Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
DOI: https://doi.org/10.46296/ig.v7i14edespoct.0237  
OPTIMIZACIÓN MULTIHORARIA DE LA GENERACIÓN ELÉCTRICA:  
MODELANDO COMBUSTIBLE Y REDES PARA SATISFACER DEMANDAS  
VARIABLES NODALES  
MULTI-HOUR POWER GENERATION OPTIMIZATION: MODELING FUEL  
AND NETWORKS TO SATISFY NODAL VARIABLE DEMANDS  
1
2
Guerrero-Berrones Carlos Xavier ; Proaño-Maldonado Xavier Alfonso ;  
3
4
Berrones-Berrones Ramiro Fernando ; García-Suárez Bryan Fernando  
1
Universidad Técnicade Cotopaxi. Latacunga, Ecuador.  
Correo: carlos.guerrero9607@utc.edu.ec. ORCIDID: https://orcid.org/0009-0006-4775-117X  
2
Universidad Técnicade Cotopaxi. Latacunga, Ecuador.  
Correo: xavier.proano@utc.edu.ec. ORCIDID: https://orcid.org/0000-0002-8271-8838  
3
Universidad Israel. Quito, Ecuador.  
Correo: ferdinan1987tc@hotmail.com. ORCID ID: https://orcid.org/0009-0003-9908-4717  
4
Escuela Superior Politécnica de Chimborazo. Riobamba, Ecuador.  
Correo: bryangarciafs@gmail.com. ORCIDID: https://orcid.org/0009-0002-9433-3529  
Resumen  
El despacho económico de generación representa una metodología fundamental en el  
funcionamiento de los sistemas eléctricos, orientada a optimizar los costos de producción  
eléctrica al mismo tiempo que se satisface de manera efectiva con la demanda eléctrica. Por  
consiguiente, el estudio presente lleva a cabo la Optimización Multihoraria de la Generación  
Eléctrica (OMGE), la cual modela el stock de combustible y las redes necesarias para atender  
las demandas nodales variables, aspectos fundamentales para garantizar una operación óptima  
y sostenible. Este análisis se enriquece con la inclusión de estudios de caso que evidencian la  
implementación prácticadel modelo sugerido, mostrandocómo laintegraciónde restricciones de  
transmisióny gestión de combustibles puede mejorar significativamenteel despacho económico  
de generación.  
Palabras clave: Optimización del sistema de generación; Flujo de Potencia AC; Red de  
transmisión; Stock de combustibles.  
Abstract  
The economic dispatch of generation represents a fundamental methodology in the operation of  
electricity systems, aimed at optimizing electricity production costs while effectively meeting the  
electricity demand. Therefore, the present study carries out the Multi-hour Optimization of  
ElectricityGeneration (MOEG), which models the fuel stock and the networks necessary tomeet  
the variable nodal demands, fundamental aspects to guarantee an optimal and sustainable  
operation. This analysis is enriched with the inclusion of case studies that demonstrate the  
practical implementation of the suggested model, showing how the integration of transmission  
and fuel management constraints cansignificantlyimprovethe economic dispatch of generation.  
Keywords: Generation System Optimization; AC Power Flow; Transmission Network; Fuel  
Stock.  
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.  
173  
Guerrero-Berroneset al. (2024)  
1. Introducción  
modelo optimiza el flujo de energía  
en la red mejorando su eficiencia y  
El Despacho  
Económico  
de  
seguridad,  
considerando  
Generación (DEG) es una técnica  
fundamental para el diseño del  
funcionamiento de un sistema  
eléctrico, cuyo objetivo principal es  
asignar la energía generada entre  
las unidades disponibles de tal  
manera que se reduzcan los costos  
generales, se cumplan los requisitos  
técnicos junto con el abastecimiento  
de la demanda de energía en cada  
instante (Yang, Wu, and Wang  
restricciones técnicas y basándose  
en una programación de resolución  
lineal, cuadrática, no lineal o con  
algoritmos heurísticos. Al flujo de  
energía se lo ha catalogado en  
corriente  
continua  
CC  
con  
simplificaciones lineales que ofrecen  
soluciones rápidas, y de corriente  
alterna CA que son más precisos,  
pero más difíciles de resolver por su  
complejidad no lineal (Romero,  
Villacres, and Ibarra 2024).  
2020). Optimizar el DEG en un  
entorno energético más complejo y  
heterogéneo se ha vuelto cada vez  
Incluir el modelado de la gestión del  
combustible es clave dentro del  
problema de despacho económico  
de generación (Onmez 2013). La  
variabilidad en la disponibilidad y los  
costos de los combustibles puede  
tener un impacto significativo en las  
decisiones de despacho. Se han  
propuesto diversos modelos para  
abordar la incertidumbre en el  
suministro de combustibles, trabajos  
como (Sakib et al. 2024) donde  
mediante modelos estocásticos  
consideran la variabilidad en la  
disponibilidad de combustibles y  
permiten una mejor planificación  
ante incertidumbres. En (Lasemi,  
Assili, and Baghayipour 2014) usa  
más  
desafiante,  
especialmente  
cuando se consideran factores como  
las limitaciones de la red de  
transmisión y las limitaciones del  
inventario de combustible (Al Farsi et  
al. 2015).  
En el DEG las restricciones de la red  
de transmisión son un tema de  
investigación activo, por esta razón  
se han desarrollado modelos  
avanzados, como el modelo de flujo  
de potencia óptimo (OPF), que  
considera  
restricciones  
de  
capacidad y pérdidas de las redes de  
transmisión para incorporar dichas  
restricciones de la red al proceso de  
despacho (Du et al. 2021). Dicho  
174  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
modelos determinísticos que, por  
otro lado, se asumen condiciones  
fijas y previsibles, proporcionando  
soluciones más simples, pero menos  
robustas ante variaciones de  
combustibles. Cabe resaltar estudios  
de combustible y las limitaciones de  
la red eléctrica, para el efecto se  
resolverán flujos de potencia AC. Al  
desarrollar  
optimización de forma integral  
considerando restricciones de  
este  
modelo  
de  
(
Kheshti et al. 2018; Lasemi, Assili,  
combustible y de la red eléctrica con  
flujos de potencia AC es posible  
configurar eficientemente los grupos  
electrógenos. Estas características  
and Hajizadeh 2020) para mitigar los  
riesgos asociados a la escasez de  
combustibles, se han desarrollado  
diversas estrategias, como la  
minimizarán  
los  
costos  
de  
diversificación  
de fuentes de  
combustible, aliviarán las redes de  
transporte y proporcionarán un mejor  
suministro eléctrico.  
combustible, el almacenamiento  
estratégico y la planificación a largo  
plazo  
mediante contratos de  
Estas estrategias  
Una vez mencionado el reto del  
presente estudio cabe resaltar que el  
artículo se complementa por la  
siguiente estructura, el apartado 2  
presenta una revisión conceptual de  
las temáticas relevantes en las que  
se fundamenta esta investigación, el  
apartado 3 presenta la formulación  
del modelo a implementarse, que  
suministro.  
permiten una mayor flexibilidad y  
resiliencia en la operación de  
sistemas eléctricos. A pesar de los  
avances logrados hasta la fecha, aún  
existen  
oportunidades  
de  
investigación por explorar y vacíos  
que deben abordarse.  
