Artículo Académico / Academic Paper
Recibido: 27-03-2023, Aprobado tras revisión: 14-06-2023
Forma sugerida de citación: Ríos, J.; Quinatoa, C.; Casillas, G. (2023). “Ubicación Óptima de Reconectadores en Redes de
Distribución con Generación Distribuida Utilizando Algoritmos Genéticos e Índices de Calidad de Servicio”. Revista Técnica
“energía”. No. 20, Issue I, Pp. 65-72
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v20.n1.2023.571
© 2023 Operador Nacional de Electricidad, CENACE
Optimal Location of Reclosers in Distribution Networks with Distributed
Generation Using Genetic Algorithms and Service Quality Indexes
Ubicación Óptima de Reconectadores en Redes de Distribución con
Generación Distribuida Utilizando Algoritmos Genéticos e Índices de Calidad
de Servicio
J.C. Ríos 1 C.I. Quinatoa 1 G.I. Casillas 2
1Universidad Técnica de Cotopaxi, Latacunga, Ecuador
E-mail: juan.rios6243@utc.edu.ec; carlos.quinatoa7864@utc.edu.ec
2Empresa Eléctrica Quito EEQ.
E-mail: gcasillas@eeq.com.ec
Abstract
This paper presents a mathematical model for
optimal location of reclosers placement using the
genetic algorithm optimization technique in
distribution systems, considering the insertion of
distributed resources, such as distributed systems.
The methodology includes the power flow solution
using the open-source software OpenDSS, through
the interface developed by Electric Power Research
Institute - EPRI. The values of voltages, currents,
powers and SAIFI/SAIDI indicators are transferred
to Matlab software. The optimization algorithm
determines the proper positions to install reclosers.
Resumen
Este artículo presenta un modelo matemático para la
ubicación óptima de reconectadores utilizando la
técnica de optimización de algoritmos genéticos en
sistemas de distribución, considerando la inserción
de recursos distribuidos, como los sistemas
distribuidos. La metodología incluye la solución del
flujo de potencia utilizando el software de código
abierto OpenDSS, a través de la interfaz
desarrollada por Electric Power Research Institute -
EPRI. Los valores de voltajes, corrientes, potencias
e indicadores SAIFI/SAIDI se transfieren al
software Matlab. El algoritmo de optimización
determina las posiciones adecuadas para instalar
reconectadores.
Index Terms−− reclosers, genetic algorithm,
distributed energy resources, distributed systems,
OpenDSS, quality of service, SAIFI, SAIDI.
Palabras claves−− reconectadores, algoritmo
genético, recursos energéticos distribuidos, sistemas
de distribución, OpenDSS, calidad de servicio,
SAIFI, SAIDI.
65
Edición No. 20, Issue I, Julio 2023
1. INTRODUCCIÓN
Los sistemas de distribución de energía eléctrica
generalmente tienen miles de consumidores conectados
en medio o bajo voltaje consumidores que pueden ser
residenciales, comerciales, industriales, entre otros, los
cuales requiere un servicio de suministro de electricidad
con altos niveles de confiabilidad [1]. En los últimos
años, se han incorporado significativamente equipos de
generación distribuida en los sistemas de distribución;
equipos que tienen diferentes tecnologías como solar
fotovoltaica, aerogeneradores, pequeñas centrales
hidroeléctricas, etc. Además, algunos equipos de
generación distribuida se instalan y operan con sistemas
de almacenamiento de energía, con el fin de aprovechar
sus excedentes de energía eléctrica[2], [3].
La generación distribuida y los sistemas de
almacenamiento de energía forman parte de un área más
amplia y de gran importancia en sistemas de distribución,
conocida como recursos energéticos distribuidos. La
generación distribuida se caracteriza porque los equipos
de generación están ubicados cerca de una o varias cargas
(demandas), y sus potencias nominales son más bajas en
comparación con las grandes centrales de generación
conectadas en sistemas de transmisión. Por ejemplo,
equipos de generación distribuida en Ecuador tienen una
potencia nominal menor a 10 MW [4].
Los sistemas de generación distribuida se encuentran
cada vez más cerca de las cargas. En consecuencia, tienen
el potencial de disminuir las interrupciones del servicio
eléctrico a los usuarios por las fallas presentadas en el
sistema de distribución. Por ejemplo, un usuario
residencial en Estados Unidos tiene una media de 90
minutos de duración sin energía al año, de los cuales 70-
80 minutos se atribuyen a defectos que se producen en el
sistema de distribución [5].
