UNIVERSIDAD DE SANTIAGO DE CHILE

FACULTAD DE INGENIERÍA

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

APLICACIÓN DE ALGORITMOS GENÉTICOS AL PREDESPACHO

DE UNIDADES TÉRMICAS USANDO FLUJO ÓPTIMO DE

POTENCIA

CARLOS ANDRÉS JOSÉ CABRERA RIVAS

Profesor Guía: Dr. Miguel Aladino Arias Albornoz

Trabajo de Titulación presentado en conformidad a los requisitos para

obtener el Título de Ingeniero Civil Electricista

Santiago - Chile

2008
 UNIVERSIDAD DE SANTIAGO DE CHILE
FACULTAD DE INGENIERÍA

DEPARTAMENTO DE INGENIERÍA ELÉCTRICA

APLICACIÓN DE ALGORITMOS GENÉTICOS AL PREDESPACHO

DE UNIDADES TÉRMICAS USANDO FLUJO ÓPTIMO DE

POTENCIA

CARLOS ANDRÉS JOSÉ CABRERA RIVAS

Profesor Guía: Dr. Miguel Aladino Arias Albornoz

Trabajo de Titulación presentado en conformidad a los requisitos para

obtener el Título de Ingeniero Civil Electricista

Santiago - Chile

2008
 © 2008, Carlos Andrés José Cabrera Rivas

Se autoriza la reproducción parcial o total de esta obra, con fines

académicos, por cualquier forma, medio o procedimiento, siempre y
cuando se incluya la cita bibliográfica del documento.
DEDICATORIA

A mi padre… por ser el arquitecto de

mi vida.

A mi hijo… por ser mi fuente de

inspiración.

- i-
 AGRADECIMIENTOS

Después de tanto trabajo, lejos a continuación escribiré las palabras más gratas…

Esta oportunidad para agradecer por escrito a mi Padre, Eugenio Cabrera, su apoyo y
confianza durante toda mi vida es invaluable, desde que tengo uso de razón mi Padre me
ha guiado, formado, protegido y nunca había tenido la ocasión de expresarle mis más
sinceros agradecimientos. GRACIAS PAPÁ…

Deseo agradecer a mis compañeros y amigos, Patricio Toledo, Leonardo Moya, William
Coone, Karina Montero, Sergio Cerón, Fabio Echegaray y David Valenzuela por toda la
ayuda y los buenos momentos compartidos. Además agradezco a mis compañeros de
especialidad Cristhian Becker, Coyailen Chacón y Cristian Uribe por el apoyo brindado
en las últimas etapas de la carrera.

No pueden quedar fuera de este agradecimiento los padres de William “Kun”, la tía
Angélica y el tío Guillermo, quienes recibieron en su hogar al “Grupo de Estudio” por
largos 5 años de forma generosa.

Deseo agradecer a mi primo Rodrigo Bamón por toda la ayuda entregada durante mi
carrera en forma desinteresada, en especial en el primer año de carrera donde se veía
complicado que 6 años más tarde pudiera estar escribiendo estos agradecimientos. Así
mismo, a mi hermana Marcela Cabrera y cuñado Pablo Loyola por el apoyo brindado
para ingreso a la Universidad y la ayuda constante durante la carrera.

También deseo agradecer a mi profesor guía Miguel Arias por la confianza y la

paciencia para finalizar este trabajo.

Así mismo, agradecer a mis compañeros de trabajos y amigos de Systep por aclarar
dudas y conceptos. A Pedro Miquel y Jorge Moreno por sus valiosos comentarios y
permitirme compatibilizar el trabajo en Systep con el término de mi tesis.

Finalmente, agradezco enormemente a la madre de mi hijo Cynthia Zuñiga; su

incondicional amor, el niño precioso que me entregó, y por acompañarme en el afronte
de las dificultades que nos impone la vida.

Y Ahora Pa`Lante es Pa`llá…

-ii -
 TABLA DE CONTENIDOS

DEDICATORIA ........................................................................................................................................... I
AGRADECIMIENTOS .............................................................................................................................. II
ÍNDICE DE FIGURAS .............................................................................................................................. V
ÍNDICE DE TABLAS ............................................................................................................................VIII
RESUMEN.................................................................................................................................................IX
1 INTRODUCCIÓN .............................................................................................................................. 1
1.1 OBJETIVOS ............................................................................................................................. 3
1.2 REVISIÓN BIBLIOGRÁFICA. ................................................................................................ 4
1.3 MOTIVACIÓN .......................................................................................................................... 7
1.4 APORTE PERSONAL............................................................................................................. 8
1.5 ESTRUCTURA DEL TRABAJO. ........................................................................................... 9
2 ANTECEDENTES GENERALES DEL PROBLEMA ................................................................ 11
2.1 PLANIFICACIÓN DE LARGO Y MEDIANO PLAZO. ........................................................ 12
2.2 PLANIFICACIÓN DE LA OPERACIÓN. ............................................................................. 13
2.3 DEMANDA DE ENERGÍA ELÉCTRICA. ............................................................................ 14
2.4 RESERVA EN GIRO. ............................................................................................................ 16
2.5 CENTRALES TÉRMICAS. ................................................................................................... 21
2.6 ANTECEDENTES DE MERCADOS ELÉCTRICOS COMPETITIVOS.......................... 29
3 FORMULACIÓN GENERAL DEL PREDESPACHO DE UNIDADES TÉRMICAS.............. 37
3.1 FUNCIÓN OBJETIVO (COSTOS TOTALES).................................................................... 39
3.2 RESTRICCIONES TÉCNICAS............................................................................................ 44
3.3 RESTRICCIONES DE CARGA. .......................................................................................... 50
3.4 RESUMEN FORMULACIÓN GENERAL DEL PREDESPACHO DE UNIDADES
TÉRMICAS ........................................................................................................................................... 52
3.5 PREDESPACHO DE UNIDADES TÉRMICAS EN MERCADOS ELÉCTRICOS
COMPETITIVOS.................................................................................................................................. 58
4 FORMULACIÓN DEL PREDESPACHO DE UNIDADES TÉRMICAS USANDO FLUJO
ÓPTIMO DE POTENCIA......................................................................................................................... 66
4.1 TEORÍA DESPACHO ECONÓMICO.................................................................................. 67
4.2 PROBLEMÁTICA DEL DESPACHO DE POTENCIA REACTIVA. ................................. 76
4.3 PREDESPACHO DE UNIDADES TÉRMICAS.................................................................. 78
4.4 INTRODUCCIÓN AL FLUJO ÓPTIMO POTENCIA.......................................................... 80
4.5 MODELACIÓN OPF.............................................................................................................. 82
4.6 OPF Y COSTO MARGINAL POR BARRA (LMP). ............................................................ 88
4.7 HERRAMIENTA COMPUTACIONAL MATPOWER APLICADA PARA RESOLVER
PROBLEMAS DE FLUJO DE POTENCIA ÓPTIMO. ...................................................................... 91
5 APLICACIÓN DE ALGORITMOS GENETICOS AL PREDESPACHO DE UNIDADES
TERMICAS................................................................................................................................................ 95
5.1 INTRODUCCIÓN A ALGORITMOS GENÉTICOS. .......................................................... 95

-iii -
 5.2 REPRESENTACIÓN DE LA SOLUCIONES. .................................................................... 96
5.3 FUNCIÓN FITNESS.............................................................................................................. 99
5.4 TRATAMIENTO DE LAS RESTRICCIONES..................................................................... 99
5.5 OPERADORES GENÉTICOS. .......................................................................................... 101
5.6 OPERADORES DE REPARACIÓN.................................................................................. 106
5.7 CRITERIOS DE CONVERGENCIA. ................................................................................. 107
5.8 METODOLOGÍA PROPUESTA. ....................................................................................... 109
6 APLICACIÓN DE LA METODOLOGÍA PROPUESTA .......................................................... 116
6.1 SISTEMA 6 BARRAS.......................................................................................................... 118
6.2 SISTEMA IEEE 118 BARRAS. .......................................................................................... 130
6.3 TIEMPOS DE SIMULACIÓN.............................................................................................. 146
7 CONCLUSIONES E INVESTIGACIONES FUTURAS. .......................................................... 148
7.1 CONCLUSIONES................................................................................................................ 148
7.2 INVESTIGACIONES FUTURAS. ...................................................................................... 152
REFERENCIAS ...................................................................................................................................... 154
ANEXO 1: DATOS SISTEMA 6 BARRAS......................................................................................... 159
ANEXO 2: DATOS SISTEMA IEEE 118 BARRAS .......................................................................... 161

-iv -
 ÍNDICE DE FIGURAS

FIGURA 1: DESCOMPOSICIÓN TEMPORAL DE LA PROGRAMACIÓN DE GENERACIÓN EN SEE. .................. 12

FIGURA 2: CURVA DE DURACIÓN DE LA DEMANDA..................................................................................... 15

FIGURA 3: CURVA DE CARGA..................................................................................................................... 15

FIGURA 4: RESPUESTA DEL SISTEMA ANTE UNA CONTINGENCIA............................................................... 17

FIGURA 5: CLASIFICACIÓN DE LA RESERVA SEGÚN SU TIEMPO DE ACCESO [5]. ....................................... 19

FIGURA 6: ESQUEMA DE UNA UNIDAD TERMOELÉCTRICA. ........................................................................ 22

FIGURA 7: CENTRAL TÉRMICA CON TURBINAS DE ALTA MEDIA Y BAJA PRESIÓN. ...................................... 23

FIGURA 8: ESQUEMA DE UNA UNIDAD TERMOELÉCTRICA CICLO COMBINADO. ........................................ 26

FIGURA 9: COSTOS DE GENERACIÓN POR TIPO DE CENTRAL Y COMBUSTIBLE. ........................................ 29

FIGURA 10: AGENTES DEL MERCADO ELÉCTRICO. ................................................................................... 33

FIGURA 11: REPRESENTACIÓN DE LOS COSTOS DE GENERACIÓN........................................................... 41

FIGURA 12: COSTOS DE PARTIDA EXPONENCIAL...................................................................................... 43

FIGURA 13: EJEMPLO DE PERFIL DE GENERACIÓN. ................................................................................... 48

FIGURA 14: CURVA DE DEMANDA DE POTENCIA. ....................................................................................... 51

FIGURA 15: CURVA OFERTA – DEMANDA VERSUS PRECIO ....................................................................... 60

FIGURA 16: EQUIVALENCIA ENTRE EL PROBLEMA PRIMAL Y DUAL. ........................................................... 65

FIGURA 17: MODELO UNINODAL ................................................................................................................ 68

FIGURA 18: MODELO UNINODAL CON MODELO APROXIMADO DE PÉRDIDAS. ........................................... 71

FIGURA 19: REPRESENTACIÓN DEL SISTEMA MULTINODAL DE 6 BARRAS................................................ 75

FIGURA 20: ESTRATEGIA DE COMPENSACIÓN DE LA POTENCIA REACTIVA. .............................................. 77

FIGURA 21: REPRESENTACIÓN DE UNA LÍNEA DE TRANSMISIÓN CON MODELO PI (Π)............................... 84

FIGURA 22: REPRESENTACIÓN DE UN TRANSFORMADOR CON MODELO PI (Π). ........................................ 84

-v -
FIGURA 23: VECTOR FILA VIK CON LOS ESTADOS PARA LA UNIDAD TÉRMICA I........................................... 97

FIGURA 24: REPRESENTACIÓN DE UNA SOLUCIÓN A TRAVÉS DE UNA MATRIZ BINARIA VK........................ 98

FIGURA 25: REPRESENTACIÓN DE LAS MATRICES BINARIAS DENTRO DE UNA POBLACIÓN....................... 98

FIGURA 26: SELECCIÓN MEDIANTE RULETA............................................................................................. 102

FIGURA 27. CRUCE MONOPUNTO............................................................................................................. 104

FIGURA 28: CRUCE MULTIPUNTO............................................................................................................. 104

FIGURA 29: CRUCE UNIFORME................................................................................................................. 105

FIGURA 30: ESTRUCTURA DEL AG PROPUESTO...................................................................................... 109

FIGURA 31: RUTINA DE REPARACIÓN....................................................................................................... 111

FIGURA 32: SUBRUTINA OPERADORES GENÉTICOS. .............................................................................. 113

FIGURA 33: CRUCE TIPO VENTANA. ......................................................................................................... 115

FIGURA 34: CRUCE EN DOS PUNTOS. ...................................................................................................... 115

FIGURA 35: ACOPLAMIENTO Y COSTOS DE OPERACIÓN SISTEMA 6 BARRAS.......................................... 120

FIGURA 36: EVOLUCIÓN Y CONVERGENCIA DEL AG SISTEMA 6 BARRAS. .............................................. 121

FIGURA 37: GENERACIÓN HORARIA DC, AC Y PÉRDIDAS SISTEMA 6 BARRAS. ..................................... 122

FIGURA 38: COSTOS MARGINALES HORARIOS DC Y AC SISTEMA 6 BARRAS........................................ 124

FIGURA 39: ACOPLAMIENTO Y COSTOS DE OPERACIÓN SISTEMA 6 BARRAS (CONGESTIÓN)................. 126

FIGURA 40: EVOLUCIÓN Y CONVERGENCIA DEL AG SISTEMA 6 BARRAS (CONGESTIÓN). ..................... 127

FIGURA 41: GENERACIÓN HORARIA DC, AC Y PÉRDIDAS SISTEMA 6 BARRAS (CONGESTIÓN).............. 128

FIGURA 42: COSTOS MARGINALES HORARIOS DC Y AC SISTEMA 6 BARRAS (CONGESTIÓN)............... 129

FIGURA 43: ACOPLAMIENTO Y COSTOS DE OPERACIÓN DC Y AC, SISTEMA 118 BARRAS. ................... 135

FIGURA 44: EVOLUCIÓN Y CONVERGENCIA DEL AG, SISTEMA 118 BARRAS.......................................... 136

FIGURA 45: GENERACIÓN HORARIA DC, AC Y PÉRDIDAS; SISTEMA 118 BARRAS................................. 137

FIGURA 46: COSTOS MARGINALES DC Y AC, SISTEMA 118 BARRAS. ................................................... 139

FIGURA 47: DIAGRAMA DE PROCESO DE VALIDACIÓN AC, SISTEMA 118 BARRAS. ................................ 140

-vi -
FIGURA 48: ACOPLAMIENTO Y COSTOS DE OPERACIÓN AC Y VALIDACIÓN AC, SISTEMA 118 BARRAS 142

FIGURA 49: GENERACIÓN HORARIA AC, VALIDACIÓN AC Y PÉRDIDAS SISTEMA 118 BARRAS. ............. 144

FIGURA 50: SISTEMA 6 BARRAS............................................................................................................... 159

FIGURA 51: SISTEMA 118 BARRAS.......................................................................................................... 161

-vii -
 ÍNDICE DE TABLAS

TABLA 1: METODOLOGÍAS PARA RESOLVER EL PREDESPACHO PERÍODO 1966-1994. ............................. 6

TABLA 2: METODOLOGÍAS PARA RESOLVER EL PREDESPACHO PERÍODO 1994-2004. ............................. 7

TABLA 3: CONSUMOS ESPECÍFICOS Y COSTOS DE COMBUSTIBLES. ......................................................... 40

TABLA 4: POTENCIA MÁXIMA DE SALIDA SEGÚN ESTADOS DE ACOPLAMIENTO......................................... 56

TABLA 5: PARÁMETROS DEL AG, SISTEMA 6 BARRAS............................................................................. 118

TABLA 6: MATRIZ DE ACOPLAMIENTO SISTEMA 6 BARRAS. .................................................................... 119

TABLA 7: PARÁMETROS DEL AG, SISTEMA 118 BARRAS. ....................................................................... 131

TABLA 8: MATRIZ DE ACOPLAMIENTO DC-OPF, SISTEMA 118 BARRAS. .............................................. 133

TABLA 9: MATRIZ DE ACOMPLAMIENTO AC-OPF, SISTEMA 118 BARRAS. ............................................ 134

TABLA 10: COMPARACIÓN ENTRE OPERACIÓN AC Y OPERACIÓN CON VALIDACIÓN AC........................ 143

TABLA 11: TIEMPOS DE SIMULACIÓN. ...................................................................................................... 146

TABLA 12: TIEMPOS DE SIMULACIÓN CON MEJORA AL ALGORITMO. ....................................................... 147

TABLA 13: DATOS DE LAS UNIDADES GENERADORES (SISTEMA 6 BARRAS).......................................... 159

TABLA 14: DATOS LÍNEAS DE TRANSMISIÓN (SISTEMA 6 BARRAS). ....................................................... 160

TABLA 15: DATOS TRANSFORMADORES (SISTEMA 6 BARRAS). ............................................................. 160

TABLA 16: PERFIL DE DISTRIBUCIÓN DE LA DEMANDA (SISTEMA 6 BARRAS)......................................... 160

TABLA 17: DEMANDA Y RESERVA EN GIRO HORARIA (SISTEMA 6 BARRAS). .......................................... 160

TABLA 18: DATOS DE LAS UNIDADES GENERADORAS (SISTEMA 118 BARRAS). .................................... 161

TABLA 19: DATOS LÍNEAS DE TRANSMISIÓN (SISTEMA 118 BARRAS).................................................... 163

TABLA 20: DEMANDA Y RESERVA EN GIRO HORARIA (SISTEMA 118 BARRAS)....................................... 166

TABLA 21: DATOS TRANSFORMADORES (SISTEMA 118 BARRAS).......................................................... 166

TABLA 22: PERFIL DE DISTRIBUCIÓN DE LA DEMANDA (SISTEMA 118 BARRAS). ................................... 167

-viii -
TÍTULO: Aplicación de algoritmos genéticos al predespacho de unidades
térmicas usando flujo óptimo de potencia.

CLASIFICACIÓN TEMÁTICA: Algoritmos genéticos; Flujos de potencia:

optimización; Despacho de carga; Software: simulación computarizada.

AUTOR: Cabrera Rivas, Carlos Andrés

CARRERA: Ingeniería Civil en Electricidad

PROFESOR GUÍA: Arias Albornoz, Miguel

AÑO: 2008

CÓDIGO UBICACIÓN BIBLIOTECA: 2008 / P / 53

RESUMEN
En el presente trabajo se aborda la operación económica de corto plazo
de los sistemas de energía eléctrica con generación térmica. En particular, se
presenta una metodología de solución al predespacho de unidades térmicas o
asignación de unidades, más conocido en la literatura como “Unit Commitment”,
utilizando algoritmos genéticos.

Se presenta la formulación del predespacho de unidades térmicas

teniendo en cuenta las restricciones de los tiempos mínimos de funcionamiento
y parada, costos de partida, reserva en giro, y las restricciones asociadas al
balance de potencia. Esta última se logra a través de una subrutina de flujo
óptimo de potencia, usando un paquete de optimización para análisis de
sistemas de energía eléctrica denominado MATPOWER. Para cumplir los
tiempos mínimos de funcionamiento/parada y la reserva en giro se aplican
operadores genéticos expertos.

La simulación y resultados obtenidos con el algoritmo propuesto se

muestra para un sistema de 6 barras (pequeña dimensión) y para el sistema
IEEE de 118 barras (gran dimensión). El algoritmo fue desarrollado y ejecutado
en MATLAB.

-ix -
1 INTRODUCCIÓN

Numerosos han sido los cambios que el sector eléctrico ha experimentado a lo

largo de su historia. En sus inicios, la proximidad geográfica entre los centros de
generación y consumo de energía eléctrica permitía un suministro directo de
energía a los consumidores. Con la invención del transformador y a medida que
fue aumentando el tamaño de los generadores se desarrollaron redes de
transmisión capaces de llevar la energía más lejos, en mayor cantidad, y a
menor costo. Hoy en día, la red de transmisión es el soporte físico que permite
la conexión entre centros de generación y consumo.
En un sistema de energía eléctrica, en adelante SEE, la transmisión de energía
eléctrica se debe realizar de manera segura y con la calidad adecuada.
Además, en ambientes de mercado con operación centralizada, el suministro de
energía debe perseguir la minimización de los costos de operación. Debido a la
necesidad natural de balance instantáneo de generación - carga junto a la
limitada capacidad de almacenamiento de energía eléctrica en grandes
cantidades, posibles saturaciones o pérdidas indeseadas en la red de
transmisión pueden encarecer y/o hacer aumentar la generación de energía.
Para poder prever y afrontar estas situaciones se elaboran modelos
matemáticos que representan adecuadamente el sistema de generación y la red
de transmisión, en cuanto a límites de capacidad y pérdidas de energía, que
permiten minimizar el costo de operación del sistema.
La correcta operación de los SEE de un país tiene un impacto directo en las
actividades económicas y sociales, para lograr una administración eficiente de
los recursos energéticos resulta fundamental la elaboración de programas de
generación con el objetivo de minimizar costos y entregar confiabilidad en el
suministro.
Asumiendo operación centralizada del SEE, en el presente trabajo se propone
un modelo matemático para minimizar los costos de operación considerando en

- 1-
detalle tanto la red de transmisión, como las características y particularidades
de las centrales de generación de un SEE puramente térmico.
El modelo matemático que se presenta se basa en dos problemas bien
establecidos en la literatura, el primero consiste en determinar qué centrales se
deben acoplar al sistema en cada intervalo de tiempo del período de
planificación. Éste es el problema de la “Asignación de Unidades ó
Predespacho” [7,8] conocido en la literatura inglesa como “Unit Commitment”. El
otro problema, llamado “Despacho Económico, asigna la carga entre las
centrales acopladas en tiempo real. Estos dos problemas están relacionados
entre sí y sus salidas deben ser consideradas simultáneamente para obtener la
solución de costo mínimo, llamada óptimo del problema.
Tradicionalmente, los dos problemas mencionados anteriormente se han
resuelto por separado, y más aún, sin considerar explícitamente la red de
transmisión [7,8]. En el presente trabajo se propone un modelo de predespacho
considerando la red de transmisión en el que se determina la asignación de
unidades de las centrales térmicas (acoplado - no acoplado) y los niveles de
generación de todas las centrales, sastisfaciendo la demanda de energía
eléctrica en cada nudo del sistema a costo mínimo.
El horizonte temporal pertenece al corto plazo (semanas-días-horas). Se
propone la solución de este problema para SEE Térmicos, incluyendo la
modelación de las restricciones técnicas que afectan a las centrales de este tipo
de sistemas, tales como: límites de generación, reserva, y tiempos mínimos de
funcionamiento y parada.
La modelación del problema desde el punto de vista matemático, es un
problema de programación matemática combinatoria, no lineal, no convexo,
entero-mixto y de gran dimensión.
Aunque la solución a este problema representa una parte esencial en la
operación de un SEE, el tamaño del mismo introduce una barrera importante
para encontrar su solución óptima. Si se considera un sistema de 100 centrales

-2 -
y un horizonte de planificación de 24 intervalos, el número de posibles

(2 − 1) . Aunque muchas de estas combinaciones son

24
combinaciones es 100

infactibles, el espacio de soluciones restantes es aún de una dimensión

elevada. Además de ser un problema de gran dimensión, presenta una
estructura compleja con abundantes no linealidades.
Frente a esta problemática se hace necesario realizar aproximaciones al
modelo, para lograr una buena solución en un tiempo razonable. Para resolver
el problema de optimización que permite identificar una buena solución se hizo
uso de métodos de optimización heurísticos, en particular, algoritmos genéticos.

1.1 OBJETIVOS

1.1.1 Objetivo General.

Desarrollar una metodología, algoritmo y programa computacional de cálculo

que permita resolver, con buena aproximación, el predespacho de unidades
térmicas para un esquema de mercado eléctrico con operación centralizada,
que considere una modelación AC de la red de transmisión y que lo resuelva en
tiempos de cálculo compatibles con los requerimientos prácticos.

1.1.2 Objetivo Específicos.

• Determinar las unidades de generación que deben ser acopladas al

sistema.
• Determinar el despacho activo y reactivo de corto plazo de las centrales
térmicas acopladas.
• Considerar una modelación AC de la red de transmisión, de manera de
incluir las pérdidas y límites de capacidad del sistema de transmisión.
• Considerar la individualidad de los componentes de generación y
transmisión evitando el uso de técnicas de agrupamiento que pueden
alejar la posibilidad práctica de utilizar la solución.

-3 -
 • Proponer un método de solución basado en algoritmos genéticos.
• Desarrollar un programa computacional que permita modelar los puntos
mencionados anteriormente.

1.2 REVISIÓN BIBLIOGRÁFICA.

Debido a que el predespacho de unidades térmicas ha sido abordado

ampliamente por la literatura y publicaciones internacionales con más de 200
publicaciones, la presente revisión se basa principalmente en 2 trabajos que
realizan un resumen de todas las técnicas y resultados obtenidos en la solución
del problema, complementado la comparación realizada en [11].
La primera [1] resume las metodologías clásicas hasta el año de su publicación
(1994), la segunda [2] es una exhaustiva compilación de los puntos principales
de 151 artículos internacionales publicados en los últimos 35 años (2004). En
estas dos referencias se pueden encontrar citas para casi cualquier
metodología de solución al problema.
La revisión bibliográfica muestra que la calidad de la solución está directamente
relacionada con los tiempos de ejecución requeridos. Sin embargo, esta regla
universal es siempre mencionada pero no necesariamente medida. Se puede
concluir que la metodología a elegir para resolver el problema no obedece a un
solo criterio, sino que consiste en ponderar (técnica y económicamente) las
mejoras en la calidad de la solución para un sistema específico, en función del
tiempo y recursos que se disponga para la realización de los estudios.
El uso de Listas de Merito, Programación Dinámica, y Relajación
Lagrangiana son, de acuerdo a la clásica referencia [3] los métodos más
revisados.
En la referencia [1] se listan distintas formas de realizar la programación
dinámica para limitar la búsqueda en el enorme espacio producido por la
explosión combinatorial. La relajación lagrangiana ha sido objeto de estudio

-4 -
durante los últimos 20 años. Esta técnica, aunque presenta algunas dificultades
en la modelación, es reconocida por todos los autores como una técnica rápida,
de calidad aceptable y adaptable a grandes sistemas con muchas restricciones.
La Relajación Lagrangeana Aumentada [1] que consiste en agregar un
término cuadrático a la función objetivo para manejar de manera más eficiente
la brecha entre la solución dual y primal, ha sido una técnica muy utilizada pero
elimina la posibilidad de separar el problema en asignación de unidades
individuales.
Los métodos más antiguos, como las técnicas de Branch & Bound y
Programación Lineal son pioneros en la resolución de problemas de
optimización como el Unit Commitment empleando algoritmos y software
(CPLEX) considerados como clásicos según [1], a esto se suman las mejoras
logradas con Programación Lógica de Restricciones y Programación
Entero-Mixta.
La Desasignación de Unidades, en ingles, “Unit Decommitment” parece ser la
solución matemática al problema de la sobreasignación (soluciones factibles)
pero no necesariamente la más justa.
Las técnicas heurísticas también tienen diversas aplicaciones en la solución del
predespacho, según [2] Algoritmos Genéticos, Programación Evolutiva, y
Lógica Difusa representan algunas de las rutinas exploradas. La calidad de la
solución ha sido reportada como superior a los métodos clásicos, pero con
mayores tiempos de proceso.
Las Redes Neuronales Artificiales [2] y otros sistemas expertos también han
sido investigadas. La principal queja de los autores ha sido la falta de resultados
con óptimos globales para sistemas de gran escala.
La técnica Simulated Anneling basada en el mínimo de energía en el
enfriamiento lento de un metal, es otra de las técnicas para la solución al
problema. Prometen mayores probabilidades de soluciones cercanas al óptimo,
sin embargo, en soluciones prácticas se repite el problema de los tiempos

-5 -
elevados requeridos para las soluciones. La combinación de algoritmos
genéticos, simulated anneling y búsqueda tabú, ha reportado mejores
soluciones a menos para problemas de pocas unidades.
De acuerdo con [1,2] existen otras metodologías como el Análisis de Riesgos,
Análisis de Decisión, Sistemas Expertos, Programación Separable,
Programación por Flujo de Redes, Algoritmos de Búsqueda por Colonia
de Hormigas y otros modelos híbridos que combinan uno o varios de los antes
mencionados. Finalmente, en las Tabla 1 y Tabla 2 se muestra un resumen con
las metodologías utilizadas para resolver el predespacho.

Tabla 1: Metodologías para resolver el predespacho período 1966-1994.

Autor / Período Técnica de Optimización (Metodología) Abreviatura
Enumeración Exhaustiva EE
Orden de Meritos PL
Listas de Prioridades Mejoradas EPL
Programación Dinámica DP
G. B. Sheblé Programación Entero, Entero Mixto MIP
& G. N. Fahd. Algoritmos de Branch & Bound B&B
1966-1994 [1] Programación Lineal PL
Programación Separable SP
Programación por Flujo de Redes NFP
Relajación Lagrangiana LR
Sistemas Expertos y Redes Neuronales Artificiales NN
Análisis de Riesgo RA
Relajación Lagrangeana Aumentada ALR

-6 -
 Tabla 2: Metodologías para resolver el predespacho período 1994-2004.

Autor / Técnica de Optimización (Metodología) Mejoras

Abreviatura
Período y Combinaciones de las anteriores
Relajación Lagrangeana Mejorada ELR
Relajación Lagrangeana con DP DPLR
Relajación Lagrangeana con Algoritmos Genéticos LRGA
Algoritmos Genéticos GA
N. Prasad Algoritmos Genéticos con Clasificación de Unidades GAUC
Phady. Desasignación de Unidades DU
1994-2004 Programación Evolutiva EP
[2] Programación Lógica de Restricciones CLP
Optimización de Punto Interior IPO
Fuzzy Logic Systems FLS
Modelos Híbridos HM
Búsqueda por Colonia de Hormigas ACS

1.3 MOTIVACIÓN
La situación en nuestro país, con respecto a la planificación de la operación de
corto plazo, está basada en esquemas de lista de prioridad, criterios heurísticos
e información histórica, existiendo una fuerte dependencia de la experiencia de
los operadores del sistema para realizar la operación.

Con estos métodos, y dado el enorme tamaño del espacio de búsqueda, las
soluciones que se entregan probablemente estén lejos del óptimo, lo que
redundaría en mayores costos de operación.

Es necesario implementar modelos de operación que disminuyan la brecha

entre la operación real y la programada. Correcciones post-despacho originadas
por problemas de niveles de tensión y reactivos, sobrecargas en líneas de
transmisión y violación de criterios de seguridad ante fallas en algún
componente del sistema, normalmente pueden implicar la puesta en operación

-7 -
de unidades de generación no previstas lo cual deteriora la calidad de una
solución obtenida anteriormente.

Por la razón expuesta anteriormente, el presente trabajo pretende incorporar,

dentro de un mismo modelo, una rutina de OPF para tomar en cuenta en la
modelación las variables más relevantes en la operación del sistema, que
permiten disminuir las correcciones post - despacho.

En Chile, el Sistema Interconectado del Norte Grande (SING) posee la

característica de ser un sistema mayoritariamente térmico. En dicho sistema, se
utiliza para el despacho un paquete comercial denominado PLEXOS1. Este
software posee un conjunto de herramientas para el análisis de sistemas de
potencia y mercados eléctricos, dentro de los que destaca:
• Despacho de unidades.
• Costo de producción y modelación de emisiones
• Modelación del sistema de transmisión. (Modelo Multinodal)
• Modelos de determinación de precios.
• Programación de mantenimientos.

