Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Departamento de Ingeniería Eléctrica y electrónica Caracterización de Soluciones para Comunidades en Zonas no Interconectadas al Sistema Eléctrico en Colombia Proyecto de grado presentado como requisito parcial para optar al tı́tulo de Ingeniero eléctrico Marı́a Isabella Torres1 1Address of author1 Trabajo asesorado por Guillermo Andrés Jiménez Estévez Abstract Uno de los compromisos más relevantes del gobierno en temas energéticos es el de garantizar el acceso universal a la energı́a, un inmenso reto dada la gran dificultad para evaluar y hacer una planeación para la energización óptima de estas zonas. Más aún, en la actualidad se está enfrentando el desafı́o y necesidad de incorporar fuentes no convencionales de energı́a renovable al sistema eléctrico para disminuir la huella de carbono de los combustibles fósiles, donde destaca la energı́a solar y la eólica en aplicaciones como microrredes o sistemas aislados. En este proyecto se plantea un algoritmo de optimización desarrollado en ArcGIS Pro, que busca evaluar distintos escenarios para planear la energización de zonas no interconectadas en Colombia. En esta metodologı́a se incorporan tres posibles soluciones de electrificación: 1) la conexión por medio de la extensión de la red al Sistema Interconectado Nacional, 2) la implementación de microrredes, 3) el uso de Solar Home Systems. Se comparan cuatro clasificaciones distintas, que se hacen por medio de clusterización basada en densidad (DBSCAN) y K-means, evaluando la distancia al punto más cercano de conexión a la red, la cantidad y la densidad de viviendas por kilometro. Se aplica el algoritmo a un conjunto de casas en una zona rural en el norte del Caquetá en Colombia, donde se encuentra que la mejor solución es hı́brida y con una alta participación de microrredes. Palabras clave Universalización del servicio, diseño técnico-económico, optimización, microrredes, Solar Home Systems, clusterización, ArcGIS Pro. Departamento de Ingeniería Eléctrica y electrónica 1 Introducción Dentro de los retos que tiene que enfrentar todo país para progresar en su desarrollo, se encuentra el de garantizar el acceso universal al servicio de la energía. De acuerdo con los datos del Banco Mundial, para el 2019 un 10% de la población no tenía acceso a la electricidad [1] y para el año 2018 Colombia contaba con un Índice de Cobertura de Energía Eléctrica de 96,5%, lo que implica que aún existen 495.988 viviendas sin electricidad y se estima que se requiere una inversión de cerca de $ 7.4 billones para cubrir esta demanda [2]. Por tanto, el gobierno ha dedicado esfuerzos para cumplir con este objetivo, dentro de los implementados recientemente se encuentran planes y políticas públicas como el Plan Nacional de Desarrollo 2014 - 2018 – Todos por un Nuevo País (Ley 1753 de 2015) [3], el Decreto No. 884 de 2017 [4], y el Plan Nacional de Desarrollo 2018-2022 [5]. Más aún, se han desarrollado proyectos de financiamiento para la implementación de fuentes no convencionales de energías renovables, tales como los Proyectos FAZNI, los Planes de Energización Rural Sostenibles (PERS), el Fondos Fondo Nacional de Regalías (FNR) y Sistema General de Regalías (SGR), el Proyectos IPSE, el Programa Energía Limpia para Colombia, el Plan Fronteras para la Prosperidad (PFP) y el Plan Todos Somos PAZcifico [6]. Pero este proceso no sólo resulta dispendioso a nivel regulativo y normativo, sino también económico y técnico, ya que se estima que aproximadamente el 90% de estas viviendas no conectadas se ubican en zonas rurales de difícil acceso [2]. Esta dificultad representa un gran obstáculo para que los operadores de red y empresas de generación financien proyectos de electrificacción en las ZNI (Zonas No Interconectadas). Por esta razón, el Gobieno Nacional de Colombia también ha destinado fondos, como el FAER y FAZNI, y ha encargado entidades para asegurarse de que se lleven a cabo estos proyectos en el corto plazo. No obstante, determinar la mejor solución y garantizar su sostenibilidad en el tiempo es un desafío inmenso que requiere de grandes cantidades de información y análisis a detalle. Actualmente, se plantean tres posibles soluciones para energizar estas zonas: la conexión al Sistema Interconectado Nacional por medio de la extensión de la red, el despliegue de microrredes, el uso de soluciones aisladas por medio de solar home systems (SHS) y generadores diesel. Dentro de los parámetros usados convencionalmente para escoger entre estas soluciones se destaca la cantidad, densidad y el consumo de las viviendas de una zona y la distancia de cada carga del punto más cercano de conexión a la red. Y dado que recientemente ha crecido la necesidad y la urgencia de implementar energías renovables para cumplir con las metas de descarbonización [7], se ha buscado incluir estas tecnologías dentro de las microrredes y las soluciones aisladas. No obstante, con este abanico energético complica aún más el trabajo de planeación y selección de la solución, por lo que se han propuesto métodos de optimización [8] o herramientas computacionales de planeación y dimensionamiento de energías como HOMMER que faciliten su planteamiento. Adicionalmente, se resalta el planteamiento realizado por la UMPE en cada PIEC para la energización de zonas no conectadas, en la que evalúa los costo de implementar cada solución y propone un esquema de interconexión a nivel nacional con la correspondiente inversión requerida. Su metodología se explica a mayor detalle en siguientes secciones. Sin embargo, estos métodos pueden resultar muy complejos o de difícil manejo, por lo que en este trabajo se va a presentar un algoritmo de caracterización de soluciones para zonas no interconectadas al sistema eléctrico en Colombia. El algoritmo recibe los datos de las ubicaciones de viviendas a energizar y del punto de conexión al SIN más cercano. Luego, por medio de algoritmos de clusterización como K-means o Density Based Clustering (DBSCAN), se clasifica cada vivienda en una de estas tres soluciones dependiendo de su distancia al punto de conexión al SIN y de qué tan lejos esté de otras casas. Seguidamente, se dimensiona el sistema, se evalúan los costos para cada combinación de soluciones y se calculan indicadores económicos como LCOEa y ALCC . Finalmente, se compara cada escenario planteado y se analizan los resultados. El algoritmo se desarrolla en el software de geoprocesamiento ArcGIS Pro, que se apoya en python para el análisis geográfico. 