Ubicación Óptima de Generación Distribuida

Informe Final Practica Académica
Modalidad Trabajo de Grado

Departamento de Ingeniería Eléctrica
UBICACIÓN ÓPTIMA DE GENERACIÓN DISTRBUIDA
Identificación del estudiante
Nombres y apellidos Daniel Camilo Londoño Tamayo

Documento de identidad 1128433264
Teléfono 216 94 52
Semestre académico 10
Fecha de entrega de la 11/04/2013
propuesta
E-mail danielcamilo-06@hotmail.com
Identificación del estudiante
Nombres y apellidos Eduar Alberto Montes Álvarez

Documento de identidad 1040033308
Teléfono 482 25 35
Semestre académico 8
Fecha de entrega de la 22/07/2013
propuesta
E-mail eeemontes@gmail.com
Identificación del asesor interno
Nombres y apellidos Jesús María López Lezama

Teléfono 2198557
Oficina 19-437
E-mail lezama@udea.edu.co
I. CONTENIDO
Identificación del asesor interno ................................................................................................... 1

I. CONTENIDO.................................................................................................................................. 2
II. LISTADO DE FIGURAS .................................................................................................................. 5
III. LISTADO DE TABLAS ................................................................................................................ 7
1. INTRODUCCIÓN. ............................................................................................................................. 1
2. OBJETIVOS........................................................................................................................................ 3
2.1. OBJETIVO GENERAL. ............................................................................................................... 3
2.2. OBJETIVO ESPECÍFICOS. ........................................................................................................ 3
3. ALCANCE. ........................................................................................................................................ 4
4. MARCO TEÓRICO. .......................................................................................................................... 5
4.1. GENERACIÓN DISTRIBUIDA. .................................................................................................. 5
4.1.1. DEFINICIÓN DE GD. ......................................................................................................... 6
4.1.2. JUSTIFICACIÓN DEL USO DE LA GD. ............................................................................ 6
4.1.3. CARACTERÍSTICAS DE LA GD. ....................................................................................... 7
4.1.4. CLASIFICACIÓN. .............................................................................................................. 7
4.1.5. BENEFICIOS DE LA GENERACIÓN DISTRIBUIDA. ..................................................... 12
4.1.6. DESVENTAJAS QUE PRESENTA EL USO DE LA GD. ................................................... 13
5. ESTADO DEL ARTE DE GENERACIÓN DISTRIBUIDA. .............................................................. 14
5.1. GENERACIÓN DISTRIBUIDA A NIVEL MUNDIAL. ............................................................. 14
5.1.1. POLÍTICAS Y MECANISMOS PARA IMPLEMENTACIÓN DE PROYECTOS CON
GD................................................................................................................................................. 15
5.1.2. GD EN DINAMARCA Y ALGUNOS PROYECTOS SOBRESALIENTES. ..................... 16
5.1.3. GD EN LATINOAMÉRICA. ............................................................................................. 22
5.2. GENERACIÓN DISTRIBUIDA EN COLOMBIA. ................................................................... 23
5.2.1. RECURSOS RENOVABLES DE COLOMBIA. ................................................................ 24
5.2.2. PANORAMA REGULATORIO Y MEDIDAS PARA LA IMPLEMENTACIÓN
CORRECTA DE GD EN EL PAÍS ................................................................................................ 29
5.2.3. CASOS DE ESTUDIO Y APLICACIONES DE GD EN EL SISTEMA ELÉCTRICO
COLOMBIANO. .......................................................................................................................... 33
6. OPTIMIZACIÓN COMBINATORIAL. ........................................................................................... 40
6.1. MÉTODOS EXACTOS. ............................................................................................................ 40
6.2. MÉTODOS DE PROGRAMACIÓN MATEMÁTICA LINEAL Y NO LINEAL. ..................... 40
6.3. MÉTODOS APROXIMADOS. ................................................................................................ 41
6.3.1. MÉTODOS HEURÍSTICOS. .............................................................................................. 41
6.3.2. MÉTODOS METAHEURÍSTICOS. .................................................................................... 42
6.3.3. MÉTODOS HÍBRIDOS. ..................................................................................................... 43
7. REVISIÓN DEL ESTADO DEL ARTE EN LOCALIZACIÓN Y DIMENSIONAMIENTO DE
GENERACIÓN DISTRIBUIDA............................................................................................................. 45
7.1. MÉTODOS ANALÍTICOS PARA UBICACIÓN Y/O DIMENSIONAMIENTO DE GD. ..... 45
7.2. MÉTODOS HEURÍSTICOS PARA UBICACIÓN Y/O DIMENSIONAMIENTO DE GD. .... 47
7.3. MÉTODOS METAHEURÍSTICOS PARA UBICACIÓN Y/O DIMENSIONAMIENTO DE
GD..................................................................................................................................................... 50
7.4. MÉTODOS HÍBRIDOS PARA UBICACIÓN Y/O DIMENSIONAMIENTO DE GD. .......... 53
7.5. MÉTODOS BASADOS EN PROGRAMACIÓN MATEMÁTICA PARA UBICACIÓN Y/O
DIMENSIONAMIENTO DE GD. ..................................................................................................... 55
8. ÍNDICES TÉCNICOS PARA CUANTIFICAR EL IMPACTO DE LA GD. .................................... 60
8.1. INDICES PARA VALORAR EL IMPACTO DE LA UBICACIÓN Y CAPACIDAD DE LA
GD..................................................................................................................................................... 60
8.1.1. Índice de mejora de perfil de voltaje. .................................................................... 60
8.1.2. Índice de reducción de pérdidas en las líneas de distribución. .................... 62
8.1.3. Índice de reducción de emisiones.......................................................................... 62
8.1.4. Índice global de beneficios....................................................................................... 64
8.2. PRUEBAS Y RESULTADOS. ..................................................................................................... 65
8.2.1. Consideraciones para las tecnologías de GD. .................................................... 66
8.2.2. CASO A: 6 unidades de GD, de la misma tecnología, ubicadas en
diferentes nodos. ...................................................................................................................... 69
8.2.3. CASO B: Índices para 6 generadores de la misma tecnología en cada una
de las estaciones del año. .................................................................................................... 72
8.2.4. CASO C: Combinaciones de generadores eólicos y solares. ......................... 75
8.2.5. CASO D: Comparación de generadores distribuidos con respecto a un solo
generador centralizado. ........................................................................................................ 77
8.2.6. Variación del índice de pérdidas respecto a la capacidad de la GD. ....... 80
9. METAHEURÍSTICAS ADOPTADAS PARA LOCALIZAR GD. ..................................................... 82
9.1. RECOCIDO SIMULADO (RS). ............................................................................................... 82
9.1.1. MECANISMOS DE ENFRIAMIENTO PARA UN RS. ..................................................... 83
9.1.2. ETAPAS DEL FUNCIONAMIENTO DE UN RS. .............................................................. 84
9.1.3. APLICACIONES DE RS. .................................................................................................. 85
9.2. BÚSQUEDA LOCAL ITERATIVA. (ILS) .................................................................................. 86
9.2.1. PARÁMETROS DE UN ILS. .............................................................................................. 87
9.2.2. ETAPAS DE FUNCIONAMIENTO DE UN ILS. ............................................................... 88
9.2.3. APLICACIONES DE ILS. .................................................................................................. 89
9.3. ALGORITMO GENÉTICO (AG). ........................................................................................... 90
9.3.1. PARÁMETROS DE UN AG. ............................................................................................. 90
9.3.2. ETAPAS DE FUNCIONAMIENTO DE UN AG. .................................................................. 90
9.3.7. CARACTERÍSTICAS DE UN AG. .................................................................................... 96
9.3.8. CRITERIOS PARA AG...................................................................................................... 96
10. RESULTADOS OBTENIDOS CON LAS METODOLOGÍAS IMPLEMENTADAS ...................... 98
10.1. RESULTADOS DE RS.............................................................................................................. 99
10.2. RESULTADOS DE ILS. .......................................................................................................... 102
10.3. RESULTADOS DE AG. ......................................................................................................... 104
10.4. COMPARACIÓN DE LAS TRES METODOLOGÍAS. ....................................................... 106
11. CONCLUSIONES ........................................................................................................................ 111
12. BIBLIOGRAFÍA............................................................................................................................ 112
II. LISTADO DE FIGURAS
Figura 1. Ejemplo de integración de GD a un sistema de distribución. .......................... 5

Figura 2. Incremento de generación de energía con fuentes alternativas 2000-2009.
............................................................................................................................................................... 14
Figura 3. Incremento de generación de energía con fuentes alternativas 2000-2009.
............................................................................................................................................................... 14
Figura 4. Porcentaje de GD de diferentes países dentro de su producción de
energía. ............................................................................................................................................... 17
Figura 5. Producción de electricidad mediante CHP en los países Europeos. ............. 19
Figura 6. Producción de electricidad mediante turbinas de viento en los países
Europeos. ............................................................................................................................................ 19
Figura 7. GD en la isla de Bornholm............................................................................................ 21
Figura 8. Generación de energía en México por tecnología. ........................................... 22
Figura 9. Fuentes de generación de energía en Chile. ........................................................ 23
Figura 10. Proyectos de GD con PCH’s mayores de 10MW alrededor de todo el país.
............................................................................................................................................................... 33
Figura 11. Proyectos de GD con plantas menores de 10MW. ............................................ 33
Figura 12. Sistema piloto implementado. ................................................................................. 37
Figura 13. Evaluación económica de GD en Yacopí. .......................................................... 38
Figura 14. Evaluación económica de GD en Nimaima. ...................................................... 38
Figura 15. Número y tipo de publicaciones relacionadas con la localización y
dimensionamiento óptimo de GD en la última década. .................................................... 59
Figura 16. Sistema de prueba de 34 barras. ............................................................................ 65
Figura 17. Distribución de la demanda en la red de 34 barras.......................................... 66
Figura 18. Curvas de demanda anual [14]. ............................................................................ 66
Figura 19. Curvas de generación eólica para las diferentes estaciones del año. ....... 67
Figura 20. Curvas de generación solar para las diferentes estaciones del año. .......... 67
Figura 21. Índice de mejora de perfil de voltaje. ................................................................... 70
Figura 22. Índice de reducción de pérdidas. .......................................................................... 70
Figura 23. Índice de reducción de emisiones. ........................................................................ 70
Figura 24. Índice de beneficio global de GD. ......................................................................... 71
Figura 37. Curvas para el índice de reducción de pérdida. .............................................. 81
Figura 38. Algoritmo básico de un recocido simulado......................................................... 86
Figura 39. Selección de mecanismo de perturbación. ........................................................ 87
Figura 40. Algoritmo básico de un ILS. ....................................................................................... 89
Figura 41. Algoritmo básico de un AG. ..................................................................................... 92
Figura 42. Ejemplo de cruce sencillo.......................................................................................... 94
Figura 43. Ejemplo de cruce doble punto................................................................................ 95
Figura 44. BI Vs Iteraciones. ......................................................................................................... 102
Figura 45. Mejor índice de beneficio global (BI) Vs Iteraciones. ...................................... 103
Figura 46. BI Vs Iteraciones. ......................................................................................................... 105
Figura 47. Clasificación de los resultados finales de las 13 pruebas, para el índice de
beneficio global (BI). ..................................................................................................................... 106
Figura 48. Clasificación de los Mejores resultados de las 13 pruebas, para el índice
de beneficio global (BI). .............................................................................................................. 106
de reducción de emisiones contaminantes (EIRI). .............................................................. 107
de perfil de voltaje (VPII). ............................................................................................................ 107
de reducción de pérdidas eléctricas (LLRI). .......................................................................... 108
Figura 52.Desviación entre la mejor y la peor solución explorada, de las
metodologías implementadas. ................................................................................................. 109
III. LISTADO DE TABLAS
Tabla 1. Capacidad de diferentes tecnologías de GD. ...................................................... 12

Tabla 2. Medidas para implementación efectiva de GD a nivel mundial. .................... 18
Tabla 3. Potencial eólico en Colombia. .................................................................................... 25
Tabla 4. Potencial solar en Colombia. ....................................................................................... 26
Tabla 5. Capacidad instalada de PCH´s en Colombia. ...................................................... 27
Tabla 6. Aplicaciones y capacidad instalada de fuentes solares, eólicas e hidráulicas
en Colombia. Tomado de ............................................................................................................. 27
Tabla 7. Aplicaciones y capacidad instalada de fuentes de geotérmicas, y de
biomasa en Colombia. .................................................................................................................. 28
Tabla 8. Datos técnicos de las PCH’s. ........................................................................................ 37
Tabla 9. Componentes y características deseables de un algoritmo metaheurístico 44
Tabla 10. Aspectos considerados en la ubicación y/o dimensionamiento de GD
(métodos analíticos). ...................................................................................................................... 47
(métodos heurísticos). ..................................................................................................................... 49
(métodos metaheurísticos). .......................................................................................................... 53
Tabla 13. Variables de estudio de los artículos mencionados para métodos híbridos.
............................................................................................................................................................... 56
Tabla 14. Variables de estudio de los artículos mencionados para métodos de
programación matemática. ........................................................................................................ 58
Tabla 15. Resumen de artículos publicados en cada una de las metodologías
consideradas para ubicación y dimensionamiento de GD. .............................................. 59
Tabla 16. Emisiones contaminantes de generación convencional. ................................. 68
Tabla 17. Nodos seleccionados para cada configuración. ............................................... 69
Tabla 18. Valoración cualitativa de las tecnologías. ............................................................ 72
Tabla 19. Estaciones que mejores resultados registran para los índices.......................... 74
Tabla 20. Analogía entre simulación termodinámica y optimización combinatorial. 83
Tabla 21. Parámetros a configurar en un RS. ........................................................................... 83
Tabla 22. Pruebas realizadas con cada metodología metaheurística. ......................... 99
Tabla 23. Parámetros de configuración del RS. ..................................................................... 99
Tabla 24. Valores de los índices para pruebas realizadas con RS. .................................. 100
Tabla 25. Tiempos de computo empleados por RS para cada una de las pruebas. 101
Tabla 26. Valores de los índices para las pruebas realizadas con ILS. ........................... 102
Tabla 27. Tiempos de computo empleados por ILS para cada una de las pruebas. 103
Tabla 28. Valores de los índices para las pruebas realizadas con ILS. ........................... 104
Tabla 29. Tiempos de computo empleados por ILS para cada una de las pruebas. 105
Tabla 30. Clasificación de las metodologías según sus resultados. ................................ 110
1. INTRODUCCIÓN.
El auge de la industria eléctrica inició en los Estados Unidos, cuando en

1880 Thomas Alva Edison desarrolló la bombilla eléctrica incandescente,
abriendo las puertas a la era moderna de la iluminación. En paralelo con
este avance, se desarrollaron plantas eléctricas de baja capacidad,
descentralizadas y aisladas (Generación distribuida), las cuales generaban
energía a través de gas, carbón, procesos de cogeneración, recursos
hídricos, entre otros., para pequeñas regiones geográficas y cerca de los
centros de consumo. En muchas ocasiones estas plantas manejaban
frecuencias y voltajes diferentes, lo que generaba inconvenientes en la
interconexión de varios sistemas. Estas plantas eran operadas por diferentes
firmas privadas y existía una fuerte participación de diversas industrias. Para
1929 las firmas participantes fueron dominadas por unas pocas compañías
mediante métodos estandarizados de producción de electricidad, ventas,
“marketing”, estructuras comunes de organización y agencias protectoras
del gobierno, lo cual se convirtió en un “monopolio natural o esquema
centralizado” [1].
La figura de “monopolio natural” se vio favorecida con:
 El desarrollo de la transmisión de energía en corriente alterna,

adoptada como la forma más económica de transportar energía a
grandes distancias.
 El crecimiento acelerado de la demanda de energía.
 La necesidad de suministro eléctrico confiable.

Como consecuencia, se realizaron grandes inversiones en proyectos de
generación a gran escala, centralizados y alejados de los centros de
consumo (Centrales hidroeléctricas, termoeléctricas, nucleares, entre otras)
demandando la construcción e interconexión de grandes redes de
transmisión [2], lo que conllevó a que el uso de plantas de generación
distribuida disminuyera fuertemente.
1
A pesar de que el esquema centralizado fue la solución al abastecimiento
de energía, ha afrontado varias crisis, como en la década de 1970,
donde se presentó desaceleración en la productividad de las economías
de escala, disminución en innovación tecnológica, aumento desmesurado
del precio de los combustibles fósiles en los periodos 1974-1975 y 1979-1980,
y una estricta regulación ambiental para plantas de generación de
energía. Estas crisis han obligado a modificar la regulación eléctrica con el
objetivo de lograr procesos más eficientes y limpios, desarrollar nuevas
tecnologías en las diferentes etapas de la cadena de energía y mejorar
los precios ofertados al consumidor, entre otras políticas [3].
Actualmente se está retomando el modelo de generación distribuida con

la implementación de nuevas tecnologías de generación (solar, eólica,
biomasa, entre otras), como alternativa complementaria para afrontar las
dificultades actuales del esquema eléctrico centralizado relacionadas con
el continuo crecimiento de la demanda de energía, las restricciones en
proyectos de generación, transmisión y distribución, las políticas
ambientales asociadas con el cambio climático y la liberalización del
mercado [4].
Los beneficios que se pueden obtener al integrar generación distribuida,

en esquemas centralizados, dependen de la ubicación y capacidad de la
misma, así como de la topología de los sistemas de potencia. Lo anterior
plantea problemas de optimización combinatorial, dadas todas las
posibles formas de conexión. Para resolver este tipo de problemas, no
siempre existe una metodología exacta, por lo que en muchas ocasiones
se deben emplear y desarrollar métodos aproximados, por ejemplo
métodos heurísticos y metaheurísticos [5], que permiten obtener soluciones
de buena calidad.
En el presente trabajo se muestran los beneficios y propiedades de la

generación distribuida, así como su aplicación a nivel mundial y en
Colombia. Adicionalmente se brinda una revisión bibliográfica y una
sensibilización técnica en localización y dimensionamiento. Posteriormente
mediante la empleo de los índices propuestos en la sensibilización, se
desarrollan tres metodologías metaheurísticas que tienen como objetivo
ubicar diferentes tipos de generadores distribuidos de una forma óptima.
2
2. OBJETIVOS.
2.1. OBJETIVO GENERAL.
 Implementar y validar dos técnicas metaheurísticas diferentes, para

la ubicación óptima de generación distribuida.
2.2. OBJETIVO ESPECÍFICOS.
 Contextualizar la generación distribuida en Colombia dentro de un

marco internacional.
 Realizar una revisión bibliográfica que permita identificar el estado

del arte en ubicación y dimensionamiento óptimos de generación
distribuida.
 Adoptar y validar diferentes índices que permitan cuantificar el

impacto de la generación distribuida en sistemas de potencia.
 Implementar dos métodos Meta heurísticos para la ubicación óptima

de generación distribuida en sistemas de potencia.
 Comparar los resultados de los métodos implementados y

documentar el trabajo realizado.
3
3. ALCANCE.
 Realizar un estudio de sensibilización de diferentes índices técnicos

que permitan cuantificar el impacto de la generación distribuida en
sistemas de potencia.
 Adoptar dos metodologías metaheurísticas que consideren una

demanda variable con las estaciones del año y que localicen
óptimamente las siguientes tecnologías de generación:
- Eólica.
- Solar.
- Biomasa.
- Convencional.
4
4. MARCO TEÓRICO.
4.1. GENERACIÓN DISTRIBUIDA.
En la actualidad la generación de energía eléctrica a nivel mundial, se

caracteriza por ser centralizada, vertical, unidireccional, rígida,
dependiente de las fuentes convencionales de energía a gran escala
(Fuentes hídricas, térmicas, nucleares, entre otras) y alejada de los centros
de consumo. Debido a la crisis energética y ambiental a nivel mundial,
surge como una alternativa, la generación distribuida (GD), retomada de
los inicios de los sistemas eléctricos a pequeña escala (descentralizados), la
cual es flexible, multidireccional, integra nuevas tecnologías de generación
no convencionales (eólica, solar, biomasa, geotérmica, mareomotriz, entre
otras) y está cercana a los usuarios finales. Adicionalmente, bajo esquemas
de regulación y mercado adecuados, la GD permite al usuario final tener
un perfil activo dentro de la cadena de la energía. En la figura 1 se muestra
un ejemplo integración de GD a un sistema de distribución.
Figura 1. Ejemplo de integración de GD a un sistema de distribución.
Fuente: EPRI, SG Cost Benefit, 2011.
5
4.1.1. DEFINICIÓN DE GD.
Existen varias definiciones de GD en función de su capacidad de

generación, nivel de tensión, tecnología, impacto ambiental, etc. [6]. Para
efectos de este documento se ha adoptado la definición de GD
propuesta por la Universidad Industrial de Santander (UIS), para el caso
colombiano [7]:
“Es el uso estratégico de unidades de generación eléctrica con recursos

primarios renovables, instaladas en forma aislada para proporcionar un
servicio específico o interconectadas a las redes de distribución o
subtransmisión de electricidad lo más cerca de los centros de consumo,
buscando eficiencia del sistema, reducción de costos en el servicio y
mejora en la calidad de la energía suministrada.”
4.1.2. JUSTIFICACIÓN DEL USO DE LA GD.
Existen muchas razones (técnicas, económicas, ambientales, etc) que han

motivado el uso de la GD, las principales son mencionadas a continuación
[8]:
 La reestructuración y descentralización de la industria eléctrica,

con la consecuente introducción de la competencia en el sector
eléctrico.
 Preferencia por la utilización de recursos renovables ante los

combustibles fósiles debido a políticas ambientales.
 Incremento de la eficiencia en el proceso global de generación,

en las aplicaciones de cogeneración.
 Rápido incremento de la demanda en regiones aisladas.
 Avances significativos en tecnologías de generación en energía

eólica, solar, microturbinas y celdas de combustible.
6
 Impactos socio-ambientales negativos causados por grandes
centrales hidroeléctricas, termoeléctricas o nucleares.
 Restricciones ambientales, políticas y geográficas en la expansión
de sistemas de generación, transmisión y distribución.
4.1.3. CARACTERÍSTICAS DE LA GD.
Algunas características importantes de este tipo de generación son:
 No es planeada ni despachada centralmente. [8]
 Usualmente es conectada en el sistema de distribución en niveles de

tensión que pueden variar entre 230/415 V hasta 145 KV. [8]
4.1.4. CLASIFICACIÓN.
La GD se puede clasificar dependiendo de su capacidad, la oferta del

mercado, la disponibilidad y la duración del suministro de energía, su uso,
tecnologías implementadas, entre otras.
4.1.4.1. CAPACIDAD.
La GD se puede encontrar en las siguientes capacidades [9]:
- Micro (1-5KW).
- Pequeña (5KW-5MW).
- Mediana (5MW-50MW).
- Grande (50MW-300MW).
4.1.4.2. FORMAS DE UTILIZACIÓN
Según su uso [9], se puede clasificar en:
Generación para soporte de la red de distribución: Es utilizada como

soporte a la red de distribución ante pérdidas en el suministro eléctrico de
7
cargas sensibles, como hospitales o industrias. Este tipo de generación
aumenta la confiabilidad.
Generación en isla: Se implementa cuando en una localidad no hay

acceso al sistema eléctrico de transmisión, por lo que se requieren fuentes
de energía propias, para suministrar energía eléctrica en dicho lugar.
Generación para picos de carga: Se emplea en los momentos en que se

dan los picos de demanda en determinado sistema de potencia. Con el
uso de esta generación, las industrias reducen sus consumos de energía en
las horas pico, y a su vez su respectiva facturación.
Generación combinada de energía eléctrica y térmica (cogeneración):

