XIII ERIAC

DÉCIMO TERCER ENCUENTRO

REGIONAL IBEROAMERICANO DE CIGRÉ
Puerto Iguazú 24 al 28 de mayo de 2009 XIII/PI-C6 -03
Argentina

Comité de Estudio C6 - Sistemas de Distribución y Generación Dispersa

OPTIMIZACIÓN DEL TAMAÑO Y UBICACIÓN DE GENERACIÓN DISTRIBUIDA EN

LAS REDES DE DISTRIBUCIÓN CON BASE EN ENERGÍAS RENOVABLES COMO
FUENTES PRIMARIAS DE SUMINISTRO DE ENERGÍA – ESTADO DEL ARTE

E. BUZARQUIS* O. A. OJEDA F. F. GARCÉS

Univ. Nacional de San Juan Univ. Nacional de San Juan Univ. Nacional de San Juan
Argentina Argentina Argentina

Resumen – En este paper se muestra una revisión de los métodos empleados para la optimización en la
ubicación y selección del tamaño de generación distribuida en los sistemas de distribución. Se hace una
introducción a la temática de la generación distribuida, describiéndose y clasificando las tecnologías
mayormente utilizadas en su implementación. También se presenta una categorización de las distintas
metodologías y propuestas existentes para la optimización en la ubicación y el tamaño del parque de
generación distribuida a ser instalados en el sistema de distribución. Con los criterios aplicados,
principalmente el de optimización de confiabilidad y minimización de pérdidas, es posible clasificar las
investigaciones y enfoques propuestos para las futuras planificaciones de inserción de generación
distribuida en los sistemas de distribución.

Palabras clave: Generación Distribuida - Energías Renovables – Optimización - Redes de Distribución.

1 INTRODUCCIÓN
Como resultado de la desregulación del sector de energía eléctrica, se fortaleció un nuevo concepto en el
mapa del sistema eléctrico, conocido como Generación Distribuida (GD).
En años recientes la generación distribuida ha recibido un creciente interés y esto puede contribuir a alcanzar
diversos objetivos de políticas energéticas. El mejoramiento de la seguridad de abastecimiento, la reducción
de emisiones de gas de efecto invernadero, ganancia en eficiencia y mayor flexibilidad en inversiones son
algunos de los objetivos asociados a la implementación de generación distribuida en los sistemas de
distribución.
El mundo actualmente está enfrentado con un rango de problemas ambientales que amenazan el ecosistema,
la salud, la economía y la calidad de vida de los usuarios. Incrementando la conciencia pública del rol del
sector eléctrico en esta materia, y con la posibilidad de las opciones de selección de futuros consumidores en
fuentes de energía y electricidad, la industria podría aumentar la expectativa de reducción de emisiones de
gases que ocasionan el efecto invernadero. Las soluciones preferidas para prevenir estas emisiones incluyen
la conservación de los recursos y la utilización de fuentes de energía renovables y limpias. Es por eso que las
fuentes de energía renovables como la eólica, solar, etc., juegan un rol importante como fuentes de energía
mecánica y eléctrica, no para reemplazar las fuentes convencionales de energía eléctrica sino para
complementarlas.
Con el objetivo de promover el desarrollo de la generación distribuida proveniente de fuentes de energía
renovables, es necesario superar las barreras presentadas en los sistemas de distribución, como la gran inercia
de los operadores del sistema de distribución debido a la falta de incentivos regulatorios y los altos costos de
accesos a las redes y al mercado, como así también a las barreras técnicas encontradas en la mayoría de los
sistemas operados en forma pasiva. A través de la evaluación del impacto de los costos de la generación
dispersa a las distribuidoras, y en la medida que la penetración de la generación distribuida en las redes de
distribución vaya en aumento, los estudios de los impactos sobre los costos de las redes se tornan esenciales.

*buzarquis@iee.unsj.edu.ar
Como resultado se obtiene que con el nivel óptimo de penetración de GD se reduce el costo de operación y
funcionamiento de las redes de distribución debido al aplazamiento de la necesidad de inversiones en
refuerzos y mejoramientos en la eficiencia energética transportada, con disminución en las pérdidas totales
de las líneas de distribución.
La elevada repercusión positiva que puede significar un nivel óptimo de generación distribuida dentro de los
mercados desregulados, específicamente cuando conectados a las redes de distribución, sugiere la
investigación en los criterios y metodologías que permitan una evaluación cualitativa y cuantitativa del
tamaño y el lugar óptimo de instalación de las centrales de generación distribuida, y por ende, buscar la
valoración del máximo beneficio social que brindaría la misma.

