Artículo Académico / Academic Paper
Recibido: 23-03-2023, Aprobado tras revisión: 14-06-2023
Forma sugerida de citación: Lascano, J.; Saraguro, R.; Quinatoa, C.; Tapia, J.; Chiza, L. (2023). “Estimación de la Demanda de
una Estación de Carga para Vehículos Eléctricos mediante la Aplicación de Métodos Probabilísticos”. Revista Técnica “energía”.
No. 20, Issue I, Pp. 52-64
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v20.n1.2023.569
© 2023 Operador Nacional de Electricidad, CENACE
Demand Estimation for an Electric Vehicles Charging Station Through the
Application of Probabilistic Methods
Estimación de la Demanda de una Estación de Carga para Vehículos
Eléctricos Mediante la Aplicación de Métodos Probabilísticos
J.S. Lascano1 R. Saraguro1 C. Quinatoa1 J. Tapia1 L. Chiza2
1Universidad Técnica de Cotopaxi, Latacunga, Ecuador
E-mail: julyosantyago@gmail.com; rsaraguro@gmail.com; carlos.quinatoa7864@utc.edu.ec;
jessy.tapia42591@utc.edu.ec
2Escuela Politécnica Nacional, Quito, Ecuador
E-mail: luis.chiza@epn.edu.ec
Abstract
This paper presents the study of the demand estimation
of an electric vehicle charging station based on the use
of Monte Carlo simulation. The modeling of the
electrical system is done through the PowerFactory
software, on the other hand, for the development of the
Monte Carlo simulations and the processing of the
information, it is done through the use of Python
software. The analysis in general is focused on
determining the impact of the integration of electric
vehicles in the electric grid, so that scenarios that
emulate the operation of the electric station are
generated, taking into account the demand of electric
vehicles within their charging points, so that random
scenarios are generated considering the number of
connected vehicles and the percentage of vehicle
charging. Another aspect that is considered is the
integration of photovoltaic generation systems, so that
an analysis of their impact on the operation of the
electric grid is performed, taking into account the
random operation of the electric station.
Resumen
En el presente artículo se presenta el estudio de la
estimación de demanda de una estación de carga de
vehículos eléctricos basado en el uso de simulación de
Montecarlo. La modelación del sistema eléctrico se lo
realiza a través del software de PowerFactory, por otra
parte, para el desarrollo de las simulaciones de Montecarlo
y el procesamiento de la información, se lo realiza a través
del uso del software de Python. El análisis en general está
enfocado en determinar el impacto de la integración de
vehículos eléctricos en la red eléctrica, de forma que se
generan escenarios que emulen la operación de la
electrolinera, teniendo en cuenta la demanda de vehículos
eléctricos dentro de sus puntos de carga, de forma que se
generan escenarios aleatorios considerando el número de
vehículos conectados y el porcentaje de carga de los
vehículos. Otro aspecto que se considera es la integración
de sistemas de generación fotovoltaica, de forma que se
realiza el análisis de su impacto en la operación de la red
eléctrica teniendo en cuenta la operación aleatoria de la
electrolinera.
Index terms−− Montecarlo, probabilistic, pv systems,
electric vehicles, charging station.
Palabras clave−− Montecarlo, probabilísticos, sistemas
fotovoltaicos, vehículos eléctricos, electrolinera.
52
Edición No. 20, Issue I, Julio 2023
1. INTRODUCCIÓN
El presente trabajo se enfoca en buscar energías
alternativas que sustituyan el consumo de combustibles
fósiles en transporte, el cual es el causante de la
contaminación atmosférica en un 80% aproximadamente
[1]. Para el ingreso de vehículos eléctricos en el sistema
de transporte es necesario el análisis de la adecuación del
sistema eléctrico actual a diferentes posibilidades de
consumo.
Un limitante para la adquisición de vehículos
eléctricos en Ecuador, es que se dispone solo de cuatro
ciudades donde se puede realizar la provisión de estas
unidades con disponibilidad de estaciones de carga.
Cabe recalcar que Tungurahua está posicionada en el
puesto tres en comercialización de vehículos [2] y
buscando nuevas tecnologías amigables con el medio
ambiente, realizando estudio de mercado y pruebas de
rutas para el sector de vehículos eléctricos. Por lo cual
nace la idea del estudio y diseño para una estación de
carga en la zona centro del país.
Según Plan Nacional de Eficiencia Energética del
Ecuador-PLANEE, mediante un modelo logarítmico
estima una capacidad máxima de 2MW para el año 2018
que representa 425 vehículos, y para el 2027 estima
proveer 7MW [3].
Es muy importante considerar el comportamiento de
la demanda teniendo en cuanta las redes de distribución.
Analizando perfiles de voltaje y potencia máxima en la
estación de carga. Además, se tiene que tener en cuenta
la hora del día, y si la carga es lenta, rápida o super rápida.
Mediante simulaciones de Monte Carlo a través de un
modelo matemático en un paquete computacional, se
desarrollará “n” simulaciones, las mismas que
representarán distintos escenarios operativos, y estimar
perfiles de demanda de energía, considerando la
disponibilidad de vehículos eléctricos y las
características de carga, y posible impacto sobre la red de
distribución.