1.4 APORTE PERSONAL.

Desarrollo de un algoritmo genético novedoso para la solución del predespacho

de unidades térmicas. Los algoritmos genéticos se han empleado
recientemente para resolver este tipo de problemas debido a su flexibilidad en
la modelación. Sin embargo, según la literatura, cuando se aplican a la solución
del predespacho presentan problemas de convergencia debido al tratamiento

1
Software desarrollado por Energy Exemplar (www.energyexemplar.com) y distribuido en Sudamérica
por la empresa consultora On-Energy (www.on-energy.cl)

-8 -
de las restricciones mediante penalizaciones en la función objetivo. Por esta
razón, en el presente trabajo se desarrolló una estrategia de reparación que
supera estos problemas de convergencia, debido a que todas las soluciones
con las que trabaja son soluciones factibles del problema.

Otro aporte importante del presente trabajo es la incorporación explícita de la

red de transmisión en el algoritmo, modelación conocida como “Multinodal”
debido a que permite obtener información relevante en cada nodo del sistema.
La inclusión directa de la red de transmisión al modelo se realizó a través de las
ecuaciones de un flujo de potencia óptimo, que a su vez, permiten determinar el
despacho de potencia reactiva del sistema extendiendo el concepto clásico de
despacho económico de carga.

1.5 ESTRUCTURA DEL TRABAJO.

El presente trabajo de tesis se organiza de la forma que se expone a

continuación

El Capítulo 2 incluye las definiciones básicas y conceptos relacionados con la

planificación de largo, mediano y corto plazo en sistemas de energía eléctrica,
así como también se describe cada una de las etapas en que ésta se suele
descomponer. Además se define comparativamente las principales
características de las unidades térmicas más comunes en SEE. Finalmente, se
entregan las principales definiciones y generalidades presente en los nuevos
mercados eléctricos competitivos.

En el capítulo 3 se ha definido y formulado el predespacho de unidades

térmicas, donde se han descrito las restricciones del problema, así como los
términos de la función objetivo a minimizar. A continuación se presenta la

-9 -
formulación tradicional de este problema, que desde un punto de vista
matemático se define como un problema de optimización no lineal, no convexo,
combinatorio, entero-mixto y de gran dimensión.

En el capítulo 4 se describe la formulación del balance económico de carga,

partiendo desde el despacho económico clásico, pasando por el despacho de
potencia reactiva y terminado por definir un flujo óptimo de potencia con el
objetivo de incorporar en forma explícita la red de transmisión, la componente
reactiva y perfiles de tensiones asociados a la modelación de predespacho de
unidades térmicas.

En el capítulo 5 se presenta la técnica de solución empleada para resolver el

predespacho de unidades térmicas. La técnica propuesta emplea algoritmos
genéticos, los cuales tienen una flexibilidad en la modelación que permite
considerar cualquier tipo de no linealidad y no convexidad como las que
aparecen en el problema. Se muestra una representación novedosa de las
soluciones y la metodología de solución. Luego se describe las características
del algoritmo genético desarrollado, destacando las diferencias con respecto a
otros algoritmos genéticos.

En el capitulo 6 se presentan los resultados obtenidos al aplicar el algoritmo

propuesto a dos casos de estudio: un sistema de 6 barras (pequeña dimensión)
y un sistema de 118 barras (gran dimensión).

En el capítulo 7 se indican las principales conclusiones de este trabajo, se

proponen desarrollos futuros y líneas de investigación

Los anexos 1 y 2 contienen los datos de entrada empleados en los casos de

estudio presentados en el capítulo 6.

-10 -
2 ANTECEDENTES GENERALES DEL PROBLEMA

En la planificación de un sistema eléctrico se requiere establecer algún criterio

para la operación de éste. El objetivo principal de la planificación de un SEE es
minimizar la suma de los costos presentes y futuros, aunque en algunos casos
existen otros objetivos como mejorar niveles de seguridad, minimizar la
ocurrencia de fallas de abastecimiento o minimizar costo de inversión futuros.

Para una planificación eficiente y lograr un problema más abordable en la

programación de generación generalmente se toman en cuenta distintos
horizontes de tiempo que parten desde el más largo plazo, donde la red no se
modela con mucho detalle y se está preocupado de optimizar inversiones,
disponibilidad de recursos hídricos, nuevas unidades generadores, etc.
Continuando con el mediano plazo, etapa caracterizada por los programas de
mantenimiento, disponibilidad de combustibles, unidades generadoras,
predicciones de precios etc. El largo y mediano plazo presentan muchas
semejanzas en la modelación del sistema, las diferencias radican en que a
medida que se reduce el período de planificación, se va modelando con mayor
detalle el sistema y las variables aleatorias (demanda y recursos hídricos) se
van tornando cada vez mas determinísticas, hasta llegar al corto plazo, donde la
red se modela con todo el detalle posible, adquieren mayor importancia las
restricciones del sistema concretándose cada vez más en la operación del
sistema.

La jerarquización temporal busca desagregar las decisiones dada la

imposibilidad práctica de encontrar un modelo capaz de caracterizar con
suficiente detalle todos los ámbitos.

-11 -
Figura 1: Descomposición temporal de la programación de generación en SEE.

2.1 PLANIFICACIÓN DE LARGO Y MEDIANO PLAZO.

La planificación de más largo plazo (5-10 años) esta enfocada a sistemas

hidrotermicos donde se determinan las políticas de desembalse de las reservas
de regulación inter-anual de manera tal que se minimice el costo futuro
esperado de la operación del sistema eléctrico. Por tratarse de un horizonte de
tiempo bastante grande los modelos de optimización usados son de naturaleza
estocástica modelándose especialmente la incertidumbre de la demanda, la
aleatoriedad del aporte hídrico y la disponibilidad de los generadores.

Para sistemas eléctricos térmicos los horizontes de planificación de largo plazo

son más cortos (3 - 5 años) donde se definen los grandes contratos de
combustibles, nuevas unidades generadoras, previsión de demandas máximas,
entre otras.

-12 -
En el mediano plazo la información con que se cuenta es más detallada que
para el caso del largo plazo y está compuesta por: Análisis de la predicción de
la demanda de energía y demanda máxima del sistema, disponibilidad de las
unidades generadoras, contratos de intercambio de potencia y energía entre
empresas generadoras, precio y consumo esperado de combustibles de las
centrales térmicas, coordinación de los programas de mantenimiento de las
empresas, etc.

El horizonte de estudio es generalmente de un año, discretizado en pasos

mensuales y/o semanales, y el objetivo principal es realizar la programación
mensual y/o semanal de la generación.

2.2 PLANIFICACIÓN DE LA OPERACIÓN.

La planificación de corto plazo suele dividirse en planificación semanal y

programación diaria. En la planificación semanal, principalmente se determina
la operación más conveniente de los embalses con capacidad de regulación
semanal y la operación de las unidades térmicas. En otras palabras, como debe
utilizarse el agua embalsada en los diferentes días de la semana así como las
unidades térmicas más relevantes. La modelación del parque generador hídrico
y térmico así como la red de transmisión poseen mayor nivel de detalle que en
la programación de largo/mediano plazo. Adicionalmente se considera el
problema como determinístico.

La programación diaria es un reajuste de la programación semanal. En este

período el pronóstico de la demanda y de los caudales tiene menor margen de
error que en la programación semanal y el sistema (generación hidráulica,
térmica y red de transmisión) es modelado con todo el detalle que permita el
modelo de optimización utilizado.

-13 -
Cada etapa de la planificación presenta sus propias características, razón por la
cual la modelación no es única para las 3 etapas descritas. En el largo plazo por
ejemplo es muy importante la representación de los embalses con gran
capacidad de almacenamiento de agua, modelación de sus afluentes y la
disposición de series históricas de los caudales, la demanda se representa
mediante diagramas ordenados de demanda ya que el objetivo es determinar el
mejor uso del embalse. Adicionalmente se determina la generación de energía
de las unidades térmicas, información que es de utilidad para determinar planes
de compra de combustibles o definir contratos de largo plazo.

En el corto plazo es de suma importancia las restricciones operativas ya que el

despacho debe ser operable o en su defecto las modificaciones deben ser
mínimas con la finalidad de apartarse lo menos posible del óptimo obtenido. En
este caso se establece un compromiso entre el nivel de detalle del modelo y el
tiempo de ejecución del mismo. Por este motivo es muy importante un análisis
previo de las restricciones o grado de detalle a ser representado en el modelo.

2.3 DEMANDA DE ENERGÍA ELÉCTRICA.

Para simulación y optimización del despacho de sistemas interconectados se

han desarrollado técnicas cada vez más cercanas a la realidad operativa de los
sistemas eléctricos, para lo que se requieren modelos que representen de la
mejor forma posible las características de demanda.
El objetivo principal de estos modelos es disponer de las curvas de carga, a
partir de la información histórica y de las predicciones de demanda suministrada
a los usuarios.
En el largo y mediano plazo la demanda se representa mediante curvas
ordenadas de duración de la demanda (Figura 2) mientras que en el corto plazo
se las representa de manera cronológica (Figura 3).

-14 -
Figura 2: Curva de duración de la demanda. Figura 3: Curva de Carga.

En la curva de duración de la demanda se identifican tres grandes bloques:

• Generación en Carga Base: Unidades que operan en forma continuada.
(Ej: Centrales Hidroeléctricas de Pasada y de Embalse).
• Generación en Carga Intermedia: Unidades que operan en períodos
significativos, por ej.: de 8 a 24 horas. (Ej: Centrales térmicas de carbón)
• Generación en Carga de Punta: Unidades que operan solo algunas horas
al día o de reserva. (Ej: Centrales de partida rápida como Turbinas a
Gas).

La exactitud del pronóstico de la demanda decrece con la extensión del

horizonte de tiempo de análisis de allí la necesidad de incorporar este
comportamiento aleatorio en la planificación de largo/mediano plazo.

En el corto plazo la demanda es modelada de manera determinística y en

secuencia cronológica. El nivel de discretización (subperíodos considerados)
obedece generalmente al horizonte de análisis. La carga computacional está
directamente relacionada con la cantidad de subperíodos considerados, a
mayor cantidad de subperíodos considerados, mayor es el tiempo de cálculo de
los modelos.
-15 -
Es usual que a nivel de planificación diario/semanal se consideren subperíodos
de una o media hora de duración con la finalidad de tener un balance adecuado
entre precisión de los resultados y tiempo de cálculo del modelo usado. El
empleo de una discretización más fina no siempre se justifica ya que la
precisión ganada se ve desmerecida por las propias desviaciones de la
demanda con respecto al pronóstico o por efecto de alguna contingencia que
obligan a reprogramar la operación varias veces al día.
Cuando la carga computacional es muy elevada, sobre todo en los modelos de
horizonte semanal, la discretización puede ser no-uniforme con la finalidad de
reducir la misma. Se puede emplear una discretización de media hora para el
primer día, de una hora los días intermedios y bloques de más de una hora para
los últimos días (donde existe mayor incertidumbre).

2.4 RESERVA EN GIRO.

Como la energía eléctrica no es almacenable en grandes cantidades de forma

económica, en cada instante de tiempo se debe generar tanta energía como se
demande por parte de los usuarios. Por otro lado, siempre existe la posibilidad
de producirse una contingencia en el sistema como así también variaciones
imprevistas de la carga las cuales pueden ser solucionados por alguno de los
siguientes métodos:
• Aumento de la generación del sistema.
• Desconexión de una parte de la carga.

La primera de las soluciones es la más importante en el sistema para lo cual es

necesario programar un exceso de capacidad de generación la cual pueda
absorber en rapidez y magnitud el desbalance producido. La desconexión de
carga es la última alternativa por la cual se debe optar, y solo sería necesaria

-16 -
cuando la integridad del sistema está comprometida. Los esquemas de
desconexión de carga están implementados para producirse de forma
automática donde no hay tiempo suficiente para esperar una respuesta humana
(del operador en tiempo real del sistema).
En la Figura 4 se muestra el proceso que sigue a la aparición repentina de un
requerimiento de reserva como consecuencia de la salida forzada de
componentes. Este proceso presenta las siguientes fases [5].

Figura 4: Respuesta del sistema ante una contingencia.

Fase 1: Inmediatamente después de la falla el déficit de potencia es cubierto

con energía electromagnética proveniente de los campos de los generadores y
energía cinética cedida por las masas rotantes del sistema - turbinas,
generadores, motores sin regulación de velocidad- a través de una disminución

-17 -
de su velocidad de rotación. Esta fase finaliza luego de pocos segundos con la
acción de la regulación primaria de frecuencia.

Fase 2: La disminución de la velocidad de los grupos generadores conduce a

una disminución de la frecuencia, lo que activa la regulación primaria. Los
reguladores actúan sobre las válvulas de admisión de las turbinas provocando
un incremento de la potencia generada. En esta fase participan todos los
bloques generadores del sistema interconectado que forman parte de la
regulación primaria. Esta fase concluye cuando se alcanza un nuevo estado
estacionario (frecuencia constante), con un valor de frecuencia menor que el
valor inicial.
Fase 3: Para recuperar el estado de operación normal es necesario que la
frecuencia retorne al valor inicial (nominal) y que los flujos de potencia por el
sistema vuelvan a los valores planificados. Esto se logra a través de la
actuación de la regulación secundaria. Esta fase incluye la puesta en marcha de
unidades generadoras de partida rápida (hidráulicas, turbinas de gas).
Fase 4: Luego de la fase 3 se ha restablecido la seguridad del suministro, pero
debido a las modificaciones del parque de generación en operación y a la
desviación de las potencias generadas por las máquinas respecto de los
valores planificados, existe un alejamiento de las condiciones de operación
económica. Es necesario además liberar la reserva rápida para tenerla
disponible ante eventuales nuevas contingencias. Por estas razones se hace
deseable una redistribución de la carga a través de una reprogramación del
despacho (nueva optimización) para el resto del período analizado.
Según el análisis anterior, la reserva puede clasificarse según sus tiempos de
acceso como se muestra en la Figura 5.

-18 -
 Falla Reparación
P [MW]

Instantánea Segundos Minutos Horas

P
D

~
t ( eje log) min
0,0 0,1 1 10 100 1000

Comportamiento dinámico Comportamiento estacionario

Figura 5: Clasificación de la reserva según su tiempo de acceso [5].

• Reserva Instantánea. Energía aportada por los campos

electromagnéticos de los generadores y por la disminución de velocidad
de las masas rotantes. El tiempo de acceso es aproximadamente 0.
• Reserva de segundos. Reserva en giro activada con la regulación
primaria. El tiempo de acceso está en el rango de 1 a 60 seg.
• Reserva de minutos. Reserva en giro activada con la regulación
secundaria y puesta en marcha de unidades de partida rápida. Tiempo
de acceso del orden de 2 a 15 minutos.
• Reserva de horas. Puesta en marcha de unidades térmicas en reserva
fría. Tiempo de acceso del orden de 0,5 a 10 horas.

Se entiende por tiempo de acceso al tiempo total que transcurre entre la

detección de la necesidad de reserva hasta su disponibilidad con la potencia
requerida. Estos tiempos dependen en el sistema de los tiempos de partida y
velocidad de variación de la carga de los bloques generadores, de la potencia
que salió de servicio como consecuencia de la contingencia y de la situación
respecto de la demanda.
En función de lo expresado, la reserva en giro se puede clasificar desde el
punto de vista funcional en reserva primaria y reserva secundaria.

-19 -
Reserva Primaria. Es aquella que sirve para absorber la desconexión
intempestiva de los generadores o las variaciones imprevistas de la demanda.
Normalmente su rango de acción está entre unos pocos segundos al minuto y
responde de manera automática a las variaciones de la frecuenta del sistema.
La determinación de la magnitud requerida se hace en base a dos criterios
predominantes. El primero basado en la desconexión de la unidad más grande
del sistema y el segundo basado en métodos probabilísticos utilizando
estadísticas del comportamiento operación - falla de los componentes. En
sistemas eléctricos de tamaño pequeño o mediano, se vuelve muy importante
tomar en cuenta adicionalmente el efecto dinámico de una perturbación y la
respuesta de los generadores para determinar la cantidad de reserva óptima
para el sistema. Dependiendo de la normativa de cada país la reserva puede
ser asignada solo a algunas unidades o a la totalidad de los generadores.

Reserva Secundaria. Es la que sirve para absorber las desviaciones sostenidas

de la oferta de generación o la demanda que se van acumulando durante la
operación del sistema que se manifiesta como un error en estado estable de la
frecuencia nominal del sistema. En sistemas antiguos es común realizar este
control de manera manual, es decir, el operador del sistema decide cuanto y en
que unidades incrementar generación con la finalidad de llevar el error de la
frecuencia a cero. En la actualidad esta estrategia de control está implementada
en lo que se denomina AGC (Automatic Generation Control por sus siglas en
inglés), que tiene como objetivo llevar el error de la frecuencia a cero, de forma
estable, mediante la determinación de la potencia de referencia que tiene que
producir cada generador que está asignado al control secundario [4].
En el ámbito del presente trabajo, sólo se incluye la reserva en giro de manera
aproximada dentro de la formulación del problema, puesto que no se
consideran aspectos de seguridad y no se incluyen las rampas de toma de
carga de las unidades térmicas. En la presente formulación se considera un

-20 -
margen de reserva sobre la potencia demandada para asegurar que siempre se
suministre la demanda, incluso en el peor de los casos. Para que esto ocurra
dentro de la modelación se impone como restricción que la suma de las
potencias máximas disponibles de todas las centrales acopladas sea mayor o
igual a la demanda más la reserva en giro.

2.5 CENTRALES TÉRMICAS.

En la presente sección se define comparativamente las principales

características de las unidades térmicas más comunes en SEE.
• Centrales térmicas convencionales.
• Centrales térmicas ciclo combinado.

2.5.1 Centrales Térmicas Convencionales.

Una central térmica convencional es aquella que mediante el quemado de algún

combustible (carbón, gas, diesel, etc.), genera vapor en una caldera, el cual
hace girar una turbina suministrando energía mecánica a un generador. Este
proceso se muestra en la Figura 6.

-21 -
 .
Figura 6: Esquema de una unidad Termoeléctrica.2

Donde:
1) Caldera:
• Se quema combustible → Conversión energía química a térmica → Calor.
• Agua → Vapor a altas temperatura y presión (alrededor de 540 ºC y 170
bar).
• Gases de combustión a atmósfera → Equipos de reducción de emisiones.
• Generador de vapor.
• Alimentador de agua a la caldera.
• Depurador del agua de alimentación.
Es posible mejorar el rendimiento de la caldera a través de los siguientes
procesos:
• Precalentador → Precalienta el aire de combustión.
• Economizador → Precalienta el agua.

2 Fuente: Curso “Centrales Térmicas” del profesor José Manuel Arroyo Sánchez del Departamento de
Ingeniería Eléctrica, Electrónica, Automática y Comunicaciones de la Universidad de Castilla y la Mancha.

-22 -
 • Sobrecalentador o recalentador primario → Deja el vapor sin humedad.
2) Parque de almacenamiento de combustible → Descarga y alimentación.
• Sólido (carbón).
• Líquido (fuel-oil).
• Gaseoso (gas natural).
3) Turbina de Vapor.
• Diferencia de entalpía → Movimiento de álabes → Giro de turbina →
Energía mecánica de rotación.
• Acoplada al eje del generador.
Se puede lograr un mayor rendimiento a través de grupos de alta, media y baja
presión, ver Figura 7.

Figura 7: Central térmica con turbinas de alta media y baja presión. 3

4) Turbina de Vapor.
• Conversión de energía mecánica de rotación en energía eléctrica

3 Fuente: Curso “Centrales Térmicas”. Profesor José Manuel Arroyo Sánchez del Departamento de
Ingeniería Eléctrica, Electrónica, Automática y Comunicaciones de la Universidad de Castilla y la Mancha.

-23 -
 • 2 polos → 3000 rpm
• Diámetro pequeño, gran longitud axial.
• Alojado en el edificio de turbinas junto con la turbina y el condensador.
5) Transformador: Elevar la tensión a niveles de transmisión.
6) Red de Transmisión.
7) Condensador:
• Transforma vapor de agua en agua líquida (incorporación al ciclo).
• Agua (mar, río) o circuito cerrado de aire refrigerado (torre de
refrigeración).
8) Bomba: Permite circulación agua de refrigeración.
9) Equipo de reducción de emisiones.
• Captación de contaminantes de gases de combustión
• Precipitadores electrostáticos.
• plantas de desulfuración.
10) Chimenea: Envío de gases (CO2) a atmósfera.
11) Torre de refrigeración:
• Enfría el agua del circuito de refrigeración.
• Aire recorre interior en sentido ascendente.
• Agua cae en forma de gotas.

El esquema mostrado en la Figura 6 es la disposición que mayoritariamente se

usa hoy en día, conocido como central termoeléctrica clásica, modelo que poco
a poco está siendo desplazado por las centrales de ciclo combinado que
presentan costos de inversión y operación atractivos para invertir en ellas.

2.5.2 Centrales Ciclo Combinado.

Una central de ciclo combinado consiste básicamente en un grupo turbina -

generador a gas, una chimenea recuperadora de calor y un grupo turbina -

-24 -
generador a vapor, formando un sistema que permite producir electricidad. El
nombre ciclo combinado viene por su capacidad de aprovechar la energía más
de una vez, básicamente se tiene una turbina a gas, ésta se alimenta de gas
natural, el cual aún siendo mucho más limpio con respecto a otras fuentes de
energía, de todas formas pasa primero por una serie de filtros que eliminan toda
partícula que pudiese alterar el normal funcionamiento de la planta. Además de
gas se inyecta aire a la turbina para la combustión y este también debe ser
filtrado. Una vez aprovechada parte de la energía en hacer funcionar el
generador, los gases expulsados a altas temperaturas (550 ºC) se aprovechan
para crear vapor y alimentar la turbina a vapor la que es en realidad un conjunto
de 3 turbinas en serie (una de alta presión, otra de media y una tercera de baja
presión) las cuales mueven el mismo generador (acopladas al mismo eje), u
otro generador propio de la turbina vapor-generador.

Esto se logra mediante una serie de expansiones y recalentamientos del vapor,

el cual vuelve a pasar por el escape de la turbina repetidas veces antes de
condensarlo; el cual se refrigera mediante una corriente de agua externa, este
sistema de enfriamiento es cerrado, ya que el agua utilizada es reaprovechada
luego de pasar por las torres de enfriamiento, el sistema de enfriamiento
también puede ser un circuito abierto, vale decir aprovechar el agua de ríos o
pozos cercanos para realizar el enfriamiento.

-25 -
 Figura 8: Esquema de una unidad Termoeléctrica Ciclo Combinado. 4

Donde:
1) Estación de Regulación y Medida (ERM)
• Purificación del gas y medida de cantidad y calidad (poder calorífico).
• Regulación de presión (30-45 atmósferas).
2) Turbina de gas
• Combustión de gas natural → Movimiento de álabes de turbina → Giro
de alternador.
• Gases de escape (650 ºC, presión atmosférica).
3) Casa de filtros
• Purificación del aire aspirado por compresor.
4) Alternador acoplado a turbina de gas
5) Transformador
6) Red eléctrica de transporte o distribución

4 Fuente: Curso “Centrales Térmicas” del profesor José Manuel Arroyo Sánchez del Departamento de
Ingeniería Eléctrica, Electrónica, Automática y Comunicaciones de la Universidad de Castilla y la Mancha.

-26 -
7) Caldera de recuperación
• Uso energía calorífica de gases de escape.
8) Turbina de vapor
9) Alternador acoplado a turbina de vapor
10) Condensador
11) Bomba
12) Torre de refrigeración

Las centrales de ciclo combinado presentas varias ventajas respecto de las

centrales térmicas convencionales,
• Mayor rendimiento (cercano a 60%)
• Partida más rápida y mayor gradiente de carga.
• Menos contaminación.
• Menores costos de inversión.
• Más flexibles y gran modularidad
• Menor tamaño y menor tiempo de construcción.

Económicamente, las centrales térmicas se caracterizan por sus costos de

partida, parada y operación de las mismas. Técnicamente, son centrales que
pueden variar la energía que producen más lentamente que las centrales
hidráulicas. Por otro lado, las centrales nucleares no pueden variar la energía
que producen, y en la práctica sus costos de operación son constantes debido a
razones de seguridad, cubriendo generalmente la base de la curva de
demanda.
En términos de posibles estados de acoplamiento, hay que distinguir varios
tipos de centrales térmicas. Hay dos causas principales para esta distinción de
centrales, en primer lugar, el predespacho de unidades térmicas es un
problema de optimización comprendido en el corto plazo, por lo que recibe
información de problemas de un horizonte temporal más amplio (por ejemplo, el

-27 -
mantenimiento de centrales térmicas) que fijan el estado de
acoplamiento/desacoplamiento de las centrales para el horizonte temporal
objeto de estudio. Por otro lado, el tipo de combustible empleado permite que
una central pueda acoplarse varias veces a lo largo del período de planificación,
mientras que otras sólo puedan acoplarse una vez. A continuación se presentan
los distintos tipos de centrales considerados:

Centrales que pueden acoplarse y desacoplarse.

Son centrales que pueden ser acopladas o desacopladas y generan cualquier
potencia dentro de sus límites. Estas centrales son típicamente unidades de
carbón de potencia baja y media, unidades de fuel-oil y unidades de gas.

Centrales siempre acopladas a potencia máxima.

Estas centrales siempre están acopladas y generan su potencia máxima
nominal. Este conjunto de centrales está típicamente formado por grupos
nucleares.

Centrales siempre acopladas pero despachables.

Estas centrales son las que siempre están acopladas aunque pueden producir
cualquier potencia entre sus límites máximo y mínimo. Son típicamente
unidades de carbón de elevada potencia.

Debido a los requerimientos y componentes necesarios de las centrales

termoeléctricas, estas pueden ubicarse en forma más flexible que las centrales
hidroeléctricas, sin embargo, un factor limitante es la refrigeración, por lo que
muchas veces se encuentran cerca del mar.
Finalmente, la Figura 9 muestra los costos de generación por tipo de central y
combustible, en US$/MWh, donde se puede apreciar la diferencia de costos de
generación entre centrales térmicas e hidráulicas, además, se observan los

-28 -
menores costos de generación en centrales ciclo combinado respecto a las
centrales convencionales.

Costos de generación por tipo de central y combustible
Térmica Ineficiente ‐ Diesel 340

Térmica Eficiente ‐ Diesel 260

Térmica ‐ Ciclo Combinado Diesel 200

Térmica ‐ Gas Natural 170

Térmica ‐ Ciclo Combinado Gas Natural 130

US$/MWh
Térmica ‐ Carbón 50

Hidraúlica ‐ Embalse 10

Hidraúlica ‐ Pasada 10

0 50 100 150 200 250 300 350

Figura 9: Costos de generación por tipo de central y combustible.5

2.6 ANTECEDENTES DE MERCADOS ELÉCTRICOS COMPETITIVOS.

En diversas partes del mundo, los mercados de energía eléctrica se encuentran

en un proceso de reestructuración, hallándose en distintas fases de un proceso
de transición desde una estructura centralizada a una competitiva en busca de
introducir condiciones de eficiencia en el sector eléctrico.
La principal diferencia entre estos dos ambientes es que, en la estructura
competitiva los agentes del mercado poseen mayor libertad de acción en la cual
las decisiones de expansión y operación del sistema eléctrico no recaen en
organismos centrales (usualmente basados en esquemas de minimización de
costos), sino más bien dependen de las decisiones estratégicas de cada agente
para maximizar sus beneficios económicos. Por lo tanto las empresas ya no

5 Fuente: Informe técnico definitivo de precios de nudo SIC Octubre 2008 realizado por la CNE (Comisión
Nacional de Energía).

-29 -
deben realizar sólo las convencionales funciones de planificación (expansión,
mantenimientos, operación etc.), sino que además nuevas funciones asociadas
a los mercados competitivos (inversión, ofertas, estrategias, manejo de riesgos
e incertidumbres, etc.). Asimismo las empresas requieren realizar cambios a
sus modelos de decisiones de manera que se incorporen las características del
esquema de mercado en el cual están insertas.
Nuestro país fue líder en este ámbito, desarrollando en la década del ochenta
un mercado tipo Pool, centrado en la creación de competencia en el ámbito de
la generación.

Desde un punto de vista económico un mercado competitivo se puede definir

como [5]:
“Ámbito, donde oferentes dispuestos a vender cantidades de un bien a partir de
un cierto precio y demandantes dispuestos a comprar cantidades del bien hasta
cierto precio, asisten y tranzan, en un tiempo dado (Ej.: Corto Plazo), una
cantidad del bien por dinero, ajustando un precio y una cantidad de equilibrio” y
tal que se cumple necesariamente que:

• No existe poder de mercado → atomicidad e independencia de los

agentes oferentes y demandantes.
• bien único homogéneo perfecto.
• Inexistencia de barreras de entrada y salida.
• Idéntica información (transparencia, no existen comportamientos
oportunistas).

Tiempo de transacción-intercambio

• en el mismo tiempo: mercado spot.

• en tiempos distintos: mercado de contrato.
Las principales características de un mercado eléctrico competitivo son:

-30 -
 Mercado Competitivo Mercado Eléctrico

• Desintegración horizontal y vertical • Necesita balance instantáneo entre

de la industria (G-T-D). oferta y demanda
• Distinto tratamiento regulatorio. • Limitada capacidad de
• Competencia en generación. almacenamiento
• Acceso abierto al sistema de • Sin un sustituto en el corto plazo
transmisión. • Alto valor de la continuidad del
• Acceso abierto a red de distribución suministro. Una discontinuidad en
(para acceder a Grandes Usuarios). el funcionamiento del mercado es
• Regulación de segmentos intolerable
monopólicos. • La demanda es inelástica

• EL MERCADO PRESENTA UNA DEMANDA “POCO SENSIBLE A LOS PRECIOS” Y UNA

OFERTA QUE PUEDE RESULTAR “MUY SENSIBLE A LOS PRECIOS”
• POR TANTO EL MERCADO TIENDE A SER “DOMINADO POR LA OFERTA”
• TANTO SU PRECIO COMO CANTIDAD TRANZADA, DEPENDEN DE LA CAPACIDAD
DE PRODUCCIÓN, POTENCIA EN EL MERCADO SPOT Y ENERGÍA EN EL MERCADO
DE CONTRATOS.

-31 -
2.6.1 Definiciones y Generalidades del Mercado Eléctrico.

Agente de los Mercados: Independiente de la estructura que posea el

mercado eléctrico, éste posee agentes bien definidos, los cuales se presentan
en la Figura 10.

• Generador: Representa a los generadores de la red y corresponde a la

empresas propietarias de las centrales térmicas e hidráulicas
convencionales.
• Productor no convencional: Corresponde a productores no
convencionales, por ejemplo, cogeneración, energía eólica, solar, etc. y
auto-productores.
• Distribuidor: Corresponde a las empresas distribuidoras con concesión
en una zona geográfica.
• Transmisor: Se refiere a las empresas que operan en niveles de tensión
especificados. Trasportan energía desde los centros de generación a los
de consumo.
• Cliente regulado: Corresponde al consumidor final con tarifa fija.
• Cliente Libre o no regulado: Corresponde a clientes sobre un
determinado valor de consumo. Estos clientes tienen la opción de
acceder a precios libremente pactados.
• Comercializador: Agente económico con capacidad para comprar y
vender energía.

-32 -
 Comercializador Distribuidor

Operador del
Mercado
Generador Transmisor

Coordinación del Sistema

Productor No Operador del

Cliente Libre
Convencional Sistema

Cliente Regulado

Ente Regulador
Figura 10: Agentes del Mercado Eléctrico.

