Artículo Académico / Academic Paper
Recibido: 21-07-2020, Aprobado tras revisión: 11-01-2021
Forma sugerida de citación: Lechón, L.; Samper, M.; Barón, G. (2021) “Aplicación para la evaluación técnica de la “Capacidad de
inserción de generación distribuida” en redes eléctricas de distribución”. Revista Técnica “energía”. No. 17, Issue II, Pp. 102-112
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2021 Operador Nacional de Electricidad, CENACE
Application for technical evaluation of the "Distributed Generation Hosting
Capacity" in electrical distribution networks
Aplicación para la evaluación técnica de la “Capacidad de inserción de
generación distribuida” en redes eléctricas de distribución
L.F. Lechón
1
M.E. Samper
1
G.D. Barón
1
1
Instituto de Energía Eléctrica, Universidad Nacional de San Juan, San Juan, Argentina
E-mail: llechon@iee.unsj.edu.ar; msamper@iee-unsjconicet.org; gbaron@iee-unsjconicet.org
Abstract
The increase installation of Distributed Generation
(DG) in distribution networks brings benefits to
their operation, when the DG units are correctly
located and well dimensioned. Nevertheless, an
excessive penetration in inappropriate locations, can
lead to operational problems.
This article presents a computational tool that
comprehensively evaluates the maximum GD (kW)
capacity to be connected to a network in order to
ensure satisfactory operation. The technique used
consists of a systematic DG insertion procedure and
verification of the electrical parameters of the
network (with gradual injection increments). In
other words, this application makes it possible to
anticipate problems that could appear due to the
insertion of new DG, as a tool that supports the
planning of distribution networks. The
programming was developed in free software:
Python and OpenDSS.
Particularly, this tool creates photovoltaic
generators (PVSystem) and connects them in
different locations under two alternatives: randomly
selected nodes or a nodes list entered by the user. The
engineer/planner can determine the amount of nodes
where DG connection is possible, percentage of
insertion and the number of evaluation days (N
Montecarlo cases). Furthermore, the application
allows simulating the uncertainty in demand and
generation. In the several simulation modes, an
evaluation of currents through the lines and voltages
in the buses reflect the performance of the network,
energy losses and harmonic distortion indices. As
results, the tool shows graphs and tables in pop-up
screens. Additionally, a report is generated in * .csv
format.
Resumen
El incremento de la instalación de Generación
Distribuida (GD) puede traer beneficios a la
operación de las redes de distribución, cuando las
unidades son correctamente ubicadas y
dimensionadas. Por el contrario, al presentarse una
excesiva penetración en ubicaciones inadecuadas
puede conllevar problemas en la operación.
En este artículo se presenta una herramienta
computacional que evalúa de forma integral la
capacidad máxima de GD (kW) que puede
conectarse a una red para que funcione
satisfactoriamente. La técnica utilizada consiste en
un procedimiento sistemático de inserción de GD y
verificación de los parámetros eléctricos de la red
(con incrementos graduales de inyección). En otras
palabras, esta aplicación permite anticiparse a los
problemas que podrían aparecer debido a la
inserción de nueva GD, como una herramienta para
apoyar la planificación de redes de distribución. La
programación ha sido desarrollada en software
libre: Python y OpenDSS.
En particular, la herramienta crea generadores
fotovoltaicos (PVSystem) y los conecta en diferentes
ubicaciones bajo dos alternativas: en barras
seleccionadas aleatoriamente o en un listado de
barras ingresadas por el usuario. El usuario
(planificador) determina: cantidad de barras en las
que puede conectarse GD, porcentaje de inserción y
número de días de evaluación (N casos de
Montecarlo). Además, la aplicación permite simular
la incertidumbre en la demanda y la generación. En
los diferentes modos de simulación se evalúan
corrientes a través de las líneas y voltajes en las
barras que reflejan el desempeño de la red, además
de las pérdidas de energía e índices de distorsión
armónica. Como resultados se presentan gráficos y
tablas en pantallas emergentes; además, se genera
un informe en formato *.csv.
Index terms Hosting Capacity, Distributed
Generation, Schocastic, OpenDSS, Python,
quasistatic simulation
Palabras clave Capacidad de inserción,
Generación Distribuida, Estocástico, OpenDSS,
Python, simulación cuasi-estática
102
Edición No. 17, Issue II, Enero 2021
1. INTRODUCCIÓN
La penetración excesiva de Generación Distribuida
(GD) en las redes eléctricas de distribución pueden
causar diversos problemas y violaciones en los límites
operacionales, tales como: sobrevoltaje, subvoltaje,
pérdidas excesivas en líneas, sobrecarga en
transformadores y alimentadores, falla de protecciones y
aumento de niveles de distorsión armónica. La GD
admitida en un nodo observando el cumplimiento de
limites técnicos admisibles es conocido como “Hosting
Capacity (HC)” [1], [2], [3]–[10], [11]–[15].