En este contexto, este trabajo  
junto con el apartado  
4
se  
desarrollará  
optimización  
eficientemente  
un  
para  
unidades  
modelo  
configurar  
de  
de  
complementa con los parámetros  
para la modelación, el apartado 5  
examina los resultados obtenidos de  
la implementación del modelo  
matemático, y para finalizar, el  
generación de energía aplicado a un  
sistema eléctrico IEEE, con el fin de  
satisfacer de manera eficiente la  
demanda multihoraria, el mismo  
considerará la restricción del stock  
apartado  
6
presenta  
puntos  
importantes en que concluye el  
trabajo.  
175  
Guerrero-Berroneset al. (2024)  
2
. Marco Teórico  
El despacho dinámico exhibe una  
notable capacidad de anticipación,  
esencial para programar la carga  
preliminarmente, esto permite que el  
sistema esté preparado para  
posibles cambios repentinos en la  
demanda que puedan surgir en un  
corto y mediano plazo. Además,  
La optimización de la generación  
eléctrica, la modelación de uso del  
combustible y la caracterización de  
las  
redes  
eléctricas  
tiene  
implicaciones significativas en la  
presente modelación para garantizar  
el correcto uso de recursos  
energéticos y mejorar la eficiencia  
del sistema, por esta razón, estos  
son temasque el presente estudio se  
enfoca y analiza los principios,  
prácticas y beneficios de los mismos  
a continuación.  
como  
se  
ha  
mencionado  
previamente, se deben considerar  
diversas restricciones, entre las que  
se destaca la limitación de la  
velocidad de rampa, que es un  
aspecto dinámico esencial para  
garantizar la durabilidad y eficiencia  
a largo plazo de los generadores  
2.1.  
Despacho  
económico  
dinámico de generación  
(
Ross and Kim 1980). Aparte de  
esta,  
también  
existen  
como las  
otras  
de  
Esta propuesta representa una  
extensión del modelo de despacho  
económico tradicional, cuyo principal  
objetivo es desarrollar un plan  
integral de producción de energía  
para las unidades comprometidas.  
Este plan está diseñado para  
satisfacer la demanda prevista a lo  
largo de un horizonte de tiempo, todo  
esto se realiza buscando alcanzar  
costos operativos los más bajos  
posibles, y se considera una serie de  
limitaciones o restricciones, tales  
como límites de capacidad para las  
unidades de generación, entre otras  
condiciones relevantes (Liu et al.  
restricciones,  
acoplamiento, las relacionadas con  
el combustible, balances y límites de  
potencia, las cuales complican aún  
más la tarea de encontrar una  
solución óptima al problema del  
despacho dinámico en comparación  
con  
económico estático (Chen et al.  
021).  
el  
tradicional  
despacho  
2
En consecuencia, el despacho  
económico dinámico, que se abrevia  
como DED, se ha definido como una  
metodología que permite programar  
de manera eficiente las salidas de  
2010).  
176  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
generación, asegurándose de que  
estén alineadas con las demandas  
de carga anticipadas a lo largo de un  
período específico de tiempo. Esto  
se realiza con el objetivo de  
gestionar y operar un sistema de  
energía eléctrica de la forma más  
rentable y económica, maximizando  
así la eficiencia en el uso de recursos  
produce, hasta los centros de carga,  
es mediante la utilización de líneas  
de transmisión diseñadas  
específicamente para ese propósito  
(Kishore and Singal 2014).  
Los  
sistemas  
de transmisión  
eléctrica se enfrentan a diferentes  
tipos  
de  
problemas  
en  
como  
sobrecargas  
ramales,  
(
Hlalele et al. 2020).  
desviaciones de voltaje en nodos de  
enlace, pérdidas excesivas de  
energía, inestabilidades transitorias  
y dinámicas (Jordehi 2015). Son  
2.2. Optimización en la red de  
transmisión  
Con el objetivo de atender la cada  
restricciones  
que  
influyen  
vez más elevada  
y
creciente  
significativamente en el despacho  
económico de generación (DEG),  
estas pueden llevar a situaciones  
donde la energía no puede ser  
distribuida de manera eficiente,  
resultando en costos operativos más  
altos y posibles interrupciones del  
servicio. Por lo tanto, estas  
limitaciones deben ser consideradas  
en el modelo de DEG para asegurar  
demanda a nivel global de energía  
eléctrica, los agentes dedicados a la  
producción  
y
distribución  
de  
electricidad se enfrenta al reto de  
potenciar las centrales generadoras  
y líneas de transmisión, así como es  
indispensable la modernización y  
optimización de las instalaciones que  
ya se encuentran en funcionamiento.  
Es importante destacar que las  
instalaciones de generación de  
energía a menudo están ubicadas a  
una considerable distancia de los  
una  
distribución  
eficiente  
y
económica de la energía (Chen and  
Chen 2001).  
centros de carga, debido  
a
2.2.1. Modelo incorporando  
restricciones de transmisión  
limitaciones medioambientales. El  
método más eficiente y práctico para  
el traslado de energía eléctrica  
desde las instalaciones donde se  
Con el fin de optimizar el despacho  
económico de generación (DEG)  
teniendo en cuenta las limitaciones  
177  
Guerrero-Berroneset al. (2024)  
impuestas por la red de transmisión,  
limitaciones  
asociadas  
a
la  
se  
han  
formulado  
diferentes  
generación y la demanda (Abdin and  
Zio 2019).  
metodologías. Entre estas nos  
enfocamos en los modelos de flujo  
de potencia en corriente alterna  
2.3. Gestión de Combustible  
La administración y manejo de  
combustibles es adyacente al  
funcionamiento de las instalaciones  
que se dedican a la generación de  
energía, especialmente en aquellas  
plantas que dependen para su  
operación de fuentes de energía no  
(
AC), que permite modelar las  
complejidades de la corriente  
alterna, incluyendo pérdidas de  
energía y el comportamiento de  
componentes reactivos, lo que  
ayuda en la gestión de redes  
eléctricas, tomando en cuenta la  
naturaleza sinusoidal de la corriente  
y el voltaje presentes en el sistema  
eléctrico (Farrag, Ali, and Omran  
renovables,  
como  
son  
los  
combustibles fósiles (carbón, gas  
natural y petróleo). Un suministro de  
combustible  
continua,  
con  
disponibilidad  
que los  
eléctricos puedan  
2
019). El cálculo del flujo de potencia  
garantiza  
alterna se lleva a cabo mediante la  
resolución de un conjunto de  
generadores  
funcionar de manera ininterrumpida  
y sin ningún tipo de paradas que  
pudieran afectar su rendimiento (Ali,  
Assili, and Hajizadeh 2020). La  
gestión eficiente de combustibles  
asegura que las plantas puedan  
planificar y operar de tal forma que  
logren optimizar al máximo su  
capacidad de respuesta ante  
variaciones en la demanda del  
mercado, así como ante alteraciones  
en la disponibilidad de los recursos  
ecuaciones  
no  
lineales  
que  
describen las interrelaciones entre  
las magnitudes y los ángulos de los  
voltajes en los nodos del sistema.  