La planificación operativa de sistemas de distribución
es una actividad muy importante para las empresas
distribuidoras. El primer artículo orientado a la
planificación operativa de sistemas de distribución
estudia la ubicación de banco de capacitores y
reconectadores [6]; el estudio, considera restricciones de
radialidad y límites térmicos de equipos, el trabajo no
considera curvas de carga y sistemas de generación
distribuida, que forman parte de los sistemas de
distribución actuales. Sin embargo, estos aspectos deben
considerarse bajo la nueva realidad de los sistemas de
distribución, puesto que, hoy en día no es posible analizar
un sistema sin generación distribuida.
Con respecto a la confiabilidad, es importante
mencionar que un sistema de distribución con bajos
niveles de confiabilidad, tiene costos menores, una
reducción entre 40% - 50% aproximadamente, que un
sistema de distribución con mayor confiabilidad [5]. Esto
debido al costo de instalar más redes con las
posibilidades de transferencia de carga, con equipos de
seccionamiento, protección y con capacidad de
integración y automatización. Por esta razón, la inversión
realizada en la confiabilidad de un sistema de
distribución debe ser el resultado de un análisis de
ingeniería de la mejor manera posible.
El estudio de investigación previo considera criterios
de confiabilidad basados en interrupciones permanentes
presentadas en sistema de distribución [7]. En [8] se
consideran los costos y variaciones de voltaje asociados
con interrupciones permanentes dentro de la función
objetivo del problema de optimización desarrollado. Por
otra parte, en [9] se investiga la reconfiguración optima
de una red de distribución mediante la manipulación de
dispositivos operativos, que reconectan secciones de la
red de distribución en el menor tiempo posible.
En [3], [10], [11], [12], los autores discuten la
necesidad de una herramienta para el análisis de los
sistemas de distribución, que se implemente, en un
software libre y de código abierto, que proporcione
soporte para la planificación operativa del sistema de
distribución (SD’s). Esta herramienta debería, considerar
equipos de protección y seccionamiento, y sistemas de
comunicación para la automatización en la red y recursos
distribuidos en conjunto con los inversores inteligentes.
En este contexto, el Electric Power Research Institute
(EPRI) desarrolló el Software OpenDSS, que es una
solución flexible y personalizada, diseñada
específicamente para enfrentar los desafíos que presentan
las empresas de distribución. OpenDSS permite modelar
y simular fácilmente tecnologías convencionales y
avanzadas, características activas y controles de
distribución.
Parte de la operación en la red y la estructura de
planificación integrada de sistemas de distribución, es la
inserción de la confiabilidad y la calidad del servicio
dentro del modelo de largo, mediano y corto plazo,
aplicado en las empresas distribuidoras de energía [13].
En este escenario, en la Regulación 002/20 contempla los
indicadores relacionados con los diversos fenómenos que
cubren la calidad del servicio, como FMIK (Frecuencia
Media de Interrupción por kVA nominal instalado) y
TTIk (Tiempo Total de Interrupción por kVA nominal
instalado). Los indicadores proporcionan información
muy importante que permite actuar sobre su sistema,
realizando acciones operativas eficientes y efectivas.
En todo el mundo, en forma genérica, se utilizan
indicadores de calidad del servicio, como el Índice de
Frecuencia de Interrupciones Promedio del Sistema
(SAIFI) y el Índice de Duración de Interrupción
Promedio del Sistema (SAIDI), que son los que se
contemplan en este trabajo.
En [14], [15] y [16], los autores presentan el impacto
de la Generación Distribuida (GD) en la planificación de
la operación de redes de distribución de medio voltaje,
utilizando algoritmos genéticos (AG) como técnica de
optimización, la cual, es una metaheurística que busca
identificar la mejor solución de una manera tentativa
66
Ríos et al. / Ubicación Óptima de Reconectadores considerando Índices de Calidad de Servicio en Sistemas Distribuidos
basada en ciertos objetivos, criterios y límites. En [17] se
resume las ventajas fundamentales de los AG sobre otras
técnicas heurísticas, de la siguiente manera:
• Trabajan con una codificación de conjunto de
parámetros, no utilizan parámetros particulares;
• Inician considerando un conjunto de soluciones
para el problema de optimización, no de una
solución única;
• Solución del problema orientado por la función
objetivo, no por sus derivadas o información
externa;
• Utiliza reglas de transición probabilísticas en el
proceso de obtener la solución, y no reglas
deterministas.