2 GENERACIÓN DISTRIBUIDA
Si bien se podría definir a la generación distribuida como el conjunto de generadores conectados a las redes
de baja y media tensión, no existe una definición universalmente aceptada de la misma. No obstante, se
asocia a la generación distribuida ciertas características generales tales como: no son resultado de un
planeamiento centralizado, ni son despachadas centralizadamente; normalmente son de potencias inferiores a
50MW y usualmente conectadas directamente al sistema de distribución [1].
Seguidamente se clasifican los diferentes tipos de fuentes primarias de energía mayormente utilizadas en la
generación distribuida y su correspondiente tecnología de transformación:
• Energía química - Celdas de combustibles o Fuel Cell (FC): Son dispositivos electroquímicos que
convierten la energía química contenida en un combustible directamente a energía eléctrica sin ningún
proceso de combustión [1, 2, 3].
• Energía calórica de combustibles fósiles - Micro-turbinas (MT) y Motores de Combustión Interna
(MCI): En su mayoría son turbinas de combustión de tamaño pequeño, que pueden operar utilizando
combustibles fósiles y sus derivados, gas natural, propano y fuel oil. Una ventaja es su alta eficiencia (cerca
del 80%) con emisiones mínimas, tecnología muy conocida, además de fácil arranque y un pequeño número
de partes móviles con pequeña inercia [1, 2, 3].
• Energía Solar: celdas fotovoltaicas (por sus siglas en inglés - PV) son dispositivos que directamente
convierten la luz solar en energía eléctrica sin intervención de máquinas térmicas. Las celdas fotovoltaicas
son artefactos de estado sólido, por lo tanto, son resistentes, de diseño simple y prácticamente no requieren
mantenimiento. No obstante, las celdas fotovoltaicas demostraron ser de grandes costos [1, 2, 3].
• Energía Eólica: Es otro tipo de fuente de GD, que convierte la energía del viento en energía eléctrica.
La cantidad de energía que puede ser producida es directamente dependiente de la velocidad del viento, más
precisamente del cubo de la velocidad. Actualmente, más del 80% de la capacidad global de generación
eólica están instalados en Alemania, USA, Dinamarca y España [2, 3].
Este trabajo enfoca su atención en las dos últimas tecnologías citadas, por ser los recursos primarios
energéticos más abundantes en nuestra región geográfica.

3 EVALUACIÓN DE UBICACIÓN Y TAMAÑO ÓPTIMO DE GENERACION DISTRIBUIDA –

ESTADO DEL ARTE
En esta sección se detallan las diversas metodologías utilizadas en los materiales publicados para la
determinación de la ubicación óptima y el tamaño de GD en base a las características de los métodos y los
principales criterios utilizados.

3.1 Criterio de optimización de confiabilidad

Se presentan los mecanismos desarrollados para resolver la necesidad de alcanzar el óptimo en el
planeamiento y la operación del sistema eléctrico con base en el criterio de mejoramiento de la confiabilidad
general del sistema. Numerosas metodologías se encuentran en la literatura para el cálculo y evaluación de
los índices de confiabilidad, entre ellos se destacan los citados a continuación.
En [4] se presenta una metodología para optimizar y coordinar la ubicación de GD convencional y
reconectadores con las restricciones de seguridad en la red de distribución. La ubicación óptima se determina
mediante el análisis de sensibilidad de las ecuaciones de flujo de potencia, por medio de los mismos se
identifican y ordenan los posibles nodos candidatos donde se podrían instalar las unidades de GD. Son
propuestos dos índices de sensibilidad basados en el control de tensiones y en las pérdidas de energía:

2
 (1)