En este artículo se presenta una herramienta
computacional para evaluar la HC de una red,
garantizando la operación efectiva dentro de los
parámetros de calidad preestablecidos. La filosofía de
trabajo se fundamenta en la simulación de flujos de
potencia cuasi-estáticos en el dominio de la frecuencia
con la inserción gradual de GD solar fotovoltaica FV (en
particular) de forma estocástica; considerando los
diferentes fenómenos que afectan a la operación de la red,
como son: cantidad de barras, ubicación, capacidad, tipo
de tecnología y parámetros intrínsecos que afectan al
rendimiento del módulo fotovoltaico, así también el
comportamiento horario de las cargas (demandas).
Los resultados se presentan en valores numéricos y
gráficos acorde a los indicadores de desempeño de los
elementos de la red para cada grado de inserción de GD-
FV. Como información de salida la herramienta presenta:
potencia total de inyección de GD, potencia de GD en
cada una de las barras y su equivalente porcentual,
análisis del estado de carga de las líneas y estado de las
barras, pérdidas en la red y distorsión armónica. Estos
resultados son de gran valor para la toma decisiones en
las tareas de planificación y operación de las redes de
distribución.
El artículo está organizado de la siguiente manera: en
la Sección 2 se presenta la definición de HC, índices de
desempeño, modelado matemático, modelado de la GD
fotovoltaica (PVSystem); en la Sección 3 se presenta el
algoritmo de evaluación de HC desarrollado; en la
Sección 4 se muestra un ejemplo de aplicación; y en la
Sección 5 las conclusiones y recomendaciones.
2. HOSTING CAPACITY (HC)
Formalmente, HC se define como la cantidad de GD
que se puede instalar en una red de distribución en un
momento dado y en un nodo determinado, bajo las
condiciones operativas de la red, sin afectar
negativamente la seguridad, la calidad del suministro, la
confiabilidad y otros criterios operativos, y sin realizar
inversiones en infraestructura de la red [1], [2], [3]–[10],
[11]–[15].
En la Figura 1 se muestra un plano de cuatro franjas,
donde el eje vertical indica el índice de evaluación con su
límite y en el eje horizontal muestra el grado de
penetración de GD en la red. A cada grado de inserción
le corresponde un punto en el plano que se refleja en el
rendimiento de la red de distribución.
Figura 1: Variación del índice con el incremento de la GD
El sistema permitiría incrementar la cantidad de GD aun
cumpliendo con los límites permisibles de operación
“(1)-(2)”. Este incremento se logra mediante técnicas de
mejora que se detalla en la Sección 3.1.
2.1. Métodos de determinación de HC
Existen diferentes métodos de evaluación para
determinar la HC en la red: método equivalente,
simulaciones sistemáticas, soluciones analíticas, entre
otras [4], [10]. Se ha observado que el método de
simulaciones sistemáticas presenta mayores ventajas
frente al resto porque pueden conectarse varios
generadores a la vez en diferentes ubicaciones, incluir
variabilidad de la demanda y generación, además permite
monitorear es estado de la red y el impacto en los índices
por el incremento de la GD.
2.2. Selección de software de implementación
La opción de optar por software libre (open source),
permite acceder a aplicaciones y herramientas con
aportes de la comunidad “colaborativa” alrededor de
mundo de manera libre (licencias sin costo). Esto es
importante sobre todo en esta época de crisis mundial
debido a la pandemia por el COVID-19 que ha traído
repercusiones económicas que limita el acceso a
herramientas comerciales.
Asimismo, debido a las potentes prestaciones del
software libre la herramienta de HC fue programada en
lenguaje Python, utilizando como motor de cálculo para
el flujo de potencia el Sistema de Simulación de
Distribución (OpenDSS). Por un lado, OpenDSS es
diseñado específicamente con el propósito de realizar
análisis de redes (topologías radiales o malladas,
diferentes niveles de tensión) con recursos distribuidos,
posee lenguaje intuitivo y personalizable desde otras
plataformas [16]. Por otro lado, Python es un lenguaje de
programación multiparadigma factible para análisis de
datos. Al fusionar los dos entornos se logra eficiencia en
el uso de recursos computacionales.
103
Lechón et al. / Aplicación para la evaluación técnica de la “Capacidad de inserción de GD” en redes eléctricas de distribución
La interfaz COM de OpenDSS permite la conexión
desde Python usando las propiedades y métodos que
contiene la librería win32com.client (ver
https://www.epri.com/pages/sa/opendss).
2.2.1. Simulación estocástica en OpenDSS
OpenDSS dispone de varios modos de simulación
Montecarlo con diferentes enfoques. El modo en utilidad
en este trabajo es el “Montecarlo 3” (M3), que opera
añadiendo incertidumbre estocástica en la curva de
demanda para una hora específica.
Por ejemplo: N=10, hora=15:00
Posiciona las variables de la red para resolver el flujo de
potencia a las 15:00 (todas las cargas y generadores). A
la potencia localizada aquella hora es afectada con un
valor aleatorio. Finalmente resuelve 10 veces el flujo de
potencia bajo la misma modalidad.