Con las características previas para la estimación de
escenarios posibles con el desarrollo del método Monte
Carlo, se logrará estimar la potencia y energía consumida
por una flota de vehículos eléctricos.
Dentro del análisis se realizará la integración
progresiva de vehículos eléctricos de distintas
características hacia la red eléctrica. Y de igual forma una
serie de vehículos de forma progresiva a la estación de
carga.
2. MARCO TEÓRICO
2.1. Fundamentación Teórica
2.1.1 Sistemas Eléctricos de potencia Modernos
La concepción tradicional de los sistemas eléctricos
de potencia es la generación, transmisión y distribución
de energía eléctrica. [4]
En la concepción de los sistemas eléctricos de
potencia modernos, es importante que represen las
siguientes características [5]:
• Permita la integración de energías renovables.
• Participación activa de los clientes para que la
conservación de la energía sea mejor.
• Uso adecuado de los activos existentes con
enfoque en la sostenibilidad a largo plazo.
• Optimización del flujo de energía para la
reducción de pérdidas y disminución de costo de
energía.
• Integración de vehículos eléctricos para la
reducción de la dependencia de combustible de
hidrocarburos.
• Gestión de la generación distribuida y
almacenamiento de energía.
• Integración de sistemas de comunicación y
control que promuevan la interoperabilidad, e
incrementen la seguridad y confiabilidad
operativa.
2.1.2 Características de la Carga
En un sistema eléctrico, el consumidor final o carga
del sistema puede estar relacionado con un cliente
individual o grupo de clientes, los cuales tienen un
comportamiento variante en el tiempo dentro de la red de
distribución [6].
Las cargas son elementos que consumen, generan o
controlan potencia activa y/o reactiva, además de tener
sensibilidad frente a variaciones transitorias, dinámicas o
de estado estable [7].
2.1.3 Vehículos Eléctricos
Los vehículos eléctricos se caracterizan por el tipo de
tecnología que emplean dentro de su estructura, los
principales tipos a nivel mundial son los siguientes:
• Vehículos eléctricos de Baterías (BEV): Emplea
100% energía eléctrica, grandes baterías y alcanza
de 160 a 250 km de autonomía con una sola carga.
Son los vehículos sobre los cuales se concentrará
el presente estudio.
• Vehículos eléctricos híbridos enchufables
(PHEV): dispone de un motor de combustión
interna convencional y un motor eléctrico. Que se
lo carga a través de un enchufe.
2.1.4 Sistemas de Estaciones de Carga para Vehículos
Eléctricos
Las estaciones de carga de vehículos eléctricos deben
tener características como sistemas de conversión de
energía de alto voltaje y corriente para el caso de carga
rápida, además de tener la capacidad de suplir la demanda
53
Lascano et al. / Estimación de la Demanda de Vehículos Eléctricos mediante la Aplicación de Métodos Probabilísticos
de un determinado número de cargas y vehículos
conectados [8]. Los tipos de estación de carga son los
siguientes [8] [9] [10] [11].
• Estaciones de Cargas Residenciales: extrae
menos corriente de la red, minimizando el
impacto de la demanda de voltaje adicional en
horas pico. Usualmente la carga se realiza en
horario nocturno, lo cual da una eficacia de costo
e impacto a la red.
• Estación de carga de estacionamiento:
aprovecha el tiempo de estacionamiento de los
usuarios, lo cual en tiempo es un promedio de 4 a
8 horas en lugares de trabajo, restaurantes y
centros comerciales.
• Estaciones de carga públicas: el objetivo
principal es proporcionar estaciones de carga
rápida. Usando conversores estáticos de tipo AC-
DC y DC-DC, conectados a un bus DC de tipo
capacitivo, es objetivo principal del presente
trabajo.
2.2. Fundamentación metodológica
De acuerdo con la norma IEC 618581-1, los sistemas
de carga rápida se encuentran en puntos de carga
públicos, los cuales proporcionan una corriente de carga
mucho mayor [12].
Los modelos de carga relacionados con vehículos
eléctricos son: modelos de carga tradicionales, modelos
derivativos y modelos con incertidumbre aleatoria [13].
2.2.1 Modelo de carga tradicional
Emplean modelos de carga clásicos de impedancia,
corriente o potencia constante:
• Modelo de corriente constante: se los denomina
vehículos de red o en ingles V2G (vehicle to Grid)
[13]. Y se usa este modelo para el análisis de
estabilidad de voltaje [14].
• Modelo de Potencia Constante: el modelo
contempla variaciones de potencia activa y
reactiva en los vehículos eléctricos, con
independencia de variaciones de voltaje [11]. Es
usado en estudios de estabilidad de voltaje en
sistemas de distribución con alta penetración de
vehículos eléctricos [13].
• Modelo de Impedancia Constante: Tiene una
tasa de variaciones constantes entre la variación
de voltaje y la corriente de entrada de vehículo
eléctrico.
2.2.2 Modelo de carga derivativo
La impedancia de entrada del sistema de carga es
constante, por lo que se tiene una tasa de variación
constante entre el voltaje y corriente de entrada al
vehículo eléctrico.
