Artículo Académico / Academic Paper
Recibido: 04-04-2019, Aprobado tras revisión: 17-07-2019
Forma sugerida de citación: Bastidas, S.; Arcos, H. (2019). “Despacho Económico del Sistema Híbrido de las Islas Santa Cruz y
Baltra Incorporando la Aleatoriedad de Potencia de los Sistemas Eólico y Solar Fotovoltaico”. Revista Técnica “energía”. No.
16, Issue I, Pp. 1- 7
SSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2019 Operador Nacional de Electricidad, CENACE
Economic Dispatch of the Hybrid System of the Santa Cruz and Baltra
Islands Incorporating the Randomness of Power of the Eolic and Solar
Photovoltaic Systems
Despacho Económico del Sistema Híbrido de las Islas Santa Cruz y Baltra
Incorporando la Aleatoriedad de Potencia de los Sistemas Eólico y Solar
Fotovoltaico
S.E. Bastidas
1
H.N. Arcos
1
1
Escuela Politécnica Nacional, Facultad de Ingeniería Eléctrica y Electrónica, Quito, Ecuador
E-mail: sandra.bastidas@epn.edu.e; hugo.arcos@epn.edu.ec
Abstract
In the present work a model is developed for the
realization of the Economic Dispatch in the short
term (24 hours of a typical day) of the Baltra and
Santa Cruz Island Hybrid System (thermal, wind
and solar photovoltaic generation) located in
Galápagos.
Due to the randomness that the wind and solar
resource presents (random variables), in order to
introduce the Power of these renewable systems
within the problem of the Economic Dispatch, a
treatment is made to the random variables, using
Montecarlo Simulations Techniques, for which,
there is a three years of historical data base. For the
Economic Dispatch is considered that the renewable
sources deliver all the power determined in the
treatment, but as it isn’t enough to supply the load of
hybrid system, the missing power is complemented
by thermal generation. In the current work the
storage systems or battery bank is not modeled.
To perform Economic Dispatch of the thermal
generation, the optimal power flows are used, that
look for minimizing the generation operating costs,
using the interior point method.
Index terms Montecarlo, random variable,
probability density functions, root mean square
error, optimal power flow.
Resumen
En este trabajo se desarrolla un modelo para la
realización del Despacho Económico a corto plazo
(24 horas de un día típico) del Sistema Híbrido de las
Islas Santa Cruz y Baltra (generación térmica, eólica
y solar fotovoltaica) ubicada en Galápagos.
Debido a la aleatoriedad que presenta el recurso
eólico y solar (variables aleatorias), para poder
introducir la Potencia de estos sistemas renovables
dentro del problema del Despacho Económico, se
realiza un tratamiento a las variables aleatorias,
utilizando las Técnicas de Simulaciones de
Montecarlo, para lo cual, se cuenta con una base de
datos históricos de tres años. Para el Despacho
Económico se considera que las fuentes renovables
entregan toda la potencia determinada en el
tratamiento, pero como no es suficiente para
abastecer la carga del sistema híbrido, la potencia
faltante se la complementa con generación térmica.
En el presente trabajo no se considera la modelación
de sistemas de almacenamiento o banco de baterías.
Para realizar el Despacho Económico de la
generación térmica, se utilizan los flujos óptimos de
potencia, que buscan minimizar los costos operativos
de generación, utilizando el método del punto
interior.
Palabras clave Montecarlo, variables aleatorias,
funciones de densidad de probabilidad, raíz del error
cuadrático medio, flujos óptimos de potencia.
Edición No. 16, Issue I, Julio 2019
1. INTRODUCCIÓN
Las energías renovables no convencionales han
aumentado su popularidad en estos últimos años debido
a que este tipo de fuentes pueden reducir
significativamente las emisiones de CO2 que producen
los sistemas de generación que utilizan combustibles
fósiles, proporcionando en muchos casos energía a
zonas de difícil acceso y reduciendo costos de
operación.
El principal problema que se encuentra asociado a
los sistemas eléctricos que incorporan fuentes de
generación eólicas y solares fotovoltaicas es el
comportamiento aleatorio de su disponibilidad debido a
que se encuentran ligadas fuertemente a condiciones
ambientales de cada sitio.
