UNIVERSIDAD

MICHOACANA DE SAN NICOLS

DE HIDALGO
Facultad de Ingeniera Elctrica
Investigacin de Operaciones


Proyecto:
Tarifas Arancelarias (Generacin de energa):
Cmo Determinar las Tarifas Arancelaria para la
venta de electricidad?

Yessica Caldern Torres
Gibrn Josu Corts Burguete
Bryan Eduardo Martnez Guzmn
0906184h
0906103d
1007904a




1.- INTRODUCCIN
En el problema de la determinacin de las tarifas arancelarias por generacin de
energa, para la venta de electricidad, se determina la cantidad y costos de MWH
que deben ser adicionados para el correcto anlisis, dado un escenario de
generacin y demanda proyectado en un periodo de 24 horas, dividido en 5
subperiodos, 3 de 6 horas y 2 de 3 horas.

Este problema se encuentra en la categora de problemas no lineales enteros
mixtos de difcil solucin. El modelo del problema puede ser escrito de forma que
pueda resolverse usando tcnicas de programacin lineal sucesiva o de
programacin lineal entera. En el caso de las tcnicas lineales sucesivas, el
proceso es guiado por tcnicas heursticas. El problema es multimodal, lo que
implica la presencia de mltiples soluciones subptimas.

Este problema ha sido resuelto, en los casos en que puede encontrarse la
solucin ptima, usando tcnicas heursticas, metaheursticas, exactas y
combinaciones de las anteriores. Garver fue el primero en proponer un modelo
basado en el concepto de flujo de carga y tambin el primero en sugerir el uso de
conceptos de optimizacin para resolver este problema. Ms adelante se
desarrollaron mtodos de optimizacin matemtica exacta que combinan
programacin lineal y programacin dinmica, y los mtodos heursticos
constructivos basados en sensibilidad. Aqu se presenta la solucin al problema,
usando la implementacin en el lenguaje de modelamiento matemtico AMPL y se
resuelven usando los paquetes de optimizacin (solvers) CPLEX y MINOS.

Se presenta un procedimiento que resulta exitoso cuando se resuelven problemas
de planeamiento de complejidad baja y media, permitiendo un anlisis previo del
impacto que puedan producir distintas modificaciones al modelo del problema,
como un paso previo a la implementacin de metodologas de solucin que usan
tcnicas robustas de programacin lineal entera (PLE) y programacin no lineal
entera (PNLE), como las tcnicas hbridas basadas en la combinacin de
metaheursticas y tcnicas exactas eficientes. El anlisis preliminar de los
impactos que produce en la solucin, las variantes propuestas a los modelos,
permite al investigador implementar procedimientos robustos, que requieren de
tiempos largos de desarrollo e implementacin en computador, usando los
modelos ya evaluados y que los solver comerciales no logran resolver en
problemas de la vida real de gran tamao y complejidad.








2.- FORMULACIN DEL MODELO
Una serie de centrales elctricas se han comprometido a cumplir con las
siguientes exigencias de carga de electricidad ms de un da:


Hay tres tipos de unidades de generacin disponibles:. 12 de tipo 1, 10 de tipo 2, y
cinco de tipo 3. Cada generador tiene que trabajar entre un nivel mnimo y
mximo. Hay un costo por hora de ejecutar cada generador a un nivel mnimo.
Adems hay un costo por hora extra por cada megavatio a la que una unidad es
realicen por encima de un nivel mnimo. Para poner en marcha un generador
tambin implica un costo. Toda esta informacin se da en Tabla 15.1 (con gastos
en libras).
Adems de cumplir con la carga estimada exige que deba haber suficientes
generadores de trabajo en cualquier momento, para que sea posible satisfacer un
aumento en la carga de hasta 15%. Este incremento tendra que llevarse a cabo
mediante el ajuste de la salida de los generadores que ya operan dentro de los
lmites permitidos.
Qu generadores deben estar trabajando y en qu perodos del da para
minimizar el costo total?
Cul es el costo marginal de produccin de energa elctrica en cada momento
del da; es decir, que tarifas deben ser consideradas?
Cul sera el ahorro de la reduccin de la garanta de rendimiento de reserva del
15%; es decir, lo que hace esta seguridad de costo de garanta de suministro?

3. UNA BREVE DESCRIPCIN DE COMO FU RESUELTO,
Los siguientes conjuntos de ndices y sus miembros se utilizan en este ejemplo:
perodo PERIODOS
tipo TIPOS
Parmetros: Tabla 15.2 muestra los parmetros utilizados en este ejemplo.

Variables: Tabla 15.3 muestra las variables utilizadas en este ejemplo.

