Anda di halaman 1dari 142

SOLUCIN DE FLUJO PTIMO DE

POTENCIA VIA ALGORITMOS


GENETICOS

Un ingeniero no es una copia, es original


y se atreve a cambiar una realidad, no
importa el tiempo o el espacio, todo es
posible mientras crea que es as.

AGRADECIMIENTOS

A Dios por la fortaleza que nos dio para la realizacin de este proyecto, al
Ingeniero Toribio, docente del curso, a nuestros padres, por el amor, dedicacin y
apoyo que siempre nos han brindado y a nuestros amigos por su cario y amistad
sincera, y por creer en nosotros.

TABLA DE CONTENIDO

GLOSARIO...............................................................................................................XI
RESUMEN.............................................................................................................XVI
1.

INTRODUCCIN.............................................................................................1

1.1.

Estado del arte................................................................................................2

1.1.1. Un algoritmo gentico para resolver el problema del flujo optimo de potencia
[4]....................................................................................................................3
1.1.2. Flujo de potencia ptimo para sistemas de distribucin usando los mtodos
de la cadena y del gradiente [5]......................................................................3
1.1.3. Flujo de potencia ptimo con Programacin Cuadrtica secuencial (SQP)
[6]....................................................................................................................3
1.1.4. Flujo de potencia ptimo usando el mtodo del gradiente para reduccin de
prdidas en sistemas de potencia [7].............................................................4
1.1.5 Formulacin del flujo optimo DC usando QuadProgJ [8]...............................4
1.1.6 Flujo de potencia ptimo usando programacin evolucionara [9].................4
1.2.

Objetivos.........................................................................................................5

1.2.1. Objetivo general..............................................................................................5


1.2.2. Objetivos especficos......................................................................................5
1.3.

Alcance del trabajo..........................................................................................6

2.

EL PROBLEMA FLUJO PTIMO DE POTENCIA..........................................7

2.1.

Introduccin.....................................................................................................7

2.2.

Variables del problema....................................................................................9

2.2.1. Datos...............................................................................................................9
2.2.2. Variables........................................................................................................10
2.2.3. Restricciones.................................................................................................10
2.2.4. Funcin a minimizar......................................................................................11
3.

ALGORITMOS GENETICOS.........................................................................12

3.1.

Historia..........................................................................................................13

3.2.

Estructura de un algoritmo gentico.............................................................16

3.2.1. Poblacin.......................................................................................................16
3.2.2. Funcin de aptitud.........................................................................................17
3.2.3. Seleccin.......................................................................................................17
3.2.4. Operador cruce.............................................................................................20
3.2.5. Mutacin........................................................................................................22
3.3.

Funcionamiento de un algoritmo gentico....................................................23

4.

ALGORITMO GENETICO ENFOCADO EN LA SOLUCIN DEL FLUJO


PTIMO DE POTENCIA...............................................................................27

4.1.

Objetivo del algoritmo...................................................................................28

4.2.

Diseo del algoritmo gentico.......................................................................28

4.2.1. Descripcin pas a paso del algoritmo gentico..........................................29


5.

ANALISIS DE RESULTADOS OBTENIDOS.................................................31

5.1.

Resultados simulacin IEEE 30 buses.........................................................33

5.2.

Resultados simulacin IEEE 118 buses.......................................................42

6.

CONCLUSIONES..........................................................................................48

7.

RECOMENDICIONES Y TRABAJOS FUTUROS.........................................50

8.

BIBLIOGRAFA..............................................................................................51

LISTA DE TABLAS

Tabla 1. Comparacin de potencias en generadores entre Matlab y GAMS


POWER....................................................................................................................39
Tabla 2. Comparacin de tensiones en buses entre Matlab y GAMS POWER IEEE
30 buses..................................................................................................................40
Tabla 3. Comparacin de potencias en generadores entre Matlab y GAMS
POWER IEE 118 buses...........................................................................................44
Tabla 4. Comparacin de tensiones en buses entre Matlab y GAMS POWER IEEE
118 buses.................................................................................................................45
Tabla 5. Datos de las barras. [20]............................................................................55
Tabla 6. Datos de las lneas de transmisin. [20]....................................................56
Tabla 7. Datos de los lmites de generacin. [20]....................................................57
Tabla 8. Datos de los lmites de tensiones. [20]......................................................57
Tabla 9. Datos de las barras. [22]............................................................................61
Tabla 10. Datos de las lneas de transmisin. [22]..................................................65
Tabla 11. Datos de los lmites de generacin. [22]..................................................66
Tabla 12. Datos de los lmites de tensiones. [22]....................................................66
Tabla 13. Costos y Potencias de prueba del sistema IEEE30 buses cambiando N
de generaciones......................................................................................................69
Tabla 14. Tensiones promedio en buses para el sistema IEEE30 buses cambiando
N de generaciones.................................................................................................70
Tabla 15. Resultados promedio obtenidos en Matlab cambiando N de
generaciones...........................................................................................................71
Tabla 16. Costos y Potencias de prueba del sistema IEEE30 buses cambiando el
tamao de la poblacin............................................................................................72

Tabla 17. Tensiones promedio en buses para el sistema IEEE30 buses cambiando
el tamao de la poblacin........................................................................................73

Tabla 18. Resultados obtenidos en Matlab cambiando el tamao de la poblacin.


...............................................................................................................................74
Tabla 19. Costos y Potencias de prueba del sistema IEEE30 buses cambiando el
porcentaje de cruce.................................................................................................75
Tabla 20. Tensiones promedio en buses para el sistema IEEE30 buses cambiando
el porcentaje de cruce.............................................................................................76
Tabla21. Resultados obtenidos en Matlab cambiando el porcentaje de cruce.......77
Tabla 22. Costos y Potencias de prueba del sistema IEEE30 buses cambiando
operadores genticos..............................................................................................78
Tabla 23. Costos y Potencias de prueba del sistema IEEE30 buses cambiando
operadores genticos..............................................................................................79
Tabla 24. Tensiones promedio en buses para el sistema IEEE30 buses cambiando
operadores genticos..............................................................................................80
Tabla 25. Resultados obtenidos en Matlab cambiando el operador gentico.........81

LISTA DE FGURAS

Figura 1. Funcionamiento del mtodo de seleccin por ruleta. [17].......................18


Figura 2. Cruce en un punto. [14]............................................................................20
Figura 3. Cruce en un punto. [14]............................................................................21
Figura 4. Mutacin en un punto. [14].......................................................................22
Figura 5. Diagrama de flujo de un algoritmo gentico.............................................25
Figura 6. Diagrama del algoritmo de solucin.........................................................30
Figura 7. Costos de generacin del sistema IEEE30 buses cambiando N de
generaciones...........................................................................................................36
Figura 8. Costos de generacin del sistema IEEE30 buses cambiando el tamao
de la poblacin.........................................................................................................37
Figura 9. Costos de generacin del sistema IEEE30 buses cambiando el
porcentaje de cruce.................................................................................................37
Figura 10. Costos de generacin del sistema IEEE30 buses cambiando
operadores genticos..............................................................................................38
Figura 11. Comparacin de potencias en generadores entre Matlab y GAMS
POWER IEEE 30 buses..........................................................................................39
Figura 12. Comparacin de tensiones en buses entre Matlab y GAMS POWER
IEEE 30 buses.........................................................................................................41
Figura 13. Comparacin de potencias en generadores entre Matlab y GAMS
POWER IEEE 118...................................................................................................43
Figura 14. Comparacin de tensiones en buses entre Matlab y GAMS POWER
IEEE 118 buses.......................................................................................................46
Figura 15. Sistema de prueba IEEE 30 Buses. [21]................................................58
Figura 16. Sistema de prueba IEEE 118 Buses. [23]..............................................67
Figura 17. Tensiones promedio en buses para el sistema IEEE30 buses
cambiando N de generaciones...............................................................................70

Figura 18. Nmero de generaciones en funcin del tiempo...................................71

Figura 19. Tensiones promedio en buses para el sistema IEEE30 buses


cambiando el tamao de la poblacin.....................................................................73
Figura 20. Numero de generaciones en funcin del tiempo...................................74
Figura 21. Tensiones promedio en buses para el sistema IEEE30 buses
cambiando el porcentaje de cruce...........................................................................76
Figura 22. Porcentaje de cruce en funcin del tiempo............................................77
Figura 23. Tensiones promedio en buses para el sistema IEEE30 buses
cambiando operadores genticos...........................................................................80

I
X

LISTA DE ANEXOS

Anexo 1....................................................................................................................54
Anexo 2....................................................................................................................68

GLOSARIO

ALGORITMO: Conjunto ordenado de operaciones bien definidas, que permiten


resolver un problema.

ALGORITMO GENTICO: Tcnica de programacin que imita a los procesos que


intervienen en la evolucin biolgica de las especies, como estrategia para
resolver problemas de bsqueda y optimizacin.

APTITUD: Valor numrico asignado a un individuo de una poblacin, el cual indica


que tan bien, este individuo resuelve el problema.

BARRA: Elemento conductor equipotencial que forma un terminal o punto de


conexin entre diversos elementos de un sistema de potencia, como lneas de
transmisin, transformadores, generadores, etc.

BARRA DE CARGA: Tipo de barra en la que nicamente se consume energa


elctrica; en estas barras se especifican como datos de entrada al problema de
flujo de potencia, la potencia activa y reactiva que entran al sistema a travs de
ellas.

BARRA DE COMPENSACIN: Tipo de barra, nica en un problema de flujo de


potencia, en la que se especifican como datos de entrada, la magnitud y el ngulo
de fase del tensin.

BARRA DE TENSIN CONTROLADO: Tipo de barra a la que se conecta equipos


capaces de controlar la magnitud de la tensin y la potencia activa, como
generadores sncronos. En estas barras se especifican como datos de entrada, la

magnitud de la tensin y la potencia activa que entra al sistema de potencia a


travs de ellas.

CONVERGER: Aproximarse a un valor numrico.

CROMOSOMA: Cada uno de ciertos corpsculos en forma de filamentos que se


encuentran en el ncleo de la clula y contienen el ADN. En los algoritmos
genticos, es la estructura que agrupa a todas las variables del problema en un
solo elemento, en el cual se codifican las posibles soluciones.

DIAGRAMA UNIFILAR: Diagrama simplificado de un sistema elctrico, en el cual


se indica por una sola lnea y por smbolos estndar, cmo se conecta las lneas
de transmisin con los aparatos asociados al sistema elctrico.

ESTADO ESTACIONARIO: Rgimen de operacin de un sistema, en el que no


ocurren cambios en las seales de entrada o la configuracin del mismo.

EVOLUCIN: Proceso continuo de transformacin de las especies, a travs de


cambios producidos en generaciones sucesivas.

FENOTIPO: Es el nivel de adaptacin de un organismo con su medio ambiente.


En los algoritmos genticos, es el valor que toma un individuo de acuerdo a su
aptitud para resolver el problema.

GEN: Es cada una de las partculas dispuestas en un orden fijo a lo largo del ADN
y que, determinan la aparicin de los caracteres hereditarios en los organismos.
En un algoritmo gentico, es cada uno de los elementos del cromosoma que
puede tomar un valor numrico.

GENERACIONES: Serie de etapas en la que los descendientes reemplazan a los


progenitores.

GENERADOR: Mquina que convierte energa mecnica en energa elctrica.

GENOTIPO: Forma codificada, de una posible solucin a un problema, en los


genes de un individuo.
MTODO ITERATIVO: Procedimiento que permite resolver un problema, por
medio de la repeticin de una serie de pasos bien definidos.

MUTACIN: Cualquiera de las alteraciones producidas en la estructura gentica


de un organismo. En los algoritmos genticos, es el cambio en el valor de uno o
varios genes de un individuo.

NODOS: Uniones formadas cuando dos o ms elementos de circuito se conectan


por medio de sus terminales.

POBLACIN: Agrupacin de individuos con diferentes valores genticos, en una


generacin determinada.

POTENCIA: Es la razn en la que se realiza un trabajo o se convierte energa de


una forma a otra.

POTENCIA ACTIVA: Energa que realmente se consume o se convierte de una


forma a otra, por unidad de tiempo.

POTENCIA APARENTE: Energa total que es suministrada a una carga por


unidad de tiempo; es el producto de los valores eficaces la tensin y la corriente.

POTENCIA DE CARGA: Energa recibida en un punto del sistema por unidad de


tiempo.

POTENCIA DE GENERACIN: Energa suministrada en un punto del sistema por


unidad de tiempo.

POTENCIA REACTIVA: Es la razn en que la energa es almacenada y devuelta


por un elemento inductivo o capacitivo.

REPRODUCCIN: Accin de producir nuevos seres vivos a travs del intercambio


gentico de los seres progenitores. En un algoritmo gentico, es el proceso en el
cual se crean nuevos individuos a travs del intercambio de informacin gentica
de las parejas formadas.

SELECCIN: Competicin que se realiza entre los miembros de una especie, con
el objetivo de poder llegar a reproducirse. En un algoritmo gentico, es el proceso
en el cual se escoge a los individuos que integrarn las parejas que van a
reproducirse.

SISTEMA ELCTRICO DE POTENCIA: Conjunto de elementos interconectados


que permiten la produccin, transporte y consumo de la energa elctrica.

TRANSFORMADOR: Mquina esttica que cambia los niveles de tensin y


corriente, sin alterar considerablemente el valor de la energa transferida.

VALOR EFICAZ: Es aquel valor de corriente alterna que produce los mismos
efectos que una corriente continua del mismo valor. Matemticamente se obtiene
calculando la raz cuadrada de la media de los cuadrados de los valores
instantneos que toma la seal durante un perodo.

VALOR POR UNIDAD: Relacin entre el valor real de una magnitud elctrica con
su valor base.

TENSIN: Diferencia de potencial elctrico entre dos puntos de un circuito.

RESUMEN

El objetivo del problema del flujo ptimo de potencia (FOP) es determinar el


arranque y parada de las unidades de generacin para satisfacer la demanda del
sistema al mnimo costo de produccin, mientras se satisface un conjunto de
restricciones operativas de las unidades de generacin y de los sistemas
elctricos de potencia.

El objetivo fundamental de este proyecto es presentar una solucin al flujo ptimo


de potencia (FOP), teniendo en cuenta solamente la potencia activa del sistema
de prueba IEEE de 118 buses. Para esto se propone una solucin empleando
algoritmos genticos (AG), para obtener una solucin global del sistema.

Los algoritmos genticos son tcnicas de programacin que imitan a los procesos
de seleccin, reproduccin sexual y mutacin que intervienen en evolucin
biolgica de las especies, como estrategia para resolver problemas de bsqueda y
optimizacin.

Los procesos de seleccin, reproduccin y mutacin son realizados sobre una


poblacin de individuos que representan distintas posibles soluciones al problema,
de forma que inicialmente, se tiene una poblacin de posibles soluciones, las
cuales van evolucionando durante el algoritmo gentico, hasta que se encuentre la
solucin al problema.

Este proyecto de grado contiene los siguientes captulos:

Introduccin: En el cual podemos encontrar los diferentes estudios que se han


realizado para la solucin del flujo ptimo de potencia as como los objetivos y el
alcance de este trabajo.

El problema del flujo ptimo de potencia: En este captulo se describe el


problema del flujo ptimo de potencia, sus variables, sus restricciones, su
formulacin matemtica y la funcin objetivo del problema que se debe minimizar.

Algoritmos genticos: Se resean los principales operadores genticos como


son seleccin, cruce y mutacin y la funcin que desempean dentro del algoritmo
para la solucin del sistema de estudio.

Algoritmo gentico enfocado en la solucin del flujo ptimo de potencia: Se


disea el algoritmo, se describe paso a paso el funcionamiento del mismo, as
como el objetivo por el cual se crea.

Anlisis de resultados obtenidos: Se analizan los resultados de las


simulaciones y se obtiene la mejor solucin de los sistemas de prueba en estudio.

Los resultados obtenidos en el sistema IEEE 30 buses [20], fue de 8094.94 $/h, de
costo total por despacho econmico y para el sistema IEEE 118 buses [22], fue de
5

1,0682x10 $/h, de costo total por despacho econmico.

1.

INTRODUCCIN

El propsito fundamental de la existencia de un sistema elctrico de potencia es el


de suministrar energa elctrica a sus clientes. Esta labor debe realizarse de la
manera ms econmica posible y con un nivel de confiabilidad aceptable. Los
clientes conectados a las redes del sistema elctrico esperan que el suministro de
energa este continuamente disponible, respondiendo en forma inmediata a las
fluctuaciones de la demanda.

La solucin al problema de optimizar la generacin, en tanto se acatan los lmites


en las lneas de transmisin, es combinar el despacho econmico con los flujos de
potencia. El resultado se conoce como flujos de potencia ptimos (FOP). Hay
varios mtodos para resolver el FOP, como por ejemplo programacin lineal y la
programacin cuadrtica, entre otras.

No obstante los mtodos anteriormente mencionados presentan tres problemas


fundamentalmente; en primer lugar pueden no ser capaces de proporcionar una
solucin ptima global sino un ptimo a nivel local; en segundo lugar estos
mtodos se basan en hiptesis de continuidad y diferenciabilidad de la funcin
objetivo y por ltimo todos estos mtodos no pueden aplicarse con variables
discretas, como lo son los taps de los transformadores.

