Despacho Optimizacion PDF

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
𝑣 −𝑣 𝑘
𝑘
𝑐
𝑃𝑤𝑡 = 𝑃𝑅 , 𝑣𝑐 ≤ 𝑣 ≤ 𝑣𝑅
𝑣𝑘 𝑘
𝑅−𝑣 𝑐 (2.1)
𝑃𝑤𝑡 = 𝑃𝑅 , 𝑣𝑅 < 𝑣 < 𝑣𝐹
𝑃𝑤𝑡 = 0 𝑣 > 𝑣𝐹
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
3 2
𝑃𝑤𝑡 = 𝑎𝑣 + 𝑏𝑣 + 𝑐𝑣 + 𝑑 , 𝑣𝑐𝑖 ≤ 𝑣 ≤ 𝑣𝑅
(2.2)
𝑃𝑤𝑡 = 𝑃𝑤𝑡 ,𝑅 , 𝑣 𝑅 < 𝑣 ≤ 𝑣𝐹
𝑃𝑤𝑡 = 0 𝑣 > 𝑣𝐹
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 = 𝜂𝑔 𝑁𝑝𝑣 𝐴𝑚 𝐺𝑡 (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 = 𝜂𝑟 𝜂𝑝𝑡 [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 = 𝜂𝑝𝑣 𝐴𝑐 𝐼𝑝𝑣 (2.4)
En la cual,
𝐴𝑐 es el área del arreglo, 𝜂𝑝𝑣 es la eficiencia del panel, dada por:
𝐼𝑝𝑣
𝜂𝑝𝑣 = 𝜂𝑟 [1 − 0.9𝛽 (𝐼 )( 𝑇𝑐,𝑁𝑇 − 𝑇𝐴,𝑁𝑇 ) − 𝛽(𝑇𝐴 − 𝑇𝑅 )], donde
𝑝𝑣 ,𝑁𝑇
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 𝜇𝑗 𝑥𝑗
= ∑𝑛 ∑𝑗 (2.5)
𝑑𝑡 𝑌𝑗𝑛
𝑑𝑥𝑗
= 𝜇𝑗 𝑥𝑗 (2.6)
𝑑𝑡
( 𝑑𝑥𝑗 ⁄ 𝑑𝑡)
𝑌𝑗𝑛 = (±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).
2
𝐶𝐷𝐸 = 𝛼 + 𝛽𝑃𝐷𝐸 + 𝛾𝑃𝐷𝐸 (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).
𝑃𝑐 Δ𝑡𝜂𝑐
𝑆𝑂𝐶 (𝑡 ) = (1 − 𝛿 )𝑆𝑂𝐶(𝑡 − 1) − (2.9)
𝐸𝑐
𝑃𝑑 Δ𝑡
𝑆𝑂𝐶 (𝑡 ) = (1 − 𝛿 )𝑆𝑂𝐶(𝑡 − 1) − (2.10)
𝐸𝑐 𝜂𝑑
𝑆𝑂𝐶𝑚𝑖𝑛 ≤ 𝑆𝑂𝐶 (𝑡 ) ≤ 𝑆𝑂𝐶𝑚𝑎𝑥 (2.11)
−𝑃𝐵 𝑚𝑎𝑥 ≤ 𝑃𝐵 ≤ 𝑃𝐵 𝑚𝑎𝑥 (2.12)
𝑆𝑂𝐶𝑒𝑛𝑑 = 𝑆𝑂𝐶𝑠𝑡𝑎𝑟𝑡 + ∑𝑛−1

