Beruflich Dokumente
Kultur Dokumente
RESUMEN Los algoritmos genticos se han aplicado con xito a una gran variedad de problemas de ingeniera. Este trabajo propone un algoritmo gentico para resolver el problema del flujo ptimo de potencia teniendo en cuenta solamente la potencia activa del sistema elctrico de potencia. A diferencia de las tradicionales tcnicas de programacin matemtica, el algoritmo gentico puede usar funciones objetivo sin tener conocimiento del problema que va a resolver, esta caracterstica hace que el algoritmo sea sencillo de aplicar, adems permite la inclusin de restricciones no lineales sin necesidad de obtener un equivalente lineal de ellas, lo cual acerca ms la solucin obtenida a la realidad del problema por resolver. Este mtodo se probar utilizando el sistema de prueba IEEE 30 y 118 buses. Palabras clave: flujo ptimo de potencia (FOP), algoritmos genticos (AG), software Matlab, despacho econmico. ABSTRACT Genetic algorithms have been successfully applied to a variety of engineering problems. This paper proposes using a genetic algorithm to solve the problem of optimal power flow, only taking the active power of the power system into account. Unlike traditional mathematical programming techniques, GA can use objective functions without any knowledge of the problem to be solved. This makes the algorithm easy to implement and also allows the inclusion of nonlinear constraints without the need of a linear equivalent, which brings the obtained solution much closer to the reality of the problem to be solved. This method will be tested with the IEEE 30 test system and 118 buses. Keywords: optimal power flow, genetic algorithm, Matlab, economic dispatch.
47
Introduccin
El propsito fundamental de la existencia de un sistema elctrico de potencia es suministrar energa elctrica a sus clientes. Esta labor debe realizarse de la manera ms econmica posible y con un nivel de confiabilidad aceptable. Los clientes conectados a las redes del sistema elctrico esperan que el suministro de energa est continuamente disponible, respondiendo en forma inmediata a las fluctuaciones de la demanda (Arguello, 1988; Wood y Wollenberg, 1996). La solucin al problema de optimizar la generacin, en tanto se acatan los lmites en las lneas de transmisin, consiste en combinar el despacho econmico con los flujos de potencia. El resultado se conoce como flujo ptimo de potencia (FOP). Hay varios mtodos para resolver el FOP, como son la programacin lineal, el gradiente de base1, la programacin cuadrtica entre otras (Pandya y Joshi, 2005). No obstante, los mtodos mencionados presentan tres problemas; en primer lugar no pueden proporcionar una solucin ptima global sino un ptimo a nivel local; en segundo lugar, estos mtodos se basan en hiptesis de continuidad y diferenciabilidad de la funcin objetivo y, por ltimo, todos estos mtodos no pueden aplicarse con variables discretas, como son los taps de los transformadores (Pandya y Joshi, 2005). Este trabajo presenta un algoritmo gentico aplicado a la solucin del problema de flujo ptimo de potencia (FOP). Puesto que los algoritmos genticos (AG) son un mtodo adecuado para solucionar este problema, debido a que mejora los inconvenientes de los mtodos convencionales de solucin, expresados en el prrafo anterior. Este algoritmo gentico se probar en los sistemas de prueba IEEE 30 buses e IEEE 118 buses, para compararlo con otro mtodo de solucin, como el software Gams Power, y as mostrar la eficacia del algoritmo gentico.