Los algoritmos genticos ofrecen un nuevo enfoque para la solucin de problemas


de optimizacin. Estos algoritmos han encontrado recientemente aplicaciones en
la solucin global de optimizacin, en problemas donde las tcnicas de
optimizacin cerradas no pueden aplicarse. Con los AG es ms probable, que el
flujo ptimo de potencia converja hacia una solucin global, puesto que, al mismo
tiempo se desarrollar y evaluar en muchos puntos en un sistema. En este

trabajo desarrollamos un algoritmo gentico aplicado al problema del flujo ptimo


de potencia en el sistema de prueba IEEE de 118 buses [22].

1.1.

Estado del arte

El flujo ptimo de potencia nace con el problema del despacho econmico, este
problema empez a ser discutido desde 1920 cuando se debi repartir la carga
total de un sistema entre las unidades generadoras de un sistema [1].

Hacia 1930 se tomaron dos criterios para resolver el problema:

El mtodo de carga base en el que la unidad ms eficiente era la primera


en tomar la carga hasta su mxima capacidad, luego la segunda unidad
ms eficiente hasta su mxima capacidad y as sucesivamente hasta
satisfacer la demanda.

El mejor punto de carga, en el que las unidades tomaban carga hasta


alcanzar su punto de mnimo calentamiento empezando por la ms eficiente
y cargando la menos eficiente al final [1].

Para la dcada del 50 aparece el flujo de potencia en las computadoras digitales.


Con estas bases a principios de los 60 Squires y J. Carpentier formulan mtodos
ms poderosos que no requieren de suposiciones que se hacan en la matriz de
coeficiente, y que pueden incluir un modelo exacto de la red [1] [2].

El flujo ptimo de potencia fue introducido en 1968. Desde entonces se han


planteado varios mtodos para la solucin de este problema [2], por ejemplo,

Programacin lineal (PL), Newton-Raphson (NR), Programacin cuadrtica (PQ),


Programacin no lineal, Puntos interiores (PI), Red neuronal artificial (ANN),

Lgica difusa (LD), Programacin evolucionara (PE), Optimizacin colonia de


hormigas (ACO) [3].
A continuacin se mencionan algunos trabajos realizados para la solucin del flujo
ptimo de potencia:

1.1.1.

Un algoritmo gentico para resolver el problema del flujo ptimo de


potencia [4].

El documento presenta la solucin del flujo ptimo de potencia de los grandes


sistemas de distribucin a travs de un simple algoritmo gentico. El objetivo es
minimizar el costo del combustible y mantener la potencia de salida de los
generadores, las tensiones en las barras, condensadores en paralelo /
transformadores y reactores dentro de los lmites de seguridad [4].

1.1.2.

Flujo de potencia ptimo para sistemas de distribucin usando los


mtodos de la cadena y del gradiente [5].

En este documento se presentan mejoras al mtodo de flujo ptimo de carga


(FOP),

generalizndolo

para

configuraciones

radiales

ms

complejas

involucrando conceptos de optimizacin basados en el mtodo del gradiente, los


cuales han sido extensamente aplicados en sistemas de transmisin, pero poco en
sistemas de distribucin, caracterizados por su topologa radial [5].

1.1.3.

Flujo de potencia ptimo con Programacin Cuadrtica secuencial


(SQP) [6].

El objetivo principal de este estudio es formular, en forma extendida, el problema


del Flujo de Potencia ptimo (OPF), representando explcitamente los equipos

Compensadores Estticos Regulables (SVC). El problema es resuelto utilizando


Programacin Cuadrtica Secuencial (SQP). [6]

1.1.4.

Flujo de potencia ptimo usando el mtodo del gradiente para


reduccin de prdidas en sistemas de potencia [7].

En este artculo se presenta un modelo de flujo de potencia ptimo por el mtodo


del gradiente para la reduccin de prdidas en el sistema de potencia.

El algoritmo permite ajustar un conjunto de variables de control con el fin de


obtener un punto de operacin que minimice las prdidas de potencia activa [7].

1.1.5 Formulacin del flujo optimo DC usando QuadProgJ [8].

En este documento se presenta un estndar del problema del FOP en DC


presentado en por unidad. Este estndar del problema se puede representar como
un punto de vista estrictamente convexo del problema de programacin cuadrtica
(SCQP); es decir, como la minimizacin de una forma cuadrtica definida con
sujecin a las limitaciones lineales [8].

1.1.6 Flujo de potencia ptimo usando programacin evolucionara [9].

Este documento desarrolla una eficaz y fiable programacin de un algoritmo


evolutivo para resolver el problema del flujo de potencia ptimo (OPF). En el
documento, los principales elementos de la programacin evolutiva del OPF se
basan en la programacin en una plataforma de java. Este algoritmo se demuestra
con el sistema de prueba IEEE 30 buses [9] [20].

1.2.

Objetivos

1.2.1.

Objetivo general

Desarrollar una solucin alternativa de flujo ptimo de potencia va algoritmos


genticos.

1.2.2.

Objetivos especficos

Describir completamente el problema del flujo ptimo de potencia.

Proponer una metodologa de solucin del FOP por medio de algoritmos


genticos.

Comparar tcnicas tradicionales de solucin de flujos ptimos de potencia


con la metodologa desarrollada.

Observar que ventajas proporcionan los (AG) en comparacin con otros


mtodos de solucin.

1.3.

Alcance del trabajo

En el trabajo de grado propuesto, el flujo de potencia ptimo se resuelve mediante


el uso de un algoritmo gentico, en este se obtendr la solucin de los costos de
operacin de la red de suministro teniendo en cuenta solo la potencia activa del
sistema, para la ejecucin del algoritmo gentico se utilizara el software
matemtico MATLAB, con el cual se trabaj a lo largo de la carrera de ingeniera
elctrica, puesto que es un lenguaje de computacin tcnico de alto nivel y
entorno interactivo para desarrollo de toda clase de algoritmos. Para la ejecucin
del programa no se tendr en cuenta el tiempo de ejecucin del algoritmo, sino la
calidad de la solucin obtenida con dicha simulacin.

2.

2.1.

EL PROBLEMA FLUJO PTIMO DE POTENCIA

Introduccin

El flujo ptimo de potencia es un problema que fue definido a principios del ao


1960, como una extensin del problema de despacho econmico de carga
convencional, que se utiliza para la determinacin ptima de las variables de
control en un sistema elctrico de potencia, considerando diversas restricciones.
FOP, en su formulacin general, es un problema de optimizacin con funcin
objetivo y restricciones no lineales, que representa la operacin en estado
estacionario del sistema elctrico. En general, el problema de FOP es un problema
de optimizacin de gran tamao, no-lineal, no-convexo, y con restricciones.
Existen dos grandes grupos de modelos para representar el FOP (Glavitch y
Bacher, 1991) [6]:

Modelos de tipo A: aquellos que utilizan como ncleo de clculo un algoritmo de


flujo de potencia clsico que es llamado por un proceso de optimizacin externo.
Este grupo de algoritmos elabora sucesivamente puntos de entrada al programa
de flujo de potencia, orientndolo hacia soluciones que minimizan la funcin
objetivo especificada [6].

Modelos de tipo B: aquellos que modelan el problema de FOP como un problema


de

optimizacin

global.

Las

variables

del

sistema

son

optimizadas

simultneamente y las ecuaciones de flujo corresponden a restricciones


adicionales del problema de optimizacin [6].

El propsito de una red de trasmisin de potencia es transportar la potencia


elctrica desde los generadores hasta los puntos de demanda. El objetivo del
problema del flujo de potencia ptimo consiste en determinar la produccin de

potencia de cada generador de modo que toda la demanda se satisfaga con un


costo mnimo al tiempo que se respetan las restricciones propias de la red.
Adems de satisfacer la demanda, los valores de tensin a lo largo de la red
deben mantenerse en unos niveles aceptables. La potencia reactiva debe
transmitirse a lo largo de la red, y su demanda debe ser satisfecha.

La potencia activa neta (generacin menos demanda) que llega a un nodo debe
expresarse como funcin de todos los tensiones y ngulos en la red

Donde:

: Es la potencia activa generada en el nodo ..


: La potencia activa demandada en el nodo .
: La magnitud de tensin.
: El ngulo en el nodo .
: El mdulo.
: El argumento de una constante compleja que depende de la topologa y la
estructura fsica de la red, y
: El nmero de nodos de la red.

La magnitud de la tensin de todo nodo debe estar limitada superior e


inferiormente

Donde:

: Es la cota inferior para la magnitud de la tensin en el nodo , y


: La cota superior.

Los generadores pueden producir potencia activa por encima de una cierta cota
inferior y por debajo de una cierta cota superior

Donde:

: Es la mnima potencia activa que puede salir del generador , y


: Es la mxima.

2.2.

Variables del problema

Los elementos de este problema son:

2.2.1. Datos

Son los valores inciales que tiene el sistema de prueba, que son los siguientes:

= el nmero de nodos en la red.

= un nmero complejo que tiene mdulo

, y argumento

depende de la topologa y estructura fsica de la red.


= la demanda de potencia activa en el nodo .
= la cota inferior para el mdulo del tensin en el nodo .
= la cota superior para el mdulo del tensin en el nodo .

el cual

= la potencia activa de salida mxima del generador .


= el precio por unidad de potencia activa en el generador .

2.2.2. Variables

Son aquellas que dependen de la funcin objetivo y son las siguientes:

= la tensin en el nodo .
= la potencia activa generada en el nodo .

2.2.3. Restricciones.

Son los parmetros lmites en el sistema de prueba, que no pueden ser


sobrepasados.

Hay distintos tipos de condiciones.

(a) Equilibrio de potencia activa:

(b) Cotas para variables:

1
0

2.2.4. Funcin a minimizar

Dada , el precio de produccin de la unidad de potencia activa en el generador ,


el flujo ptimo de potencia se convierte en la minimizacin de:

bajo todas las restricciones anteriores [10].

Se minimiza esta funcin con el objetivo de reducir los costos de generacin en un


sistema elctrico.

11

3.

ALGORITMOS GENTICOS

Los algoritmos de bsqueda y optimizacin son mtodos capaces de encontrar, en


el espacio de todas las posibles soluciones a un problema, la mejor solucin o la
nica. Existen cuatro tipos bsicos de mtodos de bsqueda y optimizacin, estos
son: mtodos analticos, mtodos exhaustivos, mtodos aleatorios y mtodos
heursticos.

Los mtodos analticos o basados en clculos, buscan la solucin a un problema,


resolviendo ecuaciones en forma directa o por medio de tcnicas iterativas.
Muchos problemas no pueden resolverse matemticamente en forma directa, por
lo que la bsqueda de la solucin se realiza mediante iteraciones, variando la
solucin de forma relacionada con el gradiente local; estos mtodos presentan el
problema de estancarse en mximos o mnimos locales y necesitan que la funcin
objetivo sea diferenciable[11][14][17].

Los mtodos exhaustivos o enumerativos, recorren todo el espacio finito de


posibles soluciones al problema, eligiendo la mejor solucin; aunque estos
mtodos tienen la ventaja de ser bastante simples, generalmente el espacio de
bsqueda es demasiado grande como para buscar la solucin punto por punto [11]
[15].

Los mtodos aleatorios o de bsqueda al azar, recorren de forma aleatoria varios


puntos del espacio de bsqueda, sin ningn criterio de seleccin y tratando de
cubrir todas las zonas de este espacio, eligiendo la mejor solucin que se haya
explorado; aunque estos mtodos son sencillos y no consumen demasiado tiempo
computacional, pueden dar una solucin que no sea la mejor [15].

Los mtodos heursticos utilizan reglas y tcnicas no rigurosas, para encontrar la


solucin de un problema, en un determinado espacio de bsqueda; existen
diversos mtodos heursticos de bsqueda y optimizacin, entre ellos estn los
algoritmos genticos.

Los algoritmos genticos son mtodos sistemticos para la resolucin de


problemas de bsqueda y optimizacin, que aplican los mismos mtodos de la
evolucin biolgica, los cuales son: seleccin basada en la poblacin,
reproduccin sexual y mutacin [15].

Tambin se puede decir que un algoritmo gentico es una tcnica de


programacin, que imita la evolucin biolgica, como estrategia para resolver
problemas. Dado un problema especfico a resolver, la entrada del algoritmo
gentico consiste en un conjunto de soluciones potenciales a ese problema, los
cules pueden especificarse o generarse aleatoriamente; estas soluciones son
codificadas de alguna forma y evaluadas mediante una funcin de aptitud, que
permite evaluar cuantitativamente a cada candidato; este conjunto de soluciones
son sometidas a acciones aleatorias, semejantes a las que actan en la evolucin
biolgica, hasta encontrar la mejor solucin al problema [11].

En un algoritmo gentico cada solucin potencial constituye un individuo de la


poblacin; a cada individuo se le asigna un valor de aptitud, para que los mejores
individuos tengan mayor probabilidad de reproducirse, transmitiendo parte de su
informacin a sus descendientes, como sucede en la evolucin biolgica.

3.1.

Historia

La teora de la evolucin fue descrita por Charles Robert Darwin en 1859, en el


famoso tratado el origen de las especies por medio de la seleccin natural [24].
La hiptesis de Darwin, presentada junto con Alfred Russel Wallace, que lleg a

las mismas conclusiones independientemente, es que pequeos cambios


heredables en los seres vivos y la seleccin, son los dos hechos que provocan el
cambio en la naturaleza y la generacin de nuevas especies; pero Darwin
desconoca cul es la base de la herencia, pensaba que los rasgos de un ser vivo
eran como un fluido y que los fluidos de los dos padres se mezclaban en la
descendencia; esta hiptesis tena el problema de que al cabo de cierto tiempo,
una poblacin tendra los mismos rasgos intermedios [15][16][17][24].

Fue Gregor Johann Mendel quien descubri en 1866, que los caracteres se
heredaban de forma discreta, y que se toman del padre o de la madre,
dependiendo de su carcter dominante o recesivo. A estos caracteres que podan
tomar diferentes valores los llam genes y a los valores que podan tomar los
llam alelos. En realidad, las teoras de Mendel, que trabaj en total aislamiento,
se olvidaron y no se volvieron a redescubrir hasta principios del siglo XX [15] [16]
[17].

En 1930, el genetista ingls Robert Aylmer relacion las teoras de Darwin y


Mendel, demostrando que los genes mendelianos eran los que proporcionaban el
mecanismo necesario para la evolucin; por la misma poca, el bilogo alemn
Walther Flemming describi los cromosomas, como ciertos filamentos que
contenan la cromatina del ncleo celular. Poco ms adelante, se descubri que
las clulas de cada especie viviente tenan un nmero fijo y caracterstico de
cromosomas [16].

A mediados de 1953, cuando el genetista estadounidense James Dewey Watson y


el britnico Francis Harry Compton Crick descubrieron que la base molecular de
los genes est en el cido desoxirribonucleico (ADN); el ADN est contenido
dentro de los cromosomas y por tanto, los genes estn dentro de los cromosomas.
La molcula de ADN es una cadena alargada en forma de doble hlice,

compuesta por adenina, citosina, guanina y timina. La combinacin y secuencia de


estas bases forma el cdigo gentico, nico para cada ser vivo [16].

Todos estos hechos forman hoy en da la teora del neo-darwinismo, que afirma
que la historia de la mayora de la vida est causada por una serie de procesos
que actan en las poblaciones, stos son: reproduccin, mutacin y seleccin [16].

En el proceso de reproduccin, los genes de los padres son mezclados y


transmitidos a los hijos, creando diversidad gentica. La mutacin consiste en la
alteracin de los genes en forma aleatoria. Finalmente, la seleccin es el proceso
de competicin entre los individuos de la poblacin, para sobrevivir y poder
heredar parte de sus genes a sus descendientes [16].

La evolucin puede definirse como el proceso de cambio en los genes de una


poblacin. Segn los informticos evolutivos, la evolucin optimiza, puesto que va
creando seres cada vez ms perfectos cuya cumbre es el hombre; adems,
indicios de esta optimizacin se encuentran en el organismo de los animales,
desde el tamao y tasa de ramificacin de las arterias, diseada para maximizar
flujo, hasta el metabolismo, que optimiza la cantidad de energa extrada de los
alimentos. Sin embargo, los genetistas y bilogos evolutivos afirman que la
evolucin no optimiza, sino que adapta y optimiza localmente en el espacio y el
tiempo; evolucin no significa progreso, ya que un organismo ms evolucionado
puede estar en desventaja competitiva con uno de sus antepasados, si ambos se
colocan en el ambiente del ltimo [15][16].

En los aos 60, John Holland observando el libro la teora gentica de la


seleccin natural, escrito por el bilogo evolucionista Ronald A. Fisher, comenz a
descubrir que la evolucin era una forma de adaptacin ms potente que el simple
aprendizaje, tomando la decisin de aplicar estas ideas para desarrollar

programas bien adaptados para un fin determinado. En los aos 70, Holland junto
con otras personas, crearon las ideas que ms tarde se convertiran en los
algoritmos genticos [16].