Para coordinar la operación y el funcionamiento del mercado eléctrico, existen

en general dos entidades:

• Operador de la Red o Sistema (OS), quien vela por la operación técnica y

la seguridad de la red eléctrica, y
• Operador de Mercado (OM), quien administra el mercado financiero de
compra y venta de energía. Finalmente, todos los actores deben operar
en un marco regulatorio que fija las reglas, dicta normas y resuelve
divergencias. A esta entidad, la cual puede componerse de una o más
instituciones del estado, se le denomina Ente Regulador.

Como resultado de la interacción de los agentes en el mercado eléctrico, la

realidad actual ofrece un amplio espectro de organización de mercados. Sin
embargo, desde el punto de vista de su operación es posible distinguir cuatro
formas básicas para comprar y vender energía:
• Tipo Pool,
-33 -
 • Bolsa de Energía,
• Contratos Bilaterales Físicos y
• Contratos Bilaterales Financieros.

En el modelo clásico de Pool, suministradores y consumidores renuncian a

establecer relaciones comerciales directas entre ellos. Las compras y ventas de
energía son determinadas y valorizadas por el Operador de Mercado (OM) a
base de una optimización de los costos totales del sistema. Para ello,
dependiendo del esquema elegido, suministradores y consumidores emiten
ofertas o curvas de costos al OM. El plan de operación resultante es transferido
a el o los OS, quienes verifican la factibilidad técnica del mismo. De esta forma,
el OS realiza las correcciones necesarias al plan de operación y determina los
servicios auxiliares requeridos.

Una Bolsa de Energía es una entidad que recibe ofertas por la compra y venta
de energía y establece la casación entre ellas. La experiencia internacional
muestra que una bolsa de energía puede adquirir estructuras muy variadas. Sin
embargo, una bolsa de energía puede ser definida como una parte integrante o
caso particular de una estructura tipo Pool, en la cual ejecuta la función de
operador de mercado.

Generalmente una bolsa de energía no decide el despacho final de las

unidades de generación y sus resultados con respecto a la producción de
energía tienen un carácter de plan de despacho preliminar, es por esto que se
hace necesaria la participación de un operador de red (OS) para implementar
técnicamente los resultados de la bolsa de energía.

Los contratos bilaterales, ya sean físicos o financieros, son producto de un

libre intercambio comercial entre suministradores y consumidores, ya sea en

-34 -
forma directa o a través de un comercializador. Lo que caracteriza a un contrato
bilateral físico es su relación directa con el despacho de la operación resultante.
Sin embargo, los contratos bilaterales financieros no afectan al despacho de la
operación, ya que ellos tienen por objeto manejar, acorde a una estrategia de
mercado, el riesgo de variaciones futuras del precio de la energía eléctrica.

Los mercados reales se forman tomando una combinación de alguna de estas

modalidades, pudiendo corresponder a una de ellas o a una combinación que
contenga a todas simultáneamente.

Los tres segmentos clásicos de la energía eléctrica, generación, transmisión y

distribución participan dentro de alguno de los cuatro tipos de mercado
descritos anteriormente, o sus combinaciones. A continuación se describen los
aspectos más importantes que caracterizan a cada uno de estos segmentos.

Generación: es el primer eslabón en la cadena eléctrica y posee una gran

variedad de tecnologías. Adicionalmente, esta sujeto a una gran diversidad de
condicionantes externos tales como características geográficas, variaciones
climáticas, disponibilidad de recursos naturales, y la distribución demográfica. A
esta realidad, se suma el hecho de no existir marcadas economías de escala y
que las inversiones, si bien son de envergadura, pueden ser abordadas por el
sector privado. Estos antecedentes, han determinado que en la mayoría de los
mercados existentes a nivel mundial, la generación sea abordada bajo
condiciones de competencia.

Transmisión: debido a la existencia de fuertes economías de escala, este

sector se caracteriza por la existencia de monopolios naturales existiendo pocas
empresas (idealmente una). Esta realidad hace necesaria la existencia de
regulación en transmisión de modo de asegurar el acceso abierto a las redes

-35 -
(competencia) y la existencia de regulación en la tarifa. Debido a que la red
impone una restricción física al acceso (no puede ser ilimitado) la ampliación de
ésta, tanto en longitud como en capacidad, debe ser acorde al crecimiento de la
demanda.
Por otro lado, la red es determinante para la implementación que adquiere el
proceso de casación en las bolsas de energía. Si no existe congestión, se
prefiere utilizar una casación que modela la red con un nodo, suponiendo que
toda la energía puede transmitirse sin restricciones a los consumos. Si se
observa congestión, se adoptan las modalidades de casación multinodal o
casación por áreas, en donde las áreas se conectan entre si por líneas con
restricciones de transmisión. En este segundo caso, las ofertas se realizan ya
sea por cada nodo individualmente o por las diferentes áreas.

Distribución: este sector se caracteriza por la existencia de áreas exclusivas

de prestación del servicio dentro de un territorio. Debido a la existencia de
monopolios geográficos, se hace necesaria la existencia de regulación y
mecanismos orientados a incentivar a que las empresas se desarrollen en
forma competitiva. Dos estrategias orientadas al logro de este objetivos son, por
ejemplo, la empresa modelo (caso chileno) y la evaluación relativa del
desempeño (caso inglés). Los precios de distribución, por tratarse de una
actividad regulada, deben permitir cubrir los costos totales de la actividad, que
básicamente son de inversión, operación y mantenimiento. Por ello, al momento
de la fijación de estos, lo importante es que el consumidor final reciba una señal
económica correcta de su contribución a los costos de la red y de las pérdidas.

-36 -
3 FORMULACIÓN GENERAL DEL PREDESPACHO DE
UNIDADES TÉRMICAS

El predespacho de unidades térmicas se ha resuelto típicamente para

proporcionar el plan de acoplamiento de las centrales durante un horizonte
temporal en el corto plazo, de forma que se suministre la demanda a un costo
mínimo y con un determinado nivel de calidad. El objetivo del operador del
sistema encargado de llevar a cabo la programación horaria es minimizar el
costo de operación, incluyendo los costos derivados de las partidas y paradas
de las centrales, teniendo en cuenta el balance entre la potencia generada y la
demandada, las restricciones técnicas de las centrales y de la red de
transmisión. Por último, se debe considerar la posibilidad de fallas en el sistema
de manera que siempre debe haber una potencia disponible de forma rápida
para que la demanda sea siempre cubierta.

Como se ha mencionado en el Capítulo 1, el predespacho de unidades térmicas

es un problema de programación matemática combinatoria, no lineal, no
convexo, entero-mixto y de gran dimensión. La función objetivo a minimizar está
formada por los costos de operación (costos variables y fijos), los costos de
partida y de parada.

Este problema de optimización se caracteriza a su vez por dos conjuntos de

restricciones: (a) las restricciones de carga, que acoplan a las centrales
térmicas en cada período del horizonte temporal; y (b) las restricciones técnicas
propias de cada central térmica.

-37 -
Las restricciones de carga son dos: (a.1) la restricción de demanda, que impone
que la generación de todas las centrales acopladas debe ser igual a la
demanda de potencia más las pérdidas; y (a.2) la restricción de reserva en giro,
que mantiene un nivel de seguridad en caso de falla en el sistema de energía
eléctrica.

Las restricciones técnicas inherentes a las centrales térmicas se dividen en tres

grandes grupos: (b.1) las restricciones de límites de generación (potencia
máxima nominal y mínimo técnico), (b.2) las restricciones de tiempos mínimos
de funcionamiento y parada, y (b.3) las restricciones de rampas (subida, bajada,
partida y parada). También hay que distinguir varios tipos de centrales
dependiendo del combustible empleado y de restricciones procedentes de
problemas de optimización de más largo plazo (por ejemplo, el mantenimiento
de unidades) que fijan el estado de acoplamiento en el período de planificación
objeto de estudio.

Aunque una central está compuesta típicamente por varias unidades de

generación, en lo que sigue, para efectos de la formulación del problema, se
utilizará indistintamente grupo o central para hacer referencia a la central en su
conjunto o bien a una unidad generadora en concreto. No así para la
modelación del problema en la que se considera el aporte de cada unidad
generadora de una central por separado.
El presente capitulo tiene por objetivo presentar la formulación matemática
predespacho de unidades térmicas, para simplificar la formulación se realiza el
balance generación - carga de manera uninodal, es decir, sin considerar la red
de transmisión, dejando para el capitulo 4 la incorporación de la multinodalidad
en el balance.

-38 -
3.1 FUNCIÓN OBJETIVO (COSTOS TOTALES).

El objetivo del predespacho de unidades térmicas es suministrar la demanda

minimizando los costos totales a lo largo del período de planificación
(generalmente un día o una semana). Los costos totales se dividen en:
• Costos de generación, que incluyen costos de combustible y costos de
operación y mantenimiento. Estos costos se dividen a su vez en costos
fijos y costos variables.
• Costos de partida.
• Costos de parada.

3.1.1 Costos de Generación.

Cada central se caracteriza por sus costos de generación, que indican cuánto
cuesta producir un MWh. Los costos de generación están formados
principalmente por el costo del combustible, aunque también incluyen el costo
de operación y mantenimiento, es decir, el costo de la mano de obra que
mantiene en funcionamiento la central.
El costo total de generación de una central térmica i en una hora t Ci ( t ) , se

puede expresar como función de la potencia generada por dicha central en esa
hora. La representación gráfica del costo de generación en función de la
potencia generada se denomina “característica de entrada-salida” y se obtiene
a partir de datos empíricos o cálculos de diseño. En realidad, la característica
de entrada-salida representa el consumo específico (cantidad de
combustible/MWh), es decir, la cantidad de combustible necesario para generar
1 MWh de energía, donde la cantidad de combustible difiere según la
tecnología6. El costo de la energía (expresado en US$/MWh) se obtiene

6 Por ejemplo para centrales Diesel y Carbón el consumo específico se mide en ton/MWh, en cambio para
centrales a Gas Natural se mide en MBtu/MWh.

-39 -
 habitualmente multiplicando el consumo específico por el precio del combustible
(US$/cantidad de combustible). La Tabla 3 muestra los consumos específicos y
costos de combustibles para distintas tecnologías.

Tabla 3: Consumos específicos y costos de combustibles.7

Tipo de Consumo Costo de Costo Variable Costo de
Unidad especifico Combustible no Combustible generación
Carbón 0,376 ton/MWh 123,4 US$/ton 3 US$/MWh 49,4 US$/MWh
Diesel 0,185 ton/MWh 1064,3 US$/ton 6,46 US$/MWh 203,3 US$/MWh
Gas Natural 19,3 MBtu/MWh 7,1 US$/MBtu 3,1 US$/MWh 140 US$/MWh

Cuando se utilizan datos reales se observa que los puntos de la característica

de entrada - salida no forman una función convexa, continua y diferenciable,
sino simplemente una nube de puntos, por lo que se deberá adoptar algún tipo
de simplificación para que el predespacho de unidades térmicas pueda ser
resuelto por alguna técnica convencional de optimización.
Hay muchas formas de representar la característica de entrada-salida de una
central, los datos obtenidos de los ensayos pueden ajustarse mediante una
curva polinomial, una curva cuadrática (Figura 11-a) o incluso por una curva
lineal por tramos (Figura 11-b). Todas estas opciones son aproximaciones
igualmente válidas para representar la característica de entrada-salida real.

7 Fuente: Informe técnico definitivo de precios de nudo SIC Octubre 2008 realizado por la CNE (Comisión
Nacional de Energía).

-40 -
 Ci ( t ) Ci ( t )

Pi Pi pi (t )
i P Pi pi ( t )
(a) (b)
Figura 11: Representación de los Costos de Generación.

Dependiendo del tipo de central (carbón, fuel-oil, nuclear, gas de ciclo simple o
gas de ciclo combinado) las características de entrada-salida son diferentes.
Además, los grandes generadores tienen varias válvulas de admisión de vapor
que se abren secuencialmente para aumentar la potencia de salida. Estas
válvulas producen discontinuidades y no convexidades en la curva de salida. Un
fenómeno análogo tiene lugar en las centrales de ciclo combinado debido a la
interacción de ambos ciclos.
Las siguientes expresiones representan la modelación de las curvas de costos
de generación cuadrática y lineal por tramos:

Ci (t ) = C1i pi2 ( t ) + C 2i pi ( t ) + C 3i vi ( t ) (3.1)

NL
Ci (t ) = ∑ Fl ( i ) δ l ( i, t ) + C 3i vi ( t ) (3.2)
l =1

-41 -
Donde:
C 3i Costo fijo de la central i (el mismo para ambas modelaciones), y

vi ( t ) es una variable binaria que es igual a 1 si la central i está acoplada

en la hora t. Para la aproximación cuadrática C1i y C 2i representan el

coeficiente cuadrático y lineal respectivamente del costo variable. Para la

aproximación lineal por tramos Fl ( i ) representa la pendiente del tramo l

y δ l ( i, t ) representa la potencia generada en el tramo l por la central i a

la hora t y NL es el numero de tramos considerados en la linealización.

3.1.2 Costos de Partida.

El costo de partida es el costo de poner en funcionamiento una central, tras

haber estado desacoplada durante un determinado período. Debido a que la
temperatura y presión de la central térmica deben variar lentamente, se
necesita una determinada cantidad de energía para acoplar la central a la red.
Esta energía no se transforma en ningún MWh de salida sino en alcanzar la
presión y temperatura de funcionamiento, y se modela en el problema
predespacho como el costo de partida.

El costo de partida puede variar desde un valor máximo (costo de partida en

frío) hasta un valor menor si la central se desacopló recientemente y aún está
relativamente cerca de su temperatura de operación, por lo tanto, el cálculo del
costo de partida depende del estado de temperatura y aumenta
exponencialmente con el tiempo que la central lleva desacoplada, expresado
con la variable Ti ( t ) .

-42 -
 Ti ( t −1)
⎛ ⎞
Bi ( t ) = CCi ⎜1 − e αi ⎟ + CFi (3.3)
⎜ ⎟
⎝ ⎠
Donde:
Bi ( t ) es el costo de partida de la central i en la hora t, CCi es el costo de

partida en frío de la central i, CFi es el término fijo de la función de costo

de partida de la central i, y α i es la constante de tiempo térmica de la

función de costo de partida de la central i, Ti ( t − 1) representa las horas

que la central i lleva desacoplada en la hora t-1.

En la Figura 12 se ilustra una curva típica de este tipo de costo de partida:

Bi ( t )

CCi + CFi

CFi

T j ( t − 1)
Figura 12: Costos de Partida Exponencial.

Para hacer más sencillo el proceso de cálculo del costo de partida, se puede
realizar una simplificación en la modelación. Esta simplificación consiste en
considerar dos estados y sus correspondientes niveles de costo, quedando
como variable de decisión para aplicar uno u otro nivel una constante de
enfriamiento crítico α ci característica de cada central. Entonces el costo de

partida de una central se puede dividir en dos:

-43 -
Costo de partida en frío Cci : es el costo de partida de una central cuando lleva

desacoplada un tiempo mayor al tiempo crítico de enfriamiento α ci .

Costo de partida en caliente Chi : es el costo de partida de una central cuando

lleva desacoplada un tiempo menor al tiempo crítico de enfriamiento α ci .

La expresión matemática es:

⎧⎪Cci si Ti ( t − 1) ≥ α ci
Bi ( t ) = ⎨ (3.4)
⎪⎩Chi si Ti ( t − 1) ≤ α ci
Ambos costos expresado en US$ y obviamente el costo de partida en frío es
mayor al costo de partida en caliente.

3.1.3 Costos de Parada.

Estos costos son típicamente constantes para cada central y representan el

desaprovechamiento de combustible, y la necesidad de mano de obra que
conlleva desacoplar una central. Son generalmente mucho más pequeños que
los costos de partida, en el presente trabajo de titulación se desprecian los
efectos que tienen los costos de parada.

3.2 RESTRICCIONES TÉCNICAS.

A continuación se presentan las restricciones técnicas características de cada

central:
• Tiempo mínimo de funcionamiento y parada.
• Rampa de subida y bajada.
• Rampa de partida y rampa de parada.
• Potencia máxima nominal y mínimo técnico.

-44 -
3.2.1 Tiempos mínimos de funcionamiento y parada.

Una central térmica sólo puede soportar cambios graduales en la temperatura

de la caldera. Con el objetivo de evitar un envejecimiento prematuro de los
elementos térmicos de la central, se evitan los acoplamientos y
desacoplamientos con demasiada frecuencia. Las restricciones de tiempos
mínimos de funcionamiento y parada modelan estas limitaciones en la
operación de la central. El tiempo mínimo de funcionamiento es el número
mínimo de horas que una central debe permanecer acoplada una vez que se
pone en funcionamiento. De forma análoga, el tiempo mínimo de parada
representa el número mínimo de horas que una central debe mantenerse
desacoplada una vez que deja de funcionar. La formulación matemática de
estas restricciones es la siguiente:

⎡⎣Ti ( t − 1) − MUTi ⎤⎦ ⎡⎣vi ( t − 1) − vi ( t ) ⎤⎦ ≥ 0 (3.5)

⎡⎣Ti ( t − 1) + MDTi ⎤⎦ ⎡⎣vi ( t ) − vi ( t − 1) ⎤⎦ ≤ 0 (3.6)

Donde:
Ti ( t ) es una variable que indica el número de horas que lleva acoplada-

desacoplada la central i al final de la hora t (positivo para indicar cantidad

de horas acoplada o negativo para indicar cantidad de horas
desacoplada), y MUTi y MDTi son los tiempos mínimos de

funcionamiento y parada respectivamente de la central i. La expresión

(3.5) representa la restricción de tiempo mínimo de funcionamiento.
Finalmente, la restricción de tiempo mínimo de parada se formula
mediante la expresión (3.6).

-45 -
3.2.2 Rampas.

La producción de una central térmica en una hora determinada viene dada por
el estado de acoplamiento de las unidades en las horas anterior y posterior.
Este límite se representa mediante cuatro tipos de rampas: rampa de subida,
rampa de bajada, rampa de partida y rampa de parada. A continuación se
describen estos tipos de rampas:

a) Rampa de Subida.

Una central térmica no puede aumentar bruscamente su producción de una

hora a la siguiente. La rampa máxima de subida es la máxima potencia que una
central puede aumentar su producción en horas sucesivas.

pi ( t ) ⎡⎣1 − yi ( t ) ⎤⎦ − pi ( t − 1) ≤ RU i (3.7)

Donde:
yi ( t ) es una variable binaria que es igual a 1 si la central i parte al

principio de la hora t, pi ( t ) es la potencia de salida de la central i en la

hora t, y RU i es la rampa de subida de la central i.

b) Rampa de Bajada.

Al igual que con la rampa de subida, una central no puede disminuir

bruscamente la potencia producida en el intervalo de una hora. La rampa de
bajada es la máxima potencia que una central puede disminuir su producción al
pasar a la siguiente hora.

pi ( t − 1) ⎡⎣1 − zi ( t ) ⎤⎦ − pi ( t ) ≤ RDi (3.8)

-46 -
Donde zi ( t ) es una variable binaria que es igual a 1 si la central i se desacopla

al principio de la hora t, y RDi es la rampa de bajada de la central i.

c) Rampa de Partida.

Es la potencia máxima que puede generar una central cuando pasa de estar
desacoplada a estar acoplada.

pi ( t ) ≤ SU i ⋅ yi ( t ) + Pi ⎡⎣1 − yi ( t ) ⎤⎦ (3.9)

d) Rampa de Parada.

Es la potencia máxima que puede generar una central para poder ser
desacoplada en la hora siguiente.

pi ( t − 1) ≤ SDi zi ( t ) + Pi ⎡⎣1 − zi ( t ) ⎤⎦ (3.10)

Donde SDi es la rampa de parada de la central i.

Una central térmica está usualmente compuesta por varias unidades que tienen
que ser acopladas al sistema con reglas específicas, como se muestra en
Figura 13.

-47 -
 Figura 13: Ejemplo de perfil de generación.

El detalle de la Figura 13 se explica a continuación. Si la unidad esta

desacoplada, su potencia es cero y esto se representa por la línea naranja. Si
decidimos hacer partir la unidad, la potencia debe seguir una curva específica
(aproximada por la línea verde) hasta que esté lista para inyectar potencia al
sistema. El tiempo de duración hasta que la unidad está conectada es llamado
tiempo de partida “TUP”.
Si la unidad está conectada al sistema, ésta puede operar libremente dentro de
sus límites de generación PMAX y PMIN. Si no restringimos la variación de la
generación en el tiempo resulta un perfil de generación dado por la curva azul
oscuro. Si restringimos la variación de la generación en pasos consecutivos de
tiempo (restricciones de rampa), resulta un perfil de generación dado por la
línea celeste. En este caso la variación de generación no puede ser abrupta
como en el caso de la línea verde.
Una vez que la unidad está conectada debe permanecer al menos TON horas
conectada. (Restricción de mínimo tiempo de funcionamiento).
Si decidimos desacoplar la unidad la generación debe seguir una curva
específica (aproximada por la línea roja). El tiempo de duración hasta que la
unidad está desacoplada es llamado tiempo de parada “TDN”. Después de
completado este proceso la unidad es considerada desacoplada, una vez
-48 -
desacoplada la unidad debe permanecer al menos TOFF horas desacoplada.
(Restricción de mínimo tiempo de parada).

3.2.3 Potencia Máxima Nominal.

Todas las centrales térmicas tienen una limitación máxima en la potencia que
pueden producir, llamada potencia máxima nominal. Esta limitación se debe a
características de diseño de la central. La potencia máxima nominal también
puede variar debido a que en determinados períodos alguna de sus unidades
se encuentre en mantenimiento. Matemáticamente, esta restricción se puede
modelar de la siguiente forma:

pi ( t ) ≤ Pi ⋅ vi ( t ) (3.11)

Donde Pi es la potencia máxima nominal de la central i.

vi ( t ) variable binaria que representa el estado de acoplamiento de la

unidad i a la hora t.

3.2.4 Mínimo Técnico.

Las centrales térmicas también tienen una limitación mínima sobre su potencia
de salida. Esta potencia mínima, llamada mínimo técnico se debe a criterios de
diseño de la caldera y del propio generador, y a aspectos de estabilidad de la
combustión [4]. Teniendo en cuenta que si la central está desacoplada su
potencia de salida es 0 (inferior al mínimo técnico), la restricción de mínimo
técnico se puede expresar matemáticamente como sigue:

pi ( t ) ≥ Pi ⋅ vi ( t ) (3.12)

Donde Pi es el mínimo técnico de la central i.

-49 -
 vi ( t ) variable binaria que representa el estado de acoplamiento de la

unidad i a la hora t.

3.3 RESTRICCIONES DE CARGA.

A continuación se analizan las restricciones que aparecen en el predespacho de

unidades térmicas, asociadas a las restricciones de carga, con las que se
acoplan las centrales térmicas (restricción de demanda y restricción de reserva
en giro) en un mismo período.

3.3.1 Restricciones de Demanda.

Para el horizonte temporal de corto plazo (24 -168 horas) la demanda estimada
coincide casi por completo con la demanda real. La demanda se modela como
un conjunto de tramos de potencia constante durante cada hora. Habrá un
número de tramos igual al número de intervalos del período de planificación. La
Figura 14 muestra una posible curva de demanda. La restricción de demanda
se puede modelar de la siguiente forma:

∑ p (t ) = D (t )
i∈I
i (3.13)

Donde:
pi ( t ) es la potencia de salida de la central i en la hora t, D ( t ) es la

demanda en la hora t.

-50 -
 D (t )

t ( h)
Figura 14: Curva de demanda de potencia.

En este caso la demanda se considera concentrada en un nodo único. En el

capitulo 4 se mostrara con más detalle la modelación de la demanda incluyendo
el sistema de transmisión y la demanda por cada barra en el sistema de
estudio.

3.3.2 Restricciones de Reserva en Giro.

La otra restricción de carga que acopla a todas las centrales térmicas en cada
intervalo del período de planificación es la restricción de reserva en giro. La
reserva en giro es la potencia que el sistema debe ser capaz de proporcionar de
forma rápida en caso de falla en alguna central. En realidad, es un margen de
seguridad sobre la potencia demandada para asegurar que siempre se
suministre la demanda, incluso en el peor de los casos. Para que esto ocurra se
impone la restricción de que la suma de las potencias máximas disponibles de
todas las centrales acopladas sea mayor o igual a la demanda más la reserva
en giro:

pi ( t ) vi ( t ) ≥ D ( t ) + R ( t ) (3.14)

-51 -
Donde:
pi ( t ) es la potencia de salida máxima disponible de la central i en la hora

t, R ( t ) es la reserva en giro en la hora t, y vi ( t ) es una variable binaria

que es igual a 1 si la central i está acoplada en la hora t.

Se establece un margen de potencia para cada intervalo del horizonte temporal

analizado. Este margen de potencia o reserva en giro R ( t ) , se define como una

fracción de la demanda o como el valor de la potencia máxima nominal de la

mayor central acoplada. Algunas veces para lograr este margen de potencia es
necesario mantener algunas unidades en giro sólo a carga parcial lo que influye
en los costos de operación.
La potencia máxima que puede entregar cada central en cada hora depende de
las rampas de subida, partida y/o parada, sin embargo, en el presente trabajo
se considerará como potencia máxima disponible en cada hora la potencia
máxima nominal que caracteriza a cada central despreciándose las limitaciones
por rampas.

3.4 RESUMEN FORMULACIÓN GENERAL DEL PREDESPACHO DE

UNIDADES TÉRMICAS

Para sistemas eléctricos de tamaño realista; es decir, de gran dimensión, el

predespacho de unidades térmicas se ha modelado tradicionalmente como un
problema de programación matemática combinatorio, no lineal, entero-mixto, no
convexo. Las no linealidades aparecen tanto en la función objetivo como en las
restricciones.
La función objetivo, formada por los costos totales de operación, tiene dos
fuentes de no linealidad: (a) los costos variables de producción, que se modelan
como una función no lineal de la potencia de salida; y (b) los costos de partida,

-52 -
que se expresan como una función no lineal (exponencial) del tiempo que cada
central lleva desacoplada.

Con respecto a las restricciones, un modelado preciso de las restricciones de

tiempos mínimos de funcionamiento y parada se ha presentado
tradicionalmente mediante expresiones no lineales, en las que aparecen
productos de variables. Asimismo, un modelado exacto de la restricción de
reserva en giro ha requerido expresiones no lineales. Finalmente, las
restricciones de rampas también requieren expresiones no lineales.
La formulación general del predespacho se resumen en:

Minimizar: ∑∑ C ( p ( t ) ) + B ( t ( t ) ) y ( t ) + D ( t ) z ( t )
t i
i i i i i i i (3.15)

Sujeto a: pt ( t ) ≤ pi ( t ) ≤ pi ( t ) (3.16)

{
pi ( t ) = Min Pi ⎡⎣ vi ( t ) − zi ( t + 1) ⎤⎦ + zi ( t + 1) SDi ,
(3.17)
pi ( t − 1) + RU i vi ( t − 1) + yi ( t ) SU i }

p j ( t ) = Max Pv {
i i (t ) , ⎡
⎣ pi ( t − 1) − RDi ⎤⎦ vi ( t ) } (3.18)

∑ p (t ) = D (t )
i
i (3.19)

pi ( t ) vi ( t ) ≥ D ( t ) + R ( t ) (3.20)

⎡⎣Ti ( t − 1) − MUTi ⎤⎦ ⎡⎣vi ( t − 1) − vi ( t ) ⎤⎦ ≥ 0 (3.21)

⎡⎣Ti ( t − 1) + MDTi ⎤⎦ ⎡⎣vi ( t ) − vi ( t − 1) ⎤⎦ ≤ 0 (3.22)

{ } { }
Ti ( t ) = Ti ( t − 1) ⎡⎣1 − yi ( t ) ⎤⎦ + 1 vi ( t ) + Ti ( t − 1) ⎡⎣1 − zi ( t ) ⎤⎦ − 1 ⎡⎣1 − vi ( t ) ⎤⎦ (3.23)

yi ( t ) − zi ( t ) = vi ( t ) − vi ( t − 1) (3.24)

-53 -
 yi ( t ) + zi ( t ) ≤ 1 (3.25)

yi ( t ) , vi ( t ) , zi ( t ) ∈ [ 0,1] (3.26)

La función objetivo (3.15) incluye los costos de generación tanto fijos como
variables, los costos de partida y los costos de parada. El costo de generación
Ci ( t ) se puede modelar mediante una función no lineal y convexa de la

potencia producida o por una curva lineal por tramos, como se describió
anteriormente. El costo de partida Bi ( t ) depende del tiempo que la central lleva

desacoplada y sólo se activa en la hora en la que la central se pone en

funcionamiento, lo cual se expresa mediante la variable binaria yi ( t ) .

Finalmente, el costo de parada, D ( t ) es un costo que se incurre en el período

en el que la central deja de funcionar, lo cual se modela mediante la variable

binaria zi ( t ) .

La ecuación (3.16) establece los límites de generación de cada unidad. Como

se puede apreciar, la potencia de salida de cada central en cada período, debe
estar comprendida entre un límite superior, pi ( t ) y un límite inferior pi ( t ) , de tal

forma que ambos tengan en cuenta las rampas máximas de potencia. En el

caso de que la central esté desacoplada, la potencia de salida debe ser nula, lo
que se fuerza por medio de la variable vi ( t ) en las ecuaciones (3.17) y (3.18).

La dependencia de la potencia máxima disponible con las rampas se expresa

en las restricciones (3.17) y (3.18). La restricción (3.17) establece el valor de la
variable pi ( t ) . Como se puede apreciar pi ( t ) no sólo depende de la potencia

máxima nominal Pi , sino también de la rampa de subida, de la rampa de

parada, de los estados de acoplamiento de la hora actual, la hora anterior y la

-54 -
hora siguiente, y de la potencia de salida de la hora anterior. De las
restricciones anteriores se observa que la potencia máxima disponible es el
mínimo de dos términos. El primer término tiene en cuenta que la potencia
máxima disponible debe ser menor que la potencia máxima nominal en caso de
que esté acoplada y no se vaya a desacoplar en la hora siguiente. Si la central
va a dejar de funcionar en la hora siguiente, el límite superior de la potencia
máxima disponible debe ser la rampa de parada. El segundo término modela el
efecto de la rampa de subida y de la rampa de partida. Si la central estaba
acoplada en la hora anterior, la potencia máxima disponible debe ser menor o
igual que la potencia en esa hora previa más la correspondiente rampa de
subida.
En el caso que en la hora actual se desacople la central, el primer término
forzaría a que la potencia máxima disponible fuera cero. Por último, si la central
se pone en funcionamiento, la potencia máxima disponible debe ser menor o
igual que la rampa de partida.

De esta forma, la potencia de salida máxima en una hora determinada se

formula como el mínimo de:

• La potencia máxima nominal, si la central está acoplada pero no ha

partido en esa hora y no se parará en la hora siguiente;
• La rampa de parada, si la central se parará en la hora siguiente;
• Cero, si la central está desacoplada;
• La rampa de partida, si la central ha partido al comienzo de la hora
considerada; y
• La potencia de salida de la hora anterior más la rampa de subida, si la
central continúa acoplada.

