Aplicación Práctica / Practical Issues
Recibido: 08-10-2020, Aprobado tras revisión: 11-01-2021
Forma sugerida de citación: Solís, C.; Arcos, H. (2021). “Planificación Óptima de Alimentadores Primarios en Redes de
Distribución Subterráneas Empleando Algoritmos Heurísticos”. Revista Técnica “energía”. No. 17, Issue II, Pp. 1-7
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
© 2021 Operador Nacional de Electricidad, CENACE
Optimal Planning of Primary Feeders in Underground Distribution
Networks using Heuristic Algorithms
Planificación Óptima de Alimentadores Primarios en Redes de Distribución
Subterráneas empleando Algoritmos Heurísticos
C.A. Solís1 H.N. Arcos2
1Empresa Eléctrica Ambato Regional Centro Norte S.A., Ambato, Ecuador
E-mail: csolis@eeasa.com.ec
2Escuela Politécnica Nacional, Facultad de Ingeniería Eléctrica y Electrónica, Quito, Ecuador
E-mail: hugo.arcos@epn.edu.ec
Abstract
This paper presents a methodological proposal for
Greenfield Planning of underground electrical
distribution systems, using Dynamic Programming
and optimization techniques based on heuristic
algorithms. The goal of the methodology is the
search a local optimal solution that allows
determining the minimum necessary number of
switchgear equipment, together with the associated
number of primary circuits in Open Loop (OL)
topological configuration and the optimal layout in
the geo-referenced urban plane.
To solve the different optimization problems,
various heuristic algorithms are used: to determine
the optimal number of switchgear equipment and its
associated primary circuits Genetic Algorithm (AG)
is used, in the layout of the OL primaries Ant Colony
Optimization algorithm (ACO) is used, and for the
spatial sectorization of the primary circuits the K-
medoids algorithm is applied.
The geographic coordinates and the power of the
medium voltage to low voltage transformers (TC
MV / LV), as well as the geo-referenced graph of the
roads in the study area, are required as input
parameters.
For the practical implementation of the
methodological proposal, a computational tool has
been developed in Matlab, which was used to
prepare the planning of the underground electrical
network of an important urban sector in the city of
Ambato with a surface of 2.97 km².
Resumen
En el presente artículo se presenta una propuesta
metodológica para la planificación tipo Greenfield de
sistemas de distribución eléctrica subterránea,
empleando técnicas de Programación Dinámica y
optimización basadas en algoritmos heurísticos. La
metodología tiene como objetivo, la búsqueda de una
solución óptima local que permita determinar la
cantidad mínima necesaria de equipos de maniobra,
conjuntamente con el número asociado de circuitos
primarios en configuración topológica Open Loop
(OL) y su trazado óptimo en el plano urbano
georreferenciado.
Para resolver los diferentes problemas de
optimización se emplean varios algoritmos
heurísticos: para determinar el número óptimo de
equipos de maniobra y sus circuitos primarios
asociados se emplea el Algoritmo Genético (AG), en
el trazado de los primarios OL el algoritmo de
Optimización de Colonia de Hormigas (ACO) y para
la sectorización espacial de los circuitos primarios se
aplica el algoritmo K-medoids.
Se requiere como parámetros de entrada, las
coordenadas geográficas y la potencia de los
transformadores de medio voltaje a bajo voltaje (CT
MV/BV), así como el grafo georreferenciado de las
vías en la zona de estudio.
Para la implementación práctica de la propuesta
metodológica se desarrolló una herramienta
computacional en Matlab, la cual fue empleada para
la elaboración de la planificación de la red eléctrica
subterránea de un amplio sector urbano de la ciudad
de Ambato con una superficie de 2.97 km².
Index terms
Heuristic Algorithms, Underground
Networks, Reliability, Optimal Planning
Palabras clave
Algoritmos Heurísticos, Redes
Subterráneas, Confiabilidad, Planificación Óptima.
