PlaneamientoPerdidas PDF

PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN CON INCERTIDUMBRE EN LA DEMANDA E INCORPORANDO PRDIDAS USANDO BSQUEDA TAB
AUGUSTO CSAR RUEDA MEDINA
UNIVERSIDAD TECNOLGICA DE PEREIRA MAESTRA EN INGENIERA ELCTRICA PLANEAMIENTO DE SISTEMAS ELCTRICOS DE POTENCIA PEREIRA 2008
PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN CON INCERTIDUMBRE EN LA DEMANDA E INCORPORANDO PRDIDAS USANDO BSQUEDA TAB
Trabajo de Grado para Optar al Ttulo de Magster en Ingeniera Elctrica
AUGUSTO CSAR RUEDA MEDINA
Director M. Sc. ANTONIO HERNANDO ESCOBAR ZULUAGA
UNIVERSIDAD TECNOLGICA DE PEREIRA MAESTRA EN INGENIERA ELCTRICA PLANEAMIENTO DE SISTEMAS ELCTRICOS DE POTENCIA PEREIRA 2008
Calificacin: ______________________
____________________________ M. Sc. Alberto Ocampo V. Presidente del Jurado.
___________________________ M. Sc. Alejandro Garcs Ruiz Jurado.
___________________________ M. Sc. Carlos Alberto Ros Porras Jurado.
___________________________ M. Sc. Antonio H. Escobar Zuluaga Director.
A Dios. A mi madre Emelia, mi padre Alfredo, mi hermana Luisa, mi sobrina Valentina y mi novia Johanna.
AGRADECIMIENTOS
Mis profundos agradecimientos: A Dios por sus constantes bendiciones. Al M.Sc. Antonio H. Escobar Zuluaga por su orientacin en el desarrollo de este trabajo. Al Ph. D. Ramn A. Gallego Rendn por sus recomendaciones y apoyo. A mi madre por esmerarse en mi formacin. A mi padre por su constante ayuda. A mi hermana porque siempre ha credo en m. A mi novia por su inagotable cario. A mis amigos por compartir una parte de sus vidas conmigo. Al Grupo de Planeamiento en Sistemas Elctricos por su respaldo acadmico. A la Universidad Tecnolgica de Pereira y al Programa de Ingeniera Elctrica porque me han dado los elementos necesarios para desarrollarme profesionalmente. A Marisol, secretaria de la Maestra en Ingeniera Elctrica, por su siempre amable colaboracin.
TABLA DE CONTENIDO
1 INTRODUCCIN ...................................................................................................... 12
2 MODELAMIENTO DEL PROBLEMA ESTTICO DE PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN ................................................ 19

2.1 MODELAMIENTO DEL PROBLEMA ESTTICO ............................................................................ 21 2.1.1 Modelo de Transportes .................................................................................................................. 22 2.1.2 Modelo Hbrido no Lineal.............................................................................................................. 23 2.1.3 Modelo Hbrido Lineal .................................................................................................................. 26 2.1.4 Modelo DC..................................................................................................................................... 27 2.1.5 Modificaciones en el Modelo Bsico ............................................................................................. 29 2.1.6 Modelo Lineal Disyuntivo.............................................................................................................. 31 2.1.7 Modelo Bsico Incluyendo Prdidas Tcnicas .............................................................................. 33
3 TCNICAS DE SOLUCIN DEL PROBLEMA ESTTICO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN....................................................... 35

3.1 ALGORITMOS HEURSTICOS CONSTRUCTIVOS ......................................................................... 35 3.1.1 Algoritmos Heursticos Constructivos que usan el Modelo de Transportes .................................. 36 3.1.2 Algoritmos Heursticos Constructivos que usan el Modelo DC..................................................... 38 3.1.3 Algoritmos Heursticos Constructivos que usan Modelos Mixtos.................................................. 42 3.2 MTODOS DE OPTIMIZACIN CLASICA....................................................................................... 44 3.3 MTODOS DE OPTIMIZACIN COMBINATORIAL ...................................................................... 46 3.3.1 Simulated Annealing ...................................................................................................................... 46 3.3.2 Algoritmos Genticos..................................................................................................................... 47 3.4 OTRAS TCNICAS DE SOLUCIN ................................................................................................... 48
BQUEDA TAB ...................................................................................................... 49

4.1 ASPECTOS BSICOS DE BSQUEDA TAB.................................................................................. 50 4.1.1 Configuracin Inicial..................................................................................................................... 50 4.1.2 Generacin del Vecindario ............................................................................................................ 52 4.1.3 Seleccin del Mejor Vecino............................................................................................................ 53 4.1.4 Actualizacin de la Estructura Tab.............................................................................................. 53 4.2 ESTRUCTURAS DE MEMORIA EN BSQUEDA TAB................................................................. 54 4.2.1 Memoria de Corto Plazo................................................................................................................ 54 4.2.2 Memoria de Largo Plazo ............................................................................................................... 56 4.3 ESTRATEGIAS APLICADAS EN BSQUEDA TAB ..................................................................... 60 4.3.1 Oscilacin Estratgica................................................................................................................... 60 4.3.2 Path Relinking................................................................................................................................ 60
5 APLICACIN DE BSQUEDA TAB AL PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN....................................................... 61

5.1 SOLUCIN DEL PROBLEMA A TRAVS DE BSQUEDA TAB ................................................ 61 5.1.1 Estrategias de Partida del Algoritmo de Bsqueda Tab.............................................................. 61 5.1.2 Memoria de Corto Plazo................................................................................................................ 61 5.1.3 Memoria de Largo Plazo ............................................................................................................... 63
vi
5.2 EL PROBLEMA DE LA ESTRUCTURA DE VECINDAD ................................................................. 65 5.3 IMPLEMANTACIONES ESPECIALIZADAS EN EL ALGORITMO DE BSQUEDA TAB ........ 67 5.3.1 Implementacin del Path Relinking ............................................................................................... 67 5.3.2 Criterio de Parada......................................................................................................................... 69 5.3 IMPLEMANTACIN DEL ALGORITMO DE BSQUEDA TAB.................................................. 69
6 MODELAMIENTO DEL PROBLEMA DE LA EXPANSIN DE LA TRANSMISIN CONSIDERANDO INCERTIDUMBRE EN LA DEMANDA......... 71

6.1 MODELAMIENTO PARA EL PLANEAMIENTO DE LA TRANSMISIN CONSIDERANDO INCERTIDUMBRE EN LA DEMANDA TOTAL ..................................................................................... 73 6.2 MODELAMIENTO PARA EL PLANEAMIENTO DE LA TRANSMISIN CONSIDERANDO INCERTIDUMBRE EN LA DEMANDA INDIVIDUALMENTE PARA CADA BARRA DE CARGA .. 75
7 LOCALIZACIN E INCORPORACIN DE LAS PRDIDAS DEL SISTEMA DE TRANSMISIN EN EL PLANEAMIENTO DE LA EXPANSIN ...................... 77
7.1 PRDIDAS TCNICAS DEL SISTEMA DE TRANSMISIN ........................................................... 78 7.1.1 Prdidas Tcnicas por el Efecto Resistivo de los Conductores en las Lneas de Transmisin ...... 78 7.1.2 Otras Prdidas Tcnicas en el Sistema de Transmisin ................................................................ 81 7.2 LOCALIZACIN DE PRDIDAS DEL SISTEMA DE TRANSMISIN ........................................... 82 7.3 INCORPORACIN DE LAS PRDIDAS EN EL PROCESO DE PLANEAMIENTO DE LA EXPANSIN DE LA TRANSMISIN ...................................................................................................... 83
PRUEBAS Y RESULTADOS ................................................................................... 88

8.1 PLANEAMIENTO DE LA TRANSMISIN BSICO Y CENTRALIZADO...................................... 89 8.1.1 Sistema Garver............................................................................................................................... 89 8.1.2 Sistema IEEE24 ............................................................................................................................. 89 8.1.3 Sistema Sur Brasil.......................................................................................................................... 90 8.1.4 Sistema Colombiano ...................................................................................................................... 93 8.2 PLANEAMIENTO DE LA TRANSMISIN CON INCERTIDUMBRE EN LA DEMANDA ............ 94 8.2.1 Sistema Garver............................................................................................................................... 94 8.2.2 Sistema IEEE24 ............................................................................................................................. 95 8.2.3 Sistema Sur Brasil.......................................................................................................................... 96 8.2.4 Sistema Colombiano ...................................................................................................................... 99 8.3 PLANEAMIENTO DE LA TRANSMISIN INCORPORANDO PRDIDAS DEL SISTEMA ....... 100 8.3.1 Sistema Garver............................................................................................................................. 100 8.3.2 Sistema IEEE24 ........................................................................................................................... 101 8.3.3 Sistema Sur Brasil........................................................................................................................ 101 8.3.4 Sistema Colombiano .................................................................................................................... 103 8.4 PLANEAMIENTO DE LA TRANSMISIN CON INCERTIDUMBRE EN LA DEMANDA E INCORPORANDO PRDIDAS DEL SISTEMA ..................................................................................... 105 8.4.1 Sistema Garver............................................................................................................................. 105 8.4.2 Sistema IEEE24 ........................................................................................................................... 106 8.4.3 Sistema Sur Brasil........................................................................................................................ 106 8.4.4 Sistema Colombiano .................................................................................................................... 109 8.5 ANLISIS DE RESULTADOS .......................................................................................................... 110 8.5.1 Comparacin con otros resultados reportados............................................................................ 110 8.5.2 Comparacin entre resultados bajo los diferentes planteamientos manejados en este estudio... 112 8.5.3. Aumento de la inversin incluyendo prdidas respecto al planeamiento bsico y centralizado 119
CONCLUSIONES Y RECOMENDACIONES ..................................................... 120
vii
9.1 CONCLUSIONES ............................................................................................................................... 120 9.2 RECOMENDACIONES...................................................................................................................... 121
BIBLIOGRAFA .............................................................................................................. 122
viii
LISTA DE FIGURAS
Figura 3.1. Algoritmo de Garver..................................................................................... 37 Figura 3.2. Algoritmo de Mnimo Esfuerzo.................................................................... 40 Figura 3.3. Algoritmo de Mnimo Corte de Carga.......................................................... 42 Figura 3.4. Algoritmo de Villasana-Garver. ................................................................... 44 Figura 3.5. Aplicacin del punto de recombinacin. ...................................................... 47 Figura 4.1. Mecanismo de Bsqueda Tab..................................................................... 50 Figura 4.2. Algoritmo de Bsqueda Tab con una nica configuracin de partida. ...... 51 Figura 4.3 Algoritmo de Bsqueda Tab con k configuraciones de partida.................. 52 Figura 4.4. Movimiento de Bsqueda Tab con memoria de corto plazo. ..................... 55 Figura 4.5. Implementacin simple de intensificacin en Bsqueda Tab. ................... 58 Figura 4.6. Implementacin simple de diversificacin en Bsqueda Tab. ................... 59 Figura 5.1. Diversificacin con memoria de largo plazo basada en hechos recientes.... 65 Figura 5.2. Formacin de listas de lneas candidatas a adicin o retiro.......................... 66 Figura 5.3. Ilustracin del proceso de diversificacin-intensificacin. .......................... 68 Figura 5.4. Diagrama de flujo de la metodologa Bsqueda Tab ................................. 70 Figura 7.1. Flujo de potencia en una lnea de transmisin.............................................. 78 Figura 7.2. Funcin objetivo incorporando las prdidas del sistema de transmisin ..... 84 Figura 7.3. Distribucin de las prdidas de la lnea k-m. ................................................ 86 Figura 8.1. Resultados para el sistema Garver.............................................................. 112 Figura 8.2. Resultados para el sistema IEEE24. ........................................................... 114 Figura 8.3. Resultados para el sistema sur Brasil con redespacho................................ 115 Figura 8.4. Resultados para el sistema sur Brasil sin redespacho................................. 117 Figura 8.5. Resultados para el sistema colombiano. ..................................................... 118 Figura 8.6. Porcentaje de aumento del costo de inversin incluyendo prdidas con relacin al plan bsico y centralizado................................................................... 119
ix
LISTA DE TABLAS
Tabla 8.1. Plan de expansin bsico y centralizado para el sistema Garver. ................ 89 Tabla 8.2. Plan de expansin bsico y centralizado para el sistema IEEE24................ 90 Tabla 8.3. Mejor configuracin en la primera etapa de intensificacin del planeamiento bsico y centralizado para el sistema sur Brasil con redespacho. .......................... 91 Tabla 8.4. Plan de expansin bsico y centralizado para el sistema sur Brasil con redespacho. ............................................................................................................. 91 Tabla 8.5. Mejor configuracin en la primera etapa de intensificacin del planeamiento bsico y centralizado para el sistema sur Brasil sin redespacho. ........................... 92 Tabla 8.6. Plan de expansin bsico y centralizado para el sistema sur Brasil sin redespacho. ............................................................................................................. 92 Tabla 8.7. Mejor configuracin en la primera etapa de intensificacin del planeamiento bsico y centralizado para el sistema colombiano.................................................. 93 Tabla 8.8. Plan de expansin bsico y centralizado para el sistema colombiano.......... 94 Tabla 8.9. Plan de expansin considerando incertidumbre en la demanda para el sistema Garver........................................................................................................ 95 Tabla 8.10. Planes de expansin considerando incertidumbre en la demanda para el sistema IEEE24. ..................................................................................................... 96 Tabla 8.11. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda para el sistema sur Brasil con redespacho........ 97 Tabla 8.12. Planes de expansin considerando incertidumbre en la demanda para el sistema sur Brasil con redespacho.......................................................................... 97 Tabla 8.13. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda para el sistema sur Brasil sin redespacho......... 98 Tabla 8.14. Planes de expansin considerando incertidumbre en la demanda para el sistema sur Brasil sin redespacho........................................................................... 98 Tabla 8.15. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda para el sistema colombiano. ............................. 99 Tabla 8.16. Planes de expansin considerando incertidumbre en la demanda para el sistema colombiano. ............................................................................................. 100 Tabla 8.17. Plan de expansin incorporando prdidas para el sistema Garver. ............ 101 Tabla 8.18. Planes de expansin incorporando prdidas para el sistema IEEE24. ....... 101 Tabla 8.19. Mejor configuracin en la primera etapa de intensificacin del planeamiento incorporando prdidas para el sistema sur Brasil con redespacho. ...................... 102 Tabla 8.20. Planes de expansin incorporando prdidas para el sistema sur Brasil con redespacho. ........................................................................................................... 103 Tabla 8.21. Mejor configuracin en la primera etapa de intensificacin del planeamiento incorporando prdidas para el sistema colombiano. ............................................ 104 Tabla 8.22. Planes de expansin incorporando prdidas para el sistema colombiano. . 104
Tabla 8.23. Plan de expansin con incertidumbre en la demanda e incorporando prdidas para el sistema Garver. ......................................................................................... 105 Tabla 8.24. Planes de expansin con incertidumbre en la demanda e incorporando prdidas para el sistema IEEE24. ......................................................................... 106 Tabla 8.25. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda e incorporando prdidas para el sistema sur Brasil con redespacho........................................................................................... 107 Tabla 8.26. Planes de expansin con incertidumbre en la demanda e incorporando prdidas para el sistema sur Brasil con redespacho. ............................................ 107 Tabla 8.27. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda e incorporando prdidas para el sistema sur Brasil sin redespacho............................................................................................ 108 Tabla 8.28. Planes de expansin con incertidumbre en la demanda e incorporando prdidas para el sistema sur Brasil sin redespacho............................................... 109 Tabla 8.29. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda e incorporando prdidas para el sistema colombiano. .......................................................................................................... 109 Tabla 8.30. Planes de expansin considerando incertidumbre en la demanda e incorporando prdidas para el sistema colombiano. ............................................ 110 Tabla 8.31. Comparacin con otros resultados reportados............................................ 111 Tabla 8.32. Resultados obtenidos para el sistema Garver. ............................................ 112 Tabla 8.33. Resultados obtenidos para el sistema IEEE24............................................ 113 Tabla 8.34. Resultados obtenidos para el sistema sur Brasil con redespacho. .............. 115 Tabla 8.35. Resultados obtenidos para el sistema sur Brasil sin redespacho. ............... 116 Tabla 8.36. Resultados obtenidos para el sistema colombiano. .................................... 118
xi
Captulo 1
1 INTRODUCCIN
En las ltimas dcadas el sector elctrico ha cambiado drsticamente con respecto a su estructura, regulacin y operacin; de hecho, el sector elctrico ha sido privatizado y reestructurado en muchos pases alrededor del mundo. La estructura tradicional integrada verticalmente por los sistemas de generacin, transmisin y distribucin se ha modificado y, en lugar de esta, distintas empresas se han establecido tomando cada una de ellas estas funciones. La principal razn para este cambio se encuentra en la expectativa causada por la competencia; la cual sugiere que este ambiente conllevar a una reduccin en los precios de la electricidad, mejoramiento de la calidad del servicio as como el surgimiento de nuevas tecnologas, aunque en pocos casos han surgido comportamientos estratgicos elevando considerablemente los precios sobre los costos marginales [1]. El sistema de transmisin es uno de los componentes ms grandes del sistema elctrico. Puesto que en el nuevo esquema el sistema de transmisin entrega el ambiente propicio para la competencia entre los participantes del mercado de energa, el planeamiento de la expansin de los sistemas de transmisin debe ser llevado de manera adecuada y oportuna de tal forma que se maximice el beneficio social total. En el antiguo modelo la expansin de la transmisin tpicamente era planeada, financiada y construida como parte de un plan de recursos integrado verticalmente, el cual buscaba el plan de inversin total que minimizara los costos con cierto nivel de confiabilidad. En el nuevo escenario han cambiado los objetivos del planeamiento de la expansin de la transmisin; el movimiento del mercado a un ambiente desregulado ha incrementado la incertidumbre con relacin a la recuperacin de los costos de inversin; se ha potenciado la posibilidad de que se presenten costos encallados, algunas partes de la red de transmisin sern usadas en forma diferentes a como haban sido originalmente planeadas o histricamente usadas y algunas restricciones del sistema sern usadas con ms frecuencia y con ms significado econmico. Por lo tanto, el planeamiento de la transmisin en un entorno econmicamente competitivo es claramente un tema de alta complejidad. Especficamente el planeamiento de la expansin de la transmisin est orientado hacia los siguientes objetivos: Proveer acceso a generacin de bajo costo para todos los consumidores sin ningn tipo de discriminacin.
12
Promover y facilitar la competencia entre todos los participantes del mercado de energa. Promover un ambiente justo del lado del suministro de energa para todos los generadores as como del lado de la demanda para todos los consumidores. Proveer una red de transmisin segura, desde el punto de vista elctrico.
Las incertidumbres se pueden clasificar en dos tipos: de tipo aleatoria y no aleatoria. Las de tipo aleatoria son derivadas de aquellos parmetros que son repetibles y tienen una distribucin de probabilidad conocida. Por lo tanto, estas incertidumbres pueden ser obtenidas de observaciones pasadas. Dentro de estas se encuentra la incertidumbre en la demanda. Las de tipo no aleatoria son consecuencia de parmetros que no son repetibles y por lo tanto su anlisis estadstico no puede ser realizado a partir de observaciones pasadas. En esta clasificacin se encuentra la incertidumbre en la generacin. Debido a que los mtodos de modelamiento de incertidumbre aleatorias y no aleatorias son diferentes, stas deben ser identificadas claramente antes de empezar con el proceso de planeamiento. Por otra parte, cuando la potencia activa fluye a travs del sistema de transmisin se presentan prdidas que disminuyen la eficiencia del sistema. Bsicamente las prdidas tcnicas aparecen por las siguientes razones: Prdidas por el efecto resistivo de los conductores. Prdidas en el hierro y el cobre de los transformadores. Prdidas por efecto corona.
Se han utilizado varios mtodos para determinar dnde ocurren exactamente las prdidas tcnicas del sistema con el fin de asignar apropiadamente los costos asociados a ellas, sin embargo, desde el punto de vista prctico, el costo asociado a las prdidas totales es asumido por productores y consumidores, siguiendo alguna frmula. Algunos procedimientos de asignacin de estos costos son los siguientes: Procedimientos pro rata (PR): las prdidas son asignadas a generadores y consumidores en proporciones iguales (50% a dada categora). Procedimientos marginales: las prdidas son asignadas a los consumidores y generadores a travs de coeficientes de prdidas generales obtenidos de un flujo de carga. Con este mtodo pueden presentarse prdidas con signo negativo, lo que se interpretara como subsidios.
13
Procedimientos marginales no subsidiados: Difiere del anterior mtodo en que se evitan prdidas con signos negativos. Esto se logra calculando coeficientes de prdidas diferentes tanto para generadores como para consumidores.
El modelamiento de este problema implica el manejo de variables que lo hacen tpico de la programacin no lineal entera mixta (PNLEM), presentando adems un fenmeno de explosin combinatorial de las soluciones, dada la gran cantidad de posibles configuraciones factibles que se pueden presentar. Esto implica que el esfuerzo computacional empleado para resolverlo mediante una bsqueda exhaustiva crece de manera exponencial con el tamao del problema. Los problemas de este tipo son denominados NP (no polinomiales); algunos problemas NP son especialmente difciles y son denominados NP-completos (caso del problema del planeamiento de la expansin de sistemas de transmisin). Para los problemas NP no existen algoritmos de solucin conocidos que resuelvan el problema en tiempos de cmputo polinomiales. El concepto de polinomial es respecto al nmero de variables involucradas en el problema; por lo tanto, en un problema de este tipo, el tiempo de solucin puede alcanzar valores prohibitivos, para sistemas de gran tamao, con las mquinas disponibles en la actualidad. El problema de planeamiento de la expansin de sistemas de transmisin consiste en hallar las lneas y/o transformadores que deben ser adicionados al sistema con el mnimo costo de inversin satisfaciendo la demanda futura, atendiendo restricciones tcnicas y econmicas, a partir de una configuracin inicial, datos de generacin, datos de demanda y especificaciones de los parmetros que conforman el sistema. Este problema puede ser dividido en planeamiento de largo plazo, mediano plazo o de corto plazo. Segn el tratamiento dado al perodo de estudio, el problema puede ser clasificado como esttico o dinmico. El problema es esttico si se busca la configuracin de circuitos en un solo ao en el horizonte de planeamiento; en este caso quien planea est interesado en determinar qu, cuntos y dnde deben ser instalados los circuitos adicionales [2]. Por otro lado, si se divide el perodo de planeamiento en intervalos de tiempo de menor tamao, y se propone una estrategia de expansin ptima a travs del perodo de planeamiento global, el problema de planeamiento es dinmico y quien planea, adems de buscar qu, cuntos y dnde deben ser instalados los nuevos elementos, debe determinar cundo realizar las nuevas adiciones [3]. De acuerdo al procedimiento que se siga para obtener el plan de expansin, las tcnicas de optimizacin se pueden clasificar en exactas y aproximadas: Tcnicas exactas. Las tcnicas exactas pueden hallar el plan de expansin ptimo a travs de un procedimiento de clculo que resuelve la formulacin matemtica del problema. A causa de la imposibilidad de considerar todos los aspectos del planeamiento de la expansin de la transmisin, el plan obtenido es el ptimo solo bajo grandes simplificaciones y para problemas de baja y en algunos casos de
14
mediana complejidad, esto es, problemas con bajo nmero de nodos y de circuitos candidatos a adicin y que no presenten gran nmero de nodos aislados. Tcnicas aproximadas. Dentro de las tcnicas aproximadas se encuentran varios tipos de heursticas, meta-heursticas y tcnicas especiales. stas van paso a paso generando, evaluando y seleccionando opciones de expansin, con o sin la ayuda de quien realiza el planeamiento. Tericamente, estas tcnicas renuncian, por lo menos desde el punto de vista terico, a encontrar la solucin ptima y generalmente encuentran soluciones subptimas. Por lo tanto, son atractivas para la solucin de problemas de alta complejidad, empleando esfuerzo computacional razonable y entregando planes de expansin subptimos de muy buena calidad en los cuales incidentalmente podra estar el plan ptimo.
En la literatura especializada se encuentran numerosos autores que han abordado el problema de planeamiento de la expansin de la transmisin. Los avances en esta rea se potencian en gran medida por los mejoramientos en las capacidades de los sistemas de cmputo y por la implementacin de nuevos o mejorados algoritmos de optimizacin. Dentro de estos se pueden distinguir los modelos clsicos de optimizacin matemtica, como tcnicas de programacin lineal: Garver [4], Kaltenbatch, Peshon y Gehrig [5], Villasana, Garver y Salon [6]; programacin dinmica: Dusonchet y El-Abiad [7]; programacin no lineal: Youssef y Hackam [8] y programacin entera mixta: Lee, Hocks y Hnyilicza [9], Haffner, Monticelli, Garcia, Mantovani y Romero [10], Bahiense, Oliveira, Pereira y Granville [11]. Tambin han sido usadas tcnicas de optimizacin como Bernders: Pereira, Pinto, Cunha y Oliveira [12], Romero y Monticelli [13], Binato, Pereira y Granville [14] y descomposicin jerrquica: Romero y Monticelli [15], adems de tcnicas de descomposicin con otras aproximaciones resolviendo el problema con un algoritmo de Branch and Bound [16]. Una de las primeras aproximaciones heursticas para resolver el problema de la expansin de la transmisin fue propuesta por Fischl y Puntel [17]. Ellos introdujeron el concepto de red contigua (adjoin network) combinado con el modelo de flujo de carga DC para producir los cambios de susceptancia necesaria para minimizar los costos de inversin. Un procedimiento heurstico comn es localizar circuitos adicionales usando anlisis de sensibilidad. Algunas de estas tcnicas se relacionan estrechamente con parmetros elctricos utilizando procedimientos para remover sobrecargas. Otros usan el anlisis de sensibilidad con respecto al corte de carga u otro ndice del comportamiento del sistema, por ejemplo, el criterio de mnimo esfuerzo usado por Monticelli, Santos Jr, Pereira, Cunha, Parker y Praa [18], o con respecto a la susceptancia cuando se usa un flujo de carga DC (ver [19]). Todos ellos empiezan desde un plan el cual mejoran despus de muchas evaluaciones sucesivas obteniendo una solucin cuasi-ptima. Se han realizado procedimientos basados en el flujo a travs de redes ficticias o de capacidad ilimitada ([4] y [6]) en los cuales se garantiza que el modelo matemtico usa toda la capacidad de los circuitos reales primero. Estos procedimientos combinan tcnicas
15
heursticas con programacin lineal y con algoritmos de optimizacin matemtica para resolver el problema. Los avances en sistemas computacionales con procesamiento en paralelo han facilitado la solucin de problemas complejos en poco tiempo de cmputo. Existe una gran variedad de algoritmos apropiados para la implementacin en paralelo, por ejemplo, los algoritmos genticos. Aplicaciones sobre algoritmos genticos para el planeamiento de la expansin de la transmisin han sido desarrolladas por: Yoshimoto, Yasuda y Yokohama [20], Gallego, Monticelli y Romero [21], Escobar, Gallego, Romero y de Oliveira [22]. Otra metodologa utilizada para la solucin del problema de planeamiento de la expansin de la transmisin es bsqueda tab. sta se basa en estrategias de intensificacin y diversificacin a partir de una o varias configuraciones iniciales que puede ser obtenida de manera aleatoria o por un algoritmo inicializador. Trabajos que usan esta metodologa han sido expuestos en [23]. El planeamiento de la expansin tambin ha sido resuelto usando modelos orientados a objetos [24], teora de juegos [25], simulated annealing [26], teora difusa [27] y GRASP [28]. En [29] se hace una comparacin entre las principales caractersticas de tres mtodos de optimizacin para el planeamiento de la transmisin: simulated annealing, algoritmos genticos y bsqueda tab, y en [3] fue propuesta una aproximacin hbrida para resolver este problema. La mayora de las investigaciones en planeamiento de la transmisin reportadas son llamadas planeamiento bsico y centralizado porque no consideran incertidumbres en la demanda, es decir, el plan de expansin ptimo es determinado considerando solamente una cantidad fija de demanda. La literatura sobre planeamiento considerando incertidumbre en la demanda como parte del proceso de expansin es casi inexistente; investigaciones al respecto se encuentran en [30] y [31]. El estudio de las prdidas en el sistema de transmisin bsicamente se ha centrado en determinar su localizacin dentro del sistema para determinar quin debe pagar por ellas. De acuerdo a la forma como se trate la no linealidad de la expresin de prdidas, se han propuesto diferentes mtodos para su localizacin, produciendo igualmente diferentes resultados. Algunos de estos desarrollos se exponen en [32] y [33]. En este trabajo se considerar que las inversiones se hacen al comienzo del periodo de anlisis (modelamiento esttico del problema) y se pretende determinar cuanto, dnde y qu inversin debe ser hecha de tal forma que se minimice el valor presente del costo de inversin y se satisfaga la demanda futura. El modelo usado difiere del tradicional en dos aspectos: considera incertidumbre en la demanda y utiliza un modelo DC modificado que incluye las prdidas tcnicas de potencia activa.
16
Tradicionalmente los modelos para el planeamiento de la expansin de la transmisin han considerado la demanda como una variable esttica a pesar de que depende de factores demogrficos, polticos, sociales y econmicos lo que hace imposible determinar de manera exacta su valor en el futuro. En este trabajo se utilizar un modelo en el que se considera la incertidumbre en la demanda en cada nodo del sistema de potencia. En diversos estudios la localizacin de prdidas se ha enfocado en proveer un mecanismo claro de competencia entre los participantes del mercado de energa, sin embargo no se conoce un trabajo donde se incluyan las prdidas tcnicas, dentro del proceso de planeamiento de la expansin de sistemas de transmisin. En este trabajo se plantea una forma alternativa de solucin del problema de planeamiento de la expansin de la transmisin considerando las prdidas tcnicas del sistema, ms sin considerar la forma como se distribuyen sus costos. A travs de este enfoque, se realizarn pruebas para analizar si esto afecta el plan de expansin. La complejidad del problema de planeamiento de la expansin de sistemas de transmisin esencialmente est dada por su tamao (nmero de nodos y posibles lneas y/o transformadores a ser instalados), no linealidades existentes, cantidad de adiciones que deben ser realizadas al final del proceso y cantidad de nodos aislados del sistema. Los sistemas a tratar en este estudio son: Garver (6 nodos y 15 corredores posibles para adicin), IEEE24 (24 nodos y 41 corredores posibles para adicin), sur Brasil (46 nodos y 79 corredores posibles para adicin) y Colombia (93 nodos y 155 corredores posibles para adicin), los cuales han sido casos de estudio en diversas investigaciones mostrados en la literatura especializada. La estructura de este trabajo es la siguiente: En el captulo 2 se presenta el modelamiento matemtico del problema esttico de planeamiento de la expansin de sistemas de transmisin. Se muestran los modelos bsicos de transportes, hbrido no lineal, hbrido lineal, DC y lineal disyuntivo, adems de una modificacin relacionada con la inclusin de generadores artificiales en todas las barras con carga necesaria para el desarrollo de algunas tcnicas en el planeamiento de la expansin de la transmisin. Los principales mtodos usados en la solucin del problema esttico de la expansin de sistemas de transmisin se muestran en el captulo 3; estas tcnicas, propuestas por varios autores, se pueden agrupar en algoritmos heursticos constructivos, mtodos de optimizacin clsica y mtodos de optimizacin combinatorial. Las caractersticas esenciales del algoritmo de Bsqueda Tab son expuestas en el captulo 4. All se presentan los aspectos bsicos del algoritmo, sus estructuras de memoria y algunas estrategias aplicadas en su desarrollo. El captulo 5 se dedic a la presentacin de las caractersticas fundamentales de funcionamiento del algoritmo Bsqueda Tab aplicado al problema de planeamiento de la
17
expansin de sistemas de transmisin. All se comentan las estrategias de partida del algoritmo, la aplicacin del mismo a travs de memoria de corto y largo plazo, se explica el problema de la estructura de vecindad, se hace una breve descripcin de la integracin de estrategias a travs del path relinking y se sugieren algunos criterios de parada del algoritmo. La incertidumbre en la demanda en el planeamiento de la expansin de la transmisin puede ser considerada segn el modelamiento mostrado en el captulo 6. En esta parte se presentan dos formas de hacer esto usando el modelo DC: considerando la incertidumbre en la demanda total del sistema y considerndola individualmente para cada barra de carga. En el captulo 7, adems de mostrar las principales causas de prdidas de potencia activa y de comentar sobre estudios de la forma como estas pueden localizarse dentro del sistema de transmisin, se plantea una forma alternativa de solucin del problema de planeamiento de la expansin de la transmisin considerando las prdidas del sistema, ms sin contemplarlas de forma directa dentro del modelo. El captulo 8 se destin al registro y anlisis de los resultados obtenidos en la etapa de pruebas de este trabajo. Se muestran parmetros y respuestas de los casos de prueba elegidos para el planeamiento esttico bsico y centralizado, planeamiento considerando incertidumbre en la demanda individualmente para cada barra de carga y dos nuevas estrategias de planeamiento:1) incorporando prdidas tcnicas por efecto resistivo de las lneas de transmisin y 2) una mezcla entre planeamiento con incertidumbre en la demanda y planeamiento con prdidas por efecto resistivo de los conductores. Finalmente, el captulo 9 contiene las conclusiones sobre el trabajo realizado y las recomendaciones para trabajos futuros.
18
Captulo 2Equation Section 2