𝑡=0 𝑃𝐵 ∆𝑡 = 𝑆𝑂𝐶𝑠𝑡𝑎𝑟𝑡 (2.13)
Donde 𝑆𝑂𝐶𝑚𝑖𝑛 es 0.1 que representa los límites mínimo de SOC y el 𝑆𝑂𝐶𝑚𝑎𝑥 o 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 pr esenta 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 𝑥 1 ,𝑥 2,… 𝑥 𝑘. 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 + 𝛽1 𝑥1 + 𝛽2 𝑥 2 + ⋯ + 𝛽𝑘 𝑥 𝑘 + 𝜀 (2.14)
donde 𝑦 representa la carga, 𝑥 𝑖 son los factores que pueden afectar dicha carga, 𝛽𝑖 son
los parámetros de regresión respecto a 𝑥 𝑖 y 𝜀 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 𝑥 𝑖 .
Si se hace 𝑏 𝑖 los estimativos de 𝛽𝑖 , utilizando la ecuación 2.14, se tiene que el valor esti-
mado de carga es: 𝑦̂ = 𝑏 0 + 𝑏 1𝑥1 + 𝑏 2𝑥2 + ⋯ + 𝑏 𝑘𝑥 𝑘. Asumiendo que el valor de la carga
𝑦 y el valor estimado 𝑦̂ tienden a ser iguales, se puede asumir que el término 𝜀 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 𝑏 𝑖 son obtenidos como:
−1
𝐵 = [𝑏 0 𝑏1 … 𝑏 𝑘 ]𝑇 = (𝑋 𝑇 𝑋) 𝑋𝑇 𝑌,
donde 𝑋 y 𝑌 son:
𝑦1 1 𝑥 11 𝑥 12 … 𝑥 1𝑘
𝑦2 1 𝑥 21 𝑥 22 … 𝑥 2𝑘
𝑌=[⋮ ] 𝑋=[ ].
⋮ ⋮ ⋮ ⋮ ⋮
𝑦𝑘 1 𝑥 𝑛1 𝑥 𝑛2 … 𝑥 𝑛𝑘
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
Saravanan et al.,
Corto plazo
2013
Modelos de
gestión Horizonte
temporal
Ahmad Khan et al.,
Largo plazo
2016
Figura 3-1. Modelos de gestión, según horizonte tem poral.
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.
Predicción de 24 horas de: Despacho predictivo con

 Precio energía anticipación
 Generación de RES
Planeación del parque
 Consumo generador
Predicción de corto plazo:

Despacho de corto plazo/
 Precio energía
tiempo real
 Generación de RES
 Consumo Despacho económico
Controladores de nivel de
campo
Figura 3-2. Sistem as 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.
Olivares et al.,
Centralizado
2014
Modelos de
Descentralizado Planas et al., 2013
gestión Jerarquía
Distribuido Chung, 2013
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
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 m odelos 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- Despacho econó- Gestión cen- Gestión descen- Gestión
que generador (UC) mico tralizada de tralizada de fuen- cerca de la
fuentes tes fuente
Predicción y planea- Predicción, planea- Información y Control y gestión Resolver la
ción con un día de ción y operación en operación cen- a nivel local gestión en
anticipación corto plazo/tiempo tralizada de la fuente de
real DER y MR. generación.
(Ahmad Khan et al., (Meng et al., 2016; (Olivares et al., (Planas et al., (Chung,
2016) Saravanan et al., 2014) 2013) 2013)
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 l as 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.
Funciones Objetivo
Costos Costo de
Costos ambientales operacionales y de almacenamiento de Otros
capital energía
Costos de
Emisiones de
Combustibles Carga/descarga frustración/insatisfa
contaminantes
cción
Costo de
Capital/mantenimie Almacenamiento Errores de
tratamiento de
nto horario seguimiento
emisiones
Precio de
Eficiencia de carga y
Encendido/apagado desconexión de
descarga
cargas
Diseño óptimo MR/

Sistema de
Energía de la red dimensión de
almacenamiento
fuentes
Figura 3-4. Funciones objetivo m icro redes. Con inform ación de: (Ahm ad 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.
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) = 𝑐 𝑇 𝑥 (3.1)
Sujeto a:
𝐴𝑥 = 𝑏 (3.2)
𝑥 ≥0 (3.3)
Donde 𝑥 ∈ ℝ𝑛 es el vector de n-variables, 𝑐 𝑇 es 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 op timización, 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 do s 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:
1
𝑓(𝑥) = 2 𝑥 𝑇 𝐻𝑥 + 𝑐 𝑇 𝑥 (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 𝑥 𝑇 𝐻𝑥 ≥ 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 igualda d, como se describe

en la ecuación 3.7.
min 𝑓(𝑥) Sujeto a ℎ(𝑥) = 0 (3.7)