Edición No. 17, Issue II, Enero 2021
1. INTRODUCCIÓN
La tecnología de los elementos y equipos que
conforman el sistema de distribución eléctrica
subterránea (SEDS) ha tenido un importante desarrollo
en los últimos 20 años. Estos avances han impactado en
la seguridad del personal operativo y en la confiabilidad
del sistema de distribución. La reducción de los costos
asociados a un proyecto de SEDS, con el fin de adaptarlos
a la realidad económica de las empresas de distribución
del país, es un objetivo que implica el desarrollo de
nuevos criterios de planificación, en los que se debe
considerar el adecuado aprovechamiento de los avances
tecnológicos, permitiendo a su vez mejorar la calidad del
producto, la reducción de las pérdidas de energía, y la
simplificación de las labores de operación y
mantenimiento del SEDS.
Las redes eléctricas subterráneas, por su naturaleza,
en general presentan una mayor confiabilidad que las
redes aéreas; sin embargo, si el diseño no contempla la
incorporación de un equipamiento adaptado al ambiente
en el cual va a ser utilizado, esta característica puede
verse desmejorada y convertirse en un serio
inconveniente en la etapa de operación, con graves
afectaciones en la continuidad del servicio eléctrico [1].
Es muy importante puntualizar que, la selección de la
configuración topológica de los alimentadores primarios
durante la etapa de planificación de un proyecto de
SEDS, incide directamente, no solamente en los costos
de inversión, operación y mantenimiento sino también en
los de confiabilidad. En consecuencia, a lo descrito, la
topología del sistema primario debe ser elegida,
presentando como objetivos: un alto nivel de
confiabilidad, una reducción en el grado de complejidad
de la operación, costos adecuados a la realidad nacional
y lo intuitivo del sistema de protecciones.
Una configuración primaria de redes de distribución
subterránea que cumple con los objetivos señalados es la
de tipo “Open Loop” (OL - anillo abierto). Como se
aprecia en la Fig. 1, esta configuración tiene la ventaja de
una doble alimentación primaria que permite restituir una
parte importante de la malla en caso de averías, lo que, a
diferencia de la red radial, reduce notoriamente el tiempo
de interrupción que experimentan los usuarios [2].
Figura 1: Configuración Open Loop.
El empleo de este esquema de alimentación primaria
plantea varias interrogantes, que deben ser absueltas
durante la etapa de planificación, a saber: ¿cuántos
anillos OL se deben formar?, ¿cuántos equipos de
maniobra y protección se requieren?, ¿cuál es el mejor
recorrido de los circuitos primarios?, todo esto en el
contexto de brindar un servicio de alta confiabilidad y a
los menores costos de inversión y operación posibles.
Para dar respuesta a estas inquietudes se configuran
varios problemas de optimización que, por su
formulación matemática, son del tipo no lineal entero
mixto (PNLEM). Estos problemas se pueden abordar
mediante técnicas de Programación Dinámica,
dividiendo en partes el problema total y resolviendo cada
una de ellas mediante la aplicación de algoritmos
heurísticos.
Entre las principales características de los SEDS se
puede resaltar que normalmente estos se construyen en
sectores urbanos altamente consolidados, y que por lo
tanto presentan un bajo crecimiento de demanda
eléctrica. Se debe considerar adicionalmente para su
implementación, se realiza el reemplazo integral de toda
la infraestructura de servicio existente. Estos aspectos
descritos determinan que el desarrollo de la planificación
de SED empleado sea del tipo Greenfield, en la cual se
requiere como datos de entrada a la carga eléctrica del
usuario final y su distribución geográfica en el área de
estudio [3].
2. METODOLOGÍA DE PLANIFICACIÓN
PROPUESTA
Para el desarrollo de una metodología de
planificación de SEDS que permita encontrar la
configuración óptima de los circuitos primarios
considerando la configuración topológica OL, se aborda
la resolución del problema mediante el empleo de la
técnica de Programación Dinámica (PD), es decir
dividiendo el problema de optimización en subproblemas
cuya resolución secuencial produce una solución integral
[4]. A continuación, se presentan los subproblemas
considerados en la metodología propuesta y los
algoritmos heurísticos empleados en la solución
respectiva.
2.1. Determinación del número de equipos de
maniobra y/o protección (EM&P).
