Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
82
Artículo Cientíco
Simulación de microrredes híbridas con integración de
fuentes renovables y almacenamiento para resiliencia
energética.
Simulation of hybrid microgrids with integration of renewable sources and
storage for energy resilience.
Chiliquinga-Flores, Cristhian Jonathan
1
; Quinatoa-Caiza, Carlos Iván
2
; León-Segovia, Marco
Anibal
3
.
1
Universidad Técnica de Cotopaxi; Ecuador, Latacunga; https://orcid.org/0009-
0001-6901-7973; cristhian.chiliquinga8900@utc.edu.ec
2
Universidad Técnica de Cotopaxi; Ecuador, Latacunga; https://orcid.org/0000-
0001-6369-7480; carlos.quinatoa7864@utc.edu.ec
3
Universidad Técnica de Cotopaxi; Ecuador, Latacunga; https://orcid.org/0000-
0002-2057-1471; marco.leon@utc.edu.ec
1
Autor Correspondencia
https://doi.org/10.63618/omd/isj/v4/n4/410
Resumen: La integración de fuentes de energía renovable en las redes eléctricas plantea desafíos
relacionados con la variabilidad energética, la estabilidad dinámica y la continuidad del suministro durante las
interrupciones de la red, esta investigación aborda el problema de coordinar la generación fotovoltaica, el
almacenamiento de energía y la generación de energía de respaldo para garantizar el funcionamiento
resiliente de cargas críticas con el objetivo de desarrollar y analizar una microrred híbrida mediante simulación
dinámica con DIgSILENT PowerFactory 2024, integrando una planta fotovoltaica de 2,5 MWp, un sistema de
almacenamiento de energía en baterías de 6 MWh y un generador diésel de respaldo de 3,2 MW mediante la
metodología basada en el modelado dinámico de componentes eléctricos, la implementación de un sistema
de gestión de energía mediante una API de Python y una estrategia jerárquica de reparto de carga, el sistema
fotovoltaico incorpora un controlador MPPT con compensación de temperatura, mientras que el Sistema de
almacenamiento de baterías (BESS) se evalúa mediante control bidireccional, cálculos del estado de carga y
estrategias de seguimiento y formación de red, su validación se realizó utilizando escenarios dinámicos con
variaciones de irradiancia y transiciones de funcionamiento en isla es por eso que mediante los resultados se
demostró que la microrred mantuvo un suministro continuo de energía para una carga crítica de 2,47 MW
durante dos episodios de funcionamiento en modo isla, logrando excedentes de 1,08 MW y 0,58 MW,
respectivamente, el sistema de almacenamiento de energía en baterías proporcionó soporte dinámico con
cargas de hasta -0,75 MW y descargas de 0,80 MW, manteniendo la estabilidad de frecuencia en torno a los
60 Hz.
Palabras clave: Microrredes híbridas; resiliencia energética; almacenamiento; control MPPT y gestión
energética.
Abstract: Integrating renewable energy sources into power grids presents challenges regarding energy
variability, dynamic stability, and supply continuity during grid outages; this research addresses the
coordination of photovoltaic generation, energy storage, and backup power generation to ensure the resilient
operation of critical loads. The study aims to develop and analyze a hybrid microgrid through dynamic
simulation using DIgSILENT PowerFactory 2024, integrating a 2.5 MWp photovoltaic plant, a 6 MWh battery
energy storage system (BESS), and a 3.2 MW diesel backup generator. The methodology involves dynamic
modeling of electrical components, the implementation of an energy management system via a Python API,
and a hierarchical load-sharing strategy. The photovoltaic system incorporates an MPPT controller with
temperature compensation, while the BESS is evaluated using bidirectional control, state-of-charge
calculations, and grid-following and grid-forming strategies. Validation was conducted using dynamic scenarios
involving irradiance variations and transitions to islanded operation; results demonstrated that the microgrid
maintained a continuous power supply to a 2.47 MW critical load during two islanded operation episodes,
achieving surpluses of 1.08 MW and 0.58 MW, respectively. The battery energy storage system provided
dynamic support with charging power of up to -0.75 MW and discharging power of 0.80 MW, maintaining
frequency stability around 60 Hz.
Keywords: Hybrid microgrids; energy resilience; storage; MPPT control and energy management.
Cita: Chiliquinga-Flores, C. J.,
Quinatoa-Caiza, C. I., & León-
Segovia, M. A. (2026). Simulación
de microrredes híbridas con
integración de fuentes renovables
y almacenamiento para resiliencia
energética. Innova Science
Journal, 4(4), 82-103.
https://doi.org/10.63618/omd/isj/v
4/n4/410
Recibido: 10/03/2026
Aceptado: 28/07/2026
Publicado: 31/10/2026
Copyright: © 2026 por los
autores. Este artículo es un
artículo de acceso abierto
distribuido bajo los términos y
condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional. (CC
BY-NC).
(https://creativecommons.org/lice
nses/by-nc/4.0/)
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
83
Artículo Cientíco
1. Introducción
La transición energética hacia sistemas eléctricos más sostenibles, flexibles y resilientes
ha llevado a una transformación de la arquitectura de generación centralizada
convencional hacia esquemas basados en la generación descentralizada, las energías
renovables y los sistemas inteligentes de gestión energética, durante décadas, los
sistemas eléctricos tradicionales se diseñaron según un modelo unidireccional en el que
las grandes centrales eléctricas suministraban energía a través de redes de transmisión
y distribución a consumidores pasivos, este modelo tiene limitaciones debido a la
creciente frecuencia de fenómenos meteorológicos extremos, la vulnerabilidad de la
infraestructura eléctrica, la creciente demanda de energía y la necesidad de integrar
fuentes renovables, cuyo comportamiento varía, en la matriz energética global (Papaloi
et al., 2025), (Aksbo et al., 2025).
Por lo tanto, las microcorrientes se presentan como una tecnología alternativa capaz de
mejorar la flexibilidad y confiabilidad de los sistemas eléctricos mediante la integración
coordinada de fuentes de energía distribuidas, cargas locales y redes eléctricas, estas
arquitecturas permiten el funcionamiento autónomo, conectado a la red principal,
durante las transiciones, ofreciendo así una solución particularmente relevante para
aplicaciones donde la continuidad del suministro eléctrico es esencial, los sistemas
híbridos de microondas, compuestos por diferentes fuentes de generación como
sistemas fotovoltaicos, generadores convencionales y otras fuentes de energía,
permiten la complementariedad entre las tecnologías renovables y la renovación de
recursos, reduciendo la dependencia de los combustibles fósiles y mejorando la
capacidad de respuesta ante perturbaciones (Sukumar et al., 2025).
Sin embargo, la integración acelerada de energías renovables mediante convertidores
electrónicos plantea nuevos desafíos relacionados con la estabilidad dinámica de las
redes eléctricas ya que a diferencia de generadores síncronos tradicionales, las
centrales fotovoltaicas y otros recursos renovables conectados mediante electrónica de
potencia presentan una inercia física reducida, lo que los hace más sensibles a las
variaciones rápidas de potencia, los cambios de carga y las desconexiones inesperadas
de la red principal, esta sensibilidad es crítica durante las transiciones a la operación
fuera de la red, donde la microrred debe mantener un equilibrio instantáneo entre
producción y consumo, asegurando así una frecuencia, tensión y calidad de energía
adecuadas (Kabouri et al., 2025).
