Beruflich Dokumente
Kultur Dokumente
Domingo
UASD
Sección : 02
SUSTENTANTE :
INDICE DE FIGURAS............................................................................................... ix
RESUMEN................................................................................................................. xii
INTRODUCCION ............................................................................................
1. .. 1
1.1 Planificación de Sistemas de Distribución de Energía Eléctrica ............... 1
1.2 Planteamiento del Problema....................................................................... 2
1.3 Objetivo...................................................................................................... 4
1.4 Estructura del proyecto .............................................................................. 4
A N E X O S................................................................................................................................141
CONCLUSION ..........................................................................................................................171
INDICE DE TABLAS
Pág.
Tabla 5.3: Ahorro v/s número de combinaciones con cota en 300 kVA ...........................99
ERIS DE LA ROSA
INDICE DE FIGURAS
Pág.
ix
Figura 5.3: Identificación zonas interiores diagrama de Voronoi ......................................82
Figura 5.7: Diagrama de Voronoi generado por transformadores de 300 kVA ...............88
x
Figura E.3: Ubicación y red inicial........................................................................................163
x
RESUMEN DEL PROYECTO
La planificación de la distribución eléctrica considerando como input sólo la ubicación y
proyección de la demanda de los consumos, es clave en aquellos mercados en que la
distribución está regulada mediante el esquema de empresa modelo, donde las tarifas son
fijadas de acuerdo a una empresa ficticia óptima, que abastece la misma zona de concesión
de la empresa regulada.
En el presente proyecto planteado por el Ingeniero Félix Cabral se analiza lo referente a la
optimización de la red de baja tensión partiendo desde cero (Greenfield planning), así se
propone un procedimiento del tipo “Dividir y Conquistar”, en que la zona a planificar es
dividida en mini-zonas, y a cada una de ellas se les aplica un procedimiento de optimización,
con uso intensivo de clustering, cuyo acierto es considerar en forma acoplada la ubicación y
capacidad de los transformadores con la red asociada, optimizando también su topología y
los conductores que la componen.
Sin embargo tal división es arbitraria, para perfeccionarlo se realizaron dos familias de
metodologías, una que busca realizar una mejor partición, basada en los diagramas de
Voronoi, en que la ubicación de ciertos transformadores representan los puntos generadores
para los polígonos de Voronoi, logrando mini-zonas irregulares y optimizando cada una de
ellas, y la otra basada en la posibilidad que redes vecinas puedan ser unidas en una misma red
siempre y cuando tal unión genere ahorros, dada la gran cantidad de variables, dicha
construcción es realizada utilizando búsqueda tabú.
La metodología final es una combinación secuencial de ambas, realizando primero una
adecuada fragmentación, para luego optimizar cada mini-zona irregular y finalmente analizar
la posibilidad de unión entre ellas. Obteniendo una metodología que permite resolver la
planificación desde cero para una zona de gran tamaño, la que finalmente es aplicada
tomando con ejemplo la ciudad de Santiago de chile, proceso que entrega como resultado
7.686 transformadores de distribución con una capacidad instalada de 2.625 MVA, con una
red de distribución de baja tensión de 8.935 km.
PAGINA DEJADA EN BLANCO PARA CREAR EXPECTATIVA EN EL LECTOR
1. INTRODUCCION
empresa modelo se realiza desde cero, esto es, la empresa eficiente considera únicamente la
ubicación y demanda actual y proyectada de los consumos, de manera de no incluir en su
diseño, ninguna de las ineficiencias que podría tener la empresa que está siendo regulada.
Con este tipo de regulación, la empresa real sólo obtendrá rentabilidad si es capaz de
comportarse igual o mejor que la empresa modelo en sus gastos de inversión y operación, lo
que genera incentivos a gestionarse de manera racional y eficiente.
De lo anterior se desprende que la fijación tarifaria comprende dos aristas bien definidas, por
un lado está la optimización de la gestión, vale decir de aquellos costos relacionados con la
administración, facturación y atención al cliente, y por otro, se encuentra la optimización de
las inversiones, localización y tamaño de subestaciones y transformadores, trazado de la red
y tipo de conductores utilizados, es decir la planificación óptima de la red, lo que constituye
un aliciente importante para el desarrollo de la presente tesis.
Se debe señalar que en los sistemas de distribución es posible distinguir dos sistemas
relacionados, uno de media tensión, que es el encargado de comunicar las subestaciones
primarias con los transformadores de distribución y uno de baja tensión que comunica dichos
transformadores con los consumidores finales, siendo por tanto, este último el que debe
abastecer a un gran número de consumos. En el presente trabajo se aborda el problema
exclusivo de la planificación en baja tensión, el cual como se verá en el siguiente apartado,
por sí mismo representa un problema complicado y desafiante.
En este trabajo se busca responder a la planificación óptima de las inversiones, no sólo por su
importancia regulatoria, sino también por la complejidad del problema, el cual, en términos
generales, consiste en abastecer un conjunto de nodos, identificados por su demanda y por su
ubicación espacial, para lo cual se debe determinar el trazado de la red y el tipo de
conductores a utilizar, la ubicación y tipo de transformadores, a fin de minimizar los costos
de inversión para un horizonte de tiempo determinado, cumpliendo las restricciones de
regulación de tensión y radialidad de la red. De lo cual se desprende el carácter combinatorio
del problema, con presencia de variables enteras, relacionadas con las decisiones de
inversión, como por ejemplo, número entero de transformadores,
3
Sujeto a
• Abastecer la totalidad de la demanda.
• Cumplir la regulación de tensión.
• Existencia de un conjunto discreto de conductores.
• Existencia de un conjunto discreto de transformadores.
• Realizar un trazado radial de la red.
• Respetar las zonas prohibidas de paso.
Se debe señalar que la planificación de la red de baja tensión, junto con ser un problema de
1
optimización combinatorial, representa un problema del tipo NP-completo (Garey y Jonson,
1979), esto es que el orden de crecimiento del algoritmo para encontrar la solución no está
acotado por un polinomio de orden n, de hecho en la actualidad todos los algoritmos
conocidos para problemas NP-completos utilizan tiempo exponencial con respecto al tamaño
de la entrada. Con lo cual para resolverlo en un tiempo razonable, se requieren realizar
simplificaciones en las restricciones y/o planteamiento del problema, o buscar métodos
alternativos que permitan encontrar una buena solución (Gonen y Ramírez-Rosado,1986,
Khator y Leung, 1997). En particular, el problema aquí señalado, ha tratado de ser resuelto
mediante técnicas de programación matemática, con bastantes simplificaciones que permiten
su convergencia (Adams y Laugton, 1974, Ponnavaikko et. al.,1987, Gonen y Foote, 1981,
Youssef y Hackman, 1988, Ramírez-Rosado y Gonen, 1991, Paiva et. al. 2005) y en los
últimos años mediante técnicas meta-heurísticas, tales como intercambio de rama, algoritmos
genéticos, algoritmos basados en el comportamiento de las colonias de hormigas, entre otros
(Hsu y Chen, 1990, Nara et al. 1992, Miranda et. al.
4
1994, Goswami 1997, Míguez et. al 2002, Gómez et. al. 2004, Ramírez-Rosado y
Domínguez-Navarro, 2006). No obstante, en ellos no se realiza la optimización de gran
tamaño (más de 500.000 nodos), ni la optimización conjunta de la localización y capacidad
de transformadores con la red asociada, situaciones que en este trabajo serán consideradas.
1.3 Objetivo
integración de ellas en zonas mayores respectivamente, explicando en detalle cada una de las
partes del algoritmo, y mostrando en cada etapa las decisiones que se tuvieron que adoptar y
los antecedentes en virtud de las cuales se tomaron. Se aplica, cada etapa a un escenario real,
tomado como ejemplo para explicar con claridad lo planteado.
En el capítulo seis se aplicarán las mejores prácticas obtenidas de la aplicación del modelo a
al ejemplo tomado como referencia en un problema de gran tamaño,
Finalmente, en el capítulo siete se presentan las conclusiones del trabajo y los desafíos
futuros relacionados con la planificación de sistemas de distribución.
