Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Universidad de La Salle Universidad de La Salle Ciencia Unisalle Ciencia Unisalle Ingeniería Eléctrica Facultad de Ingeniería 2023 Metodología para la ubicación de estaciones de carga de VEs Metodología para la ubicación de estaciones de carga de VEs basada en el impacto sobre las pérdidas de potencia activa basada en el impacto sobre las pérdidas de potencia activa Andrés Camilo Leal Rincón Universidad de La Salle, Bogotá, aleal04@unisalle.edu.co Natalia Sofia Rojas Medina Universidad de La Salle, Bogotá, nrojas86@unisalle.edu.co Follow this and additional works at: https://ciencia.lasalle.edu.co/ing_electrica Part of the Electrical and Computer Engineering Commons Citación recomendada Citación recomendada Leal Rincón, A. C., & Rojas Medina, N. S. (2023). Metodología para la ubicación de estaciones de carga de VEs basada en el impacto sobre las pérdidas de potencia activa. Retrieved from https://ciencia.lasalle.edu.co/ing_electrica/648 This Trabajo de grado - Pregrado is brought to you for free and open access by the Facultad de Ingeniería at Ciencia Unisalle. It has been accepted for inclusion in Ingeniería Eléctrica by an authorized administrator of Ciencia Unisalle. For more information, please contact ciencia@lasalle.edu.co. https://ciencia.lasalle.edu.co/ https://ciencia.lasalle.edu.co/ing_electrica https://ciencia.lasalle.edu.co/fac_ingenieria https://ciencia.lasalle.edu.co/ing_electrica?utm_source=ciencia.lasalle.edu.co%2Fing_electrica%2F648&utm_medium=PDF&utm_campaign=PDFCoverPages https://network.bepress.com/hgg/discipline/266?utm_source=ciencia.lasalle.edu.co%2Fing_electrica%2F648&utm_medium=PDF&utm_campaign=PDFCoverPages https://ciencia.lasalle.edu.co/ing_electrica/648?utm_source=ciencia.lasalle.edu.co%2Fing_electrica%2F648&utm_medium=PDF&utm_campaign=PDFCoverPages mailto:ciencia@lasalle.edu.co Metodoloǵıa para la ubicación de estaciones de carga de VEs basada en el impacto sobre las pérdidas de potencia activa Andrés Camilo Leal Rincón Natalia Sofia Rojas Medina Universidad de la Salle Facultad de Ingenieŕıa, Programa de Ingenieŕıa Eléctrica Bogotá, Colombia 2023 Metodoloǵıa para la ubicación de estaciones de carga de VEs basada en el impacto sobre las pérdidas de potencia activa Andrés Camilo Leal Rincón Natalia Sofia Rojas Medina Trabajo de grado presentado como requisito parcial para optar al t́ıtulo de: Ingeniero(a) Electricista Director(a): Ing. Harrynson Ramı́rez Murillo, Ph.D. Ĺınea de Investigación: Gestión energética y ambiental Universidad de la Salle Facultad de Ingenieŕıa, Programa de Ingenieŕıa Eléctrica Bogotá, Colombia 2023 iii Resumen El presente proyecto tiene como propósito desarrollar una metodoloǵıa para la ubicación de estaciones de carga para veh́ıculos eléctricos basada en el impacto sobre las pérdidas de potencia activa, para el cumplimiento de este proyecto se proponen escenarios de demanda según los niveles de tensión, potencias activas, reactivas y aparentes, aśı como de pérdidas de potencia activa considerando la normativa y regulación colombiana correspondiente. Pa- ra cuantificar la demanda de los VE primeramente se tiene en cuenta el tipo de veh́ıculo eléctrico, para lo cual se considera entre otros factores la capacidad de la bateŕıa, estado operativo y distancia diaria recorrida, complementado con la teoŕıa de filas y simulación de Montecarlo se modela probabiĺısticamente múltiples cargas para la electrolinera; con el perfil de carga generado se procede a realizar los correspondiente flujos de carga y cálculo de eficiencia en los nodos candidatos del sistema IEEE de catorce nodos; por último se utiliza el método de Bootstrap para determinar la incertidumbre de las pérdidas de potencia activa y eficiencia en los escenarios de demanda. Con los resultados obtenidos se seleccionó el nodo idóneo que cumple con los criterios de regulación e impactos de pérdidas de potencia activa en el sistema. Palabras clave: Estación de carga, Simulación de Montecarlo, Sistemas de potencia, Pérdidas de potencia activa, Veh́ıculo eléctrico. Abstract The purpose of this project is to develop a methodology for the location of charging stations for electric vehicles based on the impact on active power losses, for the fulfillment of this project demand scenarios are proposed according to voltage levels, active powers, reactive and apparent powers, as well as active power losses considering the corresponding Colombian standards and regulations. To quantify the demand for EVs, the type of electric vehicle is first taken into account, for which the battery capacity, operating status and daily distance traveled are considered, among other factors, complemented with the theory of rows and Monte Carlo simulation. probabilistically models multiple charges for the charging station; With the load profile generated, the corresponding load flows and efficiency calculations are carried out in the candidate nodes of the IEEE system of fourteen nodes; Finally, the Bootstrap method is used to determine the uncertainty of active power and efficiency losses in demand scenarios. With the results obtained, the ideal node that meets the regulation criteria and impacts of active power losses in the system was selected. Keywords: Charging station, Montecarlo simulation, Power systems, Active power los- ses, Electric vehicle.. Índice general Resumen III 1. Introducción 1 1.1. Planteamiento del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2. Alcance y justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.1. Alcance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.3. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3.2. Objetivos espećıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2. Marco Teórico 7 2.1. Veh́ıculo Eléctrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.1.1. Tipos de Veh́ıculos eléctricos . . . . . . . . . . . . . . . . . . . . . . . 7 2.1.2. Estaciones de carga para Veh́ıculos Eléctricos . . . . . . . . . . . . . 8 2.1.3. Tipos de carga de Veh́ıculos Eléctricos . . . . . . . . . . . . . . . . . 8 2.1.4. Impactos en sistemas de potencia por parte de los VE . . . . . . . . . 9 2.2. Normativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.3. Demanda de enerǵıa eléctrica . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4. Modelos de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.1. Modelo de carga estática . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.4.2. Modelo de carga dinámica . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5. Flujo de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.6. Método Montecarlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.7. Distribución de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.7.1. Distribución normal . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.8. Metodoloǵıa Bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.9. Máxima verosimilitud (MLE) . . . . . . . . . . . . . . . . . . . . . . . . . . 13 3. Veh́ıculo Eléctrico 14 3.1. Modelado de la demanda de carga global de veh́ıculos eléctricos . . . . . . . 14 3.1.1. Modelo probabiĺıstico de una sola demanda de carga . . . . . . . . . 14 3.1.2. Modelo probabiĺıstico de múltiples demandas de carga . . . . . . . . 16 Índice general v 4. Flujo de carga considerando veh́ıculos eléctricos 19 4.1. Sistemade prueba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 4.1.1. Escenario Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.1.2. Escenarios de demanda considerando veh́ıculos eléctricos . . . . . . . 20 4.2. Cálculo de la incertidumbre . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 4.2.1. Método de Bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 5. Metodoloǵıa para la ubicación de estaciones de carga de los VE 23 5.1. Descripción de la Metodoloǵıa . . . . . . . . . . . . . . . . . . . . . . . . . . 23 6. Resultados de Simulación 25 6.1. Caso Base para el sistema IEEE de 14 nodos . . . . . . . . . . . . . . . . . . 25 6.2. Escenarios para el sistema IEEE de 14 nodos . . . . . . . . . . . . . . . . . . 25 6.2.1. Selección nodos candidatos (Escenarios de demanda) . . . . . . . . . 25 6.2.2. Modelado probabiĺıstico de la demanda de los VE . . . . . . . . . . . 25 6.2.3. Flujo de carga de los escenarios de demanda propuestos . . . . . . . . 26 6.2.4. Cuantificación de la incertidumbre del flujo de carga de los escenarios de demanda propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . 29 6.2.5. Selección nodo idóneo . . . . . . . . . . . . . . . . . . . . . . . . . . 32 6.2.6. Verificación de la normativa para el nodo idóneo . . . . . . . . . . . . 34 7. Conclusiones y futuras ĺıneas de investigación 36 7.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 7.2. Futuras ĺıneas de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . 38 Bibliograf́ıa 39 A. Anexos 43 A.1. Datos generales para el modelado de demanda de carga de veh́ıculos eléctricos 43 A.2. Datos generales para el sistema de prueba IEEE de 14 nodos . . . . . . . . . 45 A.3. Parámetros de las distribuciones del perfil de demanda, pérdidas de potencia activa y eficiencia del sistema en los escenarios de demanda . . . . . . . . . . 47 A.4. Modelado de la demanda de los Veh́ıculos eléctricos . . . . . . . . . . . . . . 60 A.5. Flujo de carga y cálculo de la eficiencia en nodos candidatos . . . . . . . . . 67 A.6. Bootstrapping de los resultados de pérdidas y eficiencia de los nodos candidatos 68 A.7. Gráficas e incertidumbre de las distribuciones de pérdidas o eficiencia de los nodos candidatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 Lista de Figuras 4-1. Diagrama del sistema IEEE de 14 nodos. [34] . . . . . . . . . . . . . . . . . 