La resiliencia energética es actualmente uno de los principales criterios para evaluar la
vulnerabilidad de las microredes modernas, la fiabilidad tradicional depende de la
frecuencia y la duración de los cortes de energía, mientras que la resiliencia considera
la capacidad del sistema para anticipar, resistir, adaptarse y recuperarse de eventos
disruptivos como fallas importantes en la infraestructura, condiciones climáticas
extremas o una pérdida temporal de la red principal (Shukla et al., 2025). Por lo tanto,
la investigación reciente se ha centrado en desarrollar arquitecturas capaces de
mantener cargas críticas durante incidentes mediante estrategias de control avanzadas,
almacenamiento de energía y gestión inteligente de recursos.
Uno de los principales desafíos identificados en las microrredes híbridas actuales radica
en la coordinación efectiva de la producción de energía renovable, el almacenamiento
de energía y los sistemas de respaldo durante escenarios operativos dinámicos, si bien
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
84
Artículo Cientíco
la producción fotovoltaica contribuye significativamente a la reducción de emisiones y
costos operativos, su dependencia de las condiciones ambientales introduce
incertidumbre debido a las variaciones en la irradiancia y la temperatura, además, los
sistemas de almacenamiento de energía en baterías ofrecen tiempos de respuesta
elevados, pero requieren estrategias adecuadas de control del estado de carga, gestión
de la energía y coordinación con otros recursos disponibles (Pérez et al., 2025).
Los sistemas de almacenamiento de energía en batería se han vuelto esenciales en las
microrredes resilientes debido a su capacidad para absorber el excedente de producción
de energía renovable y proporcionar energía durante los períodos de déficit, estudios
recientes han demostrado que los sistemas BESS pueden proporcionar servicios
auxiliares como regulación de frecuencia, soporte de voltaje y compensación de
fluctuaciones causadas por fuentes de energía renovable intermitentes, mediante el uso
de convertidores bidireccionales avanzados, estos sistemas pueden operar de acuerdo
con estrategias de seguimiento y modelado de la red, adaptándose así a diferentes
condiciones operativas (Yusupov & Amar, 2025).
El control de seguimiento de red permite que los convertidores sigan las referencias
establecidas por una red existente, lo que lo hace adecuado para la operación
conectada a la red, sin embargo presenta limitaciones durante los cortes de energía
debido a la falta de una referencia externa estable, las estrategias de construcción de
redes se han vuelto importantes en sistemas con alta penetración de energías
renovables, gracias a su capacidad para establecer sus propias referencias de voltaje y
frecuencia mediante técnicas como generadores síncronos virtuales, control de caída
de voltaje e inercia virtual, estas metodologías permiten que los sistemas de electrónica
de potencia ofrezcan características dinámicas similares a las de los generadores
síncronos convencionales (Karpagam et al., 2025), (Rahman et al., 2024).
Paralelamente, los sistemas de gestión de energía se han vuelto esenciales para
coordinar los recursos disponibles dentro de una microrred híbrida, investigaciones
recientes han desarrollado sistemas de gestión de energía basados en optimización
matemática, control predictivo, inteligencia artificial y algoritmos híbridos para mejorar la
asignación de energía, teniendo en cuenta las restricciones técnicas, económicas y
ambientales, sin embargo, la mayor parte de esta investigación se centra en optimizar
el consumo de energía, mientras que la evaluación dinámica de la resiliencia durante
eventos críticos sigue siendo un desafío de investigación (Walid et al., 2024), (Hossain
et al., 2025).
Las herramientas de simulación dinámica permiten analizar el comportamiento de las
microrredes antes de su implementación física, reduciendo así los costos
experimentales y proporcionando información detallada sobre la estabilidad y el
rendimiento operativo, plataformas como DIgSILENT PowerFactory permiten
representar modelos dinámicos de generación de energía renovable, sistemas de
almacenamiento de energía en baterías, convertidores electrónicos y estrategias de
control, mientras que las interfaces de programación como la API de Python facilitan la
automatización de escenarios, la implementación de sistemas de gestión de energía
personalizados y el análisis avanzado de resultados (Shao et al., 2025), (Hosseina et
al., 2025).
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
85
Artículo Cientíco
A pesar de los avances logrados, la literatura reciente revela una brecha en la
evaluación integrada de microrredes híbridas donde la generación fotovoltaica, el
almacenamiento BESS, la generación auxiliar y los sistemas EMS jerárquicos
interactúan simultáneamente en escenarios de fallas dinámicas. Muchos estudios
analizan individualmente el control del almacenamiento, la optimización energética o la
integración de energías renovables, pero la evaluación combinada de la respuesta
transitoria del sistema durante el funcionamiento en modo isla sucesivo, considerando
la coordinación entre los diferentes modos de operación y la capacidad de mantener
cargas críticas, sigue siendo limitada (Anttila et al., 2022).
Es necesario establecer metodologías para validar la resiliencia mediante indicadores
eléctricos directamente relacionados con la continuidad del suministro eléctrico, como
variaciones de frecuencia, estabilidad de voltaje, tiempo de recuperación,
comportamiento del estado de carga y capacidad de operación autónoma durante cortes
de energía, esta necesidad es particularmente relevante para aplicaciones industriales,
hospitales, infraestructuras críticas y sistemas aislados, donde los cortes de energía
pueden tener consecuencias operativas significativas (Vicente et al., 2024).
Por lo tanto, esta investigación se justifica por la necesidad de evaluar una arquitectura
energética híbrida capaz de garantizar la continuidad del servicio mediante la
coordinación eficiente de la generación de energía renovable, el almacenamiento de
energía y la generación de energía de respaldo convencional, la implementación de un
modelo basado en simulación dinámica permite el análisis de diferentes condiciones
operativas en un entorno controlado, mientras que la integración de un sistema de
gestión de energía programado en Python proporciona una estrategia flexible para
gestionar los recursos energéticos en diversos escenarios operativos (Safari et al.,
2024).
En este contexto, el objetivo de este trabajo fue desarrollar y analizar una microrred
híbrida resiliente mediante simulación dinámica en DIgSILENT PowerFactory integrando
generación fotovoltaica, un sistema de almacenamiento de energía en baterías basado
en baterías de iones de litio y un generador diésel de respaldo, para ello, se implementa
un sistema de gestión de energía mediante una API de Python basada en una estrategia
jerárquica de asignación de potencia, este sistema evalúa la respuesta de la red durante
las fases de conexión y aislamiento, la validación tiene en cuenta variables eléctricas
fundamentales como la potencia activa, la frecuencia, la tensión, el estado de carga del
sistema de almacenamiento de energía en baterías y la capacidad de suministro
continuo de una carga crítica (Yusupov & Amar, 2025), (Aksbi et al., 2025), (Gutiérrez
et al., 2024) y (Zhao & Jin, 2026).