• Modelo exponencial: considera el
comportamiento de un cargador de baterías, el
cual tiene una etapa de rectificador de voltaje de
la red con control de factor de potencia y un
convertidor DC-DC con modulación de ancho de
pulso (PWM), dada por la siguiente expresión:
  󰇡
󰇢 (1)
Donde:
• : potencia consumida
• : voltaje de referencia
• : tasa de variación de la componente total de
potencia 
• : tasas de variación de la componente
dependiente de voltaje 
• : potencia total de entrada
• : parámetro que determina el tipo de variación
entre la potencia y voltaje del vehículo
• Modelo polinomial ZIP: está basado en un
cargador de vehículos eléctricos, consta de un
convertidos AC/DC controlado con un filtro en el
lado de AC y un convertidor tipo Buck DC/DC.
Se lo controla con variación de corriente y voltaje
para rangos de batería entre el 0 y 100%. La
relación de potencia consumida y variación de
carga, potencia y corriente está dada por:


 󰇡




󰇢 (2)


 󰇡




󰇢 (3)
Donde
•
: potencia activa a la potencia nominal
•
: potencia reactiva a la potencia nominal
•





: parámetro ZIP que
me ajuste tienen en el modelo.
• Modelo con distribución de probabilidad: se
basa en el uso de distribución de probabilidad
considerando por ejemplo el estado inicial de la
carga, o el consumo promedio de potencia del
vehículo eléctrico [15]. Y se caracteriza por:
o La definición de la variable aleatoria y el
campo de variación.
o Determinar las probabilidades a través de la
definición de una función de distribución.
2.2.3 Modelo de carga con incertidumbre aleatoria
Es un modelo no determinístico que emplea una
distribución espacial y temporal de los vehículos
eléctricos, considerando los hábitos y comportamiento de
los conductores, en el modelo de predicción de rutas
optimas, horarios de carga [16].
54
Edición No. 20, Issue I, Julio 2023
2.3. Estación de carga rápida
En este tipo de estación se estima que, entre 15 a 30
min, llega a una carga de 0 a 80% de la batería del
vehículo [17].
La potencia entregada por estaciones convencionales
está entre 20 kW a un voltaje entre 200 y 600V [18]. Para
aspectos como la regulación de tipos de carga, tipos de
cargadores o modo de carga, no existe normativa vigente
en Ecuador por lo que toca referirse a la normativa
internacional vigente.
La Asociación Española de Normalización (AENOR)
es una certificadora de estándares y protocolos a nivel
mundial. AENOR certifica normas ISO 6469-3, UNE-
EN 61851-1 o IEC 61851-1.
2.4. Simulación de Montecarlo
La simulación de Montercarlo se basa en la
generación de datos de forma aleatoria, mediante el uso
de funciones de distribución conocidas, y puede ser usada
en el análisis de escenarios para realizar estimaciones y
toma de decisiones a partir de variables con
incertidumbre.
• Tiene como salida la generación de muestras
basadas en modelos probabilísticos
• Los datos de entrada se basan en curvas de
distribución
• El resultado obtenido se lo conoce al realizar una
serie de experimento.
3. PROPUESTA METODOLÓGICA
Para el análisis del problema se propone el estudio de
la estimación de la demanda de una estación de carga de
vehículos eléctricos a través del uso de simulaciones de
Montecarlo.
Para este fin, se hace uso del software PowerFactory
de DIgSILENT, en donde se parametrizan los elementos
del alimentador del sistema de distribución, sistema de
generación fotovoltaica, cargas de vehículos eléctricos y
el sistema de carga de vehículos eléctricos. Se genera
varios casos operativos con la finalidad de evaluar la
capacidad de carga del sistema de distribución mediante
el uso del modelo Montecarlo.
3.1. Demanda de vehículos eléctricos
Para definir la demanda de vehículos eléctricos, se
toma como referencia las características de los vehículos
presentes en el mercado, tal como se muestra en la Tabla
1.
Tabla 1: Distribución de probabilidad de vehículos eléctricos por
marca [19] [6] [20]
Marc
a
Potenc
ia
activa
[kW]
Capacid
ad
[kWh]
Autonom
ía [km]
KWh/k
m
Renau
lt Zoe
65
22
160
0.14
Renau
lt
Kango
o
44
24
160
0.14
Nissan
Leaf
80
24
120
0.20
BYD
E5
160
48
240
0.20
Kia
Soul
81.4
27
212
0.12
3.2. Modelos de sistemas eléctricos y estaciones de
carga de vehículos eléctricos
Los aspectos importantes para la simulación en el
software PowerFactory son las características de los
vehículos eléctricos, estaciones de carga, sistemas
fotovoltaicos, además del dimensionamiento con base en
la característica de carga rápida.
Se considera la modelación de un sistema de
distribución mediante el uso de PowerFactory de
DIgSILENT.
Figura 1: Alimentador de distribución
En la Fig. 1, se muestra el modelo del alimentador
primario del sistema de distribución, posterior pasa por
un transformador adjunto, obteniendo los voltajes
adecuados para la alimentación a la red residencial.
A continuación, en la Tabla 2 se muestra las
características de alimentación de la barra Ambato, y en
la Tabla 3 las características del trasformador de
distribución.