19 5-1. Diagrama de flujo de la metodoloǵıa propuesta . . . . . . . . . . . . . . . . . 24 6-1. Familias gaussianas de la demanda para una estación de carga de veh́ıculos eléctricos con 4,500 cargadores (x1) . . . . . . . . . . . . . . . . . . . . . . . 26 6-2. Distribución de probabilidad de (a) pérdidas de potencia activa (x2) y (b) eficiencia del sistema (x3) ubicando la estación de carga en el nodo 9 . . . . 26 6-3. Distribución de probabilidad de (a) pérdidas de potencia activa (x4) y (b) eficiencia del sistema (x5) ubicando la estación de carga en el nodo 10 . . . . 27 6-4. Distribución de probabilidad de (a) pérdidas de potencia activa (x6) y (b) eficiencia del sistema (x7) ubicando la estación de carga en el nodo 11 . . . . 27 6-5. Distribución de probabilidad de (a) pérdidas de potencia activa (x8) y (b) eficiencia del sistema (x9) ubicando la estación de carga en el nodo 12 . . . . 27 6-6. Distribución de probabilidad de (a) pérdidas de potencia activa (x10) y (b) eficiencia del sistema (x11) ubicando la estación de carga en el nodo 13 . . . 28 6-7. Distribución de probabilidad de (a) pérdidas de potencia activa (x12) y (b) eficiencia del sistema (x13) ubicando la estación de carga en el nodo 14 . . . 28 6-8. Familias de (a) pérdidas de potencia activa (x2) y (b) eficiencia del sistema (x3) ubicando la estación de carga en el nodo 9 . . . . . . . . . . . . . . . . 29 6-9. Familias de (a) pérdidas de potencia activa (x4) y (b) eficiencia del sistema (x5) ubicando la estación de carga en el nodo 10 . . . . . . . . . . . . . . . . 30 6-10.Familias de (a) pérdidas de potencia activa (x6) y (b) eficiencia del sistema (x7) ubicando la estación de carga en el nodo 11 . . . . . . . . . . . . . . . . 30 6-11.Familias de (a) pérdidas de potencia activa (x8) y (b) eficiencia del sistema (x9) ubicando la estación de carga en el nodo 12 . . . . . . . . . . . . . . . . 30 6-12.Familias de (a) pérdidas de potencia activa (x10) y (b) eficiencia del sistema (x11) ubicando la estación de carga en el nodo 13 . . . . . . . . . . . . . . . 31 6-13.Familias de (a) pérdidas de potencia activa (x12) y (b) eficiencia del sistema (x13) ubicando la estación de carga en el nodo 14 . . . . . . . . . . . . . . . 31 Lista de Tablas 4-1. Caracteŕısticas de entrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 6-1. Flujo de carga para el escenario base . . . . . . . . . . . . . . . . . . . . . . 25 6-2. PDF de los datos de entrada X0 . . . . . . . . . . . . . . . . . . . . . . . . . 28 6-3. Incertidumbre de la matriz de Bootstrap B . . . . . . . . . . . . . . . . . . . 31 6-4. Porcentaje de pérdidas de potencia activa en cada nivel de tensión . . . . . . 35 A-1.CBat autonomı́a de cada clase de VE . . . . . . . . . . . . . . . . . . . . . . 43 A-2. Parámetros de cada clase de VE . . . . . . . . . . . . . . . . . . . . . . . . . 43 A-3. kV E autonomı́a de cada clase de VE . . . . . . . . . . . . . . . . . . . . . . . 43 A-4. Parámetros del modelo de filas . . . . . . . . . . . . . . . . . . . . . . . . . . 44 A-5. Parámetros de cargas del sistema de prueba IEEE de 14 nodos . . . . . . . 45 A-6. Parámetros de ĺıneas del sistema de prueba IEEE de 14 nodos . . . . . . . . 45 A-7. Parámetros de transformadores del sistema de prueba IEEE de 14 nodos . . 46 A-8. Parámetros de generadores del sistema de prueba IEEE de 14 nodos . . . . . 46 A-9. Parámetros de las familias gaussianas de la demanda de la estación de carga de veh́ıculos eléctricos (x1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 A-10.Parámetros de las familias gaussianas de la eficiencia del sistema ubicando la estación de carga de los VE en el nodo 9 (x2) . . . . . . . . . . . . . . . . . 48 A-11.Parámetros de las familias gaussianas de las pérdidas de potencia activa del sistema ubicando la estación de carga de los VE en el nodo 9 (x3) . . . . . . 49 A-12.Parámetros de las familias gaussianas de la eficiencia del sistema ubicando la estación de carga de los VE en el nodo 10 (x4) . . . . . . . . . . . . . . . . . 50 A-13.Parámetros de las familias gaussianas de las pérdidas de potencia activa del sistema ubicando la estación de carga de los VE en el nodo 10 (x5) . . . . . 51 A-14.Parámetros de las familias gaussianas de la eficiencia del sistema ubicando la estación de carga de los VE en el nodo 11 (x6) . . . . . . . . . . . . . . . . . 52 A-15.Parámetros de las familias gaussianas de las pérdidas de potencia activa del sistema ubicando la estación de carga de los VE en el nodo 11 (x7) . . . . . 53 A-16.Parámetros de las familias gaussianas de la eficiencia del sistema ubicando la estación de carga de los VE en el nodo 12 (x8) . . . . . . . . . . . . . . . . . 54 A-17.Parámetros de las familias gaussianas de las pérdidas de potencia activa del sistema ubicando la estación de carga de los VE en el nodo 12 (x9) . . . . . 55 viii Lista de Tablas A-18.Parámetros de las familias gaussianas de la eficiencia del sistema ubicando la estación de carga de los VE en el nodo 13 (x10) . . . . . . . . . . . . . . . . 56 A-19.Parámetros de las familias gaussianas de las pérdidas de potencia activa del sistema ubicando la estación de carga de los VE en el nodo 13 (x11) . . . . . 57 A-20.Parámetros de las familias gaussianas de la eficiencia del sistema ubicando la estación de carga de los VE en el nodo 14 (x12) .. . . . . . . . . . . . . . . 58 A-21.Parámetros de las familias gaussianas de las pérdidas de potencia activa del sistema ubicando la estación de carga de los VE en el nodo 14 (x13) . . . . . 59 1. Introducción Con el aumento de la movilidad eléctrica y la creciente adopción de veh́ıculos eléctricos, la infraestructura de carga juega un papel crucial en la promoción de la transición hacia una movilidad más sostenible y menos dependiente de los combustibles fósiles. La ubicación estratégica de estaciones de carga para los VE es un desaf́ıo importante para garantizar una red eficiente y accesible para los usuarios. La reducción de pérdidas de potencia activa en el sistema eléctrico es uno de los enfoques clave en la optimización de la ubicación de estaciones de carga para los VE y cargas en general, ya que esto puede mejorar la eficiencia del sistema y reducir los costos de operación. Sin embargo, una de las principales limitaciones para la masificación de uso de veh́ıculos eléctricos es la falta de infraestructura de carga, lo que conlleva la necesidad de desarrollar metodoloǵıas para la ubicación de estaciones de carga. Este proyecto se centra en la creación de una metodoloǵıa para la ubicación de estaciones de carga basada en la reducción del impacto que tienen las estaciones de carga de veh́ıculos eléctricos sobre las pérdidas de potencia activa en la red eléctrica. 1.1. Planteamiento del Problema La enerǵıa eléctrica hoy representa el bien de consumo con más demanda a nivel mundial, la dependencia por este recurso se ha extrapolado a todos los ámbitos, por lo cual su uso y transformación se ha convertido en una necesidad fundamental para el desarrollo industrial y personal a nivel global. En la actualidad los sistemas de potencia se expanden de manera rápida debido al aumento en la demanda, que para agosto del 2022 presentó un crecimiento de 3.47% en Colombia, respecto al mismo periodo del año anterior, igualmente a nivel internacional el aumento fue de 5.5% en 2021 después de retroceder un 0.7% en 2020 por la crisis de la COVID-19. Aśı mismo, se prevé que la demanda de electricidad mundial aumente entre un 11 y un 15% de cara a 2040 a razón de la penetración de veh́ıculos eléctricos en el sistema de enerǵıa [5] [43]. La inserción de esta nueva tecnoloǵıa al sistema de potencia se ha dado por la ayuda de factores poĺıticos y económicos que brindan incentivos a los propietarios. La Ley 1964 del 11 de julio de 2019 promueve el uso de veh́ıculos eléctricos en Colombia con el fin de reducir las emisiones contaminantes de gases, brindado como beneficios un descuento sobre la revisión técnico-mecánica y de emisiones contaminantes, exención en las medidas restrictivas como 2 1 Introducción pico y placa o d́ıa sin carro, descuento en impuesto vehicular, entre otras [9]. Además, en términos de manteamiento y costo de combustible, un veh́ıculo eléctrico resulta más económico comparado con un automóvil de motor a gasolina. La penetración de esta tecnoloǵıa en las redes de distribución puede generar un aumento en las pérdidas técnicas, cáıdas de tensión, desbalances y aumento de las distorsiones armónicas. Por ende, la inclusión de veh́ıculos eléctricos conlleva impactos positivos sobre el ambiente, ya que reduce en gran medida las emisiones de gases de efecto invernadero, pero negativos para la red por lo anteriormente mencionado. En consecuencia, es necesario identificar el nodo idóneo donde el coeficiente de pérdidas de potencia activa sea el mı́nimo, puesto que esto comprometerá la eficiencia y en consecuencia aumentará los costos operativos del sistema. De esta manera surge la pregunta de investigación: ¿Cuál es la metodoloǵıa que permita establecer la ubicación de estaciones de carga para veh́ıculos eléctricos, basada en el impacto sobre las pérdidas de potencia activa? 1.2. Alcance y justificación 1.2.1. Alcance El alcance del trabajo cubre lo siguiente: Modelado de la carga de veh́ıculos eléctricos utilizando teoŕıa de filas, lo cual permitirá definir tiempos mı́nimos y máximos de carga, para que la estación no colapse, evitando el escenario donde halla veh́ıculos esperando, pero no haya cargadores disponibles. Selección de nodos candidatos, es decir aquellos nodos PQ del sistema (nodos de carga). Simulación de flujo de potencia para los escenarios de demanda propuestos. Calculó de las pérdidas distribuidas del sistema con inserción de veh́ıculos eléctricos. Selección de nodo idóneo donde las pérdidas de potencia activa sean menores conside- rando las resoluciones CREG 025 de 1995, CREG 070 de 1998, CREG 082 de 2002 y CREG 108 de 1997. 