, los valores de carga pueden ser seleccionados a través
de la creación de curvas de demanda a partir de las cargas nodales en
los diferentes sistemas de prueba [15]. Para el segundo caso, que es el
más complejo, se parte de un análisis del comportamiento del
sistema en un periodo, y se encuentra así el tipo de distribución
de probabilidad que mejor represente el problema; este es conocido como
incertidumbre en la demanda [16].
1.2. Definición
e impactos de la generación distribuida
En los últimos años, el planeamiento de los SD ha buscado
mejorar las características operativas del sistema, utilizando estrategias
como la reconfiguración de alimentado-res, la ubicación de
capacitores, los reguladores de tensión, la generación
distribuida, entre otros [17,18, 19]. La integración de GD es la de
mayor investigación a nivel mundial, debido a que permite el uso de
fuentes convencionales y no convencionales de energía en el sistema
eléctrico, con lo cual se logra para el caso de las energías
renovables reducir las emisiones de CO2 [10].
El concepto de GD no cuenta con una definición generalizada,
pero finalmente todas convergen en tres características principales:
conexión cercana a la carga, generación a pequeña, mediana
y gran escala, y la posibilidad de estar o no conectada a la red de
distribución. Según [20], la GD es una fuente de potencia
eléctrica conectada directamente a la red de distribución o lo
más cercano al medidor del usuario final. La Agencia Internacional de
Energía (IEA, por sus siglas en inglés) define GD como una planta
de generación que transfiere energía en sitio al consumidor o que
sirve de apoyo al SD conectado a la red a niveles de voltaje de distribución
[21]. Adicionalmente, las tecnologías de generación basadas en
energías renovables presentan las siguientes características: no
tienen un despacho centralizado debido a su generación variable y son
altamente dependientes de las condiciones climáticas [22]. Desde el
punto de vista de la capacidad de generación, se pueden clasificar,
según [20], como: micro (generadores desde 1 W hasta 5 kW), pequeña
(generadores desde 5 kW hasta 5 MW), mediana (generadores desde 5 MW hasta 50
MW) y grande (generadores desde 50 MW hasta 300 MW).
Existen cuatro tipos de inyección de potencia por parte de
la GD. El tipo uno tiene en cuenta únicamente la inyección de potencia
activa; el tipo dos solo considera la inyección de potencia reactiva por
parte del generador; el tipo tres considera la inyección tanto de
potencia activa, como reactiva a través del generador, y el tipo cuatro
permite la inyección de potencia activa por parte del generador y la
inyección de potencia reactiva por medio de capacitores, que toman los
reactivos de la red para después inyectarlos.
Vale la pena destacar que el tipo más implementado es el 1,
y se modela en el sistema como una carga negativa [23].
La integración de GD puede presentar impactos positivos y
negativos en la red. Los impactos positivos son llamados beneficios de apoyo al
sistema, dentro de los que se pueden encontrar mejoras en los perfiles de tensión,
reducción de pérdidas de energía en la red (debido al
transporte) y descongestión de las líneas. Sin embargo, una
ubicación o dimensionamiento inapropiado de la GD en el sistema puede
generar problemas técnicos, como perfiles de tensión por fuera de
los rangos permitidos, fluctuaciones de tensión y violación de
los límites de capacidad en las líneas [24,25,26,27].
En [28] se presentan sus principales desventajas, entre las cuales se
encuentran el aumento en los niveles de falla debido a la generación
intermitente, los flujos bidireccionales, la coordinación de
protecciones (que están diseñadas para flujos unidireccionales),
congestiones en la red y fluctuaciones de voltaje (variaciones en el índice
de estabilidad). Lo anterior puede afectar tanto la seguridad, como la calidad
del suministro eléctrico y debe ser tenido en cuenta al momento de
integrar estos dispositivos en el sistema.
Las limitaciones asociadas a la integración de GD pueden ser
superadas a través de un correcto dimensionamiento y una ubicación
óptima. La evaluación del impacto de GD en un SD se puede
realizar a través de un análisis de los flujos de potencia o
flujo de carga, con lo cual es posible verificar que la configuración de
generadores seleccionada mejore las condiciones operativas del sistema. Dentro
de los métodos más utilizados en la literatura para calcular el
flujo de carga se encuentran: Gauss-Seidel, Newton Raphson, barrido iterativo, entre otros [29]. A partir de
las variables entregadas por el flujo de carga, es posible evaluar todos los
indicadores del sistema (pérdidas de energía, índice de
estabilidad de tensión, factor de potencia, etc.).
Es importante tener en cuenta que la ubicación presenta características
binarias, dada la posibilidad de un nodo a ser o no candidato a la
instalación de un generador. Mientras que el dimensionamiento es de tipo
continuo, por la posibilidad que tiene el generador de
tomar un valor de un rango determinado de potencia. Adicionalmente, la no
linealidad del sistema de ecuaciones que representa el problema hace que este
sea del tipo no lineal entero mixto, y por tanto requiera la
implementación de técnicas o paquetes de optimización que
permitan obtener una solución adecuada.
2. Ubicación y dimensionamiento óptimo de
generación distribuida
El uso de una metodología basada en técnicas de optimización
debe ser capaz de analizar la influencia o el impacto de la GD sobre las características
del SD, que puede ser muy útil en el proceso de planeación y
operación de la red [30], [31]. Para encontrar la solución del
problema aquí planteado, se deben modelar matemáticamente las
condiciones operativas que se desean mejorar y el conjunto de restricciones
atadas a ellas, para luego implementar la técnica de optimización
seleccionada. A continuación, se presentan los componentes principales
para la ubicación y el dimensionamiento de GD, las técnicas de
optimización más utilizadas y el análisis de un conjunto
de trabajos encontrados en la literatura.