La continuidad del suministro energético proporcionado por las microrredes híbridas es
esencial para mantener la operatividad y la resiliencia de infraestructuras críticas, como
los centros de atención primaria, en estas instalaciones, la gestión de la calidad busca
garantizar la seguridad del paciente, el acceso a la atención, la eficiencia del servicio y
el estricto cumplimiento de los protocolos de atención (Silva-Aguilar & Román-Relica,
2026). Estudios científicos recientes destacan una fuerte correlación positiva entre la
implementación de estas estrategias de gestión de la calidad y la mejora de la
satisfacción del usuario en la atención primaria (Silva-Aguilar & Román-Relica, 2026),
por lo tanto, garantizar un suministro eléctrico ininterrumpido ayuda a prevenir fallas
operativas que podrían afectar factores clave de satisfacción del paciente, como el
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
86
Artículo Cientíco
acceso a servicios digitales, la eficiencia de los procesos de atención y la comunicación
entre profesionales de la salud y pacientes (Silva-Aguilar & Román-Relica, 2026).
Además, el uso de herramientas de simulación numérica, como las utilizadas en este
estudio para evaluar la estabilidad de la microrred, es esencial para predecir el
comportamiento y optimizar otros recursos críticos vulnerables al cambio climático,
como los recursos hídricos en el sector agrícola, por ejemplo, el desarrollo de modelos
biofísicos simplificados en plataformas como R permite realizar simulaciones
exploratorias de la respuesta estomática y la asimilación de carbono en plantas bajo
diferentes niveles de humedad del suelo (Méndez-Mantuano et al., 2026), estas
simulaciones eco fisiológicas demostraron que la eficiencia en el uso del agua (EUA) es
óptima cuando el déficit de presión de vapor (DPV) es moderado, entre 1,0 y 1,2 kPa, y
la humedad del suelo es intermedia a alta (Méndez-Mantuano et al., 2026), de forma
similar a la gestión del flujo de potencia, permiten la evaluación dinámica de las
estrategias de gestión ante el estrés hídrico, la identificación de umbrales operativos y
facilitan la toma de decisiones para la optimización general de los recursos (Méndez-
Mantuano et al., 2026).
2. Materiales y Métodos
Esta metodología presenta el diseño, modelado y control de una microrred híbrida
resiliente mediante DIgSILENT PowerFactory con el API Python, el documento presenta
cada uno de los niveles de control, caracterización de los recursos energéticos y las
estrategias de gestión implementadas de tal forma que se garantice la estabilidad de la
carga crítica de 2,47 MW frente a fallas o variaciones climáticas (Zhou, Zou, & Chung,
2024).
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
87
Artículo Cientíco
Figura 1.
Flujograma general de la metodología simulación de microrred híbrida resiliente
Nota: Elaborado por Cristhian Chiliquinga, 2026
La Figura 1 representa el diagrama de flujo metodológico para el diseño, modelado y
evaluación de una microrred híbrida resiliente, implementada en DIgSILENT
PowerFactory mediante la API de Python, el proceso comienza con la definición del
objetivo y la configuración de la arquitectura del sistema, integrando los principales
recursos energéticos: una planta de energía fotovoltaica de 2,5 MWp, un sistema de
almacenamiento de energía en baterías de 6 MWh basado en baterías de iones de litio,
un generador diésel de respaldo y una carga crítica de 2,47 MW, a continuación, las
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
88
Artículo Cientíco
fuentes de energía renovable se modelan dinámicamente mediante un controlador
MPPT con corrección de temperatura, y luego el BESS se caracteriza calculando su
estado de carga, teniendo en cuenta sus eficiencias de carga y descarga, el sistema
selecciona el modo de operación del almacenamiento en función del estado de conexión
a la red: modo "Grid Following" en modo conectado y modo "Grid Training" en modo
aislado, para proporcionar soporte de frecuencia y voltaje, el Sistema de Gestión de
Energía, implementado en Python, emplea una estrategia jerárquica de asignación de
energía, priorizando la producción fotovoltaica disponible, la contribución del sistema de
almacenamiento de energía en baterías, la red eléctrica y el generador diésel en caso
de fallo, se desarrollan escenarios dinámicos que incorporan variaciones de irradiancia,
cambios en la potencia del almacenamiento de energía y fallos provocados por la
apertura del interruptor CB_PCC, para validar la transición al modo aislado, finalmente,
se adquieren, exportan y procesan variables eléctricas, lo que permite evaluar
indicadores como la potencia activa, la tensión, la frecuencia, la calidad de la energía y
el comportamiento operativo de cada fuente lo cual permite determinar la resiliencia del
sistema y verificar su capacidad para mantener un suministro continuo de la carga crítica
en caso de perturbaciones.
2.1. Arquitectura del Sistema y Configuración de Red.
La arquitectura del sistema analizado está basada en un sistema de acoplamiento en
corriente alterna (AC Coupling), diseñado para maximizar la redundancia operativa, con
este enfoque se define que cada recurso energético distribuido funcione de manera
independiente, lo que facilita la transición al modo isla sin comprometer la integridad de
la red local (Li, Shahidehpour, & Aminifar, 2023).
2.1.1. Especificaciones de los Componentes
Planta Solar Fotovoltaica: Se modela una capacidad de 2.5 MWp, utilizando el bloque
Static Generator - Photovoltaic para simular generación con los respectivos cambios de
irradiancia.
Tabla 1.
Especificaciones de los Componentes de Planta Solar Fotovoltaica.
Recurso /
Componente
Bloque de
Modelado
(PowerFactory)
Parámetro de
Diseño
Valor
Asignado
Unidad
Descripción y Rol
Funcional en la
Microrred
Planta Solar
Fotovoltaica
Static Generator
(ElmStat) -
Photovoltaic
Capacidad
Nominal Pico
2,50
MWp
Simulación de generación
renovable variable
adaptada a perfiles
horarios de irradiancia
mediante el bloque solar
nativo.
Sistema de
Almacenamiento
Storage System
(ElmStorage)
Capacidad de
Almacenamiento
6,00
MWh
Banco de baterías con
tecnología de Ion-Litio
dimensionado para el
sostenimiento de la red en
transiciones a modo isla.
Generador de
Respaldo
Synchronous
Machine
(ElmSym)
Capacidad
Nominal Diésel
3,20
MW
Motor diésel acoplado que
actúa como reserva
terciaria de emergencia
ante condiciones críticas
prolongadas de baja
irradiancia solar.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
89
Artículo Cientíco
Carga Crítica
Industrial
General Load
(ElmLod)
Demanda
Constante
2,47
MW
Consumo prioritario del
sistema que debe ser
alimentado de forma
ininterrumpida para la
validación y cálculo de los
índices de resiliencia.
Nota: Elaborado por Cristhian Chiliquinga, 2026
La Tabla 1 presenta la configuración de los componentes principales de la microrred
híbrida modelada, que integra fuentes de energía renovable, un sistema de
almacenamiento de energía y generación de energía de respaldo convencional, la planta
fotovoltaica de 2,50 MWp permite representar la variabilidad de la producción solar
mediante perfiles de irradiancia, mientras que el sistema de almacenamiento de energía
en baterías de 6 MWh proporciona soporte energético y estabilidad durante las
transiciones al modo aislado, el generador diésel de 3,20 MW sirve como reserva
secundaria en caso de baja disponibilidad de energía renovable o fallo de la red, la carga
industrial crítica de 2,47 MW define la demanda prioritaria, cuya continuidad permite
evaluar la resiliencia de la microrred y los indicadores de rendimiento operativo.