(2)
Donde VSI es el índice de sensibilidad de tensiones V para cada nodo del sistema asociado a la variación de
tensiones con respecto a la inyección de potencia activa y reactiva (PGD y QGD respectivamente).
Análogamente, LSI es el índice de sensibilidad de pérdidas de energía para cada rama del sistema asociado a
la variación de pérdidas con respecto a la inyección de potencia activa y reactiva y w es el factor de
ponderación dependiente de la relación X/R de los parámetros de línea.
La metodología para encontrar el tamaño específico es formulada como un problema de optimización de las
restricciones de seguridad, adaptada del algoritmo de tamaño de compensación de energía reactiva. Dada la
información de la GD disponible y asumiendo que no se espera un crecimiento sustancial de carga en la
región, el objetivo es maximizar la cantidad de generación distribuida conectada al sistema:
(3)
Donde PGDi y QGDi son las inyecciones de potencias activa y reactiva en cada nodo i respectivamente, sujeto
a las restricciones de límites operacionales de tensión en todos los nodos, límites en el total de potencia GD
producida sujeto a un nivel máximo de penetración del 20%, límite de flujo de potencia en las ramas y
límites de corrientes de fallas.
Para encontrar la ubicación óptima del reconectador en el sistema con la penetración de GD se utiliza un
algoritmo genético. La función objetivo del índice compuesto de confiabilidad (CRI) que debe ser
minimizada, es expresada como una combinación del SAIDI (System Average Interruption Duration Index),
del SAIFI (System Average Interruption Frecuency Index) y del MAIFIe (Momentary Average Interruption
Event Frecuency Index per costumer).
(4)
Para cada configuración de los reconectadores, es calculado un CRI, por medio de la determinación de zonas
de confiabilidad simulando las fallas en esas zonas, identificando las líneas operativas y finalmente
evaluando el CRI. Como resultado de la aplicación de esta metodología se observa una reducción
significativa en los índices compuestos de confiabilidad con base en la ubicación óptima de los
reconectadores en la red.
En [5] se presenta un modelo de cálculo de confiabilidad probabilística para un sistema radial con bajas tasas
de variación de carga. Primeramente se calcula el mejoramiento de indicadores de confiabilidad
(específicamente el Expected Energy Not Served- EENS) mediante el refuerzo de líneas y adición de
subestaciones. Luego, la metodología determina el equivalente de GD convencional a instalar como servicio
para alcanzar los indicadores de confiabilidad previamente calculados, manteniendo los requerimientos de
carga dados. Como resultado se obtiene que la instalación de GD en el área sea la mejor solución desde que
son evitados los costos para alimentadores adicionales. El inconveniente de esta metodología es la suposición
de que la ubicación de GD no es relevante.
La referencia [6] presenta un método para la evaluación de la confiabilidad de sistemas eléctricos de potencia
con fuentes de energía no-convencionales, teniendo en cuenta la naturaleza variable de la energía producida
por fuentes de energías renovables como la eólica y la solar. El método combina las unidades generadoras de
energías convencionales y no-convencionales en grupos separados. A los sistemas de generación, de acuerdo
a su tipo - convencional o no - se presentan como subsistemas. Ambos subsistemas son modelados utilizando
algoritmos recursivos. El efecto de la fluctuación en la potencia de salida de los generadores fue incluido
mediante la modificación del modelo de generación de la unidad no-convencional. Los valores de LOLF
(Loss of Load Frecuency) y LOLE (Loss of Load Expectation) fueron calculados para una hora concerniente
y combinadas en los modelos de sistemas de generación, donde cada subsistema fue tratado como una unidad
multi-estado. Posteriormente, fue aplicado el algoritmo de cumulantes para combinar los subsistemas y
obtener el HLOLE (Hourly Loss of Load Expectation) total del sistema. Los resultados obtenidos utilizando
el método propuesto muestran una disminución en los valores de los índices de confiabilidad para bajos
niveles de penetración. Para una alta penetración los efectos de la fluctuación de la potencia de salida
comienzan a ser significativos y la alta disponibilidad de unidades no-convencionales es superada por la
variabilidad en la salida.