2.1. Modelado
del problema
En los párrafos anteriores se han definido las condiciones
técnicas que se logran mejorar al momento de integrar GD, las cuales se
pueden convertir en funciones objetivo. Estas, en conjunto con el sistema de
restricciones, forman el modelo matemático del problema, como se muestra
en las ecuaciones (1) y (2):
(1)
(2)
Una función objetivo es un criterio expresado a través
de las variables que definen el comportamiento del sistema [32]. Esta
función puede ser maximizada o minimizada según las necesidades
del problema. Para el caso de la integración de GD, es posible que
pertenezca a los aspectos técnicos o económicos. Las funciones
objetivo serían las siguientes:
·
·
Multi-objetivo: se define teniendo en cuenta un
criterio que busca maximizar o minimizar dos o más funciones objetivo,
siempre en conflicto. Las técnicas de optimización que implementa
este tipo de funciones entregan un conjunto de soluciones óptimas,
conocido como frente óptimo de Pareto [34]. Para la selección de
alguna de las soluciones ofrecidas, se debe contar con la opinión de un
experto en la temática (operador de red) o emplear una técnica de
toma de decisiones. Usualmente este tipo de función se utiliza cuando se
requiere mejorar los aspectos técnicos de la red, con el menor nivel de
inversión posible. Es allí donde aparecen los objetivos en
conflicto.
El modelo matemático del problema, además de contar
con la función objetivo, debe considerar las restricciones que lo representan.
Estas tienen que ser evaluadas para cada posible solución del problema.
Dentro de las restricciones técnicas en los SD se encuentran balances de
potencia activa y reactiva, límites de voltajes, límites de
potencia inyectada por la GD y capacidad de transporte en las líneas
[35]. Vale la pena destacar que si alguna solución no cumple todo el
conjunto de restricciones, debe ser descartada o, en su defecto, habrá que
plantear una penalización dentro de la función objetivo.
2.2. Métodos
de optimización implementados para ubicar y dimensionar GD
Al momento de integrar GD en los sistemas de distribución,
hay que tener claro el escenario donde se trabajará. Los escenarios de
prueba para la integración de GD parten de las diferentes combinaciones
posibles entre ubicación, tamaño, tecnología y
número de unidades de GD, que puede ser simple (una unidad) o
múltiple (instalación de dos o más unidades de GD) [11],
[33]. Según el tipo de escenario, se requiere una técnica
binaria, continua o una combinación de ambas, para dar solución
al modelo matemático descrito en la sección 2.1. En la literatura
existen diversos métodos y técnicas [32], [36], cuya
clasificación y algunos estudios realizados se muestran a
continuación.
2.2.1.
Métodos analíticos
Utilizan un modelo matemático como la representación
del sistema, evaluándolo con una solución numérica directa
[37], la cual puede ser desarrollada por un software de optimización
comercial. Ofrecen la ventaja de tener un tiempo computacional corto, son
simples y precisos. Sin embargo, cuando el problema es complejo, su
solución no es tan precisa. Diferentes autores han aplicado este
método al problema de integración óptima de GD, como los
que se presentan a continuación:
·
·
Gopiya
et al. [39], en
2015, presentaron un enfoque analítico para la integración de GD,
en busca de reducir las pérdidas de potencia activa y reactiva en la
red. Su metodología inicia buscando el nivel de potencia activa y
reactiva nodal que más beneficie a la red, seleccionando como nodos
candidatos los que presentaron el mayor impacto positivo al sistema. Esta
metodología se utiliza para ubicar uno o varios generadores y fue
validada en los sistemas de 33 y 69 nodos, aplicando diferentes escenarios de
prueba. Los mejores resultados presentaron una reducción del 69,55 % y
89,89 %.
·
·
Mahmoud
et al. [35], en
2016, propusieron un método analítico para la ubicación óptima
de múltiples unidades de GD y un flujo óptimo de potencias para
su dimensionamiento; esto con el fin de reducir las pérdidas de
energía. Se imple-mentaron diferentes escenarios para la
evaluación del impacto de GD. La técnica fue probada en los
sistemas de 33 y 69 nodos, y se encontró como mejor solución
entre los diferentes escenarios una reducción del 65,5 % para el sistema
de 33 nodos y del 71,56% para el sistema de 69 nodos.
Cabe resaltar que gran parte de los trabajos revisados para los métodos
analíticos no examinan el impacto en los perfiles de tensión del
sistema. Muchos autores no lo hacen debido a que las pérdidas de
energía están estrechamente relacionadas con los perfiles de
tensión nodal, de tal manera que si estas se reducen, los perfiles de
tensión aumentarán. Se debe ser cuidadoso, pues en algunos casos
los perfiles de tensión pueden superar los límites superiores
establecidos por norma.
2.2.2.
Métodos numéricos
También son llamados métodos basados en el cálculo,
y se dividen en dos categorías: métodos directos e indirectos.
Son restringidos a la hora de aplicarlos a problemas reales, debido a la alta
complejidad que presentan; sin embargo, son eficientes en problemas sencillos.
Para solucionar el problema de GD en el SD, los métodos más
utilizados son [34]: programación
lineal [40], programación
no lineal [41], programación
dinámica [42], programación
entera [43] y
programación estocástica [44].
Dentro de los diferentes trabajos existentes en la literatura se
encuentra el realizado por Khoa et al. [45], que presenta un algoritmo basado en el
método primario de doble punto interior para resolver problemas no
lineales del flujo de potencia óptimo. El objetivo principal es
optimizar la ubicación y el tamaño de la GD para resolver el
problema de la reducción de las pérdidas de energía. Para
validar su metodología implementan un sistema de 10 y 42 nodos. Este
artículo presenta sus resultados al analizar las pérdidas de cada
línea.
