Ing EDGAR M CARREO F.

*
M.Sc ANTONIO ESCOBAR Z.**
Ph.D. RAMON A GALLEGO R.**
Universidad Tecnolgica de Pereira
Grupo de Investigacin en Planeamiento de Sistemas Elctricos
Pereira Colombia.

ALGORITMO DE BRANCH AND BOUND ESPECIALIZADO APLICADO AL

PLANEAMIENTO DE SISTEMAS DE TRANSMISIN.

Palabras Clave: Modelos relajados,

optimizacin,
planeamiento
de
la
expansin de la transmisin, Branch and
Bound, pseudocostos.
1. INTRODUCCIN
El problema del planeamiento a largo
plazo de las redes de transmisin a largo
plazo, consiste en decidir que, cuanto y
donde
se deben adicionar nuevos
elementos de red, considerando una red
actual y un conjunto de elementos
candidatos definidos para cumplir con una
demanda proyectada, cumpliendo criterios
tanto tcnicos como econmicos.
El modelamiento matemtico de una red
de transmisin presenta varios problemas
al momento de resolverlo, por su
naturaleza No Lineal Entera Mixta
(PNLEM). El principal problema es que no
es convexo, lo cual no garantiza la
obtencin del ptimo global, y en puede
conducir al proceso a ptimos locales,
aunque eventualmente puede encontrarse
el ptimo global.
Al momento de aumentar el tamao de los
sistemas e incrementar el nmero de
variables, se produce una explosin
combinatorial que le aade otro grado de
dificultad matemtica al problema, otro
hecho importante es que el modelo
contiene variables continuas y enteras, y
por lo tanto el sistema obtenido no es
diferenciable.
*

El planeamiento de la transmisin puede

resolverse de dos formas, la primera
* Estudiante Maestra en Ingeniera Elctrica
** Profesores Universidad Tecnolgica de Pereira

consiste en especificar que, donde y

cuantos nuevos equipos deben ser
adicionados en un plan de expansin, este
es denominado planeamiento esttico, y
forma parte de un problema ms general
que es el planeamiento dinmico, que
adems de que, donde y cuantos,
especifica cuando deben ser instalados
los nuevos equipos. El mtodo aqu
presentado se aplic al planeamiento
esttico.
Histricamente, Garver fue el primero en
expresar este problema matemticamente
y proponer soluciones [1]. Durante los
ltimos aos se han aplicado tcnicas de
programacin entera mixta usando
descomposicin de Benders, simulated
annealing,
algoritmos
genticos,
bsqueda TABU, GRASP, entre otros.
Branch and Bound es un mtodo exacto
de optimizacin que se us intensamente
a finales de la dcada de los 80 y principio
de los 90, sin embargo su aplicacin no
encontraba resultados satisfactorios al ser
empleado en sistemas de gran tamao.
Como consecuencia de los ltimos
avances algortmicos matemticos con
los pseudocostos, el mtodo toma de
nuevo importancia para ser aplicado a
diferentes problemas de mediano y gran
tamao.
En este artculo se presenta el modelo
matemtico del mtodo, la forma como
opera y se presenta el concepto de
pseudoscostos, finalmente se presentan
los resultados de las pruebas del
algoritmo en el sistema de Garver [1] y el
sistema Colombiano [5].

2. MODELAMIENTO MATEMTICO
El modelo matemtico aplicado en este
trabajo es el conocido con el nombre de
modelo de transportes, y fue propuesto
por Garver [1].
El modelo de transportes es la versin
ms relajada del modelo DC que
representa una red de transmisin, y tiene
la caracterstica de ser un problema Lineal
Entero Mixto.
El modelo de transportes se especifica de
la siguiente manera:
min v =

( , j )

s.a.

