Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
DOI: https://doi.org/10.46296/ig.v7i14edespoct.0235  
EVALUACIÓN DE LA CAPACIDAD ÓPTIMA DE SISTEMAS DE  
ALMACENAMIENTO PARA EL CONTROL DE POTENCIA ACTIVA Y  
REACTIVA EN MICRORREDES  
EVALUATION OF THE OPTIMAL CAPACITY OF STORAGE SYSTEMS FOR  
ACTIVE AND REACTIVE POWER CONTROL IN MICROGRIDS  
1
2
Changoluisa-Criollo Luis Hernán ; Castillo-Fiallos Jessica Nataly ;  
3
Tonato-Paucar Diana Gabriela ;  
1
Universidad Técnica de Cotopaxi. Sangolqui, Ecuador.  
Correo: luis.changoluisa0557@utc.edu.ec. ORCID ID: https://orcid.org/0009-0006-8788-8867  
2
Universidad Técnica de Cotopaxi. Latacunga, Ecuador.  
Correo: jessica.castillo@utc.edu.ec. ORCID ID: https://orcid.org/0000-0002-3120-7229  
3
Universidad Técnica de Cotopaxi. Latacunga, Ecuador.  
Correo: diana.tonato0151@utc.edu.ec. ORCID ID: https://orcid.org/0009-0009-6106-7755  
Resumen  
Contexto: El estudio aborda la optimización de sistemas de almacenamiento de energía (SAE)  
en microrredes para controlar potencia activa y reactiva. Se enfoca en la importancia del  
almacenamiento para mejorar la operatividad, integrar energías renovables y reducir costos  
operativos. Las microrredes son fundamentales en la transición hacia energías limpias, y su  
variabilidad hace necesaria la implementación de SAE. Método: Se utilizó un modelo de  
optimización basado en programación no lineal entera mixta resuelto a través del software  
GAMS. Se consideraron diferentes escenarios y restricciones técnicas para ubicar y dimensionar  
óptimamente los SAE. La evaluación se realizó utilizando el sistema IEEE de 14 nodos, aplicando  
flujos de potencia en corriente alterna (AC) y modelando la gestión energética en microrredes.  
Resultados: El estudio mostró una reducción significativa en los costos operativos al integrar  
SAE, con un ahorro estimado de 3.35 millones de dólares anuales. Los SAE contribuyeron a  
mejorar la estabilidad del sistema, reducir pérdidas energéticas y optimizar la gestión de recursos  
renovables, especialmente en escenarios de alta demanda. Conclusiones: Los resultados  
sugieren que la integración de SAE mejora la sostenibilidad y eficiencia operativa de microrredes.  
Estos sistemas no solo reducen costos, sino que facilitan la gestión de fluctuaciones en la  
generación de energías renovables. El modelo propuesto demuestra ser eficiente para equilibrar  
la oferta y demanda de energía, subrayando el valor estratégico del almacenamiento en la  
modernización de redes eléctricas.  
Palabras clave: Almacenamiento de energía, Microrredes, Optimización, Potencia activa,  
Potencia reactiva.  
Abstract  
Context: The study addresses the optimization of energy storage systems (ESS) in microgrids to  
control active and reactive power. It focuses on the importance of storage to improve operability,  
integrate renewable energies and reduce operating costs. Microgrids are fundamental in the  
transition to clean energy, and their variability makes the implementation of ESS necessary.  
Method: An optimization model based on mixed integer nonlinear programming solved through  
GAMS software was used. Different scenarios and technical constraints were considered to  
optimally locate and size the ESS. The evaluation was performed using the IEEE 14 - node  
system, applying alternating current (AC) power flows and modeling energy management in  
microgrids. Results: The study showed a significant reduction in operating costs by integrating  
ESS, with an estimated savings of US$3.35 million per year. The ESS contributed to improving  
Información del manuscrito:  
Fecha de recepción: 15 de julio de 2024.  
Fecha de aceptación: 05 de septiembre de 2024.  
Fecha de publicación: 07 de octubre de 2024.  
1
30  
Changoluisa-Criollo et al. (2024)  
system stability, reducing energy losses and optimizing renewable resource management,  
especially in high demand scenarios. Conclusions: The results suggest that the integration of ESS  
improves the sustainability and operational efficiency of microgrids. These systems not only  
reduce costs, but also facilitate the management of fluctuations in renewable energy generation.  
The proposed model proves to be efficient in balancing energy supply and demand, underscoring  
the strategic value of storage in grid modernization.  
Keywords: Energy storage, Microgrids, Optimization, Active power, Reactive power.  
1
. Introducción  
2015a). Los SAE generan beneficios  
energéticos, económicos  
y
En las últimas décadas, la transición  
a energías limpias es clave para  
reducir emisiones, mitigar el cambio  
climático y mejorar la seguridad  
energética (Yekini et al., 2014). En  
este marco, las microrredes han  
surgido como una solución eficaz  
para integrar energías renovables y  
aumentar la resiliencia de los  
sistemas eléctricos (Shi et al., 2015),  
operando de forma autónoma o  
conectadas a la red principal,  
gestionando generación y demanda  
local para mayor sostenibilidad y  
eficiencia.  
ambientales al reducir la necesidad  
de centrales de reserva y estabilizar  
fluctuaciones, facilitando además la  
integración de energías renovables.  
Los avances en tecnologías de  
baterías han ampliado su uso en  
microrredes,  
destacando  
la  
importancia de ajustar su capacidad  
para maximizar los beneficios (Olabi  
et al., 2021).  
Numerosos estudios han investigado  
la optimización de la capacidad de  
los sistemas de almacenamiento de  
energía en microrredes para  
controlar potencia activa y reactiva,  
La variabilidad de la energía solar y  
eólica complica el control de  
potencia en microrredes (Mariam et  
al., 2016). Los sistemas de  
almacenamiento de energía (SAE)  
enfocándose  
en  
técnicas  
de  
optimización, estrategias de control y  
análisis de impacto (Grisales-Noreña  
et al., 2022). En (Raghavan et al.,  
2
020) se propone un algoritmo  
son  
vitales  
para  
equilibrar  
genético para optimizar el tamaño de  
los sistemas de almacenamiento en  
microrredes, considerando costos y  
estabilidad de la red. Los resultados  
generación y proporcionar estos  
servicios auxiliares. Optimizar su  
capacidad es un desafío que exige  
un enfoque riguroso (Fossati et al.,  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
indican que el algoritmo encuentra  
soluciones eficientes en tamaño y  
costo. De forma complementaría,  
capacidad  
de  
almacenamiento  
busca minimizar costos y maximizar  
beneficios económicos, reduciendo  
costos energéticos y generando  
(Sharafi  
&
ELMekkawy, 2014)  
muestra  
una  
para  
optimización  
dimensionar  
ingresos  
adicionales  
mediante  
servicios auxiliares a la red  
(Hayajneh et al., 2018).  