-55 -
Como la variable pi ( t ) depende de los estados de acoplamiento en la hora

actual, en la hora anterior y en la hora siguiente, ésta puede tener ocho valores
fruto de la combinación de los estados en estas tres horas consecutivas. Las
ocho situaciones posibles se muestran en la Tabla 4:

Tabla 4: Potencia máxima de salida según estados de acoplamiento.

vi ( t − 1) vi ( t ) vi ( t + 1) pi ( t )
1 1 0 Min { RDi , pi ( t − 1) + RU i }
1 1 1 Min { Pi , pi ( t − 1) + RU i }
0 1 0 Min { RDi , RU i }
0 1 1 Min { Pi , SU i }
1 0 0 0
1 0 1 0
0 0 0 0
0 0 1 0

La variable pi ( t ) complica la caracterización del predespacho de unidades

térmicas, ya que para su modelado preciso se necesitan expresiones no

lineales en las que participan variables binarias. Si en la restricción de reserva
en giro no fuera necesaria la presencia de la variable pi ( t ) , la formulación de

las restricciones de rampas y límites técnicos sería estrictamente lineal, por lo

que en el problema todas las restricciones serían lineales.
La restricción (3.18) establece el valor de la potencia mínima disponible para
cualquier intervalo. Esta potencia es el máximo entre el mínimo técnico y la
potencia de la hora anterior menos la rampa de bajada.
Las restricciones (3.19) y (3.20) son las restricciones de carga (demanda y
reserva en giro respectivamente) explicadas anteriormente.
La restricción (3.21) fuerza el cumplimiento de los tiempos mínimos de
funcionamiento para cualquier intervalo del período de planificación
respectivamente. En ellas interviene la variable Ti ( t ) que es un contador de los

-56 -
intervalos que la central i lleva acoplada (+) o desacoplada (-) al final de la hora
t. Esta restricción fuerza que la variable de acoplamiento en la hora t, vi ( t ) sea 1

si el contador en la hora anterior es menor que el tiempo mínimo de

funcionamiento. En el caso de que sea mayor o igual, la central puede
permanecer acoplada o dejar de funcionar, por lo que la variable vi ( t ) puede

tomar el valor 0 o el valor 1. Si la central estaba desacoplada en la hora

anterior, el contador de horas tiene un valor negativo y estas restricciones
permiten que la variable binaria, vi ( t ) tome cualquier valor.

La restricción (3.22) es análoga a la anterior para el tiempo mínimo de parada.

Esta restricción obliga a que la variable de acoplamiento tome el valor 0 si el
contador de tiempo es menor en valor absoluto (ya que es negativo) que el
tiempo mínimo de parada. En cualquier otro caso, la variable binaria,
vi ( t ) puede tomar cualquier valor, 0 ó 1.

La actualización del contador, Ti ( t ) se lleva a cabo mediante la restricción

(3.23). Si la central estaba acoplada y sigue acoplada, el contador se

incrementa en 1, y si se desacopla pasa a valer –1. Si, por el contrario, la
central estaba desacoplada y permanece desacoplada, el contador se reduce
en 1 y si se acopla pasa a valer 1.
El resto de restricciones mantiene la lógica de las partidas y paradas de las
centrales, modelada mediante variables binarias. Es decir, estas restricciones
impiden que una central pueda partir y parar en la misma hora. Además,
fuerzan que sólo cuando una central es puesta en funcionamiento su variable
de partida vi ( t ) vale 1 mientras que en el resto de casos es 0. Igualmente, la

variable de parada zi ( t ) sólo vale 1 en las horas en las que se produce el

desacoplamiento de la central, siendo 0 en el resto de situaciones.

-57 -
3.5 PREDESPACHO DE UNIDADES TÉRMICAS EN MERCADOS
ELÉCTRICOS COMPETITIVOS.

El cambio en la estructura de los mercados eléctricos ha introducido

modificaciones en los objetivos de la operación. En los mercados eléctricos
centralizados el objetivo es generar energía eléctrica minimizando los costos
totales de operación y la tarea la lleva a cabo un operador central. En los
mercados eléctricos competitivos surgen distintos agentes entre los que cabe
destacar: (a) empresas generadoras, (b) empresas transmisoras, (c) empresas
distribuidoras, (d) y un agente independiente que coordina las transacciones de
energía entre los agentes anteriores. El objetivo de todo agente productor es
obtener el máximo beneficio por venta de energía. Nótese que entre las tareas
de estos agentes no se encuentra el garantizar el suministro a todos los
consumidores, de lo cual se encarga el agente independiente. El objetivo de
éste consiste en que la generación de energía eléctrica sea igual a la demanda
de los consumidores y que esta transacción de energía se lleve a cabo
cumpliendo determinados criterios, por ejemplo maximizando el beneficio social
neto.

En el problema con operación centralizada, el operador del sistema tiene

conocimiento de toda la información de las centrales. Por un lado, recibe la
información económica referente a los costos de operación, costos de partida y
parada. Por otro lado, conoce la información técnica de todas las centrales, es
decir, rampas de subida, bajada, partida y parada, límites de potencia y tiempos
mínimos de funcionamiento y parada. Con toda esta información, junto con la
predicción de la demanda, el operador del sistema debe determinar el estado
de acoplamiento y el nivel de producción de cada una de las centrales que
componen el sistema de forma que se satisfaga la demanda, se cumplan todas
las restricciones técnicas, y haya un nivel suficiente de potencia de emergencia

-58 -
(reserva en giro), con el objetivo de que el costo total de explotación sea
mínimo.

Distintos sectores eléctricos que tradicionalmente han estado regulados de

forma centralizada, están experimentando cambios profundos. Estos sectores
se están abriendo mediante la introducción de medidas liberalizadoras. La
industria eléctrica se encuentra inmersa en un constante proceso de
reestructuración con el que se pretende promover la eficiencia económica
manteniendo la seguridad del sistema y la calidad del servicio. La eficiencia
económica debe traducirse en una reducción de los precios finales de la
electricidad con respecto a la situación anterior no competitiva.

La implementación de características competitivas en los países ha tomado

distintos matices que van desde mercados basados en oferta de precios a
mercados basados en costos auditados (entorno más centralizado que busca
minimizar los costos totales). Estos últimos son los que predominan en América
Latina, fundamentalmente por el relativo pequeño tamaño de los mercados
eléctricos que no garantiza totalmente la libre competencia en la generación o
por el poder de mercado de algunos agentes. Dicho de otra forma, se trata de
mercados que distan de ser perfectos.

-59 -
3.5.1 Mercados eléctricos basado en oferta de precios.

Este modelo de mercado es derivado de la observación de la mayoría de

mercados de bienes, donde productores y compradores (mayoristas y
minoristas) compran un producto físico y lo transportan hacia su destino de
varias formas. En los mercados eléctricos, los generadores especifican la
cantidad de potencia-energía que ellos están dispuestos a vender y su precio
unitario; esto se realiza para cada subperíodo considerado por el organismo
administrador de las transacciones. Si los compradores (demanda) están
incorporados al proceso, ellos especifican sus requerimientos y que precio
están dispuestos a pagar por ellos. Si los compradores no están incorporados
en el proceso, la demanda se considera un valor fijo (inelástica, dejando la tarea
de predicción a una autoridad central o por los participantes). La solución de
este problema (para un solo subperíodo) se puede obtener a través de un
enfoque gráfico simple que es donde la curva de oferta intercepta a la curva de
demanda como se observa en la Figura 15. El precio p’ es determinado como la
última oferta que es usada para cubrir la demanda.

Demanda

Oferta

p’

MW

Figura 15: Curva Oferta – Demanda versus precio

Como desventaja de este esquema de mercado se puede mencionar que se

necesita de un mecanismo separado, para tomar en cuenta la congestión o las

-60 -
pérdidas en la red de transmisión lo que reduce la calidad del despacho
obtenido.
De esta manera y dependiendo de las consideraciones particulares de cada
mercado, los costos de partida y los tiempos mínimos de funcionamiento y
parada de servicio de las unidades térmicas pueden desaparecer por completo
de la formulación del problema.
Otra diferencia conceptual destacable es que las ecuaciones de balance de
potencia ya no son exclusivamente de igualdad sino de menor o igual, como
consecuencia de la elasticidad de la demanda en función de los precios.
Los generadores, tanto hidráulicos como los térmicos, ofrecen potencia y
energía a un precio que ellos determinan utilizando alguna metodología. Este
precio asume el riesgo de ser o no despachado dado que en muchas ocasiones
el mismo considera aspectos estratégicos o incluso aspectos financieros.
Igualmente, el problema de vincular la planificación de largo-mediano plazo con
el de corto plazo, no se considera, dado que las ofertas de precios son con un
día de anticipo y este aspecto esta internalizado en el precio que oferta cada
agente. De igual manera existen otras restricciones del problema en el sentido
indicado que no son consideradas y se encuentran internalizadas en el precio
ofertado. Por estos motivos este proceso de optimización es conocido como
“Price-Based Unit Commitment” por enfatizar la importancia del precio ofertado
como señal preponderante para la elaboración del despacho. De este modo, el
problema original se ve reducido significativamente y el predespacho de
unidades térmicas en este tipo de mercados se transforma generalmente en un
problema lineal entero mixto.
Como se observa, en lugar de utilizar la función objetivo la tradicional de
minimización de costos, se utiliza la de maximización de beneficios como la
diferencia entre ingresos por venta de energía a precio del mercado y los costos
de producción. En algunos casos particulares, a pesar de ser un sistema

-61 -
basado en oferta de precios, se utiliza una función objetivo de minimización de
costos.

3.5.2 Mercados eléctricos basado en costos auditados.

En el caso anterior se presupone que la minimización de precios al usuario final

ocurre de manera “natural” por la competencia “perfecta”. Debido a que muchos
mercados distan bastante de ser perfectos por múltiples razones (las múltiples
tecnologías de generación existentes, tamaño relativamente pequeño del
mercado que no asegura la competencia, etc.) es necesario introducir algún tipo
de regulación a fin de evitar prácticas monopólicas o de ejercer poder de
mercado. La introducción de la regulación del mercado solo puede proveer uno
de los dos beneficios mencionados para los mercados verdaderamente
competitivos.

Para mercados eléctricos con este tipo de características se adopta otro

esquema (más conservador) de desregulación basado en un entorno
centralizado que busca minimizar los costos totales de operación, más conocido
en América Latina como “mercados basados en costos auditados”. En este tipo
de mercado los agentes del mercado (generadores) tienen que suministrar toda
la información de costos de producción e información técnica necesaria para la
elaboración del despacho. Luego se simula la competencia que tendría lugar en
el sistema y se determina el costo que debe tener la energía para cada
subperíodo considerado. En este tipo de esquema la demanda se considera
inelástica y su valor puede ser como el caso anterior predecido. La competencia
sigue existiendo pero no es tan evidente como en el caso anterior. Los
generadores pueden optar por establecer contratos financieros de suministro
con los grandes usuarios y las distribuidoras o pueden vender su energía
generada al pool. Este es el esquema predominante en Latinoamérica y le

-62 -
añade mayor complejidad al problema de elaboración del despacho (modelo de
optimización) que el caso anterior (oferta de precios) al ser necesario mayor
cantidad de variables y restricciones involucradas ya que el ente encargado de
elaborar el despacho necesita incluir todas las restricciones operativas e
información de costos de todos los agentes de generación del sistema.
Debido a las características antes expuestas, se le conoce también esquema
de despacho centralizado.
Este es el caso del mercado eléctrico chileno, donde los dos grandes sistemas
interconectados SIC y SING poseen un ente centralizado denominado CDEC
(Centro de Despacho Económico de Carga) encargado de coordinar la
operación técnico-económica del conjunto de instalaciones del sistema
eléctrico, así como preservar la seguridad en el servicio. A continuación se
enumeran algunas de las funciones principales de los CDEC’s:

• Planificar la operación de corto plazo del sistema eléctrico, considerando

su situación actual y la esperada para el mediano y largo plazo.
• Calcular los costos marginales instantáneos de energía eléctrica.
• Coordinar el mantenimiento preventivo mayor de las unidades
generadoras.
• Verificar el cumplimiento de los programas de operación y de
mantenimiento preventivo mayor.
• Determinar y valorizar las transferencias de electricidad entre
generadores.
• Elaborar los procedimientos necesarios para cumplir, en cada nivel de
generación y transporte, las exigencias de calidad de servicio indicadas
en el Decreto Supremo N° 327.
• Establecer, coordinar y verificar la reserva de potencia del sistema, para
regular instantáneamente la frecuencia.

-63 -
 • Coordinar la desconexión de carga en barras de consumo, así como
otras medidas que fueren necesarias por parte de los integrantes del
sistema eléctrico sujetos a coordinación, para preservar la seguridad de
servicio global del sistema eléctrico.

3.5.3 Equivalencia entre los dos enfoques de mercado.

Los fundamentos de la desregulación del sector eléctrico se basan en la

interpretación económica de los principios de la optimización lagrangeana dual
(también llamada relajación lagrangeana) aplicada a la solución del
predespacho de unidades térmicas. Se demuestra que los dos tipos de
mercados descritos anteriormente (mercados basados en oferta de precios y
basados en entorno centralizado con minimización de costos totales) equivalen
a la solución del mismo problema de optimización pero vistos desde una óptica
diferente (solución del problema primal o del dual).

El único vínculo entre estos subproblemas esta dado por el valor de λ , que en
el contexto de los mercados eléctricos corresponde al precio al cual debe ser
comprada o vendida la energía eléctrica para el subperíodo t. La solución de un
único problema que busca la minimización de costos totales sería entonces
equivalente a la solución de N problemas independientes donde cada

generador busca maximizar individualmente sus beneficios ya que λ ⋅ Pt

correspondería al ingreso que tendría dicho generador por la venta de su
energía producida y C ( Pt ) correspondería a sus costos incurridos para producir
dicha energía.

La equivalencia no es exacta debido a que en un esquema descentralizado un

generador tiene la libertad de optar por no generar si es que no tiene algún

-64 -
beneficio pudiendo aparecer demanda insatisfecha mientras que en un
esquema centralizado la cobertura de la demanda es prioritaria.
En la Figura 16 se muestra la equivalencia entre los dos problemas, donde el
problema primal correspondería al problema de optimización de un mercado
basado en costos auditados (entorno centralizado que minimiza los costos
totales) y el problema dual a uno basado en oferta de precios.

Variables
PRIMAL Físicas

Variables
DUAL Económicas

Figura 16: Equivalencia entre el problema primal y dual.

-65 -
4 FORMULACIÓN DEL PREDESPACHO DE
UNIDADES TÉRMICAS USANDO FLUJO ÓPTIMO DE
POTENCIA.

El predespacho de unidades térmicas busca determinar el parque generador

que se requiere acoplar y los niveles de generación de las centrales del sistema
que permitan abastecer la demanda al menor costo posible con un cierto nivel
de seguridad, dicha modelación se detalla en el capitulo 3. Junto a lo anterior, el
modelo se dice multinodal cuando modela explícitamente la red de transmisión,
incorporando sus restricciones y fenómenos físicos. Con esta modelación, se
consigue una solución más apropiada para el problema real e información
relevante desde el punto de vista económico. Dentro de esta información
destacan los precios de la energía en cada nodo del sistema, una adecuada
cuantificación de las pérdidas de transmisión, y la magnitud y consecuencias de
las congestiones en la red. Con esto, se evitan las correcciones post-despacho
necesarias para ejecutar la operación programada con los modelos de
despacho.

Estas correcciones normalmente pueden implicar la puesta en operación de

unidades de generación no previstas lo cual deteriora la calidad de una solución
obtenida con metodologías que no contemplan o simplifican grandemente la red
de transmisión.

Además, la falta de una programación adecuada del despacho de potencia

reactiva también puede implicar la partida no programada o forzada de
unidades generadoras, lo que repercute desfavorablemente en los costos de
operación.

-66 -
Las necesidades expuestas para el predespacho de unidades térmicas nos
llevan a incorporar la idea del Flujo Óptimo de Potencia (Optimal Power Flow,
OPF en inglés) introducida a comienzos de los 60’s por Carpentier, como una
extensión del despacho económico convencional, aunque en la actualidad el
término es usado como nombre genérico para un conjunto de problemas de
optimización en SEE.

El presente capítulo muestra la formulación del predespacho de unidades

térmicas considerando el concepto de flujo óptimo de potencia para el balance
de carga. Se muestra la evolución que ha tenido el despacho económico de
carga, partiendo desde la teoría clásica de despacho económico, seguido de la
problemática de incorporar el despacho de reactivo en forma desacoplada, para
finalmente proponer una solución global del problema basándose en resolver un
Flujo Óptimo de Potencia.

4.1 TEORÍA DESPACHO ECONÓMICO.

A continuación se describe brevemente el marco teórico clásico del despacho

económico que sirve de base para el desarrollo de este trabajo de titulación.
El despacho económico, es uno de los problemas fundamentales de la
operación de un sistema de energía eléctrica. Consiste en distribuir la demanda
total del sistema entre los generadores disponibles, de forma que el costo total
de generación sea el mínimo posible.
El costo de generación es variable debido a que las centrales convierten
combustible en energía eléctrica con eficiencias que pueden ser muy distintas.
Si dentro de la modelación no se incluye la red de transmisión para buscar la
solución óptima, se dice que el modelo es Uninodal.

-67 -
4.1.1 Sistema Uninodal (Sin redes de Transmisión)

Generación
G1

G2 Demanda

Gn

Figura 17: Modelo Uninodal

El costo total de generación que se incurre en un subperíodo está dado por la

siguiente ecuación:

Min ( CT ) = ∑ ⎡⎣Ci ( Pgi ) ⎤⎦

M

i =1 (4.1)

Donde Ci ( Pgi ) relaciona la generación en MW, Pgi y el costo que esa generación

implica en US$/h, esta relación se deriva de la curva de:

• El consumo específico que expresa la cantidad de combustible
consumido por hora y la generación eléctrica en MW (es una medida de
la eficiencia del generador).
• El precio del combustible.
Además, la generación térmica tiene que cubrir la totalidad de la demanda:

M
PD = ∑ Pgi (4.2)
i =1

El problema de optimización tiene la siguiente estructura:

Min ( CT ) = ∑ ⎡⎣Ci ( Pgi ) ⎤⎦

M
(4.3)
i =1

-68 -
 M
Sujeto a: PD = ∑ Pgi (4.4)
i =1

Con estas dos ecuaciones se forma el Lagrangeano:

El método de Lagrange establece las condiciones de Karush-Kuhn-Tucker para
las cuales se cumple que la solución es la mínima:

⎛ ⎞
L( Pgi , λ ) = ∑ ⎡⎣Ci ( Pgi ) ⎤⎦ − λ ⋅ ⎜ PD − ∑ Pgi ⎟
M M
(4.5)
i =1 ⎝ i =1 ⎠
Se demuestra matemáticamente, que para que el costo de generación sea el
mínimo se tiene que cumplir la siguiente condición:

∂Ci
λ= , i = 1,2,.....M (4.6)
∂Pgi

En este caso el multiplicador de Lagrange λ es conocido como lamda-system o

costo marginal del sistema. Su valor indica la variación del costo total de
operación del sistema ante una variación unitaria de la demanda y de acuerdo a
la teoría microeconómica es el valor al cual debe ser vendida o comprada la
energía eléctrica con la finalidad de lograr el máximo beneficio social neto. Esta
condición se da cuando se maximiza el excedente de la oferta y de la demanda.
Como las unidades térmicas tienen curvas de costos individuales e
independientes, las derivadas parciales de la ecuación (4.6) corresponden a
derivadas totales.
Adicionalmente, la ecuación (4.6) indica que todos los generadores que se
encuentran operando tienen que hacerlo a igual costo incremental con la
finalidad de lograr el mínimo costo del sistema.

-69 -
4.1.2 Sistema Uninodal con restricciones de generación.

Si al problema anterior, agregamos las restricciones asociadas con los límites

de las unidades generadoras, la nueva función lagrangeana es:

n
⎛ n ⎞ n n
L(Pgi , λ) = ∑Ci (Pgi ) − λ ⎜ ∑ Pgi − PDtotal ⎟ − ∑ μimax (Pgi − Pgi max ) − ∑ μimin (Pgi − Pgi min ) (4.7)
i =1 ⎝ i=1 ⎠ i=1 i =1

Donde se han introducido nuevos multiplicadores de Lagrange asociados con

los límites de generación.
Condiciones de Optimalidad:

∂L ( Pgi , λ )
= CI i ( PGi ) − λ − μimax − μimin = 0; i = 1,..., n
∂PGi
(4.8)
∂L ( Pgi , λ ) n
= − ∑ PGi + P total
=0
∂λ
D
i =1

Restricciones de desigualdad: En el óptimo:

μ imax ≤ 0 si PGi = PGimax CI i ( PGi ) = λ + μimin ≥ λ si PGi = PGimin

μ imax = 0 si PGi < PGimax CI i ( PGi ) = λ si PGimin < PGi < PGimax (4.10)
(4.9) CI i ( PGi ) = λ + μ ≤ λ si PGi = P
μ imin ≥ 0 si PGi = PGimin
max max
i Gi

μ imin = 0 si PGi > PGimin

El multiplicador de Lagrange asociado con el equilibrio de potencia, λ continúa

dC
teniendo la misma interpretación que en el caso sin límites, es decir, λ = ,
dPDtotal
o sea, el costo marginal de generación con respecto a la demanda.

-70 -
4.1.3 Sistema Uninodal con la red de transmisión.

La no consideración de la red de transmisión en el problema anterior puede

originar que la solución obtenida no sea la óptima principalmente por dos
hechos:
• Las pérdidas eléctricas en las líneas de transmisión dependen del flujo
de potencia y pueden provocar que sea más económico despachar un
generador más caro de menores pérdidas que uno más barato de
mayores pérdidas.
• El despacho obtenido puede violar los límites de capacidad de transporte
de las líneas de transmisión, lo que obliga a reemplazar generación de
menor costo distante, por generación local de mayor costo.

En modelos uninodales, las restricciones de capacidad de transmisión se

suponen inactivas, y el efecto de las pérdidas en la transmisión puede ser
incorporado a través del uso de modelos aproximados de pérdidas y factores de
penalización, por lo tanto, la red de transmisión no se considera propiamente
tal, como se muestra en la Figura 18.

Generación
G1

G2 Modelo Demanda
Aproximado +
de Pérdidas
Pérdidas
Gn

Figura 18: Modelo Uninodal con modelo aproximado de Pérdidas.

Para considerar la influencia de las pérdidas de las líneas sobre la distribución

económica de la carga entre los diferentes generadores del sistema, es
necesario determinar, para cada generador, su factor de penalización

-71 -
expresado según la ecuación (4.11). Si un generador tiene factor de
penalización mayor que 1, representa que dicho generador es poco “atractivo”
para el despacho, y frente a un aumento de carga este generador contribuye
con menor potencia que las otras unidades. En otras palabras, en el óptimo se
penaliza el costo incremental operacional de las unidades que aportan al
aumento de pérdidas en el sistema.

1
Li =
∂P (4.11)
1− L
∂Pgi
En general, extendiendo el criterio de igual costo incremental mostrado en la
ecuación (4.6), el costo de operación será mínimo cuando:

∂C1 ∂C2 ∂Cm

L1 = L2 = … = Lm (4.12)
∂Pg1 ∂Pg 2 ∂Pgm

∂PL
Para realizar el cálculo del factor se recurre a diversos métodos, entre los
∂Pgi
más utilizados se encuentra:

• Métodos basados en coeficientes de pérdidas B.

• Métodos basados en flujos de potencia.

4.1.3.1 Coeficientes de pérdidas B.

Los coeficientes de pérdidas B permiten expresar las pérdidas del sistema en

términos de las potencias activas de generación, lo que posibilita el cálculo de
∂PL
manera directa del factor . Éste método fue propuesto por primera vez por
∂Pgi

-72 -
E. E. George [32] y corresponde a la forma más simple de expresar las pérdidas
a través de coeficientes B, llamada formula de George y dada por:

k k
PL = ∑∑ Pm Bmn Pn (4.13)
m =1 n =1

Donde:
PL : Pérdidas del sistema.

Pm , Pn : Aportes de generación desde todas las fuentes.

Bmn : Coeficientes de pérdidas entre las barras m y n.

Posteriormente en 1952, aplicando métodos de análisis tensorial para sistemas

de potencia [33], G. Kron perfeccionó el cálculo de las pérdidas a través de
coeficientes B incorporando un término lineal y otro constante a la fórmula de
George, resultando la ecuación (4.14):

k k k
PL = B00 + ∑ Bm 0 Pm + ∑∑ Pm Bmn Pn (4.14)
m =1 m =1 n =1

Los coeficientes B se determinar a partir de una solución de un caso flujo de

potencia y mediante transformaciones lineales invariantes a la potencia, que no
permiten calcular los flujos de potencia por las líneas, con los siguientes
supuestos:
• Se asume que el factor de potencia de cada generador es constante.
• Se asume que la posición angular de cada generador es constante.
• Se asume que la magnitud de la tensión de cada generador es
constante.
• Se asume que las corrientes de carga mantienen una razón constante
respecto de la corriente de carga total.

-73 -
Aunque los supuestos son válidos para ciertas condiciones de carga, los
coeficientes B no son constantes sino que varían con la demanda del sistema y
deben recalcularse en caso que se registren cambios topológicos en el sistema
de transmisión. Sin embargo, éste método produce resultados aceptables con
errores de baja magnitud.

4.1.3.2 Método basado en flujos de potencia.

Un método alternativo a los coeficientes B, es el cálculo directo de los factores
de penalización a través de rutinas de flujo de potencia, sin necesidad de
aplicar una formula aproximada de pérdidas. Según [34], el primer proceso de
cálculo de los factores de penalización a través de rutinas de flujo de potencia
fue introducido por Dommel and Tinney en 1968 [35].

Los métodos que incluyen rutinas de flujos de potencia para el cálculo de los
factores de penalización permiten modelar las pérdidas del sistema y las
restricciones en la capacidad de las líneas de transmisión, con lo que la
modelación del sistema de transmisión se denomina como Multinodal, en la
sección 4.1.4 se muestra con más detalle esta modelación.

4.1.4 Sistema Multinodal

Para el cálculo de los factores de penalización es posible determinar el término

∂PL
evaluando el Jacobiano traspuesto de una rutina de flujo de potencia de
∂Pgi
Newton Raphson o bien a partir de una aproximación de un flujo de potencia
lineal.

En el caso del flujo de potencia de Newton Raphson, presenta como desventaja

el uso de un proceso iterativo dentro de la búsqueda de soluciones factibles, lo

-74 -
que aumenta el tiempo para alcanzar la solución e incorpora un cierto grado de
incertidumbre, puesto que la convergencia de la rutina de flujo de potencia no
está asegurada.

Por su parte el uso de flujos de potencia lineales, puesto que no requieren

procesos iterativos, no introducen tiempos adicionales considerables en el
proceso de optimización; así mismo, permiten calcular pérdidas, factores de
penalización y flujos por las líneas en forma aproximada.
La selección de uno u otro método de cálculo de flujo de potencia dependerá de
la exactitud requerida para los resultados y del tiempo requerido para el cálculo
de pérdidas y factores de penalización.

La modelación de despachos incluyendo la red de transmisión en forma

explícita, a través de rutinas de flujo de potencia, se conoce como multinodal,
tal como se muestra en la Figura 19.

Figura 19: Representación del Sistema Multinodal de 6 barras.

La red provoca la separación espacial del costo marginal no existiendo un
lamda-system único, sino un costo marginal por cada nodo (que varia
ligeramente de nodo en nodo). Una diferenciación mucho más pronunciada se
-75 -
produce cuando se alcanza el límite de la capacidad de transporte de algún
vínculo de la red de transmisión. Esta diferenciación está directamente
relacionada con el costo incremental de los generadores que aporten el MW
adicional en cada zona.
En otras palabras, la inclusión de la red de transmisión implica que la solución
obtenida tiene que cumplir con las leyes de Kirchoff (ecuaciones de flujo de
potencia) y respetar los límites de capacidad de transmisión de los vínculos de
las barras.

Para considerar la “multinodalidad” y minimizar los costos de operación del

sistema, el modelo propuesto en este trabajo consiste en implementar un flujo
óptimo de potencia AC completo sobre el sistema en estudio, lo que permite
entre otras cosas, obtener en un mismo modelo el despacho activo y reactivo,
sobrecargas de líneas de transmisión, pérdidas, perfiles de tensión, y los costos
marginales de energía (multiplicadores de lagrange asociada a cada una de las
restricciones de balance de potencia). En las secciones 4.4 y 4.5 se muestra el
detalle de la modelación del OPF.

4.2 PROBLEMÁTICA DEL DESPACHO DE POTENCIA REACTIVA.

El despacho de la potencia reactiva de los generadores y del equipamiento de

compensación es necesario a efectos de mantener un adecuado nivel de
tensión en el sistema eléctrico. La falta de una programación adecuada del
despacho de potencia reactiva puede implicar la partida no programada o
forzada de unidades generadoras, lo que repercute desfavorablemente en los
costos de operación.
Desde el punto de vista de la planificación y la operación, la compensación
reactiva debe ser colocada lo más próximo posible a donde ella es necesaria
evitando la circulación de potencia reactiva en el sistema que puede, además

-76 -
de provocar un aumento de pérdidas, dificultar el control de tensión y reducir la
capacidad de transporte de potencia activa.
Normalmente se sigue el siguiente orden de prioridad para la instalación de
compensación de la potencia reactiva: primero, en la carga a nivel de
distribución; seguidamente, a nivel de sub-transmisión y, finalmente, a nivel de
transmisión troncal.

Para el caso del control de tensiones el orden es inverso; primero se realiza un

ajuste global de la tensión del sistema, en este punto intervienen los
generadores, SVC y compensadores síncronos. El segundo nivel de control es
a nivel regional y, dependiendo de los recursos disponibles, pueden intervenir
los mismos elementos que en primer nivel de control o elementos adicionales
como los transformadores regulables bajo carga. Finalmente, existe un control
local donde la distribuidora puede conectar o desconectar bancos de
capacitores para lograr el nivel deseado de tensión. La Figura 20 resume lo
anteriormente dicho.

Sistema Troncal
Prioridad para el control
Prioridad para Instalación

Sistema de
Subtransmisión

Sistema de
Distribución

Figura 20: Estrategia de compensación de la potencia reactiva.

En el caso del presente trabajo, la consideración de una modelación AC del

flujo de potencia como parte de las restricciones tiene como finalidad incluir la
primera prioridad el control de tensiones en el sistema, estando definida
principalmente por los generadores y SVC´s presentes en el sistema que

-77 -
constituyen el núcleo de control más relevante mediante el cual se desarrollan
las acciones de mantenimiento del perfil de tensiones. El control y modelación
de elementos discretos como banco de capacitores o reactores no ha sido
incluido como parte del problema a resolver en el presente trabajo pero su
efecto es tomado en cuenta al momento de componer los datos de la demanda
debido a que normalmente se sabe con anterioridad los períodos en los cuales
dichos componentes estarán en servicio.

En el presente trabajo no se incluyó la modelación de transformadores con

regulación bajo carga dado que este elemento constituye un nivel de regulación
más fino en relación a las fuentes principales de control de tensión antes
descritas.

4.3 PREDESPACHO DE UNIDADES TÉRMICAS.

En el caso anterior solo se analizó un instante de tiempo y se consideró que las

unidades ya se encontraban en servicio (operando) pero cuando se considera
un horizonte de tiempo definido (generalmente un día o una semana) el
problema se complica fuertemente debido a que el objetivo del problema no
solamente tiene que determinar los niveles de generación para cada subperíodo
si no también determinar qué unidades tienen que entrar en operación y en que
períodos como consecuencia de la variación de la demanda. Este problema es
lo que en la literatura inglesa se denomina Unit Commitment.