• El Algoritmo Genético, es una herramienta que
considera dentro de la función objetivo, la
radialidad de la red, el balance de carga en las
fases, la reducción de pérdidas de energía, caídas
de voltaje e inversiones en refuerzos de red, con
el fin de obtener la sección de los cables y,
determinar la ubicación óptima de banco de
capacitores y de sistemas de generación
distribuida.
Este artículo presenta un modelo matemático basado
en algoritmos genéticos que determina la ubicación
óptima de reconectadores en sistemas de distribución. La
función objetivo propuesta minimiza el impacto de las
interrupciones de servicio, el número de usuarios sin
servicio ante una falla y los costos fijos de los
reconectadores.
Además, el modelo de optimización desarrollado se
puede aplicar en redes que incluyan generación
distribuida. El flujo de potencia es resuelto por
OpenDSS. En cuanto, la aplicación del Algoritmo de
Optimización (A.O.) desarrollado, utiliza la interfaz y
Matlab–OpenDSS, desarrollado por el EPRI. Los
resultados de las magnitudes eléctricas se envían a
Matlab donde, mediante el algoritmo genético, se
determinan los puntos óptimos de asignación de los
reconectadores. El modelo de optimización se aplica en
una pequeña red de distribución de 12 nodos, que incluye
un sistema de generación eólico.
2. MODELO DE OPTIMIZACIÓN Y SU
IMPLEMENTACIÓN
El modelo de optimización propuesto; permite
determinar la ubicación de reconectadores en una red de
distribución con generación distribuida, considerando
varios puntos candidatos, donde técnica y
operativamente sería posible instalar reconectadores. Es
decir, el modelo de optimización considera sitios
propuestos para la instalación de reconectadores,
resultantes de inspecciones de campo, estudios de
protecciones y de la disponibilidad en relación con la
instalación de un sistema de comunicación e integración
con SCADA (Supervisory Control And Data
Acquisition) (apuntando a la futura automatización de
equipos).
La función objetivo-del modelo de optimización tiene
como fin minimizar el valor de los índices de calidad
SAIFI y SAIDI, el número de clientes sin servicio ante
una falla y los costos fijos de los reconectadores (costos
de inversión que tendrían que cubrir las empresas
distribuidoras).
2.1 Información necesaria
Para implementar el modelo de optimización
propuesto se requiere la siguiente información:
• Configuración y reactancias de la red de
distribución (subestaciones, líneas,
transformadores y sistemas de generación
distribuida);
• Tasas de falla y de reparación de los elementos de
red de distribución.
• Número de usuarios asociados a cada
transformador de distribución;
• Puntos donde se desea evaluar la calidad de la
energía para calcular el SAIFI, SAIDI y clientes
sin servicio (medidores virtuales); y
• Ubicación donde técnica y operativamente
pueden ser instalados reconectadores en la red de
distribución para integrarse y automatizarse.
2.2 Programas computacionales
Dos programas computacionales son necesarios para
resolver el modelo de optimización propuesto, como se
detalla a continuación:
La simulación del sistema de distribución se la realiza
mediante el programa OpenDSS [12], que es un software
de simulación de redes de distribución y que ha
contribuido al desarrollo de redes eléctricas inteligentes.
OpenDSS, presenta las siguientes ventajas:
• Plataforma avanzada de análisis de sistemas de
distribución que permite a los ingenieros realizar
estudios especializados;
• Solución flexible y personal, diseñada
específicamente para enfrentar los desafíos que
enfrentan los ingenieros de distribución;
• Permite a los ingenieros modelar fácilmente
tecnologías, características y controles de
distribución tradicionales y avanzados;
• Desarrollado para estudiar el tiempo y los efectos
espaciales de los recursos energéticos
distribuidos.
67
Edición No. 20, Issue I, Julio 2023
MATLAB, software de programación, donde se
resuelve el modelo de optimización desarrollado y que
regirá OpenDSS.
Es importante mencionar que, los modelos de flujo de
potencia, SE’s y OpenDSS - interfaz Matlab, -utilizados
en este trabajo, se obtienen de [12].
