Resumen— En este trabajo, se presenta una metodología para la ubicación óptima de estaciones de recarga utilizando cosimulación. El sistema eléctrico se modela en DigSILENT PowerFactory. El algoritmo de optimización se implementa en Matlab. El desafío de este problema es definir una pasarela que permita comunicar Matlab con DigSILENT PowerFactory. Se utiliza Matlab para desarrollar el algoritmo de Ubicación Óptima de Estaciones de Recarga (UOER), pues cuenta con excelentes herramientas que permiten hacer análisis de los datos y desarrollo de algoritmos. La red se implementa en DigSILENT PowerFactory por su excelente análisis en simulaciones de sistemas eléctricos. El algoritmo propuesto, es un algoritmo híbrido conformado por dos criterios donde el primero es el método de búsqueda exhaustiva, el cual evalúa todas las posibles soluciones y escoge la mejor solución entre todas, por otra parte, el segundo criterio se basa en el elitismo, el cual consiste en seleccionar las mejores soluciones, y trasladarlas a la siguiente generación sin ninguna alteración. El algoritmo desarrollado, es un algoritmo heurístico el cual no garantiza que se va a encontrar el óptimo de la solución; sin embargo, se muestra que para casos de estudio el sistema permite encontrar la solución óptima. Con este trabajo, se permitirá en un futuro brindar servicios a cualquier operador de red o entidad que tenga un sistema de distribución, y encontrar la ubicación óptima de estaciones de recarga.

Palabras clave: vehículo eléctrico; co-simulación; algoritmo genético; optimización.

 

---

Abstract—In this paper, a methodology for optimal placement of charging stations using cosimulation is presented. The electrical system is modeled in DigSILENT PowerFactory. The optimization algorithm is implemented in Matlab. The challenge of this problem is to define a gateway to communicate Matlab with DigSILENT PowerFactory. Matlab is used to develop the Optimal Location of Recharging Stations (UOER) algorithm, since it has excellent tools that allow data analysis and algorithm development. The network is implemented in DigSILENT PowerFactory for its excellent analysis in power system simulations. The proposed algorithm is a hybrid algorithm consisting of two criteria where the first is the exhaustive search method, which evaluates all possible solutions and chooses the best solution among all, on the other hand, the second criterion is based on elitism, which is to select the best solutions, and move them to the next generation without any alteration. The algorithm developed is a heuristic algorithm which does not guarantee that the optimal solution will be found; however, it is shown that for study cases the system allows finding the optimal solution. With this work, it will be possible in the future to provide services to any network operator or entity that has a distribution system, and to find the optimal location of recharging stations.

Keywords:electric vehicle; co-simulation; genetic algorithm; optimization.

 

I. INTRODUCCION

 

 

Los vehículos híbridos y eléctricos son considerados como una posible solución para reducir las emisiones contaminantes en el planeta. La masificación de estos vehículos requiere que se desarrollen estaciones de recarga en los centros urbanos y en las residencias de los usuarios. Este trabajo tiene como objetivo proponer un algoritmo que permita encontrar la ubicación óptima de estaciones de recarga de vehículos eléctricos en redes de distribución de energía eléctrica. 

 

Trabajos previos en la Escuela de Ingenierías Eléctrica, Electrónica y de Telecomunicación (E3T) de la Universidad Industrial de Santander han tratado de resolver este problema. Uno de estos es el trabajo desarrollado en el año 2018 por Ardila y Ochoa [1], quienes implementaron un algoritmo genético para encontrar la ubicación óptima de estaciones de recarga. Este trabajo fue desarrollado únicamente en Matlab. Sin ambargo, los operadores de red utilizan software para modelar sistemas de distribución, el más usado en la industria colombiana es DigSILENT PowerFactory.

 

En este trabajo, se busca desarrollar una herramienta para la ubicación óptima de estaciones de recarga utilizando DigSILENT PowerFactory. El algoritmo de optimización se implementa en Matlab. El desafío de este problema es definir una pasarela que permita comunicar Matlab con DigSILENT PowerFactory.