multiobjetivo  
sistemas  
híbridos  
de  
con  
almacenamiento  
energía,  
En este contexto debido a la  
relevancia de cada aspecto, el  
presente estudio presenta un modelo  
de optimización que considera  
simultáneamente la potencia activa y  
reactiva para evaluar de manera  
precisa la ubicación óptima y la  
capacidad de los sistemas de  
almacenamiento de energía. Este  
enfoque no solo reduce los costos  
operativos, sino que también genera  
beneficios económicos en relación a  
la reducción de costos operativos,  
para el efecto se resuelve un modelo  
basado en programación no lineal  
entera mixta, optimizando la gestión  
de flujos de potencia y minimizando  
los costos operativos).  
buscando minimizar costos  
y
maximizar eficiencia. Se demuestra  
que este enfoque mejora el equilibrio  
y la operación de microrredes. La  
revisión del estado del arte muestra  
que optimizar la capacidad de  
sistemas de almacenamiento en  
microrredes es esencial para integrar  
eficientemente energías renovables,  
mejorar la estabilidad de la red y  
reducir la dependencia de fuentes  
convencionales.  
El control de la potencia activa y  
reactiva es esencial para la  
estabilidad del suministro eléctrico  
en microrredes. Los sistemas de  
almacenamiento de energía (SAE)  
gestionan  
las  
fluctuaciones,  
Marco teórico  
asegurando un suministro constante.  
Optimizar la capacidad de los SAE  
mejora la estabilidad de la microrred,  
prolonga la vida útil de los equipos y  
reduce los costos operativos. (Zhu et  
al., 2020). La optimización de la  
El almacenamiento en sistemas  
energéticos  
El almacenamiento de energía ha  
sido parte de los sistemas eléctricos  
durante siglos, alcanzando un  
1
32  
Changoluisa-Criollo et al. (2024)  
desarrollo  
maduro  
en  
varias  
los precios de mercado, la  
variabilidad de las energías, los  
tecnologías. Estos sistemas ofreces  
diversas ventajas para los sistemas  
energéticos como (Mitali et al.,  
requisitos  
normativos  
y
la  
distribución de la demanda. Un  
sistema de almacenamiento bien  
dimensionado puede optimizar el  
uso de energías renovables y  
aumentar la confiabilidad del  
sistema. (Zhu et al., 2020).  
2
022):  
mayor  
integración  
de  
energías  
renovables,  
mejor  
rentabilidad económica, permiten la  
nivelación de la carga y la reducción  
de picos, minimiza la congestión en  
las redes, compensa durante  
contingencias, contribuyen a la  
Para abordar estos desafíos, se  
están desarrollando técnicas  
regulación  
de  
la  
frecuencia,  
avanzadas de optimización  
y
almacena energía para momentos  
de alta demanda y mejora la calidad  
modelos multiobjetivo que mejoran la  
eficiencia y el rendimiento del  
sistema eléctrico, el presente estudio  
plasma una modelación para  
afrontar este último desafío de la  
ubicación y capacidad de los  
sistemas de almacenamiento en  
microrredes que posteriormente se  
detalla.  
y
confiabilidad del suministro  
energético.  
Un desafío importante en la  
incorporación de tecnologías de  
almacenamiento es garantizar su  
viabilidad, lo que requiere un  
entendimiento profundo de los  
aspectos técnicos y una evaluación  
Características del SAE en el  
contexto de las microrredes  
cuidadosa  
económica en diferentes contextos  
Ould Amrouche et al., 2016; Zhao et  
de  
su  
viabilidad  
El crecimiento de las energías  
renovables a nivel global puede  
causar efectos significativos a corto  
y mediano plazo, como la congestión  
en las redes de transmisión de  
electricidad y fluctuaciones en los  
precios del mercado energético. A  
medida que aumenta la penetración  
de diversas fuentes de energía, es  
(
al., 2015), (Gür, 2018).  
El dimensionamiento y la asignación  
de los SAE representan un desafío  
complejo pero crucial para mejorar la  
estabilidad de la red eléctrica y  
reducir costos operativos. La  
ubicación y el tamaño óptimos del  
sistema dependen de factores como  
esencial  
incluir  
soluciones  
1
33  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
adaptables como los sistemas de  
almacenamiento de energía, que  
ayudan a equilibrar la oferta y la  
demanda de energía (Kalavani et al.,  
Las microrredes son clave en la  
transición hacia un modelo  
económico sostenible, permitiendo  
una gestión eficiente de cargas y  
recursos energéticos. La integración  
de fuentes renovables, como la  
eólica y la fotovoltaica, requiere  
tecnologías complementarias, como  
generadores diésel, microturbinas y  
sistemas de gestión de energía, que  
aumentan la flexibilidad del sistema  
energético y proporcionan beneficios  
2
019). En las microrredes, el  
almacenamiento se convierte en un  
factor  
crucial  
para  
los  
integrar  
eficazmente  
recursos  
energéticos y minimizar las pérdidas  
de producción debido las  
a
restricciones de la red eléctrica  
convencional, en la Figura 1 se  
ilustra dicho sistema (Fossati et al.,  
económicos,  
técnicos  
y
2
015).  
medioambientales (Álvarez-Arroyo  
et al., 2024).  
Figura 1. Sistema energético de microrred.  
Carga  
Sistema fotovoltaico  
Sistema eólico  
Red eléctrica  
Microturbina  
Generador (diesel)  
SAE  
(
Álvarez-Arroyo et al., 2024)  
Las tecnologías de almacenamiento  
de energía se pueden configurar de  
directamente a fuentes específicas  
(Aneke Wang, 2016). La  
integración de sistemas de  
&
manera  
constante hacia un punto común, o  
distribuida, conectándose  
agregada,  
con  
flujo  
almacenamiento de energía (SAE)  
en microrredes mejora la eficiencia al  
1
34  
Changoluisa-Criollo et al. (2024)  
gestionar la generación excedente y  
definitiva para mejorar el rendimiento  
de la microrred, el determinar la  
capacidad adecuada del sistema es  
indispensable para satisfacer las  
necesidades de almacenamiento sin  
proporcionar  
funciones  
como  
arbitraje de energía y soporte de  
voltaje y frecuencia. La elección y  
gestión óptima del SAE son clave  
para reducir anomalías y mejorar la  
confiabilidad del sistema (Chen et  
al., 2011).  
incurrir  
en  
sobrecostos  
recursos,  
ni  
desperdiciar  
varios  
métodos y algoritmos se presentan a  
continuación.  