Actualmente se utilizan algoritmos genticos en una amplia variedad de campos,


para desarrollar soluciones a problemas de igual o mayor complejidad que los
abordados por los diseadores humanos; adems, las soluciones que consiguen
son a menudo ms eficientes, ms elegantes o ms complejas, que una, que un
ingeniero humano producira [16].

3.2.

Estructura de un algoritmo gentico

Un algoritmo gentico contiene una serie de procesos, similares a los observados


en la evolucin biolgica de las especies, que permiten solucionar un problema;
stos se describen a continuacin.

3.2.1. Poblacin

La poblacin es el conjunto de individuos con los que se trabaja en el algoritmo


gentico. Estos individuos constituyen posibles soluciones al problema. Los
individuos que constituyen la poblacin van cambiando durante el funcionamiento
del algoritmo gentico, pero el tamao de la poblacin permanece constante [12]
[15].

El tamao de la poblacin de un algoritmo gentico debe ser suficiente para


garantizar la diversidad de las soluciones; no existe una regla para determinar el
tamao ptimo de la poblacin, por lo que ste se determina segn el criterio del

diseador, tomando en cuenta la cantidad de genes del cromosoma y el intervalo


de valores que stos pueden adquirir [13] [15].

La poblacin inicial generalmente es creada asignando valores aleatorios a los


genes de cada individuo, dentro de un intervalo determinado y con la misma
probabilidad de ocurrencia; esto permite que la poblacin inicial abarque todo el
espacio de bsqueda [15].

3.2.2. Funcin de aptitud

La funcin de aptitud es la herramienta que permite medir que tan buena es una
solucin; esta funcin tiene como entrada el genotipo de un individuo y su salida
es el fenotipo de ese individuo. El fenotipo es la medida de la adaptacin de un
individuo o, dicho de otra forma, es la medida de cmo un individuo resuelve el
problema.

La funcin de aptitud debe ser diseada para cada problema de manera


especfica; sta debe asignar un valor numrico a cada individuo, que permita
comparar su aptitud para resolver el problema, con el resto de la poblacin [14]
[15] [16] [17].

3.2.3. Seleccin

La seleccin es el proceso en el cual, se escogen los individuos que integrarn las


parejas que van a reproducirse; todos los individuos pueden participar en la
formacin de dichas parejas. La seleccin se realiza al azar y los mtodos ms
comunes son la seleccin por ruleta, seleccin basada en el rango y seleccin por
torneo [14] [15] [16] [17].

3.2.3.1. Seleccin por ruleta

En este mtodo, se asigna un valor de probabilidad a cada individuo, de acuerdo


con el valor de su fenotipo y de forma que la suma de las probabilidades de todos

los individuos sea uno; como se dijo anteriormente, el fenotipo de un individuo es


obtenido por medio de la funcin de aptitud [16] [17].

Al asignar a cada individuo su valor de probabilidad, debe considerarse que los


individuos mejor adaptados deben tener mayor valor de probabilidad; este valor de
probabilidad puede obtenerse mediante la siguiente expresin:

Donde

es la probabilidad del i-simo individuo,

fenotipo del i-simo individuo,

es el

es el fenotipo de j-simo individuo y N es

el nmero de individuos en la poblacin [16] [17].

Despus de que cada individuo tiene un valor de probabilidad, se construye un


modelo que imite a una ruleta que est dividida en porciones que corresponden a
cada individuo y que el tamao de las porciones sea proporcional al valor de
probabilidad de los individuos; se selecciona el individuo correspondiente al punto
en el cual la ruleta deja de girar; en la figura 1 se muestra el funcionamiento de
este mtodo de seleccin, en ella puede observarse que los individuos mejor
adaptados tienen mayor probabilidad de ser seleccionados [16] [17].

Figura 1. Funcionamiento del mtodo de seleccin por ruleta. [17]

Para programar este mtodo de seleccin, se asigna a cada individuo un intervalo


de valores, de acuerdo con su valor de probabilidad, desde cero hasta uno; luego
se genera un valor aleatorio entre cero y uno, el individuo seleccionado ser aquel
cuyo intervalo contenga ese valor generado.

El mtodo de ruleta tambin es conocido como seleccin proporcional; este


mtodo es el ms utilizado en los algoritmos genticos, ya que la probabilidad de
que un individuo sea seleccionado, es proporcional a su aptitud para resolver el
problema [16] [17].

3.2.3.2. Seleccin basada en el rango

En este mtodo los individuos son ordenados, de acuerdo a su fenotipo,


asignndoles un nmero entero correlativo desde el peor hasta el mejor. Por
ejemplo, si se tienen n individuos, el peor tendr un valor de 1 y el mejor tendr un
valor de n; este nmero correlativo reemplaza al fenotipo de cada individuo, luego
con los nuevos fenotipos, se realiza el mismo procedimiento utilizado en el mtodo
de ruleta [14] [15].

Este mtodo puede hacer que el algoritmo gentico converja lentamente a la


solucin, ya que no existir mucha diferencia entre los mejores y los peores
individuos [14] [15].

3.2.3.3. Seleccin por torneo

En este mtodo se toma de la poblacin un determinado nmero de individuos de


forma aleatoria y se escoge el mejor de ellos [14] [15].

3.2.4. Operador cruce

El operador cruce realiza la reproduccin de cada pareja de individuos; este


operador nos permite crear individuos nuevos y mejor adaptados, combinando el
material gentico de los padres. Existen muchas formas de cruzar dos individuos,
entre ellas estn: cruce en un punto, cruce en varios puntos, cruce uniforme y
cruce aritmtico.

3.2.4.1. Cruce en un punto

Consiste en copiar en el hijo, los valores de los genes del primer padre hasta un
punto de corte y el resto copiarlo del segundo padre; el cromosoma es dividido en
dos partes por el punto de corte, ste puede ser un punto fijo o bien, ser
seleccionado al azar en cada cruce. En la figura 2 se muestra el cruce en un punto
de dos individuos con genes de tipo entero [14] [15] [16] [17].

Figura 2. Cruce en un punto. [14]

2
0

3.2.4.2. Cruce en dos puntos

Dada una pareja de soluciones padres, se escogen dos nmeros aleatorios, j y k


diferentes. Este par de nmeros indican las zonas por donde se deben partir cada
una de las soluciones padres para conformar el material gentico de intercambio
en la figura 3 se muestra una representacin del cruce para dos puntos [14] [15].

Figura 3. Cruce en un punto. [14]

3.2.4.3. Cruce aritmtico

Consiste en obtener los valores de los genes del hijo por medio de operaciones
aritmticas con los valores de los genes de los padres [14] [15].

3.2.4.4. Cruce uniforme

En el cruce uniforme, para cada gen del cromosoma se selecciona al azar de cual
padre se copiar el valor respectivo [14] [15].

21

3.2.5. Mutacin

El operador mutacin cambia el valor de uno o varios genes de un individuo,


alterando su material gentico. En la evolucin biolgica de las especies, las
mutaciones son sucesos bastante poco comunes, en algunos casos producen la
muerte del organismo, pero en promedio contribuyen a la diversidad gentica. En
los algoritmos genticos las mutaciones tienen la misma funcin y su probabilidad
de ocurrencia debe ser baja.

El operador mutacin se aplica, con muy baja probabilidad, a los individuos recin
creados por el operador cruce; la probabilidad de mutacin se establece segn el
criterio del diseador, pero sta debe ser bastante baja, ya que puede reducir el
algoritmo gentico a una bsqueda aleatoria. Generalmente la probabilidad de
mutacin es de una en mil [14] [15] [16] [17].

Existen muchas formas de mutar un individuo, una de ellas consiste en


seleccionar un gen al azar y cambiar su valor, segn el criterio del diseador; otra
forma puede ser, recorrer cada uno de los genes del individuo, decidiendo al azar
si se cambiar su valor. En la siguiente figura se muestra como inyectar nuevos
materiales genticos en la poblacin [14] [15] [16] [17].

Figura 4. Mutacin en un punto. [14]

3.3.

Funcionamiento de un algoritmo gentico

El funcionamiento de un algoritmo gentico comienza generando la poblacin


inicial, sta constituye la primera generacin de individuos; tambin puede
utilizarse como poblacin inicial, un conjunto de individuos que representen
soluciones aproximadas al problema, obtenidas por algn otro mtodo de
bsqueda [12] [13].

Cuando se tiene la poblacin inicial, se evalan todos los individuos por medio de
la funcin de aptitud y se le asigna, a cada uno, su valor de fenotipo; luego,
utilizando un mtodo de seleccin, se construyen las parejas de individuos que
van a reproducirse; la cantidad de parejas es determinada por el diseador del
algoritmo gentico [12] [13].

Despus de tener las parejas de individuos, se realiza la reproduccin utilizando


un operador de cruce; esto permite obtener un nuevo grupo de individuos, con
diferentes caractersticas a los actuales.

Los hijos de cada pareja pueden ser obtenidos de la aplicacin de uno o varios
operadores de cruce; la cantidad de hijos la determina el criterio del diseador del
algoritmo gentico; generalmente se obtienen dos hijos de cada pareja y se aplica
un operador de cruce, cambiando el orden de los padres, al aplicar el operador,
para obtener cada hijo [15] [16] [17].

Despus de la reproduccin, se determina aleatoriamente, utilizando la


probabilidad de mutacin, si se aplica el operador mutacin a cada uno de los
hijos de las parejas.

Cuando se han aplicado los operadores genticos, los hijos de las parejas pueden
sustituir a la poblacin actual completa o a una parte de ella. Tambin se puede

evaluar a los nuevos individuos con la funcin de aptitud y que los mejores sean
los que sustituyan a los peores de la poblacin actual [14] [15] [16] [17].

Esta nueva poblacin, formada por hijos de la poblacin anterior y tal vez por los
mejores individuos de dicha poblacin, constituye la segunda generacin de
individuos; todos los individuos de esta nueva poblacin son evaluados para
determinar si alguno soluciona el problema, en caso de no existir dicho individuo,
se repite todo el proceso anterior sobre la nueva poblacin, hasta que un individuo
solucione el problema.

Antes del funcionamiento del algoritmo gentico, debe determinarse la forma ms


adecuada de codificar las soluciones en el cromosoma, la estructura del
cromosoma, la funcin de aptitud, el tamao de la poblacin, el nmero de
parejas, los operadores de cruce ms adecuados, el nmero de hijos de cada
pareja, la probabilidad de mutacin, la forma de sustituir una poblacin por otra y
la condicin de parada, la cual debe determinar si algn individuo soluciona el
problema [12] [13].

El funcionamiento de un algoritmo gentico se resume en el diagrama, mostrado


en la figura 5.

Figura 5. Diagrama de flujo de un algoritmo gentico

A diferencia de otros mtodos de bsqueda y optimizacin, los algoritmos


genticos buscan la solucin a partir de una poblacin de puntos, en lugar de un
solo punto, no utilizan derivadas ni propiedades de la funcin objetivo, sino
nicamente la propia funcin objetivo y se rigen mediante reglas probabilsticas,
en lugar de reglas deterministas [14] [15] [16] [17].

Puesto que la operacin de cruce consiste en intercambiar o mezclar los genes de


dos individuos que representan soluciones vlidas al problema, los individuos que
resulten de este cruce, pueden representar soluciones vlidas e invlidas al
problema, dependiendo de la forma como se codifiquen las soluciones vlidas en
los genotipos de los individuos, el tipo de operacin de cruce que se utilice y del

tipo de problema que se intenta resolver. La operacin de mutacin tambin


podra producir individuos que representen soluciones vlidas e invlidas

al

problema, puesto que esta operacin altera los valores genticos de los individuos
[12] [13] [14].

En muchas aplicaciones se presenta el caso, que los individuos creados mediante


la operacin de cruce o alterados por la operacin de mutacin, no representan
soluciones vlidas al problema; para resolver este inconveniente, debe ajustarse el
genotipo de cada individuo, luego de aplicar las operaciones de cruce y mutacin;
este ajuste consiste en alterar los genes del individuo, de forma que sea vlida la
solucin que ste represente.

En algunas aplicaciones, todos los individuos que se producen, luego de la


operacin de cruce y mutacin, contienen soluciones vlidas al problema; en estas
aplicaciones no es necesario ajustar los genotipos de los individuos, aunque en
algunos casos sus valores se ajustan para evitar que la poblacin se aleje de la
solucin. El ajuste que debe realizarse al genotipo de cada individuo, vara con el
tipo de problema que se intenta resolver; el objetivo de este ajuste es hacer que la
solucin, que el individuo representa, sea vlida.

4.

ALGORITMO GENETICO ENFOCADO EN LA SOLUCIN DEL FLUJO


PTIMO DE POTENCIA

Los algoritmos genticos son mtodos de bsqueda y optimizacin que pueden


utilizarse en diversos campos de aplicacin, como solucin a diferentes tipos de
problemas. Un problema que puede ser resuelto por medio de algoritmos
genticos, para este caso la solucin del flujo ptimo de potencia; ya que ste
consiste bsicamente en optimizar los costos de generacin de un sistema
elctrico de potencia (SEP) [12] [13] [15].

Un algoritmo gentico es simplemente un proceso iterativo, que mantiene


constante la poblacin (P) de soluciones. Durante cada iteracin, que para el caso
es (generacin), se utilizan los tres operadores genticos (reproduccin, cruce y
mutacin) para generar nuevas poblaciones (descendientes), y los cromosomas
de las nuevas poblaciones se evalan a travs de la funcin de costo. Sobre la
base de estos operadores genticos y las evaluaciones, se forma el mejor
candidato de nuevas poblaciones [12] [13] [14] [15] [16] [17].

Una ventaja de los algoritmos genticos es que no necesitan hacer uso de


derivadas parciales de las ecuaciones de flujo de potencia, ni necesitan realizar
clculos matriciales complejos, lo que los hace ms sencillos de programar en un
computador. Otra ventaja es que los algoritmos genticos buscan la solucin a
partir de una poblacin de puntos en el espacio de bsqueda [17].

Ya que los algoritmos genticos se rigen mediante reglas probabilsticas, la forma


en que se llega a la solucin, variar cada vez que se ponga a funcionar el
algoritmo, a diferencia de los mtodos iterativos tradicionales, en los cuales

siempre se llega a la solucin de la misma forma, debido a que stos se rigen


mediante reglas deterministas [17].

4.1.

Objetivo del algoritmo

El objetivo del algoritmo gentico es solucionar el problema de flujo ptimo de


potencia, el cual consiste en obtener los costos de despacho de energa y la
generacin total del sistema teniendo en cuenta solo la potencia activa para el
caso de estudio.

Cada individuo de la poblacin contendr, en forma codificada, los valores


desconocidos de magnitud y ngulo de fase de las tensiones en las barras;
utilizando estos valores, se calculan los valores de potencia activa proporcionados
y finalmente se muestra un reporte con el despacho econmico. La aptitud de un
individuo para resolver el problema, se determina por la cercana entre los valores
de potencia proporcionados y los calculados para ese individuo.

El principal objetivo de un algoritmo gentico orientado a solucionar problemas de


flujo ptimo de potencia, es encontrar un individuo, cuyos valores de potencia
calculados difieran de los proporcionados, en un valor inferior a la tolerancia
especificada. Luego de encontrar un individuo que solucione el problema, se
calculan todas las potencias netas que entran o salen de las barras y los flujos de
potencia en las lneas de transmisin y por ltimo la funcin de costo.

4.2.

Diseo del algoritmo gentico

Un algoritmo gentico puede realizarse mediante cualquier lenguaje de


programacin [14] [15]. En este proyecto se utiliz el software Matlab en la versin
7.6 desarrollado por la compaa MathWorks [19]. Este algoritmo se describir a
continuacin para la solucin del problema del flujo ptimo de potencia.

4.2.1. Descripcin pas a paso del algoritmo gentico.


1. Se indica el nombre del sistema de potencia, los datos de las barras, los datos
de las lneas de transmisin y los datos de los lmites de generacin.

2. Lee los datos del archivo de texto.

3. Se genera aleatoriamente el tamao de la poblacin inicial que es proporcional


al nmero de buses del sistema a ser evaluado.

4. Se evala la aptitud de la poblacin inicial.

5. Se seleccionan los individuos que formarn las parejas al azar.

6. Crea individuos nuevos mediante cruce y mutacin.

7. Ajusta los valores genticos de los individuos.

8. Evala la aptitud de los nuevos individuos Los mejores pasan a la siguiente


generacin sin cambios y los peores no son tenidos en cuenta en las
siguientes generaciones.

9. Sustituye la poblacin inicial.

10. Si un individuo de la poblacin no resuelve el problema se seleccionan nuevos


individuos para formar nuevas parejas.

11. Si un individuo de la poblacin resuelve el problema, este calcula la potencia


generada en las barras y el costo de generacin total del sistema.
12. Finalmente se generan los reportes.

Figura 6. Diagrama del algoritmo de solucin.