La optimización del flujo de potencia  
AC tiene como objetivo establecer la  
distribución  
más eficiente de  
generación que reduzca los costos  
operativos, garantizando al mismo  
tiempo el cumplimiento de todas las  
restricciones técnicas del sistema.  
Esto abarca no únicamente las  
capacidades de las líneas de  
transmisión, sino también las  
restricciones de voltaje, así como las  
de combustible (Anglani  
Petrecca 2010; Chanana et al.  
008).  
and  
2
178  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
En conclusión, la planificación o  
manejo eficiente del inventario de  
combustibles contribuye a (Lasemi et  
al. 2020):  
instalación. Estos costos pueden  
variar según el tipo de  
combustible y la capacidad de  
almacenamiento disponible.  
•
Costos de transporte: involucran  
el movimiento de combustibles  
desde los puntos de producción  
•
•
•
•
Reduce los gastos relacionados  
con el almacenamiento, la  
logística del transporte y el  
proceso de reabastecimiento.  
hasta  
las  
unidades  
de  
generación. Factores como la  
distancia, el tipo de transporte  
Contribuye  
los  
gastos  
relacionados con la adquisición  
de combustibles de emergencia,  
que tienden a ser más elevadas.  
Brinda a las plantas una ventaja  
significativa para capitalizar  
oportunidades que el mercado  
por políticas energéticas.  
(
tuberías, camiones, barcos) y  
las tarifas de transporte influyen  
en estos costos.  
•
Costos de Reabastecimiento:  
incluyen los costos directos de  
adquisición como los indirectos  
relacionados con la planificación  
y gestión del reabastecimiento  
usual o de emergencia. Los  
costos se ven afectados por la  
Permite adquirir combustible  
competitivamente, en momentos  
en que los precios son más bajos  
y almacenar dicho combustible  
para el futuro.  
volatilidad  
del  
y
mercado,  
disponibilidad  
condiciones  
2.3.1. Costos de combustible  
económicas globales.  
La gestión del stock de combustibles  
implica varios costos que deben ser  
considerados para optimizar la  
Dentro del análisis de costos se  
resalta la diversificación de las  
fuentes  
de  
suministro  
de  
operación  
de  
las  
plantas  
and  
combustibles debido a que reduce la  
dependencia de un solo proveedor o  
tipo de combustible. Esto no solo  
mitiga el riesgo de escasez, sino que  
generadoras  
(Huppmann  
Egging 2014; Wang and Ryan 2010).  
•
Costo de almacenamiento:  
también  
puede  
proporcionar  
corresponde a los costos de  
contener combustibles en una  
beneficios económicos al permitir la  
179  
Guerrero-Berroneset al. (2024)  
compra  
de  
combustibles  
en  
las restricciones asociadas a la  
disponibilidad de combustibles para  
la generación térmica.  
condiciones más favorables, este  
concepto se considera al desarrollar  
un modelo de optimización (Smil  
3.1. Costos evaluados  
2000).  
Los costos considerados en la  
función objetivo incluyen: i) los  
costos de producción asociados a la  
curva cuadrática de los generadores  
térmicos, ii) los costos operativos de  
las centrales hidroeléctricas, iii) los  
costos de producción de energía de  
las plantas que utilizan fuentes de  
ERNC, y los costos de la ENS,  
modelados conforme a lo siguiente:  
3
. Modelo  
El modelo implica la formulación de  
ecuaciones no lineales para  
satisfacer diversos escenarios de  
demanda mediante la asignación  
óptima de la generación. Esto se  
realiza considerando los flujos de  
potencia en corriente alterna (AC) y  
퐹푢푛푐푖ó푛 푂푏푗푒푡푖푣표 = 푀푖푛 퐶표푠푡표  
퐶표푠푡표 = 퐶푇é푟푚ꢀꢁ푎 + 퐶퐻ꢀ푑푟ꢂ + 퐶퐸푅푁ꢃ + 퐶ꢄꢅ푆  
(1)  
(2)  
2
훼푔 ∙ 푃푔,ꢇ + 훽 ∙ 푃 + 훿푔  
푔 푔,ꢇ  
퐶푇é푟푚ꢀꢁ푎 = ∑  
∑
(
(
(
3)  
4)  
5)  
ꢇ
푔 ∈ 푇é푟푚ꢀꢁ푎ꢆ  
퐶퐻ꢀ푑푟ꢂ = ∑  
ꢇ
∑
훽푔 ∙ 푃푔,ꢇ  
푔 ∈ 퐻ꢀ푑푟ꢂ  
퐶퐸푅푁ꢃ = ∑  
ꢇ
∑
훾푔 ∙ 푃푔,ꢇ  
푔 ∈ 퐸푅푁ꢃ  
퐶ꢄꢅ푆 = ∑∑ 퐶푈퐸푁ꢈ ∙ 퐿ꢉ,ꢇ  
(6)  
ꢇ
ꢉ
Donde, el 퐶푇é푟푚ꢀꢁ푎 establece la  
para determinar el costo de energía  
no suministrada se usa el costo  
unitario de ENS aplicable al sector  
eléctrico ecuatoriano y 퐿ꢉ,ꢇ es la  
función cuadrática del costo de los  
generadores  
coeficientes  
térmicos,  
cuyos  
a
corresponden  
훼 , 훽 푦훿 . Los costos de los  
demanda horaria desabastecida.  
푔
푔
푔
generadores  
hidroeléctricos  
3
.2. Balance nodal de potencia  
evaluados mediante el coeficiente  
훽푔. Para determinar el costo de la  
energía renovable se usó el precio  
El balance nodal asegura que, en  
cada nodo, se cumpla con el  
suministro de la demanda de  
de venta de energía 훾 . Finalmente,  
푔
180  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
potencia activa y reactiva, aplicando  
flujos de potencia en corriente  
matemática correspondiente es la  
siguiente:  
alterna  
(AC).  
