Presentación Dr. Quirós

Beneficios y Desafíos de la Integración de
Vehículos Eléctricos al Sistema Eléctrico
Dr. Jairo Quirós Tortós, Miembro Senior, IEEE

Profesor Asociado Universidad de Costa Rica
Coordinador Lab. Investigación en Potencia y Energía, EPERLab
Jairohumberto.quiros@ucr.ac.cr
Viernes 17 de mayo, 2019
© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 1

Contenido
▪ La red de hoy y la del futuro → De pasivas a activas
▪ Incorporación del vehículo eléctrico
▪ Beneficios de los vehículos eléctricos
▪ Desafíos de los vehículos eléctricos
▪ Conclusiones

EPERLab
Somos un laboratorio de investigación con más de 5

expertos en ingeniería eléctrica y más de 10
asistentes que trabajan con responsabilidad para
brindar soluciones ingenieriles a la sociedad. Modelado
Integración de
Calidad de
nuevas
energía
tecnologías
Sistemas de
potencia y
energía
Redes
Análisis de datos
inteligentes
Planificación

Equipo real que ayuda validando resultados
Simulador digital
en tiempo real
Vehículo eléctrico
Sistema PV-almacenamiento

Las colaboraciones establecidas nos respaldan
Diez Tres Tres Cuatro Dos

• Eficiencia energética • Montajes en distribución • Sistemas fotovoltaicos • Sistemas fotovoltaicos • Modelado integrado de
• Sistemas fotovoltaicos • Revisión de normas (2) • Almacenamiento energía • Modelación del sector sector transporte y
• Almacenamiento energía • Vehículos eléctricos agua eléctrico
• Vehículos eléctricos • Modelación del sector • Modelación robusta del
suelo sector transporte
• Indicadores operativos
• Curvas de uso final • Integración de
modelación a plataforma
• Caracterización de
de cambio climático
consumos
Colaboración establecida con varios sectores

La red actual…
Centralizado
Generación Observabilidad y control: Limitada
Redes pasivas para clientes pasivos
Enfoque “Fit and forget” → Bajo uso activos
Transmisión Distribución
Observabilidad y Coordinación T-D limitada

control: Buena
Demanda bien
conocida, no controlable Casas,
Escuelas/Colegios,
Tiendas, Negocios
* Adaptada de presentaciones de Prof. Luis(Nando) Ochoa
La red del futuro…
Generación Renovables de mediana Generación

Renovables con escala controlables distribuida
alta participación
Control Jerárquico
Operación T-D coordinada Control local

Monitoreo en tiempo real
NuevosManejoserviciosdede
la mercado
red centralizadamente
Operación con respuesta $
Alta utilización de los activos
a variaciones de frec.Alto uso de renovables
Optimización Manejo
Nuevas tecnologías energético
(pequeña
Casas, escala)
Pronósticos Demanda cliente final
controlable
Escuelas/Colegios,
* Adaptada de presentaciones de Prof. Luis(Nando) Ochoa Tiendas, Negocios
Los VES
en el
Sistema

Tipos de VEs
Motor Motor
eléctrico combustión
Tanque
Baterías Gas
Vehículos Eléctricos Híbrido Vehículos Eléctricos Conectable Vehículos Eléctricos Puros

(HEV) (PHEV) (BEV)
Requiere de Parte de (o toda) su fuente de energía

combustible fósil puede obtenerse del sistema eléctrico
¿Por qué es tan necesaria?
3.5
Zero net emissions
3
CO2 emissions (metric tons per capita)
Baseline
2.5
1.5
1
~3oC
0.5
~2oC
0
~1.5oC
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
The World Bank Group, CO2 emissions data,
https://data.worldbank.org/indicator/EN.ATM.CO2E.PC
Fay, M., Hallegatte, S., Vogt-Schilb, A., Rozenberg, J., Narloch, U., Kerr, T., 2015.
Decarbonizing Development: Three Steps to a Zero-Carbon Future. World Bank
Publications.