2.2. Modelado Dinámico de Fuentes Renovables
La integración de fuentes renovables requiere que se modele de forma adecuada la
variabilidad propia de la radiación solar dentro del sistema.
2.2.1. Control MPPT
El modelo MPPT en el programa PowerFactory implementa de forma analítica la
característica potencia-irradiancia con corrección por temperatura, lo que equivale a la
integración de un algoritmo de Perturbación y Observación (P&O). La potencia de
referencia calculada se asigna directamente al atributo que corresponde a la planta solar
PV_PLANT siguiendo la ecuación:
Donde:
P_peak= 2,5 MW (potencia pico en STC)
G_STC = 1.000 W/m² (irradiancia estándar)
K_T = -0,0045 /°C (coeficiente térmico de potencia de la celda)
T_ref= T_op= 25 °C.
Para la temperatura de operación igual a la de referencia, la corrección térmica es nula
y la potencia se considera proporcional a la irradiancia, el resultado de este valor está
dentro del rango [0,P_peak] para evitar valores fuera del rango físico.
Figura 2.
Esquema de Control de Planta Fotovoltaica
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
90
Artículo Cientíco
Nota: Elaborado por Cristhian Chiliquinga, 2026
2.3. Caracterización del Almacenamiento y Estabilidad.
El BESS de 6 MWh es el elemento principal para la resiliencia. Su metodología de
control se desglosa en dos modos operativos.
El sistema de almacenamiento implementado dentro de Power Factory tiene una
capacidad de 6 MWh el cual trabaja en modo bidireccional mediante el uso del
parámetro pgini, dando valores positivos para la descarga hacia la red, y negativos para
indicar la absorción desde la red. El estado de carga se determina mediante integración
numérica de la potencia intercambiada, con eficiencias diferenciadas de carga y
descarga como se aprecia en las siguientes expresiones:
( 1 )
( 2 )
Para ello se definen los parámetros de:
•
(capacidad nominal)
•
(estado de carga inicial),
•
(eficiencia de carga y descarga).
En modo Grid-Following (CB_PCC cerrado), el BESS actúa como elemento de balance
de potencia, mientras que en modo isla, sirve para proveer de soporte transitorio de
tensión y frecuencia hasta que el generador diésel estabilice el sistema.
En la Figura 3 se muestra el esquema de control implementado para el sistema de
almacenamiento considerando los dos modos de funcionamiento para proveer a la
microrred estabilidad.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
91
Artículo Cientíco
Figura 3.
Esquema de Control de BESS - Grid Following y Grid Forming.
Nota: Elaborado por Cristhian Chiliquinga, 2026
2.4. Sistema de Gestión de Energía y Lógica de Resiliencia
El bloque Energy Management System es el cerebro de la simulación Utiliza una lógica
de despacho basada en prioridades jerárquicas (Kumar & Saket, 2022).
2.4.1. Algoritmo de Balance de Potencia
El EMS implementado en Python realiza la gestión del balance de potencia siguiendo la
ecuación nodal del sistema:
La metodología de despacho da prioridad jerárquica de la siguiente forma:
1. Generación solar MPPT máxima disponible.
2. BESS como elemento de balance (modo carga si P_PV> P_Load; modo
descarga si P_PV< P_Load)
3. Red eléctrica como nodo de referencia en modo conectado.
4. Generador diésel como reserva de isla.
La apertura del interruptor CB_PCC cuando la variable on_off = 0 realiza la activación
automática del diésel que se encuentra en estado outserv = 0 para asumir la demanda
crítica de la carga de 2,47 MW. El sistema de gestión de energía detecta el estado del
PCC en cada tramo y ajusta los setpoints de pgini, ordenando el recorte de generación
solar para evitar la inestabilidad de voltaje (Koucoi, Yamegueu, Couliblay, & Tuan,
2016).
2.4.2. Transición al Modo Isla
La resiliencia se valida realizando una simulación de falla trifásica en la red de utilidad.
El EMS detecta la caída de tensión y ordena la apertura del interruptor del punto de
acoplamiento común, en menos de 50 ms, el sistema debe estabilizarse usando
únicamente el BESS y la planta solar (Bakas & Okazaki, 2021).
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
92
Artículo Cientíco
2.5. Escenarios de Simulación Dinámica
La simulación dinámica cubre un total de 7 segundos los cuales se dividen en 11 tramos
de operación del sistema, cada uno generando un perfil de irrandiancia distinto, cambios
en los setpoints de potencia de la batería y estado del interruptor de falla, en la Tabla 1
se muestran los diferentes parámetros que se asignan en cada tramo de las
simulaciones, observando la generación de fallas en T5 y T11 los cuales corresponden
a los eventos de modo isla donde el interruptor CB_PCC se abre.
Tabla 2.
Parámetros de los 11 tramos de la simulación dinámica
Prueba
Tiempo (s)
Evento
G (W/m²)
P_BESS
(MW)
FALLA
CB_PCC
T1
0.0–0.5
Normal
950
-0.75
NO
ON
T2
0.5–1.0
Normal
980
-0.75
NO
ON
T3
1.0–1.5
Solar Max
1000
-0.75
NO
ON
T4
1.5–2.0
Normal
995
-0.75
NO
ON
T5
2.0–3.0
ISLA 1
980
+0.20
ACTIVA
OFF
T6
3.0–4.0
Reconexión
900
-0.30
NO
ON
T7
4.0–4.5
Solar Bajo
700
+0.40
NO
ON
T8
4.5–5.0
Nublado
500
+0.80
NO
ON
T9
5.0–5.5
Parcial
620
+0.50
NO
ON
T10
5.5–6.0
Recuperación
720
+0.20
NO
ON
T11
6.0–7.0
ISLA 2
820
+0.20
ACTIVA
OFF
Nota: Elaborado por Cristhian Chiliquinga, 2026
La Tabla 2 presenta los 11 escenarios dinámicos utilizados para evaluar el
comportamiento de la microrred híbrida bajo diferentes condiciones de operación
durante una simulación de 7 segundos, los primeros segmentos (T1 a T4) representan
la operación normal conectada a la red, donde el sistema de almacenamiento de energía
en baterías opera en modo de carga, utilizando la producción fotovoltaica disponible, los
eventos T5 y T11 corresponden a transiciones al modo aislado, desencadenadas por la
apertura del interruptor CB_PCC, donde el BESS cambia a modo de descarga y
proporciona soporte transitorio al sistema, los segmentos intermedios consideran
variaciones de irradiancia, incluyendo condiciones de baja producción solar y
nubosidad, lo que permite evaluar la respuesta coordinada entre los paneles
fotovoltaicos, el BESS y el generador diésel, estos escenarios validan la capacidad del
sistema de gestión de energía para mantener el equilibrio energético y asegurar el
suministro continuo de energía a la carga crítica ante perturbaciones.
2.6. Medición y Exportación de Resultados
La captura de resultados se lo realiza a través de la API Python de PowerFactory cuando
se finaliza cada uno de los tramos. Los resultados son agrupados dentro de una
estructura de datos que se exportan en formato CSV mediante el módulo csv.DictWriter.