La  
formulación  
∑
푃
− 퐶ꢊꢋꢌꢊ푃ꢉ,ꢇ + 퐿ꢉ,ꢇ = ∑ 푓푝ꢉ,푘,ꢇ  
푔,ꢇ  
(
7)  
푔∈ꢉ  
푘
2
푉
푉
∙ 푉푘,ꢇ  
∙ 푐표푠(훿ꢉ,ꢇ − 훿푘,ꢇ + 휃ꢉ,푘  
ꢉ,ꢇ  
ꢉ,ꢇ  
푓푝ꢉ,푘,ꢇ  
=
∙ 푐표푠(휃ꢉ,푘) −  
)
(8)  
푍ꢉ,푘  
푍ꢉ,푘  
∑
푄푔,ꢇ − 퐶ꢊꢋꢌꢊ푄ꢉ,ꢇ = ∑ 푓푞ꢉ,푘,ꢇ  
(
9)  
푔∈ꢉ  
푘
2
2
푏ꢉ,푘 ∙ 푉  
ꢉ,ꢇ  
∙ 푠푖푛(훿ꢉ,ꢇ − 훿푘,ꢇ + 휃ꢉ,푘) −  
푉
푉ꢉ,ꢇ ∙ 푉푘,ꢇ  
ꢉ,ꢇ  
푓푞ꢉ,푘,ꢇ  
=
∙ 푠푖푛(휃ꢉ,푘) −  
(10)  
푍ꢉ,푘  
푍ꢉ,푘  
ꢍ
Donde, 퐶ꢊꢋꢌꢊ푃ꢉ,ꢇ  
y
퐶ꢊꢋꢌꢊ푄ꢉ,ꢇ  
reactancia y la resistencia del vínculo  
corresponde a la carga de potencia  
activa y reactiva ubicada encada  
nodo n para cada período de tiempo  
t. 푉ꢉ,ꢇ es el voltaje en el nodo n por  
cada período t, 푍ꢉ,푘 es la impedancia  
entre los nodos n y k.  
3.3. Límites técnicos  
Los límites técnicos se relacionan a  
cuatro aspectos: i) Flujos máximos  
de potencia por cada enlace; ii)  
Cantidad máxima de potencia activa  
y reactiva de cada generador, iii)  
Niveles de voltaje en cada nodo y  
sus ángulos, la modelación por cada  
aspecto señalado corresponde a:  
entre el nodo n y nodo k, 훿 , 훿 es  
ꢉ,ꢇ 푘,ꢇ  
el ángulo determinado para cada  
período t en el nodo n o nodo k,  
respectivamente;  
푏ꢉ,푘  
es  
la  
susceptancia entre el nodo n y k.  
휃ꢉ,푘 es el ángulo obtenido entre la  
2
+ 푓푞2 ≤ 푆  
푚푎푥  
ꢉ,푘  
√
푓푝  
(11)  
ꢉ,푘,ꢇ  
ꢉ,푘,ꢇ  
푚ꢀꢉ  
≤ 푃푔,ꢇ ≤ 푃푔푚푎푥  
≤ 푄푔,ꢇ ≤ 푄 푔푚 푎푥  
≤ 푉ꢉ,ꢇ ≤ 푉ꢉ푚푎푥  
≤ 훿ꢉ,ꢇ ≤ 훿 ꢉ푚 푎푥  
푃
(12)  
(13)  
(14)  
(15)  
푔
푚ꢀꢉ  
푔
푄
푚ꢀꢉ  
푉
ꢉ
푚ꢀꢉ  
ꢉ
훿
푚푎푥, 푉푚ꢀꢉ, 푉푚푎푥, 훿  
푚ꢀꢉ  
ꢉ
푚푎푥  
푄
푔
Donde,  
푆
es la capacidad  
ꢉ
ꢉ
y 훿 ꢉ푚 푎푥  
,
ꢉ,푘  
corresponden a los límites de  
potencia active, potencia reactiva,  
máxima del flujo en el enlace entre el  
nodo n y nodo k, 푃푔푚ꢀꢉ, 푃푚푎푥, 푄  
푚ꢀꢉ  
,
푔
푔
181  
Guerrero-Berroneset al. (2024)  
niveles de voltaje y límites angulares,  
respectivamente.  
refieren a la capacidad de un  
generador para aumentar o disminuir  
su producción de potencia dentro de  
un periodo de tiempo específico, la  
modelación por cada aspecto  
señalado corresponde a:  
3.4. Rampas de toma de carga  
Las rampas de toma o deslastre de  
carga de los generadores, se  
Pg,tꢎ1 − Pg,t ≤ ∆Pꢎ  
max  
(16)  
Pg,tꢏ1 − Pg,t ≤ ∆Pꢏ  
(17)  
max  
Donde, ∆Pꢎ y ∆P  
ꢏ
corresponden  
max  
térmicos  
se  
refieren  
a
las  
max  
a los valores máximos de las rampas  
limitaciones en la cantidad de  
combustible que puede estar  
disponible para la operación de estos  
generadores durante un cierto  
periodo de tiempo, la modelación  
corresponde a:  
horarias de subida  
respectivamente.  
y
bajada  
3.5. Disponibilidadde combustible  
Las restricciones de disponibilidad  
de combustible para los generadores  
푃
(18)  
(19)  
푔,ꢇ  
∑
≤ 퐷_퐶표ꢐ푔  
휇푔  
ꢇ
푃
푔,ꢇ  
∑
∑
≤ 퐷_퐶표ꢐ푇_ꢃꢂ푚ꢑ  
휇푔  
푔∈푇_ꢃꢂ푚ꢑ  
ꢇ
Donde, 퐷_퐶표ꢐ es la disponibilidad  
푔
3.6. Energía hidráulica disponible  
de galones para cada unidad de  
Las restricciones de disponibilidad  
de energía o cuota energética de los  
generadores hidráulicos se refieren a  
los límites en la cantidad de energía  
que estos generadores pueden  
producir en un periodo de tiempo  
generación, mientras que 휇 es el  
푔
rendimiento en (kWh/galón), así  
mismo, 퐷_퐶표ꢐ푇_ꢃꢂ푚ꢑ corresponde a  
la disponibilidad de combustible por  
tipo de combustible usado para cada  
generador térmico.  
determinado,  
disponibilidad  
debido  
de  
a
la  
agua,  
su  
modelación corresponde a:  
182  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
(
20)  
∑
∑∑ 푃푔,ꢇ ≤ 퐶ꢄ푛푒ꢋꢌé푡푖푐ꢊ퐻ꢀ푑푟ꢂ  
푔∈퐻ꢀ푑푟ꢂ  
ꢇ
ꢉ
Donde  
la  
퐶ꢄ푛푒ꢋꢌé푡푖푐ꢊ퐻ꢀ푑푟ꢂ  
basada en el sistema IEEE de 24  
nodos (Ordoudis et al. 2016),  
corresponderá a la cantidad de  
energía hidráulica disponible en el  
período de tiempo analizado.  
ajustando  
sus  
parámetros  
a
realidades del sector eléctrico, cuyo  
diagrama unifilar es el mostrado en  
la figura 1, los datos de la red se  
detallan en las tablas posteriores.  