3
0

5. ANLISIS DE RESULTADOS OBTENIDOS

Los algoritmos empleados en las simulaciones fueron programados en el lenguaje


matemtico de MATLAB 7.6.0. (R2016a). Las simulaciones presentadas en el
presente captulo se llevaron a cabo en un computador con procesador AMD
ATHLON(TM) 64x2 DUAL CORE PROCESSOR 4000+2.09 GHz, 1,87 GB de
Memoria RAM y con sistema operativo Windows XP Profesional.

Para la solucin del algoritmo gentico se crearon dos archivos de texto con la
informacin de este problema. Este archivo se realiz con la asesora de la caja de
herramientas de Matlab Genetic Algorithm and Direct Search Toolbox [19], la cual
extiende el potencial de la caja de herramientas de optimizacin para la solucin
de problemas de optimizacin usando, Bsqueda Directa y Algoritmos Genticos,
de donde se toman las opciones de la funcin gaoptimset que se describen a
continuacin:

PopulationType: Tipo de poblacin.


PopInitRange: Rango inicial de valores que una poblacin puede tener.
PopulationSize: Escalar positivo que indica el tamao de la poblacin.
EliteCount: Nmero de mejores individuos que sobreviven a la siguiente
generacin sin ningn cambio.
CrossoverFraction: Porcentaje de cruce entre los individuos de la
poblacin.
MigrationDirection: Direccin ms fuerte en que los individuos de las
diferentes sub-poblaciones pueden migrar a otras sub-poblaciones.
MigrationInterval: Es el nmero de generaciones entre la migracin de los
individuos ms aptos a otras sub-poblaciones.
31

MigrationFraction: Porcentaje de individuos que migran cada cual por su


cuenta a otras sub-poblaciones.

32

TimeLimit: Tiempo mximo (en segundos) permitido.


FitnessLimit: Funcin mnima de la aptitud de los individuos.
StallGenLimit: Nmero de generaciones a travs de la cual, el cambio del
valor de la funcin aptitud es acumulativo.
StallTimeLimit: El tiempo mximo durante el cual el cambio en funcin del
valor de la aptitud es menor que cero.
TolFun: Tolerancia de terminacin en funcin del valor de la aptitud.
TolCon: Tolerancia a la terminacin de las limitaciones de la optimizacin.
InitialPopulation: La poblacin inicial utilizada en el comienzo del algoritmo
gentico.
InitialScores: Las puntuaciones inciales que se utilizaron para determinar
la aptitud, que se utiliza en el comienzo del algoritmo gentico.
InitialPenalty: Valor inicial del parmetro de penalidad.
PenaltyFactor: Parmetro de actualizacin del factor Penalidad.
CreationFcn: Funcin para generar la poblacin inicial.
FitnessScalingFcn: Funcin utilizada para incrementar la puntuacin de la
aptitud.
SelectionFcn: Funcin utilizada en la seleccin de los padres para la
prxima generacin.
CrossoverFcn: Funcin utilizada para hacer el cruce de los individuos de la
poblacin.
MutationFcn: Funcin utilizada en la mutacin de los genes.
DistanceMeasureFcn: Funcin utilizada para medir la distancia promedio
de los individuos.
HybridFcn: Otra de las funciones de optimizacin para ser utilizada una
vez que el Algoritmo Gentico ha terminado normalmente.

PlotFcns: Funciones utilizadas en el trazado de diversas cantidades


durante la simulacin.

De la cual, se toman los operadores genticos ms importantes, para realizar las


simulaciones del sistema a ejecutar; y de la toolbox Power, realizada por Hadi
Sadat [18], de la cual se realizaron modificaciones para poder realizar el flujo
ptimo de potencia, dentro de estas modificaciones se ampli el nmero de buses
y se crearon nuevas restricciones como se puede observar en las tablas de los
anexos y dentro del cdigo realizado.

A continuacin se mostrarn los resultados de las simulaciones realizadas:

5.1.

Resultados simulacin IEEE 30 buses

Para la simulacin de este sistema de prueba se crearon dos cdigos los cuales
fueron llamados fop30bus y fopag30bus. En el primer cdigo encontramos los
datos de entrada del sistema, las restricciones de tensin y la solucin del flujo
ptimo de potencia, y en el segundo cdigo encontramos las funciones que va a
ejecutar el algoritmo gentico. Despus de crear estos cdigos se agregan a una
carpeta y a su vez esta carpeta se incluye en el set path de MATLAB 7.6.0.
(R2016a).

En el cdigo, fop30bus se encuentra el desarrollo del flujo de potencia por el


mtodo de Newton-Raphson. Antes de llamar a este programa es necesario definir
las variables:

Busdata: Matriz que contiene los datos de los buses, la generacin, la demanda y
contiene la siguiente informacin:

Columna 1-- Numero del


bus.

Columna 2 -- Cdigo del

bus.
o 1 Para el bus slack de compensacin.
o 0 Para buses de carga PQ.

o 2 Para buses de generacin PV.


Columna 3 -- Mdulo de la tensin (p.u).
Columna 4 -- ngulo de la tensin ().
Columna 5 -- P (MW) de la carga conectada al bus.
Columna 6 -- Q (Mvar) de la carga conectada al bus.
Columna 7 -- P (MW) de la generacin conectada al bus.
Columna 8 -- Q (Mvar) de la generacin conectada al bus.
Columna 9 -- Mnima potencia reactiva que puede generar la mquina
(Mvar)
Columna 10-- Mxima potencia reactiva que puede generar la mquina
(Mvar)
Columna 11-- Q (Mvar) inyectada o consumida en el bus para regular la
tensin.

Linedata: Matriz que contiene los datos de las lneas y transformadores; y


contiene la siguiente informacin:

Columna 1 -- Bus de donde


parte.

Columna 2 -- Bus al que

llega.
Columna 3 -- Resistencia
(p.u).

Columna 4 -- Reactancia

(p.u).
Columna 5 -- Mitad de la admitancia capacitiva (p.u).
Columna 6 -- Relacin de transformacin para transformadores 1 para
lneas.

Gencost: Matriz que contiene los datos de los coeficientes de generacin y los
lmites operativos de los generadores, y contiene la siguiente informacin:

Columna 1 -- Bus de donde est el generador.

Columna 3 -- Coeficientes de generacin .


Columna 4 -- Coeficientes de generacin ..
Columna 5 Limite operativo mnimo de generacin (Pmin).
Columna 6 Limite operativo mximo de generacin (Pmax).

Vlimits: Matriz que contiene los lmites operativos de tensin del sistema y
contiene la siguiente informacin:

Columna 1 Limite operativo mnimo de tensin (Vmin).


Columna 2 Limite operativo mximo de tensin (Vmax).

Despus de realizar el flujo de potencia, y sobre este flujo, realiza el flujo ptimo
de potencia; con esto pasamos al cdigo fopag30bus; que contiene la
informacin de algoritmo gentico, fundamentada en el comando gaoptimset, que
contiene una estructura de diferentes parmetros de un algoritmo gentico.

Los resultados obtenidos se compararn con otro software de solucin, mediante


el software GAMS POWER.

Primero se toma un sistema de prueba base, tomando el tamao de la poblacin


con 50 individuos que se toma aleatoriamente, puesto que los algoritmos
genticos no poseen una formulacin matemtica, son tcnicas estocsticas, que
se basan en parmetros probabilsticos, luego se toma un porcentaje de cruce
del90 por ciento y un numero de iteraciones generaciones de 200, las pruebas
realizadas para la ejecucin del algoritmo gentico enfocado en la solucin de flujo
ptimo de potencia, fueron en total 250 pruebas de ensayo y error, de las cuales
se pueden observar 115 de estas en el anexo 2.

En las siguientes figuras se muestran los valores promedio de los costos de


generacin de los resultados obtenidos al realizar cada una de las pruebas, para
de esta forma encontrar la configuracin que entregue la mejor solucin del flujo
ptimo de potencia va algoritmos genticos.

En la figura 7, se observa los costos de generacin promedio, asociados al cambio


del nmero de generaciones, donde se observa que la mejor solucin es con 200
generaciones, con un costo de generacin de 8904,99$/h.

$/h

Costos de generacin
8906,4
8906,2
8906
8905,8
8905,6
8905,4
8905,2
8905
8904,8
8904,6
8904,4
8904,2

Costos

50100150200250
N de generaciones

Figura 7. Costos de generacin del sistema IEEE30 buses cambiando N de generaciones.

En la figura 8, se observa los valores obtenidos al promedio de los costos de


generacin asociados al cambio del tamao de la poblacin, donde se ve que la
mejor solucin se obtiene con una poblacin de 100 individuos, con un costo de
generacin de 8904,97$/h.

$/h

Costos de generacin
8905,2
8905,15
8905,1
8905,05
8905
8904,95
8904,9
8904,85

Costos

5060708090100
Tamao de la poblacin

Figura 8. Costos de generacin del sistema IEEE30 buses cambiando el tamao de la


poblacin.

En la figura 9, se observa los valores obtenidos de los costos de generacin


promedio, cambiando el porcentaje de cruce, donde se observa que la mejor
solucin se obtiene con un porcentaje de cruce del 90%, con un costo de
generacin de 8904,98$/h.

$/h

Costos de generacin
8905,5
8905,4
8905,3
8905,2
8905,1
8905
8904,9
8904,8
8904,7
8904,6

Costos

75%80%85%90%95%
Porcentaje de cruce

Figura 9. Costos de generacin del sistema IEEE30 buses cambiando el porcentaje de cruce.

En la figura 10, se observa los valores obtenidos de los costos de generacin


promedio, cambiando los distintos operadores genticos, donde se observa que la
mejor solucin se obtiene aplicando el cruce aritmtico, con un costo de
generacin de 8904,97$/h.

$/h

Costos de generacin
8920
8918
8916
8914
8912
8910
8908
8906
8904
8902
8900
8898

Costos

Operadores geneticos

Figura 10. Costos de generacin del sistema IEEE30 buses cambiando operadores
genticos.

Despus de realizar las pruebas y ver los resultados obtenidos, se llega a la


conclusin, que la mejor configuracin para el sistema IEEE 30 buses, fue la
siguiente:

Nmero de generaciones de
200.

Poblacin de 100

individuos.

Cruce aritmtico con un porcentaje del 90%.


Tiempo computacional de ejecucin no limitado.

A continuacin se van a mostrar los resultados obtenidos con el software de


solucin (FOPAG) y se comparar con el software de solucin GAMS POWER

para de esa forma demostrar que mtodo de solucin es ms eficiente para la


solucin de flujo ptimo de potencia en un sistema IEEE de 30 buses.

En la tabla 1, se muestra la comparacin de las potencias en el sistema IEEE de


30 buses, con FOPAG y GAMS POWER, se puede observar una reduccin de
10,61MW de generacin, utilizando los algoritmos genticos.
FOPAG
P (MW)
213,222
36,309
28,364
11,761
5,566
0
295,222

Generad
or
1
2
5
8
11
13
Total

GAMS
P (MW)
212,088
36,204
29,384
13,285
4,878
0
305,839

Tabla 1. Comparacin de potencias en generadores entre Matlab y GAMS POWER.

En la figura 11, se observa los resultados de las potencias generadas en los buses
1, 2, 5, 8, 11 y 13, en los cuales los generadores de operacin de los buses 5 y 8
se ven una disminucin de 1,2 MW de generacin aproximadamente, usando los
algoritmos genticos.

Potencia

Comparacion de potencia generada entre GAMS y


matlab.
250
200
150
100
50
FOPAG
GAMS
0
1

Generador

11

13

Figura 11. Comparacin de potencias en generadores entre Matlab y GAMS POWER IEEE 30
buses.

En la tabla 2, se muestran los resultados obtenidos de las tensiones en los buses


del sistema IEEE de 30 buses con FOPAG y GAMS POWER, los resultados de las
tensiones promedio se mantienen en los valores permitidos sin violar las
restricciones de desigualdad que estn entre 0,94 y 1,06 para el caso de estudio
del sistema IEEE 30 buses.

FOPAG
GAMS
B
Tensin
Tensin
u
(V)
(V)
1
1,0600
1,060
2
1,0430
1,042
3
1,0311
1,014
4
1,0169
1,003
5
1,0100
1,014
6
1,0115
1,000
7
1,0030
0,998
8
1,0100
1,002
9
1,0421
1,014
1
1,0378
0,986
0
1
1,0600
1,060
1
1,0510
1,032
2
1
1,0600
1,060
3
1
1,0359
1,012
4
1
1,0314
1,003
5
1
1,0383
1,005
6
1
1,0326
0,987
7
1
1,0215
0,984
8
1
1,0187
0,977
9
2
1,0227
0,978
0
2
1,0256
0,973
1
2
1,0262
0,974
2
1,0209
0,982
3
2
1,0154
0,963
4
2
1,0137
0,975
5
2
0,9959
0,957
6
2
1,0212
0,992
7
2
1,0074
0,994
8
2
1,0014
0,971
9
3
0,9899
0,959
0
Tabla 2. Comparacin de tensiones en buses entre Matlab y GAMS POWER IEEE 30 buses.

En la figura 12, se muestran los resultados obtenidos de las tensiones en los


buses del sistema IEEE de 30 buses con FOPAG y GAMS POWER, se puede ver

4
0

que las tensin promedio con el flujo ptimo de potencia se mantienen m


estables que con el software GAMS POWER.

Comparacin de tensiones en buses entre GAMS y matlab


1,08

tensin en bus

1,06
1,04
1,02
1

FOPAG
GAMS

0,98
0,96
0,94
0,92
0,9

13579

11 13 15 17 19 21 23 25 27
N de bus

29

Figura 12. Comparacin de tensiones en buses entre Matlab y GAMS POWER IEEE 30 buses.

El costo total por despacho econmico obtenido por el flujo ptimo de potencia va
algoritmos genticos es de 8904,94 $/h y el obtenido por medio de GAMS POWER
es de 8934.74 $/h.

41

42

Con los datos anteriores mostramos que los resultados del flujo ptimo de
potencia va algoritmo gentico, son ms eficaces que los resultados obtenidos
con GAMS POWER; es decir, que hay una reduccin de 29,8$/h en los costos de
generacin y una reduccin de 10,617MW de generacin al utilizar algoritmos
genticos para solucionar este sistema.

5.2.

Resultados simulacin IEEE 118 buses

Para la simulacin de este sistema de prueba se crearon dos cdigos los cuales
fueron llamados fop118bus y fopag118bus. En el primer cdigo encontramos
los datos de entrada del sistema, las restricciones de tensin y la solucin del flujo
ptimo de potencia, y en el segundo cdigo encontramos las funciones que va a
ejecutar el algoritmo gentico. Despus de crear estos cdigos se agregan a una
carpeta y a su vez esta carpeta se incluye en el set path de MATLAB 7.6.0.
(R2008a).

Despus de realizar las pruebas y ver los resultados obtenidos, se llega a la


conclusin, que la mejor configuracin para el sistema IEEE 118 buses, fue la
siguiente:

Nmero de generaciones de 1100.


Poblacin de 100 individuos.
Porcentaje de cruce del 80%.
Tiempo computacional de ejecucin no limitado.

A continuacin se van a mostrar los resultados obtenidos con el software de


solucin (FOPAG) y se comparar con el software de solucin GAMS POWER,

para de esa forma demostrar que mtodo de solucin es ms eficiente para la


solucin del flujo ptimo de potencia en un sistema IEEE de118 buses.

En la figura 13, se observa los resultados de las potencias generadas del sistema
IEEE de 118 buses, de donde los buses de generacin del 1 al 54, estn en un
95% funcionando con el software FOPAG, mientras que GAMS POWER, estn
funcionando el 68% de los generadores.

Comparacin de potencia generada entre GAMS y matlab


600

Potencia

500
400
300
FOPAG
GAMS

200
100
0
1

7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Generador

Figura 13. Comparacin de potencias en generadores entre Matlab y GAMS POWER IEEE
118.

En la tabla 3, se muestra la comparacin de las potencias en el sistema IEEE de


118 buses, con FOPAG y GAMS POWER, se puede observar una reduccin de
16,48 MW de generacin, utilizando los algoritmos genticos, se puede ver que el
generador, que tiene una mayor generacin para este sistema, se ubica en el bus
de compensacin que est en el bus 80 con una generacin de 236,7 MW para el
flujo ptimo de potencia y para GAMS POWER es de 430,60 MW.

Generad
or
1
4
6
8
10
12
15
18
19
24
25
26
27
31
32
34
36
40
42
46
49
54
55
56
59
61
62

FOPAG
M
W 0
11,1236
25,613
14,4342
203,0057
29,3743
46,1072
67,2778
56,5866
15,9714
66,9717
224,0816
93,2743
14,6204
172,7076
69,0169
71,4451
77,1153
11,0369
29,4648
15,0833
91,4861
68,626
57,9475
255
214,0777
33,1635

GAMS
MW
26,261
0
0
0
401,862
85,776
20,942
13,335
21,655
0
193,849
279,803
10,059
7,250
15,001
4,593
10,390
49,155
40,935
19,050
193,294
49,538
32,047
32,466
149,684
148,394
0

Generad
or
65
66
69
70
72
73
74
76
77
80
85
87
89
90
91
92
99
100
103
104
105
107
110
111
112
113
116
Total

FOPA
MW
55,1254
492
27,823
100
7,9294
100
53,1726
77,3969
34,2978
236,737
9
43,8981
32,6008
108,355
1
41,1951
17,9131
77,8583
30,8838
66,4686
38,774
78,3443
57,793
100
93,9373
54,4234
171,683
2
1,1844
70,1619
4304,57

GAMS
MW
352,190
348,813
453,517
0
0
0
18,297
24,358
0
430,693
0
3,626
501,076
0
0
0
0
231,172
38,225
0
5,384
29,395
7,064
35,232
36,671
0
0
4321,05

Tabla 3. Comparacin de potencias en generadores entre Matlab y GAMS POWER IEE 118
buses.