2 Objetivos y planteamiento 2.1 Objetivos generales Proponer un algoritmo que use métodos de optimización heurístico como clusterización y árboles de expansión mínima, para hallar una la solución de electrificación óptima para las Zonas No Interconectadas, con un caso de aplicación en Colombia. 2.2 Objetivos especı́ficos • Recopilar la información de las cargas no conectadas con sus características de ubicación, perfil de demanda, recursos disponibles y desarrollo local. • Elegir e implementar algoritmos de optimización para hallar la mejor clasificación de las cargas dentro de las posibles soluciones. • Implementar un método de conexión óptima de una red. • Realizar un análisis técnico-económico para cada solución. • Validar el funcionamiento del algoritmo con un caso de viviendas aisladas no energizadas en Colombia. 2.3 Caracterización del problema y alcance En este trabajo se busca desarrollar el algoritmo de caracterización de cargas que aún no tienen acceso a la energía, contando con tres posibles soluciones: 1) conexión al Sistema Interconectado Nacional (SIN), 2) microrredes, 3) soluciones aisladas; usando la información de la ubicación de vivendas en el sur del Departamento de Ingeniería Eléctrica y electrónica Meta y el norte del Caquetá en Colombia. Las variables a considerar son: el tamaño de la carga, la distancia al punto más cercano al SIN (una subestación), la dispersión de las viviendas y los recursos naturales disponibles en el territorio. Se plantean distintos escenariosde clasificaciones de las cargas y se comparan. Más que buscar obtener una estimación exacta y a detalle de la solución, se busca implementar un algoritmo que permita obtener una visión general de las caracterizaciones de solución. 3 Estado del arte El problema de universalización del servicio no es nuevo, por lo que existen varios trabajos que brindan información del tema. Uno de los más destacados en este tema es el Plan Indicativo de Expansión de Cobertura (PIEC), en el que se estima el número de casas sin energía y se calcula la inversión necesaria para aumentar la cobertura. El PIEC de 2013-2017 indica que 96,1% de las viviendas en Colombia contaban con electricidad, y se esperaba alcanzar una cobertura del 97,45% para el 2017, interconectando 414.435 viviendas por medio de una inversión de $ 4.3 billones. Para la energización se porpuso la conexión a la red o el uso de generadores diesel como solución aislada [9]. Por otro lado, el PIEC de 2019- 2023 aparte de actualizar información, incluyó dentro de las soluciones el despliegue de microrredes. Cabe resaltar que la solución de expansión de la red solo representó el 9% de la energización, las microrredes representaron el 48% y las soluciones aisladas el 43%, con un aumento de la inversión a $ 7.41 billones para conectar 495.988 viviendas [2]. La metodología usada se puede observar en la figura 2, donde se toman en cuenta parámetros como nivel objetivo de acceso a la energía, la densidad de la poblacional, la distancia al punto de conexión a la red más cercano y la disponibilidad de recursos en el lugar. Primero, se evalua la necesidad energética y la disponibilidad de la infraestructura eléctrica para calcular los costos de la conexión a la red de las viviendas más cercanas a la red. Luego, para las agrupaciones de viviendas más alejadas con más de 25 casas, se estima el costo de implementar una microrred. Y por último, para el resto de las viviendas se determina el costo de implementar una solución OFF GRID. Esta metodología se presenta en la figura 2. Figure 1. Rediseño de metodología para escoger mejor alternativa de electrificación También se implementa una metodología similar en la herramienta de planeación óptima de electrificación Reference Electrification Model [10]. En esta se evalúa la viabilidad en la planeación incorporando microrredes y sistemas autónomos o aislados, además de la solución convencional de conexión por medio de extensión de red. El modelo computacional halla la solución con menor costo dada una población de cualquier tamaño, determinando la forma en que se debe conectar cada vivienda con especificaciones individuales a nivel técnico. Este método se aplica y prueba en comunidades en Africa y el sur de Asia. Volviendo a los trabajos realizados en Colombia, el Ministerio de Minas y Energía realizó el Plan Nacional de Electrificación Rural [11], en el que busca presentar un plan para universalizar el servicio de energía (en ZNI y SIN) y se contextualiza el estado actual económica, normativa, técnica y estratégicamente. Además, consolida e integra todos los planes y proyectos realizados en torno a este tema, y realiza un análisis extendido hasta el 2031. A su vez, en [12] se presenta el Plan de Energización Rural Sostenible, que propone la metodología del círculo virtuoso que consiste en la recolección y análisis de información en las zonas rurales para impulsar el desarrollo de la energización y su sostenibilidad durante 15 años. También en [13] se presenta un análisis de la implementación de microrredes, que se puede resumir en las etapas de: 1) recoleción de información (catastro), 2) construcción del perfil de demanda, 3) diseño del sistema y 4) ingeniería a detalle. Al final se aplica el diseño a una comunidad en Chile considerando generadores diesel, fotovoltaicos, de viento y baterías de plomo ácido. Por otro lado, en una propuesta de Colombia Inteligente [14] se presentan los resultados y las recomendaciones de una investigación colaborativa para determinar las características positivas de las microrredes. Dentro de los lineamientos usados para evaluar esta tecnología se encuentra: los recursos disponibles en la zona (velocidad del viento, potencial de generación solar y biomasa), su ubicación geográfica, la caracterización de la demanda y su relación con los modelos de negocio. En base a esos lineamientos se contruyen criterios de selección de alternativas de acuerdo con el costo de cada una. En cuanto al dimensionamiento de soluciones, se encontraron 3 referencias significativas. En la primera [15], se diseña y dimensiona una microrred y un SHS con energía solar por medio del método simplificado, luego se hace una comparación técnico-económica usando el costo anualizado de ciclo de vida (ALCC). Los otros dos trabajos fueron realizados en la Universidad de los Andes y se busca darle continuidad ambos. En [16] se comparó el método simplificado con el software HOMMER para el mismo caso del diseño de microrredes y SHS en zonas aisladas. Y por último, en [17] se plantean y comparan tres escenarios de conexión: greenfield, extensión de red y microrredes. Luego se hace una comparación técnico económica de las tres soluciones por medio de el costo de conexión por usuario, costo de inversión y el punto de equilibrio entre ambas soluciones. Departamento de Ingeniería Eléctrica y electrónica 4 Marco teórico Con el fin de contextualizar al lector, a continuación se definen los conceptos más relevantes para la comprensión del proyecto. 4.1 Clasificación y conexión: Principalmente, es necesario explicar los métodos usados para determinar la clasificación de cada vivienda en los distitos escenarios. La clusterización es un algoritmo de inteligencia artificial no supervisado, es decir, que trabaja con datos que no tienen una etiqueta que le facilite el aprendizaje de patrones, sino que el algoritmo encuentra patrones de acuerdo con parámetros internos y la estructura de los datos. Extisten muchos tipos de clusterización, pero en este proyecto se trabaja con K- means y la clusterización basada en densidad (DBSCAN). El algoritmo K-means busca agrupar datos D en k clusters C j , j = 1...k, donde cada cluster tiene un centro de masa llamado centroide. El objetivo de K-means es hallar los centroides c que minimicen la varianza interna del cluster, que se puede plantear como el problema de optimización: c∗ = ar gmin k ∑ j=1 nCj ∑ i=1 ||x i − c j || (1) Donde c j es el centroide del j-ésimo cluster, y la sumatoria es de las distancias euclidianas entre los vectores X y C [18]. Por otro lado, la clusterización DBSCAN, como su nombre lo indica, crea agrupaciones dependiendo de la densidad de los datos. Para calcular los clusters requiere de dos parámetros: epsilon y un mínimo de puntos. El epsilon es un radio o distancia que especifica el espacio de búsqueda de otros puntos alrrededor del punto que se está evaluando. El mínimo de puntos establece el tamaño mínimo del cluster, si dentro del rango del epsilon no se encuentra este mínimo de puntos, no se crea un cluster [19]. En este proyecto se trabaja con un epsilon de 1 kilómetro y en cada escenario se varía el número de puntos necesarios para formar un cluster. Por otro lado, después de realizar estas clasificaciones, para estimar los costos de las líneas de la red, se hallala form óptima de interconectar la soluxión en el caso de extensión de red y de microrred. Esto se realiza por medio del método del Árbol de expansión mínima (MST), que es un algoritmo que, dado un grafo G(N , E) con N vértices y E aristas, conectado, ponderado y no dirigido, busca el subgrafo T ⊆ G que tenga el mínimo peso, que recorra todos los nodos de G y que no tenga ciclos. Por consiguiente, si se supone un costo c(e) con e ∈ E, el problema se puede plantear como la minimización de [? ]: C(T ) = ∑ e∈T c(e) (2) El procedimiento es sencillo, primero se organizan todos las aristas de menor a mayor, de acuerdo a su costo c(e) asociado, y se comienza a unir el grafo con las aristas de menorcosto, siempre y cuando la arista no una nodos que ya están conectados. En la figura se puede ver el resultado de un grafo sencillo. Figure 2. Árbol de expansión Minima [20] Esta algoritmo será empleado para hallar la ruta más corta de conexión entre la subestación y las viviendas, en el caso de la extensión de red, o solo entre las viviendas, en el caso de mmicrorredes. 4.2 Otras definiciones • Microrred: es un sistema de generación centralizada, almacenamiento, y transporte de energía eléctrica que integra la generación con los consumidores, opera por un tiempo determinado y puede estar conectado o aislado de la red eléctrica [14]. Dentro de las ventajas de esta tecnología se resalta que generalmente usa energías renovables y son generadores a pequeña escala, lo que permite que se puedan conectar a la red con facilidad. Adicionalmente, presentan menores pérdidas y una mayor fiabilidad ya que suelen ubicarse cerca al punto de consumo [16]. • Solar Home Systems: es un sistema que se compone de módulos fotovoltaicos que cargan una batería para suministrar electricidad DC a viviendas o cargas pequeñas. También requieren un controlador de carga para controlar los ciclos de carga y descarga de la batería. Son considerados una alternativa a las soluciones aisladas que usan generadores diesel, con la ventaja de la reducción de las emisiones y bajos costos de operación y mantenimiento y la desventaja de altos costos de inversión [15]. • Costo anual equivalente: son todos los costos de todo el ciclo de vida del sistema puestos en valores anualizados, y usa el factor de recuperación CRF de capital para hallar este equivalente anualizado de cada equipo o costo i del sistema. Están dados por: CRFi = r(1+ r)n (1+ r)n − 1 (3) Donde r es la tasa de descuento del proyecto y n es su ciclo de vida. Y: ALCC = m ∑ i=0 C0iCRFi + CO&M (4) Departamento de Ingeniería Eléctrica y electrónica Donde m indica el número de elementos con costos de inversión y CO&M representa todos los costos de operación y mantenimiento anuales. • LCOE: el costo nivelado de la energía es un indicador económico que permite comparar distintas fuentes de generación de energía que poseen distintos parámetros de ciclo de vida, cantidad de potencia generada, costos, entre otros. Se puede entender como el valor mínimo al que puede venderse la energía para cubrir los costos del proyecto o el costo de cada unidad de energía producida. Se puede calcular por medio del método de descuento (se hallan todos los costos y se descuentan al valor presente) o el método anualizado (el valor presente se anualiza y se proyecta en su ciclo de vida). En este proyecto se manejará este segundo método, dado por [21]: LCOE = Coston($) Ener gian(kWh) (5) Donde Coston es el costo anual equivalente y Ener gian es la energía promedio anual de salida. Si consideramos el sistema fotovoltaico obtenemos que [15]: LCOEa = ALCC (Ppv ∗ Apv ∗ Irm ∗ 365) (6) Donde Pp v es la potencia de los paneles, Apv es el área superficial del panes, Irm es la irradiación media y 365 equivale a los días de un año. • Factor de diversidad: es la relación que existe entre la máxima demanda que puede alcanzar el sistema y la suma de las demandas máximas individuales. En otras palabras, la potencia máxima de todo un sistema no es igual a la suma de las potencias máximas individuales ya que estas no operan simultáneamente, hay diversidad de consumo. Este valor es siempre mayor a 1 [22]. • ArcGIS Pro: Es una herramienta computacional profesional GIS de Esri de procesamiento geográfico que permite visualizar, analizar y explorar información de mapas o escenas. Se escogió esta plataforma gracias a su gran variedad de herramientas de geoprocesamiento que optimizan el análisis de información y se puede visualizar el proceso. Adicionalmente, gracias a la alianza entre Esri y python, se cuenta con la librería arcpy y más herramientas que permiten automatizar procesos de análisis de información. Los objetos que se manejan en el programa se llaman features, ya sean puntos, polígonos o algún conjunto de datos geográficos. 5 Metodologı́a En la figura 4 se puede ver la metodología que sigue el algoritmo con cuatro módulos de procesamiento de datos: el de clusterización, el de estimación de los parámetros de las líneas, el de dimensionamiento de los sistemas y los costos y el de comparación de las distintas caracterizaciones. Figure 3. Diagrama de flujo del algoritmo Matemáticamente, el problema de optimización que se busca resolver es: minS � minRALCCR +minMRALCCMR +minSHSALCCSHS � (7) Donde S representa el conjunto de todas las posibles soluciones, R representa la solución con la red, MR con la microrred y SHS con el solar home system. 5.1 Supuestos Dada la amplitud del problema planteado, se consideran algunos supuestos con el fin de simplificar el desarrollo del proceso. Con respecto a la demanda, se presume la misma carga en todas las viviendas, con un consumo de 2kWh/día, tal como se presumen en el PIEC de 2019 para cargas porencima de los 1000 metros sobre el nivel del mar [2]. Para determinar la viabilidad de la conexión de las viviendas por extensión de red se plantea un radio de 15 kilómetros desde la subestación, las casas que se encuentran dentro de este rango son conectadas a la red, el resto son evaluadas entre microrred y solución aislada. Esta distancia se toma en base a la propesta de Colombia inteligente [14], que planeta una distancia máxima de 15 kilómetros. Adicionalmente, ya que el acceso a información del sistema eléctrico es limitado, para analizar los casos se supuso la ubicación de una subestación a menos de 15 kilómetros de distancia de las viviendas. Los equipos usados en cada solución son fijos, no se hacen variaciones de potencia o capacidad, pero entre soluciones estos valores si pueden cambiar ya que las eficiencias aumentan con la capacidad de los equipos. También se determina que en las microrredes es necesario usar inversores para la transmisión por la línea de distribución en AC, pero los SHS no cuenta con un inversor sino solo con un controlador de carga. Por otro lado, se calcula un promedio de la irradiación solar en Departamento de Ingeniería Eléctrica y electrónica la zona, con base en un promedio de la irradiación vista en la ubicación de cada vivienda de acuerdo al mapa de irradiación de SOLARGIS [23]. Este promedio se usa en el dimensionamiento de los paneles solares necesarios para cada escenario. 5.2 Módulo de agrupación de datos En este módulo se realiza la clasificación de cada una de las viviendas en alguna de las tres soluciones planteadas dependiendo de los parámetros de los métodos de clusterización explicados en el capítulo 4. Las variables de entrada son los puntos donde se ubica cada vivienda y el punto donde se encuentra la subestación en formato shape file, y las de salida son los puntos agrupados en las tres categorías. Se plantean 3 clusterizaciones distintas usando el método de DBSCAN, explicado en la sección 4. El parámetro de epsilon es de 1km en los tres casos, de acuerdo con lo recomendado en [14], y el parámetro de número mínimo se varía. Nuevamente, de acuerdo con el documento de Colombia Inteligente [14], una microrred se puede conformar de mínimo 10 casas y máximo 50. En cambio, en el PIEC de 2019 [2] se consideran microrredes solo por encima de 25 viviendas y no se establece un límite superior. También vale la pena considerar microrredes con mínimo 10 casos sin límite superior, lo que le da mayor libertad al algoritmo de hallar agrupaciones. Por lo tanto, se consideran los tres escenarios de microrredes: mínimo 10 casas, mínimo 25 casas y mínimo 10 casas y máximo 50. Los dos primeros escenarios se ejecutan con facilidad en ArcGIS usando DensityBasedClustering en arcpy, pero el primero, aparte de usar esta clusterización, pasa por una reclusterización para dividir los clusters con más de 50 viviendas de forma óptima. Ya que se desea dividir un conjunto de datos de entrada, se usa el algoritmo de K-meansaplicando SpatiallyConstrainedMultivariateClustering de arcpy. Posteriormente, se seleccionan todas las casas que se encuentran a una distancia igual o menor a 15 kilómetros de la subestación, y se les asigna la solución de conexión a la red. Finalmente, con los puntos restantes se evalua si pertenecen o no a un cluster. Si pertenecen a un cluster j se clasifican como microrred MR j , de lo contrario, se clasifica como solución aislada, en razón de que estos puntos no cumplieron con la dispersión mínima necesaria para conectarse. 5.3 Módulo de dimensionamiento de lineas Este módulo calcula la forma óptima de conectar las viviendas, tiene como datos de entrada los puntos de una agrupación y como datos de salida el número de viviendas conectadas y la distancia de la ruta óptima que las conecta. En el caso de extensión de red, ya que las distancias son mucho más extensas, se hace uso de la herramienta CostConnectivity de arcpy. Esta herramienta optimiza la conexión tomando como parámetros la distancia entre los puntos y un raster (que se puede entender como una imagen del mapa cuyos pixeles representan cierta información). Se toma un modelo digital de elevación (DEM) como raster, ya que en zonas aisladas de la red no siempre existen vías definidas u otras formas de plantear la ruta, por lo que se usa la pendiente de la zona para crear rutas más cercanas a la realidad. En el caso de las microrredes no se usa esta herramienta puesto que las distancias entre los puntos en una microrred no suelen ser tan grandes y el algoritmo tiene un costo computacional muy elevado. Por lo tanto, para conectar las microrredes se aplica el algoritmo Kruskal de MST a cada microrred, en el que las viviendas son los nodos y las distancias entre las viviendas son los pesos de los arcos que conectan esos nodos. Se calcula la distancia total como la suma de los costos de los arcos que conectan al grafo óptimo hallado. 5.4 Análisis técnico-económico En este modulo se hacen las estimaciones del dimensionamiento y costo de cada solución. Los datos de entrada cambian dependiendo de cada solución. En el caso de SHS únicamente se requiere el número de viviendas, en el de microrred se necesita un vector que contenga tuplas con el número de viviendas n j y la distancia de la red d j de cada microrred j, y en el de extensión de red se requiere la distancia y el número de casas conectadas con esa solución. Los datos de salida son los LCOE y ALCC de cada solución. A continuación se presenta la memoria de cálculo de cada solución. Como parámetros generales para las tres soluciones se tiene: • Irradiacion media diaria I r r (kWh/m2). • Días de autonomía D. • Profundidad de descarga para las baterías Pro f Descar ga. • Tasa de descuento del proyecto T d . • Vida útil del proyecto V Up. • Factor de diversidad Fdiv • Energía diaria que consume una vivienda Ed en (Wh/dia) y potencia pico Pp en (W ). • Vida útil de cada activo V Un y reemplazos necesarios. • Factor de recuperación de capital de los activos CRFn. 5.4.1 Extensión de la red Este submódulo requiere como entrada la información de: número de casas N , longitud de la red L en km, precio de la energia estrato 4 Pen $/kWh, precio de servicio de conexión y cableado por vivienda Psc, precio del poste de media tensión Pposte, el precio de los transformadores Pt ra f o y el voltaje de la red (Vred). La demanda diaria de toda la carga es El = Ed ∗ N . Departamento de Ingeniería Eléctrica y electrónica Para escoger el conductor a usar, se debe hallar la corriente máxima que fluye por cada una de las líneas, para lo que se hace una simplificación de sobredimensionamiento donde Imax = Pp ∗ N/( p 3Vred ∗ Fdiv). Luego se determina el diseño cónico óptimo [24] y se escoge el conductor más económico para la corriente hallada. Para calcular el número de postes necesarios, de acuerdo con [25], en zonas rurales la distancia máxima entre postes es de 90 metros, por lo que Npostes = L/0.09. Por otro lado, de acuerdo con [17] para hallar el costo de cimentación, cables de guarda, aisladores, estructuras de anclaje, suspensión y remate, se estima que su costo equivale al 45% del precio del suministro de las estructuras (postes y conductores). Ya que contamos con un sistema de media tensión, es necesario tener transformadores que reduzcan el nivel de voltaje del SIN a media tension y luego a baja tensión para ajustarlo al consumidor. De acuerdo con la Imax calculada y este voltaje del sistema, se halla la potencia máxima del transformador que se conecta al SIN: Pt ra f o−max = p 3 ∗ Vred ∗ Imax (8) Por otro lado, de acuerdo a criterios expertos, se considera prudente una potencia máxima para el transformador de media a baja tensión de 25kW, y ya que se conoce que la mínima potencia de un transformador es de 5kW [26], se conoce la máxima y la mínima demanda que se puede suplir por un transformador. Por otra parte, también se puede calcular la potencia pico de consumo de las casas, por medio de: Pmax−casa = Pp Fdiv (9) Por lo tanto, si se tiene la potencia del transformador y la potencia máxima por vivienda, se estima el máximo y el mínimo número de casas: Nmax = Pt ra f o Pmax (10) Luego, para determinar el número óptimo de transformadores se realiza una clusterización K-means con estos límites de casas máximos y mínimos por cluster. Después de obtener el número de transformadores, el costo de los tranformadores Ct ra f o se halla multiplicando este valor por su correspondiente precio Pt ra f o Cabe aclarar que con esto se busca una estimación y no un parámetro diseñado a detalle. De acuerdo on lo anterior, el costo de inversión se calcula siguiendo: Cinv = Cposte + Ccond + Ct ra f o + Cad + CSC (11) Cposte y Ccond son el costo del poste y el conductor, que se halla se multiplicando su respectiva cantidad por el precio unitario. Cad son las estructuras adicionales mencionadas anteriormente y CSC es el costo de los servicios de conexión que es el producto del número de casas por Psc. Luego este valor se multiplica por su CRF para obtener el valor anualizado de la inversión CAred . Adicionalmente, se estima que los costos de operación y mantenimiento CO&M son el 7.5% de toda la inversión inicial [24]. Otro costo del sistema es el monto que se paga por toda la energía requerida por la demanda anualmente, que equivale a: Cen = Pen ∗ N ∗ 365. Por tanto, el costo de la energía se suma al costo anual total y así se calculan los indicadores: ALCCred = CAred + CO&M−red + Cen (12) LCOEred = ALCCred 365 ∗ El (13) Donde se divide el valor de ALCCred entre la energía demandada por toda la carga en un año. 5.4.2 Microrred Se hace el diseño para cada microrred, donde se requiere del número de casas en esa microrred y la longirud de la linea que conecta las casas. También se requiere de los siguientes valores para el diseño de las microrredes: el voltaje de baja tensión VMR, el factor de diversidad Fdiv , el precio del poste de baja tensión Pposte−MR, la distancia mínima entre los postes (90 metros)dp, el voltaje Vb y la capacidad de la batería Capbat , la capacidad del inversor Capinv , la potencia del panel Ppv , el área del panel Apv , la eficiencia de la batería ηbat y del inversor ηinv , las pérdidas en el panel por mismatch perdm, temperatura perdT y polvo Perdp, el precio de la batería Prbat , el inversor Prinv , los paneles Prpv y la conexión del servicio PrSC . Luego, para cada microrred se hacen las siguientes estimaciones. Primero, al igual que con el dimensionamiendo de la extensión de red, se calcula el número de postes y la corriente máxima para hallar el conductor y su precio. Se halla la potencia pico y la energía de la microrred: W totalMR = Pp ∗ N Fdiv (14) EpMR = Ed ∗ N (15) Para el dimensionamiento de equipos de inversor, baterías y paneles se aplica [15]: NInv = W totalMR Capinv (16) BBMR = EpMR ∗ D ηbat ∗ηinv ∗ Vb ∗ Pro f Descar ga ∗ Fdiv (17) Nbat = BBMR Capbat Epv = EpMR ηbat ∗ηinv(1− Perdp)(1− PerdT )(1− Perdm) Npv = Epv Fdiv ∗ Apv ∗ I r r(18) Departamento de Ingeniería Eléctrica y electrónica El costo Cn de los equipos se halla multiplicando el número de unidades calculadas por el número de reemplazos que se requerirán a lo largo de la vida útil del proyecto por el precio de cada equipo. Para hallar los costos de la red de distribución, se calcula el costo de la línea Cl inea de los conductores y los postes al igual que en la extensión de red. También, se considera el costo de equipos adicionales Cad como la palomilla, la puesta tierra y la caja derivacion, y el costo por servicios de conexión CSC = PrSC ∗ N . Se obtiene el costo de la red CDN = Cl inea + Cad + CSC . Luego se halla el costo anualizado CA de los equipos y de la red multiplicando por su valor de CRF . Se considera que el costo de operación y mantenimiento del inversor equivale al 7% de su inversión [17]. Por lo tanto, los costos de operación y mantenimiento totales se calculan sumando los de la red, el inversor y los paneles. Finalmente, los indicadores se calculan: ALCCMR = CADN + CAinv + CApv + CAbat + CO&M (19) LCOEred = ALCCMR N ∗ Ed ∗ 365 (20) 5.4.3 Escenario de solución aislada Para el diseño de las soluciones aisladas se requiere conocer el número de casas que serán energizadas con esta solución, y otros valores de paneles y baterías que se ajusten mejor al tamaño de la carga. Más aún, no se incorpora un inversor pero se usa un controlador de carga MPPT para la batería. Para seleccionar este controlador solo es necesario seleccionar uno que se ajuste a la potencia, el voltaje y la corriente de salida máxima del arreglo de paneles. Se usan las mismas ecuaciones de dimensionamiento de los equipos para las microrredes, pero con N = 1 y Fdiv = 1. También se considera CADN = 0 dado que no se requiere una red para hacer ninguna connexión entre casas. Después de obtener ALCCSHS de cada vivienda, para obtener toda la inversión anual de la solución se multiplica este valor por N . 5.5 Comparación de escenarios Con base en la función a optimizar planteada al inicio del capítulo, se busca la solución en la que se minimice la suma de los costos anualizados del proyecto. Como caso base de comparación, se implementa un escenario en el que toda la demanda se conecta por medio de extensión de la red, ya que es uno de los métodos de energización tradicionales. Por lo tanto, después de obtener los indicadores financieros se suman los ALCC de las soluciones para cada escenario de caracterización y se comparan entre ellos. El escenario con menor costo se elige como la solución óptima. 6 Caso de estudio Para aplicar el algoritmo diseñado, se usan datos de ubicaciones de viviendas en zonas de Colombia en el Norte del Caquetá, muchas de ellas en zonas rurales aisladas. Se supone que ninguna de estas casas está energizada y se determina la ubicación de una subestación, que es el único punto de posible conexión a la red. Estos datos, junto con la ubicación de la subestacion, se presentan en la figura. Figure 4. Puntos base A continuación se presentan los parámetros usados y los resultados obtenidos en cada módulo. 6.1 Agrupación de datos Como se explicó previamente, se realizaron tres agrupaciones con restricciones distintas de límite máximo y mínimo de viviendas: I) Mínimo 10 y máximo 50 viviendas, II) Mínimo 10 viviendas, III) Mínimo 25 viviendas. En la figura 8 se presentan los resultados de la clusterización DBSCAN y K-means. De acuerdo con la metodología, después de hacer la clusterización se deben buscar las casas que se encuentran en un radio de 15 kilómetros de la subestación, con el fin formar el conjunto de soluciones de extensión de red (6b). Luego, los puntos que quedaron denttro de algún cluster se asignan a la solución de microrred (6c), y los restantes se clasifican como soluciones aisladas con Solar Home Systems (6d). En la figura 6 se presenta la clasificación de los datos del escenario III). El resultado de los otros escenarios se presenta en la siguiente tabla. Caso Extensión de red Microrred SHS Caso base 4377 NA NA Escenario I 1425 2672 con 92 microrredes 280 Escenario II 1697 2409 con 44 microrredes 271 Escanario III 1629 1812 con 24 microrredes 936 Table 1. Número de casas conectadas en cada escenario Departamento de Ingeniería Eléctrica y electrónica (a) Mín 10, Máx 50 (b) Min 10 viviendas (c) Min 25 viviendas Figure 5. Puntos (a) Datos y área de 15km (b) Extensión de red (c) Microrred (d) SHS Figure 6. clasificación en las soluciones 6.2 Resultados dimensionamiento de lineas Después de clasificar cada una de las casas en una solución, se debe construir una red para conectar las casas para las soluciones de microrred y de extensión de red. Como se mecionó en la sección 5.3, para hallar la ruta óptima se requiere de una función de costo que incluye las elevaciones, lo que se implementa en la práctica para conectar estas zonas remotas. El modelo digital de elevación (DEM) que se usó se presenta en la figura 7, junto con el resultado de la ruta óptima hallada para el caso base: Para el caso de las microrredes no se usó un DEM, ya que el costo para calcular la ruta para todas las posibles (a) Puntos con DEM (b) Ruta óptima Figure 7. Implementación de ruta óptima con MST para el caso base microrredes es muy alto. Además, ya que la distancia entre las casas es muy pequeña, la elevación no influencia considerablemente la ruta en la mayoría de los casos, en cambio, las distancias cortas sía afectan el algoritmo MST de ArcGIS Pro, tal como se muestra en la figura. Figure 8. Conexión ineficiente con ArcGIS Pro para las microrredes Los resultados de las redes para los tres escenarios se presentan a continuación. Caso Extensión de red (Km) Microrred (Km) Total (Km) Caso base 773,39 NA 773,39 Escenario I 220,51 234,35 454,86 Escenario II 255,21 219,99 475,20 Escenario III 233,73 131,15 364,88 Table 2. Distancia de red en cada solución 6.3 Dimensionamiento y costos Finalmente, de acuerdo a las longitudes y número de casas en cada escenario se procede a dimensionar y hacer las estimaciones económicas aplicando el método simplificado. Los datos de entrada de todo el sistema fueron: • Irr = 3.493 (KWh/m2) [23] • D = 2 días [2] • Pro f Descar ga = 0.7 • Td = 12% • Ed = 2000 (Wh/día) [2] Departamento de Ingeniería Eléctrica y electrónica Calibre Conductor (m2) Precio AT (MCOP$/Km) Precio MT (MCOP/Km) Corriente Máxima (A) 4 32 2.222 1.784 30 2 51 3.326 1.956 48 1/0 80 5.165 2.300 70 2/0 102 6.473 2.472 100 4/0 161 10.422 2.815 130 Table 3. Dimensiones y costos de conductores • Pp = 140 (W)[2] • V Up = 20 años • Fdiv = 2.3 [2] Adicionalmente, para el cálculo de los costos de las redes se consultaron los precios de conductores para media y alta tensión [26], y los rangos de corriente recomendados para cada calibre [24]. 6.3.1 Extensión de la red Para el submódulo de extensión de red se tuvieron en cuenta los parámetros: • Pen = 677 COP$/kWh [27] • PSC = 98.449 COP $ [27] • Pposte = 897.300 COP $ [26] • Vred = 13.2 kV Para calcular el precio de los transformadores primero se estimó que el mínimo número de casas que se pueden conectar a un transformador son 90 y el máximo son 478. Luego con ayuda de ArcGIS y arcpy para cada solución con extensión de red se realiza una clusterización k-means. En la figura 9 se presenta el resultado de la clusterización para el caso base. Figure 9. Clusterización para estimar número óptimo de transformadores En la tabla se presentan los resultados de las clusterizaciones para todos los escenarios: Seguidamente, con el número de casas conectadas a cada transformador se estima el tamaño necesario del transformador y su precio. Se consultó la lista de precios de la CREG 015 de 2018 [26]. Caso No de transformadores Prom casas por transformador Caso base 12 364 Escenario I 4 356 Escenario II 4 333 Escanario III 4 407 Table 4. Resultados de clusterización de transformadores 6.3.2 Microrredes Para el escenario de microrredes se usan baterías [28], paneles