En el estudio realizado por Kaur et al. [46] inicialmente
se preseleccionan los nodos candidatos a partir de un modelo de pérdida
de sensibilidad combinado (Combined Loss Sensitivity [CLS]). Para la
integración óptima (ubicación y dimensionamiento), se
utilizan la técnica de Programación Secuencial Cuadrática
(Sequential Quadratic Programming [SQP]) y el algoritmo de ramificación y
acotación (Branch and bound
[B&B]). Se utiliza como objetivo la minimización de pérdidas
del sistema, a partir de las cargas pico. La metodología propuesta fue
probada en los sistemas de 33 y 69 nodos, y comparada con las técnicas
de flujo de carga exhaustivo (Exhaustive Load Flow [ELF]), mejora analítica (Improved
Analytical [IA]) y Particle
Swarm Optimization (PSO).
En el sistema de 33 nodos, se logra una reducción de pérdidas del
86,1 %, y se integran dos unidades de GD, con el valor de potencia inyectada
mínima (2765 MVA). Para el sistema de 69 nodos, el método
propuesto muestra un mejor rendimiento al momento de integrar múltiples
unidades de GD (con inyección de potencia activa y reactiva), con una
reducción de pérdidas del 98,1 %.
Keane et al. [47] desarrollan
una metodología basada en programación lineal para determinar la
ubicación y el dimensionamiento óptimos de GD con respecto a
restricciones de tipo técnico. Se utiliza la interdependencia de los
nodos con respecto al conjunto de restricciones. El objetivo es maximizar la
generación entregada desde GD, teniendo en cuenta las siguientes
restricciones: corriente nominal de las líneas, capacidad de transformadores,
niveles máximos de corriente de cortocircuito en equipos, límites
de tensión en los nodos, límites de energías renovables
disponibles, entre otras. La metodología fue probada en una
sección de la red de distribución de Irlanda, compuesta por
alimentador (38/110 kV) y cinco nodos. Se evaluaron
dos escenarios, el primero plantea la inyección desde el nodo más
alejado del alimentador. Se parte de un valor inicial de capacidad de GD
instalada. La máxima capacidad instalada de GD es de 11.20MW, ubicada en
los nodos tres y seis. Para el segundo escenario, sin predeterminar una
ubicación y tamaño iniciales, se tiene una generación
total de GD de 22.74MW, distribuida en los cinco nodos del sistema. En esta
metodología no se tiene en cuenta como función objetivo las
pérdidas del sistema.
2.2.3.
Métodos heurísticos y metaheurísticos
Hacen parte del conjunto de métodos no exactos, que a pesar
de no poseer mecanismos, que garanticen la obtención de la solución
óptima global permiten conseguir buenas soluciones para problemas de
optimización de la vida real, con esfuerzos computacionales aceptables.
El esfuerzo computacional involucra dos aspectos importantes: el tiempo de
cálculo y la cantidad de memoria requerida en el proceso. Una heurística
es un procedimiento simple basado en la experiencia, en el
buen juicio o en la solución de modelos matemáticos reducidos,
que permite encontrar soluciones de buena calidad para problemas complejos del
tipo no polinomiales completos [48].
Los métodos heurísticos son lo más simples y
de bajo nivel, y esto hace que puedan caer en óptimos locales, y alejarse
así de las buenas soluciones. Por esta razón, en la actualidad
son utilizados como punto de inicio de las metaheurísticas
o para reducir el espacio de solución por medio del análisis de indicadores
de sensibilidad, dado que permiten identificar y seleccionar el conjunto de
atributos de mayor impacto para un problema y descartar los demás. Los
indicadores de sensibilidad más utilizados por las técnicas
heurísticas para integración de GD son las sobrecargas en las
líneas, los límites de tensión nodal, el índice de
estabilidad de tensión, entre otros [12], [13], [49].
Las técnicas metaheurísticas
guían y modifican las operaciones de heurísticas subordinadas
para producir soluciones de alta calidad de manera eficiente, empleando
estrategias de búsqueda exitosas y algoritmos bioinspirados.
Algunas de las técnicas mono-objetivo más empleadas son:
algo-ritmo genético [50], enjambre
de partículas [51], recocido
simulado [52], búsqueda
tabú [53], algoritmos
inmunes [54], colonia
de hormigas [55], enjambre
de abejas [56], entre
otros. Dentro las técnicas multi-objetivo, las
más conocidas y empleadas son: algo-ritmo de ordenamiento no dominado
(NSGA, por sus siglas en inglés) [57] y el
algoritmo caótico artificial colonia de abejas (CABC, de sus siglas en
inglés) [58]. En
la literatura se puede encontrar gran cantidad de trabajos que implementan este
tipo de técnicas en la integración de GD, entre los que se
encuentran los siguientes:
·
·
Kansal et al. [60] presentan
una metodología que permite integrar tres tipos diferentes de GD en el
SD, implementando como función objetivo las pérdidas de energía
eléctrica. Emplean como técnica de solución el algoritmo
PSO. Su trabajo es evaluado a través del uso de los sistemas de prueba
de 33 y 69 nodos, con lo cual se logra una reducción máxima en
las pérdidas de energía del 67,79 % y del 89,69 %,
respectivamente. Adicionalmente, analizan el impacto en los perfiles de tensión
y comparan su técnica con otras como Colonia Artificial de Abejas (Artificial
Bee Colony [ABC]) y GA,
aplicadas en otras publicaciones. Los niveles de potencia inyectados son
superiores al del nodo slack en el caso base.
·
En [55], los
autores aplican la técnica de Optimización de Colonia de Hormigas
(Ant Colony Optimization [ACO]) para la integración optima de GD, buscando la reducción en las
pérdidas de energía. La metodología fue validada en los
sistemas IEEE de 12 y 15 nodos, con pérdidas de energía del 84,66
% y el 75,68 %, respectivamente. Aquí no se realiza un análisis
en el impacto en los perfiles de tensión, y se implementa un único
generador con una inyección de potencia activa cercana al valor de la
inyectada por el nodo slack.