(1)

cij nij

Sf + g = d

f ij ( nij + n

0
ij

0 g g
0 nij nij

)f

ij

(2)
(3)

n i j Entero

(4)
(5)
(6)

f ij Irrestricto

(7)

donde v es el costo de inversin en lneas

y transformadores, cij es el costo de
adicin de una lnea/transformador entre
las ramas i y j, nij es el nmero de circuitos
adicionados entre i y j, S es la matriz de
incidencia de ramas del sistema, f es el
vector de flujos, g es el vector de
generadores , d es el vector de
0
demandas, nij representa el numero de
circuitos en la configuracin base, fij es el
flujo mximo permitido para un circuito
entre i y j, g es el vector de generaciones
mximas, nij es el vector del mximo
numero de lneas permitidas entre las
barra i y j, y es el conjunto de las ramas
candidatas.
La funcin objetivo (1) representa la suma
de
los
costos
de
todas
las
lneas/transformadores adicionados, las
restricciones (2) representan la primera
ley Kirchhoff,
las restricciones (3)
representan la capacidad de transmisin
de los circuitos (El valor absoluto lleva en
cuanta que el flujo puede ir en cualquier
direccin), (4) y (5) representan los lmites
mximos de capacidad de generacin y

del nmero de lneas/transformadores, (6)

y (7) establecen la naturaleza de este
problema como Entero Mixto (PLEM)
3. BRANCH
AND
PSEUDOCOSTOS

BOUND

CON

B&B Bsico

Branch and Bound (separar y sondar) es

un mtodo exacto para encontrar la
solucin de un Problema Lineal Entero
(PLE) o Entero Mixto (PLEM).
La filosofa del Branch and Bound es
resolver un PLEM resolviendo un conjunto
de problemas de programacin lineal (PL)
que son versiones relajadas del PLEM, los
cuales pueden ser resueltos por tcnicas
de solucin conocidas o mediante
software especializado.
Inicialmente se resuelve el problema
original permitiendo que las variables
enteras puedan tomar valores continuos,
el cual se denominar P0, si el problema
tiene solucin entera en todas las
variables enteras, entonces se ha
encontrado la solucin ptima global.
Si el problema no presenta solucin
entera, se debe separar el problema en
dos subproblemas escogiendo una
variable con valor actual no entero para
separar, obteniendo dos subproblemas de
la siguiente manera.
Subproblema P1: Es el problema P0 ms
una restriccin de la forma
nij nij*

(8)

Subproblema P2: Es el problema P0 ms

una restriccin de la forma
(9)
nij nij* + 1
*
Donde nij es el mayor entero contenido
en la variable nij que es separada.
estos subproblemas se deben resolver al
igual que el primero, y si no tienen
solucin entera se debe repetir el proceso,

hasta que
agotado.

el

espacio

solucin

sea

Para escoger la variable que se debe

separar existen dos estrategias:

Una forma de saber cuales problemas

resolver y cuales no, es seguir las pruebas
de sondaje que son:

MAX-MAX: Busca encontrar la variable

que produzca la mayor degradacin de la
funcin objetivo para que uno de los
problemas descendientes sea sondado
rpidamente, la variable j se escoge con la
relacin (12).

1. El problema resuelto tiene solucin

entera.
2. El problema no tiene solucin entera
pero presenta una solucin de peor
calidad que la de la mejor solucin
entera ya encontrada.
3. La solucin del problema es infactible.

B&B con Pseudocostos

Los pseudocostos dan una medida de la

degradacin de la funcin objetivo cuando
una variable entera, con valor continuo, es
forzada a asumir un valor entero. Como la
variable que se separa es forzada a tomar
dos valores enteros distintos, se pueden
tener dos pseudocostos diferentes:

Pj =

Pj =

v kpl v kpl

(10)

f jk
k+
pl

v v
1 f

(11)

k
pl
k
j

donde Pj- es el pseudocosto asociado a

disminuir la variable hasta el entero
inferior y Pj+ es el pseudocosto asociado a
aumentar la variable hasta el entero
superior, v

k
pl

es el valor del PL relajado,

v kpl es el valor del PL descendiente con la

restriccin del entero inferior, v

k+
pl

es el

valor del PL descendiente con la

restriccin del entero superior, fjk es la
parte fraccionaria del valor de la variable
separada njk y est dado por f jk = nkj nkj ,
donde n kj es el mayor entero contenido
en la variable nij.
Se recomienda calcular los pseudocostos
antes de comenzar el proceso para todas
las variables enteras y mantener estos
valores constantes, otra alternativa es
recalcular estos valores cada vez que es
posible y promediar los valores obtenidos
[4].

max max Pj f jk ; Pj+ (1 f jk )

j

(12)

MAX-MIN: Selecciona una variable cuya

menor degradacin en la funcin objetivo
sea mxima, por lo tanto se pueden
sondar rpidamente los dos subproblemas
generados, la variable j se escoge con la
relacin (13).