2 MODELAMIENTO DEL PROBLEMA ESTTICO DE PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN
El problema de la expansin de las capacidades de generacin y de transmisin de los sistemas de energa elctrica constituye un problema de optimizacin de gran complejidad en funcin de diversos factores entre los cuales se destacan los siguientes:
1.
Es necesario considerar una visin a largo plazo para que los inversionistas se puedan beneficiar de las economas de escala que son usuales en los equipos de transmisin, y que pueden tambin estar presentes en algunas inversiones de generacin, tales como las centrales hidroelctricas. Adicionalmente a esto, el tiempo necesario para la construccin de sistemas de generacin de gran tamao, como en el caso de grandes centrales hidroelctricas, hace que sea necesario decidir sobre su construccin mucho antes de que estas se vuelvan necesarias para el sistema. Las inversiones en transmisin y en generacin presentan dependencias temporales y espaciales que requieren ser analizadas en forma simultnea en el espacio y en el tiempo. As mismo es necesario analizar, simultneamente, todo el sistema en un horizonte de largo plazo. Se requiere analizar simultneamente las caractersticas tcnicas, econmicas y ambientales de las inversiones. Existen incertidumbres asociadas a los valores previstos para el comportamiento de la demanda, de los recursos hdricos (responsables del 63.6% de la produccin nacional de energa elctrica [XM, Capacidad de Generacin del Sistema Elctrico Colombiano, 2007]) y del costo y disponibilidad de otras fuentes primarias de energa (gas natural, carbn, derivados del petrleo y fuentes alternativas) en el horizonte de planeamiento.
2.
3.
4.
Considerando los aspectos anteriores dentro del planeamiento de la transmisin y generacin de energa elctrica, este resulta ser un problema de optimizacin de difcil solucin en funcin del elevado nmero de variables (continuas y enteras), del tipo de
19
variables (tcnicas y econmicas) y del nmero de restricciones (lineales y no lineales), el cual ha sido tradicionalmente simplificado a travs del desacoplamiento entre el planeamiento de la transmisin y de la generacin, siendo necesario resolver el segundo antes que el primero, utilizando en ste una representacin aproximada de las inversiones en la transmisin. Otra simplificacin que se utiliza es la de no involucrar variables econmicas relacionadas con mercado de energa en el modelo de planeamiento de la expansin del sistema elctrico y en su lugar usar ndices o valores puntuales. De otro lado, los sistemas de transmisin han sido tradicionalmente planeados usando modelos estticos que analizan slo un horizonte de planeamiento y consideran que todas las inversiones son realizadas en el mismo instante de tiempo. Como se puede deducir, el problema de planeamiento est an siendo estudiado conservando el desacople entre el planeamiento de la generacin y de la transmisin. Adicionalmente, el estudio del planeamiento esttico no est an concluido y se siguen presentando nuevas alternativas para su solucin, sin embargo, la implementacin de esquemas no regulados exige avanzar hacia un nuevo tipo de planeamiento integrado que maneje de forma acoplada la expansin de la capacidad en generacin y transmisin, los costos de operacin en generacin y transmisin y los aspectos econmicos relacionados con el mercado de electricidad. De manera similar a lo que ocurre con las empresas involucradas en la industria de la electricidad, en el mbito acadmico se estn produciendo cambios rpidos y dramticos que estn conduciendo al desarrollo de trabajos de alto nivel tcnico pero de bajo nivel en el aspecto econmico o trabajos bien sustentados en los aspectos econmicos pero construidos sobre una base tcnica deficiente. Se hace necesario entonces proponer metodologas que permitan incorporar los aspectos econmicos a revaluados modelos de planeamiento de la generacin y la transmisin que acten de forma acoplada y que adems permitan involucrar el tiempo como una nueva variable, lo que nos conduce necesariamente al planeamiento dinmico de la expansin. El problema del planeamiento de la expansin de sistemas de transmisin, al igual que en cualquier problema de optimizacin en ingeniera, se soluciona a travs de la implementacin de dos etapas: Modelamiento matemtico. Consiste en la representacin matemtica exacta o simplificada de un problema de la vida real a travs de una formulacin matemtica. Tcnica de solucin. La tcnica de solucin elegida debe ser conveniente al modelamiento del problema. Existen diversas tcnicas que, segn sus caractersticas, se pueden reunir en tres grupos: algoritmos heursticos constructivos, mtodos de optimizacin clsica y mtodos de optimizacin combinatorial.
20
En este captulo se presentar el modelamiento matemtico del problema esttico de planeamiento de la expansin de sistemas de transmisin.
2.1 MODELAMIENTO DEL PROBLEMA ESTTICO

El problema de planeamiento esttico de la expansin de los sistemas de transmisin de energa elctrica es una simplificacin del problema dinmico para el cual, se considera un nico horizonte de planeamiento. En este caso, se debe determinar la localizacin y el tipo de inversin que debe ser realizada para que el valor presente del costo total de operacin e inversin sea mnimo para el perodo de tiempo considerado. En el planeamiento esttico se asume que todas las inversiones se realizan en el mismo instante del tiempo y al comienzo del horizonte de planeamiento. El problema de planeamiento de la expansin de las capacidades de generacin y transmisin de los sistemas de energa elctrica puede ser representado por el siguiente problema de optimizacin:
min z = c( x) + d ( y ) s.a.: A( x) b E ( x) + F ( y ) h
(2.1)
donde x representa las variables de inversin (decisiones respecto a las capacidades de generacin y transmisin); c(x) representa el costo asociado a las decisiones de inversin; A( x) b representa las restricciones asociadas a las decisiones de inversin (restricciones financieras, cronograma de construcciones, lmites fsicos de instalacin, etc.); y representa las variables de operacin del sistema (decisiones respecto al nivel de generacin en barras, corte de carga, flujos en las lneas y transformadores, etc.); d(y) representa el costo asociado a las decisiones de operacin; E ( x) + F ( y ) h representa las restricciones asociadas a las decisiones de operacin (que dependen a su vez de las decisiones de inversin realizadas).
A travs de la formulacin del problema dada en (2.1) y utilizando definiciones adecuadas para la funcin objetivo z = c( x) + d ( y ) y para las restricciones A( x) b y E ( x) + F ( y ) h , es posible representar una variada gama de problemas de expansin de capacidades, desde el problema de planeamiento esttico de la transmisin ([34] y [15]) hasta el planeamiento dinmico integrado al sistema elctrico ([35] y [36]).
21
2.1.1 Modelo de Transportes

La primera propuesta exitosa de modelamiento de sistemas de transmisin fue el modelo de transportes. Debido a los inconvenientes de convergencia presentes en el proceso de solucin incorporando un modelo riguroso como el AC, Garver en [4] propone un modelo relajado que considera nicamente la primera ley de Kirchhoff. A travs del modelo de transportes se busca una configuracin que produzca el menor costo de inversin en el plan de expansin satisfaciendo las condiciones de operacin del sistema respetando solamente la primera ley de Kirchhoff y los lmites operacin de los circuitos y los generadores. Evidentemente, esta es una representacin menos prxima al problema de la vida real ya que no considera la segunda ley de Kirchhoff como otros modelos, por ejemplo el DC, pero permite encontrar configuraciones atractivas adems de representar el inicio de un desarrollo investigativo en el planeamiento de la transmisin sugiriendo la utilizacin de modelos separados para los subproblemas de operacin e inversin. Actualmente, este modelo y la tcnica de solucin propuesta por Garver son utilizados tanto en algoritmos principales como en algoritmos de construccin de configuraciones iniciales en el proceso de bsqueda de la solucin del problema de planeamiento de la expansin de sistemas de transmisin. El problema de planeamiento de sistemas de transmisin toma la siguiente forma a travs del modelo de transportes:
min v = cij nij
(i, j )
s. a.: Sf + g = d
o ) fij f ij (nij + nij
(2.2)
0 g g 0 nij nij nij entero f ij irrestricto
donde:
v : Inversin debido a adiciones de circuitos en el sistema.
cij : Costo de un circuito en el camino i-j.
22
nij : Nmero de circuitos adicionados en el camino i-j.

S : Matriz de incidencia de ramas del sistema.
f : Vector de flujos cuyos elementos f ij representan el flujo total en el camino i-j.
g : Vector de generacin cuyos elementos g i representan el nivel de generacin en la barra de generacin i.

d : Vector de demanda cuyos elementos d i representan la demanda en la barra de carga i.
o nij : Nmero de circuitos en la configuracin base en el camino i-j.
f ij : Flujo mximo permitido para un circuito en el camino i-j. g : Vector de mxima capacidad de generacin en las barras de generacin. nij : Vector del nmero mximo de adiciones permitidas en el camino i-j.
A pesar de que la formulacin propuesta por Garver en [4] es diferente a la mostrada en (2.2), estas son en esencia equivalentes. En (2.2) las restricciones Sf + g = d representan el conjunto de ecuaciones correspondientes a la primera ley de Kirchhoff, por lo tanto, se plantea una por cada nodo o ) fij representan la capacidad de transmisin de del sistema. Las restricciones fij (nij + nij
los circuitos (lneas y/o transformadores). Las dems restricciones corresponden a lmites de capacidad de generadores y al mximo nmero de circuitos permitido para adicin en el camino i-j. Por ltimo, los flujos en los circuitos pueden tomar cualquier valor real y el nmero de circuitos a adicionar se restringe a valores enteros.
2.1.2 Modelo Hbrido no Lineal

Este modelo, inicialmente propuesto en [8], plantea lo siguiente: se deben satisfacer las dos leyes de Kirchhoff en la parte del sistema donde hay circuitos de la configuracin base; la otra parte del sistema debe satisfacer nicamente la primera ley de Kirchhoff. As pues, este modelo es una mezcla entre el modelo de transportes y el modelo DC tomando ventajas de ambas formulaciones. Por un lado, el modelo de transportes presenta excelente desempeo en redes no conexas, pero las soluciones que permite hallar pueden estar muy alejadas de la solucin ptima del modelo DC. Por otra parte, el modelo DC contempla las dos leyes de Kirchhoff para todo el sistema, pero puede presentar dificultades en redes inconexas. Con
23
la mezcla de estos dos modelos se puede encontrar soluciones ms cercanas a la solucin ptima del modelo DC con la ventaja de trabajar eficientemente en las partes inconexas del sistema. La formulacin matemtica del modelo hbrido no lineal mostrada a continuacin es diferente en contexto y estructura a la presentada en [8], sin embargo, son fundamentalmente iguales. min v = cij nij
(i , j )
s. a.: Sf + g = d
o eq f ij ( ij + ij ) (i j ) = 0 o f ij (nij + nij ) fij
( i, j ) 1
0 g g 0 nij nij nij entero

eq discreto ij
(2.3)
f ij irrestricto
j irrestricto j 3
donde:
o ij : Susceptancia equivalente a los circuitos existentes en el camino i-j. eq ij : Susceptancia equivalente de los circuitos adicionados en el camino i-j durante el proceso de optimizacin. 1 : Representa el conjunto de circuitos existentes en la configuracin base.
2 : Representa el conjunto de circuitos correspondientes a los nuevos caminos. 3 : Representa el conjunto de nodos que hacen parte de la configuracin base.
j : Magnitud del ngulo de la tensin de los nodos existentes en la configuracin base.

En (2.3) el conjunto de ecuaciones Sf + g = d representan la primera ley de Kirchhoff en
o eq + ij cada barra del sistema. Las ecuaciones fij ( ij ) (i j ) = 0 corresponden a la
24
segunda ley de Kirchhoff en aquellos caminos donde hay por lo menos un circuito en la configuracin base. Las dems restricciones son exactamente iguales a las del modelo de transportes Finalmente los ngulos j pueden tomar cualquier valor real y las susceptancias
eq equivalentes ij pueden tomar valores discretos.
Otra forma del modelo hbrido no lineal, resultado de algunas manipulaciones algebricas, se muestra en (2.4).
min v = cij nij
(i , j )
s. a.: S 2 f 2 + B11 + g = d
i j ij
fij f ij nij 0 g g 0 nij nij nij entero
eq discreto ij
( i, j ) 1 ( i, j ) 2 (2.4)
f ij irrestricto
( i, j ) 2
j irrestricto j 3
donde: S2 : Matriz de incidencia de ramas de la parte del sistema que no tiene circuitos en la configuracin base (circuitos que pertenecen a 2 ). f 2 : Vector de flujos de los circuitos que pertenecen a 2 . B1 : Matriz de susceptancias de los circuitos de la configuracin base (circuitos que pertenecen a 1 ).
1 : Vector de ngulos en los nodos que hacen parte de la configuracin base.
25
2.1.3 Modelo Hbrido Lineal

Una forma alternativa al modelo anterior es el modelo hbrido lineal. Este modelo puede ser ms fcil de resolver porque presenta una relacin lineal entre las variables. En este modelo las nuevas adiciones en los caminos donde ya existen circuitos y donde no existen deben satisfacer nicamente la primera ley de Kirchhoff. Esto es equivalente a tener dos redes superpuestas donde la red original existente en la configuracin base debe cumplir las dos leyes de Kirchhoff y los nuevos circuitos adicionados deben cumplir solamente la primera ley de Kirchhoff. El modelo hbrido lineal es el siguiente:
min v = cij nij
(i , j )
s. a.: Sf ' + So f o + g = d
o fijo f ij nij o f ijo ij (i j ) =0
( i, j ) 1
( i, j ) 1 ( i, j ) (2.5)
fij' f ij nij 0 g g 0 nij nij nij entero f ij irrestricto
j irrestricto j 3
donde: So : Matriz de incidencia de ramas de la parte del sistema existente en la configuracin base. f o : Vector de flujos de los circuitos existentes en la configuracin base.
S : Matriz de incidencia de ramas de todo el sistema.
f ' : Vector de flujos en los circuitos adicionados.
j : ngulos de fase de los nodos que estn conectados al sistema elctrico en la

configuracin base.
26
Otra formulacin equivalente resultado de un manejo algebrico hecho a partir de (2.5) se muestra en (2.6).
min v = cij nij

(i , j )
s. a.: Sf ' + Bo o + g = d
i j = ij
fij' f ij nij 0 g g 0 nij nij nij entero f ij irrestricto
( i, j ) 1 ( i, j ) (2.6)
j irrestricto j 3
donde: Bo : Matriz de susceptancias formada por los circuitos existentes en la configuracin base.
o : Vector de ngulos de fase de los nodos conectados al sistema elctrico en la

configuracin base.
2.1.4 Modelo DC
Este modelo, considerado como ideal en planeamiento de sistemas de transmisin, es una generalizacin del flujo de carga DC que est desarrollado en [37]. En este modelo todos los nodos del sistema deben satisfacer la primera ley de Kirchhoff y todos los lazos existentes deben satisfacer la segunda ley de Kirchhoff. A continuacin se muestra la formulacin matemtica del modelo DC:
27
min v = cij nij

(i , j )
s. a.: Sf + g = d
o eq + ij f ij ( ij ) (i j ) = 0 o eq + ij f ij ( ij )ij

eq ij discreto
(2.7)
f ij irrestricto
j irrestricto
donde:
o ij : Susceptancia equivalente de los circuitos existentes en el camino i-j.
ij : Susceptancia de un circuito en el camino i-j.

eq ij : Susceptancia equivalente de los circuitos adicionados en el camino i-j. eq Las expresiones (2.8) y (2.9) pueden usarse para eliminar las incgnitas ij nij de la
formulacin matemtica del modelo DC.

eq ij nij = ij
(2.8)
ij =
f ij
ij
(2.9)
La siguiente formulacin, consecuencia de algunas operaciones algebricas, es equivalente a (2.7):
28
min v = cij nij

(i, j )
s. a.: B + g = d
i j ij
eq ij discreto
( i, j ) 1 ( i, j ) 2 (2.10)
eq eq ij i j ij ij
j irrestricto
donde:
B : Matriz de susceptancias del sistema.
: Vector de ngulos de tensin en nodos del sistema.
2.1.5 Modificaciones en el Modelo Bsico

Para el desarrollo de algunas tcnicas en el planeamiento de la expansin de la transmisin a veces es necesario realizar modificaciones en el modelo bsico. La modificacin ms comn es la inclusin de generadores artificiales en todas las barras con carga. Las nuevas variables rk que representan la generacin artificial se incorporan en la funcin objetivo y en las restricciones asociadas a los nodos con demanda. En los modelos de transportes, hbrido y DC modificados (2.11), (2.12) y (2.13) respectivamente, representa el conjunto de todos los nodos k en donde existe demanda y es un parmetro de penalizacin.
29
2.1.5.1 Modelo de Transportes Modificado
min v = cij nij + rk

(i , j ) k
s. a.: Sf + g + r = d
o fij (nij + nij ) f ij
0r d 0 g g 0 nij nij nij entero f ij irrestricto

2.1.5.2 Modelo Hbrido Modificado
(2.11)

(i , j ) k
s. a.: Sf + g + r = d
o eq + ij f ij ( ij ) (i j ) = 0 o f ij (nij + nij ) fij
( i, j ) 1
0r d 0 g g 0 nij nij nij entero

eq discreto ij
(2.12)
f ij irrestricto
j irrestricto j 3
30
2.1.5.3 Modelo DC Modificado

(i , j ) k
s. a.: Sf + g + r = d
o eq f ij ( ij + ij ) (i j ) = 0 o eq f ij ( ij )ij + ij
0r d 0 g g 0 nij nij nij entero

eq discreto ij
(2.13)
f ij irrestricto
j irrestricto
2.1.6 Modelo Lineal Disyuntivo

El modelo lineal disyuntivo, analizado en [38] y propuesto por varios autores, es una versin lineal del modelo DC. La transformacin del problema se realiza incorporando al modelo un parmetro M de valor muy grande permitiendo la separacin de los trminos cuadrticos, formados por variables binarias y reales, en relaciones lineales. El modelo lineal disyuntivo tiene la siguiente forma:
31
min v = cij yij + rk

(i , j ) k
s. a.: So f o + S1 f 1 + g + r = d
o f ijo ij (i j ) = 0
( i, j ) 1
1 f ij1 ij (i j ) M (1 yij ) 1 f ij1 ij (i j ) M (1 yij )
(2.14)
fijo f ij fij1 f ij yij 0r d 0 g g yij {0,1} ( i, j ) ; fijo , f ij1 , j irrestrictos donde: yij : Variable binaria igual a 1 si es adicionado el circuito en el camino i-j, caso contrario es igual a 0. So : Matriz de incidencia de ramas de los circuitos existentes en la configuracin base con flujos f o . S1 : Matriz de incidencia de ramas de los circuitos candidatos considerados como viarables binarias y con flujos f 1 .
o ij : Susceptancia equivalente de los circuitos existentes en la configuracin base en el
camino i-j. Las restricciones So f o + S1 f 1 + g + r = d representan la primera ley de Kirchhoff. La

o segunda ley de Kirchhoff expresada mediante las restricciones de tipo fijo ij (i j ) = 0 ,
se plantea por cada camino en donde existe circuito en la configuracin base. La segunda ley de Kirchhoff tambin est representada en el modelo para cada circuito candidato a 1 adicin a travs de las restricciones de tipo fij1 ij (i j ) M (1 yij ) y
1 fij1 ij (i j ) M (1 yij ) que en realidad son iguales a fij1 ij1 (i j ) M (1 yij ) .
32
2.1.7 Modelo Bsico Incluyendo Prdidas Tcnicas

En el captulo 7 se explica en detalle una propuesta para la incorporacin de las prdidas tcnicas del sistema en el proceso de planeamiento de la expansin de sistemas de transmisin. El modelamiento correspondiente a esta propuesta se obtiene haciendo una modificacin al modelo bsico en la primera ley de Kirchhoff y aumentando la capacidad de generacin del sistema. De esta forma, en (2.15), (2.16) y (2.17) d N representa el vector de demandas, donde cada elemento del vector corresponde a la demanda en cada nodo del sistema ms la componente de las perdidas de potencia que se asocian a dicho nodo, de acuerdo con el procedimiento que se explica en el captulo 7.la demanda en cada nodo (si la tuviese) ms las prdidas asociadas a cada uno de ellos y g representa el incremento de la capacidad que debe ser realizado en los nodos de generacin con el propsito de suplir las perdidas de potencia, en el caso de planeamiento sin redespacho. En el caso de planeamiento con redespacho este valor es igual a cero, ya que el sistema tiene holgura en las capacidades de generacin.
2.1.7.1 Modelo de Transportes Considerando Prdidas Tcnicas