Cada  
características  
distintas. Sin  
tecnología  
tiene  
y
aplicaciones  
• Dimensionamiento  
de  
SAE  
embargo,  
el  
mediante métodos óptimos: se  
dividen en dos categorías  
dimensionamiento adecuado de los  
SAE es fundamental para evitar  
costos innecesarios. Además, el  
desarrollo de microrredes con SAE  
principales:  
métodos  
de  
optimización de un solo objetivo y  
de múltiples objetivos. En los  
primeros, el enfoque principal es  
minimizar los costos, mientras  
que en los de multiobjetivo se  
busca, además, maximizar la  
enfrenta  
desafíos  
legales,  
ambientales y de regulación que  
deben ser superados para garantizar  
una implementación exitosa  
y
sostenible (Mashayekh et al., 2017).  
confiabilidad sistema  
del  
energético (Aghamohammadi &  
Dimensionamiento óptimo de los  
sistemas de almacenamiento de  
energía  
Abdolahinia,  
posibles  
2014).  
Algunos  
de  
métodos  
dimensionamiento óptimo de SAE  
son: basado en filtros, basado en  
la transformada de Fourier,  
modelo de selección decisiva y  
modelos de simulación.  
Este proceso implica determinar la  
capacidad adecuada del SAE para  
maximizar la estabilidad de la red,  
reducir costos operativos y mejorar  
la integración de energías limpias,  
•
Dimensionamiento  
de  
SAE  
evitando  
tanto  
el  
mediante algoritmos óptimos:  
Existen varias programaciones  
sobredimensionamiento como la  
falta de capacidad (Khalid Mehmood  
et al., 2017). El dimensionamiento  
óptimo del SAE es una solución  
dirigidas  
al  
problema  
de  
y
optimización para ubicar  
1
35  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
dimensionar los sistemas de  
almacenamiento, estos son los  
más efectivos (Hannan et al.,  
2. Materiales y métodos  
Modelo matemático y sistema de  
prueba  
2
020): despacho económico y  
Target  
flujos de carga, algoritmo de  
programación lineal entera mixta,  
algoritmo de control predictivo, de  
ramificación paralela y acotación,  
optimización por enjambres de  
partículas, y optimización hibrida  
El propósito del modelo es minimizar  
los costos de producción de energía,  
asegurando una generación óptima  
de los recursos despachados y  
considerando la contribución de los  
sistemas de almacenamiento dentro  
de la red simulada, utilizando flujos  
de potencia AC. Su formulación  
corresponde a:  
El dimensionamiento óptimo de los  
sistemas de almacenamiento de  
energía (SAE) busca enfrentar  
desafíos como la incertidumbre en la  
generación renovable, fluctuaciones  
de frecuencia, optimización de  
costos y capacidad, y reducción de  
emisiones. Su operación puede ser  
conectada a la red o aislada, lo que  
complica la elección de métodos y  
algoritmos adecuados. Por lo tanto,  
este documento se centra en  
formular un modelo de optimización  
para determinar la ubicación óptima  
y la capacidad de los SAE en la  
operación de microrredes. Este  
modelo abordará tanto el control de  
la potencia activa como de la  
reactiva, buscando minimizar los  
costos operativos.  
퐶푉 =  
∑
퐶푉ꢀ ∙  
(1)  
ꢀ
∈ 푇,퐻,퐸푅푁ꢁ  
2
퐶푉푇 = ∑ ∑ 훼ꢀ ∙ 푃ꢀ,ℎ + 훽ꢀ ∙ 푃ꢀ,ℎ + 훾ꢀ  
(
2)  
ℎ
ꢀ ∈ 푇  
퐶푉 = ∑ ∑ 휗 ∙ 푃  
퐻
ꢀ
ꢀ,ℎ  
(3)  
(4)  
ℎ
ꢀ ∈ 퐻  
퐶퐸푅푁ꢁ = ∑  
ℎ
∑
휏ꢀ ∙ 푃ꢀ,ℎ  
ꢀ ∈ 퐸푅푁ꢁ  
Donde CV es el costo operativo total,  
퐶푉 , 퐶푉 , 퐶푉 corresponden a los  
푇
퐻
퐸푅푁ꢁ  
costos operativos de las centrales  
térmicas, hidroeléctricas  
energías renovables  
y
de  
no  
convencionales, respectivamente.  
Así mismo, 훼 , 훽 푦 훾 son los  
ꢀ
ꢀ
ꢀ
coeficientes aplicables a la función  
cuadrática de costos para los  
generadores térmicos, 휗 푦 휏 son  
ꢀ
ꢀ
los precios asociados  
a
la  
1
36  
Changoluisa-Criollo et al. (2024)  
2
푉
producción de energía de los  
generadores hidroeléctricos y los  
que usan energías renovables, 푃ꢀ,ℎ  
es la potencia despachada de cada  
generador de tipo g en cada hora h.  
푖,ℎ  
푞푖,푗,ℎ  
=
∙ 푠ꢂ푛(휃푖,푗)  
−
푍푖,푗  
푉푖,ℎ ∙ 푉푗,ℎ  
푍푖,푗  
(
8)  
∙
푠ꢂ푛(훿푖,ℎ  
−
훿푗,ℎ + 휃푖,푗)  
푏푖,푗 ∙ 푉2  
푖,ℎ  
−
ꢃ
Restricciones  
Donde 퐷푃 푦 퐷푄 corresponden a  
푖,ℎ  
푖,ℎ  
la demanda de potencia activa y  
Las restricciones se asocian a las  
reactiva en cada nodo i para cada  
características  
técnicas  
y
hora h, respectivamente, 푝푖,푗,ℎ 푦 푞푖,푗,ℎ  
son los flujos de potencia activa y  
reactiva que circulan entre el nodo i  
y el nodo j, respectivamente,  
푃푑푖,ℎ 푦 푃푐푖,ℎ son la potencia de carga  
operatividad de la red, de los  
generadores y de los sistemas de  
almacenamiento. En este contexto  
se describen las restricciones  
modeladas.  
y de descarga del sistema de  
almacenamiento ubicado en el nodo  
i, 푍푖,푗 impedancia del vínculo  
Balance nodal de potencia: el  
balance de potencia activa y reactiva  
en cada nodo garantiza que la  
energía generada y transmitida se  
distribuya adecuadamente para  
satisfacer las necesidades de  
conectado entre dos nodos, 푉 푦 훿  
푖,ℎ  
푖,ℎ  
son el voltaje y ángulo en el nodo i a  
la hora h, respectivamente y 휃 es el  
푖,푗  
Ángulo  
relacionado  
con  
la  
consumo  
en  
toda  
la  
red,  
y
impedancia del vínculo.  
manteniendo la estabilidad  
eficiencia del sistema eléctrico.  