Con el fin de que los sistemas de generación eólico y
solar fotovoltaico operen de manera confiable, se deben
implementar modelos que consideren la aleatoriedad de
las variables estocásticas que afectan a la generación de
potencia de las turbinas eólicas y paneles solares
fotovoltaicos.
Varios trabajos e investigaciones se han realizado
acerca de la predicción de potencia en sistemas eólicos
y solares fotovoltaicos, destacándose las técnicas
basadas en el Método de Simulaciones de Montecarlo
(MSM) que se han utilizado en la evaluación de estos
sistemas de generación, proporcionando resultados más
precisos en comparación por ejemplo con los métodos
analíticos [1].
En el presente trabajo se propone el uso de técnicas
de Simulaciones de Montecarlo, conjuntamente con las
funciones de distribución de probabilidad para la
generación de escenarios de disponibilidad del recurso
eólico y solar (velocidad del viento y radiación solar),
para los meses de Abril (época de calor) y Diciembre
(época de frío), logrando de esta manera determinar
valores de potencia de fuentes renovables no
convencionales e introducir estos valores en el problema
del Despacho Económico del sistema híbrido
(generación térmica, eólica y solar fotovoltaica). De esta
manera se logra minimizar los costos de operación de
los generadores térmicos y optimizar el uso de los
recursos renovables en el corto plazo. Para el efecto se
realizan flujos óptimos de potencia del Sistema Híbrido
de las Islas Santa Cruz y Baltra ubicado en Galápagos.
2. TRATAMIENTO DE LAS VARIABLES
ESTOCÁSTICAS MEDIANTE TÉCNICAS DE
SIMULACIONES DE MONTECARLO
2.1. Funciones de Densidad de Probabilidad
Las funciones de densidad de probabilidad (pdf)
Normal y Weibull son utilizadas para aproximar los
datos históricos de velocidad del viento y radiación
solar. Debido a que algunas pdf describen mejor un
fenómeno que otras, de acuerdo con [2] y [3] la
velocidad del viento en general se ajusta mejor a una
distribución Weibull, aseveración que se basa en
mediciones referenciales y no específicas a un
determinado punto geográfico. En este trabajo, para
datos históricos de velocidad del viento de las Islas
Santa Cruz y Baltra, se realizará el ajuste
correspondiente a con el objetivo de definir la mejor
alternativa de función de distribución de probabilidad
mediante el criterio de la Raíz del Error Cuadrático
Medio (RMSE).
2.1.1 Distribución Weibull
Este tipo de distribución es adecuada para
representar procesos estocásticos en los que se involucra
variables que cambian en función del tiempo [4]. La
función de densidad de probabilidad Weibull
)(xf
tiene dos parámetros importantes que la definen (
k
y
c
)
y es presentada en la expresión (1).
casootro
kcxsie
c
x
c
k
xf
k
cx
k
0
0,;0,..
)(
)/(
1
(1)
Donde
x
,
k
y
c
son, la variable aleatoria, el factor
de forma y el factor de escala. La función de
distribución acumulada de Weibull está dada por:
k
cx
exF
)/(
1)(
(2)
Los parámetros o factores de forma y escala de la
función Weibull son calculados, como se muestra en (3)
y (4):
086.1
m
k
(3)
k
m
c
1
1
(4)
Donde
m
y
son la media y desviación estándar
respectivamente y
()
es la función Gamma.
2.1.2 Distribución Normal
Este tipo de distribución es ampliamente utilizada
para representar fenómenos naturales [5]. La función de
densidad de probabilidad Normal
)(xf
tiene dos
parámetros importantes que la definen (
y
m
) y es
presentada en la expresión (5).
xexf
mx
,.
2
1
)(
2
2
2
2
(5)
De la expresión anterior, la variable x representa a la
variable aleatoria y a la función de distribución
Bastidas et al./Despacho Económico del Sistema Híbrido de las Islas Santa Cruz y Baltra
acumulada no tiene forma analítica ya que su
representación matemática es compleja, pero se puede
utilizar el método de Box Muller [6].
Los parámetros desviación estándar y valor medio de la
función Normal son calculados según:
n
x
m
n
i
i
1
(6)
1
1
2
n
xm
n
i
i
(7)
2.2. Evaluación de las pdf Mediante el RMSE
Para determinar si la distribución Weibull o Normal
es la más adecuada para la evaluación de los datos
reales u de observación, se utiliza el criterio de la
RMSE
, el cual está basado en técnicas estadísticas [7].
n
i
ici
yy
n
RMSE
1
2
.