Se plantea un problema de optimización de costos
cuya función objetivo es:
𝒎𝒊𝒏 𝑪𝒊𝒏𝒗𝒋
𝒌
𝒋𝟏 + 𝑪𝒑𝒋
(𝟏+𝒊)𝒕
𝒌
𝒋𝟏 + 𝑪𝒆𝒏𝒔𝒋
(𝟏+ 𝒊)𝒕
𝒌
𝒋𝟏
Sujeto a la siguiente restricción:
𝑃 ≤ 𝑃 ∀𝑘 ∈ {ℕ}
Solís et al. / Planificación Óptima de Alimentadores Primarios en Redes de Distribución Subterráneas
Dónde:
𝐶𝑖𝑛𝑣 costo de inversión en equipos de maniobra y
protección (EM&P).
𝐶𝑝 costo por pérdidas de energía por OL
𝐶𝑒𝑛𝑠 costo de energía no suministrada por OL
𝑘 número de EM&P
𝑖 tasa de interés
𝑡 tiempo de vida útil de EM&P
𝑃 potencia por OL
𝑃 potencia máxima por OL
Debido a que se configura un problema de
optimización del tipo No lineal Entero Mixto, para su
resolución se emplea el Algoritmo Genético (AG). Este
algoritmo ha sido desarrollado para resolver problemas
lineales y no lineales, explorando las regiones del espacio
de búsqueda a través de la mutación, cruzamiento y la
selección de operaciones aplicadas a los individuos en
una población.
En el proceso del desarrollo del algoritmo, las
poblaciones con mejores soluciones evolucionan hasta
que se satisface un criterio de terminación [5].
2.2. Sectorización espacial de los circuitos primarios
Dado un grupo de cargas eléctricas 𝑳𝒊,𝒋 (CT MV/BV)
con su ubicación geográfica determinada mediante un
sistema de coordenadas cartesiano 𝒑𝒋= (𝒙𝒋,𝒚𝒋), se
plantea el siguiente problema de minimización [6]:
Función Objetivo:
min 𝐿, 𝑑´´𝑐,𝑝
∈

Dónde:
𝑘 número de equipos de maniobra
𝑝 ubicación de transformadores
𝑐 ubicación de centroides
𝑑´´ distancia Manhattan entre 𝑝 y 𝑐
𝐶 clúster
𝐿, carga de 𝑝 asociada a centroide 𝑐
Para la solución de este problema se emplea el
algoritmo K-Medoids, el cual es un método de
agrupamiento (clustering), que se deriva del algoritmo K-
Means que fue propuesto por Kaufman, L., and
Rousseeuw, P. J en 1987 y actualizado en 1990 como
algoritmo PAM (Partitioning Around Medoids) [7]. Este
método basa su agrupamiento en función de encontrar el
costo mínimo entre una observación (coordenadas) con
cada uno los medoides previamente determinados.
2.3. Determinación de la ruta óptima de los circuitos
primarios en configuración OL en cada sector
La formulación de este problema mediante el modelo
matemático de programación lineal entera mixta se
presenta en [5] y se detalla a continuación:
Función Objetivo:
min𝑐𝑥



Sujeto a las siguientes restricciones:
0 ≤ 𝑥 ≤ 1 ∀ 𝑖, 𝑗
𝑥 𝑒𝑠 𝑒𝑛𝑡𝑒𝑟𝑜 ∀ 𝑖,𝑗
𝑥
, = 1 𝑗 = 0,…..,𝑘
𝑥
, = 1 𝑖 = 1,…..,𝑘
𝑢−𝑢+𝑛𝑥 ≤ 𝑘 − 1 1 ≤ 𝑖 ≠ 𝑗 ≤ 𝑘
Dónde:
𝑐 distancia entre transformadores 𝑖 y 𝑗
𝑥 variable entera binaria
𝑘 número de transformadores por clúster
Para la resolución de este problema se emplea el
algoritmo de optimización de colonia de hormigas (Ant
Colony Optimization - ACO). Este algoritmo está basado
en el comportamiento de las hormigas cuando buscan su
alimento y retornan a su colonia luego de que lo han
encontrado. Las hormigas exploran por diferentes
caminos aleatorios, el momento que alguna encuentra
una fuente de alimento, regresa a su colonia dejando un
rastro de feromonas que se disipa con el tiempo, este
rastro es percibido por otras hormigas las cuales siguen
por ese camino. Si es que alguna otra hormiga ha
encontrado una ruta más corta regresará en un menor
tiempo por esta nueva vía, permitiendo que las feromonas
se disipen más lentamente, esto indica a las otras
hormigas que este nuevo camino es el más óptimo,
haciendo que ellas prefieran recorrer esta nueva ruta. Al
haber una mayor cantidad de hormigas por la nueva ruta,
se refuerza el rastro de feromonas llegando a un punto en
que todas las hormigas preferirán recorrer únicamente
este camino.