(i , j )
k
s. a.: Sf + g + r = d N
o fij (nij + nij ) f ij
0r d 0 g g + g 0 nij nij nij entero f ij irrestricto
(2.15)
33
2.1.7.2 Modelo Hbrido Considerando Prdidas Tcnicas

(i , j )
k
s. a.: Sf + g + r = d N
o eq + ij f ij ( ij ) (i j ) = 0 o f ij (nij + nij ) fij
( i, j ) 1
0r d 0 g g + g 0 nij nij nij entero

eq discreto ij
(2.16)
f ij irrestricto
j irrestricto j 3
2.1.7.3 Modelo DC Considerando Prdidas Tcnicas

(i , j )
k
s. a.: Sf + g + r = d N
0r d 0 g g + g 0 nij nij nij entero

eq discreto ij
(2.17)
f ij irrestricto
j irrestricto
34

3 TCNICAS DE SOLUCIN DEL PROBLEMA ESTTICO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN
Muchos mtodos han sido propuestos para resolver el problema de planeamiento de la transmisin, el cual puede ser formulado como un problema de optimizacin combinatorial. Para problemas de gran escala los ms eficientes pueden ser los denominados algoritmos hbridos, que consisten en la combinacin de tcnicas metaheursticas con mtodos clsicos de optimizacin. En el presente captulo se har una sinopsis de los principales mtodos propuestos por varios autores: algoritmos heursticos constructivos, mtodos de optimizacin clsica y mtodos de optimizacin combinatorial.
3.1 ALGORITMOS HEURSTICOS CONSTRUCTIVOS

En el nacimiento de la investigacin sobre el problema de planeamiento de la transmisin se crearon los algoritmos heursticos constructivos. stos son procedimientos paso a paso guiados por criterios de sensibilidad o ndices de desempeo que encuentran buenas propuestas de expansin del sistema elctrico. En cada paso del algoritmo se adiciona uno o varios circuitos culminando el proceso cuando el conjunto de adiciones satisface las condiciones de operacin del sistema elctrico. Como se mencion en el captulo 2, existen diversas formas de modelar matemticamente el problema del planeamiento de la transmisin; as mismo, existen varios algoritmos heursticos diferenciados por el tipo de modelo que utilizan y el criterio de sensibilidad adoptado. La primera metodologa heurstica aproximada desarrollada fue la de Garver [4]. La solucin encontrada con este algoritmo es ptima para el modelo de transportes; su desempeo es liviano computacionalmente con relacin a la calidad de la respuesta y su implementacin no presenta dificultad. Villasana, Garver y Salon presentan en [6] una modificacin al algoritmo propuesto por Garver que utiliza el modelo hbrido. Se han desarrollado muchos algoritmos heursticos que utilizan el modelo DC ([18], [39] y [40] entre otros). De estos mtodos se pueden destacar los siguientes:
35
El algoritmo de mnimo esfuerzo [18]. En este, un indicador de sensibilidad identifica el circuito que produce la mayor reduccin de sobrecargas del sistema al ser adicionado. El algoritmo de mnimo corte de carga [39]. Su filosofa es similar a la del mtodo de mnimo esfuerzo; la diferencia radica en que el circuito a adicionar identificado por el indicador de sensibilidad produce reduccin en el corte de carga del sistema, es decir, los problemas de infactibilidad son traducidos en cortes de carga.
3.1.1 Algoritmos Heursticos Constructivos que usan el Modelo de Transportes

Garver en [4] sugiri por primera vez utilizar el modelo de transportes para la solucin del problema de la expansin de la transmisin. Su trabajo fue de gran importancia en los sistemas de potencia porque desarroll el primer algoritmo introduciendo tcnicas diferentes a las usadas en el anlisis de operacin de sistemas elctricos. Adems, inici la etapa de investigacin utilizando los algoritmos heursticos constructivos.
3.1.1.1 Algoritmo de Garver
El algoritmo de Garver [4] usa el modelo de transportes para solucionar el problema de la expansin de la transmisin. Este modelo asume la siguiente forma:
min v = cij nij
(i , j )
s. a.: Sf + g = d
o ) fij fij (nij + nij
(3.1)
0 g g 0 nij nij nij entero fij irrestricto
Como se indic en el captulo 2, este modelo considera solo la segunda ley de Kirchhoff y los lmites de flujos en los circuitos, es decir, este es un modelo relajado con relacin a los modelos hbrido y DC al no considerar la segunda ley de Kirchhoff. De lo anterior se deduce que la solucin encontrada mediante el algoritmo de Garver no es necesariamente una solucin factible para los modelos hbrido y DC.
36
La naturaleza discreta de los valores nij hacen que el problema (3.1) sea un PLEM; no obstante, si se admiten valores de nij no necesariamente enteros, (3.1) se vuelve un problema ms simple que tiene las caractersticas de un problema de programacin lineal (PL). El algoritmo de Garver mostrado aqu consiste en resolver (3.1) admitiendo valor reales de nij . De esta forma se identifica el camino que conduce mayor flujo de potencia, el cual representa la alternativa de adicin ms atractiva. El proceso se repite incorporando a la o ) uno o ms circuitos en el camino ms atractivo. El proceso configuracin actual ( nij termina cuando no exista en la solucin del PL trayectorias candidatas para adicin de circuitos, es decir, cuando el PL entregue los valores de nij iguales a cero. En la figura 3.1 se muestra el algoritmo de Garver. Figura 3.1. Algoritmo de Garver.
Asumir la configuracin base n ijo como la configuracin actual.
Resolver el PL del problema (3.1) para la configuracin actual.
Son todos los n ij iguales a cero? No
El proceso termina porque se ha enconrado una buena configuracin factible para el modelo de transportes.
Calcular los flujos en todos los nuevos circuitos adicionados por el PL, (n ij diferentes de cero), a travs de la relacin fijv = nij fijmax.
Adicionar a la configuracin actual un circuito en el camino con mayor fijv.
El algoritmo presentado puede ser modificado para obtener otras versiones un poco diferentes. Algunas alternativas son:
37
1. Incorporar a la configuracin base la parte entera de todos los circuitos con valor nij 1, despus de la solucin del primer PL. 2. En vez de adicionar un circuito en el camino con mayor valor de f ij , hacerlo en el camino con mayor valor de nij . 3. Elegir como candidato a adicin el camino con mayor valor de f ij , pero en lugar de adicionar un circuito, adicionar un nmero igual a la parte entera de nij . 4. Cuando se haya obtenido una solucin factible, incorporar un proceso iterativo donde se retiren los circuitos innecesarios (Fase II).
v v
3.1.2 Algoritmos Heursticos Constructivos que usan el Modelo DC

El modelo DC es considerado en planeamiento de la expansin de sistemas de transmisin como el modelo ideal porque se ha considerado como la representacin ms adecuada para este problema. A pesar de esto, es importante mencionar que las soluciones entregadas por este modelo requieren de un refuerzo en las etapas posteriores del estudio para lo cual deben probarse a travs de modelos ms exactos como el flujo de carga AC, pero que este no se utiliza en el planeamiento de la transmisin principalmente por las dificultades que presenta en la convergencia del modelo para sistemas no conexos. En esta parte se exponen las principales caractersticas de dos algoritmos que utilizan el modelo DC; ellos son: el algoritmo de mnimo esfuerzo y el algoritmo de mnimo corte de carga.
3.1.2.1 Algoritmo de Mnimo Esfuerzo
El algoritmo de mnimo esfuerzo [18] utiliza el mismo principio de adicin de un circuito en cada paso. La diferencia bsica est en el tipo de modelo utilizado y en el ndice de sensibilidad que gua la construccin del plan de expansin. En cada paso se resuelve un problema de flujo de carga, solucionando el siguiente problema:
B = P
(3.2)
siendo P el vector de inyecciones lquidas de potencia y B la matriz de susceptancias del sistema formada por los circuitos de la configuracin actual. A travs de la relacin (3.3) y utilizando los valores de obtenidos de (3.2) se puede calcular los flujos de potencia en el sistema.
38
eq fij = (i j ) ij
(3.3)
Conocidos los flujos de potencia a travs del sistema de potencia se pueden identificar los circuitos sobrecargados. El indicador de sensibilidad sugiere el circuito candidato a adicin que disminuya en mayor medida el corte de carga del sistema. Para el algoritmo de mnimo me esfuerzo el indicador ( SI ij ) puede asumir las siguientes formas:
me SI ij = 2 1 i j ) ij ( 2
(3.4)
mec SI ij = 2 1 i j ) ij cij ( 2
(3.5)
en donde cij es el costo de adicin de un circuito en el camino i-j. Un tema que puede presentar inconvenientes en la obtencin de los valores de es la presencia en la configuracin del sistema de nodos aislados. Generalmente problemas como este no tienen solucin y para aplicar el ndice de sensibilidad propuesto en el algoritmo de mnimo esfuerzo se requieren los valores de en todos los nodos. Una red ficticia que une nodos inconexos con valores de circuitos reducidos (por ejemplo: nij = 0.001) soluciona este problema. Para obtener los mismos resultados de (3.2) a travs de la utilizacin de algoritmos de PL la formulacin matemtica cambia como es mostrado en (3.6). min w = ri s.a.: B + g + r = d 0 g g 0rd j irrestricto Un resumen del algoritmo de mnimo esfuerzo es presentado en la figura 3.2. (3.6)
39
Figura 3.2.
Algoritmo de Mnimo Esfuerzo.
Asumir la configuracin base nijo como la configuracin actual.
Se han eliminado las sobrecargas del sistema? No
Se ha encontrado una configuracin factible. Pasar a la Fase II. Fase II: Ordenar los circuitos adicionados en decrecientemente con relacin a sus costos y eliminar aquellos que no produzcan sobrecargas en el sistema.
Calcular los indicadores de sensibilidad usando (3.4) o (3.5) y ordenarlos en forma descendente.
Adicionar a la configuracin actual un circuito en el camino indicado por el primer elemento de la lista de ndicadores de sensibilidad.
3.1.2.2 Algoritmo de Mnimo Corte de Carga
Este algoritmo usa el modelo DC. La sobrecarga en los circuitos permitida en el algoritmo de mnimo esfuerzo para solucionar los problemas de operacin del sistema pierde validez en el algoritmo de mnimo corte de carta; en lugar de esto, el problema de convergencia se soluciona permitiendo racionamientos. En otras palabras, se admiten cortes de carga representados en generadores artificiales. Como en los anteriores algoritmos, en este se adiciona un circuito en cada paso con la gua de un indicador de sensibilidad. El proceso termina cuando las adiciones hechas satisfacen el sistema de tal forma que no se presenta corte de carga. El PL que se resuelve en cada paso de este algoritmo (3.7) tiene una restriccin adicional con relacin a (3.6) que limita el flujo en los circuitos mantenindolo dentro de sus lmites de operacin.
40
min w = ri s.a.: B + g + r = d
i j ij
0 g g 0rd
(3.7)
j irrestricto
El indicador de sensibilidad para el mtodo de mnimo corte de carga ( SI ij ) es el mostrado en (3.8) o (3.9).
mc SI ij = (i j )( i j )
mc
(3.8)
mc SI ij = (i j )( i j ) cij
(3.9)
donde j son las variables duales asociadas a las restricciones B+g+r=d y j son los ngulos de tensin de las barras del sistema calculados de la solucin de (3.7). Al igual que en el mtodo de mnimo esfuerzo, en el mtodo de mnimo corte de carga puede ser problemtica la presencia de nodos aislados. La solucin es similar a la usada con el anterior mtodo expuesto, se crea una red ficticia que una los nodos aislados del sistema formada por circuitos con valores muy pequeos (usualmente nij = 0.001). Adems, se permite que la abertura angular en estos circuitos se superior a la de los circuitos normales (por ejemplo: | i j | 10 ij ). A continuacin se muestra un resumen del algoritmo de mnimo corte de carga:
41
Figura 3.3.
Algoritmo de Mnimo Corte de Carga.
Asumir la configuracin base nijo como la configuracin actual.
Se han eliminado los cortes de carga del sistema? No
Se ha encontrado una configuracin factible. Pasar a la Fase II. Fase II: Ordenar los circuitos adicionados en decrecientemente con relacin a sus costos y eliminar aquellos que no produzcan cortes de carga.
Calcular los ndices de sensibilidad usando (3.8) o (3.9) y ordenarlos en forma descendente.
Adicionar a la configuracin actual un circuito en el camino indicado por el primer elemento de la lista de ndices de sensibilidad.
3.1.3 Algoritmos Heursticos Constructivos que usan Modelos Mixtos

Muchos algoritmos que utilizan el modelo DC modificado, llamados modelos mixtos, se han utilizado en diferentes investigaciones (algoritmo de Villasana-Garver [6], Algoritmo de red marginal de Levi-Calovic [40] y el mtodo CHOPIN [41] entre otros). En cada uno de ellos el indicador de sensibilidad cambia y la solucin que entregan satisface las restricciones del modelo DC. Seguidamente se expondrn los aspectos ms relevantes del algoritmo de Villasana-Garver.
42
3.1.3.1 Algoritmo de Villasana-Garver
El modelamiento matemtico de este algoritmo utiliza dos redes superpuestas, una llamada red actual y otra llamada red artificial. La idea esencial de este algoritmo es resolver el problema operativo usando solamente los circuitos de la red actual; los circuitos artificiales sern usados nicamente en caso de que los circuitos existentes sean insuficientes para resolver el problema. En sntesis, en el modelo utilizado en el algoritmo de Villasana-Garver se satisface las dos leyes de Kirchhoff para la red actual y solamente la primera ley de Kirchhoff para la red artificial. Por lo tanto, el modelo es un hbrido entre el modelo DC (para la red actual) y el modelo de transportes (para la red artificial). El PL que debe ser resuelto en cada paso del algoritmo se presenta en (3.10).
min v = cij nij s.a.: Sf + B11 + g = 0
i j ij (i, j ) 1
fij f ij nij (i, j ) 0 g g nij 0 fij irrestricto
(3.10)
j irrestricto
donde S es la matriz de incidencia de ramas de la red actual y artificial, fij es el flujo a travs del camino artificial i-j, B1 es la matriz de susceptancias de los circuitos existentes en la configuracin actual, 1 es el vector de ngulos de tensin de los nodos que estn conectados al sistema elctrico a travs de circuitos en la configuracin actual, nij es el nmero de circuitos artificiales que deben ser adicionados adecuada operacin del sistema y 1 representa el conjunto de todos los caminos en que existen circuitos en la configuracin actual. En cada paso del algoritmo propuesto en [6] se sugiere adicionar un circuito en el camino identificado por el circuito artificial que transporta mayor flujo de potencia. Con esta adicin se actualiza la configuracin actual cambiando la estructura de la matriz B1. Adems se debe adicionar a la formulacin matemtica la restriccin | i j | ij asociada al nuevo circuito presente en la red actual. El algoritmo de Villasana-Garver se resume en la figura 3.4.
43
Figura 3.4.
Algoritmo de Villasana-Garver.
Asumir la configuracin base, sin ninguna adicin, como la configuracin actual y construir el problema (3.10) para esa configuracin.
Son todos los n ij iguales a cero? No
Se ha encontrado una configuracin factible para el modelo DC. Pasar a la Fase II. Fase II: Ordenar los circuitos adicionados en decrecientemente con relacin a sus costos y eliminar aquellos que no produzcan cortes de carga.
Calcular la inversin actual, que es la suma de los costos adicionados ms la inversin entregada por el PL.
Calcular los ndices de sensibilidad usando (3.8) o (3.9) y ordenarlos en forma descendente.
Adicionar a la configuracin actual un circuito en el camino ficticio que conduce el mayor flujo de potencia.
3.2 MTODOS DE OPTIMIZACIN CLASICA

La principal herramienta encontrada durante el afn por hallar solucin el modelo DC (3.11) durante los aos 80 fue la tcnica de descomposicin matemtica de Benders. En [15], [42] y [12] se exponen aplicaciones relacionadas con la utilizacin de la descomposicin de Benders para el problema de planeamiento de la expansin de sistemas de transmisin.
44
El problema es resuelto explorando la descomposicin natural del problema de planeamiento de la expansin de la transmisin la cual permite su subdivisin en dos partes: Subproblema de inversin. En este se escoge un plan de expansin candidato y se calculan los costos de inversin asociados al mismo. Subproblema de operacin. Donde es probado el plan de expansin candidato en trminos de una adecuada atencin de la demanda.
A grandes rasgos, en el desarrollo del mtodo se obtiene la solucin global mediante procesos iterativos utilizando las soluciones separadas de los subproblemas de operacin e inversin. El trabajo hecho por Romero y Monticelli [15] fue meritorio porque report el hallazgo de soluciones ptimas para sistemas de pequeo y mediano tamao, Garver de 6 nodos y 15 lneas y Sur Brasil de 46 nodos y 79 lneas; pero, a pesar de la expectativa causada, el mtodo mostr ineficiencia en sistemas de gran tamao como el Norte-Nordeste Brasil de 87 nodos y 183 lneas.. La metodologa propuesta en [15] propuso la utilizacin de un esquema de descomposicin jerarquizado compuesto por tres fases: la primera fase resuelve el problema de planeamiento de la expansin de la transmisin usando descomposicin de Benders en la cual el subproblema de operacin se soluciona utilizado el modelo de transportes, relajando la restricciones de integralidad de las variables de inversin. En la segunda fase la red es modelada utilizando un modelo hbrido. Finalmente, en la ltima fase se utiliza el modelo DC y se resuelve el subproblema de operacin usando un algoritmo de programacin lineal y el subproblema de inversin es solucionado usando un algoritmo de enumeracin implcita [12]. Otro algoritmo que manifest relevancia en la solucin del problema de la expansin de la transmisin es el de Branch and Bound. Trabajos como [43], [44] y [45], los dos primeros usando el modelo de transportes y el tercero usando el modelo lineal disyuntivo, evidenciaron el desempeo de este algoritmo. Una vez mostrada la ineficacia de las tcnicas de descomposicin para resolver sistemas de gran tamao, la siguiente tendencia en investigacin se orient hacia los mtodos de optimizacin combinatorial, ya que permiten la solucin de problemas de gran tamao, obtienen soluciones muy prximas al ptimo global y emplean tiempos de cmputo razonables.
45
3.3 MTODOS DE OPTIMIZACIN COMBINATORIAL

Las tcnicas de optimizacin combinatorial se han convertido en herramientas usadas para resolver problemas de optimizacin de gran tamao en los que las tcnicas clsicas fracasan. Entre ellas se encuentran el Simulated Annealing, los Algoritmos Genticos y la Bsqueda Tab, para las cuales se mencionarn sus principios bsicos a continuacin. Adems de las tcnicas mencionadas, en los ltimos aos se han desarrollado mtodos inspirados en la conducta colectiva o comportamiento social de grupos biolgicos en la naturaleza, como lo son los mtodos de Colonia de Hormigas y Cmulo de Partculas. Tambin han aparecido mtodos basados en reglas heursticas como Scatter Search y Vecindario Variable que estn siendo aplicados a problemas de optimizacin.
3.3.1 Simulated Annealing

La idea original que dio lugar al Simulated Annealing es el algoritmo de Metrpolis, el que a su vez est basado en el mtodo de Montecarlo, con el cual se estudian las propiedades de equilibrio en el anlisis del comportamiento microscpico de los cuerpos. La tcnica se fundamenta en el proceso fsico de calentamiento de un slido, seguido por un enfriamiento hasta lograr un estado cristalino con una estructura perfecta. Durante este proceso, la energa libre del slido es minimizada. A una temperatura T, en el estado con nivel de energa Ei, se genera el estado siguiente j a travs de una pequea perturbacin. Si la diferencia de energa Ej Ei es menor o igual a cero, el estado j es aceptado. Si la diferencia de energa es mayor que cero, el estado j es aceptado con una probabilidad dada por (3.11), donde kB es la constante de Boltzmann. Si la disminucin de la temperatura es hecha de manera paulatina, el slido puede alcanzar el estado de equilibrio en cada nivel de temperatura.
Ei E j
k BT
(3.11)
El Simulated Annealing aplica la simulacin de la secuencia de estados en el proceso de enfriamiento para la solucin de problemas de minimizacin. El costo de la configuracin se asocia a la energa y T corresponde al parmetro de control. A partir del estado i con costo f(i), se genera el estado j con costo f(j). El criterio de aceptacin determina si el nuevo estado es aceptado; para esto se calcula la probabilidad segn:
1 Prob. Acep. j = f(i) f(j) T e
si f(j) f(i) si f(j) > f(i) (3.12)
46
Con esta estrategia se evita el quedar atrapado en mnimos locales. Inicialmente cuando T es grande, se permiten nuevas configuraciones que deterioren la funcin objetivo. A medida que disminuye la temperatura, la probabilidad de aceptar soluciones peores que la que se tiene es cada vez menor. Presenta la desventaja de que se requieren tiempos de clculo elevados para encontrar la solucin ptima o una de calidad similar para problemas de gran tamao, en cuyo caso puede aplicarse usando procesamiento paralelo.
3.3.2 Algoritmos Genticos

Los algoritmos genticos son una metaheurstica basada en los mecanismos de seleccin natural. Estos algoritmos fueron propuestos por Holland [46] en la dcada de 1970. Un algoritmo gentico simple tiene los operadores de seleccin, recombinacin y mutacin aplicados para imitar el proceso de seleccin de la naturaleza en el que los individuos se van adaptando al medio que habitan. Se trabaja con poblaciones, donde un individuo representa una configuracin solucin para el problema. Cada componente del individuo se denomina gen y corresponde a una variable del problema. La forma como se codifique el problema para representar una configuracin solucin por medio de un individuo es determinante para el xito del algoritmo gentico. La seleccin permite elegir las configuraciones de la poblacin actual que tienen derecho a participar en la formacin de los nuevos individuos de la siguiente generacin. El operador de seleccin determina cuntos hijos le corresponden a cada configuracin padre, de acuerdo a las caractersticas del padre en trminos de su funcin objetivo o de la funcin de adaptacin; siendo la seleccin proporcional, en la que el nmero de descendientes es proporcional a la funcin de adaptacin, el criterio ms usado en la seleccin. La recombinacin se aplica a las configuraciones seleccionadas, donde se intercambia el material gentico de dos configuraciones padre, para generar entonces dos hijos. Se define aleatoriamente un punto de recombinacin, sobre el cul se intercambia la informacin del lado izquierdo del primer padre con la del segundo padre, de tal forma que un hijo contendr la configuracin del primer padre al lado izquierdo del punto de recombinacin y la configuracin del segundo padre al lado derecho del punto de recombinacin, tal como se muestra en la figura 3.5. La recombinacin descrita es de un solo punto, pudindose implementar la recombinacin multipunto. Figura 3.5.
X1 X2 X3 X4 X5 X6
Aplicacin del punto de recombinacin.

X7 X8 X1 X2 X3 Y
4
Punto de Recombinacin
Y Y
1
X4
X5
X6
X7
X8
47
El operador de mutacin se aplica despus de la recombinacin siguiendo una probabilidad de acuerdo a la tasa de mutacin definida para el proceso. Tericamente la mutacin se hace para cada gen de la configuracin. En el caso en que se aplique la mutacin a un elemento del individuo, el valor de la posicin correspondiente se cambia; si la codificacin del problema es binaria; en el caso de que el valor de la posicin sea uno se cambia para cero y si el valor de la posicin es cero se cambia para uno.
3.4 OTRAS TCNICAS DE SOLUCIN

En la literatura especializada se encuentran numerosos autores que han abordado el problema de planeamiento de la expansin de la transmisin. Los avances en esta rea se potencian en gran medida por los mejoramientos en las capacidades de los sistemas de cmputo y por la implementacin de nuevos o mejorados algoritmos de optimizacin. El planeamiento de la expansin tambin ha sido resuelto usando modelos orientados a objetos [24], teora de juegos [25], teora difusa [27], GRASP [28] y cmulo de partculas (Partculas Swarm) [47] entre otras. Otras tcnicas de optimizacin como colonia de hormigas o sistema inmune artificial tambin pueden se usadas para resolver el problema de planeamiento de la expansin de sistemas de transmisin.
48

4 BQUEDA TAB
Bsqueda Tab [48] es una tcnica de optimizacin combinatorial que proviene de la inteligencia artificial y usa conceptos de memoria adaptiva y exploracin sensible. Esta tcnica resuelve problemas del tipo (4.1):
min f(x) s.a. x X
(4.1)
donde f es una funcin general, lineal o no lineal, y X es un conjunto de restricciones que tambin pueden ser lineales o no. Las variables x pueden ser de naturaleza continua, entera o mixta. La exploracin sensible de Bsqueda Tab se basa en la idea de que una mala decisin hecha por una estrategia produce ms informacin que una buena seleccin hecha de forma aleatoria. Bsqueda Tab implementa una estrategia de bsqueda local para explorar de forma eficiente el espacio alrededor de una configuracin. Cada solucin tiene asociado un conjunto de soluciones vecinas llamada vecindad. Con la estructura de vecindad dada, la bsqueda local permite pasar a la mejor configuracin vecina, o en el caso de que la configuracin actual sea la mejor, se pasa a la que menos degrada la solucin actual, donde se aplica nuevamente bsqueda local sobre la nueva vecindad en busca de la solucin ptima. Debido a que en cada paso se deben analizar todos los vecinos (o un conjunto reducido que sigue siendo grande), Bsqueda Tab es un mtodo de alto costo computacional. Un algoritmo de Bsqueda Tab completo utiliza tcnicas de exploracin y de memoria avanzadas, como lo son: memoria de corto y largo plazo, estrategias de intensificacin, diversificacin, oscilacin estratgica, path relinking y lista de configuraciones de lite, entre otras. La figura 4.1 muestra el mdulo bsico de funcionamiento del algoritmo Bsqueda Tab.
49
Figura 4.1.
Mecanismo de Bsqueda Tab.