1
(8)
Donde
n
,
i
y
y
ic
y
son, el número de variables,
variables reales (datos) y valores según la función de
distribución acumulada.
2.3. Método de Simulaciones de Montecarlo para
Generar Escenarios de Velocidad del Viento y
Radiación Solar
Técnicamente hablando, Montecarlo es un proceso
estocástico numérico, es decir, una secuencia de estados
cuya evolución viene determinada por sucesos
aleatorios. Las Simulaciones de Montecarlo sirven para
generar números aleatorios o pseudo-aleatorios, para
estos últimos se deben tener datos de entrada, donde
esos datos serán los que definen a las funciones de
probabilidad como: media, desviación estándar, factor
de forma, factor de escala, etc.
Los valores generados por el método de
simulaciones de Montecarlo que utilizan números
pseudo-aleatorios tienen las mismas características de
acuerdo a la distribución de probabilidad escogida.
Para determinar pronósticos de velocidad del viento
y radiación solar se utiliza el método de simulaciones de
Montecarlo aplicado a las funciones de distribución
inversa acumulada (cdf) Normal o Weibull, según
corresponda.
La función de probabilidad P que modela la variable
estocástica de estudio en un espacio R y la variable
aleatoria x de distribución P, se describen mediante [8]:
xXPxPxRxF ,:
(9)
uyFRyuFuF
)(:inf1,0:
11
(10)
Donde P,
1
F
e
inf
representan, la función de
probabilidad, función inversa de la cdf y mínimo de la
función respectivamente.
La generación de escenarios mediante el Método de
Simulaciones de Montecarlo, asociada con la
transformada inversa de la cdf, logra obtener escenarios
de las variables estocásticas velocidad del viento y
radiación solar [2]. Estas variables se utilizan para la
determinación de escenarios de potencia de los sistemas
eólicos y solares fotovoltaicos que se encuentren
instalados o aquellos cuyos estudios de disponibilidad
del recurso se estén desarrollando.
En la Fig.1 se muestra el procedimiento de las
variables estocásticas al utilizar el MSM, en donde se
generan varios estados de operación y el valor esperado.
3. CÁLCULO DE POTENCIA EN SISTEMAS
RENOVABLES NO CONVENCIONALES
Con las variables de velocidad del viento y
radiación solar de una hora previamente obtenidos se
puede realizar el cálculo de la potencia que entregarán
los aerogeneradores y paneles solares fotovoltaicos tal
como se indica a continuación.
3.1. Aerogeneradores
La velocidad del viento aprovechada por el
aerogenerador tiene límites establecidos y viene dada
por una curva particular como la que se presenta en la
Fig. 2 [9].
Figura 2: Curva Típica de Potencia de un Aerogenerador
Datos
Históricos
PDF
Base de datos históricos de al
menos 3 años
Figura 1: Proceso de los Datos Históricos para la Generación de Escenarios Mediante el MSM
Valor Esperado determinado a
partir de la generación de
escenarios
Escenario s
Valor
Esperado
Una PDF para cada conjunto
de datos de acuerdo con el
RMSE
Edición No. 16, Issue I, Julio 2019
En la figura anterior se aprecia que solo se puede
generar potencia eléctrica entre
i
v
y
o
v
, fuera de esos
límites la potencia de salida es igual a cero.
El cálculo de la potencia eólica se realiza utilizando
las características técnicas de la turbina eólica como se
muestra en la expresión (11) de acuerdo con [10].
orr
ri
ir
i
r
oi
output
vvvparaW
vvvpara
vv
vv
W
vvyvvpara
P
,
,.
,0
(11)
Donde
i
v
,
o
v
,
r
v
y
r
W
, son velocidad del viento
de inicio, corte, nominal y potencia nominal
respectivamente.
3.2. Paneles Solares Fotovoltaicos
Los paneles solares fotovoltaicos constan de varias
celdas que convierten la radiación solar en energía
eléctrica. La potencia que entregan los paneles
fotovoltaicos depende de algunos factores; por ejemplo,
número de módulos (paneles), condiciones climáticas,
temperatura y otros parámetros que se encuentran
disponibles en las hojas de datos de los fabricantes. De
acuerdo con [11] la potencia que entregarían estos
sistemas de generación eléctrica se determina como
sigue.