Este algoritmo fue desarrollado por Marco Dorigo en
1997 como una mejora del algoritmo de Sistema de
Hormiga presentado en 1996 por el mismo Dorigo [8].
La aplicación de este algoritmo de optimización se
realiza especialmente en problemas de grafos, en ellos
Edición No. 17, Issue II, Enero 2021
cada hormiga artificial tiene la misión de construir una
solución del problema, cada adición a la solución parcial
construida, se realiza a través de una regla de decisión
estocástica, que incluye información heurística e
información del resto de las hormigas. Luego de la
construcción o durante el proceso, las hormigas evalúan
la solución y depositan feromona en las conexiones
utilizadas, que servirá de información para el resto de las
hormigas artificiales.
Además, se realiza la evaporación, es decir la
eliminación de feromona en cada iteración del problema,
de manera de favorecer la exploración en nuevas zonas
de búsqueda.
3. DESARROLLO COMPUTACIONAL
Para la implementación de la metodología descrita se
desarrolló un programa en lenguaje M de MATLAB, que
utiliza como datos de entrada: la información de la
ubicación geográfica junto con la potencia de los CT
MV/BV, y el grafo con las coordenadas
georreferenciadas de las vías y calles que conforman el
área de estudio. La fuente de esta información proviene
de la base de datos GIS, sistema de información
geográfica de redes de distribución, de las empresas
eléctricas, y de un análisis previo realizado para
determinar la ubicación óptima de los CT MV/BV.
El diagrama de flujo, que describe el proceso
metodológico y su implementación computacional, se
presenta en la Fig. 2.
BD
GIS
INICIO
Sectorización espacial de
circuitos primarios
(Algoritmo k-medoids)
Número óptimo de
equipos de maniobra
(Algoritmo Genético)
Alimentador primario óptimo
en configuración OL
(Algoritmo de Optimización de
Colonia de Hormigas)
Ubicación y
potencia de CT MV/
BV, Parámetros de
confiabilidad
FIN
Contador de
circuitos OL
Reporte, Gráficas
Figura 2: Diagrama de flujo de la metodología de
planificación desarrollada
4. EJEMPLO DE APLICACIÓN
METODOLÓGICA
Como aplicación práctica de la metodología
desarrollada se realizó el análisis en un sector urbano de
la ciudad de Ambato con una superficie de 2.97 km², que
cuenta con 11.276 clientes y un consumo promedio
mensual de 113 kWh/usuario. Esta información,
conjuntamente con el grafo de las vías y calles de la zona
de estudio, fueron obtenidas de la base de datos (BD) del
sistema GIS de la Empresa Eléctrica Ambato S.A.
(EEASA).
El tiempo de procesamiento computacional que tomó
este ejemplo fue de 81,22s (1min, 21s) empleando una
PC con las siguientes características: procesador INTEL
Core i7 8th Gen 1.99Ghz 64 bits, 8 Gbytes de RAM.
4.1. Datos de entrada
En las Tablas 1 y 2 se muestran los parámetros
financieros de entrada para la función objetivo; y, los
parámetros de confiabilidad se muestran en la Tabla 3
[10]. La tasa de crecimiento de la carga se determinó de
un estudio previo de pronóstico de la demanda.
Tabla 1. Parámetros financieros de entrada
Costo de
Inversión de
EM&P
(US$/equipo)
Costo de
Operación y
Mantenimiento
(US$/insp.)