En la tabla 4, se muestran los resultados obtenidos de las tensiones en los buses


del sistema IEEE de 118 buses con FOPAG y GAMS POWER, los resultados de
las tensiones promedio se mantienen en los valores permitidos sin violar las
restricciones de desigualdad que estn entre 0,94 y 1,06 para el caso de estudio
del sistema IEEE 118 buses.

Generad
or
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

FOPA
MW
0,955
0,966
1
0,966
6
0,998
0,999
5
0,99
0,985
8
1,005
1,06
1,06
0,978
4
0,97
0,958
7
0,961
7
0,94
1,06
1,06
0,94
0,94
0,94
0,94
1,06
1,06
0,962
1,03
1,015
0,968
0,951
3
0,953
9
1,06
0,967
0,944
1,06
0,946
1,005
3
0,94
1,06
1,06
1,06

GA
M
W
1,03
4
1,03
8
1,03
9
1,05
9
1,06
1,05
2
1,05
1,03
6
1,06
1,05
9
1,04
6
1,04
9
1,03
4
1,04
8
1,04
7
1,04
5
1,05
8
1,04
9
1,04
6
1,03
5
1,03
1,03
4
1,04
9
1,04
7
1,06
1,02
7
1,04
1
1,03
5
1,03
5
1,02
9
1,03
8
1,04
1
1,04
5
1,05
2
1,05
1,05
1,06
1,01
4
1,04
1

Generad
or
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78

FOPA
MW
0,94
0,966
1
0,995
0,94
0,94
0,94
0,985
1,020
5
1,023
1,06
1,042
5
1,011
8
1,003
1
0,985
6
0,995
0,992
0,994
1,011
1
1,001
6
1,025
0,997
7
1,005
1,018
1,014
8
1,004
8
0,975
1,06
1,052
9
1,008
2
1,035
0,964
1,06
0,94
0,981
0,94
0,94
0,94
1,046
1,042

GA
M
W
1,04
1,03
3
1,03
9
1,02
2
0,99
3
0,99
9
1,03
9
1,04
5
1,03
5
1,04
9
1,03
9
1,02
2
1,01
7
1,01
6
1,03
1
1,03
1
1,03
1
1,03
2
1,02
4
1,04
7
1,04
6
1,04
8
1,04
4
1,01
6
1,02
3
1,01
6
1,06
1,04
7
1,01
5
1,06
1,03
5
1,03
8
1,04
1,03
9
1,00
5
1,01
3
1,00
1
1,03
7
1,03

Generad
or
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118

FOPA
MW
1,044
3
1,06
1,029
2
1,002
8
0,993
1
0,988
9
0,995
0,989
1,015
1,004
7
1,045
1,025
0,98
1,033
1,003
3
0,997
9
0,989
6
1,004
9
1,037
3
1,046
9
1,01
1,017
1,004
5
1,020
3
1,001
0,991
0,985
0,977
3
0,952
0,976
8
0,974
4
0,983
0,98
0,975
0,973
0,950
2
0,951
5
1,005
0,955
9
0,94

GA
M
W
1,02
7
1,06
1,01
1
1,01
2
1,01
3
1,02
6
1,03
8
1,03
7
1,05
7
1,04
3
1,06
1,04
2
1,04
5
1,04
9
1,03
6
1,03
2
1,01
8
1,02
4
1,03
7
1,05
2
1,05
4
1,05
8
1,04
2
1,04
6
1,05
1
1,03
5
1,03
1,02
7
1,03
3
1,03
1
1,03
1
1,03
6
1,04
7
1,03
1
1,05
4
1,03
6
1,03
6
1,01
4
1,03
4
1,00
2

Tabla 4. Comparacin de tensiones en buses entre Matlab y GAMS POWER IEEE 118 buses.

En la figura 14, se muestran los resultados obtenidos de las tensiones en los


buses del sistema IEEE de 118 buses con FOPAG y GAMS POWER, se puede

ver que las tensin promedio con el flujo ptimo de potencia se mantienen menos
estables, pero cumpliendo con las restricciones de desigualdad que estn entre
0,94 y 1,06; mientras que el software GAMS POWER se mantiene ms estable.

tensin en bus

Comparacin de tensiones en buses entre GAMS y matlab


1,08
1,06
1,04
1,02
1
0,98
0,96
0,94
0,92
0,9
0,88

FOPAG
GAMS

8 1

N de bus

Figura 14. Comparacin de tensiones en buses entre Matlab y GAMS POWER IEEE 118
buses.

El costo total por despacho econmico obtenido por nuestro algoritmo es de


5

1,0682x10 $/h y el obtenido por medio de GAMS POWER es de 1,2973x 10 $/h.

Con los datos anteriores mostramos que los resultados de nuestro algoritmo
gentico son un 0.17% ms eficaces que los resultados obtenidos con GAMS

POWER; es decir, que hay una reduccin de en los costos de generacin al utilizar
algoritmos genticos para solucionar este sistema.

Con los datos anteriores mostramos que los resultados de nuestro algoritmo
gentico son ms eficaces que los resultados obtenidos con GAMS POWER; es
5

decir, que hay una reduccin de 0.2291x10 $/h en los costos de generacin y una
reduccin de 16,48 MW de generacin al utilizar algoritmos genticos para
solucionar este sistema.

6. CONCLUSIONES

Los algoritmos genticos presentan una desventaja en comparacin de otros


mtodos de solucin debido a su mayor tiempo de ejecucin pero producen una
solucin ms eficaz para el problema del flujo ptimo de los sistemas potencia.

Al realizar las diferentes pruebas en los sistemas se demostr que al tener un


incremento en el nmero de generaciones del algoritmo, el tiempo de ejecucin
del mismo se incrementa.

Al realizar las diferentes pruebas en los sistemas se demostr que al tener un


incremento en el tamao de la poblacin del algoritmo, el tiempo de ejecucin del
mismo se incrementa.

Al realizar las diferentes pruebas en los sistemas se demostr que al tener un


incremento en el porcentaje de cruce del algoritmo, el tiempo de ejecucin del
mismo disminuye.

Se obtuvo un mejor resultado aplicando la tcnica de los algoritmos genticos para


el sistema de prueba IEEE 30 buses, teniendo un resultado de 8904.9 $/h de costo
de generacin del sistema que comparado con GAMS POWER es 0,33% ms
eficaz por hora.

Se obtuvo un mejor resultado aplicando la tcnica de los algoritmos genticos para


el sistema de prueba IEEE 30 buses, teniendo un resultado de 295.222 MW de
generacin del sistema que comparado con GAMS POWER es 3,5 % ms eficaz.

Se obtuvo un mejor resultado aplicando la tcnica de los algoritmos genticos para


5

el sistema de prueba IEEE 118 buses, teniendo un resultado de 1,0682x10 $/h

de costo de generacin del sistema que comparado con GAMS POWER es


0,17% ms eficaz por hora.

Se obtuvo un mejor resultado aplicando la tcnica de los algoritmos genticos para


el sistema de prueba IEEE 118 buses, teniendo un resultado de 4304.57 MW de
generacin del sistema que comparado con GAMS POWER es 0,38% ms eficaz
por hora.

Una desventaja que tienen los algoritmos genticos, es que no estn totalmente
aceptados por la comunidad cientfica, puesto que no tienen una formulacin
matemtica.

7. RECOMENDICIONES Y TRABAJOS FUTUROS

Los algoritmos genticos deben considerarse una alternativa para resolver el flujo
ptimo de potencia, teniendo en cuenta que stos funcionan de forma muy
diferente a los mtodos iterativos normalmente utilizados para resolver este tipo de
problemas.

La funcin de aptitud debe disearse en forma especfica para cada tipo de


aplicacin. Esta funcin debe asignar a cada individuo, un valor numrico que
represente su cercana con la solucin del problema y permita compararlo con
otros individuos.

Los algoritmos genticos deben considerarse un buen mtodo de solucin en


aquellas aplicaciones que no pueden ser resueltas por los mtodos de bsqueda
tradicionales, a causa de existir inconvenientes para realizar derivadas parciales o
que la solucin tienda a caer en mximos locales.

Un algoritmo gentico puede implementarse utilizando cualquier lenguaje de


programacin; en este trabajo se utiliz el software Matlab 7.6.0 (R2008a), por ser
el ms popular en el campo de la ingeniera elctrica, pero para disminuir el
tiempo de bsqueda de la solucin, es preferible utilizar otro lenguaje de
programacin como por ejemplo C++.

Se pueden utilizar algoritmos genticos para resolver problemas de flujo de


potencia con cualquier cantidad de barras, generadores, cargas, lneas de
transmisin y transformadores, pero debe considerarse que el tiempo de ejecucin
del algoritmo aumentar con el nmero de barras del sistema.

5
0

8. BIBLIOGRAFA

[1] G. Arguello, Anlisis y Control de Sistemas Elctricos de Potencia, Instituto


Ecuatoriano de Electrificacin, Quito, Ecuador, 1988.

[2] A. J. Wood and B. F. Wollenberg, Power Generation Operation and Control,


New York, NY: John Wiley & Sons, Inc., 1996.

[3] K. S. Pandya and S. K. Joshi, A Survey of Optimal Power Flow Methods,


Journal of Theoretical and Applied Information Technology, 2005.

[4] T. Bouktir, L. Slimani, M. Belkacemi, A Genetic Algorithm for Solving the


Optimal Power Flow Problem, Departamento de Ingeniera Elctrica, Universidad
de Oum El Bouaghi, 04000, Argelia

[5] M. G. Echeverri, A. Escobar, R. A. Gallego. Flujo de potencia ptimo para


sistemas de distribucin usando los mtodos de la cadena y del gradiente. Tesis.
Universidad Tecnolgica de Pereira 2001.

[6] R. Palma, J. Prez, J. Nez Flujo de Potencia ptimo con Programacin


Cuadrtica Secuencial. Tesis. Universidad de Chile, Chile, 2002.

[7] J. M. Lpez, Flujo de potencia ptimo usando el mtodo del gradiente para
reduccin de prdidas en sistemas de potencia, ISSN 1794-9165, N. 7, 2008,
pgs. 71-85.

51

[8] J. Sun, L. Tesfatsion, DC Optimal Power Flow Formulation and Solution Using
QuadProgJ, ISU Economics Working Paper No. 06014 Revised: 20 October 2007.

52

[9] K. P. Wong, J. Yuryevich, Optimal Power Flow Method Using Evolutionary


Programming, Simulated Evolution and Learning Springer ISSN 0302-9743, 1999
pags.405-412

[10] E. Castillo, A. J. Conejo, P. Pedregal, R. Garca y N. Alguacil, Formulacin y


resolucin de modelos de programacin Matemtica en Ingeniera y

Ciencia

2002, pp. 58-60.

[11] D. A. Coley, An introduction to genetic algorithms for scientist and engineers


World Scientific Publishing copyright 1999.

[12] T. Bck, D. B. Fogel and Z. Michalewicz, Evolutionary computation 1 basic


algorithms and operators Institute of physics publishing vol 1 y 2 copyright 2000.

[13] Z. Michalewicz, Genetic algorithms + data structures = Evolution programs


Springer ISBN 3-540-60676-9. Copyright 1992.

[14] E. S. Gopi, Algorithm collections for digital signal processing applications


using matlab Springer ISBN 978-1-4020-6409-8 All Rights Reserved 2007

[15] S.N. Sivanandam and S. N. Deepa, Introduction to genetic algorithms


Springer ISBN 978-3-540-73189-4 Springer Berlin Heidelberg New York All Rights
Reserved 2008

[16] C. A. Coello, La importancia de la representacin en los algoritmos


Genticos. 2004.
[17] M. Mitchell, An introduction to genetic algorithms Cambridge, Massachusetts

London, England Fifth printing, 1999.

[18] H. Sadat, Power systems analysis, McGraw Hill Publication, New Delhi,
Edition 1997.

[19] The MathWorks, Inc.Genetic Algorithm and Direct Search Toolbox Users
guide2 COPYRIGHT 20042009 by The MathWorks, Inc.

[20] http://www.ee.washington.edu/research/pstca/pf30/ieee30cdf.txt , datos del


sistema de prueba IEEE 30 buses. Revisado: noviembre 10 de 2009, 10:00 p.m.

[21]http://www.ee.washington.edu/research/pstca/pf30/pg_tca30bus.htm

grafico

del sistema de prueba IEEE 30 buses. Revisado: noviembre 10 de 2009, 10:05


p.m.

[22]http://www.ee.washington.edu/research/pstca/pf118/ieee118cdf.txt

datos

del

sistema de prueba IEEE 118 buses. Revisado: noviembre 10 de 2009, 10:10 p.m.

[23]http://www.ee.washington.edu/research/pstca/pf118/pg_tca118fig.htm

Grafico

del sistema de prueba IEEE 118 buses. Revisado: noviembre 10 de 2009, 10:15
p.m.

[24] C. Darwin, El Origen De Las Especies, EDAF, Ediciones Distribuciones.


S.A Madrid, 1981.

Anexo 1

Datos de entrada de los buses del sistema de prueba IEEE 30 buses


Barra
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Nomb
Cd.
CP
PV
PQ
PQ
PV
PQ
PQ
PV
PQ
PQ
PV
PQ
PV
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ
PQ

Tensin
Magnitu
d
1.060
1.043
1.000
1.000
1.010
1.000
1.000
1.010
1.000
1.000
1.082
1.000
1.071
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000

Angul
Carga MVA
Generacin MVA
Grado
P
Q
P
Q
Q
Q
s
car
car
gen
gen
min
max
0,
0,0
0,
0,
0,0
0,0
0
0,
21,
12
4
0,0
-40
5
0
70
,7
0,
2,4
1,
0,
0,0
0,0
0
0
2
0
0,
7,6
1,
0,
0,0
0,0
0,
0
6
0
0,
94,
19
0,
0,0
-40
4,
0
2
,0
0
0,
0,0
0,
0,
0,0
0,0
0
0
0
0
0,
22,
10
0,
0,0
0,0
0,
0
8
,9
0
0,
30,
30
0,
0,0
-10
6,
0
0
,0
0
0,
0,0
0,
0,
0,0
0,0
0
0
0
0
0,
5,8
2,
0,
0,0
-6
2,
0
0
0
4
0,
0,0
0,
0,
0,0
0,0
0
0
0
0
0,
11,
7,
0,
0,0
0,0
0,
0
2
5
0
0,
0,0
0,
0,
0,0
-6
2,
0
0
0
4
0,
6,2
1,
0,
0,0
0,0
0
0
6
0
0,
8,2
2,
0,
0,0
0,0
0,
0
5
0
0,
3,5
1,
0,
0,0
0,0
0,
0
8
0
0,
9,0
5,
0,
0,0
0,0
0,
0
8
0
0,
3,2
0,
0,
0,0
0,0
0,
0
9
0
0,
9,5
3,
0,
0,0
0,0
0,
0
4
0
0,
2,2
0,
0,
0,0
0,0
0,
0
7
0
0,
17,
11,
0,
0,0
0,0
0,
0
5
2
0
0,
0,0
0,
0,
0,0
0,0
0,
0
0
0
0,
3,2
1,
0,
0,0
0,0
0,
0
6
0
0,
8,7
6,
0,
0,0
0,0
0,
0
7
0
0,
0,0
0,
0,
0,0
0,0
0,
0
0
0
0,
3,5
2,
0,
0,0
0,0
0,
0
3
0
0,
0,0
0,
0,
0,0
0,0
0,
0
0
0
0,
0,0
0,
0,
0,0
0,0
0,
0
0
0
0,
2,4
0,
0,
0,0
0,0
0,
0
9
0
0,
10,
1,
0,
0,0
0,0
0,
0
6
9
0
,
Tabla 5. Datos de las barras. [20]

ban
Q
Inj
0
0
0,
0,
0,
0,
0,
0,
0,
1,
9
0
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
4,
0.
0,
0,
0,
0,
0,
,

Datos de entrada de las lneas de transmisin del sistema de prueba IEEE 30


buses.
Barra
De
1
1
2
3
2
2
4
5
6
6
9
9
12
12
12
12
14
16
15
18
19
10
10
10
10
21
15
22
23
24
25
25
27
27
29
8
6

Barra
Hasta
2
3
4
4
5
6
6
7
7
8
11
10
13
14
15
16
15
17
18
19
20
20
17
21
22
22
23
24
24
25
26
27
29
30
30
28
28

