Artículo Académico / Academic Paper
Recibido: 10-05-2022, Aprobado tras revisión: 08-07-2022
Forma sugerida de citación: Jaramillo, C.; Benítez, J.; Echeverría D.; Cepeda J.; Arcos H.; (2022). “Análisis del impacto de las
energías renovables no convencionales en la planificación operativa de largo plazo del sistema nacional interconectado utilizando
la plataforma SimSEE”. Revista Técnica “energía”. No. 19, Issue I, Pp. 42-52
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v19.n1.2022.526
© 2022 Operador Nacional de Electricidad, CENACE
Impact Analysis of non-conventional renewable energies on the long-term
operational planning of the National Interconnected System using the
SimSEE platform
Análisis del impacto de las energías renovables no convencionales en la
planificación operativa de largo plazo del Sistema Nacional Interconectado
utilizando la plataforma SimSEE
C.P. Jaramillo
1
J.F. Benitez
1
D.E. Echeverria
2
J.C. Cepeda
1,2
H.N. Arcos
1
1
Escuela Politécnica Nacional, Ecuador
E-mail: carlos.jaramillo01@epn.edu.ec; jorge.benitez02@epn.edu.ec; hugo.arcos@epn.edu.ec;
jaime.cepeda@epn.edu.ec
2
Operador Nacional de Electricidad CENACE, Ecuador
E-mail: decheverria@cenace.gob.ec; jcepeda@cenace.gob.ec
Abstract
The National Electricity Operator CENACE
performs the optimization of the medium and long-
term economic dispatch of the National
Interconnected System (SNI for its acronym in
spanish) using the SDDP (Stochastic Dual Dynamic
Programming) software, which allows a stochastic
programming of the operation of hydrothermal
systems. However, SDDP is a commercial software
whose licensing is modular type, representing an
important investment. In addition, it does not allow
the implementation of user defined models, limiting
the modeling of novel renewable energy technologies.
In this sense, this work is based on an "open source"
tool called SimSEE (Simulator of Electrical Energy
Systems) to carry out the hydrothermal dispatch and
the impact of non-conventional renewable energy
NCRE plants on the electrical system is studied.
Ecuadorian. To this aim, the dispatch results,
obtained from the SimSEE platform, are properly
validated, comparing them with those from the
SDDP. Finally, a statistical analysis of the stochastic
results is presented, taking into account the
penetration of NCRE (wind and solar) and its impact
on the SNI operation.
Resumen
El Operador Nacional de Electricidad CENACE
realiza la optimización del despacho económico de
mediano y largo plazo del Sistema Nacional
Interconectado SNI utilizando el software SDDP
(Stochastic Dual Dynamic Programming), el cual
permite una programación estocástica de la
operación de sistemas hidrotérmicos. Sin embargo, el
SDDP es un software comercial cuyo licenciamiento
es modular y representa una importante inversión.
Adicionalmente, no brinda la posibilidad de
implementar modelos de usuario, por lo que la
versatilidad de modelación de nuevas fuentes de
energía resulta limitada. En este sentido, el presente
trabajo se fundamenta en una herramienta del tipo
“open source”, denominada SimSEE (Simulador de
Sistemas de Energía Eléctrica) para realizar el
despacho hidrotérmico y estudiar el impacto de las
centrales de energía renovable no convencional
ERNC en el sistema eléctrico ecuatoriano. Para esto,
se validan los resultados de despacho obtenidos con
el programa SimSEE, comparándolos con la
plataforma SDDP. Finalmente, se presenta un
análisis estadístico de los resultados estocásticos,
tomando en cuenta el ingreso de ERNC (eólico y
solar) y su impacto en la operación del SNI.
Index terms Economic dispatch, National
Interconnected System, Non-Conventional
Renewable Energy, SimSEE.
Palabras clave Despacho económico, Sistema
Nacional Interconectado, Energía Renovable no
Convencional, SimSEE.
42
Edición No. 19, Issue I, Julio 2022
1. INTRODUCCIÓN
La demanda eléctrica del Ecuador crece
permanentemente, de la misma manera el sistema
hidrotérmico ecuatoriano ha ido expandiéndose para
poder cubrirla, dando lugar a nuevos proyectos de
generación eléctrica que han sido incorporados en el
Sistema Nacional Interconectado SNI. Paralelamente,
ciertas centrales de generación, por su obsolescencia,
tienen que ser retiradas, y en un escenario ideal las
generadoras térmicas deberían ser remplazadas por
generación renovable en el ámbito del avance social,
tecnológico, manteniendo el equilibrio de oferta y
demanda en base al uso de energía limpia. En este
sentido, el estado debe apostar por un nuevo régimen de
energía renovable convencional y no convencional, con
una matriz energética con alta participación hidráulica,
motivando la incorporación de nuevas fuentes renovables
y procurando la reducción de generación basada en
combustibles fósiles [1].
Debido a que muchos de los datos relacionados con
el despacho económico de mediano y largo plazo son de
naturaleza incierta, se requiere la implementación de
métodos de optimización (o programación) estocásticos
[2]. En la programación estocástica, se acostumbra
separar el proceso en dos etapas: i) decisiones a ser
tomadas antes de que se revele cualquier dato incierto,
considerando las incertidumbres existentes (las llamadas
decisiones “aquí y ahora”); y, ii) acciones correctivas,
llamadas decisiones de recurso (“esperar y ver”) que
pueden tomarse una vez conocida la realización de los
datos inciertos [3]. Para esta programación estocástica de
dos etapas, se han desarrollado varios métodos de
solución, como la descomposición estocástica [4], la
descomposición de escenarios [5], o el método en forma
de L [6], que es básicamente una variante de la
descomposición de Benders [7].