¿Cómo estamos hoy?
3 500
3109.05
Sweden
3 000 2015→+1M UK
2016→~2M Others
2 500 2017→+3M Norway
Number of EVs (1000s)
2018→ ? Japan
1982.04 India
2 000
Netherlands
France
1 500 USA
1239.45
Se esperan 125M para el 2030 Korea
1 000 China
703.65 Canada
Germany
500 327.3
179.03 BEVs
1.89 2.23 2.69 5.16 7.48 14.26 61.34 BEVs + PHEVs
0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
*Source: IEA
Las opciones aumentan

Principales causas del crecimiento
OEM Automotriz Consumidor
Mayor regulación para Aumento de conciencia

disminuir emisiones de 𝐶𝑂2 ambiental
Mejores estándares de Subsidios gubernamentales

eficiencia de combustible para promover tecnologías
Menor dependencia de los Crecimiento urbano y

suministros de petróleo necesidad de sistemas de
extranjeros transporte
Mejoras en la tecnología y Interés en combustibles

costos decrecientes alternativos

Costo de la batería en US$/kWh
Resulta en costos
de los VEs mucho
más bajos
Aumenta la
costo-efectividad
*Fuente: McKinsey&Company

Proyección en el costo de la tecnología
Reducción costo batería → Reducción costo VE
~US$ 6000
Se verá beneficiado por los planes de crecimiento de los productores *Fuente: Cambridge Econometrics
Los VEs vienen, y qué?
▪ Estudios de impacto en las redes eléctricas
▪ Soluciones para mitigar los efectos negativos Desafíos Oportunidades
▪ Provisión de servicios a nivel regional

Impactos en el Provisión de
sistema servicios
▪ Provisión de servicios a nivel local
▪ Etc. etc.
Sin modelos realistas de los VEs podrían conllevar a sub o

sobreestimaciones de impactos, beneficios, etc.

Beneficios

Más baratos de operar
Consumo (Yaris) 11,10 km/L Consumo (Leaf) 0,178 kWh/km

Distancia 1 750 km / mes Distancia 1 750 km / mes
Costo gasolina US$0,927 Costo electricidad US$ 0,163
Costo ~US$ 146 / mes Costo ~US$ 50 / mes
Casi 1/3 por mes

Más barato de mantener
NEED A PIC HERE OF EVS
Muchas partes menos →

Menor mantenimiento
Mejor para el ambiente y la salud
Cero emisiones
(depende del sistema)

Seguridad energética
Los vehículos eléctricos pueden ayudar a la red

durante contingencias y evitar eventos catastróficos
Oportunidades
Componentes / Fabricantes
• Investigación y desarrollo
• Seguridad / Mercadeo
• Reducir precios de tecnología
Empresas Eléctricas
• Incentivos / Baterías / Reciclaje
• Infraestructura
Incentivos Valor • Soporte al cliente
Política Regulación / Tecnológico • Programas de educación
Legislación
• Seguridad Nacional Clientes • Incentivos a vehículos e
infraestructura
• Emisiones carbono / GEI
• Mejoras en planeación
• Economía
• Interrelación con usuario
• Incentivos / Créditos
• Independientes • Integración e
• Mandatos • Reducción costos interoperabilidad
• Bienestar común • Beneficios ambientales • Velar por requerimientos
• Salud económica Trabajos
Infraestructura Energía del sistema
• Salud ambiental
de recarga Conveniente • Impactos en la red
• Adopción de estándares
• Desarrollo de redes
Apoyo en servicios y bienes
inteligentes
• Programas de recarga
• Investigación y desarrollo
inteligente
• Educación y superación
• Seguridad
• Permisos / Códigos / Estándares
• Planeación y desarrollo
• Infraestructura de recarga
*Fuente: Progress Energy
Desafíos
Futuros

Impacto Alto
Desafíos de los VEs Impacto Moderado
Impacto Bajo
Consumidor
Automotriz
Proveedor
Empresas
Eléctricas
Gobierno
Servicio
Desafíos del Mercado
Grandes cargas requieren una gestión adecuada para minimizar

el impacto en la red
Nuevos servicios e interacción con los consumidores requiere

nuevos modelos de negocio
Los tiempos de recarga requieren nuevas capacidades de

medición
Alto volumen de datos sensibles requiere mayor seguridad
Múltiples operadores de servicios de carga conduce a

problemas de interoperabilidad
Viajes entre distintas áreas de concesión implica distintos

cobros y desafíos de operación
Robo y vandalismo de estaciones de recarga públicas
Los impuestos para recarga de VEs requerirán reportes y

auditorías a entidades gubernamentales
Los puestos de recarga pública requerirán una ubicación

adecuada, instalación y mantenimiento
Necesidad de capturar datos sobre el rendimiento del vehículo y

la batería
Los consumidores probablemente exigirán múltiples opciones

de pago
Usos secundarios para baterías, eliminación / reciclaje de

baterías
La insuficiencia de los puntos de recarga pública puede producir

inseguridad
Inseguridad de los consumidores por la disponibilidad y la

seguridad de los pagos sin interrupciones

Modelado de la demanda del VE
▪ Hora de llegada
– Después de llegar de trabajo → define Costo Total
hora de conexión y estado de carga US$15m