Rampas de carga: Determinan cómo  
un generador puede ajustar su  
producción de potencia en respuesta  
a las necesidades del sistema  
∑
푃ꢀ,ℎ − 퐷푃푖,ℎ + 푃푑푖,ℎ − 푃푐푖,ℎ  
ꢀ
∀ ꢀ∈푖  
(
5)  
=
∑ 푝푖,푗,ℎ  
푗
∑
푄ꢀ,ℎ − 퐷푄푖,ℎ = ∑ 푞푖,푗,ℎ  
(6)  
(7)  
eléctrico,  
su  
modelación  
ꢀ
∀ ꢀ∈푖  
푗
2
푉
푖,ℎ  
푝푖,푗,ℎ  
=
∙ 푐표푠(휃푖,푗)  
−
corresponde a:  
푍푖,푗  
푉푖,ℎ ∙ 푉푗,ℎ  
푃ꢀ,ℎꢄ1 − 푃ꢀ,ℎ ≤ ꢅꢀꢄ  
푍푖,푗  
(9)  
∙
푐표푠(훿푖,ℎ  
훿푗,ℎ + 휃푖,푗)  
푃ꢀ,ℎꢆ1 − 푃ꢀ,ℎ ≤ ꢅꢀꢆ  
(10)  
−
1
37  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
ꢄ
ꢆ
ꢀ
Donde ꢅ 푦 ꢅ corresponden a las  
la vida útil del sistema y evitar una  
degradación acelerada.  
ꢀ
rampas de subida o bajada de los  
generadores obtenidas por sus  
condiciones constructivas.  
푆표퐶푖,ℎ = 푆표퐶 . 푢푖 푖,ℎ + 푆표퐶 푖,ℎꢆ1  
0
ℎꢈ1  
ℎ≥1  
+ 푃푐푖,ℎ ∙ 휀푐ꢉꢊ  
(13)  
푃푑푖,ℎ  
−
휀푑ꢉꢊ  
Límites de potencia de generación:  
se refieren a las restricciones  
máximas y mínimas en la cantidad  
de potencia eléctrica que un  
generador puede producir y son  
esenciales para asegurar que el  
generador opere dentro de sus  
Donde 푆표퐶푖,ℎ es el estado de carga  
del sistema de almacenamiento  
ubicado en el nodo i para cada hora  
h, 푆표퐶표 es el estado inicial de carga  
del sistema de almacenamiento,  
휀푐 푦 휀푑 es la eficiencia de la  
ꢉꢊ  
capacidades  
técnicas.  
Su  
ꢉꢊ  
carga y descarga del sistema de  
modelación es la siguiente:  
almacenamiento y 푢 es la variable  
푖
푚푖ꢇ  
≤ 푃ꢀ,ℎ ≤ 푃ꢀ푚푎푥  
≤ 푄ꢀ,ℎ ≤ 푄 ꢀ푚 푎푥  
푃
(11)  
ꢀ
binaria que selecciona la ubicación y  
la capacidad del sistema de  
almacenamiento.  
푚푖ꢇ  
ꢀ
푄
(12)  
Donde 푃ꢀ푚푖ꢇ, 푃푚푎푥, 푄푚푖ꢇ푦 푄  
푚푎푥  
ꢀ
son  
ꢀ
ꢀ
Además, la operación de los  
sistemas de almacenamiento (SA)  
está condicionada por el valor del  
Estado de Carga (SoC), con el  
objetivo de mantener una operación  
óptima del sistema sin comprometer  
la vida útil del almacenamiento. En  
este contexto, los límites que deben  
ser modelados son los siguientes:  
los límites técnicos de potencia  
activa y reactiva de los generadores  
que son en función de la  
construcción de dichos equipos.  
Restricciones aplicables  
a
los  
sistemas de almacenamiento: La  
modelación matemática que se  
presenta  
a
continuación  
corresponden a los parámetros de  
los sistemas de almacenamiento de  
energía. Primero, se modelará el  
Estado de Carga (SoC) de las  
baterías, con el objetivo de preservar  
푆표퐶 푖푚 푎푥. 푢 ꢋ 푆표퐶 ꢋ %휌푚푖ꢇ ∙ 푆표퐶 푖푚 푎푥. 푢  
푖
(14)  
(15)  
(16)  
푖
푖,ℎ  
푚푎푥  
%
휋푚푎푥 . 푢 ∙ 푆표퐶푖  
ꢋ 푃푑푖,ℎ ꢋ ꢌ  
푖
%
휇푚푎푥. 푢푖 ∙ 푆표퐶 ꢍ푚ꢎ 푎ꢏ 푥 ꢋ 푃푐푖,ℎ ꢋ ꢌ  
Donde, 푆표퐶 푖푚 푎푥 es el estado de carga  
máximo del sistema de  
1
38  
Changoluisa-Criollo et al. (2024)  
푚푖ꢇ  
푚푎푥  
,
almacenamiento,  
%휌푚푖ꢇ  
Donde,푃  
, 푃  
푒ꢇ푙푎ꢐ푒 푒ꢇ푙푎ꢐ푒  
푚푖ꢇ  
푚푎푥  
corresponde al porcentaje mínimo  
permitido para el estado de carga,  
푄
푦 푄  
son  
los  
límites  
푒ꢇ푙푎ꢐ푒  
푒ꢇ푙푎ꢐ푒  
máximos y mínimos de potencia  
activa y reactiva que pueden circular  
%
휋푚푎푥 es el porcentaje máximo  
permitido para la descarga  
es el porcentaje máximo  
permitido para la carga.  
y
por  
un  
enlace,  
son los  
푉푖푚푖ꢇ, 푉푚푎푥, 훿  
푚푖ꢇ  
푦 훿 푖푚 푎푥  
%
휇푚푎푥  
푖
푖
niveles de voltaje y de ángulo nodal  
máximo y mínimo para mantener la  
estabilidad del sistema.  
Restricciones aplicables la red:  
Estas restricciones se asocian a las  
variables eléctricas de la red, como  
son los niveles de voltaje, Angulo de  
los nodos y límite de transferencia,  
sus formulaciones matemáticas son  
las siguientes:  
Sistema eléctrico modelo  
El modelo de optimización se  
validará utilizando la red del Sistema  
Eléctrico IEEE de 14 nodos. Los  
datos específicos de cada elemento,  
incluidas la red y las unidades de  
푚푖ꢇ  
푚푎푥  
푃
≤ 푝푖,푗,ℎ ≤ 푃  
(17)  
(18)  
(19)  
(20)  
푒ꢇ푙푎ꢐ푒  
푒ꢇ푙푎ꢐ푒  
푚푖ꢇ  
푒ꢇ푙푎ꢐ푒  
푚푎푥  
≤ 푞푖,푗,ℎ ≤ 푄  
푒ꢇ푙푎ꢐ푒  
푄
generación, encuentran  
se  
푉푖푚푖ꢇ ≤ 푉푖,ℎ ≤ 푉푖푚푎푥  
훿 푖푚 푖ꢇ ≤ 훿푖,ℎ ≤ 훿 푖푚 푎푥  
detallados a continuación.  