Entre los algoritmos matemáticos más usados se
encuentra la Programación Dinámica Dual Estocástica
(SDDP - Stochastic Dual Dynamic Programming), la
cual permite gestionar el problema de dimensión de
grandes volúmenes de variables de decisión y
restricciones, combinando dos técnicas: la Programación
Dinámica Estocástica (SDP – Stocastich Dynamic
Programming) y la descomposición de Benders [2].
Cualquiera sea el método de solución del problema de
programación estocástica a usarse, el uso de software de
simulación es de particular importancia para realizarlo y
de esta forma concretar estudios de planificación
energética. En el caso de Ecuador, CENACE usa el
software denominado SDDP, el cual permite una
programación de la operación para sistemas
hidrotérmicos [8]. Sin embargo, éste no brinda la
posibilidad de implementar modelos de usuario, por lo
que la versatilidad de modelación de nuevas fuentes de
energía resulta limitada, además de representar una
importante inversión. Por otro lado, existen otros
programas, incluso de naturaleza “open source”, que
permiten realizar un análisis similar. Uno de éstos es el
Simulador de Sistemas de Energía Eléctrica SimSEE
(https://simsee.org/), el cual fue desarrollado en el
Instituto de Ingeniería Eléctrica (IIE) de la Facultad de
Ingeniería de la Universidad de la República Oriental del
Uruguay [9]. Éste software usa un algoritmo de
Programación Dinámica Estocástica (SDP), mediante el
cual la optimización tiene como resultado una función
con el valor esperado del Costo Futuro de operación del
sistema para cada valor del vector de estado y cada paso
de tiempo [9]. Este software, al ser de código abierto,
brinda la opción de incluir modelos de elementos no
convencionales, como fuentes de energía intermitente, de
una forma versátil y sencilla.
En base a lo mencionado, para estudiar el impacto de
las centrales de energía no convencional en el SNI, la
presente investigación implementa un caso de estudio en
el programa SimSEE, estructurando en primera instancia
toda la base de datos del SNI, donde se modelan todas las
unidades de generación de energía eléctrica con gran
detalle y sus respectivos datos históricos, considerando
además las variables económicas y medioambientales. El
objetivo planteado fue la consecución de macro
resultados, de cuya interpretación se establecerán
predicciones a futuro del posible estado del SNI con el
impacto del incremento de la generación no
convencional.
Como se mencionó, la plataforma SimSEE, permite
la incorporación de datos de fuentes primarias de energía
de distintos tipos y viabiliza así los posteriores
pronósticos de variables de los participantes del sistema
eléctrico, como energías renovables, precios futuros de
combustibles, demanda eléctrica, etc.
El resto de este artículo está organizado de la
siguiente manera: la sección 2 presenta una breve
descripción de la plataforma SimSEE, en tanto que la
sección 3 describe la metodología propuesta.
Posteriormente, los resultados de las simulaciones son
presentadas en la sección 4, mientras que las
conclusiones obtenidas del estudio se resumen en la
sección 5.
2. DESCRIPCIÓN DE LA PLATAFORMA SimSEE
La plataforma de Simulación de Sistemas de Energía
Eléctrica SimSEE fue desarrollada a partir del año 2007
en el Instituto de Ingeniería Eléctrica de la Facultad de
Ingeniería de la Universidad de la República Oriental del
Uruguay, a partir de esa fecha la plataforma ha estado en
constante renovación gracias al financiamiento de la
Agencia Nacional de Investigación e Innovación ANII
[3].
La programación del software es realizada con
lenguaje Pascal (compilador Freepascal), el entorno tiene
la virtud de ser gratuito, posibilitando al usuario realizar
mejoras y desarrollar nuevos modelos a partir del
SimSEE utilizando software 100% libre (cualidad que le
43
Jaramillo et al. / Análisis del impacto de las ERNC en la planificación operativa de largo plazo del SNI utilizando SimSEE
brinda una flexibilidad muy superior a la de un software
comercial como el SDDP). La plataforma utiliza
programación orientada a objetos, permitiendo el
desarrollo de nuevos modelos y simplificando la
extensión de la plataforma [10], permite crear
simuladores a medida de un sistema de generación,
agregando los diferentes tipos de Actores (Agentes) a un
ambiente de simulación denominado “Sala de Juego”.
Todos los actores publican variables, las cuales se
pueden observar y utilizar para realizar cualquier cálculo,
lo que más destaca dentro del SimSEE es el modelo de
los procesos estocásticos. Esto tiene mucha importancia
porque la energía solar, eólica, hidráulica y la demanda
deben ser consideradas justamente como un proceso
estocástico, de lo contrario, no tendría ninguna validez el
resultado. Dentro de los principales usos de la plataforma
de Simulación de Sistema de Energía Eléctrica se tienen:
La optimización del uso de los recursos de
generación, en ámbitos de programación
semanal, mensual y anual, permite decidir cuál
será el tipo de generación a utilizar en cada
momento.