P.U.
P.U.
P.U.
MVA
R(serie)
X(serie)
B(paralel
Cap. Mx
o)
0,019
0,057
0,0528
7200
0,045
0,165
0,0408
7200
2
2
0,057
0,173
0,0368
7200
0
7
0,013
0,037
0,0084
7200
2
9
0,047
0,198
0,0418
7200
2
3
0,058
0,176
0,0374
7200
1
3
0,011
0,041
0,0090
7200
9
4
0,046
0,116
0,0204
7200
0
0
0,026
0,082
0,0170
7200
7
0
0,012
0,042
0,0090
7200
0
0
0,0
0,208
0,0
7200
0
0,0
0,110
0,0
7200
0
0,0
0,140
0,0
7200
0
0,123
0,255
0,0
7200
1
9
0,066
0,130
0,0
7200
2
4
0,094
0,198
0,0
7200
5
7
0,221
0,199
0,0
7200
0
7
0,082
0,192
0,0
7200
4
3
0,107
0,218
0,0
7200
3
5
0,063
0,129
0,0
7200
9
2
0,034
0,068
0,0
7200
0
0
0,093
0,209
0,0
7200
6
0
0,032
0,084
0,0
7200
4
5
0,034
0,074
0,0
7200
8
9
0,072
0,149
0,0
7200
7
9
0,011
0,023
0,0
7200
6
6
0,100
0,202
0,0
7200
0
0
0,115
0,179
0,0
7200
0
0
0,132
0,270
0,0
7200
0
0
0,188
0,329
0,0
7200
5
2
0,254
0.380
0,0
7200
4
0
0,109
0,208
0,0
7200
3
7
0,219
0,415
0,0
7200
8
3
0,320
0,602
0,0
7200
2
7
0,239
0,453
0,0
7200
9
3
0,063
0,200
0,0428
7200
6
0
0,016
0,059
0,1300
7200
9
9
Tabla 6. Datos de las lneas de transmisin. [20]

Datos de entrada de los transformadores de los buses del sistema de prueba


IEEE 30 buses

Transformado
De
6
6
4
28

Transformad
Hasta
9
10
12
27

P.U.
P.U.
R(serie)
X(serie)
0,000
0,2080
0,000
0,5560
0
0,000
0,2560
0
0,000
0,3960
0
Tabla 7. Datos de los transformadores. [20]

MVA
Cap. Mx
7000
7000
7000
7000

Figura 15. Sistema de prueba IEEE 30 Buses. [21]

A.1.2. Datos del sistema de prueba IEEE 118 buses


Datos de entrada de los buses del sistema de prueba IEEE 118 buses
Bar
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

Bar
C
d.
2
0
0
2
0
2
0
2
0
2
0
2
0
0
2
0
0
2
2
0
0
0
0
2
2
2
2
0
0
0
2
2
0
2
0
2
0
0
0
2
0
2

Tensi
Magnit
ud
0.955
0.971
0.968
0.998
1.002
0.99
0.989
1.015
1.043
1.05
0.985
0.99
0.968
0.984
0.97
0.984
0.995
0.973
0.963
0.958
0.959
0.97
1
0.992
1.05
1.015
0.968
0.962
0.963
0.968
0.967
0.964
0.972
0.986
0.981
0.98
0.992
0.962
0.97
0.97
0.967
0.985

Angu
Grad
os
0
0
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0
0
0
0
0
0
0
0

Carga MVA
P
Q
gen
gen
5
2
2
9
0
3
1
9
0
3
1
9
2
0
0
5
2
2
2
1
9
2
0
8
0
0
0
0
7
2
0
3
4
1
7
0
3
1
4
6
1
1
4
9
3
0
0
2
1
5
0
1
3
1
6
3
0
4
4
2
5
5
1
3
8
1
8
4
1
5
0
7
3
1
0
3
0
0
0
0
7
1
3
1
7
7
2
4
4
0
0
4
2
3
7
5
2
9
3
2
9
3
5
2
9
6
3
9
3
1
1
7
0
0
0
0
2
1
7
1
6
2
6
3
3
1
7
0
9
2
6
3

P
gen
0
0
0
0
0
0
0
0
0
45
0
85
0
0
0
0
0
0
0
0
0
0
0
0
22
0
31
4
0
0
0
0
7
0
0
0
0
0
0
0
0
0
0
0

Generacin MVA
Q
Q
Q
gen
min
max
0
-5
15
0
0
0
0
0
0
0
30
300
0
0
0
0
-13
50
0
0
0
0
30
300
0
0
0
0
20
147
0
0
0
0
-35
12
0
0
0
0
0
0
0
-10
30
0
0
0
0
0
0
0
-16
50
0
-8
24
0
0
0
0
0
0
0
0
0
0
0
0
0
30
300
0
0
-47
14
0
0
10
100
00
0
30
300
0
0
0
0
0
0
0
0
0
0
30
300
0
0
-14
42
0
0
0
0
-8
26
0
0
0
0
-8
26
0
0
0
0
0
0
0
0
0
0
30
300
0
0
0
0
30
300
0

ban
Q
Inj
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93

0
0
0
2
0
0
2
0
0
0
0
2
2
2
0
0
2
0
2
2
0
0
2
2
0
0
1
2
0
2
2
2
0
2
2
0
0
2
0
0
0
0
2
0
2
0
2
2
2
2
0

0.978
0.985
0.987
1.005
1.017
1.021
1.025
1.001
0.967
0.957
0.946
0.955
0.952
0.954
0.971
0.959
0.985
0.993
0.995
0.998
0.969
0.984
1.005
1.05
1.02
1.003
1.035
0.984
0.987
0.98
0.991
0.958
0.967
0.943
1.006
1.003
1.009
1.04
0.997
0.989
0.985
0.98
0.985
0.987
1.015
0.987
1.005
0.985
0.98
0.993
0.987

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

1
8
1
6
5
3
2
8
3
4
2
0
8
7
1
7
1
7
1
8
2
3
1
1
6
3
8
4
1
2
1
2
7
8
0
7
7
0
0
0
3
9
2
8
0
0
6
6
0
1
2
6
6
4
6
6
7
3
9
1
0
5
2
1
2
2
0
4
0
1
1
6
1
2

7
8
2
2
1
0
1
1
3
0
4
8
5
1
1
3
2
2
1
8
3
3
1
1
3
0
1
4
0
0
0
1
8
7
0
0
2
0
0
0
2
1
3
2
2
3
2
0
2
1
7
1
1
0
1
0
4
0
1
7

6
0

0
0
0
19
0
0
20
4
0
0
0
0
48
0
0
0
0
15
5
0
16
0
0
0
39
1
39
2
0
0
51
6.4
0
0
0
0
0
0
0
0
0
0
47
0
0
0
0
0
0
4
0
60
0
0
0
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

0
0
0
100
0
0
-85
0
0
0
0
300
-8
-8
0
0
-60
0
100
-20
0
0
-67
-67
0
0
300
-10
0
100
100
-6
0
-8
-20
0
0
0
0
0
0
-8
0
0
-3
0

0
0
0
100
0
0
210
0
0
0
0
300
23
15
0
0
180
0
300
20
0
0
391
392
0
0
300
32
0
100
100
9
0
23
70
0
0
280
0
0
0
0
23
0
100
0
300
300
100
9
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118

0
0
0
0
0
2
2
0
0
2
2
2
0
2
0
0
2
2
2
2
0
0
2
0
0

0.991
0.981
0.993
1.011
1.024
1.01
1.017
0.993
0.991
1.001
0.971
0.965
0.962
0.952
0.967
0.967
0.973
0.98
0.975
0.993
0.96
0.96
1.005
0.974
0.949

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

3
16
0
0
0
4
31
0
0
2
3
15
0
0
8
1
9
0
0
5
3
8
0
0
4
0
0
0
2
3
18
25
0
7
2
2
15
0
0
2
5
3
0
0
2
16
40
0
3
25
0
0
8
3
26
0
0
1
4
16
0
0
3
5
12
0
0
0
2
1
0
0
8
3
0
0
3
30
0
0
9
0
0
36
0
6
13
0
0
8
6
0
0
0
8
3
0
0
2
7
0
0
2
1
0
0
0
8
2
8
0
0
0
3
15
0
0
3
Tabla 9. Datos de las barras. [22]

0
0
0
0
0
-100
-50
0
0
-15
-8
-8
0
-200
0
0
-8
-100
-100
-100
0
0
1000
0
0

0
0
0
0
0
100
155
0
0
40
23
23
0
200
0
0
23
100
0
100
2000
0
0
100
00
0

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

Datos de entrada de las lneas de transmisin del sistema de prueba IEEE 118
buses
Bar
De
1
1
4
3
5
6
8
8
9
4
5
11
2
3
7
11

Bar
Ha
sta
2
3
5
5
6
7
9
5
10
11
11
12
12
12
12
13

P.U.
R
0.0303
0.0129
0.0017
0.02416
0.0119
0.0045
9
0.0024
0 4
0.0025
0.02098
0.0203
0.0059
0.01875
0.0484
0.0086
2
0.0222
5

61

P.U.
X
0.099
0.042
4
0.007
98
0.108
0.054
0.020
8
0.030
5
0.026
7
0.032
2
0.068
8
0.068
2
0.019
6
0.061
6
0.16
0.034
0.073
1

P.U.
1/2 B
0.025
0.010
82
0.002
1
0.028
4
0.014
26
0.005
5
1.162
0
1.23
0.017
48
0.017
38
0.005
02
0.015
72
0.040
6
0.008
74
0.018
76

T
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

12

14

0.0215

0.070
7

62

0.018
16

13
14
12
15
16
17
18
19
15
20
21
22
23
23
26
25
27
28
30
8
26
17
29
23
31
27
15
19
35
35
33
34
34
38
37
37
30
39
40
40
41
43
34
44
45
46
46
47
42
42

15
15
16
17
17
18
19
20
19
21
22
23
24
25
25
27
28
29
17
30
30
31
31
32
32
32
33
34
36
37
37
36
37
37
39
40
38
40
41
42
42
44
43
45
46
47
48
49
49
49

0.0744
0.0595
0.0212
0.0132
0.0454
0.0123
0.0111
0.02529
0.012
0.0183
0.0209
0.0342
0.0135
0.0156
0
0.0318
0.0191
0.02373
0
0.0043
1
0.0079
0.04749
0.0108
0.0317
0.0298
0.0229
0.038
0.0752
0.0022
4
0.011
0.0415
0.0087
0.0025
0
0.0321
0.0593
0.0046
0.01844
0.0145
0.0555
0.041
0.0608
0.0413
0.0224
0.04
0.038
0.0601
0.0191
0.0715
0.0715

0.244
4
0.195
0.083
4
0.043
7
0.180
1
0.050
5
0.049
3
0.117
0.039
4
0.084
9
0.097
0.159
0.049
2
0.08
0.038
2
0.163
0.085
5
0.094
3
0.038
8
0.050
4
0.086
0.156
3
0.033
1
0.115
3
0.098
5
0.075
5
0.124
4
0.247
0.010
2
0.049
7
0.142
0.026
0.009
0.037
0.106
0.168
0.054
0.060
0.048
0.183
0.135
0.245
0.168
0.090
0.135
0.127
0.189
0.062
0.323
0.323

0.062
68
0.050
2
0.021
4
0.044
4
0.046
6
0.012
98
0.011
42
0.029
8
0.010
1
0.021
6
0.024
6
0.040
4
0.049
8
0.086
4
0
0.176
4
0.021
6
0.023
8
0
0.514
0.908
0.039
9
0.008
3
0.117
3
0.025
1
0.019
26
0.031
94
0.063
2
0.002
68
0.013
18
0.036
6
0.005
0.009
0
0.027
0.042
0.422
0.015
0.012
0.046
0.034
0.060
0.042
0.022
0.033
0.031
0.047
0.016
0.086
0.086

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

45

49

0.0684

0.186

0.044
4

48
49
49
51
52
53
49
49
54
54
55
56
50
56
51
54
56
56
55
59
59
60
60
61
63
63
64
38
64
49
49
62
62
65
66
65
47
49
68
69
24
70
24
71
71
70
70
69
74
76

49
50
51
52
53
54
54
54
55
56
56
57
57
58
58
59
59
59
59
60
61
61
62
62
59
64
61
65
65
66
66
66
67
66
67
68
69
69
69
70
70
71
72
72
73
74
75
75
75
77

0.0179
0.0267
0.0486
0.0203
0.0405
0.0263
0.073
0.0869
0.0169
0.0027
5
0.0048
0.03438
0.0474
0.0343
0.0255
0.0503
0.0825
0.0803
0.0473
0.03179
0.0328
0.0026
0.01234
0.0082
0 4
0.0017
0 2
0.0090
1
0.0026
9
0.018
0.018
0.0482
0.0258
0
0.0224
0.0013
0.0844
0.0985
0
0.03
0.0022
0.0088
0.0488
0.0446
0.0086
0.0401
0.0428
0.0405
0.0123
0.0444

0.050
5
0.075
2
0.137
0.058
8
0.163
5
0.122
0.289
0.291
0.070
7
0.009
55
0.015
1
0.096
6
0.134
0.096
6
0.071
9
0.229
3
0.251
0.239
0.215
8
0.145
0.15
0.013
5
0.056
1
0.037
6
0.038
6
0.02
0.026
8
0.098
6
0.030
2
0.091
9
0.091
9
0.218
0.117
0.037
0.101
0.016
0.277
8
0.324
0.037
0.127
0.411
0.035
0.196
0.18
0.045
0.132
0.141
0.122
0.040
0.148

0.012
58
0.018
74
0.034
2
0.013
96
0.040
58
0.031
0.073
8
0.073
0.020
2
0.007
32
0.003
74
0.024
2
0.033
2
0.024
2
0.017
88
0.059
8
0.056
9
0.053
6
0.056
46
0.037
6
0.038
8
0.014
56
0.014
68
0.009
8
0
0.216
0
1.046
0.38
0.024
8
0.024
8
0.057
0.031
0
0.026
0.638
0.070
92
0.082
0
0.122
0.101
0.008
0.048
0.044
0.011
0.033
0.036
0.124
0.010
0.036

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

69

77

0.0309

0.101

0.103
8

75
77
78
77
77
79
68
81
77
82
83
83
84
85
86
85
85
88
89
89
90
89
89
91
92
92
93
94
80
82
94
80
80
80
92
94
95
96
98
99
100
92
101
100
100
103
103
100
104
105

77
78
79
80
80
80
81
80
82
83
84
85
85
86
87
88
89
89
90
90
91
92
92
92
93
94
94
95
96
96
96
97
98
99
100
100
96
97
100
100
101
102
102
103
104
104
105
106
105
106

0.0601
0.0037
6
0.0054
6
0.017
0.0294
0.0156
0.0017
0 5
0.0298
0.0112
0.0625
0.043
0.0302
0.035
0.0282
8
0.02
0.0239
0.0139
0.0518
0.0238
0.0254
0.0099
0.0393
0.0387
0.0258
0.0481
0.0223
0.0132
0.0356
0.0162
0.0269
0.0183
0.0238
0.0454
0.0648
0.0178
0.0171
0.0173
0.0397
0.018
0.0277
0.0123
0.0246
0.016
0.0451
0.0466
0.0535
0.0605
0.0099
0.014

0.199
9
0.012
4
0.024
4
0.048
5
0.105
0.070
4
0.020
2
0.037
0.085
3
0.036
65
0.132
0.148
0.064
1
0.123
0.207
4
0.102
0.173
0.071
2
0.188
0.099
7
0.083
6
0.050
5
0.158
1
0.127
2
0.084
8
0.158
0.073
2
0.043
4
0.182
0.053
0.086
9
0.093
0.108
0.206
0.295
0.058
0.054
7
0.088
0.179
0.081
0.126
0.055
0.112
0.052
0.204
0.158
0.162
0.229
0.037
0.054

0.049
78
0.012
64
0.006
48
0.047
2
0.022
8
0.018
7
0.808
0
0.081
74
0.037
96
0.025
8
0.034
8
0.012
34
0.027
6
0.044
5
0.027
6
0.047
0.019
34
0.052
8
0.106
0.021
4
0.054
8
0.041
4
0.032
68
0.021
8
0.040
6
0.018
76
0.011
1
0.049
4
0.054
4
0.023
0.025
0.028
0.054
0.047
0.060
0.014
74
0.024
0.047
0.021
0.032
0.014
0.029
0.053
0.054
0.040
0.040
0.062
0.009
0.014

1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

105

107

0.053

0.183

0.047
2

105
106
108
103
109
110
110
17
32
32
27
114
68
12
75
76

108
107
109
110
110
111
112
113
113
114
115
115
116
117
118
118

0.0261
0.053
0.0105
0.0390
0.02786
0.022
0.0247
0.0091
0.06153
0.0135
0.0164
0.0023
0.0003
0.03294
0.0145
0.0164

0.070
0.018
1
3
44
0.183
0.047
1
2
0.028
0.007
1
8
6
0.181
0.046
1
3
1
0.076
0.020
1
2
2
0.075
0.02
1
5
0.064
0.062
1
0.030
0.007
1
1
68
0.203
0.051
1
8
0.061
0.016
1
2
28
0.074
0.019
1
1
72
0.010
0.002
1
4
76
0.004
0.164
1
05
0.14
0.035
1
8
0.048
0.011
1
1
98
0.054
0.013
1
4
56
Tabla 10. Datos de las lneas de transmisin. [22]

Datos de los lmites de generacin del sistema de prueba IEEE 118 buses.
Bar
ra
1
4
6
8
10
12
15
18
19
24
25
26
27
31
32
34
36
40
42
46
49
54
55
56
59

a
0.
0.
0
0.
0
0.
0
0.02222
22
0.11764
7 0.
0
0.
0
0.
0
0.
0
0.04545
45
0.03184
71 0.
0
142.857
0.
0
0.
0
0.
0
0.
0
0.
0
0.52631
6
0.04901
96
0.20833
3 0.
0
0.
0
0.06451
61

B
4
4
0
4
0
4
0
2
0
2
0
4
0
4
0
4
0
4
0
2
0
2
0
4
0
2
0
4
0
4
0
4
0
4
0
4
0
2
0
2
0
2
0
4
0
4
0
2
0

C
0
0
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
0.
.

