Aplicación Práctica / Practical Issues
Recibido: 03-05-2024, Aprobado tras revisión: 11-06-2024
Forma sugerida de citación: Sánchez, W.; Chamba, M; Echeverría D.; Jacho, A; Lozada, C. (2024) “Despacho Económico de
Energía de la Microrred en las Islas Galápagos Utilizando la Plataforma SimSEE”. Revista Técnica “energía”. No. 21,
Issue I, Pp. 65-76
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v21.n1.2024.653
© 2024 Operador Nacional de Electricidad, CENACE
Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0
Economic Energy Dispatch of the Micro-Grid in the Galapagos Islands Using
the Simsee Platform
Despacho Económico de Energía de la Microrred en las Islas Galápagos
Utilizando la Plataforma SimSEE
W.D. Sánchez1
0009-0009-1537-4850
M.S. Chamba2
0000-0001-6843-7151
D.E. Echeverría1
0000-0002-1743-9234
A.E. Jacho1
0009-0004-0170-6010
C.X. Lozada1 0000-0002-6036-3124
1Operador Nacional de Electricidad, CENACE, Quito, Ecuador
E-mail: wsanchez@cenace,gob.ec , decheverría@cenace.gob.ec ,
ajacho@cenace.gob.ec , clozada@cenace.gob.ec
2CELEC EP Unidad de negocio Coca Codo Sinclair, Quito, Ecuador
E-mail: marlon.chamba@celec.gob.ec
Abstract
The Galapagos Islands, a natural heritage of humanity,
have meticulous control of wildlife and strict inspection
of the number and frequency of visitors. The increase in
tourists, apart from positive aspects, and the increase in
population generates a greater demand for electrical
energy. In this sense, Galapagos seeks a boost to
comprehensive energy sustainability, replacing thermal
energy with environmentally friendly Non-
Conventional Renewable Energy (NCRE), through the
optimal energy management project through the
Conolophus microgrid project.
This document analyzes the optimal management of
electrical energy (short-term economic dispatch)
considering the stochasticity presented by the high
insertion of NCRE in the Santa Cruz-Baltra electrical
system. For it. The free simulation software called
“SimSEE” (Electric Energy Systems Simulator) is used,
where operational scenarios are modeled with and
without the Conolophus project in order to analyze its
impact on the planning of the operation of the Santa
Cruz-Baltra system. .
Resumen
Las islas Galápagos, patrimonio natural de la
humanidad, cuentan con un control minucioso de la vida
silvestre y ejercen estricta inspección del número y
frecuencia de visitantes. El incremento de turistas,
aparte de aspectos positivos, y el incremento de la
población genera una mayor demanda de energía
eléctrica. En este sentido, Galápagos busca un impulso
a la sostenibilidad energética integral, reemplazando la
energía térmica con Energías Renovables No
Convencionales (ERNC), amigables con el medio
ambiente, a través del proyecto de gestión óptima de la
energía mediante el proyecto de microrred Conolophus.
En el presente documento se analiza la gestión óptima
de la energía eléctrica (despacho económico de corto
plazo) considerando la estocasticidad que presenta la
alta inserción de ERNC en el sistema eléctrico Santa
Cruz-Baltra. Para ello. se usa el software libre de
simulación denominado “SimSEE” (Simulador de
Sistemas de Energía Eléctrica), donde se modelan
escenarios operativos con y sin el proyecto Conolophus
con la finalidad de analiza su impacto en la
planificación de la operación del sistema Santa Cruz-
Baltra.
Index terms— Economic dispatch, Sustainability, Non-
Conventional Renewable Energy, Microgrid, SimSEE.
Palabras clave— Despacho económico, Sostenibilidad,
Energía Renovable No Convencionales, Microrred,
SimSEE.
65
Edición No. 21, Issue I, Julio 2024
1. INTRODUCCIÓN
La dependencia del mundo en el uso de combustibles
fósiles para la producción de energía, la
desregularización de los mercados eléctricos, y la
creciente penetración de energías renovables (RES-
Renovable Energy Sources), ha llevado a una rápida
transformación a los sistemas de potencia, llevándolos a
ser más eficientes, limpios, y con requerimientos más
complejos de control y administración [1].
Dentro de este contexto, actualmente, en los sistemas
de distribución se planifican las microrredes (MG-
Microgrid), como: “una mejor manera de aprovechar el
potencial emergente de la generación distribuida en un
enfoque sistemático que considera la generación y las
cargas asociadas como un subsistema” [2]. En un
enfoque más aceptado, la microrred también es definida,
como: “Sistemas de distribución de electricidad que
contienen cargas y recursos energéticos distribuidos
(como generadores distribuidos, dispositivos de
almacenamiento o cargas controlables) que pueden
operarse de manera controlada y coordinada, ya sea
mientras están conectados a la red eléctrica principal y/o
en forma de isla” [2].
Con el fin de reducir/mitigar las emisiones de
carbono, los componentes de una MG, cada vez son más
variados, ofrecen características particulares, elementos
y funcionalidades que permiten la gestión de la energía
[3]. En la Fig. 1 se muestra una estructura de MG
conectada a una red externa, la cual cuenta con: un centro
de control de energía, módulos fotovoltaicos (PV),
turbinas de viento (WT - Wind Turbines), cargas
controlables (vehículos eléctricos, EV-Electric
Vehicles), sistema de almacenamiento de energía (ESS -
Energy Storage System), entre otros [4]. La inserción de
ESS, proveen beneficios económicos y ambientales, en el
caso particular, de una MG aislada, su operación es
esencial para mejorar calidad, estabilidad, confiabilidad
de suministro y gestionar la energía [5].
Figura 1: Estructura de una microrred [2]
En las Islas Galápagos, con la finalidad impulsar la
sostenibilidad energética integral y reemplazar la
energía térmica con energías amigables con el medio
ambiente, se está ejecutando el proyecto de microrred
Conolophus en el sistema eléctrico Santa Cruz-Baltra.
Este sistema cuenta con 2 MGs, la primera situada en la
Isla Santa Cruz y la otra en la isla Baltra, las cuales están
conectadas en serie a través de una línea de transmisión
de un circuito aérea-subterránea-marina. Para la
planificación operativa de la microrred es necesario
estudios energéticos que reflejen la estocasticidad del
recurso primario utilizado en la generación de energías
renovables.