(SOC)
▪ Tiempo de conexión
– Dependiendo del consumo de energía
→ define SOC Projecto ejecutado por
▪ Demanda (potencia) EA Technology

Empresa Patrocinadora
– Recarga lenta / semi-rápida → define SSE PD
duración
myelectricavenue.info
My Electric Avenue (MEA)

Necesidad de modelos
▪ Encuestas de manejo (vehículos convencionales)

– Ven: Disponible/representativo de una gran población
– Des: Se debe asumen cuándo y por cuánto tiempo recarga
– Des: No considera la interacción del ser humano con la tecnología
▪ Proyectos piloto de pequeña escala

– Ven: Representa más realísticamente el comportamiento de los VEs
– Des: El tamaño de la población
▪ Proyectos piloto de gran escala

– Ven: Representa el proceso de recarga de una gran población
– Des: Hallazgos en cuanto al modelado son limitados

Modelos Mixtos de Gaussianas–GMM
La figura compleja del comportamiento de recarga limita el

uso de otras PDF
𝐿 𝑦−𝜇𝑖 2
1 −
2𝜎𝑖2
𝑓𝑌 𝑦 = ෍ 𝜔𝑖 𝑓𝑁 𝑦 𝑓𝑁 𝜇𝑖 ,𝜎𝑖2 𝑦 = 𝑒
𝜇𝑖 ,𝜎𝑖2
𝑖=1 2𝜋𝜎𝑖2
3.0
2.5
Probabilidad (%)
2.0
Otras PDFs no
1.5
pueden
1.0 caracterizar esta
0.5 forma
0.0
0h 2h 4h 6h 8h 10h 12h 14h 16h 18h 20h 22h
Hora del día – Resolución de 15 min

Total Cost
US$15m
Project run by
EA Technology
Funding DNO
SSE PD
myelectricavenue.info

Objetivos
▪ Comprender el proceso de recarga de (200+)

usuarios de VEs
▪ Investigar los impactos de los VEs en 9 redes de

baja tensión reales
▪ Probar una solución costo-efectiva y práctica para

gestionar los puntos de recarga (Tecnología
Esprit*)
* Patent app. no. PCT/GB2012/050702

Extensión geográfica del proyecto
120 Ensayo
social
101 Ensayo
técnico
221 en total

Proceso de recarga del VE
Más de 85,000 muestras

(sin control)
ON
SOC = 11 Units
SOC = 6 Units
EV Status
SOC = 12 Units SOC = 12 Units
Un solo VE 2 conexiones
2 días
OFF
0h 3h 6h 9h 12h 15h 18h 21h 24h 3h 6h 9h 12h 15h 18h 21h 24h
Time of day
Nissan Leaf, 24 kWh
Número de recargas al día
Number of Connections per day - All the Time
80
Weekday
70
Weekend
60
Probability (%)
50
40
30 ~70% de los VEs son
cargadados una sola vez
20
10
0
1 2 3 4 5 6 7 8 9 10
Number of Connections
Hora de conexión
3
First Connection
2
1
Probability (%)
0
3
Second Connection
2
0
0h 2h 4h 6h 8h 10h 12h 14h 16h 18h 20h 22h 24h
*Weekday Time of Day - 15 min resolution
Estado de carga al inciar
14 6h-10h
15h-21h 1st Charging Event
12
21h-6h, 10h-15h
10 Whole Day
Probability (%)
4 ~70% de los usuarios cargan cuando

el SOC está entre 25 y 75%
2
No. Units (% of battery SoC)

*Weekday
Estado de carga al finalizar
80
6h-10h 1st Charging Event
70
15h-21h
60 21h-6h, 10h-15h
Probability (%)
Whole Day
50
40
30 ~65% llega hasta full