2.2.2. Simulaciones sistemáticas
Esta metodología consiste en establecer indicadores de
desempeño y límites admisibles para los elementos de la
red. Se programan funciones que resuelven flujo de
potencia para diferentes modos de solución: potencia
máxima, armónicos y cuasi-estáticas, modeladas en
pasos de tiempo horarios. El detalle de la operación se
presenta en el algoritmo de la Sección 3. Internamente en
las simulaciones se contemplan incertidumbres que se
relacionan directamente con el problema de HC:
a. Cantidad de barras donde se conecta la GD.
b. Ubicación de la GD en la red.
c. Potencia nominal instalada de GD.
d. Comportamiento horario de las cargas y la GDFV,
para diferentes estaciones del año.
e. Parámetros intrínsecos que afectan a la operación del
generador FV: irradiancia, temperatura, punto de
máxima potencia (pmpp) y rendimiento del inversor.
Al tener magnitudes aleatorias que varían en el tiempo
y que, a su vez, son dependientes de otras variables, el
modelado se realiza mediante procesos estocásticos.
El procedimiento de evaluación se puede resumir de la
siguiente manera [4]:
- Definir indicadores operativos a evaluar.
- Determinar límites admisibles para los índices
operativos elegidos.
- Establecer las incertidumbres a considerar.
- Definir los escenarios y niveles de penetración de
GD a evaluar.
- Realizar los cálculos de flujo de potencia del
sistema considerando la naturaleza aleatoria de las
variables.
- Evaluar y estimar el valor de HC.
2.3. Indicadores de desempeño y límites admisibles
en la evaluación de HC
En el estado del arte se observan diferentes enfoques
de evaluación de HC eligiendo los siguientes
indicadores: sobrecargas, perfiles de tensión, calidad de
voltaje, protecciones, pérdidas en la red, confiabilidad y
seguridad, límite de potencia inversa, y contribución de
corriente de falla [6], [10], [15].
En el presente trabajo se monitorean cuatro índices
que se describen a continuación:
2.3.1. HC por corriente (sobrecarga térmica)
Para la evaluación térmica se evalúa el porcentaje de
cargabilidad de las líneas respecto sus límites térmicos
(propiedad intrínseca de los conductores) en periodos
establecidos de generación solar (12 horas/día). El índice
evaluado se presenta en la siguiente ecuación (1):
( 1)
2.3.2. HC por Voltaje
La incorporación de GD sobretodo en colas de red
contrarresta la caída de voltaje; no obstante si la
penetración es importante, en condiciones de alta
generación y baja demanda, pueden originar incrementos
que superan los valores admisibles.
De los resultados del flujo de potencia (tensiones de
los nodos) se verifica que estén dentro del rango
recomendado por la norma ANSI C84.1 (0.95 – 1.05 p.u)
[17] y EN 50160.
2.3.3. HC por calidad de la señal de corriente y
tensión (Índices de distorsión armónica)
Para garantizar la continuidad del servicio o
suministro bajo un mínimo número de interrupciones,
sobretensiones, deformaciones de las señales de voltaje o
corriente producidas por señales armónicas. En la
evaluación de este índice se contempla la inyección de
distorsión armónica provocada por cargas y generadores,
donde se evalúa la tasa de distorsión armónica (THD) y
distorsión total de demanda (TDD), adoptando como
límites admisibles los valores sugeridos por el estándar
IEEE 519-2014 [18].
2.3.4. HC por pérdidas en la red:
En este trabajo se evalúan las pérdidas técnicas en la
red para cada grado de inserción de GD; por un lado, se
resuelve un flujo de potencia a demanda máxima
(Snapshot) donde se contabiliza la potencia activa de
pérdidas (kW), luego, de la simulación en series de
tiempo (horaria) se evalúan las pérdidas de energía
(kWh).
104
Edición No. 17, Issue II, Enero 2021
2.4. Modelado matemático de HC
Teniendo presente la definición de HC descrita, si se
modelan matemáticamente dichos criterios la evaluación
de HC se convierte en un problema de optimización,
limitado por restricciones de voltajes y corrientes [8]. De
esta manera, la HC puede representarse como la
maximización de la capacidad de GD:
( 2)
Donde
es la potencia máxima inyectada en el nodo i
y la suma de la potencia de todos los nodos es el valor de
HC de la red.
De las ecuaciones de flujo de potencia se derivan las
restricciones por corriente o por voltaje:
( 3)
Restricciones:
Vϵ Ɲ
( 4)
VϵƁ
( 5)
Donde
son voltajes en los nodos, e
corriente por
las líneas, Ɲ son nodos y Ɓ son las ramas (líneas).
2.4.1. Modelo de generador (PVSystem) [16]
El generador solar FV disponible en OpenDSS
(PVSystem) opera en función de sus parámetros
intrínsecos, como se puede observar en la Figura 2. Este
objeto tiene incorporado internamente el inversor. Las
variables que influyen directamente son:
Irradiancia: Irradiancia neta después de aplicar el
factor de forma de la carga.
Pmpp (kW): Potencia máxima nominal del panel
afectado por la irradiancia y la temperatura.
P-TFactor: Factor incorporado a partir de la curva
potencia-temperatura.
Efficiency: Factor de eficiencia del inversor.
Figura 2: Diagrama de bloques de un sistema con paneles solares
en OpenDSS
En la Figura 2 la potencia P es función de la irradiancia,
la temperatura y la potencia nominal Pmpp (para una
temperatura de 25 °C y una irradiación de 1.0kW/m
2
).