Configuracin obtenida con una heurstica constructiva.
Bsqueda Tab con memoria de corto plazo usando intensificacin y oscilacin estratgica.
Configuracin despus Bsqueda Tab/intensificacin.
Diversificacin: obtenida haciendo modificaciones significativas en la configuracin o usando path relinking . Configuracin despus de diversificacin (terminada para un nuevo proceso Bsqueda Tab/intensificacin).
El mecanismo de implementacin de Bsqueda Tab/intensificacin y de diversificacin, de manera cclica, constituye la base fundamental de funcionamiento de un algoritmo Bsqueda Tab.
4.1 ASPECTOS BSICOS DE BSQUEDA TAB

4.1.1 Configuracin Inicial
La configuracin inicial puede ser obtenida aleatoriamente, por medio de un algoritmo constructivo o alguna tcnica heurstica que utilice ndices de sensibilidad. Una configuracin aleatoria puede tener la ventaja de que evita una convergencia prematura, pero una configuracin inicial de mala calidad conduce a un esfuerzo computacional mayor. Una buena configuracin inicial encontrada usando un constructivo puede estar en una regin promisoria. Existen dos tipos de algoritmos Bsqueda Tab que utilizan los mecanismos de Bsqueda Tab/intensificacin y diversificacin presentados en la figura 4.1. La diferencia bsica entre ellos consiste en que, en el primero, el proceso es iniciado usando una sola configuracin; en el segundo, el proceso se inicia con k configuraciones. En la figura 4.2 se presenta el algoritmo Bsqueda Tab con una sola configuracin de partida. En este la configuracin inicial es sometida a un proceso Bsqueda Tab/intensificacin. Durante este proceso, las p mejores configuraciones obtenidas son
50
almacenadas. En el paso siguiente, se selecciona la configuracin almacenada de mejor funcin objetivo, la cual es sometida a un proceso de diversificacin-Bsqueda Tab/intensificacin, implementado de manera semejante a la mostrada en la figura 4.3. Durante el proceso de Bsqueda Tab/intensificacin, cada vez que se obtiene una configuracin con pequeo corte de carga, se compara su funcin objetivo con la de las almacenadas; si es mejor, se substituye la de peor funcin objetivo. El nmero de configuraciones substituas es limitado a p. En el caso que se obtengan ms de p configuraciones con mejor funcin objetivo, se substituye alguna de las p anteriormente almacenadas. De las configuraciones almacenadas, se seleccionan las mejores para formar la lista lite, la cual ser empleada en el proceso de diversificacin. El proceso finaliza cuando todas las k configuraciones almacenadas ya han sido estudiadas. Figura 4.2.
Inicio
Algoritmo de Bsqueda Tab con una nica configuracin de partida.

1 Nota: Cada configuracin analizada tiene derecho a almacenar hasta p configuraciones descendientes.
Proceso de Bsqueda Tab/Intensificacin
Sustituye posicin 3
2 Proceso de diversificacin Bsqueda Tab/Intensificacin 3
Sustituye
Posiciones de memoria que contiene las mejores configuraciones que sern analizadas
En la figura 4.3 se presenta con mayor detalle el algoritmo para el caso de k configuraciones de partida. En esta figura, en el nivel I, se muestra un conjunto de k configuraciones iniciales para iniciar el algoritmo Bsqueda Tab.
51
Figura 4.3
Algoritmo de Bsqueda Tab con k configuraciones de partida.

Nota: Cada configuracin analizada tiene derecho a almacenar hasta p configuraciones descendientes. Sustituye posicin 1
Nivel I Nivel II Proceso de Bsqueda Tab/Intensificacin Configuracin 1
Configuracin 2
Sustituye posicin 2
Configuracin 3 Proceso de diversificacin Bsqueda Tab/Intensificacin
Configuracin k Posiciones de memoria que contiene las mejores configuraciones que sern analizadas
4.1.2 Generacin del Vecindario

Un vecino de una configuracin X es una configuracin X obtenida a partir de X por medio de una transicin simple. Siendo que en la mayora de los casos el vecindario N(X) puede ser muy grande lo que implica un elevado esfuerzo de cmputo en el proceso de bsqueda local, se debe reducir el nmero de vecinos a un conjunto N(X) ms pequeo que N(X), redefiniendo el vecindario. Se tienen diferentes formas de reducir el vecindario: Tomar un nmero determinado de configuraciones seleccionadas aleatoriamente del conjunto N(X). Aspiracin adicional. Se utiliza algn criterio como puede ser la reduccin de la funcin objetivo hasta cierto valor. Cuando se encuentra una configuracin que cumpla la condicin, se evalan otras configuraciones adicionales. Se debe fijar un nmero mnimo y mximo de configuraciones a ser analizadas.
52
Lista de reduccin de candidatos de lite. Se selecciona un conjunto de configuraciones vecinas con atributos particulares, las cuales son llamadas configuraciones de lite.
4.1.3 Seleccin del Mejor Vecino

Se evala cada vecino, se determina su funcin objetivo y se verifica si cumple las restricciones del problema a resolver, para determinar la factibilidad de la configuracin vecina. Los vecinos son clasificados en una lista de acuerdo al valor de la funcin objetivo y el proceso selecciona el mejor candidato. El primer candidato de la lista (de mejor funcin objetivo) es seleccionado si el movimiento efectuado para pasar de la configuracin actual a la configuracin vecina no se encuentra prohibido (estado tab) y si es factible; este modo de seleccin se denomina seleccin agresiva la cual imita las caractersticas de un algoritmo goloso. Si el mejor vecino de la lista de candidatos esta clasificado como tab por el proceso de optimizacin, el criterio de aspiracin permite que sea seleccionado a pesar de la prohibicin si la configuracin analizada mejora la configuracin incumbente (mejor solucin encontrada hasta el momento por el proceso). Si en el vecindario generado no existe ninguna configuracin que mejora la funcin objetivo, entonces es seleccionada la mejor de las peores pero que no haya sido clasificada como tab durante el proceso de optimizacin. Esta estrategia evita que se quede atrapado en ptimos locales.
4.1.4 Actualizacin de la Estructura Tab

Bsqueda Tab usa una estructura que tiene la misma codificacin de la configuracin X, para almacenar la informacin de los atributos que han cambiado o que han permanecido sin cambio alguno en el proceso de bsqueda. Esta informacin se almacena en las memorias de corto y largo plazo, las cuales pueden tener un criterio de almacenamiento fijo o variable a lo largo del proceso dependiendo del comportamiento de la bsqueda. Esto es lo que constituye la memoria adaptiva. La memoria usada en Bsqueda Tab puede ser explcita o por atributos. La memoria explcita almacena la informacin completa de configuraciones lite (configuraciones de buena calidad) encontradas durante la bsqueda. La memoria basada en atributos almacena la informacin de los atributos que cambian al pasar de una configuracin a otra, presentando como ventajas la facilidad de almacenamiento, manipulacin y verificacin. Con esto, se evita regresar a configuraciones ya visitadas, lo cul es ventajoso; pero tambin se podran dejar de visitar regiones no visitadas que tengan atributos prohibidos de aquellas ya exploradas.
53
4.2 ESTRUCTURAS DE MEMORIA EN BSQUEDA TAB

4.2.1 Memoria de Corto Plazo
En la memoria de corto plazo los elementos del vector X que han cambiado recientemente son clasificados como prohibidos o en estado tab durante un nmero determinado de iteraciones. Este nmero es almacenado en la memoria de corto plazo y es conocido como Status Tab. Varias posiciones de la configuracin X pueden estar prohibidas y el Status Tab puede o no ser variable a lo largo del proceso, siendo una caracterstica que previene el ciclaje haciendo que el proceso de bsqueda sea inteligente. Cuando el mejor vecino es seleccionado, la posicin de la configuracin X que fue cambiada se prohbe durante k iteraciones y a las posiciones restringidas se les diminuye el estado tab en una iteracin. La figura 4.4 muestra una iteracin del algoritmo Bsqueda Tab que usa memoria de corto plazo considerando que una iteracin inicia con la configuracin actual, evala todas las configuraciones candidatas y selecciona la mejor como la nueva configuracin actual. En la parte A de la figura 4.4 se generan todas las configuraciones candidatas En la parte B se activa la lista tab. Podrn ser generadas una o varias listas tab dependiendo del problema y del nivel de sofisticacin del algoritmo La lista tab puede ser operada de dos maneras:
Una implementacin continua que no elimine automticamente una configuracin candidata que posea atributos prohibidos; as, configuraciones de este tipo son penalizadas en la funcin objetivo (o su equivalente) en C para que se vuelvan poco atractivas. Una implementacin discreta en donde toda configuracin con atributos prohibidos es eliminada automticamente. En este ltimo caso, se debe eliminar el bloque D y de la salida de C debe regresar directamente al bloque A. El nmero k de iteraciones que un atributo permanece prohibido es denominado status tab y el tamao de k puede variar en cada lista y durante el proceso, produciendo algoritmos con diferentes tipos de desempeo.
En el bloque C se implementa el denominado criterio de aspiracin cuya finalidad es proporcionar mayor flexibilidad al proceso. En este caso una configuracin que posee atributo(s) prohibido(s) puede tener la prohibicin anulada si esa configuracin satisface un criterio de aspiracin. Con lo anterior se intenta relajar la rigidez de la lista tab que almacena atributos prohibidos. Una configuracin candidata de excelente calidad puede tener un atributo prohibido porque comparte ese atributo con una configuracin ya visitada en el pasado reciente. As, la lista tab, al prohibir regresar de nuevo configuraciones visitadas en el pasado reciente, puede tambin prohibir visitar configuraciones nuevas de
54
excelente calidad. Esta caracterstica es atenuada parcialmente con el criterio de aspiracin que elimina la prohibicin de una configuracin candidata, si la misma tiene un valor de funcin objetivo de excelente calidad. Figura 4.4. Movimiento de Bsqueda Tab con memoria de corto plazo.
Evaluacin de la Lista de Candidatos Tomar una configuracin de la lista de configuraciones vecinas la cual se llamar configuracin candidata.
B
Prueba Tab Identificar el atributo o los atributos de la configuracin actual que fueron modificados para generar la configuracin candidata. Los atributos identificados estn clasificados como tab?
No
C E
Evaluacin Tab sin Penalizacin Calcular la funcin objetivo sin penalizacin o considerando una pequea penalizacin. S Prueba de Aspiracin El valor de la funcin objetivo de la configuracin candidata es mejor que el de la incumbente?
F
Actualizacin de la mejor configuracin candidata Si el valor de la funcin objetivo configuracin candidata es el mejor entre los ya evaluados, almacenar esta informacin..
No
Evaluacin Tab con Penalizacin Calcular la funcin objetivo con una alta penalizacin.
G
No Prueba de fin Fueron evaluadas todas las configuraciones candidatas generadas. S
H
Pasar a la mejor configuracin encontrada Pasar de la configuracin actual a la mejor configuaricin candidata encontrada.
Existen varias formas de definir el criterio de aspiracin y la manera ms rgida de definirlo es la siguiente: si una configuracin candidata produce una funcin objetivo mejor que la incumbente (la mejor configuracin ya encontrada) entonces se debe eliminar la prohibicin de almacenar esa configuracin candidata en el bloque F.
55
En el bloque E de la figura 4.4 se realiza la evaluacin de la funcin objetivo para cada configuracin candidata. En el bloque F se almacena la mejor configuracin candidata encontrada; en el bloque G se verifica si todas las configuraciones candidatas ya fueron analizadas y en H se realiza la transicin en la cual, la configuracin actual es sustituida por la mejor configuracin candidata encontrada.
4.2.2 Memoria de Largo Plazo

El desempeo del algoritmo de Bsqueda Tab puede incrementarse al usar estrategias basadas en la informacin que se va almacenando en la memoria de largo plazo durante el trascurso del proceso. El uso de la memoria de largo plazo no requiere de tiempos considerables para obtener beneficios en la aplicacin de las estrategias asociadas. A menudo las mejoras se presentan en tiempos relativamente cortos, lo que hace que los esfuerzos para llegar a la solucin final sean ms pequeos (ver [49]). Algunas estrategias relacionadas con la memoria de largo plazo son: Memoria basada en frecuencia. Estrategia de intensificacin. Estrategia de diversificacin.
4.2.2.1 Memoria Basada en Frecuencia
La memoria basada en frecuencia almacena la informacin del nmero de veces que un atributo en una configuracin fue escogido para generar o participar en la formacin de nuevas configuraciones. Existen dos tipos de memoria basada en frecuencia: Frecuencia de transicin: que guarda el nmero de veces que un atributo fue retirado o adicionado para formar nuevas configuraciones. Frecuencia de residencia o permanencia: que guarda el nmero de veces que un atributo permanece en las nuevas configuraciones. La informacin de la memoria basada en frecuencia puede ser utilizada para aplicar estrategias de intensificacin o diversificacin basndose en la frecuencia de permanencia de un atributo, penalizando o incentivando configuraciones con determinados atributos.
56
4.2.2.2 Estrategia de Intensificacin
La estrategia de intensificacin se basa en la modificacin de las reglas de eleccin para favorecer movimientos en la bsqueda de nuevas configuraciones, utilizando la informacin acumulada en el proceso de bsqueda [50]. En otras palabras, lo que se hace es cambiar la forma como se construye el conjunto reducido de candidatos N(X). Con esto se puede regresar a regiones atractivas para realizar una bsqueda ms intensa. La intensificacin tiene como objetivo reducir el nmero de alternativas ha ser evaluadas para concentrarse en regiones determinadas. Puede ser implementada de formas diferentes: Eliminando o incorporando nuevos vecinos en la configuracin actual, comnmente considerando configuraciones de lite o configuraciones que tengan esos atributos como vecinos. Modificando la caracterizacin de la configuracin vecina, lo que se obtiene al redefinir el vecindario N(X). Retornando a regiones atractivas para hacer una bsqueda ms intensa en la vecindad. Realizando intensificacin por descomposicin, donde se agregan restricciones sobre atributos, estructuras o partes del problema para disminuir el espacio de bsqueda. En la intensificacin regresando a las regiones atractivas, mostrada en la figura 4.5, la parte ms importante es el bloque B identificado como estrategia de seleccin de configuraciones de lite. Este bloque identifica la estrategia que debe ser implementada para encontrar un conjunto de configuraciones de lite en cada una de ellas, para lo cual identifica una regin promisoria. As, a partir de cada una de las configuraciones de lite almacenadas en la lista, se debe implementar un nuevo proceso de bsqueda de excelentes configuraciones, guiado por una estrategia de Bsqueda Tab de memoria de corto plazo como muestra el bloque D. Existen tres estrategias para encontrar las k configuraciones de lite que deben ser almacenadas en la lista en el bloque B que son mostradas a continuacin:
1.
Introducir alguna forma de diversificacin para encontrar y almacenar configuraciones significativamente diferentes, borrar toda la memoria de corto plazo y reinicializar el proceso a partir de la ltima configuracin almacenada. Formar y mantener una lista de tamao especificado y adicionar una nueva configuracin como ltimo elemento de la lista solamente si ella es mejor que alguna configuracin ya almacenada. El ltimo elemento de la lista siempre es la primera seleccin para reiniciar la bsqueda. En este caso es necesario almacenar la
2.
57
memoria de corto plazo de la ltima configuracin almacenada para evitar regresar a visitar esa configuracin.
3.
Una tercera variante consiste en construir y mantener en forma ordenada una lista con las k mejores configuraciones encontradas durante un nmero determinado de iteraciones. Despus el proceso es reiniciado durante un nmero de iteraciones especificado, con la peor configuracin y usando una bsqueda tab probabilstica para evitar regresar a la misma configuracin. Durante este proceso, cualquier configuracin que sea mejor que la peor de la lista debe ser incorporada en la lista, sustituyendo la peor configuracin y debe ser colocada en forma ordenada en la lista de acuerdo con el valor de su funcin objetivo. Figura 4.5. Implementacin simple de intensificacin en Bsqueda Tab.
Usar Bsqueda Tab con memoria de corto plazo A
Usar una estrategia de seleccin de configuraciones lite Generar y almacenar una lista de k configuraciones de lite (entre 5 y 30 configuraciones de lite). B
Cuando la posibilidad de encontrar nuevas configuraciones de excelente calidad usando memoria de corto plazo disminuye de un nivle deseado Parar si se ha logrado el lmite de iteraciones o si la lista de configuraciones de lite est vaca. En caso contrario, seleccionar una configuracin lite de la lista y eliminar esa configuracin de la lista. C
Reiniciar Bsqueda Tab con memoria de corto plazo a partir de la configuracin lite seleccionada Si las nuevas configuraciones satisfacen le exigencia de la estretegia de seleccin entonces adicionar esas configuraciones en la lista (sustituyendo otras si la lista est llena) D
58
4.2.2.3 Estrategia de Diversificacin
La estrategia de diversificacin consigue llevar la bsqueda a nuevas regiones. Se basa en la idea de que la modificacin de las reglas de seleccin tiene como consecuencia la seleccin de atributos que no fueron utilizados frecuentemente. Se cambia la forma como se construye el conjunto de vecindad N(X), incorporando vecinos constituidos por atributos que fueron poco usados. De este modo, al agregar estos nuevos atributos en las configuraciones, la bsqueda se traslada a nuevas regiones probablemente no visitadas. Al utilizar la diversificacin se pueden encontrar mejoras significativas, tal y como se muestra en [50]. La mayora de algoritmos que implementan diversificacin usan memoria de largo plazo basada en frecuencia de transicin, pero tambin se puede usar la memoria de largo plazo basada en la permanencia. La figura 4.6 muestra una estrategia simple de diversificacin que mantiene una memoria basada en frecuencia sobre todo el pasado del proceso. Figura 4.6. Implementacin simple de diversificacin en Bsqueda Tab.
Usar Bsqueda Tab con memoria de corto plazo
Almacenar la memoria basada en frecuencia de los atributos de las configuraciones visitadas
Cuando la tasa de surgimiento de nuevas configuraciones excelentes disminuye por debajo de un valor especificado implementar el vnculo siguiente.
Usar Bsqueda Tab con memoria de corto plazo (almacenando tambin la memoria de frecuencia) hasta encontrar un ptimo local.
Penalizar aquellos atributos que son activados frecuentemente (multiplicando el factor de penalizacin por la frecuencia relativa). Si el lmite de iteraciones es excedido, finalizar
Continuar aplicando penalizacin hasta que se encuentre una configuracin mejor que su predecesor. Entonces, eliminar la penalizacin.
Se han obtenido mejoras significativas aplicando Bsqueda Tab con memoria de corto plazo segn el esquema de la figura 4.6. Los ptimos locales obtenidos con esta tcnica pueden ser usados despus para una secuencia de diversificaciones.
59
4.3 ESTRATEGIAS APLICADAS EN BSQUEDA TAB

4.3.1 Oscilacin Estratgica
Esta estrategia se aplica cuando se llega a un nivel crtico, en el que el algoritmo bsico de Bsqueda Tab parara. Consiste en cambiar las reglas de seleccin de las configuraciones vecinas candidatas, para saltar el nivel crtico y luego pasar nuevamente al criterio de seleccin normal. El proceso es repetido produciendo un movimiento oscilatorio alrededor del nivel crtico. Una forma de emplear la oscilacin estratgica es permitiendo temporalmente configuraciones infactibles o en el caso que se permita la infactibilidad penalizando la funcin objetivo, y reduciendo la penalizacin para las configuraciones infactibles. La oscilacin estratgica permite una interaccin entre la diversificacin y la intensificacin. Teniendo una configuracin infactible, se usa Bsqueda Tab de corto plazo para encontrar una configuracin factible, luego se hace un proceso de intensificacin aceptando configuraciones factibles, seguido de una diversificacin para caer en una regin infactible, reiniciando el proceso.
4.3.2 Path Relinking

La estrategia de path relinking permite generar una nueva configuracin partiendo de configuraciones de buena calidad (configuraciones de lite) encontradas durante el proceso de bsqueda. La estrategia pretende conectar configuraciones lite, empezando de una de ellas y generando una trayectoria que llegue a otra de estas configuraciones, denominadas como configuraciones gua. Path relinking es utilizado para generar configuraciones atractivas despus de iniciar un proceso de intensificacin o diversificacin y es considerado como uno de los mecanismos ms eficientes del mtodo. Un ejemplo simple de la implementacin de path relinking sera copiando una parte de los atributos de una configuracin lite en otra configuracin lite, teniendo cuidado con las posibles infactibilidades generadas. En [51] se comenta el manejo de path relinking a partir de la configuracin base y las configuraciones gua aplicando Bsqueda tab de la forma normal, pero induciendo a la seleccin de atributos presentes en las configuraciones gua frente a aquellos que no lo estn.
60

5 APLICACIN DE BSQUEDA TAB AL PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN
Bsqueda Tab es un algoritmo que se usa ampliamente en el campo de la investigacin operacional. Al respecto existen muchas publicaciones de carcter general, entre las cuales pueden ser citadas [52], [53] y [48]. En esta seccin se presenta la caracterstica fundamental de funcionamiento del algoritmo de Bsqueda Tab aplicado al problema de planeamiento de la expansin de sistemas de transmisin.
5.1 SOLUCIN DEL PROBLEMA A TRAVS DE BSQUEDA TAB

5.1.1 Estrategias de Partida del Algoritmo de Bsqueda Tab
El proceso de optimizacin es iniciado con una configuracin inicial que puede ser obtenida aleatoriamente o, mejor an, puede ser obtenida por una modificacin del algoritmo de Garver [4], por ejemplo. Esta configuracin es sometida a un proceso de Bsqueda Tab con memoria de corto plazo seguido de intensificacin (Bsqueda Tab/intensificacin), cuyo mecanismo de funcionamiento ser presentado posteriormente. Seguidamente, el proceso de Bsqueda Tab/intensificacin debe realizar un proceso de diversificacin intentando llevar el proceso de bsqueda a las regiones atractivas y an no visitadas. Despus de realizada la diversificacin la configuracin actual est lista para un nuevo proceso Bsqueda Tab/intensificacin. Este proceso puede ser repetido de manera cclica hasta que sea satisfecho un criterio de parada.
5.1.2 Memoria de Corto Plazo

Un algoritmo de Bsqueda Tab puede ser implementado simplemente usando la estrategia de corto plazo. La memoria de corto plazo usa bsicamente la informacin de atributos de configuraciones que fueron modificadas recientemente. Esta informacin es conocida como memoria basada en hechos recientes (recency). La idea de esta estrategia es considerar
61
todos los atributos seleccionados en el pasado reciente como prohibidos; por lo tanto, todas las configuraciones candidatas que posean alguno de los atributos prohibidos (tab-activos) son excluidas de la formacin del conjunto de configuraciones vecinas para ser evaluadas. La idea bsica de la memoria basada en hechos recientes es evitar volver a configuraciones ya visitadas y a aquellas configuraciones que comparten los atributos tab-activos. Esta ltima parte puede representar un problema ya que pueden ser eliminadas configuraciones muy atractivas. El criterio de aspiracin resuelve parcialmente esta limitacin. En el problema de planeamiento de sistemas de transmisin, los atributos pueden ser los circuitos que hacen parte de una configuracin. As, por ejemplo, un circuito que es adicionado en la configuracin debe permanecer prohibido de ser retirado en las prximas k configuraciones que sean generadas, siendo k un nmero entero seleccionado. De igual manera, un circuito que es retirado de la configuracin actual debe permanecer prohibido de ser adicionado en las prximas k configuraciones. Es evidente que en esta implementacin deben existir dos listas de atributos prohibidos. Existe un ltimo aspecto importante en el algoritmo de Bsqueda Tab con memoria de corto plazo: la disminucin del tamao de configuraciones candidatas que deben ser analizadas. Para ilustrar este hecho se tiene:
N(x) las configuraciones candidatas definidas por el criterio o la estructura de vecindad, N"(x) un subconjunto reducido de N(x) obtenido usando algn criterio de reduccin de configuraciones candidatas y N'(x) los elementos de N"(x) que no estn prohibidos por la lista tab.
Entonces, para el problema tratado, planeamiento de sistemas de transmisin, se pueden definir, por ejemplo, N(x) como todas las configuraciones que pueden ser obtenidas a partir de la configuracin actual de la siguiente forma: adicionando un circuito, retirando un circuito o intercambiando dos circuitos (adicionando un circuito y retirando otro circuito previamente adicionado). Para un sistema real esta definicin de vecino significa que N(x) tendra varios millones de configuraciones candidatas, y como la evaluacin de cada configuracin candidata requiere de la solucin de un problema de PL, es evidente que esta definicin de vecino resulta poco prctica, ya que requiere de la solucin de cientos o miles de PLs para realizar un simple paso del algoritmo de Bsqueda Tab. Una forma de resolver este problema es la de redefinir la vecindad, con lo cual se busca disminuir el nmero de vecinos estudiados sin perder la generalidad del problema, tomando para ello conceptos de optimizacin. Bsqueda Tab Resuelve el problema anterior de una forma ms eficiente encontrando un subconjunto reducido N"(x) de N(x), por ejemplo del orden de algunas decenas. Bsqueda Tab posee cuatro estrategias para realizar este proceso de reduccin de configuraciones candidatas: aspiracin plus, formacin de una lista reducida de configuraciones
62
candidatas de lite, filtros sucesivos y estrategia de cambio acotada. Basados en la segunda estrategia, se han implementado formas muy eficientes de reduccin de configuraciones candidatas cuyos detalles sern presentados ms adelante.
5.1.3 Memoria de Largo Plazo

5.1.3.1 Memoria Basada en Frecuencia
La memoria basada en frecuencia consiste bsicamente en almacenar la informacin del nmero de veces en que un atributo ha sido seleccionado para generar o participar en la formacin de nuevas configuraciones. As, existen dos tipos de memoria basadas en frecuencia: la frecuencia de transicin y la frecuencia de residencia o permanencia. Esta informacin basada en frecuencia puede ser utilizada para penalizar o incentivar configuraciones formadas con determinados atributos. En el problema de planeamiento de sistemas de transmisin es posible almacenar la informacin del nmero de veces en que un circuito es adicionado o retirado en la formacin de las configuraciones en el proceso Bsqueda Tab (frecuencia de transicin). De igual manera, tambin es posible almacenar el nmero de veces en que un circuito permanece adicionado en configuraciones consecutivas o el nmero de configuraciones en que un circuito participa con adicin (frecuencia de residencia).
5.1.3.2 Estrategia de Intensificacin
Aparte de la estrategia de seleccin de configuraciones de lite mostrada en el captulo 4, existe otro tipo de intensificacin: la tcnica de intensificacin por descomposicin. Esta consiste en imponer nuevas restricciones sobre atributos, estructuras o partes del problema buscando disminuir el espacio de configuraciones del problema. As, en el problema de planeamiento de sistemas de transmisin, en algn momento del proceso de Bsqueda Tab (por ejemplo despus de terminar un Bsqueda Tab de memoria de corto plazo), se puede usar intensificacin por descomposicin a travs de una de las siguientes formas:
Fijando, en el valor cero, el nmero de circuitos candidatos que nunca fueron adicionados en las configuraciones visitadas (o aquellos que fueron poco seleccionados), esto es, eliminando un conjunto de circuitos como candidatos a adicin (reduccin del nmero de candidatos). Incorporando en la configuracin base aquellos circuitos que aparecen en todas las configuraciones lite. En este caso, el nmero de circuitos que debe ser incorporado en cada camino candidato debe ser el menor que aparece entre las configuraciones de lite seleccionadas para implementar la intensificacin y se debe permitir la adicin de nuevas lneas en estos caminos.
63
Fijando estructuras completas de alguna configuracin lite. Por ejemplo, si para atender una gran demanda es necesario adicionar un conjunto de lneas, que estn formando una especie de bloque constructivo, entonces toda esa estructura puede ser incorporada a la configuracin base.
Las tres propuestas anteriores pueden ser implementadas en conjunto o separadamente, en la estrategia de intensificacin por descomposicin. Todas esas estrategias buscan disminuir el nmero de alternativas para exploracin y permiten concentrar la bsqueda en un nmero reducido de alternativas. As, esta estrategia de intensificacin por descomposicin produce un efecto que puede ser denominado de implosin combinatorial en contraste con la explosin combinatorial.
5.1.3.3 Estrategia de Diversificacin
La estrategia de diversificacin se proyecta para conducir el proceso de bsqueda a regiones nuevas y atractivas. Esta estrategia es implementada cambiando la definicin de vecindad o de configuraciones candidatas N(x), incorporando vecinos constituidos por atributos que han sido poco usados. En esta parte pueden utilizarse las estructuras de memoria usadas en intensificacin o en la memoria de corto plazo, pero con criterios de duracin modificados. Las estrategias de diversificacin pueden tambin usar una forma de memoria de largo plazo basado en hechos recientes intentando incrementar el estado tab de los atributos de las configuraciones visitadas. Una versin sencilla de esta metodologa se presenta en la figura 5.1.
64
Figura 5.1.
Diversificacin con memoria de largo plazo basada en hechos recientes.