55
Lascano et al. / Estimación de la Demanda de Vehículos Eléctricos mediante la Aplicación de Métodos Probabilísticos
Tabla 2: Características de alimentador Ambato
TRIFASICO
MONOFÁSICO
SK"
1131.556
MVA
X1
4.619237
ohm
IK"
9.468177
kA
R0
0.1188596
ohm
R1
0.00605648
pu
X0
2.581746
ohm
X1
0.09702242
pu
X0/X1
0.55891179
X/R
16.0196054
R0/X0
0.04603846
Voltaje
Ángulo
Voltaje
0.9996995
-9.45
Tabla 3: Características de trasformador de distribución [21]
Potencia Nominal
200 kVA
Voltaje Nominal en el
primario
22 kVA
Voltaje Nominal en el
secundario
400 V
Perdidas en el cobre en vacío
650 W
Pérdidas en el cobre con carga
3250 W
Voltaje de cortocircuito
4%
Grupo de conexión
Dyn11
Para la integración de sistemas de energía renovable
se consideró el uso de Paneles fotovoltaicos, obsérvese
en la Fig. 2.
Figura 2: Modelos de Paneles fotovoltaicos en PowerFactory
El dimensionamiento del panel fotovoltaico está dado
por:
 󰇛
 󰇜

(4)
Donde:
HSP: radiación solar sobre metro cuadrado.
Para determinar el número de paneles solares se
utiliza la ecuación 5.
 
 (5)
Donde:
: potencia máxima de panel fotovoltaico
En la Fig. 3, se observa la estación de carga modelada
con una de las barras del sistema, de manera que la
demanda de carga del sistema se vea reflejada en la
misma.
Figura 3: Modelo de Estación de carga en PowerFactory
3.3. Estimación de demanda en vehículos eléctricos
Para las funciones de probabilidad de entrada a la
simulación de Montecarlo, se considera las
distribuciones de probabilidad por marca de los vehículos
que se encuentran en el mercado [6] [20]. Tabla 4.
Tabla 4: Distribución de probabilidad de vehículos eléctricos para
marca [19] [6] [20]
Marca
Probabilidad
Renault Zoe
0.08
Renault Kangoo
0.10
Nissan Leaf
0.12
BYD E5
0.30
Kia Soul
0.31
La distribución de horas de carga se realiza enfocado
en vehículos eléctricos emitido por el MMERNNR y
ARCERNNR [22], se observa en la Tabla 5.
Tabla 5: Distribución de probabilidad de inicio de conexión
Probabilidad
Hora [h]
Jueves
Viernes
Sábado
0:00
0
0
0
1:00
0
0
0
2:00
0
0
0
3:00
0
0
0
4:00
0
0
0
5:00
0
0
0
6:00
0
0
0
7:00
0.01
0.01
0.01
8:00
0.02
0.02
0.02
9:00
0.04
0.04
0.04
10:00
0.08
0.08
0.08
11:00
0.02
0.02
0.02
12:00
0.04
0.04
0.04
13:00
0.18
0.18
0.18
14:00
0.12
0.12
0.12
15:00
0.07
0.07
0.07
16:00
0.03
0.03
0.03
17:00
0.01
0.01
0.01
18:00
0.12
0.12
0.12
19:00
0.16
0.16
0.16
20:00
0.08
0.08
0.08
21:00
0.02
0.02
0.02
22:00
0.01
0.01
0.01
23:00
0
0
0
56
Edición No. 20, Issue I, Julio 2023
Se considerará a un valor del 40 % del valor medio
como desviación estándar [23] [24]. Además, otros
parámetros que aumentarán a la aleatoriedad del modelo
es el uso de la distribución de probabilidad por vehículo
eléctrico y la distribución de probabilidad por hora y día.
En este sentido la generación de números aleatorios
estará dada por:

󰇛


󰇜
(6)
Dentro del parámetro del valor medio, se considerará
la aleatoriedad de la integración de uno o dos vehículos
al punto de carga o la posibilidad que ningún vehículo
esté conectado al punto de carga a través de la variable n.
3.4. Estimación de la demanda en electrolineras
Se utiliza un proceso de carga rápida, el cual dependerá
de tres factores
• Tamaño de batería (kWh)
• Potencia del punto de recarga (kW)
• Potencia máxima de recarga del vehículo
eléctrico.
Si tienen diferente potencia el punto de carga y el
vehículo, tendrá mayor predominancia el menor.
Se estima la entrada de cada cargador en 58 KVA
[26]. Tiene un factor de potencia de 0,95 de acuerdo con
CONELEC-044/11. La potencia que consume cada
cargador será de 55.1 kW, y la potencia total de los
cargadores será de 275.5 kW. Además, tendrá consumos
auxiliares que se añaden a la potencia total (Tabla 6).