3
Con el avance del cálculo computacional, varias publicaciones fueron desarrolladas con la utilización de las
simulaciones secuenciales. En este caso no se tratan de métodos de optimización precisamente, sino de
algoritmos que ofrecen otras formas de calcular los índices de confiabilidad normalmente utilizados.
Con este enfoque, la referencia [7] presenta una simulación secuencial en el tiempo para evaluar la
confiabilidad del sistema de distribución con generadores eólicos (Wind Turbine Generators – WTG). La
entrega de potencia del generador eólico a una hora específica es expresada en función de la velocidad del
viento a esa hora, y la capacidad de generación de la unidad. Se desarrolla un modelo de seis estados para
considerar los efectos simultáneos de la velocidad del viento y la salida forzada de los WTG. Un modelo de
dos estados representa los otros componentes del sistema de distribución. Se observa que la confiabilidad
varía en cada punto individual de carga dependiendo de la ubicación del nodo de carga en la red, la topología
de las protecciones, y del nivel de carga. Además, se encuentra que seleccionando el número óptimo de
WTG con una ubicación específica (de acuerdo a las condiciones del viento), la confiabilidad del sistema de
distribución puede ser mejorada sustancialmente.
La referencia [8] desarrolla un método con base en la simulación secuencial Monte Carlo para la evaluación
de la suficiencia de confiabilidad del sistema con unidades de GD convencionales. La potencia total de salida
de todas las unidades de GD activas es tratada como un proceso aleatorio debido a la naturaleza aleatoria del
ciclo de funcionamiento de la GD, es decir, las tasas de fallas y los tiempos de reposición. Se representa la
operación de la GD como un modelo de dos estados. Los ciclos de operación de todas las unidades de GD
son combinados para obtener la curva de disponibilidad de capacidad de la GD. Seguidamente, las curvas de
disponibilidad de GD son sumadas a la curva de capacidad de generación centralizada para obtener la curva
de capacidad total disponible de generación a cada hora. Esta curva de disponibilidad es superpuesta a la
curva cronológica de variación de carga, de manera a obtener el modelo de margen disponible del sistema.
Posteriormente se procede al cálculo del promedio de cantidad de carga no abastecida por hora (AUL) que
es obtenido mediante la aplicación del método de simulación Monte Carlo para una gran cantidad de
muestreos anuales, que está dado por:
(5)
Donde el valor negativo del margen MW indica que la demanda del sistema no es satisfecha y K es el
número de experimentos Monte Carlo.
En base a los resultados, el autor concluye que con la implementación de GD el valor de AUL decae
considerablemente. Además, se puede mejorar la capacidad del sistema de distribución en el caso de que la
carga vaya en aumento.
En [9] se desarrolla un método de simulación secuencial Monte Carlo del sistema para determinar la
estrategia óptima de operación de la GD convencional incorporando la evaluación del valor de confiabilidad
del sistema de distribución. Utilizando datos de costos de interrupción, se evalúa la expectativa de costo
promedio anual de interrupción del servicio eléctrico para los puntos de carga específicos. Para determinar la
estrategia óptima de operación de GD, se desarrolla una función objetivo que expresa la diferencia de los
costos combinados (costos del servicio eléctrico, costos operativos de GD y los costos de EUE - Expected
Unserved Energy) para dos formas de funcionamiento de las unidades de GD, cuando funcionan en el modo
stand-by y también en modo de recorte de punta de carga. De acuerdo a los resultados obtenidos, se observa
que el costo operativo total utilizando la valoración horaria de confiabilidad es sensiblemente menor que el
costo operativo utilizando el costo promedio anual de operación. De aquí los autores concluyen que el costo
de interrupción horario es un índice importante de confiabilidad para la determinación de la estrategia de
operación óptima de la GD.