La complicación radica en el hecho de la presencia de variables discontinuas

(niveles de generación de las unidades térmicas y los costos de partida de las
mismas) y restricciones que enlazan varios períodos como son los tiempos
mínimos de operación de las unidades haciendo al problema de optimización

-78 -
no-diferenciable y no-convexo inhabilitando la mayoría de métodos de
optimización tradicionales.

Considerando un horizonte de tiempo T y M unidades térmicas, el predespacho

de unidades térmicas puede ser formulado como:

M T
Min ( CT ) = ∑∑ ⎡⎣Ct ,i ( Pgt ,i ) ⎤⎦ + St ,i ( yt ,i ) (4.15)
i =1 t =1

El primer término representa el costo operativo dependiente del nivel

Pg t ,i (unidad i, hora t) de potencia generada por cada unidad térmica a través
del horizonte de tiempo. El segundo término representa el costo de partida de
las unidades. Este problema esta sujeto a las siguientes restricciones (solo se
muestran las principales y no se considera la red de transmisión):

Balance de potencia para todos los subperíodos:

∑ Pg
i =1
t ,i = Pdt , t = 1, 2....T (4.16)

Límites de operación de las unidades térmicas:

Pg t ,i = 0 ó Pgi mín ≤ Pgt ,i ≤ Pgt ,i máx (4.17)

Tiempos mínimos de operación (sumatoria de períodos contiguos de operación

para cada unidad térmica):

∑ Δt = T
i =1
MIN i (4.18)

-79 -
La consideración de la red de transmisión obliga a modificar la ecuación de
balance de potencia y reemplazarla por las ecuaciones de flujo de potencia
para cada subperíodo considerado, lo que hace más complejo el problema.
Para cada configuración factible de unidades térmicas (estado de acoplamiento
de las unidades), la determinación del nivel de generación para cada unidad
equivale a un despacho económico para casa subperíodo, de allí se desprende
que en los sistemas puramente térmicos, el costo incremental de cada
subperíodo (lamda-system) es independiente de los demás subperíodos.

Sin embargo, cabe señalar que esta afirmación empieza a perder validez ante
ciertos tipos de contrato de compra de combustible que pueden restringir el
consumo del mismo.

En la siguiente sección se detalla la modelación del flujo óptimo de potencia, de

manera de ser incorporado como balance económico de carga en nuestro
algoritmo multinodal propuesto.

4.4 INTRODUCCIÓN AL FLUJO ÓPTIMO POTENCIA.

Los estudios de flujo de potencia permiten determinar el control adecuado de

las potencias que se transmiten, así como los niveles de tensión en las
diferentes barras del SEE. Además, permiten calcular otras variables como
potencias de generación, flujos activos y reactivos, ajuste de taps de
transformadores e incluso la inyección de reactivos necesaria en algún punto.
De este modo se pueden presentar diferentes soluciones de un flujo de
potencia para un grupo de cargas dadas. El término Flujo Óptimo de Potencia
(OPF) se usa para referirse a un estado de operación o una solución de dicho
flujo (dentro de las muchas existentes), donde alguna variable del SEE es

-80 -
optimizada, sujeta a la presencia de restricciones sobre las variables del
problema o sobre algunas funciones de aquellas variables.
El Flujo Optimo de Potencia es un problema de optimización de la forma.

Minimizar C ( x )
Sujeto a : g ( x ) = 0
(4.19)
h ( x) ≤ 0
xiMAX ≤ xi ≤ xiMAX
Donde C(x) corresponde a la función objetivo, que usualmente es minimizar el
costo de generación, como en el presente caso. Sin embargo, C(x) puede
representar otros objetivos, como por ejemplo, minimización de pérdidas
óhmicas, minimización de emisiones contaminantes, maximización de
transferencias de potencia, minimización de la desviación de un despacho
previamente programado, etc.

El conjunto de ecuaciones g(x) = 0 representan las limitaciones impuestas por

las leyes físicas: balance de potencia en el sistema y en cada nodo; el conjunto
de inecuaciones h(x) ≤ 0, así como los límites superiores e inferiores de las
variables x, representan las consideraciones técnicas o de seguridad del
sistema: límites de generación de potencia activa y reactiva, límites de voltaje
en las barras, límites de corriente por las líneas, etc.

Existen dos grandes grupos de modelos para representar el OPF:

• Modelos de tipo A: El primer grupo consiste en los métodos que
discriminan entre variables de control (por ejemplo, potencias generadas
y módulos de voltajes en barras de generación) y variables de estado
(por ejemplo, ángulos y módulos de voltaje en barras de consumo),
donde sólo las variables de control forman el conjunto de variables de
optimización, y las variables de estado se determinan mediante un flujo

-81 -
 de potencia convencional que utiliza las variables de control obtenidas en
el OPF.
• Modelos de tipo B: aquellos que modelan el OPF como un problema de
optimización global. Las variables del sistema son optimizadas
simultáneamente y las ecuaciones de flujo corresponden a restricciones
adicionales del problema de optimización.

Entre las técnicas de optimización más utilizadas para la resolución del OPF se
cuentan:
• Programación No Lineal (métodos basados en multiplicadores de
Lagrange)
• Programación Cuadrática,
• Soluciones de condiciones de optimalidad basadas en métodos de
Newton,
• Programación Lineal,
• Versiones híbridas de programación lineal y programación entera
(Programación Entera-Mixta),
• Métodos de punto interior.

Además, en la actualidad continúan apareciendo nuevas técnicas de resolución

o variantes de las técnicas mencionadas. En particular, en OPF’s con inclusión
se han utilizado Algoritmos Genéticos [27], Búsqueda Tabú, “Recocido”
simulado (Simulated Annealing) y versiones híbridas de estos últimos [28].

4.5 MODELACIÓN OPF.

A continuación se explica en forma resumida la formulación matemática de los

elementos de un Sistema de Energía Eléctrica (SEE) y la manera en que se

-82 -
utilizan sus parámetros y variables en la función objetivo y las restricciones del
Flujo Óptimo de Potencia [20, 29, 35].

4.5.1 Elementos de la red, variables y parámetros.

Una barra o nodo permite la interconexión de elementos de la red eléctrica. En

el contexto del OPF, las variables de optimización de una barra son el módulo y
ángulo de fase de su voltaje. El módulo de voltaje usualmente está limitado por
rangos que dependen de las normativas de calidad de suministro, así como del
tipo de nodo, sea éste de generación, de paso, consumo, etc.

Los generadores corresponden a máquinas eléctricas capaces de inyectar

potencia activa y reactiva a la red, de manera de abastecer los consumos. Las
variables de optimización de un generador corresponden a la potencia activa PG
y potencia reactiva QG generadas. Cada generador tiene límites definidos para
el mínimo y máximo de potencia activa y reactiva generables, contenidos en su
carta de operación o diagrama PQ.

Los consumos o cargas corresponden a la demanda de potencia eléctrica de

los usuarios finales. En este trabajo, los consumos son datos conocidos a priori,
y corresponden a los parámetros potencia activa demandada PL y potencia
reactiva demanda QL.
Las líneas de transmisión conectan los distintos nodos del sistema y transmiten
la potencia desde los generadores hacia los consumos. Sus parámetros son los
valores de resistencia y reactancia serie, y conductancia y susceptancia en
derivación, correspondientes al modelo π de una línea de transmisión (ver
Figura 21). Además, para efectos del OPF, pueden incluirse límites para la
potencia máxima que puede transmitir cada línea, lo cual se traduce en

-83 -
restricciones de desigualdad en función de las variables de los nodos ubicados
en los extremos de la línea.

I1 I2

⎡_ ⎤ ⎡_ ⎤
⎢ I 1 ⎥ = ⎡ y11 y12 ⎤ ⎢V 1 ⎥
⎢ _ ⎥ ⎢⎣ y21 y22 ⎥⎦ ⎢ _ ⎥
V1 V2
⎢⎣ I 2 ⎥⎦ ⎢⎣V2 ⎥⎦

Figura 21: Representación de una línea de transmisión con modelo pi (π).

Los transformadores son elementos que permiten la conversión de potencia de

un nivel de tensión determinado a otro, en corriente alterna. Existen
transformadores cuya razón de transformación es fija y otros en que existe un
pequeño rango de variación, mediante los llamados taps o cambios de
derivación. Un transformador, al igual que una línea, puede representarse a
través de un modelo π (ver Figura 22), y opcionalmente, el punto de derivación
de los transformadores puede ser una variable de optimización.

I1 I2

⎡ y11* y12* ⎤ _
⎡ ⎤ ⎢ 2
_
⎥ ⎡ ⎤
t:1 ⎢I1 ⎥ = ⎢ t t ⎥ ⎢V 1 ⎥
⎢ _ ⎥ ⎢ y* ⎥ ⎢V_ ⎥
V1 V2
⎣⎢ I 2 ⎦⎥ ⎢ 21 y22 ⎥ ⎣⎢ 2 ⎦⎥
⎣ t ⎦

Figura 22: Representación de un transformador con modelo pi (π).

-84 -
Las admitancias del modelo PI de líneas de transmisión y transformadores
forman la matriz de admitancias nodales de la red eléctrica. Esta matriz puede
ser variable o constante, dependiendo de si se consideran taps variables o no.

Los equipos FACTS también se pueden incluir en la modelación de un OPF, en

particular, el SVC (Compensador estático de VAR), ampliamente utilizado en la
industria, permite realizar compensación reactiva en paralelo mediante bancos
de condensadores e inductancias controladas por tiristores. El SVC se puede
modelar como una inyección de potencia reactiva, sin influencia en la matriz de
admitancia. En otras palabras, puede considerarse como un generador incapaz
de generar potencia activa. Lo parámetros del SVC corresponden a su
inductancia y capacitancia, los cuales definen el rango de operación de la
variable de optimización QSVC de acuerdo a las siguientes expresiones:

QMAX = Bind ⋅ Vref2

QMIN = Bcap ⋅ Vref2
(4.20)
QMIN ≤ QSVC ≤ QMAX

Donde:
Vref es un voltaje de referencia definido por el operador de la red para un
fin específico, el cual típicamente es minimizar el costo del sistema.
En resumen, el vector de variables del problema de optimización se
compone de las inyecciones de potencia activa y reactiva por parte de las
unidades de generación, los módulos y ángulos de fase de los voltajes de
barra, los taps de los transformadores y la potencia reactiva generada
por los SVC, es decir:

xt = ( PG1 ,..., PGN ; QG1 ,..., QGN ;V1 ,...,VN ;θ1 ,...,θ N ; t1 ,..., t N ; QSVC1 ,..., QSVCN ) (4.21)

-85 -
4.5.2 Función Objetivo.

En los problemas de OPF existen una diversa posibilidad de función objetivo a

utilizar, ésta depende del objetivo de la optimización, en nuestro caso particular
es minimizar el costo de generación activo y reactivo.

4.5.3 Restricciones.

El conjunto de restricciones del problema de optimización definido en la

ecuación (4.19) se compone de restricciones de igualdad y restricciones de
desigualdad.
En el OPF, las restricciones de igualdad por lo general representan condiciones
que deben cumplirse debido a las leyes de Kirchoff. En este caso se consideran
las restricciones correspondientes a balances de potencia en cada nodo.
Las restricciones de balance de potencia implican que en cada nodo del
sistema la potencia activa generada menos la potencia activa demandada debe
ser igual a la potencia activa transferida a la red por ese nodo, a través de los
elementos tipo rama conectados directamente a él.
Un conjunto similar de restricciones debe cumplirse para la potencia reactiva en
cada nodo:

∑P Gj − ∑ P −∑V Lj i V j Yij cos (θi − θ j − γ ij ) = 0 ∀ i ∈ N (4.22)

j∈GNi j∈LNi j∈N

∑Q Gj − ∑Q Lj − ∑ Vi V j Yij sin (θi − θ j − γ ij ) = 0 ∀ i ∈ N (4.23)

j∈GNi j∈LNi j∈N

Donde:
GN ( i ) es el conjunto de generadores conectados al nodo i, NL ( i ) es el

conjunto de cargas conectadas al nodo i, SN ( i ) es el conjunto de SVC’s

-86 -
 conectados al nodo i, N es el número de nodos del sistema, e

Yij = Yij ∠γ ij corresponde al elemento (i, j) de la matriz de admitancias

nodales del sistema.

Por otra parte, las restricciones de desigualdad describen generalmente

consideraciones de seguridad y límites técnicos que básicamente definen el
rango de operación de cada variable de optimización y que no debieran ser
sobrepasados. Corresponden a los módulos de voltaje de cada nodo, las
potencias activa y reactiva de cada unidad generadora, y la potencia reactiva de
los SVC con cotas superiores e inferiores.
Distinto es el caso de las restricciones de capacidad de las líneas de
transmisión. En el OPF presentado existe la opción de considerar o no estos
límites. En el caso de ser considerados, puede escogerse entre límites de
potencia activa o límites de corriente y, en ambos casos, estas restricciones se
modelan explícitamente.

Al considerar límites de potencia activa máxima a través de las líneas, se

formula la restricción de desigualdad por cada línea del sistema. Esta restricción
tiene la forma indicada por la expresión (4.24).

Vi 2 ⋅ Yij cos ( yij ) − Vi ⋅ V j ⋅ Yij cos (θi − θ j − γ ij ) ≤ PijMAX (4.24)

Si, por otra parte, se utilizan límites de capacidad por módulo de corriente, se
incorpora una restricción por cada línea del sistema, dada por la expresión
(4.25).

( )
Yij2 Vi 2 + V j2 − 2 ⋅ Vi ⋅ V j cos (θ i − θ j ) ≤ ( I ijMAX )
2
(4.25)

-87 -
4.6 OPF Y COSTO MARGINAL POR BARRA (LMP).

Cualquier problema de optimización tiene asociado un multiplicador de

Lagrange por cada restricción del problema. En nuestro caso el multiplicador de
Langrange asociado con el balance de potencia representa el costo marginal de
energía en una barra específica, considerando las restricciones físicas
impuestas por la red de transmisión.
Además, el costo marginal de energía representa el precio instantáneo de un
aumento de la demanda, lo que permite mejorar la eficiencia en los mercados
eléctricos entregando las señales económicas del costo de producir electricidad
con las restricciones operacionales asociadas. Así, una inyección de un
generador en una barra i es pagada al costo marginal de la barra i, así mismo,
el retiro de energía de parte de un consumo en una barra j es pagada al costo
marginal de la barra j. Queda de manifiesto que el cálculo de los costos
marginales de energía por barra de un SEE representa una tarea de relevancia
entre los agentes del mercado, en la literatura el costo marginal por barra es
conocido como “Locational Marginal Prices” (LMP).

El costo marginal de energía viene dado por tres componentes claramente

definidas:

Cmg = CmgGENERACION + Cmg PERDIDAS + CmgCONGESTION (4.26)

Por tanto, el costo marginal en una barra es la suma del costo marginal de
generación más el costo marginal de pérdidas asociadas al tramo en cuestión y
más los posibles recargos por congestión.

La red de transmisión juega un rol fundamental en el cálculo de los costos

marginales por barra, debido a que ésta tiene un alto impacto en el flujo por sus
dos componentes principales en la modelación, resistencia e impedancia, la

-88 -
primera influye directamente en las pérdidas en la transmisión y la segunda esta
relacionada con la capacidad de transmisión eléctrica.

Existen dos métodos que son aplicados para calcular los costos marginales por
barra. El primero es determinar las tres componentes separadamente a través
de factores lineales aproximados y luego totalizar el costo marginal, el segundo
método es calcular el costo marginal basado en una herramienta de flujo de
potencia AC para luego identificar cada componente.
Dentro de la estructura de la modelación del OPF los multiplicadores asociados
a la restricción de balance de potencia permiten obtener de manera directa los
costos marginales por barra.

En el proceso de minimización de costos de generación presente en la

formulación de un OPF existen dos posibilidades para la modelación de la red
de transmisión AC y DC, surgiendo dos herramientas bien diferenciadas DC-
OPF y AC-OPF, la primera muy utilizada para simulación de mercados,
planificación y análisis de contingencias presentando una alta velocidad de
convergencia, la segunda empleada con fines de operación de sistemas en
tiempo real presenta una mayor precisión que la primera pero una velocidad de
convergencia menor.

Las diferencias de costo marginal entre dos barras adyacentes representan los
costos de la transmisión por inyecciones y retiros, considerando las pérdidas y
la congestión.

Si no existen líneas de transmisión con problemas de congestión, el precio de

todas las barras será el mismo para en el caso DC-OPF (sin pérdidas) y casi
igual en el caso AC-OPF. Las pequeñas diferencias se deben a los efectos de
las pérdidas.

-89 -
En un sistema sin congestión un incremento de la demanda en una barra se
reflejará en un incremento de la generación de la barra, o por un incremento de
la generación en otra barra. El generador con el costo más bajo y que no está a
su máxima capacidad será despachado primero. Sin embargo, cuando existe
algún tipo de restricción en el sistema, los precios a través de las barras son
distintos. Luego, los generadores locales de mayor costo deben ser
despachados, debido a restricciones en el sistema de transmisión que impiden
que el generador más barato suministre la demanda.

Teniendo en cuenta que el costo marginal de energía, es el precio al que se

vende la energía en cualquier barra. Cuando no existen problemas de
congestión y no se toman en cuenta las pérdidas de la transmisión, se cumple
la siguiente relación para cualquier barra i:

∑λ ⋅ P = ∑λ ⋅ P
i
i Li
i
i Gi (4.27)

Cuando existen pérdidas ó congestión en el sistema, se pierde equilibrio en el

balance económico, y aparece un generador excedentario producto que el
precio en las barras de consumo es mayor al precio en las barras de
generación. Esta diferencia entre precios por nodos adyacentes se denomina
Ingreso Tarifario y se utiliza para remunera al transmisor del sistema.

∑λ ⋅ P ≥ ∑λ ⋅ P
i
i Li
i
i Gi (4.28)

La competencia de generadores por suministrar la demanda, solo es posible si

existe el vínculo físico con la misma, y se garantiza el acceso a ese vínculo. La
existencia de líneas de transmisión que interconectan los distintos generadores
con la demanda permite suministrar la demanda requerida con la generación de
menor costo variable. Así mismo, las líneas de transmisión que vinculan
-90 -
sistemas o partes de sistemas entre sí, permiten minimizar la capacidad
instalada de generación para suministrar con confiabilidad y eficiencia la
demanda:

4.7 HERRAMIENTA COMPUTACIONAL MATPOWER APLICADA PARA

RESOLVER PROBLEMAS DE FLUJO DE POTENCIA ÓPTIMO.

MATPOWER es un paquete de archivos .m de MATLAB para la solución de

problemas de flujo de potencia, flujo de potencia óptimo, estimación de estado,
etc. Está concebida como una herramienta de simulación para investigadores y
educadores, fácil de utilizar y modificar.

MATPOWER está diseñado para entregar el mejor rendimiento posible sin

perder simplicidad en su código para comprender y modificar. La página web de
MATPOWER se puede encontrar en http://www.pserc.cornell.edu/matpower/
MATPOWER fue desarrollado por Ray D. Zimmerman, Carlos E. Murillo-
Sanchez and Deqiang Gan del Power Systems Engineering Research Center
(PSERC) de la Universidad de Cornell http://www.pserc.cornell.edu bajo la
dirección de Robert Thomas.

4.7.1 MATPOWER aplicado a la solución de flujos de potencia.

MATPOWER posee 5 herramientas distintas para resolver flujos de potencia, a

las cuales se puede acceder a través de la función “runpf”.
La herramienta por defecto para resolver flujos de potencia se basa en un
modelo del método de Newton [20] utilizando un jacobiano completo,
actualizado
en cada iteración. Este método se describe en detalle en muchas referencias.
Los algoritmos 2 y 3 son variaciones del método desacoplado rápido [21].
MATPOWER implementa las versiones XB y BX descritas en [22]. El algoritmo

-91 -
4 es el estándar de Gauss-Seidel método de Glimm y Stagg [23], basada en el
código aportado por Alberto Borghetti, de la Universidad de Bolonia, Italia. Para
utilizar una de las herramientas de flujo de potencia que no sea el método de
Newton por defecto, la opción “PF_ALG” debe ser fijada expresamente.
El último método es un flujo de potencia DC [24], que se obtiene mediante la
ejecución “runpf” con la opción “PF_DC” en 1, o el equivalente por la ejecución
de la función “rundcpf” directamente. El flujo de potencia DC se obtiene de
manera directa, con un método no iterativo gracias a las simplificaciones que
tiene este tipo de flujo de potencia.
Otra modelación importante en las herramientas de flujo de potencia AC,
corresponde a la opción “ENFORCE_Q_LIMS” si se cambia a 1 (por defecto es
0), permite limitar la potencia reactiva si algún generador viola esta restricción,
en este caso, la correspondiente barra es convertida a PQ con la potencia
reactiva al límite y se continua con el proceso. La magnitud de la tensión se
desviará del valor especificado para satisfacer la restricción de potencia reactiva
En caso que la barra libre alcance el límite de potencia reactiva y el bus sea
convertido a PQ. La primera barra PV disponible será usada como barra libre en
la siguiente iteración.
Actualmente, ninguna de las herramientas para solución de flujos de potencia
en MATPOWER incluye la modelación de los transformadores con cambio de
tap y/o manejo de desconexiones de carga.
La velocidad de convergencia de las herramientas de flujos de potencia, con
excepción del método de Gauss Seidel, muestra excelentes resultados incluso
para sistemas de gran escala, teniendo en cuenta que los algoritmos incluidos
en MATPOWER toman ventaja del manejo que tiene MATLAB para matrices
dispersas.

-92 -
4.7.2 MATPOWER aplicado a la solución de flujos óptimos de potencia.

MATPOWER puede hacer uso de varias herramientas para resolver OPF’s. En

las versiones anteriores MATPOWER disponía de 2 herramientas, la primera
basada en la función “constr” del paquete de herramientas de Optimización de
MATLAB, el cual usa una técnica de programación cuadrática sucesiva con
aproximaciones de Quasi-Newton para la Matriz Hessiana. La segunda está
basada en programación lineal. Pudiéndose utilizar las herramientas de
programación lineal disponibles en el paquete de herramientas de optimización
de MATLAB, u otras herramientas de programación lineal desarrollada por
terceros.
Las herramientas mencionadas anteriormente han sido mejoradas y
desplazadas por nuevas herramientas que muestran un mejor comportamiento
en términos de velocidad de convergencia.

La actual generación de herramientas para resolver OPF’s utilizan la

formulación generalizada de OPF descrita en la sección 4.4. MATPOWER
incluye una herramienta basada en la función “fmincon” del paquete de
herramientas de Optimización de MATLAB, y dispone de 2 herramientas
opcionales desarrolladas por terceros, MINOPF8 y TSPOPF9, que presentan
una alta velocidad de convergencia. MINOPF está basado en la herramienta
MINOS del laboratorio de optimización de la Universidad de Standford10, por su
parte TSPOPF es una colección de 3 herramientas desarrolladas por Hongye
Wang [24].
La velocidad de convergencia de las herramientas depende de varios factores.
La función “fmincon” no utiliza técnicas de esparcidad para el tratamiento de

8 Ver http://www.pserc.cornell.edu/minopf/.
9 Ver http://www.pserc.cornell.edu/tspopf/.
10 Ver http://www.standfor.edu/group/SOL.

-93 -
matrices dispersas, por lo que está limitado a sistemas de pequeña escala, sin
embargo las herramientas MINOPF y TSPOPF utilizan técnicas de esparcidad y
están disponibles para problemas de gran escala.
En particular la herramienta PDIPM (Primal Dual Interior Point Method) de
TSPOPF es significativamente más rápida para problemas de gran escala que
cualquier herramienta previa para solución de OPF en MATPOWER, incluso las
basadas en MINOPF. La documentación de la formulación utilizada para todas
las herramientas para resolver flujos de potencia y flujos de potencia de óptimo
están disponibles en [24]11.

11 Ver http://www.pserc.cornell.edu/matpower/manual.pdf.

-94 -
5 APLICACIÓN DE ALGORITMOS GENETICOS AL
PREDESPACHO DE UNIDADES TERMICAS.

En este capítulo se presenta el método de solución empleado para resolver el

predespacho de unidades térmicas. Este método se denomina algoritmo
genético, en adelante AG, y es una técnica de optimización perteneciente a la
familia de los algoritmos evolutivos, que agrupa al conjunto de técnicas de
optimización inspiradas en la naturaleza y en la evolución de los seres vivos.

La elección de un AG para resolver el predespacho de unidades térmicas se

debe a que es un problema de programación matemática combinatoria, no
lineal, no convexo, entero-mixto y de gran dimensión. Los AGs permiten
modelar cualquier tipo de no linealidad y no convexidad y, por lo tanto, es capaz
de obtener soluciones factibles del problema a resolver. Además la aplicación
de un AG al predespacho de unidades térmicas es directa debido a la
naturaleza combinatoria y discreta de este problema.

5.1 INTRODUCCIÓN A ALGORITMOS GENÉTICOS.

Los comienzos de los AGs se encuentran a principios de la década de los 50,

cuando varios biólogos usaron computadores para la simulación de sistemas
biológicos Goldberg (1989). Sin embargo, el trabajo desarrollado a finales de los
60 y principios de los 70 en la Universidad de Michigan bajo la dirección de
John Holland (1975) condujo a lo que hoy se conoce como algoritmos
genéticos.

-95 -
Un AG es una técnica estocástica de optimización cuyo método de búsqueda
imita algunos fenómenos naturales tales como la herencia genética y la lucha
por la supervivencia.

Los AGs se basan en la codificación de las soluciones. Es necesario codificar

de alguna manera el dominio del problema para obtener estructuras manejables
que puedan ser manipuladas por el AG, generalmente mediante “strings”
binarios.

Una vez que se ha definido la manera de codificar los elementos del dominio
del problema, es necesario fijar un punto de partida. Los AGs manipulan
conjuntos de códigos en generaciones sucesivas. En éstas un código puede
aparecer más de una vez. El algoritmo se encargará de favorecer en la
población los códigos que correspondan a elementos del dominio que estén
próximos a resolver el problema.

En resumen, el algoritmo recibe como entrada una población de códigos y a

partir de ésta genera nuevas poblaciones, donde algunos códigos desaparecen
mientras que otros se mezclan con mejores soluciones posibles y aparecen con
más frecuencia hasta que se encuentra una solución satisfactoria o hasta que
se cumple alguna otra condición de término. A lo largo del texto, los códigos en
una población, es decir, los elementos de ésta serán llamados individuos y a un
conjunto de individuos se le denominará población.

5.2 REPRESENTACIÓN DE LA SOLUCIONES.

El predespacho de unidades térmicas, tal como se ha definido, considera como

variable de decisión el estado de acoplamiento de las unidades térmicas.

-96 -
Llamaremos vik ( t ) al estado de una unidad térmica i para la hora t en la

solución k. Como los AG trabajan con una población de soluciones, el

superíndice k se refiere a su ubicación dentro de dicha población; en
consecuencia, para una solución k en la hora t, cada unidad tendrá dos posibles
estados utilizando una representación binaria.
vik ( t ) = 0 Para la solución k, la central i se desacopla en la hora t.

v ik ( t ) = 1 Para la solución k, la central i se acopla en la hora t.

Ahora bien, considerando T etapas (horas) en el análisis, al ordenar los estados

para la unidad térmica i, en una solución k, se forma un vector fila o string
binario tal como se muestra en la Figura 23.

Figura 23: Vector fila vik con los estados para la unidad térmica i.

Si no consideramos las restricciones operacionales de la unidad, tendremos 2T

posibles combinaciones de unos y ceros. Sin embargo, no todas estas
combinaciones de estados son factibles, ya que gran parte de ellos viola las
restricciones de tiempos mínimos de las unidades térmicas, entre otras. Cabe
señalar que, como se explicará más adelante, la inclusión de una subrutina de
reparación de soluciones para eliminar las violaciones a este tipo de
restricciones acota bastante el tamaño del espacio de búsqueda.
Así, cada solución candidata (individuo), para una solución k, estará
representada por una matriz de números binarios como se muestra en la Figura
24.

-97 -
 Figura 24: Representación de una solución a través de una matriz binaria vk.

Para la representación de poblaciones dentro del AG utilizamos hipermatrices

(matrices de más de dos dimensiones) de la forma A (i, t, j), donde:
i: Corresponde al número de generadores que posee la población.
t: Corresponde la cantidad de horas en el período de planificación.
j: Corresponde a la cantidad de soluciones (individuos) presentes en
una generación.

Figura 25: Representación de las matrices binarias dentro de una población.

-98 -
5.3 FUNCIÓN FITNESS.

Para poder comparar dos soluciones candidatas resulta imprescindible contar

con algún mecanismo que evalúe la calidad de cada solución. Esta evaluación
se realizará mediante la resolución del subproblema de optimización detallado
en el capítulo 4. Este problema corresponde a la resolver un OPF para cada
hora del período de planificación.

Además se definió la variable Ti ( t ) que es un contador de los intervalos que la

central i lleva acoplada (+) o desacoplada (-) al final de la hora t. Así, a través
de esta variable es posible identificar las horas que lleva acoplada una central i
y a que hora se acopló/desacopló del sistema. Según el cambio de esta variable
es posible identificar los costos de partida/parada para la hora t que se sumarán
a los costos de operación obtenidos del OPF para la misma hora.

5.4 TRATAMIENTO DE LAS RESTRICCIONES.

El óptimo de un problema con restricciones puede estar en la frontera que

divide un espacio factible de otro infactible, por lo que al algoritmo genético le
es difícil encontrar este punto. A continuación se presentan dos métodos para
tratar restricciones mediante AGs [6].

5.4.1 Algoritmo basado en penalizaciones.

Una forma de tener en cuenta las restricciones al usar un AG es generar

soluciones sin considerar las restricciones y luego penalizar los incumplimientos
disminuyendo la medida de calidad de la función de evaluación. En otras
palabras, se transforma un problema con restricciones en un problema sin
restricciones asociando un término de penalización a cada una de las

-99 -
restricciones violadas. Estos términos de penalización se incluyen en la función
objetivo.

Esta forma de incluir las restricciones en un algoritmo genético tiene varios

inconvenientes:
• Elección de la penalización para cada restricción, ya que no siempre es
conveniente medir de forma homogénea el incumplimiento de diversas
restricciones.
• Si el peso de la penalización sobre la función objetivo no es el adecuado,
debido a la naturaleza del problema, se corre el riesgo de crear un AG
que pase la mayor parte del tiempo evaluando individuos infactibles.
• Además, puede ocurrir que cuando encuentre una solución factible se
produzca una convergencia prematura a la misma debido a que para
encontrar otra solución factible se necesitan soluciones infactibles
intermedias y las penalizaciones hacen improbable que estas soluciones
se generen.
• Si la penalización es moderada, el algoritmo puede obtener individuos
infactibles con mejor medida de calidad que los factibles, porque el valor
de la función de evaluación es mejor para soluciones con penalización
que para las soluciones factibles encontradas.
Los algoritmos genéticos basados en penalizaciones pueden funcionar bien
para problemas con pocas restricciones pero difícilmente funcionan bien para
problemas con muchas restricciones.