En la actualidad la energía de Galápagos es
dependiente en su mayoría de combustibles fósiles, la
demanda se atiende en un 85%-90% a partir de recursos
de generación térmica y lo restante con recursos
renovables. Adicionalmente la calidad del servicio
eléctrico en cuanto a la continuidad de servicio no logra
cumplir los estándares que se estipulan en regulaciones
de Ecuador. Lo que busca el Proyecto Conolophus es
atender esa dependencia, y mejorar el servicio
eléctrico.[6]
Dentro del análisis e impacto energético de las islas
Galápagos y del proyecto Conolophus se han realizado
varios trabajos, por ejemplo, en [7] mediante simulación
de Montecarlo, se realiza una evaluación a mediano y
largo plazo de la transición energética de Galápagos
respecto al reemplazo de combustible fósiles por energías
limpias. Por otro lado, en [8], se modelan en HOMER
Pro, tres tipos de Energías Renovables No
Convencionales (ERNC) para cubrir las necesidades de
energía en comunidades aisladas de las islas Galápagos.
Adicionalmente, en [9], se modela en HOMER Pro, el
sistema eléctrico Santa Cruz-Baltra, y considera la
inserción de vehículos eléctricos y cocinas de inducción.
Todos estos trabajos, permiten el análisis de la
prospectiva energética para la planificación de expansión
y toma de decisiones a largo plazo. En este sentido, aún
es necesario considerar modelos que permitan el
modelamiento del despacho económico de la energía
eléctrica considerando la incertidumbre de las variables
estocásticas.
Debido a la naturaleza estocástica de los datos
relacionados al despacho económico de corto, mediano y
largo plazo, se hace necesario, la implementación de
métodos de optimización que consideren incertidumbre,
también conocidos como modelos de programación
estocástica. La programación estocástica busca optimizar
la asignación de recursos, donde uno o varios parámetros
son inciertos en el momento de tomar la decisión; sin
embargo, dichos parámetros pueden ser estimado, a partir
de distribución probabilística (datos históricos) [10].
Por lo general, las técnicas empleadas, buscan reducir
el problema estocástico a un problema determinista
equivalente, cuya solución se considera óptima del
problema estocástico. Básicamente existen dos tipos de
modelos de programación estocástica: 1) Modelos
“Esperar y Ver" (wait and see) o modelos de
programación estocástica pasiva y, 2) Modelos “aquí y
ahora" (“here and now") o modelos de programación
estocástica activa basados en optimización inmediata en
base a alguna medida de probabilidad [10]. Para resolver
los problemas estocásticos se han desarrollado diferentes
algoritmos matemáticos, entre los más usados, se
66
Sánchez et al. / Despacho económico de energía de la microrred en las Islas Galápagos utilizando la plataforma SimSEE
encuentran: relajación lagrangiana, descomposición de
Benders, descomposición de Dantzig-Wolfe,
Programación Dinámica Estocástica (SDP, Stochastic
Dynamic Programming), Programación Dinámica Dual
Estocástica (SDDP - Stochastic Dual Dynamic
Programming), entre otros [11].
Los problemas de despacho de energía eléctrica se
caracterizan por grandes volúmenes de variables
estocásticas y restricciones, provocando que el problema
sea de gran tamaño, no lineal y no convexo. En este
sentido, los métodos de solución del problema son
variados y requieren gran capacidad computacional
mediante el uso de software de simulación. Por ejemplo,
para planificar el despacho hidrotérmico, el Operador
Nacional de Electricidad, CENACE, utiliza el software
denominado SDDP, el cual es licenciado y no brinda la
posibilidad de implementar modelos de nuevas fuentes
de energía [5].
Por otro lado, es importante destacar que existen
programas “open source”, que permiten resolver
problemas estocásticos con grandes volúmenes de
variables, como el “SimSEE” (Simulador de Sistemas de
Energía Eléctrica) [12]. El programa SimSEE fue
desarrollado en el Instituto de Ingeniería Eléctrica (IIE)
de la Facultad de Ingeniería de la Universidad de la
República Oriental del Uruguay [13]. SimSEE utiliza
Programación Dinámica Estocástica y se caracteriza por
ser de código abierto, brindando la posibilidad de incluir
modelos estocásticos de variables intermitentes que
caracterizan a las energías renovables. En este sentido, en
[14], se hace una comparación entre el software
comercial SDDP y SimSEE mediante escenarios que
introducen la estocasticidad de grandes bloques de
energía renovable al problema de despacho hidrotérmico
del sistema eléctrico ecuatoriano, brindado resultados
satisfactorios.
Figura 2: Esquema de control jerárquico [15]
En base a lo mencionado, para estudiar la influencia
del proyecto Conolophus en el despacho económico del
sistema eléctrico Santa Cruz-Baltra, la presente
investigación implementa casos de estudio en el
programa SimSEE. Para ello, se estructura la base de
datos, donde se modelan las unidades de generación
térmica, los sistemas de generación basados en ERNC y
los sistemas de almacenamiento de energía considerando
la intermitencia de los recursos primarios. El objetivo
planteado es analizar el impacto del incremento ERNC y
la gestión de la energía de la futura microrred (proyecto
Conolophus). Para ello, se organiza el artículo de la
siguiente manera: en la sección 2 se presenta una
descripción del control y planificación de una MG, en la
sección 3 se describe el caso de estudio; posteriormente,
en la sección 4 se explica la metodología aplicada.
Finalmente, en la sección 5 se muestran los resultados
obtenidos.
2. PLANIFICACIÓN DEL CONTROL DE UNA
MICRORRED
El control de la MG es la característica, que la
diferencia de sistemas de distribución con fuentes de
energía distribuidas (DER). En la Fig. 2 se muestra un
esquema de control jerárquico de una MG, que cuenta
con tres niveles [15]:
Control primario: Lleva a cabo el control de
potencia local, voltaje y corriente. mediante el cambio del
set-point, dado por controladores de más alto nivel sobre
los inversores.