1.2.2. Justificación Cada año los recursos naturales del planeta se agotan más rápido, y aunque no todos los páıses tengan el mismo nivel de consumo, todos se verán afectados. Los gobiernos para dis- minuir la dependencia a los combustibles fósiles han implementado estrategias y normativas, centrando su atención a los veh́ıculos eléctricos (VE) debido a su alta eficiencia energética y baja emisión de gases en comparación con los veh́ıculos convencionales basados en motores 1.2 Alcance y justificación 3 de combustión interna. Aunque la inserción de veh́ıculos eléctricos puede impactar de manera positiva al medio am- biente, el sistema de potencia se verá afectado, debido a que su confiabilidad, estabilidad y seguridad, que están sujetos a criterios iniciales de diseño, se verán comprometidos con estas nuevas tecnoloǵıas. Las pérdidas técnicas es un factor importante a tener en cuenta, es decir las pérdidas de potencia activa en el sistema a causa de inclusión de estas cargas, ya que estas aparecen cuando se sobrecarga el sistema, o este no está dimensionado para recibir cierto tipo de cargas o tecnoloǵıas lo que haŕıa que se calienten ĺıneas de transmi- sión, ĺıneas de distribución, transformadores; lo que terminaŕıa en riesgo eléctrico, se podŕıan ver comprometido los activos del sistema y por último lo que esto genera son las pérdidas económicas, ya que esta enerǵıa no se convierte en trabajo. Aśı que es necesario evaluar diferentes escenarios de demanda, según los niveles de tensión, potencias activas, reactivas y aparentes y de pérdidas de potencia activa, de acuerdo con la normativa vigente, para aśı determinar el escenario idóneo de conexión. Es preciso señalar que la ubicación de estaciones de carga de veh́ıculos eléctricos está dada en función de los agentes involucrados, donde de acuerdo con el propietario del proyecto se decidirá el criterio de diseño entre el menor costo para abastecer la mayor cantidad de veh́ıculos o el mı́nimo impacto en el sistema de potencia. Por lo cual son diferentes y diversos los criterios de ubi- cación de estaciones de carga y difieren de las necesidades y prioridades del proyecto. Algunas metodoloǵıas para la ubicación de estaciones de carga consideran, entre otras cosas, el menor impacto en el sistema de potencia, la densidad vehicular, parqueaderos y zonas sociales, cada una de estas consideraciones están sujetas a la necesidad del propietario, por lo cual el diseño dependerá entre priorizar los beneficios técnicos o económicos. En Colombia, aunque la NTC 2050 en la sección 625 menciona las generalidades para la construcción de estaciones de carga, esta no enfatiza en las consideraciones que se deben tener en cuenta para su ubicación. De igual forma, actualmente no hay normativas que especifiquen las con- sideraciones de diseño para la adecuada ubicación de esta tecnoloǵıa. De esta manera, el propósito del trabajo es desarrollar una metodoloǵıa para la ubicación de estaciones de carga para veh́ıculos eléctricos, basada en el impacto sobre las pérdidas de potencia activa. 4 1 Introducción 1.3. Objetivos 1.3.1. Objetivo General Diseñar una metodoloǵıapara la ubicación de estaciones de carga para veh́ıculos eléctricos basada en reducción de pérdidas de potencia activa. 1.3.2. Objetivos espećıficos Proponer escenarios de demanda, según los niveles de tensión, potencias activas, reac- tivas y aparentes y de pérdidas de potencia activa, considerando la normativa vigente correspondiente. Implementar en el software de simulación especializado los diferentes escenarios de demanda en el sistema IEEE de prueba seleccionado. Validar en los escenarios propuestos la ubicación idónea de estaciones de carga, consi- derando su impacto sobre las pérdidas de potencia activa. 1.4. Antecedentes En el art́ıculo ARIMA-based decoupled time series forecasting of electric vehicle char- ging demand for stochastic power system operation [2], se propone un pronosticador de demanda de carga eléctrica residencial y pública; tomando como valores de entrada del algoritmo los datos diarios de conducción y distancias recorridas, determinando los perfiles de carga. Los resultados obtenidos mostraron que la efectividad del pro- nosticador a gran escala podŕıa conllevar ahorros significativos en costos de operación del sistema. Este art́ıculo contribuirá al trabajo a realizar puesto que muestra cómo se puede modelar la demanda de una estación de carga de veh́ıculos eléctricos, a partir del tránsito de carros por una autopista, aproximando la cantidad de los VE de acuerdo con reportes gubernamentales. En el trabajo de grado Desarrollo de una metodoloǵıa para el análisis de sistemas de potencia incluyendo veh́ıculos eléctricos y generación distribuida [6], se propone una metodoloǵıa para la inserción de veh́ıculos eléctricos y generación distribuida a la red de potencia. En el documento se modela la carga de los VE a partir de la estad́ıstica probabiĺıstica y teoŕıa de filas. Se realizan flujos de potencia para conocer el estado de la red y como método para determinar los nodos candidatos para la conexión de la estación de carga y generación distribuida. Este documento aportará al trabajo la metodoloǵıa adecuada para el estudio de escenarios realistas de carga de veh́ıculos eléctricos, debido a que brinda a partir de una perspectiva estad́ıstica el modelado de 1.4 Antecedentes 5 la demanda, tomando en cuenta el tiempo de carga en la estación por cada cargador disponible sin que la electrolinera llegue a colapsar. En el art́ıculo The electric vehicle charging station location problem: a parking-based assignment method for Seattle [8], plantea una metodoloǵıa para la ubicación de esta- ciones de carga teniendo en cuenta puntos de interés distribuidos en una zona espećıfica, donde se trazan diferentes rutas de trayecto entre los lugares de alta frecuencia, se- leccionando aquellos recorridos con mayor tránsito, logrando minimizar los costos de servicio para los usuarios. Este art́ıculo contribuirá al trabajo a realizar, puesto que muestra los costos de servicio como criterio de selección para la ubicación óptima de la electrolinera, permitiendo modelar escenarios donde se obtengan mayores beneficios económicos cargando la mayor cantidad de veh́ıculos. En el art́ıculo Impact of electric vehicle fast charging on power system voltage stabi- lity [14], se desarrolló un modelo de carga estática para un cargador rápido de veh́ıculo eléctrico, resaltando que el modelo propuesto es más preciso que otros, debido a que ca- racteriza la carga como la combinación de potencias constantes y cargas exponenciales negativas, permitiendo cuantificar la influencia de la inserción de veh́ıculos eléctricos a la red; encontrando que la integración de estaciones de carga rápida en los sistemas de potencia reduce significativamente la estabilidad de tensión en los nodos de conexión. Este documento aportará al trabajo a realizar de manera conceptual, puesto que per- mite conocer los impactos en el sistema de la inserción de veh́ıculos eléctricos, además de que muestra la metodoloǵıa para el modelado de la demanda en una estación de carga de los VE. En el art́ıculo Modeling of plug-in hybrid electric vehicle charging demand in probabilis- tic power flow calculations [29], se realiza una metodoloǵıa para cuantificar la demanda de los VE, donde primeramente se modela una sola carga y posteriormente con la teoŕıa de filas se caracteriza el comportamiento de múltiples cargas en una electrolinera y en un conjunto residencial de acuerdo con los escenarios propuestos. Los resultados obteni- dos mostraron la efectividad de la metodoloǵıa, aunque reiteraron que esta metodoloǵıa solo es válida para carga no controlada de los VE. Este documento aportará al trabajo la metodoloǵıa para el estudio de escenarios de carga de veh́ıculos eléctricos en esta- ciones de carga públicas y privadas. Aśı mismo, se mencionan las consideraciones que se deben tener en cuenta para modelar la carga. En el art́ıculo Arquitectura eléctrica para una estación de carga ultrarrápida de bateŕıas: consideraciones generales [45], se propone la estimación de la potencia demandada por 6 1 Introducción una estación de carga rápida para veh́ıculos eléctricos, a partir de un análisis estocástico y simulación de Montecarlo; con lo cual se estableció la capacidad del sistema de almacenamiento de enerǵıa en función de la cantidad de veh́ıculos eléctricos y las estrategias del consumo de enerǵıa suministrada por la red. Este art́ıculo contribuirá al trabajo a realizar, debido a que permite conocer cómo se realiza una simulación de Montecarlo para la estimación de demanda de una electrolinera, además de las consideraciones que se deben tener en cuenta para que los resultados arrojados por la misma sean correctos. 