5.4.2 Algoritmo de reparación.

Otra forma de considerar las restricciones consiste en la aplicación de

procedimientos que obliguen a su cumplimiento. Es decir, si, por el efecto del
cruce, de la mutación o de cualquier otro operador, una solución no satisface

-100 -
alguna restricción, estos procedimientos alteran su estructura y la corrigen o
reparan de forma que la cumpla. De esta forma, todos los individuos con los
que trabaja el algoritmo genético son soluciones factibles del problema. En la
literatura técnica no se encuentran muchos trabajos de algoritmos genéticos de
reparación. Los problemas más frecuentes que encuentran estos algoritmos
son, por un lado la alta carga computacional que conllevan (lo cual es cada vez
un problema menor con la aparición de computadores más potentes y el uso de
técnicas paralelas de computación); y, por otro lado, el hecho de que estos
procedimientos no son de propósito general, sino que se desarrollan para el
problema específico que se quiere resolver. Finalmente, estos algoritmos
también presentan el inconveniente de que la información genética que poseen
los individuos infactibles puede ser desaprovechada.

5.5 OPERADORES GENÉTICOS.

Los operadores genéticos son reglas estocásticas de transición empleados por

los AGs. Estos operadores son aplicados a cada “string” durante cada
generación con el fin de obtener una nueva y mejorada población a partir de la
ya existente.
Los operadores genéticos utilizados generalmente son los siguientes:

5.5.1 Selección.

Este operador participa en la creación de una nueva población (o generación)

seleccionando los mejores individuos de una población anterior. Esto significa
que habrá un mayor número de copias de los mejores individuos, pero sin
embargo, también existirán algunas de las peores. Dos son los métodos de
selección más comunes:
Selección por ruleta: este método consiste en usar una ruleta en la que
cada cromosoma tiene asignada una fracción proporcional a su índice de
-101 -
calidad (Ver Figura 26), dónde la probabilidad de ser escogido depende de su
índice de calidad. De esta forma, se genera un número aleatorio entre 0 y 1,
denominado probabilidad de selección, tomándose como solución elegida
aquella cuya probabilidad sea igual o mayor a la probabilidad de selección. Se
repite el proceso hasta que se obtiene el número deseado de individuos [13].

P4
P3

P2 P1

Figura 26: Selección mediante ruleta.

Selección por torneo: combina la población y después se hace competir a

los individuos que la integran en grupos de tamaño predefinido (normalmente
compiten en parejas) en un torneo del que resultarán ganadores aquéllos que
tengan valores de aptitud más altos. Nótese que esta técnica garantiza la
obtención de múltiples copias del mejor individuo entre los padres de la
siguiente generación.
La idea es elegir de forma aleatoria un número determinado de soluciones, y
entre ellas, escoger para ser padre de la siguiente generación, aquella que
tenga un mejor valor de adaptación. El otro padre tradicionalmente se escoge
de forma aleatoria para no perder diversidad [14].

-102 -
5.5.2 Cruce.

Es el operador genético principal y consiste en intercambiar material genético

entre dos individuos. A diferencia de otros métodos de optimización, los AGs no
solamente exploran el vecindario de las buenas soluciones, sino que
recombinan sus partes para formar nuevas soluciones, en búsqueda del óptimo
global.
Normalmente el cruce se maneja dentro la implementación del AG como un
porcentaje que indica con qué frecuencia se efectuará. Esto significa que no
todas las parejas de individuos se cruzarán con el mismo operador de cruce, de
hecho la frecuencia es controlada a través de una probabilidad de cruce. Esta
probabilidad es generalmente bastante elevada (normalmente es de más del
60%).
Algunos de los operadores canónicos, es decir, no adaptados al problema en
particular, sino que genéricos, que más se usan en la literatura son [6]:

Cruce monopunto: Se elige una posición al azar, se corta ambos “strings”

padres en dicha posición y se intercambian los bits, generándose dos
descendientes. (Ver Figura 27)

Cruce multipunto: Se eligen dos puntos de cruce al azar, se cortan

ambos “strings” padres en los puntos definidos y se intercambian los bits,
generándose dos descendientes. (Ver Figura 28)

-103 -
 Figura 27. Cruce monopunto.

Figura 28: Cruce multipunto.

Cruce uniforme: se genera un intercambio bit a bit, en orden aleatorio, de

los padres a sus hijos. (ver Figura 29)

-104 -
 Figura 29: Cruce uniforme.

5.5.3 Mutación

Este operador consiste en cambiar el valor de un gen de un individuo en forma

aleatoria. Se aplica con una cierta probabilidad, de modo de aumentar la
diversidad de la población y evitar la convergencia prematura, la mutación debe
ser utilizada con cautela y con una baja probabilidad (típicamente del orden de
1%) para poblaciones normales.

La importancia de este operador es que permite recuperar genes importantes

que son perdidos en el proceso de selección y la mutación los rescata si es
necesario. Nótese que el operador por sí solo no crea nuevos individuos, sino
que opera sobre los descendientes creados mediante los operadores de cruce.

En el presente trabajo se optó por no utilizar este operador porque

generalmente convierte en infactibles las soluciones, provocando el no
cumplimientos de otras restricciones, en su reemplazo se utilizó un operador
mutación deterministico de reparación que se detalla a continuación.

-105 -
5.5.4 Elitismo.

Es un operador genético que selecciona los individuos más adaptados o con

mejor fitness de una población y los transfiere automáticamente a la siguiente;
de esta forma se garantiza que los mejores individuos no se van a perder
producto de la manipulación genética de los otros operadores.
Además, en el presente trabajo de titulación se puede controlar la cantidad de
individuos de elite por población, de manera que se logre un equilibrio entre la
cantidad de individuos de elite a intercambiar material genético y no perder
diversidad evitando caer en óptimos locales.

5.6 OPERADORES DE REPARACIÓN.

Los operadores de reparación de soluciones actúan como operadores de

mutación inteligentes. Tal como los operadores de mutación, los mecanismos
de reparación cambiarán los bits de las soluciones candidatas, pero con el fin
de convertirlas en soluciones factibles.
Esto permite a aquellas soluciones no factibles, pero que contengan
información valiosa, sobrevivir al proceso.

En el presente trabajo se opta por utilizar operadores de reparación para el

tratamiento de las restricciones, lo que permite detener el algoritmo en cualquier
parte del proceso y obtener una solución buena y factible, esta ventaja es
importante cuando se desea ejecutar el algoritmo en forma paralela [6].

5.6.1 Operador de Reparación de cumplimiento de reserva.

Para cada hora t se debe cumplir que la generación máxima acoplada debe ser
mayor que la demanda a suministrar más una cierta cantidad de reserva. Este
operador entra por cada columna de la matriz candidata y evalúa el

-106 -
cumplimiento de la restricción de reserva, si no se cumple hace partir las
unidades necesarias en orden creciente de costos hasta que se cumpla la
reserva.

5.6.2 Operador de Reparación de cumplimiento de mínimos tiempos de

funcionamientos y parada.

Para poder evaluar el cumplimiento de los tiempos mínimos en las unidades

térmicas, se usa la función Ti ( t ) , donde su valor para la hora t corresponde a

las horas que la unidad térmica i ha estado encendida o apagada. Si es mayor

que cero, la unidad i lleva Ti ( t ) horas en funcionamiento; si es menor que cero,

la unidad i lleva Ti ( t ) , horas sin funcionar.

El mecanismo de reparación evalúa hora a hora la función Ti ( t ) . Ahora, si se

produce un cambio de estado, pero Ti ( t ) es menor que la restricción de tiempo

mínimo para la unidad, se cambia el estado en forma recursiva hasta que la

restricción se cumple.

De este modo, el operador de reparación de soluciones actúa reduciendo

sustancialmente el espacio de búsqueda y por lo tanto mejora tanto las
posibilidades de alcanzar el óptimo como la velocidad de convergencia del
algoritmo. Sin embargo, debe tomarse en cuenta que la aplicación de los
operadores reserva y de tiempos mínimos debe realizarse de manera anidada
de manera que la matriz resultante cumpla ambas restricciones.

5.7 CRITERIOS DE CONVERGENCIA.

Para un número lo suficientemente grande de iteraciones (generaciones), se

espera que el algoritmo converja de modo tal que los elementos de la población
sean muy similares entre sí.

-107 -
Para determinar la convergencia de un AG se suelen usar las siguientes
convenciones:
• Ejecutar el algoritmo genético durante un número máximo de
generaciones.
• Detenerlo cuando la población se haya estabilizado (cuando todos o la
mayoría de los individuos tengan la misma aptitud).

Un frecuente problema indeseado con los AGs es la convergencia local a una

solución con buen fitness, pero no óptima, en algún lugar del espacio de
soluciones. Una vez que la población ha convergido después de una cantidad
considerable de generaciones, la habilidad del AGs para continuar buscando
nuevas y mejores soluciones es prácticamente nula. Cruces de casi idénticas
individuos produce generalmente similares individuos.

Para evitar la convergencia prematura del algoritmo, se aplica el operador de

refresco.
Esta operación consiste de una intervención radical en la población para evitar
la convergencia prematura. La forma más simple de implementarla es mediante
la incorporación de nuevas soluciones creadas en forma aleatoria a la
población, de modo de aportar nueva información a la población. Otra forma
obvia de introducir nuevos elementos en una población es recombinar
elementos tomados al azar sin considerar su índice de calidad.

Existen dos opciones de aplicar un operador de refresco, la primera es ejecutar

el operador cuando la solución se estabilice después de un número
predeterminado de generaciones. La segunda es ejecutar el operador cada
cierta cantidad de generaciones independiente si se ha estabilizado la solución.

-108 -
5.8 METODOLOGÍA PROPUESTA.

En esta sección se detallan los pasos del AG desarrollado. El diagrama de flujo

mostrado en la Figura 30 representa la estructura del algoritmo propuesto.

Figura 30: Estructura del AG propuesto.

-109 -
5.8.1 Inicialización.

En esta etapa se ordenan los parámetros del sistema y se realiza la lectura de

los datos de entrada. Estos datos se almacenan en la memoria de forma de no
tener que volver a calcularlos en cada iteración. Además se declaran las
variables globales necesarias para funciones secundarias del programa
principal.

5.8.2 Generación de la población inicial.

El primer paso de los AGs es generar una población inicial de soluciones sobre
la cual empezar a aplicar los operadores genéticos. Esta población suele
generarse aleatoriamente, aunque en ocasiones se incluyen soluciones con
algún material genético con conocimiento experto del sistema en particular.
Una posibilidad es generar una matriz binaria candidata que siga el
comportamiento de la demanda, es decir, exista mayor probabilidad de generar
1 en las horas de mayor demanda.

La inclusión de soluciones predeterminadas en la población inicial, en general

asegura una convergencia más rápida, pero se corre el riesgo de perder
diversidad en la población.

5.8.3 Algoritmo de reparación de soluciones.

El algoritmo de reparación desarrollado contempla corregir matrices candidatas

hasta que la generación completa sea factible. En este proceso, se considera
de manera anidada la reparación de cada hora t y la violación del generador i
producto de una eventual reparación. En la Figura 31 se detalla la estructura de
la rutina de reparación.

-110 -
 Figura 31: Rutina de reparación.

5.8.4 Evaluación de las soluciones.

El AG desarrollado permite utilizar como función fitness de evaluación de la

soluciones cualquier rutina que permita cuantificar los costos de operación del
sistema bajo estudio. De todas las alternativas de despacho económico
descritas en la sección 4.1, en particular se utilizó un modelo multinodal a través
de rutinas de flujo óptimo de potencia AC y DC.

-111 -
La rutina de evaluación de soluciones consiste en ejecutar repetidos flujos
óptimos de potencia para cada hora t y cada individuo j hasta lograr tener
identificada la calidad de cada matriz de acoplamiento.

Esta es la etapa crítica en términos de tiempos de ejecución del algoritmo

propuesto. Por ejemplo, para un problema particular con período de 24 horas,
10 individuos por población y 100 generaciones, se requiere ejecutar
24 ⋅10 ⋅100 = 2400 flujos óptimos de potencia lo que incide fuertemente en el
tiempo de ejecución del algoritmo. Además la rutina es sensible a la cantidad de
generadores en términos de manipulación de matrices de mayor dimensión.

5.8.5 Operadores Genéticos.

Los operadores genéticos permiten, a partir de una generación, crear otra

generación de mejor calidad que la anterior (ver Figura 32)
Para la creación de una generación a partir de otra, se probó y comparó el uso
de operadores expertos y operadores canónicos. Llamaremos operadores
expertos a aquellos diseñados específicamente para adecuarse a las
características del problema. Se llamará operadores canónicos a aquellos
usados tradicionalmente en los AGs. En la Figura 32 se puede apreciar un
esquema del proceso de creación de descendencia, y el diagrama de flujo
interno de la rutina.

-112 -
 Figura 32: Subrutina Operadores Genéticos.

En el modelo desarrollado se utilizaron los operadores genéticos, mostrados en

la sección 5.5.

Según lo mostrado en [7] y [9] un AG convencional, es decir, con operadores de

cruce canónicos presentan una convergencia prematura hacia óptimos locales,

-113 -
por lo que es necesario agregar operadores de cruce expertos para el
predespacho. Diferentes son las propuestas en la literatura para evitar la
convergencia prematura, el presente trabajo se basa en los operadores
empleados exitosamente en [13] y [14].

De esta forma, se utilizan dos tipos de cruzamiento: el cruzamiento de ventana

y cruzamiento de dos puntos, ambos multipuntos. La probabilidad realizarse el
cruce es 1, repartiéndose a cada tipo la mitad de la probabilidad, asegurando de
esta forma, que si no se ejecute una, se ejecute la otra.

Cruce tipo ventana: para este método se escogen al azar 4 números,

representantes a dos columnas y dos filas de las matrices solución. Estos
valores son aplicados a ambos padres, generándose 4 submatrices. Al
combinarse, estas generan dos nuevos hijos, de los cuales solo
sobrevive el que tenga mejor fitness, es decir, aquel que tenga un menor
costo de operación. La
Figura 33 muestra de manera gráfica el cruce tipo ventana.

Cruce de dos puntos: es similar al método anterior, con la diferencia que para
este método se considera la totalidad de las filas, por lo que sólo se generan
dos números que determinan cuales columnas deben ser tomadas en cuenta
para la generación de las 4 submatrices. De igual forma que la anterior, se
generan dos hijos, de los cuales sólo sobrevivirá aquél de mejor desempeño en
la función objetivo. La representación gráfica puede apreciarse en la Figura 34.

-114 -
Figura 33: Cruce tipo ventana.

Figura 34: Cruce en dos puntos.

-115 -
6 APLICACIÓN DE LA METODOLOGÍA PROPUESTA

El presente capítulo tiene por objetivo mostrar los resultados numéricos del
modelo desarrollado sobre sistemas de pequeña, mediana y gran dimensión.
Los datos de entrada de estos sistemas se detallan en los anexos 1 y 2.
Los algoritmos empleados en las simulaciones fueron programados en
MATLAB. Las simulaciones presentadas en el presente capítulo se llevaron a
cabo en un computador con procesador Intel Pentium Core Duo 2 de 2,2GHz,
con 2 GB de memoria RAM y con sistema operativo Windows XP.

Debido a las características particulares del modelo propuesto (principalmente

la inclusión de la red de transmisión en forma explícita en el modelo) no es
posible comparar los resultados obtenidos con resultados previos encontrados
en la literatura para sistemas térmicos. Por ello, en una primera etapa se
realizaron simulaciones sobre sistemas de prueba de pequeña dimensión con el
objeto de probar la convergencia del AG y su capacidad de alcanzar el óptimo,
utilizando como parámetro de comparación la solución óptima encontrada con
enumeración exhaustiva.

A continuación se presentan tres casos de estudios, los que contemplan costos

variables cuadráticos y costos de partida constantes. Asimismo, se incluyen
restricciones de tiempos mínimos de funcionamiento y parada, despreciándose
las restricciones de rampas. Por último, se considera una reserva en giro igual
al 10% de la demanda en cada hora, o en su defecto la reserva proveniente del
sistema originalmente. El horizonte temporal es 1 día dividido en 24 horas.
El primer caso es un sistema pequeño de 3 unidades y 6 barras. El segundo
caso es un sistema de mediana dimensión que consta de 6 unidades 30 barras

-116 -
y el último caso presentado es un sistema de gran escala de 54 unidades y 118
barras.

Para todos los casos se hace una comparación de resultados utilizando AC-
OPF y DC-OPF como subrutina de optimización.
Finalmente, el modelo desarrollado utiliza como dato de entrada y salida los
siguientes parámetros:

Datos de entrada:

• Consumos de potencia activa y reactiva por barra y por hora.

• Niveles máximos de transferencias entre barras.
• Parámetros de flujo de potencia AC ó DC.
• Costos de operación.
• Costos de partida.
• Mínimos tiempos de funcionamiento y parada.

Datos de salida:

• Parque de generación óptimo a ser acoplado. (Predespacho)

• Generación óptima horaria y diaria de las centrales. (Despacho)
• Flujos de potencia horarios por el sistema de transmisión (flujo AC ó DC).
• Pérdidas horarias de potencia por las líneas.
• Costos marginales horarios por barras.
• Costos de operación por unidad generadora.

-117 -
6.1 SISTEMA 6 BARRAS.

Así como se utilizó un sistema pequeño para probar el AG, también se utilizó
este mismo sistema, en particular un sistema de 6 barras, para mostrar con
todo el detalle posible los resultados de la operación del sistema y los
eventuales problemas que pueda ocasionar la red de transmisión, en términos
de pérdidas y congestión.

En la Tabla 5 se presentan los parámetros empleados por el AG desarrollado.

Para la determinación de estos parámetros se ha realizado un proceso de
ajuste por prueba y error. Estos parámetros son los que han permitido la
obtención de los mejores resultados sobre este sistema en particular.

Tabla 5: Parámetros del AG, sistema 6 barras.

N° de Generaciones 100
N° de individuos por generación 20
Probabilidad de Cruce 1
Probabilidad de Cruce Ventana 0
Probabilidad de Cruce 2 puntos 1
Mejores soluciones mantenidas. 3
Operador Refresco Cada 20 generaciones

El número de individuos por generación se ha fijado en 20 pues un tamaño

inferior conduce a una convergencia prematura en la mayoría de los casos,
mientras que un tamaño superior no mejora la calidad de las soluciones
obtenidas, solamente aumentaba el tiempo de ejecución del algoritmo. Como se
puede apreciar, el criterio de detención es simple y consiste en un número de
generaciones igual a 100. La elección de este número se debe a que se
observó empíricamente que el AG no obtenía mejores soluciones para un
número mayor de generaciones. La probabilidad de cruce es 1 y se otorga
-118 -
completamente al operador cruce 2 puntos, esto se debe a que para sistemas
con baja cantidad de generadores no se justifica aplicar el operador ventana.
Para reducir la convergencia prematura se optó por emplear un operador de
refresco que se ejecuta cada 20 generaciones. Durante la ejecución del AG se
aplica un operador elitista que sólo guarda la mejor solución encontrada a lo
largo del proceso evolutivo.

6.1.1 Análisis de resultados DC y AC sin congestión en el sistema de

transmisión.

A continuación se mostrarán los resultados obtenidos para el sistema de 6

barras en base a los datos de entrada presentados en el anexo 1. El AG fue
ejecutado utilizando como subrutina de optimización un AC-OPF y DC-OPF. Por
esta razón, de aquí en adelante se utiliza como comparación estas dos
alternativas desde distintos punto de vistas que sean interesantes para el
sistema en estudio, ignorándose las restricciones de capacidad de transmisión
de las líneas.

La Tabla 6 muestra el resultado del modelo, en particular, el resultado del

predespacho a través de AG. De dicha tabla se puede inferir que la unidad
térmica 1 es del tipo “generación base” y las unidades 2 y 3 son del tipo
“generación punta”.

Tabla 6: Matriz de Acoplamiento sistema 6 Barras.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
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
2 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0
3 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0

La Figura 35 muestra la potencia máxima de las unidades acopladas al sistema

y los costos de generación (costos de operación más costos de partida)
asociados versus la demanda.

-119 -
 400 7.000

350
6.000

300
5.000

250

Costo US$
4.000
MW

200

3.000
150

2.000
100

1.000
50

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORA

Capacidad Máxima  Acoplada Demanda Horaria Costo Generación DC Costo Generación AC

Figura 35: Acoplamiento y costos de operación sistema 6 Barras.

De la figura anterior se puede observar que el resultado del proceso de

optimización, en busca de la configuración óptima de centrales a acoplar para
este sistema, muestra que la solución es la misma independiente si la subrutina
de optimización es AC-OPF ó DC-OPF.
Este resultado es importante porque permite realizar el proceso de optimización
con la herramienta DC, de menor tiempo de ejecución, para finalmente realizar
un proceso de validación AC del resultado obtenido del proceso de optimización
con DC-OPF.
Además los costos de operación AC y DC muestran una leve diferencia
causado sólo por las pérdidas del sistema; además, este mismo resultado
permite concluir que no existe ningún tipo de congestión en el sistema de
transmisión.

-120 -
En la Figura 36 se observa la convergencia del algoritmo con las dos subrutinas
de optimización y el costo asociado. Queda de manifiesto que, para la
convergencia del sistema en estudio, basta con 100 generaciones e incluso
menos.

113.000

112.500
Costo Final AC
112.000
Costo Final DC
111.500

111.000
Costo US$

110.500

110.000

109.500

109.000

108.500

108.000
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
103
109
115
121
127
133
139
145
151
157
163
169
175
181
187
193
199
N° de Generaciones

Figura 36: Evolución y convergencia del AG sistema 6 Barras.

La Figura 37 destaca la generación horaria DC y AC para la configuración

optima de unidades acopladas.

-121 -
 300

250

200
MW

150

100

50

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORAS
G1 G2 G3

300 1,4

1,2
250

1,0
200

0,8
MW

150

0,6

100
0,4

50
0,2

0 0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORAS
G1 G2 G3 Pérdidas

Figura 37: Generación horaria DC, AC y pérdidas sistema 6 Barras.

-122 -
La generación de la unidad 2 es a potencia mínima (ultima en lista de mérito)
con flujo AC y DC. La generación de la unidad 3 es la misma para los dos casos
debido a que está conectada a potencia máxima; en este sentido, las
variaciones de carga para los dos casos son absorbidos por la unidad 1, y para
las horas de demanda, en particular las horas 15, 16 y 17, las variaciones de
carga son absorbidas por la unidad 2.

Con respecto a las pérdidas se observa que, mientras no cambia la

configuración de unidades éstas aumentan conforme a la demanda, pero
cuando se produce un cambio en la configuración de unidades la redistribución
de flujos permite aumentar o disminuir las pérdidas. La generación horaria AC
de la Figura 37 muestra que, en las horas que las 3 unidades están acopladas
las pérdidas disminuyen.

De lo anterior se puede concluir que las 3 unidades conectadas permiten un

mejor perfil de pérdidas, y sólo las 2 unidades conectadas entregan costos de
operación menores, como resultado hora a hora de la optimización resulta la
configuración de centrales mostradas en la Figura 37.

Finalmente la Figura 38 presenta los costos marginales producidos por el

parque de generación acoplado y sus niveles de generación asociados.

-123 -
 45

40

35

30

BARRA 1
US$/MW

25
BARRA 2
20 BARRA 3
BARRA 4
15 BARRA 5
BARRA 6
10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORA

45

40

35

30
BARRA 1
US$/MW

25 BARRA 2
BARRA 3
20 BARRA 4
BARRA 5
15
BARRA 6

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORA

Figura 38: Costos Marginales horarios DC y AC sistema 6 Barras.

-124 -
Los costos marginales mostrados en la Figura 38 siguen el comportamiento de
la demanda, para el caso AC presenta leves diferencia producidos sólo por las
pérdidas del sistema debido a que no existe congestión.

6.1.2 Análisis de resultados DC y AC con congestión en el sistema de

transmisión.

A continuación se muestran los resultados obtenidos para el sistema de 6

barras en base a los datos de entrada presentados en el anexo 1. Se realiza el
mismo análisis anterior, pero esta vez, tomando en cuenta las restricciones de
capacidad de transmisión de las líneas, específicamente limitando la capacidad
de transmisión de la línea 1-4 (ver

Figura 50), de manera de visualizar los efectos que pueden tener eventuales
congestiones en el sistema de transmisión.

La Figura 39 muestra la potencia máxima de las unidades acopladas al sistema

y los costos de generación (costos de operación más costos de partida)
asociados versus la demanda, considerando congestión en el sistema de
transmisión.

-125 -
 400 7.000

350
6.000

300
5.000

250

Costo US$
4.000
MW

200

3.000
150

2.000
100

1.000
50

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORA
Capacidad Máxima  Acoplada Demanda Horaria Costo Generación DC
Costo Generación AC Costo Generación DC congestión Costo Generación AC congestión

Figura 39: Acoplamiento y costos de operación sistema 6 Barras (congestión).

Como resultado de la congestión simulada, la asignación de unidades cambia,

sólo para el caso AC, ver Figura 39, siendo necesaria la partida de una unidad
adicional para las horas 9, 10, 23, y 24 debido a que en esas horas está
acoplada sólo la unidad 1 con la línea 1-4 vecina restringida. Si bien en
términos de reserva la unidad 1 posee capacidad disponible, los perfiles de
tensión del sistema se ven disminuidos violándose los límites operaciones de
tensión, como resultado del proceso de optimización la partida de la unidad 3
permite mejorar la situación en las horas mencionadas.
Además, la misma figura permite distinguir las horas con mayor problema de
congestión, particularmente las horas de mayor demanda, lo que implica que se
encarecen los costos de operación debido a que es necesario reemplazar
generación distante barata por generación local de mayor costo.
El mayor costo de operación resultante se puede observar en la Figura 40.

-126 -
 116.000

115.000
Costo Final AC
Costo Final DC
114.000
Costo Final DC congestión

113.000 Costo Final AC congestión

112.000
Costo US$

111.000

110.000

109.000

108.000

107.000

106.000
1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101
106
111
116
121
126
131
136
141
146
151
156
161
166
171
176
181
186
191
196
N° de Generaciones

Figura 40: Evolución y convergencia del AG sistema 6 Barras (congestión).

Los efectos de la congestión se pueden apreciar con mayor claridad en el perfil

de generación, ver Figura 41, donde, producto de la congestión, la unidad 1 ve
limitada su generación cediendo parte de su generación a la unidad 2 ( Cabe
mencionar que la unidad 3 está a potencia máxima). Las pérdidas muestran un
comportamiento prácticamente plano en las horas de congestión conforme la
demanda aumenta, esto se debe a que al estar restringido el sistema de
transmisión el abastecimiento de la demanda se produce de manera local.

-127 -
 300

250

200
MW

150

100

50

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORAS
G1 G2 G3

300 1,4

1,2
250

1,0
200

0,8
MW

150

0,6

100
0,4

50
0,2

0 0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORAS
G1 G2 G3 Pérdidas

Figura 41: Generación horaria DC, AC y pérdidas sistema 6 Barras

(congestión).

Otro efecto importante que tiene el fenómeno de congestión es sobre los

precios de energía, la Figura 42 muestra el resultado de los costos marginales
asociados a las subrutinas de optimización AC y DC.

-128 -
 60

50

40

BARRA 1
US$/MW

BARRA 2
30 BARRA 3
BARRA 4
BARRA 5
20 BARRA 6

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORA

60

50

40

BARRA 1
US$/MW

BARRA 2
30 BARRA 3
BARRA 4
BARRA 5
20 BARRA 6

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORA

Figura 42: Costos Marginales horarios DC y AC sistema 6 Barras (congestión).

-129 -
Así como el costo marginal de energía representa el precio instantáneo de un
aumento de la demanda, lo que permite mejorar la eficiencia en los mercados
eléctricos entregando las señales económicas del costo de producir electricidad
con las restricciones operacionales asociadas, en casos de congestión en el
sistema de transmisión, los costos marginales por barra se desacoplan
creándose ineficiencias en el mercado, debido a que generación distante de
menor costo debe ser reemplazada por generación local de mayor costo.
Esta situación queda demostrada en la Figura 42, donde para las horas de
mayor demanda, los costos marginales de la barra 1 se desacoplan del costo
marginal del resto de las barras.

6.2 SISTEMA IEEE 118 BARRAS.

En busca de medir la capacidad del modelo desarrollado para resolver

problemas de gran escala, se analiza un sistema de tamaño real. Este sistema
corresponde al IEEE de 118 barras compuesto por: 54 generadores, 186 ramas
(comprende líneas y transformadores) y 91 cargas. Los datos de entrada de
este sistema se detallan en el anexo 2.

6.2.1 Comparación de resultados DC y AC.

La principal razón de resolver sistemas de gran tamaño con herramientas DC-

OPF y AC-OPF, es comparar las diferencias de los resultados en términos de
velocidad de ejecución y precisión. Puesto que es complicado analíticamente
cuantificar los errores introducidos con la modelación DC, la presente sección
muestra el caso específico de un sistema de 118 barras con ambas rutinas, DC
y AC, con el objetivo de mostrar las diferencias obtenidas para encontrar la
matriz de estado de acoplamiento óptimo. Cabe mencionar que la rutina de AC-
OPF versus DC-OPF puede llegar a necesitar hasta 10 veces más de tiempo de
ejecución dependiendo de las condiciones bajo estudio.
-130 -
En la Tabla 7 se presentan los parámetros empleados por el AG desarrollado.
Para la determinación de estos parámetros se ha realizado un proceso de
ajuste por prueba y error. Estos parámetros son los que han permitido la
obtención de los mejores resultados sobre este sistema en particular.

Tabla 7: Parámetros del AG sistema 118 barras.

N° de Generaciones 200
N° de individuos por generación 20
Probabilidad de Cruce 1
Probabilidad de Cruce Ventana 0,5
Probabilidad de Cruce 2 puntos 0,5
Mejores soluciones mantenidas. 3
Operador Refresco Cada 20

El número de individuos por generación se ha fijado en 20 pues un tamaño

inferior conduce a una convergencia prematura en la mayoría de los casos,
mientras que un tamaño superior no mejora la calidad de las soluciones
obtenidas.
Como se puede apreciar el criterio de detención es simple y consiste en un
número de generaciones igual a 200. La elección de este número se debe a
que se observó empíricamente que el AG no obtiene mejores soluciones para
un número mayor de generaciones.
La probabilidad de cruce es 1 y se distribuye uniformemente entre el operador
cruce ventana y el operador cruce 2 puntos. Para reducir la convergencia
prematura se optó por emplear un operador de refresco que se ejecuta cada 20
generaciones. Durante la ejecución del AG se aplica un operador elitista que
sólo guarda la mejor solución encontrada a lo largo del proceso evolutivo.

-131 -
A continuación se muestran los resultados obtenidos para el sistema de 118
barras en base a los datos de entrada presentados en el anexo 2. El AG fue
ejecutado utilizando como subrutina de optimización un AC-OPF y DC-OPF, por
esta razón, de aquí en adelante se utiliza como comparación de resultados
estas dos alternativas.

La Tabla 8 y Tabla 9 muestran el resultado del modelo de optimización del

predespacho a través de AG, en particular, el estado de acoplamiento de las
unidades. De la Tabla 8 y Tabla 9 se puede inferir que las unidades 4, 5, 10, 11,
20, 21, 27, 28, 29, 36, 39, 43, 44 y 45 permanecen siempre acopladas, es decir,
unidades tipo base; producto de este resultado, una alternativa de optimización
en base al conocimiento experto del sistema, es considerar siempre acopladas
las unidades tipo base y realizar nuevamente el proceso de optimización sin
considerar las unidades tipo base.