Control Secundario: Trata de superar los problemas
a nivel de sistema como calidad de regulación de
potencia (PQR), coordinación con generadores
distribuidos (DG- Distributed Generation). Tópicos
importantes como, funciones de pronóstico y despacho
económico, también pueden ser implementados a este
nivel.
Control Terciario: Consiste en la optimización,
administración de las regulaciones del sistema en
general, y transacciones comerciales.
La coordinación central de la MG, puede ser
ejecutada de tres formas [9], [10]: Centralizada,
distribuida, e híbrida, tal como se muestra en la Fig. 3. En
la Coordinación Centralizada, el controlador central
puede comunicarse con todas las unidades a través de
infraestructura de comunicaciones y recursos
computaciones significantes. La ventaja que se tiene, es
que, en caso de ruptura del controlador central, los
controladores locales pueden actuar como maestros y los
otros como esclavos. En cambio, en la Coordinación
Distribuida, cada controlador opera bajo su propia
política y no necesita las instrucciones de un controlador
central. Por último, la Coordinación Híbrida combina
ambos controles mencionados y puede tener varios
controladores centrales con su propia topología de
controladores locales.
La administración de la operación y coordinación de
una MG con DERs distribuidos en la zona con un control
centralizado, se vuelve más adecuada y reduce la
incertidumbre de los recursos de viento y solar, puesto
que la información se puede correlacionar, entre todos los
actores [2].
67
Edición No. 21, Issue I, Julio 2024
Cuando la MG, cuenta además con ESSs, el control
juega un papel importante en amortiguar la generación de
DGs. Es así, que en horas pico una batería puede reducir
el costo total de operación del sistema y mitigar/reducir
el uso de generación térmica [4].
La Arquitectura de MGs conectadas entre sí, puede
ser en serie, en paralelo, o interconectada, a través de
alimentadores. Las MGs conectadas en serie deben ser
capaces de controlar frecuencia y voltaje. Por tanto, la
coordinación entre MGs es fundamental para el balance
de potencia del sistema [2]. En la Fig. 4 se muestra una
estructura de MGs conectadas en serie, administradas por
un DMS (Distribution Management System). EL DMS
provee los requerimientos de comunicación entre los
controladores principales MG A y MG B [2].
Figura 3: Topologías convencionales en la arquitectura de
control de microrredes basadas en la disposición de comunicación
[15]
Figura 4: MGs conectadas por un único enlace al sistema de
distribución (DS) [2]
Para el sistema eléctrico Santa Cruz-Baltra se
propone, instaurar procesos que abarquen los tres niveles
de control de una MG, es decir:
• Despacho económico (Control primario)
• Validación eléctrica en estado permanente
(Control Secundario)
• Validación eléctrica en estado dinámico (Control
Terciario)
Adicionalmente, se propone una coordinación
centralizada mediante un pequeño centro de control a
través de infraestructura de telecomunicaciones. La
arquitectura del sistema está en serie (enlace Baltra-Santa
Cruz).
3. OPTIMIZACIÓN EN SIMSEE
La operación óptima, guía al sistema al abastecimiento
de la demanda al menor valor esperado de costo futuro.
Los costos en que incurre el sistema de generación
eléctrica a efectos de satisfacer la demanda, se componen
esencialmente:
• Costos variables de operación de centrales
térmicas (combustible y variables de operación y
mantenimiento)
• Costos de importación de energía menos los
ingresos por exportación
• Costos de fallo de suministro de energía (costo de
falla)
El costo futuro del sistema, en el paso del tiempo es
la sumatoria de los costos menos los ingresos antes
mencionados desde el inicio de paso de tiempo hasta el
final de los tiempos.
Al conjunto de reglas que permiten esta operación del
sistema se la conoce como la Política de Operación (PO),
esto implica dar valor a los recursos que son
almacenables que permiten evaluar la conveniencia de
usarlos o almacenarlos a cada instante.
La característica estocástica del sistema (salida de
operación de máquinas, lluvias, viento, temperatura,
radiación, temperatura, etc.) hace que la PO sea válida
estadísticamente pero no hay certeza que a posteriori sea
lo mejor, una vez que sucedan los eventos.
La operación óptima del sistema puede plantearse
como un problema de optimización cuya función
objetivo en minimizar en cada paso de tiempo el valor
esperado del costo de operación futura, una vez resuelto
el problema se dispondrá de la Política de operación
Óptima (POO).
En la simulación de la operación óptima de un sistema
con SimSEE, se pueden distinguir dos etapas:
Optimización y simulación. Durante la optimización se
resuelve encontrar la POO. Durante la simulación se usa
la POO para llevar a adelante simulaciones de posibles
realizaciones del conjunto de procesos estocásticos.
Es una práctica usual considerar un horizonte
temporal lo suficientemente extenso como para poder
suponer que la suma de costos es representativa del costo
de operación.
Lo que en consecuencia a criterio del usuario debe
establecer intervalos de tiempo para la optimización y
simulación del sistema.
El horizonte de tiempo tanto para la optimización
como para la simulación se discretiza en pasos de tiempo,
evaluando la evolución del sistema en base al estado
inicial, la realización de procesos estocásticos del paso de
tiempo, despachando los diferentes recursos para cumplir
con el balance energético, en cada Nodo del sistema y
minimizando el costo futuro. Dentro de cada paso de
tiempo se suponen valores constantes de potencia de
generación y demanda.
La optimización se lleva a cabo mediante
programación Dinámica Estocástica (PDE). El resultado
es una función , (1) con el valor esperado del
costo futuro de operación del sistema para cada valor de
estado y para cada paso de tiempo . También es
conocida como la función de valor de Bellman.
68
Sánchez et al. / Despacho económico de energía de la microrred en las Islas Galápagos utilizando la plataforma SimSEE
(1)
• El Costo Futuro (CF) es el Valor Esperado de la
integral en el tiempo, desde ahora hasta el infinito,
del costo de cada Etapa o paso de tiempo ().
• es la suma de los costos de compra de
combustibles más los costos de no suministro de
la demanda más costos de importaciones y menos
los ingresos que se obtengan por las exportaciones
de energía hacia otros sistemas.