6
Este capítulo pretende entregar una visión del estado del arte en la planificación de los
sistemas de distribución, mostrando la evolución de los algoritmos empleados, con hincapié
en las restricciones consideradas y aplicabilidad en sistemas reales.
Es necesario reiterar la complejidad del problema a resolver (NP-completo) para el cual
resulta imposible encontrar una solución óptima, que no sea sino a través de la evaluación
completa de todos los posibles resultados, lo cual en un ejercicio de planificación es
imposible, dado el elevado número de variables y combinaciones a considerar, por ejemplo,
consideremos un problema con 100 variables binarias, esto es un espacio de búsqueda de 2 100
30
, es decir 1,26 x 10 combinaciones posibles. Suponiendo que en evaluar cada combinación,
optimistamente se toma 1 femto-segundo, se requeriría algo así como 40 millones de años en
encontrar la solución, por tal razón, los algoritmos que se han propuesto hasta la fecha,
incluyendo el desarrollado en este trabajo, buscan encontrar una buena solución, lo que no
constituye una merma en la calidad, profundidad e importancia de las investigaciones, sino
que simplemente, constituyen una aproximación a la correcta solución del problema. Es en
este sentido, dada la imposibilidad de encontrar el óptimo, que existen muchos trabajos que
intentan dar respuesta al problema, los cuales se pueden clasificar en dos grandes grupos,
aquellos que buscan la solución mediante programación matemática y aquellos que tratan de
hacerlo por medio de vías meta-heurísticas.
Este apartado dice relación con la instalación de transformadores y subestaciones, así como
la ampliación de la capacidad de estas últimas. Los primeros algoritmos consideraban un
pequeño número de subestaciones y además requerían como entrada la ubicación de sus
posibles posiciones. Entre los primeros que abordan el problema de aumento de capacidad de
subestaciones está Masud (1974), quien además de determinar la ampliación, calcula el
momento en que se debe realizar, con un modelo compuesto de dos etapas, en la primera se
realiza la selección de la capacidad a aumentar, mediante programación entera y en la
segunda mediante programación lineal se determinan los consumos asociados a cada
subestación. Otros pioneros son Crawford y Holt (1975), quienes dado un conjunto de
ubicaciones para las subestaciones determinan sus respectivas capacidades y áreas de
servicio, mediante el uso del algoritmo de Dijkstra y del algoritmo de Ford y Fulkerson.
Posteriormente Thompson y Wall (1981) incluyen a las posiciones existentes, las posibles
posiciones de nuevas subestaciones como dato de entrada, incorporando una metodología
distinta a la programación lineal, mediante el uso de programación entera, utilizando el
algoritmo de “Branch and Bound”. Finalmente cabe destacar los trabajos de Willis et al
(1985) y Willis et al (1987), en que la función a minimizar esta dada por los costos de
inversión en las subestaciones más los costos de inversión y pérdidas de una red simplificada,
que no considera las restricciones de capacidad de los conductores, ni las caídas de tensión y
que supone que los costos de cada tramo de red son proporcionales al
9
flujo que circula por ellos y a la longitud de los mismos. El procedimiento de solución
emplea programación dinámica y “Branch and Bound”. En Willis et al (1987), se mejora este
algoritmo incorporando la consideración de la carga anual de los consumos y ubica las
subestaciones de manera que satisfaga la demanda con el mínimo de capacidad instalada.
En los años posteriores la atención de los investigadores se centra en la planificación
conjunta de subestaciones y redes, no obstante el problema de planificación de subestaciones
desacoplado de la red, nuevamente vuelve a ser abordado en Temraz y Salama (2002), donde
se determina el área de influencia y la función objetivo es caracterizada por una función no
lineal sin discontinuidades que se soluciona básicamente siguiendo una metodología de
descenso.
De lo anterior se desprende que en lo que respecta a las redes de distribución planificadas con
programación matemática, las investigaciones apuntan al segmento de MT, compuesto por
las subestaciones y alimentadores, sin considerar en el proceso la instalación de los
transformadores y su red BT, situación que recién es abordada en un primer intento por Bujak
(1988), realizando la elección de la ubicación de los transformadores de entre un conjunto de
posiciones candidatas, dato de entrada difícil de conseguir en la práctica, usando para la
resolución del problema como base la técnica de “Branch and Bound” apoyada por métodos
heurísticos auxiliares. Otro intento por resolver la ubicación de los transformadores en forma
independiente de la red se presenta en Moreno et al. (2006), donde mediante un algoritmo de
cluster modificado se asocian los consumos a un determinado transformador, obteniéndose
como resultado la ubicación y capacidad de los transformadores de distribución, pero sin
entregar información acerca de la factibilidad real de la asociación, y sin conseguir, además,
el trazado de la red de baja tensión.
Los trabajos de esta sección buscan resolver tanto la instalación de las subestaciones y/o
transformadores con la red asociada a ellos. Los primeros en abordar esta temática fueron
Hindi y Brameller (1977), a través de un modelo de transporte con restricción de capacidad y
un algoritmo de “Branch and Bound”, en el que se minimizan los costos fijos y variables de
las líneas y subestaciones, una vez que se tiene una solución factible se revisa el
cumplimiento de la restricción de radialidad, si no la satisface se hacen las modificaciones
para que sí lo sea. Resolviendo esta misma función objetivo, Gönen y Foote (1981) la
aproximan a una función lineal por tramos, y para la ubicación de las nuevas subestaciones
consideran como dato de entrada las ubicaciones posibles, su acierto está en considerar la
capacidad discreta de subestaciones y conductores, utilizando programación entera mixta,
dada la gran cantidad de variables necesarias sólo se puede aplicar a sistemas pequeños, de
hecho el modelo es probado sobre un ejemplo de tres posibles ubicaciones de subestaciones
que deben satisfacer en total a doce centros de carga (transformadores de distribución). En un
trabajo posterior Gönen (Gönen y Ramírez-Rosado, 1986), propone un modelo entero
11
Los primeros que usan este tipo de técnicas son Hsu y Chen (1990), quienes desarrollaron un
modelo basado en reglas que interactúan con el usuario, a través de un algoritmo iterativo en
que se ubican las subestaciones con el fin de minimizar las pérdidas en los alimentadores,
para posteriormente asignar a cada subestación el consumo más cercano. Se debe señalar que
no considera el trazado de la red, sino que únicamente la distancia entre el punto de consumo
y la subestación, el modelo es aplicado a un caso de dos posibles subestaciones y 23 nodos de
consumo.
En la literatura es posible notar que los sistemas expertos no resuelven el problema en forma
independiente, sino que necesitan de la interacción con el planificador, este es el caso de Hsu
y Chen (1990), Brauner y Zobel (1994) y Lo y Nashid (1996), por lo cual este tipo de
heurística ha sido paulatinamente abandonada por los investigadores, quienes sólo la han
seguido utilizando en combinación con otros meta-heurísticos.
El estudio pionero que introdujo esta metodología fue de Aoki et al (1990), cuyo objetivo
exclusivo era trazar la red óptima, para ello se parte de una solución inicial radial, luego se
incorpora una nueva rama que genera un bucle, y luego se saca una rama para eliminar dicho
bucle. La decisión de la rama a incorporar y de la rama a eliminar está sujeta a las
restricciones de capacidad en los conductores y caídas de tensión en los nodos, el proceso
2
Para mayor detalle ver Anexo C referente a diversas metodologías meta-heurísticas.
14
se repite iterativamente hasta que no se mejora la solución. Una modificación a este estudio
fue propuesta en Nara et al. (1992), donde la técnica intercambio de ramas (branch exchange)
es utilizada en etapas sucesivas, primero se realiza una iteración completa para tener una
solución inicial (primera etapa), luego se permite la adición y sustracción de una rama,
aunque empeore la solución, y continúa el proceso (segunda etapa), si el árbol resultante es
mejor que el árbol inicial se reemplaza, el número de veces en que se realiza este proceso
debe ser indicado por el planificador, es importante destacar que con esta técnica los tiempos
de ejecución comienzan a ser razonables, así trazar la red para un sistema de 59 nodos tarda
aproximadamente un minuto.