Tabla 6: Previsión de carga de la electrolinera considerando
cargadores y servicios auxiliares [21]
Estación
de Carga
Voltaje
[V]
Consumo
[kW]
Potencia
[kW]
Factor
de
Potencia
V=400 V
Cargador
1
400
55.1
55.1
0.95
Cargador
2
400
55.1
55.1
0.95
Cargador
3
400
55.1
55.1
0.95
Cargador
4
400
55.1
55.1
0.95
Cargador
5
400
55.1
55.1
0.95
275.5
Estación de
Carga
Corriente
Nominal [A]
Factor de
demanda
kVA
máximo
V=400 V
Cargador 1
83.72
1.00
58
Cargador 2
83.72
1.00
58
Cargador 3
83.72
1.00
58
Cargador 4
83.72
1.00
58
Cargador 5
83.72
1.00
58
418.6
TOTAL
290
Demanda
máxima
[kVA]
174
Demanda
máxima [kW]
165
Carga 220-
170 V
Voltaje
[V]
Consumo
[W]
Cantidad
[Unidades]
Potencia
[W]
Iluminación
exterior
220
100
15
1500
Tomacorriente
220
200
10
2000
Motor
220
2238
1
2238
5738
Carga 220-170
V
Corriente
Nominal
[A]
Factor de
demanda
kVA
máximo
Iluminación
exterior
7.18
0.70
1.11
Tomacorriente
9.57
0.35
0.74
Motor
10.71
1.00
2.36
16.75
TOTAL
4.20
Demanda
máxima [kVA]
174
Demanda
máxima [kW]
165
Potencia Total
Demandada
[kVA]
178.20
Potencia Total
Demandada
[kW]
169.29
3.5. Simulación de Montecarlo
La simulación de Montecarlo se basa en el diagrama
de flujo de la Fig. 4 y sigue los siguientes pasos: Cálculo
de condiciones iniciales, Generación de curvas de
distribución normal, Modificar los valores de los perfiles
de carga de los EV, Generación de estados operativos
aleatorios, asignación de condiciones operativas, cálculo
de flujo de potencia, extracción, procesamiento y análisis
de resultados.
Figura 4: Diagrama de flujo de Simulación de Montecarlo
Propuesta
57
Lascano et al. / Estimación de la Demanda de Vehículos Eléctricos mediante la Aplicación de Métodos Probabilísticos
4. RESULTADOS
Se considera la Tabla 7 para la ubicación de
vehículos.
Tabla 7: Ubicación de vehículos considerando sus condiciones
iniciales de potencia activa
Marca
Punto de Carga
Potencia activa [kW]
Renault Zoe
1
65
Renault Kangoo
2
44
Nissan Leaf
3
80
BYD E5
4
160
Kia Soul
5
81.4
En la Fig. 5 se observa el comportamiento del Voltaje
al momento de integración de cada vehículo, obteniendo
una caída de voltaje de forma progresiva hasta llegar a un
valor inferior del límite (0.92 p. u).
Figura 5: Perfil de voltaje de barra de electrolinera-Condiciones
Iniciales
Para el análisis se realiza la inclusión de los siguientes
vehículos con los diferentes perfiles de carga.
Figura 6: Frecuencia de la barra de la electrolinera-Condiciones
iniciales
Tabla 8: Perfil de carga de vehículos eléctricos para cálculo de
condiciones iniciales
Potencia [kW]
Tiempo
Potencia acumulada
[kW]
81.4
3
81.4
80
6
161.4
160
9
321.4
44
12
365.4
65
15
430.4
En la Fig. 6 se observa que la frecuencia de la barra
presenta valores transitorios en cada integración de cada
vehículo. En donde los valores más elevados son durante
la conexión de la carga acumulada.
Figura 7: Potencia activa del trasformador de trasformador
iniciales
La Fig. 7 y 8 ante la integración de vehículos en la
red. Se observa el comportamiento de la potencia activa
y reactiva del transformador de distribución.
Figura 8: Potencia reactiva del trasformador de distribución-
condiciones Iniciales
58
Edición No. 20, Issue I, Julio 2023
El análisis se lo realiza en el lado de bajo voltaje, y
presenta un similar comportamiento de la barra de la
electrolinera, manteniéndose dentro del límite estable.
Figura 9: Voltaje del trasformador de distribución en el lado de
bajo voltaje- condiciones iniciales
Figura 10: Voltaje del alimentador primario-Condiciones iniciales
En la Fig. 10 no presentan caídas de voltaje
significativas y representa el lado de voltaje del
alimentador primario.
Para perfiles de carga se ha definido la curva de carga
para los días jueves, viernes y sábado, y se considera el
de mayor valor medio de demanda el BYD E5 con una
potencia media de 160 kW. Obteniendo el siguiente perfil
de carga para el día jueves 13:0 pm.
Figura 11: Cargabilidad del alimentador de la electrolinera-
condiciones iniciales
Figura 12: Curva de distribución de probabilidad vehículo
BYD E5. día jueves 13:00 pm
Figura 13: Curva CDF de distribución de probabilidad vehículo
BYD E5. día jueves 13:00 pm
En la Fig. 13 se observa el comportamiento frente a
la generación de casos operativos, teniendo una mayor
probabilidad de valores de carga entre 40 y 80 kW.
Simulación Montecarlo
Caso 1: demanda día jueves
Se realiza 1000 simulaciones, obteniendo las Tablas
9, 10 y 11.
Tabla 9: Valores máximos y mínimos de voltaje en las barras del
sistema
Voltaje [p.u.]