dgar rubn muela velasco, clauco andrs latorre balaguera, diego armando len valencia
48
de un sistema entre las unidades generadoras de dicho sistema (Arguello, 1988). El objetivo del problema del flujo de potencia ptimo consiste en determinar la produccin de potencia de cada generador de modo que toda la demanda se satisfaga con un costo mnimo al tiempo que se respetan las restricciones propias de la red. Hacia 1930 se tomaron dos criterios para resolver el problema: El mtodo de carga base en el que la unidad ms eficiente era la primera en tomar la carga hasta su mxima capacidad; luego, la segunda unidad ms eficiente hasta su mxima capacidad y as sucesivamente hasta satisfacer la demanda. El mejor punto de carga, en el que las unidades tomaban carga hasta alcanzar su punto de mnimo calentamiento empezando por la unidad ms eficiente y cargando la unidad menos eficiente al final (Arguello, 1988). Para la dcada del cincuenta aparece el flujo de potencia en las computadoras digitales2. Con estas bases a principios de los sesenta, Squires y J. Carpentier formulan mtodos ms poderosos3 que no requieren suposiciones en las que se consideraban costos incrementales de combustible con las prdidas incrementales, que se hacan en la matriz de coeficiente B, y que pueden incluir un modelo exacto de la red (Arguello, 1988; Wood y Wollenberg, 1996). Adems de satisfacer la demanda, los valores de tensin a lo largo de la red deben mantenerse en niveles aceptables. La potencia reactiva debe transmitirse a lo largo de la red, y su demanda debe ser satisfecha. La potencia activa neta (generacin menos demanda) que llega a un nodo debe expresarse como funcin de todos los tensiones y ngulos en la red (Castillo et l., 2002).
PGi PGi = vi yik vk cos ( i k ik ) (1)
k =1 n
Donde: PGi: potencia activa generada en el nodo i PDi: potencia activa demandada en el nodo i
2 3
Para reducir las suposiciones hechas en la matriz de coeficientes. Lo que se conoce como flujo ptimo de potencia.
49
vi: magnitud de tensin Si: ngulo en el nodo i Yik: mdulo del elemento ij de la matriz Y barra ik: argumento de una constante compleja que depende de la topologa y la estructura fsica de la red, y n: nmero de nodos de la red La magnitud de la tensin de todo nodo debe estar limitada superior e inferiormente
Vi < vi < Vi (2)
Donde:
Vi :< vi < V cota inferior para la magnitud de la tensin en el nodo i, y i Vi < vi < Vi : cota superior.
dgar rubn muela velasco, clauco andrs latorre balaguera, diego armando len valencia
Los generadores pueden producir potencia activa por encima de cierta cota inferior y por debajo de cierta cota superior:
PGi < PGi < PGi (3)
Donde: mnima potencia activa que puede salir del generador i, y PGi :< PGi < PGi
Definido Ci como el costo de produccin en el generador i, el problema del flujo ptimo de potencia se puede representar matemticamente como la minimizacin de la sumatoria de costos de todas las unidades de generacin de un sistema de potencia, as:
Z = Ci (4)
i =1 n
50
En general, el problema del flujo ptimo de potencia consiste en determinar cmo suministrar la demanda de manera ptima, dentro de lmites operativos y cumpliendo las restricciones de seguridad. La formulacin presentada anteriormente considera el caso de tener sistemas con generacin puramente trmicos (costos de generacin por consumo de combustible) (Castillo et l., 2002).
Algoritmos genticos
Los algoritmos genticos (AG) surgen inspirados en el fenmeno evolutivo y selectivo, sucediendo en una dinmica de poblaciones y ciertas propiedades de los sistemas biolgicos: la capacidad de autorreplicacin de los cidos nucledos transmitiendo informacin gentica entre generaciones, la mutacin aumentando la diversidad, la competicin de seres vivos por recursos limitados del entorno (Coley, 1999; Gopi, 2007). Si bien esto sucede en nuestro planeta desde hace 3.500 millones de aos, en 1944 fue cuando Oswald Avery et l. conjeturaron que el soporte fsico de la informacin gentica transmitida entre generaciones es una molcula de ADN (Coley, 1999; Gopi, 2007). En 1975, John Holland (Coello, 2004) pone en escena los algoritmos genticos, entre las capacidades de los algoritmos genticos (AG) en optimizacin; se puede destacar las siguientes: Son mtodos iterativos que convergen a partir de un conjunto inicial y arbitrario de puntos del espacio de bsqueda. La convergencia no est condicionada por requisitos de continuidad o diferenciabilidad del funcional por maximizar o minimizar.