Luego se afecta por la eficiencia del inversor, el voltaje
de operación y el factor de potencia para obtener la
potencia de salida. Las expresiones ( 6) y ( 7) representan
dichas potencias.
( 6)
( 7)
Para la simulación se consideran los horarios de
incidencia de radiación solar para la operación en horario
diurno de 08:00 a 20:00 (12 horas). Por ejemplo, en la
Figura 3 se observa una curva típica de irradiancia para
una estación de verano en la provincia de San Juan,
Argentina (30.87°S 68.98°W).
Figura 3: Curva típica de irradiancia
3. ALGORITMO DE SIMULACIÓN PARA LA
EVALUACIÓN DEL HC
En la Figura 4 se presenta un diagrama de flujo que
modela el algoritmo del proceso de evaluación de HC
propuesto. En el ciclo de tareas del flujo principal;
primeramente se compila la red de prueba (*.dss), luego
continúan las acciones principales (bloques: I-IV)
intercalados con las subrutinas de evaluación (bloque V).
Las subrutinas comparten parte del código entre ellas.
A continuación, se explica el detalle la operación de
cada bloque:
I. Simulación del caso base (CB):
Se define como caso base a una red sin inserción de
GD el cual se resuelve en la subrutina del bloque V, los
datos resultantes se toman como referencia para el
análisis.
II. Selección de opción: aleatorio/fijo para la
elección de barras de conexión de GD:
En la opción "aleatorio" el programa sorteará las
barras a instalar GD.
En la opción "fijo" el usuario define las barras
ingresando un listado de acuerdo al siguiente
formato: 10 12 8 4... (sin importar el orden).
III. Ingresar: cantidad de barras con GD,
porcentajes de penetración, y N casos
Montecarlo
Cantidad de barras (i), de un total de “n” barras elige
“i” barras según se haya determinado en el bloque II
(i≤n).
-0,1
0,1
0,3
0,5
0,7
0,9
1,1
0 4 8 12 16 20 24
Irradiancia (p.u)
Loadshape_GD
105
Lechón et al. / Aplicación para la evaluación técnica de la “Capacidad de inserción de GD” en redes eléctricas de distribución
Inserción de GD (%), valor porcentual respecto a la
potencia total de la red evaluada del caso base (bloque I).
El valor equivalente en kW (kWequiv) se distribuye en
las “i” barras como se detalla en el bloque IV.
N casos Montecarlo, prepara el número de casos que
simulará en modo M3 teniendo en cuenta las variaciones
horarias en la demanda y la generación.
IV. Creación de objetos PVSystem
OpenDSS dispone del comando “Distribute” el cual
detecta las cargas y distribuye “generadores” en todos los
nodos de carga con las mismas propiedades de las cargas
de acuerdo a la opción “how” especificada:
kW=nn how={Proportional | Uniform | Random | Skip}
Dentro de la herramienta, inicialmente se crean
generadores mediante el comando en mención, y luego
eligiendo las propiedades pertinentes se construyen
objetos PVSystem, completando con las propiedades que
se describen en la Sección 2.2.1, mediante un proceso de
normalización:
- Al valor de “Inserción de GD (%)” ingresado en el
bloque III, se calcula el equivalente en kW
- Este valor se considera como un 100%_auxiliar.
( 8)
- Se distribuye esta potencia “100%_auxiliar”
proporcional a la capacidad de la carga en los nodos
de carga, el valor calculado es
- Se normaliza el nodo con el valor de la capacidad
máxima del nodo
, es decir de la carga.
( 9)
Luego se calcula un nuevo valor de pmpp para cada
PVSystem[i]:
(10)
- Se actualizan las potencias (pmpp) de los PVSystem
en los nodos que hayan sido seleccionados en el
bloque 2
: Corresponde a un valor
aleatorio que se calcula mediante una Función de
Distribución de Probabilidades.
Figura 4: Proceso sistemático de evaluación de HC
COM
i:
recorre un bucle
desde
i
=1 hasta
i
barras consideradas
en la inserción de
GDFV (Objetos
PVSystem
)
106
Edición No. 17, Issue II, Enero 2021
V. Subrutina evaluación
En la subrutina “Evaluación” de la Figura 4 se
resuelve flujo de potencia, se extraen los datos y se
evalúan los límites conforme se describió en la Sección
2.3:
Flujos de potencia, modos: Snapshot, Daily,
Montecarlo y Harmonics.
Relevamiento de datos: Voltajes, corrientes y
pérdidas
Evaluación: Índice de inyección de armónicos,
violaciones de corriente y tensión.
Sentencia de comparación con los índices
evaluados.
Presentación de resultados o sigue la secuencia
del ciclo.
a) Evaluación de índices de armónicos
OpenDSS evalúa flujo de armónicos para un espectro de
frecuencias asociado a las cargas y generadores.
Internamente, se almacena los resultados luego de
resolver un flujo. De ahí se arma una función para extraer
datos de tensión armónica de los nodos (V
h
) y corrientes
amónicas de las líneas (I
h
) para calcular los índices
%THD y %TDD. De esta manera se analiza la red integral
sin la creación de monitores ni archivos adicionales.
b) Evaluación de corrientes, voltajes y pérdidas
en la red de los N casos Montecarlo
En el presente trabajo se arma un bucle de simulación que
recorre de 08:00 a 20:00, resolviendo N casos Montecarlo
cada hora, conforme lo descrito en la Sección 2.2.1
Se evalúan: voltajes en los nodos y corrientes por las
líneas después de cada lazo de simulación, en contraste
con los límites de operación especificados en la Sección
2.3.