-132 -
 Tabla 8: Matriz de Acoplamiento DC-OPF sistema 118 Barras.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 0 1 0 1 1 0 0 1 0 0 0 1 1 1 0 0 1 1 0 0 0 0 1 1
2 1 1 0 0 0 1 0 1 0 1 1 0 0 0 0 0 1 1 1 0 1 1 0 0
3 0 1 1 1 0 0 1 0 1 1 1 0 1 1 0 0 0 0 0 1 1 0 1 1
4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
6 0 0 0 1 0 1 1 0 1 0 0 1 0 1 1 0 0 1 1 1 0 0 1 1
7 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
8 1 1 1 1 1 1 0 0 0 1 0 1 1 0 1 0 0 0 0 0 1 1 0 0
9 0 1 1 0 1 1 1 1 1 1 1 0 0 0 0 0 1 0 0 0 0 1 0 0
10 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
12 0 1 0 0 0 1 1 1 1 1 1 1 1 0 1 0 1 0 1 0 1 0 1 0
13 0 0 0 0 1 1 0 1 0 0 1 0 1 0 0 1 0 0 1 0 1 0 0 1
14 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
15 0 0 1 0 1 1 1 1 0 1 0 1 1 1 0 1 0 1 0 0 0 1 1 0
16 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 0
17 1 0 1 0 0 1 0 0 0 1 0 1 1 0 1 0 0 1 1 1 1 1 0 1
18 1 0 0 1 0 0 1 0 1 0 0 0 1 0 0 1 0 1 1 0 0 0 0 0
19 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
20 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
21 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
22 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
23 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1
24 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0
25 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
26 1 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1
27 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
28 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
29 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
30 1 1 0 0 0 0 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0
31 1 0 1 0 0 0 1 0 0 1 0 1 0 0 0 0 1 1 0 1 0 0 0 0
32 1 1 1 0 1 1 0 0 0 0 1 0 1 0 1 0 0 0 1 0 1 0 0 1
33 0 1 0 0 1 0 1 1 1 1 1 0 1 0 0 0 0 1 0 1 0 0 0 0
34 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
35 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
36 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
37 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 1 1 1
38 0 0 0 1 1 1 0 1 0 1 0 1 0 1 1 0 1 1 1 0 0 0 1 0
39 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
40 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0
41 0 0 0 0 0 1 0 1 0 1 1 0 1 1 1 1 1 0 1 0 1 1 1 0
42 0 1 1 1 0 0 1 0 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1
43 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
44 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 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
46 1 1 0 1 1 1 0 1 0 1 1 0 0 1 1 1 1 1 1 1 0 0 0 1
47 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0
48 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1 0
49 1 1 0 0 0 0 0 1 0 1 1 0 0 0 1 0 1 1 0 1 1 1 0 1
50 1 1 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0
51 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 1
52 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 0
53 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1
54 0 0 0 0 1 1 1 0 0 0 1 1 0 0 0 0 1 1 1 0 0 1 1 0

-133 -
 Tabla 9: Matriz de Acomplamiento AC-OPF sistema 118 Barras.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
1 1 1 0 1 1 1 0 1 0 1 1 1 0 1 0 0 1 0 1 1 0 0 0 0
2 1 1 0 1 1 0 0 0 1 0 1 0 1 0 0 1 0 1 0 0 1 1 0 1
3 0 1 0 0 1 1 0 0 0 0 1 1 1 0 1 1 1 0 1 0 0 0 0 0
4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
6 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1
7 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
8 0 1 0 0 1 1 1 1 1 1 0 0 1 0 1 1 1 0 1 0 1 1 1 0
9 0 1 0 1 0 0 0 0 0 1 0 0 0 0 1 1 1 1 0 1 0 0 0 1
10 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
12 1 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 1 1 1 0 0 0 1 0
13 0 0 1 0 1 0 1 0 1 1 1 0 0 1 0 1 0 0 0 1 0 1 0 1
14 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
15 1 1 1 1 1 0 0 0 1 0 0 0 0 1 1 0 1 1 0 1 1 1 1 0
16 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
17 0 0 1 0 1 0 1 1 1 1 1 1 0 1 1 0 1 1 1 0 1 0 1 0
18 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 1 1 1 0 0 0
19 1 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0
20 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
21 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
22 1 1 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1
23 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0
24 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
25 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
26 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0
27 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
28 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
29 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
30 1 1 0 0 0 0 0 1 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 0
31 0 1 1 0 0 1 0 0 1 0 0 1 1 0 0 1 0 0 1 1 0 0 1 1
32 0 0 1 0 1 1 0 1 1 0 1 1 0 0 1 0 0 0 0 0 0 1 1 0
33 1 0 1 0 0 1 0 1 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0
34 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1
35 1 1 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1
36 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
37 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1
38 0 0 0 0 0 1 0 0 1 0 1 1 0 0 1 0 1 0 1 0 0 0 1 0
39 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
40 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
41 1 0 0 1 1 1 0 1 1 0 1 0 0 0 1 1 1 1 1 1 0 1 0 1
42 1 1 0 0 0 0 1 0 1 1 0 0 1 1 1 0 1 0 1 0 0 0 0 0
43 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
44 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 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
46 1 0 0 0 0 0 1 0 1 0 1 0 0 1 1 0 0 0 0 1 1 0 0 1
47 1 1 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1
48 1 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1
49 0 1 1 1 0 1 1 1 0 1 0 1 0 0 0 1 0 0 1 1 0 1 1 0
50 0 0 0 0 0 0 0 0 0 0 1 1 0 0 1 1 1 0 0 1 1 1 0 0
51 1 1 1 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 1 1
52 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0
53 1 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1
54 0 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 0 1 1 0 0 1 1 0

La Figura 43 muestra la potencia máxima de las unidades acopladas al sistema

y los costos de generación (costos de operación más costos de partida)
asociados versus la demanda.

-134 -
 8.000 100.000

90.000
7.000

80.000
6.000
70.000

5.000
60.000

Costo US$
MW

4.000 50.000

40.000
3.000

30.000
2.000
20.000

1.000
10.000

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

HORAS
Capacidad máxima acoplada DC Demanda Horaria Costo Operación DC

8.000 100.000

90.000
7.000

80.000
6.000
70.000

5.000
60.000
Costo US$
MW

4.000 50.000

40.000
3.000

30.000
2.000
20.000

1.000
10.000

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

HORAS
Capacidad máxima acoplada AC Demanda Horaria Costo Operación AC

Figura 43: Acoplamiento y costos de operación DC y AC sistema 118 Barras.

-135 -
De la Figura 43 podemos observar que el resultado del proceso de optimización
muestra fuertes diferencias si la subrutina es AC-OPF ó DC-OPF al momento
de buscar la configuración óptima de centrales a acoplar para este sistema.
Debido a los menores tiempos de ejecución necesarios para la rutina DC, este
resultado exige cuantificar la diferencia entre:
• Realizar el proceso de optimización con la herramienta DC, de menor
tiempo de ejecución, para finalmente realizar un proceso de validación
AC.
• Realizar el proceso de optimización con la herramienta AC.
En la Figura 44 se observa la convergencia del algoritmo con las dos subrutinas
de optimización y el costo asociado. Queda de manifiesto que para la
convergencia del sistema en estudio basta con 100 generaciones e incluso
menos.

1.850.000

1.800.000
Costo Final AC
Costo Final DC

1.750.000
Costo US$

1.700.000

1.650.000

1.600.000
103
109
115
121
127
133
139
145
151
157
163
169
175
181
187
193
199
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97

N° de Generaciones

Figura 44: Evolución y convergencia del AG sistema 118 Barras.

-136 -
La Figura 45 destaca la generación horaria DC y AC para cada configuración
optima de unidades acopladas.

7.000
P54 P53
P52 P51
P50 P49
6.000 P48 P47
P46 P45
P44 P43
P42 P41
5.000 P40 P39
P38 P37
P36 P35
P34 P33
4.000
P32 P31
P30 P29
MW

P28 P27

3.000 P26 P25

P24 P23
P22 P21
P20 P19
2.000 P18 P17
P16 P15
P14 P13
P12 P11
1.000 P10 P9
P8 P7
P6 P5
P4 P3
0
P2 P1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORAS

7.000 250 P54 P53

P52 P51
P50 P49
P48 P47
6.000
P46 P45
200 P44 P43
P42 P41
5.000 P40 P39
P38 P37
P36 P35
150 P34 P33
4.000
P32 P31
MW

P30 P29
P28 P27
3.000 P26 P25
100
P24 P23
P22 P21
P20 P19
2.000
P18 P17
P16 P15
50
P14 P13
1.000 P12 P11
P10 P9
P8 P7
0 0 P6 P5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 P4 P3

HORAS P2 P1
Pérdidas AC

Figura 45: Generación horaria DC, AC y pérdidas sistema 118 Barras.

-137 -
Si se observa con detalle la Figura 45, se puede apreciar las diferencias en los
niveles de generación entre las rutinas DC y AC; además, las pérdidas siguen a
la demanda y prácticamente no dependen de la configuración de unidades
acopladas; situación contraria al sistema de 6 barras estudiado anteriormente.
En conclusión, cuando la cantidad de unidades del sistema en análisis es
suficientemente alta, la redistribución de flujos originados por el
acoplamiento/desacoplamiento de unidades generadoras prácticamente no
influye sobre las pérdidas del sistema.

Finalmente la Figura 46 presenta los costos marginales producidos por cada

configuración óptima de unidades y los niveles de generación asociados.
Los costos marginales mostrados en la Figura 46 siguen el comportamiento de
la demanda; además, para el caso AC se muestra una línea roja que representa
el costo marginal DC (mismo costo para todo el sistema si no hay congestión),
se puede observar fuertes diferencia de costos marginal entre las herramientas
DC y AC quedando de manifiesto la directa incidencia de las pérdidas sobre los
precios de energía de un sistema.

-138 -
 BARRA 1 BARRA 2
25 BARRA 3 BARRA 4
BARRA 5 BARRA 6
BARRA 7 BARRA 8
BARRA 9 BARRA 10
BARRA 11 BARRA 12
BARRA 13 BARRA 14
20 BARRA 15 BARRA 16
BARRA 17 BARRA 18
BARRA 19 BARRA 20
BARRA 21 BARRA 22
BARRA 23 BARRA 24
BARRA 25 BARRA 26
BARRA 27 BARRA 28
15 BARRA 29 BARRA 30
US$/MW

BARRA 31 BARRA 32
BARRA 33 BARRA 34
BARRA 35 BARRA 36
BARRA 37 BARRA 38
BARRA 39 BARRA 40
10 BARRA 41 BARRA 42
BARRA 43 BARRA 44
BARRA 45 BARRA 46
BARRA 47 BARRA 48
BARRA 49 BARRA 50
BARRA 51 BARRA 52
BARRA 53 BARRA 54
5 BARRA 55 BARRA 56
BARRA 57 BARRA 58
BARRA 59 BARRA 60
BARRA 61 BARRA 62
BARRA 63 BARRA 64
BARRA 65 BARRA 66
0 BARRA 67 BARRA 68
BARRA 69 BARRA 70
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORA BARRA 71 BARRA 72

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

BARRA 29 BARRA 30
BARRA 31 BARRA 32
15 BARRA 33 BARRA 34
BARRA 35 BARRA 36
BARRA 37 BARRA 38
BARRA 39 BARRA 40
BARRA 41 BARRA 42
10 BARRA 43 BARRA 44
BARRA 45 BARRA 46
BARRA 47 BARRA 48
BARRA 49 BARRA 50
5 BARRA 51 BARRA 52
BARRA 53 BARRA 54
BARRA 55 BARRA 56
BARRA 57 BARRA 58
BARRA 59 BARRA 60
0 BARRA 61 BARRA 62
BARRA 63 BARRA 64
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 BARRA 65 BARRA 66
HORA

Figura 46: Costos Marginales DC y AC sistema 118 Barras.

-139 -
6.2.2 Comparación de resultados AC con Validación AC.

Una vez estudiada la diferencia entre las subrutinas de optimización DC y AC

para encontrar el estado de acoplamiento óptimo, se analizó la factibilidad de
utilizar los resultados de la rutina DC para realizar un proceso de validación
AC12, ver Figura 47, que permita cuantificar la operación AC del sistema
realizando el proceso de optimización con la herramienta DC.

Figura 47: Diagrama de proceso de validación AC sistema 118 Barras.

12
El proceso de validación AC consiste en una vez resuelto el problema del predespacho de unidades
térmicas utilizando como subrutina una herramienta DC-OPF, utilizar la matriz de acoplamiento óptimo
resultante para ejecutar un AC-OPF.

-140 -
Cabe mencionar que la rutina de AC-OPF versus DC-OPF puede llegar a
necesitar hasta 10 veces más de tiempo de ejecución dependiendo de las
condiciones bajo estudio. Por esta razón, el proceso de validación AC resulta
una alternativa atractiva para sistema de gran tamaño, siempre y cuando la
precisión lograda justifique los ahorros computacionales.

A continuación se muestran los resultados para el sistema de 118 barras en

base a los datos obtenidos de la sección 6.2.1, donde el modelo propuesto fue
ejecutado utilizando como subrutina de optimización un AC-OPF y DC-OPF.
Para el caso DC, posteriormente se realiza el proceso de validación AC
mencionado anteriormente. De aquí en adelante se utiliza como comparación
de resultados estas dos alternativas.

La Figura 43 muestra la potencia máxima de las unidades acopladas al sistema

y los costos de generación (costos de operación más costos de partida)
asociados versus la demanda.

-141 -
 8.000 100.000

90.000
7.000

80.000
6.000
70.000

5.000
60.000

Costo US$
MW

4.000 50.000

40.000
3.000

30.000
2.000
20.000

1.000
10.000

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

HORAS
Capacidad máxima acoplada AC Demanda Horaria Costo Operación AC

8.000 100.000

90.000
7.000

80.000
6.000
70.000

5.000
60.000
MW

4.000 50.000

40.000
3.000

30.000
2.000
20.000

1.000
10.000

0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HORAS
Capacidad Máxima Acoplada Validación AC Demanda Horaria Costo Operación Validación AC

Figura 48: Acoplamiento y costos de operación AC y Validación AC sistema

118 Barras.

-142 -
De la Figura 48 podemos observar que el costo de operación de ambas
alternativas es relativamente similar. En la Tabla 10 se muestra el detalle de los
costos de operación y capacidad máxima resultante.

Tabla 10: Comparación entre operación AC y operación con validación AC.

Capacidad  % Diferencia 
Capacidad  Costo  % Diferencia 
Demanda  Máxima  Capacidad  Costo 
Hora Máxima  Operación  Costos de 
Horaria Acoplada  Maxima  Operación AC
Acoplada AC Validación AC Operación
Validación AC Acoplada
1 4.200 6.330 6.040 4,80% 63.598 63.111 0,77%
2 3.960 5.380 5.540 ‐2,89% 58.647 59.067 ‐0,71%
3 3.480 4.710 4.750 ‐0,84% 50.960 50.506 0,90%
4 2.400 4.610 4.740 ‐2,74% 33.638 32.939 2,12%
5 3.000 4.700 4.790 ‐1,88% 42.330 42.730 ‐0,94%
6 3.600 4.710 4.830 ‐2,48% 53.120 53.661 ‐1,01%
7 4.200 4.850 5.150 ‐5,83% 64.245 64.600 ‐0,55%
8 4.680 5.680 5.410 4,99% 74.159 74.409 ‐0,34%
9 4.920 6.100 5.390 13,17% 81.698 79.205 3,15%
10 5.280 6.820 6.070 12,36% 86.021 85.319 0,82%
11 5.340 6.940 6.750 2,81% 83.927 83.926 0,00%
12 5.040 6.690 6.580 1,67% 77.604 77.885 ‐0,36%
13 4.800 6.610 6.300 4,92% 73.282 73.247 0,05%
14 4.560 5.910 6.180 ‐4,37% 68.234 68.430 ‐0,29%
15 5.280 5.840 6.130 ‐4,73% 82.573 82.696 ‐0,15%
16 5.400 5.820 6.100 ‐4,59% 87.253 84.668 3,05%
17 5.100 6.050 6.160 ‐1,79% 79.433 79.783 ‐0,44%
18 5.340 5.890 6.320 ‐6,80% 86.011 84.557 1,72%
19 5.640 6.350 6.400 ‐0,78% 88.532 89.849 ‐1,47%
20 5.880 6.560 6.450 1,71% 95.508 94.416 1,16%
21 6.000 6.530 6.440 1,40% 97.703 97.439 0,27%
22 5.400 5.980 5.930 0,84% 87.759 86.560 1,39%
23 5.220 5.970 5.740 4,01% 81.932 84.084 ‐2,56%
24 4.920 5.780 5.560 3,96% 78.226 78.277 ‐0,07%

En la Tabla 10 se muestra los porcentajes de diferencia entre la operación AC y

la operación con validación AC, que presenta un costo de operación diario
promedio 6,54% mayor que la operación AC. Este resultado permite concluir
que el proceso de validación AC si bien requiere menos tiempo de ejecución,
para este sistema particular produce resultados insatisfactorios.

-143 -
La Figura 49 destaca la generación horaria AC y validación AC para cada
configuración optima de unidades acopladas.

7.000 250 P54 P53

P52 P51
P50 P49
P48 P47
6.000
P46 P45
200 P44 P43
P42 P41
5.000 P40 P39
P38 P37
P36 P35
150 P34 P33
4.000
P32 P31
P30 P29
MW

P28 P27

3.000 P26 P25

100 P24 P23
P22 P21
P20 P19
2.000 P18 P17
P16 P15
50 P14 P13
P12 P11
1.000
P10 P9
P8 P7
P6 P5
0 0 P4 P3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 P2 P1
HORAS Perdidas Val. AC

7.000 250 P54 P53

P52 P51
P50 P49
P48 P47
6.000
P46 P45
200 P44 P43
P42 P41
5.000 P40 P39
P38 P37
P36 P35
150 P34 P33
4.000
P32 P31
MW

P30 P29
P28 P27
3.000 P26 P25
100
P24 P23
P22 P21
P20 P19
2.000
P18 P17
P16 P15
50
P14 P13
1.000 P12 P11
P10 P9
P8 P7
0 0 P6 P5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 P4 P3

HORAS P2 P1
Pérdidas AC

Figura 49: Generación horaria AC, validación AC y pérdidas sistema 118

Barras.

-144 -
Si se observa con detalle la Figura 49, se puede apreciar las diferencias en los
niveles de generación entre las rutinas AC y validación AC; además, para el
caso AC las pérdidas siguen a la demanda y prácticamente no dependen de la
configuración de unidades acopladas; en cambio, para la validación AC las
pérdidas presentan un comportamiento irregular debido a que las unidades
acopladas están de acuerdo a la rutina DC, que conlleva a menores pérdidas
totales pero mayores costos de operación.
Los resultados obtenidos con el proceso de validación AC permiten concluir que
para sistema de gran tamaño es necesario incluir dentro del proceso de
optimización las ecuaciones AC, de manera de modelar en forma explícita la
potencia reactiva y perfiles de tensión del sistema en estudio. Además, con este
caso se demuestra que un predespacho de unidades térmicas obtenido con una
modelación DC puede producir soluciones no aplicables que requieren
correcciones post-despacho debido al déficit de potencia reactiva y perfiles de
tensiones asociados.

-145 -
6.3 TIEMPOS DE SIMULACIÓN.

Como era de esperar, el tiempo de ejecución del modelo propuesto aumenta

con el tamaño del problema; principalmente con el número de barras, número
de generadores y el número de horas en estudio.
Para cada hora en estudio, el tiempo de ejecución de un OPF depende del
número de barras y generadores del sistema.
En términos de tiempos totales de ejecución, la etapa crítica del algoritmo
propuesto corresponde a la subrutina de “Evaluación de Soluciones”, puesto
que consiste en ejecutar repetidos OPF para cada hora del período de
planificación. Por ejemplo, para un problema particular con un período de 24
horas y 10 individuos (matriz de números de generadores por número de horas)
por población, se requieren ejecutar 24·10 = 240 flujos óptimos de potencia
para formar una población, lo que incide fuertemente en el tiempo de ejecución
del algoritmo. En total para encontrar la solución al problema, considerando 100
generaciones, mínimo se requieren ejecutar 2400 flujos óptimos de potencia.

En la Tabla 11 se muestran los tiempos totales de ejecución del algoritmo

propuesto para el sistema de 6 barras y 118 barras respectivamente.

Tabla 11: Tiempos de simulación.

Sistema Tiempo de simulación
Sistema 6 Barras 50 minutos
Sistema 118 Barras 250 minutos

En busca de disminuir los tiempos de ejecución del modelo propuesto y

considerando que la etapa crítica del problema (rutina de OPF) es de carácter
determinístico, se desarrolló una mejora al algoritmo que permite disminuir
considerablemente los tiempos de ejecución. Esta mejora consiste en recorrer
el espacio de soluciones factibles y almacenar sólo aquellas soluciones que

-146 -
cumple la reserva horaria, el espacio a recorrer es (2 Número de Generadores
− 1)

soluciones.
La mejora propuesta para el algoritmo considera un importante tiempo de
ejecución porque debe recorrer un extenso espacio de soluciones, sin embargo
dicho recorrido se realiza sólo una vez y se almacena en memoria.
Una vez almacenada en memoria las soluciones factibles por reserva, cada vez
que se requiere ejecutar un OPF dentro del modelo de predespacho, según el
parque de generación acoplado (vector columna de tamaño igual al número de
generadores) se busca en memoria el costo de operación asociado.
En la Tabla 12 se muestran los tiempos de simulación con la mejora propuesta
al algoritmo de predespacho. En particular para el sistema de 118 barras no fue
posible recorrer las ( 254 − 1) soluciones factibles, por lo que la mejora propuesta

está limitada para problemas de pequeña y mediana escala.

Tabla 12: Tiempos de simulación con mejora al algoritmo.

Sistema Tiempo de simulación
Sistema 6 Barras 3 minutos
Sistema 118 Barras 250 minutos

-147 -
7 CONCLUSIONES E INVESTIGACIONES FUTURAS.

En este capítulo se presentan las conclusiones más relevantes producto del

presente trabajo. Además, se exponen las líneas futuras de investigación que
se plantean a partir del mismo.

7.1 CONCLUSIONES.

En el presente trabajo se ha abordado el problema de la operación económica

de corto plazo de los sistemas de energía eléctrica con generación térmica. Se
ha caracterizado el problema en 2 etapas fundamentales: (a) predespacho de
unidades térmicas como etapa de búsqueda de la configuración óptima de
unidades a acoplar y (b) despacho económico de carga como etapa encargada
de distribuir la demanda de manera óptima sobre los generadores acoplados al
sistema. Estas dos etapas se han modelado a través de un proceso de
optimización anidado y recursivo que permite encontrar una buena solución al
problema.

Se ha definido y formulado el predespacho de unidades térmicas, donde se han

descrito las restricciones de este problema, así como los términos de la función
objetivo a minimizar. A continuación se ha presentado la formulación tradicional
de este problema, que desde un punto de vista matemático se define como un
problema de optimización no lineal, no convexo, combinatorio, entero-mixto y de
gran dimensión.

-148 -
Seguidamente se ha descrito una formulación basada en flujo óptimo de
potencia que permite incorporar en forma explícita la red de transmisión, la
componente reactiva y perfiles de tensiones asociados al problema. Por último,
se ha presentado la técnica de solución que se propone como alternativa a las
técnicas convencionales empleadas para resolver el predespacho de unidades
térmicas. La técnica propuesta es algoritmos genéticos, los cuales tienen una
flexibilidad en la modelación que permite considerar cualquier tipo de no
linealidad y no convexidad como las que aparecen en el predespacho de
unidades térmicas. Se muestra una representación novedosa de las soluciones
y la metodología de solución basada en algoritmos genéticos, que en realidad
consiste en un modelo híbrido de optimización heurística y matemática, en que
la etapa (a) de predespacho de unidades térmicas se modela con algoritmos
genéticos, y la etapa (b) de despacho económico de carga se logra a través de
una rutina de flujo optimo de potencia, utilizando la herramienta MATPOWER.

Luego se han descrito las características del algoritmo genético desarrollado en

este trabajo, haciendo énfasis en las diferencias con respecto al resto de
algoritmos genéticos. Se ha utilizado un algoritmo genético de reparación para
evitar los eventuales problemas de convergencia de los algoritmos genéticos
con penalizaciones. Los algoritmos de reparación introducen procedimientos
heurísticos que convierten en factibles todas aquellas soluciones que, debido a
los operadores cruce y mutación son infactibles. Para evitar la convergencia
prematura y reducir el tiempo de cálculo se ha implementado un operador de
“refresco” que consiste en una intervención radical sobre la población cuando
ésta se ha estabilizado prematuramente.
Finalmente, se han presentado los resultados obtenidos al aplicar el algoritmo
propuesto en esta tesis a dos casos de estudio, un sistema de 6 barras
(pequeña dimensión) y otro de 118 barras (gran dimensión).

-149 -
Para ambos sistemas el objetivo es encontrar las diferencias entre una
modelación DC y AC de la red de transmisión; además, para el sistema de 6
barras se estudió los eventuales problemas que puede ocasionar una
congestión en el sistema de transmisión; por su parte, para el sistema de 118
barras se estudió la factibilidad de realizar un proceso de validación AC de la
solución encontrada con una modelación DC y comparar estos resultados
utilizando directamente la modelación AC. Las conclusiones que se obtienen de
ambos sistemas son las siguientes:

Sistemas 6 Barras:
• El resultado de las unidades acopladas al sistema es el mismo
independiente si la subrutina de optimización es AC ó DC. Los costos de
operación diarios difieren sólo por las pérdidas.
• Sin considerar congestión en el sistema de transmisión, con la subrutina
DC los costos marginales por barra del sistema para cada hora son
iguales; en el caso que se utiliza la subrutina AC los costos marginales
por barra son levemente diferentes debido a las pérdidas.
• Para simular problemas de congestión se limitó la capacidad de
transmisión de la línea 1-4 del sistema de 6 barras, producto de la
congestión, el resultado de las unidades acopladas es distinto sólo para
el caso AC, donde es necesario la partida de una unidad adicional en las
horas que la reserva es muy estrecha.
• Otro resultado interesante es que los costos de operación diarios
aumentan producto de las limitaciones de la red de transmisión, debido a
que generación distante de menor costo debe ser reemplazada por
generación local de mayor costo. Junto a lo anterior, los costos
marginales del sistema se “desacoplan”, es decir, el costo marginal por
barra es notoriamente distinto en las barras afectadas por la congestión.

-150 -
Sistemas 118 Barras:
• El resultado de las unidades acopladas al sistema es distinto si la
subrutina de optimización es AC ó DC. Los costos de operación diarios
son un 6,54% mayor en la validación AC respecto de la operación AC.
Este resultado permite concluir que el proceso de validación AC, si bien
requiere menos tiempo de ejecución, para este sistema particular
produce resultados insatisfactorios.
• Respeto de la generación de cada unidad y las pérdidas del sistema, la
validación AC muestra resultados irregulares sin ningún tipo de relación,
esto se debe a que, como las unidades acopladas están de acuerdo a
una subrutina DC, se logran menores pérdidas totales pero mayores
costos de operación.

Como conclusión general, el proceso de validación puede ser utilizado en

sistemas de pequeña dimensión, en que la red de transmisión no es tan
relevante; sin embargo, en casos de congestión, independiente del tamaño del
sistema, la validación AC no permite identificar las unidades necesarias a
acoplar al sistema por problemas de congestión.
Este resultado obliga, para sistemas de gran tamaño, introducir una modelación
AC de la red de transmisión que permita minimizar la brecha entre la operación
real y la programada, evitando correcciones post-operación que pueden implicar
la puesta en operación de unidades de generación no previstas, lo cual
deteriora la calidad de la solución obtenida anteriormente.

Basado en las referencias del presente trabajo, se puede deducir que la

tendencia internacional es emplear el predespacho de unidades térmicas
considerando una modelación AC de la red transmisión. Las principales razones
son incorporar restricciones de seguridad, límites de reactivos y perfiles de
tensión en el proceso de búsqueda de la operación a mínimo costo de los

-151 -
sistemas de energía eléctrica. Así mismo, la modelación AC busca obtener la
señal correcta de precios en el mercado cumpliendo con las restricciones
técnicas de operación del sistema que permita a los sistemas interconectados
realizar transferencia de potencia y energía a precios reales.

7.2 INVESTIGACIONES FUTURAS.

A partir de los resultados y de las conclusiones se pueden sugerir las siguientes

extensiones naturales del presente trabajo:
• Contribución real de las unidades térmicas a la reserva en giro:
o La restricción de reserva en giro no se ha modelado teniendo en
cuenta la contribución real de cada unidad a la reserva, es decir,
la diferencia entre la potencia producida y la potencia máxima
disponible limitada por las rampas. En su lugar, se ha considerado
la diferencia que existe entre la potencia generada y la potencia
máxima nominal, sin restricción de rampas.
• Incluir criterios de confiabilidad N -1 de tipo estática en el subproblema
de despacho.
o En muchos sistemas eléctricos existen implementados criterios de
seguridad N -1 destinados principalmente a evitar que el sistema
alcance estados indeseados ante la salida intempestiva de un
componente de la red o de un bloque generador. Los
procedimientos comúnmente utilizados para este caso consisten
en elegir un conjunto de escenarios o despachos típicos junto a
uno de contingencias probables, para seguidamente, realizar
simulaciones mediante flujo AC completo y determinar si el
sistema cumple con los requisitos impuestos. La inclusión de
criterios de confiabilidad N-1 estáticos dentro de la planificación de

-152 -
 corto plazo permitiría una operación más segura de los sistemas
eléctricos.
• Incluir sensibilidades del algoritmo genético y comparación con otras
técnicas de optimización.
o Respecto al método de optimización implementado, sería
interesante encontrar cuales son las variables del algoritmo
genético que más inciden en la convergencia, tales como: tamaño
de la población, número de generaciones, probabilidades de
cruce, tipos de reproducción, tipos de refresco, etc. Además,
incluir una comparación con algún otro método de optimización de
la literatura para resolver el mismo problema.

• Aplicación a sistemas reales.

o Dado los buenos resultados obtenido con el algoritmo heurístico y
el vasto desarrollo encontrado en la literatura, sería interesante
estudiar la respuesta de este tipo de algoritmo en sistemas reales.
En particular en Chile, el Sistema Interconectado del Norte Grande
(SING) posee mayoritariamente unidades térmicas, donde podría
aplicarse el modelo propuesto.

• Aplicación en sistema hidrotérmicos.

o La mayoría de los sistemas eléctricos en Latinoamérica posee
importante capacidad de generación hidráulica. En este sentido,
resulta atractivo extrapolar el algoritmo propuesto a un sistema
hidrotérmico; sin embargo, la componente hidráulica complica la
situación debido a las características aleatorias de las hidrológias
transformándose el problema en un modelo de optimización
estocástico.

-153 -
REFERENCIAS

[1] G. B. Sheblé & G. N. Fahd. "Unit Commitment Literature Synopsis" ”, IEEE

Transactions on Power Systems, Vol. 9, No 1, February 1994.

[2] N. Prasad Phady. "Unit Commitment – A Bibliographycal Survey" ”, IEEE

Transactions on Power Systems, Vol. 19, No 2, May 2004.

[3] Word and Wollenberg “Power Generation, Operation and Control”. 2nd Ed.,
New York: Wiley & Sons, Inc., 1996.

[4] Antonio Gómez Expósito “Análisis y Operación de Sistemas de Energía

Eléctrica”. McGraw Hill/Interamericana de España, 2002.

[5] Wilfredo S. Sifuentes R., Tesis Doctoral: “Despacho Económico Activo-

Reactivo de Corto Plazo Multiembalse Multinodal. Aplicación de Técnicas de
Descomposición” Universidad Nacional de San Juan, 2006.