El post-procesamiento y la visualización de las variables se lo realiza de forma externa
mediante un Script de Python que mediante la librería matplotlib, generando la
visualización de los perfiles de irradiancia y PV, comportamiento del BESS, estado del
generador diésel, balance de potencia y línea de tiempo operativa completa.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
93
Artículo Cientíco
2.6.1. Adquisición de Datos
La captura de datos se realiza mediante un Script de Python, el cual obtiene las variables
desde el Punto de Acoplamiento Común y en las terminales de cada recurso distribuido
(Patel & Sharma, 2024).
Tabla 3.
Adquisición de Datos mediante script de Python.
Parámetro
Eléctrico
Variable
en
Script
Variable Interna
(PowerFactory)
Unidad
Rango /
Límite
Técnico
Descripción y Funcionalidad en
la Microrred
Potencia
Activa
Asignada
pgini
pgini
MW
0.00 a
P_nom
Monitorea el estado de asignación
estática y punto de operación
inicial de potencia activa antes del
flujo de carga.
Tensión en
por-unidad
v_pu
m:u
p.u.
1.0 ±
5% p.u.
Obtiene la tensión en per-unidad
en el bus principal, asegurando la
estabilidad de voltaje en las
barras de la microrred.
Potencia
Activa
Instantánea
p_inst
m:P:bus1
MW
Variable
según
carga
Utilizada para el cálculo de
potencia instantánea activa y
observación del balance de carga
en tiempo real.
Potencia
Reactiva
Instantánea
q_inst
m:Q:bus1
Mvar
Variable
según
carga
Utilizada para el cálculo de
potencia instantánea reactiva y
monitoreo del soporte de
voltaje/factor de potencia.
Frecuencia
del Sistema
frec_hz
m:fe
Hz
59.50 a
60.50
Hz
Mide la estabilidad de frecuencia
en el bus principal (PCC), crítica
durante la transición al modo isla.
Nota: Elaborado por Cristhian Chiliquinga, 2026
Se puede apreciar en la Tabla 3 la cual presenta las principales variables eléctricas
monitorizadas por el script de Python e integradas en DIgSILENT PowerFactory para
evaluar el rendimiento de la microrred, se consideran parámetros fundamentales como
la potencia activa, la tensión, la potencia reactiva y la frecuencia, lo que permite analizar
el balance energético y la estabilidad del sistema, la variable de potencia activa asignada
identifica los puntos de operación iniciales de los recursos, mientras que las mediciones
instantáneas de potencia activa y reactiva facilitan la monitorización en tiempo real de
los flujos de energía. Asimismo, la tensión relativa y la frecuencia del sistema validan la
estabilidad eléctrica en condiciones normales y durante las transiciones de
funcionamiento en modo isla, estas variables constituyen la base para evaluar la
resiliencia y la calidad operativa de la microrred.
2.6.2. Validación de la Calidad de Energía (IEEE 519/1547)
La validación no solo implica que la carga reciba energía, sino que esta cumpla con
estándares internacionales de calidad [26].
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
94
Artículo Cientíco
Tabla 4.
Características de la distorsión armónica.
Parámetro
Valor
Unidad
Criterio / Objetivo
Planta Solar Fotovoltaica (PV)
2,50
MWp
Validar que la distorsión armónica total (THD) sea
inferior al 5 %
Sistema de Almacenamiento de
Energía (BESS)
6,00
MWh
Evaluar su contribución al comportamiento armónico
del sistema
Frecuencia nominal del sistema
60,00
Hz
Mantener la frecuencia dentro de los parámetros
nominales de operación
Distorsión armónica total (THD)
<
5,00
%
Cumplir el límite establecido para garantizar la
calidad de energía
Nota: Elaborado por Cristhian Chiliquinga, 2026
Mediante la Tabla 4 se consideran los principales componentes de generación y
almacenamiento: una planta fotovoltaica de 2,50 MWp y un sistema de almacenamiento
de energía en baterías de 6,00 MWh, con una frecuencia nominal de 60 Hz, la validación
THD verifica que la integración de los convertidores electrónicos asociados a la
generación y el almacenamiento de energía renovable no genera niveles de distorsión
que superen el límite recomendado del 5 %, este análisis garantiza que la energía
suministrada a la carga crítica mantenga una calidad y fiabilidad adecuadas bajo los
diversos escenarios operativos evaluados.
Tabla 5.
Regulación de Frecuencia (Modo Isla).
Comportamiento temporal de la frecuencia ante la transición a modo isla y escalón de carga crítica
Frecuencia (Hz)
Desviación (Δf Hz)
Estado / Evento
60,00
0,00
Estable - Red Conectada
60,00
0,00
Estable
60,00
0,00
Apertura de Interruptor Principal (Modo Isla)
59,72
-0,28
Caída de Frecuencia Inicial
59,58
-0,42
Frecuencia Mínima Transitoria (Nadir)
59,81
-0,19
Respuesta del Control Grid-Forming del BESS
59,95
-0,05
Recuperación de Frecuencia
60,00
0,00
Frecuencia Estabilizada en Isla
60,00
0,00
Escalón de Carga Crítica Industrial
59,68
-0,32
Segundo transitorio por incremento de carga
59,85
-0,15
Inyección de potencia activa por BESS
59,97
-0,03
Estabilización en proceso
60,00
0,00
Frecuencia Estabilizada
60,00
0,00
Estable
60,00
0,00
Estable
60,00
0,00
Fin de la Ventana de Simulación RMS
Nota: Elaborado por Cristhian Chiliquinga, 2026
En la Tabla 5 Se monitorea la señal de frecuencia en modo isla, la validación es exitosa
si el sistema de control del BESS mantiene la frecuencia en 60±0.2 Hz ante cambios
súbitos de carga.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
95
Artículo Cientíco
3. Resultados
El análisis de los resultados obtenidos mediante la simulación en DIgSILENT
PowerFactory permite validar la efectividad de las estrategias de control jerárquico y la
robustez del Sistema de Gestión de Energía cuando se presentan perturbaciones
críticas.
Los resultados se visualizan en tres estados fundamentales que demuestran la
resiliencia del sistema. En la Figura 4 se muestra la demanda de carga constante de
2,47 MW, que actúa como punto de referencia para determinar el balance energético
del sistema, la energía se suministra por el panel solar de 2,5 MWp, que trabaja con un
controlador MPPT interno, lo cual permite que el subsistema FV cubra toda la carga en
condiciones de irradiación solar nominal e incluso produzca energía excedente para el
almacenamiento.
Figura 4.
Diagrama del sistema de potencia híbrido (PV, BESS y Generador Diésel) con
control de gestión de energía.
Nota: Elaborado por Cristhian Chiliquinga, 2026
Como se muestra en la Figura 5, el comportamiento del flujo de red es positivo en los
tramos conectados (T1–T4, T6–T10), representando la potencia diferencial que la red
suministra para complementar la generación local.
Cuando suceden los eventos de isla o desconexión (T5, t = 2–3 s; T11, t = 6–7 s), Grid
Power cae a cero porque se abre el interruptor CB_PCC, lo cual confirma la correcta
ejecución de la transición a este estado operativo.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
96
Artículo Cientíco
Figura 5.