51
En su convergencia al ptimo global escapan de la atraccin de mltiples ptimos locales. Son aplicables y eficientes en la optimizacin multicriterio. Un algoritmo gentico contiene una serie de procesos, similares a los observados en la evolucin biolgica de las especies, que permiten solucionar un problema; stos se describen a continuacin (Coley, 1999; Gopi, 2007).
Seleccin
La seleccin es el proceso en el cual se escogen los individuos que integrarn las parejas que van a reproducirse; todos los individuos pueden participar en la formacin de dichas parejas. La seleccin se realiza al azar y los mtodos ms comunes son la seleccin por ruleta, seleccin basada en el rango y seleccin por torneo (Sivanandam y Deepa, 2008; Coello, 2004).
Cruce
dgar rubn muela velasco, clauco andrs latorre balaguera, diego armando len valencia
El operador cruce realiza la reproduccin de cada pareja de individuos; este operador permite crear individuos nuevos y mejor adaptados, combinando el material gentico de los padres. Existen muchas formas de cruzar dos individuos, entre ellas se encuentran el cruce en un punto, el cruce en varios puntos, el cruce uniforme y el cruce aritmtico (Sivanandam y Deepa, 2008; Coello, 2004).
Mutacin
El operador mutacin cambia el valor de uno o varios genes4 de un individuo, alterando su material gentico. En la evolucin biolgica de las especies, las mutaciones son sucesos bastante poco comunes; en algunos casos producen la muerte del organismo, pero en promedio contribuyen a la diversidad gentica. En los algoritmos genticos las mutaciones tienen la misma funcin y su probabilidad de ocurrencia debe ser baja5 (Sivanandam y Deepa, 2008; Coello, 2004).
4 Cada una de las partculas dispuestas en un orden fijo a lo largo del ADN que determinan la aparicin de los caracteres hereditarios en los organismos. En un algoritmo gentico, cada uno de los elementos del cromosoma que puede tomar un valor numrico. 5 La sustitucin de un gen para mejorar las habilidades de las especies; en la mayora de las veces, la especie desaparece y en muy contadas ocasiones evoluciona.
52
El nivel de adaptacin de un organismo con su medioambiente. En los algoritmos genticos, el valor que toma un individuo de acuerdo con su aptitud para resolver el problema.
53
poblacin son evaluados para determinar si se cumple el criterio de convergencia8 del algoritmo, el cual es definido por el diseador del algoritmo; en caso contrario, se repite todo el proceso anterior sobre la nueva poblacin, hasta que se cumpla el criterio (Gopi, 2007; Sivanandam y Deepa, 2008). El funcionamiento de un algoritmo gentico se resume en el diagrama, mostrado en la figura 1.
Generar la poblacin inicial
Crear individuos nuevos mediante cruce y mutacin dgar rubn muela velasco, clauco andrs latorre balaguera, diego armando len valencia
No
Terminar
En resumen, el algoritmo recibe como entrada una poblacin de individuos, y a partir de stos genera nuevas poblaciones, donde algunos individuos desaparecen mientras que otros se cruzan con los mejores individuos posibles hasta que se encuentra una solucin satisfactoria, o hasta que se cumple alguna otra condicin de convergencia. A lo largo del algoritmo, los individuos de una iteracin, sern llamados poblacin (Gopi, 2007).