Datos del Sistema IEEE 14 Bus  
Datos de Generadores  
Pmax  
Nodo  
Pmin  
(MW)  
0
10  
5
Qmax  
(MVAr)  
116.25  
56.25  
41.25  
39.23  
Qmin  
(MVAr)  
-116.25  
-56.25  
-41.25  
-39.23  
-26.64  
Ru  
(MW/h)  
75  
Rd  
(MW/h)  
75  
(
MW)  
155  
75  
G1  
G2  
G3  
G4  
G5  
1
2
3
6
8
50  
35  
81  
55  
50  
35  
81  
55  
55  
81  
55  
0
0
26.64  
Datos de nodos  
Pd  
Qd  
(MVAr)  
0
12.7  
19  
-3.9  
1.6  
7.5  
Qs  
(MVAr)  
Nodo  
Tipo  
(
MW)  
1
2
3
4
5
6
7
3
2
2
2
2
2
2
0
0
0
0
0
0
0
0
21.7  
94.2  
47.8  
7.6  
11.2  
0
0
1
39  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
8
9
2
2
2
2
2
2
2
0
29.5  
9
3.5  
6.1  
13.5  
14.9  
0
16.6  
5.8  
1.8  
1.6  
5.8  
5
0
0
0
0
0
1
0
1
2
3
4
1
1
1
1
0
25  
Datos de la red  
r
x
(pu)  
bl  
(pu)  
0.0528  
0.0492  
0.0438  
0.0374  
0.034  
0.0346  
Limit  
(MW)  
120  
65  
36  
65  
50  
65  
45  
32  
45  
18  
32  
32  
32  
32  
32  
32  
Nodo i  
Nodo j  
(
pu)  
1
1
2
2
2
3
4
4
5
6
6
6
7
7
9
9
2
5
3
4
5
4
5
9
6
11  
12  
13  
8
0.01938  
0.05403  
0.04699  
0.05811  
0.05695  
0.06701  
0.01335  
0
0.05917  
0.22304  
0.19797  
0.17632  
0.17388  
0.17103  
0.04211  
0.55618  
0.25202  
0.1989  
0.25581  
0.13027  
0.17615  
0.11038  
0.0845  
0.0128  
0
0
0
0
0
0
0
0
0
0
0
0
0
0.09498  
0.12291  
0.06615  
0
0.09711  
0.03181  
0.12711  
0.08205  
0.22092  
0.17093  
9
10  
14  
11  
13  
14  
0.27038  
0.19207  
0.19988  
0.34802  
10  
12  
13  
15  
15  
15  
Diagrama Unifilar  
1
3
14  
12  
11  
1
0
6
9
8
7
4
1
5
2
3
Parámetros para el modelado  
sido definidos usando los reportes de  
la International Renewable Energy  
Agency (IRENA) y de la información  
Los aspectos económicos asociados  
a las unidades de generación han  
1
40  
Changoluisa-Criollo et al. (2024)  
establecida en Power System  
Analysis. Los valores a usarse son  
los siguientes.  
Tabla 1. Datos económicos de las unidades de generación.  
α
β
Γ
bus  
[
USD/MWh2]  
[USD/MWh]  
[USD]  
G1-H  
G2- T  
G3- T  
G5 -E  
G6- FV  
1
2
3
6
8
-
25.29  
61.73  
108.39  
36  
0
12  
25  
-
0.00735  
0.00482  
-
-
51  
-
(
IRENA, 2021)  
Los porcentajes aplicados a cada carga, una vez acumulados, definen la curva  
de carga tanto para la potencia activa como para la reactiva, presentadas en la  
Figura 2 y Figura 3, respectivamente.  
Figura 2. Curva de potencia activa - IEEE 14 bus.  
250  
200  
150  
100  
50  
0
t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11 t12 t13 t14 t15 t16 t17 t18 t19 t20 t21 t22 t23 t24  
Hora  
N2 N3 N4 N5 N6 N9 N10 N11 N12 N13 N14  
Figura 3. Curva de potencia reactiva - IEEE 14 bus.  
80  
70  
60  
50  
40  
30  
20  
10  
0
t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11 t12 t13 t14 t15 t16 t17 t18 t19 t20 t21 t22 t23 t24  
-10  
Hora  
N2 N3 N4 N5 N6 N9 N10 N11 N12 N13 N14  
1
41  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
Los sistemas de almacenamiento,  
configurados en modalidad stand-  
alone, serán seleccionados para  
cualquiera de los 14 nodos. Sus  
datos generales, se describen a  
continuación:  
escenarios de baja y alta demanda,  
comparando el sistema eléctrico  
operando con y sin sistemas de  
almacenamiento.  
3
. Resultados y discusión  
Tabla 2. Datos técnicos para los  
sistemas de almacenamiento.  
Dados los escenarios propuestos y  
con base a los resultados de las  
Parámetro  
Valor  
ꢑ 푙ꢁ ꢒ  
ꢌ.ꢃ ∙ ꢑ 푙ꢐ ꢆ푚푎푥  
variables  
a
ser analizadas,  
a
푚푎푥  
ꢌ.7 ∙ ꢑ 푙ꢐ ꢆ푚푎푥  
푃푑  
ꢏꢏ  
continuación, se procede con el  
análisis correspondiente:  
푚푖ꢇ  
푃푑  
0 MW  
ꢏꢏ  
푚푎푥  
ꢏꢏ  
ꢐꢆ푚푎푥  
푃푐  
ꢌ.5 ∙ ꢑ푙  
푚푖ꢇ  
ꢏꢏ  
푃푐  
0 MW  
95%  
휌푐ꢏꢏ  
Evaluación energética y costos  
asociados  
휌푑ꢏꢏ  
90%  
(
Autores)  
La evaluación se centra en el análisis  
energético y el despacho de potencia  
de las unidades de generación,  
Escenarios de Estudio  
Para analizar las variaciones  
operativas que resultan de la  
considerando  
la  
red  
y
las  
restricciones impuestas. La Figura 4  
muestra el despacho sin incluir los  
integración  
de  
sistemas  
de  
almacenamiento en el sistema  
eléctrico modelado, se han definido  
los siguientes escenarios de estudio:  
sistemas  
de  
almacenamiento,  
mientras que la Figura 5 presenta el  
despacho de las unidades de  
generación junto con la interacción  
de los sistemas de almacenamiento.  
●
Evaluación  
energética  
y
costos: Se analizarán la energía  
despachada y los costos operativos,  
comparando el funcionamiento del  
sistema eléctrico con y sin sistemas  
de almacenamiento.  
●
Evaluación por escenario de  
carga: Se evaluarán las variables  
técnicas económicas en  
y
1
42  
Changoluisa-Criollo et al. (2024)  
Figura 4. Despacho de generación del sistema IEEE 14 bus.  
