Beruflich Dokumente
Kultur Dokumente
various techniques that generally use successive PL large problems that demand relatively large
processing time.
This paper presents an implementation of an interior point algorithm for the expansion planning
problem that allows a significative reduction of processing time.
1. INTRODUCCION
En los ltimos aos, las tcnicas de optimizacin se han utilizado extensamente en la mayora
de las reas del conocimiento, especialmente en el manejo de procesos, recursos, ganancias y
portafolios de inversin. Estos problemas son comnmente formulados como modelos de
programacin no lineal, los cuales adoptan la siguiente forma general:
min f x
(1)
s.a.
gi x 0 i 1, 2,..., m
min bT y
(2)
s.a.
AT y c
y0
Donde A es una matriz de m x n , b y y son vectores de dimensin m y c es un vector de
dimensin n .
Los problemas que contienen una formulacin no lineal, tal como el presentado en (1) pueden
ser resueltos con una secuencia de problemas lineales (LP) como los dados por (2) (Bazaraa,
(1970)) . Sin embargo, estas tcnicas se limitan a la solucin de problemas de pequeo y medio
tamao.
El mtodo SIMPLEX evoluciona a travs de los puntos extremos de la regin factible hasta
encontrar al punto extremo ptimo del problema. En sistemas muy grandes, el nmero de
puntos extremos aumenta exponencialmente, y por lo tanto, el proceso de bsqueda a travs
de estos requiere de tiempos de cmputo muy altos.
Para intentar dar solucin a esta debilidad del mtodo SIMPLEX fueron propuestos los mtodos
de puntos interiores, tanto para problemas lineales como para no lineales, logrndose
reducciones sustanciales en el tiempo de cmputo de los primeros y formas de solucin
interesantes en los segundos.
Una de las primeras publicaciones aceptadas y reconocidas fue el mtodo de punto interior de
Karmarkar (Karmarkar, (1984)) denominado algoritmo de escalamiento proyectivo.
El mtodo de Karmarkar (Karmarkar, (1984), Adler, (1989)), ha sido estudiado e implementado
en varias formas que son considerablemente ms rpidas que el mtodo SIMPLEX estndar, y,
generalmente, requiere de 20 a 60 iteraciones para encontrar la solucin ptima de problemas
de gran tamao.
Posteriormente se presentaron nuevos mtodos de escalamiento, que bsicamente eran
simplificaciones de los algoritmos existentes, y ms tarde, se presentaron los mtodos
conocidos como primales duales, que utilizan el concepto de barrera logartmica, que permite
delimitar un subespacio de solucin que es fcilmente solucionable por una iteracin de
Newton, lo que le permite avanzar hacia el ptimo del problema (Mehrortra, (1992)).
El problema del planeamiento a largo plazo de las redes de transmisin de energa elctrica,
consiste en decidir que, cuanto y donde se deben adicionar nuevos elementos de red,
considerando una red actual y un conjunto de elementos candidatos definidos para cumplir con
una demanda proyectada, cumpliendo criterios tanto tcnicos como econmicos.
El modelamiento matemtico de una red de transmisin presenta varios problemas al momento
de resolverlo, por su naturaleza No Lineal Entera Mixta (PNLEM). El principal problema es que
no es convexo, lo cual no garantiza la obtencin del ptimo global, y puede conducir al proceso
a ptimos locales, aunque eventualmente puede encontrarse el ptimo global.
Al momento de aumentar el tamao de los sistemas e incrementar el nmero de variables, se
produce una explosin combinatorial que le aade otro grado de dificultad matemtica al
problema, otro hecho importante es que el modelo matemtico contiene variables continuas y
enteras, y por lo tanto el sistema obtenido no es diferenciable.
Histricamente, Garver fue el primero en expresar el problema de planeamiento a travs de un
modelo matemtico y proponer soluciones (Garver, (1970)). Durante los ltimos aos se han
aplicado tcnicas de programacin entera mixta usando descomposicin de Benders, simulated
annealing, algoritmos genticos, bsqueda TABU, GRASP, entre otros.