MW
min
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0

MW
max
100
100
100
100
550
185
100
100
100
100
320
414
100
107
100
100
100
100
100
119
304
148
100
100
255

61
62

0.0625
0.
0

2
0
4
0

0
0.
.

0.0
0.0

260
100

65
66
69
70
72
73
74
76
77
80
85
87
89
90
91
92
99
100
103
104
105
107
110
111
112
113
116

0.025575
2
0
0.0
491
4
0
0.025510
2
0.
0.0
492
2
0
0.019364
2
0.
0.0
805.2
8 0.
0
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.020964
2
0.
0.0
577
4 0.
0
4
0.
0.0
100
0
0
2.
2
0.
0.0
104
5
0
0.016474
2
0.
0.0
707
5 0.
0
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.039682
2
0.
0.0
352
5 0.
0
2
0.
0.0
140
2
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.27777
2
0.
0.0
136
8 0.
0
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
0.
4
0.
0.0
100
0
0
.
Tabla 11. Datos de los lmites de generacin. [22]

Datos de los lmites de tensin del sistema de prueba IEEE 118 buses .

Barras(1118)

V
min
0,9
4

V
max
1.06

Tabla 12. Datos de los lmites de tensiones. [22]

Figura 16. Sistema de prueba IEEE 118 Buses. [23]

Anexo 2
(Pruebas realizadas)

Cambiando el nmero de generaciones

Cantidad
Tiempo de ejecucin (Seg)
Costo de generacin ($/h)
Gen 1 (MW)
Gen 2 (MW)
Gen 5 (MW)
Gen 8 (MW)
Gen 11 (MW)
Gen 13 (MW)
Total (MW)
Cantidad
Tiempo de ejecucin (Seg)
Costo de generacin ($/h)
Gen 1 (MW)
Gen 2 (MW)
Gen 5 (MW)
Gen 8 (MW)
Gen 11 (MW)
Gen 13 (MW)
Total (MW)
Cantidad
Tiempo de ejecucin (Seg)
Costo de generacin ($/h)
Gen 1 (MW)
Gen 2 (MW)
Gen 5 (MW)
Gen 8 (MW)
Gen 11 (MW)
Gen 13 (MW)
Total (MW)
Cantidad
Tiempo de ejecucin (Seg)
Costo de generacin ($/h)
Gen 1 (MW)
Gen 2 (MW)
Gen 5 (MW)
Gen 8 (MW)
Gen 11 (MW)
Gen 13 (MW)
Total (MW)
Cantidad
Tiempo de ejecucin (Seg)
Costo de generacin ($/h)
Gen 1 (MW)
Gen 2 (MW)
Gen 5 (MW)
Gen 8 (MW)
Gen 11 (MW)
Gen 13 (MW)
Total (MW)

PRUEBAS PARA 50 GENERACIONES


Prueba 1
Prueba 2
Prueba
3
57
58
54
8905,9
8905,7
8905,9
210,8702
212,4162
214,5495
37,0864
37,8000
35,5450
28,4233
28,2587
29,2049
10,8668
10,2604
11,1184
6,4137
5,9442
4,2292
1,4030
0,5553
0,6629
295,0634
295,2348
295,3099
PRUEBAS PARA 100 GENERACIONES
Prueba 1
Prueba 2
Prueba
3
110
112
115
8905,72
8906,43
8906,6
212,4362
212,8169
212,7863
36,6219
36,3057
36,6889
31,9070
31,3770
31,8929
6,4787
7,9014
9,4261
7,5316
3,8749
1,4002
0,1752
2,9249
3,0116
295,1506
295,2008
295,206
PRUEBAS PARA 150 GENERACIONES
Prueba 1
Prueba 2
Prueba
3
170
168
163
8905,014
8905,116
8905,1
212,8713
213,0914
213,0196
36,1475
36,4257
36,8997
30,3535
28,1377
27,4661
12,5963
9,7803
11,5824
2,9853
7,7706
6,2645
0,2042
0,0245
0,0149
295,1581
295,2302
295,2472
PRUEBAS PARA 200 GENERACIONES
Prueba 1
Prueba 2
Prueba
3
229
227
225
8905,024
8905,076
8905,037
212,5848
213,2625
212,1683
36,3043
36,5000
36,1928
29,8856
28,4561
30,0341
11,6304
11,5796
10,5135
4,4159
5,0247
6,1546
0,3288
0,4184
0,0428
295,1498
295,2413
295,1061
PRUEBAS PARA 250 GENERACIONES
Prueba 1
Prueba 2
Prueba
3
170
168
163
8905,014
8905,116
8905,1
213,5077
213,2977
213,6462
36,4811
36,2874
36,0933
29,7202
29,2225
29,8504
11,7763
11,9241
10,5733
3,7472
4,2645
4,9196
0,0091
0,2246
0,1581
295,2416
295,2208
295,2409

Prueba 4
56
8905,4
211,6551
36,8700
27,6558
9,3089
8,5900
1,0594
295,1392

Prueba 5
55
8905,7
212,8554
35,9248
31,6668
9,3488
5,0832
0,3270
295,206

Prueba 4
108
8906
214,3460
38,1903
26,4894
11,8390
4,5277
0,0520
295,4444

Prueba 5
112
8905,91
213,7311
36,5987
28,0484
12,0230
4,3218
0,5717
295,2947

Prueba 4
165
8905,138
212,9181
36,2831
28,6907
10,0069
7,0910
0,2110
295,2008

Prueba 5
167
8905,181
212,5004
36,5205
30,4715
13,4927
1,7626
0,3917
295,1394

Prueba 4
231
8905.011
213,0082
36,7214
30,2862
10,6352
4,4471
0,1077
295,2058

Prueba 5
230
8905,767
212,6591
36,4114
30,1608
10,6237
4,9465
0,3615
295,163

Prueba 4
165
8905,138
213,3442
36,4542
29,3020
11,6616
4,2771
0,1938
295,2329

Prueba 5
167
8905,181
212,8508
35,6972
28,9507
11,1046
6,5169
0,0366
295,1568

Tabla 13. Costos y Potencias de prueba del sistema IEEE30 buses cambiando N de
generaciones.

Bus
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Prueba 1
1,06
1,043
1,0311
1,0169
1,01
1,0115
1,003
1,01
1,042
1,0377
1,06
1,0511
1,06
1,036
1,0314
1,0382
1,0325
1,0214
1,0186
1,0226
1,0254
1,0261
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

TENSIN EN
PruebaBUSES
2
Prueba 3
1,06
1,06
1,043
1,043
1,0311
1,0311
1,0169
1,017
1,01
1,01
1,0115
1,0116
1,003
1,003
1,01
1,01
1,042
1,0421
1,0377
1,0379
1,06
1,06
1,0511
1,0511
1,06
1,06
1,036
1,036
1,0315
1,0315
1,0383
1,0383
1,0326
1,0327
1,0215
1,0215
1,0187
1,0188
1,0227
1,0228
1,0255
1,0257
1,0261
1,0263
1,0209
1,021
1,0153
1,0154
1,0137
1,0137
0,9959
0,996
1,0212
1,0212
1,0074
1,0075
1,0013
1,0013
0,9898
0,9898

Prueba 4
1,06
1,043
1,031
1,0168
1,01
1,0114
1,003
1,01
1,042
1,0377
1,06
1,051
1,06
1,0359
1,0314
1,0382
1,0325
1,0214
1,0186
1,0226
1,0254
1,026
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

Prueba
5 1,06
1,043
1,0311
1,0169
1,01
1,0115
1,003
1,01
1,042
1,0377
1,06
1,0511
1,06
1,036
1,0314
1,0383
1,0326
1,0214
1,0187
1,0227
1,0255
1,0261
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

Tabla 14. Tensiones promedio en buses para el sistema IEEE30 buses cambiando N de
generaciones.

Tensin en bus

Tensin en buses
1,06
1,05
1,04
1,03
1,02
1,01
1
0,99
0,98

Prueba
Prueba
Prueba
Prueba
Prueba

Clauco Andrs Latorre


Balaguera
Diego Armando Len

9 11 13 15 17 19 21 23 25 27
N de bus

7
0

29

1
2
3
4
5

Figura 17. Tensiones promedio en buses para el sistema IEEE30 buses cambiando N de
generaciones.

Clauco Andrs Latorre


Balaguera
Diego Armando Len

7
0

Tiempo de ejecucin (s)

FOP
N de
Tiem
AG
Generacion
po
($/h)
5
8906,11
55,9
0
1
8905,99
111,3
0
1
8905,10
166,5
5
2
8904,9
228,3
0
2
8905.23
287,9
5
Tabla 15. Resultados promedio obtenidos en Matlab cambiando N de generaciones

Nmero de generaciones en funcin del tiempo de


ejecucin
300
250
200
150
100
50
0

50

100

150
200
N Generaciones

250

Figura 18. Nmero de generaciones en funcin del tiempo.

71

Cambiando el tamao de la poblacin


PRUEBAS PARA POBLACIN DE 60 INDIVIDUOS
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
270
275
269
274
Costo de generacin ($/h)
8905,266
8904,945
8905,074
8905,026
Gen 1 (MW)
213,915
213,176
213,312
213,855
Gen 2 (MW)
36,898
36,592
36,194
36,387
Gen 5 (MW)
31,134
28,255
28,068
28,7311
Gen 8 (MW)
9,014
12,878
11,136
12,065
Gen 11 (MW)
4,231
4,327
6,339
3,959
Gen 13 (MW)
0,1016
0
0,184
0,285
Total (MW)
295,293
295,228
295,233
295,282
PRUEBAS PARA POBLACIN DE 70 INDIVIDUOS
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
303
306
298
300
Costo de generacin ($/h)
8905,344
8905,017
8905,062
8904,985
Gen 1 (MW)
213,9383
213,0251
213,2363
213,6882
Gen 2 (MW)
36,3610
36,2761
36,0337
36,0337
Gen 5 (MW)
30,2210
28,1240
30,1077
29,4890
Gen 8 (MW)
7,5882
12,4371
9,7017
11,2264
Gen 11 (MW)
7,1494
5,1509
5,7606
4,6755
Gen 13 (MW)
0,0312
0,0312
0,1501
0,1304
Total (MW)
295,2891
295,0444
294,9901
295,2432
PRUEBAS PARA POBLACIN DE 80 INDIVIDUOS
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
348
353
346
350
Costo de generacin ($/h)
8904,961
8904,975
8904,989
8905,023
Gen 1 (MW)
213,3018
213,6117
213,9334
213,2614
Gen 2 (MW)
35,9935
35,9888
36,4228
36,1218
Gen 5 (MW)
29,5304
29,2205
29,7525
28,2314
Gen 8 (MW)
12,2744
12,9643
11,2199
11,2954
Gen 11 (MW)
3,9901
3,3789
3,8088
6,2404
Gen 13 (MW)
0,1106
0,0659
0,1442
0,0735
Total (MW)
295,2008
295,2301
295,2816
295,2239
PRUEBAS PARA POBLACIN DE 90 INDIVIDUOS
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
393
395
403
390
Costo de generacin ($/h)
8905,030
8904,957
8905,059
8904,989
Gen 1 (MW)
213,5644
213,2854
213,0235
212,3193
Gen 2 (MW)
36,5547
36,2328
36,3843
36,5236
Gen 5 (MW)
30,7789
29,9913
29,9653
29,8349
Gen 8 (MW)
10,2847
10,7220
9,7288
13,1422
Gen 11 (MW)
3,9984
4,9022
5,9545
3,2121
Gen 13 (MW)
0,0635
0,0773
0,1430
0,0961
Total (MW)
295,2446
295,211
295,1994
295,1282
PRUEBAS PARA POBLACIN DE 100 INDIVIDUOS
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
438
440
436
437
Costo de generacin ($/h)
8904,942
8905,00
8905,021
8904,9
Gen 1 (MW)
213,4541
212,5809
213,8214
212,6426
Gen 2 (MW)
36,1046
36,3630
36,2325
36,4162
Gen 5 (MW)
28,7843
29,0528
29,6139
30,2564
Gen 8 (MW)
11,5609
12,6817
10,0599
11,4134
Gen 11 (MW)
5,3111
4,3513
5,4519
4,4095
Gen 13 (MW)
0,0166
0,1269
0,0885
0,0154
Total (MW)
295,2446
295,211
295,1994
295,1282

Prueba 5
271
8905,213
213,101
36,348
30,457
10,975
4,250
0,059
295,19
Prueba 5
301
8904,964
212,8682
36,4033
28,8349
11,4306
5,5509
0,1047
295,1926
Prueba 5
347
8905,075
213,7291
36,1769
29,0857
12,6008
3,2625
0,4018
295,2568
Prueba 5
397
8905,048
212,8617
36,1434
29,6480
10,4896
5,8014
0,2303
295,1744
Prueba 5
434
8905,00
213,0044
36,6126
29,2653
11,7125
4,3015
0,3143
295,1744

Tabla 16. Costos y Potencias de prueba del sistema IEEE30 buses cambiando el tamao de
la poblacin.

Bus
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Prueba 1
1,06
1,043
1,031
1,0168
1,01
1,0114
1,003
1,01
1,0419
1,0376
1,06
1,051
1,06
1,0359
1,0314
1,0382
1,0325
1,0214
1,0186
1,0226
1,0254
1,026
1,0209
1,0153
1,0136
0,9959
1,0212
1,0073
1,0013
0,9898

TENSIN EN
PruebaBUSES
2
Prueba 3
1,06
1,06
1,043
1,043
1,031
1,031
1,0168
1,0168
1,01
1,01
1,0114
1,0114
1,0029
1,0029
1,01
1,01
1,0419
1,0419
1,0375
1,0376
1,06
1,06
1,051
1,051
1,06
1,06
1,0359
1,0359
1,0314
1,0314
1,0381
1,0382
1,0324
1,0324
1,0213
1,0213
1,0185
1,0185
1,0225
1,0225
1,0253
1,0253
1,0259
1,026
1,0208
1,0208
1,0152
1,0152
1,0136
1,0136
0,9959
0,9959
1,0212
1,0212
1,0073
1,0073
1,0013
1,0013
0,9898
0,9898

Prueba 4
1,06
1,043
1,0312
1,017
1,01
1,0116
1,0031
1,01
1,0421
1,0379
1,06
1,0511
1,06
1,036
1,0315
1,0384
1,0327
1,0215
1,0188
1,0228
1,0257
1,0263
1,021
1,0154
1,0137
0,996
1,0212
1,0075
1,0014
0,9899

Prueba
5 1,06
1,043
1,031
1,0168
1,01
1,0114
1,0029
1,01
1,0419
1,0375
1,06
1,0511
1,06
1,036
1,0314
1,0382
1,0324
1,0213
1,0185
1,0225
1,0253
1,0259
1,0208
1,0152
1,0136
0,9959
1,0212
1,0073
1,0013
0,9898

Tabla 17. Tensiones promedio en buses para el sistema IEEE30 buses cambiando el tamao
de la poblacin.

Tensin en bus

Tensin en buses
1,06
1,05
1,04
1,03
1,02
1,01
1
0,99
0,98

Prueba
Prueba
Prueba
Prueba
Prueba

9 11 13 15 17 19 21 23 25 27
N de bus

29

1
2
3
4
5

Figura 19. Tensiones promedio en buses para el sistema IEEE30 buses cambiando el
tamao de la poblacin.

Tiempo de ejecucin (s)

FOP
Tamao de
Tiem
AG
la
po
($/h)
5
8905,18
228,
0
3
6
8905,1
271,
0
7
7
8905,07
301,
0
58
8
8905
348,
0
58
9
8905,01
395,
0
57
1
8904,97
436,
0
99
Tabla 18. Resultados obtenidos en Matlab cambiando el tamao de la poblacin.

Tamao de la poblacin en funcin del tiempo de ejecucin


500
450
400
350
300
250
200
150
100
5060708090100
Tamao de la poblacin

Figura 20. Nmero de generaciones en funcin del tiempo.