2. Marco Teórico 2.1. Veh́ıculo Eléctrico Los veh́ıculos eléctricos son automóviles propulsados por motores eléctricos que utilizan ba- teŕıas para almacenar la enerǵıa eléctrica. En comparación con los veh́ıculos de gasolina, los veh́ıculos eléctricos ofrecen varias ventajas, incluyendo mayor eficiencia energética, menor costo de operación y mantenimiento, y una reducción significativa en las emisiones de gases de efecto invernadero y otros contaminantes atmosféricos. El motor eléctrico que impulsa los veh́ıculos eléctricos es una máquina eléctrica que convierte la enerǵıa eléctrica en enerǵıa mecánica [26]. Estos motores son altamente eficientes, lo que significa que la enerǵıa eléctri- ca se convierte en enerǵıa mecánica con muy poca pérdida de enerǵıa en forma de calor [3]. Los motores eléctricos también tienen una amplia gama de velocidades y pueden operar en condiciones de alta y baja velocidad sin problemas. Además de las ventajas mencionadas anteriormente, los veh́ıculos eléctricos también pueden contribuir significativamente a la reducción de la dependencia del petróleo y la mejora de la seguridad energética, especialmente si se utilizan en combinación con fuentes de enerǵıa renovable. Sin embargo, existen algunos desaf́ıos y barreras que limitan la adopción genera- lizada de veh́ıculos eléctricos, incluyendo el costo inicial más alto, la falta de infraestructura de carga y la limitada autonomı́a de la bateŕıa [18]. A pesar de estos desaf́ıos, se espera que los veh́ıculos eléctricos jueguen un papel cada vez más importante en el futuro de la movilidad sostenible y la reducción de las emisiones de gases de efecto invernadero [4]. 2.1.1. Tipos de Veh́ıculos eléctricos Existen varios tipos de veh́ıculos eléctricos, cada uno diseñado para satisfacer diferentes necesidades y requisitos de uso. A continuación se describen algunos de los tipos de veh́ıculos eléctricos más comunes: Veh́ıculos eléctricos de bateŕıa (VE): Este tipo de veh́ıculo eléctrico funciona completamente con enerǵıa eléctrica almacenada en bateŕıas de alta capacidad. Los motores eléctricos son la única fuente depropulsión, y no tienen un motor de combus- tión interna. Los VE suelen tener una autonomı́a más limitada en comparación con los veh́ıculos h́ıbridos enchufables (PHEV) debido a la capacidad de las bateŕıas, y requieren recargas periódicas [25]. 8 2 Marco Teórico Veh́ıculos h́ıbridos enchufábles (PHEV): Los veh́ıculos h́ıbridos enchufables tie- nen tanto un motor de combustión interna como un motor eléctrico alimentado por bateŕıas. Pueden funcionar en modo completamente eléctrico, utilizando solo la enerǵıa de la bateŕıa, o en modo h́ıbrido, utilizando tanto el motor de combustión interna como el motor eléctrico. La enerǵıa de la bateŕıa se carga enchufando el veh́ıculo en una toma de corriente [20]. 2.1.2. Estaciones de carga para Veh́ıculos Eléctricos Las estaciones de carga para veh́ıculos eléctricos son lugares donde se puede recargar la bateŕıa de un veh́ıculo eléctrico. Existen varios tipos de estaciones de carga, cada uno con diferentes niveles de potencia y tiempos de carga. Carga residencial o privada: Muchos propietarios de veh́ıculos eléctricos optan por cargar sus veh́ıculos en casa, utilizando una toma de corriente o un cargador de pared. Esto permite cargar el veh́ıculo durante la noche o cuando no se está utilizando, sin tener que hacer paradas adicionales en estaciones de carga [37]. La velocidad de carga vaŕıa dependiendo de la capacidad del cargador y la bateŕıa del veh́ıculo. Carga pública: Las estaciones de carga públicas se encuentran en lugares como es- tacionamientos de centros comerciales, estaciones de servicio, hoteles y otros lugares públicos. Estas estaciones suelen ofrecer niveles de carga más altos que las estaciones de carga residenciales, lo que permite una carga más rápida. La velocidad de carga vaŕıa según el tipo de estación y el nivel de potencia disponible [24]. 2.1.3. Tipos de carga de Veh́ıculos Eléctricos Existen varios tipos de carga que se pueden aplicar a los veh́ıculos eléctricos, cada uno con diferentes tiempos de carga y niveles de potencia. A continuación, se describen los diferentes tipos de carga para veh́ıculos eléctricos: Carga lenta: Es la carga más básica y se realiza mediante un enchufe doméstico o de tipo industrial. Este tipo de carga puede tardar varias horas en cargar completamente una bateŕıa de veh́ıculo eléctrico, y su potencia de carga es de hasta 3,7 kW [35]. Carga semi-rápida: Este tipo de carga se realiza utilizando un punto de carga es- pećıfico para veh́ıculos eléctricos, con una potencia de carga de hasta 22 kW. En general, este tipo de carga tarda alrededor de 1-3 horas en cargar completamente una bateŕıa de veh́ıculo eléctrico [7]. Carga rápida: La carga rápida se realiza utilizando un cargador rápido de alta po- tencia, y se puede cargar una bateŕıa de veh́ıculo eléctrico en aproximadamente 20-30 2.2 Normativa 9 minutos. Este tipo de carga es muy útil para aquellos conductores que necesitan car- gar su veh́ıculo eléctrico en un corto periodo de tiempo y permite una movilidad más flexible [1]. Carga ultra-rápida: Es la carga más rápida disponible, con una potencia de carga de hasta 350 kW, lo que permite cargar una bateŕıa de veh́ıculo eléctrico en tan solo unos minutos. Este tipo de carga aún no está disponible en muchas áreas, pero se está expandiendo rápidamente a medida que se desarrolla la infraestructura de carga [44]. 2.1.4. Impactos en sistemas de potencia por parte de los VE El aumento del uso de veh́ıculos eléctricos (VE) puede tener un impacto significativo en los sistemas de potencia [15] [42]. Los principales efectos incluyen: Carga en los transformadores y alimentadores: La carga de los VE pueden ser significativa y pueden aumentar la demanda en los transformadores y alimentadores, lo que puede provocar sobrecargas y pérdidas de enerǵıa en el sistema. Impacto en la calidad del suministro: La carga de los VE pueden causar fluctua- ciones en la tensión, lo que puede afectar la calidad del suministro de enerǵıa eléctrica y, en última instancia, afectar a los equipos y dispositivos conectados reduciendo su vida útil. Necesidad de expansión de la red: Con el aumento de los VE, puede ser necesario ampliar y actualizar la red de distribución y transmisión para satisfacer la creciente demanda de enerǵıa, aśı como la creación de nueva infraestructura para la carga de los mismos. Generación de enerǵıa: Los VE pueden requerir una mayor cantidad de enerǵıa, lo que puede aumentar la demanda de generación y aumentar las emisiones de gases de efecto invernadero si no se utilizan fuentes de enerǵıa renovable. Estabilidad del sistema: La carga de los VE pueden afectar la estabilidad del sistema de potencia debido a la variabilidad y la incertidumbre de la demanda y la capacidad de carga. 2.2. Normativa Resolución CREG 025 de 1995: especifica los criterios, estándares y procedimientos para el suministro y tipo de información requerida por la Unidad de Planeación Minero Energética (UPME), en la elaboración del Plan de Expansión de Referencia, y por los Transportadores, en la ejecución del planeamiento de detalle y el desarrollo del sistema 10 2 Marco Teórico interconectado de transmisión a tensiones iguales o superiores a 220 kV, denominado Sistema de Transmisión Nacional (STN), y que deben ser considerados por los usuarios de este sistema en el planeamiento y desarrollo de sus propios sistemas [10]. Resolución CREG 082 de 2002: define los principios generales y la metodoloǵıa para el establecimiento de los cargos por uso de los Sistemas de Transmisión Regional y Distribución Local [13]. Resolución CREG 070 de 1998: definen los criterios técnicos de calidad, confia- bilidad y seguridad del servicio de enerǵıa eléctrica; establece procedimientos para la planeación, operación y expansión de los Sistemas de Transmisión Regional (STR) y los Sistemas de Distribución Local (SDL), además de definir normas para el diseño y ejecución del plan de inversiones y conexiones al sistema, entre otros [12]. Resolución CREG 108 de 1997: señala los criterios generales sobre la protección de los derechos de los usuarios de los servicios públicos domiciliarios de enerǵıa eléctrica y gas combustible por red f́ısica, en relación con la facturación, comercialización y demás asuntos relativos a la relación entre la empresa y el usuario, y se dictan otras disposiciones [11] 2.3. Demanda de enerǵıa eléctrica La demanda de enerǵıa eléctrica se refiere a la cantidad de enerǵıa eléctrica que se requie- re en un sistema eléctrico en un momento espećıfico, esta tiene unidades generalmente de MWh. La predicción precisa de la demanda de enerǵıa eléctrica es crucial para la planifica- ción y operación efectiva del sistema eléctrico, ya que permite a los operadores del sistema programar la producción y distribución de enerǵıa eléctrica de manera adecuada esto con el fin de garantizar seguridad y fiabilidad del sistema eléctrico, al tiempo que se minimizan los costos y se maximiza la eficiencia de la operación del sistema [30]. La demanda de enerǵıa eléctrica está influenciada por una variedad de factores, como el clima, la población, la ac- tividad económica, la eficiencia energética y los hábitos de consumo de enerǵıa. En general, la demanda de enerǵıa eléctrica tiende a aumentar con el tiempo debido al crecimiento de la población y la actividad económica [22]. 2.4. Modelos de carga Los modelos de carga eléctrica son una representación matemática y anaĺıtica de los compo- nentes, dispositivos o equipos conectados a los nodos del sistema eléctrico, estos modelos son utilizados para determinar la demanda de estos elementos con el fin de obtener una relación entre la potencia activa y reactiva, tensión y frecuencia [36]. Los modelos de carga se pueden dividir en dos: 2.5 Flujo de carga 11 2.4.1.Modelo de carga estática Los modelos de carga estática se caracterizan porque con ellos se pueden obtener la potencia activa y reactiva en cualquier instante de tiempo mediante ecuaciones algebraicas dependien- tes de la tensión y frecuencia [36], estas cargas están representadas por elementos de carga resistiva e iluminación de tipo residencial. Los modelos mas comunes de carga estática son: Modelo de carga exponencial Modelo de potencia constante Modelo de corriente constante Modelo de carga de impedancia constante Modelo polinomial o ZIP 2.4.2. Modelo de carga dinámica El modelo de carga dinámica es aquel que busca la relación entre la potencia activa y reactiva con tensión y frecuencia de la carga por medio de las ecuaciones diferenciales. Algunos ejemplos de cargas dinámicas son los motores śıncronos y aśıncronos los cuales presentan alto consumo de potencia activa y reactiva, los equipos de calefacción e iluminación que presentan variaciones de tensión y frecuencia, los cuales vaŕıan con el tiempo [36]. 