max min Pj f jk ; Pj+ (1 f jk )

j

(13)

No existe un mtodo para determinar cual

de las dos estrategias debe de ser
implementada en un problema especifico.
Despus que son generados los
descendientes, se escoge cual PL
debe resolver de la lista de PLs
resolver, una forma de saber cual
resolver es estimando su valor antes
resolverlo, para esto se pueden usar
siguientes relaciones
m +1
k
= vinf
+ Pj f jk + suma
vest

PL
se
sin
PL
de
las

(14)

m+ 2
k
= vinf
+ Pj+ (1 f jk ) + suma
vest

suma = min Pi fi k ; Pi + (1 fi k )
iI
i j

m +1
Donde vest
es el valor estimado del PL
que se genera al limitar a la variable no
entera a un valor inferior al mximo entero
m+ 2
por la izquierda y vest
es el valor estimado
del PL que se genera al limitar a la
variable no entera a un valor mayor al
mnimo entero por la derecha.
De esta manera se puede resolver el PL
que presente el valor estimado de mejor
calidad.

El algoritmo general para resolver un

problema PLEM o PLE con un Branch and
Bound
especializado
usando
pseudocostos, es el siguiente:
1.
2.

3.
4.

5.
6.

7.

8.

Escoger una buena incumbente inicial.

Resolver el problema permitiendo que las
variables enteras puedan tomar valores
continuos y resolver todos los PLs que se
puedan derivar de este y calcular los
pseudocostos.
Escoger la variable a separar con el
criterio de MAX-MAX o MAX-MIN
Generar los dos nuevos PLs con la
variable escogida y guardarlos en la lista
de PLs sin resolver, calculando su valor
estimado.
Si la lista de PLs sin resolver esta vaca el
problema ha terminado, ir al paso 8
Escoger el PL a resolver seleccionando el
que tenga el menor vest de la lista de PLs
sin resolver
Resolver el PL y aplicar las pruebas de
sondaje
7.1 Si el PL tiene solucin entera,
comparar con la incumbente actual y
guardar. Si el problema tiene solucin
igual a la incumbente guardar su
solucin como ptimo alternativo.
Sondar la rama y volver al paso 5.
7.2 Si la solucin del problema es de
peor calidad que la incumbente
guardada, sondar e ir al paso 5
7.3 Si el problema tiene solucin
infactible sondar e ir al paso 5.
7.4 Si el problema no tiene solucin
entera ir al paso 3
Mostrar todas las soluciones alternativas
del problema.

Para mayor detalle se puede consultar [4]

mtodos, estas soluciones corresponden

a:
1.
2.
3.
4.

n2 6 = 1, n35 = 1, n4 6 = 2

n35 = 1, n4 6 = 3
n2 6 = 2, n3 5 = 1, n4 6 = 1
n2 6 = 3, n3 5 = 1

En el caso de Garver con redespacho, el

algoritmo llega a la respuesta ptima
conocida presentada en [2], con 5
soluciones alternativas, resolviendo 82 PL,
con un costo de inversin de U$200x106
que es la solucin ptima para el modelo
PNLEM que se ha comprobado por varios
mtodos, estas soluciones corresponden
a:
1. n2 6 = 5, n3 5 = 1, n4 6 = 1
2. n2 6 = 4, n15 = 1, n4 6 = 2
3. n2 6 = 4, n3 5 = 1, n4 6 = 3
4. n2 6 = 3, n15 = 1, n4 6 = 3
5. n2 6 = 3, n35 = 1, n4 6 = 3
B. Sistema Colombiano
La topologa de este sistema se muestra
en la figura 1 y los datos son los utilizados
en la referencia [5] para un horizonte
proyectado para los aos 2005, 2009 y
2012.
Fig. 1 Sistema Colombiano

4. PRUEBAS Y RESULTADOS
El algoritmo general ha sido implementado
en Fortran bajo OS Sun Solaris 8 en un
equipo Sun Blade 1000.
Se realizaron las pruebas para el sistema
de Garver, cuyos datos estn en [1] y el
sistema Colombiano, cuyos datos estn
en [5]
A. Sistema de Garver
En el caso de Garver sin redespacho, el
algoritmo llega a la respuesta ptima
conocida presentada en [2], con 4
soluciones alternativas, resolviendo 22 PL,
con un costo de inversin de U$110x106
que es la solucin ptima para el modelo
PNLEM que se ha comprobado por varios