Consiste en aprovechar fuentes caloríficas resultantes de otros procesos
físicos y químicos, las cuales pueden servir para generar electricidad, por
ejemplo a través de vapor, gas, entre otros. Este tipo de generación
incrementa la eficiencia energética y es utilizado en industrias y hospitales.
Generación para carga base: Es la generación que permanece

constantemente conectada al sistema de distribución o transmisión, la cual
permite aumentar la confiabilidad, mejorar los perfiles de voltaje y disminuir
las pérdidas eléctricas.
4.1.4.3. TECNOLOGÍAS DE GD.
Acorde con su tecnología, la GD se clasifica en [8-10]:
4.1.4.3.1. NO RENOVABLE.
Dentro de este tipo de tecnología se encuentran los motores de

combustión interna y ciclo combinado, turbinas de combustión, micro
turbinas y celdas de combustible, entre otras. A continuación se describe
brevemente algunas de estas tecnologías [11-12].
Motores de combustión interna: Representan la tecnología más

desarrollada y de menor inversión inicial para GD, aunque su costo de
8
mantenimiento es uno de los más altos. Dichos motores se clasifican en:
Motores de ignición por chispa o motores otto y motores de ignición por
compresión o motores diésel. Ambos tipos de motores operan con diversos
combustibles: gas natural, propano, butano, diesel, etc.
Microturbinas: Son pequeñas turbinas de combustión que funcionan con

elevadas velocidades de rotación, a través de las cuales se puede obtener
electricidad. Estas microturbinas utilizan diferentes combustibles: Gas
natural, propano y diesel. Inicialmente se utilizaban en aplicaciones de
transporte, pero en la actualidad se aplican en diferentes sistemas de
cogeneración, aprovechamiento de biomasa y sistemas aislados.
Motores Stirling: Son motores alternativos de combustión externa. Tienen un

sistema sellado que posee un fluido de trabajo el cual puede ser Helio o
hidrógeno. Está compuesto por dos cámaras en diferentes temperaturas
que calientan y enfrían el fluido de trabajo de forma alterna, provocando
expansiones y contracciones cíclicas, lo que produce el movimiento de
dos émbolos conectados a un eje común, lo cual se puede aprovechar
para producir electricidad.
Celdas de combustible: Son dispositivos en los cuales el oxígeno y el

hidrogeno son combinados sin generar combustión, lo que produce
electricidad en la presencia de un catalizador. Las celdas a combustible
pueden emplear gas natural, metanol, gas de carbón y otros. Estos
combustibles son inicialmente sometidos a una reacción con el vapor para
producir hidrogeno. Luego el hidrógeno reacciona con el oxígeno en el
interior de la celda produciendo agua, energía térmica y energía
eléctrica.
4.1.4.3.2. RENOVABLE.
En este tipo de tecnologías se pueden encontrar: Aerogeneradores,

Paneles fotovoltaicos, centrales de biomasa y geotérmicas, entre otras.
Aerogeneradores: Emplean la energía cinética del viento para generar

electricidad. Este tipo de tecnología es considerada renovable ya que no
9
produce emisiones de gases contaminantes y puede interconectarse a
redes eléctricas y emplearse en sistemas aislados. Debido a la baja
densidad energética de la energía eólica, por unidad de superficie, es
necesario un gran número de aerogeneradores para el aprovechamiento
de los recursos disponibles. Uno de los defectos que presenta esta
tecnología corresponde al ruido producido por el movimiento de las aspas.
[13]
Celdas solares fotovoltaicas y colectores solares: Transforman la energía

proveniente de la radiación solar en energía eléctrica o calorífica. Esta
tecnología no produce emisiones contaminantes ni ruido. Además, no
requiere casi mantenimiento. Las celdas solares fotovoltaicas han
experimentado una reducción substancial en sus costos de producción
[14].
Centrales de biomasa: Biomasa hace referencia a la materia orgánica que

tiene su origen en un proceso biológico (Vegetal o animal) o en un
proceso de transformación artificial. La biomasa puede ser obtenida de
cultivos energéticos, residuos industriales, agrícolas, forestales, urbanos,
ganaderos, entre otros. Las plantas de biomasa transforman esta materia
(Compuesta por carbono, hidrógeno, y otros elementos) en energía
eléctrica [15].
Pequeñas Centrales hidráulicas (PCH’s): Producen electricidad a través de

la energía potencial o cinética del agua, a pequeña escala [16-17]
Adicionalmente, existen otros tipos de tecnologías entre las que se
encuentran [18]:
Centrales geotérmicas: Aprovechan la energía que se encuentra

almacenada bajo la superficie terrestre en forma de calor y ligada a
volcanes, aguas termales, fumarolas y géiseres para producir electricidad.
la energía geotérmica proviene del calor interior de la Tierra; un calor
que se alimenta, por un lado la desintegración de isótopos radiactivos; y,
por otro, de movimientos diferenciales entre las distintas capas que
constituyen la Tierra y del calor latente de la cristalización del núcleo
externo.
10
Centrales mareomotrices: Generan electricidad a través del ascenso y
descenso del agua del mar producido por la acción gravitatoria del Sol y
la luna, aunque sólo en aquellos puntos de la costa en los que la mar alta y
la baja difieren en más de cinco metros de altura es rentable instalar una
central mareomotriz. Un proyecto de una central mareomotriz está basado
en el almacenamiento de agua en un embalse que se forma al construir
un dique con unas compuertas que permiten la entrada de agua o caudal
a turbinar, en una bahía, cala, río o estuario para la generación eléctrica.
Centrales generadoras de energía a través de las corrientes del mar:

Convierten la energía cinética contenida en las corrientes marinas en
electricidad. El proceso de captación utiliza convertidores de energía
cinética similares a los aerogeneradores empleando en este caso
instalaciones submarinas.
Centrales undimotrices: Aprovechan la energía producido por el

movimiento de las olas, la cual sirve para producir electricidad. El oleaje es
una consecuencia del rozamiento del aire sobre la superficie del mar, por
lo que resulta muy irregular.
Centrales Maremotérmicas: Obtienen energía eléctrica a través la energía

térmica obtenida por la diferencia de temperaturas entre la superficie del
mar y las aguas profundas. El aprovechamiento de este tipo de energía
requiere que el gradiente térmico sea de al menos 20°C. Utilizan el ciclo
termodinámico denominado “ciclo de Rankine” para producir energía
eléctrica cuyo foco caliente es el agua de la superficie del mar y el foco
frío el agua de las profundidades.
En la tabla 1[9-14] se resumen las capacidades de generación en KW, de

algunas de las tecnologías descritas anteriormente.
11
Tabla 1. Capacidad de diferentes tecnologías de GD.
TIPO DE TECNOLOGÍA TECNOLOGÍA CAPACIDAD EN KW

Motores de combustión
5-30000
interna
Microturbinas 15-300
Motores Stirling 1-25000
NO RENOVABLE
PAFC 100-200
Celdas de PEMFC 3-250
combustible MCFC 0.25-10
SOFC 1-1000
Energía
150-300000
eólica(Aerogeneradores)
Energía solar fotovoltaica
1-46000
(Paneles solares)
RENOVABLE
Microcentral 0-100
Minicentral 100-1000
PCH’s
Pequeña
1000-10000
central
4.1.5. BENEFICIOS DE LA GENERACIÓN DISTRIBUIDA.
Los beneficios de la GD pueden ser clasificados en técnico-ambientales y

económicos [19]:
Beneficios técnico-ambientales.
 Reducción de pérdidas eléctricas.

 Mejora de perfil de tensión.
 Reducción de emisiones contaminantes.
 Mejora de la confiabilidad para cargas críticas.
 Mejora de la calidad de potencia.
 Alivio de congestión en la transmisión de energía eléctrica.
Beneficios económicos.
 Prórroga de inversiones en las líneas de transmisión y

distribución.
 Reducción en los requerimientos de reserva de generación.
12
 Operación más económica debido a la utilización de la GD en
horas pico.
 Reducción en los costos de combustible.
4.1.6. DESVENTAJAS QUE PRESENTA EL USO DE LA GD.
Algunas de las desventajas que presenta [9,15], son las siguientes:
 La tecnología de los sistemas de GD aún se encuentra en desarrollo.

Adicionalmente su implementación puede ser costosa.
 Se requieren usar nuevos equipos de medida y de protección
 Se pueden presentar inyección de harmónicos en el sistema de

potencia debido a equipos de GD.
 Algunas tecnologías de GD renovables son intermitentes en el

tiempo, lo que las hace impredecibles.
 Las redes de distribución no están preparadas para conectar GD, ya

que desde un principio se diseñaron para conectar cargas.
 Dificultades en la obtención de licencias de instalación debido a la

falta de marcos regulatorios.
13
5. ESTADO DEL ARTE DE GENERACIÓN DISTRIBUIDA.
5.1. GENERACIÓN DISTRIBUIDA A NIVEL MUNDIAL.
A nivel mundial se han realizado proyectos de GD, incorporándose cada

vez más el uso de tecnologías renovables, reflejándose en un incremento
de la generación de energía, con un alto componente hidroeléctrico,
como se muestra en la figura 2. En la figura 3 se detalla el comportamiento
de la generación renovable, excluyendo la generación hidroeléctrica.
Figura 2. Incremento de generación de energía con fuentes alternativas

2000-2009.
Fuente: AIE (Agencia internacional de energía) Deploying renewables,

2011.
Figura 3. Incremento de generación de energía con fuentes alternativas

2000-2009.
14
Fuente: AIE (Agencia internacional de energía) Deploying renewables,
2011.
En las figuras 2 y 3:
Tide, wave and ocean: Energía de Mareas, olas y océano.

CSP: Energía con Concentradores de energía solar.
Solar PV: Energía solar fotovoltaica.
Geothermal: Energía geotérmica.
Wind: Energía eólica.
Bioenergy: Energía con biomasa.
5.1.1. POLÍTICAS Y MECANISMOS PARA IMPLEMENTACIÓN DE PROYECTOS

CON GD.
Existen diversas políticas y mecanismos para la implementación exitosa de

GD, entre las que se encuentran [20]:
Sistemas de licitación competitiva: El gobierno otorga un subsidio a un

inversionista privado a través de un proceso de licitación para desarrollar
proyectos de energías renovables.
Impuestos a combustibles a fósiles: Se penaliza el uso de combustibles

fósiles. Se busca que los precios de las energías alternas resulten menores
que los precios de las tecnologías que usan combustibles fósiles.
Sistema de precios verdes: Tarifa opcional ofrecida por las empresas de

servicios públicos a los usuarios quienes están dispuestos a pagar por
energía limpia.
Certificados comerciables de energía renovable (CER’s): Facilitan el

seguimiento y registro de producción de energía con fuentes alternativas,
se venden por separado de la electricidad. Adicionalmente permiten
documentar el cumplimiento con los sistemas de cuotas u obligaciones y
pueden ser vendidos a los consumidores finales en un mercado de
electricidad verde.
15
Precios garantizados/Feed in: Precio de compra que garantiza una
empresa o sistema eléctrico a un generador de energía renovable o
distribuida.
Créditos tributarios, concesiones, subsidios, exenciones o reembolsos: Son

incentivos para promover el consumo y producción de energías
renovables y distribuidas.
Conciencia pública: Consiste en la implementación de programas con el

fin de crear e incrementar conciencia sobre las oportunidades y beneficios
de las instalaciones de energías renovables. Además se difunde
información, se realizan campañas publicitarias de energía limpia y se
brindan productos de etiqueta.
Compras del gobierno: El gobierno compra un porcentaje de la energía

renovable producida en el mercado.
Programas voluntarios: El gobierno solicita a los proveedores de energía

(Comercializadores) comprar electricidad generada por renovables y
acuerdan pagar un precio determinado por la electricidad.
Financiación por terceros: Acuerdo financiero donde el gobierno asume el

riesgo.
La implementación de estas políticas en algunos países se ilustra en la tabla

2, tomada de [15], en donde cada casilla seleccionada con una “X”
indica la adopción de una política determinada. Y en la figura 4 se
muestra el porcentaje de participación en GD para diferentes países
alrededor del mundo. Un ejemplo ilustrativo en la implementación de
generación distribuida es el caso de Dinamarca, el cual se expone a
continuación.
5.1.2. GD EN DINAMARCA Y ALGUNOS PROYECTOS SOBRESALIENTES.
Dinamarca es el país élite en GD, como se observa en la figura 4 esto

ocurre debido a [9,21]:
16
 Sustituyó el petróleo y carbón por gas natural, procesos de
cogeneración, energía eólica y otras fuentes alternativas.
 Incrementó su PIB entre 1980 y 2004, en un 56%, llegando a ser
exportador de energía eléctrica. Adicionalmente en este mismo
periodo redujo las emisiones de dióxido de carbono en un 35%.
 En 1981 se creó un programa para la implementación de GD en el

país, el cual promovió el uso de cogeneración, y subsidios a la
generación eólica y con biomasa.
 Se incrementaron los precios del petróleo y del carbón mediante

impuestos, llegándose a prohibir las centrales a base de carbón.
 De 1980 a 2001 se presentó un incremento del 1% al 35% en el uso de

GD. Un 24% está representado en sistemas de cogeneración y el otro
11% en sistemas eólicos.
Figura 4. Porcentaje de GD de diferentes países dentro de su producción

de energía.
Fuente: Perspectives for Distributed Generation with Renewable Energy in

Latin American and the Caribbean, 2011.
RE: Renewable energy (Energía renovable).

17
Tabla 2. Medidas para implementación efectiva de GD a nivel mundial.
Créditos tributarios relacionados con el

Certificados comerciables de energía
Sistemas de licitación o competencia
Impuestos a los combustibles fósiles
Obligaciones/Portafolio estándar
Exenciones a los impuestos de
Garantizar precio/Feed in
Subsidios a la producción
Investigación y desarrollo
Financiación por terceros
Subsidios a la inversión
Compras del gobierno
Porgramas voluntarios
nivel de producción
Conciencia pública
Electrificación rural
Medición neta
Precios verdes
renovable
consumo
País/Mecanismo
Alemania X X X X X X X X
Austria X X X X
Australia X X X X X X X
Bélgica X X X X X
Canadá X X X X X X X X X
Dinamarca X X X X X
España X X X X X
Estados Unidos X X X X X X X X
Estonia X X
Finlandia X X X X X
Francia X X X X X X X
Grecia X X X
Hungría X X X X
Italia X X X X X
Inglaterra X X
Irlanda X X X X X X
Japón X X X X X X
Korea X X X
Noruega X X X X X
Países bajos X X X X X X
Portugal X X X X
Polonia X X X X
Reino Unido X
Suecia X X X
Suiza X X X X X X X X X
República Checa X X X X X X X
Argentina X X
Brasil X X
Camboya X
China X X X X X X X X
Costa Rica X
Guatemala X X
India X X X X X X
Indonesia X
México X X X
Nicaragua X X X
Tailandia X X X X
18
Figura 5. Producción de electricidad mediante CHP en los países Europeos.
Fuente: Lock-in and change: Distributed generation in Denmark.

in a long-term perspective, 2005.
Figura 6. Producción de electricidad mediante turbinas de viento en los

países Europeos.
Fuente: Lock-in and change: Distributed generation in Denmark

in a long-term perspective, 2005.
 Es el país de la comunidad europea con más participación procesos

de cogeneración y en generación eólica como se muestra en las
figuras 5 y 6.
19
 El gobierno danés fijó el año 2050 como la fecha límite para que
todo el país emplee energía verde.
Con respecto a proyectos claves en implementación de GD, se pueden

citar los siguientes [22,23]:
5.1.2.4. Evaluación de integración de GD y redes inteligentes en la isla de

Bornholm.
El sistema de distribución de Bornholm es parte de sistema interconectado

nórdico y totalmente integrado en el mercado de energía “DK2”.
Bornholm, está ubicada en Dinamarca en el mar Báltico. Al sistema están
conectados 28,000 usuarios finales (55MW de carga pico) y hay una alta
penetración de recursos energéticos de bajo contenido de carbón, los
cuales incluyen Energía eólica (30MW), CHP (16MW), energía fotovoltaica
(1MW) y vehículos eléctricos. Adicionalmente Bornholm cuenta en la
actualidad con muchos más recursos energéticos renovables,
especialmente eólicos, así como de almacenamiento de energía. La red
de distribución consiste en un sistema mallado conectado a una línea
submarina de 60KV, con 16 subestaciones de 60/10KV, 91 alimentadores de
10KV y aproximadamente 1000 transformadores de 10/0.4KV.
La red de distribución es operada por el sistema de distribución local

Østkraft, el cual es propio de la municipalidad de Bornholm. La
municipalidad de Bornholm ha establecido junto con la industria local, el
público y otras autoridades una política de “Isla Verde”, la estrategia de
Bornholm está enfocada en obtener el 100% de su energía a través de
fuentes renovables. En 2009 Bornholm obtuvo el 40% de su energía de
fuentes renovables. En la figura 7 [23] se muestra un esquema resumido del
proyecto.
5.1.2.5. Proyecto FENIX.
Esta iniciativa liderada por la Compañía IBERDROLA [23], dentro del sexto
Programa Marco de I+D+i de la Comisión Europea, ha supuesto una
20
inversión de 15 millones de euros y ha contado con la colaboración de
socios como EDF, National Grid, REE, Gamesa, Siemens, Areva o Tecnalia.
Figura 7. GD en la isla de Bornholm.
IBERDROLA y otras empresas han logrado poner en marcha en Bilbao una

central eléctrica virtual a gran escala que ha sido la encargada de
gestionar diversos generadores distribuidos, lo cual ha demostrado que es
viable integrarlos en el sistema eléctrico como cualquier central
convencional.
Para desarrollar este proyecto se eligió la red de Álava y se contó con un

conjunto de generadores entre los que se encuentran plantas de
cogeneración como la de IBERDROLA para Michelín o las instalaciones de
Guascor y Zigor, los parques eólicos de Badaia y Urkilla, de IBERDROLA
Renovables, una planta fotovoltaica ubicada en el instituto de Diocesanas
y una central hidroeléctrica, en Antoñana.
Las mencionadas instalaciones han sido agrupadas en una central virtual y

han estado controladas mediante el sistema Spectrum de la Compañía en
la zona norte, en coordinación con el Centro de Control Eléctrico de Red
Eléctrica.
21
Fenix es un proyecto importante en el trabajo hacia la implantación de las
redes inteligentes, que además beneficiará, el uso de contadores
inteligentes y la mejora de la gestión de la demanda hacia un sistema
eléctrico más eficiente y sostenible.
5.1.3. GD EN LATINOAMÉRICA.
Con respecto a América Latina, México y Chile son los países con el
porcentaje de participación más alto en GD, 8% y 10% respectivamente
(ver figura 4). En México el 81% de la generación eléctrica es a base de
combustibles fósiles, mientras que un 14% corresponde a energías
renovables (hídrica, geotérmica y eólica, ver figura 8). Para el caso de
chile el 60% de la energía eléctrica utilizada proviene de fuentes no
renovables (Combustibles fósiles) y el otro 40% de renovables, donde un 2%
procede de recursos eólicos, geotérmicos, entre otros. Las fuentes de
generación de energía para el caso chileno se presentan en el diagrama
de la figura 9.
4,50% 2,50% 0,50% 0,40%
Gas natural
11,20% Petróleo
Carbón
12,40% Recursos hidricos
51,80%
Nuclear
Geotérmica
16,70% Diesel
Eólica
Figura 8. Generación de energía en México por tecnología.
Fuente: Perspectives for Distributed Generation with Renewable Energy in

Latin American and the Caribbean, 2011.
22
2%
7%
Gas natural
37%
Carbón
Recursos hidricos
38% Diesel-Fuel oil
Otros
16%
Figura 9. Fuentes de generación de energía en Chile.
Fuente: Enfoque estadístico, Distribución y consumo energético en Chile,

Septiembre 2008.
En el caso colombiano, para efectos del presente trabajo, se analizan las

diferentes problemáticas asociadas al uso de la GD, así como algunas
soluciones propuestas. Adicionalmente se muestran algunos casos de
estudio y aplicaciones reales en el país.
5.2. GENERACIÓN DISTRIBUIDA EN COLOMBIA.
La incorporación de GD trae múltiples beneficios, como se ha

mencionado. En el caso de Colombia los beneficios más representativos
son los siguientes [4]:
 Aumento en el nivel de confiabilidad del sistema eléctrico ante

diferentes sucesos como sequías, atentados y apagones.
 Mejora en el suministro eléctrico en zonas rurales y no

interconectadas, debido a la poca disponibilidad de recursos
convencionales y la imposibilidad de interconexión con el sistema
eléctrico nacional. [4-25].
23
 Aumento en la eficiencia y reducción de costos en la producción
industrial.
 Generación de nuevas oportunidades de negocio para la

comercialización de energía en la bolsa.
La GD es un componente básico en el concepto de “redes inteligentes”

que ofrecerá al usuario final pasivo, la posibilidad de convertirse en un
usuario final activo de la red eléctrica (prosumidor) con las siguientes
características [26]:
 Participación activa en las soluciones de expansión.

 compra y venta de energía para optimizar curvas de carga y oferta.
 Obtención de información en tiempo real de sus consumos y
facturas.
 contribución a programas efectivos de eficiencia energética.
Uno de los inconvenientes más relevantes en la implementación de la GD
en Colombia es el hecho de que la generación en el país se ha
estructurado bajo un esquema centralizado [26]. Por ejemplo en el año
2010, la capacidad instalada fue de 13.289,5 MW, de los cuales 8.525 MW
fueron hidráulicos, 4.089 MW fueron térmicos, 620,6 MW correspondieron a
plantas menores y 54,9 MW a cogeneradores, es decir solo el 5% de la
generación total estuvo representado en plantas menores y
cogeneradores [27]. Este porcentaje representa lo más cercano que se
tiene al concepto de GD a causa de que no es una actividad definida
formalmente por la regulación nacional, como si sucede con la
cogeneración y autogeneración [26].
5.2.1. RECURSOS RENOVABLES DE COLOMBIA.
El enfoque centralizado que Colombia tiene con las políticas de

generación eléctrica y el esquema de mercado actual, no propician el
desarrollo e implementación de otras fuentes de energía no
convencionales. Algunas de esas fuentes con que cuenta el país se
exponen a continuación:
24
5.2.1.6. Potencial eólico.
Colombia cuenta con uno de los mejores regímenes de vientos de