PVpPVsjiSTPVpv
NNTC
irrad
PP ..)]25.(1.[
1000
.
,
(12)
)20.(
800
NOCT
irrad
TT
ambj
(13)
Donde
STPV
P
,
,
irrad
,
i
C
,
j
T
,
PVs
N
,
PVp
N
,
amb
T
y
NOCT
son la potencia nominal de cada
módulo, radiación solar in [
2
/ mW
], coeficiente de
temperatura en [°C], temperatura de la celda en [°C],
número de módulos en serie, número de módulos en
paralelo, temperatura ambiente en [°C] y temperatura
nominal de operación de la celda en [°C].
4. MODELO DE DESPACHO ECONÓMICO
La función objetivo es la minimización de costos
sujeta a restricciones de seguridad del sistema eléctrico
de potencia. El Flujo Óptimo de Potencia (OPF)
utilizado para la realización del Despacho Económico se
muestra a continuación.
4.1. Formulación y Descripción del OPF
n
i
ii
PGCoMinFO
1
).(
(14)
Sujeto a:
maxmin
lll
PPGP
(15)
][_ porcentajeloadMax
d
(16)
maxmin
jjj
VVV
(17)
t
T
e
te
N
k
tk
M
i
ti
LpvwPG
1
,
1
,
1
,
(18)
La función objetivo que incluye a los generadores
térmicos se la representa como una función lineal [12]:
iiiii
PGbaPGCo .).(
(19)
Donde
i
a
y
i
b
son los coeficientes de costos de
cada generador térmico por lo tanto, (19) es una función
lineal.
Las restricciones consideradas en la minimización
están representadas por:
1) Límites máximos y mínimos de generación de
potencia activa (15), donde los generadores
térmicos operan de forma segura.
2) Límites de flujo (16), esta restricción indica un
valor máximo de carga de los elementos (líneas y
transformadores).
3) Límites máximos y mínimos de voltaje en las
barras (17).
4) Balance de potencias (18), esta restricción indica
que debe existir un equilibrio entre la carga-
pérdidas
t
L
y la generación térmica, eólica
tk
w
,
y solar fotovoltaica
te
pv
,
.
En el balance de potencias, se considera para las
fuentes de generación eólica y solar fotovoltaica que
para cada instante de tiempo t, irán entregando los
valores de potencia resultantes según de la predicción de
sus variables aleatorias (velocidad del viento y radiación
solar) mediante el MSM.
5. ALGORITMO PROPUESTO
A continuación, se presenta un resumen de los pasos
seguidos en la obtención del Despacho Económico del
Sistema Híbrido térmico-eólico-solar fotovoltaico de las
Islas Galápagos.
1) Ingreso en Excel de datos históricos horarios de
velocidad del viento y radiación solar de al
menos 3 años de una temporada escogida.
Bastidas et al./Despacho Económico del Sistema Híbrido de las Islas Santa Cruz y Baltra
2) Cálculo de parámetros de las funciones de
distribución,
m
,
,
k
y
c
para cada hora.
3) Calculo del RMSE con los datos históricos.
4) Almacenamiento de los parámetros de las pdf y
datos de carga y temperatura ambiente.
5) Ingreso del sistema hibrido constituido por
generación térmica, eólica y solar fotovoltaica.
6) Generación de números pseudo-aleatorios
uniformemente distribuidos y predicción de la
velocidad del viento y radiación solar.
7) Determinación hora a hora de potencia de los
aerogeneradores y paneles solares fotovoltaicos
en base a los datos técnicos de cada unidad de
generación.
8) Simulación de flujos óptimos de potencia, 20,000
simulaciones por cada periodo horario.
9) Presentación y análisis de resultados.
6. SIMULACIÓN Y RESULTADOS
6.1. Descripción del Sistema (colocar)
El Sistema Híbrido de las Islas Santa Cruz y Baltra
(Fig.3) [13], cuenta con:
Figura 3: Sistema Híbrido de las Islas Santa Cruz y Baltra,
2012.
1) Generación Térmica: Conformada por 9
generadores ubicados en Puerto Ayora con una
potencia total efectiva de 7,25 [MW].
2) Generación Eólica: Parque eólico conformado
por 3 aerogeneradores ubicados en Baltra, con
una potencia total instalada de 2,25 [MW].
3) Generación Solar Fotovoltaica: Cuenta con dos
parques de generación solar fotovoltaica, uno
ubicado en Baltra con una potencia de 65
[kWp] y el otro ubicado en Puerto Ayora con
una potencia de 1,5 [kWp].
6.2. Resultados
Los resultados obtenidos se presentan a través de sus
valores esperados para días representativos de los meses
de Abril y Diciembre. Un análisis probabilístico de las
condiciones operativas de la Línea de Interconexión de
Santa Cruz- Baltra es detallado para el mes de Abril.
6.2.1. Valor Esperado para Abril y Diciembre
(energía)
Los valores esperados de energía para un día típico
(24 horas) de los meses de Abril y Diciembre son los
siguientes:
Figura 4: Energía Total de un Día Típico del mes de Abril
En la figura anterior se observan los porcentajes de
energía que entrega cada tipo de generación presente en
el sistema híbrido, se aprecia que el 20% de la energía
generada se distribuye entre generación eólica y solar
fotovoltaica en tanto que el 80% corresponde a
generación térmica obtenida para un día típico del mes
de Abril.
Figura 5: Potencia Total de un Día Típico del mes de Diciembre
En la figura anterior se observan los porcentajes de
energía que entrega cada tipo de generación presente en
el sistema hibrido, se aprecia que el 32% de la energía
generada se distribuye entre generación eólica y solar
fotovoltaica en tanto que el 68% corresponde a
generación térmica obtenida para un día típico del mes
de Diciembre, reduciendo en este mes
significativamente el consumo de combustibles fósiles.
Voltage Levels
34,5 kV
13,8 kV
4,16 kV
0,69 kV
0,48 kV
0,4 kV
Banco Baterías Plomo Acido
600kW/4000KWh
Planta PV 200 kW PV
Banco Baterías Ion-Litio
500kW/400KWh
Cuarto d e Acop le
SANTA CRUZ
BALTRA
Cargas Sistema Baltra
Planta Puerto Ayora
Generadores Diesel 8-9
Planta Puerto Ayora
Generadores Diesel 1-7
Carga
Sistema Santa Cruz
TRF 10 MVA, 34.5/13.8 kV
TRF 10 MVA, 34.5/13.8 kV
Linea de Interconexión Baltra-S.Cruz
Planta PV SMA 1500 kW
Parque Eólico Baltra 3x750 kW
S/E Baltra
S/E Santa Cruz (Puerto Ay ora)
T_Inverter
LV_WTG3LV_WTG2LV_WTG1
LV_PV
SCRZ34/BB_1_V55
TG1_7
TG8_9
SCRZ13/BB_1
SCRZ13/BB_2
BLTR/BB34_5_V0
BLTR/BB13_8_A7
~
BESS_600k W
PV_SMASTP_150 0kW
Lin eaC_Aco pleWTG_Bal tra13_ 8kVLi nea C_Acople WTG_Baltra1 3_8k V
Lin eaC_de Acople PV_Balt ra13_8k VLi nea C_deAcop lePV_Bal tra13_ 8kV
Li neaBalt ra_SCruz3 4_5k VLi neaBa ltra_SCruz3 4_5k V
WTG2_WTG3WTG2_WTG3WTG1_WTG2WTG1_WTG2CA_WTG1CA_ WTG1
WTG_3
TRF_WTG3
0
TRF_WTG3
0
WTG_2
TRF_WTG2
0
TRF_WTG2
0
WTG_1
TRF_WTG1
0
TRF_WTG1
0
TRF_PV_BESS_BALTRA
0
TRF_PV_BESS_BALTRA
0
~
BES S_500kW
PV1B
TRF_PV_SCRUZ
0
TRF_PV_SCRUZ
0
TRF_SCRUZ1
-1
TRF_SCRUZ1
-1
G
~
G_2
G
~
G_4
G
~
G_5
G
~
G_7
G
~
G_3
G
~
G_8
G
~
G_9
G
~
G_6
G
~
G_1
TRF_Elev ado rCAT
-1
TRF_Elev ado rCAT
-1
TRF_Elev ado r_Hyunda i
-1
TRF_Elev ado r_Hyunda i
-1
TRF_BALTRA1
0
TRF_BALTRA1
0
DIgSILENT
Edición No. 16, Issue I, Julio 2019
6.2.2. Comparación Económica del mes de Abril
Para realizar esta comparación se utiliza el costo
referencial de generación térmica [14] de 0,117
[US$/kWh], y el consumo mensual de energía térmica
[15] de 3.016,60 [MWh]. En la Tabla 1 se presenta una
comparación de la cantidad de energía térmica requerida
con y sin la aplicación de la metodología del Despacho
Económico propuesto.