2.2.1 Solución del problema establecido
En este artículo, se elaboró un modelo de
optimización. Usando Algoritmos Genéticos que
presenta las siguientes ventajas:
• Es apropiado para la resolución de problemas con
un mayor número de variables y una gran cantidad
de equipos, como es el caso de las redes de
distribución;
• Considera el comportamiento no lineal de la
función objetivo;
• Permite considerar las restricciones con los
límites y parámetros, de acuerdo con la
metodología propuesta.
2.2.2 Función Objetivo
Para resolver el problema propuesto, se desarrolló
una función objetivo (FO) que considera en su
formulación los indicadores: SAIFI, SAIDI, número de
usuarios sin servicio ante una falla y costos fijos de los
reconectadores. Para este trabajo, se relacionan notas y
ponderaciones a cada elemento de FO con el fin de incluir
los objetivos estratégicos de las distribuidoras en cada
alternativa evaluada, de acuerdo con (1) y (2).
En este artículo, se asumió la coordinación de
protección existente.
(1)
Sujeto a:
(2)
Donde:
l
:
Posible alternativa de inserción de
RC’s en la red (A.G. individual)
:
Valor de la función objetivo para un
individuo l
:
Ponderaciones prioritarias: SAIFI,
SAIDI, usuarios sin servicio y
costos fijos
:
Nota de función SAIFI para un
individuo l
:
Nota de función SAIDI para un
individuo l
:
Tenga en cuenta la función de
número de usuarios sin servicio para
un individuo l
:
Nota de la función de los costos fijos
de inversión de los RC para un
individuo l
Para la nota de restricción SAIFI (3) y (4), se
considera el valor máximo del indicador registrado en su
historial (referencia), con el fin de evitar el
incumplimiento de los límites establecidos por la
Agencia de Regulación. Esta nota está en función de
Tasas de reparación de elementos de red y tasas de fallas,
relación del SAIFI del individuo l con el SAIFI de
referencia.
(3)
Donde:
:
Relación SAIFI, para l
individual
:
SAIFI del período de
análisis, para el individuo l
:
SAIFI de referencia
Donde:
:
Nota SAIFI, para l individual
:
SAIFI mínimo y relación de referencia
:
Relación SAIFI, para l individual
Para la nota de la restricción SAIDI (5) y (6), se
considera el valor máximo del indicador registrado en su
historial (referencia), con el fin de evitar el
incumplimiento de los límites establecidos por el
Organismo Regulador. Esta nota estuvo en función de la
68
Ríos et al. / Ubicación Óptima de Reconectadores considerando Índices de Calidad de Servicio en Sistemas Distribuidos
relación entre el SAIDI del individuo l con la referencia
SAIDI.
(3)
Donde:
:
Relación de SAIDI, para el
individuo l
:
SAIDI del período de análisis, para
el individuo l
:
SAIDI de referencia
(4)
Dónde:
:
Nota de SAIDI, para el
individuo l
:
Relación de SAIDI mínimo y
de referencia
:
Relación de SAIDI, para el
individuo l
La nota de la función de costos (7), (8) y (9), cubre
los costos fijos de inversión de los RC’s. Esta nota será
en función de la relación de costos, el individuo l con un
costo de referencia.
(7)
Donde:
:
Relación de costos de RC’s
:
Costos del período de análisis del
RC’s, para el individuo l
:
Costos de referencia de RC’s
Tabla 1
Donde:
:
Nota de costos de RC, para el individuo l
:
Relación de costos mínimos y de referencia
del período de análisis
:
Relación de costos de RC’s
Sujeto a:
(5)
Dónde:
:
Costos del período de análisis de RC’s,
para el individuo l
:
Número de elementos BC
:
Costos de RC’s
a. Resultados
Este trabajo representa una contribución directa a
planificación operativa de corto plazo, automatización,
confiabilidad, operación de sistemas de distribución y
desarrollo de redes inteligentes-smart grids. Cubre la
calidad del servicio técnico y los costos de los
reconectadores. El modelo matemático propuesto se
aplica a una pequeña red de distribución [12], [18]. Es
importante destacar, que puede ser aplicada a una red real
con generación distribuida, gracias a la interfaz
OpenDSS - Matlab.
3.1. Datos de red considerados
Los parámetros de las líneas en p.u., son los
siguientes:
r1 = 0.7016, x1 = 0.706, r0 = 1.3379, x0 = 0.2025
Los datos de los transformadores se presentan en la
Tabla 1.