Suramérica. En las regiones costeras, de la parte norte de Colombia, se han
cuantificado vientos de clase 7, los cuales alcanzan los 10 m/s. Se estima
que Colombia tiene un potencial de 21.000 MW sólo en la Guajira. En La
tabla 3 se indica el potencial eólico en diferentes zonas del país [28].
5.2.1.7. Potencial energético solar en todo el territorio Colombiano.
Se tiene un promedio diario multianual cercano a 4.5 kWh/m2

(destacándose la península de La Guajira, con un valor promedio de 6.0
kWh/m2 y la Orinoquia, con un valor un poco menor, ver tabla 4) propicios
para un adecuado aprovechamiento. El país cuenta con una capacidad
solar instalada de 6 MW (cerca de 78,000 paneles solares), de los cuales
57% es utilizado en el área rural y un 43% en la iluminación de las vías [9].
Tabla 3. Potencial eólico en Colombia.
Tomado de [9].
Potencial en energía eólica en regiones de la costa Atlántica de

Colombia
Región Potencia eólica en Kilovatios por hora por metro
cuadrado(KWh/m2/año)
Cabo de la
3,043
Vela
San Andrés 2,182
Providencia 1,727
Riohacha 829
Soledad 633
Cartagena 587
Valledupar 502
25
5.2.1.8. Capacidad hidráulica a pequeña escala.
El caudal promedio de las 5 vertientes principales del país es de 66440m³/s,

por lo que se tienen estimados 25,000 MW de generación a partir de
pequeñas centrales hidráulicas (PCH’s) [26]. La capacidad instalada por
departamento se indica en la tabla 5.
Tabla 4. Potencial solar en Colombia.
Fuente: http://www.redenergiaalternativa.org/solarenergy.htm.
Disponibilidad promedio de energía solar por regiones en Colombia

Potencia solar en Kilovatios por hora por metro
Región
cuadrado(KWh/m2/año)
Guajira 2,190
Costa
1,825
Atlántica
Orinoquía 1,643
Amazonía 1,551
Andina 1,643
Costa
1,278
Pacífica
5.2.1.9. Potencial anual de energía de biomasa.
La capacidad actual es de aproximadamente 16.260 MWh. Colombia

tiene un gran potencial en la producción de energía a partir del banano,
pulpa del café y residuos de animales. Dicha producción se distribuye de la
siguiente manera: 658 MWh/año de biodiesel, 2.640 MWh/año de
bioethanol, 11.828 MWh/año de residuos de la agricultura, 442 MWh/año
de residuos de plantaciones forestales y 698 MWh/año en residuos de
bosques naturales [29]. Ver tabla 5 [21-22].
En las tablas 6 y 7, tomadas de [26] se resumen las aplicaciones de las

diferentes fuentes de energía, así como su capacidad instalada.
26
Tabla 5. Capacidad instalada de PCH´s en Colombia.
Capacidad
Departamento PCH
Instalada (KW)
Antioquia 38 17,191
Boyacá 8 5,005
Caldas 23 17,192
Caquetá 1 45
Cauca 12 11,140
Chocó 1 2000
Cundinamarca 13 14,765
Huila 9 9,865
Meta 3 628
Nariño 98 9,836
Putumayo 3 714
Quindío 7 11.915
Risaralda 3 6,570
Santander 24 30,852
Tolima 8 11,211
Valle 7 16,810
Tabla 6. Aplicaciones y capacidad instalada de fuentes solares, eólicas e

hidráulicas en Colombia. Tomado de
Conocimiento Capacidad
Fuente Aplicaciones Estado
recurso Instalada
Sistemas Aplicada con
2MW/1995
Mapas del fotovoltaicos problemas de
recurso calidad y/o
Solar
Anual y por Colectores sostenibilidad
50000m2/1994
cada mes solares en zonas
apartadas
Bombeo de
Se aplica N.A
agua
Mapas del
Generación Marginal 50KW
Eólica recurso anual y
eléctrica en
por cada Se aplica Jepírachi
sistemas
19,5MW
aislados
Generación Se aplica, a
>168MW
Estudios eléctrica costos altos
Hidráulica
preliminares Arietes,
Muy marginal N.A
molinos
27
Tabla 7. Aplicaciones y capacidad instalada de fuentes de geotérmicas, y
de biomasa en Colombia.
Capacidad
Fuente Conocimiento recurso Aplicaciones Estado
Instalada
Mapas de recurso
Recreativa y medicinal N.A
geotérmico
Estudios preliminares de
zonas de Bombas de calor,
Geotermia
interés(Cumbal, Paipa- generación de
N.A
Isa, Santarosa, Tufiño- electricidad, distritos de
Chile-Cerronegro- calor
Parque de los nevados
Biomasa
Estimativo preliminar
Bagazo de Calderas-cogeneración,
mayor a Aplicada >25MW
caña Valle del Cauca
100MW(Cenicaña)
Cascarilla de Poco se
Estimativo preliminar Calderas N.A
arroz aplica
El gas se
Rellenos
Estimativo preliminar Doña Juana, Bogotá libera al N.A
sanitarios
medio
Cocción Poco
generación eléctrica aplicada
Biodigestores Estimativos Marginal
descontaminación de resistencia
aguas cultural
Para lograr una aplicación tangible de generación de energía no

convencional y de la GD en Colombia, se deben generar los espacios de
debate apropiados para que se puedan llevar a cabo proyectos con este
tipo de generación, teniendo en cuenta que el riesgo económico está
latente. El enfoque de dichos espacios debe estar orientado a [30]:
 Modificar la reglamentación existente, estableciendo directrices y

normas claras sobre las obligaciones y responsabilidades de cada
uno de los actores involucrados (generadores, transmisores,
28
operadores de red, comercializadores de energía y usuario final),
con el fin de evitar conflictos entre ellos.
 Incentivar la GD de acuerdo a lineamientos establecidos por el ente

regulador (exenciones tributarias, penalización para generación con
combustibles fósiles, entre otras medidas).
 Realizar ensayos que brinden experiencias con GD tanto en
zonas no interconectadas como interconectadas al SIN (Sistema
Interconectado Nacional), para un juicio más maduro.
A continuación se exponen los tópicos anteriores y se muestran algunas

evaluaciones y propuestas reales del uso de la GD en Colombia.
5.2.2. PANORAMA REGULATORIO Y MEDIDAS PARA LA IMPLEMENTACIÓN

CORRECTA DE GD EN EL PAÍS
5.2.2.10. Regulación Y Reglas Generales.
El tema de GD en Colombia se encuentra dentro de un esquema de

mercado desregulado en el que fluctúan exigencias técnicas, fenómenos
climáticos e intereses económicos. Estas condiciones hacen que sea difícil
la implementación de GD en el mercado eléctrico colombiano [31].
Adicionalmente el desarrollo de la GD se ve afectado por prejuicios y

desconocimiento de las fuentes no convencionales, sin tomar en cuenta
de manera apropiada, las características negativas de las tecnologías
térmica e hidráulica a gran escala (emisiones contaminantes, escases de
combustibles fósiles y altos costos de los mismos, impacto social, entre
otros) y las positivas de las no convencionales (protección y reforestación
de cuencas, cuidado de bosques, desarrollo de regiones pobres, creación
de empleo y protección de cadenas productivas)[ 26].
Para cambiar el panorama desregulado de GD en el país se han

propuesto las siguientes medidas [26]:
29
a) Establecimiento de un portafolio de servicios donde se incluya el uso
de energías renovables.
b) Creación de:
 Planes de expansión de referencia que incorporen Redes

inteligentes (RI) y GD.
 Proyectos de mecanismos de desarrollo limpio (MDL) para
lograr la apropiación de diferentes tecnologías.
 Planes ambientales para nuevas edificaciones que incorporen
los conceptos de eficiencia energética y arquitectura
sostenible, considerando opciones de GD y RI.
c) Campañas de concientización en cuanto a energías renovables,

mediante difusión de información, avisos publicitarios y productos de
etiqueta, entre otras.
d) Redefinir los siguientes conceptos:
 Productor marginal.
 Productor independiente.
 Productor para uso propio.
 Plantas menores.
Uno de los propósitos de dicha revisión es no permitir que se
declaren plantas menores por debajo de su capacidad instalada
y fuera del despacho central, salvo las de GD de menor tamaño
(p.ej. hasta 1 MW) conectadas por los usuarios.
e) Esclarecer aspectos operativos, instalación de GD y desarrollo de

normas técnicas:
 Reglamentación para la conexión y operación.

 Revisión de Código de Conexión y del código de medición.
 Consideración de los generadores distribuidos como equipos
de la red de distribución, por parte de la CREG.
 Norma técnica colombiana para GD.
30
 Capítulo del RETIE para instalación de GD en los niveles de
tensión 1, 2 y 3.
 Entrenamiento a instaladores de GD.
f) Establecer permisos y licencias:
 Ambientales: CAR’s (Corporación autónoma de

Cundinamarca), DAMA (Departamento Técnico Administrativo
del Medio Ambiente).
 Licencia de construcción.
5.2.2.11. Mecanismos tributarios para tecnologías renovables.
En la actualidad en Colombia se hace difícil competir con las fuentes

convencionales, en especial las de naturaleza hídrica, debido a que su
costo es mucho menor con respecto a las fuentes de energía no
convencionales [30]. Además, las fuentes convencionales pueden recibir el
cargo por confiabilidad, lo cual no ocurre con las no convencionales
(excepto biomasa y geotérmica) por falta de “capacidad firme”. Por lo
tanto los altos costos de las fuentes no convencionales, hacen que estas
no sean viables financieramente aún si se consideran mecanismos de
desarrollo limpio (MDL) y certificados de energía renovable CER’s, debido a
que su valor es muy bajo en Colombia [26].
En el año 2011 según un informe del Instituto de Planificación y Promoción

de Soluciones Energéticas para las Zonas No interconectadas – IPSE, se
presentaron 20 proyectos para la implementación de sistemas
fotovoltaicos en todo el territorio colombiano, de los cuales sólo el 5% de
los proyectos fue aprobado, el 20% fue viabilizado técnica y
económicamente y el restante 75% fue rechazado. De los proyectos
rechazados la mayoría fueron técnicamente favorables, pero
financieramente inviables [9, 25].
Se tienen varias propuestas para mejorar este panorama, entre las que se
encuentran [4, 24, 26, 31]:
31
a) Apoyo e incentivos por parte del estado, para tecnologías
renovables y de cogeneración.
b) Impuestos a los combustibles fósiles, para mejorar la competitividad

de las energías alternativas.
c) Cobro de una tarifa opcional al usuario final que utilice energía

generada a través de fuentes limpias.
d) Programas basados en capacidad, energía o CER’s (Certificados de

energías renovables), remunerados de una forma adecuada.
e) Compra por parte del gobierno, de un porcentaje de la energía

producida con fuentes renovables (a un precio acordado con los
productores). Se tiene como objetivo incentivar a la industria a
realizar la misma acción.
f) Financiamiento de fuentes renovables por parte de terceros, con

reducción de riesgo para el inversionista, ante diferentes programas
de préstamo.
g) Fondo privado para eólicas, bonos para energía no convencional,

recursos de financiación GEF (Global Environmental Fund) y
capacitación al sector financiero.
h) Venta de excedentes por parte de los autogeneradores a través

del uso de medidores bidireccionales que permitan entregar los
excedentes de energía del usuario final a la red, y demandar
energía cuando la producción propia sea insuficiente.
i) Aumentar la eficiencia en la producción de tecnologías renovables.

Esto puede llegar a reducir los costos de inversión.
j) Subsidiar de mejor manera la energía en zonas rurales y no

interconectadas.
32
k) Usar fuentes de energía renovable como eólica y solar,
combustibles o biocombustibles económicos disponibles en las ZNI
del país.
5.2.3. CASOS DE ESTUDIO Y APLICACIONES DE GD EN EL SISTEMA ELÉCTRICO

COLOMBIANO.
En la actualidad Colombia cuenta con casos de estudio y aplicaciones de

GD, aunque se encuentren dentro del contexto y reglamentación de
plantas menores. En la Figura 8, tomada de estudios realizados por
Colombia Inteligente [32] se muestran algunos proyectos realizados a nivel
nacional.
Figura 10. Proyectos de GD con PCH’s mayores de 10MW alrededor de

todo el país.
Figura 11. Proyectos de GD con plantas menores de 10MW.

33
A continuación se describen algunos casos de estudio y aplicaciones de
GD en Colombia.
5.2.3.12. Caso 1: Evaluación de GD según estudio de la universidad de los

Andes y Nacional de Colombia.
En [20] la universidad de los Andes y Nacional de Colombia realizaron un

estudio técnico-económico sobre localización y dimensionamiento de GD.
En este estudio se encontró que la Costa Atlántica es la zona más viable
para realizar proyectos de GD.
La evaluación técnica del impacto de la GD, se realizó de la siguiente
manera:
1. Se modeló el sistema eléctrico colombiano tomando las redes de

500, 230, 115, 110, 66 y 57.5kV (año 2007) que corresponden al
Sistema de Transmisión Nacional (STN) y Sistemas de Transmisión
Regional (STR’s) de Colombia.
2. Las redes tomadas se clasificaron en 8 regiones: Bogotá, Nordeste,

Cauca, Nariño, CHEC, Costa, EPM, EPSA, THB.
3. En cada nodo del sistema se instaló entre un 5 y 10% de la demanda

centralizada, y se analizó el cambio de voltaje presentado en los
nodos, y las perdidas, por nivel de tensión.
4. Para la selección de las zonas de ubicación de GD se tuvieron en

cuenta dos criterios: Factores nodales y una cuantificación de
capacidad de GD dada por la UPME. En el caso de factores
nodales se tomaron las zonas más sensibles a los cambios de
potencia: Nordeste y Cauca-Nariño. De acuerdo con la sugerencia
de la UPME, se consideraron las zonas con mayor potencial de GD
del país: La Costa y Cerromatoso (120MW).
5. Se buscó una ubicación óptima de GD mediante una heurística,

basada en un modelo de optimización en GAMS (General Algebraic
Modeling System), analizando una relación Beneficio-Costo. Se tomó
un sistema radial de distribución de 13 barras de la IEEE y se
34
ajustaron la configuración de líneas, transformadores, cargas, y
compensaciones. Los flujos de potencia necesarios se realizaron con
el software NEPLAN.
6. La valoración económica de la GD se realizó tomando las pérdidas

generadas con y sin generación distribuida en la red. Se calculó una
diferencia con estos dos tipos de pérdida y se obtuvo un ahorro por
cargo de generación. También se valoró el uso de las redes,
calculando un porcentaje de ahorro debido a la disminución en el
uso de la red de transmisión.
En este trabajo se concluyó lo siguiente:
 Existen zonas viables para implementar GD, de acuerdo a su
ubicación geográfica, cargabilidad, recursos de generación, etc.
 No todos los sistemas de GD traen beneficios a la red, es necesario

conocer donde se utilizará, como operará y que tecnología utilizará.
 La GD trae beneficios muy notables en descongestionamiento de la

red eléctrica y disminución de pérdidas, cuando se habla a nivel del
sistema de transmisión. Adicionalmente el usuario final se ve
remunerado en el corto plazo al usar en menor medida la red de
transmisión y en el largo plazo las inversiones en expansión de la red
se retrasan.
5.2.3.13. Caso 2: Proyecto SILICE.
En la actualidad, la Universidad de los ANDES y la Universidad Nacional

(Sede Bogotá) se encuentran desarrollando el proyecto piloto SILICE para
el análisis del impacto de la generación distribuida en las redes de energía.
Este proyecto cuenta con el acompañamiento de la UIS (Universidad
Industrial de Santander) y con el apoyo de CODENSA y COLCIENCIAS [33].
SILICE ha trabajado en las siguientes temáticas:
1. Ubicación de fuentes intermitentes y de potencia controlable, así como

el funcionamiento en materia de esquemas y metodologías de control y
de los sistemas de comunicaciones requeridos para la implementación
35
de redes inteligentes en los sistemas de distribución de la red eléctrica
nacional.
2. Instalación de un circuito piloto, con los siguientes componentes:
 Un generador fotovoltaico de 3.6 kW instalado en el edificio de Física

de la Universidad Nacional.
 Un generador de biomasa de 15 kW instalado en el edificio de

Química y conectado a la red de distribución de CODENSA a la
altura de la S/E Antonio Nariño.
 Cargas con componentes resistivo y reactivo.
3. Desarrollo de una metodología para identificar y valorar los beneficios

técnicos, económicos y ambientales de estos sistemas frente a aquellos
obtenidos con redes convencionales de distribución.
4. Estudios de despacho y control jerárquico, detección y aislamiento de

fallas, seguridad de la red, ajuste de protecciones y calidad de la
potencia, adquisición remota de datos, control de supervisión y
medición avanzada, tecnologías de comunicación entre dispositivos
distribuidos; y respuesta de la demanda.
En la figura 9 se muestra el esquema piloto implementado.
5.2.3.14. Caso 3: Propuesta de Generación Distribuida rural en Yacopí y

Nimaima (Cundinamarca).
En [34] la universidad de los ANDES propone la adecuación de GD rural en

las redes de distribución de Yacopí y Nimaima (Cundinamarca) mediante
dos plantas PCH (Pequeñas centrales hidráulicas). Adicionalmente se
realiza una evaluación económica comparando los costos de
implementación de las centrales generadoras con respecto a los costos de
36
la expansión del sistema de distribución. En la tabla 8, se muestran los datos
técnicos de PCH’s.
En este estudio, se encuentra que es más económica la implementación
de GD, con respecto a la expansión de nuevas redes de distribución, como
se muestra en las figuras 13 y 14.
Figura 12. Sistema piloto implementado.
Fuente: PROYECTO SILICE [20]
Tabla 8. Datos técnicos de las PCH’s.
DATOS TÉCNICOS
INFORMACIÓN/ZONA Yacopí Nimaima
Nombre del circuito Yacopí Zumbe
Carga del circuito 412 kW 252 kW
S/E alimentadora La Palma 34.5 kV Juratena 34.5 kV
Capacidad Transformador 5MVA 1.7 MVA
Carga 1.054 MW 0.252 MW
Nombre del generador PCH Yacopí PCH Nimaima
Capacidad PCH 442 kW 195 kW
Longitud extensión de red 33 km 9.66 km
Longitud interconexión PCH 15.15 km 3 km
37
Figura 13. Evaluación económica de GD en Yacopí.
Figura 14. Evaluación económica de GD en Nimaima.
5.2.3.15. Caso 4: Proyecto Jepirachí
Consiste de un parque eólico con una capacidad instalada de 19.5 MW

de potencia nominal, con 15 aerogeneradores de 1.3 MW cada uno [9,35].
El parque entró en operación comercial el 19 de abril de 2004. Se

encuentra ubicado en el municipio de Uribía, en la alta Guajira donde se
presentan vientos de aproximadamente 9.8m/s. Jepírachi Hace parte de
un programa para el aprovechamiento de la energía eólica en la Alta
Guajira. Jepírachi está registrado como Mecanismo de Desarrollo Limpio
38
(MDL) por la Convención Marco de las Naciones Unidas para el Cambio
Climático.
5.2.3.16. Caso 5: Proyecto de generación eólica, solar y con grupos

electrógenos en la alta guajira (Nazareth).
Con este proyecto se busca Suministrar, instalar, montar y poner en

operación dos aerogeneradores trifásicos de 100 kW cada uno con un
grupo de seguidores solares de 100 kW trifásicos y con tres grupos
electrógenos trifásicos: uno de 150 kW de combustible de gas licuado de
petróleo (GLP), otros dos de 150 y 225 kW de combustible de ACPM,
respectivamente. Con este proyecto se beneficiarán 2000 habitantes,
entre colonos e indígenas Wayú en la alta guajira (Nazareth). La
construcción de este proyecto se encuentra en ejecución [36].
39
6. OPTIMIZACIÓN COMBINATORIAL.
La optimización combinatorial permite resolver problemas de dimensiones

y complejidad grandes, para los cuales encontrar la solución óptima,
evaluando todas las alterativas posibles, requiere de tiempos de computo
excesivos (Meses, años o hasta siglos), contando con máquinas de alta
velocidad y operando en paralelo. Por esta razón surgen las técnicas de
optimización combinatorial que permiten mediante la evaluación de una
pequeña parte del espacio de soluciones posibles, llegar a soluciones que
pueden no ser las mejores, pero que son factibles y alcanzadas en tiempos
de cómputo razonables.
Dentro de estas técnicas se encuentran:
Métodos exactos.
Métodos de programación matemática.
Métodos aproximados (heurísticos y metaheurísticos).
Métodos híbridos.
A continuación se describe cada uno de los métodos en mención [5].
6.1. MÉTODOS EXACTOS.

Son métodos en los que después de realizar un procedimiento se obtiene la
solución exacta a un problema [37]. Permiten encontrar la solución
óptima, pero el tiempo de ejecución crece exponencialmente con el
tamaño del problema (si el problema es NP-Hard o de complejidad alta)
[38].
6.2. MÉTODOS DE PROGRAMACIÓN MATEMÁTICA LINEAL Y NO LINEAL.

Son procesos de resolución de un sistema de igualdades y desigualdades
sujetas a un conjunto de restricciones sobre un conjunto de variables reales
desconocidas, con una función objetivo a maximizar (o minimizar), cuando
alguna de las restricciones o la función objetivo son o no lineales. [39].
40
6.3. MÉTODOS APROXIMADOS.
Son algoritmos rápidos que encuentran soluciones de buena calidad en
tiempos razonables pero que no necesariamente son las mejores. Dentro
de estos algoritmos se encuentran los algoritmos heurísticos y
metaheurísticos [37].
Para efectos del presente trabajo, se profundiza sobre los métodos

aproximados.
6.3.1. MÉTODOS HEURÍSTICOS.
Son procedimientos simples basados en el sentido común, los cuales

ofrecen buenas soluciones (que no siempre son las mejores) a problemas
de optimización combinatorial. Los métodos heurísticos están
caracterizados por utilizar la estructura del problema de forma inteligente
para obtener buenas soluciones [5, 38].
Los algoritmos heurísticos se aplican en los siguientes casos [38]:
- No existe un método exacto para resolver un problema.