Todas estas tcnicas, estn soportadas sobre la solucin de problemas de Programacin Lineal
(PL) sucesivos, donde generalmente, con la ayuda del resultado de un PL e ndices de
sensibilidad, se propone una nueva red y se ejecuta un nuevo PL modificado hasta obtener un
error mnimo, que generalmente esta asociado a algn parmetro elctrico de inters.
En este contexto, la solucin del PL es el punto que ms consume tiempo en cualquiera de las
tcnicas mencionadas, en especial si el problema es de gran tamao, es por esto que se hace
necesario buscar nuevas herramientas para resolver estos PL con el fin de aumentar la
velocidad de los algoritmos, manteniendo la calidad de las respuestas. Es aqu donde son
interesantes los mtodos de punto interior.
La estructura de este artculo es la siguiente: En la seccin 2 se presenta el modelo matemtico
simplificado usado en el planeamiento de la expansin de sistemas de transmisin, la seccin 3
presenta un algoritmo de puntos interiores primal-dual, en la seccin 4 se acondiciona el
modelo matemtico para ser utilizado con el algoritmo de puntos interiores, en la seccin 5 se
aplica el mtodo al sistema modificado de 6 barras de Garver, y por ltimo se presentan las
conclusiones.
2. MODELO MATEMTICO
El modelo matemtico aplicado al problema de planeamiento es conocido con el nombre de
modelo de transportes, y fue propuesto por Garver (Garver, (1970)).
El modelo de transportes es la versin ms simplificada del modelo DC, que representa una red
de transmisin, y tiene la caracterstica de ser un problema Lineal Entero Mixto (PLEM).
El modelo de transportes se especifica de la siguiente manera:
min v
( , j )
s.a.
(3)
cij nij
Sf g d
(4)
(5)
0 g g
0 nij nij
(6)
(7)
(8)
f ij nij nij0 f ij
nij Entero
fij Irrestricto
(9)
La funcin objetivo (3) representa la suma de los costos de todas las lneas/transformadores
adicionados, las restricciones (4) representan la primera ley Kirchhoff, las restricciones (5)
representan la capacidad de transmisin de los circuitos (el valor absoluto significa que el flujo
de potencia elctrica puede ir en cualquier sentido), (6) y (7) representan los lmites mximos de
capacidad de generacin y del nmero de lneas/transformadores, (8) y (9) establecen la
naturaleza de este problema como Entero Mixto (PLEM)
3. ALGORITMO DE PUNTOS INTERIORES EN PROGRAMACIN LINEAL
El primer mtodo de puntos interiores que tuvo xito fue presentado en (Karmarkar, (1984)). En
la actualidad existen muchas variaciones del mtodo, que generalmente son agrupadas en tres
categoras principales: Mtodos de proyeccin, Mtodos de escalamiento y mtodos primales duales (Quintana, (2002))
Este trabajo aplica un mtodo primal-dual para solucionar un problema de programacin lineal
de la forma:
Min cT .x
s.a.
(10)
g x 0
h x 0
Min cT .x
s.a.
(11)
g x 0
h x s 0
s0
La condicin de no negatividad puede ser considerada introduciendo una barrera logartmica,
imponiendo una condicin de positividad a las variables de holgura de una manera implcita, en
este caso el problema (11) se transforma en:
Min f cT .x k ip0 ln si
(12)
s.a.
g x 0
h x s 0
Donde k 0 y el parmetro de barrera es montonamente decreciente en el proceso iterativo
hasta llegar a un valor de cero. Una secuencia de parmetros
k 0
x
k
k 0
del
problema (12) se aproxima a x* , optimo local del problema (11) (Fiasco, (1968)) .