• : Vector de estado del sistema
• : Vector de entradas no controlables
• : Vector del control. Son las variables sobre las
cuales de puede actuar
• : Es el número de paso de tiempo
• El factor q tiene en cuenta la tasa de actualización
para el cálculo del Valor Presente del costo de la
operación futura. Valor entre (0-1), con una tasa
de descuento del 12%.
• El Valor esperado es sobre el conjunto de posibles
realizaciones de los procesos estocásticos
involucrados (roturas de máquinas, lluvia, viento,
sol, etc.). El Organismo Encargado del Despacho
tiene como objetivo, en todo momento, minimizar
el valor esperado del .
• Cuando en el sistema hay “reservorios”, la
decisión de usar los recursos almacenados en un
instante de tiempo afecta los costos futuros, dado
que no dispondremos en el futuro de esos recursos
utilizados.
• Cuando no hay reservorios, las decisiones
tomadas en un tiempo dado no afectan las
posibilidades de tomar decisiones en el futuro. En
estas circunstancias, minimizar , es
simplemente minimizar el costo en cada etapa.
La información relevante para la toma de decisiones
(POO), se encuentra en las derivadas direccionales de
Bellman. Para la i-ésima componente del vector de
estado de dicha derivada direccional sería:
, que
permite valorizar el uso de un recurso asociado a la
variable de estado , cuantificando el efecto sobre el
futuro de tomar una decisión que implique el presente
(instante ) una variación en la variable de estado
.[13].
Función Objetivo
Para calcular el valor esperado del costo futuro
, (2) en forma óptima, se tiene en cuenta que se
conocen las entradas de la etapa , por tanto, para cada
valor de las entradas el costo desde el inicio será el costo
de la etapa , más el valor esperado del
costo futuro de operar la etapa , partiendo del
estado al que lleguemos , multiplicado por un valor de
actualización .
El sistema impone restricciones sobre las variables de
control, esto se expresa como restricciones del tipo:
.
(2)
(3)
(4)
(5)
(6)
Modelos CEGH
Un modelo de Correlaciones en Espacio Gaussiano
(CEGH), sirve para representar series temporales que
simbolicen la salida de un proceso estocástico - sistema
dinámico. El modelo identificado, se puede incluir en la
ecuación, (1) y genera series sintéticas que conservan las
auto-correlaciones y las correlaciones cruzadas y los
histogramas de amplitud en el espacio real.
El desafío del modelado CEGH, es crear un modelo
que capte la estructura dinámica del proceso estocástico,
de manera de poder inferir en todo momento el cono de
salidas del proceso. En los procesos que intervienen en la
simulación de sistemas de energía, como las lluvias,
radiación solar, el viento, la demanda, etc, los valores
tienen cierta continuidad lo que permite pensar en el cono
del futuro, como ramas que se extienden a través de un
presente conocido, esto implica la dependencia
estadística con el pasado.
Modelamiento de ERNC en SimSEE
Generador Solar PV
El generador solar en SimSEE sirve para modelar
parques de paneles fotovoltaicos, en donde se
especifican, nombre y nodo de conexión a la red,
unidades disponibles (entre otros), y fuente de recurso
primario, que será una Fuente Kt de paso horario. Kt es
el índice de claridad, y está representada como Radiación
solar medida sobre el plano horizontal en la superficie
terrestre/Radiación solar extraterrestre incidente en las
mismas coordenadas.
Parque Eólico
Admite la definición de la curva Potencia-Velocidad
de una unidad típica del parque eólico, nombre y nodo de
la Red, Factor de disponibilidad, Tiempo de reparación,
Factor de pérdida por interferencias, entre otros.
69
Edición No. 21, Issue I, Julio 2024
Banco de Baterías
Este tipo de actor puede consumir energía del sistema,
almacenar energía y posteriormente entregar la energía
almacenada a la Red.
Se puede definir Nombre y nodo de la Red, carga
inicial en MWh, entre otros.
Impresión de Variables en SimSEE
Es usual la impresión de variables a través de
histogramas, y se fijan de acuerdo a límites de
probabilidad indicados por el usuario, probabilidad de
excedencia. La probabilidad de excedencia es la
probabilidad de que cierto valor sea superado, en la Fig.
7 se observa la salida de un proceso estocástico con
inercia y parte de un estado inicial definido, a un cono de
salidas de probabilidad.
4. DESCRIPCIÓN DEL SISTEMA BALTRA-
SANTA CRUZ
En la Fig. 5 se presenta el esquema actual del sistema
eléctrico Santa Cruz-Baltra y su proyección con el
proyecto Conolophus (recuadro en rojo). Actualmente, el
sistema eléctrico cuenta con un grupo de generadores
térmicos y generación renovable (fotovoltaica y eólica) y
sistemas de almacenamiento BESS, cuyas características
se encuentran descritas en la Tabla 1 y Tabla 2,
respectivamente. Adicionalmente, en la Tabla 3 se
presentan las instalaciones adicionales que contempla el
proyecto Conolophus, cuya expansión está contemplada
para el año 2025 [16].
Baltra tiene 4 alimentadores (DGAC, FAE,
Petroecuador/Armada, Reserva), por otro lado, Santa
Cruz 6 alimentadores (5 alimentadores conectados, 1
Reserva).
Tabla 1: Grupo de generación térmica
Generador
Grupo
Modelo
Cantidad
Potencia [MW]
Hyundai
G1
9H21/32
4
1.7
Hyundai
G2
9H21/32
2
1.7
Caterpillar
G1
3512 DITA
4
0.65
Caterpillar
G2
3516 TA
1
1.10
Tabla 2: Grupo de generación renovable y sistemas de
almacenamiento
Generador
Cantidad
Potencia/energía
Aerogeneradores
Baltra
3
0.75 [MW]
PV Santa Cruz
1
1.5 [MW]
PV Baltra
1
0.067 [MW]
BESS Baltra
1
0.268 [MWh]
BESS Santa Cruz
1
4.032 [MWh]
Primer circuito
Baltra Santa Cruz
1
34.5 kV, 40 Km
En la Tabla 4 se presentan los costos operativos y
mantenimiento, eficiencia y costos variables de los
sistemas de generación ingresados al SimSEE.
Adicionalmente, en la Tabla 4, el costo de combustible y
transporte, asociados a la generación térmica. Estos
costos son tomados de las referencias internacionales
[17], [18] y [19].
Figura 5: Esquema general del sistema actual Santa Cruz- Baltra,
y proyección con Conolophus
Tabla 3: Facilidades adicionales por proyecto Conolophus
Generador
Cantidad
Potencia/energía
PV Baltra
1
14,8 [MW]
BESS Baltra
1
34M [Wh]/11,33 [MW]
BESS Santa Cruz
1
7M [Wh]/5,933 [MW]
Segundo circuito
baltra Santa Cruz
1
34.5 kV, 40 Km
Tabla 4: Costo de energía para diferentes tecnologías
Tecnología
Costo de
operación y
mantenimiento
[USD/kW/año]
Eficiencia
[kWh/gal]
Costo
Variable
[USD/kWh]
Hyundai
119.32
13.96
0.47656
Caterpillar 3512
119.32
12.87
0.47748
Caterpillar 3526
119.32
14.35
0.42964
PV
56.53
-
0
Eólica
59.03
-
0
Baterías
-
-
0
Nota: En SimSEE, el actor eólico este modelado considerando que
el costo variable de generación para el despacho es cero, asimismo se
consideró para las baterías y PV.
Tabla 5: Costo de combustibles [20]
Combustible
Costo de transporte a
Galápagos [USD/gal]
Precio mundial
[USD/gal]
Precio en
Ecuador
[USD/gal]
Diesel
1,03
4,94
1,75
La demanda ingresada a SimSEE considera datos
reales de carga, en el periodo 2020, de los alimentadores
Baltra y Santa Cruz. En la Fig. 6 se muestran los perfiles
diarios promedios de un año de los alimentadores Baltra
y Santa Cruz respectivamente. En este caso, los datos de
demanda ingresado son determinísticos debido a que no
presentan una variabilidad considerable que modifiquen
los resultados; sin embargo, es importante destacar que
se puede ingresar datos históricos con variabilidad con la
finalidad de que SimSEE proyecte modelos estocásticos
y considerar la variabilidad de las cargas.
70
Sánchez et al. / Despacho económico de energía de la microrred en las Islas Galápagos utilizando la plataforma SimSEE
Los datos del recurso primario intermitente
(irradiación solar, velocidad del viento) que caracterizan
la producción de la energía renovable fueron extraídos de
NASA Prediction of Worldwide Energy Resources [21].
Estos datos se caracterizan en forma horaria, formando
una serie de tiempo de 3 años. En la Fig. 7 y la Fig. 8 se
muestran los perfiles horarios estocásticos, para la
primera semana del año 2025, de velocidad de viento e
índice de claridad (Kt), respectivamente. Estos datos son
obtenidos de SimSEE, a través de análisis serial y
correlaciones en espacio Gaussiano con Histograma
CEGH [14].
Figura 6: Perfil diario de demanda 2020 MG Isla Baltra y
Santa Cruz
Figura 7: Perfil horario de velocidad de viento para la
primera semana del 2025, con corte de probabilidad en excedencia
de 5%, 10%, 50%, 75%, 95%
Figura 8: Perfil horario de índice de claridad Kt para la
primera semana del 2025, con corte de probabilidad en excedencia
de 5%, 10%, 50%, 75%, 95%
5. METODOLOGÍA
Para la planificación energética en SimSEE se han
realizado algunos pasos que abarcan, desde el tratamiento
e ingreso de data histórica hasta la modelación del
sistema eléctrico, cuyo alcance se resumen a
continuación:
• Ingreso datos históricos de demanda horaria (serie
de tiempo de demanda horaria en MW).
• Importación de datos históricos horarios de
iradiación solar y de velocidad del viento (índice
de claridad Kt-adimencional y velocidad de viento
en m/s), los datos se obtuvieron a través de un
script se han descargado datos horarios, de 3 años
consecutivos (2019-2022).
• Modelamiento de la red eléctrica en el software de
simulación SimSEE.
• Ingreso de datos técnicos y económicos de los
elementos de red (generadores térmicos, eólicos
renovables, líneas de transmisión, baterías,
cargas).
• Enlace de las fuentes - series de tiempo (demanda,
recurso solar, recurso de viento) con los actores
(cargas, generador PV, aerogeneradores) en el
software SimSEE.
• Optimización y simulación de varios escenarios
que combinan la demanda y la variabilidad del
recurso primario.
• Para complementar con detalle la simulación en
SimSEE, se presenta la Fig. 9, donde se hace
referencia al proceso de implementación y
simulación en el Software.
Figura 9: Esquema de proceso de simulación en SimSEE
6. ANÁLISIS DE RESULTADOS
A continuación, se presentan los resultados
considerando los escenarios promedios o valores
esperados. Los casos o escenarios operativos que se
analizan son los siguientes:
A) Escenario base:
El sistema actual SSB (11 generadores térmicos, 2
fotovoltaicos, 1 eólico y 2 BESS)
71
Edición No. 21, Issue I, Julio 2024
Intervalo de tiempo de optimización:
Desde:06/01/2025, Hasta: 26/01/2025
Intervalo de tiempo de simulación:
Desde:13/01/2025, Hasta: 19/01/2025
B) Escenario con Conolophus:
Sistema actual SSB con la inserción del Proyecto
denominado Conolophus (1 fotovoltaico y 2 BESS).
Intervalo de tiempo de optimización:
Desde:06/01/2025, Hasta: 26/01/2025
Intervalo de tiempo de simulación:
Desde:13/01/2025, Hasta: 19/01/2025
Figura 10: Perfil horario de generación eólica en Baltra para
la segunda semana del 2025, con corte de probabilidad en
excedencia de 5%, 10%, 50%, 75%, 95%
Para realizar los análisis, el SimSEE permite graficar
resultados en función de probabilidades de excedencia;
esto se refiere a los resultados con la probabilidad de que
un determinado valor sea superado en cualquiera de las
variables citadas que tiene comportamiento estocástico
[12]. En este sentido, en la Fig. 10 se presentan los
pronósticos de producción de energía eólica para la
primera semana del 2025 en la Isla Baltra; asimismo en
la Fig. 11 se muestra la producción de energía
fotovoltaica para la Isla Santa Cruz. En estas figuras se
puede observar escenarios con diferentes probabilidades
de ocurrencia que pueden considerarse para la
planificación de la operación y expansión de los sistemas
eléctricos.