Usar Bsqueda Tab con memoria de corto plazo (Usar un estado tab k de tamao moderado donde k es el nmero de iteraciones en que un atributo pernanece moderado).
La evolucin del proceso es insignificante?
No
Iniciar (y preservar) un estado tab k grande (memoria de largo plazo basada en hechos recientes).
Fue satisfecho un criterio de aspiracin fuerte?
No
Todos los candidatos son tab (o el nmero de movimientos ejecutados fue suficiente)?
No
5.2 EL PROBLEMA DE LA ESTRUCTURA DE VECINDAD

Bsqueda Tab es un procedimiento que gua un algoritmo de bsqueda local para buscar el espacio de soluciones adems de la simple optimalidad local. Esto se consigue a travs de una bsqueda agresiva, seleccionando el mejor de los movimientos en cada paso. Bsqueda Tab se basa en procedimientos determinsticos y no en procedimientos aleatorios, como en el caso de Simulated Annealing, GRASP y Algoritmos Genticos. Bsqueda Tab hace uso de estrategias especiales de bsqueda empleando diferentes tipos de memoria y seleccionando el mejor de los movimientos en cada iteracin. En estas circunstancias, la estructura de vecindad deber restringir el nmero de lneas candidatas, ya que una estructura con muchos vecinos es costosa desde el punto de vista del tiempo de computacin requerido para evaluar cada una de las alternativas, que en este caso sera de
65
un PL por cada elemento de la lista analizado. As, para mejorar este aspecto, se emplean estrategias de listas de candidatos con la finalidad de restringir el nmero de soluciones examinadas en cada iteracin. Las lneas candidatas debern ser seleccionadas de manera cuidadosa; de esta forma, reglas eficientes para generar las listas de candidatos son crticas en este proceso. Con base en estas caractersticas, se implementa una estructura de vecindad que permite identificar los nuevos vecinos; este proceso de seleccin de los vecinos se realiza a travs de listas lites de lneas candidatas. Existen entonces dos tipos de listas para el corte de carga de la configuracin candidata mayor o menor de un lmite establecido. As, si la configuracin analizada tiene un corte de carga mayor que el lmite establecido, la lista ser formada por lneas que sern adicionadas/intercambiadas, en caso contrario, cuando el corte de carga es inferior al lmite, la lista ser formada por lneas candidatas a ser retiradas/intercambiadas; este procedimiento para la formacin de estas listas est soportada en mtodos aproximados [4], [18] que permiten identificar las lneas ms atractivas a adicin o retiro. En la figura 5.2 se resume la forma en que estas listas pueden ser creadas. Figura 5.2. Formacin de listas de lneas candidatas a adicin o retiro.
La configuracin candidata tiene corte de carga mayor que el lmite establecido?
No
S Lista de adicin. Creada con mtodos aproximados o ndices de sensibilidad. Lista de retiro. Creada con mtodos aproximados o ndices de sensibilidad.
Las listas lite de lneas candidatas son utilizadas tanto en la etapa de Bsqueda Tab/intensificacin como en la etapa de diversificacin, efectuando procedimientos de entrada/intercambio o retirada/intercambio de lneas. Adems de estas listas, existen algunos vecinos que son seleccionados de manera aleatoria, tanto en la etapa de Bsqueda Tab/intensificacin como en la de diversificacin.
66
5.3 IMPLEMANTACIONES ESPECIALIZADAS EN EL ALGORITMO DE BSQUEDA TAB

5.3.1 Implementacin del Path Relinking
El path relinking proporciona una integracin muy til de las estrategias de intensificacin y diversificacin. Este enfoque se basa en explorar trayectorias que conectan soluciones lite para generar nuevas soluciones, iniciando desde una de estas soluciones llamada solucin inicial, y generando una trayectoria en la vecindad que conduce hasta otras soluciones, denominadas soluciones gua. As, por ejemplo, es posible generar una o varias configuraciones conectando una configuracin de la poblacin y una configuracin lite. En el algoritmo de Bsqueda Tab implementado, el procedimiento path relinking se ha empleado como una de las estrategias de diversificacin; la otra estrategia es basada en frecuencia. La seleccin entre estos dos tipos de diversificacin se efecta de manera aleatoria, es decir, se selecciona un nmero aleatorio en el intervalo [0 - 1]. Si este nmero es menor o igual a 0.1 el procedimiento seleccionado es el de path relinking, en caso contrario, es seleccionada la estrategia basada en frecuencia. En el procedimiento diversificacin-intensificacin, por ejemplo, suponga que la configuracin 3 de la figura 5.3 es seleccionada para ser analizada. Primero se selecciona el tipo de diversificacin, en este caso se seleccion path relinking; entonces, ya que la configuracin 3 es escogida como configuracin inicial, tiene que ser seleccionada una configuracin gua. La configuracin gua es seleccionada entre algunas de las soluciones lite almacenadas durante el proceso.
67
Figura 5.3.
Inicio
Ilustracin del proceso de diversificacin-intensificacin.

1 Nota: Cada configuracin analizada tiene derecho a almacenar hasta p configuraciones descendientes.
Proceso de Bsqueda Tab/Intensificacin
Sustituye posicin 3
2 Proceso de diversificacin Bsqueda Tab/Intensificacin 3
Sustituye
Posiciones de memoria que contiene las mejores configuraciones que sern analizadas
La forma ms simple de hacer path relinking es identificando el nmero de posiciones en la configuracin donde existen adiciones diferentes en las dos configuraciones sometidas a path relinking. Por lo tanto, asumiendo una de las configuraciones como referencia, se copia una parte de las posiciones diferentes que estn presentes en la otra configuracin y as, se genera una nueva configuracin, que correspondera a la configuracin de referencia con algunos de sus atributos modificados usando la otra configuracin. De esta forma se obtiene una nueva configuracin potencialmente atractiva. El path relinking puede ser empleado en procesos de intensificacin o diversificacin, o sea, si el nmero de posiciones diferentes presentes en la configuracin gua, que sern copiadas en la configuracin referencia, es pequeo y de poco impacto, entonces la configuracin queda en una regin muy prxima a donde estaba; en esta circunstancia la configuracin obtenida puede ser usada en intensificacin. En el caso en que el nmero de posiciones copiadas de la configuracin gua para la configuracin referencia sea grande, entonces se obtiene una configuracin en una nueva regin y distante de la regin donde se encontraba, lo que quiere decir que la configuracin as obtenida puede ser utilizada para diversificacin.
68
5.3.2 Criterio de Parada

En el mtodo de bsqueda tab se emplean tres criterios de parada:

Por mximo nmero de iteraciones (donde cada iteracin corresponde a un PL). Por mximo nmero de diversificaciones. Cuando las k configuraciones almacenadas en la matriz de trabajo hubiesen sido analizadas, o sea, las k posiciones del vector asociado a las configuraciones tengan seal de revisin.
5.3 IMPLEMANTACIN DEL ALGORITMO DE BSQUEDA TAB

En la figura 5.4, se presenta el diagrama de flujo de la metodologa Bsqueda Tab usada en el planeamiento de redes de transmisin. Esta metodologa esta constituida bsicamente por dos grandes procesos, denominados diversificacin e intensificacin, que forman la base fundamental del algoritmo. El algoritmo inicia con un proceso de intensificacin, en este se realiza una bsqueda detallada entre los vecinos ms prximos con base en listas de los mejores candidatos y con una estructura de vecindad que permite la entrada - intercambio de lneas o salida de lneas. Despus de un nmero de PLs en el cual no se obtiene mejora en la solucin, este proceso finaliza. En el proceso de diversificacin se selecciona la configuracin de mejor funcin objetivo y, sin estudio previo, en esta se efecta un proceso de diversificacin que permite visitar regiones vecinas e iniciar en estas un nuevo proceso de intensificacin.
69
Figura 5.4.
Diagrama de flujo de la metodologa Bsqueda Tab

Datos
DIVERSIFICACIN
Inicializar (configuracin inicial)
Diversificar se basa en los valores de frecuencia.
Nd = 0 Calcular el valor de la F.O. Nd = Nd + 1
Nota: Nd: Nmero de diversificaciones Ni: Nmero de intensificaciones
S No
jfl > 0? Seleccionar una configuracin lite y realizar con esta path relinking . Configuracin actual
Ni = 0
INT ENSIFICACIN
Ni = Ni + 1 De las configuraciones almacenadas seleccionar aquella con mejor F. O. y que no hubiese sido analizada anteriormente.
kcont = 0
Corte de carga > lmite?
No
No S S
T odas las configuraciones almacenadas fueron analizadas? Lista de entrada Lista de salida
Analizar cada caso y ordenar
Selccionar un elemento de la lista
La configuracin acutal tiene mejor F. O. con relacin a las anteriormente almacenadas; entonces, sustituir la peor configuracin.
La mejor opcin es tab?
F.O. < incumbente?
No
S No S
Cerrar las listas tab Ni > nint?
No
F.O. < incumbente?
Actualizar la incumbente y la solucin actual Disminuir el contador de las listas tab en 1.
Imprimir resultados
Actualizar la lista tab
V = F. O.(i+1) - F.O.(i)
PARAR
No
Actualizar listas tab kcont = kcont + 1
V < Incumbente?
S
Intercambia elemennto si V 0
No
kcont < 0? Actualizar listas tab
S
Actualizar solucin actual
70

6 MODELAMIENTO DEL PROBLEMA DE LA EXPANSIN DE LA TRANSMISIN CONSIDERANDO INCERTIDUMBRE EN LA DEMANDA
La reestructuracin del sistema elctrico ha dirigido el planeamiento de la expansin de sistemas de transmisin hacia nuevos objetivos en los que se ha incrementado la incertidumbre con relacin a la recuperacin de los costos de inversin, se ha potenciado la posibilidad de que se presenten costos encallados, se ha creado la necesidad de utilizar algunas partes de la red de transmisin en forma diferente a como haban sido originalmente planeadas o histricamente usadas y se han usado algunas restricciones del sistema ms a menudo y con ms significado econmico. Existen marcadas diferencias en el planeamiento de la expansin de los sistemas de transmisin antes y despus de los cambios introducidos en el sistema de potencia. Al respecto, se puede mencionar que las principales diferencias son: cambios en los objetivos [54] y [55] y cambios en las incertidumbres, siendo estas ltimas mucho mayores en el nuevo esquema [1] y [5]. Especficamente el planeamiento de la expansin de la transmisin ahora est orientado hacia los siguientes objetivos: Proveer acceso a generacin de bajo costo para todos los consumidores sin ningn tipo de discriminacin. Promover y facilitar la competencia entre todos los participantes del mercado de energa. Promover un ambiente justo del lado del suministro de energa para todos los generadores as como del lado de la demanda para todos los consumidores. Proveer una red de transmisin robusta frente a las incertidumbres.
Las incertidumbres se pueden clasificar en dos tipos: aleatoria y no aleatoria. Las de tipo aleatoria son derivadas de aquellos parmetros que son repetibles y tienen una distribucin de probabilidad conocida; por lo tanto, medidas de estas incertidumbres pueden ser
71
obtenidas de observaciones pasadas. Dentro de estas est la incertidumbre en la demanda. Las incertidumbres de tipo no aleatoria son consecuencia de parmetros que no son repetibles y por lo tanto su anlisis estadstico no puede ser hecho a partir de observaciones pasadas; en esta clasificacin cae la incertidumbre en la generacin. Debido a que los mtodos de modelamiento de incertidumbres aleatorias y no aleatorias son diferentes, stas deben ser identificadas claramente antes de empezar con el proceso de planeamiento. En los sistemas de potencia bajo el nuevo esquema aparecen entonces incertidumbres aleatorias en: la demanda, los costos de generacin y en las ofertas de los generadores, la potencia y las ofertas de productores independientes de potencia, transacciones en el mercado de energa, disponibilidad de generadores, lneas y otras partes del sistema;
Adems aparecen incertidumbres no aleatorias en: generacin, instalacin, cierre o reemplazo de partes del sistema de transmisin y generacin, costos de la expansin del sistema de transmisin, reglas del mercado.
La mayora de las investigaciones en planeamiento de la transmisin reportadas se enmarcan dentro del planeamiento bsico y centralizado porque no consideran incertidumbres en la demanda, es decir, el plan de expansin ptimo es determinado considerando solamente una cantidad fija de demanda. La literatura sobre planeamiento considerando incertidumbre en la demanda como parte del proceso de expansin es casi inexistente; investigaciones al respecto se encuentran en [30]. En [56] se plantea un mtodo para escoger el mejor plan de expansin del sistema de transmisin considerando criterios de confiabilidad probabilsticos, contemplando incertidumbres en los elementos del sistema de transmisin. All se usan tcnicas de Monte Carlo considerando la confiabilidad de la red donde la incertidumbre de la demanda es parte del proceso. En el presente captulo se muestra el modelamiento del problema esttico del planeamiento de la expansin de la transmisin con un tratamiento diferente. El problema de la incertidumbre en la demanda es manejado como una variacin en un
72
intervalo con posibles valores de demanda equiprobables considerando el plan de expansin vlido si la demanda tiene un valor en dicho intervalo. Este modelamiento ha sido usado en [30] para resolver el problema del planeamiento de la expansin de la transmisin a travs de un algoritmo gentico especializado. La formulacin que se muestra en [30] dos secciones se apoya bsicamente en dos ideas fundamentales: 1. Frecuentemente, en el planeamiento con demanda determinstica, se resuelven problemas de corte de carga con la adicin de lneas muy caras que resultan ser insignificantes en el proceso de expansin a largo plazo; por lo tanto, con los datos actualizados en el planeamiento a corto plazo, se puede verificar que si la demanda esperada es menor a la que fue diagnosticada para el problema de largo plazo, los nuevos respaldos no seran necesarios. 2. Este modelamiento es una forma muy simple de generalizar el planeamiento determinstico; si se considerara el intervalo de variacin de demanda igual a cero, entonces se entrara en un planeamiento con demanda determinstica. Con los modelos que se muestran en las siguientes secciones, el plan de expansin resultante atiende todos los mnimos requisitos de demanda presentando inversiones bajas con relacin a los planes de expansin determinsticos. En las siguientes secciones se mostrarn dos formas de considerar la incertidumbre en la demanda usando el modelo DC. Cabe mencionar que esta consideracin tambin puede ser usada en modelos ms relajados como el hbrido y el de transportes.
6.1 MODELAMIENTO PARA EL PLANEAMIENTO DE LA TRANSMISIN CONSIDERANDO INCERTIDUMBRE EN LA DEMANDA TOTAL

El siguiente es el modelo matemtico del problema del planeamiento de la expansin de la transmisin considerando la incertidumbre en la demanda total del sistema y usando el modelo DC modificado:
73
min v = cij nij + ri z

(i , j )
s. a.: Sf + g + r zd m = 0
o eq f ij ( ij + ij ) (i j ) = 0 o eq f ij ( ij + ij )ij
0 g g 0r d
max min max DT DT z m m DT DT
(6.1)
0 nij nij
eq nij entero, ij discreto,
f ij irrestricto, j irrestricto donde DTmin : Demanda total mnima.

max DT : Demanda total mxima. m DT : Demanda total para el planeamiento bsico y centralizado.
d m : Vector de demanda promedio para todos los nodos de carga.

d max : Vector de demanda mxima para todos los nodos de carga.
: Parmetro que maximiza la demanda suplida en el sistema.

z : Demanda total del sistema.
Los dems elementos del modelo fueron definidos en el captulo 2. El valor del parmetro es elegido de acuerdo a caractersticas del problema, como por ejemplo el tamao y la topologa. Si los parmetros y tienen el mismo valor, entonces un incremento de un valor unitario de potencia podra ser resuelto por un generador artificial sin cambiar la funcin objetivo. Como el propsito es satisfacer la demanda solamente con generadores reales, entonces se debe escoger un valor de
74
significativamente grande con relacin a . De acuerdo a pruebas realizadas, = 10 presenta resultados satisfactorios [57].
6.2 MODELAMIENTO PARA EL PLANEAMIENTO DE LA TRANSMISIN CONSIDERANDO INCERTIDUMBRE EN LA DEMANDA INDIVIDUALMENTE PARA CADA BARRA DE CARGA
El problema del planeamiento de la expansin de la transmisin asume la siguiente forma al considerar la incertidumbre individualmente para cada barra de carga del sistema y usando el modelo DC modificado:
min v = cij nij + ri di
(i , j )
s. a.: Sf + g + r d = 0
o eq f ij ( ij + ij ) (i j ) = 0 o eq f ij ( ij + ij )ij
0 g g 0r d
max
(6.2)
d min d d max 0 nij nij

eq discreto, nij entero, ij
f ij irrestricto, j irrestricto
donde
: Parmetro que maximiza la demanda suplida en cada nodo del sistema.

di : Demanda en cada nodo de carga i. d min : Vector de demanda mnima para todos los nodos de carga.
d : Vector de demanda del sistema.
Los dems elementos del modelo fueron definidos en la seccin anterior y en el captulo 2.
75
La principal diferencia entre los dos modelos presentados (6.2) y (6.1) es que en (6.2) la demanda en cada nodo del sistema di es optimizada independientemente entre los valores
d min y d max mientras que en (6.1) la demanda es optimizada de forma global. El parmetro maximiza la demanda para cada nodo de carga y su valor debe ser escogido adecuadamente para que di sea lo ms alto posible. Segn pruebas, un adecuado valor de es = 10 , igual que el valor de en el modelo anterior [57].
76

7 LOCALIZACIN E INCORPORACIN DE LAS PRDIDAS DEL SISTEMA DE TRANSMISIN EN EL PLANEAMIENTO DE LA EXPANSIN
Cuando la potencia activa fluye a travs del sistema de transmisin se presentan prdidas que disminuyen la eficiencia del sistema. Bsicamente las prdidas tcnicas aparecen por las siguientes razones: Prdidas por el efecto resistivo de los conductores. Prdidas en el hierro y el cobre de los transformadores. Prdidas por el efecto corona.
Estas prdidas se pueden formular matemticamente para ser integradas dentro de los modelos desarrollados para la solucin del problema de planeamiento de la expansin de la transmisin; de acuerdo a las simplificaciones realizadas sobre estas expresiones, se pueden obtener modelos que pueden ser lineales o no y con diferentes niveles de complejidad. Adems, las prdidas de potencia activa se pueden considerar en la formulacin de forma individual, por grupos o de manera completa, segn el inters que se tenga por desarrollar un modelo prximo a la realidad, el cual puede estar determinado por la complejidad de la tcnica de solucin a utilizar y/o por los equipos de cmputo disponibles. En el problema de planeamiento de la expansin de la transmisin involucrando las funciones de prdidas directamente dentro del modelo y de acuerdo a la forma en que se trate la no linealidad de estas expresiones [58], se hace necesaria la implementacin de tcnicas de solucin especializadas. En [59] se propone una formulacin modificada del problema de la expansin de la transmisin incluyendo en la funcin objetivo y en las restricciones de operacin del modelo, las prdidas de potencia activa por calentamiento de los conductores al fluir la corriente a travs de ellos (prdidas por efecto resistivo), adems de las prdidas por el efecto corona. Otra investigacin relacionada se expone en [60], en ella se utiliza la tcnica de programacin cuadrtica considerando solamente las prdidas de potencia por el efecto resistivo en las lneas de transmisin.
77
Las prdidas tambin pueden ser consideradas sin adherirlas directamente al modelo a travs de formas alternativas de solucin. En este captulo, adems de mostrar las principales causas de prdidas y de comentar sobre estudios de la forma como estas pueden localizarse dentro del sistema de transmisin, se plantea una forma alternativa de solucin del problema de planeamiento de la expansin de la transmisin considerando las prdidas del sistema, ms sin contemplarlas de forma directa dentro del modelo.
7.1 PRDIDAS TCNICAS DEL SISTEMA DE TRANSMISIN

7.1.1 Prdidas Tcnicas por el Efecto Resistivo de los Conductores en las Lneas de Transmisin
Considrese una lnea de transmisin del sistema de potencia representada por la impedancia serie zkm conectada entre los nodos k y m y las reactancias paralelo (shunt) bkm ( sh ) , conforme se muestra en la figura 7.1. El flujo de potencia compleja saliendo del nodo k en direccin al nodo m est dado por la ecuacin (7.1). Figura 7.1. Flujo de potencia en una lnea de transmisin.
Ek
k
Em zkm=rkm+jxkm
m
Ikm jbkm(sh) jbkm(sh)
Imk
S km = Pkm jQkm = Ek I km
(7.1)
Ahora, la corriente que fluye por la lnea es:
I km =
Ek Em + jbkm ( sh ) Ek zkm
(7.2)
78
Entonces, se tiene que:

E Em = Ek k + jbkm ( sh ) Ek S km zkm 2 V E E S km = k k m + jbkm ( sh )Vk2 zkm zkm
S km = ( g km + jbkm + jbkm ( sh ) ) Vk2 ( g km + jbkm ) VkVm ( cos km jsen km )
(7.3)
donde:
g km =
rkm 2 r + xkm
2 km
(7.4)
bkm =
xkm 2 r + xkm
2 km
(7.5) (7.6) (7.7) (7.8)
Ek = Vk k
Em = Vm m
km = k m
Separando las partes real e imaginaria de la expresin (7.3) se obtienen las expresiones (7.9) y (7.10) que corresponden a la potencia activa y reactiva saliendo desde el nodo k hacia el nodo m respectivamente.
Pkm = {S km } = g kmVk2 bkmVkVmsen km g kmVkVm cos km
(7.9)
y
Qkm = {S km } = ( bkm + jbkm ( sh ) ) Vk2 + bkmVkVm cos km g kmVkVmsen km
(7.10)
De manera similar se pueden obtener los flujos de potencia activa y reactiva saliendo del nodo m en direccin al nodo k:
2 Pmk = g kmVm + bkmVkVmsen km g kmVkVm cos km
(7.11)
79
Qkm = ( bkm + jbkm ( sh ) ) Vk2 + bkmVkVm cos km + g kmVkVmsen km
(7.12)
En sistemas de potencia es posible considerar las siguientes aproximaciones:

bkm
1 xkm
(7.13) (7.14)
Vk Vm 1
Adems, se puede tomar el primer trmino de la expansin en series de Taylor para las funciones sen( km ) y cos( km ) : sen( km ) km cos( km ) 1 (7.15) (7.16)
Utilizando estas suposiciones la ecuacin del flujo de potencia activa desde el nodo k hasta el nodo m puede reescribirse de la siguiente forma: Pkm = 1 ( k m ) xkm (7.17)
La expresin (7.17) es la restriccin relacionada con la segunda ley de Kirchhoff en el modelo DC (mostrado en el captulo 2). Ahora, tomando los dos primeros trminos de la expansin en series de Taylor para la funcin cos( km ) , es decir, aproximando esta funcin a la expresin (7.18), es posible obtener (7.19), que es otra forma de representar el flujo de potencia activa entre los nodos k y m. cos( km ) 1
2 km
(7.18)
2 Pkm = g km g km 1 km bkm km 2
Pkm =
g km 2 km bkm km 2
(7.19)
La simplificacin (7.18) se puede usar de igual manera para el flujo de potencia activa que sale desde el nodo m hacia el nodo k:
80
Pmk =
g km 2 km + bkm km 2
(7.20)
Las prdidas de potencia activa en la lnea k-m PL ( km ) estn dadas por la suma de los flujos de potencia Pkm y Pmk , esto es: PL ( km ) = Pkm + Pmk
2 PL ( km ) = g km km
(7.21) (7.22)
La expresin (7.22) representa las prdidas de potencia activa en la lnea k-m por el efecto resistivo de los conductores, llamadas por muchos autores prdidas hmicas del sistema.
7.1.2 Otras Prdidas Tcnicas en el Sistema de Transmisin