3.2 Criterio de minimización de pérdidas

Además del criterio de mejoramiento en la confiabilidad del sistema, numerosas publicaciones enfocan como
principal objetivo la optimización en la ubicación y el tamaño de la GD en los sistemas de distribución para
obtener con esta disposición una reducción sustancial en las pérdidas de las líneas y la consiguiente
disminución de costos totales.
Así, en [10] se presentan dos metodologías para la ubicación óptima de GD convencional en un mercado
eléctrico liberalizado. El problema de la ubicación óptima, incluyendo el tamaño, es formulado por dos
diferentes objetivos, la maximización del bienestar social y la maximización de ganancias del operador GD.
En el caso de maximización del bienestar social, la localización candidata para la ubicación de GD es
identificada en base al precio marginal de ubicación (Locational Marginal Price – LMP). El LMP es obtenido
4
como el multiplicador de Lagrange asociado a las ecuaciones de flujo de potencia activa para cada nodo. La
función objetivo en este caso es:
(6)
Donde Bi(PDi) es la curva de beneficio de la compañía de distribución, función de la demanda PDi, Ci(PGi) es
la curva de la oferta proporcionada por la compañía de generación, función de la potencia de generación
centralizada PGi y C(PGDi) es la función de costo proveída por el operador GD, función de la potencia de la
generación distribuida PGDi. Sujeto a las restricciones de límites de generación, límite de flujos por las líneas
y límite de tensión en los nodos.
Con el criterio de maximización de ganancias del operador GD, la ganancia del operador GD en cada nodo
es evaluado según:
(7)
Donde λi es el LMP en el nodo i después de instalada la GD, PGDi el tamaño de la GD en el nodo i y C(PGDi)
denota la curva de costo de la GD en el nodo i. Sujeto análogamente a las restricciones de límites de
generación, límite de flujos por las líneas y límite de tensión en los nodos.
Como resultado de la aplicación, se obtiene que para la ubicación de la GD en algún nodo por el método del
bienestar social, el valor del LMP es menor comparado al método de maximización de ganancias. También
se observa que para una alta penetración de GD se pueden obtener resultados negativos en las ganancias del
operador GD. Esto sucede cuando el LMP decrece considerablemente debido a la alta penetración de GD.
Bajo este escenario, el operador GD no encuentra incentivo para su instalación.
Con el objeto de disminuir las pérdidas en las líneas, en [11] se presenta una metodología que busca
optimizar la ubicación y el tamaño de GD convencional utilizando el algoritmo Primal Dual Interior Point
(PDIP) para resolver el flujo óptimo de potencia no-lineal (OPF). Se presenta el caso de disminución de
pérdidas en una red de distribución radial, donde asume que la GD puede ser ubicada solamente en los
puntos de carga del sistema. La función objetivo que se busca maximizar es:
(8)
donde LR es la reducción de pérdidas, LwoGD es la cantidad total de pérdidas antes de ser incluida la GD, LwGD
es la cantidad total de pérdidas después de ser incluida la GD, N es el número de nodos del sistema, R
resistencia total por fase, Vp es el valor de tensión de fase de referencia, PDi es la potencia real de la carga en
el nodo i, PGDi es potencia real de GD instalada en el nodo i, QDi es la potencia reactiva de la carga en el nodo
i, QGDi es la potencia reactiva de la GD en el nodo i, Sujeto análogamente a las restricciones de límites de
generación GD, límite de flujos por las líneas y límite de tensión en los nodos.
Como resultado de la aplicación de esta metodología se observa que hasta cierto nivel de penetración de GD
se obtiene una disminución sustancial en las pérdidas en las redes, pero superado este nivel, el mismo se
vuelve a incrementar de acuerdo al aumento de la penetración.
El impacto de la GD en las pérdidas del sistema fue modelado en [12], facilitando como único objetivo la
asignación ideal de la GD convencional (en tamaño y ubicación), con mejoramiento en la eficiencia
energética del transporte en las redes de distribución, es decir, una disminución en las pérdidas totales en
dichas redes, a medida que se maximiza la cantidad de energía entregada. La función objetivo a maximizar
se presenta como:
(9)
Donde Ptx es la cantidad de energía demandada o exportada por el sistema, PGDi capacidad instalada de GD
en el nodo i, PDi es la carga en el nodo i, N es el número de nodos, µ ij y ρij son las interdependencias de las
pérdidas debido a la generación y la carga en el nodo i y la generación y la carga en el nodo j
respectivamente. Sujeto a las restricciones de límite térmico de las líneas, niveles de corrientes de
cortocircuito, elevación de tensiones, y límites de generación GD.
Para maximizar la función objetivo fue utilizado el método de programación lineal. Además fueron
consideradas las variaciones temporales de los nodos de cargas y generadores, mostrando que la instalación
de GD mejora la eficiencia energética a lo largo del tiempo simulado.
En [13] se propone un procedimiento con base en algoritmos genéticos capaz de establecer la ubicación
óptima de la GD convencional en un sistema de distribución de media tensión (MT) existente. La función
objetivo a ser optimizada considera la minimización de pérdidas como también la minimización de
inversiones de actualización de alimentadores y subestaciones. Así, la función objetivo está dada por:
(10)