·
Mohandas et al. [58] presentan
una metodología para la integración de múltiples unidades
de GD, utilizando el Indice de Rendimiento Multi-objetivo (Multi Objective Performance Index [MOPI]),
para mejorar la estabilidad de la tensión del SD. El problema es resuelto
implementando el algoritmo Caótico Artificial de Colonia de Abejas (Caotic Artificial Bee Colony [CABC]). La eficacia del algoritmo propuesto se valida
mediante el ensayo de los sistemas de prueba de 38 y 69 nodos. En este trabajo,
se considera únicamente inyección de potencia activa por parte de
los GD, el modelo de carga de potencia constante, y se plantean escenarios con
otros modelos de carga dependientes de la tensión, como el industrial,
residencial y comercial. Con esto se presentan mejoras en los índices de
tensión para los diferentes escenarios de prueba. Dentro de los casos analizados
anteriormente, los autores no tienen en cuenta el costo de los GD.
2.2.4.
Métodos híbridos
·
Los métodos híbridos permiten potenciar las técnicas
metaheurísticas mediante la combinación
de dos o más de estas, para la búsqueda de la solución de
un problema. Estos métodos brindan una solución de buena calidad,
cercana o igual a la óptima. Son muy implementados debido a las
características del problema aquí tratado, dado que la
ubicación presenta una característica binaria y el dimensionamiento
una continua. En la mayoría de los documentos analizados en la
sección anterior, se implementa una técnica metaheurística
para la ubicación y un flujo óptimo para el dimensionamiento de
los generadores. Esto hace que el dimensionamiento esté atado a la
función objetivo del programa que aplica el flujo, que por lo general
tiene en cuenta solo la reducción de pérdidas de energía,
lo que puede limitar la búsqueda a óptimos locales. Dentro de los
trabajos que se encuentran en la literatura que aplican métodos
híbridos, se encuentra los siguientes:
·
Grisales et al. en [15] implementan
un GA para la ubicación y el algoritmo PSO para el dimensionamiento de
tres tipos diferentes de tecnologías de GD. Presentan una función
multi-objetivo ponderada, a partir de las
pérdidas de energía, el error cuadrático de tensión
y los costos de los generadores. Para validar la metodología se
evaluaron los sistemas de 33 y 69 nodos, con una reducción de las
pérdidas de energía del 56,77 % y el 63,54 %, y del error
cuadrado de tensión del 80,49 % y 82,08 %. Se presenta un nivel de
inversión para cada uno de los casos de USD$1993667 y USD$2386349,
respectivamente.
·
·
Kefayat et al. [56] presentan
un híbrido entre los algoritmos ACO y ABC, el primero encargado de la
ubicación y el segundo del dimensionamiento de los GD, lo que permite
instalar desde uno hasta siete generadores eólicos en el sistema. Se
implementó una función multi-objetivo ponderada,
que busca la reducción de potencia activa y reactiva, emisiones de CO2
costos de inversión y mejora del índice de estabilidad de tensión.
Se tiene en cuenta la incertidumbre de la generación eólica y la
carga. Para validar la metodología se implementaron los sistemas de 33 y
69 nodos, con diferentes valores en los pesos de ponderación de la
función objetivo; con esto se obtuvieron diversos escenarios de prueba
para cada caso. Como mejor solución se logró una reducción
del 69,90 % para las pérdidas de energía en el
sistema de 33 nodos con una instalación de siete generadores y
una de reducción del 71,33% para el sistema de 69 nodos instalando tres
generadores. Dentro de las tablas mostradas por los autores se puede analizar
el impacto en las otras funciones objetivo; en todos se obtuvo impactos
positivos.
·
·
Kansal et al. [61] presentan
un enfoque híbrido para la ubicación de múltiples unidades
de GD e implementan diferentes tipos de inyección de potencia al
sistema. Para esto se utilizó la técnica de optimización
PSO y un método analítico para el dimensionamiento de los
generadores. Como función objetivo, presenta la reducción de
pérdidas de energía en el SD. La técnica fue validada en
los sistemas de 33 y 69 nodos, con lo que se logra una reducción
máxima entre los diferentes escenarios planteados del 94,45 % y 98,1 %,
respectivamente; se presentan niveles de penetración de GD demasiados
altos, por encima de la potencia generada por el nodo slack.
Adicional a esto, los autores demuestran que se obtienen mejoras en los
perfiles de tensión y factor de potencia del sistema, de forma
indirecta.
·
·
Se puede concluir a partir del análisis realizado, para los
métodos y técnicas de optimización planteados,
que las funciones objetivo más implementadas en la literatura son la
reducción de pérdidas de energía y la mejora de los
perfiles de tensión. Por lo general, no se incluyen los costos de
inversión y operación de los generadores, hecho que impide
realizar un análisis de la recuperación de la inversión en
un plazo determinado. Vale la pena destacar la dificultad para recuperar la
inversión a corto plazo en un proyecto GD, solo teniendo en cuenta la
reducción de pérdidas de energía. Se recomienda analizar
los incentivos económicos para la integración de este tipo de
tecnologías en el SD, dados al mejoramiento de las condiciones
operativas y la disminución de CO2 ofrecidos por los entes reguladores
de cada país.
·
·
La presentación de los tiempos de cómputo no se realiza
en la mayoría de los documentos, porque cuando se realiza la planeación
de un sistema de distribución, este se hace para un periodo largo (de
cinco a diez años). Esto hace que el tiempo de cómputo no sea una
variable crítica para la mayoría de los autores, pues estos
análisis no se realizan en tiempo real. En los casos que se indican, es
utilizado para comparar la eficiencia entre diferentes técnicas de
optimización. Cabe decir que se debe ser cuidadoso al momento de
comparar, dado que entre una técnica y otra se encuentra una amplia
diferencia entre su complejidad y espacio de solución analizado.
3. Investigaciones futuras
Las tendencias en investigación
para resolver el problema de ubicación y dimensionamiento óptimo
de GD apuntan a las siguientes temáticas:
·
Introducción de incertidumbres al modelo
matemático: parten del conocimiento de cómo se comporta el
sistema e incluyen parámetros inciertos, como generación por
fuentes renovables, variación de la carga y precios de la energía
[67].