Los resultados se convierten en una distribución
binomial donde cada elemento: nodo y/o línea tienen la
probabilidad de “violación” o “no violación”
dependiendo del desempeño de sus parámetros. Se
agrupan dichos elementos y se contabilizan los éxitos en
una secuencia en ensayos, evaluando toda la red, hora a
hora en los N casos Montecarlo, según la relación en (11).
(11)
Las pérdidas se evalúan como valores medios en los
N días de acuerdo al número de casos de Montecarlo.
c) Sentencia de comparación de los índices con
los límites de operación
Al final de la subrutina se contrastan los valores
evaluados en los límites respectivamente para continuar
al siguiente bloque del proceso.
3.1. Técnicas de mejoramiento del HC [6]
Es posible ampliar la capacidad de inserción de GD
en la red mediante alguna de las siguientes técnicas:
Control de potencia reactiva.
Control de voltaje mediante transformadores
cambiadores de tap (OLTC).
Reducción de potencia de salida controlado por el
inversor.
Tecnologías de almacenamiento de energía.
Reconfiguración de redes.
Técnicas de mitigación de armónicos.
En el presente trabajo se consideran OLTCs con
ajustes fijos.
4. CASO DE APLICACIÓN. PRESENTACIÓN DE
RESULTADOS
A continuación, se presenta un caso de aplicación que
se lleva a cabo en una red de media tensión (MT), para
las condiciones de una red típica de Argentina y
considerando características de irradiación solar típica de
la provincia de San Juan. En cada nodo de demanda se
modelan transformadores de MT/BT, suministrando a los
usuarios aguas abajo.
Las características generales de la red son las siguientes:
Red trifásica equilibrada de 13,2kV.
Un centro distribuidor con 4 alimentadores.
22 nodos con demandas (9 residenciales, 5
comerciales y 8 industriales).
La Figura 5 muestra un esquema unifilar de la red en
estudio; mientras que la Tabla 1 y Tabla 2 presentan
información sobre las demandas y los alimentadores.
Figura 5: Red de prueba
Residencial
Comercial
Industrial
107
Lechón et al. / Aplicación para la evaluación técnica de la “Capacidad de inserción de GD” en redes eléctricas de distribución
Tabla 1: Datos de la red
Barras de
demandas
Tipos de
usuario
Carga en
punta[MW]
usuarios
por barra
D1
Residencial
0,867
210
D2
Residencial
0,867
210
D3
Residencial
0,867
210
D4
Comercial
0,750
10
D5
Industrial
0,917
1
D6
Industrial
0,917
1
D7
Comercial
0,750
10
D8
Industrial
1,628
1
D9
Industrial
1,872
1
D10
Residencial
0,867
210
D11
Residencial
0,867
210
D12
Residencial
0,729
200
D13
Industrial
0,917
1
D14
Industrial
0,917
1
D15
Comercial
0,750
10
D16
Comercial
0,750
10
D17
Residencial
0,729
200
D18
Residencial
0,729
200
D19
Residencial
0,729
200
D20
Industrial
0,917
1
D21
Industrial
0,917
1
D22
Comercial
0,750
10
Fp=0,85 para todas las cargas
Tabla 2: Datos de alimentadores
Código
Sección
Imax[A]
R[Ω/km]
X[Ω/km]
AlAc95
95/15 mm2
300
0,35
0,30
AlAc70
70/12 mm2
250
0,46
0,32
AlAc50
50/8 mm2
190
0,70
0,40
AlAc25
25/4 mm2
130
1,20
0,44
4.1. Resultados de la simulación y análisis:
La herramienta simula el caso base conforme a la
descripción de la subrutina I (bloque V). Los datos
generados sirven como línea de partida para el estudio.
Se muestra en la ventana emergente la potencia total de
la red: 19352,0 kW y pérdidas de potencia activa: 658,31
kW.
Condiciones de simulación para evaluar HC:
Nodos de inserción: 12 elegidos aleatoriamente.
Porcentaje de inserción: 20%, 30%, 40% y 50%.
Número de casos Montecarlo (N): 10.
Estaciones: invierno y verano.
Las barras seleccionadas para la inserción de GD son:
b1, b2, c1, c2, d1, e1, l1, m1, m2, f2, g1, i1. La Tabla 4
muestra la distribución estocástica de los PVSystem
(unidades de GD-FV) en dichas barras.
A continuación, se describen los resultados obtenidos
en el análisis de los escenarios simulados:
Para todas las tablas la primera columna (índice de la
tabla) indica el escenario de inserción de GD (%)
respecto a la “capacidad de la red”.
Luego de haber simulado varios escenarios con
inserción de GD, se verifican los resultados numéricos y
gráficos para los índices descritos en la Sección 2.3,
donde se observan el o los índices que presenten
violaciones. Para el caso de estudio en cuestión, se
observan violaciones por sobrecarga térmica (descrito en
la Sección 2.3.1) para el escenario del 40% de inserción.