La funcin lagrangeana resultante del subproblema (12) con funcin logartmica es la siguiente:
L cT x k i p1 ln si T .g x T . h x s
(13)
x L c x g x . x h x . 0
L g x 0
(14)
(15)
L h x s 0
(16)
s k S 1.e 0
(17)
x g x xh x
0
T
xh x
x g x
x L
L
L
s L
(18)
Donde s representa una matriz diagonal definida por los componentes de divididos por los
respectivos elementos de s .
El sistema (18) posee las siguientes caractersticas: dimensin elevada, alto grado de
dispersin, simetra y poca variabilidad en el proceso iterativo, ya que solo los elementos de la
matriz varan durante el proceso.
3.2. Actualizacin de las variables
Las nuevas variables primales y duales son calculadas de la siguiente forma:
x k 1 x k k s . P .x
(19)
s k 1 s k k s . P .s
k 1 k ks . D .
k 1 k k s . D .
Donde P , D , y k s representan respectivamente: el paso primal, el paso dual y el factor de
seguridad que garantiza la estricta positividad de las variables ( k s 0.99995 ).
3.3. Clculo del tamao de los pasos primal y dual.
Una vez resuelto el sistema lineal (18), se obtiene una direccin la cual encuentra un nuevo
punto dentro del proceso. Para hacer una actualizacin de las variables es preciso saber el
tamao de los pasos primal y dual. Estos pasos son calculados de tal forma que garantizan la
no negatividad de las variables s y , lo que quiere decir que existen pasos primal y dual
mximos, que son calculados de la siguiente manera:
P max min min
s j 0
(20)
,1
s j
j
,1
j
sj
(21)
Los valores de los pasos primal y dual pueden ser escogidos entre los intervalos
P 0, P max y D 0, D max respectivamente y de forma independiente, por lo tanto, cada
valor puede ser diferente.
Generalmente, en el caso de PL, son aplicados los pasos mximos en la actualizacin de las
variables sin ningn problema.
3.4. Actualizacin del parmetro de barrera.
Un paso importante dentro del MPI es escoger un parmetro de barrera . En programacin
lineal se han propuesto muchos esquemas para escoger este parmetro. Todos estos mtodos
estn basados en el gap de dualidad o en el gap de complementariedad del problema. En este
trabajo se usa el de complementariedad por que est directamente relacionado con
(Granville, (1994), Wu (1994)).
(22)
T .s
.
p
(23)
v1k 1
(24)
v2k 1
(25)
v3k 1
(26)
v4k
(27)
en donde
(28)
v
k
2
c x g x k . k x h x k . k
1 xk
v3k
1 xk
v
k
4
(29)
(30)
(31)
k
k
En donde v1 , v2 , representan el error primal y dual respectivamente (Torres (1998))
10
4
Las tolerancias tpicas para convergencia son: 10 , 1 10 .
La ecuacin (28) representa el error primal, por lo tanto tambin representa la factibilidad primal
de la solucin del problema. La ecuacin (29) es el error dual, y tambin representa la
factibilidad dual de la solucin del problema. Las condiciones (26) y (27) indican que el
problema parametrizado por es igual al problema original sin el parmetro.
3.6. Punto Inicial
El punto inicial para el mtodo no necesita satisfacer una estricta factibilidad en todas las
variables. La nica condicin que tiene que ser satisfecha es s, 0 , la cual tiene que ser
cumplida durante todo el proceso iterativo (Vanderbei, (2000)).
3.7. Algoritmo de MPI para PL
0
0
0
0
3.7.1. Inicializacin: seleccionar un punto inicial x , , s , , con
s , 0 y
0
0.
3.7.2. Calcular la direccin de bsqueda: solucionar el sistema (18) para el punto actual.
3.7.3. Calcular el tamao de los pasos primal y dual usando (20) y (21).
3.7.4. Actualizar las variables primal y dual con (19).
3.7.5. Probar convergencia usando (24)-(27), si se cumple el criterio de convergencia, FIN, de
lo contrario, retornar al paso 3.7.2 actualizando el parmetro de barrera con (23).
nv 2nl ng
donde nv es el nmero de variables, nl es el nmero de lneas y ng es el nmero de
generadores elctricos.
El nmero de ecuaciones de igualdad es igual al nmero de barras del sistema, dadas por la
ecuacin (4):
m nb
m representa las ecuaciones de igualdad y nb es la cantidad de barras en el sistema.
Las ecuaciones de desigualdad p , vienen dadas por las ecuaciones (5) (6) y (7).
p 2nl 2ng nl
Con el sistema de ecuaciones de igualdad, se obtiene el respectivo gradiente g x
0
g x S T
G
nvxm
h x I nl
0
F
I nl
0
0
0
I ng
0
0
I ng
I nl
0
0
nvxp
donde F es una matriz diagonal con elementos iguales a los lmites mximos de las lneas, I nl
es una matriz Identidad de tamao nl x nl , e I ng es una matriz identidad de tamao ng x ng .
5. PRUEBAS Y RESULTADOS
Barra
1
2
3
4
5
6
Generacin (MW)
150
0
360
0
0
600
Demanda (MW)
80
240
40
160
240
0
Nodo
inicial
1
1
1
1
1
2
2
Nodo
inicial
Nodo
final
2
3
4
5
6
3
4
Nodo
final
nij0
0
0
0
0
0
0
0
100
100
80
100
70
100
100
Flujo mximo (MW)
40
38
60
20
68
20
40
Costo ( 103 U$)
nij0
2
2
3
3
3
4
4
5
5
6
4
5
6
5
6
6
0
0
0
0
0
0
0
0
100
100
82
100
100
75
100
78
31
30
59
20
48
63
31
61
El sistema cuenta con 6 barras, 3 generadores y 15 posibles corredores para instalar lneas, por
lo tanto posee 33 variables, 5 ecuaciones de igualdad y 51 ecuaciones de desigualdad. Como
punto inicial, las variables correspondientes a las lneas se inicializaran con 0, los flujos con 0 y
los generadores en sus valores mximos:
f
f13
f14 f15
x 0 12
0
0
0
0
G1 G3 G 6
n16
0
f16
0
n23
0
f 23
0
n24
0
f 24
0
n25
0
f 25
0
n26
0
f 26
0
n34
0
f34
0
n35
0
f 35
0
n36
0
f 36
0
n45
0
f 45
0
n46
0
f 46
0
n56
0
f56
0 0.1
si0 1.0 i 1..51
i0
si0
0.1 i 1..51
0j 1.0 j 1..6
1010 1 104
Con estos datos se resuelve el sistema (9), y el algoritmo entrega los siguientes resultados:
Tabla 3. Comportamiento del proceso iterativo para el sistema de prueba
iteracin
v f x
v1
v2
v3
v4
1
2
3
4
5
6
7
8
9
-39.9374
-48.5727
-40.2594
-23.4092
-10.3432
38.2491
116.0121
154.6112
154.6015
58.8308
56.6862
52.7371
47.0876
43.4775
30.5144
10.1176
5.0588e-4
2.5294e-8
0.8956
0.8736
0.8619
0.8385
0.7230
0.4887
0.2696
0.0160
7.9869e-7
0.6003
0.0473
0.0354
0.0268
0.0229
0.0140
0.0058
4.2475e-4
3.7565e-5
0.0085
0.0066
0.0048
0.0035
0.0029
0.0017
6.4432e-4
4.6865e-5
4.1449e-6
Se puede observar que en la iteracin 8 ya se tiene una solucin de muy buena calidad.
n15 n16
n12 n13 n14
0
0
0
0.7
0
f
f13
f14
f15
f16
x 9 12
0
0 6.99 0
0
G1 G3 G 6
n23
n24
1.5
0
f 23
f 24
14.99 0
n25
0
f 25
0
n45
0
f 45
0
n46 n56
1.6 0
f 46 f 56
16 0
para comparar nuestros resultados, el mismo sistema se resuelve usando GAMS utilizando el
solver MINOS, el cual encontr la misma solucin en 17 iteraciones.
6. CONCLUSIONES
Se ha aplicado con xito un algoritmo para resolver PL mediante puntos interiores tipo Primal
Dual al problema del planeamiento de la expansin de las capacidades de transmisin de
energa elctrica.
El mtodo de puntos interiores aplicado muestra un desempeo mejor que el de un software
especializado para resolver PL, aunque el sistema de prueba utilizado es un sistema pequeo
desde el punto de vista elctrico. De esta forma se logra disminuir la cantidad de iteraciones
necesarias por PL, lo que conlleva a reducciones considerables de tiempo de procesamiento
cuando se aplican tcnicas que requieren resolver miles o millones de PL sucesivos, como en el
caso del mtodo Branch and Bound, mtodos heursticos constructivos u otros mtodos usados
ya con xito en la solucin del problema PNLEM que representa al planeamiento de la
expansin de las redes de transmisin de energa elctrica de sistemas de gran tamao.
Dada la potencialidad del mtodo, en la actualidad se esta implementando la solucin para el
sistema elctrico colombiano en su red de 230/500KV y en el sistema norte-nordeste brasilero,
tanto en su versin lineal como no lineal. Los resultados de estos trabajos se presentarn en
futuras publicaciones. Dentro de la lnea futura de trabajo se explorar una aplicacin donde en
cada iteracin la base del PL aumente, como es el caso de los mtodos basados en cortes (ej,
Benders).
7. AGRADECIMIENTOS
Los autores desean agradecer a la Universidad Tecnolgica de Pereira por su apoyo al grupo
de investigacin en Planeamiento de Sistemas Elctricos.
BIBLIOGRAFA
Dantzig G. Linear Programming and extensions. (1963), Princeton, NJ: Princeton Unive Press.
Bazaraa M.S. and Shetty C.M, (1970), Nonlinear Programing: Theory and algorithms, Toronto:
Wiley.
Vanelli, A., (1993), Teaching Large Scale Optimization by an Interior Point Approach, IEEE
transactions on Education, Vol 36, No 1, 204-209.
Karmarkar N., (1984), A new polynomial time algorithm for linear programming,
Combinatorica, vol 4, no 4, 373-395.
Adler I. et al, (1989), An implementation of Karmarkars algorithm for linear programming,
Mathematical Programming, vol 44, 297-335.
Mehrortra, S., (1992), On the implementation of a Primal Dual Interior Point Method, SIAM
Journal on Optimization, vol 2, 575-61.
Garver L.L., (1970), Transmissin Network Estimation Using Linear Programming, IEEE Trans
on Power Apparatus & systems, Vol 89, No 7, 1688-1697.
Quintana V., Torres G., (2002) "Introduction to interior point methods", unpublished,
http://thunderbox.uwaterloo.ca/~ieee-ipm/
Fiacco A.V., Mcormick G.P., (1968), Nonlinear programming: sequential unconstrained
minimization techniques, Jhon Wiley & Sons.
Granville S., (1994), "Optimal reactive dispatch through interior point methods", IEEE
Transactions on Power System, vol 9, 136-146.
Wu Y., Debs A., Marsten R., (1994), "A direct predictor-corrector primal dual interior point
algorithm for optimla power flows,", IEEE Transactions on Power systems, vol 9, 876-883.
Torres G.L., Quintana V.H., (1998), "An interior point method for nonlinear optimal power flow
using voltage rectangular coordinates", IEEE Transactions on Power Systems, vol 13, 12111218.
Vanderbei R.J., (2000), Linear Programming: foundations and extensions, Second Edition,
http://www.princeton.edu/~rvdb/LPbook/.