250.00  
200.00  
150.00  
100.00  
50.00  
-
t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11 t12 t13 t14 t15 t16 t17 t18 t19 t20 t21 t22 t23 t24  
Hora  
PG-Hidro  
PG-EO  
PG-FV  
PG-Termico  
Figura 5. Despacho de generación del sistema IEEE 14 con Sist. de Almacenamiento.  
230.00  
180.00  
130.00  
8
0.00  
0.00  
3
-20.00  
t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11 t12 t13 t14 t15 t16 t17 t18 t19 t20 t21 t22 t23 t24  
Hora  
PG-Hidro  
PG-EO  
PG-FV  
PG-Termico  
PcargaSAE  
PDescagaSAE  
Del proceso de optimización, el  
optimizador selecciono dos sistemas  
de almacenamiento uno ubicado en  
el nodo 3 y otro en el nodo 8 de  
capacidades máximas de 70 y 40  
MW. Los procesos de su operación  
de carga y descarga se presentan en  
las Figura 6 y Figura 7.  
Figura 6. Sistema de almacenamiento- Nodo 3.  
8
0.00  
0.00  
0.00  
0.00  
0.00  
0.00  
0.00  
0.00  
7
6
5
4
3
2
1
-
-10.00  
-20.00  
t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11 t12 t13 t14 t15 t16 t17 t18 t19 t20 t21 t22 t23 t24  
Hora  
PcargaSAE  
PDescagaSAE  
E-SOC  
1
43  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
Figura 7. Sistema de almacenamiento- Nodo 8.  
50.00  
40.00  
30.00  
20.00  
10.00  
-
-10.00  
t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11 t12 t13 t14 t15 t16 t17 t18 t19 t20 t21 t22 t23 t24  
Hora  
PcargaSAE  
PDescagaSAE  
E-SOC  
Para evaluar el aporte energético de  
cada fuente de generación, del  
sistema de almacenamiento y las  
pérdidas en el sistema, se presentan  
los valores en la Tabla 5. Es  
necesario indicar que la demanda  
energética total asciende a 4,360.52  
MWh.  
para ambos sistemas. Del análisis de  
los costos operativos y el impacto de  
los sistemas de almacenamiento se  
revela que la incorporación de  
sistemas de almacenamiento reduce  
los costos operativos en 9.186,09  
USD diarios. Esto se traduce en un  
ahorro  
anual  
estimado  
de  
3
,352,921.50 USD.  
En ninguno de los casos el  
generador hidroeléctrico supera los  
Evaluación por escenario de carga  
2
,5 GWh, según su factor de planta.  
Para validar las variables eléctricas y  
económicas, se realizará un análisis  
en dos escenarios de carga:  
demanda baja y demanda alta.  
Al incorporar los sistemas de  
almacenamiento, el modelo asigna la  
carga de estos sistemas al  
generador eólico y a los generadores  
térmicos, que suministran 78,12  
MWh diarios. A su vez, los sistemas  
de almacenamiento entregan 79,20  
MWh diarios, según lo optimizado  
por costos. La energía producida  
cubre la demanda, con pérdidas  
generales del 2,55% en promedio  
•
Análisis – Demanda baja  
Los resultados muestran que el  
modelo de optimización, al  
considerar las restricciones y los  
costos, favorece la generación de  
más energía hidroeléctrica y térmica  
para cargar los sistemas de  
1
44  
Changoluisa-Criollo et al. (2024)  
almacenamiento. Esta estrategia  
redirige los flujos de potencia,  
cubriendo la demanda con un ligero  
aumento en las pérdidas, que suben  
del 1.99% al 2,36%. Además, la  
Figura 8 muestra el perfil de voltaje  
del sistema eléctrico tanto con o sin  
los sistemas de almacenamiento,  
señalando que los voltajes nodales  
se mantienen dentro del rango  
establecido por el modelo de  
optimización. La inclusión de  
sistemas de almacenamiento  
permite redirigir los flujos de  
potencia, lo que incluso aumenta el  
voltaje en la gran parte de los nodos  
del sistema. El resultado de los flujos  
de potencia activa y reactiva en la  
red durante la demanda mínima con  
los sistemas de almacenamiento se  
muestra en la Figura 10 en el  
diagrama unifilar.  
Figura 8. Perfil de voltaje comparativo– Demanda baja.  
1
.0400  
.0300  
.0200  
.0100  
.0000  
.9900  
.9800  
.9700  
.9600  
.9500  
.9400  
1
1
1
1
0
0
0
0
0
0
N1  
N2  
N3  
N4  
N5  
N6  
N7  
N8  
N9  
N10  
N11  
N12  
N13  
N14  
Nodos  
Con BESS  
Sin BESS  
Del análisis de los costos operativos  
obtenidos en demanda baja se  
revela que el modelo requiere que  
los sistemas de almacenamiento se  
carguen para luego usar la energía  
almacenada. Esto genera un costo  
adicional de 794,30 USD en  
comparación con el sistema sin  
almacenamiento. Sin embargo,  
según el análisis energético y de  
costos, este costo extra se  
compensa cuando los sistemas de  
almacenamiento aportan energía al  
sistema, reduciendo el costo  
operativo total durante el período de  
análisis.  
•
Análisis – Demanda alta  
De forma similar al análisis realizado,  
en demanda alta el primer análisis se  
enfoca al despacho de las unidades  
de generación y la interacción de los  
sistemas de almacenamiento. Los  
1
45  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
resultados muestran que, en  
demanda alta, el modelo de  
optimización sugiere utilizar los  
sistemas de almacenamiento para  
ayudar a cubrir la demanda. Esto  
reduce la necesidad de energía  
hidroeléctrica y térmica en 6.79 GWh  
y 21.83 GWh, lo que disminuye el  
costo operativo. La incorporación de  
los sistemas de almacenamiento  
también redirige los flujos de  
potencia y disminuye las pérdidas en  
comparación con el caso sin  
almacenamiento, confirmando que  
voltaje del sistema tanto con cómo  
sin los sistemas de almacenamiento.  
Señalando que los voltajes nodales  
se mantienen dentro del rango  
establecido por el modelo de  
optimización. La incorporación de los  
sistemas de almacenamiento ayuda  
a redirigir los flujos de potencia,  
cumpliendo con esta restricción e  
incrementando los valores en pu a  
comparación del caso donde no  
existe almacenamiento. El resultado  
de los flujos de potencia activa y  
reactiva en la red durante la  
demanda máxima con los sistemas  
de almacenamiento se muestra en la  
Figura 11.  
estos  
sistemas  
benefician  
la  
operación de los sistemas eléctricos.  
La Figura 9 presenta el perfil de  
Figura 9. Perfil de voltaje comparativo– Demanda alta.  