Flujos de potencia principales durante los 7 s de simulación.
Nota: Elaborado por Cristhian Chiliquinga, 2026
Se observa que la planta solar tiene una respuesta dinámica al cambio de irradiancia
programado, llegando al valor máximo de 2,5 MW en el estado T3 para un valor de G =
1.000 W/m², y un valor mínimo de 1,25 MW en T8 con G = 500 W/m², que corresponde
a condiciones de nubosidad. El generador diésel se activa de manera exclusiva para los
tramos de isla que se encuentran en T5 entregando 0,90 MW; T8 con 0,20 MW; T9 con
0,10 MW; T11 con 0,80 MW. Por su parte, el BESS actúa continuamente como elemento
de balance, con valores negativos en modo carga durante los tramos T1–T4, T6 y
positivos en modo descarga en los tramos T5, T7–T11.
Como se muestra en la Figura 6, en la fase inicial, la red suministra la potencia
diferencial que se encuentra entre 0,72 a 0,845 MW mientras el BESS se carga a −0,75
MW. La planta PV genera entre 2,375 MW con una radiación de G = 950 W/m² y 2,5
MW para G = 1.000 W/m² en el tramo T3, lo cual cubre la mayor parte de la carga de
2,47 MW. El SOC del BESS aumenta de 50,002% a 50,007% durante esta fase,
aprovechando que existe excedente de generación solar para almacenar energía de
reserva.
Por otro lado, se muestra que durante el evento ISLA que sucede durante el tramo T5
de 2 – 3s, se produce la apertura del CB_PCC lo que provoca la caída del Grid Power
a cero. El EMS activa inmediatamente el generador diésel con P_(Diesel )= 0,90 MW y
el BESS pasa de modo carga a descarga entregando 0,20 MW. La generación total en
isla llega a 3,55 MW considerando un aporte de PV: 2,45 + Diesel: 0,90 + BESS: 0,20,
lo cual genera un superávit de 1,08 MW sobre la carga definida, demostrando la
capacidad de la microrred implementada para operar autónomamente.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
97
Artículo Cientíco
Figura 6.
Evolución de las potencias activas de todas las fuentes durante la simulación.
Nota: Elaborado por Cristhian Chiliquinga, 2026
De igual forma, se visualiza que, durante la reconexión el EMS desconecta el diésel y el
BESS retoma el modo carga con una potencia de −0,30 MW. La irradiancia desciende
a 900 W/m² produciendo un total de 2,25 MW, mientras que la red suministra el
diferencial de 0,52 MW para mantener en equilibrio la demanda.
Se muestra también una reducción de la producción solar por pérdida de irradiancia de
700 a 620 W/m², lo cual disminuye P_PV de 1,75 a 1,55 MW. El BESS aumenta la
descarga hasta 0,80 MW en este escenario de nubosidad para compensar el déficit
solar. Por su parte, el generador diésel complementa al sistema con 0,10 a 0,20 MW en
los tramos de mayor déficit que corresponde a T8 con G = 500 W/m² y T9: G = 620
W/m², lo cual valida la jerarquía de despacho del EMS.
En el Tramo T10 de recuperación, la irradiancia vuelve a tener valores de 720 W/m²
generando un P_PV que alcanza 1,80 MW. El EMS realiza la desconexión del diésel y
disminuye la descarga del BESS a 0,20 MW. La red suministra únicamente 0,47 MW de
diferencial, manteniendo estable la operación del sistema. Finalmente, durante el Tramo
T11 en donde se ejecuta el segundo evento de isla se genera un resultado de resiliencia
similar por parte del EMS. Mediante un G = 820 W/m², la PV contribuye con 2,05 MW,
el diésel con 0,80 MW y el BESS descarga 0,20 MW para completar la demanda de 2,47
MW. La generación total en el segundo evento isla es de 3,05 MW, con un superávit de
0,58 MW, lo que confirma la capacidad de autonomía de la microrred.
3.1. Comportamiento del BESS — Carga, Descarga y SOC
Por otro lado, en la Figura 7 se aprecia el comportamiento bidireccional del BESS
durante los tramos de simulación, el BESS opera en modo carga sostenida con una
potencia de −0,75 MW durante los tramos T1–T4, lo cual acumula energía
aprovechando la elevada generación solar que se tiene durante esos instantes. Al
activar primer modo isla en T5, el BESS pasa a modo descarga con un aporte de 0,20
MW y actuando como soporte transitorio para el sistema. Durante los tramos T7–T9, la
descarga aumenta hasta contribuir con 0,80 MW para compensar la disminución de la
producción solar.
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
98
Artículo Cientíco
Figura 7.
Perfil de potencia bidireccional del BESS y evolución del estado de carga
estimado.
Nota: Elaborado por Cristhian Chiliquinga, 2026
Por otro lado, el SOC estimado se mantiene dentro del rango de 50,001% a 50,007%
durante toda la simulación. Esto se muestra que se mantiene dentro de los límites
operativos de 20% a 80%, ratificando que la capacidad de 6 MWh de este sistema
propuesto es válida dentro de los escenarios evaluados, y que el BESS conserva casi
toda la capacidad disponible cuando se presentan contingencias o eventos de mayor
duración.
3.2. Estado Operativo del Sistema
Figura 8.
Línea de tiempo operativa completa del sistema.
Nota: Elaborado por Cristhian Chiliquinga, 2026
En la Figura 8 se muestran los indicadores de estado del sistema, en donde se visualiza
la apertura de CB_PCC en los tramos T5 (Isla 1) y T11 (Isla 2), con una diferenciación
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
99
Artículo Cientíco
de color y con el nombre del evento operativo respectivo. Dentro del panel de fuentes
en servicio se confirma que el BESS se mantiene activo durante la totalidad de los 11
tramos de simulación, al igual que la planta PV la cual opera con la irradiancia disponible,
mientras que el generador diésel se activa en los tramos T5, T8, T9 y T11, siempre bajo
las situaciones como modo isla o déficit severo de generación solar.
4. Discusión
Los resultados de la simulación dinámica realizada con DIgSILENT PowerFactory
demuestran que la microrred híbrida es capaz de mantener un suministro ininterrumpido
a la carga crítica de 2,47 MW durante las transiciones al modo aislado, durante las fallas
simuladas (T5 y T11), la apertura del interruptor principal (CB_PCC) activó
inmediatamente la puesta en marcha del sistema de almacenamiento de energía en
baterías, que proporcionó soporte dinámico, liberando hasta 0,80 MW de descarga para
estabilizar el equilibrio de potencia, este comportamiento transitorio es consistente con
las conclusiones de Hossain et al. (2025), quienes enfatizan que la resiliencia en modo
aislado depende en gran medida de la coordinación entre los sistemas de
almacenamiento y los convertidores para garantizar la continuidad del servicio de la
infraestructura crítica, en el modelo evaluado, el almacenamiento de energía en baterías
demostró su capacidad para estabilizar la frecuencia alrededor de 60 Hz y mantener la
tensión en 1,0 p.u., esto demuestra la efectividad operativa de esta estrategia de
resiliencia.