Costo de
Energía no
suministrada
(cUS$/kWh) [9]
Costo de
Energía
(cUS$/kWh)
100.000,00 150,00 153,30 8,00
Tabla 2. Otros parámetros de entrada
Tasa de
descuento
(%)
Tiempo de
vida útil
(años)
Tasa de
crecimiento
de la carga
(%)
Potencia máxima
por OL
(MW)
3,00 25,00 1,50 1,50
Tabla 3. Parámetros de entrada de confiabilidad [10]
Tasa de falla
transformador
(veces/año)
Tasa de falla
red primaria
(veces/año/km)
Tiempo de
reparación
transf.
MTTR
(horas)
Tiempo de
reparación
primario
MTTR
(horas)
0,01 0.0435 6,5 2
La ubicación georreferenciada y la potencia de los CT
MV/BV proyectados en el área de estudio, se obtuvieron
mediante la aplicación de una herramienta informática
desarrollada para el efecto [11], que a su vez requiere
como entrada las coordenadas geográficas y el consumo
mensual de los medidores de energía de cada abonado,
información recabada de la base de datos GIS de la
EEASA. En la Tabla 4 se presentan los datos de los
centros de transformación en el área bajo análisis.
Solís et al. / Planificación Óptima de Alimentadores Primarios en Redes de Distribución Subterráneas
Tabla 4. Ubicación geográfica y potencia de los CT MV/BV
4.2. Resultados
Los resultados que entrega la aplicación
computacional desarrollada se presentan tanto de forma
numérica como gráfica. En la Tabla 5 se muestra el
cuadro general de resultados obtenidos mediante la
aplicación del AG en la determinación del número de
equipos de maniobra y/o protección (EM&P).
Tabla 5. Resultados obtenidos mediante la aplicación de AG
Número
óptimo de
EM&P
(unidades)
Costo óptimo
de
EM&P
(US$)
Costo óptimo
de pérdidas de
energía 25 años
(US$)
Costo óptimo de energía
no suministrada
25 años
(US$)
9 900.000,00 15.937,47 13´825.285,42
Para la sectorización espacial de los anillos primarios,
realizada mediante el algoritmo de clustering K-
Medoids, se necesitó de 4 iteraciones para obtener el
agrupamiento óptimo para los 9 circuitos OL
determinados en la etapa previa. En la Fig. 4 se presentan
los correspondientes diagramas de Voronoi.
Figura 4: Diagrama de Voronoi de agrupamiento de
CT MV/BV
En la Tabla 6 se presentan los resultados obtenidos
por cada circuito OL generado y el número de iteraciones
necesarios que el algoritmo ACO requirió para minimizar
la tasa de falla. En las Figuras 5 y 6 se presentan el
número de iteraciones que se requirió para la
optimización de la tasa de falla del circuito OL No. 9 y
su implantación en el grafo georreferenciado de las
calles, respectivamente.
Tabla 6. Resultados obtenidos por circuito OL
Circuito
Open Loop Iteración
Tasa de falla
mínima
(veces/año)
Longitud
circuito OL
(m)
1 1 0.095611 2198
2 2 0.092434 2125
3 1 0.101920 2343
4 1 0.111800 2570
5 1 0.072382 1664
6 3 0.129600 2979
7 1 0.090139 2079
8 2 0.097192 2234
9 9 0.117600 2703
En total se requirió 21 iteraciones con el algoritmo
ACO para la determinación del recorrido óptimo de la
totalidad de los anillos primarios.
7.625 7.63 7.635 7.64
Coord X 105
9.8585
9.859
9.8595
9.86
9.8605
9.861
9.8615
9.862
9.8625 106
Consumo No. Pot. Coord. Coord.