2.5. Flujo de carga El flujo de carga es un concepto fundamental en la teoŕıa de los sistemas eléctricos de poten- cia y se refiere a la dirección y magnitud de la enerǵıa eléctrica que fluye en una red eléctrica [19]. El flujo de carga puede ser visto como la cantidad de electricidad que fluye a través de las ĺıneas de transmisión, transformadores y otros componentes de una red eléctrica. En un sistema eléctrico, el flujo de carga se ve afectado por la generación de enerǵıa, la demanda de enerǵıa y las caracteŕısticas de los componentes de la red eléctrica, como las ĺıneas de transmisión y los transformadores [27]. El objetivo de la planificación y operación de una red eléctrica es asegurar que el flujo de carga sea estable y seguro. El flujo de carga se describe matemáticamente mediante ecuaciones de balance de enerǵıa que relacionan la generación, la demanda y el flujo de enerǵıa a través de los componentes de la red eléctrica. Los modelos de flujo de carga son utilizados para predecir el comportamiento de una red eléctrica bajo diferentes condiciones de generación y demanda de enerǵıa, lo que ayuda a los operadores de la red a tomar decisiones informadas sobre la operación y planificación de la red eléctrica [41]. En un sistema eléctrico de potencia, el flujo de carga 12 2 Marco Teórico se puede ver afectado por una variedad de factores, incluyendo las condiciones climáticas, la generación, la demanda de enerǵıa, la capacidad y la configuración de los componentes de la red eléctrica. Por lo tanto, el flujo de carga es un concepto clave para el análisis y la operación de la red eléctrica, y es esencial para garantizar que la enerǵıa eléctrica se entregue de manera segura, confiable y eficiente a los consumidores. 2.6. Método Montecarlo El método de Montecarlo es una técnica de simulación estad́ıstica utilizada para resolver problemas complejos en diversas áreas, como la f́ısica, la ingenieŕıa, la economı́a y las cien- cias sociales. La técnica debe su nombre al famoso casino de Montecarlo en Mónaco, donde se utilizó por primera vez para simular juegos de azar. El método de Montecarlo se basa en la generación de números aleatorios para simular eventos estocásticos y determinar la probabilidad de un resultado particular [17]. En general, la técnica implica la repetición de un experimento muchas veces, cada vez utilizando valores aleatorios para las variables de entrada, y el registro de los resultados. A medida que se realizan más experimentos, la pre- cisión de la estimación mejora. El método de Montecarlo se utiliza ampliamente en la simulación de sistemas complejos, como la dinámica molecular, la simulación de procesos estocásticos, el diseño de experimentos y la optimización de sistemas [38]. La aplicación del método de Montecarlo se puede dividir en tres pasos básicos: Generación de números aleatorios: se generan valores aleatorios para las variables de entrada, utilizando una distribución de probabilidad adecuada. Ejecución del modelo: se ejecuta el modelo utilizando los valores aleatorios ge- nerados en el paso anterior. El modelo puede ser una simulación f́ısica o un cálculo matemático. Análisis de los resultados: se analizan los resultados obtenidos y se utilizan para obtener estimaciones de las probabilidades de los resultados deseados. 2.7. Distribución de probabilidad La distribución de probabilidad es una herramienta estad́ıstica utilizada para describir la forma en que se distribuyen los valores de una variable aleatoria en un conjunto de datos o en un modelo matemático [39]. Es un concepto fundamental en estad́ıstica y probabilidad, y se utiliza para modelar y analizar una amplia variedad de fenómenos en diversas disciplinas [33]. 2.8 Metodoloǵıa Bootstrap 13 Existen varios tipos de distribuciones de probabilidad, que se utilizan según la naturaleza del fenómeno que se esté estudiando [21]. Una de las distribuciones de probabilidad más comunes es la distribución normal. 2.7.1. Distribución normal Es una distribución simétrica que se utiliza para modelar muchos fenómenos en la naturaleza, como las alturas de las personas o las puntuaciones de pruebas estandarizadas. Se caracteriza por su forma de campana y está completamente determinada por su media y su desviación estándar. 2.8. Metodoloǵıa Bootstrap La metodoloǵıa Bootstrap tiene sus bases en el muestreo aleatorio, donde las muestra alea- torias definidas por el conjunto de datos a los cuales se le va a realizar Bootstrapping son sucesivas e independientes una de otra. Aśı mismo, el método no necesita conocimiento pre- vio de la función de distribución [23] [28]. Esta metodoloǵıa consiste en generar B réplicas de tamaño n×m, el tamaño de estas depen- derá de la muestra a la cual se le realizará Bootstrapping, con los datos generados se podrán obtener la función de distribución de las medias de todas las muestras generadas. Las replica- ciones Bootstrap (B replicas n×m) son obtenidas parar calcular la función de frecuencias de las medias de cada una de las muestras B de una dimensión n×m. Una vez obtenida la fun- ción de frecuencias de las medias, será posible estimar el valor de la desviación t́ıpica [28] [31]. Las muestra obtenidas por método de Bootstrap se denominan estimaciones de Montecarlo [16]. 2.9. Máxima verosimilitud (MLE) La estimación por máxima verosimilitud es un método estad́ıstico para ajustar un modelo y estimar sus parámetros. El método escoge como valor estimado del parámetro aquél que tiene mayor probabilidad de ocurrir, siempre suponiendo que es correcto el modelo matemático postulado [32]. 3. Veh́ıculo Eléctrico En esta sección se presenta la metodoloǵıa de modelado probabiĺıstico de demanda individual y global para una o varias unidades de carga de veh́ıculos eléctricos. 3.1. Modelado de la demanda de carga global de veh́ıculos eléctricos 3.1.1. Modelo probabiĺıstico de una sola demanda de carga En esta sección se explica la metodoloǵıa para modelar la demanda de carga de un solo veh́ıculo eléctrico con base en el modelo probabiĺıstico propuesto en [2] y [29], para lo cual se considera entre otros factores la capacidad de bateŕıa, estado de operación y distancia diaria recorrida. El estado operativo de un VE se denota como kV E y se define como: kV E = EBat EEng + EBat (3-1) Donde, el parámetro EBat corresponde a la enerǵıa suministrada al veh́ıculo eléctrico por la bateŕıa y EEng es la enerǵıa total inyectada durante un tiempo determinado al veh́ıculo eléctrico. El parámetro kV E representa la entrada de enerǵıa total suministrada por la bateŕıa. Para el caso de kV E = 0 se correspondeŕıa con un veh́ıculo puramente eléctrico impulsado exclusi- vamente por la bateŕıa, de forma contraria si kV E ̸= 0 significaŕıa que es unveh́ıculo hibrido conformado por dos motores de distinta naturaleza, siendo uno de ellos eléctrico [2] [29]. Otro parámetro de un VE es la capacidad total de su bateŕıa CBat que esta estrechamente ligada con su estado operativo kV E, por lo que se puede suponer que kV E y CBat están correlacionados y modelados como una distribución normal bivariada [2] [29].[ kV E CBat ] = [ µkV E µCBat ] + L ∗ [ N1 N2 ] (3-2) Donde µkV E y µCBat son las medias de kV E y CBat respectivamente, L es la matriz de cova- rianza triangular inferior, donde se aplica el método de descomposición por Cholesky [2] [6] 3.1 Modelado de la demanda de carga global de veh́ıculos eléctricos 15 [29]. N1 y N2 son dos variables estándar independientes. La matriz de covarianza está dada por:∑ = [ σ2kV E ρ ∑ σkV EσCBat ρ ∑ σkV EσCBat σ 2 CBat ] (3-3) Donde ρ es el coeficiente de correlación, y µkV E , σkV E , µCBat y σCBat , corresponden a la media y desviación estándar de la distribución normal bivariada respectiva que describe a kV E y CBat. Estos parámetros están dados de la siguiente manera: µkV E = (MinkV E +MaxkV E) 2 (3-4) µCBat = (MinCBat +MaxCBat) 2 (3-5) σkV E = (MaxkV E −MinkV E) 4 (3-6) σCBat = (MaxCBat −MinCBat) 4 (3-7) Para el cálculo de los vectores normales (N1 , N2), se utiliza el método de Box-Muller el cual se enfoca en la generación de números aleatorios independientes con distribución normal estándar [2] [6] [29], por lo cual, N = (√ −2ln(U1) ) ∗ cos (2πU2) (3-8) Donde U1 y U2 son dos variables aleatorias independientes uniformemente distribuidas en un rango de (0, 1) [2] [6] [29]. El rendimiento de un VE se puede evaluar por su consumo de enerǵıa por milla recorrida Em, que se expresa aproximadamente en función de kV E [2] [29]. Em = AE ∗ (kV E)BE (3-9) Donde AE y BE son coeficientes constantes que dependen del tipo de VE [2] [29]. De acuerdo con las estad́ısticas del patrón de conducción de VE las millas recorridas tiende a seguir la distribución log-normal [29]. Md = e (µm+σmN) (3-10) 16 3 Veh́ıculo Eléctrico Donde N es una variable normal estándar. Los parámetros de distribución log-normal µm y σm se calculan a partir de la media y desviación estándar de Md, indicada como µMd y σMd