𝑥∈ℝ𝑛
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:
min 𝑓(𝑥) Sujeto a 𝐴𝑥 = 𝑏 (3.8)
𝑥∈ℝ𝑛
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 𝑥̅ ∈ ℝ𝑛−m , eligiendo una matriz 𝐴̅ ∈ ℝ(𝑛−𝑚)×𝑛 y un vector 𝑥 0 tal que
𝐴𝑥 0 = 𝑏 y que 𝐴𝐴̅𝑇 = 0. Luego 𝑥 = 𝑥 0 + 𝐴̅𝑇 𝑥̅ , así que el problema 3.8 puede reescribirse
como un problema no lineal sin restricciones:
min 𝑓(𝑥 0 + 𝐴̅𝑇 𝑥̅ ) (3.9)
𝑥̅∈ℝ𝑛 −m
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).
min 𝑓(𝑥) Sujeto a 𝑔 (𝑥) ≤ 0 (3.10)
𝑥∈ℝ𝑛
En el caso de la eliminación de restricciones de desigualdad, puede ser realizado si existe

una función de mapeo Φ ∶ 𝑥̅ → 𝑥, de tal modo que
{𝑥| 𝑥 = Φ(𝑥̅ ) , 𝑥̅ ∈ 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(𝑥̅)) en el dominio de 𝑥̅ ∈
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 min𝑛 𝑓(𝑥) sujeto a 𝐴𝑥 − 𝑏 ≤ 0, además de un
𝑥∈ℝ
punto inicial 𝑥 𝑘. 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
min( 𝑓(𝑥) + 𝑓𝑣𝑖𝑎𝑏 (𝑥) ) (3.11)
𝑥
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) + 𝜆𝑇 𝑔 (𝑥).
Si se realiza la aproximación de esta función, en el punto 𝑥 𝑘, se obtiene que el lagrangiano

toma la forma:
1
𝐿 (𝑥, 𝜆) ≈ 𝐿 (𝑥𝑘 ,𝜆) + ∇T𝑘 𝐿(𝑥 𝑘 ,𝜆)(𝑥 − 𝑥 𝑘 ) + (𝑥 − 𝑥 𝑘 )𝑇 𝐻𝐿 (𝑥𝑘 ,𝜆)(𝑥 − 𝑥 𝑘 )
2
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 (𝑥 𝑘 ) + ∇T 𝑔(𝑥 𝑘)(𝑥 − 𝑥 𝑘 ). Igualmente, si se escribe 𝑑 = (𝑥 − 𝑥 𝑘 ) y se apro-
̂𝑘, por medio de los algoritmos BFGS o el
xima el Hessiano de la función 𝐿 (𝑥, 𝜆) como 𝐻
algoritmo de Fletcher-Reeves, el problema no lineal con restricciones no lineales se puede
1 ̂𝑘 𝑑 + ∇T 𝑓(𝑥𝑘 )𝑑, sujeto a 𝑔 (𝑥𝑘 ) + ∇ T 𝑔(𝑥𝑘 )𝑑 ≤ 0.
escribir como: min 𝑑 𝑇 𝐻
𝑑 2
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 min𝑛 𝑓(𝑥) sujeto a ℎ(𝑥) = 0.
𝑥∈ℝ
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 fun ciones com-
plejas como el gradiente o el Hessiano.
Tabla 3-2. Algoritm os de solución.
Algoritmo Función de Descripción Métodos de solución

costo
Programación 𝑓(𝑥) = 𝑐 𝑇 𝑥 𝑐 𝑇 : Vector de pesos. Determinístico basado en gradiente
lineal
Programación 𝑓(𝑥) 𝐻: Matriz positiva Solución determinística basada en gra-
cuadrática 1 semi-definida diente y Hessiano.
= 𝑥 𝑇 𝐻𝑥 + 𝑐 𝑇 𝑥
2
Programación 𝑓(𝑥) Función no lineal Newton, cuasi-Newton, dirección y bús-
no lineal 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 𝑓(𝑥) Función no lineal Evaluación aleatoria de la función,
heurísticos 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 eléc trica
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.
Variables
ambientales
(V,G,T)
Sistema de
Demanda de Despacho
gestión óptimo de
energía óptimo MG
MG
Precio energía
Figura 4-1. Sistem a 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 u n 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 realizado 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. Algoritm o de gestión optim a 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 tod os 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.
𝑁 𝑁
2
∑ (𝑎𝑃𝐺𝐸
min 𝐽 = 𝑘 + 𝑏𝑃𝐺𝐸𝑘 + 𝑐) + ∑ 𝐶𝐺 𝑘 𝑃𝐺 𝑘
𝑃𝐺𝐸 , 𝑃𝐺
𝑘=1 𝑘=1
Sujeto a:
𝑃𝐿 = 𝑃𝑃𝑉 + 𝑃𝑊𝑇 + 𝑃𝐺𝐸 + 𝑃𝐺 + 𝑃𝐵𝐴𝑇 (1)