- La solución óptima no es muy importante.
- Los datos usados presentan alta incertidumbre.
- Existen limitaciones de tiempo y espacio.
- Para encontrar una buena solución que sirva como punto de
partida de un método más potente o exacto.
Existen varios tipos de heurísticos: Constructivos, de descomposición y

división, de reducción, y de manipulación del modelo [5].
Algoritmos Constructivos: Adicionan componentes a una solución inicial,

hasta completar una solución final. El más popular de estos algoritmos es el
goloso o greedy. Este algoritmo selecciona en cada paso la solución que
mejores beneficios genera, finalizando cuando se encuentra una solución
factible o cuando no sea posible mejorar la solución final.
41
Algoritmos de Descomposición y División: Los de descomposición dividen
un problema inicial en varios problemas menores, luego todos los
problemas planteados se resuelven de forma continua.
Los algoritmos de división “dividen” un problema en varios subproblemas

independientes, los cuales se resuelven. Luego la solución final es la
integración de las soluciones parciales de los subproblemas propuestos.
Algoritmos de Reducción: Reducen el tamaño del problema identificando

características específicas de las variables involucradas en el mismo.
Algoritmos de Manipulación del Modelo: Usan modelos relajados del

modelo ideal y pueden usar la solución del modelo relajado para
encontrar una buena solución del modelo ideal.
6.3.2. MÉTODOS METAHEURÍSTICOS.
Son procesos iterativos que guían y modifican las operaciones de un

procedimiento heurístico para producir soluciones de buena calidad.
Pueden operar sobre una solución completa, incompleta o un conjunto de
soluciones [38].
Estos métodos tienen las siguientes características:
 Permiten escapar de óptimos locales.
 Tienen componentes adaptados al problema.
 Desconocen que tan cerca está una solución óptima.
 Son procedimientos iterativos.
 Las soluciones obtenidas tienen un alto componente de

aleatorización.
42
 Nacieron de analogías con procesos físicos, biológicos o
psicológicos, tales como:
 Recocido Simulado.
 Algoritmos Genéticos.
 Búsqueda Tabú.
 Optimización con colonias de hormigas o con colonias de abejas.
 Optimización con enjambres de partículas.
 Electromagnetismo.
 Sistema inmune.
Los métodos metaheurísticos, en esencia poseen dos componentes:

Diversificación e intensificación.
La componente de diversificación debe permitir que el algoritmo tenga un

espacio de búsqueda de soluciones amplio, es decir que la búsqueda no
se estanque. Adicionalmente el algoritmo debe utilizar aleatorización,
permitir perturbaciones, multiarranques, penalizaciones y cambios de
vecindario.
La componente de intensificación debe estar centrada en tomar regiones

del espacio de búsqueda en la que es probable encontrar óptimos locales.
Además debe utilizar herramientas como la búsqueda local, la
combinación de soluciones y la memoria.
El balance entre estos dos componentes es clave para la exploración de
diferentes soluciones.
En la tabla 9, tomada de [38] se muestran los componentes que debería

emplear un algoritmo metaheurístico y las características deseables del
mismo.
6.3.3. MÉTODOS HÍBRIDOS.

Combinan técnicas metaheurísticas entre sí, una técnica Metaheurística
con una heurística, o un método exacto con uno aproximado. El objetivo
es obtener mejores resultados en un proceso de optimización
combinatorial [40].
43
Con respecto a los híbridos metaheurísticos, se pueden clasificar en: De
bajo nivel, de alto nivel, de acople de metaheurísticas, y de trabajo en
equipo. A continuación se describen brevemente [41]:
Algoritmos hibridos de bajo nivel y de alto nivel.

- En los de bajo nivel, se reemplaza una función de una
metaheurística, por otra metaheurística.
- En los de alto nivel, las metaheurísticas consideradas, trabajan con

todas sus funciones, sin ser reemplazadas por otros métodos.
Algoritmos hibridos de acople y de trabajo en equipo.

- En los de acople, el conjunto de metaheurísticas es aplicada una tras
otra.
- En los de trabajo en equipo, las metaheurísticas consideradas
trabajan en forma paralela, explorando espacios de búsqueda
diferentes.
Tabla 9. Componentes y características deseables de un algoritmo

metaheurístico
Componentes
Características Deseables
Utilizados
Construcción
Simples Robustos Generales
de soluciones
Pocos
Búsqueda local Rápidos Adaptables
componentes
Múltiples
Aleatorización Flexibles Interactivos
soluciones
Combinación Con pocos

Precisos Autónomos
de soluciones parámetros
44
7. REVISIÓN DEL ESTADO DEL ARTE EN LOCALIZACIÓN Y DIMENSIONAMIENTO
DE GENERACIÓN DISTRIBUIDA.
Debido a los beneficios técnicos, económicos y ambientales que trae

consigo el uso de la GD, cada vez es más común este tipo de generación
en las redes de distribución. Sin embargo, estas redes no fueron pensadas
inicialmente para funcionar con GD. Por lo tanto, la inserción de la GD en
la red se debe hacer mediante un adecuado planeamiento.
La integración de la GD en las redes de distribución ha sido el foco de

diversos estudios en la última década. Gran parte de estos estudios
abordan el tema de su óptima ubicación y dimensionamiento. Existen
diferentes objetivos que se pueden buscar en el planeamiento de la GD,
estos objetivos incluyen: la minimización de pérdidas, el mejoramiento del
perfil de tensiones, el mejoramiento de la confiabilidad, el aplazamiento
de inversiones en refuerzos de la red, etc. Para la obtención de estos
objetivos se han propuesto diferentes modelos y métodos de solución.
En esta sección se presenta una revisión bibliográfica que describe las

diferentes metodologías utilizadas para la ubicación de la GD, su
dimensionamiento, o ambos. Hemos clasificado los métodos de solución en
5 grandes métodos:
a. Analíticos.
b. Heurísticos.
c. Metaheurísticos.
d. Híbridos.
e. Basados en programación matemática.
En las secciones 7.1 a 7.5 se describen los métodos de solución

mencionados anteriormente, haciendo referencia a los trabajos más
relevantes, publicados en revistas de alto impacto, en la última década.
7.1. MÉTODOS ANALÍTICOS PARA UBICACIÓN Y/O DIMENSIONAMIENTO DE

GD.
Uno de los objetivos más comunes de los métodos analíticos es la
45
reducción de pérdidas como se reporta en [42]. En esta referencia se
integran diferenciales de tensión y pérdidas de potencia a lo largo de una
línea, para calcular las caídas de tensión y pérdidas de potencia totales.
Los autores consideran diferentes distribuciones de carga y deducen
expresiones analíticas para determinar la ubicación de la GD que minimiza
las pérdidas.
En [43] se propone un algoritmo, basado en un enfoque analítico, para

determinar la ubicación óptima de GD en un alimentador de distribución
radial. El objetivo es reducir las pérdidas y mejorar el perfil de tensión. Para
ello se considera un índice de perfil de voltaje que relaciona la tensión con
y sin GD.
En [44] se presentan expresiones analíticas que permiten determinar el

límite de potencia que puede ser inyectada en un nodo de la red sin
causar sobretensiones. Con estas expresiones es posible determinar el
dimensionamiento apropiado de la GD dada una ubicación en particular.
En [45] se desarrollan métodos analíticos que tienen como objetivo

establecer el límite máximo de GD, que puede ser instalada en un nodo,
sin sobrepasar los límites de armónicos establecidos por normatividad. Se
identifican además, los armónicos más limitantes y el impacto que tienen
los armónicos de secuencia positiva, negativa y cero. También se formulan
ecuaciones de forma exacta para los diseños típicos de suministro de GD y
se consideran diferentes patrones de carga.
En [46] y [47] se utilizan índices de sensibilidad de pérdidas para determinar

la mejor ubicación de la GD. En [46] se utiliza el equivalente de inyección
de corriente, evitando utilizar la matriz de admitancias, su inverso o el
Jacobiano. En [47] se utiliza una expresión analítica, basada en la fórmula
exacta de las pérdidas, para determinar el tamaño apropiado de la GD
que minimice las pérdidas de potencia.
En [48] se deducen expresiones analíticas para determinar no solo el

tamaño, sino también el factor de potencia de la GD para minimizar las
pérdidas de potencia.
46
En la tabla 10 se presenta un resumen de los aspectos considerados en la
ubicación y/o dimensionamiento de GD mediante métodos analíticos. En
este caso PLOSS QLOSS significan reducción en pérdidas activas y reactivas; V
significa mejora del perfil de tensiones, H disminución de armónicos y CC
mejora en el nivel de corto circuito. Además de las características técnicas
también se listan la disminución de emisiones contaminantes (E), estudios
relacionados con inversiones y costos (IC) y confiabilidad (C).
Tabla 10. Aspectos considerados en la ubicación y/o dimensionamiento de

GD (métodos analíticos).
Aspectos técnicos Aspectos socio-económicos y

Artículo ambientales
V PLOSS QLOS H CC E IC C
S
[42] x x
[43] x x
[44] x
[45] x
[46] x
[47] x
[48] x
7.2. MÉTODOS HEURÍSTICOS PARA UBICACIÓN Y/O DIMENSIONAMIENTO DE

GD.
En [49] se determina la ubicación óptima de GD usando un algoritmo

iterativo basado en un flujo de potencia continuado. La metodología
propuesta permite incrementar la capacidad de transferencia de
potencia y aumentar el margen de estabilidad de tensión. Un estudio
similar se presenta en [50] para maximizar la cargabilidad de la red.
En [51] se propone una metodología para la ubicación apropiada de GD

buscando optimizar eficiencia y confiabilidad.
En [52] se presenta un método heurístico para la ubicación óptima de GD

basado en un flujo de potencia óptimo. En este caso se analizan dos
47
objetivos por separado: la maximización del beneficio social neto y la
maximización del lucro. Las barras candidatas para ubicar la GD se
determinan usando dos índices: los precios marginales (obtenidos del flujo
óptimo) y el pago de los consumidores. El dimensionamiento de la GD se
determina variando de forma incremental la GD ubicada en un nodo en
particular.
En [53] se presenta una metodología que considera la evolución de la

generación y la carga en el tiempo, tomando en cuenta dos etapas de
cálculo. La etapa externa selecciona un conjunto de nodos candidatos a
través de un enfoque basado en factores de sensibilidad de pérdidas. La
etapa interna realiza una búsqueda exhaustiva para el cálculo de la
función objetivo que considera minimización de pérdidas de energía y
mejoramiento del perfil de tensiones.
En [54] se utilizan las sensibilidades de voltaje para determinar el nivel

máximo de potencia que puede ser inyectada por la GD, en cada barra
del sistema, sin violar los niveles de tensión de estado estable.
En [55] se propone un método heurístico para la ubicación y

dimensionamiento de GD. En este caso se presta especial importancia a la
visión del planeador respecto a la elección de factores de peso
apropiados que consideran los niveles de corto circuito, las pérdidas y el
perfil de tensión.
En [56] se utiliza una técnica de búsqueda iterativa convencional,

combinada con el método de flujo de carga de Newton Raphson, para
determinar la ubicación y tamaño de la GD que minimice costos y
pérdidas de potencia.
En [57] se propone un método heurístico, utilizando costos incrementales

de largo plazo, para identificar el tamaño y ubicación de la GD que resulte
en mayor potencial económico desde la perspectiva de beneficio social.
En [58] se presenta un algoritmo para determinar la ubicación óptima de

múltiples unidades de GD. El objetivo pretendido en [58] consiste en
ampliar los márgenes de estabilidad y reducir las pérdidas de potencia.
48
En [59] se propone un método heurístico que aborda la ubicación y
dimensionamiento de la GD como dos sub-problemas independientes. La
metodología propuesta en [59] se aplica a un sistema radial y busca
minimizar las pérdidas de potencia.
En [60] se propone un enfoque heurístico para el planeamiento de GD,

desde la perspectiva de una compañía de distribución, que busca la
reducción de costos en la inversión y la minimización de pérdidas de
potencia. El enfoque propone un análisis de costo beneficio, presentando
un plan de inversión en GD bajo un mercado de electricidad competitivo y
escenarios fijos de contratos bilaterales.
En la Tabla 11 se presenta un resumen de los aspectos considerados en los

métodos heurísticos para ubicar y/o dimensionar GD descritos en esta
sección.

GD (métodos heurísticos).
Aspectos técnicos Aspectos socio-económicos y

Artículo ambientales
V PLOSS QLOS H CC E IC C
S
[49] x x X
[50] x x X
[51] x x
[52] x
[53] x x
[54] x
[55] x x x
[56] x
[57] x
[58] x
[59] x x X
[60] x
49
7.3. MÉTODOS METAHEURÍSTICOS PARA UBICACIÓN Y/O
DIMENSIONAMIENTO DE GD.
En esta sección se describen algunas metaheurísticas aplicadas en la

determinación de la ubicación y/o dimensionamiento de GD. Dentro de
estas aplicaciones se destacan, entre otros, el uso de los algoritmos
genéticos, la optimización basada en enjambres de partículas y algoritmos
artificiales de colonias de abejas.
En [61] se presenta un abordaje multiobjetivo que modela la incerteza a

través de lógica difusa y considera la minimización de un índice monetario
(inversión y operación de GD), riesgos técnicos y riesgos económicos. Las
soluciones del frente de Pareto son obtenidas a través de un algoritmo
genético.
En [62] también se presenta un enfoque multiobjetivo para determinar la

mejor ubicación de la GD; esta vez teniendo en cuenta pérdidas, perfil de
tensiones y límite de cargabilidad.
En [63] se propone un algoritmo genético para la ubicación óptima de

GD buscando la reducción de pérdidas y mejoramiento del perfil de
tensiones. En este caso los autores consideran también el problema de
aumento de voltaje. En [64] se determina la ubicación y precio de contrato
considerando tecnologías de GD despachable. El enfoque de [64] está
basado en un marco de programación de dos niveles que involucra los
intereses del propietario de la GD y la compañía de distribución.
En [65] se estudia la ubicación de GD en relación con dispositivos de

protección para una determinada capacidad de GD, buscando mejorar
la confiabilidad.
En las referencias [66–79] se estudian y optimizan la localización y tamaño

de la DG en conjunto.
En [66] y [67] se presenta un método metaheurístico conocido como

optimización basada en enjambre de partículas (PSO por sus siglas en
inglés). El estudio presentado en [66] incluye diferentes modelos de carga
50
en un sistema de distribución con cargas de factor de potencia no unitario.
En este caso se busca minimizar pérdidas y mejorar el perfil de tensión,
teniendo en cuenta los límites de capacidad de la red y los niveles de
corto circuito de los dispositivos de protección. En [67] se busca minimizar el
costo de combustible, las pérdidas de potencia y mejorar el perfil de
tensiones.
En [68–73] se optimiza la ubicación y dimensionamiento de la GD mediante

algoritmos genéticos.
En [68] se propone una formulación multiobjetivo de GD en redes de

distribución. La metodología propuesta en [68] permite al planeador
decidir el mejor costo de la GD. En [69] se presenta un enfoque de GD en
relación con el control remoto de protecciones con un modelo de carga
multinivel anual. En [70] se da un enfoque que utiliza un algoritmo
estocástico, el cual analiza factores técnicos y económicos.
En [71] se estudian índices de rendimiento multiobjetivo en sistemas de

distribución con diferentes modelos de carga. En [72] se estudia la
restauración de servicio bajo condiciones de arranque en frio,
conservando la diversidad de carga bajo demanda de potencia
adicional. La metodología propuesta en [73] propone una función que
maneja la relación entre el beneficio obtenido por la instalación de GD y
los costos de inversión y operación incurridos en su instalación.
En [74] se hace uso de algoritmos artificiales de colonias de abejas (ABC

por sus siglas en inglés) Para determinar la ubicación y dimensionamiento
de la GD que minimice las pérdidas activas totales. En [75] se propone un
algoritmo de competencia imperialista (ICA por sus siglas en inglés) que
determina la ubicación y dimensionamiento óptimo de GD para reducir las
pérdidas de potencia y aplazar inversiones en nuevas redes.
En [76] se utiliza una metodología metaheurística basada en la dinámica

del salto de las ranas (shuffle frog leaping algorithm) para ubicar y
dimensionar GD con el objetivo de minimizar pérdidas y costo de la GD. En
[77] se presenta un algoritmo conocido como algoritmo de optimización
de apareamiento de abejas (HBMO por sus siglas en inglés). El objetivo de
51
dicho algoritmo es encontrar soluciones óptimas para generación de
energía renovable distribuida. Dicho algoritmo se caracteriza por tener un
repositorio externo que guarda soluciones que no quedaron en la solución
del Pareto óptimo.
En [78] se estudia la localización de GD incluyendo generación

fotovoltaica y eólica simultáneamente. Además se analiza la ubicación de
GD con el objetivo de tener un balance de potencia óptimo. Para la
ubicación de la GD se comparan dos metodologías distintas: algoritmos
genéticos elitistas y optimización basada en enjambres de partículas (PSO),
obteniendo mejores resultados con algoritmos genéticos.
En [79] se propone un modelo dinámico multiobjetivo para determinar la

ubicación, el dimensionamiento y el tiempo de inversión óptimo de GD y
otros componentes de red. En este caso se consideran restricciones
técnicas, costos y emisiones contaminantes. El modelo toma en cuenta
incertidumbres de carga, precio de electricidad, y generación eólica.
En [80] se hace uso de un algoritmo inmune para la solución de un modelo

dinámico en diferentes periodos considerando crecimiento de carga. Para
la ubicación y dimensionamiento de GD se consideran criterios
ambientales y económicos.
En [81] se estudia el dimensionamiento óptimo de la GD con algoritmos

genéticos, a través de la penetración de fuentes de energía renovables
acompañado de sistemas de almacenamiento de energía, con el objetivo
de disminuir el costo de inversiones en la red.
En [82] se propone un algoritmo genético dual para evaluar la máxima

capacidad admisible de generadores distribuidos conectados a la red de
distribución.
En la Tabla 12 se presenta una síntesis de los aspectos considerados en los

métodos metaheurísticos descritos en esta sección.
52
GD (métodos metaheurísticos).
Socio-económicas y
Técnicas
ambientales
Artículo/Variables
QLOS
V PLOSS H CC E IC C
S
[61] x x
[62] x x
[63] x x x
[64] x x x
[65] x
[66] x x x x
[67] x x x
[68] x x x
[69] x x
[70] x x x
[71] x x x
[72] x
[73] x x x
[74] x x x
[75] x x
[76] x x x
[77] x x x x
78] x
[79] x x
[80] x x
[81] x x
[82] x x
7.4. MÉTODOS HÍBRIDOS PARA UBICACIÓN Y/O DIMENSIONAMIENTO DE GD.
En [83] se presenta un método efectivo que guía a las compañías

eléctricas de distribución en la selección y ubicación de GD en un sistema
eléctrico enmallado. Este enfoque toma en cuenta límites del sistema,
maximiza el margen de cargabilidad, y los beneficios de las compañías de
distribución. Las funciones objetivos propuestas son convertidas en una sola
53
función multiobjetivo a través de lógica difusa, la cual es resuelta usando
algoritmos genéticos. El algoritmo genético considerado también utiliza un
controlador fuzzy para ajustar de forma dinámica las ratas de cruce y
mutación, para mantener la diversidad de población.
En [84] se propone una nueva estrategia de planeamiento de expansión

de sistemas de distribución con capacidad de entrega de potencia
reactiva a través de GD, de manera planificada e intermitente. Los tipos
de generación considerados son: eólica, solar y biomasa. En esta
referencia se analizan factores tales como la carga demandada,
velocidad del viento, y radiación solar usando modelos probabilísticos. El
problema de planeamiento propuesto es formulado mediante
programación mixta entera no lineal (MINLP por sus siglas en inglés). La
formulación es resuelta utilizando optimización de enjambres de partículas
(TRIBE PSO) y optimización ordinal.
En [85] se utiliza un enfoque que realiza un balance y compensación entre

la minimización de pérdidas y la maximización de la capacidad de la GD.
El enfoque consta de tres etapas. En la primera etapa se proponen
enfoques para el muestreo de un número pequeño de alternativas del
espacio de búsqueda de combinaciones potenciales. En la segunda
etapa el valor de la función objetivo para cada una de las alternativas
seleccionadas es evaluado mediante un modelo de programación lineal
habitual y computacionalmente eficiente. Después de lo anterior, en la
tercera etapa, las mejores alternativas evaluadas en la segunda etapa son
simuladas usando la programación de un flujo de potencia no lineal para
encontrar las mejores soluciones de localización y tamaño de GD.
En [86] se consideran las siguientes incertidumbres: Potencia requerida por

un vehículo eléctrico durante su carga, esto dado su calendario
estocástico de carga y descarga; Potencia de una fuente eólica o solar
por variaciones de velocidad del viento o intensidad solar; Volatilidad de
los precios de los combustibles; Crecimiento incierto en un futuro de la
carga. Para manejar las incertidumbres descritas se presenta un método
basado en programación por restricciones (CCP por sus siglas en inglés). El
método propone el desarrollo de un modelo matemático con la
minimización de costos de inversión, operación, mantenimiento y pérdidas
54
en la red, adicionalmente toma como restricciones las limitaciones de
seguridad y tiene como variables el tamaño y localización de la GD. El
modelo propuesto es resuelto mediante el uso de una simulación de
Montecarlo y un algoritmo genético incorporado.
En [87] se estudia un método hibrido consistente de un algoritmo genético

en conjunto con un flujo de potencia óptimo. En [88] se estudia un nuevo
algoritmo genético combinado con un algoritmo de enjambre de
partículas (PSO).
En [89] se propone un método hibrido de enjambres de partículas discreto

en conjunto con un flujo de potencia óptimo. El algoritmo propuesto
alcanza una mejor solución que la lograda con algoritmos genéticos, para
un número igual de iteraciones.
En [90] se presenta un modelo multiobjetivo de planeamiento de redes de

distribución que optimiza simultáneamente los beneficios de los operadores
de la red de distribución y de los propietarios de la GD. Además se tiene en
cuenta la incertidumbre de la carga, el precio de la electricidad y la
generación eólica usando el método de estimación de punto. Se usan un
algoritmo inmune acompañado de un algoritmo genético para resolver el
problema de optimización planteado. Se encontraron muy buenos
resultados en comparación con los resultados obtenidos por otras técnicas
heurísticas.
En la tabla 13 se muestra las variables estudiadas por los artículos

mencionados.
7.5. MÉTODOS BASADOS EN PROGRAMACIÓN MATEMÁTICA PARA

UBICACIÓN Y/O DIMENSIONAMIENTO DE GD.
En [91–98] se estudia la localización de GD.
En [91] se presenta una función multiobjetivo con aplicación de