Otro tipo de prdidas que han sido consideradas dentro de lo modelos de planeamiento de la expansin de la transmisin son las prdidas por el efecto corona [59] y [61]. Las prdidas de energa por el efecto corona y sus consecuencias econmicas han sido objeto de estudio por casi medio siglo. El efecto corona es la existencia de iones en un fluido como el aire ante la presencia de un campo elctrico. Los electrones son separados de los tomos del aire y finalmente, los iones positivos creados son absorbidos por el conductor. Este fenmeno causa prdidas de energa en las lneas de transmisin y genera ruido audible e interferencia en lneas de comunicacin cercanas. Este fenmeno tambin genera componentes txicos como xidos. El efecto corona se presenta tanto en las lneas de transmisin AC como en las DC. El estudio de las prdidas por el efecto corona tienen una alta dependencia con las condiciones ambientales. Las prdidas por efecto corona an en condiciones climticas favorables son muy difciles de evaluar de manera confiable debido a la alta dependencia con factores estadsticos. La mayor cantidad de estas prdidas en proyectos de extra alta tensin se presentan por fugas en los aisladores. Segn algunos estudios [12], bajo condiciones climticas desfavorables con presencia de lluvia, las prdidas por efecto corona son proporcionales al logaritmo de la rata de lluvia. A medida que la lluvia decrece y los conductores se secan, las prdidas por efecto corona tambin decrecen. Los transformadores tambin representan prdidas en el sistema de potencia. Las prdidas en los transformadores se pueden dividir en dos grupos: 1. Prdidas en el cobre. Estas prdidas son debidas a la resistencia de los conductores de los devanados del transformador.
81
2. Prdidas en el hierro. Las prdidas en el hierro pueden dividirse en dos grupos: prdidas por histresis magntica y prdidas por corrientes de Foucault o corrientes parsitas. Los transformadores del sistema de transmisin son normalmente incluidos en los anlisis de flujo de potencia. Sin embargo, hay varias situaciones que requieren de una metodologa de anlisis independiente para lograr un mejor ajuste a las condiciones del sistema. Hay tres casos que requieren diferentes metodologas para el clculo de las prdidas originadas por los transformadores. Estas situaciones se refieren a transformadores que son parte de las plantas de generacin, transformadores ubicados entre el sistema de transmisin y distribucin y transformadores que sirven a grandes consumidores. Usualmente el sistema de generacin se considera hasta el lado de alta del transformador de la planta de generacin y las prdidas se vuelven parte de los costos de operacin del generador de energa y no parte del sistema de transmisin. Aunque esto tambin depende de dnde la legislacin determina la ubicacin de los medidores de potencia del generador. Los transformadores ubicados entre el sistema de transmisin y distribucin tienen prdidas caractersticas que son funcin de la carga que est siendo atendida. Los transformadores que sirven a grandes consumidores tienen la misma caracterstica con la diferencia de que se conectan a un solo consumidor.
7.2 LOCALIZACIN DE PRDIDAS DEL SISTEMA DE TRANSMISIN

Dentro del marco econmico, en un sistema bajo el nuevo esquema desregulado, a los generadores y a las cargas (demandas) se les debe implementar mecanismos justos de asignacin de prdidas y costos por la participacin en stas, donde a cada fuente de prdidas le sean asignadas las mismas de forma proporcional. El objetivo fundamental de estos mecanismos es mejorar el desempeo en los intercambios comerciales de energa a travs del clculo y localizacin de prdidas en cada parte del sistema. Los mtodos desarrollados en este campo encierran una gran variedad de tcnicas que pueden ser clasificadas en tres grupos diferentes: mtodos de asignacin proporcional (proportional sharing) [62], mtodos pro-rata [63] y mtodos incrementales (localizacin marginal y localizacin marginal no subsidiada) [64]. Las tcnicas usadas para localizacin de prdidas en el sistema, a excepcin de los mtodos incrementales que usan conceptos econmicos, pueden eventualmente ser utilizadas dentro del proceso de planeamiento de la expansin de sistemas de transmisin, puesto que los procedimientos de clculo y localizacin de las prdidas desarrollados en este campo se apoyan bsicamente en flujos de potencia DC o AC que requieren solo de la configuracin y especificaciones de la red. Sin embargo, desde le punto de vista prctico, estos mtodos
82
se usan simplemente para dividir las prdidas totales entre productores y consumidores determinando as la forma de atribuir los costos por las mismas siguiendo alguna frmula o procedimiento; esto no interesa en el proceso de planeamiento de la transmisin puesto que en l importa solo la magnitud y ubicacin de las prdidas en cada parte del sistema y no quien las produce ni en qu proporcin.
7.3 INCORPORACIN DE LAS PRDIDAS EN EL PROCESO DE PLANEAMIENTO DE LA EXPANSIN DE LA TRANSMISIN

La propuesta para la introduccin de las prdidas en el proceso de solucin del problema de planeamiento de la expansin de la transmisin tiene similitud con la primera etapa del mtodo de localizacin de prdidas pro-rata [63] y [33]. El mtodo pro-rata, en su primera fase, asigna las prdidas en proporciones iguales (50%) entre generadores y consumidores de acuerdo a las expresiones (7.23) y (7.24). La diferencia bsica entre el mtodo que se propone en este trabajo y el mtodo pro-rata es que en el mtodo propuesto simplemente se calculan las prdidas de las lneas de transmisin y se dividen en partes iguales en cada extremo de ellas pero no hace uso de (7.23) y (7.24). LGi = L PGi 2 PG L PDi 2 PD
(7.23)
LDi =
donde
(7.24)
LGi : Prdidas asignadas el generador i. LDj : Prdidas asignadas a la demanda j. PGi : Potencia activa entregada por el generador en el nodo i. PDj : Potencia activa demandada en el nodo j. PG : Potencia activa total generada. PD : Potencia activa total demandada. L : Prdidas de potencia activa totales en el sistema de transmisin.
83
Un clculo para determinar las prdidas de las lneas de transmisin puede ser hecho en la etapa de evaluacin de la funcin objetivo del algoritmo implementado para la solucin del problema de la expansin de la transmisin. En esta etapa intermedia, el proceso de estimacin de las prdidas se puede hacer como se muestra en la figura 7.2. Figura 7.2. Funcin objetivo incorporando las prdidas del sistema de transmisin
Evaluacin de la funcin objetivo (sin prdidas) Se obtienen los flujos en todas las lneas del sistema de transmisin, adems de otros resultados.
Clculo de las prdidas del sistema de transmisin Pueden considerarse uno o varios tipos de prdidas del sistema de transmisin.
Incorporacin de las prdidas al sistema de transmisin Las prdidas calculadas se incorporan al modelo como nuevas cargas.
Evaluacin de la funcin objetivo (con prdidas) Se obtienen los nuevos flujos en todas las lneas del sistema de transmisin, adems de otros resultados.
En el bloque A de la figura 7.2 se realiza la evaluacin de la funcin objetivo sin consideracin de formulaciones relacionadas con prdidas. As, por ejemplo, utilizando el modelo DC modificado mostrado en el captulo 2, este bloque correspondera a la solucin del PL (7.25).
84

(i , j ) k
s. a.: Sf + g + r = d
0r d 0 g g 0 nij nij
(7.25)
nij entero
eq ij discreto
f ij irrestricto
j irrestricto
Apoyndose en la informacin entregada por el bloque A, en el bloque B se realiza el clculo de las prdidas del sistema de transmisin. Las prdidas en esta parte se pueden considerar en forma separada de acuerdo al fenmeno que las genera o en forma total calculndolas independientemente y sumando los valores obtenidos. Por ejemplo, si se considerase nicamente las prdidas por el efecto resistivo de los conductores en el sistema de transmisin, se pueden calcular las prdidas en cada lnea de acuerdo a la expresin (7.22). Las prdidas calculadas en el bloque B se incorporan al sistema asumindolas como nuevas cargas (bloque C). El total de las prdidas en cada lnea se distribuye entre sus extremos en partes iguales como se muestra en la figura 7.3.
85
Figura 7.3.
k
Distribucin de las prdidas de la lnea k-m.

m
PL(km)
PL(km) 2
Finalmente, en el bloque D se calcula de nuevo la funcin objetivo. Siguiendo con el ejemplo para el bloque A, el nuevo modelo DC modificado a resolver sera el (7.26). min v = cij nij + rk
(i , j ) k
s. a.: Sf + g + r = d N
o eq f ij ( ij + ij ) (i j ) = 0 o eq )ij f ij ( ij + ij
0r d 0 g g + g 0 nij nij
(7.26)
nij entero
eq ij discreto
f ij irrestricto
j irrestricto
El elemento introducido en la restriccin relacionada con la primera ley de Kirchhoff en (7.26) es el vector de la nueva carga d N cuyos elementos representan la demanda en cada nodo (si la tuviese) ms las prdidas asociadas a l segn la expresin (7.27).
PLk =
donde
1 PL( km) 2 mk
(7.27)
PLk : Prdidas asociadas al nodo k.
86
k : Conjunto de lneas unidas al nodo k.

La nueva carga d N es calculada de acuerdo a (7.28).
d N = d + PLk
(7.28)
Otro elemento introducido en este modelo es el aumento en la capacidad de generacin g , requerido para que el sistema pueda suplir las prdidas. Su valor puede ser determinado simplemente estimando un valor de forma tal que se le de flexibilidad al mtodo de solucin, o puede drsele facultad al mismo mtodo para que lo identifique segn las prdidas que debe asumir cada generador en el propsito de minimizar el efecto en el costo inversin. Con los resultados del PL resuelto en el ltimo bloque de la figura 7.2 se sigue el proceso de solucin del problema de planeamiento de la expansin. As, si la tcnica de solucin que se estuviese implementando fuera Bsqueda Tab, los resultados de este PL serviran, por ejemplo, para definir una nueva estructura de vecindad.
87

8 PRUEBAS Y RESULTADOS
El problema tratado en este trabajo es el de planeamiento esttico de la expansin de la transmisin utilizando el modelo DC modificado. Para tal fin se utiliz la tcnica de optimizacin combinatorial Bsqueda Tab con memoria de corto plazo, como se describe en la seccin 5.1.2, y una estrategia simple de diversificacin a travs de memoria basada en frecuencia de residencia o permanencia, como se explic en la seccin 5.1.3.1. En la seleccin de la estructura de vecindad se usaron los ndices de sensibilidad de mnimo esfuerzo (3.5) y mnimo corte de carga (3.9) mostrados en el captulo 3. Los casos de prueba elegidos son: Garver, IEEE24 (24 nodos y 41 corredores posibles para adicin), sur Brasil (46 nodos y 79 corredores posibles para adicin) y Colombia (93 nodos y 155 corredores posibles para adicin), los cuales han sido casos de estudio en diversas investigaciones mostradas en la literatura especializada. El caso de prueba de Garver se utiliz en su versin sin redespacho, es decir, en donde la generacin total del sistema es exactamente igual a la demanda total del mismo. El caso de prueba sur Brasil se us en dos versiones, una sin redespacho y otra en donde la generacin total es mayor a la demanda total (con redespacho). Para el manejo de la incertidumbre en la demanda se utiliz el modelo que la considera individualmente para cada barra de carga, de acuerdo a la seccin 6.2. Para la incorporacin de las prdidas del sistema de transmisin se us la metodologa propuesta en la seccin 7.3, contemplando las prdidas por el efecto resistivo de los conductores. El programa computacional se realiz en un equipo con procesador AMD Athlon Core Duo de 1.7 GHz y memoria RAM de 1GB. El lenguaje utilizado para la implementacin de los algoritmos es Fortran 77; para la solucin de los problemas de programacin lineal de los modelos DC e hbrido se utiliz el paquete de cmputo de la Universidad de Stanford, MINOS 5.4, tambin desarrollado en Fortran 77. En este captulo se describen las pruebas realizadas y se muestran los resultados obtenidos en cada caso de prueba bajo las distintas formas en que se realiz el planeamiento; adems, se hacen comparaciones, en donde es posible, con los resultados reportados por otros autores y entre los hallados en este trabajo. El planeamiento considerando prdidas segn la propuesta descrita en el captulo 7, con o sin incertidumbre en la demanda, no tiene investigaciones reportadas por cuanto no ser posible hacer comparaciones con otros resultados.
88
8.1 PLANEAMIENTO DE LA TRANSMISIN BSICO Y CENTRALIZADO

8.1.1 Sistema Garver
Son muchos los trabajos en planeamiento de la expansin de la transmisin que utilizan el sistema de Garver dentro de sus casos de prueba [21], [29] y [3], siendo su primera presentacin en [4]. Este sistema tiene 6 nodos y 15 corredores en los cuales se puede adicionar como mximo 5 circuitos. Los resultados mostrados en la tabla 8.1 se obtuvieron en una fase de Bsqueda Tab/intensificacin con memoria de corto plazo. Esta configuracin no tiene corte de carga y su costo de inversin es de 110,000 US$. En el captulo 5 se explica la forma en que se puede aplicar el algoritmo de Bsqueda Tab al planeamiento de la expansin de la transmisin. La participacin en el algoritmo de los parmetros que a continuacin se muestran durante la Bsqueda Tab/Intensificacin con memoria de corto plazo, aplicada para este sistema de prueba, fue comentada all.
Mximo nmero de iteraciones = 100. Nmero de iteraciones durante las cuales un atributo permanece tab = 7. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 5 MW. Penalizacin para los generadores ficticios ( en el modelo 2.13) = 1. Tabla 8.1. Plan de expansin bsico y centralizado para el sistema Garver.
Corredor Circuitos
n3-5 1
n4-6 3
8.1.2 Sistema IEEE24

Otro caso de prueba tpico utilizado en sistemas de potencia es el IEEE24. Este sistema tiene 24 nodos y 41 corredores en los cuales se puede adicionar hasta 5 circuitos. Los parmetros de este sistema se pueden consultar en [5]. A continuacin se muestran los parmetros usados en el algoritmo de Bsqueda Tab/Intensificacin con memoria de corto plazo para este sistema de prueba.
Mximo nmero de iteraciones = 10,000.
89
Nmero de iteraciones durante las cuales un atributo permanece tab = 14. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 5 MW. Penalizacin para los generadores ficticios ( en el modelo 2.13) = 2. Tabla 8.2. Plan de expansin bsico y centralizado para el sistema IEEE24.
Corredor Circuitos
n6-10 1
n7-8 2
n10-12 n14-16 1 1
En el proceso de Bsqueda Tab/intensificacin se obtuvo la configuracin sin corte de carga de la tabla 8.2, que presenta un costo de inversin de 152,000 US$.
8.1.3 Sistema Sur Brasil

8.1.3.1 Sistema Sur Brasil con Redespacho
El sistema sur Brasil, a diferencia de los dos anteriores, es un sistema de prueba real. Este sistema tiene 46 nodos y 79 corredores en donde se pueden instalar circuitos sin restriccin sobre el nmero mximo; en planeamiento de la expansin de la transmisin es considerado como un problema de mediano tamao. Los datos de este sistema se pueden consultar en [65]. En el algoritmo de Bsqueda Tab en un proceso de intensificacin con memoria de corto plazo se usaron los parmetros mostrados a continuacin.
Mximo nmero de iteraciones = 30,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 30 MW. Penalizacin para los generadores ficticios ( ) = 4.
Con este algoritmo se obtuvo la configuracin mostrada en la tabla 8.3, con un costo de inversin de 77,617x103 US$, la cual result la mejor de todas las que no presentan corte de carga.
90
Tabla 8.3.
Mejor configuracin en la primera etapa de intensificacin del planeamiento bsico y centralizado para el sistema sur Brasil con redespacho.
Corredor Circuitos
n20-23 1
n20-21 2
n42-43 1
n46-6 1
n5-6 2
No habindose encontrado la mejor configuracin reportada para este sistema, se utiliz la memoria de largo plazo usando informacin guardada del proceso de Bsqueda Tab/intensificacin con memoria de corto plazo. Se facilit la creacin de nuevas configuraciones a travs de la penalizacin de atributos con base en la frecuencia de residencia o permanencia. As, se incentiv aquellos circuitos que poco participaron durante la etapa inicial de intensificacin modificando el valor dado por el indicador de sensibilidad. El algoritmo de Bsqueda Tab/intensificacin se ejecut entonces de nuevo con los parmetros que se muestran a continuacin.
Aplicada la estrategia descrita, el algoritmo entreg la propuesta de inversin factible de la tabla 8.4. El costo de inversin de esta configuracin es 72,870x103 US$, que es la mejor solucin sin corte de carga conocida para este problema. Tabla 8.4. Plan de expansin bsico y centralizado para el sistema sur Brasil con redespacho. n2-5 1 n13-20 1 n20-23 1 n20-21 2 n42-43 1 n46-6 1 n5-6 2
Corredor Circuitos
8.1.3.2 Sistema Sur Brasil sin Redespacho
La diferencia entre los sistemas de prueba sur Brasil con y sin redespacho es el valor total de la generacin del sistema; mientras que para el primero la generacin es mayor que el total de la demanda, para el segundo es exactamente igual a ella. Los parmetros para la etapa inicial de Bsqueda Tab/intensificacin utilizados para este caso se muestran a continuacin.
91
El algoritmo entreg la propuesta de inversin con corte de carga de 0 MW de la tabla 8.5. El costo de inversin de esta configuracin es 170,969x103 US$. Tabla 8.5. Mejor configuracin en la primera etapa de intensificacin del planeamiento bsico y centralizado para el sistema sur Brasil sin redespacho. N4-9 1 n20-21 1 n42-43 2 n46-6 1 n19-25 1 n31-32 1 n28-43 1 n24-25 2 n5-6 2
Corredor Circuitos
De igual forma que para el caso anterior, sistema sur Brasil con redespacho, fue necesario utilizar la memoria de residencia para motivar la entrada de nuevas configuraciones. Los parmetros que permitieron encontrar la solucin de la tabla 8.6 son:
Mximo nmero de iteraciones = 30,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 12. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 13 MW. Penalizacin para los generadores ficticios ( ) = 4. Plan de expansin bsico y centralizado para el sistema sur Brasil sin redespacho. n20-21 1 n42-43 2 n46-6 1 n19-25 1 n31-32 1 n28-30 1 n26-29 3 n24-25 2 n29-30 2 n5-6 2
Tabla 8.6.
Corredor Circuitos
El costo de inversin de la configuracin hallada en este proceso se muestra en la tabla 8.6 es 154,420x103 US$, la cual no tiene corte de carga.
92
8.1.4 Sistema Colombiano

Otro sistema de prueba real considerado en este trabajo es el colombiano, el cual es considerado como de gran tamao y mediana complejidad. Se utiliz en su versin reducida a 93 barras y 155 ramas candidatas para adicin de circuitos. Los datos de este sistema pueden hallarse en [3]. Los parmetros para la etapa inicial de Bsqueda Tab/intensificacin utilizados para el sistema colombiano se muestran a continuacin.
Mximo nmero de iteraciones = 40,000 Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 20 MW. Penalizacin para los generadores ficticios ( ) = 4.
Al aplicar el algoritmo de Bsqueda Tab a este caso de prueba con lo parmetros anteriores se obtuvo como mejor configuracin sin corte de carga la mostrada en la tabla 8.7, con un costo de inversin de 878,799.1x103 US$. Tabla 8.7.
Corredor Circuitos Corredor Circuitos Corredor Circuitos
Mejor configuracin en la primera etapa de intensificacin del planeamiento bsico y centralizado para el sistema colombiano. n43-88 2 n55-62 1 n67-68 2 n57-81 1 n66-69 2 n62-73 1 n27-89 1 n9-69 2 n45-81 1 n8-67 1 n60-69 2 n64-74 1 n15-18 1 n31-60 1 n54-56 1 n30-65 1 n19-22 1 n19-82 1 n57-84 1 n19-58 1 n82-85 1 n55-84 2 n27-29 1 n68-86 1 n56-57 1 n19-66 1 n59-67 2 n29-64 1
Usando informacin registrada durante la primera fase de intensificacin, especficamente la residencia o permanencia de atributos en las configuraciones visitadas, se realiz otra fase de intensificacin con los parmetros que se muestran a continuacin.
Mximo nmero de iteraciones = 45,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 14. Mximo nmero de vecinos a generar = 5.
93
Corte de carga referencia = 30 MW. Penalizacin para los generadores ficticios ( ) = 4.
El algoritmo entreg la propuesta de inversin factible de la tabla 8.8. El costo de inversin de esta configuracin es 560,002x103 US$, que presenta corte de carga de 0 MW y, segn recientes investigaciones, tiene una alta probabilidad de ser la ptima. Tabla 8.8.
Corredor Circuitos Corredor Circuitos
Plan de expansin bsico y centralizado para el sistema colombiano. n15-18 1 n62-73 1 n30-65 1 n54-56 1 n30-72 1 n72-73 1 n55-57 1 n19-82 2 n55-84 1 n82-85 1 n56-57 1 n68-86 1 n55-62 1 n27-29 1 n29-64 1
n43-88 2 n50-54 1
8.2 PLANEAMIENTO DE LA TRANSMISIN CON INCERTIDUMBRE EN LA DEMANDA

Usando el modelo con incertidumbre en la demanda para cada barra de carga, como se expuso en la seccin 6.2, se realiz el planeamiento de la expansin de la transmisin para los mismos casos de prueba del planeamiento bsico y centralizado. El valor de incertidumbre en la demanda en cada uno de los casos fue de +/5%. Los sistemas sur Brasil con y sin redespacho y el sistema colombiano fueron tratados de la misma forma que se hizo en el planeamiento bsico y centralizado: usando informacin de permanencia de atributos registrada durante una primera etapa de Bsqueda Tab/intensificacin para, en una nueva etapa, obligar la bsqueda en nuevas regiones.

La propuesta de inversin de la tabla 8.9 se hall usando el algoritmo de Bsqueda Tab con memoria de corto plazo de igual forma que se hizo en el planeamiento bsico y centralizado, ms con las modificaciones necesarias en el modelo DC. Los siguientes valores son los parmetros usados.
Mximo nmero de iteraciones = 100. Nmero de iteraciones durante las cuales un atributo permanece tab = 7. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 3 MW.
94
Penalizacin para los generadores ficticios ( ) = 1. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( en el modelo 6.2) = 0.1. Plan de expansin considerando incertidumbre en la demanda para el sistema Garver.
Corredor Circuitos
Tabla 8.9.
n3-5 1
n4-6 3
El plan de expansin propuesto presenta costo de inversin de 110,000 US$ y no tiene corte de carga.

Para el algoritmo de Bsqueda Tab en el proceso de intensificacin basado en memoria de corto plazo, se utilizaron los parmetros que se presentan abajo.
Mximo nmero de iteraciones = 10,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 20 MW. Penalizacin para los generadores ficticios ( ) = 2. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.2.
Fueron varias las propuestas sin corte de carga obtenidas, algunas de ellas son diferentes a pesar de tener igual costo de inversin. En la tabla 8.10 se presentan las principales propuestas de expansin halladas.
95
Tabla 8.10.
Planes de expansin considerando incertidumbre en la demanda para el sistema IEEE24.
Propuesta Costo de inversin (US$) Configuracin n1-5=1, n6-10=1, n7-8=2, n14-16=1, n17-18=1 1a 144,000 n2-6=1, n7-8=2, n13-14=1 1b 144,000 n7-8=2, n6-7=1, n13-14=1 1c 144,000 n =1, n6-10=1, n7-8=3, n14-16=1 2 140,000 1-5 n2-6=1, n7-8=2, n14-16=1 3a 136,000 n6-10=1, n7-8=1, n10-12=1, n14-16=1 3b 136,000 n1-5=1, n6-10=1, n7-8=2, n13-14=1 4 132,000 n1-5=1, n6-10=1, n7-8=2, n14-16=1 5 124,000

En este caso el proceso de solucin tambin se ejecut en dos fases: primero se realiz una Bsqueda Tab/intensificacin con memoria de corto plazo almacenando la frecuencia de residencia o permanencia de los atributos (circuitos) en las configuraciones visitadas y luego se hizo una bsqueda similar pero incentivando a travs de penalizaciones la exploracin en una nueva vecindad.
Los parmetros empleados en la primera etapa de Bsqueda Tab/intensificacin se muestran a continuacin.
Mximo nmero de iteraciones = 30,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 30 MW. Penalizacin para los generadores ficticios ( )= 4. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.4.
Despus de la etapa inicial de intensificacin, el algoritmo entreg la propuesta de inversin de la tabla 8.11 considerada como la mejor entre todas las propuestas factibles obtenidas. El costo de inversin de esta configuracin es 75,772x103 US$ y no tiene corte de carga.
96
Tabla 8.11. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda para el sistema sur Brasil con redespacho.
Corredor Circuitos
n17-19 1
n20-23 1
n20-21 2
n42-43 1
n46-6 1
n26-29 1
n5-6 2
Puesto que no se logr una propuesta aceptable se utiliz informacin registrada en la fase inicial de Bsqueda Tab/intensificacin de la misma forma que se hizo en el planeamiento bsico y centralizado. Los nuevos parmetros del algoritmo fueron:
Las mejores configuraciones sin corte de carga halladas durante esta nueva etapa del proceso de solucin se muestran en la tabla 8.12. Tabla 8.12.
Propuesta
Planes de expansin considerando incertidumbre en la demanda para el sistema sur Brasil con redespacho.
Costo de inversin (103 US$) 70,215 69,330 63,163 Configuracin
n20-23=1, n20-21=2, n42-43=1, n46-6=1, n31-32=1, n5-6=2 n20-23=1, n20-21=2, n42-43=1, n5-11=1, n46-6=1, n5-6=2 n20-23=1, n20-21=2, n42-43=1, n46-6=1, n5-6=1
1 2 3
Los parmetros usados para la primera fase de Bsqueda Tab/intensificacin se muestran a continuacin.
Mximo nmero de iteraciones = 30,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5.
97
Corte de carga referencia = 10 MW. Penalizacin para los generadores ficticios ( )= 4. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.4.
Con estos valores se hall la configuracin sin corte de carga de la tabla 8.13 que servir, junto con los datos de frecuencia de residencia almacenados, para una nueva fase de intensificacin. El costo de inversin de esta propuesta es 168,189x103 US$. Tabla 8.13. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda para el sistema sur Brasil sin redespacho.
Corredor Circuitos
n17-19 n20-21 n42-43 n14-5 n46-6 n25-32 n31-32 n28-31 n28-30 n27-29 n24-25 n29-30 n5-6
Para la segunda fase de intensificacin los parmetros del algoritmo son:
En la tabla 8.14 se registraron los mejores resultados sin corte de carga logrados. Tabla 8.14.
Propuesta
Planes de expansin considerando incertidumbre en la demanda para el sistema sur Brasil sin redespacho.
Costo de inversin (103 US$) 145,232 Configuracin
n20-21=1, n42-43=2, n14-15=1, n46-6=1, n19-25=1, n31-32=1, n28-30=1, n26-29=2, n24-25=2, n29-30=1, n5-6=2 n20-21=1, n42-43=2, n46-6=1, n19-25=1, n31-32=1, n28-30=1, n26-29=2, n24-25=2, n29-30=1, n5-6=2
1 2
142,348
98

Usando los parmetros que se muestran a continuacin se realiz la primera etapa de Bsqueda Tab/intensificacin, hallando como mejor configuracin la que se muestra en la tabla 8.15. Dicho plan de expansin no tiene corte de carga y presenta un costo de inversin de 782,172.1x103 US$.
Mximo nmero de iteraciones = 40,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 10 MW. Penalizacin para los generadores ficticios ( )= 4. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.4. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda para el sistema colombiano. n43-88 2 n1-59 1 n27-29 1 n45-81 1 n27-89 1 n59-67 2 n29-64 1 n72-73 1 n2-83 2 n3-71 1 n34-70 1 n19-82 4 n15-18 3 n9-69 1 n54-63 2 n83-85 1 n37-61 1 n60-69 2 n48-63 2 n82-85 1 n19-61 1 n16-18 1 n67-68 1 n19-86 1 n45-50 1 n47-54 1 n39-43 1 n68-86 3 n30-65 1 n18-20 1 n21-22 1 n90-91 1 n30-72 1 n18-22 1 n28-29 1 n55-84 1 n19-22 3 n62-73 1
Tabla 8.15.
Corredor Circuitos Corredor Circuitos Corredor Circuitos Corredor Circuitos
Con los siguientes parmetros se hizo una nueva fase de Bsqueda Tab/intensificacin usando la frecuencia de residencia de los atributos en las configuraciones visitadas almacenada durante la anterior etapa. Los mejores resultados obtenidos, con corte de carga de 0 MW, aparecen en la tabla 8.16.
Mximo nmero de iteraciones = 45,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 13. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 10 MW.
99
Penalizacin para los generadores ficticios ( )= 4. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.4. Planes de expansin considerando incertidumbre en la demanda para el sistema colombiano.
n43-88=2, n15-18=1, n30-72=1, n55-84=1, n56-57=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n54-56=1, n19-82=2, n82-85=1, n68-86=1 n43-88=1, n55-84=1, n56-57=1, n55-62=1, n60-69=1, n27-29=1, n19-66=1, n29-64=1, 62-73=1, n19-82=2, n82-85=1, n68-86=1 n43-88=2, n15-18=1, n30-72=1, n55-84=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n54-56=1, n19-82=2, n82-85=1, n68-86=1
Tabla 8.16.
Propuesta
1 2 3
430,009 423,629
8.3 PLANEAMIENTO DE LA TRANSMISIN INCORPORANDO PRDIDAS DEL SISTEMA

Para los sistemas de prueba se aplic el procedimiento para incorporar las prdidas tcnicas por causa de la resistencia de los conductores (prdidas hmicas) que se expuso en el captulo 7. El sistema sur Brasil y el sistema colombiano requirieron de un tratamiento similar al hecho en las pruebas anteriores. En ellos se realizaron dos etapas de intensificacin, almacenando informacin de frecuencia de largo plazo en la primera para ser usada promoviendo la bsqueda en nuevas regiones en la segunda.