4. Recopilación de datos  
El modelo de optimización no lineal  
será aplicado a una red de referencia  
Tabla 1. Datos técnicos de generadores hidroeléctricos y térmicos  
Pmax Pmin  
MW] [MW]  
α
β
δ
R+  
R-  
n
2
[
[USD/MWh ]  
[USD/MWh]  
40.23  
[USD] [MW/h] [MW/h]  
G1  
G2  
G3  
G4  
G5  
G6  
G7  
G8  
G9  
G10  
3
100  
300  
105  
105  
110  
130  
130  
100  
200  
200  
60  
20  
100  
25  
25  
30  
10  
10  
22  
20  
50  
10  
0
0.00522  
0.00432  
0.00540  
0.00557  
0.00527  
0.00592  
0.00531  
0.00492  
0.00518  
0.00592  
0.00562  
0
10  
12  
24  
23  
11  
14  
16  
9
15  
19  
21  
0
60  
70  
21  
21  
25  
30  
45  
40  
30  
50  
10  
70  
25  
80  
105  
60  
70  
21  
21  
25  
30  
45  
40  
30  
50  
10  
70  
25  
80  
105  
18  
15  
16  
23  
1
38.47  
36.80  
39.52  
45.20  
110.32  
120.32  
125.32  
70.89  
71.70  
72.61  
2
10  
23  
7
G11 15  
G12 21  
G13 13  
G14 22  
G15 14  
300  
600  
200  
210  
30.00  
28.00  
23.00  
36.00  
30  
0
0
0
0
0
0
0
0
Qmax  
Qmin  
[MVAr]  
-48  
-145  
-51  
-51  
-53  
-63  
-63  
-48  
-97  
-97  
-29  
-145  
-291  
-97  
Rend  
Dip_ind  
[Gal]  
Tipo  
[
Mvar]  
48  
[kWh/galon]  
13.69  
15.1  
G1  
G2  
G3  
G4  
G5  
G6  
G7  
G8  
G9  
175,310.45  
476,821.19  
151,898.73  
154,128.44  
162,962.96  
209,677.42  
211,525.42  
160,535.12  
468,292.68  
442,396.31  
130,790.19  
0
Bunker  
Bunker  
Bunker  
Bunker  
Bunker  
Diésel  
Diésel  
Diésel  
Fueloil  
Fueloil  
Fueloil  
Hidro  
145  
51  
51  
53  
63  
63  
48  
97  
97  
16.59  
16.35  
16.2  
14.88  
14.75  
14.95  
10.25  
10.85  
11.01  
0
G10  
G11  
G12  
G13  
G14  
G15  
29  
145  
291  
97  
0
0
0
0
Hidro  
Hidro  
102  
-102  
0
0
Hidro  
183  
Guerrero-Berroneset al. (2024)  
Tabla 2. Datos de generadores ERNC  
Pmax  
Pmin  
[MW]  
휸품  
Nodo  
[
MW]  
110  
90  
[USD/MWh]  
Eo1  
Eo2  
Eo3  
PV1  
PV2  
8
0
0
0
0
0
3
9
5
19  
21  
17  
23  
70  
80  
60  
3
Tabla 3. Datos de ocurrencia  
Hora  
t1  
t2  
t3  
t4  
t5  
t6  
t7  
t8  
Fr-Eólico  
Fr-Dem  
50%  
52%  
51%  
50%  
51%  
56%  
65%  
70%  
72%  
71%  
74%  
79%  
Fr-Solar  
0%  
Hora  
t13  
t14  
t15  
t16  
t17  
t18  
t19  
t20  
t21  
t22  
t23  
t24  
Fr-Eólico  
84%  
91%  
93%  
89%  
75%  
67%  
62%  
54%  
56%  
52%  
45%  
32%  
Fr-Dem  
80%  
81%  
82%  
93%  
96%  
100%  
98%  
86%  
82%  
75%  
70%  
55%  
Fr-Solar  
100%  
98%  
80%  
50%  
30%  
20%  
0%  
10%  
12%  
13%  
24%  
33%  
50%  
60%  
52%  
44%  
48%  
67%  
72%  
0%  
0%  
0%  
0%  
10%  
14%  
20%  
33%  
75%  
85%  
97%  
0%  
0%  
0%  
0%  
t9  
t10  
t11  
t12  
0%  
Figura 1. Diagrama unifilar IEEE 24 bus  
G
G
G
1
8
2
1
22  
1
7
G
1
6
19  
20  
23  
G
1
4
G
1
5
1
3
G
1
1
12  
2
4
3
9
10  
6
4
5
8
1
2
7
G
G
G
5
. Análisis de resultados  
partir de la aplicación del modelo de  
optimización en la red de referencia  
IEEE de 24 nodos.  
En esta sección, se presentan y  
analizan los resultados obtenidos a  
184  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
5
.1. Casos de estudio.  
costos asociados a la producción de  
energía.  
Para evaluar la eficacia y robustez  
del modelo de optimización  
Para ambos casos de estudio se  
considera que los generadores  
hidroeléctricos están operando con  
un suficiente recurso primario lo cual  
conlleva a que se mantenga una  
cuota energética total de 13ooo  
MWh. Así mismo, se considera como  
propuesto, se han desarrollado dos  
casos de estudio que se describen:  
o Caso  
1:  
Disponibilidad  
Completa de Combustible  
En el primer caso, se asume una  
disponibilidad  
completa  
de  
disponibilidades  
máximas  
de  
combustible, es decir, no existen  
restricciones en la cantidad de  
bunker, diésel, y fueloil disponible  
para la generación de energía. Este  
escenario servirá como referencia  
para evaluar el impacto de  
restricciones de combustible en la  
operación y costos del sistema.  
combustible por tipo de combustible,  
las siguientes: i) 1200000 galones  
para bunker, 585000 galones para  
Diésel y 1100000 galones para Fuel  
Oil.  