Diferentes cálculos con los actores que se
encuentran en el sistema como: el costo
marginal, beneficio de sustitución, el beneficio
económico de un proyecto, cálculo de precios de
equilibrio entre demanda y generación.
Manejo de incertidumbre hidrológica, incluida la
incertidumbre de fuentes intermitentes como el
viento y la irradiación solar.
Volatilidad del precio del petróleo sobre los
costos de generación, etc.
2.1. Definiciones utilizadas en el SimSEE
2.1.1 Actores
Son los agentes que se encargan de manejar la energía
como los generadores eléctricos térmicos, eólicos,
solares, hidráulicos, demandas de energía,
interconexiones, etc.
2.1.2 Fuentes
Encargadas de generar valores numéricos que pueden
ser utilizados por los actores y por otras fuentes, por
ejemplo: velocidad de viento, precio de combustibles,
etc.
2.1.3 Horizonte de tiempo
Es la ventana de tiempo en la que se va a observar el
sistema. Los pasos (’poste’) de tiempo son subdivisiones
de la ventana, la duración del paso de la simulación
dependerá del análisis que se desee realizar (corto,
mediano y largo plazo). Así, para un análisis de corto
plazo, donde el horizonte es menor a un mes, el paso de
tiempo horario será el indicado, mientras que para un
estudio de largo plazo, donde el horizonte de tiempo es
decenas de años, el paso de tiempo semanal o diario será
el conveniente [9]. La Fig. 1 esquematiza el horizonte de
tiempo y los postes de simulación.
Figura 1: Horizonte y postes de simulación
2.1.3 Paso de tiempo
El paso de tiempo es un intervalo seleccionado del
horizonte de tiempo en el cual se realiza la integración de
las ecuaciones del sistema, debido a que en cada paso de
tiempo se debe resolver con que unidades de generación
se suministra la demanda.
2.1.4 Postes
También conocidos como bandas horarias,
representan una subdivisión del paso de tiempo con el fin
de desordenar el tiempo dentro del paso de tiempo, lo que
permite reagrupar las horas de acuerdo con el
requerimiento de potencia.
Se pueden definir diferentes números de postes para
fragmentar el estudio de la demanda, agrupando en el
primer poste las horas totales del paso de tiempo de
mayor consumo energético (demanda pico) y en el último
poste las horas de menor demanda (demanda base).
2.1.5 Sala de Juego
El término sala de juego o simplemente Sala hace
referencia al ambiente donde se desarrollará la
simulación, el archivo de la Sala se almacena en la
extensión del tipo “*.ese”
2.1.6 Editor SimSEE
Llamado también “SimSEEEdit”, es una aplicación
de la plataforma de simulación de sistemas de energía
eléctrica en la cual se permite construir un simulador para
la representación de cada caso de estudio que se desee
realizar.
2.1.7 Simulador
El simulador posee dos etapas: optimización y
simulación. Durante la etapa de optimización se resuelve
el problema de encontrar la política óptima de operación.
En la etapa de simulación se manejará la política de
operación encontrada para llevar a cabo simulaciones de
posibles realizaciones del conjunto de procesos
estocásticos que afectan al sistema.
2.1.8 SimRes3
Es la herramienta que permite realizar un post-
procesamiento de los resultados obtenidos en la etapa de
simulación. La plantilla SimRes3 es un archivo que
contiene los cálculos que se realizarán sobre los
resultados. Esto permite mostrar visualmente los
resultados al analista del despacho.
44
Edición No. 19, Issue I, Julio 2022
2.1.9 Índices
Los índices son un selector de información emitida
por cualquier actor en la base de los resultados después
de la simulación.
En las Salas es muy común utilizar el índice de
potencia, el costo variable del agua y el costo marginal.
La Tabla 1 presenta los índices más utilizados en la
herramienta SimRES3.
Tabla 1: Índices más utilizados en el SimRES3
Índices
Simbología
Potencia
ldx_P_(nombre del actor)
Costo variable del agua
ldx_cv_USD_MWh_(nombre
del actor)
Costo marginal del nodo
ldx_cmg_(nombre del actor)
Costo de abastecimiento de
la demanda
ldx_CPDirecto_(nombre de la
sala)
2.1.10 Variable crónica
Variable crónica es un almacenamiento de los
procesos u operaciones realizadas con los índices de los
actores.
2.1.11 Operación Crónica
Es una plataforma que contiene diversas operaciones
y modelos matemáticos que involucran a los índices de
los actores.
2.2 Análisis Serial y Correlaciones en Espacio
Gaussiano con Histograma CEGH
El programa “AnalisisSerial” es una herramienta
auxiliar a la plataforma SimSEE. AnalisisSerial es útil
para analizar series temporales de datos y crear un
modelo de Correlaciones en Espacio Gaussiano con
Histograma CEGH. El objetivo del modelo CEGH es
lograr captar la estructura dinámica del proceso
estocástico de manera que se pueda inferir en todo
momento el cono de salidas del proceso.
Para construir un modelo CEGH, a partir de series de
datos históricos, es necesario utilizar la herramienta
“AnalisisSerial” para la realización histórica del conjunto
de variables que forma la salida del proceso estocástico a
modelar [11].
Este modelo se utiliza para procesos que tienen
dinámica temporal, este es el caso de los procesos que
intervienen en la simulación de sistemas de energía como
precipitaciones, viento, radiación solar, demanda futura,
etc., que poseen una continuidad que permite dibujar las
salidas como un cono al cual se le denomina “el cono del
futuro” que es un conjunto de realizaciones posibles a
partir de un “presente y pasado conocido”, esto implica
que la salida del proceso tiene dependencia estadística
con su pasado. La Fig. 2 muestra la salida o resultado de
un proceso estocástico.
Figura 2: Salida de un proceso estocástico o cono futuro
3. METODOLOGÍA DE ANÁLISIS
3.1 Recopilación de la información
Los datos del SNI a ser implementados en el
programa SimSEE son obtenidos de bases de
información estructuradas en el programa SDDP, esto
responde al hecho de que actualmente CENACE y
ARCERNNR realizan sus estudios en dicho software
comercial. En este contexto, es importante mencionar
que, la base de datos fue estructurada a partir de la
información proporcionada por las dos entidades.
3.1.1 Características de las centrales
Se obtuvo información de las características de 106
unidades de generación térmica, 68 unidades de
generación hidráulica; y, 12 unidades de generación de
energía renovable no convencional. La información
corresponde tanto a máquinas que actualmente se
encuentran operando como a las que entrarán en
operación en el periodo 2022 - 2030. La Tabla 2 muestra
las características de las centrales según la tecnología.
Tabla 2: Datos de las características de las centrales de generación
por tipo de tecnología
Térmicas
Pasada
Renovables
Código de la
central
Código
central
Número de
Unidades
nombre de la
central
Nombre de la
Central
Potencia
Instalada
(MW)
Nro.
Unidades
Código
estación
Hidrológica
Factor de
operación
(pu)
Potencia
Instalada
(MW)
Número de
Unidades
Probabilidad
de falla(%)
Generación
Mínima
(MW)
Potencia
Generación
Máxima
(MW)
Coeficiente
de producción
promedio
(MW/m3/s)
Factor de
Indisponibilid
ad forzada
ICP (%)
Caudal Máx
turbinable
(m3/s)
Factor de
Indisponibilid
ad Histórica
IH (%)
Factor de
indisponibilid
ad forzada -
ICP (%)
Costo
Variable
O&M
Factor de
indisponibilid
ad histórica -
45
Jaramillo et al. / Análisis del impacto de las ERNC en la planificación operativa de largo plazo del SNI utilizando SimSEE
(USD/MWh)
IH (%)
IH (%)
Combustible
que usa
volumen
mínimo
(hm3)
Consumo
Específico
(galón /MWh)
volumen
máximo
(hm3)
Cota inicial
(m)
Coef. Prod.
(MW/m3/s)
1(5puntos)
volumen
1(hm3)
(5puntos)
Area1.
(5puntos)
Vol1.
(5puntos)
Cota1.
(5puntos)
Vol1.
(5puntos)
3.1.2 Estaciones meteorológicas.
Las series meteorológicas están presentes en la
estructuración de la optimización y simulación del SNI
en el SimSEE. Se recibieron 60 series hidrológicas
históricas, las cuales varían el número de datos de
acuerdo a la antigüedad de medición, bordeando datos
mensuales desde el año 1950 al 2019, suficientes para
clasificarlas y agruparlas con la finalidad de evidenciar
sus correlaciones al momento de crear series sintéticas
para identificar un modelo que represente dichas series.
La Tabla 3 muestra los datos y unidades de las series
meteorológicas que se utilizan.
Tabla 3: Datos de las series meteorológicas
Series
históricas
Hidrológicas
Radiación
solar
Velocidad
del viento
Paso
mensual
horario
horario
Unidad
3.1.3 Programas de mantenimiento
La gestión de mantenimiento está concebida como
otro factor importante para abastecer al programa de más
información con la confianza de obtener mejores
resultados arraigados a la realidad.
Se dotó al SimSEE con programas de mantenimiento
en las máquinas termoeléctricas e hidráulicas.
3.2 Modelamiento del sistema
Para realizar el modelo del SNI se necesita crear una
sala en la que se ubiquen uno a uno todos los actores que
lo conforman para analizar el problema de despacho a
largo plazo. Es decir, se debe modelar cada central de
generación y demanda creando fichas técnicas en las que
se ubiquen los respectivos parámetros estáticos y
dinámicos. La Fig. 3 muestra el flujograma para indicar
el orden en el que se modela el sistema.
Figura 3: Flujograma de la modelación del sistema
3.2.1 Nodo de conexión
El primer actor que se debe modelar será el “Nodo de
conexión”, debido a que el caso de estudio se modelará
de forma uninodal, se crea un único nodo al que se
conectan todos los actores de generación y demanda.
3.2.2 Demanda
La modelación de la demanda en SimSEE es
generada a partir de un año base y del vector de energías
anuales. Los vectores de energía establecidos por la
ARCERNNR son de conocimiento público, y se
presentan en el Plan Maestro de Electricidad 2018-2027
[12]. En la Tabla 4 se muestra la proyección de demanda
del SNI.
Tabla 4: Vectores de energía
Año
[GWh]
2020
26 561,4
2021
33 023,0
2022
35 254,7
2023
37 148,2
2024
38 975,7
2025
40 837,1
2026
42 722,9
2027
44 705,2
2028
46 834,9
2029
48 989,6
2030
51 282,2
En un escenario donde se encuentre escasez de
energía para satisfacer la demanda es necesario
suministrar máquinas de falla que compensen el déficit
de energía, para el efecto se utilizó el costo de la energía
no suministrada (CENS) de 1 533 $/MWh [13],
publicado por el Consejo Nacional de Electricidad
(CONELEC).
3.2.3 Modelamiento de las Fuentes
Para realizar el modelamiento de todos los caudales
que se presentan en el SNI se utilizan 5 sintetizadores, de
los cuales, 3 sintetizadores CEGH son utilizados por las
centrales hidráulicas de pasada, 1 sintetizador CEGH con
los caudales de las centrales hidroeléctricas con embalse
y 1 sintetizador CEGH que contiene los caudales
utilizados por proyectos hidroeléctricos que ingresarán a
futuro.
46
Edición No. 19, Issue I, Julio 2022
3.2.4 Modelamiento de las centrales térmicas
Para el caso de estudio a largo plazo, las centrales
térmicas del Sistema Nacional Interconectado se
modelan como actores ‘’Central térmica básica’’, para
loa que se especifica el tiempo medio de reparación TMR
[h]. Dado que este parámetro no es utilizado por el
SDDP, se realiza su cálculo utilizando el dato de “Factor
de Indisponibilidad forzada ICP (%)”, de la siguiente
manera:


󰇟
󰇠

󰇟
󰇠

󰇟

󰇠

󰇟
󰇠
󰇟

󰇠
(1)
Por ejemplo, para el caso de la unidad de generación
Esmeraldas se tiene que el Tiempo medio de reparación
es:




󰇟

󰇠

󰇟
󰇠
󰇟

󰇠
(2)
• Costo variable incremental [USD/MWh]
El costo variable incremental o costo variable de la
producción puede ser calculado mediante el SimSEE,
utilizando el “Consumo Específico (galón/MWh)”
multiplicado por el “Precio del combustible”.
El precio para cada uno de los combustibles que
utilizan las centrales térmicas se encuentra en la base de
datos de la ARCERNNR desde el año 2018 hasta el 2032,
al no ser un valor que se mantiene fijo a lo largo del
horizonte de tiempo se debe modelar como una fuente.
Los valores del precio del combustible varían cada
año. Para éste se crea una ficha, en la cual se establece
cómo varía el precio del combustible y desde qué periodo
de tiempo lo hace.
Para el caso de la termoeléctrica Esmeraldas se
selecciona su respectiva fuente de combustible y en el
costo variable incremental se ubica el valor del Consumo
Específico. El programa calcula el costo variable para
cada paso de tiempo multiplicando el consumo específico
por el precio del combustible.
󰇣


󰇤  󰇣


󰇤 󰇣


󰇤 (3)
Donde:
ConsumoC es el consumo de combustible.
PrecioC es el precio del combustible.
3.2.5 Modelamiento de centrales hidroeléctricas
Las centrales hidroeléctricas presentes en el SNI son
de dos tipos: de pasada y embalse, por lo que deben ser
identificadas para encontrar los parámetros necesarios
para su modelamiento.
La central hidroeléctrica, de pasada o de embalse,
debe tener anexado el modelo del caudal que va a
circular, por lo que se procede a crear una fuente CEGH
para la representación de los caudales.
Para crear el CEGH es necesario tener la información
correspondiente a los caudales históricos que permitan
modelar la estructura dinámica del proceso estocástico.
• Creación de serie de datos para el CEGH
Para crear los modelos de las fuentes de pasada del
SNI se utilizarán varias fuentes CEGH, cada fuente
CEGH contiene un conjunto de caudales históricos
identificados con el código de la correspondiente
estación hidrológica. El código servirá para identificar el
borne de salida y asociar de forma ágil el caudal a cada
actor creado. Para el efecto se utiliza la aplicación
AnalisisSerial, la cual se encuentra dentro del conjunto
de ejecutables que conforman la plataforma de
simulación de sistemas de energía eléctrica.
Los datos de TMR (tiempo medio de reparación) y
factor de disponibilidad, se calculan de igual manera que
en el caso de las centrales térmicas.
En el caso de las centrales de embalse (Paute, Mazar,
Hidronación, Pucará y Santiago) se plantean cinco
variables de estado, sin embargo, dado que no es
estrictamente necesario crear una política de operación
para todas las centrales de embalse, se realiza una
reducción a 2 variables de estado con 3 discretizaciones.
3.2.6 Modelamiento de centrales eólicas
Para la simulación de las centrales eólicas se emplea
el actor de parque eólico en SimSEE. La particularidad
de la utilización de este actor se debe a la introducción
previa de la información de los módulos de velocidades
de vientos. En este sentido, se debe ingresar las
mediciones de viento de los emplazamientos donde serán
instaladas las centrales eólicas. Esto permitirá tener una
modelación detallada de la central en función de la
previsión del viento.
3.2.7 Modelamiento de centrales fotovoltaicas
Para modelar las granjas de paneles fotovoltaicos que
contiene el SNI se emplea el actor Generador Solar PV.
Este actor utiliza una serie con el índice de nubosidad KT
para calcular la radiación solar que incide según la
ubicación, considerando el día y la hora, teniendo en
cuenta la geometría estelar.