Entonces, la capacidad máxima de inserción de GD será
del 30% (acorde los niveles de inserción en estudio,
asignados).
Figura 6: Potencia de inserción de GD individual (a) y total (b)
En la Figura 6 se muestran las potencias de inserción
de GD (a) valor porcentual individual de cada unidad PV
insertada y (b) potencia acumulada de la red “GD-Red
kW” comparado con las pérdidas de potencia a carga
máxima, valores en (kW).
Para el caso de estudio se representa la cargabilidad
de los 12 nodos con GD, el caso base tiene 0% de GD.
En la Tabla 3: Se presentan los datos de cargabilidad
de las subestaciones MT/BT (%) o capacidades
individuales de cada nodo. Este valor de cargabilidad
estará limitado por la capacidad máxima del 100%. Para
el escenario referencial del “50% de inserción de GD
respecto a la capacidad de la red”, se observa una
distribución con valores que llegan al “100% de su
capacidad individual”. Si su valor teórico individual
superase el 100%, el excedente no será considerado en la
evaluación. Para minimizar el error por esa diferencia se
recomienda establecer los grados de ajuste “%Inyección
(a)
(b)
108
Edición No. 17, Issue II, Enero 2021
GD” en valores más pequeños cuando se acerque al valor
de saturación. Por ejemplo, si el “valor teórico
individual” de algún nodo estuviese aumentando (75%,
85%, 95%), al mantener un grado constante de
penetración de la red, se espera un valor del 105%
(exceso del 5%), pudiendo desencadenar errores en el
flujo. Ante esto, El usuario tiene la posibilidad de
monitorear y regular el paso del incremento).
Tabla 3: Grado de inserción de PVSystem respecto a la capacidad de la barra
Resultados de la distribución estocástica de los PVSystem [%]
Inserción GD
PVSys1
PVSys2
PVSys3
PVSys4
PVSys5
PVSys6
PVSys7
PVSys8
PVSys9
PVSys10
PVSys11
PVSys12
10%
20,12%
19,49%
20,55%
20,11%
20,27%
20,41%
20,62%
19,59%
19,50%
20,59%
19,69%
19,64%
20%
40,20%
40,24%
41,22%
40,26%
38,56%
41,51%
38,61%
40,30%
39,96%
39,72%
40,73%
40,92%
30%
58,61%
60,08%
60,77%
58,90%
60,69%
62,21%
59,78%
62,91%
62,11%
62,88%
59,97%
60,68%
40%
84,46%
80,60%
81,73%
82,65%
82,07%
81,24%
83,05%
84,04%
79,56%
84,12%
78,75%
81,13%
50%
96,57%
95,71%
100,00%
100,00%
100,00%
98,25%
97,59%
100,00%
100,00%
100,00%
100,00%
100,00%
Tabla 4: Distribución estocástica de GD (PVSystem)
Resultados de la distribución estocástica de los PVSystem en los nodos correspondientes
[Barra Nro.; Potencia GD kW]
Inserción GD
PVSys1
PVSys2
PVSys3
PVSys4
PVSys5
PVSys6
PVSys7
PVSys8
PVSys9
PVSys10
PVSys11
PVSys12
10%
1; 174,0
2; 168,0
3; 178,0
4; 135,0
5; 176,0
7; 137,0
10; 178,0
11; 169,0
12; 142,0
17; 150,0
18; 143,0
21; 171,0
20%
1; 348,0
2; 348,0
3; 357,0
4; 271,0
5; 335,0
7; 280,0
10; 334,0
11; 349,0
12; 291,0
17; 289,0
18; 296,0
21; 356,0
30%
1; 508,0
2; 520,0
3; 526,0
4; 397,0
5; 528,0
7; 419,0
10; 518,0
11; 545,0
12; 452,0
17; 458,0
18; 437,0
21; 528,0
40%
1; 732,0
2; 698,0
3; 708,0
4; 557,0
5; 714,0
7; 548,0
10; 719,0
11; 728,0
12; 580,0
17; 613,0
18; 574,0
21; 706,0
50%
1; 837,0
2; 829,0
3; 866,0
4; 675,0
5; 870,9
7; 663,0
10; 845,0
11; 866,8
12; 729,1
17; 729,1
18; 729,1
21; 870,9
Figura 7: Resultados de voltaje en las barras de los N Casos Montecarlo
Figura 8: Resultados de Corrientes por las líneas de los N Casos Montecarlo
Límite subvoltaje
Límite térmico
109
Lechón et al. / Aplicación para la evaluación técnica de la “Capacidad de inserción de GD” en redes eléctricas de distribución
Por su parte, en la Tabla 4, en las columnas se
muestran los 12 objetos PVSystem representados por dos
campos, el primero indica el nodo y el segundo indica la
potencia (kW) asociada a dicho nodo. En el presente caso
de estudio, la inserción se realizó en los mismos nodos
para todos los escenarios; sin embargo, se tiene la
alternativa de comparar distintas distribuciones de GD,
es decir, simular un nuevo caso volviendo a elegir otros
nodos (diferentes nodos y/o capacidades).