5
Donde C0G representa al costo total de una red genérica, con el valor presente tomado al comienzo del
periodo de planeamiento de N años, Ntot es el número de nodos del sistema, Ncp es el número de
subestaciones y Ntot - Ncp es el número de ramas, ej es el valor binario, igual a 1 para un redimensionamiento
de la rama y 0 si no fuera necesario. Cocj es el costo de construcción mientras que Roj es el valor residual.
CoGDi es el costo de operación de la GD. Ckwh es costo de pérdida por cada kWh, coeff es el factor de
utilización de pérdidas de energía con la capacidad total de carga, 8760 es el número de horas por año, rj es
la resistencia por km de línea, Lj es la longitud de la rama. Ijk es la corriente de fase en la rama j al comienzo
del subperiodo k y ccpj es el coeficiente de corrección de pérdidas debido a la simultaneidad de cargas.
Como resultado se obtiene una herramienta útil para obtener la ubicación óptima y el tamaño de unidades de
GD en sistemas de distribución existentes, de manera que puedan ser minimizados los costos totales de
pérdidas de energía del sistema y puedan ser diferidas las inversiones en actualización de las redes. Si bien
este procedimiento resulta bastante útil, se debe observar que no se tuvieron en cuenta diversos parámetros
significativos que influyen en el comportamiento de las redes de distribución, como el mejoramiento en la
confiabilidad, el mejoramiento en el perfil de tensiones, el mejoramiento de las condiciones ambientales,
comportamientos de los elementos de protección, por citar algunos.
A través de la aplicación de Algoritmos Genéticos (GA) presentado en [14], se propone un algoritmo para la
ubicación óptima de GD en sistemas de distribución donde se busca obtener una significante reducción de
pérdidas en las redes con un mejoramiento del perfil de tensiones. El objetivo principal del algoritmo
propuesto es determinar la mejor localización para la nueva GD con la maximización de diferentes
funciones. La función objetivo que se debe maximizar es:

(11)

De la función objetivo se tiene que: V%wGDi es el porcentaje de variación de tensión en el nodo i con fuentes
de GD instaladas, V%woGDi es el porcentaje de variación de tensión en el nodo i sin fuentes de GD. LPwGDj es
la pérdida de potencia activa en la rama j con fuentes de GD, LPwoGDj es la pérdida de potencia activa en la
rama j sin fuentes de GD. LQwGDj es la pérdida de potencia reactiva en la rama j con fuentes de GD y LQwoGDj
es la pérdida de potencia reactiva en la rama j sin fuentes de GD. k1, k2, k3 son factores de penalización, n es
el número de nodos y m es el número de ramas. PGD y QGD son los valores de potencia activa y reactiva de
GD instalados, sujeto a las restricciones de límite de elevación de tensiones, límites de generación GD y la
condición de que las pérdidas antes de la conexión de GD en las redes eléctricas sean mayores que los
valores obtenidos después de la conexión.
Como resultado común de las publicaciones estudiadas se observa que para un nivel bajo de penetración de
GD, las pérdidas decrecen, pero para niveles altos de penetración, las pérdidas se incrementan, pudiendo ser
incluso mayores que las pérdidas del caso base. Este efecto es más notable con bajos niveles de dispersión.

3.3 Otros criterios de optimización

Paralelamente a los criterios citados anteriormente, son estudiadas otras técnicas y procedimientos de manera
a lograr diferentes objetivos, incluso se presentan combinaciones de los mismos con el fin de obtener nuevas
opciones de optimización en ubicación y tamaño de las unidades de GD a ser instaladas en las redes de
distribución y su operación.
En [15] se propone un modelo integrado para el desarrollo del Planeamiento del Sistema de Distribución
(Distribution System Planning – DSP) con la implementación de GD convencional. El modelo propuesto
apunta a minimizar las inversiones en GD y los costos operativos asociados a estos, además la disminución
de los costos totales de compensación por pérdidas en el sistema a través del periodo planeado, estos costos
van variando de acuerdo a los escenarios disponibles. Para ello, se analizan los valores presentes de los
diferentes escenarios que llevan a cabo una estimación de la viabilidad de introducir a la GD como elemento
clave en la resolución del problema del DSP. En este caso se presentan dos posibles alternativas de
escenarios:
Escenario A; comprando la energía extra requerida desde la red principal e inyectándolo a la red de
distribución a través de subestaciones. En este caso se requiere la expansión de las subestaciones existentes.
Escenario B; comprando la energía extra requerida de los internodos existentes y llevándolos hasta la región
del sistema de distribución.