20
10
No. Units (% of battery SoC)

*Weekday
Porcentaje de VEs que carga el mismo día
40
Weekday
35
Weekend
30 Probabilidad de cargar
+50% de los VEs is >75%
Probability (%)
25
20
15 Dos veces al mes (7%)
10
0
0 10 20 30 40 50 60 70 80 90 100
EV Penetration Level (%)

Estadísticas→modelos realísticos (4/4)
4.0
EV 1 Demanda: ~1.1kW
3.0
EV 2
EV demand (kW) 2.0 EV 3
1.0
0
(a) - Individual profiles
1.2
1.0 avg. EV
0.8 avg. EV GMM
0.6
0.4
avg. Monitored
0.2 avg. EV-TI
0
0h 2h 4h 6h 8h 10h 12h 14h 16h 18h 20h 22h 24h
(b) - Aggregated average demand
Time of Day Energía: ~12 kWh

Economía del vehículo
TC
O
𝑪𝒐𝒔𝒕
CAPEX OPEX Total
Gasolina (1750 km/mes, 8L/100km): CRC 95,200

Eléctrico (1750 km/mes, CRC96/kWh): CRC 33,600

¿Qué tan
costo-
efectiva es la
tecnología?

Necesidad de estudiar los efectos de la carga
▪ Para comprender el estado actual y futuro de las redes de baja tensión con VEs
▪ Análisis estocástico (Monte Carlo) para considerar comportamiento humano

– Recarga de VEs, demanda doméstica, etc.
▪ Métricas
– Sobrecargas
– Bajas tensiones

Herramientas de evaluación
DN QGIS2OPE QGIS2RUN
VISION
Corrector NDSS OPENDSS
En 2017 se hicieron herramientas para estudiar los efectos de la generación distribuida →

Hay una necesidad para adaptar estas herramientas a vehículos eléctricos

Introducción: Proyecto industrial en CR
Uso de GIS para planificar las redes de distribución con nuevas

tecnologías
▪ Proyecto industrial con 8 empresas de distribución
▪ Modelado detallado de circuitos de MT y BT y variación de demanda
del cliente a lo largo del día
▪ Desarrollo de herramientas para facilitar los estudios necesarios con la
inserción de nuevas tecnologías
▪ Uso de diferentes fuentes de información geo-referenciada (elementos
de red, irradiación solar, perfiles de carga, etc.)
*J. Quirós-Tortós, G. Valverde, A. Arguello, L.F. Ochoa “Geo-Information Is Power: Using Geographical Information Systems to Assess Rooftop Photovoltaics in Costa Rica” IEEE Power and Energy Magazine, Mar. 2017.

Modelado y simulación usando herramientas
•Identificación de errores en GIS

DN Corrector • Detección de lazos en sistemas radiales
•Corrección automática de errores
•Traducción de GIS a simulador de redes

QGIS2OPENDSS •Asignación de perfiles de carga basado en ubicación,
consumo y tipo de cliente
•Uso de OpenDSS como herramienta embebida en QGIS

•Simulación de circuitos con nuevas tecnologías
QGIS2RUNOPENDSS •Flujos de potencia, armónicos, fallas
• Visualización de resultados en propio GIS

VISION •Fácil identificación de zonas problemáticas y elementos
sobrecargados
*G. Valverde, A. Arguello, R. González, J. Quirós-Tortós "Integration of Open Source Tools for Studying Large-Scale Distribution Networks" in IET Gen. Trans. & Dist. Jan. 2017.

Herramientas para planificación
Herramientas como plugins en QGIS
Consola de Python
disponible en QGIS

DN corrector

QGIS2OpenDSS

QGIS2OpenDSS: Modelado
▪ Líneas de MT y BT
– Aéreo y subterráneo
▪ Transformadores
– Trifásico
– Monofásico
– Bancos
▪ Demanda
– Estática
– ZIP
▪ Equipo de protección
– Fusibles
– Seccionadoras
– Relés
– Recerradores
▪ Nuevas tecnologías
– Fotovoltaico
– Almacenamiento
– Vehículos eléctricos
Curso modular se ha desarrollado

para impartir en la región
Salida QGIS2OpenDSS
Se reportan inconsistencias y
errores en datos
Y sec:Voltage, max=0
1106000
1104000
1102000

