Artículo Académico / Academic Paper
Recibido: 04-05-2025, Aprobado tras revisión: 04-07-2025
Forma sugerida de citación: Castro, P.; Cepeda, J. (2025). “Análisis del Impacto de la Penetración de Energías Renovables no
Gestionables en la seguridad operativa de los Sistemas Eléctricos de Potencia”. Revista Técnica “energía”. No. 22, Issue I, Pp. 20-
32.
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v21.n2.2025.710
© 2025 Autores Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0 (https://creativecommons.org/licenses/by-nc/4.0/)
Impact Analysis of Non-Dispatchable Renewable Energies Penetration in
Power System Operational Security
Análisis del Impacto de la Penetración de Energías Renovables no
Gestionables en la seguridad operativa de los Sistemas Eléctricos de Potencia
P.S. Castro1
0009-0003-2646-2131
J.C. Cepeda1
0000-0002-2488-6796
1Escuela Politécnica Nacional, Ecuador
E-mail: pcastroramon@gmail.com, jaime.cepeda@epn.edu.ec
Abstract
This study analyzes the impact of integrating non-
dispatchable renewable energy generators into the
National Interconnected System (SNI), focusing on the
Yanahurcu wind project, which aims to add 52.8 MW
of renewable generation to the system. To achieve this,
a systematic methodology is proposed, consisting of
three sequential and complementary types of analysis.
First, a probabilistic power flow analysis is applied to
assess the project's ability to contribute energy to the
system under various operating conditions. Then, its
impact on dynamic security is evaluated through time-
domain simulations, considering its reactive power
contribution during grid faults. Additionally, a
generation adequacy assessment is performed,
including key indicators such as the Loss of Load
Probability (LOLP) and Expected Energy Not Supplied
(EENS), which are essential to determine the system’s
capacity to meet demand given the integration of non-
dispatchable generation blocks. DIgSILENT
PowerFactory is used for the electrical studies, allowing
the integration of data and modeling of probability
density functions. The results enable a proper evaluation
of the project's operational security and confirm the
effectiveness of the proposed methodology, which
could be applied in Ecuador to assess the impact of
future renewable energy projects.
Resumen
Este trabajo analiza el impacto de la integración de
generadores basados en energías renovables no
gestionables en el Sistema Nacional Interconectado
(SNI), con un enfoque en el proyecto eólico Yanahurcu,
que propone añadir 52,8 MW de generación renovable
al sistema. Para ello, se plantea una metodología
sistematizada que realiza tres tipos de análisis de forma
secuencial y complementaria. En primer lugar, se aplica
un análisis probabilístico de flujos de potencia para
evaluar la capacidad del proyecto de aportar energía al
sistema bajo diversas condiciones operativas. Luego, se
estudia su impacto en la seguridad dinámica mediante
simulaciones en el dominio del tiempo, considerando su
aporte de potencia reactiva ante fallas en la red.
Además, se realiza una evaluación de confiabilidad
(generation adequacy), que incluye indicadores como la
probabilidad de pérdida de carga y la energía no
suministrada, fundamentales para determinar la
capacidad del sistema de cubrir la demanda ante la
incorporación de bloques de generación no gestionable.
Para los análisis eléctricos se utiliza DIgSILENT
PowerFactory, lo cual permite integrar datos y modelar
funciones de densidad de probabilidad. Los resultados
obtenidos permiten una valoración adecuada de la
seguridad operativa del proyecto, y comprueban la
efectividad de la metodología propuesta, la cual podría
implementarse en futuros proyectos en Ecuador para
evaluar el impacto de futuros proyectos renovables.
Index terms— Non-dispatchable energy, generation
adequacy, probabilistic power flows, dynamic security
assessment.
Palabras clave— Energía no gestionable, adecuación
de la generación, flujos probabilísticos de potencia,
evaluación de la seguridad dinámica.
20
Edición No. 22, Issue I, Julio 2025
1. INTRODUCCIÓN
En 2022, el gobierno de Ecuador lanzó una licitación
para un bloque de 500 MW de generación renovable.
Además, aproximadamente el 60 % de la capacidad
instalada en el país proviene de fuentes renovables no
gestionables [1]. La variabilidad de estos recursos, como
el agua, el viento y la irradiación solar, introduce
incertidumbre en la capacidad del sistema para satisfacer
la demanda. En este contexto, es fundamental analizar el
impacto de los proyectos de generación que dependen de
fuentes renovables no gestionables [2].
La creciente penetración de fuentes renovables no
gestionables como la solar fotovoltaica y la eólica ha
generado un interés significativo en metodologías que
permitan evaluar de forma precisa su impacto sobre la
seguridad operativa y la confiabilidad de los sistemas
eléctricos de potencia. En este contexto, se han
desarrollado diversos enfoques para modelar la
incertidumbre e intermitencia de estas fuentes, entre los
cuales se destacan los métodos basados en el cálculo de
indicadores de adecuación como el LOLP (Loss of Load
Probability) y el ELCC (Effective Load Carrying
Capability) [3], [4].
El método ELCC, ampliamente utilizado para estimar
la capacidad firme de generación renovable, se basa en
mantener constante la confiabilidad del sistema al
introducir una unidad no gestionable. No obstante, su
aplicación práctica requiere simulaciones extensas de
series temporales, y su alcance se limita generalmente al
análisis de adecuación de generación, sin abordar su
efecto sobre la seguridad operativa ante eventos
dinámicos o de contingencia [4], [5].
Por ello, se han desarrollado enfoques más integrales,
como los métodos de Probabilistic Power Flow (PPF).
Técnicas como la simulación Monte Carlo, el método de
estimación puntual (PEM), o la expansión en series
(Gram-Charlier, Cornish-Fisher, Edgeworth), permiten
modelar la variabilidad horaria de la demanda y la
generación [6], [7]. Sin embargo, presentan desafíos en
cuanto a precisión, convergencia y carga computacional
[7].
Recientemente, se ha introducido el Stochastic
Response Surface Method (SRSM) como alternativa
eficiente y precisa. Esta técnica permite representar tanto
variables normales como no normales, modelar
correlaciones entre entradas estocásticas y estimar
distribuciones de potencia sin recurrir a series
divergentes, superando limitaciones de PEM y otras [7].
Además, se han propuesto enfoques complementarios
que integran modelado de confiabilidad, seguridad
dinámica y planificación de expansión con renovables.
Por ejemplo, Garver [8] fue pionero en evaluar la
confiabilidad de sistemas con generación probabilística,
mientras que estudios más recientes como el de
Constante-Flores [9] utilizan herramientas como
PowerFactory para validar la operación del sistema bajo
escenarios renovables realistas.
El estudio de Jaehnert J.R. [10] introduce el concepto
de flexibilidad operativa ante alta penetración renovable
en mercados eléctricos, aportando una visión estratégica
para mitigar la incertidumbre. A su vez, Kahrobaee y
Asgarpoor [11] presentan una evaluación de
confiabilidad con energías distribuidas renovables
mediante simulaciones en tiempo discreto, lo cual es
clave para representar el comportamiento de micro-redes
o sistemas con alta generación variable.
Frente a estas metodologías, el presente trabajo
propone un enfoque integrado que combina análisis
probabilístico del flujo de potencia, simulaciones
dinámicas en el dominio del tiempo y evaluación de
confiabilidad (generation adequacy), todo ello
implementado en PowerFactory. Esta aproximación
permite valorar de forma más completa el impacto
operativo de nuevas plantas renovables, como el proyecto
eólico Yanahurcu, incluyendo su contribución al soporte
de potencia reactiva y respuesta ante fallas, aspectos que
no son considerados por metodologías clásicas como
ELCC o LOLP aplicados de forma aislada.
La presencia de recursos primarios no gestionables,
como el agua, el sol o el viento, introduce un alto grado
de incertidumbre en la operación del sistema eléctrico.
Esta incertidumbre hace necesario realizar un análisis
probabilístico que permita cuantificar, por un lado, la
cantidad de potencia que puede esperarse de las fuentes
renovables, y por otro, la capacidad real del sistema para
abastecer la demanda en distintos escenarios.
Adicionalmente, este tipo de análisis permite determinar
cuánta generación debe mantenerse en reserva, de modo
que pueda entrar en operación cuando la generación
renovable no gestionable no sea suficiente para cubrir la
demanda, garantizando así el cumplimiento de los
indicadores de confiabilidad del sistema [11].
El impacto de un proyecto renovable no gestionable
debe abordarse desde diferentes perspectivas. A este
respecto, es importante mencionar que, actualmente, en
Ecuador no existe una metodología formalmente definida
para evaluar el impacto de la conexión de un nuevo
proyecto de generación renovable no gestionable con
características de intermitencia, sino que se continúan
realizando los estudios tradicionales predefinidos para
generadores sincrónicos. En este sentido, este trabajo
propone una metodología sistematizada que realiza tres
tipos de análisis de forma secuencial y complementaria,
necesarios para evaluar la seguridad operativa del
sistema ante la conexión de este tipo de generación.
El primer estudio consiste en un análisis de flujos
probabilísticos de potencia, que permite considerar la
estocasticidad del recurso primario mediante funciones
de distribución de probabilidad. Esto posibilita
cuantificar de manera probabilística la generación de
potencia de un proyecto, teniendo en cuenta la
21
Castro et al. / Impacto de Energías Renovables no Gestionables en la seguridad operativa de SEP
variabilidad del recurso, y determinar en qué condiciones
el sistema no puede abastecer la demanda [2].
El segundo estudio pretende evaluar la variabilidad
del recurso es a través de un análisis de confiabilidad de
generación (generation adequacy). En sistemas con alta
penetración de generación eólica, la variabilidad del
viento influye en la capacidad del sistema para satisfacer
la demanda. Además, al considerar las funciones de
indisponibilidad de las centrales del sistema, la
confiabilidad puede medirse mediante indicadores como
el LOLP (Loss of Load Probability) y el EDNS (Expected
Demand Not Supplied) [13][14].
Finalmente, el tercer estudio necesario es la
evaluación de la seguridad dinámica del proyecto. Con el
aumento de centrales de generación basadas en
convertidores estáticos de potencia, especialmente en
sistemas grid following que permiten su integración con
la red, pero sin aportar significativamente en la seguridad
de la red, es necesario analizar su aporte y
comportamiento dinámico durante fallas y contingencias
[15]. Esto incluye evaluar su capacidad para proporcionar
soporte de voltaje y frecuencia, así como su respuesta
ante variaciones abruptas en la demanda o desconexiones
inesperadas.
Sobre la base de lo mencionado, en el presente
artículo se propone una metodología integral que permite
analizar el impacto de las energías renovables no
gestionables en la red, centrándose en el proyecto eólico
Yanahurcu, de potencia efectiva de 52.8MW, en el
Sistema Nacional Interconectado ecuatoriano. El análisis
se realizará desde tres enfoques, flujos probabilísticos de
potencia, confiabilidad de generación y evaluación de la
seguridad dinámica. Para los cálculos y simulaciones, se
utiliza el software DIgSILENT PowerFactory. Los
resultados obtenidos viabilizan una apropiada valoración
de la seguridad operativa del proyecto, permitiendo
comprobar la efectividad de la metodología propuesta, la
cual podría aplicarse en Ecuador para valorar el impacto
de los proyectos renovables futuros.
El resto del artículo se organiza de la siguiente
manera: una revisión conceptual es presentada en la
segunda sección. En la tercera sección, se presenta la
metodología propuesta, mientras que los resultados
obtenidos se muestran en la sección cuatro. Finalmente,
la sección cinco resume las conclusiones y
recomendaciones del trabajo realizado.
2. MARCO CONCEPTUAL
2.1 Flujos Probabilísticos de Potencia
Los flujos probabilísticos de potencia en sistemas
eléctricos analizan la incertidumbre en la generación y
demanda de energía, originada por la variabilidad de los
recursos renovables y las fluctuaciones en el consumo.
Para modelarlos, se emplean técnicas probabilísticas,
como las simulaciones de Montecarlo, que generan
múltiples escenarios basados en distribuciones de
probabilidad. Estas simulaciones permiten estimar la
probabilidad de eventos extremos y evaluar su impacto
en la estabilidad y fiabilidad del sistema eléctrico
[2][16][17].
2.1.1 Funciones de densidad de probabilidad
Las funciones de densidad de probabilidad (FDP)
describen la distribución de variables aleatorias y son
clave para modelar la variabilidad estocástica de los
recursos renovables, como el caudal de los ríos, la
velocidad del viento y la irradiación solar, cuya
predictibilidad no es determinista. Una FDP representa la
probabilidad de que una variable aleatoria continua tome
un valor dentro de un rango. Para una variable , la
función debe cumplir dos condiciones [18][19]:
(1)
(2)
Para sistemas de generación eólicos, la distribución
que mejor describe la velocidad del viento en la
distribución de Weibull [20]. Para las centrales de
generación con otro tipo de recursos primarios pueden
aproximarse distribuciones como la gamma, normal o
distribuciones finitas discretas.
2.1.2 Correlación de funciones de densidad de
probabilidad
La correlación entre funciones de densidad o
distribución de probabilidad es clave para modelar la
interdependencia entre variables aleatorias en sistemas
eléctricos. Aunque la correlación de Pearson mide
relaciones lineales, en sistemas no lineales o con
distribuciones no normales se requieren métodos más
avanzados [21]. Para ello, las funciones de cópula
permiten modelar dependencias complejas, ofreciendo
una representación precisa de la relación entre
distribuciones marginales y su estructura de dependencia
[22][23]. Estas herramientas son especialmente útiles
para modelar la correlación entre distribuciones de
Weibull en aerogeneradores cercanos [24].
2.1.3 Método Montecarlo en flujos probabilísticos
de potencia
El método de Montecarlo es una técnica de
simulación que emplea números aleatorios para modelar
incertidumbres en sistemas estocásticos. En flujos
probabilísticos de potencia y flujo óptimo de potencia
probabilístico, se utiliza para evaluar el impacto de la
variabilidad en la generación y demanda de energía. La
metodología consiste en generar múltiples escenarios a
partir de muestras aleatorias de variables inciertas y
realizar análisis de flujo de potencia en cada uno. Al
promediar los resultados, se obtiene una estimación
robusta del comportamiento del sistema eléctrico bajo
condiciones variables [25].
22
Edición No. 22, Issue I, Julio 2025
2.2 Adecuación de la Generación en Sistemas de
Eléctricos de Potencia
La adecuación de la generación es la capacidad del
sistema para satisfacer la demanda considerando la
variabilidad de los recursos y la incertidumbre en la
disponibilidad de las unidades de generación [25].
Matemáticamente, esta condición se puede expresar
como:
(3)
Donde:
es la capacidad disponible de la unidad generadora ,
es la demanda del sistema en el instante de tiempo
, es el número total de generadores del sistema.
Este concepto se basa en la idea de que el sistema
debe tener suficientes recursos disponibles para cubrir la
demanda máxima, teniendo en cuenta tanto la generación
en operación como las reservas para situaciones de
emergencia.
2.2.1 Indicadores de la adecuación de la generación
2.2.1.1 Loss of load expectation (LOLE)
Este indicador cuantifica la cantidad de horas o días
al año en los que se prevé que la demanda supere la
capacidad disponible del sistema, lo que podría resultar
en una pérdida de carga [25]. Su definición es la
siguiente:
(4)
Donde:
es la probabilidad de que la
capacidad de generación sea menor que la demanda en la
hora (cuando es discreto, )
2.2.1.2 Loss of load probability (LOLP)
Indica la probabilidad de que el sistema no disponga
de la capacidad necesaria para cubrir la demanda en un
determinado periodo de tiempo [25]. Su expresión
matemática es:
(5)
Donde:
es la probabilidad de que la demanda
máxima del sistema sea mayor o igual a la oferta de
potencia de las unidades generadoras disponibles.
2.2.2 Factores de influyen en la adecuación de la
generación
2.2.2.1 Variabilidad de la demanda
La demanda de electricidad varía en el tiempo y en
magnitud, con picos que requieren capacidad suficiente
para su cobertura [26].
2.2.2.2 Disponibilidad de generadores
Los generadores pueden estar fuera de servicio
debido a mantenimientos programados o fallas
inesperadas [25]. Por ello, la adecuación del sistema
depende de la tasa de indisponibilidad de las unidades de
generación, la cual se puede representar como:
(6)
Donde:
es la tasa de falla del generador y es la tasa de
reparación de la unidad de generación.
2.2.2.3 Integración de fuentes renovables
Las fuentes de generación renovable, como la solar y
la eólica, tienen una variabilidad inherente que dificulta
la planificación de la adecuación del sistema. Dado que
dependen de condiciones climáticas impredecibles, se
requiere el apoyo de generadores de respaldo o sistemas
de almacenamiento de energía.
2.3 Respuesta Dinámica de Sistemas de Generación
Eólicos Full Converter
La energía eólica es una de las fuentes renovables más
importantes a nivel mundial, gracias a su reducido
impacto ambiental y los constantes avances tecnológicos.
El modelo WECC (Western Electricity Coordinating
Council) Tipo 4 es una referencia común para simular las
características dinámicas de turbinas eólicas con
convertidor completo [27][28]. Detallado en la
documentación de WECC y de ESIG, se centra en
representar con precisión la interacción entre el
generador eólico y la red eléctrica durante eventos
transitorios como caídas de tensión, cambios en la
frecuencia y desconexiones temporales. El convertidor
de las turbinas Tipo 4 desacopla completamente el
generador de la red, lo que permite un control mucho más
flexible de la potencia y que el parque aerogenerador
pueda proporcionar soporte dinámico ante eventos
transitorios.
23
Castro et al. / Impacto de Energías Renovables no Gestionables en la seguridad operativa de SEP
Figura 1: Diagrama de Flujo de la Metodología Propuesta para el
Análisis del Impacto de las Centrales Renovables no Gestionables
3. METODOLOGÍA
Para analizar el impacto de la conexión de energías
renovables no gestionables en el SNI se propone la
metodología mostrada en el diagrama de flujo de la Fig.
1, cuyos subprocesos se describen en esta sección.
3.1 Análisis de Flujos Probabilísticos de Potencia en
DIgSILENT PowerFactory
La herramienta Probabilistic Analysis de
DIgSILENT PowerFactory es un paquete de
herramientas que permite el análisis de los sistemas
eléctricos de potencia considerando la variabilidad en el
recurso primario de las centrales de generación
renovables no gestionables. El análisis de flujos
probabilísticos de potencia requiere que a cada generador
con recurso primario no gestionable se le asigne una
función de densidad de probabilidad (PDF por las siglas
en inglés). Estas funciones pueden ser continuas o
discretas.
En Ecuador, el Operador Nacional de Electricidad
(CENACE) utiliza el software SDDP (Programación
Dinámica Dual Estocástica) para planificar el despacho
de generación. Esta herramienta aplica simulación
dinámica estocástica con el fin de predecir la potencia
esperada de las centrales hidroeléctricas de pasada,
centrares de energía renovable no gestionable y
generación térmica, permitiendo así coordinar una
estrategia de despacho entre varias tecnologías que
considere la variabilidad del parque generador. Como
resultado, se generan cónicas temporales, que son
representaciones matemáticas del espacio de estados
futuros de generación a lo largo del tiempo, en función
de decisiones y condiciones inciertas como caudales o
disponibilidad de recursos. A partir de estas cónicas es
posible construir funciones de densidad de probabilidad
(Probability Density Functions, PDFs) discretas y finitas,
que representan la distribución estadística de la potencia
generada por cada central [12]. En el presente trabajo se
utilizan resultados similares, obtenidos mediante el
software SimSEE, siguiendo la metodología propuesta en
[30]. Al igual que en el caso del SDDP, SimSEE genera
estas cónicas temporales que permiten derivar las PDFs
discretas asociadas a las distintas unidades generadoras.
Dichas funciones, generadas por SimSEE se emplean
posteriormente en el análisis probabilístico de flujos de
potencia.
En el caso de las centrales eólicas, a cada
aerogenerador se le puede asociar una función de
densidad de probabilidad (Probability Density Function,
PDF) basada en la distribución de Weibull, la cual
describe estadísticamente la velocidad del viento.
Adicionalmente, es necesario considerar la curva de
potencia específica de cada aerogenerador, que relaciona
dicha velocidad con la potencia generada. Para las
centrales de generación fotovoltaica de gran escala, es
posible emplear una PDF de tipo normal o una PDF finita
y discreta que represente directamente la potencia
generada por el sistema. Dado que en este estudio las
PDFs se obtienen a partir de las cónicas temporales
generadas por el software SimSEE, se ha optado por
asociar funciones de densidad de probabilidad finitas y
discretas a las centrales fotovoltaicas utilizadas en el
análisis.
Una vez que se han asociado las funciones de
densidad de probabilidad (PDFs) a las centrales del
sistema, es necesario configurar el comando Probabilistic
Analysis en PowerFactory. Este comando se basa en el
cálculo de flujo de carga convencional (Load Flow
Calculation), por lo que debe configurarse previamente
el flujo de carga en corriente alterna (AC Load Flow) y
establecerse los límites de potencia activa y reactiva para
cada unidad generadora. A partir de esta configuración,
el comando ejecuta una simulación de tipo Monte Carlo,
en la que se generan múltiples escenarios aleatorios a
partir de las PDFs definidas.Si se desea realizar un
análisis de flujo de potencia óptimo, es necesario asociar
a cada generador su respectiva función de costos, la cual
será utilizada durante el proceso de optimización.
3.1.1 Funciones de densidad de probabilidad en
PowerFactory
En PowerFactory, el objeto que permite vincular a un
generador con una PDF es de clase *.RndType. Donde
Type es el tipo de PDF como, por ejemplo, *.RndFinite,
24
Edición No. 22, Issue I, Julio 2025
*.RndWeibull, etc. Las PDFs se crean por default en la
carpeta Operational Library del proyecto. Como
ejemplo, en la Fig. 2 y la Fig. 3, se muestran las PDFs
asociadas al proyecto hidroeléctrico de pasada Pusuno y
al proyecto eólico Yanahurcu.
Figura 2: PDF Finita Discreta Asociada a la Producción de
Potencia Activa de la Central Pususno
Figura 3: PDF de Weibull Asociada a la Velocidad del Viento de
los Aerogeneradores del Proyecto Eólico Yanahurcu
3.1.2 Correlación de funciones de densidad de
probabilidad en PowerFactory
PowerFactory permite modelar la correlación entre
funciones de densidad de probabilidad (PDFs) que
describen la velocidad del viento en un parque eólico.
Esto resulta fundamental para realizar un análisis
coherente durante la ejecución de flujos de potencia
probabilísticos, ya que las velocidades del viento
asociadas a aerogeneradores ubicados geográficamente
cerca suelen presentar cierto grado de correlación
espacial [13].
Los parámetros que definen las funciones de densidad
de Weibull utilizadas para representar el comportamiento
del viento en cada aerogenerador fueron obtenidos a
partir de los estudios de prefactibilidad presentados en
[30]. La correlación entre estas PDFs se implementa
mediante una Eliptic Copula, un objeto disponible en
PowerFactory que permite establecer dependencias
estadísticas entre distribuciones de Weibull, como se
ilustra en la Fig. 4.
Figura 4: Eliptic Copula de las PDFs Asociadas a la Velocidad del
Viento del Parque Aerogenerador Yanahurcu
3.2 Análisis de la Adecuación de la Generación en
DIgSILENT PowerFactory
Las tasas de indisponibilidad de generación y la
variabilidad de la demanda en el SNI permiten calcular la
probabilidad de pérdida de carga (LOLP) y la cantidad
esperada de pérdida de carga (LOLE). La intermitencia
de las fuentes renovables aumenta la incertidumbre en el
balance oferta-demanda, elevando el riesgo de eventos de
pérdida de carga si no se gestionan correctamente. Por
ello, una evaluación precisa del LOLP y LOLE es clave
para detectar vulnerabilidades y definir estrategias de
mitigación.
3.2.1 Adecuación de la generación para
generadores eólicos
Para evaluar la adecuación de la generación en el
proyecto Yanahurcu y en cualquier proyecto eólico, es
necesario activar el Wind Model, de la ventana
Generation Adequacy de cada aerogenerador en
DIgSILENT PowerFactory. Este modelo utiliza la curva
de Potencia vs. Viento del aerogenerador y asocia la
distribución de Weibull para representar la variabilidad
del recurso eólico en la zona, permitiendo estimar con
mayor precisión la generación esperada. En la Fig. 5 se
presenta la curva Viento Vs. Potencia del aerogenerador
y en la Fig. 6 se presenta el ajuste del comando
Generation Adequacy para una de las unidades del
proyecto Yanahurcu.
Figura 5: Curva Viento Vs. Potencia de los Aerogeneradores del
Proyecto Yanahurcu
25
Castro et al. / Impacto de Energías Renovables no Gestionables en la seguridad operativa de SEP
Figura 6: Configuración de la Ventana Generation Adequacy
para los Generadores del Proyecto Yanahurcu
PowerFactory facilita un análisis detallado de la
generación eólica, considerando tanto la capacidad
despachable como la incertidumbre del viento. Esto
permite cuantificar su impacto en la operación del
sistema mediante indicadores clave relacionados con la
demanda no suministrada, esto con el objetivo de
determinar si la capacidad instalada es suficiente para
abastecer la demanda en distintos escenarios.
3.2.2 Tasas de indisponibilidad para centrales del
SNI
Para garantizar la coherencia en el análisis de
adecuación de la generación en el Sistema Nacional
Interconectado (SNI), es necesario conocer la
indisponibilidad de las principales centrales. Estos datos,
obtenidos de [29], se determinan a partir del historial de
salidas de servicio. La indisponibilidad se modela
considerando el porcentaje de potencia suministrada al
momento de la falla en relación con la capacidad
nominal, la probabilidad de ocurrencia y el tiempo medio
de restitución del servicio. En PowerFactory, los
modelos estocásticos de indisponibilidad se crean en la
carpeta Equipment Type Library y son objetos del tipo
(*.StoGen). Como ejemplo, en la Fig. 7 se presenta el
modelo estocástico de la generación de la central
hidroeléctrica Agoyán.
Figura 7: Modelo Estocástico de Generación de la Central
Hidroeléctrica Agoyán.
3.2.3 Variabilidad de la carga en el SNI
El análisis de adecuación de la generación en el
Sistema Nacional Interconectado (SNI) requiere
considerar la variabilidad de la carga, ya que influye en
la confiabilidad y suficiencia del sistema. En
PowerFactory, esta variabilidad se modela mediante la
función Time Characteristic, que permite representar
cambios en la demanda según factores como la hora del
día, el tipo de jornada y las condiciones climáticas. Para
el presente análisis es se modeló la variación de la
demanda de forma diaria durante un año.
Al asignar curvas de duración de demanda basadas en
datos históricos y distribuciones normales, se simulan
escenarios de alta y baja carga, lo que proporciona una
visión más realista del comportamiento del sistema. Este
enfoque facilita el análisis probabilístico de los
despachos de generación, esencial para la planificación y
operación de sistemas con alta penetración de energías
renovables variables, como la eólica y la solar. La curva
de variación de la demanda porcentual, considerando una
distribución normal y una desviación estándar del 3% se
presenta en el Fig. 8.
Figura 8: Curva de Variación de la Demanda
3.2.4 Configuración del comando Generation
Adequacy
El comando Generation Adequacy Analysis de
PowerFactory permite evaluar la capacidad del sistema
para cubrir la demanda, considerando la incertidumbre en
la disponibilidad de generación y la variabilidad de la
carga. Basado en el cálculo de flujo de potencia (Load
Flow Calculation), este análisis utiliza un flujo de
potencia DC para estimar la suficiencia del sistema.
Para obtener resultados precisos, es necesario incluir
la variabilidad de la demanda y las pérdidas del sistema,
que representan aproximadamente un 3.28%. Además, es
necesario ajustar el intervalo de tiempo del análisis, es
decir, si el caso de estudio está delimitado temporalmente
como, por ejemplo, temporada lluviosa demanda
máxima, el comando debe ajustarse para analizar los seis
primeros meses del año, el horario comprendido entre las
16:00 y las 22:00, solo los días laborables. En la Fig. 9 se
presenta la configuración del comando Generation
Adequacy para el ejemplo antes mencionado.
Figura 9: Ejemplo de la Configuración del Comando Generation
Adequacy
26
Edición No. 22, Issue I, Julio 2025
3.3 Modelación Dinámica de Proyectos de Generación
Eólica tipo Full Converter
Para representar el comportamiento dinámico de un
proyecto eólico, como Yanahurcu, es necesario
incorporar los modelos dinámicos de sus
aerogeneradores, los cuales son de tipo Full Converter.
PowerFactory cuenta con una librería global que incluye
los modelos dinámicos propuestos por la WECC, los
cuales permiten simular la respuesta de cada
aerogenerador ante perturbaciones en el sistema. Para
sistemas Full Converter se encuentran disponibles los
modelos Tipo 4, a esos modelos (Frames) deben
asociarse el Electrical Control y el Gen-Con Model
descritos en [28].
El sistema de control busca emular un sistema Grid
Following, requiriendo mediciones de voltaje y potencia.
Sin embargo, en el modelo WECC para aerogeneradores
Full Converter Type 4B, la simulación de una falla
cercana a los terminales del aerogenerador presenta
limitaciones, ya que la pérdida de referencia de voltaje
impide la convergencia de la simulación.
El Composite Model Frame (Fig. 10) de estos
aerogeneradores incluye los siguientes Slots:
• Voltage Measurement: Registra el voltaje en la
barra de bajo voltaje del aerogenerador,
proporcionando la referencia para el
seguimiento de la red.
• Power Measurement: Captura la potencia activa
y reactiva en el punto de entrega, permitiendo el
control eléctrico.
• Electrical Control: Simula los controles de
potencia activa y reactiva en el convertidor.
• Gen-Con Model: Representa el control de
generación de potencia inyectada a la red.
Figura 10: Composite Model Frame del Aerogenerador Tipo 4B
4. ANÁLISIS DE RESULTADOS
4.1 Descripción del Caso de Estudio
En esta sección se presentan los resultados de la
aplicación de la metodología integral propuesta, para los
tres estudios. Para esto, se analiza el impacto de la
penetración del Proyecto Eólico Yanahurcu, usando para
esto los siguientes datos:
• Datos técnicos del proyecto eólico Yanahurcu,
conforme fueron determinados en el estudio de
prefactibilidad, los cuales fueron obtenidos de
[30].
• Resultados del análisis de la producción
energética del proyecto eólico Yanahurcu
realizado con SimSEE, conforme lo presentado
en [30]. En esta parte, es importante mencionar
que las series temporales de velocidad y
dirección del viento usadas para la simulación
energética correspondieron a datos obtenidos de
bases climáticas y procesados conforme lo
descrito en [30].
• Modelo matemático del Sistema Nacional
Interconectado del Ecuador (SNI)
implementado en PowerFactory de
DIgSILENT, con escenarios de expasión a 10
años al futuro. A este respecto, se aclara que este
sistema corresponde a un modelo realista, y no
a modelos simplificados o benchmark.
Para la obtención de los resultados, se utilizó la base
de datos del Sistema Nacional Interconectado del
Ecuador (SNI). Los análisis se enfocaron en los casos
críticos del sistema correspondientes al año en el que se
prevé la entrada en operación del proyecto eólico
Yanahurcu, 2026.
Para los estudios de confiabilidad (generation
adequacy) y simulación dinámica, se empleó el escenario
de demanda máxima durante la temporada seca, dado que
en este período hidrológico se espera que las principales
centrales hidroeléctricas del SNI operen cerca de su
capacidad mínima. Por otro lado, para el análisis de flujos
de potencia probabilísticos, se utilizó el escenario de
demanda media en temporada seca, con el fin de reflejar
de forma más precisa la incertidumbre asociada a la
generación fotovoltaica.
Además, se asociaron funciones de densidad de
probabilidad (PDFs) a las centrales descritas en [30], las
cuales contaban con cónicas temporales generadas
mediante simulaciones en SimSEE. Para el análisis de
generation adequacy, se incorporaron los datos
disponibles en [29] correspondientes a las centrales
incluidas en dicho estudio.
4.2 Descripción del Proyecto Eólico Yanahurcu
El proyecto Yanahurcu consta de 11 aerogeneradores
tipo Full Converter cada uno con su transformador de
unidad. Las 11 unidades se conectan a una barra colectora
de 4.6 kV. Para el despacho de la generación, se utiliza
un transformador de potencia de 4.6/69kV que permite la
27
Castro et al. / Impacto de Energías Renovables no Gestionables en la seguridad operativa de SEP
conexión a la subestación Yanacocha en la barra de
69kV. El diagrama de la modelación eléctrica del
proyecto eólico Yanahurcu se presenta en la Fig. 11.
Figura 11: Diagrama de la Modelación Eléctrica del Proyecto
Yanahurcu
4.3 Resultados de Flujos Probabilísticos de Potencia
(PDFs de Weibull Asociadas a los
Aerogeneradores del Proyecto Yanahurcu)
Para determinar la potencia que se espera que genere
el proyecto eólico Yanahurcu, se utilizaron las PDFs de
Weibull asociadas a la velocidad del viento y la curva
Viento Vs. Potencia. Para el resto de las centrales que
tienen un recurso primario de tipo estocástico, se
asociaros PDFs finitas discretas descritas en [30]. Se
ejecutaron 1000 simulaciones Montecarlo de flujos
probabilísticos de potencia de los cuales 999 llegaron a la
convergencia (efectividad del 99%). Se obtuvieron los
siguientes resultados para el escenario de demanda
media, temporada seca.
Figura 12: PDFs Asociadas a la Potencia Activa y Reactiva
Entregadas por el Proyecto Yanahurcu al SNI. Demanda Media
Temporada Seca
Como se observa en la Fig. 12, las funciones de
distribución de probabilidad acumulada de la potencia
activa y reactiva entregadas al SNI por el proyecto
Yanahurcu muestran:
• En promedio se espera que el proyecto inyecte
44MW y 7 MVAr al SNI.
• Se espera que solo el 60% de las veces la
potencia entregada por el proyecto Yanahurcu
supere los 50MW.
4.4 Resultados de la Adecuación de la Generación
Los resultados de la adecuación de la generación se
obtuvieron en los escenarios de demanda máxima, esto
con el objetivo de tener el escenario más representativo
donde más unidades de generación deben entrar en
servicio para abastecer la demanda. La Fig. 13 muestra la
distribución de probabilidad acumulada de la capacidad
de generación disponible y la demanda, representando la
capacidad total (línea azul), la capacidad despachable
(línea verde) y la demanda total (línea roja). Aunque a
simple vista no se observa demanda no suministrada,
estas curvas corresponden a funciones de probabilidad
acumulada. En sistemas con alta penetración de
generación renovable no gestionable, la probabilidad de
alcanzar la capacidad estimada puede ser baja.
Figura 13: Distribución de Probabilidad Acumulada de la
Capacidad de Generación Disponible y la Demanda
TotalDemanda Máxima Temporada Seca
En la Fig. 14 se observa la PDF a la reserva total de
generación en el sistema. A partir del percentil 80 %, se
observa un déficit en las reservas, lo que implica una
probabilidad de pérdida de carga (LOLP) cercana al 20
%. Este valor supera el límite recomendado por la NERC,
cuyo criterio de confiabilidad establece un LOLP de
0.0274 %, equivalente a un evento de pérdida de carga
cada diez años [25], [31]. Los resultados muestran el
impacto de la generación eólica del proyecto Yanahurcu
y otras fuentes renovables no gestionables, resaltando la
necesidad de complementar con generación
convencional (generación firme o térmica) para
garantizar un suministro confiable.
Las gráficas de convergencia obtenidas mediante
simulaciones de Montecarlo utilizando el paquete
Generation Adequacy de PowerFactory para los índices
de LOLP y DNS se muestran en la Fig. 15.
28
Edición No. 22, Issue I, Julio 2025
Figura 14: Distribución de Probabilidad Asociada a las Reservas
del Sistema. Demanda Máxima Temporada Seca
Figura 15: Convergencia de los Índices LOLP y DNS. Demanda
Máxima Temporada Seca
4.5 Resultados de Seguridad Dinámica
Debido a que en el proyecto Yanahurco se modelaron
aerogeneradores tipo Full Converter, resulta de interés
analizar el aporte dinámico de reactivos del proyecto en
la estabilidad transitoria de la zona de influencia de la
central. La zona de influencia del proyecto Yanahurcu se
presenta en la Fig. 16.
Figura 16: Zona de Influencia del Proyecto Yanahurcu
Como ejemplo, se simula una falla franca en la línea
de transmisión Yanacocha – Delsitanisagua en 138 kV.
El voltaje y la frecuencia en las barras de la zona de
influencia se presenta en la Fig. 17.
Figura 17: Voltaje en las Barras de la Zona de Influencia del
Proyecto Yanahurcu y Frecuencia Eléctrica Medida en
Yanacocha 69kV
La potencia activa y reactiva en las líneas de
transmisión de la zona de influencia se presenta en la Fig.
18.
Figura 18: Potencia Activa y Reactiva en las Líneas de
Transmisión de la Zona de Influencia del Proyecto Yanahurcu
El aporte dinámico de reactivos del proyecto
Yanahurcu se presenta en la Fig. 19.
Figura 19: Aporte Dinámico de Reactivos del Proyecto
Yanahurcu
Como se observa en la Fig. 19, debido a la tecnología
Full Converter, el proyecto Yanahurcu proporciona
29
Castro et al. / Impacto de Energías Renovables no Gestionables en la seguridad operativa de SEP
soporte dinámico de reactivos, lo que ayuda a mejorar el
perfil de voltaje en las barras de la zona de influencia, en
especial, durante eventos de cortocircuito.
5. CONCLUSIONES Y RECOMENDACIONES
En el presente trabajo se presenta una metodología
para analizar el impacto del ingreso de generación
renovable no gestionable utilizando un análisis
probabilístico basado en simulaciones Montecarlo.
Debido a la complejidad para obtener resultados de
manera determinista, PowerFactory proporciona una
visión de la adecuación de la generación que proporciona
criterios para planificar el ingreso de energías renovables
al sistema y reservas de generación para mantener los
indicadores de confiabilidad como el LOLP y DNS
dentro de los límites establecidos por la normativa.
Para evaluar la incertidumbre en la generación
renovable no gestionable, se pueden realizar
simulaciones de flujos probabilísticos de potencia. Esto
permite estimar estadísticamente la potencia que un
proyecto puede aportar al SNI. Además, el uso del
método de Montecarlo con múltiples escenarios ayuda a
determinar cuántas veces el sistema no logra cubrir la
demanda.
En Ecuador, la alta dependencia de fuentes
renovables afecta los indicadores de confiabilidad, como
el LOLP, que no cumplen con los límites normativos. Las
proyecciones hasta 2026 indican un riesgo elevado de
desconexiones de carga, especialmente en la temporada
seca. Para mejorar la confiabilidad del SNI, es necesario
incorporar generación térmica que aporte firmeza al
sistema.
El proyecto Yanahurcu contempla el uso de
aerogeneradores con convertidor completo, cuyo
comportamiento dinámico ha sido modelado mediante el
modelo tipo 4B de la WECC, tal como se especifica en
los documentos de prefactibilidad detallados en [30].
Este modelo permite representar adecuadamente la
capacidad del parque eólico para brindar soporte
dinámico de potencia reactiva ante fallas en su área de
influencia. Esto se logra gracias al uso de electrónica de
potencia, donde los convertidores estáticos, mediante su
sistema de control, pueden inyectar potencia reactiva al
sistema eléctrico. La asociación de las funciones de
costos a las centrales térmicas del SNI para la simulación
de flujos óptimos de potencia probabilísticos y los
respectivos resultados serán presentados en futuras
publicaciones.
6. REFERENCIAS BIBLIOGRÁFICAS
[1] ARCONEL, "Estadística Anual y Multianual del
Sector Eléctrico Ecuatoriano 2023," 2023. [Online].
Available: https://controlelectrico.gob.ec/wp-
content/uploads/downloads/2024/07/Estadistica-
Anual-y-Multianual-del-Sector-Electrico-
Ecuatoriano-2023.pdf. [Accessed 02 02 2025].
[2] S. Salazar, G. C. Campaña, J. S. Yépez y R. P.
Aguilar, «Evaluación de la Prospectiva Energética
de la microrred Baltra – Santa Cruz usando Flujos de
Potencia Probabilísticos, » en 2022 IEEE Biennial
Congress of Argentina (ARGENCON), 2022, págs.
1-8. DOI:
10.1109/ARGENCON55245.2022.9939679.
[3] J. A. Caliao and A. F. De Souza, “Incorporating
wind power plants in generation adequacy
assessment considering the Effective Load Carrying
Capability,” IEEE Trans. Power Syst., vol. 26, no. 4,
pp. 2084–2092, Nov. 2011.
[4] J. R. Jaehnert, G. Doorman, K. Uhlen, and K. B.
Lindberg, “Analysing the effect of wind power
forecast uncertainty on system operation for the
Nordel system,” IEEE Trans. Power Syst., vol. 29,
no. 4, pp. 1644–1653, July 2014.
[5] G. Constante-Flores, G. Ordóñez-Plata, and L. R.
Zapata, “Análisis de confiabilidad del sistema
interconectado colombiano con integración de
fuentes de energía renovables,” Revista Facultad de
Ingeniería, vol. 89, pp. 9–20, Jan. 2018.
[6] R. Billinton and S. Kumar, “The effect of load
forecast uncertainty on reliability assessment,” IEEE
Trans. Power Apparatus and Systems, vol. PAS-103,
no. 7, pp. 1721–1727, 1984.
[7] Z. Ren, W. Li, R. Billinton, and W. Yan,
“Probabilistic Power Flow Analysis Based on the
Stochastic Response Surface Method,” IEEE Trans.
Power Syst., vol. 31, no. 3, pp. 2216–2225, May
2016.
[8] L. L. Garver, “Effective Load Carrying Capability of
Generating Units,” IEEE Trans. Power Apparatus
and Systems, vol. PAS-85, no. 8, pp. 910–919, Aug.
1966.
[9] G. Constante-Flores, G. Ordóñez-Plata, and L. R.
Zapata, “Análisis de confiabilidad del sistema
interconectado colombiano con integración de
fuentes de energía renovables,” Rev. Fac. Ing. Univ.
Antioquia, no. 89, pp. 9–20, Jan. 2018.
[10] J. R. Jaehnert, G. Doorman, K. Uhlen, and K. B.
Lindberg, “Analysing the effect of wind power
forecast uncertainty on system operation for the
Nordel system,” IEEE Trans. Power Syst., vol. 29,
no. 4, pp. 1644–1653, Jul. 2014.
[11] S. Kahrobaee and S. Asgarpoor, “Reliability
evaluation of distribution systems considering
renewable distributed generation,” IEEE Trans.
Sustainable Energy, vol. 5, no. 4, pp. 1484–1492,
Oct. 2014.
[12] V. Cárdenas, D. Echeverría y J. Cepeda,
«Determinación de los Modelos Estocásticos de
Generación de las Centrales del Sistema Nacional
30
Edición No. 22, Issue I, Julio 2025
Interconectado,» Revista Técnica .energía", vol. 12,
n.o 1, págs. 84-91, 2016. DOI:
10.37116/revistaenergia.v12. n1.2016.30. dirección:
https://revistaenergia.cenace.gob.ec/index.php/cena
ce/article/view/30.
[13] D. P. Factory, «Probabilistic Analysis,» inf. téc.,
2021, User Manual, Gomaringen.
[14] M. Poncela Blanco, A. Spisto, G. Fulli y N. Hrelja,
«Generation Adequacy Methodologies Review,»
Publications Office of the European Union, inf. téc.
LD-1A-27944-ENC (print), LD-1A-27944-EN-N
(online), 2016. DOI: 10.2790/647826(print)
,10.2790/054903(online).
[15] M. Kayikci y J. V. Milanovic, «Assessing Transient
Response of DFIG-Based Wind Plants—The
Influence of Model Simplifications and
Parameters,» IEEE Transactions on Power Systems,
vol. 23, n.o 2, págs. 545-554, 2008. DOI:
10.1109/TPWRS.2008.919310.
[16] Z. Ren, W. Li, R. Billinton y W. Yan, «Probabilistic
Power Flow Analysis Based on the Stochastic
Response Surface Method,» IEEE Transactions on
Power Systems, vol. 31, págs. 2307-2315, 2016.
DOI: 10.1109/PESGM.2016.7741133.
[17] G. Carpinelli, P. Caramia y P. Varilone, Multi-
linear Monte Carlo simulation method for
probabilistic load flow of distribution systems with
wind and photovoltaic generation systems,
Renewable Energy, vol. 76, pags. 283-295, 2015.
DOI: 10.1016/J.RENENE. 2014.11.028.
[18] T. Chang, «Estimation of wind energy potential
using different probability density functions,»
Applied Energy, vol. 88, págs. 1848-1856, 2011.
DOI: 10.1016/J.APENERGY. 2010.11.010.
[19] D. Villanueva, J. L. Pazos y A. Feijóo,
«Probabilistic Load Flow Including Wind Power
Generation,» IEEE Transactions on Power Systems,
vol. 26, págs. 1659-1667, 2011. DOI:
10.1109/TPWRS.2010.2096436.
[20] F. G. Akgül, B. S¸ enog˘ lu y T. Arslan, «An
alternative distribution to Weibull for modeling the
wind speed data: Inverse Weibull distribution,»
Energy Conversion and Management, vol. 114,
págs. 234-240, 2016. DOI:
10.1016/J.ENCONMAN.2016.02.026.
[21] P. Schober, C. Boer y L. Schwarte, «Correlation
Coefficients: Appropriate Use and Interpretation,»
Anesthesia Analgesia, vol. 126, págs. 1763-1768,
2018. DOI: 10 1213/ANE.0000000000002864.
[22] A. Ghosh, S. Ahmed, F. Khan y R. Rusli, «Process
Safety Assessment Considering Multivariate Non-
linear Dependence Among Process Variables,»
Process Safety and Environmental Protection, vol.
135, págs. 70-80, 2020. DOI:
10.1016/j.psep.2019.12.006.
[23] R. Mousavian, C. Lorenz, M. M. Hossainali, B.
Fersch y H. Kunstmann, «Copulabased modeling of
dependence structure in geodesy and GNSS
applications: case study for zenith tropospheric
delay in complex terrain,» GPS Solutions, vol. 25,
2020. DOI: 10.1007/s10291-020-01044-4.
[24] G. D’Amico, F. Petroni y F. Prattico, «Wind speed
prediction for wind farm applications by Extreme
Value Theory and Copulas,» Journal of Wind
Engineering and Industrial Aerodynamics, vol. 145,
págs. 229-236, 2015. DOI:
10.1016/J.JWEIA.2015.06.018.
[25] R. Billinton y W. Li, Reliability Assessment of
Electric Power Systems Using Monte Carlo
Methods. Springer, 1994.
[26] N. Anwah y R. Okonkwo, «An Appraisal of
NEPA’s Generation Adequacy to Year 2000,»
Nigerian Journal of Technology, vol. 14, págs. 35-
42, 1990.
[27] A. Lorenzo-Bonache, A. Honrubia-Escribano, F.
Jimenez-Buendia y E. Gomez- Lazaro, Field
Validation of Generic Type 4 Wind Turbine Models
Based on IEC and WECC Guidelines, IEEE
Transactions on Energy Conversion, vol. 34, pags.
933-941, 2019. DOI: 10.1109/TEC.2018.2875167.
[28] Energy Systems Integration Group, Type 4 Generic
Wind Turbine Generator Model – Phase II,
Accessed: September 15, 2024, 2024. direccion:
https://www.esig.energy/ wiki-main-page/type-4-
generic-wind-turbine-generator-model-phase-ii/.
[29] V. P. Cárdenas Ulloa, «Análisis de confiabilidad de
la generación considerando el ingreso de energías
renovables no convencionales en el sistema nacional
interconectado del Ecuador,» Tesis de Grado,
Universidad de las Fuerzas Armadas ESPE, Quito,
Ecuador, 2016. dirección:
https://repositoriobe.espe.edu.ec/server/api/core/bits
treams/908bdd75-a943-456c-b74e-
aea1c961c93a/content.
[30] N. E. Quirola Álava, «Evaluación del impacto de la
conexión de energías renovables en la operación de
los sistemas eléctricos de potencia: Evaluación de la
generación eléctrica que podría inyectar el proyecto
eólico durante su vida útil desde una perspectiva
estocástica,» Trabajo de Integración Curricular,
Escuela Politécnica Nacional, Facultad de Ingeniería
Eléctrica y Electrónica, Quito, Ecuador, 2024.
[31] North American Electric Reliability Corporation
(NERC), Reliability Standards for the Bulk Electric
Systems of North America, NERC Std. [En línea].
Disponible en: https://www.nerc.com
31
Castro et al. / Impacto de Energías Renovables no Gestionables en la seguridad operativa de SEP
Paulo Stéfano Castro Ramón.-
Nació en Santo Domingo de los
Colorados, Ecuador en el 2002.
Recibió el título de Ingeniero
Eléctrico en 2025 en la Escuela
Politécnica Nacional. Sus campos
de interés están relacionados con
los sistemas eléctricos de potencia,
confiabilidad de sistemas de potencia, análisis
probabilístico e integración de energías no gestionables a
los sistemas de potencia.
Jaime Cristóbal Cepeda
Campana.- Nació en Latacunga,
Ecuador en 1981. Recibió el título
de Ingeniero Eléctrico en la Escuela
Politécnica Nacional en 2005, el de
Doctor en Ingeniería Eléctrica en la
Universidad Nacional de San Juan
UNSJ en 2013 y el de Máster en Big
Data de la Universidad Europea Miguel de Cervantes en
2021. Colaboró como investigador en el Instituto de
Energía Eléctrica, UNSJ, Argentina y en el Instituto de
Sistemas Eléctricos de Potencia, Universidad Duisburg-
Essen, Alemania entre 2009 y 2013. Fue el líder de
Investigación y Desarrollo y el Gerente Nacional de
Desarrollo Técnico de CENACE entre 2013 y 2021; y el
Director Ejecutivo de la Agencia de Regulación y
Control de Energía y Recursos Naturales No Renovables
entre 2021 y 2022. Actualmente es Profesor Titular de la
Escuela Politécnica Nacional, desempeñándose además
como investigador y consultor en temas de ingeniería
eléctrica, operación, seguridad y control de sistemas de
potencia, redes inteligentes, sistemas WAMS y
aplicación de ciencia de datos en sistemas de potencia.
32