6
Las restricciones tenidas en cuenta fueron la conservación total de energía, el límite térmico de los
alimentadores, la capacidad de las subestaciones, la disminución de tensiones permisibles, los límites de
operación de las unidades GD, capacidad de entrega de los internodos. El modelo es minimizado como un
problema entero-mixto no lineal. Como resultado de esta metodología se obtiene no solamente el tamaño de
la GD y su ubicación, sino también la necesidad de inversión en otros servicios (transformadores y
actualización de alimentadores) y el costo de su operación. Aunque cabe aclarar que no se tuvieron en cuenta
numerosos aspectos de la GD que requieren análisis y estudios más profundos. Algunos de ellos son:
modelado de la GD, principalmente lo concerniente a fuentes de energía renovables (RES), cuantificación de
la influencia sobre la energía reactiva, mejoramiento de las condiciones ambientales, entre otros.
En [16 y 17] se proponen dos modelos de optimización de manera a desarrollar planes y políticas para la
promoción y utilización de fuentes de energías renovables. En ellos se propone un procedimiento de
optimización de programación lineal, con base en el modelo de optimización de flujo de energía (Energy
Flow Optimization Model – EFOM) y Algoritmo Primal Interior Dual Point (PIDP) para evaluar la
contribución de la producción de GD y las acciones de eficiencia energética. La metodología propuesta
detalla el aprovechamiento de las fuentes primarias de energía, la generación de potencia y calor, las
emisiones y los sectores de usuarios finales. Para ello, se busca minimizar la función objetivo que consiste en
el total de los costos actualizados de la conversión primaria de energía sobre un horizonte de tiempo
seleccionado.

3.4 Resumen de resultados

Un resumen de las principales metodologías se presenta en la TABLA I.

TABLA I. RESUMEN DE PUBLICACIONES INVESTIGADAS

Tecnología GD Criterio de Optimización de Confiabilidad Criterio de Minimización de Pérdidas Otros Criterios
Algoritmos Recursivos

Simulación Secuencial

Optimización de Flujo
Algoritmos Genéticos

Optimización Entero-
Programación Lineal

de Energía (EFOM)
Interior Dual Point

Interior Dual Point

Compensación de

Algoritmo Primal

Algoritmo Primal
Energía Reactiva
No convencional

Multiplicador de

Mixto No-lineal
Convencional

Confiabilidad
Probabilística
Algoritmo de

Monte Carlo
Artículos

Modificado

Lagrange

[4] x x x
[5] x x
[6] x x x
[7] x x
[8] x x
[9] x x
[10] x x
[11] x x
[12] x x
[13] x x
[14] x x
[15] x x
[16] x x
[17] x x

Como resultado de las publicaciones estudiadas se puede observar que la gran mayoría están enfocadas a la
utilización de GD con fuentes de generación convencionales, por lo que se encuentra abierta la necesidad del
estudio de implementación de energías renovables como fuentes primarias de generación y los consiguientes
beneficios a obtener mediante su utilización, como el mejoramiento de las condiciones ambientales,
disminuyendo las emisiones de CO2. El entendimiento de estos métodos posibilita valorar los beneficios
cuando son implementadas dichas unidades de GD en los sistemas de distribución, brindando incentivos a
los operadores del sistema de distribución para su integración adecuada a los sistemas actuales, de manera a
cooperar en el futuro en el planeamiento de la expansión de los mismos.
7
4 CONCLUSIONES
Se ha presentado un resumen descriptivo de las propuestas más recientes de métodos y algoritmos de
localización y de dimensionamiento de generación distribuida encontrados en la literatura.
Se resaltaron los criterios considerados relevantes en la obtención de los valores óptimos en la penetración de
generación distribuida en los sistemas de distribución.
Siguiendo estos estudios, se observa que no existe consenso general en cual es el mejor método de
optimización. No existe una metodología que considere conjuntamente los factores económicos de
minimización de pérdidas y confiabilidad considerando la estocasticidad de las fuentes de energías
renovables. La directriz a seguir en el futuro sería combinar los criterios expuestos de acuerdo a las
características propias de cada sistema, al modelo de generación distribuida que se aplique – renovable o no -
y las hipótesis realizadas, de manera a obtener una solución global ponderada con el beneficio que produce la
implementación de generación distribuida en los sistemas de distribución.