8
54
Resultados obtenidos
Los algoritmos empleados en las simulaciones fueron programados en el lenguaje matemtico de Matlab 7.6.0 (R2008a) (MathWorks, Inc., 2004-2009). Las simulaciones presentadas en el presente captulo se llevaron a cabo en un computador con procesador AMD Athlon (TM) 64x2 Dual Core Processor 4000+2.09 GHz, 1,87 GB de memoria RAM y con sistema operativo Windows XP Profesional. Primero se toma un sistema de prueba base, tomando el tamao de la poblacin aleatoriamente; puesto que los algoritmos genticos no poseen una formulacin matemtica, son tcnicas que se basan en parmetros probabilsticos, se aplica el operador cruce y finalmente el nmero de iteraciones, que en este caso son las generaciones; las pruebas realizadas para la ejecucin del algoritmo gentico
9 Valor numrico asignado a un individuo de una poblacin, el cual indica qu tan bueno es este individuo al resolver el problema. 10 11
Nivel de adaptacin de un organismo con su medioambiente. En los algoritmos genticos, el valor que toma un individuo de acuerdo con su aptitud para resolver el problema.
55
Ajustar los valores genticos de los individuos dgar rubn muela velasco, clauco andrs latorre balaguera, diego armando len valencia
No
Sustituir la poblacin
56
enfocado en la solucin de flujo ptimo de potencia fueron en los sistemas de prueba IEEE 30 buses e IEEE 118 buses.
Generador 1 2 5 8 11 13 Total
Fuente: elaboracin de los autores.
57
En la figura 3 se observan las grficas de las tensiones en buses de los dos programas para la solucin de flujo ptimo de potencia. En la figura 4 se observan las grficas obtenidas de la ejecucin de los dos programas para la solucin de flujo ptimo de potencia.
1.08 1.06 1.04
Tensin en bus
17
19
21
23
25
27
29
dgar rubn muela velasco, clauco andrs latorre balaguera, diego armando len valencia
FOPAG
GAMS
Figura 3. Comparacin de tensiones en buses entre Matlab y Gams Power IEEE 30 buses
Fuente: elaboracin de los autores.
250 200
Potencia
150 100 50 0 1 2 5
Generador FOPAG GAMS
11
13
Figura 4. Comparacin de potencias en generadores entre Matlab y Gams Power IEEE 30 buses
Fuente: elaboracin de los autores.
58
El costo total por despacho econmico obtenido con el algoritmo gentico es de 8904,94 $/h y el obtenido por Gams Power es de 8934.74 $/h.
59
Tabla 2. Comparacin de potencias en generadores entre Matlab y Gams Power IEE 118 buses
Generador FOPAG P (MW) GAMS P (MW) Generador FOPAG P (MW) GAMS P (MW) Generador FOPAG P (MW) GAMS P (MW)
1 4 6 8 10 12 15 18 19 24 25 26
dgar rubn muela velasco, clauco andrs latorre balaguera, diego armando len valencia
0 11,1236 25,613 14,4342 203,0057 29,3743 46,1072 67,2778 56,5866 15,9714 66,9717 224,0816 93,2743 14,6204 172,7076 69,0169 71,4451 77,1153
26,261 0 0 0 401,862 85,776 20,942 13,335 21,655 0 193,849 279,803 10,059 7,250 15,001 4,593 10,390 49,155
42 46 49 54 55 56 59 61 62 65 66 69 70 72 73 74 76 77
11,0369 29,4648 15,0833 91,4861 68,626 57,9475 255 214,0777 33,1635 55,1254 492 27,823 100 7,9294 100 53,1726 77,3969 34,2978
40,935 19,050 193,294 49,538 32,047 32,466 149,684 148,394 0 352,190 348,813 453,517 0 0 0 18,297 24,358 0
80 85 87 89 90 91 92 99 100 103 104 105 107 110 111 112 113 116 Total
236,7379 43,8981 32,6008 108,3551 41,1951 17,9131 77,8583 30,8838 66,4686 38,774 78,3443 57,793 100 93,9373 54,4234 171,6832 1,1844 70,1619 4304,57
430,693 0 3,626 501,076 0 0 0 0 231,172 38,225 0 5,384 29,395 7,064 35,232 36,671 0 0 4321,05
27 31 32 34 36 40
60
1 0,98 0,96 0,94 0,92 0,9 0,88 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97 101 105 109 113 117
N de bus FOPAG GAMS
Figura 5. Comparacin de tensiones en buses entre Matlab y Gams Power IEEE 118 buses
Fuente: elaboracin de los autores.
