Aplicación de algoritmos genéticos en la planificación operativa del sistema eléctrico interconectado colombiano
Dado el mercado eléctrico actual y la desregulación de los sistemas de energía eléctrica, la operación económica, la seguridad y la calidad de los recursos de generación y transmisión en el sistema se han convertido en una prioridad para las compañías involucradas en la planificación operativa. En este proceso, se utilizan la generación hidráulica y térmica para un escenario de demanda dado, considerando las restricciones técnicas y operativas del sistema de transmisión.
El mercado eléctrico desregulado, en su entorno competitivo, ha provocado que los sistemas eléctricos de potencia funcionen a menudo cerca de su capacidad máxima de potencia, lo que ha traído como consecuencia el funcionamiento de las redes de transmisión en sus límites de transferencia. Además, la falta de disponibilidad de redes de transmisión para ataques en algunos países, las restricciones medioambientales y el costo de los derechos de vía, lo que hace inviable la construcción de nuevas líneas, han hecho que los sistemas de energía operen con líneas sobrecargadas mientras que otros están cargados, con el resultado de Los "flujos de bucle" entre diferentes niveles de voltaje, con altas restricciones operativas en estado dinámico y estacionario, con generación obligatoria para la seguridad eléctrica de recursos costosos que otros disponibles.
Esto afecta el funcionamiento del sistema eléctrico y se refleja en los sobreprecios operativos cargados al usuario final y en un uso inadecuado de la infraestructura existente, lo que lo lleva a un desgaste acelerado y un mantenimiento adicional, que en conjunto afectan a la sociedad y a las empresas que participan en esquemas desregulados. En esta operación altamente restrictiva del Sistema de Energía Eléctrica (EPS) surgen diversas situaciones problemáticas que la literatura ha abordado con una amplia variedad de metodologías. El estado de operación en o cerca de sus límites de transferencia se ha llamado Congestión. Esos límites de transferencia pueden basarse en diversos fenómenos de naturaleza: estado estacionario, estabilidad dinámica, estabilidad de voltaje e incluso criterios de confiabilidad para satisfacer la demanda. Independientemente del esquema de mercado, la planificación de nuevos trabajos o el uso óptimo de los recursos existentes se considera gestión de congestión. Luego se puede manejar la congestión en los sistemas de energía en tres instancias de tiempo diferentes: Planificación de la expansión; Operación Planificación y Operación.
Algoritmo Genético
Los algoritmos genéticos (AG) son algoritmos inspirados por los mecanismos de la evolución natural y la cruz genética; ofrecen una búsqueda adaptativa basada en el principio “darwiniano” de reproducción y supervivencia de individuos que se adaptan mejor a las condiciones ambientales, los principios de evolución y herencia permiten encontrar a los mejores individuos. Estos algoritmos están diseñados para ser utilizados en aquellos casos de gran complejidad donde es muy difícil usar métodos tradicionales de optimización.
El proceso de evolución ocurre cuando se forma una nueva población, que es creada por los operadores genéticos de reproducción y mutación. La reproducción o el cruce se produce cuando se combinan los genes de individuos seleccionados para formar nuevos individuos. La mutación se produce cuando en un individuo o en algunos de ellos de la nueva población, diferentes genes cambian de los que poseían los individuos seleccionados para reproducirse. La mutación permite a la AG escapar de los locales mínimos (máximos). Tanto el cruce como la mutación de un gen se dan de acuerdo con una probabilidad establecida. El proceso de selección, cruce y mutación se repite hasta que alcanza un criterio específico que tradicionalmente ha consistido en llevar a cabo un cierto número de generaciones o cuando se determina que la función objetivo no cambia sustancialmente.
El algoritmo genético es una técnica de optimización sin restricciones; por lo tanto, se han diseñado mecanismos que permiten la incorporación de información importante sobre la violación de restricciones dentro de la función de aptitud, la forma más común de considerar las restricciones se lleva a cabo mediante funciones de penalización que se incluyen en la función de aptitud. Para este trabajo, se desarrolló un código de algoritmo genético de Matlab, con el que se llevaron a cabo las simulaciones y los resultados que se presentan a continuación.
Resultados de la simulación
Se realizaron varias pruebas para obtener el mejor factor de penalización en cada función de aptitud implementada en el software desarrollado. Las funciones de acondicionamiento físico se definen para valores constantes específicos que garantizan el buen desempeño en los resultados y el criterio principal para seleccionar los mejores parámetros fueron las menores pérdidas que cumplen con las restricciones del sistema. En la tabla I se presentan los resultados para el caso de 300 nodos de IEEE con las funciones de aptitud número 1. El cual había definido dos factores de penalización: uno para los voltajes (filas) y otro para la potencia eléctrica (columnas), ambas variables se evaluaron en el mismo rango de 1 a 1000. La tabla I muestra que los mejores parámetros son 100 para los voltajes y 1000 para la penalización de potencia, donde se observaron valores más pequeños de violación de restricciones para el voltaje y la potencia en las ramas del sistema.