Elemento
Máximo
Mínimo
Barra Alimentador Ambato
1.02
1.02
Barra LV Transformador
Distribución
1.015
0.997
Barra Electrolinera
1.015
0.885
Manzana 1
1.009
0.991
Manzana 2
1.005
0.987
Manzana 3
1.001
0.982
Manzana 4
0.999
0.981
Manzana 5
1.009
0.991
Manzana 6
1.007
0.989
Manzana 7
1.002
0.983
Manzana 8
1.002
0.983
Manzana 9
1.004
0.985
Manzana 10
1.001
0.982
Manzana 11
0.996
0.978
59
Lascano et al. / Estimación de la Demanda de Vehículos Eléctricos mediante la Aplicación de Métodos Probabilísticos
Manzana 12
0.996
0.978
Manzana 13
0.996
0.977
Manzana 14
1.000
0.981
Manzana 15
0.993
0.974
Manzana 16
0.989
0.971
Manzana 17
0.990
0.971
Manzana 18
0.990
0.972
Tabla 10: Valores máximos y mínimos de potencia activa
Potencia Activa [kW]
Máximo
Mínimo
EV Punto de Carga 1
65.877
0
EV Punto de Carga 2
44.654
0
EV Punto de Carga 3
81.144
0
EV Punto de Carga 4
166.254
0
EV Punto de Carga 5
84.126
0
Tabla 11: Valores máximos y mínimos de carga de las líneas del
sistema
Cargabilidad [%]
Elemento
Máximo
Mínimo
LN LV Charge
52.724
0
LN LV 01
12.566
12.339
LN LV 02
7.603
7.463
LN LV 03
15.16
14.882
LN LV 04
10.236
10.044
LN LV 05
7.626
7.485
LN LV 06
25.378
24.909
LN LV 07
27.735
27.229
LN LV 08
35.268
34.610
LN LV 09
46.113
45.266
LN LV 10
18.587
18.252
LN LV 11
29.891
29.348
LN LV 14
22.883
22.454
LN LV 15
7.653
7.511
LN LV 16
29.110
28.565
LN LV 17
7.598
7.459
LN LV 18
10.173
9.984
LN LV 20
7.627
7.486
LN LV 21
7.567
7.429
LN LV 22
28.896
28.364
LN LV 23
13.621
13.372
LN LV 24
7.585
7.447
LN LV 25
6.066
5.955
LN LV 26
10.245
10.053
LN LV 27
7.678
7.536
Figura 14: Histograma de voltaje de la barra de electrolinera.
Caso 1
En la Tabla 10 se observa que la barra de electrolinera
tiene un valor de 0,885 p.u que está bajo el límite mínimo.
Pero ocurre en menor frecuencia como se observa en la
Fig. 14.
Se considera el uso de CDF, obteniendo que los
escenarios de operación fuera del límite inferior de
voltaje no sobrepasa el 30%. Por lo que se necesita definir
estrategias para mitigar en cierta forma dichos
escenarios.
Figura 15: CDF de voltaje de barra de la electrolinera. Caso 1
Figura 16: Generación de casos-Porcentaje del vehículo eléctrico
1. Caso 1
60
Edición No. 20, Issue I, Julio 2023
Figura 17: Generación de casos-Potencia activa de vehículo
eléctrico. Caso 1
Figura 18: Generación de casos-Potencia acaba de vehículos 1.
Caso 1
En la Fig. 16 y 17 se observa que se toma valores de
carga del vehículo desde 0 a 100%, lo cual permite
obtener un espectro de todos los casos posibles.
En la Fig. 18 la cargabilidad de la línea de
alimentación de la electrolinera presenta valores que
superan el 77% hasta 135%, poco recurrentes
presentando un escenario de sobrecarga de líneas.
Caso 2: Integración de sistemas fotovoltaicos
Teniendo un escenario de sobrecarga de 35%,
considerando que la potencia máxima promedio es 430.4
kW. Se considera suplir el 60% del excedente mediante
el uso de panales solares.
Tabla 13: Comparación de valores de voltaje de los casos de
estudio con y sin PV
Voltaje [p.u.]
Elemento
Mínimo
sin PV
Mínimo
con PV
Barra Alimentador Ambato
1.02
1.02
Barra LV Transformador Distribución
0.997
1.013
Barra Electrolinera
0.885
0.963
Manzana 1
0.991
1.008
Manzana 2
0.987
1.004
Manzana 3
0.982
0.999
Manzana 4
0.981
0.998
Manzana 5
0.991
1.016
Manzana 6
0.989
1.018
Manzana 7
0.983
1.002
Manzana 8
0.983
1.002
Manzana 9
0.985
1.007
Manzana 10
0.982
1.001
Manzana 11
0.978
0.996
Manzana 12
0.978
0.996
Manzana 13
0.977
0.996
Manzana 14
0.981
1.001
Manzana 15
0.974
0.997
Manzana 16
0.971
0.993
Manzana 17
0.971
0.993
Manzana 18
0.972
0.993
Tabla 14: Ubicación y Potencia de paneles fotovoltaicos
UBICACIÓN
POTENCIA INSTALADA [KW]
Manzana 1
10
Manzana 6
10
Manzana 9
10
Manzana 15
10
Electrolinera
60
TOTAL
100
Al integrar paneles solares el voltaje de la barra de la
electrolinera pasa de 0.885 a 0.963 p.u. ubicándose
dentro de los límites de operación. En donde los sistemas
de PV tienen un aporte del 13.89%, lo cual beneficia las
condiciones operativas del sistema.
Figura 19: CDF de voltaje de la barra de electrolinera. Caso 2
Figura 20: Cargabilidad de la línea de alimentación de la barra de
la electrolinera. Caso 2
61
Lascano et al. / Estimación de la Demanda de Vehículos Eléctricos mediante la Aplicación de Métodos Probabilísticos
En la Fig. 19, de acuerdo con la curva CDF, se
observa que mínimamente baja del valor de 1 p.u, lo cual
es algo aceptable.
En la Fig. 20 se tiene valores que no superan el 16 %
en el estado de carga de la línea de alimentación a la barra
de electrolinera, teniendo un beneficio importante para la
red.
5. CONCLUSIONES Y RECOMENDACIONES
El estudio y análisis de la demanda considerando la
integración de nuevas cargas especiales a un sistema
eléctrico de potencia es de gran importancia frente a la
planificación de los sistemas de distribución, en este
sentido como se observó es imprescindible el uso de
herramientas de tipo determinísticas como en el estado
del arte, o de herramientas complementarias como lo es
la simulación de MonteCarlo.
A través del uso de la simulación de MonteCarlo es
posible la generación de un número determinado de casos
operativos. En este sentido, es importante conocer el
modelo en el cual se va aplicar, definiendo las entradas y
salidas que se van a obtener, además de definir las
herramientas estadísticas o probabilísticas para su
modelado.
Se pudo observar que la aleatoriedad que presenta el
modelo permite definir aspectos como de los casos
críticos del sistema que es de los parámetros más
importantes frente al análisis y la posibilidad de definir
contingencias frente al mejoramiento de la respuesta del
sistema.
Al tener escenarios críticos, se ha considerado la
inclusión de la generación de tipo fotovoltaica en el
sistema, de forma que permite mitigar los efectos de la
inclusión de los vehículos eléctricos en la barra de la
electrolinera, tal como se observó en los resultados
obtenidos, fue de gran beneficio para la red, de manera
que se ha mejorado la respuesta del voltaje del sistema.
Es importante que en el país se desarrolle una
normativa y una regulación frente al análisis de la
demanda de vehículos eléctricos en el sistema, con la
posibilidad de definir aspectos característicos para la
evaluación de su impacto en la red eléctrica.
REFERENCIAS BIBLIOGRÁFICAS
[1]
«Los Sistemas Inteligentes de Transporte y sus
Efectos en la Movilidad Urbana e Interurbana,»
Scripta Nova, vol. 6, nº 170, pp. 741-798, 2004.
[2]
A. V. Uyaguari Guachisaca, «Análisis del
requerimiento operativo y legal para los vehículos
eléctricos en el Distrito Metropolitano de Quito,
DMQ,» Quito, 2020.
[3]
A. V. Penados Ríos y D. Zuluaga Ocampo,
«Implementación de un Sistema de Simulación
para la Estimación del Impacto de los Vehículos
Eléctricos sobre el Sistema Eléctrico en la Ciudad
de Pereira,» Pereira, 2020.
[4]
J. López, J. Rider y J. Contreras, «Electric
Distribution Network Planning Under
Uncertainty,» 2020.
[5]
R. N. Anderson, R. Ghafurian y H. Garavi, «Smart
Grid The Future of the Electric Energy System,»
2010.
[6]
L. I. Sánchez Loor y V. E. Calle García,
«Estimación de parámetros de planificación y
curva de carga de vehículos eléctricos en base a
mediciones,» CIER, 2017.
[7]
R. Rifaat, «On Composite Load Modeling for
Voltage Stability and Under Voltage Load
Shedding,» Proceedings of IEE PES General
Meeting, pp. 1603-1610, 2004.
[8]
S. Pareek, A. Sujil y S. Ratra, «Electric Vehicle
Charging Station Challenges and Opportunities: A
Future Perspective,» International Conference on
Emerging Trends in Commnunication, Control and
Computing, 2020.
[9]
A. Santos, N. McGuckin, Y. Nakamoto, D. Gray y
S. Liss, «Summary of travel trends: 2009 national
household travel survey,» Tech. Rep. , 2011.
[10]
S. Divyapriya y R. Vijayakumar, «Design of
residential plugin electric vehicle charging station
with time of use tariff and iot technology,» 2018
International Conference on Soft-computing and
Network Security (ICSNS), pp. 1-5, 2018.
[11]
A. S. Varghese, P. Thomas y S. Varghese, «An
efficient voltage control strategy for fast charging
of plug-in electric vehicle,» 2017 Innovations in
Power and Advanced Computing Technologies (i-
PACT), pp. 1-4, 2017.
[12]
C. Chan y K. Chau, «Modern electric vehicle
technology,» Oxford (England): Oxford University
Press, 2001.
[13]
J. Gil Aguirre, S. Pérez Londoño y J. Mora Flórez,
«Análisis de los modelos de carga propuestos para
los vehículos eléctricos,» 2017.
[14]
M. El Chehaly, O. Saadeh, C. Martínez y G. Joos,
«Advantages and applications of vehicle to grid
62
Edición No. 20, Issue I, Julio 2023
mode of operation in plug-in hybrid electric
vehicles,» IEEE Electrical Power and Energy
Cnference, 2009.
[15]
Y. Zhang, P. Rousseaux, I. Wehenkel y M. Pavella,
«SIME: A Comprehensive Approach to Fast
Transient Stability Assesment,» Proceedings of
IEE-Japan, Power and Energy '96, pp. 177-182,
1996.
[16]
A. Selim, M. Abdel-Akher y M. Aly, «Plug-in
hybrid electric vehicles aggregation and real-time
active power control simulation analysis in
distribution systems,» IEEE Power Systems
Conference (MEPCON). Eighteenth International
Middle East, pp. 723-728, 2016.
[17]
M. De Freige, «Design and simulation of a fast-
charging station for plug-in hybrid electric
vehicle(PHEV) batteries,» 2011.
[18]
S. E. Siavichay Morocho, «Modelado de
Estaciones de Carga Rápida para Vehículos
Eléctricos y sus Efectos en un Sistema de
Distribución de Energía Eléctrica,» Cuenca, 2017.
[19]
L. A. Quizhpe Conde, «Diseño eléctrico de un
sistema de recarga rápida (electrolinera) para
baterías de vehículoss eléctricos,» Loja, 2018.
[20]
O. D. Chacón Herrera , «Análisis del Impacto de la
Carga de Vehículos Eléctrico en Tranformadore de
Distribución,» Quito, 2021.
[21]
J. A. Pumashunta Pumashunta, «Propuesta de
Implementación de una estación de carga para
baterías eléctricas vehiculares,» Latacunga, 2021.
[22]
L. I. Sáncehz Loor, «Modelo para la Proyección de
Vehículos Eléctricos Particulares en el Ecuador y
sus Requerimientos de Demanda, utilizando
patrones de crecimiento logístico y simulación de
MonteCarlo,» Quito, 2022.
[23]
L. L. Chiza y J. C. Cepeda, «Predicción del Margen
de Estabilidad de Corredores de Transmisión
Aplicando Criterios de Minería de datos y
Algoritmos de Machine Learning,» Revista
Técnica "energía", vol. 18, nº 1, pp. 37-47, 2021.
[24]
J. Riofrio, M. Chamba y J. Cepeda, «Evaluación
Probabilística y Gestión del Riesgo de la Cargabilidad
de la Redpor laPuesta en Servicio del Metro de
Quito considerando el Movimiento Estocástico de
los Trenes Eléctricos,» Revista Técnica "energía",
pp. 1-11, 2019.
Julio Lascano Vásquez.- nació en
la provincia de Tungurahua el 20 de
enero de 1986. Cursó sus estudios
de Ingeniería mecánica en la
Universidad Técnica de Ambato,
realizó estudios de Posgrado en la
Universidad Técnica de Ambato y
Universidad Técnica de Cotopaxi.
Se desempeña como profesional en la empresa
VEHICENTRO VEHICULOS Y CAMIONES
CENTRO SIERRA S.A.
Roberth Saraguro Ramirez.-
nació en la provincia de Loja el 18
de enero de 1982. Cursó sus
estudios de Ingeniera Eléctrica en la
Escuela Politécnica Nacional.
Realizó estudios de Posgrado en la
Escuela Politécnica Nacional y
Universidad Nacional de Rosario
Argentina. Se desempeña como profesional en el área de
operación en tiempo real del sistema eléctrico Quito.
Carlos Quinatoa.- Ingeniero en
Sistemas Eléctricos de Potencia de
la Universidad Técnica de
Cotopaxi, Máster en Ciencias de la
Ingeniería Eléctrica de la
Universidad Tecnológica de Pereira
y Aspirante a Doctor en Ciencias de
la Ingeniería Eléctrica de la
Universidad Central de Venezuela, estudios realizado
mediante la obtención de la beca Alemana DAAD,
miembro activo del Instituto de Ingenieros Eléctricos y
Electrónicos IEEE, investigador junior de la IEEE,
consejero de la Rama Estudiantil IEEE-UTC,
coordinador de la Maestría en Electricidad Mención
Sistemas Eléctricos de Potencia de la UTC, docente
investigador de ingeniería en electricidad y maestría en
electricidad de la UTC.
Jessy Tapia Palma.- nació en la
provincia de Cotopaxi el 26 de
enero de 1985. Cursó sus estudios
de Ingeniería en la ESPE, realizó
estudios de posgrado en la
Universidad de Cotopaxi. Se
desempeña como profesional en el
IESS
63
Lascano et al. / Estimación de la Demanda de Vehículos Eléctricos mediante la Aplicación de Métodos Probabilísticos
Luis Chiza.- nació en Atuntaqui, en
diciembre de 1993. Recibió su título
de Ingeniero en Electrónica y
Control en la Escuela Politécnica
Nacional; culminó sus estudios de
Máster en Electricidad mención en
Redes Eléctricas Inteligentes de la
Escuela Politécnica Nacional. Actualmente trabaja en
la Subgerencia Nacional de Investigación y Desarrollo
en convenio entre CELEC EP-Coca Codo Sinclair
y CENACE. Sus campos de investigación son: sistemas
de control, Smart Grids, Redes industriales, control de
máquinas eléctricas.
64