En 1997 esta técnica nuevamente es utilizada para el trazado de la red, Goswami (1997), pero
esta vez no sólo aplicada a un único árbol de expansión (una única subestación como nodo
generador del árbol), sino que a un sistema con más de una subestación, para lo cual se
propone partir del árbol de mínima expansión asociado a cada subestación, para luego
intercambiar ramas al interior de una misma red (intercambio intra-zona) e intercambiar
ramas entre redes diferentes (intercambio inter-zonas). Peco (2001) también realiza el
intercambio intra e inter zona, toma la ubicación de subestaciones, transformadores y
consumos como datos de entrada al modelo, respeta los límites de transporte de los
conductores, la regulación de tensión y las restricciones geográficas de la zona en análisis; se
debe destacar que realiza la optimización completa del sistema de distribución, analizando
mediante técnicas de auto-aprendizaje la confiabilidad de la red, siendo aplicable a una red
de gran tamaño; de hecho en el trazado de una red de media tensión que conecta 75
subestaciones con 6.740 transformadores se demora tan sólo 23 minutos.
En la línea de lograr la aplicabilidad de la metodología a sistemas reales y obtener buenos
resultados, Míguez et al. (2002) propone una mejora consistente en realizar en una primera
fase el trazado de la red por medio de intercambio de ramas, y en una segunda fase incluir
nodos de trasbordo que mejoren la solución (nodos de Steiner) , ello dado que la distancia no
es la única variante relevante en el trazado de la red sino que también lo son los flujos que
transportan los conductores, y con la presencia de estos nodos auxiliares es posible
considerar tal situación, el método propuesto tarda cuatro segundos en trazar la red asociada
a 387 cargas y 9 transformadores.
15
Esta es una metodología que no ha sido muy aplicada en problemas de distribución, no por
cuanto sea una mala herramienta sino por que constituye una meta-heurística introducida
recién en el año 1996 (Dorigo, 1996) y por tanto aún no ha sido completamente desarrollada.
En relación a la planificación de sistemas de distribución destaca el trabajo de Gómez et. Al.
(2004), en el que se realiza una planificación en una única etapa, se considera como dato de
entrada las posibles ubicaciones para las nuevas subestaciones y la ubicación de
subestaciones y centros de transformación existentes, respeta la capacidad de los conductores
y subestaciones, la topología radial de la red, y una determinada regulación de tensión. El
modelo es aplicado a un área urbana con 201 centros de transformación
17
El primer trabajo que emplea los algoritmos genéticos o evolutivos para su resolución fue
Miranda et al. (1994), en el cual, la función no sólo incluye los costos de instalación y
expansión tanto de conductores como subestaciones y/o transformadores, sino que además
considera un indicador de calidad de tensión y un índice de confiabilidad de la red, a los
cuales se les asigna un costo. Como dato de entrada recibe la ubicación de las nuevas
posibles subestaciones, y realiza una optimización multi-etapa, por tanto indica el momento
en que se deben llevar a cabo las inversiones; el método es probado en un sistema 50 nodos,
con dos subestaciones existentes y con dos posibles nuevas ubicaciones. También en el
marco de una optimización multi-etapa, Ramírez-Rosado y Bernal-Agustín (1998) resuelven
un modelo de planificación de expansión, que entrega la ubicación y tamaño tanto de
subestaciones como de alimentadores, el modelo incluye los costos no lineales asociados a la
operación (costos de pérdidas) sin linealizarlos, como dato de entrada recibe las posibles
rutas de los alimentadores y posibles ubicaciones, en la resolución de un caso real resuelve la
expansión de una red de 417 nodos en 15,25 horas, lo cual ya comienza a ser atractivo desde
el punto de vista práctico. En un estudio posterior Ramírez-Rosado y Bernal-Agustín (2001),
incluyen en su modelo la planificación multi – objetivo, minimizando los costos de inversión
y la energía no suministrada, es decir la confiabilidad no es valorizada en cuanto a costo
(función objetivo como minimización de una combinación lineal de costos) sino que es
incluida como un objetivo en el problema, y por tanto se obtiene un conjunto de soluciones
(no una única solución como en la optimización
18
En resumen, y tomando en consideración los estudios antes señalados, es posible afirmar que
las metodologías basadas en programación matemática han sido abandonadas por los
investigadores para abordar el tema de la planificación de sistemas de distribución, ello dada
su imposibilidad de resolver problemas cercanos a la realidad, y en contrapartida, han
seguido el camino del desarrollo y aplicación de meta-heurísticas, que si bien no permiten
encontrar el óptimo, representan una muy buena aproximación a la solución de problemas
reale
3. METODOLOGIA DESARROLLADA
2005), lo que lo convierte en un tema de gran interés a resolver y que además podría ser
utilizado en trabajos futuros, como una componente de un modelo que aborde íntegramente
la planificación tanto en media como en baja tensión.
También al igual que en los dos estudios citados, dada la gran cantidad de variables a
abordar, se considera un modelo de solución estático, es decir, la planificación del sistema
tomará en cuenta sólo una etapa de análisis, en la cual, se utilizarán las demandas
pronosticadas para el último año del horizonte de planificación, con lo que el conjunto de
inversiones a realizar no presentará un cronograma de actividades, por tanto no responde a la
pregunta ¿cuándo invertir?, sino que supone que todas las obras necesarias deben ser
construidas en el mismo instante, es decir al inicio del período de planificación.
Con las consideraciones anteriores el modelo a resolver puede representarse mediante la
siguiente formulación matemática (Díaz-Dorado, 1999), siendo la ecuación (3.1) la función
objetivo que incluye los costos fijos y variables de los transformadores y de la red de baja
tensión, la ecuación (3.2) garantiza el equilibrio de flujo en los nodos del sistema, mientras
que las ecuaciones (3.3) y (3.4) limitan la capacidad de los transformadores y conductores,
respectivamente, a sus valores máximos nominales, las ecuaciones (3.7), (3.8) y (3.9)
garantizan que las caídas de tensión no pasen de un valor determinado y finalmente la
3
ecuación (3.12) fuerza la radialidad de la red .
π g ϖ y λ f c x
min ∑∑ ik ik ik ik ∑ ∑ ijk ijk ijk ijk (3.1)
i∈Trafos k ∈TT i ( i , j )∈R k ∈TC i , j
∑ yi ∑ ∑ x jik −
xijk bik ∀i ∈ N (3.2)
k ∈TT i
j∈N k ∈TC i , j
0≤ ≤ π V ∀i ∈ N ,∀k ∈TT
yik ik ik (i) (3.3)
0≤ ≤λ U
xijkik
ijk
ijk∀(i , j ) ∈ R , ∀k ∈TC (i , j) (3.4)
∀i ∈ N ,∀k
π ∈ 0,1 ∈TT (i) (3.5)
3
Garantiza radialidad siempre y cuando no existan nodos de bifurcación, en cuyo caso se deben utilizar métodos
heurísticos que rompan los enmallamientos que se pueden producir, el método más utilizado se conoce como
load splitting, en el cual se determina el nodo de la malla al que llega potencia por dos ramas, en cuyo caso se
divide el nodo y las ramas que salen de él, repartiendo de manera adecuada la carga.
23
ijk
λ ∈ 0,1 ∀(i , j ) ∈ R ,∀k ∈TC (i , j) (3.6)
G
(vi Dij ) − (v j D ji ) ∑ ijk x jik − xijk ∀(i , j ) ∈ R (3.7)
k ∈TC i , j
π ≤ 1 ∀i ∈
0≤ ∑ ik N (3.10)
k ∈TT ( i )
λ
0≤ ∑ ijk ≤ 1 ∀(i , j ) ∈ R (3.11)
k ∈TT ( i )
N− π = λ
∑∑ ik ∑ ∑ ijk ∀i ∈ N , ∀(i , j ) ∈ R (3.12)
k ∈TT ( i ) i∈N k ∈TC ( i , j ) ( i , j )∈R
por un mismo transformador para luego trazar su red. Por ejemplo, si se tienen diez nodos, se
pueden realizar 1.023 subconjuntos distintos, donde cada subconjunto es abastecido por un
único transformador. Ello de acuerdo a la siguiente expresión:
10 10 10 10
=
10 10
10!
+ + ... + ∑ =∑ = 210 − 1 = 1.023
1 2 10 i 1 i i1 i !10 − i !
10 10 10 10 10 10 10!
1⋅ +2 ⋅ + ... + 10⋅ =∑i⋅ = ∑i ⋅ = 5.120
1 2 10 i 1 i i1 i !10 − i !
Por lo tanto, para un caso sencillo de 10 nodos, existen 5.120 posibles soluciones a evaluar.
No obstante, se debe señalar que tal número constituye una cota superior para el conjunto de
soluciones factibles, dado que muchos de los subconjuntos, producto de una determinada
configuración de los consumos, no tienen sentido práctico, debido a que están constituidos
por nodos que se encuentran alejados.
26
10
[m] 6
1
1 2 3 4 5 [m] 6 7 8 9 10
En la figura anterior se puede apreciar claramente que no todos los subconjuntos son viables,
de hecho sólo aquellas combinaciones que agrupan nodos vecinos son factibles de analizar.
Por lo cual, para conocer en forma aproximada el número de combinaciones factibles, se
procede a limitar las agrupaciones a aquellas que están conectadas por medio de arcos
pertenecientes a la triangulación de Delaunay, de acuerdo a la siguiente figura.
10
[m] 6
1 2 3 4 5 [m] 6 7 8 9 10
Es decir sólo las agrupaciones, que contengan nodos unidos a través de los arcos señalados
en la figura serán consideradas, con lo que se limitan los subconjuntos a los casos vecinos. Se
debe señalar brevemente, que la triangulación de Delaunay se refiere a aquella, en que cada
circunferencia circunscrita a cada triángulo de la red no contiene ningún vértice perteneciente
5
a otro triángulo de la red , identificando como consumos (nodos) vecinos a quienes se
encuentran unidos por una arista de un polígono de la triangulación. Realizando esto, se
6
obtiene que el número de subconjuntos posibles para la configuración utilizada como
ejemplo, es del orden de 4.300 casos, menor a los 5.120 iniciales. Si se quieren restringir aún
más los casos posibles, se pueden evaluar únicamente las combinaciones que se producen
entre cada nodo y sus nodos más cercanos (conectados por una única arista), con lo que el
7
número de casos factibles es de 197. Dicha cantidad no constituye un número elevado de
combinaciones, por lo que podría ser resuelto sin inconvenientes por un método tradicional
de programación matemática. No obstante el problema que se busca resolver en el presente
trabajo, tiene una dimensionalidad mayor, de hecho considerando los 20.215 consumos se
20215
tendría como cota superior casi infinitas combinaciones (2 -1).
5
La triangulación de Delaunay constituye el dual del diagrama de Voronoi, ambos serán explicado es detalle en
el capítulo 5.
6
Subconjuntos factibles dados por aquellas combinaciones que representan un subgrafo de la triangulación de
Delaunay.
7
La triangulación de Delaunay depende de la distribución espacial de los consumos y por tanto el número de
subconjuntos posibles variará de un caso a otro dependiendo de tal o cual configuración.
28
12000
11000
10000
9000
[m]
8000
7000
6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m]
x 104
Si se consideran únicamente las combinaciones posibles entre cada nodo y sus vecinos
(calculados a través de la triangulación de Delaunay, y acotados a no más de tres elementos
por grupo), se tienen 242.483 combinaciones posibles, lo que ratifica que el problema en
cuestión no puede ser resuelto a través de técnicas convencionales. Surgiendo
inevitablemente la siguiente pregunta, ¿Cómo abordar el problema?.
La estrategia propuesta para conseguirlo esta basada en la técnica conocida como “Dividir y
Conquistar”, que básicamente consiste en resolver subproblemas del mismo tipo que el
problema principal pero de menores dimensiones, es decir, dividir Macul en zonas de menor
tamaño donde cada una de ellas representa un subproblema, de manera de disminuir el
número de combinaciones al resolver problemas con menos consumos (la dificultad del
problema crece exponencialmente con la entrada), con lo cual la suma de las combinaciones
posibles en cada subproblema es mucho menor que el total de combinaciones del problema
completo, lográndose de esta manera afrontar de forma razonable el problema en cuestión.
Específicamente los pasos fundamentales de esta técnica son:
29
Por tanto, la forma de solucionar el problema en cuestión es dividir la zona de gran tamaño a
planificar, en zonas regulares de menor tamaño, para después aplicar a cada una de esas mini-
zonas, un proceso de optimización, que se denomina proceso de micro-optimización, luego
para combinar cada una de las soluciones y encontrar los ahorros, producto de ver el
problema en forma global, se realiza un proceso denominado macro-optimización, en
particular se desarrollan dos metodologías base de macro-optimización, una basada en
diagramas de Voronoi y otra basada en la búsqueda tabú, para finalmente mostrar la
combinación de ambas y los ahorros correspondientes que se producen. En los siguientes
capítulos se explicarán en detalle cada una de las alternativas mencionadas, que se ilustran en
el siguiente esquema:
30
4. PROCESO DE MICRO-OPTIMIZACION
4.1
12000
11000
10000
[m]
9000
8000
7000
Para cada una de las zonas señaladas en la figura anterior, se requiere agrupar los consumos
asignando un transformador a cada agrupación, de manera tal que se evite realizar la
enumeración completa de todas las posibles alternativas (subconjuntos), es decir se debe
conseguir una agrupación inteligente de los consumos, la forma propuesta para lograrlo es a
través de un algoritmo de búsqueda local combinado con análisis de cluster. Para comprender
8
la técnica empleada, se realizará una pequeña reseña referente al análisis de cluster para
luego explicar el algoritmo propuesto.
4.2 Análisis de Cluster
8
Para mayor información refiérase al anexo C
33
medidas de proximidad, o diferencia, medidas de distancia, que existen entre dos elementos
que se quieren agrupar.
En particular, la técnica de cluster que se empleará en el presente trabajo, es el algoritmo de
k-means, que permite clasificar un conjunto de n datos en k subconjuntos, donde la cantidad
de grupos a formar, k, es un dato de entrada del algoritmo. Éste, en términos sencillos está
compuesto por los siguientes pasos:
d (x , X ) = x − X 2
= (x − X )T ⋅ (x − X )T (4.1)
Donde:
• d: distancia euclidiana.
• x: vector de posiciones de los datos.
• X : valor medio de los datos (centroide).
El criterio de parada está dado por el mínimo entre un número máximo de iteraciones
permitidas y la variación de la distorsión entre dos iteraciones sucesivas. El número máximo
de iteraciones es un dato de entrada al algoritmo y dependerá de la convergencia presentada
en el problema a resolver. En tanto que la distorsión es la suma de todas las distancias a su
respectivo centroide.
34
D (i ) = ∑ ∑ x − µi 2
(4.2)
i 1 x∈Ci
Donde:
• D(i) : distorsión al finalizar la iteración i.
• k: número de clusters.
• Ci : cluster i-ésimo.
9
De la expresión anterior se desprende que el criterio de parada será D (n ) − D (n + 1) ≤ ε
A modo de ejemplo en la figura (4.2) se emplea la técnica para crear tres subconjuntos
utilizando como criterio la cercanía entre los nodos, en la iteración 1 se parte con la
ubicación aleatoria de los tres centros, señalados mediante triángulos, a cada uno se le
asignan los nodos más cercanos (identificados en la figura por un mismo color), para luego
mover tales centros al centroide del subconjunto, dicho proceso se repite, en este caso
durante 12 iteraciones, dado que más iteraciones no presentan mejoras a la solución, lo que
se aprecia claramente en la tabla 4.1.
Distorsión
Iteración
(Km)
Inicial 5230
1 4957
2 4504
3 3775
4 3459
5 3226
6 2966
7 2752
8 2633
9 2615
10 2611
11 2609
12 2609
9
Con ε, definido por el planificador, no obstante usualmente está entre 0.5 % y 1%.
35
8100 8100
8050 8050
8000 8000
7950
Iteración 1 7950
Iteración 3
[m] [m]
7900 7900
7850 7850
7800 7800
7750 7750
7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
[m] 4
x 10 [m] x 10
4
8100 8100
8050 8050
8000 8000
7950
Iteración 5 7950
Iteración 7
[m] [m]
7900 7900
7850 7850
7800 7800
7750 7750
7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
[m] 4
x 10 [m] x 10
4
8100 8100
8050 8050
8000 8000
7950
Iteración 9 7950
Iteración Final
[m] [m]
7900 7900
7850 7850
7800 7800
7750 7750
7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
[m] 4
x 10 [m] x 10
4
Del apartado anterior se desprende que k-means permite una elección inteligente de
subconjuntos, de hecho si los datos de entrada están dados por los consumos y los centroides
representan a los transformadores, se puede realizar una buena ubicación de los mismos, sin
necesidad de aumentar los tiempos de ejecución, situación que si se produce probando todas
las combinaciones. Sin embargo, ¿es suficiente sólo con k-means para realizar la ubicación
óptima de transformadores y red asociada?. La respuesta es no, ello dado que k-means por si
mismo no entrega el número de transformadores, sino que sólo agrupa las cargas en un
número elegido a priori de subconjuntos, y no incluye la relación que existe entre los
consumos asignados a un transformador con el mismo, a través de la red que los conecta, ni
menos aún respeta las restricciones geográficas, con lo que consumos cercanos pero
imposibles de conectar son indiferentes para k-means.
En Moreno et al. (2006) se realiza una aproximación a la determinación de un parque óptimo
de transformadores para una zona determinada. Mediante esta técnica de cluster, no obstante,
en tal trabajo se realiza únicamente la ubicación de los transformadores, que son elegidos
previamente a través de una optimización vía programación matemática, con lo que se
disocia la ubicación del transformador de su elección, es decir, existe la posibilidad que
transformadores que son óptimos para una determinada carga puntual, puede que ya no lo
sean cuando la carga a satisfacer está distribuida en el plano, dado que tal asignación no
consideró las restricciones viales, existencia de caminos para trazar la red, ni los costos
asociados a la topología de la misma, situaciones todas que hacen posible dudar de la bondad
de la elección realizada por separado de la ubicación. Es por ello que en el presente trabajo se
busca optimizar la red de baja tensión sin disociar la elección de la capacidad y ubicación de
un transformador con su trazado y por tanto con el costo de su red asociada.
El algoritmo propuesto consiste básicamente en un procedimiento de descenso en donde para
cada mini-zona se comienza con la ubicación de un transformador, después se calcula el
costo de la red asociada, que respeta la topología vial, y el costo del transformador que
satisface la demanda, luego se realiza el mismo procedimiento para el caso de dos
transformadores, así sucesivamente hasta que se encuentra el óptimo. El supuesto que
37
El diagrama de flujo simplificado del algoritmo propuesto se muestra en la figura (4.3), antes
de explicar en detalle cada una de sus etapas, se deben especificar los supuestos empleados,
en primer término es necesario establecer que el período de estudio a planificar corresponde a
15 años, la elección de este horizonte se debe por un lado a la necesidad de realizar una
planificación de largo plazo y por otro a un interés comparativo, dado que el estudio
10
regulatorio conocido en Chile como VAD utiliza el mismo período, con lo cual es
10 VAD: Valor agregado de distribución, que busca remunerar a la distribuidora por los costos en que
incurre al llevar la energía que compra a los generadores hasta los consumidores finales. Como la distribución
constituye un monopolio natural, es la autoridad quien debe fijar tal valor, el que posteriormente será traspasado
mediante tarifa a los consumidores. Tal fijación se realiza cada 4 años y consiste en determinar cuales son los
costos de una empresa distribuidora ficticia, empresa modelo, que presta eficientemente el servicio en la misma
zona de concesión, o una similar, que la distribuidora regulada. Es importante señalar que: “El concepto que
está detrás de la definición de la empresa modelo, corresponde a la simulación de una situación de
competencia, cuando aparece un nuevo prestador del servicio con costos y tecnologías actuales,
38
posible contrastar los resultados obtenidos mediante esta metodología con los obtenidos en el
último estudio tarifario. Es por esta necesidad de comparación que se utilizarán los datos de
costos del último informe de VAD, realizado el año 2004, es decir se tomará tal año como
punto de partida del horizonte de planificación, teniendo presente siempre que tal estudio
considera tanto el crecimiento horizontal, aparición de nuevos centros de consumos, como el
crecimiento vertical de la demanda, aumento en el consumo de los clientes ya existentes. Por
el contrario, en el presente trabajo sólo se considera el crecimiento en el consumo de energía
y potencia de los clientes existentes a lo largo del horizonte de estudio. Otra consideración
que se debe tener en cuenta es que en la investigación aquí expuesta, sólo se realiza la
optimización de la red de baja tensión suponiendo que toda la distribución se realiza
mediante redes aéreas, en tanto que el estudio de VAD considera además redes de
distribución subterráneas en aquellos lugares donde la empresa regulada las posee, por tanto
los resultados obtenidos finalmente no serán del todo comparables, pero sí permitirán
observar la bondad de la solución encontrada, realizando un cotejo con los costos en redes
aéreas, número de transformadores empleados, largo de red utilizada, capacidad de
transformación instalada, entre otros parámetros relevantes de comparación.
Para fines del estudio y mostrar la metodología desarrollada se supone un crecimiento
uniforme en toda el área de concesión de 2,75 % en la demanda de potencia, con lo que
aparece un nuevo supuesto, éste es, asumir que es posible conocer la demanda máxima
coincidente de cada uno de los consumos asignados a un mismo transformador, lo cual en
distribución eléctrica de baja tensión es una tarea complicada que sólo puede ser resuelta de
manera aproximada, debido a que casi la totalidad de los clientes conectados a la red de baja
tensión sólo poseen medidores de energía con lo que no es posible contar con un historial de
demanda que permita realizar proyecciones mediante métodos predictivos clásicos. Debido a
que tal proyección es una tarea en si misma que depende de múltiples variantes, tales como
uso de suelo, crecimiento económico, proyectos inmobiliarios, gestión de la demanda, entre
otros, no será resuelta en el presente trabajo cuyo objetivo es plantear una metodología
adecuada al problema de planificación de redes de baja tensión y por tanto
cuya eficiencia le permite acceder al mercado o bajar los precios, de forma tal que los prestadores
existentes deben adaptarse al nuevo precio de equilibrio o simplemente desaparecer” (CNE, 2003).
39
11
se adoptará la solución propuesta por Inecon en el estudio de VAD 2004 (Systep e Inecon
2004), la que consiste básicamente en la determinación de una función del factor de carga
que depende del número de clientes que pertenecen a una determinada agrupación, de tal
manera que conocida la energía que consume una agrupación de clientes sea posible
determinar la potencia máxima coincidente de dicho grupo y con ello dimensionar en forma
óptima las instalaciones. Esta metodología es adecuada dado que las lecturas disponibles son
en esencia de energía, siendo datos confiables, en tanto la curva de factor de carga es una
aproximación que se obtuvo de una muestra representativa de 2000 transformadores que
poseen tanto lectura de energía como de potencia. Así realizando subconjuntos de entre esos
2000 clientes, a través de simulaciones de Montecarlo, fue posible la construcción de la
12
expresión para el factor de carga , señalada en la ecuación (4.3), con la cual es posible,
conociendo la energía, calcular la demanda máxima coincidente para cualquier conjunto de
clientes.
Referente a los supuestos relacionados con la demanda se debe indicar que las cargas se
asumieron del tipo (P + j Q), con un factor de potencia idéntico para todos los consumos de
0,93 inductivo.
β
Fc (%) = α ⋅ Clientes −δ si Clientes ≤ 500 (4.3)
40% en otro caso
Donde:
• Fc : factor de carga del grupo de clientes
• Clientes: número de clientes de la agrupación.
• α : 0,1687
• β : 0,1577
• δ : 6,3314%.
También se debe constatar que al tratarse de una planificación desde cero el único dato de
entrada lo constituye la demanda de los consumos y su posición, la cual corresponde a la
ubicación georreferenciada de cada uno de los medidores de la mini-zona en cuestión. Sin
embargo la sola ubicación de los consumos no es suficiente, dado que consumos que de
acuerdo a su distancia se encuentran cercanos, podrían estar separados por un accidente
geográfico que no permita la asociación entre ellos. Otra situación posible es que existan
consumos al interior de una zona urbana, que pertenezcan al mismo subconjunto pero que
sean imposibles de unir dado que no existe red vial que los conecte. Para evitar tales
situaciones se propone considerar el trazado vial en el proceso de optimización, por lo cual se
requiere conocer la georreferenciación de todas las calles, o tramos de calles, que pertenecen
a la mini-zona, y la pertenencia de cada uno de los consumos a una única calle, de esta forma
será posible asociar consumos que puedan ser conectados y se evitará el paso a través de
zonas prohibidas.
Por lo cual, como etapa previa al proceso de micro-optimización, se debe realizar para cada
una de las mini-zonas el trazado vial, la asignación de los consumos, y la determinación de la
conectividad vial.
La necesidad de esta etapa previa, tal y como ya se mencionó, surge del objetivo de lograr
una agrupación posible de los consumos, de forma que las asignaciones propuestas por la
metodología sean replicables en la realidad. Para ello se debe considerar que para toda la
zona en análisis se posee una base de datos con la posición de los consumos y la demanda de
energía de cada uno de ellos, que pueden ser fácilmente ingresados a la metodología. Sin
embargo, con las calles sucede algo más engorroso, dado que los datos disponibles de ellas,
13
corresponden a una cobertura de ARCVIEW , es decir corresponden a una representación
vectorial de las calles en un sistema de información geográfica (SIG), entendiendo un SIG
como un sistema basado en computador capaz de trabajar con datos georreferenciados, en el
cual se realiza la entrada, gestión, manipulación, análisis y salida de dichos datos
13 Paquete de programas SIG que trabaja con representaciones vectoriales de cada objeto geográfico ya
sea a través de puntos, líneas, o polígonos.
41
(Aronnof, 1995), debido a tal situación, el acceso a las coordenadas de las calles no es
inmediato, dado que su representación está en el formato de poli-líneas (representación
vectorial) y no como una sucesión de puntos, no obstante, tal representación vectorial, esta
implícitamente basada en la sucesión de tramos, por ende, en este trabajo los datos señalados
se consiguieron con la creación de un programa en Avenue, lenguaje de programación propio
de ARCVIEW 3.2, mediante el cual se pudo obtener la posición inicial y final de cada tramo
que compone una misma calle. Situación que se puede apreciar en la figura (4.4), donde se
muestra el trazado vial para una mini-zona, en ella los puntos representan a los consumos y
los asteriscos representan los vértices de los tramos de calles obtenidos desde la cobertura en
ARCVIEW.
7300
7250
7200
[m]
7150
7100
7050
Una vez que se conoce la topología vial es de suma importancia, para garantizar que la red de
baja tensión se trace a través de ella, conocer a que calle pertenece cada consumo, para
conseguir este objetivo se toma como supuesto, que cada consumo esta asociado al tramo de
calle más cercano, asignación que es realizada con el procedimiento general que se explica a
continuación:
42
Y2 − Y1 ⋅ X − X 1 + Y1 (4.4)
Y=
X 2 − X1
Para los casos en que la pendiente es infinita, es decir en aquellos donde el tramo es
paralelo al eje Y (X2=X1), se modificó la posición de uno de los vértices en tan sólo
unos centímetros, de forma que no se indefiniese la función (ecuación 4.4). Además
en los casos en que existe redundancia de información, esto es cuando los tramos, no
representan intersecciones de calles, sino que simplemente son divisiones en una
misma cuadra, se muestrearon tales vértices de manera obtener la misma información
en un número menor de tramos, con lo que se disminuye el número de ecuaciones a
calcular y por ende el tiempo de iteración de la metodología. Ejemplo típico de esto,
lo constituyen las rotondas en que la información disponible asigna tramos cada un
metro, ya que se trata de emular una circunferencia mediante polígonos regulares con
sobre 100 aristas, no obstante tal exceso de información es en la práctica irrelevante,
por lo que se opta aproximar tales rotondas por decágonos regulares.
2. Se calcula la distancia entre todos los consumos y todos los tramos de calles, a través
de la ecuación que determina la distancia entre un punto y una recta. Los
cálculos aprovechan el ordenamiento matricial de los datos, con lo que es posible
obtener, sin necesidad de un proceso iterativo, una matriz en que el elemento dij,
indica la distancia entre la recta que representa al tramo i y el consumo j.
3. Se asigna cada consumo a su tramo más cercano. Se debe tener presente que la
distancia calculada indica la distancia perpendicular entre el consumo y la recta, si se
denomina como proyección del consumo sobre la recta, al punto en la recta en el que
se mide tal distancia, se consideran como candidatos factible de asignación, aquellos
tramos en que la proyección del consumo sobre la recta pertenece a un
43
tramo, es decir que se encuentre contenido entre el vértice inicial y final sobre los que
se traza dicho tramo. Con lo que se garantiza que los consumos sean asignados al
tramo de recta más cercano, situación real, lo que no necesariamente coincide con la
recta más cercana. Por lo tanto cada consumo es asignado al tramo de calle factible
más cercano de acuerdo a la distancia euclidiana que los separa.
7160
7150
7250
7140
7200 7130
[m] [m]
7120
7150
7110
7100
7100
7090
7050 7080
7070
3.785 3.79 3.795 3.8 3.805 3.798 3.8 3.802 3.804
4 4
x 10 x 10
[m] [m]
Por tanto ahora será posible trazar la red de baja tensión soslayando los accidentes
geográficos, dado que se asume que el trazado vial también los evita, así será imposible
trazar una red a través de un cerro, dado que no existirá calle que lo atraviese, sino que por
44
el contrario, será rodeado por la red vial, con esto no sólo se considera la distancia como
parámetro de trazado de la red sino que se utiliza la distancia de comunicación sobre un grafo
determinado (red vial), es decir la distancia vial que une un punto A y B, lo que no
necesariamente coincide con la distancia a campo traviesa entre ambos puntos, logrando
obtener mayor información y por ende una mejor aproximación para resolver el problema
real.
Sin embargo, aún queda un problema importante a resolver en esta etapa previa, el cual esta
dado por evitar asociar en un mismo subconjunto elementos que en la práctica no puedan ser
unidos, debido a la ausencia de red vial que los conecte. En este caso es necesario señalar,
que la zona que se busca planificar es eminentemente urbana, no obstante la metodología
propuesta puede resolver indistintamente zonas de abastecimiento rural y urbanas, y por
cierto una mezcla de ambas. La única distinción al respecto es que si en una mini-zona no
existe trazado vial, lo que probablemente corresponderá a una zona rural, la distancia a
utilizar será simplemente la distancia a campo traviesa, por lo que el problema en discusión
no tiene cabida, ya que cualquier subconjunto será posible. Situación que no ocurre cuando si
existe red vial, caso típicamente urbano, en el que el trazado no puede pasar por zonas
edificadas y debe entonces respetar a cabalidad el callejero, es decir se unirán en una misma
red sólo aquellos consumos que puedan ser comunicados a través de la red vial. Para evitar
entonces la asignación a priori de cargas no comunicadas, se divide cada mini-zona en islas
viales, donde cada isla vial corresponde al conjunto tramos de red conectados en que es
posible acceder a cualquiera de los tramos de la isla desde cualquier tramo de ella mediante
una sucesión de tramos intermedios que los unen.
En términos matemáticos, sea el trazado vial en la mini-zona un grafo G (V, E) no orientado,
con V el conjunto de vértices y E el conjunto de arcos (vértices y tramos de la red vial
14
respectivamente). El grafo se asume no orientado , puesto que para efectos de la red
eléctrica, no es de importancia conocer el sentido de las calles. De acuerdo a la teoría de
grafos se tienen las siguientes definiciones:
14Grafo no orientado, también denominado grafo no dirigido es un par G=(V,E), con V conjunto finito de
vértices y E conjunto de arcos, donde un arco es un par no ordenado (u,v) con u,v pertenecientes a V y u distinto
de v.
45
• Se dice que entre los vértices vo y vk existe un recorrido de longitud k si existe una
sucesión de vértices y aristas de la forma {(vo, v1), (v1, v2), (vi, vi+1), …, (vk-1, vk)}.
• Se denomina camino de longitud k entre los vértices u y v pertenecientes a V, a un
recorrido de longitud k desde el vértice u al vértice v que tiene k aristas diferentes
entre sí.
• Si existe un camino P desde u hasta v se dice que v es alcanzable desde u mediante
P.
• Se dice que el grafo es conexo si dos vértices cualquiera pertenecientes a V están
conectados por un camino de longitud k, con k: {1,...,E}.
• La relación, u es alcanzable desde v y v es alcanzable desde u, sobre el conjunto de
los vértices V del grafo es una relación de equivalencia. Las clases de equivalencia
son el conjunto de vértices sobre los que se puede establecer entre todos sus vértices
la relación de equivalencia y finalmente las componentes conexas de G, son todos los
grafos (subconjuntos del grafo principal) generados a partir de las clases de
equivalencia.
A modo de ejemplo en la figura 4.6 se presenta un grafo en donde es posible observar tres
componentes conexas, una está demarcada por una circunferencia, otra por un rectángulo, y
la tercera corresponde al resto del grafo que no se encuentra delimitado.
46
8550
8500
8450
8400
8350
[m]
8300
8250
8200
8150
8100
8050
matriz de tramos coincidentes, cuya variable Xij, indica si el tramo i con el tramo j tienen un
vértice en común, el valor uno indica que sí existe vecindad y el valor cero indica la no
existencia de vértices comunes, posteriormente se comienza en un arco cualquiera del grafo
total, y por medio de la matriz de tramos comunes se identifican los tramos vecinos, los
cuales pertenecen claramente a la misma isla vial, luego se incorporan progresivamente los
vecinos de los vecinos encontrados, y así sucesivamente hasta que no es posible incluir más
vecinos, de esta manera se construye una isla (subgrafo conexo), si todos los tramos (arcos)
de la mini-zona son incluidos implica que la red vial de la mini-zona es conexa, de lo
contrario se elige un vértice que no pertenezca a la isla encontrada y se vuelve a realizar el
procedimiento, secuencia que se repite hasta que no queden tramos sin asignar.
47
Una vez que se tienen las islas viales, y teniendo en consideración que todos los consumos al
interior de cada una de ellas son posibles de comunicarse a través de la red vial, se debe
incorporar una pequeña modificación al algoritmo propuesto en el diagrama de flujo de la
figura 4.3 (referente a la micro-optimización), esta es que en vez de realizar la metodología
para cada mini-zona se realizará para cada isla de cada mini-zona, con lo cual se evita la
asignación de consumos entre zonas sin conectividad vial, con esta consideración se puede
comenzar con el análisis de cada una de las etapas ahí señaladas. Considérese que el
algoritmo parte con la asignación de i transformadores, en particular con i igual a uno.
Nº de Distorsión Nº de Distorsión
Lanzamientos Total (Km) Lanzamientos Total (Km)
1 409132 10 396566
2 402308 11 397209
3 396766 12 405501
4 397964 13 401698
5 397355 14 398206
6 400994 15 394098
7 392883 16 385206
8 390408 17 392108
9 386930 18 388492
10 395619 19 396934
necesariamente la mejor respuesta, y por otro no incrementar sin necesidad los tiempos de
ejecución, dado que se podrían, en el extremo, realizar cientos de lanzamientos para así elegir
con mayor probabilidad una mejor elección, con un tiempo de ejecución también cientos de
veces mayor. No obstante de la tabla 4.2, donde se muestra la menor distorsión total para 300
mini-zonas cuando se realizan distintos lanzamientos, se puede observar que no existen
grandes beneficios en realizar para cada ubicación de centros un número superior a 3
lanzamientos, por lo que se elige dicho número en virtud que representa un buen mix entre
calidad de la solución y tiempo de ejecución asociado.
Una vez que se realiza la ubicación preliminar de los transformadores, estos de acuerdo a la
metodología ya planteada, referente a la asignación de las calles, son re-ubicados en la calle
más cercana, de forma que también su conexión a los consumos asociados respete la
topología de la red vial de su mini-zona correspondiente.
Luego de esto, al conocerse ya la ubicación sobre la red vial de cada transformador y sus
consumos asociados, se asigna considerando la tasa de crecimiento de la demanda la
capacidad de cada uno de ellos, siguiendo los siguientes pasos:
1. Se calcula la demanda media que debe satisfacer el transformador en el año base, esto
es, se suman las energías de cada uno de los consumos asignados al transformador y
se divide por el número de horas del período (8760 horas).
2. Se obtiene el factor de carga a partir de la expresión (4.3) considerando el número de
clientes asociados al transformador.
3. Se obtiene la demanda máxima coincidente (Dmax) de los consumos para el año
base, a partir de la demanda media (Dm) y del factor de carga (Fc)
F D m ⇒ D Dm (4.5)
c D max
max Fc
4. Se asigna el menor transformador capaz de abastecer la evolución de la demanda
máxima coincidente a lo largo del horizonte de estudio.
15
entregar el mayor transformador disponible , entonces se vuelve a realizar el proceso de k-
means, pero esta vez con i+1 ubicaciones, proceso que se realiza hasta que todas las
localizaciones tienen asignado un transformador (capacidad de transformación).
Por tanto al finalizar el proceso se tiene la ubicación y capacidad de cada transformador más
la ubicación de cada uno de los consumos que deben abastecer. El siguiente paso es
determinar la topología y costos de la red de baja tensión que los conecta con las cargas que
deben suministrar, por lo que es necesario calcular el costo de los conductores empleados y el
costo de las pérdidas asociadas a la red.
15 La tabla con las capacidades y costos de los transformadores disponibles se muestra en el Anexo D
16 En un grafo no dirigido un camino {V0, V1, V3, …, VK} forma un ciclo si V0=VK y los Vi son distintos
50
Prim (1957), ambos corresponden a algoritmos voraces, lo que significa que en cada
iteración escogen la mejor alternativa para ese instante sin considerar los pasos futuros.
Considerando un grafo G (V, E) donde cada arco E tiene un peso (valor) asociado, que en el
caso en cuestión corresponde a la distancia que existe entre los nodos que comunica el arco,
el algoritmo de Kruskal se puede resumir en los siguientes pasos:
1. Se marca el arco con menor peso. Si hay más de uno se escoge cualquiera de ellos.
2. De los arcos que quedan, se marca el que tenga menos peso, nuevamente si hay más
de uno se escoge cualquiera de ellos.
3. Repetir el paso 2 siempre y cuando el arco escogido no forme un ciclo con los ya
marcados.
4. El algoritmo termina cuando existen n-1 arcos marcados, siendo n el número de
nodos del grafo.
1. Se marca un nodo cualquiera como nodo de partida, denominado raíz del árbol, con
lo que se inicializa.
2. Se agrega al árbol aquel vértice que este conectado a cualquier vértice del árbol por el
arco de menor peso.
3. Se repite el paso 2 siempre que el arco que se incluye conecte un vértice que
pertenece al árbol con uno que aún no pertenece a él.
4. El proceso termina cuando todos los vértices pertenecen al árbol.
Dado que ambos algoritmos presentan la misma complejidad O(n log n), con n el número de
vértices (tamaño de la entrada), se opta arbitrariamente, por utilizar el algoritmo de Prim en
el trazado de la red en atención a su fácil implementación computacional. En la figura
siguiente se puede apreciar su aplicación para un transformador y sus cargas asociadas.