Para el horizonte 2005 se obtiene la

respuesta ptima con un plan de inversin
de U$172,2x106 resolviendo 68 PL con la
siguiente solucin:
1. n5288 = 1, n43 88 = 2, n57 81 = 1
Para el horizonte 2009 se obtiene la
respuesta ptima, con 2 alternativas, con
un plan de inversin de U$248,85x10 6
resolviendo 270 PL con las siguientes
soluciones:
1. n5781 = 2, n55 57 = 1, n55 62 = 1, n45 81 = 1
2. n5781 = 2, n55 57 = 1, n55 62 = 1, n54 56 = 1
Para el horizonte 2012 se obtiene la
respuesta ptima con un plan de inversin
de U$315,36x106 resolviendo 6270 PL
con la siguiente solucin:
1.

n5288 = 1, n43 88 = 2, n57 81 = 1, n1431 = 1,

n55 84 = 1, n55 62 = 1, n19 66 = 2, n6886 = 1

Es de notar que estos resultados

presentados para el sistema colombiano
an no eran conocidos.
5. CONCLUSIONES
Se ha aplicado un algoritmo eficiente de
Branch and Bound con los nuevos
conceptos de pseudocostos a la solucin
del problema del planeamiento esttico de
la transmisin, en sistemas de mediano
tamao, reduciendo en gran parte la
cantidad de PL a resolver en el problema
y acelerando su convergencia. El mtodo
se ha comprobado con el sistema relajado
de 6 barras 15 lneas de Garver y se
presenta por primera vez en la literatura
especializada la solucin ptima para el
sistema Colombiano relajado de 93 barras
155 lneas para los horizontes de
planeamiento 2005, 2009 y 2012.
Para sistemas pequeos, la respuesta
ptima del PLEM por B&B es igual a la del
modelo PNLEM, lo que ahorra el montaje
del sistema DC. En sistemas de mediano
tamao, la solucin obtenida es similar a
la del modelo DC, y en algunos casos
resulta ser igual. En sistemas de gran
tamao y complejidad matemtica, la
respuesta relajada se aproxima a la del

modelo DC con los elementos ms

significativos, lo que constituye una
configuracin inicial de muy alta calidad
para
un
algoritmo
heurstico
o
metaheurstico para resolver el modelo
DC.
6. RECONOCIMIENTOS
Los
Autores
expresan
sus
agradecimientos
a
la
Universidad
Tecnolgica de Pereira, Colombia, por su
apoyo al grupo de Planeamiento de
Sistemas Elctricos.
BIBLIOGRAFA
[1] L.L. Garver, Transmissin Network
Estimation Using Linear Programming,
IEEE Trans on Power Apparatus &
systems, Vol PAS-89, No 7, pp 1688-1697,
Sept/oct 1970.
[2] S. Haffner, A. Monticelli, A. Garcia, J.
Mantovani and R. Romero, Branch and
Bound algorithm for transmission system
expansion planning using a transportation
model, IEE Proc-gener Transm, Distrib,
vol 147 pp 149-156, May 2000

[3] S. T. Lee, K.L. Hocks and E. Hnyilicza,

Transmission expansion using Branch
and Bound integer programming with
optimal cost capacity curves, IEEE Trans
on Power App Syst, vol PAS-93, pp 13901400, 1974

[4] R. A. Gallego, R. Romero, A. H.

Escobar, Optimizacin en Sistemas
Elctricos II Programacin Entera,
Universidad Tecnolgica de Pereira, 1
Edicin, 2002.
[5] A. Escobar, Planeamiento Dinmico
de la Expansin
de Sistemas de
Transmisin
Usando
Algoritmos
Combinatoriales, Tesis de Maestra, FIE,
Universidad Tecnolgica de Pereira, Feb
2002.
[6] R. Romero and A. Monticelli, A
Hierarchical Decomposition Approach for
Transmission
Network
Expansion
Planning, IEEE Trans on Power Systems,
Vol 9, No 1, pp 373-380, Feb 1994.

[7] R. Romero, R. A. Gallego, and A.

Monticelli,
Transmission
System
Expanssion Planning by Simulated
Annealing, IEEE Trans on Power System,
Vol 11, No 1, pp 364-369, Feb 1996.