𝑃𝐺𝐸𝑚𝑖𝑛 ≤ 𝑃𝐺 𝐸𝑘 ≤ 𝑃𝐺𝐸𝑚𝑎𝑥 (2)
𝑃𝐺𝑚𝑖𝑛 ≤ 𝑃𝐺 𝑘 ≤ 𝑃𝐺𝑚𝑎𝑥 (3)
𝐸𝐵𝐴𝑇𝑚𝑖𝑛 ≤ 𝐸𝐵𝐴𝑇 ≤ 𝐸𝐵𝐴𝑇𝑚𝑎𝑥 (4)
𝑃𝐺 , 𝑃𝐺𝐸 ≥ 0 (5)
La descripción de las variables se realiza en la Tabla 4-1.

Tabla 4-1. Variables función objetivo.
Variable Descripción
𝑃𝐺 𝐸𝑘 Potencia generada con los grupos electrógenos en el instante k
𝑃𝐺 𝑘 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, d entro 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 𝑃𝐺 𝐸𝑘 ≤ 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.
𝑃𝐺𝐸 1
𝑎 … 0 𝑃𝐺𝐸 2
⋮ ⋱ ⋮ ⋮
0 ⋯ 𝑎 𝑃𝐺𝐸 24
𝐽 = [𝑃𝐺𝐸 1 , 𝑃𝐺𝐸 2 , … , 𝑃𝐺𝐸 24 , 𝑃𝐺 1 , 𝑃𝐺 2 , … , 𝑃𝐺 24 ]
0 𝑃𝐺 1
⋱ 𝑃𝐺 2
[ 0] ⋮
[ 𝑃𝐺 24 ]
𝑃𝐺𝐸 1
𝑃𝐺𝐸 2
⋮
𝑃𝐺𝐸 24
+ [𝑏, 𝑏, … , 𝑏, 𝐶𝐺 1 , 𝐶𝐺 2 , … , 𝐶𝐺 24 ]
𝑃𝐺 1
𝑃𝐺 2
⋮
[ 𝑃𝐺 24 ]
Sujeto a:
𝑃𝐺𝐸 1
𝑃𝐺𝐸 2
⋮ 𝑃𝐿 (1) − 𝑃𝑃𝑉 1 − 𝑃𝑊𝑇 1
1 ⋯ 01 ⋯ 0 𝑃𝐺𝐸 𝑃𝐿 (2) − 𝑃𝑃𝑉 2 − 𝑃𝑊𝑇 2
24
[⋮ ⋱ ⋮ ⋮ ⋱ ⋮] 𝑃 =
𝐺1 ⋮
0 ⋯ 10 ⋯ 1
𝑃𝐺 2 [𝑃𝐿 (24) − 𝑃𝑃𝑉 24 − 𝑃𝑊𝑇 24 ]
⋮
[ 𝑃𝐺 24 ]
𝑃𝐺𝐸 𝑚𝑖𝑛 𝑃𝐺𝐸 1 𝑃𝐺𝐸 𝑚𝑎𝑥

⋮ ⋮ ⋮
𝑃𝐺 𝑚𝑖𝑛 ≤ 𝑃𝐺 1 ≤ 𝑃𝐺 𝑚𝑎𝑥
𝑃𝐺 𝑚𝑖𝑛 𝑃𝐺 2 𝑃𝐺 𝑚𝑎𝑥
⋮ ⋮ ⋮
[ 𝑃𝐺 𝑚𝑖𝑛 ] [ 𝑃𝐺 ] [ 𝑃𝐺 𝑚𝑎𝑥 ]
24
𝐸𝑏𝑎𝑡𝑚𝑖𝑛 𝐸𝑏𝑎𝑡 (1) 𝐸𝑏𝑎𝑡𝑚𝑎𝑥