Figura 4: Variación de la generación solar por la posición
geográfica
47
Jaramillo et al. / Análisis del impacto de las ERNC en la planificación operativa de largo plazo del SNI utilizando SimSEE
3.2.8 Optimización y Simulación
En la etapa de optimización se construye una política
de operación óptima; es decir, dota de valor a los recursos
almacenables que son variantes en el transcurso del
tiempo (lluvias, temperatura, vientos, nubosidad, roturas
de máquinas) para decidir usarlos o almacenarlos en
dicha operación, cuya función objetivo es minimizar en
todo momento el costo de operación.
Se introdujo información de 110 generadores
térmicos, 68 generadores hidráulicos, y 13 generadores
renovables no convencionales, dentro de estos elementos
están incluidos aquellos correspondientes a la expansión
de la generación, publicado en el plan maestro de
electricidad.
La Fig. 5 muestra la línea de tiempo con la secuencia
de introducción de los proyectos publicados en el PME.
Figura 5: Secuencia de entrada de proyectos 2018-2027 [12]
Existen cuatro bloques de generación renovable no
convencional en la expansión de la generación del PME
(Plan Maestro de Electricidad), Huascachaca-2020,
ERNC I-2022, ERNCII-2023 y Geotérmico-2026. En el
caso base están incorporados los proyectos Huascachaca,
ERNC I, ERNC II sin el bloque solar de 300 MW, el
bloque geotérmico está ausente en este caso de estudio.
La Tabla 5 muestra la clasificación de los proyectos
ERNC tomando en cuenta el PME y la base de datos.
Tabla 5: Clasificación de los proyectos ERNC
Proyecto
Eólica
Solar
Biomasa
Geotérmico
Minas de
Huascachaca
Huascachaca
(50 MW)
-
-
-
ERNC I (500
MW)
Villonaco (II
y III) 200
MW
Aromo
200 MW
Aromo
200 MW
-
ERNC II (400
MW)
Bloque eólico
II 100 MW
Bloque
Solar II
300 MW
-
-
Geotérmico
-
-
-
Bloque
Geotérmico
50 MW
4. RESULTADOS
4.1 Despacho por tipo de energía SDDP y SimSEE
Las Fig. 6 y Fig. 7 muestran la energía generada por
fuente que corresponde a la simulación realizada por la
ARCERNNR en SDDP, y el SimSEE, respectivamente.
Las simulaciones consideraron ciertas particularidades,
como el forzamiento de generación de las centrales
térmicas que ingresan a futuro.
Figura 6: Despacho por tipo de energía en el software SDDP
Figura 7: Energía por tipo de generación en el SimSEE
4.2 Comparación de la demanda
La demanda correspondiente a la simulación del
SimSEE fue compuesta a partir de los datos de la
demanda de potencia del año 2020 con vectores de
energía publicados en el plan maestro de electricidad. La
Fig. 8 presenta la comparación de resultados del consumo
energético obtenido en el software SDDP y SimSEE.
Figura 8: Comparación de valores de demanda entre el SimSEE y
SDDP
4.2.1 Error porcentual resultados de demanda
Para una mejor comprensión en la comparación se
determinó el error porcentual al contrastar los despachos
entre los dos programas, el error máximo no supera el 7%
pero hay que tener en cuenta que el dimensionamiento de
la demanda es altamente superior por lo que, en
consecuencia, el error del suministro por fuente es aún
mayor. La Fig. 9 muestra el error porcentual en cada paso
de tiempo.
48
Edición No. 19, Issue I, Julio 2022
Figura 9: Error porcentual de la comparación de la demanda
4.3 Comparación de la generación hidroeléctrica
La tendencia en la generación hidráulica es similar en
los dos programas computacionales y crece en el tiempo
según se muestra en la Fig. 10 muestra.
Figura 10: Comparación de la generación hidráulica entre el
SimSEE y SDDP
4.3.1 Error porcentual resultados generación
hidroeléctrica
El error porcentual se muestra en la Fig. 11, los
máximos no sobrepasan el 18% y se produce en los pasos
de tiempo de los últimos meses del año 2026. En la
simulación del programa SimSEE se genera mayor
cantidad de energía hidráulica, esto debido a la forma de
operar del SimSEE en base a su modelo CEGH. La
política de operación, con un punto de observación
situado en el futuro, establece una mayor acumulación de
energía en embalses.
Figura 11: Error porcentual de la comparación de la generación
hidráulica
La Fig. 12 presenta la generación hidráulica simulada
por el programa SimSEE con corte de probabilidad de
potencia y energía del 95% en excedencia (estiaje), 50%
de excedencia, 5% excedencia (lluvioso) y promedio.
Figura 12: Energía Hidroeléctrica con probabilidades de
excedencia a partir del SimSEE
4.4 Comparación de la generación de energía
Renovable no convencional
En la Fig. 13 se compara la generación renovable que
está compuesta por energía eólica, solar y biomasa.
Todos los actores están representados con modelos
CEGH en el programa SimSEE, existe un valor de error
en el primer año de simulación debido a que en los
modelos CEGH no se incluyó valores de arranque de la
fuente.
Figura 13: Comparación de la generación Renovable no
convencional SimSEE-SDDP
4.4.1 Error porcentual resultados generación renovable
no convencional
La Fig. 14 presenta el error porcentual de la
comparación de la generación renovable no
convencional. Existe un error en un pequeño periodo de
tiempo al inicio de la simulación, debido a que al utilizar
los sintetizadores CEGH sin modificar de manera
considerable los conos de probabilidad y valores iniciales
de arranque, el inicio de las series produce valores
elevados hasta estabilizarse y en promedio el error de la
comparación no es desmedido. Existe otro error que
sobresale en los pasos mensuales de inicio del año 2028,
que produce una disminución de generación eólica
provocado por la disminución de los recursos naturales o
por un ‘‘Curtailment o restricción de la energía
renovable’’ que es producido por un exceso de la oferta
de energía renovable en todo el sistema, esto debido al
impacto de la central Santiago.
49
Jaramillo et al. / Análisis del impacto de las ERNC en la planificación operativa de largo plazo del SNI utilizando SimSEE
Figura 14: Error porcentual de la comparación de la generación
renovable no convencional
Los conos de probabilidad se refieren a los
pronósticos iniciales en la simulación de las magnitudes
(velocidades, KT, temperaturas) que posee el CEGH
asociado a cada actor para empezar a emitir valores con
los que pueda operar y generar valores estimados de
energía hasta encontrar un equilibrio entre la demanda
por abastecer y la generación eléctrica.
Un objetivo estratégico de la investigación es apreciar
puntualmente la generación en las centrales eólicas y
solares. La Fig. 15 muestra el despacho energético de las
centrales eólicas simuladas en SDDP y SimSEE. Al
visualizar la energía despachada de las centrales eólicas
y solares es notable que los valores de energía cumplen
un patrón anual correspondiente al comportamiento
meteorológico que se registra en Ecuador. Los resultados
del SDDP claramente son producto de un estudio
independientemente previamente hecho, para luego
designar a SDDP la energía despachada en un año por las
centrales eólicas y solares para que estos valores se
incluyan de forma idéntica en todos los años.
Figura 15: Despacho energético de las centrales eólicas simuladas
en el SDDP y el SimSEE
Los valores mensuales de mayo, junio, julio, agosto y
septiembre superan el promedio anual de energía, esto
sucede para las centrales que están vinculadas a la fuente
CEGH de Villonaco, el resultado será el mismo para
cualquier actor que utilice esta fuente de viento. La
mayor generación en estos meses coincide en cierta
medida con el periodo lluvioso de las unidades
hidroeléctricas de la cuenca amazónica, dejando latente
la probabilidad de déficit a finales y comienzos de año.
La Figura 16 muestra los resultados de la ejecución anual
de la generación eólica.
Figura 16: Generación anual de las centrales eólicas
El bloque fotovoltaico simulado se refiere al proyecto
Aromo, ubicado en Manta, se construyó una nueva fuente
CEGH con datos KT correspondientes a la ciudad de
Manta, provenientes del programa Helioscope [14]. Para
demostrar que la variación de generación tiene una
dependencia de las series KT y la posición geográfica, en
la Fig. 17 se muestra la energía suministrada por la
central fotovoltaica El Aromo en 3 escenarios diferentes,
en la simulación con el programa SDDP, y en la
simulación con el SimSEE con las series KT de Quito y
Manta.
Figura 17: Energía del Proyecto solar El Aromo, SDDP, SIMSEE
(KT de Quito y Manta)
Con la serie KT de Quito se genera mayor cantidad a
lo largo del año en comparación con la serie KT de
Manta. En los dos casos se aprecia la existencia de una
pronunciada diferencia de generación concentrada en
agosto, nuevamente en coincidencia con la temporada
lluviosa de la cuenca amazónica.
4.5 Comparación de generación de energía térmica
La tendencia en la generación térmica es similar en
los resultados de las simulaciones realizadas con los dos
programas computacionales, se establece un
decrecimiento en el tiempo tal como se aprecia en la Fig.
18.
50
Edición No. 19, Issue I, Julio 2022
Figura 18: Comparación de la energía térmica
5. CONCLUSIONES
El Sistema Nacional Interconectado, en la actualidad,
logra satisfacer la demanda aprovechando
principalmente los recursos hídricos existentes en
Ecuador. Por razones técnicas y debido a las marcadas
estaciones de la cuenca amazónica del país, parte de la
creciente demanda es abastecida con energía producida
por unidades termoeléctricas, aspecto que ocasiona
mayores gastos en operación y mantenimiento. El
Ecuador se encuentra ubicado en una zona privilegiada
de gran potencial solar lo que debe promover el
desarrollo de nuevos proyectos y tecnologías de
generación provenientes de fuentes no convencionales
como la eólica, geotérmica y en especial la generación
fotovoltaica.
El software SimSEE, al permitir un modelamiento
detallado de la generación fotovoltaica, eólica e
hidráulica, constituye una importante alternativa para la
realización de estudios vinculados a la planificación de la
operación de sistemas electro - energéticos.
La representación del Sistema Nacional
Interconectado en el software SimSEE, constituye un
aporte significativo a nivel académico y técnico, esto
sumado al hecho de que los resultados obtenidos son
coherentes con los resultados obtenidos por SDDP con
un error máximo del 6,25% al comparar la energía de la
demanda, un error promedio del 4,98% y 13,5% de
energía hidráulica y energía renovable no convencional
respectivamente, permite establecer que este software de
libre acceso puede ser utilizado en futuros estudios e
investigaciones.
La herramienta SimSEE permite modelar nuevos
proyectos de generación de energía empleando
sintetizadores CEGH que consideran la aleatoriedad e
incertidumbre particular de cada tipo de tecnología. Este
aspecto se constituye como una ventaja importante sobre
SDDP en el que los proyectos de energía renovable no
convencional son emulados a través de unidades
térmicas.