Teniendo en cuenta el tiempo de computación, se realizaron muchas pruebas para obtener información sobre el tiempo de computación necesario para evaluar el caso real de Colombia, la prueba consistió en evaluar diferentes sistemas eléctricos (14, 30, 57 118 y 300 nodos) y diferentes programas con el algoritmo genético metodología implementada como GA_tool de Matlab, Flexga y el software propietario desarrollado llamado AG_UDEA.
FUENTE: IEEE
El mercado eléctrico desregulado, en su entorno competitivo, ha provocado que los sistemas eléctricos de potencia funcionen a menudo cerca de su capacidad máxima de potencia, lo que ha traído como consecuencia el funcionamiento de las redes de transmisión en sus límites de transferencia. Además, la falta de disponibilidad de redes de transmisión para ataques en algunos países, las restricciones medioambientales y el costo de los derechos de vía, lo que hace inviable la construcción de nuevas líneas, han hecho que los sistemas de energía operen con líneas sobrecargadas mientras que otros están cargados, con el resultado de Los "flujos de bucle" entre diferentes niveles de voltaje, con altas restricciones operativas en estado dinámico y estacionario, con generación obligatoria para la seguridad eléctrica de recursos costosos que otros disponibles.
Esto afecta el funcionamiento del sistema eléctrico y se refleja en los sobreprecios operativos cargados al usuario final y en un uso inadecuado de la infraestructura existente, lo que lo lleva a un desgaste acelerado y un mantenimiento adicional, que en conjunto afectan a la sociedad y a las empresas que participan en esquemas desregulados. En esta operación altamente restrictiva del Sistema de Energía Eléctrica (EPS) surgen diversas situaciones problemáticas que la literatura ha abordado con una amplia variedad de metodologías. El estado de operación en o cerca de sus límites de transferencia se ha llamado Congestión. Esos límites de transferencia pueden basarse en diversos fenómenos de naturaleza: estado estacionario, estabilidad dinámica, estabilidad de voltaje e incluso criterios de confiabilidad para satisfacer la demanda. Independientemente del esquema de mercado, la planificación de nuevos trabajos o el uso óptimo de los recursos existentes se considera gestión de congestión. Luego se puede manejar la congestión en los sistemas de energía en tres instancias de tiempo diferentes: Planificación de la expansión; Operación Planificación y Operación.
Algoritmo Genético
Los algoritmos genéticos (AG) son algoritmos inspirados por los mecanismos de la evolución natural y la cruz genética; ofrecen una búsqueda adaptativa basada en el principio “darwiniano” de reproducción y supervivencia de individuos que se adaptan mejor a las condiciones ambientales, los principios de evolución y herencia permiten encontrar a los mejores individuos. Estos algoritmos están diseñados para ser utilizados en aquellos casos de gran complejidad donde es muy difícil usar métodos tradicionales de optimización.
El proceso de evolución ocurre cuando se forma una nueva población, que es creada por los operadores genéticos de reproducción y mutación. La reproducción o el cruce se produce cuando se combinan los genes de individuos seleccionados para formar nuevos individuos. La mutación se produce cuando en un individuo o en algunos de ellos de la nueva población, diferentes genes cambian de los que poseían los individuos seleccionados para reproducirse. La mutación permite a la AG escapar de los locales mínimos (máximos). Tanto el cruce como la mutación de un gen se dan de acuerdo con una probabilidad establecida. El proceso de selección, cruce y mutación se repite hasta que alcanza un criterio específico que tradicionalmente ha consistido en llevar a cabo un cierto número de generaciones o cuando se determina que la función objetivo no cambia sustancialmente.
El algoritmo genético es una técnica de optimización sin restricciones; por lo tanto, se han diseñado mecanismos que permiten la incorporación de información importante sobre la violación de restricciones dentro de la función de aptitud, la forma más común de considerar las restricciones se lleva a cabo mediante funciones de penalización que se incluyen en la función de aptitud. Para este trabajo, se desarrolló un código de algoritmo genético de Matlab, con el que se llevaron a cabo las simulaciones y los resultados que se presentan a continuación.
Resultados de la simulación
Se realizaron varias pruebas para obtener el mejor factor de penalización en cada función de aptitud implementada en el software desarrollado. Las funciones de acondicionamiento físico se definen para valores constantes específicos que garantizan el buen desempeño en los resultados y el criterio principal para seleccionar los mejores parámetros fueron las menores pérdidas que cumplen con las restricciones del sistema. En la tabla I se presentan los resultados para el caso de 300 nodos de IEEE con las funciones de aptitud número 1. El cual había definido dos factores de penalización: uno para los voltajes (filas) y otro para la potencia eléctrica (columnas), ambas variables se evaluaron en el mismo rango de 1 a 1000. La tabla I muestra que los mejores parámetros son 100 para los voltajes y 1000 para la penalización de potencia, donde se observaron valores más pequeños de violación de restricciones para el voltaje y la potencia en las ramas del sistema.
Teniendo en cuenta el tiempo de computación, se realizaron muchas pruebas para obtener información sobre el tiempo de computación necesario para evaluar el caso real de Colombia, la prueba consistió en evaluar diferentes sistemas eléctricos (14, 30, 57 118 y 300 nodos) y diferentes programas con el algoritmo genético metodología implementada como GA_tool de Matlab, Flexga y el software propietario desarrollado llamado AG_UDEA.
FUENTE: IEEE
No hay comentarios.: