Caracterizaci_n_de_Soluciones_para_Comunidades_en_Zonas_no_Interconectadas_al_Sistema_El_ctrico_en_Colombia

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.