(kWh/mes) Usua. (kVA) X Y
1 36407 286 169 762585 9861145
2 16517 147 89 763739 9860261
3 18956 165 99 763300 9861798
4
26426
202
120
763446
5 35363 202 120 763526 9859419
6 24737 222 132 763035 9860217
7 26033 177 106 763050 9860921
8 26500 198 118 762863 9860973
9 18427 151 91 763348 9861947
10 23071 167 100 763064 9859382
11
22093
132
80
763633
12 18067 118 72 763424 9861339
13 23506 163 98 763562 9860968
14 25248 123 75 763770 9859666
15 21791 183 110 763609 9860181
16 21059 107 66 763764 9859197
17 14645 119 73 762749 9858920
18
20504
172
103
763620
19 27194 216 129 763353 9860615
20 35003 234 139 762855 9861391
21 15115 141 85 763155 9859136
22 24912 184 110 762936 9860359
23 30870 201 120 762577 9860954
24 21490 180 108 763402 9860159
25
17469
144
87
763409
26 17128 96 60 763685 9859964
27 16724 148 90 763400 9862058
28 14168 115 71 763046 9860666
29 16529 120 73 763217 9859894
30 21258 116 71 763143 9861218
31 12318 95 59 762761 9859225
32
22683
193
115
763526
33
23333
181
108
763662
34 26448 223 133 763302 9860335
35 19743 130 79 763067 9861651
36 29910 154 93 762764 9860885
37 32214 188 112 763853 9860374
38 21671 187 112 763516 9861977
39
30697
213
127
763299
40
39324
213
127
762782
41 35900 203 121 762675 9860678
42 7706 71 45 763786 9859925
43 24665 179 107 763215 9859533
44 38826 227 135 763688 9860690
45 25614 170 102 762905 9859381
46 17504 140 85 763888 9859872
47
35754
229
136
763019
48 30022 206 123 763304 9861061
49 24578 172 103 763159 9860769
50 29863 187 112 763447 9860472
51 25373 183 110 762694 9861292
52 32443 180 108 763389 9861170
53 23088 214 127 763318 9859266
54
42853
274
162
763464
55 35433 241 143 763392 9859690
56 19231 147 89 763364 9859836
57 20158 180 108 763113 9860395
58 19514 153 92 762928 9859129
59 18833 137 83 762986 9859922
60 31752 246 146 763470 9860817
61
17935
104
64
762838
62 20983 146 88 763725 9859419
63 16628 136 83 763205 9860520
64 29135 163 98 763815 9860124
65 18493 87 55 763537 9859910
66 37435 195 116 762986 9861188
No.
Edición No. 17, Issue II, Enero 2021
Figura 5: Iteraciones requeridas para optimizar la
Tasa de Falla en circuito Open Loop No. 9
Figura 6: Implantación en grafo de calles
del circuito Open Loop No. 9
Finalmente, en la Fig. 7 se muestra el recorrido de
todos los primarios en configuración OL, lo que
constituye una propuesta de planificación para la
implementación de un sistema eléctrico de distribución
subterráneo en una importante superficie urbana.
5. CONCLUSIONES Y RECOMENDACIONES
En el presente trabajo se desarrolla una metodología
que permite realizar la planificación tipo Greenfield de
redes de distribución subterránea en amplias zonas
urbanas consolidadas. La aplicación de la metodología
requiere como datos de entrada las coordenadas
geográficas y la potencia de los CT MV/BV y el grafo
georreferenciado de las calles y avenidas del área de
estudio. Esta información se encuentra disponible en las
bases de datos de los sistemas de información
georreferenciados (GIS) de las empresas de distribución
del país.
La metodología planteada y su desarrollo
computacional, permiten generar una propuesta de
planificación óptima de un sistema eléctrico de
distribución subterráneo en una amplia superficie urbana,
considerando criterios muy importantes como la
disminución de costos de inversión, la minimización de
las pérdidas técnicas de energía y la maximización de la
confiabilidad del sistema.
Simbología
Centro de Transformación
Equipo de Maniobra y/o Protección
Subestación Eléctrica
Figura 7: Propuesta de planificación de circuitos primarios en
configuración OL
Si bien, el empleo de algoritmos heurísticos y de
teoría de grafos permiten obtener soluciones óptimas
locales, a través del enfoque de programación dinámica
se consiguió desarrollar una aplicación computacional
que logra obtener, en un tiempo muy reducido, una
alternativa de planificación de un sistema de distribución
subterránea aplicable a áreas extensas, ahorrando
ingentes recursos económicos y humanos en las etapas de
planificación y diseño de un proyecto de soterramiento
eléctrico.