Tabla 1: Parámetros del transformador
La turbina eólica utilizada en este trabajo consiste en
un generador de inducción conectado a la red.
El sistema SE’s considera una turbina eólica de
velocidades fijas modelado como un generador de
inducción conectado en la red. Los datos se muestran en
(ver Tabla 2).
Parámetro (ver Fig. 1)
Resistencia (%)
Reactancia (%)
Transformador (Tsub)
0.5
7
Transformador (Tg)
0.0
5
Regulador (Reg1)
0.0
1
(8)
69
Edición No. 20, Issue I, Julio 2023
Figura 1: Topología de equipos considerados en la red
Tabla 2: Parámetros de modelo del sistema eólico
3.2 Parámetros de simulación
El Algoritmo Genético y la Función Objetivo se
simularon con los siguientes parámetros:
Pesos
;
Tasa de cruce: 90% ;
Tasa de mutación: 1%;
Número de generaciones: 20;
Tamaño de la población: 10 individuos;
TN: Tasa de cruce y mutación con normalización lineal;
TF: Velocidad de cruce y mutación fija.
b. Solución con la técnica de algoritmos genéticos
a. Solución con la técnica de algoritmos
genéticos
La Tabla 3 muestra los resultados de la solución con la
técnica A.G. Se observa que en la mayoría de los métodos
evaluados (variación del método de selección y las tasas
de cruce y mutación), la FO es de aproximadamente 0,42,
validando así el algoritmo genético desarrollado. El
tiempo de ejecución corto del algoritmo genético en el
computador utilizado fue de 42,07 segundos, lo que
corresponde a la solución con selección por torneo y
velocidad de cruce normalizada y mutación (T TN). La
columna Num_gen de esta tabla muestra el número de
generación donde la función objetivo encontró la
solución óptima.
La Tabla 4 presenta los resultados de asignación
obtenidos en cada método de selección, con alternativas
válidas que permiten instalar reconectadores en puntos
donde técnica y operativamente es adecuada. La solución
óptima se obtuvo insertando los reconectadores RC2
(existentes) y RC3 (nuevos) en la red, de acuerdo con la
Fig. 1 (en la tabla, "l" representa RC insertado en la red y
"0" no insertado).
Tabla 3: Funciones objetivo de las soluciones optimas obtenidas
Selección
F.O.
Num_ge
n
Tiempo de ejecución
(segundos)
Torneo T TN
0.4104
6
42.065
Torno T TF
0.4301
4
43.073
Ruleta T TN
0.4344
10
44.032
Ruleta T TF
0.4207
5
42.988
Tabla 4: Sistemas de codificación de las soluciones optimas
obtenidas
Selección
Sistema de codificación
RC1
RC2
RC3
RC4
Torno T TN
0
1
1
0
Torno T TF
1
1
0
0
Ruleta T TN
0
1
1
1
Ruleta T TF
1
1
0
1
La Fig. 1 presenta gráficamente la solución óptima
obtenida, como resultado de aplicar el modelo
matemático desarrollado. El medidor virtual en la
subestación (M0) permite almacenar los valores de
calidad de servicio como: SAIFI, SAIDI y número de
consumidores aguas abajo, además de los resultados de
flujo de potencia, voltajes, corrientes, potencia, energías
y pérdidas.
Además, la Fig. 1, muestra la ubicación del equipo en
la red: en verde, posibles puntos de asignación
(propuestos, pero no utilizados por la solución
encontrada); en azul, los existentes; y, en rojo, las que se
insertarán (nuevas) como resultado de la metodología
propuesta (RC2 y RC3), considerando la inserción del
sistema eólico en la red.
La Tabla 5, presenta los resultados relacionados con la
función objetivo, en la que se observan mejoras
significativas en los indicadores: aproximadamente 70%
en SAIFI, SAIDI y costos fijos de RC’s, y 33% en el
número de usuarios fuera del servicio. Es importante
tener en cuenta que el escenario inicial considera todos
Parámetro
Resistencia
Reactancia
Impedancia del estator
0.048 pu
0.075 pu
Impedancia del rotor
0.018 pu
0.12 pu
Impedancia de
magnetización
0 pu
0 pu
70
Ríos et al. / Ubicación Óptima de Reconectadores considerando Índices de Calidad de Servicio en Sistemas Distribuidos
los reconectadores (RC’s) con coordinación de las
protecciones.
Tabla 5: Resultados de la Figura 1
Escena
rio
SAIFI
(Interrupciones/us
uarios-semestre)
SAIDI
(horas/usuario-
semestre)
#
usua
rio
Costes
fijos de
RC's
(USD)
Inicial
10,89
27,33
60
80.000
Final
2,50
6,00
40
20.000
Mejor
a en %
77
78
33
75
4. CONCLUSIONES Y RECOMENDACIONES
En este artículo, se propone un modelo matemático
que usa Algoritmos Genéticos para determinar la
ubicación óptima de reconectadores en una red de
distribución con generación distribuida. La función
objetivo del modelo busca disminuir los índices de
calidad de servicio SAIFI y SAIDI, el número de
consumidores que serian afectados por interrupciones y
los costos fijos de los reconectadores. El modelo de
optimización fue resuelto utilizando los programas
OpenDSS y MATLAB, y su desempeño fue evaluado en
una red de distribución de 12 nodos con generación
distribuida.
Los resultados de la simulación indican que los
indicadores de calidad SAIFI y SAIDI, se reducen de
10,89 [ interrupciones/usuarios-semestre] a 2,9
[interrupciones/usuarios-semestre] y de 27,33
[horas/usuario-semestre] a 6 [horas/usuario-semestre]
que los costos fijos de los reconectadores se reducen de
80.000 USD a 20.000 USD, y el número de usuarios
fuera del servicio se reducen de 60 usuarios a 40 usuarios.
Los resultados obtenidos muestran la importancia de
contar con los criterios del personal de campo y su
conocimiento físico de la infraestructura eléctrica como
SE’s, en la definición de los puntos iniciales donde
técnica y operativamente sería apropiado instalar los
reconectadores; aspectos claves que deben integrarse en
la decisión de las acciones operativas, que se planifican
dentro del horizonte de corto plazo.
TRABAJOS FUTUROS
El trabajo desarrollado se establece dentro del ámbito
de las redes eléctricas inteligentes con recursos
distribuidos, que es uno de los objetivos de las
distribuidoras, con la visión de tener un sistema de
distribución autónomo, con suministro interrumpido y
con aplicaciones de software libre de código abierto.
La correcta definición de los puntos a instalar los
reconectadores, considerando criterios de la
disponibilidad de red de comunicación, permite la
integración con el SCADA. La implementación de un
proyecto de automatización en la red, que se centraliza a
nivel del centro de control, semicentralizado en la
subestación distribuida entre los equipos de
seccionamiento y protección instalados en la red [19],
[20], conlleva el siguiente escenario:
• Disminución de los tiempos de servicio obtenidos
por la funcionalidad FLISR de las redes
inteligentes (asignación, aislamiento y reembolso
del servicio, cuando se produce una falla de red)
• Definición del rendimiento de la función FLISR,
ya sea manual, semiautomática o automática.
• Uso de aplicaciones disponibles en el Sistema
Avanzado de Gestión de Distribución (ADMS),
como estado estimado, corte de carga y protección
dinámica, cambiando los ajustes en los grupos de
protección/reconectadores.
5. REFERENCIAS BIBLIOGRÁFICAS
[1] G. Casillas, "Ubicación de equipos de regulación de
voltaje en redes de Distribución considerando RD's,
São Paulo." 2017.
[2] J. Smith et al, " “Momento y Ubicación,” ," IEEE
Power & Energy, Vol. 15, N.º 2, pp. 34-42, 2017.
[3] R. Dugan, J. Smith and M. Rylander, "It's All in the
Plans. Maximizing the Benefits and Minimizing the
Impacts of DERs in an integrated Grid ," IEEE
Power and Energy Magazine, Vol. 13, N. º 2, pp. 10,
2015.
[4] Regulación Nro. ACERNNR 001/2021 y 002/2021.
Link:https://databox.controlrecursosyenergia.gob.ec
/index.php/s/XNmtbKttTtWKBRb/download
[5] R. Brown, "Electric Power Distribution Reliability,"
Segunda Edición Ed., New York: Taylor & Francis
Group, LLC, 2009.
