En el presente artículo se presenta el estudio de la estimación de demanda de una estación de carga de vehículos eléctricos basado en el uso de simulación de Montecarlo. La modelación del sistema eléctrico se lo realiza a través del software de PowerFactory, por otra parte, para el desarrollo de las simulaciones de Montecarlo y el procesamiento de la información, se lo realiza a través del uso del software de Python. El análisis en general está enfocado en determinar el impacto de la integración de vehículos eléctricos en la red eléctrica, de forma que se generan escenarios que emulen la operación de la electrolinera, teniendo en cuenta la demanda de vehículos eléctricos dentro de sus puntos de carga, de forma que se generan escenarios aleatorios considerando el número de vehículos conectados y el porcentaje de carga de los vehículos. Otro aspecto que se considera es la integración de sistemas de generación fotovoltaica, de forma que se realiza el análisis de su impacto en la operación de la red eléctrica teniendo en cuenta la operación aleatoria de la electrolinera.

Introducción. En los sistemas eléctricos AC la inyección de reactivos influye directamente al mejoramiento de parámetros eléctricos como factor de potencia, voltajes, reducción de pérdidas por transporte, cargabilidad de las líneas, etc. En los sistemas eléctricos de potencia los estudios de optimización de la compensación reactiva son llevados a cabo mediante diversos métodos heurísticos que se caracterizan por su complejidad de programación y por contar con un gran componente de criterio humano, los cual influye en gran medida en la evaluación final de los resultados encontrados. Objetivo. Analizar los resultados de la aplicación del método Critic a la optimización de la compensación reactiva del sistema de subtransmisión de la Empresa Eléctrica Riobamba. Metodología. Inicialmente se propone un algoritmo para la obtención de la población de escenarios a ser evaluados y la obtención de los criterios de evaluación, finalmente el análisis estadístico es implementado mediante el uso del método Critic para la toma de decisión multicriterio. Los algoritmos propuestos y la posterior evaluación estadística fueron llevados a cabo en el sistema de 69kV de subtransmisión de la EERSA. Resultados. De los resultados de la aplicación de los métodos propuestos a la red de la EERSA se logra el mejoramiento de los perfiles de voltaje mientras se reducen las pérdidas del sistema, todo esto con los mínimos requerimientos de potencia reactiva inyectada en el sistema. Área de estudio especifica: Sistemas Eléctricos.

La predicción de eventos ha sido desde la antigüedad, un fenómeno capaz de generar curiosidad en el ser humano, sin embargo, para lograr una proyección de un evento futuro se requiere de un análisis detallado de datos para predecir eventos posteriores, con esta idea. Objetivos: el objetivo de la investigación fue desarrollar dos sistemas de predicción aplicando redes neuronales artificiales y GRU para determinar la generación eléctrica pronosticada en la CENTRAL HIDROELÉCTRICA ILLUCHI. Metodología: Los datos utilizados para este estudio fueron recopilados de los operadores de ELEPCO S.A. en base a los años 2008 - 2020. Las variables de entrada fueron la fecha y la energía generada para elaborar diferentes casos con distintas condiciones con el fin de llegar a un modelo de Red Neuronal Recurrente exitoso posible. Resultados: Una vez comprendidas las variables del modelo, los datos se dividieron en dos grupos: entrenamiento 70% y validación 30% respectivamente. Para el entrenamiento correspondiente se utilizó el algoritmo ADAM y las librerías proporcionadas por Python. Área de estudio general: Ingeniería. Área de estudio específica: Eléctrica.

This paper presents an optimal sizing strategy for a hybrid generation system combining photovoltaic (PV) and energy storage systems. To achieve this, the optimization problem is solved using the simplex method for linear programming, implemented through Python. The model considers test data on electrical energy demand and solar irradiation, alongside battery operating conditions such as state of charge (SOC) and upper and lower charge limits as key decision variables. Conventional PV system sizing serves as a benchmark to assess the effectiveness of the optimization, with particular attention given to the computational resources required for problem solving.The results obtained from the optimization method demonstrate a substantial improvement in the utilization of energy resources, both from the photovoltaic system and the energy storage system. This approach enabled the design of an optimized system based on the proposed model, which was further refined using Matlab/Simulink.

Esta investigación responde a la creciente demanda de energías renovables, enfocándose específicamente en los sistemas fotovoltaicos que aprovechan la energía solar como una solución viable y sostenible. La metodología implementada incluyó el análisis de datos de radiación solar recopilados cada hora durante el periodo 2017-2023. Estos datos fueron fundamentales para realizar las predicciones y validar el algoritmo utilizado. El propósito de estas predicciones fue optimizar el dimensionamiento de un sistema fotovoltaico apropiado para un área urbana. Para ello, se empleó un algoritmo de árbol de decisión dentro de la técnica de aprendizaje automático, utilizando el software Python debido a su accesibilidad. Los resultados se almacenaron en un archivo .xlsx, lo que simplificó el proceso de dimensionamiento del sistema. Además, se incorporaron cálculos de desviación estándar para estimar la radiación solar en los próximos tres meses, permitiendo así un cálculo preciso y adecuado del sistema fotovoltaico necesario. En conclusión, el sistema fotovoltaico diseñado se dimensiono eficazmente a partir del análisis predictivo proporcionado por el algoritmo. Con una potencia pico de 1,26 kWp y una configuración de almacenamiento bien adaptada, este sistema está equipado para cumplir con las demandas energéticas diarias de 123,5 kWh.