1
.0200  
.0100  
.0000  
.9900  
.9800  
.9700  
.9600  
.9500  
.9400  
.9300  
.9200  
.9100  
1
1
0
0
0
0
0
0
0
0
0
N1  
N2  
N3  
N4  
N5  
N6  
N7  
N8  
N9  
N10  
N11  
N12  
N13  
N14  
Nodos  
Con BESS  
Sin BESS  
Del análisis de los costos operativos  
obtenidos en demanda alta se revela  
que el modelo requiere que los  
4,496.53USD en costos operativos  
en comparación con un sistema sin  
almacenamiento lo que anualmente  
representa 1,641,231.95USD. Este  
hallazgo está alineado con el análisis  
sistemas almacenamiento  
de  
entreguen su energía, lo que ahorra  
1
46  
Changoluisa-Criollo et al. (2024)  
previo, que demuestra que los  
ayudan reducir los costos  
a
sistemas  
de  
almacenamiento  
operativos en el sistema eléctrico.  
Figura 10. Diagrama unifilar – Demanda Baja.  
Pd=7.32MW  
Qd= 3.14 MVAr  
Pd=8.08MW  
Qd= 2.71 MVAr  
1.0115<-4.39°  
1
3
Qc= 25 MVar  
1
4
Pd= 3.31MW  
Qd= 0.87 MVAr  
1.029<-6.86°  
Pd= 1.9MW  
Qd= 0.98 MVAr  
Pd= 4,88MW  
Qd= 3.14 MVAr  
1
2
1.0118<-3.99°  
1
.002<-4.52° 11  
Pd=15.99 MW  
Qd= 9 MVAr  
0.994<-5.65°  
1
0
0
.995<-5.97°  
9
6
1.016<-3.21°  
Pg=5.28 MW  
Qg=0.98 MVAr  
8
1
.001<-5.69°  
Pd=.6.07MW  
Qd= 4.07 MVAr  
Pg=83.66 MW  
Pg=38.8 MW  
Qg= -15.47 MVAr  
Qg= 8.71 MVAr  
7
4
0.991<-4.19°  
Pd=4.12 MW  
1.003<-5.16°  
Qd= 0.87 MVAr  
1.0<0°  
0.996<-3.38°  
Pd=25.91 MW  
Qd= -2.11 MVAr  
1
5
2
0.993<-2.06°  
0
.973<-6.20°  
3
Pd=11.76 MW  
Qd= 6.88 MVAr  
Pg=20.89 MW  
Qg=1.14 MVAr  
Pd=51.06 MW  
Qd= 10.3 MVAr  
Pc=-9.92 MW Pg=5 MW  
Qg= 4.04 MVAr  
Figura 11. Diagrama unifilar – Demanda Alta.  
Pd=13.07MW  
Qd= 5.61 MVAr  
Pd=14.42MW  
Qd= 4.84 MVAr  
0.997<-8.41°  
1
3
Qc= 25 MVar  
1
4
Pd=5.90MW  
Qd= 1.55 MVAr  
0.999<-11.58°  
Pd= 3.39MW  
Qd= 1.74 MVAr  
Pd= 8.71MW  
Qd= 5.61 MVAr  
1
2
1.001<-7.95°  
0
.985<-8.46° 11  
Pd=28.56 MW  
Qd=16.07 MVAr  
0.966<-9.94°  
1
0
0
.967<-10.26°  
9
6
1.013<-6.72°  
Pg=10.56 MW  
Qg=5.11 MVAr  
8
0
.986<-9.58°  
Pd=10.84MW  
Qd= 7.26 MVAr  
Pg=137.84 MW  
Pg=52.08 MW  
Qg= -31.45 MVAr  
Qg= 25.22 MVAr  
7
4
0.979<-6.456°  
Pd=7.36 MW  
0.995<-8.09°  
Qd= 1.55 MVAr  
1
.0<0°  
0.987<-5.44°  
Pd=46.27 MW  
Qd= -3.78 MVAr  
1
5
Pd=3.89MW  
2
0.997<-3.55°  
0
.95<-7.39°  
3
Pd=21.01 MW  
Qd=12.29 MVAr  
Pg=10 MW  
Qg=52.19 MVAr  
Pd=91.19 MW  
Qd= 18.39 MVAr  
Pd=17.22 MW  
Pg=25.64 MW  
Qg= -9.27 MVAr  
1
47  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
4
. Conclusiones  
El análisis por demanda muestra  
que, en demanda baja, el modelo de  
optimización requiere cargar los  
sistemas de almacenamiento, lo que  
incrementa el costo operativo en  
La investigación evalúa el uso de  
Sistemas de Almacenamiento de  
Energía en sistemas eléctricos de  
potencia a través de un modelo de  
optimización evaluado con la red  
estándar IEEE de 14 nodos. Los  
resultados muestran una reducción  
significativa en los costos operativos,  
con un ahorro diario de 9.186,09  
USD en comparación con un  
escenario sin estos sistemas de  
almacenamiento, lo que representa  
en un año 3,352,921.50 USD.  
7
94,30 USD en comparación con un  
sistema sin almacenamiento. Sin  
embargo, en demanda alta, este  
costo adicional se compensa, ya que  
los sistemas de almacenamiento  
aportan energía, reduciendo el costo  
operativo total durante el período de  
análisis, mismo que asciende a  
4
,496.53USD, es decir q se genera  
un ahorro de aproximadamente 6  
veces el valor de costo incurrido.  
El  
uso  
de  
sistemas  
de  
almacenamiento con capacidades  
medianas provoca una redistribución  
de los flujos de potencia, lo que  
resulta en un aumento del 2,57% en  
las pérdidas del sistema eléctrico  
durante el análisis. Este incremento  
Con base a los resultados, se colige  
que la integración de sistemas de  
almacenamiento en los sistemas  
eléctricos de potencia es crucial para  
mejorar la eficiencia y sostenibilidad  
de la red, ya que ofrecen flexibilidad  
al gestionar la oferta y la demanda,  
facilitan la integración de fuentes de  
energía renovable al suavizar las  
variaciones, y optimizan tanto los  
costos operativos como la utilización  
de la infraestructura existente.  
Además, almacenar energía para  
periodos de altos costos de  
es  
apenas  
del  
0,04%  
en  
comparación con un sistema sin  
almacenamiento. Estos resultados  
demuestran que el modelo asegura  
una operación técnica adecuada sin  
problemas significativos y refleja con  
precisión el impacto de los sistemas  
de almacenamiento en la gestión de  
flujos de potencia en corriente  
alterna (AC).  
generación beneficios  
genera  
económicos importantes.  
1
48  
Changoluisa-Criollo et al. (2024)  
Bibliografía  
(2015b). A method for optimal  
sizing energy storage systems  
for microgrids. Renewable  
Energy, 77, 539–549.  
Aghamohammadi,  
M.  
R.,  
&
Abdolahinia, H. (2014). A new  
approach for optimal sizing of  
battery energy storage system  
for primary frequency control  
Grisales-Noreña, L. F., Restrepo-  
Cuestas, B. J., Cortés-  
Caicedo, B., Montano, J.,  
Rosales-Muñoz, A. A., &  
Rivera, M. (2022). Optimal  
of  
islanded  
microgrid.  