programación dinámica. Se analizan cargas variables en el tiempo, para
55
llegar a resultados prácticos, entretanto todo el estudio y sus
requerimientos se basan en analizar la relación beneficio/costo de la GD.
Tabla 13. Variables de estudio de los artículos mencionados para métodos
híbridos.
Técnicas Socio-económicas, y
ambientales
Artículo/Variables V PLOSS QLOS H CC E IC C
S
[83] x x x x
[84] x
[85] x
[86] x x
[87] x
[88] x
[89] x x
[90] x x
En [92] se propone un enfoque probabilístico para energía eólica, en

sistemas de distribución. El modelo combina todas las condiciones de
operación posibles de GD eólica y los niveles de carga con sus
probabilidades, es por esto que este modelo es visto como un problema
de planeamiento determinístico. Se formula este caso a través de MINLP.
Las restricciones consideradas son: límites de voltaje en diferentes barras
(slack y barras de carga), capacidad del alimentador, tamaño discreto de
las unidades de GD, máxima inversión en cada barra, y máximo límite de
penetración de GD.
En la referencia [93] se explican los antecedentes de restricciones técnicas

presentadas para GD y se propone un nuevo método que usa
programación lineal para estas restricciones. En [94] se propone un nuevo
método de optimización de GD en sistemas de distribución de media
tensión. Se analizan restricciones técnicas tales como capacidad térmica,
capacidad de transformación, perfil de voltaje y nivel de cortocircuito.
Para probar el modelo se analiza un caso de estudio de una red real con
GD.
56
En [95] se utiliza MINLP y una metodología que genera un modelo
probabilístico que relaciona la generación y la carga. Para su solución se
combinan todas las posibles condiciones de operación y unidades de GD
renovable con sus probabilidades, y se analiza a través de planeamiento
determinístico, considerando límites de voltaje, capacidad de los
alimentadores, y tamaño discreto de las unidades de GD. La técnica se
aplica a un sistema de distribución típico rural con diferentes escenarios y
todas las posibles combinaciones de unidades de GD renovable.
En [96] se realiza un enfoque probabilístico basado en los costos asociados

con confiabilidad. Se parte de considerar los índices de confiabilidad
propuestos en la referencia [97] y se propone un nuevo parámetro
conocido como ECOST. Este índice relaciona, en una sumatoria, el número
de puntos de carga del sistema y de contingencias esperadas, la carga
dejada de atender por una contingencia dada, la frecuencia de las
contingencias, y el costo de la duración de la salida de una GD por una
contingencia dada.
Adicionalmente en [96] se analiza la relación beneficio costo,

comparando las pérdidas y el soporte de reactiva adicional, respecto a la
mejora de otros parámetros. En esta referencia se concluye que la
ubicación óptima de GD en cuanto a confiabilidad ocurre donde se
brinda un mayor acceso a los clientes de acuerdo a su demanda global o
prioridades.
En [98] se presenta un flujo de potencia óptimo AC multi-periodo, utilizando

esquemas de control de voltaje coordinado y modificación del factor de
potencia de la GD, considerando escenarios de demanda y generación
variables.
En [99-101] se estudia la localización y tamaño de GD.
En [99] se utiliza un método en mercados de electricidad híbridos, usando

programación mixta entera no lineal (MINLP). Se parte de identificar la
zona más apropiada, para instalar GD, a través del precio de la potencia
nodal, tomando como criterio económico y operacional un índice de
sensibilidad de pérdidas. Adicionalmente se tiene en cuenta la variación
57
de la demanda y se realiza una comparación con un mercado “pool” de
electricidad.
En [100] se propone un nuevo modelo matemático, haciendo uso de dos

software: MATLAB y GAMS, a través de la simulación de grandes sistemas
de distribución. Se busca establecer un nuevo precio de mercado para la
electricidad, para esto se consideran tres casos diferentes dependiendo
de las condiciones del sistema y tres escenarios diferentes dependiendo de
las diferentes alternativas de planeamiento y la estructura de los mercados
de electricidad.
En [101] se propone un nuevo modelo integrado usando variables de

decisión binaria, brindando decisiones de planeamiento precisas. Para lo
anterior se propone el análisis de tres escenarios para el abastecimiento de
la demanda de energía eléctrica, escenario A, escenario B y escenario C.
El escenario A consiste en expandir las subestaciones existentes, instalando
nuevos transformadores y nuevas líneas por sobrepasar las capacidades
térmicas de elementos antiguos del sistema. El escenario B consiste en
demandar más energía de una interconexión existente, lo cual puede
requerir mejorar la red de suministro de energía debido a problemas de
sobrecarga. En el escenario C se propone el uso de GD como una opción
alternativa y viable que no requiere inversiones grandes en infraestructura
eléctrica. En la tabla 14 se muestra las variables estudiadas por los artículos
mencionados.
Tabla 14. Variables de estudio de los artículos mencionados para métodos

de programación matemática.
Técnicas Socio-económicas, y
Artículo/Variables ambientales
V PLOSS QLO H CC E IC C
SS
[91] x x
[92] x x
[93] x x
[94] x x
[95] x x
58
[96] x x
[97] x
[98] x
[99] x x x x
[100] x x x
[101] x x
En la tabla 15 se muestra un resumen de las diferentes metodologías
expuestas para localización y dimensionamiento de GD, y en la figura 15 se
muestra la cantidad de publicaciones por año.
i
Tabla 15. Resumen de artículos publicados en cada una de las
metodologías consideradas para ubicación y dimensionamiento de GD.
Heurísticas
basadas Programación
Área/Metodología Analíticos Metaheurísticas Híbridos
en PF y matemática
OPF
Ubicación [42–44] [49,51,52] [61–65] [91–98]
Ubicación y
[46–48] [55–60] [66–82] [83–90] [99–101]
Dimensionamiento
Dimensionamiento [45] [50, 53, 54]
25
NÚMERO DE PUBLICACIONES POR
20 Metaheurísticos
15 Programación
matemática
AÑO
10
Heurísticos
5
Hibridos
0
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
Analíticos
AÑO
Figura 15. Número y tipo de publicaciones relacionadas con la localización

y dimensionamiento óptimo de GD en la última década.
59
8. ÍNDICES TÉCNICOS PARA CUANTIFICAR EL IMPACTO DE LA GD.
En esta sección se realiza una sensibilización a la localización y

dimensionamiento de GD en una red eléctrica de 34 nodos, tomando en
cuenta cuatro tipos de tecnologías: Eólica, solar, biomasa y convencional
(Diésel). Para cada estación del año se consideran valores promedios de
demanda, como también valores promedios de generación eólica y solar.
Adicionalmente, se establece que en todas las zonas donde se encuentra
la red eléctrica, los regímenes de viento y radiación solar son uniformes.
La sensibilización realizada se basa en los índices propuestos en [102]. En

esta referencia los autores proponen tres índices técnicos: i) índice de
reducción de pérdidas, ii) índice de mejora de perfil de voltajes e iii) índice
de reducción de emisiones. Adicionalmente, se considera un índice global
de beneficios que integra los tres índices mencionados. En [99] los autores
no consideran la variabilidad de la demanda en el tiempo. Además, no se
presentan análisis de estos índices con respecto a diferentes tipos de
tecnologías de GD. En este capítulo se presenta una generalización de
dichos índices considerando la variabilidad de la demanda y diferentes
tecnologías de generación.
8.1. INDICES PARA VALORAR EL IMPACTO DE LA UBICACIÓN Y CAPACIDAD

DE LA GD.
Los índices considerados en este trabajo deben ser positivos bajo

condiciones normales de operación. A continuación se describe
brevemente cada uno de los índices.
8.1.1. Índice de mejora de perfil de voltaje.
Este índice permite cuantificar la mejora del perfil de voltaje de la red

eléctrica al conectar GD, y se define como la relación entre los perfiles de
60
tensión con y sin generación distribuida como se indica en la ecuación (1).
El rango establecido para dichos perfiles es: 0.9-1.1 en por unidad.
Dónde:
En este artículo se ha definido el perfil de voltaje sobre Nt intervalos de

tiempo (ver ecuación (2)). Adicionalmente se considera la carga y un
factor de peso que permite asignar mayor o menor importancia a
determinados usuarios.
Dónde:
61
8.1.2. Índice de reducción de pérdidas en las líneas de distribución.
Este índice cuantifica la reducción de pérdidas eléctricas al conectar GD,

y está dado por la ecuación (4). En este caso, como se indica en las
ecuaciones (5) y (6) se han tenido en cuenta Nt intervalos de tiempo.
Donde:
Dónde:
8.1.3. Índice de reducción de emisiones.
Este índice se define en la ecuación (7) y permite cuantificar la reducción

de emisiones en Nt intervalos de tiempo, debidas a contaminantes tales
como: Dióxido de Carbono (CO2), Dióxido de Azufre (SO2), y NOX (Óxido de
Nitrógeno). Es definido como:
62
Donde es el factor de peso para el contaminante i-ésimo y NP es el
número total de contaminantes a ser considerados.
Se tiene que:
Dónde:
Para este artículo se asume que el 30% de la generación eléctrica es

térmica. Por lo tanto se supone un
Observaciones:
Para el índice VPII.
63
 , indica una mejora.
 indica que no hay mejora.
 , indica que hay una desmejora.
Para LLRI y EIRI.
 , indica mejora en la reducción de pérdidas eléctricas o

emisiones.
 indica que las pérdidas eléctricas o emisiones siguen
iguales.
 , indica que se presenta un incremento en las pérdidas
eléctricas ó emisiones, al conectar GD.
8.1.4. Índice global de beneficios.
Se considera un índice que cuantifica el beneficio obtenido a nivel global,

debido a la conexión de GD, acorde con la mejora en el perfil de voltaje
en cada nodo, y la reducción de pérdidas y emisiones contaminantes. Es
definido como:
Dónde:
64
8.2. PRUEBAS Y RESULTADOS.
Para analizar los índices descritos en la sección anterior se emplea el

sistema de prueba de 34 barras ilustrado en la figura 16. Este sistema es una
versión monofásica del sistema IEEE de 34 barras presentado en [103].
La distribución de la demanda, para una carga base de 15MW se ilustra en

la figura 17. En este caso se considera que la variación de carga en cada
nodo es constante y obedece a la curvas de demanda en p.u ilustradas
en la figura 18. Adicionalmente, se considera que el sistema tiene un factor
de potencia constante de 0.9487 y que la generación distribuida
solamente entrega potencia activa.
34
15 32
12 29
10 25 27
2 3 4 6 7 8 11 28 31
SE 22
9 14 24 26
20 30
21 23
1 5 33
18
13 16 17 19
Figura 16. Sistema de prueba de 34 barras.
65
4
Demanda (MW)
3
0
0 5 10 15 20 25 30 35
Bus
Figura 17. Distribución de la demanda en la red de 34 barras.
1,4
1,2
1
Demanda (P.U)
Inviern
0,8 o
0,6 Otoño
y
0,4 Primav
era
0,2
0
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Hora del Día(h)
Figura 18. Curvas de demanda anual [14].
8.2.1. Consideraciones para las tecnologías de GD.
Uno de los aportes de este trabajo, con respecto a la referencia [99], es

que se han considerado diferentes tipos de tecnología de GD con sus
respectivas curvas de generación. Con respecto a tecnologías de
generación renovables se consideran unidades de generación eólica, solar
y biomasa.
66
Adicionalmente, se considera generación convencional a base de
combustibles fósiles. Para todas las tecnologías analizadas se supone una
potencia máxima de 0.5MW. En las figuras 19 y 20 se ilustran las curvas de
generación eólica y solar utilizadas para este estudio, las cuales se basan
en las curvas presentadas en [104] y [105], respectivamente.
0,5125
0,5
Generación Eólica(MW)
0,4875
0,475
0,4625
0,45
0,4375 Invierno
0,425 Otoño y Primavera
0,4125 Verano
0,4
0,3875
0,375
0,3625
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora del Día(h)
Figura 19. Curvas de generación eólica para las diferentes estaciones del
año.
0,55
0,5
Generación Solar(MW)
0,45
0,4
0,35
0,3 Invierno
0,25 Otoño y Primavera
0,2
Verano
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora del Día(h)
Figura 20. Curvas de generación solar para las diferentes estaciones del
año.
67
Para cuantificar las emisiones contaminantes de la generación
convencional, se supone un generador tipo 1 de la tabla 16 [102]. Además,
se considera un factor de peso igual para cada contaminante.
Tabla 16. Emisiones contaminantes de generación convencional.
Tipo de Generador CO2 en Kg/MWh SO2 en Kg/MWh NOX en Kg/MWh

1 850 1.0 1.2
2 750 0.8 1.0
3 900 1.1 1.3
Para determinar los impactos de la GD se realizaron varias simulaciones

con el sistema de prueba ilustrado en la figura 16. El objetivo de este
ejercicio es analizar el impacto de la ubicación y dimensionamiento de la
GD con los índices propuestos. Para los cálculos de flujo de carga se utilizó
el software Matpower [106].
Se consideraron dos casos de estudio:
En el caso A se examinan cuatro configuraciones. Cada

configuración corresponde a la ubicación de 6 unidades del mismo
tipo de tecnología.
En el caso B se examinan los índices para cada una de las estaciones

del año.
En el caso C se realizan únicamente combinaciones de generadores

eólicos y solares
En el caso D se compara los beneficios de conectar generación

distribuida en diversos nodos, respecto a ubicar generación de
forma centralizada.
Finalmente se realiza un análisis de sensibilidad que muestra hasta donde

se puede inyectar potencia activa sin empeorar el índice de reducción de
pérdidas.
68
8.2.2. CASO A: 6 unidades de GD, de la misma tecnología, ubicadas en
diferentes nodos.
En este caso se ha considerado la distribución de 6 unidades de GD

acorde a las siguientes configuraciones:
- Configuración 1: Cada tres nodos a partir del nodo 3.
- Configuración 2: Cada dos nodos, a parir del nodo 22.
- Configuración 3: Tres unidades en los primeros nodos y tres en los últimos.
- Configuración 4: Dos unidades cerca de la subestación, dos en los nodos

intermedios y dos al final del sistema.
Las configuraciones se describen en la tabla 17.
Tabla 17. Nodos seleccionados para cada configuración.
Configuración Nodos
1 3-6-9-12-15-18
2 22-24-26-28-30-32
3 1-2-3-24-25-26
4 1-2-12-13-23-24
Con el fin de determinar el impacto de las tecnologías de GD sobre los

índices propuestos, para cada configuración se realizan 4 simulaciones,
cada una con una tecnología diferente. En las figuras 21 a 24 se ilustran los
resultados obtenidos.
69
1,05
1,045
1,04
Eólica
1,035
VPII 1,03 Solar
1,025
Biomasa ó
1,02 convencional
1,015
1,01
1 2 3 4
Configuración
Figura 21. Índice de mejora de perfil de voltaje.
1
0,9
0,8
0,7 Eólica
0,6
LLRI
0,5 Solar
0,4
0,3 Biomasa o
0,2 convencional
0,1
0
1 2 3 4
Configuración
Figura 22. Índice de reducción de pérdidas.
1,5
Eólica
EIRI
1 Solar
Biomasa
0,5
Convencional
0
1 2 3 4
Configuración
Figura 23. Índice de reducción de emisiones.

70
1,8
1,6
1,4
1,2 Eólica
1
Solar
BI
0,8
Biomasa
0,6
0,4 Convencional
0,2
0
1 2 3 4
Configuración
Figura 24. Índice de beneficio global de GD.
En las figuras 21 a 24, se observa que la configuración 2 es la que mejores

resultados reporta para cada uno de los índices. Esto ocurre porque en
dicha configuración se ubica la GD en los nodos más alejados de la
subestación, lo que permite una mayor disminución de las pérdidas
eléctricas y reducción del consumo de energía eléctrica proveniente de la
red.
Los valores más bajos en los índices técnicos fueron obtenidos en la

configuración 1, la cual corresponde a ubicaciones de la GD cercanas a
la subestación. En este caso, la reducción en las pérdidas totales de la red
es poco significativa (el índice LLRI es alto), lo que a su vez genera un
impacto bajo en la mejora del perfil de voltaje y en la reducción de
emisiones contaminantes.
Las tecnologías de generación de biomasa y convencional, entregan los

valores más altos de energía al sistema (estas tecnologías no son
intermitentes). Dadas las condiciones de generación de estas dos
tecnologías se puede decir que ambas generan los beneficios más altos en
cuanto mejora de perfil de voltaje y reducción de pérdidas (figuras 21 y
22). Sin embargo, acorde con las emisiones contaminantes, la generación
a base de biomasa entrega un índice global, BI mejor (ver figura 21).
En la figura 24 se observa que para la configuración 2, el beneficio global

obtenido con generación convencional es mayor que el obtenido con
71
generación solar, lo que no ocurre para las demás configuraciones. Esto se
debe a que la generación convencional, para dicha configuración, brinda
beneficios altos en reducción de pérdidas y mejora de perfil de voltaje a
pesar de que la reducción de emisiones es baja.
Se observa que el índice de reducción de emisiones (figura 23) no es

sensible a la ubicación de la GD. Este índice depende más del tipo de
tecnología utilizada que de la ubicación.
En la tabla 16, se presenta una valoración cualitativa para cada una de las
tecnologías según el impacto positivo que tienen sobre cada uno de los
índices, siendo 4 el impacto más alto y 1 el impacto más bajo.
Tabla 18. Valoración cualitativa de las tecnologías.
TECNOLOGÍAS VPII LIRI EIRI BI

Eólica 3 3 3 3
Solar 1 1 2 2
Biomasa 4 4 4 4
Convencional 4 4 1 1
8.2.3. CASO B: Índices para 6 generadores de la misma tecnología en cada

una de las estaciones del año.
En esta sección se analiza el comportamiento de los índices técnicos de la

GD considerando las tecnologías de generación a base de biomasa,
eólica y solar, de acuerdo a las estaciones del año. Para la ubicación de
los generadores se ha seleccionado la configuración 2 de la sección
anterior, ya que es la configuración que mejores resultados registra.
En las figuras 25 a 28 se muestran los resultados obtenidos para la

valoración de los índices técnicos.
72
1,07
1,06
1,05
1,04
Eólica
VPII
1,03
1,02 Solar
1,01 Biomasa
1
0,99
Invierno Otoño y Verano
Primavera
Estación del Año
0,9
0,8
0,7
0,6
0,5 Eólica
LLRI
0,4 Solar
0,3
0,2 Biomasa
0,1
0
Primavera
Estación del Año

1,1
1
0,9
0,8
0,7
0,6 Eólica
EIRI
0,5
0,4 Solar
0,3 Biomasa
0,2
0,1
0
Primavera
Estación del Año
73
4
3,5
3
2,5
Eólica
BI 2
Solar
1,5
Biomasa
1
0,5
0
Primavera
Estación del Año
En la tabla 19 se presenta de forma resumida, en que estación se obtiene

el mejor valor para cada uno de los índices.
Tabla 19. Estaciones que mejores resultados registran para los índices.
Estación donde se
Índice
presenta el mejor valor
VPII Invierno
LLRI Verano
EIRI Verano
BI Verano
Dado que la cargabilidad de la red eléctrica es alta en invierno, al

conectar GD, el cambio en el índice de mejora de perfil de voltaje, es más
notable en invierno que en verano, otoño o primavera, estaciones en las
que la demanda de la red es menor (ver figura 25).
En verano la demanda del sistema es más baja, por lo tanto, el impacto de

la GD es mayor. Esto se refleja especialmente en los índices de emisiones y
pérdidas, los cuales afectan de manera considerable el índice global (ver
figuras 25 a 28).
74
8.2.4. CASO C: Combinaciones de generadores eólicos y solares.
Con esta prueba se pretende analizar cada uno de los índices bajo
estudio cuando se ubican, únicamente, generadores solares y eólicos en la
red eléctrica en consideración. Para tal fin, se utilizan las cuatro
configuraciones del CASO A combinando los generadores en las siguientes
formas:
Distribución 1: Tres generadores eólicos en los tres primeros nodos y

tres generadores solares en los nodos restantes de la configuración
seleccionada.
Distribución 2: Tres generadores solares en los tres primeros nodos y

tres generadores eólicos en los nodos restantes de la configuración
seleccionada.
Distribución 3: Tres generadores eólicos, ubicados el primer, tercer y

quinto nodo de la configuración seleccionada. Tres generadores
solares, ubicados en el segundo, cuarto y sexto nodo de la
configuración seleccionada.
Distribución 4: Tres generadores solares, ubicados el primer, tercer y

quinto nodo de la configuración seleccionada. Tres generadores
eólicos, ubicados en el segundo, cuarto y sexto nodo de la
configuración seleccionada.
Los resultados obtenidos se ilustran en las figuras 29 a 32.
1,04
1,035
1,03 Distribución 1
Distribución 2
VPII
1,025
Distribución 3
1,02
Distribución 4
1,015
1 2 3 4
Configuración
75
0,9
0,8
0,7
0,6 Distribución 1
0,5
Distribución 2
LLRI
0,4
0,3 Distribución 3
0,2 Distribución 4
0,1
0
1 2 3 4
Configuración
1
0,95
0,9 Distribución 1
EIRI
0,8 Distribución 3
0,7
1 2 3 4
Configuración
1,35
1,3
1,2 Distribución 2
BI
Distribución 4
1,1
1,05
1 2 3 4
Configuración
76
Según los resultados obtenidos de las simulaciones, se encuentra que:

La distribución 2 es la que mejores índices presenta para cada una de las
configuraciones, contrario a lo que sucede con la distribución 1 que es la
que peores resultados reporta. Debido a que disponer los generadores de
mayor capacidad en los nodos más alejados de la subestación disminuye
de forma más notable las pérdidas eléctricas y las caídas de tensión.
Es de notar que el índice de emisiones contaminantes presenta poca

variabilidad para cada una de las configuraciones y distribuciones dadas,
puesto que se considera que las tecnologías analizadas no generan
dichas emisiones y la potencia inyectada al sistema no reduce de forma
significativa la potencia entregada por la subestación y a su vez las
emisiones asociadas a esta. (Ver figura 31)
En la configuración 2 se presentan los mejores resultados para cada uno
de los índices. Es de notar que debido a la característica de esta
configuración (nodos alejados de la subestación), el efecto que tiene la
distribución de los generadores sobre los índices es despreciable en
comparación con el efecto generado por la lejanía.
La distribuciones 3 y 4, presentan mejores índices con respecto a la

distribución 1, ya que la distancia promedio de los generadores solares es
menor que la distancia promedio de los generadores eólicos, lo que
optimiza la reducción de pérdidas eléctricas y emisiones contaminantes y
mejora el perfil de voltaje de la red eléctrica en consideración.
8.2.5. CASO D: Comparación de generadores distribuidos con respecto a

un solo generador centralizado.
Esta prueba consiste en inyectar al sistema un total de 3.4MW,

cuantificando cada uno de los índices bajo estudio y considerando los
siguientes casos:
Caso 1: Un solo generador de 3.4MW ubicado en el nodo final (34).
77
Caso 2: Un solo generador de 3.4MW ubicado en el nodo 17.
Caso 3: Generadores distribuidos cada 4 nodos, a partir del nodo 4 hasta el

nodo 32. Con una inyección individual de 0.425MW.
Caso 4: Generadores distribuidos cada 2 nodos, a partir del nodo 4 hasta el

nodo 32. Con una inyección individual de 0.226MW.
Los resultados obtenidos se ilustran en las figuras 33 a 36.
1,08
1,07
1,06
1,05
Caso 1
1,04
VPII
Caso 2
1,03
Caso 3
1,02
1,01 Caso 4
1
0,99
Solar Eólica Biomasa ó
Convencional
Tecnología de Generación
1
0,9
0,8
0,7
Caso 1
0,6
Caso 2
LLRI
0,5
0,4 Caso 3
0,3 Caso 4
0,2
0,1
0
Solar Eólica Biomasa ó
Convencional
78
8,59
7,58
6,57
5,56
4,55
EIRI
3,54
2,53 Caso 1
1,52 Caso 2
0,51
0 Caso 3
Caso 4
9
8,5
8
7,5
7
6,5
6
5,5 Caso 1
5
4,5 Caso 2
BI
4
3,5 Caso 3
3
2,5 Caso 4
2
1,5
1
0,5
0
Solar Eólica Biomasa Convencional
El caso 4 es el que mejores resultados registra para cada uno de los índices,
excepto para el índice de reducción de emisiones de los generadores
convencionales. En este caso, la generación distribuida conectada en la
red, se reparte entre el mayor número de buses del sistema propuesto. Por
consiguiente, un mayor número de generadores asumen parte de la
demanda conectada en cada uno de los buses de la red, demandándose
79
menos energía de la subestación e impactando la reducción de pérdidas
y los perfiles de voltaje de forma positiva.
Es de recordar que los generadores convencionales bajo estudio, están
caracterizados por producir emisiones contaminantes en su proceso de
producción de energía, por lo tanto las emisiones son más altas.
Los casos 1 y 2 presentan los resultados de menor cuantía para cada uno
de los índices propuestos, excepto para generadores convencionales, con
los cuales se obtienen los mejores valores por reducción de emisiones (a
menor número de generadores convencionales se asocian menores
emisiones contaminantes). Es de notar que en los casos en consideración,
la generación está ubicada en un solo nodo, por lo tanto se hace un
mayor uso de la red para suplir la demanda de energía eléctrica.
Se observa que las tecnologías de generación con biomasa y eólica

impactan de forma muy similar la reducción de pérdidas de energía
eléctrica y la mejora de los perfiles de voltaje, ya que las inyecciones de
potencia de estas dos tecnologías son relativamente comparables. Lo que
no ocurre con la tecnología de generación solar cuyo valor promedio de
potencia es el más bajo de las tecnologías consideradas.
8.2.6. Variación del índice de pérdidas respecto a la capacidad de la GD.
En esta sección se analiza el comportamiento de las pérdidas eléctricas

cuando se aumenta la potencia inyectada por la GD. Se pudo observar
que existe un límite a partir del cual la GD no contribuye a la reducción de
pérdidas, sino que por el contrario, aumenta las pérdidas. Este límite
depende de la topología de la red, la demanda y la ubicación de la GD.
Para el sistema implementado en este artículo, se analizó el impacto de la

capacidad de la GD sobre el índice de reducción de pérdidas. En este
análisis se tomaron las 4 configuraciones estudiadas en el caso A,
considerando un aumento gradual en la potencia entregada por la GD,
considerando solo generadores a base de biomasa. En la figura 37 se
ilustran los resultados obtenidos.
80
La restricción de inyección máxima de potencia corresponde al punto
donde se obtiene el índice de reducción de pérdidas más bajo, la
restricción depende de la ubicación de los generadores. Para la
configuración de GD en los nodos más lejanos de la subestación
(configuración 2), se tiene la restricción más baja de inyección de
potencia, debido a que se requiere menos potencia para mejorar el
índice de reducción de pérdidas en comparación con otras
configuraciones.
1
0,9
0,8
0,7
0,6 Configuración 1
LLRI
0,3
Configuración 4
0,2
0,1
0
0 5 10 15
Potencia Inyectada (MW)
Figura 37. Curvas para el índice de reducción de pérdida.
81
9. METAHEURÍSTICAS ADOPTADAS PARA LOCALIZAR GD.
En este capítulo se describen tres metaheurísticas empleadas para

localizar GD. Las metodologías seleccionadas para este propósito son:
- Recocido Simulado.
- Búsqueda Local Iterativa.
- Algoritmos Genéticos.
9.1. RECOCIDO SIMULADO (RS).
Es un método que fue desarrollado por Kirkpatrick et al (1983) y Cerny

(1985), nace como una analogía del proceso de “recocido simulado”
empleado a nivel industrial, para obtener materiales más resistentes o más
cristalinos (es decir con mejores propiedades) [107-109], mediante las
siguientes etapas:
1. Se lleva el material a una temperatura alta, lo cual genera que los

átomos adquieran una distribución aleatoria dentro de la estructura
del mismo y por consiguiente un estado de energía máximo.
2. Se enfría el material de forma lenta, por etapas, dejando que en

cada etapa los átomos lleguen a un estado de “equilibrio”.
3. Al final del proceso, los átomos forman una estructura cristalina

altamente regular, con lo que el material alcanza una máxima
resistencia y un estado de energía mínimo.
En las tablas 20 y 21 tomadas de [108] y [108-110], respectivamente., se

muestra la analogía entre una simulación termodinámica y una
optimización combinatorial y los parámetros a configurar en un RS,
respectivamente.
82
9.1.1. MECANISMOS DE ENFRIAMIENTO PARA UN RS.
Existen varios operadores de enfriamiento utilizados en un RS, entre los que

se encuentra [108].
Tabla 20. Analogía entre simulación termodinámica y optimización

combinatorial.
Simulación Optimización
termodinámica combinatoria
Estados del sistema Soluciones factibles
Energía Coste
Cambio de estado Solución en el entorno
Temperatura Parámetro de control
Estado congelado Solución heurística
Tabla 21. Parámetros a configurar en un RS.
Parámetros a configurar
Decisiones genéricas Decisiones específicas
Temperatura inicial. Solución inicial.
Estrategia de generación del
Temperatura final
vecindario (Nuevas
(Criterio de parada)
soluciones).
Función de disminución de Función objetivo del
temperatura. (Operador de problema. ¿Qué se
enfriamiento). quiere optimizar?
9.1.1.17. Enfriamiento de Tipo Geométrico.
Se establece una variación de la temperatura dada por la siguiente

expresión geométrica:
83
Dónde:
Acorde con estudios realizados, valores adecuados para se encuentran

entre 0.8 y 0.99, debido a que con estos, la velocidad de variación de la
temperatura es alta.
9.1.1.18. Enfriamiento de Lundy y Mees.
Este método establece una variación lenta de la temperatura, dada por la

siguiente expresión:
Dónde:
9.1.2. ETAPAS DEL FUNCIONAMIENTO DE UN RS.
Se sigue el siguiente procedimiento [108,111]:
1. Se inicia el proceso con una temperatura alta en la cual toda la

solución posible tiene un alto grado de aceptación, tomándose de
forma aleatoria la solución inicial.
2. El RS permite movimientos ascendentes para evitar quedar

atrapado en óptimos locales. El método de recocido simulado
permite aceptar soluciones peores, controlando los movimientos
hacia dichas soluciones mediante una función de probabilidad que
restringe visitarlas a medida que la búsqueda avanza y la
temperatura decrece. La función de probabilidad viene dada por:
84
Dónde:
 Si se acepta la nueva solución sin necesidad de evaluar la

probabilidad .
 Si se genera la probabilidad y se compara con número

aleatorio, generado entre cero y uno. Si es mayor que el nuevo
aleatorio, se acepta la nueva solución. Es de notar que a medida
que la temperatura decrece, la probabilidad de aceptación de
soluciones peores es cada vez menor.
El algoritmo básico para implementar un RS se muestra en la figura 38,

tomada de [108].
9.1.3. APLICACIONES DE RS.
Algunas aplicaciones que se han realizado con recocido simulados son las
siguientes [107, 112, 113]:
 Diseño de:
- Horarios para instituciones educativas y calendarios de
eventos deportivos.
- Redes hidráulicas.
- Cadenas logísticas.
- Patrones de corte de materia prima.
 Asignación de:
- Trenes en sistemas ferroviarios.
- Espacio en plantas industriales.
- Espacio en estanterías.
85
 Programación de:
- Cirugías y exámenes académicos.
- Producción.
 Disposición de recursos en proyectos.

 Ruteo de vehículos.
9.2. BÚSQUEDA LOCAL ITERATIVA. (ILS)
Es un método que aplica de forma iterativa un procedimiento de

búsqueda local con la capacidad de generar una sucesión de soluciones
que convergen a un resultado mucho mejor del que se conseguiría
aplicando repetidamente el mismo método de búsqueda de forma
aleatoria. Este método fue Propuesto inicialmente en la Tesis doctoral de
Thomas Stützle, 1998. [114, 115]
Sea f(s) el coste de la solución s y sea N(S) su entorno.

Seleccionar una solución inicial S0;
Seleccionar una temperatura inicial t 0 > 0;
Seleccionar una función de reducción de la temperatura α;
Seleccionar un número de iteraciones nrep;
Seleccionar un criterio de parada;
REPETIR
REPETIR
Seleccionar aleatoriamente una solución S ϵ N (S0)
Sea ;
SI ENTONCES S0=S
SINO
Generar aleatoriamente U ϵ U (0,1).
SI
FINSINO
HASTA QUE cuenta iteraciones=nrep
HASTA QUE criterio de parada =CIERTO
La mejor solución visitada será la solución heurística dada por el

algoritmo.
Figura 38. Algoritmo básico de un recocido simulado.
86
9.2.1. PARÁMETROS DE UN ILS.
Se deben configurar los siguientes parámetros [116]:
 Solución inicial. Se puede establecer un método de generación de

la solución inicial, o generarse de forma aleatoria.
 Búsqueda Local. Permite encontrar el mínimo o máximo local de una

región del espacio de soluciones que se está analizando. Es la parte
fundamental de un ILS.
 Perturbación. Hace referencia al número de elementos de la

solución que son modificados. Tanto la búsqueda local como la
perturbación, se les debe dar el mismo grado de importancia, ya
que de esta manera se reduce la probabilidad de regresar a
mínimos o máximos locales visitados con anterioridad.
El mecanismo de perturbación es muy importante, ya que este

indica el grado de intensificación o diversificación de un ILS. En la
figura 37 se muestra la clasificación de los mecanismos de
perturbación.
Algoritmo de
Fuertes búsqueda
aleatoria
Perturbaciones
Diversificación
limitada
Débiles
Alto riesgo de
regresar a un
óptimo local
Figura 39. Selección de mecanismo de perturbación.
 Criterio de aceptación. Este puede ser dividido en dos tipos:
87
- Por intensificación: solo se aceptan soluciones mejores que las
obtenidas anteriormente, pero se restringe el espacio de
búsqueda.
- Por diversificación: se aceptan soluciones tanto mejores como

peores, pero con un espacio de búsqueda mucho más
amplio.
9.2.2. ETAPAS DE FUNCIONAMIENTO DE UN ILS.
Se siguen los siguientes pasos [116-117]:
1) Se genera una solución inicial (Punto de partida dentro del espacio

de búsqueda).
2) Se perturba la solución seleccionada en el paso 1, con lo que se

obtienen nuevos nuevas soluciones.
3) Se aplica una búsqueda local en el espacio de soluciones generado

en el paso 2. Se selecciona la mejor solución acorde con el criterio
de aceptación establecido.
4) Si no se acepta ninguna de las soluciones del paso 3, se regresa a la

solución inicial dada en el paso 1 y se repite el mismo procedimiento
a partir del paso 2. Si se acepta, se renueva la solución inicial y se
reanuda una nueva búsqueda a partir del paso 1, hasta cumplir el
criterio de finalización establecido.
5) Se puede partir de una nueva solución para inicializar la búsqueda

(operador de rearranque), si durante varias iteraciones no se tiene
una mejora sustancial de la función objetivo.
El algoritmo básico de un ILS se muestra en la figura 40.
88
Sea la solución inicial
REPETIR
HASTA QUE Criterio de

parada=CIERTO
Figura 40. Algoritmo básico de un ILS.
Los algoritmos ILS se caracterizan por los siguiente aspectos [118]:
 Tienen tres componentes (Heurístico inicial, perturbación, búsqueda

local) y pocos parámetros de configuración (Criterio de parada y
control de la perturbación).
 Son Eficaces y rápidos.
 Su desventaja radica en el afinamiento de la perturbación.
9.2.3. APLICACIONES DE ILS.
Algunas aplicaciones de ILS [118] son:
 Solución del problema del agente viajero (TSP por sus siglas en inglés
Travelling Salesman Problem).
 Problemas de planificación.
 Bipartición de grafos.
 MAX-SAT (Maximum Satisfiability problem, por sus siglas en ingles).
 Programación de piezas en un sistema de flujo hibrido (flowshop).
89
9.3. ALGORITMO GENÉTICO (AG).
Se fundamenta en la teoría de la evolución de Charles Darwin y en la

genética natural, las cuales establecen que la evolución de las especies
está influenciada por un proceso de selección que lleva a la supervivencia
de los individuos genéticamente mejor dotados para adaptarse a un
medio ambiente cambiante Inicialmente, fue desarrollado por John
Holland en la década del 70 como una técnica de búsqueda a través de
la generación de nuevos individuos (soluciones) [5].
9.3.1. PARÁMETROS DE UN AG.
Se deben de configurar los siguientes [5]:
 El método de generación de la población inicial.

 El método de selección.
 Los parámetros de control (Tamaño de población, tasa de mutación
y tasa de recombinación)
 Criterios de parada.
9.3.2. ETAPAS DE FUNCIONAMIENTO DE UN AG.
En un AG se deben tener presente los siguientes pasos [5, 119]:
1. Población inicial: se toma un conjunto de soluciones candidatas.

Generalmente son obtenidas en forma aleatoria, pero se debe
analizar la posibilidad de implementar otros métodos, ya que la
velocidad y calidad de la respuesta del algoritmo están asociadas a
una adecuada selección de las condiciones iniciales del problema.
La representación de cada individuo se conoce como cromosoma
el cual tiene una codificación dada (Genotipo), y es una posible
solución al problema planteado (Fenotipo). Los cromosomas son
implementados a través de vectores ó matrices. Cada componente
de estos vectores ó matrices se conoce como gen. Los valores que
pueden asumir dichos genes, se conocen con el nombre de alelos.
90
2. Evaluación de la población inicial: Se evalúa cada solución
mediante una función objetivo.
3. Proceso de selección: Se seleccionan las mejores soluciones

encontradas en el paso 2. El proceso de selección debe ser un
mecanismo que permita a los individuos “buenos” tener una alta
probabilidad de supervivencia y a los considerados “malos” una
baja probabilidad pero sin permitir su eliminación.
4. Mutación y Recombinación. Con estos dos operadores se generan

nuevos individuos (Nueva población).
5. Criterio de parada.
Nota: La búsqueda de un algoritmo genético requiere equilibrar dos

objetivos: El aprovechamiento de las mejores soluciones y la exploración
del espacio de soluciones.
Una descripción resumida de un algoritmo genético se muestra en la figura

41 tomado de [119].
9.3.3. CODIFICACIÓN DE UN CROMOSOMA.
Existen variables de decisión de un problema, las cuales pueden ser

binarias, enteras o reales. Los primeros algoritmos genéticos transformaban
variables enteras y reales a codificación binaria. En la actualidad se usan
codificaciones de las variables de forma binaria entera o real [5, 119].
9.3.4. MÉTODOS DE SELECCIÓN.
Existen diferentes métodos [120], entre los que se destacan:
Elitista: Se seleccionan los individuos más aptos para la próxima

generación.
91
Inicializar la población
Evaluar cada individuo de

la población
Proceso de selección
Proceso de recombinación
Proceso de mutación
Figura 41. Algoritmo básico de un AG.
Proporcional a la aptitud: Los individuos más aptos tienen mayor

probabilidad de ser seleccionados pero no hay certeza de que esto
ocurra.
Por ruleta: Establece que la probabilidad de que un individuo sea

seleccionado es proporcional a la diferencia entre su aptitud y la de los
demás competidores.
Escalada: Es utilizada para seleccionar individuos de un conjunto en el que

todos los individuos presentan grandes aptitudes y solo los distinguen
pequeñas diferencias.
Por torneo: Se seleccionan subgrupos de individuos de la población total, y

compiten entre sí los miembros de cada subgrupo. Luego de cada
subgrupo se elige un solo individuo para continuar la reproducción.
Generacional: La descendencia de los individuos seleccionados en cada

generación se convierte en toda la siguiente generación. No se conservan
individuos entre las generaciones.
92
Por estado estacionario: Solo unos pocos de los individuos de la anterior
generación son reemplazados por nuevos individuos. Normalmente una
pequeña cantidad de los peores individuos son reemplazados por los hijos
resultantes de las operaciones de cruce y mutación de los mejores
individuos [118].
Jerárquica: En cada generación los individuos nuevos son sometidos a

evaluaciones. En las primeras generaciones las evaluaciones para
seleccionar los individuos participantes de las próximas generaciones, no
son rigurosas, es decir se presenta muy poca discriminación. Pero a medida
que se evoluciona a generaciones más altas los individuos son sometidos a
evaluaciones mucho más rigurosas.
Por rango: A cada individuo se le asigna un rango numérico basado en su

aptitud, y la selección se basa en este ranking, en lugar de las diferencias
absolutas en aptitud. Con este método se garantiza diversidad en el
algoritmo genético.
9.3.5. OPERADOR DE RECOMBINACIÓN (CRUCE).
Consiste en intercambiar partes de dos vectores para formar dos nuevos

vectores donde uno de los vectores nuevos tiene parte de los elementos
de un vector y parte de los elementos del otro vector. De esta manera se
generan dos nuevos vectores [5, 121]. Existen varios tipos de
recombinación, entre las que se encuentran:
9.3.5.19. Cruce de punto simple o sencillo:
Consiste en elegir un único punto para realizar recombinación. Para realizar

este tipo de recombinación primero se mira el número k de genes que
tienen las soluciones, se selecciona un número aleatorio entre 1 y k-1, y ese
número indica el punto de recombinación. La parte que se encuentra a la
derecha de ambas configuraciones se intercambia para formar las dos
nuevas soluciones (Hijos). Las soluciones que se toman para realizar
recombinación son tomadas aleatoriamente entre las soluciones que
93
tienen derecho a realizar dicha acción, es decir las que no violan las
restricciones impuestas.
En la figura 41 se muestra un ejemplo de dicha recombinación, donde el
punto de cruce corresponde al gen 5.
9.3.5.20. Cruce de punto doble:
Se eligen dos puntos para realizar recombinación entre las soluciones

padres. Nuevamente se seleccionan dos números aleatorio diferentes
entre 1 y k-1, donde k corresponde al número de genes de la soluciones.
Luego la parte que se encuentra a la derecha de ambas soluciones
iniciales, a partir del número aleatorio menor, hasta el número aleatorio
mayor seleccionado, se intercambian, para formar las dos nuevas
soluciones (Hijos). Los genes que se encuentran desde la posición mayor
seleccionada aleatoriamente, hasta la posición final, no se intercambian.
En la figura 43 se observa un ejemplo de cruce de doble punto, donde los
puntos de recombinación seleccionados corresponden al gen 5 y al gen 8.
Figura 42. Ejemplo de cruce sencillo.
Fuente: J. F. Piñeros, Fundamentos en algoritmos genéticos,Universidad de

Antioquia, Medelín, 2013.
94
Figura 43. Ejemplo de cruce doble punto.
Fuente: J. F. Piñeros, Fundamentos en algoritmos genéticos,Universidad de

Antioquia, Medelín, 2013.
9.3.5.21. Observaciones sobre el uso de recombinaciones.
En todos los casos no se realiza recombinación de soluciones. La

recombinación depende del valor de la tasa de recombinación
seleccionada . Por lo general se encuentra entre 0.8 y 1.0. Por ejemplo
significa que en promedio el 90% de las configuraciones
seleccionadas se someten a recombinación. Luego teniendo en cuenta el
criterio en mención, se siguen los siguientes pasos [5] para saber si se debe
realizar recombinación:
1. Se eligen aleatoriamente dos soluciones.