Objetivo: El objetivo es minimizar la siguiente funcin:

Restricciones: Las siguientes restricciones se utilizan en este ejemplo:
Lmites en las variables
Para perodo PERIODOS y tipo TIPOS

Para perodo PERIODOS

( )
Para perodo PERIODOS y tipo TIPOS
( )
Para perodo PERIODOS y tipo TIPOS


( )

4. PRESENTACIN DE RESULTADOS
Los resultados son obtenidos con 2 solvers uno es el Minos y el otro es el KNitro,
el cual se accede a travs de la pgina : http://www.neos-
server.org/neos/solvers/minco:KNITRO/AMPL.html, esto debido a que el problema
es un problema de enteros, por lo que la solucin de KNitro, son los valores que
manda en la primera solucin de proc optomodel, y esto se debe a que se usa
programacin entera y entrega la solucin ptima del sistema.
Ahora la solucin que se obtiene con el Minos, solo tiene algunas variaciones, y se
debe a que Minos no usa programacin entera.
5. IMPRESIONES DE LOS MODELOS EN AMPL




*************************************************************
NEOS Server Version 5.0
Job# : 3073730
Password : AMXrapYm
Solver : minco:KNITRO:AMPL
Start : 2014-07-03 13:49:40
End : 2014-07-03 13:49:46
Host : NEOS HTCondor Pool
Disclaimer:
This information is provided without any express or
implied warranty. In particular, there is no warranty
of any kind concerning the fitness of this
information for any particular purpose.
*************************************************************
File exists
You are using the solver knitro.
Executing AMPL.
processing data.
processing commands.
Executing on neos-3.neos-server.org
Substitution eliminates 15 variables.
Adjusted problem:
45 variables:
30 integer variables
15 linear variables
40 constraints, all linear; 120 nonzeros
5 equality constraints
35 inequality constraints
1 linear objective; 45 nonzeros.
KNITRO 9.0.0: KNITRO: Number of threads = 1
======================================
Academic License (time limited)
KNITRO 9.0.0
Ziena Optimization
======================================
KNITRO changing mip_method from AUTO to 1.
KNITRO changing mip_rootalg from AUTO to 1.
KNITRO changing mip_lpalg from AUTO to 3.
KNITRO changing mip_branchrule from AUTO to 2.
KNITRO changing mip_selectrule from AUTO to 2.
KNITRO changing mip_rounding from AUTO to 3.
KNITRO changing mip_heuristic from AUTO to 1.
KNITRO changing mip_pseudoinit from AUTO to 1.
Problem Characteristics
-----------------------
Objective goal: Minimize
Number of variables: 45
bounded below: 15
bounded above: 0
bounded below and above: 30
fixed: 0
free: 0
Number of binary variables: 0
Number of integer variables: 30
Number of constraints: 40
linear equalities: 5
nonlinear equalities: 0
linear inequalities: 35
nonlinear inequalities: 0
range: 0
Number of nonzeros in Jacobian: 120
Number of nonzeros in Hessian: 0
No start point provided -- KNITRO computing one.
KNITRO detected 0 GUB constraints
KNITRO derived 0 knapsack covers after examining 0 constraints
KNITRO solving root node relaxation
KNITRO MIP using Branch and Bound method
Node Left Iinf Objective Best Relaxatn Best Incumbent
------ ------ ------ -------------- -------------- --------------
1 0 7 9.855143e+05 9.855143e+05
10 9 3 9.875429e+05 9.866429e+05
* 20 17 0 9.885400e+05 f 9.872929e+05 9.885400e+05
30 13 9.894714e+05 pr 9.876143e+05 9.885400e+05
40 7 9.887329e+05 pr 9.882829e+05 9.885400e+05
EXIT: Optimal solution found.
Final Statistics for MIP
------------------------
Final objective value = 9.88540000000000e+05
Final integrality gap (abs / rel) = 0.00e+00 / 0.00e+00 ( 0.00%)
# of nodes processed = 43
# of subproblems processed = 45
# of LP iterations = 129
Total program time (secs) = 0.12304 ( 0.033 CPU time)
Time spent in evaluations (secs) = 0.00083
===========================================================================
Locally optimal solution.
objective 988540; integrality gap 0
43 nodes; 45 subproblem solves
suffix incumbent OUT;
suffix relaxbnd OUT;

7. CONCLUSIONES
Se implement y se encontr la solucin ptima en la mayora de los casos para el
problema de planeamiento de sistemas de transmisin de energa elctrica,
implementando los modelos matemticos en el software de moldeamiento AMPL y
solucionndolos con los paquetes de optimizacin matemtica KNITRO y MINOS.
El uso de un lenguaje de modelamiento matemtico como lo es AMPL, reduce
significativamente la complejidad de construccin del modelo del problema en
comparacin con los lenguajes de programacin. De manera complementaria, el
uso de solvers elimina la necesidad de programar una tcnica de solucin.
Debido a que los solvers contienen tcnicas de solucin exactas, a la hora de
enfrentarse a problemas de optimizacin combinatorial de gran tamao y
complejidad tienden a quedar atrapados en soluciones ptimas locales. Sin
embargo, estas tcnicas pueden ser empleadas como herramientas de apoyo a
tcnicas de solucin ms robustas como las tcnicas Metaheursticas de
optimizacin. Tambin resultan tiles a la hora de realizar pruebas a modelos
nuevos o a variaciones de un modelo existente, aplicndolas a sistemas de prueba
de tamao moderado, o para verificar rpidamente que una solucin planteada
como ptima cumple en realidad con todas las restricciones planteadas por el
modelo con el que fue resuelto (comprobando si hay o no racionamiento en el
sistema).