QGIS2runOpenDSS
Demanda circuito
cortocircuito
Flujo instantáneo Flujo diario
Flujo anual

Salida QGIS2runOpenDSS

Identificación de zonas
VISION potencialmente problemáticas
en circuitos

Análisis probabilístico de VEs: Ejemplo
160
140 Tx F2
Diferentes F1 F6 Thermal Limit
níveles de 120
penetración 100
80
60
Utilization Factor (%)
40
20
0
140
F3 F5 Thermal Limit
120
F4
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80 90 100
Trafo → Circuitos EV Penetration Level (%)
Análisis probabilístico de VEs: Análisis multi-red
100
First Problem Occurrence (%)
80
60
9 redes de BT
40 31 circuitos de BT
Tx Congestion 2,000+ clientes
20 Feeder Congestion
Voltage Problem
0
0 10 20 30 40 50 60 70 80 90 100
Sobrecarga sigue siendo el principal problema → a 40% de penetración de VEs
Demanda residencial (1/2)
2
1.8 Residencial
1.6 VE
Residencial + VE
1.4
Demanda (kW)
1.2
1
0.8
0.6
0.4
0.2
0
00:01 02:01 04:01 06:01 08:01 10:01 12:01 14:01 16:01 18:01 20:01 22:01
Hora del día

Demanda residencial (2/2)
2.4
Avg. Aggregated Demand (kW)
Load + MEA
2.0 Load + UKNTS
Load + Small-scale trial
1.6
1.2
0.8
0.4 Demanda máxima similar,

pero a otras horas
0
0h 2h 4h 6h 8h 10h 12h 14h 16h 18h 20h 22h 24h
Time of Day
19.5 kWh (UKNTS, Small) → 22.4 kWh (MEA)
MEA: Gestión de la red
Resumen de la
infraestructura
Sensors (V, I)
head of feeders
PLC-like device
at substations
(control hub) Modo de carga
lento
Transformer Estado de
carga
11/0.4 kV Desconocido
PLC
Power Line Carrier-
based communications
(bi-directional)
9 redes de BT residencial, 221
My Electric Avenue. http://myelectricavenue.info/
VEs

Algoritmo de Control (1/2)
Enfoque conceptual y desafíos
• Detener carga del VE cuando

problemas surgen
• Resumir carga del VE cuando
EV Switched off
problemas desaparecen
EV Switched on
• Aunque suena sencillo, existen
muchos desafíos
• ¿Cuántos VEs se desconectan?
• ¿Cuántos VEs se reconectan?
• ¿Cuáles se gestionan?
• ¿Cuáles son los efectos en el usuario?
J. Quirós-Tortós, L. F. Ochoa, S. Alnaser, and T. Butler, "Control of EV Charging Points for Thermal and Voltage Management of LV Networks," IEEE Trans. on Power Systems, vol. 31, no.4, pp. 3028 - 3039, Jul. 2016.
K. Petrou, J. Quirós-Tortós, and L. F. Ochoa, "Controlling electric vehicle charging points for congestion management of UK LV networks," in IEEE PES ISGT, Washington, USA, 2015, pp. 1-5.

Algoritmo de Control (2/2)
Ejecutado cada ciclo de control Desconexión jerárquica correctiva
Inputs Internal Processes  I ,i − Imax 

Xi = 
,i
Vϕ and Iϕ (per phase, per feeder), and Vi Compute ST K
Charging point status (ON/OFF) Update each EV charging time
 I EV 
Hierarchical Corrective Hierarchical Preventive   ST − STmax 
Disconnection Reconnection
 0, if  K    Xi
  S 
Y =
EV
Feeder Level (per phase per feeder) Transformer Level
  ST − ST   ST − ST 
Define Xi Define Z max max
  K  −  X i , if  K    Xi
Transformer Level Selection of EVs  S EV   S EV 
Define Y Select disconnected EVs with
lowest charging time
Selection of EVs
Reconexión jerárquica preventiva

Select EVs with largest charging time Feeder Level (per EV in ranking)
Select EV for reconnection if feeder
constraints are satisfied
Control Action
Disconnect Xi EVs per phase per feeder
 (1 −  ) STmax − ST 
Disconnect Y EVs at the network level Control Action
Reconnect EVs Z = K
 S EV 
Vϕ: Phase voltage at the busbar Vi: Phase voltage at the charging points
Iϕ: Phase current at the head of feeders ST: Transformer load
 (1 −  ) Imax
, i − I , i