 

Se utiliza Matlab para desarrollar el algoritmo de Ubicación Óptima de Estaciones de Recarga (UOER), pues cuenta con excelentes herramientas que permiten hacer análisis de los datos y desarrollo de algoritmos. La red se implementará en DigSILENT PowerFactory por su excelente análisis en simulaciones de sistemas eléctricos. Con este trabajo, se permitirá en un futuro brindar servicios a cualquier operador de red o entidad que tenga un sistema de distribución, y encontrar la ubicación óptima de estaciones de recarga.

 

 

 

 

Los vehículos eléctricos son particularmente interesantes debido a sus bajas emisiones. Se espera que, este tipo de vehículos sustituya gradualmente a los que funcionan con combustibles fósiles. Este cambio no solo disminuiría la contaminación, sino que aliviaría las preocupaciones de seguridad relacionadas con la extracción, importación y combustión del petróleo [2-4]. Algunos otros beneficios como la menor contaminación acústica, el bajo requisito de mantenimiento, la rentabilidad, su posible uso como recurso energético renovable, entre otros, son distintivos de este tipo de tecnología [5-6]. Debido a esto, el número de VE está aumentando rápidamente, lo que hace que los costes de esta tecnología sean más competitivos [7].

 

El auge de los vehículos eléctricos, ha hecho que la demanda aumente en las redes de distribución. Estas redes están dimensionadas para suplir la demanda de los usuarios. Los vehículos eléctricos vistos desde la red, son semejantes a una batería. Estos vehículos eléctricos tienen diferentes tipos de carga, tal y como se muestra en la figura 1.

 

Figura 1: Tipos de carga de vehículos eléctricos.

Fuente: Guía de movilidad eléctrica para las entidades locales, 2019, p. 16 [8].

 

Las bajas emisiones, la comodidad de la carga y una alta eficiencia de más del 56% se consideran ventajas de los vehículos eléctricos (VE), cuyo mercado está creciendo exponencialmente y se esperaba que fuera de más 20 millones de vehículos en 2021 [9-10]. Sin embargo, la inexistencia o incluso un número limitado de estaciones de recarga de vehículos eléctricos generan una pérdida de interés en los usuarios por adquirir VE [2]. Además, abordar el rápido crecimiento de los VE requiere una cuidadosa planificación para la ubicación de las estaciones de recarga, evitando escenarios como problemas de calidad de la energía o la saturación de la capacidad de la red existente. Es por ello que se hace necesario conocer técnicas para encontrar lugares óptimos para las estaciones de recarga.

 

La conexión de los vehículos eléctricos a la red, también puede ser gestionado medante escenarios de demanda, sea del sector comercial o del sector residencial, estas demandas se representan en las figuras 2 y 3. Los valles en las curvas de las demandas diarias, son la solución para la conexión de los vehículos según los resultados obtenidos por Rangel y Jaimes en el año 2017, en la Universidad Industrial de Santander quienes usaron el software DigSILENT PowerFactory para adelantar el diagnóstico a la red simulada [11].

 

La ubicación óptima de estaciones de recarga en un sistema de distribución suele resolverse minimizando costes, como las inversiones, la operación y el mantenimiento de las estaciones, los costes de las pérdidas de energía en la red, las pérdidas de energía [12-14]. Asimismo, la incertidumbre en la penetración del VE y la variación de los precios de la energía eléctrica pueden integrarse en la formulación del problema [15]. Podrían considerarse las restricciones técnicas relacionadas con el funcionamiento de la red de distribución, así como las restricciones financieras y urbanísticas.

 

Los Algoritmos Genéticos (AG) son un método frecuentemente utilizado para resolver problemas de optimización de localización de estaciones de recarga. Dada una función objetivo, el algoritmo comienza con un conjunto inicial de soluciones aleatorias llamado población inicial, y tras varias iteraciones sucesivas, el algoritmo converge en el mejor individuo que representa la solución óptima del problema de optimización [16-17].