A pesar de que el sistema Garver sin redespacho no se us en este trabajo cabe mencionar que este sistema, dado que su generacin total es exactamente igual su demanda total, no puede ser manejado introducindole prdidas sin realizar una correccin al valor mximo de cada generador (ver seccin 7.3), puesto el sistema no tendra capacidad para suplir las prdidas por lo que el proceso de solucin siempre entregara configuraciones infactibles. Otra solucin al dficit de generacin para suplir prdidas es usar este sistema en su versin con redespacho, es decir, cuando el total de la generacin es mayor que el total de la demanda del sistema. En el proceso de solucin se usaron los parmetros que se muestran a continuacin.
100
Mximo nmero de iteraciones = 100. Nmero de iteraciones durante las cuales un atributo permanece tab = 13. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 4 MW. Penalizacin para los generadores ficticios ( )= 1.
Se obtuvo como mejor configuracin la de la tabla 8.17, la cual no presenta corte de carga y tiene un costo de inversin de 140,000 US$. Tabla 8.17. Plan de expansin incorporando prdidas para el sistema Garver.
Corredor Circuitos
n1-5
2
n2-3
1
n2-6
2
n3-5
1

Con los parmetros que se muestran abajo se obtuvieron como mejores propuestas las configuraciones de la tabla 8.18, las cuales no tienen corte de carga.
Mximo nmero de iteraciones = 10,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 14. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 10 MW. Penalizacin para los generadores ficticios ( )= 2. Planes de expansin incorporando prdidas para el sistema IEEE24.
Costo de inversin (US$) 188,000 182,000 168,000 Configuracin
n6-10=1, n7-8=2, n10-12=1, n14-16=1, n16-17=1 n6-7=1, n7-8=2, n10-12=1, n14-16=1, n20-23=1 n6-10=1, n7-8=2, n10-12=1, n13-14=1
Tabla 8.18.
Propuesta 1 2 3

Dado que en el sistema sur Brasil sin redespacho la generacin total es exactamente igual a la demanda total, este no puede ser manejado introducindole prdidas sin aumentar el
101
valor mximo de los generadores, puesto que el sistema no tendra capacidad para suplirlas y el mtodo de solucin entregara siempre soluciones infactibles. Por otro lado, aprovechando que se cuenta con los datos del sistema sur Brasil con redespacho, el planeamiento de la transmisin incorporando las prdidas no ser hecho para el caso en que este sistema no tiene redespacho.
Parmetros para la primera etapa de Bsqueda Tab/intensificacin con memoria de corto plazo:
Mximo nmero de iteraciones = 30,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 15 MW. Penalizacin para los generadores ficticios ( )= 4.
En la tabla 8.19 se muestra la mejor configuracin sin corte de carga lograda durante la primera etapa de intensificacin. Esta propuesta tiene costo de inversin de 106,878x103 US$. Tabla 8.19. Mejor configuracin en la primera etapa de intensificacin del planeamiento incorporando prdidas para el sistema sur Brasil con redespacho.
n2-5 n13-18 n20-23 n33-34 n20-21 n42-43 n14-15 n5-11 n46-6 n28-30 n26-29 n5-6
Corredor Circuitos
Para la siguiente fase de intensificacin se utilizaron los siguientes parmetros:
102
En la tabla 8.20 se registraron las mejores configuraciones encontradas. Las propuestas 1 y 2 tienen corte de carga de 0 MW. Tabla 8.20. Planes de expansin incorporando prdidas para el sistema sur Brasil con redespacho.
Costo de inversin (103 U S$) 94,134 Configuracin
n13-18=1, n20-23=1, n33-34=1, n20-21=2, n42-43=1, n14-15=1, n46-6=1, n26-29=1, n5-6=2 n13-18=1, n20-23=1, n20-21=2, n42-43=1, n5-11=1, n46-6=1, n26-29=1, n24-25=1, n5-6=2 n4-9=1, n18-20=1, n20-23=1, n20-21=2, n42-43=1, n46-6=1, n26-29=1, n5-6=2
Propuesta
1 2 3*
89,799 86,006
* Esta configuracin presenta un corte de carga de 1.564 MW.

Igual que sucede con los sistemas Garver y sur Brasil sin redespacho, los datos del sistema colombiano con que se cuenta tienen el total de la generacin exactamente igual al total de la demanda, es decir, son para el caso en que no hay redespacho; esto imposibilita, como se mencion antes, la formacin de planes de expansin factibles al incorporar en el proceso de solucin las prdidas del sistema. Dado que no hay datos del sistema colombiano con redespacho y que las prdidas del sistema de transmisin representan aproximadamente entre el 2 y 5% del total de la generacin [66], se modificaron los datos existentes del sistema colombiano aumentando 2.5% a cada generador. Los siguientes son los parmetros para la primera etapa de Bsqueda Tab/intensificacin para el sistema colombiano (generacin aumentada 2.5%):
Con los anteriores parmetros se hall la configuracin de la tabla 8.21, la cual tiene un costo de inversin de inversin de 895,837x103 US$ y no presenta corte de carga.
103
Tabla 8.21.
Mejor configuracin en la primera etapa de intensificacin del planeamiento incorporando prdidas para el sistema colombiano. n43-88 2 n55-57 1 n19-22 1 n64-74 1 n57-81 2 n55-84 1 n19-58 1 n54-56 1 n74-89 1 n59-67 2 n27-29 1 n19-82 1 n8-67 1 n55-62 1 n19-66 1 n82-85 1 n15-18 1 n66-69 2 n29-64 1 n68-86 1 n45-54 1 n9-69 2 n67-68 2 n30-64 1 n60-69 2 n62-73 1 n30-72 1 n31-60 1 n45-81 1
Con los datos de memoria de largo plazo almacenados durante la primera fase y usando los parmetros que se muestran abajo, se realiz una nueva Bsqueda Tab/intensificacin, obteniendo como mejores resultados sin corte de carga los que se muestran en la tabla 8.22.
Mximo nmero de iteraciones = 45,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 13. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 30 MW. Penalizacin para los generadores ficticios ( )= 4. Planes de expansin incorporando prdidas para el sistema colombiano.
n43-88=2, n15-18=1, n45-50=1, n30-64=1, n30-72=1, n57-84=1, n55-84=2, n56-57=1, n55-62=1, n27-29=1, n29-64=1, n62-73=1, n64-74=1, n54-56=2, n72-73=1, n19-82=2, n82-85=1, n68-86=1 n43-88=2, n27-89=1, n15-18=1, n30-65=1, n30-72=1, n57-84=1, n55-84=2, n56-57=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n54-56=1, n72-73=1, n19-82=2, n82-85=1, n68-86=1 n43-88=2, n15-18=1, n30-65=1, n55-57=1, n55-84=1, n56-57=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n64-74=1, n54-56=1, n72-73=1, n19-82=2, n82-85=1, n68-86=1
Tabla 8.22.
Propuesta
1 2 3
579,780 567,759.9
104
8.4 PLANEAMIENTO DE LA TRANSMISIN CON INCERTIDUMBRE EN LA DEMANDA E INCORPORANDO PRDIDAS DEL SISTEMA
Finalmente, se aplic el algoritmo de Bsqueda Tab considerando una incertidumbre en la demanda de +/5% para cada barra de carga (captulo 6) e incorporando las prdidas por el efecto resistivo de los conductores dentro del proceso de planeamiento (captulo 7). Al igual que en las pruebas anteriores, para la mayora de los casos se realiz inicialmente un proceso de Bsqueda Tab/intensificacin con memoria de largo plazo en el que se almacen la frecuencia de permanencia de atributos en las configuraciones exploradas (memoria de largo plazo) para usarla en una nueva etapa de intensificacin promoviendo la bsqueda en regiones no visitadas.

El planeamiento con incertidumbre en la demanda e incorporando en el proceso de solucin las prdidas por el efector resistivo de los conductores para el sistema de Garver sin redespacho entreg como mejor configuracin sin corte de carga la que se muestra en la tabla 8.23. Este plan de expansin tiene un costo de inversin de 130,000 US$. Tabla 8.23. Plan de expansin con incertidumbre en la demanda e incorporando prdidas para el sistema Garver.
Corredor Circuitos
n2-6
1
n3-5
2
n4-6
2
Los parmetros para el algoritmo de Bsqueda Tab son los que se muestran a continuacin.
Mximo nmero de iteraciones = 100. Nmero de iteraciones durante las cuales un atributo permanece tab = 14. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 3 MW. Penalizacin para los generadores ficticios ( )= 1. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.1.
105

Usando el algoritmo de Bsqueda Tab en un proceso de intensificacin con memoria de corto plazo y utilizando los parmetros siguientes se hallaron como mejores planes de expansin sin corte de carga los de la tabla 8.24.
Mximo nmero de iteraciones = 10,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 10 MW. Penalizacin para los generadores ficticios ( )= 3. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.3. Planes de expansin con incertidumbre en la demanda e incorporando prdidas para el sistema IEEE24.
Configuracin
n6-10=1, n7-8=2, n10-12=1, n14-16=1 n6-10=1, n7-8=1, n10-12=1, n13-14=1 n6-10=1, n7-8=1, n10-12=1, n14-16=1
Tabla 8.24.
Propuesta Costo de inversin (U S$) 1 152,000 2 144,000 3 136,000

Los parmetros para la primera fase de intensificacin del algoritmo Bsqueda Tab para este caso son los siguientes:
Mximo nmero de iteraciones = 30,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 15. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 10 MW.
106
Penalizacin para los generadores ficticios ( )= 4. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.4.
Tabla 8.25. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda e incorporando prdidas para el sistema sur Brasil con redespacho.
Corredor Circuitos
n20-23 n20-21 n14-15 n5-11 n46-6 n31-32 n28-31 n46-11 n2-3 n5-6 n9-10
El plan de expansin de la tabla 8.25 no presenta corte de carga y tiene costo de inversin de 99,419x103 US$. Una vez ejecutado el algoritmo en una segunda fase de intensificacin y con los parmetros que se muestran abajo, se hallaron como mejores configuraciones sin corte de carga las de la tabla 8.26.
Mximo nmero de iteraciones = 30,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 14. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 15 MW. Penalizacin para los generadores ficticios ( )= 4. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.4. Planes de expansin con incertidumbre en la demanda e incorporando prdidas para el sistema sur Brasil con redespacho.
n18-20=1, n20-23=1, n20-21=1, n5-11=1, n46-6=1, n2-3=1, n5-6=2 n20-23=1, n20-21=1, n5-11=2, n46-6=1, n2-3=1, n5-6=2
Tabla 8.26.
Propuesta
1 2
67,319
A continuacin se muestran los parmetros para la primera fase de intensificacin del algoritmo de Bsqueda Tab:
107
Tabla 8.27. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda e incorporando prdidas para el sistema sur Brasil sin redespacho.
Corredor Circuitos Corredor Circuitos
n14-22 1 n26-29 1
n20-23 1 n46-11 1
n20-21 2 n24-25 1
n42-43 1 n29-30 1
n14-15 2 n40-41 1
n46-6 1 n2-3 1
n25-32 1 n5-6 2
n28-30 1 n9-10 1
El plan de expansin de la tabla 8.27 tiene costo de inversin de 173,045x103 US$ y corte de carga 0 MW. En otra fase de intensificacin con los parmetros mostrados a continuacin, se hallaron como mejores las configuraciones sin corte de carga de la tabla 8.28.
108
Tabla 8.28.
Planes de expansin con incertidumbre en la demanda e incorporando prdidas para el sistema sur Brasil sin redespacho.
n20-21=2, n42-43=2, n14-15=1, n46-6=1, n31-32=1, n28-31=1, n26-29=3, n15-16=1, n46-11=1, n24-25=1, n29-30=1, n40-41=1, n2-3=1, n5-6=2, n9-10=1 n20-21=1, n42-43=2, n14-15=1, n46-6=1, n19-25=1, n31-32=1, n26-29=1, n46-11=1, n24-25=1, n40-41=1, n2-3=1, n5-6=2, n9-10=1 n20-21=2, n42-43=1, n14-15=1, n5-11=1, n46-6=1, n25-32=1, n31-32=1, n27-29=1, n26-29=1, n24-25=1, n2-3=1, n5-6=2, n9-10=1
Propuesta
1 2 3
149,363 145,207

Los parmetros usados en la primera fase de Bsqueda Tab/intensificacin y la configuracin sin corte de carga hallada con menor costo de inversin, el cual es de 950,320x103 US$, se muestra a continuacin.
Tabla 8.29. Mejor configuracin en la primera etapa de intensificacin del planeamiento con incertidumbre en la demanda e incorporando prdidas para el sistema colombiano.
n43-88 2 n55-62 1 n19-22 4 n21-22 2
n57-81 1 n66-69 1 n27-64 1 n28-29 1
n8-67 3 n9-69 3 n27-29 1 n62-73 1
n2-83 1 n60-69 3 n19-66 1 n45-81 2
n15-18 4 n16-21 1 n34-70 1 n64-74 1
n55-84 1 n31-60 2 n8-71 1 n19-82 1
n59-67 1 n18-20 1 n54-63 3 n68-86 4
n3-71 2 n18-22 1 n67-68 4
109
En la segunda fase de intensificacin se usaron los parmetros que se muestran abajo. La tabla 8.30 muestra las mejores configuraciones sin corte de carga logradas.
Mximo nmero de iteraciones = 45,000. Nmero de iteraciones durante las cuales un atributo permanece tab = 13. Mximo nmero de vecinos a generar = 5. Corte de carga referencia = 10 MW. Penalizacin para los generadores ficticios ( )= 4. Parmetro que maximiza la demanda suplida en cada nodo del sistema ( ) = 0.4. Tabla 8.30.
Propuesta
Planes de expansin considerando incertidumbre en la demanda e incorporando prdidas para el sistema colombiano.
n43-88=2, n15-18=1, n30-65=1, n30-72=1, n55-84=1, n56-57=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n54-56=1, n72-73=1, n19-82=2, n82-85=1, n68-86=1 n43-88=2, n15-18=1, n30-65=1, n30-72=1, n55-84=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n54-56=1, n72-73=1, n19-82=2, n82-85=1, n68-86=1
1 2
450,576
8.5 ANLISIS DE RESULTADOS

En esta seccin se har un anlisis comparativo de los resultados obtenidos mostrando las diferencias bsicas entre ellos para el planeamiento de la expansin de sistemas de transmisin bajo los tratamientos abordados en este trabajo. Para los casos de prueba usados considerando incertidumbre en la demanda se harn comparaciones con los resultados reportados por otros autores. Por otro lado, no se podrn comparar los resultados del planeamiento contemplando prdidas del sistema a travs de metodologa desarrollada en este trabajo, sea incluyendo incertidumbre en la demanda o no, puesto que no hay trabajos reportados que manejen este tema de la misma forma.
8.5.1 Comparacin con otros resultados reportados

Los planes de expansin hallados para el planeamiento bsico y centralizado son esencialmente los mismos expuestos en las investigaciones que abordan este problema de la
110
misma forma. Estos es apreciable en trabajos como [21], [29] y [3] entre otros, donde se ha han hecho amplios estudios sobre el tema. La tabla 8.31 contiene los resultados del planeamiento con incertidumbre en la demanda hallados en este trabajo y que coinciden con los mostrados en [30] y/o [31]. El resto de los planes de expansin obtenidos en cada caso de prueba bajo este enfoque pueden ser consultados en la seccin 8.2. Tabla 8.31.
Sistema
Comparacin con otros resultados reportados.

Costo de inversin (US$)
Plan de expansin Hallado en este trabajo Reportado por otros autores

n3-5=1, n4-6=3 n3-5=1, n4-6=3 ([30] y [31]) n6-10=1, n7-8=1, n10-12=1, n13-14=1 ([31]) n6-10=1, n7-8=1, n10-12=1, n14-16=1 ([31]) n1-5=1, n6-10=1, n7-8=2, n14-16=1 ([30] y [31]) n20-23=1, n20-21=2, n42-43=1, n46-6=1, n5-6=1 ([30] y [31]) n43-88=1, n55-84=1, n56-57=1, n55-62=1, n60-69=1, n27-29=1, n19-66=1, n29-64=1, 62-73=1, n19-82=2, n82-85=1, n68-86=1 ([31])
Garver IEEE24 IEEE24 IEEE24 IEEE24 IEEE24 IEEE24 Sur Brasil con redespacho Colombia
110,000 144,000
1a: n1-5=1, n6-10=1, n7-8=2,

n14-16=1, n17-18=1
1b: n2-6=1, n7-8=2, n13-14=1 1c: n7-8=2, n6-7=1, n13-14=1 2a: n2-6=1, n7-8=2, n14-16=1 2b: n6-10=1, n7-8=1, n10-12=1,
n14-16=1
136,000 124,000 63,163x103 430,009x103
3: n1-5=1, n6-10=1, n7-8=2, n1416=1 n20-23=1, n20-21=2, n42-43=1, n46-6=1, n5-6=1
n43-88=1, n55-84=1, n56-57=1, n55-62=1, n60-69=1, n27-29=1, n19-66=1, n29-64=1, 62-73=1, n19-82=2, n82-85=1, n68-86=1
Como puede observarse en la tabla 8.31, en casi todos los sistemas de prueba usados se hallaron los resultados reportados en [30] y [31]. En el caso del sistema IEEE24 no se hall la misma configuracin reportada en [31] para el costo de inversin de 144000 US$, pero s se encontraron tres configuraciones alternas con igual valor. El planeamiento de la expansin sistemas de transmisin que incorpora prdidas del sistema segn lo expuesto en el captulo 7 con o sin incertidumbre en la demanda no tiene resultados reportados, por cuanto no se podrn hacer comparaciones al respecto.
111
8.5.2 Comparacin entre resultados bajo los diferentes planteamientos manejados en este estudio
8.5.2.1 Sistema Garver
En la tabla 8.32 se presentan los planes de expansin factibles con menor costo de inversin obtenidos para el sistema Garver. Tabla 8.32. Resultados obtenidos para el sistema Garver.
Costo de inversin (US$) 110,000
Tipo de Plan de expansin planeamiento Bsico y n3-5=1, n4-6=3 centralizado Con incertidumbre n3-5=1, n4-6=3 en la demanda Incorporando n1-5=2, n2-3=1, n2-6=2, n3-5=1 prdidas hmicas ** Con incertidumbre en la demanda e n2-6=1, n3-5=2, n4-6=2 incorporando ** prdidas hmicas ** Resultados no reportados antes.
110,000 140,000 ** 130,000 **
Figura 8.1.
Resultados para el sistema Garver.
112
Como puede verse en la figura 8.1, todos los planes de expansin bajo lo tipos de planeamiento manejados para el sistema Garver concuerdan en tener adicin en el corredor 3-5. Los planes de expansin para el planeamiento bsico y centralizado y planeamiento con incertidumbre en la demanda son exactamente iguales. Adems, se observa que para este caso los efectos de las prdidas e incertidumbre en la demanda no actan de la misma forma, es decir, no afectan exactamente los mismos corredores. Ahora, cuando se consideran las prdidas por efecto resistivo en los conductores segn la propuesta del captulo 7, se incrementan los costos en 27.7% y 18.18% sin y con incertidumbre en la demanda respectivamente con relacin al plan bsico y centralizado. Esto significa que el incremento en el costo, por introducir las prdidas, es parcialmente reducido al considerar la incertidumbre en la demanda. En este caso el 34.36% del aumento del costo por prdidas es eliminado nuevamente al considerar incertidumbre en la demanda.
8.5.2.2 Sistema IEEE24
En la tabla 8.33 se presentan los planes de expansin factibles con menor costo de inversin obtenidos para el sistema IEEE24. Tabla 8.33. Resultados obtenidos para el sistema IEEE24.
Costo de inversin (US$) 152,000
Tipo de Plan de expansin planeamiento Bsico y n6-10=1, n7-8=2, n10-12=1, n14-16=1 centralizado n1-5=1, n6-10=1, n7-8=2, n14-16=1 Con incertidumbre en la demanda n6-10=1, n7-8=2, n10-12=1, n13-14=1 Incorporando ** prdidas hmicas Con incertidumbre n6-10=1, n7-8=1, n10-12=1, n14-16=1 en la demanda e ** incorporando prdidas hmicas ** Resultados no reportados antes.
124,000 168,000 ** 136,000 **
113
Figura 8.2.
Resultados para el sistema IEEE24.
Para el sistema IEEE24 todos los tipos de planeamiento usados en este trabajo coinciden en que tienen adiciones en los corredores 6-10 y 7-8; adiciones en los corredores 10-12 y 1416 se repiten en por lo menos tres de ellos, tal y como se ve en la figura 8.2. En este sistema de nuevo se observa que la inclusin de prdidas y la incertidumbre en la demanda no afectan exactamente los mismos corredores. En este caso de prueba, cuando se considera incertidumbre en la demanda, los costos se reducen en 18.42% con relacin al plan de expansin bsico y centralizado. Con relacin a este mismo plan de expansin, cuando se incorporan prdidas por el efecto resistivo de los conductores, los costos se incrementan 10.52% cuando no hay incertidumbre en la demanda y se reducen coincidencialmente en la misma cantidad cuando esta s se considera. Para este sistema, el sobrecosto del plan de expansin incluyendo prdidas se reduce al 100% al considerar la incertidumbre en la demanda.
En la tabla 8.34 se presentan los planes de expansin factibles con menor costo de inversin obtenidos para el sistema sur Brasil con redespacho.
114
Tabla 8.34.
Tipo de planeamiento Bsico y centralizado Con incertidumbre en la demanda Incorporando prdidas hmicas
Resultados obtenidos para el sistema sur Brasil con redespacho.

Plan de expansin Costo de inversin (103US$) 72,870
n2-5=1, n13-20=1, n20-23=1, n20-21=2, n42-43=1, n46-6=1, n5-6=2

n20-23=1, n20-21=2, n42-43=1, n46-6=1, n5-6=1 n13-18=1, n20-23=1, n20-21=2, n42-43=1, n5-11=1, n46-6=1, n26-29=1, n24-25=1, n5-6=2
63,163 89,799 ** 67,319 **
**
Con incertidumbre n20-23=1, n20-21=1, n5-11=2, n46-6=1, n2-3=1, n5-6=2 ** en la demanda e incorporando prdidas hmicas ** Resultados no reportados antes. Figura 8.3.
Resultados para el sistema sur Brasil con redespacho.
Para este sistema, especficamente en los corredores 20-23, 20-21, 42-43, 46-6 y 5-6, se proponen adiciones para por lo menos tres de los tipos de planeamiento manejados; el resto de trayectorias para adicin propuestas, a excepcin de las 5-11, no son comunes para ms de un tipo de planeamiento (figura 8.3). A pesar de que en este sistema la correlacin entre los corredores afectados por la inclusin de prdidas y por la consideracin de la
115
incertidumbre en la demanda no es completa, se observa que tienen ms corredores en comn que en los dos sistemas anteriores. Al considerar incertidumbre en la demanda se presenta una reduccin en los costos de inversin del 13.32% con relacin al plan de expansin bsico y centralizado. Cuando se consideran prdidas del sistema por el efecto resistivo de los conductores se presentan aumento del 23.23% y reduccin del 7.61% en los costos de inversin sin y con incertidumbre en la demanda respectivamente, con respecto al plan de expansin bsico y centralizado. Nuevamente el incremento en el costo al incorporar prdidas es eliminado al considerar la incertidumbre en la demanda.
En la tabla 8.35 se presentan los planes de expansin factibles con menor costo de inversin obtenidos para el sistema sur Brasil sin redespacho. Tabla 8.35.
Tipo de planeamiento Bsico y centralizado Con incertidumbre en la demanda
Resultados obtenidos para el sistema sur Brasil sin redespacho.