5 REFERENCIAS
[1] Borbely, A-M., Kreider, J. Distributed Generation. The Power Paradigm for the New Millennium. CRC
Press LLC. 2001
[2] Zobaa, A. F., Cecati. C. A Comprehensive Review on Distributed Power Generation. International
Symposium on Power Electronics, Electrical Drives, Automation and Motion. 2006.
[3] El-Khattam, W., Salama, M. M. A. Distributed Generation Technologies, Definitions and Benefits.
Electric Power System Research. Elsevier. 2004.
[4] Greatbanks, J., Popovic, D., Begovic, M., Pregelj, A., Green, T. C. On Optimization for Security and
Reliability of Power Systems with Distributed Generation. IEEE Bologna PowerTech Conference, June
2003, Bologna, Italy.
[5] Chowdbhury, A. A., Agarwal, S. K., Koval, D. O. Reliability Modeling of Distributed Generation in
Conventional Distribution Systems Planning and Analysis. IEEE Transactions on Industry Applications.
September/October 2003.
[6] Singh, C., Lago-Gonzalez, A. Reliability Modeling of Generation Systems Including Unconventional
Energy Sources. IEEE Transactions on Power Apparatus and Systems. Vol. PAS-104, No. 5 May 1985.
[7] Wang, P., Billinton, R. Time-secuential Simulation Technique for Rural Distribution System Reliability
Cost/Worth Evaluation Including Wind Generation as Alternative Supply. IEEE Proc.-Gener. Transm.
Distrib., Vol. 148, No. 4, July 2001.
[8] Hegazy, Y. G., Salama, M. M., Chikhani, A. Y. Adequacy Assessment of Distributed Generation
Systems Using Monte Carlo Simulation. IEEE Transactions on Power Systems. Vol 18, No. 1 February
2003.
[9] Bae, I. S., Kim, J. O., Kim, J. C., Singh, C. Optimal Operating Strategy for Distributed Generation
Considering Hourly Reliability Worth. IEEE Transactions on Power Systems. Vol 19, No. 1 February 2004.
[10] Gautam, D., Mithulananthan, N. Optimal DG Placement in Deregulated Electricity Market. Electric
Power Systems Research 77 (2007) 1627-1636. Elsevier, December 2006.
[11] Khoa, T. Q. D., Binh, P. T. T., Tran, H. B. Optimizing Location and Sizing of Distributed Generation in
Distribution Systems. IEEE Transactions on Power Systems. 2006.
[12] Keane, A., O’Malley, M. Impact of Distributed Generation Capacity on Losses. IEEE Transactions on
Power Systems. 2006.
[13] Celli, C., Pilo, F. Optimal Distributed Generation Allocation in MV Distribution Networks. IEEE
Transactions on Power Systems. 2001.
[14] Sedighizadeh, M., Rezazadeh, A. Using Geneting Algorithm for Distributed Generation Allocation to
Reduce Losses and Improve Voltage Profile. Proceedings of World Academy of Science, Engineering and
Technology. Volume 27. February 2008.
[15] El-Khattam, W., Hegazy, Y. G., Salama, M. M. A. An Integrated Distributed Generation Optimization
Model for Distribution Planning. IEEE Transactions on Power Systems. May 2005.
[16] Dicorato, M., Forte, G., Trovato, M. Assessing Distributed Generation in an Environmental-Constrained
Energy Planning. IEEE Transactions on Power Systems. 2007.
[17] Dicorato, M., Forte, G., Trovato, M. Environmental-constrained Energy Planning Using Energy-
efficiency and Distributed-Generation Facilities. Renewable Energy. Elsevier. 2007.