5.2. Despacho  
En el primer escenario, con  
disponibilidad  
combustible,  
generadores  
restricciones  
completa de  
el despacho de  
o Caso Restricción de  
2:  
Combustible  
se optimiza  
significativas.  
sin  
En el segundo caso de estudio, se  
introduce una restricción en la  
Los  
resultados muestran que el sistema  
aprovecha al máximo la capacidad  
de los generadores térmicos más  
eficientes, priorizando aquellos con  
disponibilidad  
de  
combustible,  
reduciendo en un 20% la cantidad de  
bunker, diésel, y fueloil disponible  
para los generadores térmicos. Esta  
condición simula una situación de  
escasez de recursos, obligando al  
modelo de optimización a gestionar  
de manera eficiente los recursos  
limitados, priorizando el uso de  
combustibles y minimizando los  
menores costos variables  
producción.  
de  
185  
Guerrero-Berroneset al. (2024)  
Figura 2. Despacho generación caso 1  
3,000.00  
2,500.00  
2,000.00  
1,500.00  
1,000.00  
500.00  
-
t1  
t2  
t3  
t4  
t5  
t6  
t7  
t8  
t9 t10 t11 t12 t13 t14 t15 t16 t17 t18 t19 t20 t21 t22 t23 t24  
Horas  
Hídrico  
Solar  
Eólico  
Bunker  
Fueloil  
Diesel  
Figura 3. Despacho generación caso  
3,000.00  
2,500.00  
2,000.00  
1,500.00  
1,000.00  
500.00  
-
t1  
t2  
t3  
t4  
t5  
t6  
t7  
t8  
t9 t10 t11 t12 t13 t14 t15 t16 t17 t18 t19 t20 t21 t22 t23 t24  
Horas  
Hídrico  
Solar  
Eólico  
Bunker  
Fueloil  
Diesel  
En el primer caso, se despacharon  
hidroeléctrica mantuvo su aporte del  
30%.  
45.129 GWh para una demanda de  
44.605 GWh, con pérdidas del  
1,17% (524 MWh). Los generadores  
5.3. Energía  
En el primer caso, con combustible  
disponible al 100%, se despachó un  
diésel aportaron solo el 2% y la  
generación hidroeléctrica cubrió el  
4
9% de la demanda total utilizando  
3
0% de la producción total. En el  
segundo caso, con una reducción del  
0% en la disponibilidad de  
combustibles, se despacharon  
4.998 GWh para la misma  
demanda, reduciendo las pérdidas al  
,88% (392.83 MWh). Los  
energías renovables no  
convencionales (ERNC) y plantas  
hidroeléctricas, mientras que los  
generadores térmicos operaron a su  
capacidad óptima. En el segundo  
caso, con una reducción del 20% en  
la disponibilidad de bunker, diésel y  
fueloil, las plantas hidroeléctricas y  
2
4
0
generadores diésel aumentaron su  
participación al 7%, mientras que la  
186  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
ERNC jugaron un papel crucial,  
alcanzando 17.46 GWh, para  
compensar la limitación de los  
generadores térmicos. Sin embargo,  
la restricción de combustible resultó  
en una mayor dependencia del  
diésel (incremento del 7%) y un 34%  
de aporte de plantas que usan  
bunker.  
Figura 4. Comparación energética  
3
,227.63  
Diesel  
Fueloil  
Bunker  
Eólico  
Solar  
1
,008.00  
9
,333.52  
,375.05  
9
1
4,970.74  
1
7,280.00  
3
3
,469.50  
,469.50  
9
96.80  
96.80  
9
1
1
3,000.00  
3,000.00  
Hídrico  
-
2,000.00  
4,000.00  
6,000.00  
8,000.00  
10,000.00 12,000.00 14,000.00 16,000.00 18,000.00 20,000.00  
Energía (MWh)  
R. Comb  
Inicial  
5.4. Costos  
fueloil,  
los  
costos  
operativos  
aumentan en 138,094.99 USD  
debido al uso de generadores más  
costosos, especialmente los que  
utilizan diésel, que incrementan sus  
costos en 247,850.60 USD respecto  
al primer escenario. Esto demuestra  
que la disponibilidad de combustible  
impacta significativamente en los  
costos del sistema eléctrico.  
En el primer escenario, con  
disponibilidad total de combustible,  
los costos operativos del sistema  
eléctrico se minimizan, alcanzando  
un total de 2,032,157.96 USD, con  
los generadores térmicos operando  
de manera óptima y las plantas  
hidroeléctricas  
y
de energías  
renovables aportando el 26% del  
costo total. En el segundo escenario,  
con una reducción del 20% en la  
disponibilidad de bunker, diésel y  
187  
Guerrero-Berroneset al. (2024)  
Figura 5. Comparativo de costos operativos.  
800,000.00  
700,000.00  
600,000.00  
500,000.00  
400,000.00  
300,000.00  
200,000.00  
100,000.00  
-
Hídrico  
Solar  
Eólico  
Bunker  
Fueloil  
Diesel  
Incial  
357,987.01  
347,742.24  
34,888.00  
34,888.00  
135,310.50  
135,310.50  
702,127.46  
605,477.35  
679,302.32  
676,441.59  
122,542.66  
370,393.27  
R. Comb  
Recurso Primario  
Incial  
R. Comb  
5
.5. Utilización del combustible  
para respaldo o picos de demanda.  
En el escenario con restricción de  
combustible, el consumo total se  
reduce a 2,056,972.88 galones, con  
una notable disminución en bunker  
En el escenario inicial, el sistema  
eléctrico consume 2,075,594.80  
galones de combustible, operando  
de manera óptima con un uso  
(
161,121.77 galones menos) y un  
aumento significativo en diésel  
149,254.94 galones más), lo que  
predominante  
de  
bunker  
(
1,121,121.77 galones), por ser más  
(
disponible y económico. El diésel,  
con el menor consumo (67,717.94  
galones), se utiliza principalmente  
indica un ajuste en el despacho  
debido a la menor disponibilidad de  
bunker y fueloil.  
Figura 6. Comparativo de cantidad de combustible.  
INICIAL  
R. COMB  
Fueloil  
80,000.00  
Fueloil  
86,755.09  
8
Bunker  
960,000.00  
8
43%  
43%  
47%  
Bunker  
1,121,121.77  
54%  
Diesel  
16,972.88  
0%  
Diesel  
2
67,717.94  
1
3%  
188  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
5.6. Validación eléctrica  
Esto asegurará que el despacho de  
generadores  
sea  
tanto  
como  
Para validar el modelo de  
económicamente  
óptimo  
optimización, se analizarán los  
resultados del flujo de potencia bajo  
condiciones de demanda máxima.  
técnicamente viable y seguro para la  
operación del sistema eléctrico.  
Figura 7. Comparativo de perfil de nivel voltaje en demanda máxima.  
1
.06  
.05  
.04  
.03  
.02  
.01  
1
1
1
1
1
1
0
.99  
.98  
.97  
.96  
.95  
.94  
.93  
0
0
0
0
0
0
Nodos  
R. Comb  
Inicial  
El análisis del flujo de potencia  
revela que los niveles de voltaje en  
todos los nodos del sistema se  
mantienen entre 0.95 pu y 1.05 pu,  
asegurando una operación segura y  
eficiente. Además, el flujo de  
potencia no supera la capacidad  
máxima de las líneas de transmisión,  
evitando sobrecargas y fallas. En  
garantizando una operación segura  
del sistema eléctrico.  
Figura 8. Flujo AC en demanda máxima  
con restricciónde combustible.  