A) ESCENARIO BASE
En la Fig. 12 se muestra el despacho económico de
generación estimada en el sistema eléctrico Baltra- Santa
Cruz, donde se observa que predomina el despacho de
generación térmica. En este caso, la demanda es cubierta
por generación base de bajo costo (generación
fotovoltaica y eólica); posteriormente, se observa en
color verde el despacho de los sistemas almacenamiento
y; por último, la demanda de punta se abastece por
generación térmica. En la Fig. 13 se resume el porcentaje
de generación despachado para cubrir la demanda, donde
la generación fotovoltaica abarca el 5.84%, la generación
eólica el 5.6%, y la térmica con el 88.56%.
Figura 11: Perfil horario de generación Solar en Santa Cruz
para la segunda semana del 2025, con corte de probabilidad en
excedencia de 5%, 10%, 50%, 75%, 95%
Figura 12: Generación por fuente total para el sistema Baltra-
Santa Cruz
Figura 13: Porcentaje de generación por fuente total para el
sistema Baltra-Santa Cruz
Figura 14: Generación por fuente Nodo Baltra
En la Fig. 14 que muestra la generación por tipo de
fuente en el Nodo Baltra, se observa que la demanda está
por debajo de la generación puesto que es un nodo
exportador de energía que suministra energía al nodo
Santa Cruz. Para ello, se despacha la generación
fotovoltaica, eólica y los sistemas de almacenamiento.
Por otro lado, en la Fig. 15 que muestra la generación por
tipo de fuente en el nodo Santa Cruz, se cuenta con mayor
demanda y menor potencia instalada de ERNC; por tal
razón para cubrir la demanda es necesario despachar toda
la generación de bajo costo (fotovoltaica, eólica),
sistemas de almacenamiento y generación térmica.
72
Sánchez et al. / Despacho económico de energía de la microrred en las Islas Galápagos utilizando la plataforma SimSEE
Figura 15: Generación por fuente Nodo Santa Cruz
B) ESCENARIO CON CONOLOPHUS
En la Fig. 5, se marca en recuadros, las facilidades
adicionales que entrarían en funcionamiento con el
proyecto Conolophus, resumiendo, se instalarían:
*Segundo circuito de la línea de transmisión Baltra-Santa
Cruz.
*Sistema Fotovoltaico en la Isla Baltra.
*Sistema de almacenamiento de Energía en la Isla Baltra.
*Sistema de almacenamiento en la Isla Santa Cruz.
En la Fig. 16, se observa el perfil de generación por
fuente, evidentemente la instalación de Conolophus,
adviene gran inserción de ERNC. La demanda es cubierta
por demanda base (generación eólica, fotovoltaica,
baterías) y en último orden de prelación la generación
térmica. En ese sentido, la composición de la generación
se proyecta en 57.20% de generación fotovoltaica, 4.07%
de generación eólica y 38.72% de generación Térmica,
claramente mostrado en la Fig. 17.
Figura 16: Generación por fuente total para el sistema Baltra-
Santa Cruz
Figura 17: Porcentaje de generación por fuente total para el
sistema Baltra-Santa Cruz: Solar: 57.2%, Eólica: 4.1%, Térmica:
38.7%
En la Fig. 18, es evidente que el Nodo Baltra va a
exportar la mayoría de su generación a Santacruz, y su
curva de demanda queda representada muy por debajo de
su generación, en este nodo se despacha energía eólica,
fotovoltaica, adicionalmente toma importancia la energía
proveniente de baterías, que serán cargadas durante el día
donde se tiene la mayor producción de energía
fotovoltaica.
Figura 18: Generación por fuente Nodo Baltra
La Fig. 19, la se despacha en base la generación
fotovoltaica, durante el día, descarga de baterías durante
la noche, generación térmica y el enlace de conexión con
la Isla Baltra proporciona el resto de energía inclusive en
excedencia para cargar las baterías.
Figura 19: Generación por fuente Nodo Santa Cruz
7. EVALUACIÓN ECONÓMICA
Para los escenarios A y B, se grafican los costos
marginales y el costo de abastecimiento de la demanda, y
se toma en cuenta, los siguientes intervalos de tiempo
para la simulación para ambos casos:
Intervalo de tiempo de optimización:
Desde:01/01/2025, Hasta: 21/01/2025
Intervalo de tiempo de simulación:
Desde:08/01/2025, Hasta: 14/01/2025
Figura 20: Costo marginal Nodo Baltra
En la Fig. 20 se muestra el costo marginal del nodo
Baltra por paso de tiempo, en la segunda semana de enero
del 2025, se han sobrepuesto los escenarios A y B en la
73
Edición No. 21, Issue I, Julio 2024
misma gráfica, durante las horas de mayor radiación
debido a la generación fotovoltaica, el costo marginal
disminuye. En el caso base el costo marginal oscila
debido a la inyección de potencia proveniente de la
batería, y lo que cuesta cargarla con energía eólica, que
tiene costo cero, sin embargo, esta energía podría
enviarse a Santacruz, es por ello que eso obliga a
despachar generación térmica.
En el nodo Santa Cruz (Fig. 21), en el escenario A, se
tiene un costo marginal atado al costo variable del último
generador térmico despachado, a diferencia de lo que
sucede con el caso B, donde el costo marginal disminuye
debido a la importación de energía proveniente de la
generación fotovoltaica de Baltra.
Figura 21: Costo marginal Nodo Santacruz
El costo de abastecimiento de la demanda acumulada
(CAD) del escenario A y B, quedan representadas en la
Fig. 22, y es claro que la generación de ERNC, marcan
una reducción importante de la generación térmica, por
tanto, se reduce el consumo de combustibles inclusive
más de la mitad. Durante las horas de mayor radiación el
CAD, tiene un comportamiento escalonado, ya que en
esas horas la demanda es servida en su totalidad por
energía por fotovoltaica. En el caso A, el crecimiento del
costo es casi constante puesto que el sistema se sirve casi
en su totalidad de generación térmica.
Figura 22: Costo de abastecimiento de la demanda Sistema
Baltra-Santa Cruz
8. CONCLUSIONES Y RECOMENDACIONES
De acuerdo a las series de tiempo horarias de
velocidad de viento analizadas, se puede concluir que el
recurso eólico en Galápagos, es limitado, y no representa
a largo plazo, una fortaleza, caso contrario ocurre con el
recurso solar que es óptimo y muestra gran potencialidad.
Debido a la intermitencia del recurso primario de sol
y viento, es importante proponer siempre el despacho de
generación térmica que supla, en estas condiciones, la
demanda energía y que sea de rápida respuesta.
La inserción de Conolophus disminuye
considerablemente el costo de abastecimiento de la
demanda, casi en un 60%.
En promedio el sistema Baltra-Santa Cruz, consume
60000 galones de Diesel a la semana, que representan una
mayor emisión de CO2 a la atmósfera e incurren en
gastos mayores para el estado ecuatoriano debido al
subsidio que representa la compra de combustible.
Un centro de control centralizado de la MG puede
conformar una herramienta fundamental en el manejo de
la red y constituir una institución de planificación y
operación de la MG, con posibilidad de ampliación a
largo plazo y enlaces eléctricos entre islas.
Se ha totalizado la demanda y se han dispuesto los
generadores térmicos individualmente, más adelante se
propone un estudio más específico donde se modele a la
demanda como una variable estocástica para que pueda
ser tomada en cuenta en el despacho económico.
El sistema en condiciones iniciales, muestra una
incidencia de energía térmica de 88%, a posterior con la
implementación de Conolophus el porcentaje se reduce
al 38%.
En SimSEE el cono de probabilidad, que indica
incertidumbre en los datos puede reducirse con la
inclusión de pronósticos a los modelos CEGH, por lo que
se sugiere que se adapten en forma semanal o diaria, al
despacho económico.
Es importante mencionar que una vez que se tiene el
despacho económico energético tomando en cuenta, al
menos las restricciones de transferencia de las líneas de
transmisión, a posterior se debe realizar una evaluación
dinámica y estática del sistema y esto podría variar el
despacho de generación térmica (incrementado Potencia
de despacho) para la Seguridad del sistema eléctrico.
9. REFERENCIAS BIBLIOGRÁFICAS
[1] J. Cepeda and S. Chamba, “Determinación del
Modelo Estocástico del Estado de Carga de
Baterías para el cómputo de Flujo de Potencia
Probabilístico de Microrredes,” Rev. Téc. Energ.,
vol. 16, no. 1, Art. no. 1, Jul. 2019, doi:
10.37116/revistaenergia.v16.n1.2019.334.
[2] M. Shahbazitabar, H. Abdi, H. Nourianfar, A.
Anvari-Moghaddam, B. Mohammadi-Ivatloo, and
N. Hatziargyriou, “An Introduction to Microgrids,
Concepts, Definition, and Classifications,” in
Microgrids: Advances in Operation, Control, and
Protection, A. Anvari-Moghaddam, H. Abdi, B.
Mohammadi-Ivatloo, and N. Hatziargyriou, Eds.,
in Power Systems. , Cham: Springer International
Publishing, 2021, pp. 3–16. doi: 10.1007/978-3-
030-59750-4_1.
[3] S. Chamba, W. Vargas, D. Echeverría, and J.
74
Sánchez et al. / Despacho económico de energía de la microrred en las Islas Galápagos utilizando la plataforma SimSEE
Riofrio, “Regulación Primaria de Frecuencia
Mediante Sistemas de Almacenamiento de Energía
con Baterías en el Sistema Eléctrico Ecuatoriano,”
Rev. Téc. Energ., vol. 19, no. 1, Art. no. 1, Jul.
2022, doi:
10.37116/revistaenergia.v19.n1.2022.506.
[4] N. Hatziargyriou, H. Asano, R. Iravani, and C.
Marnay, “Microgrids: An Overview of Ongoing
Research, Development, and Demonstration
Projects,” IEEE Power Amp Energy Mag., vol.
July/August, p. 19, 2007.
[5] H. Shayeghi, E. Shahryari, M. Moradzadeh, and P.
Siano, “A Survey on Microgrid Energy
Management Considering Flexible Energy
Sources,” Energies, vol. 12, Jun. 2019, doi:
10.3390/en12112156.
[6] “Ministerio de Energía y Minas Presentó Plan de
Transición Energética para Galápagos – Ministerio
de Energia y Minas.” Accessed: Jun. 18, 2024.
[Online]. Available:
https://www.recursosyenergia.gob.ec/ministerio-
de-energia-y-minas-presento-plan-de-transicion-
energetica-para-galapagos/
[7] G. Sebastian Salazar, J. Cepeda Campana, G.
Salazar Yepez, and R. Patricio Aguilar,
“Evaluación de la Prospectiva Energética de la
microrred Baltra – Santa Cruz usando Flujos de
Potencia Probabilísticos,” 2022 IEEE Bienn.
Congr. Argent. ARGENCON, pp. 1–8, Sep. 2022,
doi: 10.1109/ARGENCON55245.2022.9939679.
[8] C. Ochoa, D. Ochoa-Ochoa, X. Serrano Guerrero,
and A. Barragán-Escandón, “Technical-economic
comparison of microgrids for rural communities in
the island region of Galapagos, Ecuador: Isabela
Island case,” Sep. 2022, pp. 1–7. doi:
10.1109/ARGENCON55245.2022.9939813.
[9] J.-M. Clairand, M. Arriaga, C. A. Cañizares, and
C. Álvarez-Bel, “Power Generation Planning of
Galapagos’ Microgrid Considering Electric
Vehicles and Induction Stoves,” IEEE Trans.
Sustain. Energy, vol. 10, no. 4, pp. 1916–1926,
Oct. 2019, doi: 10.1109/TSTE.2018.2876059.
[10] J. R. Birge and F. Louveaux, Introduction to
Stochastic Programming. in Springer Series in
Operations Research and Financial Engineering.
New York, NY: Springer, 2011. doi: 10.1007/978-
1-4614-0237-4.
[11] Fullner y S. Rebennack, Stochastic dual
dynamic programming and its variants -a review,
2021.
[12] todouy.com, “SimSEE es una plataforma de
Simulación de Sistemas de Energía Eléctrica.”
Accessed: Nov. 01, 2023. [Online]. Available:
https://simsee.org/simsee/verdoc/vol4.php
[13] F. Palacio, P. Soubes y R. Chaer, “‘Manuales
de Usuario de SimSEE.’”
[14] D. E. Jurado, C. Jaramillo, J. Benítez, J. Cepeda,
and H. Arcos, “Análisis del impacto de las energías
renovables no convencionales en la planificación
operativa de largo plazo del Sistema Nacional
Interconectado utilizando la plataforma SimSEE,”
Rev. Téc. Energ., vol. 19, no. 1, Art. no. 1, Jul.
2022, doi:
10.37116/revistaenergia.v19.n1.2022.526.
[15] L. Meng et al., “Review on Control of DC
Microgrids and Multiple Microgrid Clusters,”
IEEE J. Emerg. Sel. Top. Power Electron., vol. 5,
no. 3, pp. 928–948, Sep. 2017, doi:
10.1109/JESTPE.2017.2690219.
[16] “Gobierno Nacional inicia proceso público de
selección para el desarrollo del Proyecto
Fotovoltaico Conolophus – Ministerio de Energia
y Minas.” Accessed: Oct. 30, 2023. [Online].
Available:
https://www.recursosyenergia.gob.ec/gobierno-
nacional-inicia-proceso-publico-de-seleccion-
para-el-desarrollo-del-proyecto-fotovoltaico-
conolophus/
[17] “2023 Levelized Cost Of Energy+,”
https://www.lazard.com. Accessed: Oct. 18, 2023.
[Online]. Available:
https://www.lazard.com/research-insights/2023-
levelized-cost-of-energyplus/
[18] “IRENA – International Renewable Energy
Agency.” Accessed: Oct. 18, 2023. [Online].
Available: https://www.irena.org/
[19] “National Renewable Energy Laboratory (NREL)
Home Page.” Accessed: Oct. 19, 2023. [Online].
Available: https://www.nrel.gov/index.html
[20] “Los precios del diesel en todo el mundo, 16-oct-
2023,” GlobalPetrolPrices.com. Accessed: Oct.
18, 2023. [Online]. Available:
https://es.globalpetrolprices.com/diesel_prices/
[21] “NASA POWER | Prediction Of Worldwide
Energy Resources.” Accessed: Oct. 18, 2023.
[Online]. Available: https://power.larc.nasa.gov/
75
Edición No. 21, Issue I, Julio 2024
Wilson Danilo Sánchez Bravo. -
Nació en Latacunga, Ecuador
1994. Obtuvo el título de Ingeniero
Eléctrico en la Escuela Politécnica
Nacional, Ecuador en el 2019.
Actualmente trabaja en la
Subgerencia Nacional de
Investigación y Desarrollo del
CENACE. Sus áreas de investigación son: Planificación
en el SEP, Evaluación de la seguridad del SEP,
Estabilidad de voltaje.
Marlon Chamba. - Nació en Loja,
Ecuador en 1982. Obtuvo el título
de Ingeniero Eléctrico en la
Escuela Politécnica Nacional,
Ecuador en el 2007. En el año
2016, obtuvo el título de Doctor en
Ingeniería Eléctrica en la
Universidad Nacional de San Juan,
Argentina. Actualmente trabaja en la Subgerencia
Nacional de Investigación y Desarrollo del CENACE.
Sus áreas de investigación son: Mercados de Energía,
Confiabilidad, Calidad, Evaluación de la seguridad del
SEP.
Diego E. Echeverría. - Obtuvo su
título de Ingeniero Eléctrico en
2006 en la Escuela Politécnica
Nacional, Quito-Ecuador. Realizó
su doctorado en el Instituto de
Energía Eléctrica, Universidad
Nacional de San Juan, San Juan,
Argentina, favorecido con una
beca del Servicio Alemán de Intercambio Académico
(DAAD). Obtuvo el título de Doctor en Ingeniería
Eléctrica en diciembre de 2021. Actualmente trabaja en
Ecuador en el Operador Nacional de Electricidad
CENACE como Subgerente Nacional de Investigación y
Desarrollo. Sus campos de interés especiales
comprenden el control y la estabilidad de los sistemas de
energía en tiempo real, la tecnología de medición
sincrofasorial, los sistemas de monitoreo de área amplia
y el desarrollo de redes inteligentes.
Andrés Jacho Alvarado. - Nació
en Guayaquil en 1990. Obtuvo su
título de Tecnólogo en
Electricidad Industrial (2008),
Ingeniero en Electricidad
especialización Potencia (2018) y
el de Magister en Sistemas
Eléctricos de Potencia (2022) en la
Escuela Superior Politécnica del Litoral. Actualmente
trabaja en la Subgerencia Nacional de Investigación y
Desarrollo del CENACE, con el cargo de Analista de
Investigación y Desarrollo Técnico. Sus áreas de
investigación son: Estabilidad de Sistemas de Potencia en
Tiempo Real, Lenguajes de programación aplicados a
Sistemas de Control, modelos y esquemas de control
utilizado en fuentes de generación basadas en
convertidores de electrónica de potencia.
Carlos Xavier Lozada. - Nació en
Quito en 1995, Recibió su título de
Ingeniero Eléctrico de la Escuela
Politécnica Nacional en el 2020; se
encuentra cursando sus estudios de
Maestría en Electricidad Mención
Redes Eléctricas Inteligentes.
Actualmente se desempeña como
Ingeniero de Investigación y Desarrollo en la
Subgerencia Nacional de Investigación y Desarrollo de
CENACE. Sus áreas de interés son: Sistemas Eléctricos
de Potencia, Protecciones Eléctricas y Optimización
Aplicada.
76