𝐸𝑏𝑎𝑡𝑚𝑖𝑛 𝐸
[ ] ≤ [ 𝐸𝑏𝑎𝑡 (2) ] ≤ [ 𝑏𝑎𝑡𝑚𝑎𝑥 ]
⋮ ⋮ ⋮
𝐸𝑏𝑎𝑡𝑚𝑖𝑛 𝐸𝑏𝑎𝑡 (24) 𝐸𝑏𝑎𝑡𝑚𝑎𝑥
𝑃𝐺𝐸 1
𝑃𝐺 𝐸 2
⋮ 0
𝑃𝐺𝐸 24 0
𝑃𝐺 1
≥[ ]
⋮
𝑃𝐺 2 0
⋮
[ 𝑃𝐺 24 ]
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 inform ación 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 m icro red propuesta. Figura 4-5. Perfil de velocidad del viento. Fuente: (Bo-
(Open EI, 2016) row y & Salam eh, 1994)
Figura 4-7. Variación precio de energía de la red. Fuente:

Figura 4-6. Radiación solar horaria. Fuente: (Universidad
(independent electricity system operator, 2016)
Nacional de Colom bia & Área Metropolitana del Valle de
Aburrá, 2015)
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. Dinám ica 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. Parám etros 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 aproximadame nte 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 problem a 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 algoritm o 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 sistem a 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 s e 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 m icro 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 en ergía 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 problem a de optim ización MR m odo 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. Desem peño MR escenario m icro 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 dem anda 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 alm acenam iento.

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. Dinám ica 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. Dinám ica 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 predi cción
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-m i-
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.a pen-
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_wor ks-
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 La aparición de nue- Optimizacion particle Incrementar el ta- La MR posee un sis- no se consideran
dispatch of a mi- vas fuentes de ener- swarm optimization maño de la batería tema de almacena- costos iniciales de
crogrid: Mathemati- gia renovables, PSO combinado con puede reducir las miento, instalación de las
cal models and solu- como la eolica y la Monte Carlo para re- pérdidas de potencia tecnologías de
tion algorithm solar, que tienen solver la función ob- del sistema. Cuatro GD, no se realiza
un factor de aleato- jetivo, Operando con casos de estudio (2 un estudio de es-
riedad y que ade- conexión a una red opciones conexión a tabilidad del sis-
más son disconti- o en modo aislado. la red y 2 aislados). tema, no se estu-
nuos, que hacen dia la confiabili-
que se deban dise- dad del sistema
ñar nuevos despa- (ENS, SIFI, SIDI)
chos economicos.
2004 A Fuzzy-Optimiza- La incertidumbre y el Optimización fuzzy Algoritmo de optimi- Mercado no regulado, No se incluyen
tion Approach to Dy- desconocimiento en para resolver un zación fuzzy para predicción de demanda fuentes no con-
namic el manejo de los despacho econó- realizar un despacho y precios de mercado, vencionales de
Economic Dispatch mercados de re- mico dinámico económico diná- Precio de demanda de energía
Considering Uncer- serva y la energía mico, que permite a energía en reserva
tainties no regulada.
las empresas de ge-

neración establecer
la cantidad óptima
de energía a vender
en bolsa y como re-
serva.
2005 Defining Control Inestabilidad y com- El artículo propone Estrategias de con- Red aislada, cargas No se tiene en
Strategies for Mi- portamiento inade- estrategias de control para micro redes controlables, Almace- cuenta el costo de
croGrids Islanded cuado de algunas trol factibles en una aisladas: SMO y namiento como herra- producción de la
Operation variables, cuando micro red aislada, MMO (single master mienta fundamental energía con las
una micro red es for- que garantice opera- opeation SMO, multi para operación aislada, fuentes disponi-
zada a operar en ción estable. A tra- master operation evitando desviaciones bles.
modo aislado. vés de un modelado MMO) en la frecuencia
fenomenológico de
fuentes no conven-
cionales, arquitec-
tura de micro red.
2013 Evaluating the inte- Dificultad para inte- Utiliza simulación Se obtuvo un algo- Respuesta a la de- Está enfocado
gration of wind power gración de turbinas monte carlo y flujo rimo para resolver el manda está enfocado sólo en turbinas
into distribution net- eólicas en redes de de potencia óptimo flujo de potencia óp- en la capacidad de eólicas, no evalúa
works by using distribución dentro para maximizar el timo (a través de cambio de las deman- otras FNCE. No
Monte Carlo simula- de un ambiente de bienestar social con metodo de punto in- das de carga de se tuvo en cuenta
tion mercado. la integración de terior con paso con- acuerdo a criterios de un sistema ais-
gestión de la de- trolado), que com- confiabilidad (predicio- lado de la red.
manda. bina con simulación nes)
monte carlo Basado en prediccio-
nes de demanda, y ge-
neración
2013 Experimental valida- Los altos costos de Utilizando herra- Algoritmo de sis- La tensión de todos los No se realiza flujo
tion of a real time en- la energía no con- mientas como Mi- tema de gestión de buses de la MR es de potencia, no
ergy management vencional xed-integer nonli- energía (EMS) ba- igual, no se consideran son consideradas
system for mi- near programming sado en Mixed-inte- pérdidas en potencia, potencias reacti-
crogrids in islanded (MINLP). Además se ger nonlinear pro- no se consideran po- vas ni pérdidas en
mode using a local propone un mercado gramming (MINLP). tencias reactivas. la linea.
Anexo: Revisión del estado del arte en Micro redes 91
day-ahead electricity local de energía Se propone un mer-