La Figura 7 mapea la tensión en p.u de los nodos de
la red, de los N casos Montecarlo, evaluado entre los
límites 0,95 y 1.05 p.u, (Sección 2.3.2). De los escenarios
simulados se observa que existen violaciones en el límite
inferior en unidades de milésimas, del cual se puede
inferir que prácticamente no presenta problemas por
voltaje. En el proceso se realiza el conteo de incidencia
de violaciones por tensión en todos los nodos de la red.
Resultados numéricos en la Tabla 5.
Tabla 5: Probabilidad de violaciones de voltaje en las barras
Resultados de flujos de potencia
Modo Montecarlo
Inserción GD
sourcebus
d2
e1
i2
10%
0,00%
0,00%
0,00%
0,00%
20%
0,00%
0,00%
0,00%
0,00%
30%
0,00%
0,00%
0,00%
0,00%
40%
0,00%
0,00%
0,00%
0,00%
50%
0,00%
0,00%
0,00%
0,00%
La Figura 8 presenta la cargabilidad de los
conductores y la incidencia de violaciones en el límite
térmico de los N casos Montecarlo. La información se
complementa con la Tabla 6.
Tabla 6: Valores de probabilidad de violación por sobrecarga
térmica de las líneas
Resultado de flujo de potencia Modo Montecarlo
Inserción GD
a_b
a_f
f_g
j_k
10%
11,67%
5,83%
0,00%
0,00%
20%
5,00%
3,33%
0,00%
0,00%
30%
4,17%
1,67%
0,00%
0,00%
40%
5,83%
1,67%
0,00%
0,00%
50%
3,33%
0,83%
0,00%
0,00%
En la Tabla 6, de la misma base de la simulación de
Montecarlo se realiza el conteo de la incidencia de
violaciones por sobrecarga térmica de las líneas donde se
aprecia que los tramos a_b y a_f presentan violaciones.
Para el escenario de inserción del 40% se evidencia
incremento en la incidencia de violaciones y observando
la Figura 8 se aprecia que los valores se alejan del límite
del 80% aproximándose al 100%. En tal virtud, se puede
inferir que la capacidad máxima de inserción es al 30%
de inserción de GD.
En la Fig. 9 (a) y (b) se muestran el efecto de la
inyección de armónicos por causa del incremento de la
GD, representados en los índices %TDD y %THD de
acuerdo a la descripción de la Sección 2.3.3.
Figura 9: índice de armónicos (a) THD y (b) TDDi
Finalmente, se resolvió el mismo problema con
incrementos graduales de inserción del 5%, donde se
observó que la red en estudio presenta violaciones por
sobrecarga térmica en el 40% de inserción. En este caso,
la capacidad máxima de inserción se ajusta al 35% (en el
análisis anterior resultó del 30%), de esta manera se logra
obtener mayor precisión en los valores.
5. CONCLUSIONES Y RECOMENDACIONES
En el presente trabajo se desarrolló una herramienta
computacional que permite evaluar la capacidad máxima
de GD que se puede instalar en una red eléctrica de
distribución. Las capacidades y ventajas son: cantidad
variable de nodos de inserción de GD, ubicación de GD
estocástica o determinística, incrementos ajustables de
potencia inyectada de inserción (%), variabilidad
temporal en las curvas de generación y demanda (con
incertidumbre). Para ello, se evalúan cuatro índices:
sobrecarga, tensión, pérdidas e inyección de armónicos.
El desarrollo se sistematizó en plataformas de
software libre usando métodos estocásticos. La
herramienta es de aplicación sencilla y presenta
resultados complementarios numéricos y gráficos que
facilita la tarea de los planificadores y operadores de las
redes de distribución.
Para el desarrollo se consideró generación Solar FV,
evaluación temporal de 08:00 a 20:00. De igual manera,
permite integrar cualquier otra tecnología de GD. Esto
podría considerarse como trabajo futuro (simulación 24
horas).
(a)
(b)
110
Edición No. 17, Issue II, Enero 2021
La herramienta se aplicó a un caso de estudio de una
red típica de Argentina, donde los resultados reflejan que
con cada grado de inserción de GD las pérdidas han
disminuido, los índices de inyección de armónicos han
incrementado hasta el 40% de GD y luego se estabilizan,
en la tensión no se observaron violaciones y la
cargabilidad de los conductores disminuye hasta el 30%
de GD pero luego se incrementa la incidencia de
violaciones por capacidad a partir del 40% de GD.
La aplicación de esta herramienta permite prever las
ventajas que presenta la instalación de GD en ubicaciones
y capacidades adecuadas, así como también localizar los
elementos vulnerables de la red en estudio.
El enfoque tomado en el desarrollo del presente
trabajo fue la evaluación de la calidad de producto; de
igual manera se puede ampliar el trabajo a futuro
tomando como enfoques el estudio de la confiabilidad, o
el estudio de las protecciones, monitoreando índices que
relacionan a estas áreas.
REFERENCIAS BIBLIOGRÁFICAS
[1] N. Etherden, M. Bollen, S. Ackeby, and O.
Lennerhag, “The transparant Hosting Capacity
Aproach - Overview, Applications and
developments,” 2015.