[6] José M. Arroyo S. Tesis Doctoral: “Modelos y Algoritmos para Explotación

Óptima de Generación en Sistemas Eléctricos Centralizados y Competitivos
mediante el uso de Algoritmos Genéticos y Programación Lineal Entera-Mixta”.
Universidad de Castilla-La Mancha, 2000.

[7] S.A. Kazarlis, A.G. Bakirtzis & V. Petridis “A Genetic Algorithm Solution to
the Unit Commitment Problem”, IEEE Transactions on Power Systems, Vol. 11,
No 1, February 1996.

-154 -
[8] Gerald B. Sheble & Tim T. Maifeld “Genetic-Based Unit Commitment
Algorithm”, IEEE Transactions on Power Systems, Vol. 11, No 3, August 1996.

[9] K.S. Swarup & S. Yamashiro “Unit Commitment Solution Methodology Using
Competitive Environment”, IEEE Transactions on Power Systems, Vol. 17, No
1, February 2000.

[10] Gerald B. Sheble & Charles W. Ritcher “A Profit-Based Unit Commitment

Genetic Algorithm for the Competitive Environment”, IEEE Transactions on
Power Systems, Vol. 15, No 2, May 2000.

[11] F. Leañez G., Rodrigo Palma B. “Comparación de rendimientos entre las

principales metodologías para resolver el predespacho de carga en sistemas
de transmisión”. Anales del Instituto de Ingenieros de Chile, agosto 2004.

[12] A. Conejo, J.M. Arroyo N. Jiménez “Programación Horaria de Centrales

Térmicas Mediante Algoritmos Genéticos”. Jornadas Luso-Espanholas de
Engenharia Electrotécnica, 1995.

[13] Esteban M. Gil S., Tesis Magíster: “Programación de la Generación de corto

plazo en Sistemas Hidrotérmicos usando Algoritmos Genéticos”. Universidad
Técnico Federico Santa María. 2001.

[14] J. Valenzuela y A. E. Smith, “A Seeded Memetic Algorithm for Large

Unit Commitment Problems”, Enviado a Journal of Heuristics, Septiembre 1999

[15] Daniel J. Camac. G. “Programación Dual Determinística en el Despacho

Hidrotérmico”. Universidad Católica de Chile.1994.

-155 -
[16] Claudio A. Negrete N., “Planificación de Sistemas Hidrotermicos:
Aplicaciones al SIC”, Universidad de Santiago de Chile, Santiago, 2005.

[17] José F. Maichil D. 2005, “Operación de un SEP en tiempo real y

programado: criterios y capacidades de las instalaciones”. Universidad de
Santiago de Chile, Santiago.

[18] Jaime G. Jiménez B. “Estudio de modelos de planificación de la operación

empleados en el Sistema Interconectado Central”. Universidad de Santiago de
Chile, Santiago, 2003.

[19] César E. Belmar R. “Incorporación del embalse Colbún al modelo de

operación mensual del Sistema Interconectado Central (OMSIC)”, Universidad
de Santiago de Chile, Santiago, 1991.

[20] W. F. Tinney and C. E. Hart, “Power Flow Solution by Newton’s Method”,

IEEE Transactions on Power Apparatus and Systems, Vol. PAS-86, No. 11,
Nov. 1967, pp. 1449-1460.

[21] B. Stott and O. Alsac, “Fast decoupled load flow”, IEEE Transactions on
Power Apparatus and Systems, Vol. PAS-93, June 1974, pp. 859-869.

[22] R. van Amerongen, “A General-Purpose Version of the Fast Decoupled

Loadflow”, IEEE Transactions on Power Systems, Vol. 4, No. 2, May 1989, pp.
760-770.

[23] A. F. Glimm and G. W. Stagg, “Automatic calculation of load flows”, AIEE

Transactions (Power Apparatus and Systems), vol. 76, pp. 817-828, Oct. 1957.

-156 -
[24] H. Wang, C. E. Murillo-Sánchez, R. D. Zimmerman, R. J. Thomas, “On
Computational Issues of Market-Based Optimal Power Flow”, IEEE
Transactions on Power Systems, Vol. 22, No. 3, Aug. 2007, pp. 1185-1193.

[25] R. D. Zimmerman and D. Gan, MATPOWER – A MATLAB Power System

Simulation Package, User’s Manual, School of Electrical Engineering, Cornell
University, 1997, http://www.pserc.cornell.edu/matpower/manual.pdf.

[26] Raglend, I.J.; Padhy, N.P.; “Solutions to practical unit commitment problems
with operational, power flow and environmental constraints”
Power Engineering Society General Meeting, 2006. IEEE 18-22 June 2006.

[27] M. Younes, M. Rahli and Abdelhakem-Koridak; “Optimal Power Flow Based

on Hybrid Genetic Algortihm”, Journal of Information Science and Engineering
2007, pag. 1801-1816.

[28] Cong-Hui Huang and Whei-Min Lin, “An Enhanced Immune-Annealing

Algorithm for Mixed-Integer Optimal Power Flow”, Intelligent Sytems
Applications to Power Systems, 2007. ISAP 2007 International Conference

[29] IEEE Power Engineering Society, “Optimal Power Flow: Solution

Techniques, Requirements, and Challenges”, IEEE Tutorial Course, 1996.

[30] Sebastián E. Cerda M., “Modelación e Incorporación del Controlador

Unificado de Flujo de Potencia en el Flujo de Potencia Óptimo” Universidad de
Chile, Santiago, 2005.

[31] M. Shahidehpour, H. Yamin and Z.Y. Li, Market Operations in Electric

Power System, John Wiley &Sons, Inc., New York, 2002.

-157 -
[32] Glover, J.D., Sarma, M., 1994, Power System Analysis and Design, second
edition, PWS Publishing Company, Boston, USA.

[33] G. Kron, Tensorial analysis of integrated transmission systems, AIEE

Transactions, Vol 70 y 71, USA, 1951-1952.

[34] F.L. Alvarado, "Penalty Factors from Newton's Method," IEEE Transaction
on Power Appuratus and System, Vol. PAS-97, Nov/Dec 1978, pp. 2031 -2037.

[35] H. W. Dommel and W. F. Tinney, "Optimal Power Flow Solutions", IEEE

Transactions on Power Apparatus and Systems, Vol. PAS- in Power Systems",
Vol. PAS-87, p.1866-1876, October 1968.

-158 -
 ANEXO 1: DATOS SISTEMA 6 BARRAS

Esta sección tiene por objetivo mostrar los datos de entrada del sistema de 6
barras utilizado en el presente trabajo. Los datos para este sistema fueron
obtenidos de la página personal del profesor Ph.D Mohammad Shahidehpour13
http://motor.ece.iit.edu/data/.

L1

1 2 T1 3

4 T2 5 6

L2 L3

Figura 50: Sistema 6 barras.

Tabla 13: Datos de las unidades generadores (Sistema 6 Barras).

Unit Cost Coefficients
Ini. Min Min Start
Bus b c Pmax Pmin Qmax Qmin Ramp
U a State On Off Up
No. (US$/ (US$/ (MW) (MW) (MVAR) (MVAR) (MW/h)
(US$) (h) (h) (h) (US$)
MW) MW2)
G1 1 100 10,00 0,050 220 100 200 -80 4 4 4 55 100
G2 2 162 40,66 0,001 100 10 70 -40 2 3 2 50 200
G3 6 171 22,06 0,006 20 10 50 -40 -1 1 1 20 0

13 IEEE Fellow, Electrical and Computer Engineering Department, Illinois Institute of Technology.

-159 -
 Tabla 14: Datos líneas de transmisión (Sistema 6 Barras).
Line From To Flow Limit
R (pu) X (pu)
No. Bus Bus (MW)
1 1 2 0,0050 0,170 200
2 1 4 0,0030 0,258 100
3 2 4 0,0070 0,197 100
4 5 6 0,0020 0,140 100
5 3 6 0,0005 0,018 100
6 2 3 0 0,037 100
7 4 5 0 0,037 100

Tabla 15: Datos transformadores (Sistema 6 Barras).

Tap-Changing From To X Tap Tap Flow Limit
Transformer No. Bus Bus (pu) Max Min (MW)
T1 2 3 0,037 0,98 0,95 100
T2 4 5 0,037 0,98 0,95 100

Tabla 16: Perfil de distribución de la demanda (Sistema 6 Barras).

Bus No Pd (%) Qd (%)
1 20 23
2 40 38,5
3 40 38,5

Tabla 17: Demanda y reserva en giro horaria (Sistema 6 Barras).

Real Load Reactive Load Operating
Hour
(MW) (MVAR) Reserve (MW)
1 175,19 50,37 8,76
2 165,15 47,48 8,26
3 158,67 45,62 7,93
4 154,73 44,49 7,74
5 155,06 44,58 7,75
6 160,48 46,14 8,02
7 173,39 49,85 8,67
8 177,60 51,06 9,52
9 186,81 53,71 10,28
10 206,96 59,50 10,86
11 228,61 65,73 11,43
12 236,10 67,88 11,80
13 242,18 69,63 12,11
14 243,60 70,03 12,18
15 248,86 71,55 12,44
16 255,79 73,54 12,79
17 256,00 73,60 12,80
18 246,74 70,94 12,34
19 245,97 70,72 12,30
20 237,35 68,24 11,87
21 237,31 68,23 11,87
22 232,67 66,89 11,36
23 195,93 56,33 10,05
24 195,60 56,23 9,84

-160 -
ANEXO 2: DATOS SISTEMA IEEE 118 BARRAS

Esta sección tiene por objetivo mostrar los datos de entrada del sistema IEEE
de 118 barras utilizado en el presente trabajo. Los datos para este sistema
fueron obtenidos de la página personal del profesor Ph.D Mohammad
Shahidehpour14 http://motor.ece.iit.edu/data/.

Figura 51: Sistema 118 Barras.

Tabla 18: Datos de las unidades generadoras (Sistema 118 Barras).

14 IEEE Fellow, Electrical and Computer Engineering Department, Illinois Institute of Technology.

-161 -
 Unit Cost Coefficients Ini Min Min Start
Bus Pmax Pmin Qmax Qmin Ramp
U a b c State On Off Up
No 2 (MW) (MW) (MVAR) (MVAR) (MW/h)
(US$) (US$/MW) (US$/MW ) (h) (h) (h) (US$)
1 4 31,67 26,2438 0,069663 30 5 300 -300 1 1 1 15 40
2 6 31,67 26,2438 0,069663 30 5 50 -13 1 1 1 15 40
3 8 31,67 26,2438 0,069663 30 5 300 -300 1 1 1 15 40
4 10 6,78 12,8875 0,010875 300 150 200 -147 8 8 8 150 440
5 12 6,78 12,8875 0,010875 300 100 120 -35 8 8 8 150 110
6 15 31,67 26,2438 0,069663 30 10 30 -10 1 1 1 15 40
7 18 10,15 17,8200 0,012800 100 25 50 -16 5 5 5 50 50
8 19 31,67 26,2438 0,069663 30 5 24 -8 1 1 1 15 40
9 24 31,67 26,2438 0,069663 30 5 300 -300 1 1 1 15 40
10 25 6,78 12,8875 0,010875 300 100 140 -47 8 8 8 150 100
11 26 32,96 10,7600 0,003000 350 100 1.000 -1.000 8 8 8 175 100
12 27 31,67 26,2438 0,069663 30 8 300 -300 1 1 1 15 40
13 31 31,67 26,2438 0,069663 30 8 300 -300 1 1 1 15 40
14 32 10,15 17,8200 0,012800 100 25 42 -14 5 5 5 50 50
15 34 31,67 26,2438 0,069663 30 8 24 -8 1 1 1 15 40
16 36 10,15 17,8200 0,012800 100 25 24 -8 5 5 5 50 50
17 40 31,67 26,2438 0,069663 30 8 300 -300 1 1 1 15 40
18 42 31,67 26,2438 0,069663 30 8 300 -300 1 1 1 15 40
19 46 10,15 17,8200 0,012800 100 25 100 -100 5 5 5 50 59
20 49 28 12,3299 0,002401 250 50 210 -85 8 8 8 125 100
21 54 28 12,3299 0,002401 250 50 300 -300 8 8 8 125 100
22 55 10,15 17,8200 0,012800 100 25 23 -8 5 5 5 50 50
23 56 10,15 17,8200 0,012800 100 25 15 -8 5 5 5 50 50
24 59 39 13,2900 0,004400 200 50 180 -60 10 8 8 100 100
25 61 39 13,2900 0,004400 200 50 300 -100 10 8 8 100 100
26 62 10,15 17,8200 0,012800 100 25 20 -20 5 5 5 50 50
27 65 64,16 8,3391 0,010590 420 100 200 -67 10 10 10 210 250
28 66 64,16 8,3391 0,010590 420 100 200 -67 10 10 10 210 250
29 69 6,78 12,8875 0,010875 300 80 99.999 -99.999 10 8 8 150 100
30 70 74,33 15,4708 0,045923 80 30 32 -10 4 4 4 40 45
31 72 31,67 26,2438 0,069663 30 10 100 -100 1 1 1 15 40
32 73 31,67 26,2438 0,069663 30 5 100 -100 1 1 1 15 40
33 74 17,95 37,6968 0,028302 20 5 9 -6 1 1 1 10 30
34 76 10,15 17,8200 0,012800 100 25 23 -8 5 5 5 50 50
35 77 10,15 17,8200 0,012800 100 25 70 -20 5 5 5 50 50
36 80 6,78 12,8875 0,010875 300 150 280 -165 10 8 8 150 440
37 82 10,15 17,8200 0,012800 100 25 9.900 -9.900 5 5 5 50 50
38 85 31,67 26,2438 0,069663 30 10 23 -8 1 1 1 15 40
39 87 32,96 10,7600 0,003000 300 100 1000 -100 10 8 8 150 440
40 89 6,78 12,8875 0,010875 200 50 300 -210 10 8 8 100 400
41 90 17,95 37,6968 0,028302 20 8 300 -300 1 1 1 10 30
42 91 58,81 22,9423 0,009774 50 20 100 -100 1 1 1 25 45
43 92 6,78 12,8875 0,010875 300 100 9 -3 8 8 8 150 100
44 99 6,78 12,8875 0,010875 300 100 100 -100 8 8 8 150 100
45 100 6,78 12,8875 0,010875 300 100 155 -50 8 8 8 150 110
46 103 17,95 37,6968 0,028302 20 8 40 -15 1 1 1 10 30
47 104 10,15 17,8200 0,012800 100 25 23 -8 5 5 5 50 50
48 105 10,15 17,8200 0,012800 100 25 23 -8 5 5 5 50 50
49 107 17,95 37,6968 0,028302 20 8 200 -200 1 1 1 10 30
50 110 58,81 22,9423 0,009774 50 25 23 -8 2 2 2 25 45
51 111 10,15 17,8200 0,012800 100 25 1000 -100 5 5 5 50 50
52 112 10,15 17,8200 0,012800 100 25 1000 -100 5 5 5 50 50
53 113 10,15 17,8200 0,012800 100 25 200 -100 5 5 5 50 50
54 116 58,81 22,9423 0,009774 50 25 1000 -1000 2 2 2 25 45

-162 -
 Tabla 19: Datos líneas de transmisión (Sistema 118 Barras).
Line From To Circuit Flow Limit
R (pu) X (pu) B (pu)
No. Bus Bus ID (MW)
1 1 2 1 0,0303 0,0999 0,0254 175
2 1 3 1 0,0129 0,0424 0,01082 175
3 4 5 1 0,00176 0,00798 0,0021 500
4 3 5 1 0,0241 0,108 0,0284 175
5 5 6 1 0,0119 0,054 0,01426 175
6 6 7 1 0,00459 0,0208 0,0055 175
7 8 9 1 0,00244 0,0305 1,162 500
8 8 5 1 0 0,0267 0 500
9 9 10 1 0,00258 0,0322 1,23 500
10 4 11 1 0,0209 0,0688 0,01748 175
11 5 11 1 0,0203 0,0682 0,01738 175
12 11 12 1 0,00595 0,0196 0,00502 175
13 2 12 1 0,0187 0,0616 0,01572 175
14 3 12 1 0,0484 0,16 0,0406 175
15 7 12 1 0,00862 0,034 0,00874 175
16 11 13 1 0,02225 0,0731 0,01876 175
17 12 14 1 0,0215 0,0707 0,01816 175
18 13 15 1 0,0744 0,2444 0,06268 175
19 14 15 1 0,0595 0,195 0,0502 175
20 12 16 1 0,0212 0,0834 0,0214 175
21 15 17 1 0,0132 0,0437 0,0444 500
22 16 17 1 0,0454 0,1801 0,0466 175
23 17 18 1 0,0123 0,0505 0,01298 175
24 18 19 1 0,01119 0,0493 0,01142 175
25 19 20 1 0,0252 0,117 0,0298 175
26 15 19 1 0,012 0,0394 0,0101 175
27 20 21 1 0,0183 0,0849 0,0216 175
28 21 22 1 0,0209 0,097 0,0246 175
29 22 23 1 0,0342 0,159 0,0404 175
30 23 24 1 0,0135 0,0492 0,0498 175
31 23 25 1 0,0156 0,08 0,0864 500
32 26 25 1 0 0,0382 0 500
33 25 27 1 0,0318 0,163 0,1764 500
34 27 28 1 0,01913 0,0855 0,0216 175
35 28 29 1 0,0237 0,0943 0,0238 175
36 30 17 1 0 0,0388 0 500
37 8 30 1 0,00431 0,0504 0,514 175
38 26 30 1 0,00799 0,086 0,908 500
39 17 31 1 0,0474 0,1563 0,0399 175
40 29 31 1 0,0108 0,0331 0,0083 175
41 23 32 1 0,0317 0,1153 0,1173 140
42 31 32 1 0,0298 0,0985 0,0251 175
43 27 32 1 0,0229 0,0755 0,01926 175
44 15 33 1 0,038 0,1244 0,03194 175
45 19 34 1 0,0752 0,247 0,0632 175
46 35 36 1 0,00224 0,0102 0,00268 175
47 35 37 1 0,011 0,0497 0,01318 175
48 33 37 1 0,0415 0,142 0,0366 175
49 34 36 1 0,00871 0,0268 0,00568 175
50 34 37 1 0,00256 0,0094 0,00984 500
51 38 37 1 0 0,0375 0 500
52 37 39 1 0,0321 0,106 0,027 175
53 37 40 1 0,0593 0,168 0,042 175
54 30 38 1 0,00464 0,054 0,422 175
55 39 40 1 0,0184 0,0605 0,01552 175

-163 -
 56 40 41 1 0,0145 0,0487 0,01222 175
57 40 42 1 0,0555 0,183 0,0466 175
58 41 42 1 0,041 0,135 0,0344 175
59 43 44 1 0,0608 0,2454 0,06068 175
60 34 43 1 0,0413 0,1681 0,04226 175
61 44 45 1 0,0224 0,0901 0,0224 175
62 45 46 1 0,04 0,1356 0,0332 175
63 46 47 1 0,038 0,127 0,0316 175
64 46 48 1 0,0601 0,189 0,0472 175
65 47 49 1 0,0191 0,0625 0,01604 175
66 42 49 1 0,0715 0,323 0,086 175
67 42 49 2 0,0715 0,323 0,086 175
68 45 49 1 0,0684 0,186 0,0444 175
69 48 49 1 0,0179 0,0505 0,01258 175
70 49 50 1 0,0267 0,0752 0,01874 175
71 49 51 1 0,0486 0,137 0,0342 175
72 51 52 1 0,0203 0,0588 0,01396 175
73 52 53 1 0,0405 0,1635 0,04058 175
74 53 54 1 0,0263 0,122 0,031 175
75 49 54 1 0,073 0,289 0,0738 175
76 49 54 2 0,0869 0,291 0,073 175
77 54 55 1 0,0169 0,0707 0,0202 175
78 54 56 1 0,00275 0,00955 0,00732 175
79 55 56 1 0,00488 0,0151 0,00374 175
80 56 57 1 0,0343 0,0966 0,0242 175
81 50 57 1 0,0474 0,134 0,0332 175
82 56 58 1 0,0343 0,0966 0,0242 175
83 51 58 1 0,0255 0,0719 0,01788 175
84 54 59 1 0,0503 0,2293 0,0598 175
85 56 59 1 0,0825 0,251 0,0569 175
86 56 59 2 0,0803 0,239 0,0536 175
87 55 59 1 0,04739 0,2158 0,05646 175
88 59 60 1 0,0317 0,145 0,0376 175
89 59 61 1 0,0328 0,15 0,0388 175
90 60 61 1 0,00264 0,0135 0,01456 500
91 60 62 1 0,0123 0,0561 0,01468 175
92 61 62 1 0,00824 0,0376 0,0098 175
93 63 59 1 0 0,0386 0 500
94 63 64 1 0,00172 0,02 0,216 500
95 64 61 1 0 0,0268 0 500
96 38 65 1 0,00901 0,0986 1,046 500
97 64 65 1 0,00269 0,0302 0,38 500
98 49 66 1 0,018 0,0919 0,0248 500
99 49 66 2 0,018 0,0919 0,0248 500
100 62 66 1 0,0482 0,218 0,0578 175
101 62 67 1 0,0258 0,117 0,031 175
102 65 66 1 0 0,037 0 500
103 66 67 1 0,0224 0,1015 0,02682 175
104 65 68 1 0,00138 0,016 0,638 500
105 47 69 1 0,0844 0,2778 0,07092 175
106 49 69 1 0,0985 0,324 0,0828 175
107 68 69 1 0 0,037 0 500
108 69 70 1 0,03 0,127 0,122 500
109 24 70 1 0,00221 0,4115 0,10198 175
110 70 71 1 0,00882 0,0355 0,00878 175
111 24 72 1 0,0488 0,196 0,0488 175
112 71 72 1 0,0446 0,18 0,04444 175
113 71 73 1 0,00866 0,0454 0,01178 175
114 70 74 1 0,0401 0,1323 0,03368 175

-164 -
115 70 75 1 0,0428 0,141 0,036 175
116 69 75 1 0,0405 0,122 0,124 500
117 74 75 1 0,0123 0,0406 0,01034 175
118 76 77 1 0,0444 0,148 0,0368 175
119 69 77 1 0,0309 0,101 0,1038 175
120 75 77 1 0,0601 0,1999 0,04978 175
121 77 78 1 0,00376 0,0124 0,01264 175
122 78 79 1 0,00546 0,0244 0,00648 175
123 77 80 1 0,017 0,0485 0,0472 500
124 77 80 2 0,0294 0,105 0,0228 500
125 79 80 1 0,0156 0,0704 0,0187 175
126 68 81 1 0,00175 0,0202 0,808 500
127 81 80 1 0 0,037 0 500
128 77 82 1 0,0298 0,0853 0,08174 200
129 82 83 1 0,0112 0,03665 0,03796 200
130 83 84 1 0,0625 0,132 0,0258 175
131 83 85 1 0,043 0,148 0,0348 175
132 84 85 1 0,0302 0,0641 0,01234 175
133 85 86 1 0,035 0,123 0,0276 500
134 86 87 1 0,02828 0,2074 0,0445 500
135 85 88 1 0,02 0,102 0,0276 175
136 85 89 1 0,0239 0,173 0,047 175
137 88 89 1 0,0139 0,0712 0,01934 500
138 89 90 1 0,0518 0,188 0,0528 500
139 89 90 2 0,0238 0,0997 0,106 500
140 90 91 1 0,0254 0,0836 0,0214 175
141 89 92 1 0,0099 0,0505 0,0548 500
142 89 92 2 0,0393 0,1581 0,0414 500
143 91 92 1 0,0387 0,1272 0,03268 175
144 92 93 1 0,0258 0,0848 0,0218 175
145 92 94 1 0,0481 0,158 0,0406 175
146 93 94 1 0,0223 0,0732 0,01876 175
147 94 95 1 0,0132 0,0434 0,0111 175
148 80 96 1 0,0356 0,182 0,0494 175
149 82 96 1 0,0162 0,053 0,0544 175
150 94 96 1 0,0269 0,0869 0,023 175
151 80 97 1 0,0183 0,0934 0,0254 175
152 80 98 1 0,0238 0,108 0,0286 175
153 80 99 1 0,0454 0,206 0,0546 200
154 92 100 1 0,0648 0,295 0,0472 175
155 94 100 1 0,0178 0,058 0,0604 175
156 95 96 1 0,0171 0,0547 0,01474 175
157 96 97 1 0,0173 0,0885 0,024 175
158 98 100 1 0,0397 0,179 0,0476 175
159 99 100 1 0,018 0,0813 0,0216 175
160 100 101 1 0,0277 0,1262 0,0328 175
161 92 102 1 0,0123 0,0559 0,01464 175
162 101 102 1 0,0246 0,112 0,0294 175
163 100 103 1 0,016 0,0525 0,0536 500
164 100 104 1 0,0451 0,204 0,0541 175
165 103 104 1 0,0466 0,1584 0,0407 175
166 103 105 1 0,0535 0,1625 0,0408 175
167 100 106 1 0,0605 0,229 0,062 175
168 104 105 1 0,00994 0,0378 0,00986 175
169 105 106 1 0,014 0,0547 0,01434 175
170 105 107 1 0,053 0,183 0,0472 175
171 105 108 1 0,0261 0,0703 0,01844 175
172 106 107 1 0,053 0,183 0,0472 175
173 108 109 1 0,0105 0,0288 0,0076 175

-165 -
 174 103 110 1 0,03906 0,1813 0,0461 175
175 109 110 1 0,0278 0,0762 0,0202 175
176 110 111 1 0,022 0,0755 0,02 175
177 110 112 1 0,0247 0,064 0,062 175
178 17 113 1 0,00913 0,0301 0,00768 175
179 32 113 1 0,0615 0,203 0,0518 500
180 32 114 1 0,0135 0,0612 0,01628 175
181 27 115 1 0,0164 0,0741 0,01972 175
182 114 115 1 0,0023 0,0104 0,00276 175
183 68 116 1 0,00034 0,00405 0,164 500
184 12 117 1 0,0329 0,14 0,0358 175
185 75 118 1 0,0145 0,0481 0,01198 175
186 76 118 1 0,0164 0,0544 0,01356 175

Tabla 20: Demanda y reserva en giro horaria (Sistema 118 Barras).

Real Load Reactive Load Operating
H
(MW) (MVAR) Reserve (MW)
1 4.200 1.623,47 210
2 3.960 1.530,70 198
3 3.480 1.345,16 174
4 2.400 927,70 120
5 3.000 1.159,62 150
6 3.600 1.391,54 180
7 4.200 1.623,47 210
8 4.680 1.809,01 234
9 4.920 1.901,78 246
10 5.280 2.040,93 264
11 5.340 2.064,12 267
12 5.040 1.948,16 252
13 4.800 1.855,39 240
14 4.560 1.762,62 228
15 5.280 2.040,93 264
16 5.400 2.087,31 270
17 5.100 1.971,35 255
18 5.340 2.064,12 267
19 5.640 2.180,08 282
20 5.880 2.272,85 294
21 6.000 2.319,24 300
22 5.400 2.087,31 270
23 5.220 2.017,74 261
24 4.920 1.901,78 246

Tabla 21: Datos transformadores (Sistema 118 Barras).

Transformer From To Circuit Tap Tap Tap Angle Angle Angle
No. Bus Bus ID Initial Max Min Initial Max Min
1 8 5 1 0,985 0 0 0 0 0
2 26 25 1 0,96 0 0 0 0 0
3 30 17 1 0,96 0 0 0 0 0
4 38 37 1 0,935 0 0 0 0 0
5 63 59 1 0,96 0 0 0 0 0
6 64 61 1 0,985 0 0 0 0 0
7 65 66 1 0,935 0 0 0 0 0
8 68 69 1 0,935 0 0 0 0 0
9 81 80 1 0,935 0 0 3,57 -15 15

-166 -
 Tabla 22: Perfil de distribución de la demanda (Sistema 118 Barras).
Bus No Pd (%) Qd (%) Bus No Pd (%) Qd (%) Bus No Pd (%) Qd (%)
1 0,01450 0,00600 41 0,00991 0,00693 81 0,00000 0,00000
2 0,00569 0,00662 42 0,00991 0,01594 82 0,01447 0,01871
3 0,01109 0,00736 43 0,00482 0,00485 83 0,00536 0,00693
4 0,00853 0,00883 44 0,00429 0,00554 84 0,00295 0,00485
5 0,00000 0,00000 45 0,01420 0,01525 85 0,00643 0,01040
6 0,01479 0,01618 46 0,00750 0,00693 86 0,00563 0,00693
7 0,00540 0,00147 47 0,00911 0,00000 87 0,00000 0,00000
8 0,00000 0,00000 48 0,00536 0,00762 88 0,01286 0,00693
9 0,00000 0,00000 49 0,02331 0,02079 89 0,00000 0,00000
10 0,00000 0,00000 50 0,00455 0,00277 90 0,02089 0,02911
11 0,01991 0,01692 51 0,00455 0,00554 91 0,00000 0,00000
12 0,01336 0,00736 52 0,00482 0,00347 92 0,01741 0,00693
13 0,00967 0,01177 53 0,00616 0,00762 93 0,00321 0,00485
14 0,00398 0,00073 54 0,03027 0,02218 94 0,00804 0,01109
15 0,02559 0,02207 55 0,01688 0,01525 95 0,01125 0,02148
16 0,00711 0,00736 56 0,02250 0,01247 96 0,01018 0,01040
17 0,00313 0,00220 57 0,00321 0,00208 97 0,00402 0,00624
18 0,01706 0,02501 58 0,00321 0,00208 98 0,00911 0,00554
19 0,01280 0,01839 59 0,07420 0,07831 99 0,00000 0,00000
20 0,00512 0,00220 60 0,02089 0,00208 100 0,00991 0,01247
21 0,00398 0,00588 61 0,00000 0,00000 101 0,00589 0,01040
22 0,00284 0,00368 62 0,02063 0,00970 102 0,00134 0,00208
23 0,00199 0,00220 63 0,00000 0,00000 103 0,00616 0,01109
24 0,00000 0,00000 64 0,00000 0,00000 104 0,01018 0,01733
25 0,00000 0,00000 65 0,00000 0,00000 105 0,00830 0,01802
26 0,00000 0,00000 66 0,01045 0,01247 106 0,01152 0,01109
27 0,01763 0,00956 67 0,00750 0,00485 107 0,00750 0,00832
28 0,00484 0,00515 68 0,00000 0,00000 108 0,00054 0,00069
29 0,00683 0,00295 69 0,00000 0,00000 109 0,00214 0,00208
30 0,00000 0,00000 70 0,01768 0,01386 110 0,01045 0,02079
31 0,01223 0,01986 71 0,00000 0,00000 111 0,00000 0,00000
32 0,01678 0,01692 72 0,00000 0,00000 112 0,00670 0,00901
33 0,00654 0,00662 73 0,00000 0,00000 113 0,00000 0,00000
34 0,01678 0,01913 74 0,01822 0,01871 114 0,00227 0,00220
35 0,00938 0,00662 75 0,01259 0,00762 115 0,00625 0,00515
36 0,00882 0,01251 76 0,01822 0,02495 116 0,00000 0,00000
37 0,00000 0,00000 77 0,01634 0,01940 117 0,00569 0,00588
38 0,00000 0,00000 78 0,01902 0,01802 118 0,00884 0,01040
39 0,00723 0,00762 79 0,01045 0,02218
40 0,00536 0,01594 80 0,03482 0,01802

-167 -