[6] G. Peponis, "New dynamic, branch exchange method
for optimal distribution system planning," IEE
Proceedings - Generation, Transmission and
Distribution, Vol. 144, N. º 3, pp. 7, 1997.
[7] K. Nara, "Algorithm for expansion planning in
distribution systems taking faults into
consideration," IEEE Transactions on Power
Systems, Vol. 9, N. º 1, 1994.
[8] J. Cebrian and N. Kagan, "Evolutionary Algorithms
for the reconfiguration of radial distribution
networks considering long interruption and voltage
sag disruption costs," 13th International Conference
on Harmonics and Quality of Power IEEE, pp. 7,
2008.
[9] A. Mendes, "(N-1) Contingency planning in radial
distribution networks using genetic algorithms,"
Transmission and Distribution Conference and
Exposition: Latin America (T&D-LA), IEEE/PES,
pp. 7, 2010.
[10] R. Dugan, "Value of Sequential-Time Simulations
in Distribution Planning," IEEE Transactions on
Industry Applications, Vol. 50, N. º 6, pp. 5, 2014.
71
Edición No. 20, Issue I, Julio 2023
[11] G. Casillas, N. Kagan and J. Cebrian, "Ubicación de
Reconectadores de Voltaje em Redes de
Distribución Considerando Recursos Energéticos
distribuidos," IEEE, pp. 8, 2016.
[12] EPRI, "Electrical Power Research Institute - Smart
Grid Resource Center - OpenDSS - help," 2004.
[13] A. Dubey et al, "Allanando el camino para las
aplicaciones de sistemas de gestión de distribución
avanzados," IEEE Power & Energy, Vol. 18, pp. 76,
2020.
[14] M. Sadeghi, "Probabilistic Analysis of Wind
Turbine planning using," Thermal Power Plants
(CTPP) IEEE, pp. 6, 2014.
[15] D. Souza and N. Kagan, "Impact of Distributed
Generation on the Operational Planning of Medium
Voltage Distribution Networks Using Genetic
Algorithms," IEEE PES Innovative Smart Grid
Technologies, Europe, pp. 5, 2014.
[16] G. Casillas, N. Kagan and J. Cebrian, "Voltage
Regulators Allocation in Distribution Networks
System Considering Energy Resources Distributed,"
IEEE International Conference - Automatic (ICA-
ACCA), N.º 16525644, pp. 8, 2016.
[17] D. Goldberg, "Genetic Algoritthms in Seaech,
Optimization, and Machine Learning," Addison-
Wesley Publishing Company, Inc, 1989.
[18] W. Power et al, "IEEE," pp. 8, 2012.
[19] N. Kagan, M. Govea e F. C. Maia, Redes Elétricas
Inteligentes no Brasil, Rio de Janeiro: SYNERGIA,
2013.
[20] G. I. Casillas, “Automatización dentro de la
planificación integrada de sistemas de distribución,”
Ecuacier, vol. I, nº 1, pp. 1 - 12, 2018.
Juan Carlos Ríos. - Recibió su
título de Ingeniero Electromecánico
en la Universidad Nacional de Loja
(U.N.L.) Loja, Ecuador, en el 2008.
Actualmente se desempeña como
Profesional GIS, en el área de
Distribución de la Corporación
Nacional de Electricidad CNEL
U.N. El Oro.
Germán Israel Casillas-.
Graduado en Ingeniería Eléctrica
por la Escuela Politécnica Nacional
de Quito - Ecuador en 2008, Máster
en Ingeniería Eléctrica en 2017 y
candidato a Doctor por la Escuela
Politécnica de la Universidad de São
Paulo - Brasil. De 2007 a 2009 fue
ingeniero asistente en la Organización Latinoamericana
de Energía. En 2010 fue Ingeniero Eléctrico en la
Agencia de Regulación y Control de Electricidad del
Ecuador. Actualmente, es Jefe del Departamento de
Control de Calidad de Producto y Pérdidas Técnicas en
la Empresa Eléctrica Quito desde el año 2011. Sus áreas
de investigación de interés son la optimización,
planificación y operación de sistemas de distribución de
energía con recursos distribuidos y redes eléctricas
inteligentes.
Carlos Iván Quinatoa Caiza.-
Graduado en Ingeniería 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. Obtuvo una beca Alemana DAAD. Es
miembro activo del Instituto de Ingeniero Eléctrico y
Electrónicos IEEE, investigador junior del 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.
72