 

Figura 2: Curva de demanda diaria sector residencial estrato 6.

Fuente: Electrificadora de Santander Grupo EPM.

 

Figura 3: Curva de demanda diaria sector comercial.

Fuente: Electrificadora de Santander Grupo EPM.

 

La co-simulación nos ayuda a acoplar los simuladores de flujo de energía y los entornos de tiempo de ejecución, lo que permite sustituir las simulaciones computacionalmente costosas, convirtiendo la ubicación óptima de las estaciones de carga de vehículos eléctricos en un problema más rápido y fácil de resolver [18].

 

a. Cosimulación

 

Las cosimulaciones se implementan para que dos programas de forma separada den solución a un mismo objetivo como ilustrado en las figuras 4, 5 y 6.  El problema de ubicación óptima de estaciones mediante cosimulación Python-PowerFactory se estudia en diferentes trabajos  Las variables eléctricas en la red de distribución se obtienen a partir de PowerFactory porque es un programa versátil en el que se pueden modelar las redes de distribución, y tiene algunas otras ventajas como la simulación de soluciones de redes inteligentes, especialmente si hay muchos recursos distribuidos como EV [19]. Uno de sus principales puntos fuertes es la interacción con otras API de software matemático como Python o MATLAB [20-25].

 

 

 

Figura 4: Comunicación DigSILENT PowerFactory y Matlab.

Fuente: Latif, Shahzad, Palensky & Gawlik, 2015, p. 487 [20].

 

 

Figura 5: Comunicación DigSILENT PowerFactory y Python.

Fuente: Medina, Avella & Rivas, 2018, p. 14931 [6].

 

 

 

 

Fig. 6. Comunicación DigSILENT PowerFactory y Python.

Fuente: Elaboración propia.

 

b. Comunicación Propuesta Matlab-DigSILENT

 

El propósito de usar estos programas juntos, es asociar las ventajas de ambas plataformas para resolver problemas del sistema de una manera más práctica. DigSILENT PowerFactory cuenta con dos tipos de lenguaje para la programación, uno es el lenguaje DPL y el otro que se presenta es el lenguaje de programación de código abierto Python. DPL, es el lenguaje central donde se puede interactuar con los objetos/elementos internos del modelo por medio de funciones, modificando parámetros y variables para luego generar resultados.

 

Los objetos de los comandos DPL se pueden dividir en:

 

• Comandos raíz, que tienen sus propios scripts en la página Script del cuadro de diálogo.

• Comandos de referencia, que utilizan los scripts de comandos remotos DPL adaptando solo parámetros de entrada, salida y objetos externos.

 

Esta información de entrada, se puede evaluar utilizando funciones y variables internas dentro del script. También se pueden usar y ejecutar objetos internos. De esta forma, la comunicación entre DigSILENT PowerFactory y Matlab se hace por medio del comando DPL

 

En la Figura 6, se muestra el procedimiento de comunicación para el caso de estudio de este trabajo. Para la elaboración del código automático de datos, se escribe una parte en Matlab y la otra en el lenguaje de programación DigSILENT (DPL) a través de un script.

 

El intercambio de los datos se realiza utilizando tres archivos .csv: uno para transferir el valor de las cargas de Matlab a DigSilent, el siguiente para transferir los datos obtenidos de DigSilent a Matlab y finalmente la comunicación lectura/escritura entre los dos softwares.

 

El archivo que permite la comunicación actúa como un interruptor que toma los valores 0 y 1. Si el valor del archivo de comunicación es 0, DigSilent lee el archivo que contiene los datos de las cargas, ejecuta comunicación Matlab-DigSilent y escribe el archivo que contiene la información necesaria exportada por DigSilent y Matlab espera. Por otro lado, si el valor del archivo de comunicación es 1, Matlab lee el archivo que contiene la información exportada por DigSilent, ejecuta un script en Matlab y escribe en el archivo que contiene los datos de las cargas y DigSilent espera.