market and MINLP (LEM) para obtener cado local de ener-
el mínimo precio gía (LEM) para ob-
(COE - Cost of tener el mínimo pre-
energy), maximi- cio (COE - Cost of
zando la utilización energy), maximi-
de recursos de GD zando la utilización
en la MR. de recursos de GD
en la MR.
2014 An MAS based en- Dificultad para lograr Sistema multiagente Algoritmo para ges- No se cuenta con un No se considera
ergy management operación eficiente y para la gestión de tión de energía en referente, no hay forma el precio de la
system for a stand- estable de una MR energía MAS, en una MR, utilizando de validar los resulta- energía de la red.
alone microgrid at compuesta de PV, una MR. Se ejecuta un MAS. dos con una red exis-
high altitude pequeña hidro. el EMS para lograr tente. Se debe hacer
operación eficiente y la validadción utili-
estable. Se utiliza un zanod modelos predic-
RTDS-PXI como tivos.
plataforma de simu-
lación.
2014 Decentralized de- En los paises en Herramienta para Metodología de es- No consideran mode- no se utilizan mo-
mand supply match- desarrollo se en- identificar optiones cenarios para imple- los de MR delos de MR y no
ing using community frenta el desafio de de energía descen- mentación de micro se establecen los
microgrids and con- llevar la energá a si- tralizada en una co- redes comunitarias. tipos de fuentes
sumer demand re- tios apartados y que munidad, a través Escenario base para no convenciona-
sponse: A scenario no se estan aprove- de un análisis de es- negocio, gestión de les
analysis chando otros recur- cenarios. la demanda, sumi-
sos energéticos. Para resolver el pro- nistro, oferta y de-
blema se plantea la manda, análisis de
utilización de MR y riesgos y mitigación
respuesta a la de-
manda (gestión del
consumo)
2014 Integrated schedul- No se tienen predic- Se modelan la velo- Algoritmo para la mi- Se supone datos ade-
ing of renewable ciónes adecuadas cidad del viento e nimización de costo cuados de la velocidad
generation and de- en la velocidad del irradiancia como operacional. del viento y radiación
mand response pro- viento y la radiación funciones de proba- solar. Los requerimien-
grams in a microgrid solar, lo cual repre- bilidad, utilizando el tos de reserva son ma-
senta un desafio Latin Hypercube nejados a través de
grande para la ope- Sampling. respuesta de la de-
rabilidad las MR. Posteriomente se manda y unidades de
generar escenarios GD.
posibles de genera-
ción con renovables
para previsión del
despacho del dia si-
guiente. También se
propone una minimi-
zación estocástica
de dos etapas.
2015 A rolling horizon opti- Es dificil afrontar la Estrategias óptimas Se obtiene un algo- No se considera
mization framework incertidumbre de- de programación ritmo para rolling ho- el precio de gene-
for the simultaneous bido a la producción para la coordinación rizon, Despacho de ración de energía.
energy supply and y el consumo de de micro redes. Se acuerdo al horizonte
demand planning in energía reactiva. formula un mixed in- de predicción.
microgrids teger linear progra-
mming (MILP) para
optimización.
Modificar el tiempo
de uso de energía
(consumo) en cier-
tas ventanas de
tiempo.
2014 An Environmental- Necesidad de mejo- Utilizando VSS- Algoritmo para solu-
Economic Dispatch rar el desempeño QGA, se compara ción de proglemas
económico de las con un algoritmo geno lineales y no con-
vexos (VSS-QGA)
Method for Smart Mi- MR al incrementar la nético (GA), un evo-