Cambiando el porcentaje de cruce


PRUEBAS CON PORCENTAJE DE CRUCE CON EL 75 %
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
264
267
260
265
Costo de generacin ($/h)
8905,271
8904,937
8904,91
8905,13
Gen 1 (MW)
212,7203
212,9641
213,2711
213,0976
Gen 2 (MW)
35,7890
36,3006
36,2629
36,0489
Gen 5 (MW)
30,0484
29,0845
30,2893
29,6086
Gen 8 (MW)
11,3552
11,1905
11,0819
11,7283
Gen 11 (MW)
4,4596
5,6247
4,2956
4,5572
Gen 13 (MW)
0,7694
0,0290
0,0043
0,1455
Total (MW)
295,1419
295,1934
295,2051
295,1861
PRUEBAS CON PORCENTAJE DE CRUCE CON EL 80 %
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
252
254
253
248
Costo de generacin ($/h)
8905,023
8905,0
8904,982
8905,043
Gen 1 (MW)
212,5660
212,8098
213,3097
213,2919
Gen 2 (MW)
36,3608
36,4058
36,2985
36,1204
Gen 5 (MW)
31,0245
29,2654
30,2780
30,5886
Gen 8 (MW)
11,5900
12,7821
11,3268
11,6293
Gen 11 (MW)
3,4447
3,6532
3,8160
3,3002
Gen 13 (MW)
0,1496
0,2618
0,1825
0,2671
Total (MW)
295,1356
295,1781
295,2115
295,1975
PRUEBAS CON PORCENTAJE DE CRUCE CON EL 85 %
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
245
250
247
240
Costo de generacin ($/h)
8905,030
8905,01
8905,3
8904,975
Gen 1 (MW)
213,9676
212,1632
212,7079
212,8776
Gen 2 (MW)
36,2040
36,3116
37,1095
36,1249
Gen 5 (MW)
30,3108
30,3781
29,4201
29,0568
Gen 8 (MW)
12,4709
12,2047
8,6012
11,2058
Gen 11 (MW)
2,2211
3,8562
7,3451
5,8423
Gen 13 (MW)
0,0877
0,1878
0,0320
0,0705
Total (MW)
295,2621
295,1016
295,2158
295,1779
PRUEBAS CON PORCENTAJE DE CRUCE CON EL 90 %
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
239
237
235
241
Costo de generacin ($/h)
8905,024
8905,076
8905,037
8905,011
Gen 1 (MW)
212,5848
213,2625
212,1683
213,0082
Gen 2 (MW)
36,3043
36,5000
36,1928
36,7214
Gen 5 (MW)
29,8856
28,4561
30,0341
30,2862
Gen 8 (MW)
11,6304
11,5796
10,5135
10,6352
Gen 11 (MW)
4,4159
5,0247
6,1546
4,4471
Gen 13 (MW)
0,3288
0,4184
0,0428
0,1077
Total (MW)
295,1498
295,2413
295,1061
295,2058
PRUEBAS CON PORCENTAJE DE CRUCE CON EL 95 %
Cantidad
Prueba 1
Prueba 2
Prueba
Prueba 4
3
Tiempo de ejecucin (Seg)
232
235
230
231
Costo de generacin ($/h)
8905,351
8905,11
8905,40
8905,61
Gen 1 (MW)
213,4128
213,1079
212,0409
213,1232
Gen 2 (MW)
36,7997
36,1966
35,9149
36,3380
Gen 5 (MW)
26,3732
29,6236
32,2347
29,4735
Gen 8 (MW)
15,0325
9,7123
14,0310
11,5176
Gen 11 (MW)
3,5423
6,3848
0,7807
3,0649
Gen 13 (MW)
0,1225
0,1777
0,0403
1,7054
Total (MW)
295,283
295,2029
295,0425
295,2226

Prueba 5
261
8904,928
212,9964
36,2344
29,6746
11,4037
4,8027
0,0735
295,1853
Prueba 5
251
8904,961
212,8514
36,2111
30,7020
10,9019
4,4699
0,0236
295,1599
Prueba 5
246
8904,925
213,1820
36,4374
29,7841
11,4258
4,3039
0,0775
295,2107
Prueba 5
240
8905,767
212,6591
36,4114
30,1608
10,6237
4,9465
0,3615
295,163
Prueba 5
229
8905,62
214,0569
35,9675
27,8610
8,7435
7,8995
0,7858
295,3142

Tabla 19. Costos y Potencias de prueba del sistema IEEE30 buses cambiando el porcentaje
de cruce.

Bus
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Prueba 1
1,06
1,043
1,0311
1,0169
1,01
1,0115
1,003
1,01
1,042
1,0377
1,06
1,0511
1,06
1,036
1,0314
1,0382
1,0325
1,0214
1,0186
1,0226
1,0254
1,0261
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

TENSIN EN
PruebaBUSES
2
Prueba 3
1,06
1,06
1,043
1,043
1,0311
1,0311
1,0169
1,017
1,01
1,01
1,0115
1,0116
1,003
1,003
1,01
1,01
1,042
1,0421
1,0377
1,0379
1,06
1,06
1,0511
1,0511
1,06
1,06
1,036
1,036
1,0315
1,0315
1,0383
1,0383
1,0326
1,0327
1,0215
1,0215
1,0187
1,0188
1,0227
1,0228
1,0255
1,0257
1,0261
1,0263
1,0209
1,021
1,0153
1,0154
1,0137
1,0137
0,9959
0,996
1,0212
1,0212
1,0074
1,0075
1,0013
1,0013
0,9898
0,9898

Prueba 4
1,06
1,043
1,031
1,0168
1,01
1,0114
1,003
1,01
1,042
1,0377
1,06
1,051
1,06
1,0359
1,0314
1,0382
1,0325
1,0214
1,0186
1,0226
1,0254
1,026
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

Prueba
5 1,06
1,043
1,0311
1,0169
1,01
1,0115
1,003
1,01
1,042
1,0377
1,06
1,0511
1,06
1,036
1,0314
1,0383
1,0326
1,0214
1,0187
1,0227
1,0255
1,0261
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

Tabla 20. Tensiones promedio en buses para el sistema IEEE30 buses cambiando el
porcentaje de cruce.

Tensin en bus

Tensin en buses
1,06
1,05
1,04
1,03
1,02
1,01
1
0,99
0,98
1

Prueba
Prueba
Prueba
Prueba
Prueba

9 11 13 15 17 19 21 23 25 27
N de bus

29

1
2
3
4
5

Figura 21. Tensiones promedio en buses para el sistema IEEE30 buses cambiando el
porcentaje de cruce.

FOP
AG
($/h)
8905,03
8905
8905,05
8904,9
8905,4

Tiem
po
263,
38
251,
59
245,
57
238,
3
231,
23
Tabla21. Resultados obtenidos en Matlab cambiando el porcentaje de cruce.
Tiempo de ejecucin (s)

Porcentaje
de
75%
80%
85%
90%
95%

Porcentaje de cruce en funcin del tiempo de ejecucin


270
260
250
240
230
220
210

0,75

0,8

0,85
0,9
Porcentaje de cruce

Figura 22. Porcentaje de cruce en funcin del tiempo

0,95

Cambiando los operadores genticos


PRUEBAS APLICANDO SELECCIN POR RULETA
Cantidad
Prueba
Prueba
Prueba
Prueba
1
2
3
4
Tiempo de ejecucin
227
230
225
221
Costo de generacin ($/h)
8905,60
8905,00
8905,51
8906,13
Gen 1 (MW)
211,739
213,507
213,412
214,235
Gen 2 (MW)
35,8279
36,2687
36,3040
36,7083
Gen 5 (MW)
28,4324
29,7244
29,2178
31,0583
Gen 8 (MW)
11,2168
10,4165
10,2357
9,0986
Gen 11 (MW)
6,8239
5,0624
4,5404
2,3750
Gen 13 (MW)
1,0383
0,2603
1,5435
1,8621
Total (MW)
295,078
295,239
295,254
295,338
4
8
PRUEBAS APLICANDO
SELECCIN
POR2TORNEO 1
Cantidad
Prueba
Prueba
Prueba
Prueba
1
2
3
4
Tiempo de ejecucin
232
235
230
231
(Seg) de generacin ($/h)
Costo
8905,35
8905,11
8905,40
8905,60
Gen 1 (MW)
213,412
213,107
212,040
213,123
8
9
9
2
Gen 2 (MW)
36,7997
36,1966
35,9149
36,3380
Gen 5 (MW)
26,3732
29,6236
32,2347
29,4735
Gen 8 (MW)
15,0325
9,7123
14,0310
11,5176
Gen 11 (MW)
3,5423
6,3848
0,7807
3,0649
Gen 13 (MW)
0,1225
0,1777
0,0403
1,7054
Total (MW)
295,283
295,202
295,042
295,222
9 BASADA5EN EL RANGO
6
PRUEBAS APLICANDO SELECCIN
Cantidad
Prueba
Prueba
Prueba
Prueba
1
2
3
4
Tiempo de ejecucin
230
228
224
221
Costo de generacin ($/h)
8905,70
8905,43
8905,28
8907,75
Gen 1 (MW)
212,790
214,623
212,665
211,348
Gen 2 (MW)
36,3805
35,6444
36,4860
35,0905
Gen 5 (MW)
24,8555
31,0971
27,3170
27,8211
Gen 8 (MW)
12,8423
9,0728
11,5596
5,7360
Gen 11 (MW)
8,2175
4,7933
6,9719
13,5526
Gen 13 (MW)
0,1524
0,0706
0,1995
1,5023
Total (MW)
295,238
295,301
295,199
295,050
7
3
4
7
PRUEBAS APLICANDO
CRUCE
ARITMTICO
Cantidad
Prueba
Prueba
Prueba
Prueba
1
2
3
4
Tiempo de ejecucin
224
232
220
223
(Seg) de generacin ($/h)
Costo
8905,01
8904,98
8904,91
8905,00
Gen 1 (MW)
213,027
212,775
213,35
213,102
Gen 2 (MW)
36,279
36,289
36,265
36,319
Gen 5 (MW)
30,048
28,783
29,02
27,629
Gen 8 (MW)
9,744
11,12
12,899
12,569
Gen 11 (MW)
6,083
6,167
3,681
5,592
Gen 13 (MW)
0,008
0,044
0,003
0,007
Total (MW)
295,189
295,178
295,218
295,218

Prueba
5
226
8906,00
211,0558
37,8857
31,8508
9,8833
4,1785
0,2140
295,0681
Prueba
5
229
8904,62
214,0569
35,9675
27,8610
8,7435
7,8995
0,7858
295,3142
Prueba
5
226
8905,125
212,3889
36,1120
30,8876
10,4989
4,9484
0,2790
295,1148
Prueba
5
230
8904,97
213,202
36,386
28,566
10,882
6,184
0,006
295,226

Tabla 22. Costos y Potencias de prueba del sistema IEEE30 buses cambiando operadores
genticos.

PRUEBAS APLICANDO CRUCE EN UN PUNTO


Cantidad
Prueba
Prueba
Prueba
Prueba
1
2
3
4
Tiempo de ejecucin
220
222
225
224
Costo de generacin ($/h)
8909,30
8914,52
8906,21
8909,00
Gen 1 (MW)
216,035
213,595
213,752
213,265
Gen 2 (MW)
36,0012
36,6211
36,3965
36,8569
Gen 5 (MW)
23,3113
19,2073
25,9298
18,6006
Gen 8 (MW)
3,2890
1,0845
11,5552
13,2646
Gen 11 (MW)
16,2076
24,9729
5,2712
13,3542
Gen 13 (MW)
0,7582
0,0239
2,4354
0,0803
Total (MW)
295,602
295,505
295,340
295,422
9
3 EN DOS6PUNTOS 3
PRUEBAS APLICANDO
CRUCE
Cantidad
Prueba
Prueba
Prueba
Prueba
1
2
3
4
Tiempo de ejecucin
241
239
242
245
Costo de generacin ($/h)
8906,11
8905,50
8905,50
8908,11
Gen 1 (MW)
212,559
213,038
212,746
216,127
Gen 2 (MW)
36,4356
36,5047
36,5245
36,9114
Gen 5 (MW)
32,6772
26,3162
29,3847
19,8292
Gen 8 (MW)
9,5501
16,2551
9,5658
13,8646
Gen 11 (MW)
2,0593
2,9481
5,7103
8,1265
Gen 13 (MW)
1,8684
0,1701
1,2686
0,8047
Total (MW)
295,149
295,232
295,200
295,663
7
4
8
4
PRUEBAS APLICANDO
MUTACIN
UNIFORME
Cantidad
Prueba
Prueba
Prueba
Prueba
1
2
3
4
Tiempo de ejecucin
265
233
237
238
Costo de generacin ($/h)
8908,00
8919,41
8917,23
8911,97
Gen 1 (MW)
212,249
209,407
204,761
212,681
Gen 2 (MW)
38,0673
36,2048
33,7752
33,1270
Gen 5 (MW)
23,9162
11,4811
25,5069
30,9963
Gen 8 (MW)
8,4613
25,6186
4,7378
8,4605
Gen 11 (MW)
9,9070
7,6893
17,6295
1,8604
Gen 13 (MW)
2,7289
4,8465
8,1119
7,9807
Total (MW)
295,33
295,247
294,522
295,106
6
3
8
PRUEBAS APLICANDO MUTACIN
GAUSSIANA
Cantidad
Prueba
Prueba
Prueba
Prueba
1
2
3
4
Tiempo de ejecucin
229
227
225
230
Costo de generacin ($/h)
8905,10
8905,60
8905,80
8904,95
Gen 1 (MW)
212,822
213,625
212,867
213,396
Gen 2 (MW)
36,3294
36,3923
36,1508
36,2288
Gen 5 (MW)
27,7091
29,6677
27,1909
28,7944
Gen 8 (MW)
13,5488
9,2927
14,8425
11,8894
Gen 11 (MW)
4,5513
4,8915
2,6261
4,8190
Gen 13 (MW)
0,2327
1,4052
1,5290
0,1038
Total (MW)
295,193
295,275
295,206
295,231
4
2
9
6

Prueba
5
227
8908,78
214,2979
37,5687
23,7360
7,2172
7,8427
4,8671
295,5296
Prueba
5
240
8907,59
210,4563
36,3434
23,8630
14,9885
6,2812
3,1344
295,0668
Prueba
5
240
8929,92
217,0101
27,0677
24,6011
19,1670
5,1524
2,2110
295,2093
Prueba
5
223
8906,57
213,8127
35,5125
28,7566
6,0476
9,8765
1,2714
295,2773

Tabla 23. Costos y Potencias de prueba del sistema IEEE30 buses cambiando operadores
genticos.

Bus
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Prueba 1
1,06
1,043
1,0311
1,0169
1,01
1,0115
1,003
1,01
1,042
1,0377
1,06
1,0511
1,06
1,036
1,0314
1,0382
1,0325
1,0214
1,0186
1,0226
1,0254
1,0261
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

TENSIN EN
PruebaBUSES
2
Prueba 3
1,06
1,06
1,043
1,043
1,0311
1,0311
1,0169
1,017
1,01
1,01
1,0115
1,0116
1,003
1,003
1,01
1,01
1,042
1,0421
1,0377
1,0379
1,06
1,06
1,0511
1,0511
1,06
1,06
1,036
1,036
1,0315
1,0315
1,0383
1,0383
1,0326
1,0327
1,0215
1,0215
1,0187
1,0188
1,0227
1,0228
1,0255
1,0257
1,0261
1,0263
1,0209
1,021
1,0153
1,0154
1,0137
1,0137
0,9959
0,996
1,0212
1,0212
1,0074
1,0075
1,0013
1,0013
0,9898
0,9898

Prueba 4
1,06
1,043
1,031
1,0168
1,01
1,0114
1,003
1,01
1,042
1,0377
1,06
1,051
1,06
1,0359
1,0314
1,0382
1,0325
1,0214
1,0186
1,0226
1,0254
1,026
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

Prueba
5 1,06
1,043
1,0311
1,0169
1,01
1,0115
1,003
1,01
1,042
1,0377
1,06
1,0511
1,06
1,036
1,0314
1,0383
1,0326
1,0214
1,0187
1,0227
1,0255
1,0261
1,0209
1,0153
1,0136
0,9959
1,0212
1,0074
1,0013
0,9898

Tabla 24. Tensiones promedio en buses para el sistema IEEE30 buses cambiando
operadores genticos.

Tensin en bus

Tensin en buses
1,06
1,05
1,04
1,03
1,02
1,01
1
0,99
0,98

Prueba
Prueba
Prueba
Prueba
Prueba

9 11 13 15 17 19 21 23 25 27
N de bus

8
0

29

1
2
3
4
5

Figura 23. Tensiones promedio en buses para el sistema IEEE30 buses cambiando
operadores genticos.

8
0

FOPA
Tiem
G
po
($/h)
8905,
225,
63
47
8905,
231.
41
23
8905,
224,
81
73
8904,
225,
97
75
8909,
224,
53
49
8906,
241,
53
48
8917,
236,
27
98
8905,
226,
57
23
Tabla 25. Resultados obtenidos en Matlab cambiando el operador gentico.
Tipo de
operador
Seleccin por ruleta
Seleccin por torneo
Seleccin por rango
Cruce
aritmtico
Cruce
en un punto
Cruce en dos puntos
Mutacin uniforme
Mutacin Gaussiana

8
1