43.4MW  
140MW  
200MW  
3
00MW  
T
294MW  
67MVar  
-0.08MVar -4.64MVar  
-6.22MVar  
58.9MVar  
EO  
H
H
1
8
1
,037< 2.4°  
21  
,039< 2.9°  
22  
1,05< 6.8°  
1
17  
1,02< 1.2°  
5
5.80MW  
8
8MW  
31,62MVar  
20MVar  
3
10MW  
1,036< 1.9°  
EO  
T
-
1,39MVar  
2
0
1,027< -0.2°  
19  
1
6
1,021< -0,6°  
1,018< 0,1°  
23  
T
1
60MW  
113MW  
25MVar  
13 534.59MW  
-18.11MVar  
1
05MW  
171MW  
38MVar  
36MVar  
2
0.09MVar  
105MW  
H
1
,029< -0.17°  
5
35.49MVar  
1
H
234MW  
3MVar  
5
T
65MW  
14  
1,013< -3.1°  
1< 0°  
ambos  
escenarios,  
completa  
con  
de  
1
280MW  
6
9.07MVar 63MVar  
1,002< -4.7°  
1< -4.3°  
1,017< -3,3°  
11 12  
2
4
disponibilidad  
1
59MW  
22MW  
3
6MVar  
154MW  
35MVar  
-48MVar  
1
72MW  
1
00MW  
39MVar  
1,05< -15.5°  
combustible y con una restricción del  
0%, el modelo de optimización es  
T
3
9.84MVar  
T
9
1,009< --8.5°  
3
0,991< -9.4°  
1,023< -11.5°  
1
0
120MW  
7MVar  
2
0
,974< -13.2°  
2
0,996< -13.5  
6
8
6
5MW  
63MW  
14MVar  
6
8.20MW  
15MVar  
EO  
2
9.47MVar  
4
validado como económicamente  
eficiente y técnicamente viable,  
5
110MW  
5MVar  
2
151MW  
4MVar  
3
1.008< -10.2°  
0
<
,995  
-12.6°  
0,993  
7
< -13°  
1.024  
< -7.2°  
1
2
T
30MW  
T
T
9
5MW  
86MW  
1
22MVar  
55MW 20MVar  
-31.94MVar  
200MW  
28,36MVar  
-
2.38MVar  
189  
Guerrero-Berroneset al. (2024)  
6
. Conclusiones  
mientras que los generadores menos  
eficientes se utilizaron solo cuando la  
demanda excedía las capacidades  
de las fuentes más económicas. En  
el segundo escenario, la restricción  
El costo operativo total en el primer  
escenario,  
completa de combustible, ascendió a  
,032,157.96 USD. En el segundo  
con  
disponibilidad  
2
de  
combustible  
aumentó  
la  
escenario, con la restricción de  
combustibles, el costo operativo  
aumentó a 2,170,252.95 USD, lo que  
representa un incremento del 6.8%.  
participación de los generadores  
diésel del 2% al 7%, demostrando la  
adaptabilidad del modelo para  
asegurar un suministro continuo de  
energía.  
Este  
incremento  
de  
subraya la  
gestionar  
necesidad  
En ambos escenarios, las plantas  
adecuadamente los recursos de  
combustible para mantener bajos los  
costos operativos.  
hidroeléctricas  
y
de energías  
renovables no convencionales se  
despacharon  
capacidad,  
a
su  
máxima  
con  
El consumo total de combustibles en  
el primer escenario fue de  
contribuyendo  
aproximadamente el 30% de la  
producción total (17.466 GWh). Esto  
resalta la importancia de estas  
fuentes en mantener la eficiencia del  
sistema, especialmente cuando hay  
2,075,594.80 galones. Con la  
restricción de combustibles en el  
segundo escenario, el consumo total  
fue de 2,056,972.88 galones, una  
reducción del 0.9%. La disminución  
en el consumo de bunker (de  
restricciones  
fósiles.  
en  
combustibles  
1,121,121.77 galones a 960,000.00  
En el segundo escenario, con una  
restricción del 20% en la  
galones) y el aumento en el consumo  
de diésel (de 67,717.94 galones a  
disponibilidad de combustibles, las  
pérdidas de energía se redujeron de  
2
16,972.88 galones) muestran la  
flexibilidad del modelo para  
5
24 MWh (1.17% del total  
despachado) a 392.83 MWh (0.88%  
del total despachado). Esta  
adaptarse a las limitaciones de  
combustible.  
En el primer escenario, los  
generadores térmicos más eficientes  
se despacharon prioritariamente,  
reducción del 25% en las pérdidas  
muestra la efectividad del modelo de  
optimización en minimizar pérdidas  
190  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
bajo condiciones de restricciones de  
combustible.  
Anglani, N., and G. Petrecca. 2010.  
Fossil Fuel and Biomass Fed  
“
Distributed Generation and  
Utility Plantsꢀ: Analysis of  
Energy and Environmental  
Finalmente, en ambos escenarios,  
los niveles de voltaje en todos los  
nodos se mantuvieron dentro de la  
banda de 0.95 pu a 1.05 pu.  
Además, el flujo de potencia a través  
de los enlaces de transmisión no  
superó la capacidad máxima de las  
líneas, asegurando una operación  
segura y confiable del sistema  
eléctrico bajo condiciones de  
demanda máxima y restricciones de  
combustible.  
Performance  
64–69.  
Indicators.”  
9
Chanana, Saurabh, Venkta Narsi  
Reddy, Vaibhav Goel, Aastha  
Chaudhary, and Ashwani  
Kumar. 2008. “Distributed  
Generation Location Based  
on Fuel Cost Minimization in  
Deregulated  
Electricity  
Markets.” IEEE Transactions  
on Power Systems 1–2.  
Chen, Chun-lung, and Nanming  
Chen. 2001. “Direct Search  
Method for Solving Economic  
Bibliografía  
Dispatch  
Problem  
Considering  
Transmission  
Abdin, I. F., and E. Zio. 2019.  
Capacity Constraints.” IEEE  
Transactions on Power  
Systems 16(4):764–69.  
“
Optimal Planning of Electric  
Power Systems.” Springer  
Optimization and Its  
Applications 152:53–65. doi:  
Chen, Zhe, Chuangxin Guo, Shufeng  
Dong, Yi Ding, and Hangyin  
1
4
0.1007/978-3-030-28565-  
_10.  
Mao.  
Robust Dynamic Economic  
Dispatch of Integrated  
2021.  
“Distributed  
Ali, Mohammad, Mohsen Assili, and  
Amin Hajizadeh. 2020. “Multi-  
Transmission and Distribution  
Objective  
Hydrothermal  
Systems.” IEEE Transactions  
Generation Scheduling and  
Fuel Dispatch Management  
on Applications  
Industry  
57(5):4500–4512.  