crogrids Using incursión de GD. lutionary approach
VSS_QGA (EP), quantum gene-
tic algorithm (QGA)
y chaotic quantum
genetic algorithm
(CQGA).
2015 Microgrid economic Es complicado esta- Modelamiento de la Algoritmo para ope- El comportamiento de MR interconec-
operation consider- blecer un deseme- MR, por componen- ración de una MR las fuentes dependien- tada
ing plug-in hybrid peño económico de tes, resolución por que considera un tes del ambiente, no se
electric vehicles inte-
una MR que tiene método de GA PHEV, para opera- enfoca en las fuentes
gration plug-in hybrid elec- ción con el menor de generación.
tric vehicle (PHEVs), precio. Se considera una MR
debido a los diferen- aislada
tes modos de carga
y descarga, así
como utilización del
vehiculo.
2015 Multi-Objective Dy- Dificultad en realizar Funciones multi-ob- Diagrama de flujo de Función objetivo modi- Comparación con
namic Economic Dis- un despacho econó- jetivo convertidas a operación de la ficada por matriz de otros algoritmos
patch of Microgrid mico, en términos de función de objetivo carga diaria de un juzgamiento, se tiene de optimización
Systems Including dinero, emisiones de simple a través del VE bajo una opera- en cuenta variación en (sólo PSO y PSO
Vehicle-to-Grid dioxido de carbono, método de la matriz ción autónoma de el percio de energía y mejorado)
menor costo de tra- de juzgamiento, descarga, y bajo una precio de tratamiento
tamiento de polución pacho económico di- operación coordi- de los contaminantes
námico con PSO. nada. Algoritmo (dioxido de carbono y
(PSO) para resolver polución)
el despacho econó-
mico, en modo ais-
lado o conectado,
con dos estrategias
cada uno.
2013 Minimum cost solu- Necesidad de eva- Solución del pro- Se obtiene un mo- Se restringe a una Sistema aislado
tion of photovoltaic- luar los costos de blema de optimiza- delo despacho de curva de carga dada,
diesel-battery hybrid operación de siste- ción a través de opti- energía óptimo para El sistema no está co-
power systems for mas híbridos que mización no-lineal un sistema híbrido nectado a la red
remote consumers consideran intermi- cuadrática para defi- compuesto por PV,
tencia de las fuentes nir el flujo de poten- diesel, bateria.
de energía, en ve- cia de las fuentes
rano y en invierno, GD.
en dias laborales y
fines de semana.
2002 MicroGrids Articulo de definicio-
nes sobre MR. Ar-
quitecturas básicas,
control, protecciones
y gestión de ener-
gía.
2012 Solve environmental Necesidad de eva- Se plantea el pro- Algoritmo CQGA. Enfocado en minimo No se detecta el
economic dispatch of luar la inclusión de blema de optimiza- Comparativo del al- costo de operación y uso de fuentes
Smart MicroGrid parámetros ambien- ción, y se resuelve goritmo CQGA con mínimo costo por trata- eólica, solar
containing distrib- tales en el mérito de utilizando el chaotic programación diná- miento de contaminan-
uted generation sys- despacho de dife- quantum genetic al- mica, GA, programa- tes
tem – Using chaotic rentes fuentes de gorithms. ción evolucionaria.
quantum genetic al- generación en MR.
gorithm
2014 Using the Direct Dificultad para pro- En lugar de utilizar DER entre 1MW y El artículo se en-
Search Method for poner un despacho los multiplicadores 25MW conectado al foca en sistemas
Optimal Dispatch of económico cuando de lagrange conven- bus secundario de DER entre 100kW
Distributed Genera- el sistema posee di- cionales, se utiliza el HV/MV, DER de y 2MW.
tion in a Medium- ferentes fuentes GD, método de bús- 100kW a 1MW está co- Sólo se estudian
Voltage Microgrid queda directa, que nectado con sistemas las condiciones
además puede re- primarios de distribu- de operación 1 y
solver problemas no ción, y DER menor a 2.
derivables, 100kW está conectado
con secundarios de los
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- Existen dificultades Revisión del estado No se realizan simula-
ences, barriers and para la implementa- del arte ciones ni implementa-
success factors ción de MR, este ar- ciones reales.
tículo propone algu-
nas soluciones para
tales dificultades
C. Anexo: Mapa resumen Micro redes
Figura 6-1. Mapa resum en de Micro-Redes.