600 500
Potencia
400 300
100 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55
Generador FOPAG GAMS
Figura 6. Comparacin de potencias en generadores entre Matlab y Gams Power IEEE 118
Fuente: elaboracin de los autores.
200
61
Conclusiones
Se obtuvieron mejores resultados (menores costos) aplicando los algoritmos genticos para la solucin del flujo ptimo de potencia en comparacin con el mtodo de gradiente utilizado por el software Gams. Se obtuvo un valor para el sistema de prueba IEEE 30 buses de 8904.9 $/h de costo total de generacin, que comparado con el software de solucin Gams, es 0,33% inferior por hora, y para el caso del sistema IEEE 118 buses el resultado fue de 1,0682x105 $/h de costo de generacin, que comparado con el software de solucin Gams es 0,17% inferior por hora. Los resultados parecen reducciones marginales, pero si se observan los sistemas de prueba estn constituidos por 6 y 54 generadores, respectivamente. En sistemas reales, el nmero de generadores es mucho mayor y el movimiento de dinero es, sin duda, mucho mayor que los valores manejados en los ejemplos presentados. Luego, una reduccin similar evaluada en sistemas reales, no en porcentaje, sino en valores reales (dlares, pesos, euros) puede ser representativa.
dgar rubn muela velasco, clauco andrs latorre balaguera, diego armando len valencia
Por otro lado, se obtuvo una reduccin de 10,617 MW de generacin para el sistema IEEE 30 buses, y para el sistema IEEE 118 buses se obtuvo una reduccin de 16,48 MW de generacin lo que demuestra que los algoritmos genticos son una buena alternativa para la solucin de este problema. Tales reducciones son consecuencia de una redistribucin de la contribucin que cada generador hace al cubrimiento de la demanda total. Tal redistribucin no afecta la calidad del sistema, como evaluada en el nivel de tensin de cada barra de los sistemas de prueba, esto se puede apreciar en la figura 5, donde se puede comparar las tensiones de cada barra para los dos mtodos. Finalmente, se puede apreciar que en la figura 6 que desde la produccin individual se presentan cambios significativos en algunos de los generadores, lo cual indica que para este problema especfico, la no linealidad del problema no afecta la calidad de las soluciones obtenidas por los algoritmos genticos, lo cual justifica enormemente su aplicacin en este campo de ingeniera.
62
Referencias
Arguello, G. (1988). Anlisis y Control de Sistemas Elctricos de Potencia. Instituto Ecuatoriano de Electrificacin, Quito, Ecuador. Castillo, E. et l. (2002). Formulacin y resolucin de modelos de programacin Matemtica en Ingeniera y Ciencia. Coello, C.A. (2004). La importancia de la representacin en los algoritmos Genticos. Coley, D.A. (1999). An introduction to genetic algorithms for scientist and engineers. In: World Scientific Publishing. Gopi, E.S. (2007). Algorithm collections for digital signal processing applications using Matlab. Springer ISBN 978-1-4020-6409-8 All Rights Reserved. Pandya, K.S. & Joshi, S.K. (2005). A Survey of Optimal Power Flow Methods. In: Journal of Theoretical and Applied Information Technology. Sivanandam, S.N. & Deepa, S.N. (2008). Introduction to Genetic Algorithms. Springer ISBN 978-3-540-73189-4 Springer Berlin Heidelberg New York All Rights Reserved. The MathWorks, Inc. Genetic Algorithm and Direct Search Toolbox Users guide2. Copyright 2004-2009 by The MathWorks, Inc. Wood, A.J. and Wollenberg, B.F. (1996). Power Generation Operation and Control. New York, NY: John Wiley & Sons, Inc.
63