[2] J. Smith, M. Rylander, and L. Rogers, “Integration
of Hosting Capacity Analysis into Distribution
Planning Tools,” p. 11, 2016.
[3] A. Dubey and S. Santoso, “On Estimation and
Sensitivity Analysis of Distribution Circuit’s
Photovoltaic Hosting Capacity,” IEEE Trans. Power
Syst., vol. 32, no. 4, pp. 2779–2789, 2017.
[4] M. V. Quintero, “Aplicación del concepto de HC a
la valoración del efecto de inclusión de fuentes
renovables en la confiabilidad de sistemas de
distribución,” Universidad Nacional de Colombia,
2017.
[5] M. Seydali Seyf Abad, J. Ma, and X. Han,
“Distribution systems hosting capacity assessment:
Relaxation and linearization,” 2018.
[6] S. Ismael, S. Abdel Aleem, A. Abdelaziz, and A.
Zobaa, “State-of-the-art of Hosting Capacity in
Modern Power Systems with Distributed
Generation,” Renew. Energy, vol. 130, pp. 1002–
1020, Jan. 2019.
[7] C. Punt, “Minnesota Hosting Capacity Analysis,”
2017.
[8] J. Smith, “PV Hosting Capacity on Distribution
Feeders,” in IEEE PES 2014, 2014, p. 15.
[9] B. Idlbi, F. Ebe, G. Heilscher, J. Morris, and F.
Meier, “Evaluation of PV hosting capacities of
distribution grids with utilisation of solar roof
potential analyses,” CIRED - Open Access Proc. J.,
2017.
[10] S. Stanfield, S. Safdi, M. Shute, and A. Baldwin,
“Guide to Hosting Capacity Analyses for Distributed
Energy Resources,” California, p. 63, 2017.
[11] J. Smith, L. Rogers, and M. Rylander, “Defining a
Roadmap for Successful Implementation of a
Hosting Capacity Method for New York State,” p.
16, 2016.
[12] C. Dimas, “‘Hosting capacity’ y calidad de la
potencia para la penetración de vehículo eléctrico,”
Universiad de los Andes, 2018.
[13] J. Smith, L. Rogers, and M. Rylander, “Defining a
Roadmap for Successful Implementation of a
Hosting Capacity Method for New York State,” no.
June, 2016.
[14] S. Kikuchi et al., “Hosting capacity analysis of many
distributed photovoltaic systems in future
distribution networks,” in 2017 IEEE Innovative
Smart Grid Technologies - Asia (ISGT-Asia), 2017,
pp. 1–5.
[15] A. O’Connell, J. Smith, and A. Keane, Distribution
feeder hosting capacity analysis. 2017.
[16] D. Montenegro and R. C. Dugan, “Reference Guide:
The Open Distribution System Simulator
(OpenDSS),” EPRI, Inc., pp. 1–177, 2020.
[17] ANSI, “ANSI C84.1: Power Quality In Electrical
Systems,” 2011. [Online]. Available:
http://www.powerqualityworld.com/2011/04/ansi-
c84-1-voltage-ratings-standard.html. [Accessed: 26-
Oct-2020].
[18] S. IEEE 519, “IEEE Recommended Practice and
Requirements for Harmonic Control in Electric
Power Systems,” 2014.
Luis Freddy Lechón.- Recibió su
título de Ingeniero Eléctrico en la
Escuela Politécnica Nacional en
2012. Actualmente está
desarrollando la tesis de Master en
Ingeniería Eléctrica en la
Universidad Nacional de San Juan,
Argentina. Su experiencia laboral
lo ha desempeñado en el área de distribución en la
Corporación Nacional de Electricidad CNEL, Ecuador.
Sus áreas de interés están relacionadas con la generación
distribuida en el marco de la Redes Eléctricas
Inteligentes.
111
Lechón et al. / Aplicación para la evaluación técnica de la “Capacidad de inserción de GD” en redes eléctricas de distribución
Mauricio E. Samper.- Doctor en
Ingeniería Eléctrica, egresado de la
Universidad Nacional de San Juan
(UNSJ), Argentina, 2011. Realizó
un Posdoctorado en redes
inteligentes en Colorado State
University, USA, 2017.
Investigador Adjunto, Profesor y
Consultor en el Instituto de Energía
Eléctrica (IEE), UNSJ - CONICET.
Especialidad: planificación de la expansión y operación
de sistemas de distribución, redes eléctricas inteligentes,
recursos energéticos distribuidos, uso eficiente de la
energía eléctrica, análisis de funcionamiento, modelos de
optimización, calidad y confiabilidad, evaluación de
inversiones y análisis de riesgos.
Gustavo D. Barón.- Se graduó
como Ingeniero en Electrónica en la
Universidad Nacional de San Juan,
Argentina, 1996. Desarrolla
actividades de investigación,
docencia y transferencia, y se
desempeña como consultor en el
Instituto de Energía Eléctrica (IEE–
UNSJ-CONICET), habiéndose especializado en el área
de calidad de producto eléctrico, estudio de armónicos,
redes inteligentes, ensayos de equipamientos y medición
de parámetros eléctricos. Profesor universitario en los
cursos de grado y posgrado en la carrera Ingeniería
Eléctrica.
112