5. REFERENCIAS BIBLIOGRÁFICAS
[1]
C. Díaz, Despacho económico de cargas en
sistemas eléctricos de potencia: modelado.
simulación y análisis, Oviedo: Universidad de
Oviedo, 2017.
[2]
C. Fullner y S. Rebennack, Stochastic dual
dynamic programming and its variants - a review,
2021.
[3]
J. R. Birge y F. Louveaux, Introduction to
stochastic programming. Springer Series
Operations Research and Financial Engineering.,
2nd edition ed., Springer Science and Business
Media, 2011.
[4]
J. L. Higle y S. Sen, «Stochastic decomposition: an
algorithm for two-stage linear programs with
recourse. » Mathematics of Operations Research,
vol. 16(3), pp. 650-669, 1991.
[5]
R. T. Rockafellar, R. J. Wets y B., «Scenarios and
policy aggregation in optimization under
uncertainty, » Mathematics of Operations
Research, vol. 16(1), p. 119–147, 1991 .
[6]
R. M. van Slyke y R. Wets, «L-shaped linear
programs with applications to optimal control and
stochastic programming, » SIAM Journal on
Applied Mathematics, vol. 17(4), p. 638–663,
1969.
[7]
J. F. Benders, «Partitioning procedures for solving
mixed-variables programming problems., »
Numerische Mathematik, vol. 4(1), p. 238–252,
1962 .
[8]
CENACE, Operador Nacional de Electricidad,
Rendicion de cuentas Resumen Ejecutivo 2021,
Cenace, 2022.
[9]
F. Palacio, P. Soubes y R. Chaer, Manuales de
Usuario SimSEE, vol. Volumen 1 – Editor y
Simulador, 2019.
[10]
R. Chaer, Simulación de sistemas de energía
eléctrica, Montevideo: Instituto de Ingeniería
Eléctrica, 2008.
[11]
R. Chaer, Fundamentos de modelo CEGH de
procesos estocásticos multivariables.,
Montevideo: SimSEE, 2019.
[12]
Ministerio de Energia y Recursos Naturales No
Renovables., Plan Maestro de Electricidad, 2018.
[13]
DIRECTORIO DEL CONSEJO NACIONAL DE
ELECTRICIDAD RESOLUCION No 025/11,
Aprobacion del Estudio '' Estimacion Referencial
del CENS en Ecuador'‘, Sesion del Directorio del
14 de abril del 2011, 2011.
[14]
F. Labs, «HelioScope,» [En línea]. Available:
https://www.helioscope.com/.
51
Jaramillo et al. / Análisis del impacto de las ERNC en la planificación operativa de largo plazo del SNI utilizando SimSEE
Carlos Jaramillo Alvarez.- Nacío
el 11 de octubre de 1995 en Quito-
Ecuador, inicio sus estudios
basicos en el Colegio Dominicano
San Fernando donde obtuvo su
título de bachiller Fisico
matematico en el año 2013.
Actualmente es tesista en la en la
carrera de Ingeniería Eléctrica en la Escuela Politécnica
Nacional y se encuentra trabajando en la empresa de
ingeniería y construcción Tectotal focalizada en el sector
petrolero y energético.
Jorge Benítez Solís.- Nació en
Ambato-Tungurahua , el 4 de
enero de 1996. Sus estudios
secundarios lo realizo en el
Instituto Tecnológico Superior
Bolívar de la ciudad de Ambato,
obteniendo el titulo de bachiller en
ciencias en la especialidad Físico
Matemático. Sus estudios superiores lo realizó en la
Escuela Politécnica Nacional en la carrera de Ingeniería
Eléctrica.
Diego Echeverría Jurado.-
Recibió su título de Ingeniero
Eléctrico de la Escuela Politécnica
Nacional de Quito, en 2006. En
el año 2021, obtuvo el título de
Doctor en Ingeniería Eléctrica en la
Universidad Nacional de San Juan,
Argentina. Actualmente trabaja en
el Operador Nacional de Electricidad CENACE de
Ecuador como Subgerente Nacional de Investigación &
Desarrollo. Sus áreas de interés son: Estabilidad de
Sistemas de Potencia en Tiempo Real, Sistemas de
medición sincrofasoriales PMUs y Control de
Emergencia de Sistemas de Potencia.
Jaime Cepeda Campaña.- Nació
en Latacunga, Ecuador en 1981.
Recibió el título de Ingeniero
Eléctrico en la Escuela
Politécnica Nacional EPN en 2005,
y el de Doctor en Ingeniería
Eléctrica en la Universidad
Nacional de San Juan UNSJ en
2013. Colaboró como investigador en el Instituto de
energía Eléctrica, UNSJ, Argentina y en el Instituto de
Sistemas Eléctricos de Potencia, Universidad Duisburg-
Essen, Alemania entre 2009 y 2013. Actualmente
se desempeña como Gerente Nacional de Desarrollo
Técnico del CENACE y como Profesor a Tiempo Parcial
en la EPN. Sus áreas de interés incluyen la evaluación de
vulnerabilidad en tiempo real y el desarrollo de Smart
Grids.
Hugo Arcos Martínez.- Nació en
Quito en 1972. Recibió el título de
Ingeniero Eléctrico de 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; y Confiabilidad
de SEP.
52