Wi max
= K
Charging time was used to select EVs  I EV 
IEV and SEV are the current and power of an EV

 and  are security margins, K user-defined gain
Evaluación del algoritmo (Determinístico, 100% EVs)
800
600
w/o control Red de BT real en UK
1 min control cycle
370 casas, 500 kVA Tx
(kVA)
400 (100% penetración)

200
0
Tx Loading
1.05
1.00 El algoritmo es
efectivo en
(p.u.)
0.95
mantener la carga
0.90 del transformador y
las tensiones en los
0.85 rangos permitidos
6h 8h 10h 12h 14h 16h 18h 20h 22h 24h 2h 4h 6h
Minimum Voltage
Time of day 59
Efecto en la demanda del VE (Determinístico, 100%
EVs)
500
400 Muchos de los VEs se
cargan antes de las
(kVA)
300
200 6am
100
0
Aggregated EV Demand
4
3 17:44h 23:04h
(kVA)
Tiempo esperado: 160 min( 2:40h)

2 19:15h Tiempo real: 389min (6:29h)
00:13h Retardo en recarga: 143.13%
1 20:24h
0
6h 8h 10h 12h 14h 16h 18h 20h 22h 24h 2h 4h 6h
Individual EV Demand
Time of day
Efecto en el usuario Customer Impact Level (CIL)
(Determinístico, 100% EVs)
Impact Level 100% EV penetration
50
La mitad no son afectados
40
Probability (%)
30
30% de los VEs requieren menos que
20 la mitad del tiempo original
10
0
0 1 2 3 4 5 6 7 8 9
Impact Level Customer Impact Level 0 1 2 3 4
Additional Charging Time (%) 0 1-25 26-50 51-75 76-100
Customer Impact Level 5 6 7 8 9
Additional Charging Time (%) 101-125126-150151-175176-200 > 200

Evaluación del algoritmo (Probabilístico)
Monte Carlo (100
ensayos)
120
1 min 5 min 10 min 30 min
Utilization Factor (%)
Transformer
110
Thermal Limit
100
A 10-min control
cycle is as
effective
90
40 50 60 70 80 90 100
62
Efecto en el usuario (Probabilístico)
Percentage of EV users
w/o delay
CIL = 0

Control Cycle
40% 50% 60% 70% 80% 90% 100%
1 min 99 87 72 59 50 44 40
5 min 99 89 77 67 60 56 51
10 min 100 91 80 71 63 59 54
30 min 100 95 85 76 70 64 59
and it improves
customer
acceptance

Evaluación del algoritmo (RBC vs OPF)
Without Control OPF Proposed RBC
Comparación (3 AC OPF) 1.6
Solución es igualmente La mejora
1.4
Requisitos del OPF: efectiva usando el OPF es
1.2
en el major caso
Tx Loading (%)
Modelo complete de red
Observabilidad
1
5%
0.8
SOC de VEs
0.6
Objetivo: Minimizar el 0.4
número de desconexiones 0.2 10-min control cycle
0
sujeto a
Límites de flujos de
potencia y tensiones Control EV Penetration Level (%)
Approach 50 60 70 80 90 100
w/o
88 95 103 111 118 132
control
Proposed
88 94 98 102 104 107
RBC
OPF 87 92 95 98 99 102
64
Manejo (Real) de la Demanda de VEs
120
7:54h 8:05h
100 73A 56A
53A 70A
80
(A) Banda
60
40
20 8:30h
52A • Control inicial basado en una banda y con
20 Acciona
0
ciclos de control de 15-min*
• Solo se monitoreaba la corriente del
8:05h alimentador
15
8:30h
(A)
10
Desconexión
5
Ejemplo Real
0
7h 8h 9h 10h 11h 12h 13h 14h
Time of day
* http://myelectricavenue.info/sites/default/files/86002_8_R_SDRC%209.7%20Issue%202.pdf Control May 2015
Ubicación de estaciones de recarga
GAM Cobertura Rutas
Áreas Posibles