 

Durante este procedimiento, ambos programas escanean y cambian el valor del archivo de comunicación después de que cada uno de ellos termina su trabajo.

 

 

 

 

Se propone un algoritmo hibrido para encontrar la ubicación cuasióptima de k estaciones de recarga en un sistema de n barras. La solución a este problema, si se considera que una barra puede alojar las k estaciones, tiene nk soluciones, h es el número de soluciones posibles en donde no se permite una estación de recarga en el mismo nodo:

 

 

Este problema puede tener un número alto de soluciones. Por ejemplo, para el sistema propuesto en [1], de 33 barras para instalar k estaciones se tendrían una cantidad de soluciones presentada en la figura 7.

 

Figura 7: Numero de soluciones según la cantidad de estaciones.

Fuente: Elaboración propia.

 

a. Algoritmo propuesto

 

En esta sección se presentará un método, que en lugar de evaluar  soluciones, evalúa únicamente m soluciones, donde m se define de la siguiente manera:

 

 

Tomando las dos mejores soluciones por iteración se tendrán l soluciones, donde:

 

 

 

Esta solución es cuasióptima, ya que no se puede garantizar el óptimo de la solución; sin embargo, se quiere mostrar mediante un caso de estudio que se puede estar muy cerca a la solución, o en la solución óptima.

 

En el algoritmo propuesto se va a calcular la ubicación de una única estación en cada iteración; por tal motivo, se tienen tantas iteraciones como estaciones de recargas que se queran ubicar. La figura 6, representa el diagrama de flujo del algoritmo que se propone.

Figura 8: Diagrama de flujo simplificado del algoritmo propuesto.

Fuente: Elaboración propia.

 

Para encontrar la ubicación de la primera estación, se evalúa la función objetivo cuando se ubica la estación en las n posibles barras, la solución óptima muestra la ubicación de la primera estación. Si no se permiten varias estaciones en la misma barra en la iteración i, tendremos n-i posibles barra disponible. Finalmente, se realiza una búsqueda en todas estas posibles barras, asumiendo que las estaciones que ya han sido identificadas se encuentran presentes como cargas en el sistema.

 

El algoritmo propuesto, es un algoritmo híbrido conformado por dos criterios donde el primero es el método de búsqueda exhaustiva, el cual evalúa todas las posibles soluciones y escoge la mejor solución entre todas, por otra parte, el segundo criterio se basa en el elitismo, el cual consiste en seleccionar las mejores soluciones, y trasladarlas a la siguiente generación sin ninguna alteración, garantizando que el algoritmo heurístico no reducirá su calidad de generación.

 

b. Funcionamiento del algoritmo

 

Para encontrar la ubicación de la primera estación de recarga (i=1), se corren n flujos de potencia ubicando la estación en cada una de las n barras disponibles. Esta estación se ubicará en la barra que minimice las pérdidas en el sistema. Además, cuando se va a encontrar la ubicación de la i-ésima estación de recarga (k=i), se corren n-i+1 flujos de potencia ubicando la estación en cada una de las n-i+1 barras disponibles y finalmente la estación se ubicará en la barra que minimice las pérdidas en el sistema.

 

En la primera iteración, se tendrán n barras disponibles, en las cuales se evalúa la ubicación de la estación de recarga en todas las n barras y se determina cuál es la mejor, dependiendo de cuál es la función objetivo definida. Las siguientes iteraciones, donde ya se han ubicado estas estaciones, las barras no se encuentran disponibles, por ejemplo, para un sistema de 9 barras, se busca encontrar la ubicación para 2 estaciones de recarga, las soluciones posibles serían 72. Sin embargo, con este algoritmo solo se tendrían 2 iteraciones.

 

Si se quiere obtener la ubicación óptima de la primera estación, esta se ubica hiipoteticamente en la barra 6. De modo que, para la segunda iteración se buscaría ubicar la segunda estación en las barras disponibles (b1 b2 b3 b4 b5 b7 b8 b9).