Plan de expansin Costo de inversin (103US$) 154,420
Incorporando prdidas hmicas n20-21=2, n42-43=1, n14-15=1, n5-11=1, n46-6=1, Con incertidumbre n25-32=1, n31-32=1, n27-29=1, n26-29=1, n24-25=1, en la demanda e n2-3=1, n5-6=2, n9-10=1 incorporando ** prdidas hmicas ** Resultados no reportados antes.
n20-21=1, n42-43=2, n46-6=1, n19-25=1, n31-32=1, n28-30=1, n26-29=3, n24-25=2, n29-30=2, n5-6=2, n20-21=1, n42-43=2, n46-6=1, n19-25=1, n31-32=1, n28-30=1, n26-29=2, n24-25=2, n29-30=1, n5-6=2 ** No aplica
142,348 ** No aplica 145,207 **
116
Figura 8.4.
Resultados para el sistema sur Brasil sin redespacho.
En la tabla 8.35 y en la figura 8.4 no aparecen resultados relacionados al planeamiento considerando prdidas para el caso en el que este sistema no tiene redespacho, dado que se cuenta con los datos del mismo cuando s lo tiene. En la figura 8.4 se observa que siete de los corredores donde se propone adicin de circuitos (20-21, 42-43, 46-6, 31-32, 26-29, 2425 y 5-6) son comunes para los tres tipos de planeamiento posibles para este sistema; el resto de los corredores son comunes para uno o dos de ellos. Si se considera incertidumbre en la demanda, la mejor propuesta de planeamiento hallada resulta ser 7.82% menos costosa que en el plan bsico y centralizado. Cuando se incorporan las prdidas por el efecto resistivo de los conductores se disminuye en 5.97% el costo de inversin con relacin al plan de expansin bsico y centralizado. Esto indica que, a pesar de incluir prdidas en el sistema, el costo de inversin es menor si se considera la incertidumbre en la demanda.
8.5.2.5 Sistema Colombiano
En la tabla 8.36 se presentan los planes de expansin factibles con menor costo de inversin obtenidos para el sistema colombiano.
117
Tabla 8.36.
Tipo de planeamiento
Resultados obtenidos para el sistema colombiano.

Plan de expansin Costo de inversin (103US$)
Bsico y centralizado
Con incertidumbre en la demanda Incorporando prdidas hmicas (sistema con 2.5% ms de generacin) Con incertidumbre en la demanda e incorporando prdidas hmicas
** n43-88=2, n15-18=1, n30-65=1, n55-57=1, n55-84=1, n56-57=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n64-74=1, n54-56=1, n72-73=1, n19-82=2, n82-85=1, n68-86=1
n43-88=2, n15-18=1, n30-65=1, n30-72=1, n55-57=1, n55-84=1, n56-57=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n54-56=1, n72-73=1, n19-82=2, n82-85=1, n68-86=1 n43-88=2, n15-18=1, n30-72=1, n55-84=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n54-56=1, n19-82=2, n82-85=1 n68-86=1
560,002
423,629 ** 567,759.9 ** 450,576 **
**
n43-88=2, n15-18=1, n30-65=1, n30-72=1, n55-84=1, n55-62=1, n27-29=1, n29-64=1, n50-54=1, n62-73=1, n54-56=1, n72-73=1, n19-82=2, n82-85=1, n68-86=1
**
** Resultados no reportados antes. Figura 8.5. Resultados para el sistema colombiano.
En la figura 8.5 se observa que 13 de los 18 corredores donde se propone adicin de circuitos son comunes para las cuatro formas de realizar planeamiento de la transmisin consideradas. Estos corredores son: 48-88, 15-18, 30-65, 55-84, 55-62, 27-29, 29-64, 5054, 62-73, 54-56, 19-82, 82-85 y 68-86. En este caso la mayora de los corredores son
118
comunes para los planes de expansin considerando incertidumbre en la demanda e incluyendo prdidas. Observando las figuras 8.1, 8.2, 8.3 y 8.5 se puede deducir que en la medida que el sistema crece las coincidencias entre estos planes de expansin son mayores. Cuando se considera incertidumbre en la demanda se presenta una disminucin del 24.35% con relacin al plan bsico y centralizado. Ahora, cuando se incorporan prdidas por efecto resistivo sin y con incertidumbre en la demanda, se produce un aumento del 1.39% y una disminucin del 19.54% respectivamente tambin con relacin al plan de expansin bsico y centralizado. Igual que para los sistemas IEEE24 y sur Brasil con redespacho, el total del sobre costo introducido por la inclusin de prdidas es reducido al considerar la incertidumbre en la demanda.
8.5.3. Aumento de la inversin incluyendo prdidas respecto al planeamiento bsico y centralizado

En las tablas (8.32), (8.33), (8.34) y (8.36) es evidente que incluir prdidas afecta el plan de la expansin de la transmisin aumentando el costo de inversin respecto al planeamiento bsico y centralizado. En la figura 8.6 se muestra este incremento en trminos porcentuales para cada caso de prueba estudiado. Figura 8.6. Porcentaje de aumento del costo de inversin incluyendo prdidas con relacin al plan bsico y centralizado.
119
Captulo 9
9 CONCLUSIONES Y RECOMENDACIONES
9.1 CONCLUSIONES
En este trabajo se propuso una metodologa para introducir las prdidas tcnicas del sistema en el planeamiento de la expansin de sistemas de transmisin sin manejar las expresiones no lineales que las caracterizan directamente dentro del modelo. Esto proporcion una gran ventaja desde el punto de vista de la complejidad del mtodo usado para resolver el problema tcnico del planeamiento, traducindose en menor tiempo de desarrollo y menor esfuerzo computacional. Con la intensin de tener resultados ms prximos a la realidad y que cumplan con los objetivos del planeamiento de la expansin de sistemas de transmisin, se propuso un mtodo que incorpora las prdidas tcnicas del sistema de transmisin dentro del proceso de solucin el cual fue probado a travs del algoritmo de Bsqueda Tab. Sin embargo, esta metodologa puede ser usada con algoritmos heursticos constructivos, mtodos de optimizacin clsica y otros mtodos de optimizacin combinatorial como, por ejemplo, algoritmos genticos y simulated annealing. Adems, en este trabajo se contempl la caracterstica estocstica de la demanda considerndola como una variable que puede tomar valores entre dos lmites y no como un valor fijo como tradicionalmente ha sido manejada en el llamado planeamiento bsico y centralizado, lo que proporcion mayor flexibilidad en las propuestas de inversin permitiendo encontrar varias soluciones con topologas y costos diferentes. Por primera vez se resolvi el problema de planeamiento de la expansin de la transmisin considerando incertidumbre en la demanda a travs de algoritmo de Bsqueda Tab. Se verific que este algoritmo tambin puede ser usado en el planeamiento de la transmisin considerando incertidumbre en la demanda al comparar los resultados obtenidos con los reportados en otras investigaciones. Adems, puesto que la metodologa para incorporar prdidas tcnicas en el proceso de planeamiento de la expansin de la transmisin propuesta en este trabajo es nueva, se entregan resultados no antes reportados que pueden servir de referencia en investigaciones posteriores que se realicen bajo el mismo criterio. En los sistemas de prueba de pequeo tamao estudiados, Garver e IEEE24, los mejores planes de expansin para el caso en que se considera incertidumbre en la demanda y el caso en que se incorporan las prdidas del sistema no afectan exactamente los mismos corredores. A medida que el sistema aumenta de tamao se hace mayor la correlacin entre
120
los corredores entregados por los dos tipos de planeamiento; esto se puede observar en los sistemas sur Brasil y Colombia. En la mayora de los sistemas estudiados se reduce el aumento en el costo de inversin generado por la introduccin de las prdidas tcnicas cuando se considera incertidumbre en la demanda, inclusive eliminndola por completo en los sistemas reales sur Brasil y Colombia. El costo de inversin presenta aumento al incluir las prdidas tcnicas para los sistemas estudiados: Garver, IEEE24, sur Brasil y Colombia en 27.7%, 10.52%, 23.3% y 1.39% respectivamente. Ahora, considerando la caracterstica estocstica de la demanda, las prdidas se redujeron en 34.36% para el sistema Garver y 100% para los dems sistemas.
9.2 RECOMENDACIONES
El manejo dado a la demanda para considerar la incertidumbre presente en ella, sugiere que cualquiera de los valores que puede tomar dentro del intervalo definido tiene una distribucin uniforme, es decir, todos estos valores son equiprobables. En los sistemas reales la demanda tiene tendencia a aumentar y difcilmente a diminuir, sin presentar entonces una distribucin uniforme. Considerando esto, se podra hacer un estudio ms completo para considerar la incertidumbre en la demanda, dando mayor probabilidad de ocurrencia a los valores de demanda cercanos al lmite superior del intervalo definido para ella. El manejo de la incertidumbre en la demanda hecho en este trabajo fue a travs de un modelo que la considera individualmente para cada barra de carga. En trabajos futuros se podra usar el modelo que considera la incertidumbre en la demanda total del sistema con y sin inclusin de las prdidas tcnicas del sistema. En el modelo propuesto para incluir las prdidas tcnicas se hacen modificaciones al modelo bsico. Una de estas modificaciones consiste en el aumento en la generacin mxima en un valor g . En este trabajo este valor es constante para todos los generadores del sistema. En trabajos futuros podra drsele facultad al mtodo de solucin del problema de planeamiento para que determine el valor de g i para cada generador i de manera independiente. En este trabajo se consideraron las prdidas tcnicas originadas por el efecto resistivo de los conductores. En trabajos futuros se podra utilizar la metodologa propuesta incluyendo otro tipo de prdidas con expresiones an con mayor grado de no linealidad, como por ejemplo las prdidas en los transformadores y/o las prdidas por el efecto corona.
121
BIBLIOGRAFA
[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] Green, R.J.y.N.," Competition in the British electricity spot market", J. Polit. Econ. Vol. 100, No. 5, Octubre 1992, pp. 929-953. Latorre, G.," Static Models for Long-Term Transmission Planning", Tesis Ph. D., Universidad Pontificia Comillas, Madrid, Spain, 1993. Escobar, A.," Dynamic Transmission Planning Using Combinatorial Algorithms", Tesis M.Sc., Universidad Tecnolgica de Pereira, 2002. Garver, L.L.," Transmission network estimation using linear programming", IEEE Trans. Power Apparat. Syst. Vol. PAS-89, Septiembre/Octubre 1970, pp. 1688 1697. Kaltenbatch, J.C., Peshon," A mathematical optimization technique for the expansion of electrical power transmission systems", IEEE Trans. Power Apparat. Syst. Vol. PAS-89, Febrero 1970, pp. 113119. Villasana, R., Garver," Transmission network planning using linear programming", IEEE Trans. Power Apparat. Syst. Vol. PAS-104, Febrero 1985, pp. 349356. Dusonchet, Y.P.y.E.-A., A. H.," Transmission planning using discrete dynamic optimization", IEEE Trans. Power Apparat. Syst. Vol. PAS-92, Julio 1973, pp. 13581371. Youssef, H.K.y.H., R.," New transmission planning model", IEEE Trans. Power Syst. Vol. 4, Febrero 1989, pp. 918. Lee, S.T., Hocks, K. L., y Hnyilicza, E.," Transmission expansion using Branchand-Bound integer programming with optimal cost-capacity curves", IEEE Trans. Power Apparat. Syst. Vol. PAS-93, Julio 1974, pp. 13901400. Haffner, S., Monticelli, A., Garcia, A., Mantovani, J., y Romero, R.," Branch and Bound algorithm for transmission system expansion planning using a transportation model", Proc. Inst. Elect. Eng.Gen. Transm. Dist. Vol. 147, Mayo 2000, pp. 149 156. Bahiense, L., Oliveira, G. C., Pereira, M., y Granville, S.," A mixed integer disjunctive model for transmission network expansion", IEEE Trans. Power Syst. Vol. 16, Agosto 2001, pp. 560556. Pereira, M.V.F., Pinto, L. M. V. G., Cunha, S. H. F. y Oliveira, G. C.," A decomposition approach to automated generation/transmission expansion planning", IEEE Trans. Power Syst. Vol. PAS-104, Noviembre 1985, pp. 30743083. Romero, R.y.M., A.," A zero-one implicit enumeration method for optimizing investment in transmission expansion planning", IEEE Trans. Power Syst. Vol. 9, Agosto 1994, pp. 13851391. Binato, M.V.F.P., y S. Granville," A new Benders decomposition approach to solve power transmission network design problems", IEEE Trans. Power Syst. Vol. 16, Mayo 2001, pp. 235240. Romero, R.y.M., A.," A hierarchical decomposition approach for transmission network expansion planning", IEEE Trans. Power Syst. Vol. 9, Febrero 1994, pp. 373380.
[11] [12] [13] [14] [15]
122
[16] [17] [18] [19] [20] [21] [22]
[23] [24] [25] [26] [27] [28] [29] [30] [31]
Pinto, L.M.V.G.y.N., A.," A model for the optimal transmission expansion planning", Proc. 10th Power Syst. Comput. Conf., 1990, pp. 16-23. Fischl, R.y.P., W. R.," Computer aided design of electric power transmission network", Proc. IEEE Winter Power Meeting, 1972. Monticelli, A., Santos Jr A., Pereira, M. V. F., Cunha, S. H. F., Parker, B. J. y Praa, J. C. G.," Interactive transmission network planning using a least-effort criterion", IEEE Trans. Power Apparat. Syst. Vol. PAS-101, Octubre 1982, pp. 39193925. Serna, C., Durn, J., y Camargo, A.," A model for expansion planning of transmission systems, a practical application example", IEEE Trans. Power Apparat. Syst. Vol. PAS-97, Marzo/Abril 1978, pp. 610615. Yoshimoto, K., Yasuda, K., y Yokohama, R.," Transmission expansion planning using neuro-computing hybridized with genetic algorithm", Proc. 1995 Int. Conf. Evol. Comput., pp. 126131. Gallego, R.A., Monticelli, A., y Romero, R.," Transmission expansion planning by extended genetic algorithm", Proc. Inst. Elect. Eng.Gen., Transm. Dist. Vol. 145, No. 3, Mayo 1998, pp. 329335. Escobar, A., Gallego, R. A., Romero, R. L. y de Oliveira, S. A.," Hybrid model analysis and constructive algorithms in the performance of a genetic algorithm for the planning of an electric power transmission system", Proc. 17th Int. Conf. CARS & FOF, Durban, South Africa, 2001. Gallego, R.A., Romero, R. y Monticelli, A. J.," Tabu search algorithm for network sntesis", IEEE Trans. Power Syst. Vol. 15, Mayo 2000, pp. 490-495. Handschin, E., Heine, M., Knig, D., Nikodem, T., Sibt, T. y Palma, R.," Objectoriented software engineering for transmission planning in open access schemes", IEEE Trans. Power Syst. Vol. 13, Febrero 1998, pp. 94100. Contreras, J.," A Cooperative Game Theory Approach to Transmission Planning in Power Systems", Tesis Ph.D., Univ. California, Berkeley, 1997. Gallego, R.A., Alves, A. B., Monticelli, A. y Romero, R.," Parallel simulated annealing applied to long term transmission network expansion planning", IEEE Trans. Power Syst. Vol. 12, Febrero 1997, pp. 181188. Nasser, F.E.N., Silva, A. P. A. y Araujo, L. A. P.," Development of an expert system for long-term planning of power transmission networks", Proc. 2nd Symp. Experts Syst. Applicat. Power Syst., Julio 1989, pp. 237242. Binato, S., Oliveira G. C y Araujo J. L.," A greedy randomized adaptive search procedure for transmission expansion planning", IEEE Trans. Power Syst. Vol. 16, Mayo 2001, pp. 247253. Gallego, R.A.," Long-Term Transmission Systems Planning Using Combinatorial Optimization Techniques", Tesis Ph.D., FEEC-DSEE, UNICAMP, Brazil, 1997. Silva, I.J., Rider, M., Romero, R. y Murari, C. A.," Transmission network expansion planning considering uncertainness in demand", IEEE Trans. Power Syst. Vol. 21, No. 4, Noviembre 2006, pp. 1565-1573. Gallego, L.A.y.R., R.," Planeamiento de la expansion de Sistemas de Transmisin de Energa Elctrica Considerando Demanda Variable", Scientia Et Technica Vol. XIII, No. 34, Mayo 2007.
123
[32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43]
[44]
[45]
[46]
Gross, G.y.T., S.," A physical flow based approach to allocating transmission losses in a transaction framework", IEEE Trans. Power Syst. Vol. 15, No. 2, Mayo 2000, pp. 631-637. Conejo, A.J., Arroyo, J. M., Alguacil, N. y Guijarro, A. L.," Transmission loss allocation: A comparison of different practical algorithms", IEEE Trans. Power Syst. Vol. 17, No. 3, Agosto 2002, pp. 571-576. Gallego , R.A.," Planejamento a longo prazo de sistemas de transmissao usando tcnicas de otimizaao combinatorial", Tesis Ph. D. , FEEC DSEE Unicamp, Brasil, Octubre 1997. Escobar, A., Gallego, R. A. y Romero, R. L.," Planeamiento esttico y dinmico de la transmission en ambientes competitivos", Jornadas Internacionales de Energa Elctrica, Bogot D. C., Octubre 2001. L., H.S.," O planejamento de expansao dos sistemas elctricos no contexto de um ambiente competitivo", Tesis Ph. D., FEEC UNICAMP, Julio 2000. Oliveira, G.C., Costa A. P. C. y Binato S.," Large Scale Transmission Network Planning Using Optimization and Heuristic Techniques", IEEE Trans. Power Syst. Vol. 10, No. 4, Noviembre 1995, pp. 1828-1834. Binato, S.," Expansin ptima de sistemas de transmisin atravs de decomposicin de Benders y tcnicas de planos cortantes", Tesis Ph. D., UFRJ, Abril 2000. Pereira, M.V.y.P.L.M.V.G.," Application of sensitivity analysis of load supplying capability to interactive transmission expansion planning", IEEE Trans. Power Apparat. Syst. Vol. PAS-104, Febrero 1985, pp. 381389. Levi V. A., C.M.S.," A new decomposition based method for optimal expansion planning of large transmission networks", IEEE Transactions on Power Systems Vol. 6, No. 3, Agosto 1991, pp. 937-943. Latorre-Bayona G., P.-A.J.I.," Chopin, a heuristic model for long term transmission expansion planning", IEEE Transactions on Power Systems Vol. 9, No. 4, Noviembre 1994, pp. 1886-1894. Granville, S., Pereira M. V. F.," Analysis of the Linearized Power Flow Model in Benders Decomposition", Epri-report, research Project Stanford University, Febrero 1985, pp. 2473-2479. Haffner, M.A., Mantovani J. R. S., Romero R.," Branch and Bound Algorithm for Transmission System Expansion Planning Using a Transport Model", IEE Proceedings of Generation, Transmission and Distribution Vol. 147, No. 3, Mayo 2000, pp. 148-156. Haffner, M.A., Garca A. V., Romero R.," Specialized Branch and Bound Algorithm for Transmission Network Expansion Planning", IEE Proceedings of Generation, Transmission and Distribution Vol. 148, No. 5, Septiembre 2001, pp. 482-488. Oliveira G. C., B.S., Pereira M. V. F., Thom L. M.," Multi-stage Transmission Expansion Planning Considering Mutiple Dispatches and Contingency Criterion", In Anais do XV Congresso Brasileiro de Automtica (CBA 2004I, Universidade Federal do Rio do Sul, Gramado, Brasil, Septiembre 200, pp. 21-24. Holland, J.H.," Algoritmos genticos", 1992.
124
[47] [48] [49] [50] [51] [52] [53] [54] [55]
[56] [57] [58] [59] [60] [61] [62] [63] [64]
Pringles, R.M., Miranda V. y Garcs F.," Expansin ptima de sistemas de transporte empleando EPSO", VII Latin American Congress on Electricity Generation & Transmission, Octubre 2007, pp. 74-82. Glover, F.," Tabu Search Fundamentals and Uses", University of Colorado, Boulder, Colorado, April 1995. Diaz A., G.F., Gonzles J., Moscazo P.," Optimizacin heurstica y redes neuronales", 1996. Monticelli, A.R., R.," Tutorial on modern heuristic optimization techniques with application to power systems", 2002. Gallego, R., Escobar, A., Romero, R.," Tcnicas de optimizacin combinatorial", Universidad Tecnolgica de Pereira, 2006. Laguna, M.," Tabu search tutorial", Escuela de verano latino-americana de investigacin operative, 1995, pp. 112. Hillier, F.S.y.L.G.J.," Introduction to operationals research", McGraw Hill Vol. 8, New York, 2005. Buygi, M.O., Shanechi, H. M., Balzer, G. and Shahidehpour, M.," Transmission planning approaches in restructured power systems", IEEE PES Power Tech. Conf., Italy, 2003. Okada, K., Kitamura, M., Asano, H., Ishimaru, M. y Yokoyama, R.," Costo-benefit analysis of reliability management by transmission expansion planning in the competitive electric power market", Porc. 2000 IEEE Int. Conf. Power System Tech. Vol. 2, 2000, pp. 709-714. Choi, J., Tran, T., El-Keib, A., Thomas, R., H., Oh y Billington, R.," A method for transmission system expansion planning considering probabilistic reliability criteria", IEEE Trans. Power Syst. Vol. 20, No. 3, Agosto 2005, pp. 1606-1615. da Silva, E.L., Areiza, J. M., de Oliveira, G. C. y Binato, S.," Transmission network expansion planning under a tabu search approach", IEEE Trans. Power Syst. Vol. 16, Febrero 2001, pp. 62-68. Gustafson, M.W.y.B., J. S.," Transmission loss evaluation for electric systems", IEEE Trans. Power Syst. Vol. 3, No. 3, Agosto 1988, pp. 1026-1032. Al-Hamouz, Z.M., Al-Faraj, A. S.," Transmission expansion planning using nonlinear programming", IEEE Trans. and Dist. Conf. Vol. 1, Octubre 2002, pp. 5055. El-Metwally, M.y.A.-H.Z.," Transmission expansion planning using quadratic programming", Electric Machines and Power Systems, 1990, pp. 137-148. Al-Hamouz, Z.," Corona power loss versus ohmic power loss in HVDC transmission lines", Proc. 6 Annual IEEE Technical Exchange Meeting, 1999, pp. 1-3. Bialek, J.," Tracing the flow of electricity", IEE Porc. Generationn, transmission and distribution Vol. 143, No. 4, Julio 1996, pp. 313-320. Ilic, M., Galiana F. y Fink L.," Power systems restructuring: Engineering and economics", Norwell, MA: Klumer, 1998. Meisingset, M.y.B., .," A method to determine charging principles for losses in the Norwegian main grid", Proc. 13th PSCC, Trondheim, Norway, Junio/Julio 1999, pp. 382-387.
125
[65] [66]
Romero, R., Monticelli, A, Garca, A. y Haffner, S.," Test Systems and mathematical models for transmission network expansion planning", Proc. Inst. Elect. Eng., Gen., Transm., Distrb. Vol. 149, No. 1, 2002, pp. 27-36. Leite da Silva, A.M.y.C.C., J. G.," Transmission loss allocation: Part I single energy market", IEEE Trans. Power Sys. Vol. 18, No. 4, Noviembre 2003, pp. 1389-1394.
126

PlaneamientoPerdidas PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

PlaneamientoPerdidas PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN CON INCERTIDUMBRE EN LA DEMANDA E INCORPORANDO PRDIDAS USANDO BSQUEDA TAB

AUGUSTO CSAR RUEDA MEDINA

Trabajo de Grado para Optar al Ttulo de Magster en Ingeniera Elctrica

AUGUSTO CSAR RUEDA MEDINA

Director M. Sc. ANTONIO HERNANDO ESCOBAR ZULUAGA

____________________________ M. Sc. Alberto Ocampo V. Presidente del Jurado.

___________________________ M. Sc. Alejandro Garcs Ruiz Jurado.

___________________________ M. Sc. Carlos Alberto Ros Porras Jurado.

___________________________ M. Sc. Antonio H. Escobar Zuluaga Director.

2 MODELAMIENTO DEL PROBLEMA ESTTICO DE PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN ................................................ 19

3 TCNICAS DE SOLUCIN DEL PROBLEMA ESTTICO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN....................................................... 35

BQUEDA TAB ...................................................................................................... 49

5 APLICACIN DE BSQUEDA TAB AL PLANEAMIENTO DE LA EXPANSIN DE SISTEMAS DE TRANSMISIN....................................................... 61

6 MODELAMIENTO DEL PROBLEMA DE LA EXPANSIN DE LA TRANSMISIN CONSIDERANDO INCERTIDUMBRE EN LA DEMANDA......... 71

PRUEBAS Y RESULTADOS ................................................................................... 88

CONCLUSIONES Y RECOMENDACIONES ..................................................... 120

9.1 CONCLUSIONES ............................................................................................................................... 120 9.2 RECOMENDACIONES...................................................................................................................... 121

BIBLIOGRAFA .............................................................................................................. 122

Captulo 2Equation Section 2

2.1 MODELAMIENTO DEL PROBLEMA ESTTICO

2.1.1 Modelo de Transportes

0 g g 0 nij nij nij entero f ij irrestricto

cij : Costo de un circuito en el camino i-j.

nij : Nmero de circuitos adicionados en el camino i-j.

f : Vector de flujos cuyos elementos f ij representan el flujo total en el camino i-j.

g : Vector de generacin cuyos elementos g i representan el nivel de generacin en la barra de generacin i.

2.1.2 Modelo Hbrido no Lineal

0 g g 0 nij nij nij entero

j : Magnitud del ngulo de la tensin de los nodos existentes en la configuracin base.

1 : Vector de ngulos en los nodos que hacen parte de la configuracin base.

2.1.3 Modelo Hbrido Lineal

fij' f ij nij 0 g g 0 nij nij nij entero f ij irrestricto

f ' : Vector de flujos en los circuitos adicionados.

j : ngulos de fase de los nodos que estn conectados al sistema elctrico en la

min v = cij nij

o : Vector de ngulos de fase de los nodos conectados al sistema elctrico en la

min v = cij nij

0 g g 0 nij nij nij entero

ij : Susceptancia de un circuito en el camino i-j.

formulacin matemtica del modelo DC.

La siguiente formulacin, consecuencia de algunas operaciones algebricas, es equivalente a (2.7):

min v = cij nij

B : Matriz de susceptancias del sistema.

: Vector de ngulos de tensin en nodos del sistema.

2.1.5 Modificaciones en el Modelo Bsico

2.1.5.1 Modelo de Transportes Modificado

min v = cij nij + rk

0r d 0 g g 0 nij nij nij entero f ij irrestricto

min v = cij nij + rk

0r d 0 g g 0 nij nij nij entero

2.1.5.3 Modelo DC Modificado

min v = cij nij + rk

0r d 0 g g 0 nij nij nij entero

2.1.6 Modelo Lineal Disyuntivo

min v = cij yij + rk

1 f ij1 ij (i j ) M (1 yij ) 1 f ij1 ij (i j ) M (1 yij )

camino i-j. Las restricciones So f o + S1 f 1 + g + r = d representan la primera ley de Kirchhoff. La

2.1.7 Modelo Bsico Incluyendo Prdidas Tcnicas

min v = cij nij + rk

0r d 0 g g + g 0 nij nij nij entero f ij irrestricto

2.1.7.2 Modelo Hbrido Considerando Prdidas Tcnicas

min v = cij nij + rk

0r d 0 g g + g 0 nij nij nij entero