respectivamente [2] [29]. µm = ln µ2Md√ µ2Md + σ 2 Md (3-11) σm = √ ln ( 1 + σ2Md µ2Md ) (3-12) Después de definir el consumo de enerǵıa por milla Em y el rango de recorrido diario Md, la enerǵıa de carga diaria de un VE, denotada como DE, se define de la siguiente manera [2] [29]: DE = { CBat Md ≥ ME Md ∗ Em Md < ME (3-13) Donde la constante ME es la distancia máxima de conducción de un VE [2] [29]. ME = CBat Em = CBat AE ∗ kV EBE (3-14) Por último, se considera la duración esperada de la carga como un parámetro que depende del tipo de carga (lenta, semi rápida, rápida), la capacidad de la bateŕıa CBat, aśı como las horas probabiĺıstica de llegada y salida. Para obtener la hora de llegada y la hora de salida, se utilizan las distribuciones gaussianas como la mejor estimación del comportamiento aleatorio [29]. Los tiempos probabiĺısticos de llegada y salida se determinan como:{ τar = µar + σar ∗RV1 τd = µd + σd ∗RV2 (3-15) Donde RV 1 y RV 2 representan dos variables aleatorias normalmente distribuidas, µar y σar muestran la media y la desviación estándar de τar según los datos históricos, µd y σd son la variación media y estándar de la hora de salida, respectivamente. Después de generar los tiempos de llegada y salida probabiĺısticos factibles [29]. La duración de carga probabiĺıstica de cada VE individual se puede calcular como: τdur = τd − τar (3-16) 3.1.2. Modelo probabiĺıstico de múltiples demandas de carga Para múltiples demandas de veh́ıculos eléctricos dentro de una, se puede emplear la teoŕıa de filas para describir el proceso de carga general. 3.1 Modelado de la demanda de carga global de veh́ıculos eléctricos 17 En una estación de carga de veh́ıculos eléctricos el modelo M/M/c de múltiples canales describe de manera adecuada el comportamiento de los clientes en cola para ser atendidos dentro de una electrolinera, donde la primera M denota el tiempo entre llegadas de los clien- tes siguiendo la distribución exponencial con media T lambda(Tλ > 0), la segunda M denota el tiempo de servicio de un cliente siguiendo la distribución exponencial con media Tµ(Tµ > 0) y por último, c denota el número máximo de clientes que se atienden al mismo tiempo, que para este caso correspondeŕıa al número de cargadores [29]. El tiempo de llegada y el tiempo de servicio siguen una distribución exponencial porque se supone que los veh́ıculos son independientes en su llegada y duración de carga. Por otro lado, se supone que el número de clientes que esperan en la estación de carga VE es infinito por simplicidad [29]. En términos de teoŕıa de filas, la cantidad de veh́ıculos que se cargan al mismo tiempo de acuerdo con el modelo de múltiples canales M/M/c sigue una distribución discreta, es decir: pn = (∑c−1 i=0 (cρ)i i! + (cρ) c c! ∗ 1 1−ρ )−1 n = 0 (cρ)n n! ∗ p0 n = 1, 2, 3, ......, c (3-17) Donde n es el número de cargadores en la electrolinera y ρ es la tasa de ocupación por servidor definida de la siguiente manera: ρ = Tµ cTλ (3-18) El el tiempo de servicio T para cargar un VE sigue una distribución exponencial con media Tµ, es decir: T = −Tµ ∗ ln(U) (3-19) Donde U es un variable uniformemente distribuida entre (0, 1). Dado que no es razonable que un VE se esté cargando por un tiempo muy corto, y el tiempo de carga también tiene un ĺımite superior debido a la capacidad de la bateŕıa o restricciones de servicio, T se trunca dentro de un cierto rango [Tmin, Tmax] [29]. Por lo tanto, T se convierte en: T = Tmin T ≤ Tmin Tµ ∗ ln(U) Tmin < T < Tmax Tmax T ≥ Tmax (3-20) La corriente de carga promedio de un VE se puede calcular de la siguiente manera: I = min { DE V ∗T , Imax } (3-21) 18 3 Veh́ıculo Eléctrico Donde Imax es la corriente carga máxima y V es la tensión de carga. Finalmente, para todos los n veh́ıculos eléctricos que se cargan en una estación de carga, su demanda total de carga es: P = n∑ i=1 V ∗ Ii (3-22) Donde Ii es la corriente de carga para todos los i veh́ıculos cargados en la estación. Los datos para modelar la demanda en la electrolinera se presentan en el Anexo A.1. 4. Flujo de carga considerando veh́ıculos eléctricos En esta sección se presenta la metodoloǵıa para el cálculo de la incertidumbre de la demanda de la estación de carga de veh́ıculos eléctricos y del flujo de carga de los escenarios de demanda. 4.1. Sistema de prueba Para el proyecto se tomó con referencia el sistema de potencia IEEE de 14 nodos desarro- llado por G.W. Stagg y A.H. El-Abiad en su libro Çomputer Methods in Power System Analysis”[40], los parámetros para su simulación se presentan en el Anexo A.2. Figura 4-1.: Diagrama del sistema IEEE de 14 nodos. [34] El sistema de prueba IEEE de 14 nodos utilizado en este proyecto corresponde a un modelo simplificado de una red eléctrica que permite el análisis de problemas relacionados con la generación, transmisión y distribución de enerǵıa eléctrica, además del análisis de flujo de 20 4 Flujo de carga considerando veh́ıculos eléctricos carga, corto circuito y estabilidad, esto con el fin de entender y evaluar el desempeño del sistema en diferentes condiciones. Este sistema está compuesto por 14 nodos, un nodo slack, cinco PV y ocho PQ, quince ĺıneas A-6, tres transformadores A-7 siendo uno de estos tridevanado, once cargas A-5 y cinco generadores A-8, como se evidencia en el diagrama de la figura 4-1. 4.1.1. Escenario Base Una vez se tiene el sistema IEEE de prueba, se realiza el respectivo flujo de carga con el software de simulación Matpower [46], el cual está basado en el método de solución Newton- Raphson. Esteutiliza una resolución numérica de un conjunto de ecuaciones matemáticas no lineales que describen el comportamiento de los elementos de la red eléctrica. El proceso de resolución del flujo de carga de Matpower se realiza en varias etapas. Primero, se lee el modelo de la red eléctrica, que incluye la información sobre las ĺıneas de transmisión, transformadores, generadores y cargas conectadas al sistema. A continuación, se establecen las condiciones iniciales para los voltajes y ángulos de fase en el sistema. Posteriormente se establecen las condiciones iniciales, Matpower utiliza el método de Newton-Raphson para resolver las ecuaciones de flujo de carga y determinar los voltajes, ángulos de fase y flujos de potencia en el sistema eléctrico. La solución del flujo de carga proporciona información valiosa sobre el estado del sistema, como la potencia de demanda de las cargas, aśı como la potencia despachada por cada generador, los flujos de potencia en las ĺıneas de transmisión y los voltajes en los nodos de la red, aśı como las pérdidas en ĺıneas y en el sistema en general. Finalmente obtenido los resultados de los flujos de carga, se procede a calcular la eficiencia y las pérdidas distribuidas del sistema, mediante el código de Matlab A.5 4.1.2. Escenarios de demanda considerando veh́ıculos eléctricos Una vez obtenido los valores de convergencia del flujo de carga del escenario base, se procede a repetir el mismo proceso pero ahora incluyendo la nueva demanda considerando los veh́ıculos eléctricos en cada uno de los nodos candidatos, es necesario indicar que cada flujo de carga será diferente ya que cada uno tendrá una demanda diferente y será en un nodo diferente cada vez, igualmente se calcula la eficiencia y las pérdidas distribuidas en el sistema para aśı posteriormente realizar el tratamiento de datos correspondiente. 4.2. Cálculo de la incertidumbre Para garantizar la fiabilidad de cualquier experimento e investigación se han desarrollado metodoloǵıas para que los resultados obtenidos sean repetibles y se ejecute un adecuado proceso, por lo cual este se encuentra acompañado del cálculo de incertidumbres, que para 4.2 Cálculo de la incertidumbre 21 efectos del presente proyecto se desarrollará con base en el método de Bootstrap, explicado en esta sección. 4.2.1. Método de Bootstrap Los datos obtenidos del flujo de carga para los escenarios de demanda, indicados por X0 N×m, representan el conjunto de datos de entrada con N = 200,000 muestras y m = 13 carac- teŕısticas de entrada o variables de interés. La idea del método es crear réplicas de iguales dimensiones que X0 que estén agrupadas en familias a las cuales se les calculará la máxima verosimilitud y posteriormente la incertidumbre. De esta manera la matriz de Bootstrap BNf×Nb , donde Nf = 20 familias y Nb = 200 Bootstraps. Para la Matriz de Bootstrap un elemento se define como Bij donde i = {1, · · · , Nf} y j = {1, · · · , Nb}. El elemento Bij = Xkl corresponde a una réplica de X0, donde k = {1, · · · , N} y l = {1, · · · ,m}, de igual forma una muestra de Xkl se representa como xk = [xk1, · · · , xkm]. Las caracteŕısticas de entrada xl corresponden a las mostradas en la tabla 4-1. Tabla 4-1.: Caracteŕısticas de entrada xl Caracteŕısticas de entrada Unidades x1 Demanda de la estación de carga de veh́ıculos eléctricos MW x2 Pérdidas de potencia activa del sistema ubicando la estación de carga en el nodo 9 MW x3 Eficiencia del sistema ubicando la estación de carga en el nodo 9 % x4 Pérdidas de potencia activa del sistema ubicando la estación de carga en el nodo 10 MW x5 Eficiencia del sistema ubicando la estación de carga en el nodo 10 % x6 Pérdidas de potencia activa del sistema ubicando la estación de carga en el nodo 11 MW x7 Eficiencia del sistema ubicando la estación de carga en el nodo 11 % x8 Pérdidas de potencia activa del sistema ubicando la estación de carga en el nodo 12 MW x9 Eficiencia del sistema ubicando la estación de carga en el nodo 12 % x10 Pérdidas de potencia activa del sistema ubicando la estación de carga en el nodo 13 MW x11 Eficiencia del sistema ubicando la estación de carga