 

En la figura 7 se ilustra la solución del ejemplo presentado, considerando que la ubicación se encontraría en las barras 6 y 9.

 

 

Figura 9: Ubicación de la segunda estación, con la primera ya fijada.

Fuente: Elaboración propia.

 

c. Desventajas del algoritmo

 

El algoritmo desarrollado en este trabajo, es un algoritmo heurístico el cual no garantiza que se va a encontrar el óptimo de la solución; sin embargo, en las siguientes secciones se analizara en una red de distribución, si el algoritmo permite encontrar la solución óptima o qué tan lejos se encuentra del óptimo.

 

 

 

 

En esta sección, se presentará el Sistema de Distribución de Energía Eléctrica (SDEE) presentado en el trabajo realizado por Ardila y Ochoa en el año 2018. El anexo presenta la información eléctrica que describe el sistema. En la Figura 10, se observa la topología del sistema.

 

Fig. 10. Diagrama unifilar de la red de media tensión

Fuente: trabajo de grado de Ardila y Ochoa, 2018, p32 [1]

 

d. Función Objetivo

 

La función objetivo está definida por dos modelos de ecuación (3) y (4):

 

 

La ecuación 3, indica la suma de potencias en el sistema para cada iteración, conformada por dos partes:

 

La primera, consiste en la suma de potencia en las barras de todo el sistema, sin la estación de recarga. La segunda, en la suma de potencia de la carga, representada por la estación de recarga, S_i es la ubicación seleccionada por el algoritmo y P_ER es la carga establecida para la estación de recarga.

 

 

 

La ecuación 5, después de haber corrido el flujo de potencia, selecciona el valor mínimo de las pérdidas en las líneas, con la estación de recarga ubicada en cada una de las barras. Donde P_lti son las perdidas en las m líneas totales de cada iteración, ver ecuación 6.

 

En este ejemplo, representado en la ecuación 7, se puede observar una solución para la ubicación de la estación de recarga en la barra 5, donde b es el número de barras del sistema.

 

(7)

e. Restricciones

 

La ecuación 8, nos indica la penalización del sistema, la tensión no puede pasar un 5 % por arriba o por abajo en ninguna de las barras del sistema.

 

 

 

 

 

En este capítulo, se presentan los resultados obtenidos al dar solución a los diferentes escenarios planteados. Los resultados muestran la ubicación de la Estación de Recarga de Vehículos Eléctricos (ERV).

 

Para corroborar el correcto funcionamiento del algoritmo, en el primer escenario se presentan los resultados al ubicar una ERV teniendo en cuenta las pérdidas de potencia. Se encuentra la solución mediante el método de búsqueda exhaustiva y elitismo, en el cual se evalúa cada solución posible en la función objetivo.

 

En las Tablas 1, 2 y 3 se muestran los resultados al elegir solo un individuo como el mejor. Como se puede observar en la tabla 1, el resultado es el esperado, ya que la ERV quedó ubicada en la primera barra, la cual es la más cercana a la subestación y por ende las pérdidas son las menores. Para evitar que la ERV quede ubicada en el mismo nodo, se hace necesario aplicar el criterio del algoritmo junto con las restricciones del modelo matemático. En el caso de dos y tres, como se representa en las tablas 2 y 3.

 

Tabla 1: Ubicación de la primera estación de recarga.

Fuente: Elaboración propia.

 

 

Tabla 2: Ubicación de la segunda estación de recarga.

Fuente: Elaboración propia.

 

 

Tabla 3: Ubicación de la tercera estación de recarga.

 

Fuente: Elaboración propia.

 

 

Tabla 4: Datos del sistema eléctrico.

Fuente: Elaboración propia.

 

 

 

 

Se desarrolló una interfaz de comunicación MatLab – DigSILENT para la solución secuencial de la ubicación optima de una estación de recarga con ayuda de archivos Excel .csv, los cuales permitieron realizar dicha comunicación.