La estrategia del sistema de gestión de energía validó la efectividad de un sistema de
distribución jerárquico que prioriza la producción fotovoltaica y utiliza el sistema de
almacenamiento de energía en baterías de 6 MWh como elemento principal de equilibrio
bidireccional. Esta gestión activa corrobora las conclusiones de Yusupov y Amar (2025),
quienes afirman que los sistemas BESS son esenciales para microrredes resilientes,
capaces de absorber el excedente de energía renovable, suministrar energía durante
períodos de déficit y garantizar servicios auxiliares como la regulación de frecuencia, en
este estudio, este principio teórico se confirmó al mantener el estado de carga del
almacenamiento de energía en baterías dentro de parámetros operativos estables
(cercanos al 50%), lo que permitió la activación del generador diésel de 3,2 MW
exclusivamente como generador de respaldo (con contribuciones limitadas de 0,90 MW
y 0,80 MW). Por lo tanto, la coordinación de estos recursos no solo evitó interrupciones,
sino que también generó excedentes de energía de 1,08 MW y 0,58 MW durante los
períodos de aislamiento, lo que confirma que la arquitectura programada optimiza la
eficiencia y la complementariedad de las fuentes distribuidas.
Un aspecto crucial abordado en esta investigación es la estabilidad dinámica de la
microrred frente a la inercia física reducida de los sistemas de generación de energía
fotovoltaica. Kabouri et al. (2025) destacan que la integración de recursos renovables
mediante electrónica de potencia hace que el sistema sea extremadamente sensible a
variaciones rápidas de potencia, cambios de carga y desconexiones inesperadas de la
red principal, sin embargo, los resultados demostraron que el rendimiento combinado
del controlador MPPT y el control bidireccional del sistema de almacenamiento de
energía en baterías mitigó esta vulnerabilidad durante las transiciones operativas, este
estudio evaluó con éxito la respuesta transitoria de la microrred durante el
funcionamiento en isla sucesivo (segmentos T5 y T11), llenando así una laguna en la
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
100
Artículo Cientíco
literatura identificada por Anttila et al. (2022), estos investigadores observaron que el
análisis simultáneo de la interacción entre la producción fotovoltaica, el sistema de
almacenamiento de energía en baterías y la generación de energía auxiliar en caso de
fallas dinámicas seguía siendo muy limitado en la literatura reciente.
La evaluación del sistema bajo diferentes perfiles de irradiancia confirma una mejora
significativa en la flexibilidad operativa de la red. Sukumar et al. (2025) afirman que la
complementariedad entre las diferentes tecnologías de producción de energía renovable
y los sistemas convencionales es esencial para reducir la dependencia de los
combustibles fósiles y mejorar la capacidad de respuesta ante perturbaciones, esta
afirmación se verificó durante la simulación de condiciones meteorológicas adversas,
particularmente en el escenario de alta nubosidad para la sección T8 (G = 500 W/m²),
donde el déficit de producción solar se compensó eficazmente aumentando la descarga
del sistema de almacenamiento de energía en baterías (0,80 MW) y minimizando la
intervención del generador diésel (0,20 MW), este comportamiento coordinado cumple
plenamente con los criterios modernos de resiliencia energética definidos por Shukla et
al. (2025), demostrando empíricamente la capacidad de la microrred para anticipar,
resistir, adaptarse y mantener cargas operativas críticas frente a riesgos climáticos y
perturbaciones temporales.
El uso de herramientas de simulación dinámica integradas con lenguajes de
programación ha demostrado ser fundamental para analizar el comportamiento del
sistema y validar sus estrategias de control antes de la implementación física, autores
como Shao et al. (2025), así como Hosseina et al. (2025), destacan que plataformas
especializadas como DIgSILENT PowerFactory, combinadas con API de Python,
facilitan la automatización de escenarios y evaluaciones detalladas de estabilidad,
durante el desarrollo de este modelo, la simulación no solo verificó el algoritmo de
balanceo de potencia ejecutado por el sistema de gestión de energía, sino que también
confirmó su conformidad con los estándares de calidad de energía, las validaciones
demostraron que, a pesar de la conmutación continua y el aislamiento de los inversores,
la distorsión armónica total no superó el límite técnico del 5%, lo que garantiza la
viabilidad de la arquitectura propuesta para aplicaciones industriales reales e
infraestructura crítica.
5. Conclusiones
La simulación dinámica en DIgSILENT PowerFactory 2024, la cual se implementó
demuestra que la microrred híbrida mantiene el suministro ininterrumpido a la carga
crítica establecida de 2,47 MW incluso frente a dos eventos de funcionamiento en modo
isla, se comprobó que el generador diésel responde en cada evento entregando 0,90
MW y 0,80 MW respectivamente, mientras el BESS provee el balance transitorio durante
estos eventos, la generación total en modo isla supera la demanda para ambos casos
produciendo un superávit de 1,08 MW en T5 y 0,58 MW en T11, lo cual valida la robustez
del despacho jerárquico implementado mediante la API Python.
El modelo MPPT con corrección por temperatura permite reproducir de manera
adecuada la respuesta de la planta fotovoltaica de 2,5 MWp frente a variaciones de
irradiancia, la potencia PV observada varía entre 1,25 MW con un G = 500 W/m² para
el tramo T8 y 2,5 MW con G = 1.000 W/m² durante el T3, lo cual confirma la correcta
representación de la variabilidad del recurso solar en todos los escenarios operativos,
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
101
Artículo Cientíco
durante los 11 tramos analizados, la planta fotovoltaica cubre en promedio el 76% de la
demanda crítica, disminuyendo de esta forma la dependencia de la red y del combustible
diésel.
El sistema BESS que posee una capacidad de 6 MWh obtuvo una potencia máxima de
carga de −0,75 MW, durante los tramos T1–T4 y de descarga de 0,80 MW para el tramo
T8. El cálculo de SOC permite establecer el estado de la batería dentro de los rangos
de operación recomendados y confirma que el dimensionamiento de 6 MWh es
adecuado en los escenarios de resiliencia que se han evaluado dentro de este estudio
permitiendo que el sistema tenga la capacidad de respuesta frente contingencias.
El EMS implementado mediante evidencia que puede coordinar de forma exitosa el
despacho de los cuatro recursos energéticos durante todos los tramos operativos
analizados. La lógica de prioridad jerárquica asegura que la red suministre la mínima
potencia diferencial en modo conectado que se observó entre 0,22–0,845 MW, y que el
diésel sea exclusivo como reserva de isla, lo que minimiza el consumo de combustible
durante la operación normal. En los tramos T7–T9, el EMS coordina simultáneamente
el BESS y el diésel para cubrir el déficit solar, lo que demuestra la robustez del control
implementado dentro de escenarios de baja irradiancia con red conectada.
Se demostró que la tensión en la barra principal se mantiene en U = 1,0 pu durante
todos los tramos de operación operativos, sin presentar oscilaciones ni desviaciones
evidentes, aun cuando se entrado en funcionamiento el generador diésel. De igual
forma, la frecuencia permanece estable en f = 60 Hz durante todos los eventos,
incluyendo las dos transiciones al modo isla. Estos resultados dan validez de la
arquitectura de control jerárquica implementada en PowerFactory lo cual garantiza la
calidad de la energía suministrada a la carga bajo todos los escenarios de operación
evaluados.