Metodología: Modelo de Consumo
g Aceleración gravitacional
ρ Densidad del aire v
𝐹𝑡𝑒 = 𝐹𝑟𝑟 + 𝐹𝑎𝑑 + 𝐹ℎ𝑐 + 𝐹𝑙𝑎
𝝁𝑟𝑟 Coeficiente de resistencia al
rodamiento
A Área frontal del VE
𝐶𝑑 Coeficiente de arrastre
α Ángulo de elevación mg
𝑚 Masa del VE α
𝑣 Velocidad del VE 𝑭𝒕𝒆 fuerza de
𝑎 Aceleración lineal del VE tracción
𝑭𝒓𝒓 𝝁𝑟𝑟 𝑚 𝑔 (fuerza de resistencia al rodamiento)

𝑭𝒂𝒅 (1Τ2) ρ 𝐴 𝐶𝑑 𝑣 2 (arrastre aerodinámico)
𝑭𝒉𝒄 𝑚 𝑔 𝑠𝑒𝑛(α) (componente del peso del VE)
𝑭𝒍𝒂 1.05 (𝑚 𝑎) (fuerza requerida para la aceleración lineal; el factor de 1.05 considera la fuerza requerida para dar
aceleración rotacional al motor)
19.85 kWh
5.5 kWh 5. 58 kWh 8.77 kWh

1200
1000
Elevación (m)
800
22.5
600 kWh
Orotina
400
Limonal
Barranca
200
0
0 20 40 60 80 100 120 140
Distancia (km)
Ejemplo
San José – Orotina – Barranca -Limonal
28.05 kWh
8.54 kWh 6.46 kWh 13.05 kWh

1200
1000
San José
Elevación (m)
800
22.5
600 kWh
Orotina
400
Barranca
200
0
0 20 40 60 80 100 120 140
Distancia (km)
Limonal – Barranca – Orotina - San José
Ejemplo

Resultados del análisis de rutas
34 Red mínima
43 Red media
48 Red robusta

Conclusiones
▪ Los VEs traen consigo una serie de beneficios:

– Más baratos de operar y mantener
– Mejores para el ambiente y la salud
– Pueden contribuir en la seguridad energética
– Tienen incentivos
– Son más potentes
▪ Traen además una serie de desafíos que deben atenderse:
– ¿Cuánta potencia (energía) demandarán (consumirán) del sistema?
– ¿Qué tan costo-efectivos son?
– No hay herramientas para estudiar los efectos y requerimientos sistémicos
– Gestión de la demanda
– ¿Dónde se ubicarán las estaciones de recarga?

Lecturas
▪ R. García-Valle, J. A. Pecas-Lopes, “Electric vehicle integration into modern power systems,”

Springer, 2013.
▪ J.F. Franco, A. T. Procopiou, J. Quiros-Tortos, L.F. Ochoa, “Advanced Control of OLTC-Enabled
LV Networks with PV Systems and Electric Vehicles,” IET Generation, Transmission &
Distribution, in press, accepted in May 2019. DOI: https://doi.org/10.1049/iet-gtd.2019.0208
▪ J. Quiros-Tortos, L.F. Víctor, L.F. Ochoa, “Electric vehicles in Latin America: Moving slowly but
surely towards a clean transport,” to appear in the IEEE Electrification Magazine June 2019.
▪ A. Guzman, A. Arguello, J. Quiros-Tortos, G. Valverde, “Processing and Correction of
Secondary System Models in Geographic Information Systems,” IEEE Transactions on
Industrial Informatics, accepted in Oct. 2018. DOI: https://doi.org/10.1109/TII.2018.2876356
▪ J. Quiros-Tortos, L. F. Ochoa, and T. Butler ” How electric vehicles and the grid work together:
Lessons learned from one of the largest electric vehicle trials in the world,” IEEE Power &
Energy Magazine, Vol. 16, no. 6, p. 64-76, Nov/Dec 2018. DOI:
https://doi.org/10.1109/MPE.2018.2863060

Referencias
▪ G. Valverde, A. Arguello, R. Gonzalez, and J. Quiros-Tortos, ”Integration of Open Software for