 

Se implementó un algoritmo en Matlab, para la ubicación óptima de estaciones de recarga de vehículos eléctricos en una red de media tensión, con el soporte de DigSILENT para los cálculos eléctricos teniendo en cuenta que la comunicación con Matlab, no está designada por el programa DigSILENT como lo hace con Phyton.

 

Por otra parte, el trabajo permitió desarrollar un script para la modificación de parámetros de un modelo de red en media tensión implementada en DigSILENT PowerFactory. Para ello, se elaboró un archivo Excel en el cual se genera y se extrae la información deseada para dicha modificación. Finalmente, el algoritmo se desarrolló para no solo una ubicación de recarga, sino para encontrar las n estaciones de recarga deseadas.

 

 

 

Los autores agradecen el apoyo financiero otorgado por el proyecto 2435, titulado "Integración óptima de estaciones de recarga de vehículos eléctricos en el sistema de distribución local", por la Vicerrectoría de Investigación y Extensión de la Universidad Industrial de Santander.

 

 

 

 

[1]   Ardila, B. A., y Ochoa, Y. J. (2018). Ubicación óptima de una estación de recarga pública para vehículos eléctricos en una red de distribución de energía eléctrica. [Trabajo de grado] Ingeniería Eléctrica. Universidad Industrial de Santander.

[2]  Cerovsky, Zdenek, and Pavel Mindl. 2011. "Impact of Energy Production Technology on gas emission by Electric Hybrid and Electric Vehicles."  International Journal of Renewable Energy Research (IJRER) 1 (3):118-25.

[3]   Wu, Han, and Dongxiao Niu. 2017. "Study on Influence Factors of Electric Vehicles Charging Station Location Based on ISM and FMICMAC."  Sustainability 9 (4):1-19.

[4]   Sujitha, N., and S. Krithiga. 2019. "Grid tied PV- Electric Vehicle Battery Charger using Bidirectional Converter."  International Journal of Renewable Energy Research (IJRER) 9 (4).

[5]   Shareef, Hussain, Md Mainul Islam, and Azah Mohamed. 2016. "A review of the stage-of-the-art charging technologies, placement methodologies, and impacts of electric vehicles."  Renewable and Sustainable Energy Reviews 64:403-20. doi: https://doi.org/10.1016/j.rser.2016.06.033.

[6]  Moghaddam, Aliosat Akbari, A. Shahrbaf Darvazehnoie, and Ali Delnavaz. 2019. "Estimation of Vehicles Movements as a Sustainable Energy Source in Some Main Roads in Iran."  International Journal of Renewable Energy Research (IJRER) 9 (4).

[7]  Catalbas, M. C., M. Yildirim, A. Gulten, and H. Kurum. 2017. Estimation of optimal locations for electric vehicle charging stations. Paper presented at the 2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I&CPS Europe), 6-9 June 2017.

[8]  Consejería de Economía y Hacienda Comunidad de Madrid. (2019). Guía del Vehículo Eléctrico II. Madrid: Dirección General de Industria, Energía y Minas de la Comunidad de Madrid. 

[9]   Mohsenzadeh, Amin, Samaneh Pazouki, Shahab Ardalan, and Mahmoud Reza Haghifam. 2018. "Optimal placing and sizing of parking lots including different levels of charging stations in electric distribution networks."  International Journal of Ambient Energy 39 (7):743-50.

[10] Pazouki, Samira, and Javad Olamaei. 2019. "The effect of heterogeneous electric vehicles with different battery capacities in parking lots on peak load of electric power distribution networks."  International Journal of Ambient Energy 40 (7):734-8.

[11] Rangel, W. E., y Jaimes, C. L. (2017). Proyección de las redes de distribución eléctricas urbanas de uso residencial ante el escenario de masificación del vehículo eléctrico. [Trabajo de grado] Ingeniería Eléctrica. Universidad Industrial de Santander.

[12] Yenchamchalit, K., Y. Kongjeen, K. Bhumkittipich, and N. Mithulananthan. 2018. Optimal Sizing and Location of the Charging Station for Plug-in Electric Vehicles Using the Particle Swarm Optimization Technique. Paper presented at the 2018 International Electrical Engineering Congress (iEECON), 7-9 March 2018.