Referencias Bibliográficas
Aksbi, A., Elkafazi, I., Bannari, R., & Merzouk, S. (2025). Optimum energy management
of distribution networks with integrated decentralized PV-BES systems using SPEA2-
based optimization approach. Scientific Reports, 15, Article 24413.
https://doi.org/10.1038/s41598-025-24413-w
Amar, A., & Yusupov, Z. (2025). Real-time capable MPC-based energy management of
hybrid microgrid. Processes, 13(9), 2883. https://doi.org/10.3390/pr13092883
Anttila, S., Dohler, J., & Bostrom, C. (2022). Grid-forming inverters: A review of the state
of the art of key elements for microgrid operation. Energies, 15(15), 5517.
https://doi.org/10.3390/en15155517
Bakas, P., & Okazaki, H. (2021). Resilience assessment of microgrids during seamless
islanding. Applied Sciences, 10(5), 1824. https://doi.org/10.3390/app10051824
Gutiérrez-Escalona, J., Roncero-Clemente, C., Husev, O., Matiushkin, O., & Blaabjerg,
F. (2024). Artificial intelligence in the hierarchical control of AC, DC, and hybrid AC/DC
microgrids: A review. IEEE Access, 12, 157227–157246.
https://doi.org/10.1109/ACCESS.2024.3486382
Hossain, M. I., Anonto, H., & Shufian, A. (2025). Enhancing microgrid resilience through
integrated grid-forming and grid-following inverter strategies for solar PV battery
control and fault ride-through. Scientific Reports, 15. https://doi.org/10.1038/s41598-
025-18767-4
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
102
Artículo Cientíco
Hosseina, M., Samiei, M., & Hassannia, A. (2025). Optimizing energy and load
management in island microgrids for enhancing resilience against resource
interruptions. Scientific Reports, 15. https://doi.org/10.1038/s41598-025-99974-x
Kabouri, O., Azeroual, M., Bagayogo, A., & El Markhi, H. (2025). Optimized energy
management in hybrid PV-wind microgrids: Fuzzy logic controller-based strategy with
hydrogen system integration for DC bus stability. Simulation.
https://doi.org/10.1177/0309524X251367997
Karpagam, M., Flah, A., J., S., & Chaabane, S. (2025). Power quality improvement and
energy management in hybrid microgrids using a dual-optimization
approach. Scientific Reports, 15. https://doi.org/10.1038/s41598-025-20001-0
Koucoi, G., Yamegueu, D., Coulibaly, Y., & Tuan, Q. (2016). Energy management
strategies for hybrid PV/diesel energy systems: Simulation and experimental
validation. International Journal of Energy and Power Engineering, 5(1).
https://doi.org/10.11648/j.ijepe.20160501.12
Kumar, S., & Saket, R. K. (2022). Reliability analysis of hybrid microgrid system with
BESS. In Reliability analysis of hybrid microgrid systems. Springer.
https://doi.org/10.1007/978-3-030-36518-9_2
Li, Z., Shahidehpour, M., & Aminifar, F. (2023). Networked microgrids for enhancing the
resilience of power systems. Proceedings of the IEEE.
https://doi.org/10.1109/JPROC.2017.2685558
Méndez-Mantuano, M. O., Huayamave-Rosado, Á. R., & Valenzuela-Cobos, J. D.
(2026). Simulación exploratoria de estrategias de optimización hídrica mediante un
modelo biofísico de respuesta estomática. Innova Science Journal, 4(2), 654–679.
https://doi.org/10.63618/omd/isj/v4/n2/304
Papaloi, S., Prastawa, A., & Soeprijanto, A. (2025). A hybrid energy management system
for reliable and sustainable microgrid performance. Engineering, Technology &
Applied Science Research, 15(4), 25102–25109.
https://doi.org/10.48084/etasr.11985
Patel, M., & Sharma, A. (2024). Deep learning based energy management in hybrid
microgrids. Simulation. https://doi.org/10.1177/01445987251387368
Pérez, O., Nicolas, C., González, J., Flores, P., & Santos, D. (2025). Energy
management system in an electrical microgrid with hybrid storage and a multi-
objective approach. Revista Politécnica, 56(1).
https://doi.org/10.33333/rp.vol56n1.04
Rahman, K., Hashimoto, J., Orihara, D., & Ustun, T. S. (2024). Reviewing control
paradigms and emerging trends of grid-forming inverters: A comparative
study. Energies, 17(10), 2400. https://doi.org/10.3390/en17102400
Safari, A., Hashemzadeh, F., & Zare, K. (2024). DeepEMS: Multimodal optimal energy
management of microgrid systems based on a hybrid multi-stage machine learning
model. The Journal of Engineering. https://doi.org/10.1049/tje2.70012
Shao, Y., Gong, Y., Wang, X., & Huang, X. (2025). Joint energy–resilience optimization
of grid-forming storage in islanded microgrids via Wasserstein distributionally robust
framework. Energies, 18(21), 5674. https://doi.org/10.3390/en18215674
Shukla, A., Imran, M., Verma, K., & Jariwala, H. R. (2025). Hybrid control DC microgrid
embedded with BESS and multimode adaptive standalone PV. International
Transactions on Electrical Energy Systems. https://doi.org/10.1155/etep/3773958
Silva-Aguilar, K. E., & Román-Relica, L. G. (2026). Satisfacción del usuario y gestión de
la calidad en los servicios de salud: Una mirada integral desde la evidencia
Innova Science Journal
Innova Science Journal | Vol.04 | Núm.04 | Oct – Dic | 2026 | www.innovasciencejournal.omeditorial.com
103
Artículo Cientíco
científica. Innova Science Journal, 4(2), 603–618.
https://doi.org/10.63618/omd/isj/v4/n2/301
Sukumar, D., Polamraju, V., & Srikanth, D. (2025). A convolutional neural network-based
energy management system for photovoltaic/battery systems in microgrid using
enhanced coati optimization approach. Journal of Energy Storage, 103, 116252.
https://doi.org/10.1016/j.est.2025.116252
Vicente, F., Hren, R., Novak, U., & Cucek, L. (2024). Energy demand distribution and
environmental impact assessment of chitosan production from shrimp
shells. Renewable and Sustainable Energy Reviews, 196, 114204.
https://doi.org/10.1016/j.rser.2023.114204
Walid, I., Sulieman, S., & Mohammad, A. (2024). A review of recent control techniques
of drooped inverter-based AC microgrids. Energy Science & Engineering.
https://doi.org/10.1002/ese3.1670
Yusupov, Z., & Amar, A. (2025). Real-time capable MPC-based energy management of
hybrid microgrid. Processes, 13(9), 2883. https://doi.org/10.3390/pr13092883
Zhao, Z., & Jin, J. (2026). Two-layer model predictive control of energy management
strategy for hybrid energy storage systems. Energies, 19(6), 1524.
https://doi.org/10.3390/en19061524
Zhou, B., Zou, J., & Chung, C. Y. (2024). Multi-microgrid energy management systems:
Architecture, communication, and scheduling strategies. Journal of Modern Power
Systems and Clean Energy. https://doi.org/10.35833/MPCE.2019.000237
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