·
Con lo anterior se busca un modelo que represente de manera más
realista el comportamiento estocástico del SD. Gestión activa de
la red: referente a la operación activa del sistema de distribución,
lo que implica la inversión en sistemas de comunicación y control
que permitan obtener información en tiempo real sobre la
operación de la red y de las unidades de GD que se encuentran conectadas
[68], [69].
·
Métodos de optimización: los nuevos desarrollos apuntan
a la creación de híbridos entre las diferentes técnicas
aquí tratadas, de manera que se permitan resolver el problema de
ubicación (binario) y dimensionamiento (continuo), con el mínimo
esfuerzo computacional (memoria y tiempo) [70].
4. CONCLUSIONES
La integración de GD puede verse como una ayuda al sistema
de distribución desde dos tópicos: permite suplir el aumento de
la demanda, utilizando los activos existentes, y además puede impactar
de forma positiva las condiciones operativas de la red, siempre y cuando se
realice una adecuada ubicación y dimensionamiento de los generadores.
Para su integración se debe tener en cuenta la necesidad técnica
o económica por parte del OR o agente interesado, el modelo
matemático del problema y la técnica de optimización por
implementar. La interpretación de los resultados obtenidos depende del
modelo de la carga utilizado, puesto que, según el modelo aplicado, se
estará analizando una hora específica o un panorama del tiempo.
Al momento de integrar GD se deben considerar, además de los
aspectos técnicos, los costos asociados. Dentro de los artículos aquí
revisados se encontró que gran parte de los autores se enfoca solamente
en los temas técnicos de la red, sin importar el costo que tiene
asociado a la integración de GD (inversión y operación),
ni los incentivos económicos brindados por los entes reguladores. Ambos
contextos son importantes al momento de evaluar la tasa de inversión de
retorno, que en muchos casos puede definir la viabilidad de un proyecto.
Muchos autores proponen inyectar altos niveles de potencias a través
de GD, a veces por encima de la potencia entregada por el generador principal
en el caso base (sin GD). Esto hace que las soluciones entregadas por sus
metodologías no puedan ser llevadas a una aplicación real. Por
tanto, se debe restringir la capacidad máxima de GD instalada en el SD,
a la potencia demanda más las pérdidas del sistema. Adicional a
esto, es importante realizar un estudio de la capacidad de generación de
energía por cada tipo de tecnología de GD ubicada en el sistema.
Los sistemas de prueba más utilizados fueron el de 33 y 69
nodos, puesto que presentan altos niveles de pérdidas de energía
y violaciones tensiones nodales; además, permiten apreciar con mayor
claridad el impacto de las metodologías empleadas.
Al realizar una revisión del estado del arte sobre la integración
de GD, se encontró que los escenarios de prueba nacen de la
combinación de su ubicación y dimensionamiento, utilizando como
la mejor alternativa el análisis de múltiples unidades de GD. Por
lo general, el tipo de carga modelado es mono-nivel y las funciones objetivo
más utilizadas son la disminución de pérdidas de energía
y las mejoras en los perfiles de tensión, siendo las técnicas de
optimización metaheurísticas las
más implementadas en los últimos años.
REFERENCIAS
[1] P. P. Barker, R. W. de Mello, "Determining the impact of distributed
generation on power systems. I. Radial distribution systems," en Power Engineering Society Summer Meeting (Cat. No.00CH37134),
vol. 3, pp. 1645-1656, 2000. https://doi.org/10.1109/PESS.2000.868775 .
[2] E. K. Bawan, "Distributed Generation
Impact on Power System Case study: Losses and Voltage Profile," en 2012 22nd Australasian Universities Power Engineering Conference
(AUPEC), pp. 1-12, 2012.
[3] P. Prakash, D. K. Khatod,
"Optimal sizing and siting techniques for distributed generation in
distribution systems: A review," Renewable and
Sustainable Energy Reviews, vol. 57, pp. 111-130, 2016. https://doi.org/10.1016/j.rser.2015.12.099
.
[4] A. J. Bazurto Cubillos, et al, "Perspectiva
del transformador de distribución en redes eléctricas con alta
penetración de generación distribuida y vehículos
eléctricos," Ciencia e Ingeniería
Neogranadina, vol. 26, no. 2, pp. 35-48, 2016. https://doi.org/10.18359/rcin.1710 .
[5] M. Barnes, et al., "Real-World Micro-Grids-An
Overview," en IEEE International Conference on System
of Systems Engineering, pp. 97-105, San Antonio, TX, Estados
Unidos, 16-18 Abril 2007. https://doi.org/10.1109/sysose.2007.4304255 .
[6] N. Hatziargyriou, et
al., "Microgrids," IEEE Power and Energy Magazine, vol. 5, no. 4, pp. 78-94,
2007. https://doi.org/10.1109/MPAE.2007.376583
.
[7] S. Morozumi,
"Micro-grid Demonstration
Projects in Japan," en
2007 Power Conversion
Conference, pp. 635-642, Nagoya, Japan, 2-5 Abril, 2007. https://doi.org/10.1109/PCCON.2007.373032
.
[8] Congreso de Colombia, "Ley
N° 1715 del 13 de mayo de 2014," UPME. [En
Linea]. Disponible en: http://wsp.presidencia.gov.co/Normativa/Leyes/Documents/LEY%201715%20DEL%2013%20DE%20MAYO%20DE%202014.pdf
.
[9] Unidad de Planeación
Minero Energética [UPME]. Integración de las
energías renovables no convencionales en Colombia. Bogotá:
La Imprenta Editores S.A, 2015.
[10] N. Jenkins, J.B. Ekanayake, G. Strbac. Distributed Generation.
London, United Kingdom: The Institution of Engineering and Technology, 2010.
https://doi.org/10.1049/pbrn001e.