[13] Sadeghi-Barzani, Payam, Abbas Rajabi-Ghahnavieh, and Hosein Kazemi-Karegar. 2014. "Optimal fast charging station placing and sizing."  Applied Energy 125:289-99.

[14] Islam, Md Mainul, Hussain Shareef, and Azah Mohamed. 2016. "Optimal siting and sizing of rapid charging station for electric vehicles considering Bangi city road network in Malaysia."  Turkish Journal of Electrical Engineering & Computer Sciences 24:3933-48.

[15] Zheng, Y., Z. Y. Dong, Y. Xu, K. Meng, J. H. Zhao, and J. Qiu. 2014. "Electric Vehicle Battery Charging/Swap Stations in Distribution Systems: Comparison Study and Optimal Planning."  IEEE Transactions on Power Systems 29 (1):221-9.

[16] Sharma, J., and R. S. Singhal. 2015. Comparative research on genetic algorithm, particle swarm optimization and hybrid GA-PSO. Paper presented at the 2015 2nd International Conference on Computing for Sustainable Global Development (INDIACom), 11-13 March 2015.

[17] Efthymiou, Dimitrios, Katerina Chrysostomou, Maria Morfoulaki, and Georgia Aifantopoulou. 2017. "Electric vehicles charging infrastructure location: a genetic algorithm approach."  European Transport Research Review 9 (2).

[18] Lehnhoff, S., O. Nannen, S. Rohjans, F. Schlogl, S. Dalhues, L. Robitzky, U. Hager, and C. Rehtanz. 2015. Exchangeability of power flow simulators in smart grid co-simulations with mosaik. Paper presented at the 2015 Workshop on Modeling and Simulation of Cyber-Physical Energy Systems (MSCPES), 13-13 April 2015.

[19] Garcia-Villalobos, J., I. Zamora, M. Marinelli, P. Eguia, and J. I. San Martin. 2018. "Co-simulation with DIgSILENT PowerFactory and MATLAB: Optimal Integration of Plug-in Electric Vehicles in Distribution Networks." In Advanced Smart Grid Functionalities Based on PowerFactory. Green Energy and Technology, edited by Francisco Gonzalez-Longatt and José Luis Rueda Torres, 67-91. Cham: Springer International Publishing.

[20] Latif, A., Shahzad, M., Palensky, P., & Gawlik, W. (2015). An Alternative PowerFactory Matlab Coupling Approach. IEEE, pp. 486-491.

[21] Mola-Jimenez, J., J. L. Rueda, A. Perilla, W. Da, P. Palensky, and M. van der Meijden. 2018. PowerFactory-Python based assessment of frequency and transient stability in power systems dominated by power electronic interfaced generation. Paper presented at the 2018 Workshop on Modeling and Simulation of Cyber-Physical Energy Systems (MSCPES), 10-10 April 2018.

[22] Deckmyn, C., T. L. Vandoorn, M. Moradzadeh, and L. Vandevelde. 2014. Multi-objective optimization for environomic scheduling in microgrids. Paper presented at the 2014 IEEE PES General Meeting | Conference & Exposition, 27-31 July 2014.

[23] Wonjae, Lee, and Kim Hak-Young. 2005. Genetic algorithm implementation in Python. Paper presented at the Fourth Annual ACIS International Conference on Computer and Information Science (ICIS'05), 14-16 July 2005.

[24] Tabatabaei, M. N., Aghbolaghi, A. J., Boushehri, N. s., & Parast, F. H. (2017). Reactive Power Optimization Using MATLAB and DigSILENT. Chapter 11. Springer International Publishing. pp. 411- 474.

[25] Medina, V. H., Avella, C. A., & Rivas, E. (2018). Management Platform for a VPP in an Electric System base don Python and DIgSILENT. International Journal af Applied Engineeing Research. 13 (21), 14930-14934.