The Levelized Cost of Driving (LCOD) calculates how much it costs to drive a vehicle, per kilometer, over the vehicle lifespan, and it is typically measured in USD/km. LCOD has been widely applied to assess and compare the performance of Electric Vehicles (EVs) and Internal Combustion engine Vehicles (ICVs). Unfortunately, there is no common methodology to establish how to compute LCOD. As authors use different criteria to determine which elements are relevant in LCOD, it is difficult to compare results. To overcome this issue, we re-introduce the LCOD concept, where the most relevant expenditures and incomes are included. This novel LCOD definition also incorporates key elements that are sometimes neglected, such as the second life of batteries in EVs, EV battery degradation models, and stochastic models, to characterize daily operation. The proposed methodology is applied to assess the cost of using EVs as taxis in the city of Quito, Ecuador.

En los nuevos escenarios urbanos de generación y distribución de electricidad, con incidencia de las fuentes renovables de energía, resulta necesario conocer el comportamiento de la demanda y el pronóstico del consumo mediante modelos predictivos confiables para garantizar la operación eficaz y eficiente del sistema. La presente investigación se propone utilizar las redes neuronales artificiales (RNA) mediante aprendizaje automático basado en un algoritmo iterativo (ML). En el caso de la demanda se determinó el modelo predictivo de potencia activa de un circuito de distribución primaria, donde las cargas residenciales están localizadas en edificios multifamiliares y constituyen el 64 % de todo el consumo de electricidad. Para realizar la modelación de la demanda se utilizaron los datos recolectados por un dispositivo de protección y medición, y como entradas las variables estacionarias: estación del año, día del año, día de la semana y la hora del día. El ajuste del modelo fue del 94.5 %, mejorando los resultados logrados mediante modelación paramétrica y de regresión múltiple. Se utilizó el mismo algoritmo y los mismos pasos para modelar el consumo de energía eléctrica diario de una empresa de proyectos, constituida por un edificio, donde el mejor coeficiente de correlación obtenido entre los datos de salida medidos y los predichos es de 0.9435. Los resultados de la investigación reflejan la utilidad del aprendizaje iterativo automático basado en la determinación de modelos predictivos, lo cual favorece los procesos de toma decisiones en cuanto a operación de las redes eléctricas y la planificación energética.

El presente trabajo de investigación muestra la gestión óptima de la energía de una microrred aislada basada en fuentes de energía renovable no convencional. Para lo cual se plantea un problema de despacho económico que busca abastecer la demanda eléctrica al menor costo de operación posible, a partir de un problema de optimización no lineal entero mixto. La no linealidad del algoritmo se presenta al incluir la ecuación característica del funcionamiento real del grupo electrógeno en el modelo de optimización. Los datos de entrada al despacho económico como radiación solar y velocidad del viento fueron obtenidos de la plataforma de la NASA situada sobre la isla Santa Cruz, provincia de Galápagos, Ecuador. Además, los datos de la demanda eléctrica fueron obtenidos de mediciones reales del sector. El problema de despacho económico se ha resultado para 12, 24 y 168 horas respectivamente, obteniendo una distribución energética proporcional para cada caso del 50.40 % suministrada por el generador fotovoltaico, 23.92 % por el generador diésel, 17.14 % por el banco de baterías y 5.53 % por el generador eólico, por lo que la demanda fue abastecida en su totalidad cumpliendo con el objetivo de que el grupo electrógeno no presente intermitencias y obteniendo el menor costo de operación del sistema.

El presente trabajo de implementación práctica muestra el diseño y la construcción de un prototipo de medidor digital domiciliar en el cual se puede visualizar las distintas variables en tiempo real como la tensión de la red, la corriente eléctrica, la potencia promedio, la energía consumida por la vivienda en kWh y el costo asociado de facturación mensual. El diseño del prototipo está dividido en tres etapas, la primera tiene que ver con el sistema de carga y alimentación del dispositivo, la segunda muestra el sistema de adquisición y acondicionamiento de las variables de entrada y la tercera tiene relación con el microcontrolador Arduino Mega 2560 encargado de la etapa de procesamiento, registro y almacenamiento de la información. La construcción del prototipo se la realiza en varias fases, en primer lugar el diseño práctico en el software Proteus 8 Professional para luego implementarlo en el protoboard y más adelante montarlo en la placa PCB, finalmente se acoplan estos módulos en una caja plástica con IP-65 la cual muestra en su vista frontal la pantalla de cristal líquido acoplada para mostrar las variables de salida del dispositivo terminado. El funcionamiento del prototipo está validado mediante comparación a través de varias pruebas de aplicación práctica en un caso de estudio real versus un medidor de energía convencional. Por último el prototipo resulta idóneo para sistemas de medición de energía domiciliar ya que se adapta a las necesidades de cada consumidor.

Este artículo está enfocado en la predicción de la radiación solar para el dimensionamiento de una planta fotovoltaica en la provincia de Pichincha-Ecuador, para lo cual se utilizó el modelo de red neuronal recurrente LSTM (Long Short-Term Memory) mediante el uso del lenguaje de programación Python. El entrenamiento de la red neuronal se realizó a partir de una base de datos histórica de radiación solar de 3 años consecutivos desde el 2 017 hasta el 2 019, mientras que para la validación de la predicción se utilizó los datos del año siguiente (2 020). La estructura de la red neuronal utiliza una primera capa de 70 neuronas, además dos capas ocultas con un dropout de 0.30 y 0.15 para cada capa respectivamente, y una capa de salida con un batch size de 16, un time step de 128 y 500 épocas. Para validar el desempeño de la red neuronal, se utilizan como métricas el error cuadrático medio (MSE), para este caso se obtuvo un MSE de 4.81 %, además se analizó la matriz de confusión la cual presenta valores de exactitud del modelo de 93.73 %, precisión de 62.27 % y una sensibilidad de 38.37 %. Finalmente, utilizando los valores predichos de radiación solar, se realizó el dimensionamiento de la planta fotovoltaica en el lugar establecido mediante el uso del software PVsyst, donde se determinó que el espacio de terreno podría establecer una planta de generación fotovoltaica anual máxima de 8 594 MWh/año bajo las condiciones establecidas en el presente trabajo de investigación.

This work presents the economic dispatch of an isolated non-conventional renewable energy (NCRE) microgrid in conjunction with a diesel generator and a BESS battery bank. For the development of the model, random input scenarios were used based on real measured data of solar radiation and wind speed. Three evaluation scenarios were established using the Monte Carlo method, with synthetic series less than, equal to, and greater than the average. Likewise, the economic dispatch is proposed as a mixed integer linear optimization model MILP, which includes the use of the diesel generator by means of linearization by sections. The economic dispatch is solved for 24 hours for the three possible scenarios, where in the first scenario the demand is supplied in 31.7% by solar power, 12.2% based on the BESS, 1.2% of wind power and 54.9% from the diesel generator, in the second scenario there is 32.5% of solar power, 21.3% of BESS, 4.2% of wind power and 41.9% from the diesel generator. Finally, in the third scenario, 57.7% of the demand is met by solar power, 21% by BESS, 7.7% by wind power and 41.9% by the diesel generator, thus meeting the demand in its entirety for all the proposed scenarios.