Anexo: Mapa resumen Micro redes 97
Figura 6-2. Barreras de im plem entación de MR.
Figura 6-3. Necesidades y oportunidades para im plem entación de MR.

Figura 6-4. Com ponentes MR.
Figura 6-5. Soluciones previas problem as de optim ización.

Anexo: Mapa resumen Micro redes 99
Figura 6-6. Soluciones optim ización heurística.

D. Anexo: Topologías y Componentes
de MR.
Figura 6-7. Topología de m icro red, fuente:(Adhikari & Li, 2014)

Figura 6-8. Topología de red utilizada en (Levron, Guerrero, & Beck, 2013)
Figura 6-9. Topología de m icro red, fuente: (Etem adi, 2012)

Anexo: Topologías y Componentes de MR 103
Figura 6-10. Topología de m icro red, fuente:(Tam ersi, Radm an, & Aghazadeh, 2011)
Figura 6-11. Topología de m icro red, fuente:(Fu, 2013)

Figura 6-12. Topología de MR, fuente: (Huang et al., 2014).

Tabla 6-2. Com ponentes de Micro-Redes
Nombre Lab –sitio pruebas Foto- In- Eólico Otro BESS Loadb demand- SCADA Fuel RTD o Otro Referencias
vol- ver- Gen ank response Cell simu
taico sores
The D-NAP facility x x x x 1 80kVA motor-genset (Anaya-Lara, Crolla, Roscoe, Ven-
turi, & Burt, 12  September  2013)
Perfect Power System Pro- x x x x Advanced Cyber Security (Flueck & Nguyen, 2010)
totype Features
Beach Cities MicroGrid x x x x Var compensator (Southern California Gas Company
Project & Sempra Energy utilities, 2009)
Fort Bragg Micro Grid x x x x x Biomass – 45 MW Hydro - (McAllister, 2011)
0.5 MW
Microgrid smud x x x (Miletijev, 2015)
Certs ugrid concept x x x x x Heat recovery (Hatziargyriou, Asano, & Iravani,

2007)
Tokyo University x x Steam absorption, termanl (Hatziargyriou et al., 2007)
storage
Smart distribution grid la- x x x x x a 154-kV transmission line (Yamane et al., 2011)
boratory and a 154-kV to 6.6-kV
transformer
Institute for automation of x x PMU (RWTH AACHEN UNIVERSITY,
complex power systems 2016)
Csiro energy microgrid x x x x x x x (Shamshiri et al., 2012)
Jeju smart grid system x x x x x Smart transportation (Shamshiri et al., 2012)
demonstration complex
Sandia distributed energy x x x x x x x (Barnes et al., 2005)
technology lab
Changwon dongjeun vi- x x x x Evaporador (Lee et al., 2009)
llage
Integrated microgrid labo- x x x x x Flywheel energy storage (Zhao, Zhang, & Chen, 2012)
ratory system
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- X x x x x (Oleg Osika, Thomas Degner, Chris-
grid tian Hardt, H. Lange, & Oleg Osika,
2005)

Despacho Optimizacion PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Despacho Optimizacion PDF

Cargado por

Copyright:

Formatos disponibles

METODOLOGÍA PARA LA GESTIÓN

ÓPTIMA DE ENERGÍA EN UNA

Wilson Daniel Giraldo Gómez

Universidad Nacional de Colombia

Wilson Daniel Giraldo Gómez

Universidad Nacional de Colombia

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

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

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

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

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

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

2. Micro redes Eléctricas ........................................................................................ 15

3. Modelos de gestión y optimización de energía eléctrica en micro redes ......... 27

4. Metodología para la gestión de energía en micro redes.................................... 49

5. Conclusiones y recomendaciones ..................................................................... 76

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

1. Determinar las dinámicas principales de una micro red eléctrica

2.1 Componentes de Micro redes

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

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

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

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

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

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

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

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

2.2 Sistemas de generación de energía

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

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

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

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

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

𝑃𝑝𝑣 = 𝜂𝑔 𝑁𝑝𝑣 𝐴𝑚 𝐺𝑡 (2.3)

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 = 𝜂𝑟 𝜂𝑝𝑡 [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

𝑃𝑝𝑣 = 𝜂𝑝𝑣 𝐴𝑐 𝐼𝑝𝑣 (2.4)

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

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

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

Generación con biocombustibles