Journal of  
International  
Electrical Power & Energy  
Systems, 54, 325–333.  
location  
and  
sizing  
of  
distributed generators and  
energy storage systems in  
Álvarez-Arroyo, C., Vergine, S., de la  
Nieta, A. S., Alvarado-Barrios,  
L., & D’Amico, G. (2024).  
Optimising microgrid energy  
microgrids: review.  
A
Energies, 16(1), 106.  
Gür, T. M. (2018). Review of  
electrical energy storage  
technologies, materials and  
systems: challenges and  
prospects for large-scale grid  
management:  
Leveraging  
flexible storage systems and  
full integration of renewable  
energy sources. Renewable  
Energy, 120701.  
https://doi.org/https://doi.org/1  
.1016/j.renene.2024.120701  
229,  
storage.  
Energy  
&
Environmental  
Science,  
0
1
1(10), 2696–2767.  
Aneke, M., & Wang, M. (2016).  
Energy storage technologies  
and real life applications–A  
state of the art review. Applied  
Energy, 179, 350–377.  
Hannan, M. A., Faisal, M., Jern Ker,  
P., Begum, R. A., Dong, Z. Y.,  
&
Zhang, C. (2020). Review of  
optimal methods and  
algorithms for sizing energy  
storage systems to achieve  
decarbonization in microgrid  
applications. Renewable and  
Sustainable Energy Reviews,  
Chen, S. X., Gooi, H. B., & Wang, M.  
Q. (2011). Sizing of energy  
storage for microgrids. IEEE  
Transactions on Smart Grid,  
3
(1), 142–151.  
131, 110022.  
https://doi.org/https://doi.org/1  
.1016/j.rser.2020.110022  
Fossati, J. P., Galarza, A., Martín-  
Villate, A., & Fontan, L.  
0
(
2015a). A method for optimal  
Hayajneh, H. S., Bashetty, S., Salim,  
M. N. B., & Zhang, X. (2018).  
Techno-economic analysis of  
a battery energy storage  
sizing energy storage systems  
for microgrids. Renewable  
Energy, 77, 539–549.  
system  
stationary  
applications.  
with  
and  
2018  
combined  
Fossati, J. P., Galarza, A., Martín-  
Villate, A., & Fontan, L.  
mobile  
IEEE  
1
49  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre 2024.  
ISSN: 2737-6249  
Evaluación de la capacidad óptima de sistemas de almacenamiento para el control de potencia activa y reactiva  
en microrredes  
Conference on Technologies  
for Sustainability (SusTech),  
and placement in multi-energy  
microgrids. Applied Energy,  
1
–6.  
187, 154–168.  
IRENA. (2021). Renewable Power  
Generation Costs in 2020.  
International Energy Agency.  
www.irena.org  
Mitali, J., Dhinakaran, S.,  
&
Mohamad, A. A. (2022).  
Energy storage systems: a  
review. Energy Storage and  
Saving, 166–216.  
https://doi.org/https://doi.org/1  
.1016/j.enss.2022.07.002  
1(3),  
Kalavani, F., Mohammadi-Ivatloo, B.,  
Karimi, A., & Kalavani, F.  
0
(2019). Stochastic optimal  
sizing of integrated cryogenic  
energy storage and air  
liquefaction unit in microgrid.  
Renewable Energy, 136, 15–  
Olabi, A. G., Onumaegbu, C.,  
Wilberforce, T., Ramadan, M.,  
Abdelkareem, M. A., & Al –  
Alami, A. H. (2021). Critical  
review of energy storage  
2
2.  
systems.  
18987.  
https://doi.org/10.1016/j.energ  
y.2020.118987  
Energy,  
214,  
Khalid Mehmood, K., Khan, S. U.,  
Lee, S., Haider, Z. M.,  
Rafique, M. K., & Kim, C.  
1
(2017). Optimal sizing and  
allocation of battery energy  
storage systems with wind  
and solar power DGs in a  
Ould Amrouche, S., Rekioua, D.,  
Rekioua, T., & Bacha, S.  
(2016). Overview of energy  
storage in renewable energy  
systems. International Journal  
of Hydrogen Energy, 41(45),  
20914–20927.  
distribution  
network  
for  
voltage regulation considering  
the lifespan of batteries. IET  
Renewable  
Generation, 11(10), 1305–  
315.  
Power  
https://doi.org/https://doi.org/1  
0.1016/j.ijhydene.2016.06.24  
3
1
Mariam, L., Basu, M., & Conlon, M.  
F. (2016). Microgrid:  
Architecture, policy and future  
trends. Renewable and  
Sustainable Energy Reviews,  
4, 477–489.  
Raghavan, A., Maan, P., & Shenoy,  
A. K. B. (2020). Optimization  
of day-ahead energy storage  
system  
scheduling in  
using genetic  
6
microgrid  
algorithm and particle swarm  
optimization. Ieee Access, 8,  
Mashayekh,  
Cardoso, G., & Heleno, M.  
2017). A mixed integer linear  
S.,  
Stadler,  
M.,  
1
73068–173078.  
(
programming approach for  
optimal DER portfolio, sizing,  
Sharafi, M., & ELMekkawy, T. Y.  
(2014). Multi-objective optimal  
1
50  
Changoluisa-Criollo et al. (2024)  
design of hybrid renewable  
CSEE Journal of Power and  
Energy Systems, 9(6), 2099–  
2108.  
energy systems using PSO-  
simulation based approach.  
Renewable Energy, 68, 67–  
7
9.  
Sheibani, M. R., Yousefi, G. R.,  
Latify, M. A., & Hacopian  
Dolatabadi, S. (2018). Energy  
storage system expansion  
planning in power systems: a  
review. IET Renewable Power  
Generation, 12(11), 1203–  
1
221.  
Shi, W., Li, N., Chu, C.-C., & Gadh,  
R. (2015). Real-time energy  
management in microgrids.  
IEEE Transactions on Smart  
Grid, 8(1), 228–238.  
Yekini, M., Wazir, M., & Bashir, N.  
(2014).  
Energy  
storage  
systems for renewable energy  
power sector integration and  
mitigation of intermittency.  
Renewable and Sustainable  
Energy Reviews, 35, 499–  
5
14.  
https://doi.org/10.1016/j.rser.2  
14.04.009  
0
Zhao, H., Wu, Q., Hu, S., Xu, H., &  
Rasmussen, C. N. (2015).  
Review of energy storage  
system for wind power  
integration support. Applied  
Energy, 137, 545–553.  
Zhu, H., Li, H., Liu, G., Ge, Y., Shi, J.,  
Li, H., & Zhang, N. (2020).  
Energy storage in high  
variable renewable energy  
penetration power systems:  
technologies and applications.  
1
51