[11] M. Kumawat, et al.,
"Optimal distributed generation placement in power distributed networks: A
review," en 2015 International Conference on
Electrical, Electronics, Signals, Communication and Optimization (EESCO),
Visakhapatnam, India, 24-25 Ene. 2015.
https://doi.org/10.1109/EESCO.2015.7254023 .
[12] I. F. Prado, L. P. Garces, "Chu-Beasley
genetic algorithm applied to the allocation of distributed generation," en
2013 IEEE PES Conference on Innovative Smart Grid
Technologies (ISGT Latin America), pp. 1-7, Sao Paulo, Brazil, 15-17
Abr. 2013. https://doi.org/10.1109/ISGT-LA.2013.6554425 .
[13] M. Sedighi, et al.,
"Sitting and sizing of distributed generation in distribution network to
improve of several parameters by PSO algorithm," en 2010
9th International Power and Energy Conference, IPEC 2010, pp. 1083-1087,
Singapore, Singapore, 27-29 Oct. 2010. https://doi.org/10.1109/IPECON.2010.5696977 .
[14] B. Venkatesh, et al.,
"Optimal reconfiguration of radial distribuion system
using artificial intelligence methods," en 2009 IEEE Toronto
International Conference Science and Technology for Humanity (TIC-STH), pp.
660-665, Toronto, ON, Canada, 26-27 Sept. 2009. https://doi.org/10.1109/TIC-STH.2009.5444417 .
[15] L. F. Grisales, et
al., "Optimal location and sizing of Distributed Generators using a
hybrid methodology and considering different technologies," 2015 IEEE 6th Latin American Symposium on Circuits & Systems
(LASCAS), Montevideo, Uruguay, 24-27 Feb. 2015. https://doi.org/10.1109/LASCAS.2015.7250486 .
[16] M. B. Jannat, A. S. Savic,
"Optimal capacitor placement in distribution networks regarding
uncertainty in active power load and distributed generation units
production," IET Generation, Transmission & Distribution,
vol. 10, pp. 3060-3067, 2016. https://doi.org/10.1049/iet-gtd.2016.0192 .
[17] J. Posso,
et al., "Planeamiento de redes de baja tensión,
utilizando un modelo trifásico," Ciencia e
Ingeniería Neogranadina, vol. 21, no. 2, pp. 41-56, 2011. https://doi.org/10.18359/rcin.259 .
[18] D. D. Lucache, et
al., "Economic apraisal of optimal
location and sizing of capacitors in radial distribution systems using
PSO," en 2014 International Conference on Applied and
Theoretical Electricity (ICATE), Craiova, Romania, 23-25 Oct. 2014. https://doi.org/10.1109/ICATE.2014.6972626 .
[19] S. Yoshizawa, et al.,
"Novel voltage control of multiple step voltage regulators in a distribution
system," en 2014 IEEE PES on Innovative Smart Grid Technologies
Conf. (ISGT), Washington, D.C., Estados Unidos, 19-22 Feb. 2014. https://doi.org/10.1109/ISGT.2014.6816463
.
[20] T. Ackermann, et al., "Distributed
generation: a definition," Electric Power Systems Research,
vol. 57, pp. 195-204, 2001.
[21] T. Ackermann, "What Matters for Successful Integration of Distributed
Generation Energynautics Areas of Expertise," en
Future Challenges for Electricity Security - IEA Workshop,
Paris, France, 1 Oct. 2013. [En línea]. Disponible en: https://www.iea.org/workshops/future-challenges-for-electricity-security.html
.
[22] International Conference on Large Electric Systems [CIGRE], "SC
C6 Distribution Systems and Dispersed Generation," s. f. [En línea]. Disponible en: http://www.cigre.org/Technical-activities/Study-Committees-Working-Groups/SC-C6-Distribution-Systems-and-Dispersed-Generation
.
[23] A. Rezaee Jordehi,
"Allocation of distributed generation units in electric power systems: A
review," Renewable and Sustainable Energy Reviews
, vol. 56, pp. 893-905, 2016. https://doi.org/10.1016/j.rser.2015.11.086 .
[24] K. Balamurugan, et
al., "Impact of Distributed Generation on Power Distribution
Systems," Energy Procedia,
vol. 25, pp. 93-100, 2012. https://doi.org/10.1016/j.egypro.2012.07.013 .
[25] V. V. S. N. Murty, A. Kumar, "Optimal
placement of DG in radial distribution systems based on new voltage stability
index under load growth," International Journal of
Electrical Power & Energy Systems, vol. 69, pp. 246-256, 2015. https://doi.org/10.1016/j.ijepes.2014.12.080 .
[26] Z. Sun, X. Zhang, "Advances on Distributed Generation Technology,"
Energy Procedia , vol.
17, pp. 32-38, 2012. https://doi.org/10.1016/j.egypro.2012.02.058 .
[27] A. Yadav, L. Srivastava,
"Optimal placement of distributed generation: An overview and key
issues," en 2014 International Conference on Power
Signals Control and Computations (EPSCICON),Thrissur,
India, 6-11 Ene. 2014. https://doi.org/10.1109/EPSCICON.2014.6887517 .
[28] J. A. Hernandez, et al., "Analysis
of the effect of the implementation of photovoltaic systems like option of distributed
generation in Colombia," Renewable and Sustainable
Energy Reviews , vol. 15, pp. 2290-2298. https://doi.org/10.1016/j.rser.2011.02.003 .
[29] J. Grainger, W. Stevenson. Power System
Analysis. Nueva
York, Estados Unidos: McGraw-Hill, 1994.
[30] S. Ghosh, et al., "Optimal sizing
and placement of distributed generation in a network system," International Journal of Electrical Power & Energy Systems
, vol. 32, pp. 849-856. https://doi.org/10.1016/j.ijepes.2010.01.029 .
[31] S. Kansal, et al.,
"Optimal placement of different type of DG sources in distribution
networks," International Journal of Electrical Power
and Energy Systems, vol. 53, pp. 752-760. https://doi.org/10.1016/j.ijepes.2013.05.040
.