solares [29] e inversores [30] conlas especificaciones presentadas más adelante. Todos los parámetros usados en este submódulo son: • VMR = 220 • Prposte−MR = 758.300 COP $ [26] • Vb = 12 V • Capb = 200 Ah • Cappv = 385 W • Apv = 1.956*0.992 m2 • Capinv = 800 W • ηbat = 0.95 • ηinv = 0.9 • perdm, perdT , perdP =0.1 • Prpv = 565.212 COP $ • Prinv = 1.370.925,55 COP $ • Prbat = 1.395.000 COP $ • PrSC = 98.000 COP $ En la tabla 5 se presenta un promedio de los equipos usados en cada microrred. Caso Prom inversores Prom paneles Prom baterias Escenario I 3 36 16 Escenario II 5 67 30 Escenario III 6 92 41 Table 5. Promedio de equipos por microrred 6.3.3 Solución aislada Para el escenario de Solar Home Systems se usan baterías [28], paneles solares [29] y controladores de carga [31] con las especificaciones presentadas más adelante. Todos los parámetros usados en este submódulo son: • Vb = 12 V • Capb = 200 ah • Cappv = 385 W Departamento de Ingeniería Eléctrica y electrónica • Apv = 1.956*0.992 m2 • Capcc = 30 A • ηbat = 0.95 • ηcc = 0.98 • perdm, perdT , perdP =0.1 • Prpv = 565.212 COP $ • Prcc = 370.000 COP $ • Prbat = 1.395.000 COP $ Los resultados del dimsensionamiento se presentan en la tabla 6. No controladores No paneles No baterias 1 2 3 6.4 Comparación A continuación se presenta el resultado de los indicadores económmicos estimados en cada módulo y cada escenario. Como se puede observar en la tabla, la solución más viable técnico-económicamente es la presentada en escenario I. 7 Discusión De acuerdo a los resultados presentados en la sección anterior se puede evidenciar que el mejor escenario para energizar la zona en cuestión es el escenario I. En este escenario se integraron las tres soluciones implementando microrredes con un número de casas mínimo de 10 y máximo de 50, lo que indica que cuando se tienen microrredes más pequeñas, el costo de la implementación del sistema se reduce. Se puede deber a que en el proyecto no se manejan economías de escala y la longitud de la red es menor que en las microrredes más extensas. Después de la implementación del escenario I, la mejor solución es la conexión de todo el sistema a la red. Le sigue la implememntación con el escenario II que permitía microrredes de mínimo 10 casas pero sin límite superior, y por último se encuentra el escenario III que permitía formar microrredes por encima de 25 casas. Lo anterior implica que, puede resultar más eficiente tener más microrredes de menor tamaño, ya que implican una menor inversión en la red. Adicionalmente, se ve que ya Solución Caso base Esc. 1 Esc. 2 Esc. 3 Extensión Red 0,8251 0,7670 0,7548 0,7371 Microrred NA 1,2144 1,2246 1,1725 SHS NA 1,4085 1,4085 1,4085 Table 6. Indicador LCOE para cada escenario y solución Solución Caso base Esc. 1 Esc. 2 Esc. 3 Extensión Red 2.636,42 797,86 935,09 876,49 Microrred NA 1.688,18 1.521,70 1.099,01 SHS NA 375,71 363,63 1.255,95 ALCC Total 2.636,42 2.487,39 2.820,43 3.231,45 Table 7. ALCC para cada solución y escenario en MCOP($) que el LCOE de los SHS, sale más costoso producir energía usando esta solución y es recomendable aplicarlo al las viviendas más aisladas. Con respecto al comportamiento de las soluciones, se puede evidenciar que las microrredes y los SHS son bastante sensibles a costo de equipos como las baterías y los paneles. Por lo tanto, un punto positivo a resaltar recae en que, al estar en una etapa de madurez de las fuentes no convencionales de energía renovable como la solar, es de esperar que la eficiencia de estas tecnologías aumente y el costo se reduzca, y estas aplicaciones se vuelvan mucho más viables. En el caso de las soluciones con red, el precio y la cantidad de los postes usados afecta considerablemente el LCOE. Una posible explicación es que la estimación de estructuras adicionales y de costos de operación y mantenimiento son un porcentaje de este valor, lo que hace que el costo sea altamente dependiente de este factor. Adicionalmente, esta solución presenta un LCOE más bajo en todos los escenarios, y es aún menor en los casos con soluciones híbridas. Aparte de lo mencionado, se resalta que no hay mucha diferencia entre los precios de ALCC totales entre las soluciones, lo que implica que los costos y las tecnologías se están nivelando puesto que la solución con la extensión de red, que se suele aplicar con más frecuencia, presenta costos similares. Por otro lado, al igual que en [15], la implementación de las microrredes fue más viable técnico-económicamente que los SHS, ya que el LCOE de esta solución fue siempre menor a la que se obtuvo con los SHS. Posiblemente se puede explicar partiendo de que en un sistema aislado no se cuentan con beneficios como el factor de coincidencia, que reducen los sobrecostos por sobredimensionamiento. Analizando el uso de la plataforma de ArcGIS cabe enfatizar su fácil maniobrabilidad y la gran variedad de herramientas que optimizan y simplifican el análisis de grandes cantidades de información. También resulta de mucha ayuda su ambiente gráfico, ya que permite tener una visión más clara del desarrollo del proyecto. Adicionalmente, se pueden sistematizar procesos exportando estas herramientas a un ambiente de programación, particularmente a python con ayuda de la librería arcpy, lo que le da aún más potencial para manejar una inmensa variedad de aplicaciones. No obstante, una gran desventaja de este software es su alto costo computacional, especialmente cuando se manejan grandes cantidades de datos y procedimientos con inteligencia artificial. Otro obstáculo que presenta es que requiere de una licencia, lo que limita su alcance y el Departamento de Ingeniería Eléctrica y electrónica desarrollo de una comunidad que aporte constantemente a la aplicación en diversas áreas. Finalmente, ya que el problema planteado en este proyecto es bastante extenso, hay una gran cantidad de aspectos que se pueden mejorar o acercar más a aplicaciones reales. Primero, en el módulo de costos se pueden reducir las suposiciones con las que se trabajó, como en el caso de los costos de operación y mantenimiento o los costos adicionales de las líneas. También sería muy útil incluir el valor de las pérdidas en el sistema de distribución y hallar la corriente específica que fluye por cada tramo para optimizar los conductores a usar y su precio. En el caso de las microrredes y los SHS, se podría intentar variar la capacidad y potencia de los equipos usados para hallar las configuraciones óptimas. Dentro de los trabajos a futuro, a parte de mejorar los aspectos mencionados, se plantea la posibilidad de implementar otros métodos de inteligencia artificial o métodos evolutivos para evaluar más escenarios híbridos y acercarse a soluciones más viables. Puede resultar especialmente beneficioso aplicar algoritmos genéticos, ya que por la gran cantidad de variables, los escenarios son innumerables, por lo que estos algoritmos pueden encontrar muy buenas soluciones con un costo computacional mmoderado. También sería de gran utilidad incluir más energías en la microrred, para disminuir las dependencias de la energía solar del funcionamiento óptimo del sistema. 8 Conclusiones Las principales ideas a concluir son: • El algoritmo funciona de forma eficiente, evaluando distintos escenarios de forma automatizada y tomando en cuenta criterios técnicos y económicos para casos específicos. • En el caso aplicado, el mejor escenario fue el I, cuyas casas se clasificaron 35% en la solución de extensión de red, 61% de microrredes y 6.3% de SHS, ya que su ALCC fue el menor. • Respecto a los indicadores en cada solución, el LCOE de la extensión de red fue el menor en todos los escenarios y el de SHS fue el más elevado. El ALCC del escenario I fue el mejor, es decir, fue la combinación de soluciones óptima entre los tres escenarios evaluados. • Todas las soluciones son bastante sensibles a los costos de los equipos o las estructuras requeridas para la construcción del sistema. • ArcGIS Pro se destaca como un software excepcional para elanálisis geográfico y tiene herramientas de análisis y optimización que facilitan el desarrollo de grandes proyectos. • Se plantean varios aspectos a mejorar o profundizar para trabajos futuros, como el uso de más energías en las microrredes, la minuciosidad en el módulo de estimación de costos y la implementación de otros métodos de inteligencia artificial como los algoritmos genéticos. References [1] “Acceso a la electricidad (% de población).” https://datos.bancomundial.org/indicador/EG.ELC. ACCS.ZS. [2] “Plan indicativo de expansión de cobertura de energía eléctrica 2019 - 2023,” 2019. [3] “Plan nacional de desarrollo 2014- 2018 “todos por un nuevo país”.” https://colaboracion.dnp.gov.co/CDT/Normograma /Ley%201753%20de%202015.pdf, 2014. [4] “Decreto 884 del 26 de mayo de 2017.” http://es.presidencia.gov.co/normativa/normativa /DECRETO%20884%20DEL%2026%20DE%20MAYO %20DE%202017.pdf, 2017. [5] “Plan nacional de desarrollo 2018-2022.” https://colaboracion.dnp.gov.co/CDT/Prensa/ Resumen-PND2018-2022-final.pdf, 2018. [6] “Estado de la cobertura eléctrica de las zonas no interconectadas en la región central.” chrome-extension://efaidnbmnnnibpcajpcglc lefindmkaj/https://regioncentralrape.gov.co/wp- content/uploads/ 2020/04/ESTADO-DE-LA- COBERTURA-ELECTRICA-Y-LAS-ZONAS-NO- INTERCONECTADAS -EN-LA-REGIO%CC%81N- CENTRAL-3-1.pdf, 2020. [7] “Energy outlook,” 2020. [8] B. Akbas, A. S. Kocaman, D. Nock, and P. A. Trotter, “Rural electrification: An overview of optimization methods,” Renewable and Sustainable Energy Reviews, 2022. [9] A. Acosta, A. Cardona, and Cadena, “Plan indicativo de expansión de cobertura de energía eléctrica 2013 - 2017,” 2014. [10] P. Ciller, D. Ellman, C. Vergara, A. González-García, S. J. Lee, C. Drouin, M. Brusnahan, Y. Borofsky, and F. de Cuadra, “Optimal electrification planning incorporating on- and off-grid technologies: The reference electrification model (rem),” 2010. [11] “Plan nacional de electrificación rural - preliminar,” 2021. [12] J. A. Valencia, S. Lizette, and R. Leonel, “Guía para la elaboración de un plan de energización rural sostenible,” 2015. [13] K. Ubilla, G. A. Jiménez-Estévez, R. Hernádez, L. Reyes-Chamorro, C. H. Irigoyen, B. Severino, and R. Palma-Behnke, “Smart microgrids as a Departamento de Ingeniería Eléctrica y electrónica solution for rural electrification: Ensuring long- term sustainability through cadastre and business models,” IEEE Transactions on Sustainable Energy, 2014. [14] J. A. Zapata, A. Olarte, J. D. Molina, D. E. Sanchez, and L. F. Buitrago, “Microrredes sostenibles en zni: Lineamientos estrategicos,” 2019. [15] A. Chaurey and T.C.Kandpal, “A techno-economic comparison of rural electrification based on solar home systems and pv microgrids,” Energy Policy, 2010. [16] J. Torres, “Comparación técnico-económica entre propuestas de electrificación rural, microrred y solar home systems, en zonas aisladas en colombia,” 2019. [17] J. Garcia, “Propuesta de solución energética para las zonas rural en colombia,” 2019. [18] I.-D. Borlea, R.-E. Precupa, and A.-B. Borlea, “Improvement of k-means cluster quality by post processing resulted clusters,” Science Direct, 2022. [19] “Dbscan clustering — explained.” https://towardsdatascience.com/dbscan- clustering- explained-97556a2ad556, 2020. [20] “Minimum spanning tree.” https://en.wikipedia.org/wiki/Minimums panningt ree. [21] C. S. Lai and M. D. McCulloch, “Levelized cost of electricity for solar photovoltaic and electrical energy storage,” Applied Energy, 2017. [22] “Factor de diversidad.” https://illustrationprize.com/es/521-diversity- factor .html, publisher=illustrationprize. [23] “Mapas de recursos solares de colombia.” https://solargis.com/es/maps-and-gis- data/download/colombia, publisher=SOLARGIS. [24] G. J. Estévez, “Planificación de sistemas de distribución por medio de técnicas evolutivas,” 2010. [25] “Especificaciones generales para la construcción de líneas aéreas de distribución eléctrica 13.2 kv y 34.5 kv.” https://towardsdatascience.com/dbscan- clustering-explained-97556a2ad556, 2015. [26] “Resolución creg 015 de 2018.” http://apolo.creg.gov.co/publicac.nsf/1c09d18 d2d5ffb5b05256eee00709c02/65f1aaf1d57726a9 0525822900064dac/$file/creg015-2018.pdf, 2018. [27] “Tarifas de energía eléctrica.” https://www.enel.com.co/content/dam/enel- co/esp%C3%B1 ol/personas/1-17- 1/2022/tarifario-junio-2022.pdf, publisher=Enel. [28] “Baterías solares de gel 200ah para paneles solares agm.” https://ineldec.com/producto/baterias- solares-para-paneles-de -gel-200ah-agm/, publisher=INELDEC. [29] “Panel solar-gcl-gcl m6/72h- mono crystalline module 385w.” https://www.suncolombia.com/product/panel- solar-gcl-gcl-m6- 72h-mono-crystalline-module- 385w/, publisher=SUNCOLOMBIA. [30] “Inversor senoidal victron phoenix ve.direct 12v 800va schuko.” https://www.monsolar.com/inversor-victron- phoenix-ve-direct -800w-schuko.html, publisher=Monsolar. [31] “Controlador de carga regulador solar 30a mppt epever lcd.” https://articulo.mercadolibre.com.co/MCO- 813801348-controlado r-de-carga-regulador- solar-30a-mppt-epever-lcd-J M recoi tempos = 0recobackend = machinalis − sel ler − i temsrecobackendt ype = lowl evel recoc l ient = vip − sel leri tems − aboverecoid = 1d9dc151 − 5659−4334− b75b− f b056ce67bd9, publisher = MercadoLibre.
Compartir