Studying Large-Scale Distribution Networks,” IET Gen. Trans. and Dist.: Interfacing
Techniques for Simulation Tools in Smart Grid, vol. 11, no. 12, pp. 3106-3114, Aug. 2017.
DOI: http://dx.doi.org/10.1049/iet-gtd.2016.1560
▪ J. Quiros-Tortos, G. Valverde, A. Arguello, and L. F. Ochoa, ”Using GIS to Assess Rooftop PV in
Costa Rica,” IEEE Power & Energy Magazine, vol. 15, no. 2, pp. 48-56, March/April 2017. DOI:
https://doi.org/10.1109/MPE.2016.2637158
▪ A. T. Procopiou, J. Quirós-Tortós, and L. F. Ochoa, ”HPC-Based Probabilistic Analysis of LV
Networks with EVs: Impacts and Control,” IEEE Transactions on Smart Grids, vol. 8, no. 3, pp.
1479-1487, May 2017. DOI: http://dx.doi.org/10.1109/TSG.2016.2604245
▪ J. Quirós-Tortós, L. F. Ochoa, S. Alnaser, and T. Butler, ”Control of EV Charging Points for
Thermal and Voltage Management of LV Networks,” IEEE Transactions on Power Systems, vol.
31, no. 4, pp. 3028-3039, Jul. 2016. DOI: https://doi.org/10.1109/TPWRS.2015.2468062

Beneficios y Desafíos de la Integración de
Vehículos Eléctricos al Sistema Eléctrico
Dr. Jairo Quirós Tortós, Miembro Senior, IEEE

Profesor Asociado Universidad de Costa Rica
Coordinador Lab. Investigación en Potencia y Energía, EPERLab
Jairohumberto.quiros@ucr.ac.cr
Viernes 17 de mayo, 2019

Presentación Dr. Quirós

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Presentación Dr. Quirós

Caricato da

Copyright:

Formati disponibili

Beneficios y Desafíos de la Integración de

Vehículos Eléctricos al Sistema Eléctrico

Dr. Jairo Quirós Tortós, Miembro Senior, IEEE

Viernes 17 de mayo, 2019

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 1

▪ La red de hoy y la del futuro → De pasivas a activas

▪ Incorporación del vehículo eléctrico

▪ Beneficios de los vehículos eléctricos

▪ Desafíos de los vehículos eléctricos

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 2

Somos un laboratorio de investigación con más de 5

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 3

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 4

Diez Tres Tres Cuatro Dos

Colaboración establecida con varios sectores

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 5

Observabilidad y Coordinación T-D limitada

Generación Renovables de mediana Generación

Operación T-D coordinada Control local

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 8

Vehículos Eléctricos Híbrido Vehículos Eléctricos Conectable Vehículos Eléctricos Puros

Requiere de Parte de (o toda) su fuente de energía

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 10

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 12

OEM Automotriz Consumidor

Mayor regulación para Aumento de conciencia

Mejores estándares de Subsidios gubernamentales

Menor dependencia de los Crecimiento urbano y

Mejoras en la tecnología y Interés en combustibles

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 13

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 14

Reducción costo batería → Reducción costo VE

▪ Estudios de impacto en las redes eléctricas

▪ Soluciones para mitigar los efectos negativos Desafíos Oportunidades

▪ Provisión de servicios a nivel regional

▪ Provisión de servicios a nivel local

Sin modelos realistas de los VEs podrían conllevar a sub o

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 16

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 17

Consumo (Yaris) 11,10 km/L Consumo (Leaf) 0,178 kWh/km

Casi 1/3 por mes

NEED A PIC HERE OF EVS

Muchas partes menos →

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 20

Los vehículos eléctricos pueden ayudar a la red

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 23

Desafíos de los VEs Impacto Moderado

Grandes cargas requieren una gestión adecuada para minimizar

Nuevos servicios e interacción con los consumidores requiere

Los tiempos de recarga requieren nuevas capacidades de

Alto volumen de datos sensibles requiere mayor seguridad

Múltiples operadores de servicios de carga conduce a

Viajes entre distintas áreas de concesión implica distintos

Robo y vandalismo de estaciones de recarga públicas

Los impuestos para recarga de VEs requerirán reportes y

Los puestos de recarga pública requerirán una ubicación

Necesidad de capturar datos sobre el rendimiento del vehículo y

Los consumidores probablemente exigirán múltiples opciones

Usos secundarios para baterías, eliminación / reciclaje de

La insuficiencia de los puntos de recarga pública puede producir

Inseguridad de los consumidores por la disponibilidad y la

© 2019 EPERLab – Universidad de Costa Rica Vehículos eléctricos y el sistema eléctrico 24

hora de conexión y estado de carga US$15m

▪ Demanda (potencia) EA Technology