La determinación del número de equipos de maniobra
y/o protección, que la propuesta metodológica entrega
como parte de sus resultados, permite reducir
sustancialmente el costo total de inversión en la
0 2 4 6 8 10 12 14 16 18 20
Iteracion
0.117
0.118
0.119
0.12
0.121
0.122
0.123
0.124
0.125
Tasa de Falla
7.633 7.634 7.635 7.636 7.637 7.638 7.639
Coord X 105
9.8591
9.8592
9.8593
9.8594
9.8595
9.8596
9.8597
9.8598
9.8599
9.86
Coord Y
106
Solís et al. / Planificación Óptima de Alimentadores Primarios en Redes de Distribución Subterráneas
implementación de una red subterránea. Esto se debe a
que optimiza la cantidad de estos elementos, los cuales
tienen un costo elevado, que representa un porcentaje
significativo dentro del valor total del proyecto de
soterramiento.
Con una planificación de la topología y las
protecciones eléctricas de la red, además del empleo de
equipos y materiales adecuados para el medio ambiente
bajo el cual opera una red eléctrica subterránea de
distribución, se mejora notablemente la calidad del
servicio técnico (confiabilidad) y se reduce las pérdidas
técnicas de energía; consiguiendo así, volver atractivo el
desarrollo de proyectos de soterramiento eléctrico en
nuestro medio.
REFERENCIAS BIBLIOGRÁFICAS
[1] Institute of Electrical and Electronics Engineers
IEEE, National Electrical Safety Code, NESC, New
York, USA, Ed. 2017.
[2] T. Short, Electric Power Distribution Handbook, 2nd
ed. Boca Raton, Florida: CRC Press Taylor &
Francis Group, 2014.
[3] H. Lee Willis, Power Distribution Planning
Reference Book, 2ed Edition, New York. USA:
Marcel Dekker, Inc., 2004.
[4] T. Cormen, C. Leiserson, R. Rivest, and C. Stein,
Introduction to Algorithms, 3ra ed. Cambridge,
Massachusetts: MIT Press, 2009
[5] C. Papadimitriou and K. Steiglitz, Combinatorial
Optimization: Algorithms and Complexity, 2nd ed.
Mineola, NY: Dover Publications Inc., 1992.
[6] L. Fattouh, O. Karam, M. A. El Sharkawy, and W.
Khaled, Clustering for network planning, Wseas
Trans. Comput., vol. 2, no. 1, pp. 197–202, 2003.
[7] L. Kaufman and P. Rousseeuw, Finding Groups in
Data, An Introduction to Cluster Analysis, 1ra ed.
Hoboken, New Jersey. USA: John Wiley I & Sons,
Inc, 1990.
[8] M. Dorigo and L. M. Gambardella, Ant Colony
System: a cooperative learning approach to the
traveling salesman problem, IEEE Trans Evol
Comput, vol. 1, no. 1, pp. 53–66, 1997.
[9] CONELEC, Resolución No. 025/11 Estimación
referencial del CENS en Ecuador. Quito, Ecuador,
2011.
[10] R. E. Brown, Electric Power Distribution Reliability,
2nd ed. Boca Raton, Florida: CRC Press Taylor &
Francis Group, 2009.
[11] C. Solís y H. Arcos, Planificación Óptima de Redes
Eléctricas Subterráneas en Zonas Urbanas
Consolidadas, ECUACIER XXXIII SNSE, Ambato,
Ecuador 2018.
Carlos Solís Intriago.- Nació en
Ambato, Ecuador, en 1972. Sus
estudios superiores los efectuó en la
Escuela Politécnica Nacional
obteniendo los títulos de Ingeniero
Eléctrico en 2000, y de Magister en
Ingeniería Eléctrica en
Distribución en 2018. Su carrera
profesional se ha desarrollado en la Empresa Eléctrica
Ambato RCN S.A., en la cual se ha desempeñado en
diversas áreas como: Planificación, Operación,
Mantenimiento, Diseño y Construcción de Redes
Eléctricas de Distribución. Actualmente ocupa la jefatura
de la Sección de Redes Subterráneas en la EEASA. Sus
campos de interés son: Planificación técnica de Sistemas
Eléctricos de Distribución, Elaboración de Modelos de
Optimización matemática de Sistemas de Potencia,
Implementación de herramientas de Inteligencia
Artificial en la Planificación y Diseño de Sistemas de
Distribución, entre otros.
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.