2. Se genera un número aleatorio entre 0.0 y 1.0.
3. Si se realiza recombinación. En caso contrario las soluciones no
son recombinadas, y se pasa a la siguiente etapa de mutación.
9.3.6. OPERADOR DE MUTACIÓN.
Consiste en cambiar el valor de una variable. Se aplica una tasa de

mutación , la cual indica la probabilidad de que una posición del vector
solución tomada en consideración sea cambiada. También se puede
realizar una mutación con variables enteras o reales, simplemente
cambiando el valor de las posiciones seleccionadas en la solución
95
considerada. Se sugiere que la mutación sea realizada para cada una de
las posiciones del vector solución. Nuevamente es generado un número
aleatorio por cada posición que se requiera mutar. Si se realiza la
mutación en dicha posición, y se obtienen nuevos valores [5, 121].
9.3.7. CARACTERÍSTICAS DE UN AG.
Un AG está caracterizado [121, 122] por:
 No es un método de búsqueda aleatorio, ya que se combina

aleatoriedad con selectividad. La selección es realizada por la
evaluación de la función objetivo.
 Evalúa simultáneamente (En paralelo) varios puntos, es decir varias
soluciones. Se realiza un proceso multibúsqueda.
 Resuelve problemas de alta complejidad matemática que no se
pueden resolver por medio de herramientas matemáticas
convencionales. Por ejemplo en problemas que trabajen con
funciones no derivables. Se desenvuelven bien en problemas con un
paisaje adaptativo complejo donde la función objetivo es
discontinuos, ruidosos, cambia con el tiempo, o tiene muchos
óptimos locales.
 Capacidad para escapar de diferentes óptimos locales y manipular
muchos parámetros simultáneamente.
9.3.8. CRITERIOS PARA AG.
Algunos criterios [121, 122], a tener presentes son:
 definir bien la representación del problema que se está tratando.
 Los mismos parámetros pueden no operan bien para todos los

problemas.
 Se debe prestar especial atención a:

- La elección de los parámetros de control y de la función objetivo.
96
- Los papeles que juegan el cruce y la mutación dentro del
algoritmo.
- La caracterización de los espacios de búsqueda susceptibles de
ofrecer soluciones óptimas.
- Propiedades de convergencia.
 El número de veces que se evalúa la función objetivo es grande.
 En ocasiones se converge a óptimos locales. Se puede presentar una

convergencia prematura.
 Los tiempos de ejecución son en general, mayores que en otros

métodos.
 Se deben implementar muchos componentes.
 A veces se presentan soluciones no válidas.
9.3.9. APLICACIONES DE AG’S
Algunas aplicaciones existentes [123, 124], son:
 Problemas de planeamiento
 Construcción de árboles filogenéticos
 Optimización de carga de contenedores
 Diseño de
Sistemas de distribución de agua.
Topologías de circuitos impresos y redes computacionales
Materiales
 Teoría de juegos y resolución de equilibrios
 Análisis de expresión de genes.
97
10. RESULTADOS OBTENIDOS CON LAS METODOLOGÍAS IMPLEMENTADAS
Para cada una de las metaheurísticas descritas la sección 9, se presentan

los resultados obtenidos de las pruebas propuestas en la tabla 22. El
objetivo es localizar diferentes tipos de generadores (Eólicos, solares, de
biomasa y convencionales), cada uno con una capacidad nominal de
0.5MW, bajo las condiciones de topología y demanda consideradas en la
sección 8, buscando maximizar el índice de beneficio global (BI) y
teniendo en cuenta los siguientes aspectos:
- Mejor solución (El mejor almacenado en la memoria de cada

algoritmo).
- Solución final (Valor final arrojado por el algoritmo).
- Valores de cada uno de los índices empleados para cuantificar el

impacto de GD.
- Número de iteraciones empleadas.
- Tiempo de simulación por prueba.
- Tiempo de simulación promedio de las pruebas.
- Gráficas de índice de beneficio global (BI) Vs número de iteraciones,

para la prueba con mejor BI.
En los Anexos 1, 2, 3, que se encuentran en carpeta ANEXOS de las
memorias del trabajo tratado, se encuentran los códigos de
programación empleados en MATLAB para cada una de las
metodologías. Es de recordar que para los flujos de carga se empleó la
herramienta MATPOWER (toolbox de MATLAB). Adicionalmente se
empleó una C.P.U con procesador AMD sempron (2.71GHz), memoria
RAM de 2GB y sistema operativo Windows 7 DE 32 bits.
98
Tabla 22. Pruebas realizadas con cada metodología metaheurística.
COMBINACIÓN DE TECNOLOGÍAS
PRUEBA
DE GD
1 1 1 1 2 2 2
2 1 1 1 3 3 3
3 1 1 1 4 4 4
4 3 3 3 4 4 4 CONVENCIONES
5 2 2 2 4 4 4 Eólica: 1
6 1 2 3 4 1 1 Solar: 2
7 1 2 3 4 2 2 Biomasa: 3
8 1 2 3 4 3 3 Convencional: 4
9 1 2 3 4 4 4
10 1 1 1 1 1 1
11 2 2 2 2 2 2
12 3 3 3 3 3 3
13 4 4 4 4 4 4
10.1. RESULTADOS DE RS.
Para la implementación de este método, se configuraron los parámetros

según la tabla 23. Se empleó el método de enfriamiento geométrico.
Tabla 23. Parámetros de configuración del RS.
Método de
Temperatura
Enfriamiento
Inicial Final Parámetro Valor
1000 0.5 α 0.98
La función de probabilidad empleada es la siguiente:
99
Tabla 24. Valores de los índices para pruebas realizadas con RS.
Recocido Simulado
PRUEBA Solución Nodos BI EIRI VPII LLRI

Final 26 32 31 8 19 27 1.319 0.771 1.035 0.616
1
Mejor 23 29 26 28 22 25 1.323 0.771 1.036 0.611
Final 32 29 31 20 20 30 1.620 0.619 1.045 0.455

2
Mejor 32 24 20 28 30 34 1.626 0.619 1.045 0.451
Final 21 32 31 21 27 29 1.360 1.212 1.045 0.452

3
Mejor 21 32 31 21 27 29 1.360 1.212 1.045 0.452
Final 33 27 22 26 26 20 1.384 1.192 1.046 0.441

4
Mejor 34 34 31 26 23 25 1.390 1.191 1.047 0.438
Final 33 27 25 27 26 29 1.159 1.343 1.037 0.590

5
Mejor 33 27 25 27 26 29 1.159 1.343 1.037 0.590
Final 32 31 21 27 29 20 1.39b5 0.867 1.042 0.503

6
Mejor 30 26 34 27 32 26 1.403 0.866 1.042 0.497
Final 34 20 32 25 17 22 1.250 0.954 1.036 0.600

7
Mejor 30 32 34 30 27 18 1.255 0.954 1.036 0.595
Final 31 20 25 34 20 18 1.408 0.853 1.042 0.498

8
Mejor 34 34 31 26 23 25 1.420 0.853 1.043 0.489
Final 24 26 30 33 34 32 1.298 1.248 1.043 0.488

9
Mejor 24 26 30 33 34 32 1.298 1.248 1.043 0.488
Final 16 22 32 29 31 20 1.568 0.640 1.044 0.477

10
Mejor 32 24 20 28 30 34 1.587 0.639 1.044 0.465
Final 13 24 30 31 33 31 1.129 0.905 1.027 0.797

11
Mejor 22 21 34 26 25 30 1.130 0.905 1.027 0.795
Final 32 29 31 20 20 30 1.660 0.598 1.046 0.442

12
Mejor 32 24 20 28 30 34 1.660 0.598 1.047 0.439
Final 33 23 25 33 32 29 1.297 1.784 1.047 0.438

13
Mejor 33 23 25 33 32 29 1.297 1.784 1.047 0.438
100
Tabla 25. Tiempos de computo empleados por RS para cada una de las
pruebas.
Numero de Tiempo de
Prueba
iteraciones simulación(h)
1 7.28
2 5.21
3 5.49
4 5.29
5 7.80
6 6.06
7 377 6.62
8 5.25
9 6.02
10 5.46
11 6.11
12 6.18
13 6.31
Tiempo promedio 6.08
1,8
1,6
1,4
1,2
1
BI
0,8
0,6
0,4
0,2
0
1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361 376
ITERACIÓN
101
Figura 44. BI Vs Iteraciones.
10.2. RESULTADOS DE ILS.

Tabla 26. Valores de los índices para las pruebas realizadas con ILS.
Búsqueda Local

Final 29 34 26 34 23 34 1.327 0.770 1.036 0.608
1
Mejor 28 32 29 33 23 34 1.327 0.770 1.036 0.607
Final 34 31 29 31 12 34 1.580 0.621 1.044 0.480

2
Mejor 32 31 28 29 29 23 1.631 0.618 1.046 0.449
Final 29 30 23 29 30 34 1.367 1.212 1.046 0.448

3
Mejor 29 30 23 29 30 34 1.367 1.212 1.046 0.448
Final 26 23 29 13 31 29 1.371 1.192 1.046 0.449

4
Mejor 26 23 29 29 31 29 1.393 1.191 1.047 0.436
Final 31 23 33 11 27 28 1.137 1.344 1.036 0.613

5
Mejor 23 32 33 29 32 28 1.161 1.342 1.037 0.588
Final 32 23 28 26 29 29 1.406 0.866 1.043 0.495

6
Mejor 32 23 28 26 29 29 1.406 0.866 1.043 0.495
Final 29 31 26 34 23 34 1.256 0.954 1.037 0.595

7
Mejor 29 31 26 34 23 34 1.256 0.954 1.037 0.595
Final 26 29 32 27 30 27 1.423 0.853 1.043 0.487

8
Mejor 26 29 34 29 30 29 1.424 0.853 1.043 0.487
Final 29 23 29 29 27 12 1.254 1.251 1.041 0.521

9
Mejor 34 23 29 29 28 26 1.302 1.248 1.043 0.485
Final 29 14 29 34 26 32 1.565 0.640 1.044 0.478

10
Mejor 26 31 29 34 23 32 1.592 0.639 1.045 0.462
Final 29 30 27 34 34 23 1.130 0.905 1.027 0.794

11
Mejor 26 32 27 31 34 23 1.130 0.905 1.027 0.794
Final 5 33 26 32 29 30 1.601 0.601 1.044 0.477

12
Mejor 23 34 33 29 29 30 1.671 0.598 1.047 0.436
Final 34 31 29 24 27 33 1.298 1.784 1.047 0.437

13
Mejor 29 31 28 32 29 23 1.300 1.784 1.047 0.436
102
Tabla 27. Tiempos de computo empleados por ILS para cada una de las
pruebas.
Numero de Tiempo de
Prueba
1 3.41
2 4.15
3 3.36
4 2.84
5 3.24
6 4.02
7 100 3.84
8 2.67
9 3.13
10 3.81
11 2.34
12 3.14
13 3.97
1,7
1,65
1,6
1,55
BI
1,5
1,45
1,4
1,35
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63
ITERACIÓN
Figura 45. Mejor índice de beneficio global (BI) Vs Iteraciones.
103
10.3. RESULTADOS DE AG.
Los resultados obtenidos con AG se muestran en las tablas 28 y 29, y en la

figura 46.
Tabla 28. Valores de los índices para las pruebas realizadas con ILS.
Algoritmo genético
Final 31 32 29 7 23 34 1.320 0.771 1.036 0.615
1
Mejor 31 32 29 26 23 34 1.327 0.770 1.036 0.607
Final 26 28 20 34 29 23 1.624 0.619 1.045 0.452

2
Mejor 26 31 32 34 29 23 1.631 0.618 1.046 0.449
Final 23 29 26 8 28 34 1.316 1.214 1.044 0.481

3
Mejor 23 29 26 29 28 34 1.367 1.212 1.046 0.448
Final 34 29 29 26 22 23 1.391 1.191 1.047 0.437

4
Mejor 34 29 29 26 28 23 1.393 1.191 1.047 0.436
Final 29 27 33 29 27 34 1.157 1.343 1.036 0.591

5
Mejor 29 23 33 29 26 34 1.161 1.342 1.037 0.588
Final 32 18 28 29 32 14 1.380 0.868 1.041 0.514

6
Mejor 34 18 28 29 32 26 1.405 0.866 1.042 0.495
Final 31 23 9 32 28 34 1.217 0.957 1.035 0.636

7
Mejor 31 23 29 32 26 34 1.256 0.954 1.036 0.595
Final 31 3 29 30 34 26 1.405 0.854 1.042 0.500

8
Mejor 29 23 29 30 34 26 1.426 0.852 1.043 0.485
Final 30 21 29 1 30 9 1.175 1.257 1.037 0.591

9
Mejor 34 21 29 28 30 29 1.302 1.248 1.043 0.485
Final 32 34 29 31 23 14 1.563 0.640 1.044 0.480

10
Mejor 26 34 29 31 23 32 1.592 0.639 1.045 0.462
Final 31 26 19 20 32 29 1.129 0.905 1.027 0.797

11
Mejor 31 26 32 20 32 29 1.130 0.905 1.027 0.794
Final 32 13 28 23 29 34 1.648 0.599 1.046 0.449

12
Mejor 32 26 28 23 29 34 1.671 0.598 1.047 0.436
Final 28 12 32 29 21 29 1.250 1.787 1.045 0.466

13
Mejor 28 26 32 29 21 29 1.300 1.784 1.047 0.436
104
Tabla 29. Tiempos de computo empleados por ILS para cada una de las
pruebas.
Numero de Tiempo de
Prueba
1 14.32
2 15.13
3 13.78
4 12.87
5 12.71
6 15.97
7 50 16.58
8 13.87
9 12.90
10 12.94
11 16.64
12 14.29
13 15.88
1,675
1,67
1,665
1,66
BI
1,655
1,65
1,645
1,64
0 5 10 15 20 ITERACIÓN
25 30 35 40 45 50
Figura 46. BI Vs Iteraciones.
105
10.4. COMPARACIÓN DE LAS TRES METODOLOGÍAS.
En las figuras 47 a 51, se presentan los resultados obtenidos de cada una

de las metodologías empleadas. Estos se clasifican de mayor a menor
para cada uno de los índices.
1,8
1,6
1,4
1,2
1,0
BI
0,8 ILS
0,6 RS
0,4 AG
0,2
0,0
12 2 10 8 6 4 3 1 13 7 9 5 11
Prueba
Figura 47. Clasificación de los resultados finales de las 13 pruebas, para el

índice de beneficio global (BI).
1,8
1,6
1,4
1,2
1,0 ILS
BI
0,8 RS
0,6 AG
0,4
0,2
0,0
12 2 10 8 6 4 3 1 9 13 7 5 11
Prueba
Figura 48. Clasificación de los Mejores resultados de las 13 pruebas, para

el índice de beneficio global (BI).
106
2,00
1,80
1,60
1,40
1,20
ILS
EIRI
1,00
0,80 RS
0,60 AG
0,40
0,20
0,00
12 2 10 1 8 6 11 7 4 3 9 5 13
Prueba

el índice de reducción de emisiones contaminantes (EIRI).
1,05
1,05
1,04
1,04 ILS
VPII
1,03 RS
AG
1,03
1,02
1,02
12 4 13 2 3 10 9 8 6 5 7 1 11
Prueba

el índice de perfil de voltaje (VPII).
107
0,9
0,8
0,7
0,6
0,5
LLRI
ILS
0,4
RS
0,3
AG
0,2
0,1
0,0
13 4 12 2 3 10 9 8 6 5 7 1 11
Prueba

el índice de reducción de pérdidas eléctricas (LLRI).
Al analizar los resultados de cada metodología implementada, se

encuentra que:
- Con las 3 metodologías empleadas se obtuvieron resultados
similares, para cada una de las pruebas, con respecto a sus mejores
resultados. En relación con los resultados finales, el método de
búsqueda local iterativa fue el mejor método en 7 de las 13 pruebas
y en las restantes fue recocido simulado.
- Las metodologías fueron coherentes con los valores de BI, acorde a

la capacidad de la generación distribuida conectada en el sistema,
correspondiendo a lo expuesto en la sección 8 (sensibilización de
índices técnicos).
- De acuerdo a las figura 47 a 51, es importante examinar el índice

que se desea optimizar, puesto valores altos del índice de benéfico
global no implica beneficios similares en los índices que lo componen
(EIRI, VPII y LLRI).
- El mejor resultado se obtuvo con la prueba 12, con cada una de las
metodologías empleadas. Esta prueba corresponde a la instalación
de generadores de biomasa cuya potencia promedio se consideró
108
constante y sin generación de emisiones contaminantes. Es de notar
que este resultado se contempló desde la sección 8, en donde se
concluyó que la tecnología con los mejores resultados correspondía
a biomasa.
- El mejor tiempo de cómputo promedio corresponde a método de

búsqueda local iterativa.
En la figura 52 se muestra los valores porcentuales de desviación de la

mejor solución explorada por cada método, respecto al menor valor
encontrado. Con el uso de recocido simulado (RS) se tiene un mayor
porcentaje de desviación, que con la búsqueda local iterativa (ILS), por lo
tanto recocido simulado posee un componente de diversificación mayor,
mientras que el algoritmo genético implementado intensifica la búsqueda
limitando más el espacio de exploración. Con respecto a ILS se tiene que
tiene componentes tanto de diversificación como de intensificación.
Con respecto a la comparación entre los valores finales y mejores,

arrojados por cada metodología, se encuentra que la desviación entre
estos es pequeña.
55%
50%
45%
40%
35%
30% Desviación de RS
25% Desviación de ILS
20%
Desviación de AG
15%
10%
5%
0%
1 2 3 4 5 6 7 8 9 10 11 12 13
Figura 52.Desviación entre la mejor y la peor solución explorada, de las

metodologías implementadas.
109
Finalmente se realiza una clasificación de la cada una de las
metodologías, en donde 1 corresponde al primer lugar y 3 al último.
Considerando los siguientes criterios.
 Tiempo de cómputo.
 Mejor solución final.
 Mejor solución explorada.
Tabla 30. Clasificación de las metodologías según sus resultados.

Clasificación
Variable
1 2 3
Tiempo de computo ILS RS AG
Mejor solución final RS AG ILS
Mejor solución explorada AG -ILS RS
110
11. CONCLUSIONES
1. En este trabajo se presentaron diferentes definiciones,

clasificaciones, beneficios, ventajas y desventajas de la generación
distribuida. Igualmente se realizó una revisión del estado del arte a
nivel mundial y en Colombia, la cual estuvo centrada en analizar
diferentes marcos regulatorios y proyectos a nivel nacional e
internacional. En esta revisión se identificaron diferentes medidas
regulatorias y tributarias para Colombia, con el objetivo de
implementar generación distribuida en un futuro, de forma
sostenible.
2. Se clasificaron y revisaron diversas fuentes de información a nivel

mundial en lo concerniente a localización y dimensionamiento de
generación distribuida con diferentes metodologías de optimización
combinatorial de tipo exacto y aproximado. Lo anterior sirve de
criterio de búsqueda para futuros trabajos a realizar en relación a
problemáticas asociadas con el uso de este tipo de generación.
3. Como parte fundamental del trabajo, se adoptó una serie de índices

técnicos para cuantificar y cualificar los efectos de la localización y
dimensionamiento de la generación distribuida en un sistema de
potencia. A través de diversos casos de estudio, se encontró que es
vital conocer la topología del sistema, el tipo de tecnología de
generación, la cantidad que desea conectar, su ubicación y las
emisiones asociadas a la misma. Con la sensibilización de los índices
adoptados, se definieron criterios para el desarrollo de las tres
metodologías metaheurísticas propuestas.
4. Las tres metaheurísticas implementadas mostraron diferentes

propiedades, en cuanto a calidad de las soluciones encontradas,
componentes de diversificación e intensificación y tiempos de
cómputo empleados.
5. Se espera que en un futuro este trabajo sirva de base para el

planteamiento de nuevas y mejores metodologías para la
localización y dimensionamiento de generación distribuida.
111
12. BIBLIOGRAFÍA
[1] M. Granovetter y P. McGuire, «The making of an industry: Electricity in

the United States,» The Law of Markets, pp. 147-173, 1998.
[2] A. Ford y J. W. Forrester, «System dynamics and the electric power

system,» System Dynamics Review, vol. 13, nº 1, pp. 57-85, 1996.
[3] R. Geddes, «A historical perspective on electric utility regulation,» Cato

Review of Business & Government, pp. 75-82, 1992.
[4] J. M. Mantilla González, C. A. Duque Daza y C. H. Galeano Urueña,

Análisis del esquema de generación distribuida como una opción
para el sistema eléctrico colombiano, Revista Facultad de Ingeniería
Universidad de Antioquia, vol. 44, Junio 2008.
[5] R. A. Gallego Rendón, A. Escobar Zuluaga y R. A. Romero Lazaro,

Técnicas de optimización combinatorial, Pereira: Textos Universitarios,
2006.
[6] T. Ackermann, G. Andersson y L. Soder, Distributed generation: A

definition, Electric Power Systems Research, vol. 71, nº 2, pp. 119-128,
2004.
[7] I. Ibáñez Ballut y J. E. Tarasona Vargas, Ajustes regulatorios para la

inserción de sistemas de generación distribuida en el mercado de
energía mayorista colombiano: Punto de vista operador de red,
Bucaramanga, Universidad de Santander, 2009.
[8] W. EL Khattam, K. Bhattacharya, Y. Hegazy y M. Salama, Optimal

Investment Planning for Distributed Generation in a Compettitive
Electricity Market, IEEE Transactions on Power Systems, vol. 19, nº 3, pp.
1674-1684, 2004.
[9] C. A. Álvarez Álvarez y F. J. Serna Alzate, Análisis local y mundial de

tendencias en generación distribuida, CIDET, 2012.
112
[10] F. Gonzalez, Tecnologías de generación distribuida: Costos y
eficiencia, 2004.
[11] E. Silva y J. Haddad, Gera,˜o distribuida: aspetos tecnicos, ambientais

eca institucionais, Rio de Janeiro: Editora interciência, 2006.
[12] W. H. Nehrir C y S. Shaw, Fuel cells: Promising devices for distributed

generation, IEEE Power and Energy Magazine, vol. 4, nº 1, pp. 47-53,
January 2006.
[13] Germany, WWEA.WORLD WIND ENERGY ASSOCIATION. Bonn

Germany, Apresenta informacoes sobre mundial energia eolica, [En
línea]. Available: http://www.wwindea.org/home/index.php.. [Último
acceso: Septiembre 2009].
[14] H. Willis y W. Scott, Distributed power generation, New York: Marcel

Dekker, 2001.
[15] La suma de Todos; Madrid Ahorra con Energía, Guia básica de la

generación distribuida, Madrid: Gráficas Elisa S.A, 2007.
[16] ESHA, Guia para el desarrollo de una pequeña central hidroeléctrica,

2006.
[17] F. E. Sierra Vargas, A. F. Sierra Alarcón y C. A. Guerrero Fajardo,

Pequeñas y microcentrales hidroeléctricas : Alternativa real de
generación eléctrica, Informador Técnico(Colombia), vol. 75, pp. 73-
85, Enero-Diciembre 2011.
[18] «IDAE,» [En línea]. Available: http://www.idae.es/. [Último acceso: 26

Junio 2013].
[19] L. Brown y L. Freeman, Analysing the reliability impact on distributed

generation, IEEE Power Engineering Society Summer Meeting, vol. 2,
pp. 1013-1018, July 2001.
[20] Universidad Nacional de Colombia;Universidad de los

Andes;Isagen;Colciencias, Seminario de regulación para incentivar
las energías alternas y la generación distribuida en Colombia, 2008.
113
[21] P. Moss, «BBC,» BBC, 09 Abril 2012. [En línea]. Available:
http://www.bbc.co.uk/mundo/noticias/2012/04/120409_el_pais_que_
quiere_ser_autosuficiente_jr.shtml. [Último acceso: 29 06 2013].
[22] «eu-ecogrid,» [En línea]. Available: http://www.eu-

ecogrid.net/index.php/ecogrid-eu/the-bornholm-test-site. [Último
acceso: 27 Mayo 2013].
[23] «multimediaprofesionales.iberdrola,» [En línea]. Available:

http://multimediaprofesionales.iberdrola.es/Noticias/IBERDROLA,culmi
na,exito,proyecto,europeo,investigacion,Fenix,centrado,generacion,
distribuida,287.html. [Último acceso: 15 Mayo 2013].
[24] A. I. Cadena, S. Botero, C. Tautiva, L. Betancur y D. Vesga,

«Regulación para incentivar las energías alternas y la generación
distribuida en Colombia,» Revista de Ingeniería. Universidad de los
Andes, vol. 28, pp. 90-98, Noviembre 2008.
[25] Consejo Nacional de Política Económica y Social, CONPES 3453:

Esquemas de gestión para la prestación del servicio de energía
eléctrica en las zonas no interconectadas, Bogotá, 2006.
[26] CREG, La generación distribuida y su posible integración al sistema

interconectado nacional, Bogotá, 2009.
[27] UPME, Boletín estadístico de minas y energía 1990-2010, 2010.
[28] Redenergíaalternativa, «Redenergíaalternativa,» [En línea]. Available:

http://www.redenergiaalternativa.org/wind.htm [Último acceso: 25
Junio 2013].
[29] «redenergíaalternativa,» redenergíaalternativa, [En línea]. Available:

http://www.redenergiaalternativa.org/biomass.htm. [Último acceso:
2011].
[30] C. Duque, E. F. Marmolejo y M. T. Rueda de Torres, Análisis de

prospectiva de la generación distribuida(GD) en el sector eléctrico
colombiano, Revista de Ingeniería. Universidad de los Andes, vol. 19,
2004.
114
[31] S. X. Carvajal Quintero y J. D. Marín Jiménez, Impacto de la
generación distribuida en el sistema eléctrico de potencia
colombiano, Revista Tecnura Universidad Nacional, vol. 17, nº 35, pp.
77-89, Enero-Marzo 2013.
[32] Colombia Inteligente, III Seminario de eficiencia energética en

servicios públicos, Bogota, 2013.
[33] Universidad de los Andes, Seminario de redes inteligentes y

generación distribuida SILICE, 2011.
[34] A. Cadena, C. Táutiva, N. Quijano y R. Bustamante, Retos

tecnológicos para la incorporación de redes inteligentes en
Colombia-17 Congreso Mercado de Energía Mayorista, Bogotá, 2011.
[35] EPM, [En línea]. Available:

http://www.epm.com.co/site/Home/Institucional/Nuestrasplantas/Ene
rg%C3%ADa/ParqueE%C3%B3lico.aspx. [Último acceso: 25 Junio 2013]
[36] IPSE, Construcción y puesta en operación de 125KW de energía solar

fotovoltaíca para diferentes localidades de las zonas no
interconectadas, 2009.
[37] J. M. Ruiz Socarras, La importancia de los métodos aproximados de

solución, Revista Axioma, nº 18, pp. 14-15, Marzo-Abril 2002.
[38] J. G. Villegas, Introducción al curso de metaheurística-maestría en

ingeniería Universidad de Antioquia, Medellín, 2013.
[39] Universidad de Los Andes-Codensa, Programación lineal y el método

simplex. Programación no lineal y los teoremas de Lagrange y
Khuntucker.
[40] J. Purchinger y G. R. Raidhl, Combining metaheuristics and exact

algorithms in combinatorial opimization: A survey and classification,
LNCS 3562, pp. 41,53, 2005.
[41] E. G. Talbi, A Taxonomy of Hybrid Metaheuristics, Journal of Heuristics,

vol. 8, pp. 541-564, 2002.
115
[42] C. Wang, M. Nehrir, Analytical approaches for optimal placement of
distributed generation sources in power systems, Power Systems, IEEE
Transactions On. 19 (2004) 2068–2076.
[43] H. Khan, M.A. Choudhry, Implementation of Distributed Generation

(IDG) algorithm for performance enhancement of distribution feeder
under extreme load growth, International Journal of Electrical Power &
Energy Systems. 32 (2010) 985–997.
[44] S. Conti, S. Raiti, G. Tina, Small-scale embedded generation effect on

voltage profile: an analytical method, Generation, Transmission and
…. 1511 (2003).
[45] A. Bhowmik, A. Maitra, Determination of allowable penetration levels

of distributed generation resources based on harmonic limit
considerations, Power Delivery, IEEE …. 18 (2003) 619–624.
[46] T. Gözel, M.H. Hocaoglu, An analytical method for the sizing and siting
of distributed generators in radial systems, Electric Power Systems
Research. 79 (2009) 912–918.
[47] N. Acharya, P. Mahat, N. Mithulananthan, An analytical approach for

DG allocation in primary distribution network, International Journal of
Electrical Power & Energy Systems. 28 (2006) 669–678.
[48] D. Hung, Analytical expressions for DG allocation in primary distribution

networks, IEEE Transactions on Energy Conversion. 25 (2010) 814–820.
[49] H. Hedayati, S.A. Nabaviniaki, A. Akbarimajd, A method for

placement of DG units in distribution networks, IEEE Transactions on
Power Delivery. 23 (2008) 1620–1628.
[50] N.G. a. Hemdan, M. Kurrat, Efficient integration of distributed

generation for meeting the increased load demand, International
Journal of Electrical Power & Energy Systems. 33 (2011) 1572–1583.
[51] D. Zhu, R. Broadwater, Impact of DG placement on reliability and

efficiency with time-varying loads, IEEE Transactions on Power Systems.
21 (2006) 419–427.
116
[52] D. Gautam, N. Mithulananthan, Optimal DG placement in
deregulated electricity market, Electric Power Systems Research. 77
(2007) 1627–1636.
[53] F. Rotaru, G. Chicco, G. Grigoras, G. Cartina, Two-stage distributed

generation optimal sizing with clustering-based node selection,
International Journal of Electrical Power & Energy Systems. (2012).
[54] H.M. Ayres, W. Freitas, M.C. De Almeida, L.C.P. Da Silva, Method for
determining the maximum allowable penetration level of distributed
generation without steady-state voltage violations, IET Generation,
Transmission & Distribution. 4 (2010) 495.
[55] M.M. Elnashar, R. El Shatshat, M.M. a. Salama, Optimum siting and

sizing of a large distributed generator in a mesh connected system,
Electric Power Systems Research. 80 (2010) 690–697.
[56] S. Ghosh, S.P. Ghoshal, S. Ghosh, Optimal sizing and placement of

distributed generation in a network system, International Journal of
[57] W. Ouyang, H. Cheng, X. Zhang, F. Li, Evaluation of distributed

generation connecting to distribution network based on long-run
incremental cost, IET Generation, Transmission & Distribution. 5 (2011)
561.
[58] S. Lee, J. Park, Selection of optimal location and size of multiple

distributed generations by using kalman filter algorithm, Power
Systems, IEEE Transactions On. 24 (2009) 1393–1400.
[59] F.S. Abu-Mouti, M.E. El-Hawary, Heuristic curve-fitted technique for

distributed generation optimisation in radial distribution feeder
systems, IET Generation, Transmission & Distribution. 5 (2011) 172.
[60] W. El-Khattam, Optimal investment planning for distributed generation

in a competitive electricity market, IEEE Transactions on Power
Systems. 19 (2004) 1674–1684.
117
[61] M. Haghifam, H. Falaghi, O. Malik, Risk-based distributed generation
placement, IET Generation Transmission …. (2008) 252–260.
[62] A. Barin, L.F. Pozzatti, L.N. Canha, R.Q. Machado, A.R. Abaide, G.
Arend, Multi-objective analysis of impacts of distributed generation
placement on the operational characteristics of networks for
distribution system planning, International Journal of Electrical Power &
Energy Systems. 32 (2010) 1157–1164.
[63] R.K. Singh, S.K. Goswami, Optimum allocation of distributed

generations based on nodal pricing for profit, loss reduction, and
voltage improvement including voltage rise issue, International Journal
of Electrical Power & Energy Systems. 32 (2010) 637–644.
[64] J.M. López-Lezama, J. Contreras, A. Padilha-Feltrin, Location and

contract pricing of distributed generation using a genetic algorithm,
International Journal of Electrical Power & Energy Systems. 36 (2012)
117–126.
[65] A. Pregelj, M. Begovic, A. Rohatgi, Recloser allocation for improved

reliability of DG-enhanced distribution networks, IEEE Transactions on
Power Systems. 21 (2006) 1442–1449.
[66] a. M. El-Zonkoly, Optimal placement of multi-distributed generation

units including different load models using particle swarm optimisation,
IET Generation, Transmission & Distribution. 5 (2011) 760.
[67] Q. Kang, T. Lan, Y. Yan, L. Wang, Q. Wu, Group search optimizer based
optimal location and capacity of distributed generations,
Neurocomputing. 78 (2012) 55–63.
[68] G. Celli, E. Ghiani, S. Mocci, F. Pilo, A multiobjective evolutionary

algorithm for the sizing and siting of distributed generation, Power
Systems, IEEE …. 20 (2005) 750–757.
[69] M. Raoofat, Simultaneous allocation of DGs and remote controllable

switches in distribution networks considering multilevel load model,
118
International Journal of Electrical Power & Energy Systems. 33 (2011)
1429–1436.
[70] S. Biswas, S.K. Goswami, A. Chatterjee, Optimum distributed

generation placement with voltage sag effect minimization, Energy
Conversion and Management. 53 (2012) 163–174.
[71] D. Singh, K. Verma, Multiobjective optimization for DG planning with

load models, Power Systems, IEEE Transactions On. 24 (2009) 427–436.
[72] V. Kumar, H. Kumar, DG integrated approach for service restoration

under cold load pickup, Power Delivery, IEEE …. 25 (2010) 398–406.
[73] C.L.T. Borges, D.M. Falcão, Optimal distributed generation allocation

for reliability, losses, and voltage improvement, International Journal of
[74] F.S. Abu-Mouti, M.E. El-Hawary, Optimal Distributed Generation

Allocation and Sizing in Distribution Systems via Artificial Bee Colony
Algorithm, IEEE Transactions on Power Delivery. 26 (2011) 2090–2101.
[75] A. Soroudi, M. Ehsan, Imperialist competition algorithm for distributed

generation connections, Generation, Transmission & Distribution, IET. 6
(2012) 21.
[76] C. Yammani, S. Maheswarapu, S. Matam, Multiobjective Optimization

for Optimal Placement and Size of DG using Shuffled Frog Leaping
Algorithm, Energy Procedia. 14 (2012) 990–995.
[77] T. Niknam, S.I. Taheri, J. Aghaei, S. Tabatabaei, M. Nayeripour, A

modified honey bee mating optimization algorithm for multiobjective
placement of renewable energy resources, Applied Energy. 88 (2011)
4817–4830.
[78] R. Shi, C. Cui, K. Su, Z. Zain, Comparison Study of Two Meta-heuristic

Algorithms with their Applications to Distributed Generation Planning,
Energy Procedia. 12 (2011) 245–252.
119
[79] A. Soroudi, M. Afrasiab, Binary PSO-based dynamic multi-objective
model for distributed generation planning under uncertainty, IET
Renewable Power Generation. 6 (2012) 67.
[80] M. Junjie, W. Yulong, L. Yang, Size and Location of Distributed

Generation in Distribution System Based on Immune Algorithm, Systems
Engineering Procedia. 4 (2012) 124–132.
[81] E. Vrettos, S. Papathanassiou, Operating Policy and Optimal Sizing of a

High Penetration RES-BESS System for Small Isolated Grids, Energy
Conversion, IEEE …. 26 (2011) 744–756.
[82] N.-C. Yang, T.-H. Chen, Evaluation of maximum allowable capacity of

distributed generations connected to a distribution grid by dual
genetic algorithm, Energy and Buildings. 43 (2011) 3044–3052.
[83] M.F. Akorede, H. Hizam, I. Aris, M.Z. a. Ab Kadir, Effective method for
optimal allocation of distributed generation units in meshed electric
power systems, IET Generation, Transmission & Distribution. 5 (2011) 276.
[84] K. Zou, A. Agalgaonkar, Distribution System Planning With

Incorporating DG Reactive Capability and System Uncertainties, IEEE
Transactions on Sustainable Energy. 3 (2012) 112–123.
[85] R.A. Jabr, B.C. Pal, Ordinal optimisation approach for locating and
sizing of distributed generation, IET Generation, Transmission &
Distribution. 3 (2009) 713.
[86] Z. Liu, F. Wen, G. Ledwich, Optimal Siting and Sizing of Distributed

Generators in Distribution Systems Considering Uncertainties, Power
Delivery, IEEE Transactions …. 26 (2011) 2541–2551.
[87] G.P. Harrison, A. Piccolo, P. Siano, a. R. Wallace, Hybrid GA and OPF

evaluation of network capacity for distributed generation
connections, Electric Power Systems Research. 78 (2008) 392–398.
[88] M.H. Moradi, M. Abedini, A combination of genetic algorithm and

particle swarm optimization for optimal DG location and sizing in
120
distribution systems, International Journal of Electrical Power & Energy
Systems. 34 (2012) 66–74.
[89] M. Gomez-Gonzalez, A. López, F. Jurado, Optimization of distributed

generation systems using a new discrete PSO and OPF, Electric Power
Systems Research. 84 (2012) 174–180.
[90] A. Soroudi, M. Ehsan, R. Caire, N. Hadjsaid, Hybrid immune-genetic

algorithm method for benefit maximisation of distribution network
operators and distributed generation owners in a deregulated
environment, IET Generation, Transmission & Distribution. 5 (2011) 961.
[91] N. Khalesi, N. Rezaei, M.-R. Haghifam, DG allocation with application

of dynamic programming for loss reduction and reliability
improvement, International Journal of Electrical Power & Energy
Systems. 33 (2011) 288–295.
[92] Y.M. Atwa, E.F. El-Saadany, Probabilistic approach for optimal

allocation of wind-based distributed generation in distribution systems,
IET Renewable Power Generation. 5 (2011) 79.
[93] A. Keane, M. O’Malley, Optimal allocation of embedded generation

on distribution networks, IEEE Transactions on Power Systems. 20 (2005)
1640–1646.
[94] G.N. Koutroumpezis, a. S. Safigianni, Optimum allocation of the

maximum possible distributed generation penetration in a distribution
network, Electric Power Systems Research. 80 (2010) 1421–1427.
[95] Y. Atwa, E. El-Saadany, Optimal renewable resources mix for

distribution system energy loss minimization, Power Systems, …. 25
(2010) 360–370.
[96] B. Banerjee, S.M. Islam, Reliability based optimum location of

distributed generation, International Journal of Electrical Power &
Energy Systems. 33 (2011) 1470–1478.
[97] A.A. Chowdhury, S.K. Agarwal, D.O. Koval, Reliability modeling of

distributed generation in conventional distribution systems planning
121
and analysis, Conference Record of the 2002 IEEE Industry
Applications Conference. 37th IAS Annual Meeting (Cat.
No.02CH37344). 2 (2002) 1089–1094.
[98] L.F. Ochoa, G.P. Harrison, Minimizing Energy Losses: Optimal

Accommodation and Smart Operation of Renewable Distributed
Generation, IEEE Transactions on Power Systems. 26 (2011) 198–205.
[99] A. Kumar, W. Gao, Optimal distributed generation location using

mixed integer non-linear programming in hybrid electricity markets, IET
Generation, Transmission & Distribution. 4 (2010) 281.
[100] S. Porkar, P. Poure, A. Abbaspour-Tehrani-fard, S. Saadate, A novel

optimal distribution system planning framework implementing
distributed generation in a deregulated electricity market, Electric
Power Systems Research. 80 (2010) 828–837.
[101] W. El-Khattam, An integrated distributed generation optimization

model for distribution system planning, Power Systems, IEEE …. 20
(2005) 1158–1165.
[102] P. Chiradeja y R. Ramakumar, An approach to quantify the technical

benefits of distributed generation, IEEE Transactions on Energy
Conversion, vol. 19, nº 4, December 2004.
[103] J. O Owuor, J. L Munda y J. Adisa A, The IEEE 34 node radial test

feeder as a simulation testbench for distributed generation, IEEE
Africon 2011-The Falls Resort and Conference Centre, pp. 13-15,
September 2011.
[104] F. A Moran, D. H Pontoriero, M. L Facchini y V. M Dona, Inserción de

generación distribuida a través de instalaciones fotovoltaicas
domiciliarias ajustadas a las curvas típicas de demanda residencial,
Avances en energías renovables y medio ambiente, vol. 13, p. 04.97,
2009.
122
[105] L. F. Ochoa, A. Padilha Feltrin y G. P Harrison, Evaluating distributed
time-varying a multiobjective index, IEEE Transactions On Power
Delivery, vol. 23, nº 2, April 2008.
[106] D. Zimmerman Ray y C. E. Murillo Sanchez, MATPOWER A MATLAB™

Power System Simulation Package, User’s Manual,Version 3.2, 2007.
[107] D. Henderson, S. H. Jacobson y A. W. Johnson, Chapter 10: The theory

and practice of simulated annealing, de D. Henderson et al, 2003, pp.
288-319.
[108] K. A. Dowsland y B. Adenso Díaz, Heuristic design and fundamentals of

the simulated annealing, Revista Iberoamericana de Inteligencia
Artificial, vol. 20, pp. 34-52, 2001.
[109] J. G. Villegas R, Simulated annealing, Medellín, 2013.
[110] R. W. Eglese, Simulated annealing: A tool for operational research,

European Journal of Operational Research, vol. 46, pp. 271-281, 1990.
[111] V. A. Cicirello, On the design of an adaptive simulated annealing

algorithm, Computer Science and Information Systems, pp. 41-54,
2007.
[112] S. Kirkpatrick, C. D. Gelatt y M. P. Vecchi, Optimization by simulated

annealing, Science, vol. 220, nº 4598, pp. 671-680, 13 May 1983.
[113] J. Peláez Moreno, Implementación del algoritmo de elección de

variables conocido con el nombre de "simulated
annealing"(Recocido simulado), 2005.
[114] T. Stutzle y L. Paquete, «Metaheuristics,» [En línea]. Available:

http://www.metaheuristics.net/index.php?main=3&sub=33. [Último
acceso: 15 Junio 2013].
[115] [En línea]. Available:

http://sci2s.ugr.es/docencia/metah/pdf/Tema05-
Metodos%20basados%20en%20trayectorias%20multiples-12-13.pdf.
[Último acceso: 15 Junio 2013].
123
[116] H. R. Lourenço, O. C. Martin y T. Stützle, Chapter 11: Iterated local
search, de Handbook of Metaheuristics, 2 ed., M. Gendreau y J.
Potvin, Edits., Springer.
[117] A. Duarte Muñoz , 5.9. Busqueda local iterativa, de Metaheurísticas,

Dikinson, 2007.
[118] J. G. Villegas R, Curso de metaheurísticas Universidad de Antioquia:

GRASP e ILS, Medellín, 2011.
[119] M. Srinivas y L. M. Patnaik , Genetic algorithms: A survey, IEEE, vol. 18,

nº 9162, pp. 17-26, 1994.
[120] A. Marczyk, 2004. [En línea]. Available: http://the-

geek.org/docs/algen/. [Último acceso: 02 Julio 2013].
[121] J. López Herradón , Experimentación con algoritmos genéticos para la

búsqueda de funciones de distancia en RNBR.
[122] N. Gil Londoño, Algoritmos genéticos, Medellín, 2006.
[123] N. Chaiyaratana y A. M. S Zalzala, Recent developments in

evolutionary and genetic algorithms: Theory and applications, IEE,
1997, pp. 2-4.
[124] Z. Konfrˇst, Parallel genetic algorithms: Advances, computing trends,

applications and perspectives, 2004.
124
125

Ubicación Óptima de Generación Distribuida

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ubicación Óptima de Generación Distribuida

Transféré par

Droits d'auteur :

Formats disponibles

Informe Final Practica Académica

Modalidad Trabajo de Grado

UBICACIÓN ÓPTIMA DE GENERACIÓN DISTRBUIDA

Identificación del estudiante

Nombres y apellidos Daniel Camilo Londoño Tamayo

Identificación del estudiante

Nombres y apellidos Eduar Alberto Montes Álvarez

Identificación del asesor interno

Nombres y apellidos Jesús María López Lezama

Identificación del asesor interno ................................................................................................... 1

Figura 1. Ejemplo de integración de GD a un sistema de distribución. .......................... 5

Tabla 1. Capacidad de diferentes tecnologías de GD. ...................................................... 12

El auge de la industria eléctrica inició en los Estados Unidos, cuando en

La figura de “monopolio natural” se vio favorecida con:

 El desarrollo de la transmisión de energía en corriente alterna,

 El crecimiento acelerado de la demanda de energía.

 La necesidad de suministro eléctrico confiable.

Actualmente se está retomando el modelo de generación distribuida con

Los beneficios que se pueden obtener al integrar generación distribuida,

En el presente trabajo se muestran los beneficios y propiedades de la

2.1. OBJETIVO GENERAL.

 Implementar y validar dos técnicas metaheurísticas diferentes, para

2.2. OBJETIVO ESPECÍFICOS.

 Contextualizar la generación distribuida en Colombia dentro de un

 Realizar una revisión bibliográfica que permita identificar el estado

 Adoptar y validar diferentes índices que permitan cuantificar el

 Implementar dos métodos Meta heurísticos para la ubicación óptima

 Comparar los resultados de los métodos implementados y

 Realizar un estudio de sensibilización de diferentes índices técnicos

 Adoptar dos metodologías metaheurísticas que consideren una

4.1. GENERACIÓN DISTRIBUIDA.

En la actualidad la generación de energía eléctrica a nivel mundial, se

Figura 1. Ejemplo de integración de GD a un sistema de distribución.

Fuente: EPRI, SG Cost Benefit, 2011.

Existen varias definiciones de GD en función de su capacidad de

“Es el uso estratégico de unidades de generación eléctrica con recursos

4.1.2. JUSTIFICACIÓN DEL USO DE LA GD.

Existen muchas razones (técnicas, económicas, ambientales, etc) que han

 La reestructuración y descentralización de la industria eléctrica,

 Preferencia por la utilización de recursos renovables ante los

 Incremento de la eficiencia en el proceso global de generación,

 Rápido incremento de la demanda en regiones aisladas.

 Avances significativos en tecnologías de generación en energía

4.1.3. CARACTERÍSTICAS DE LA GD.

Algunas características importantes de este tipo de generación son:

 No es planeada ni despachada centralmente. [8]

 Usualmente es conectada en el sistema de distribución en niveles de

La GD se puede clasificar dependiendo de su capacidad, la oferta del

La GD se puede encontrar en las siguientes capacidades [9]:

4.1.4.2. FORMAS DE UTILIZACIÓN

Según su uso [9], se puede clasificar en:

Generación para soporte de la red de distribución: Es utilizada como

Generación en isla: Se implementa cuando en una localidad no hay

Generación para picos de carga: Se emplea en los momentos en que se

Generación combinada de energía eléctrica y térmica (cogeneración):

Generación para carga base: Es la generación que permanece

4.1.4.3. TECNOLOGÍAS DE GD.

Acorde con su tecnología, la GD se clasifica en [8-10]:

Dentro de este tipo de tecnología se encuentran los motores de

Motores de combustión interna: Representan la tecnología más

Microturbinas: Son pequeñas turbinas de combustión que funcionan con

Motores Stirling: Son motores alternativos de combustión externa. Tienen un

Celdas de combustible: Son dispositivos en los cuales el oxígeno y el

En este tipo de tecnologías se pueden encontrar: Aerogeneradores,