Considering  
Dispatch Network Modeling.”  
Electric Power Systems  
Research 187(April):106436.  
doi:  
Liquid  
Fuel  
Du, Xiao, Xingyu Lin, Zhiyun Peng,  
Sui Peng, Junjie Tang, and  
Wenyuan Li. 2021. “Chance-  
Constrained Optimal Power  
Flow Based on a Linearized  
Network Model.” International  
Journal of Electrical Power &  
10.1016/j.epsr.2020.106436.  
191  
Guerrero-Berroneset al. (2024)  
Energy Systems 130:106890.  
Allocation of FACTS Devices  
doi:  
in  
Electric  
Transmission  
https://doi.org/10.1016/j.ijepe  
s.2021.106890.  
Systems:  
Renewable and Sustainable  
A
Review.”  
Energy Reviews 52:1260–67.  
Farrag, Mahmoud Ali, Kareem  
Mohamed Ali, and Shaimaa  
Omran. 2019. “AC Load Flow  
Kheshti, Mostafa, Lei Ding, Shicong  
Ma, and Bing Zhao. 2018.  
“Double Weighted Particle  
Swarm Optimization to Non-  
Convex Wind Penetrated  
Emission/Economic Dispatch  
and Multiple Fuel Option  
Systems.” Renewable Energy  
125:1021–37.  
Based  
Transmission  
Model for  
Expansion  
Planning.” Electric Power  
Systems Research 171:26–  
3
5. doi:  
https://doi.org/10.1016/j.epsr.  
019.02.006.  
2
Al Farsi, F. N., M. H. Albadi, N.  
Hosseinzadeh, and A. H. Al  
Kishore, T. S., and S. K. Singal.  
2014. “Optimal Economic  
Badi.  
Dispatch in Power Systems.”  
015 IEEE 8th GCC  
Conference and Exhibition,  
GCCCE 2015. doi:  
0.1109/IEEEGCC.2015.706  
068.  
2015.  
“Economic  
Planning  
Transmission  
Review.” Renewable and  
Sustainable Energy Reviews  
39:949–74.  
https://doi.org/10.1016/j.rser.2  
014.07.125.  
of  
Power  
Lines: A  
2
doi:  
1
0
Hlalele, Thabo G., Raj M. Naidoo,  
Jiangfeng Zhang, and  
Ramesh C. Bansal. 2020.  
Dynamic Economic Dispatch  
Lasemi, Mohammad Ali, Mohsen  
Assili, and Mohammadreza  
Baghayipour.  
2014.  
“
“Modification of Multi‐area  
with Maximal Renewable  
Penetration under Renewable  
Economic  
Multiple  
Considering  
Dispatch  
Fuel  
the  
with  
Options,  
Fuelling  
Obligation.”  
:38794–808.  
Ieee Access  
8
Limitations.” IET Generation,  
Transmission & Distribution  
Huppmann, Daniel, and Ruud  
8(6):1098–1106.  
Egging. 2014. “Market Power,  
Fuel  
Substitution  
and  
Lasemi, Mohammad Ali, Mohsen  
Assili, and Amin Hajizadeh.  
Infrastructure–A Large-Scale  
Equilibrium Model of Global  
Energy Markets.” Energy  
2020.  
“Multi-Objective  
Hydrothermal  
Generation  
7
5:483–500.  
Scheduling and Fuel Dispatch  
Management Considering  
Liquid Fuel Dispatch Network  
Jordehi, A. Rezaee. 2015. “Particle  
Swarm Optimisation (PSO) for  
Modeling.” Electric Power  
192  
Revista Científica ‘‘INGENIAR”: Ingeniería, Tecnología e Investigación. Vol. 7 Núm. (14) Ed. Esp. Octubre2024.  
ISSN: 2737-6249  
Optimización Multihoraria de la Generación Eléctrica: Modelando Combustible y Redes para satisfacer  
demandas variables nodales  
Systems  
87:106436.  
Research  
Ross, Dale W., and Sungkook Kim.  
1980. “DYNAMIC  
ECONOMIC DISPATCH OF  
1
Liu, Xiaoping, Ming Ding, Jianghong  
Han, Pingping Han, and Yali  
GENERATION.”  
IEEE  
Power  
Systems  
Transactions  
Apparatus  
6):2060–68.  
on  
and  
Peng.  
2010.  
“Dynamic  
for  
Economic  
Dispatch  
(
Microgrids Including Battery  
Energy Storage.” 2nd  
International Symposium on  
Sakib, Nazmus, Md Emdadul Hoque,  
Fazlur Rashid, Muhammad  
Aziz, Md Shehab Uddin, and  
Md. Tariqul Islam. 2024.  
Power  
Distributed  
Systems,  
Electronics  
Generation  
PEDG 2010  
for  
“Effects  
Algorithms and Fuel Variation  
on Techno-Economic  
of  
Dispatch  
(
2):914–17.  
Onmez, Yusuf S. ¨. 2013. “Estimation  
Performance of Hybrid Energy  
System in Remote Island.”  
Journal of Energy Storage  
of  
Fuel  
Cost  
for  
Curve  
Thermal  
Parameters  
Power Plants Using the ABC  
Algorithm.” TURKISH  
JOURNAL OF ELECTRICAL  
7
8:109919.  
Smil, Vaclav. 2000. “Energy in the  
ENGINEERING  
COMPUTER  
&
Twentieth  
Resources,  
Costs,  
Century:  
Conversions,  
SCIENCES  
21(Sup.1):1827–41.  
0.3906/elk-1203-10.  
doi:  
Uses,  
and  
Annual  
1
Consequences.”  
Review of Energy and the  
Environment 25(1):21–51.  
Ordoudis, Christos, Pierre Pinson,  
Juan M. Morales, and Marco  
Zugno. 2016. “An Updated  
Version of the IEEE RTS 24-  
Bus System for Electricity  
Market and Power System  
Operation Studies.” Technical  
University of Denmark 13.  
Wang, Yan, and Sarah M. Ryan.  
2010. “Effects of Uncertain  
Fuel Costs on Fossil Fuel and  
Electric Energy Flows in the  
US.” Energy Systems 1:209–  
43.  
Romero, Alexander Emanuel Torres,  
David Humberto Cardenas  
Villacres, and Raquel de los  
Angeles Salas Ibarra. 2024.  
Yang, Y., W. Wu, and B. Wang.  
2020. “Adjustable Robust  
Economic Dispatch: Case  
Study on Its Application and  
Evaluation in Power System.”  
Pp. 1439–43 in 2020 IEEE 4th  
“
Análisis  
de  
Flujo  
AC  
Aplicados  
a
Un Sistema  
Eléctrico  
de  
Potencia.”  
Conference  
on  
Energy  
INGENIO 7(1):47–56.  
Internet and Energy System  
Integration (EI2).  
193