Tabla 1: Comparación de la Energía real 2017 vs pronóstico –
Despacho Económico del mes de Abril
Energía
Abril
[MWh]
Costo
referencial
[US$/
MWh]
Costo
mensual
[USD]
Energía térmica real
3.016,60
117,012
352978,399
Energía térmica aplicando
el Despacho Económico
2.979,50
117,012
348637,254
De la tabla anterior se desprende que con la
aplicación de la metodología propuesta se tendría un
ahorro de 4341,14 USD.
6.2.3. Análisis Probabilístico
Para el análisis probabilístico de las simulaciones se
presentan histogramas, con el fin de entender y analizar
el comportamiento de los valores obtenidos.
6.2.3.1. Parque eólico Abril
[07h00]
En el parque eólico, la probabilidad de que se tengan
potencias menores o iguales a 0,62 [MW] en el mes de
Abril para las 07h00 es del 70%, como se presenta en la
Fig. 6, además la probabilidad de que no se genere
potencia es del 19%, lo cual se debe a la curva del
aerogenerador, ya que un valor de velocidad del viento
menor a 2,5 [m/s] la salida de potencia es cero.
Figura 6: CDF de la Potencia del Parque Eólico del mes de Abril,
07h00
6.2.3.2. Parque Solar Fotovoltaico
[07h00]
La probabilidad de que se tengan potencias menores
o iguales a 0,0065 [MW] es del 70%, como se presenta
en la Fig. 7.
Figura 7: CDF de la Potencia de la Planta Solar PV Baltra del mes
de Abril 07h00
6.2.3.3. Línea de Interconexión
En la Fig. 8 se presenta la cdf de la cargabilidad de
la Línea de Interconexión Baltra – Santa Cruz para las
12h00 de un día típico del mes de abril, donde se
observa que el valor máximo de cargabilidad es del 21%
y que la probabilidad de tener valores menores o iguales
a 18,4 % de cargabilidad en esta línea es del 90%.
Figura 8: CDF Cargabilidad L/T Santa Cruz-Baltra Abril [12h00]
7. CONCLUSIONES Y RECOMENDACIONES
En varias bibliografías que no realizan el análisis del
RMSE afirman que en general el perfil de viento sigue
una distribución de Weibull lo cual no sucedió en este
trabajo, quedando en evidencia que cada sitio se
comporta de manera diferente y sus datos pueden
ajustarse mejor a una distribución que a otra.
El análisis de cargabilidad realizado para la línea de
Interconexión Baltra - Santa Cruz, demuestra que para
esta línea se registra un valor esperado de 18% de
cargabilidad. En función de esto se concluye que esta
línea puede soportar planes de expansión en los que se
considere el incremento de la demanda y/o generación
eléctrica.
El contar con una herramienta computacional para
determinar el Despacho Económico horario de un
sistema híbrido ayuda a tener una mejor planificación
del abastecimiento de combustibles fósiles para que en
ningún momento exista desabastecimiento.
Para un futuro estudio se recomienda realizar un
Unit Commitment, con la finalidad de minimizar costos,
definiendo cuales serían los generadores térmicos que
Bastidas et al./Despacho Económico del Sistema Híbrido de las Islas Santa Cruz y Baltra
arrancan y además analizar márgenes de reserva de
acuerdo con las incertidumbres en el pronóstico.
REFERENCIAS BIBLIOGRÁFICAS
[1] A. Abdelaziz, Y. Hegazy, W. El-Khattam and M.
Othman, "Optimal allocation of stochastically
dependent renewable energy based distributed
generators in unbalanced distribution
networks", Electric Power Systems Research, vol.
119, pp. 34-44, 2014.
[2] S. Talari, M. Haghifam and M. Yazdaninejad,
“Stochastic-based scheduling of the microgrid
operation including wind turbines, photovoltaic
cells, energy storages and responsive loads”, IET
Generation, Transmission & Distribution, vol. 9,
no. 12, pp. 1498-1509, 2015.
[3] Atwa, Y. Optimal Renewable Resources Mix for
Distribution System Energy Loss Minimization -
IEEE Journals & Magazine. [Online]
Ieeexplore.ieee.org, 2010 Available:
https://ieeexplore.ieee.org/document/5298970
[4] Zapata, “Análisis Probabilístico y Simulación”,
Universidad Tecnológica de Pereira, 2010.
[5] G. Martín Reyes, “La función de probabilidad
normal: Características y aplicaciones”, 2012.
[Online]. Available:
http://www.extoikos.es/n6/pdf/16.pdf.
[6] “Método de Box-Muller”, Los diccionarios y las
enciclopedias sobre el Académico [Online].
Available:
http://www.esacademic.com/dic.nsf/eswiki/80118.
[7] P. Vale, “Energy assessment of photovoltaic
conversion systems”, 2015.
[8] S. Montoya Salazar and W. Valenzuela Idarraga,
“Impacto de la generación fotovoltaica en un
sistema de distribución local”, Hdl.handle.net,
2015. [Online]. Available:
http://hdl.handle.net/11059/5783.
[9] Y. Atwa, “Distribution System Planning and
Reliability Assessment under High DG
Penetration”, Uwspace.uwaterloo.ca, 2010.
[Online]. Available:
https://uwspace.uwaterloo.ca/handle/10012/5011.
[10] J Hetzer, D. Yu and K. Bhattarai, “An Economic
Dispatch Model Incorporating Wind Power”, IEEE
Transactions on Energy Conversion, vol. 23, no. 2,
pp. 603-611, 2008.
[11] Y. Riffonneau, S. Bacha, F. Barruel and S. Ploix,
“Optimal Power Flow Management for Grid
Connected PV Systems with Batteries”, IEEE
Transactions on Sustainable Energy, vol. 2, no. 3,
pp. 309-320, 2011.
[12] F. Vinueza Gomez, "Flujo óptimo de potencia",
1984. [Online]. Available:
http://bibdigital.epn.edu.ec/bitstream/15000/6781/1/
T615.pdf.
[13] G. DigSILENT “Estudios eléctricos y de operación
del sistema híbrido Galápagos” – 2012.
[14] J. Layedra Talla, "Optimización de Pérdidas de
Potencia Activa en el Sistema de las Islas Santa
Cruz y Baltra, Utilizando un Algoritmo de
Enjambre de Partículas (PSO)",
Bibdigital.epn.edu.ec, 2015. [Online]. Available:
http://bibdigital.epn.edu.ec/handle/15000/10589.
[15] "INDICADORES DE GESTION 2017 – Empresa
Eléctrica de Galápagos", Elecgalapagos.com.ec.
[Online]. Available:
http://www.elecgalapagos.com.ec/newsite/indicado
res-de-gestion/.
Sandra Bastidas Morocho.-
Nació en Quito, Ecuador en 1991.
Sus estudios secundarios los
realizó en el Colegio “Nacional
General Píntag” de la ciudad de
Quito. Sus estudios superiores los
realizó en la Escuela Politécnica
Nacional en la Carrera de
Ingeniería Eléctrica. Sus áreas de interés son: Energías
Renovables no Convencionales, Redes Inteligentes,
entre otras.
Hugo Arcos Martínez. - Nació en
Quito, Ecuador, en 1972. Recibió el
título de Ingeniero Eléctrico en la
Escuela Politécnica Nacional en
1998, y el de Doctor en Ingeniería
Eléctrica en la Universidad
Nacional de San Juan en 2003. Ha
desarrollado su carrera profesional
en diversas instituciones del Sector Eléctrico
Ecuatoriano y actualmente se desempeña como
Coordinador de la Carrera de Ingeniería Eléctrica de la
Escuela Politécnica Nacional. Sus áreas de interés son:
Modelación en Sistemas Eléctricos de Potencia,
Estudios de Transitorios Electromagnéticos y
Electromecánicos, Redes Inteligentes, Energías
Renovables, Confiabilidad de SEP, Planificación de
Sistemas de Potencia, entre otras.