en el nodo 13 % x12 Pérdidas de potencia activa del sistema ubicando la estación de carga en el nodo 14 MW x13 Eficiencia del sistema ubicando la estación de carga en el nodo 14 % De cada familia i se calcula el estad́ıstico de interés θ̂∗i = S(x ∗ l ). A partir de una muestra de 22 4 Flujo de carga considerando veh́ıculos eléctricos valores de θ̂∗i se calcula la incertidumbre de cada caracteŕıstica de entrada xl. Conociendo que el perfil de demanda se ajusta a una función de densidad de probabilidad normal, los estad́ısticos calculados corresponden a la media µ y la desviación estándar σ. De esta manera se definen las matrices µil Nf×m y σil Nf×m correspondientes a las medias y desviaciones estándar de xl para todas las i familias. Para cuantificar la incertidumbre se definen los vectores fila µxl 1×m y σxl 1×m correspondientes a la media y desviación estándar de xl, calculadas a partir del elemento µ Nf×1 l de µil. La expresión matemática que representa una función de densidad de probabilidad normal es la siguiente: p(x|µ, σ) = 1√ 2πσ2 e −(x−µ)2 2σ2 para−∞ ≤ x ≤ ∞ (4-1) Esta función de densidad depende de dos parámetros, la media µ, y la desviación estándar σ. Si se conoce µ y σ de una variable X. Para lo anterior el método bootstrap se realiza mediante el siguiente algoritmo: Paso 1: Indexar la matriz X0 con los resultados del flujo de carga para los escenarios de demanda. Paso 2: Generar la matriz de Bootstrap BNf×Nb . Para la obtención de las réplicas Xkl se usará el método de Montecarlo debido a que se conoce la distribución de probabilidad de xl. De forma contraria de no conocerse la distribución de probabilidad se debe utilizar otros métodos como bootstrap paramétrico o bootstrap no paramétrico. Paso 3: Calcular µil Nf×m y σil Nf×m mediante MLE. Paso 4: Cuantificar la incertidumbre de xl calculando µxl 1×m y σxl 1×m para cada elemento µ Nf×1 l de µil. 5. Metodoloǵıa para la ubicación de estaciones de carga de los VE En esta sección se presenta la metodoloǵıa, que tiene por objeto ubicar estaciones de carga para veh́ıculos eléctricos en un sistema de potencia, de acuerdo con las pérdidas de poten- cia activa, esta metodoloǵıa se puede ver desarrollada paso a paso en el diagrama de flujo 5-1. La metodoloǵıa presentada a continuación esta soportada en los resultados obtenidos en la sección 6 y se basa en cada la teoŕıa, cálculos y análisis realizados en el presente documento. Esta metodoloǵıa puede ser empleada para cualquier sistema de potencia. 5.1. Descripción de la Metodoloǵıa Paso 1: Identificar la normativa correspondiente y vigente, las consideraciones técnicas necesarias para la inserción de estaciones de carga para los VE a la red. Paso 2: Seleccionar un sistema de potencia, del cual se posea información de demanda de cargas, tipos de nodos, impedancias de ĺınea, configuración y caracteŕısticas de generadores y transformadores. Paso 3: Obtener el estado actual de la red mediante flujo de carga. Los resultados obtenidos corresponden al escenario base. Paso 4: Considerar los nodos candidatos de acuerdo con el criterio de selección, estos nodos corresponden a los nodos PQ, es decir nodos de carga los cuales designan los escenarios de demanda. Paso 5: Modelar la demanda de los veh́ıculos eléctricos, según la sección 3.1. Paso 6: Obtener los resultados de convergencia de flujo de carga para cada uno de los escenarios propuestos. Los resultados obtenidos corresponden a los escenarios de demanda. Paso 7: Indexar la matriz X0 con los datos del perfil de carga, pérdidas y eficiencia de cada uno de los nodos candidatos. Paso 8: Cuantificar la incertidumbre, según la sección 4.2. Paso 9: Seleccionarel nodo idóneo de ubicación de la estación de carga para veh́ıculos eléctricos, con base en la eficiencia, pérdidas de potencia activa e incertidumbre de los datos simulados. 24 5 Metodoloǵıa para la ubicación de estaciones de carga de los VE Paso 10: Evaluar si el nodo idóneo seleccionado satisface las consideraciones técnicas de la normativa correspondiente y vigente. Figura 5-1.: Diagrama de flujo de la metodoloǵıa propuesta 6. Resultados de Simulación En esta sección se encuentran los resultados del modelo matemático presentado en secciones anteriores. Para la implementación de esta metodoloǵıa se utilizó como software de progra- mación Matlab y Matpower. 6.1. Caso Base para el sistema IEEE de 14 nodos Para conocer el estado operativo del sistema de potencia IEEE de 14 nodos al cual se le realizará el estudio en el presente documento, se corrió flujo de carga en Matpower para conocer las pérdidas de potencia activa y la eficiencia del sistema sin la inserción de veh́ıculos eléctricos. En la tabla 6-1 se presenta los resultados obtenidos. Tabla 6-1.: Flujo de carga para el escenario base Pérdidas de potencia activa del sistema [MW] Eficiencia del sistema [%] 13.3930 95.0843 6.2. Escenarios para el sistema IEEE de 14 nodos 6.2.1. Selección nodos candidatos (Escenarios de demanda) Los escenarios de demanda seleccionados corresponden a los nodos PQ del sistema de po- tencia en el nivel de tensión de 33 kV, es decir, los nodos 9, 10, 11, 12, 13 y 14. 6.2.2. Modelado probabiĺıstico de la demanda de los VE Siguiendo la metodoloǵıa de modelamiento de demanda probabiĺıstica presentada en la sec- ción 3.1 se generó un perfil de demanda para una estación de carga de 4,500 veh́ıculos eléctricos. Se consideró cinco escenarios de carga donde el primero corresponde a la no uti- lización de una unidad de carga (cargador sin veh́ıculo) y los cuatro restantes a diferentes tipos de veh́ıculos. Aśı mismo, se analizó el tiempo de carga, enerǵıa de la bateŕıa, estado operativo y trayecto recorrido por el veh́ıculo. Para la simulación de Montecarlo se realizaron 26 6 Resultados de Simulación 200,000 repeticiones. Los datos utilizados se encuentran en el Anexo A. En la figura 6-1 se observa las familias gaussianas del perfil de demanda de la estación de carga de veh́ıculos eléctricos que se puede expresar como N (86.0094, 2.7708× 10−2). Figura 6-1.: Familias gaussianas de la demanda para una estación de carga de veh́ıculos eléctricos con 4,500 cargadores (x1) 6.2.3. Flujo de carga de los escenarios de demanda propuestos De igual forma a como se realizó para el caso base, se realiza flujo de carga para los escenarios de demanda, los cuales corresponden a los nodos candidatos para la ubicación de la estación de carga de veh́ıculos eléctricos. De la figura 6-2 a la 6-7 se observa las distribuciones de probabilidad de las pérdidas de potencia activa y eficiencia del sistema. Estos resultados corresponden a los datos de entrada de indexación de X0. Flujo de carga ubicando la estación de carga en el nodo 9 Figura 6-2.: Distribución de probabilidad de (a) pérdidas de potencia activa (x2) y (b) eficiencia del sistema (x3) ubicando la estación de carga en el nodo 9 6.2 Escenarios para el sistema IEEE de 14 nodos 27 Flujo de carga ubicando la estación de carga en el nodo 10 Figura 6-3.: Distribución de probabilidad de (a) pérdidas de potencia activa (x4) y (b) eficiencia del sistema (x5) ubicando la estación de carga en el nodo 10 Flujo de carga ubicando la estación de carga en el nodo 11 Figura 6-4.: Distribución de probabilidad de (a) pérdidas de potencia activa (x6) y (b) eficiencia del sistema (x7) ubicando la estación de carga en el nodo 11 Flujo de carga ubicando la estación de carga en el nodo 12 Figura 6-5.: Distribución de probabilidad de (a) pérdidas de potencia activa (x8) y (b) eficiencia del sistema (x9) ubicando la estación de carga en el nodo 12 28 6 Resultados de Simulación Flujo de carga ubicando la estación de carga en el nodo 13 Figura 6-6.: Distribución de probabilidad de (a) pérdidas de potencia activa (x10) y (b) eficiencia del sistema (x11) ubicando la estación de carga en el nodo 13 Flujo de carga ubicando la estación de carga en el nodo 14 Figura 6-7.: Distribución de probabilidad de (a) pérdidas de potencia activa (x12) y (b) eficiencia del sistema (x13) ubicando la estación de carga en el nodo 14 En la tabla 6-2 se encuentra en la primera y segunda columna respectivamente la representa- ción gaussiana de las pérdidas de potencia activa y eficiencia del sistema para los escenarios de demanda observados de la figura 6-2 a la 6-7 y los cuales se pueden expresar como p(xl|µxl , σxl). Tabla 6-2.: PDF de los datos de entrada X0 Ubicación estación de carga p(xl|µxl , σxl) p(xl|µxl , σxl) Nodo 9 N (26.4656, 6.5553× 10−1) N (92.8759, 2.5570× 10−1) Nodo 10 N (28.6750, 7.3936× 10−1) N (92.3270, 3.0002× 10−1) Nodo 11 N (29.6590, 7.8695× 10−1) N (92.0847, 3.2533× 10−1) Nodo 12 N (35.2647, 9.7343× 10−1) N (90.7278, 4.1530× 10−1) Nodo 13 N (30.7649, 8.0699× 10−1) N (91.8137, 2.3362× 10−1) Nodo 14 N (37.0471, 1.0090) N (90.3047, 4.2993× 10−1) 6.2 Escenarios para el sistema IEEE de 14 nodos 29 A continuación, se analiza los resultados del flujo de carga obtenidos para los escenarios de demanda propuestos, esto con el fin de diferenciar los nodos con menores pérdidas de potencia activa y mayor eficiencia del sistema. Se observa que el nodo con menores pérdidas distribuidas de potencia activa es el 9 con µx2 seguido de los nodos 10, 11, 13, 12 y 14 respectivamente, igualmente ubicando la electrolinera en el nodo 9 se obtiene la mayor eficiencia con µx3 seguido de los nodos 10, 11, 13, 12 y 14; de acuerdo con esto, cuando se conecta en el sistema una estación de carga de veh́ıculos eléctricos de 4,500 cargadores, el nodo 9 debido a su robustez permite obtener en comparación con los otros escenarios de demanda pérdidas bajas y alta eficiencia, por el contrario el nodo 14 es todo lo contrario tiene mayores pérdidas distribuidas y menor eficiencia. 6.2.4. Cuantificación de la incertidumbre del flujo de carga de los escenarios de demanda propuestos Con los datos del flujo de carga para los escenarios de demanda se sigue el método de Boots- trap presentado en la sección 4.2 para X0. A continuación, de la figura 6-8 a la 6-13 se observan las familias gaussianas de las pérdidas de potencia activa y eficiencia del sistema de los nodos candidatos. De igual manera en los Anexos A.3 y A.6 se encuentra respectivamente los parámetros de las familias gaussianas y el código utilizado para realizar Bootstrapping en los datos previamente mencionados. Bootstrap para las pérdidas de potencia activa y eficiencia del sistema ubicando la estación de carga en el nodo 9 Figura 6-8.: Familias de (a) pérdidas de potencia activa (x2) y (b) eficiencia del sistema (x3) ubicando la estación de carga en el nodo 9 30 6 Resultados de Simulación Bootstrap para las pérdidas de potencia activa y eficiencia del sistema ubicando la estación de carga en el nodo 10 Figura 6-9.: Familias de (a) pérdidas de potencia activa (x4) y (b) eficiencia del sistema (x5) ubicando la estación de carga en el nodo 10 Bootstrap para las pérdidas de potencia activa y eficiencia del sistema ubicando la estación de carga en el nodo 11 Figura 6-10.: Familias de (a) pérdidas de potencia activa (x6) y (b) eficiencia del sistema (x7) ubicando la estación de carga en el nodo 11 Bootstrap para las pérdidas de potencia activa y eficiencia del sistema ubicando la estación de carga en el nodo 12 Figura 6-11.: Familias de (a) pérdidas de potencia activa (x8) y (b) eficiencia del sistema (x9) ubicando la estación de carga en el nodo 12 6.2 Escenarios para el sistema IEEE de 14 nodos 31 Bootstrap para las pérdidas de potencia activa y eficiencia del sistemaubicando la estación de carga en el nodo 13 Figura 6-12.: Familias de (a) pérdidas de potencia activa (x10) y (b) eficiencia del sistema (x11) ubicando la estación de carga en el nodo 13 Bootstrap para las pérdidas de potencia activa y eficiencia del sistema ubicando la estación de carga en el nodo 14 Figura 6-13.: Familias de (a) pérdidas de potencia activa (x12) y (b) eficiencia del sistema (x13) ubicando la estación de carga en el nodo 14 En la tabla 6-3 se encuentra en la primera y segunda columna respectivamente la represen- tación de las gaussianas de las pérdidas de potencia activa y eficiencia del sistema para los escenarios de demanda observados de la figura 6-8 a la 6-13 y los cuales se pueden expresar como p(xl|µxl , σxl). Tabla 6-3.: Incertidumbre de la matriz de Bootstrap B Ubicación estación de carga p(xl|µxl , σxl) p(xl|µxl , σxl) Nodo 9 N (26.4656, 1.2301× 10−2) N (92.8759, 4.7930× 10−3) Nodo 10 N (28.6751, 1.3885× 10−2) N (92.3270, 5.6282× 10−3) Nodo 11 N (29.6591, 1.4787× 10−2) N (92.0847, 6.1058× 10−3) Nodo 12 N (35.2648, 1.8315× 10−2) N (90.7278, 7.8021× 10−3) Nodo 13 N (30.7649, 1.5160× 10−2) N (91.8137, 6.2592× 10−3) Nodo 14 N (37.0471, 1.8997× 10−2) N (90.3047, 8.0831× 10−3) 32 6 Resultados de Simulación A continuación, se analiza los resultados del Bootstrap para el cálculo de la incertidumbre de los resultados del flujo de carga obtenidos para los escenarios de demanda propuestos en la sección 6.2.4, esto con el fin de cuantificar la dispersión de los datos para pérdidas de potencia activa y eficiencia del sistema. Se observa que el nodo con menor incertidumbre para pérdidas distribuidas de potencia activa es el 9 conN (26.4656, 1.2301×10−2) seguido de los nodos 10, 11, 13, 12 y 14 respectivamente, igualmente el nodo 9 tiene menor incertidumbre para el resultado de eficiencia del sistema con N (92.8759, 4.7930× 10−3) seguido de los nodos 10, 11, 13, 12 y 14; de acuerdo con esto, y aunque en la tabla 6-3 no se observan incertidumbres significativamente altas entre los resultados, el nodo 9 cuantifica menor incertidumbre para ambas caracteŕısticas de entrada, de igual forma presenta menores pérdidas de potencia activa y mayor eficiencia del sistema entre los escenarios de demanda propuestos. 6.2.5. Selección nodo idóneo Una de las propiedades de la distribución normal es que la Moda y Mediana son iguales a la Media, debido a su simetŕıa respecto a µ. De esta manera y conociendo que la Moda es el valor con más frecuencia dentro del conjunto de datos, este se utilizará para evaluar para ca- da escenario de demanda las pérdidas distribuidas de potencia activa y eficiencia del sistema. De acuerdo con los resultados presentados en la secciones anteriores se observa para los es- cenarios de demanda: Nodo 9, Ubicando la estación de carga de veh́ıculos eléctricos en este nodo, se observa que es el escenario con menores pérdidas distribuidas de potencia activa y mayor eficiencia del sis- tema; En efecto a que es el nodo más robusto entre los seis escenarios propuestos, lo anterior debido: primero a que tiene dos generadores cercanos en los nodos 2 y 3, cuya potencia fluye por ĺıneas de menor impedancia reduciendo aśı las pérdidas de potencia activa del sistema, segundo en el bus ocho se encuentra conectado al transformador tridevanado un compensa- dor śıncrono, que estabiliza la tensión, evitando corrientes de magnitudes altas por cáıdas de tensión. Por el contrario, respecto al escenario base se observa un incremento en las pérdidas de alrededor del 50%, lo cual se debe al aumento de la corriente en concordancia con el au- mento en la demanda del nodo por la presencia de la estación de carga, produciendo mayores pérdidas de potencia activa por efecto Joule. Aśı mismo, la eficiencia es menor respecto a la del escenario base, esto a razón del aumento en las pérdidas distribuidas de potencia activa. Nodo 10, Ubicando la estación de carga de veh́ıculos eléctricos en este nodo se presenta un escenario parecido al anterior; en este se observan pérdidas distribuidas de potencia activa un poco mayores, las cuales pueden ser debidas a la ĺınea entre los nodos 9 y 10 o a otro 6.2 Escenarios para el sistema IEEE de 14 nodos 33 trayecto que realice la potencia. Aśı mismo, la eficiencia del sistema respecto al escenario anterior es menor en concordancia al aumento en las pérdidas de potencia. Nodo 11, Este escenario corresponde al tercero con menores pérdidas distribuidas de po- tencia activa y mayor eficiencia en comparación al resto; presenta resultados cercanos a los dos escenarios anteriores, la diferencia se debe al trayecto en el que fluye la potencia hasta llegar al nodo, debido que la corriente aumenta en concordancia al aumentar la demanda; por consiguiente, las pérdidas de las ĺıneas por las cuales se transporta la potencia aumentan. La eficiencia observada para este escenario respecto al caso base es menor con relación al aumento en las pérdidas de potencia. Nodo 12, Este escenario corresponde al segundo con mayores pérdidas distribuidas de poten- cia activa y menor eficiencia; presenta resultados cercanos con el nodo 14, las altas pérdidas se deben al transporte de potencia hasta la electrolinera que puede tomar dos caminos di- ferentes, pasando por nodos cercanos con carga, generando altas corrientes, conllevando a pérdidas por efecto Joule en las ĺıneas hasta la estación de carga. Aśı mismo, la eficiencia presenta resultados conforme al aumento de las pérdidas de potencia activa, siendo menor respecto al escenario base. Nodo 13, Este escenario corresponde al tercero con mayores pérdidas distribuidas de potencia activa y menor eficiencia; lo cual se debe al transporte de potencia hasta la estación de carga que puede tomar tres caminos diferentes, pasando por nodos cercanos con carga, provocando altas corrientes, conllevando a pérdidas por efecto Joule en las ĺıneas hasta la electrolinera. La eficiencia observada para este escenario respecto al caso base es menor en concordancia al aumento en las pérdidas de potencia. Nodo 14, Ubicando la estación de carga de veh́ıculos eléctricos en este nodo se observa que es el escenario con mayores pérdidas distribuidas de potencia activa y menor eficiencia del siste- ma; lo cual se debe al flujo de potencia hacia la electrolinera que, acompañado por demandas de nodos con carga cercanos, provoca altas corrientes por ĺıneas de impedancia considerable. Aśı mismo, la eficiencia presenta resultados conforme al aumento de las pérdidas de potencia activa, siendo el escenario de menor eficiencia respecto al caso base. Se observa que ubicando la estación en el nodo 9 se presentan menores pérdidas distribuidas de potencia activa y mayor eficiencia del sistema entre los seis escenarios propuestos. Res- pecto con el caso base las pérdidas corresponden al doble pasando de 13.3930 MW a µx2 y la eficiencia de 95.0843% a µx3 . Por el contrario, el peor escenario correspondeŕıa a ubicar la electrolinera en el nodo 14 donde comparado con el escenario base las pérdidas distribuidas aumentaŕıan de 13.3930 MW a µx12 y la eficiencia disminuiŕıa de 95.0843% a µx13 . Aśı mis- mo, la incertidumbre de los datos es menor para el bus 9 que, para cualquier otro. Por lo cual 34 6 Resultados de Simulación el escenario idóneo de ubicación de la estación de carga correspondeŕıa al nodo 9, debido a que presenta las menores pérdidas de potencia activa y mayor eficiencia entre los escenarios de demanda propuestos, además de una menor incertidumbre de las variables estudiadas. 6.2.6. Verificación de la normativa para el nodo idóneo Conociendo que el bus 9 es el de menores pérdidas distribuidas de potencia activa se consi- deran las resoluciones CREG 025 de 1995, CREG 070 de 1998, CREG 082 de 2002 y CREG 108 de 1997, para validar la ubicación de la estación de carga en este nodo. Una de las
Compartir