[32] R. A. Gallego, et al. Técnicas meta-heurísticas
de optimización (2da. Ed.). Pereira,
Colombia: Universidad Tecnológica de Pereira,
2008.
[33] P. S. Georgilakis, N. D. Hatziar-gyriou, "Optimal Distributed Generation
Placement in Power Distribution Networks: Models, Methods, and Future
Research," IEEE Transactions on Power Systems,
vol. 28, pp. 3420-3428. https://doi.org/10.1109/TPWRS.2012.2237043 .
[34] S. S. Rao. Engineering
Optimization: Theory and Practice (4ta. Ed.). Ho-boken,
NJ. Estados Unidos: John
Wiley & Sons, Inc., 2009.
[35] K. Mahmoud, et al., "Optimal Distributed
Generation Allocation in Distribution Systems for Loss Minimization," IEEE Transactions on Power Systems, vol. 31, pp. 960-969,
2016. https://doi.org/10.1109/TPWRS.2015.2418333 .
[36] S. P. Karthikeyan, et
al., "A review on soft computing techniques for location and sizing
of distributed generation systems," en 2012
International Conference on Computing, Electronics and Electrical Technologies
(ICCEET), pp. 163-167, Kumaracoil, India,
21-22 Mar. 2012. https://doi.org/10.1109/ICCEET.2012.6203882 .
[37] C. Wang, M. H. Nehrir, "Analytical
Approaches for Optimal Placement of Distributed Generation Sources in Power
Systems," IEEE Transactions on Power Systems,
vol. 19, pp. 2068-2076, 2004. https://doi.org/10.1109/tpwrs.2004.836189 .
[38] T. Gözel, M. H. Hocaoglu,
"An analytical method for the sizing and siting of distributed generators
in radial systems," Electric Power Systems Research,
vol. 79, pp. 912-918, 2009. https://doi.org/10.1016/j.epsr.2008.12.007 .
[39] S. N. Gopiya Naik,
et al., "Analytical approach for optimal
siting and sizing of distributed generation in radial distribution
networks," IET Generation, Transmission & Distribution,
vol. 9, pp. 209-220, 2015. https://doi.org/10.1049/iet-gtd.2014.0603 .
[40] B. Singh, et al., "A survey on impact
assessment of DG and FACTS controllers in power systems," Renewable and Sustainable Energy Reviews, vol. 42, pp. 846-882,
2015. https://doi.org/10.1016/j.rser.2014.10.057 .
[41] S. Porkar et al.,
"Optimal allocation of distributed generation using a two-stage
multi-objective mixed-integer-nonlinear programming," European Transactions on Electrical Power, vol. 21, pp.
1072-1087, 2011. https://doi.org/10.1002/etep.497 .
[42] N. Khalesi et al.,
"DG allocation with application of dynamic programming for loss reduction
and reliability improvement," International Journal
of Electrical Power & Energy Systems, vol. 33, pp. 288-295, 2011. https://doi.org/10.1016/j.ijepes.2010.08.024 .
[43] J. D. Foster et al., "Comparison of
Mixed-Integer Programming and Genetic Algorithm Methods for Distributed Generation
Planning," IEEE Transactions on Power Systems,
vol. 29, pp. 833-843, 2014. https://doi.org/10.1109/TPWRS.2013.2287880 .
[44] Z. Zhou et al., "A two-stage stochastic
programming model for the optimal design of distributed energy systems," Applied Energy, vol. 103, pp. 135-144. https://doi.org/10.1016/j.apenergy.2012.09.019 .
[45] T. Q. D. Khoa et al.,
"Optimizing Location and Sizing of Distributed Generation in Distribution
Systems," en 2006 IEEE PES Power Systems Conference
and Exposition, pp. 725-732, Atlanta, GA, Estados
Unidos, 29 Oct.-1 Nov. 2006. https://doi.org/10.1109/PSCE.2006.296407 .
[46] S. Kaur et al.,
"A MINLP technique for optimal placement of multiple DG units in
distribution systems," International Journal of
Electrical Power and Energy Systems, vol. 63, pp. 609-617, 2014. https://doi.org/10.1016/j.ijepes.2014.06.023 .
[47] A. Keane, M. O'Malley, "Optimal Allocation of Embedded Generation
on Distribution Networks," IEEE Transactions on Power
Systems, vol. 20, pp. 1640-1646, 2015. https://doi.org/10.1109/TPWRS.2005.852115
.
[48] R. Gallego, et al. Técnicas metaheurísticas
de optimización. Pereira, Colombia: Universidad Tecnológica de Pereira,
2008.
[49] D. N. Hussein et al., "Optimal Sizing and Siting ofDistributed Generation," en
International Middle East Power System Conference,
2006.
[50] P. C. Chu, J. E. Beasley, "A genetic algorithm for the generalised assignment problem," Computers
& Operations Research, vol. 24, no. 1 pp. 17-23, 1997. https://doi.org/10.1016/S0305-0548(96)00032-9 .
[51] M. T. A. Y. Mohammadi, M. Faramarzi, "PSO algorithm for Sitting and Sizing of
Distributed Generation to Improve Voltage Profile and Decreasing power
losses," en Procedings of 17th Conference on Electrical Power Distribution Networks
(EPDC), Tehran, Iran, 2-3 May, 2012.
[52] A. K. Barnes et al., "Placement of
energy storage coordinated with smart PV inverters," en 2012 IEEE PES Innovative Smart Grid Technologies (ISGT), Washington,
D.C., Estados Unidos, 16-20
Ene. 2012. https://doi.org/10.1109/ISGT.2012.6175665 .
[53] D. Zhang et al., "An improved TS algorithm
for loss-minimum reconfiguration in large-scale distribution systems," Electric
Power Systems Research , vol. 77, pp. 685-694, 2007 https://doi.org/10.1016/j.epsr.2006.06.005.
[54] M. Junjie et al.,
"Size and Location of Distributed Generation in Distribution System Based
on Immune Algorithm," Systems Engineering Procedia, vol. 4, pp. 124-132, 2012. https://doi.org/10.1016/j.sepro.2011.11.057 .
[55] B. Sookananta et al.,
"Determination of the optimal location and sizing of Distributed
Generation using Ant Colony Search," en 2010
International Conference on Electrical Engineering/Electronics Computer
Telecommunications and Information Technology (ECTI-CON), Chiang Mai,
Thailand, 19-21 May. 2010.
[56] M. Kefayat et al.,
"A hybrid of ant colony optimization and artificial bee colony algorithm
for probabilistic optimal placement and sizing of distributed energy
resources," Energy Conversion and Management,
vol. 92, pp. 149-161, 2015. https://doi.org/10.1016/j.enconman.2014.12.037 .
[57] M. Moeini-Aghtaie et
al., "Optimal Distributed Generation placement in a restructured
environment via a multi-objective optimization approach," en 16th Electrical Power Distribution Conference, Bandar
Abbas, Iran, 19-20 Abril 2011.
[58] N. Mohandas et al., "Optimal location
and sizing of real power DG units to improve the voltage stability in the
distribution system using ABC algorithm united with chaos," International Journal of Electrical Power Energy Systems,
vol. 66, pp. 41-52, 2015.
[59] A. R. R. de Sousa et al., "Sensitivity
analysis to connect distributed generation," International
Journal of Electrical Power Energy Systems , vol. 46, pp. 145-152, 2013.
http://dx.doi.org/10.1016/j.ijepes.2012.10.004 .
[60] S. Kansal et al.,
"Optimal placement of different type of DG sources in distribution
networks," International Journal of Electrical Power
and Energy Systems, vol. 53, pp. 752-760, 2013. https://doi.org/10.1016/j.ijepes.2013.05.040 .
[61] S. Kansal et al.,
"Hybrid approach for optimal placement of multiple DGs of multiple types
in distribution networks," International Journal of
Electrical Power Energy Systems, vol. 75, pp. 226-235, 2016. https://doi.org/10.1016/j.ijepes.2015.09.002 .
[62] A. Bayat et al.,
"Optimal siting and sizing of distributed generation accompanied by
reconfiguration of distribution networks for maximum loss reduction by using a
new UVDA-based heuristic method," International
Journal of Electrical Power & Energy Systems, vol. 77, pp. 360-371,
2016. https://doi.org/10.1016/j.ijepes.2015.11.039 .
[63] A. M. Tahboub et al.,
"Distribution System Reconfiguration for Annual Energy Loss Reduction Considering
Variable Distributed Generation Profiles," IEEE
Transactions on Power Delivery, vol. 30, pp. 1677-1685, 2015. https://doi.org/10.1109/TPWRD.2015.2424916 .
[64] F. Ding, K. A. Loparo, "Feeder
Reconfiguration for Unbalanced Distribution Systems WithDistributed
Generation: A Hierarchical Decentralized Approach," IEEE
Transactions on Power Systems, vol. 31, pp. 1633-1642, 2016. https://doi.org/10.1109/TPWRS.2015.2430275 .
[65] S. W. Alnaser, L. F. Ochoa, "Optimal
Sizing and Control of Energy Storage in Wind Power-Rich Distribution
Networks," IEEE Transactions on Power Systems,
vol. 31, pp. 2004-2013, 2016. https://doi.org/10.1109/TPWRS.2015.2465181 .
[66] A. Saif et al.,
"Optimal allocation of distributed energy resources through
simulation-based optimization," Electric Power
Systems Research, vol. 104, pp. 1-8, 2013. https://doi.org/10.1016/j.epsr.2013.05.019 .
[67] S. Ganguly, D. Samajpati,
"Distributed Generation Allocation on Radial Distribution Networks Under
Uncertainties of Load and Generation Using Genetic Algorithm," IEEE Transactions on Sustainable Energy, vol. 6, pp.
688-697, 2015. https://doi.org/10.1109/TSTE.2015.2406915 .
[68] V. F. Martins, C. L. T. Borges, "Active distribution network integrated
planning incorporating distributed generation and load response uncertainties,"
IEEE Transactions on Power Systems, vol. 26, pp.
2164-2172, 2011. https://doi.org/10.1109/TPWRS.2011.2122347 .
[69] K. Zare et al.,
"Dynamic planning of distributed generation units in active distribution
network," IET Generation, Transmission & Distribution
, vol. 9, pp. 1455-1463, 2015. https://doi.org/10.1049/iet-gtd.2014.1143 .
[70] M. Vatani et al.,
"Multiple distributed generation units allocation in distribution network
for loss reduction based on a combination of analytical and genetic algorithm methods,"
IET Generation, Transmission & Distribution, vol.
10, pp. 66-72, 2016. https://doi.org/10.1049/iet-gtd.2015.0041 .
Notas de autor
* Ingeniero electricista y magíster
en Ingeniería. Docente ocasional e investigador del grupo MATyER, del Instituto Tecnológico Metropolitano,
Medellín, Colombia. Correo electrónico: luisgrisales@itm.edu.co.
ORCID: http://orcid.org/0000-0002-1409-9756.
** Ingeniera electricista y magíster
en Ingeniería. Docente ocasional e investigadora del grupo MATyER, del Instituto Tecnológico Metropolitano,
Medellín, Colombia. Correo electrónico: bonierestrepo@itm.edu.co.
ORCID: http://orcid.org/0000-0001-5276-1651
*** Ingeniero electromecánico.
Docente de cátedra, del Instituto Tecnológico Metropolitano,
Medellín, Colombia. Correo electrónico:
fredyjaramillo97913@correo.itm.edu.co. ORCID: http://orcid.org/0000-0001-7878-6291
HTML generado por Redalyc a partir de XML-JATS4R