51
7300
7250
7280
7200 7260
[m] [m]
7240
7150
7220
7100
7200
7050
7180
3.785 3.79 3.795 3.8 3.805 3.81 3.793 3.794 3.795 3.796 3.797 3.798 3.799
4 4
[m] x 10 [m] x 10
Sin embargo, en ella es fácilmente apreciable que la aplicación directa del Algoritmo de Prim
no respeta las zonas prohibidas dado que se observan cruces a través de las zonas urbanas
(entre calles), lo que se evita si se considera el trazado vial como restricción para el trazado
de la red de baja tensión. Por lo tanto para guiar el camino del algoritmo se utilizan las
proyecciones de los consumos sobre las calles en vez de su posición real, guardando siempre
la distancia desde los consumos a su proyección ya que esta constituye una aproximación a la
longitud de los empalmes a emplear. Sin embargo, tal información si bien permite que
consumos que pertenecen a una misma calle queden conectados, no garantiza que no existan
cruces en zonas distintas a las esquinas, por lo cual se incluyen nodos auxiliares que permitan
señalar de mejor manera las rutas posibles del algoritmo, estos nodos son los vértices de los
tramos de calle, lo que ayuda a garantizar bifurcaciones sólo en las intersecciones de tramos,
y otros nodos extras en aquellos tramos que si bien pertenecen a la mini-zona no poseen
consumos de manera de permitir las uniones de consumos a través de tramos que no los
poseen. En términos sencillos el algoritmo empleado es:
52
Del paso 6 se desprende que el criterio de parada no esta dado por el uso de todos los nodos,
reales (proyecciones de los consumos) y auxiliares, con lo que posiblemente caminos que
sigue el algoritmo a través de nodos auxiliares no conectan nodos reales Para soslayar tal
efecto se lleva a cabo un proceso de poda, en que todos aquellos nodos auxiliares que no
entregan información, es decir que sólo sirvieron para ampliar el espacio de búsqueda, pero
que finalmente no conectaron nodos reales son eliminados, de manera de tener únicamente el
17
árbol de mínima expansión en que todas las hojas del árbol son nodos reales. Ejemplo del
trazado de la red se presenta en la figura 4.8.
17 Si (u, v) es el último arco en el camino desde la raíz del árbol hasta el vértice v, entonces se dice que u
es el padre de v y v es hijo de u. La raíz es el único nodo del árbol que no tiene padre. Un nodo sin hijo se
denomina hoja y el resto de los nodos se denominan nodos internos.
53
7400
7300
7350
7300 7250
[m]
7250 [m]
7200 7200
7150
7100 7150
7050
7000 7100
6950
6900 7050
3.84 3.85 3.86 3.87 3.88 3.89 3.84 3.845 3.85 3.855 3.86
[m] 4 [m] 4
x 10 x 10
Equilibrio de red
En esta sub-etapa se lleva a cabo la re-localización de cada uno de los transformadores desde
su posición inicial dada por la proyección del centroide calculado con k-means sobre el tramo
de red más cercano, a una nueva posición en que los flujos que salen desde el transformador
sean lo más parecidos posibles, ello en virtud de que es imposible equilibrar totalmente la red
(flujos iguales por todas las ramas que salen del transformador), dado que
54
para disminuir el espacio de búsqueda constituido por cualquier posición (x, y) perteneciente
a la red, se consideran como ubicaciones factibles del transformador sólo aquellos nodos
incluidos en la red, ya sea se trate de consumos o de nodos auxiliares, por tanto el equilibrio
total de la red puede que no pertenezca al conjunto de posiciones factibles.
Para llevar a cabo el equilibrio en cuestión, se propone un algoritmo iterativo, puesto que no
existe una metodología directa para encontrarlo, de hecho se debe hacer notar que el
centroide de una figura compuesta por tramos no necesariamente pertenece a la figura, sino
que puede ubicarse externo a ella, lo que no garantiza encontrar el equilibrio de red buscado.
La metodología propuesta se basa en el hecho que un movimiento del transformador, del que
se supone salen dos ramas, desde su posición inicial hacia el nodo hijo de la rama de mayor
flujo, hará que tal flujo disminuya en P y por tanto la rama de menor flujo aumentará en P.
El algoritmo simplificado es el siguiente:
1. Se calculan los flujos que salen por ambas ramas del transformador. Se define
equilibrio como el valor absoluto de la diferencia entre los flujos.
2. Se ubica el transformador en el nodo hijo con mayor flujo.
3. Se revisa el número de ramas que salen desde la nueva posición
Si el número de ramas es 2
3.1. Se calculan los flujos que salen por ambas ramas
3.2. Se repiten los pasos 2 y 3 hasta que el equilibrio no disminuya más.
Si el número es mayor que 2
3.4 Se parte desde los hijos de la nueva posición, la que no se considera factible, y se
realiza el proceso 3, siempre y cuando por la rama se mejore el equilibrio
4. El proceso finaliza cuando no es posible seguir ningún camino de la red que mejore el
equilibrio. Nótese que si un camino empeora el equilibrio, no se continúa la búsqueda
a través de él, con lo que no se revisan todas las ubicaciones sino sólo las que están
en la dirección del descenso.
55
[m] [m]
7950
7250
7900
7200
7850
7150
7800
7100
7750
7050
7700
3.785 3.79 3.795 3.8 3.805 3.81 3.8 3.805 3.81 3.815 3.82
4 4
[m] x 10 [m] x 10
En la figura 4.9 se muestra la aplicación del algoritmo de equilibrio para dos redes, en ellas el
triángulo de mayor tamaño representa la posición inicial del transformador, mientras que el
triángulo de menor tamaño corresponde a la posición de equilibrio de la red, los nodos no
asignados corresponden a los nodos auxiliares no utilizados en el trazado de la red (producto
del proceso de poda). Se debe destacar que el equilibrio de red incorpora mejoras en la
solución final, puesto que disminuye los costos producto de una mejor asignación de los
conductores, de hecho el ahorro producto de su incorporación oscila entre 1,5% a 3%
respecto a la solución que no incorpora el equilibrio. Por ejemplo, en una corrida del modelo
para la comuna de Macul, considerando mini-zonas de 500 por 500 metros, se obtiene un
18
costo de 1.906.194.901 pesos si no se considera el equilibrio, en cambio al incluirlo, el
nuevo costo es de 1.820.926.206 pesos, lo que representa un ahorro de 4,47 %, no obstante el
incremento en el tiempo de ejecución para este ejemplo es de 114 %, aumentando desde 3,05
minutos a 6,55 minutos. Por lo que, evidentemente, existe un trade off entre tiempo de
ejecución y calidad de la solución, el que se vuelve más importante en la medida que la zona
a optimizar crece, situación que se analizará en detalle al finalizar el
18 Los datos presentados en este párrafo corresponden a valores promedio obtenidos a partir de 20
corridas distintas del modelo. Para más detalles refiérase a la sección Iteraciones y Resultados del presente
capítulo.
56
presente capítulo, una vez que todas las etapas del proceso de micro-optimización se
encuentren explicitadas.
Una vez que se conoce el trazado de la red de baja tensión asociada a cada uno de los
transformadores de la mini-zona, ya sea incluyendo o no el equilibrio de red, es necesario
conocer cuanto vale dicha ruta óptima, es decir se debe valorizar el trazado, en cuanto uso de
material y longitud del mismo. Del apartado anterior, se conoce la distancia existente entre
cada uno de los nodos y por ende la distancia de cada uno de los tramos que tienen asociado
algún tipo de conductor. El valor del conductor asociado a cada tramo dependerá del tipo de
material empleado y del flujo que por él atraviesa, por lo que es necesario llevar a cabo una
selección óptima de conductores, de manera que el conductor escogido para cada tramo
minimice los costos de inversión más pérdidas.
La selección óptima de conductores ha sido abordada en numerosas investigaciones (Adams
y Laughton, 1974, Wall et al, 1979, Tram y Wall, 1988, Mandal y Pahwda, 2002), siendo uno
de los procedimientos más usados en planificación el de separar el problema de selección del
resto de la red, esto es, elegir un conductor pseudo óptimo para cada uno de los tramos en
función exclusiva de los flujos que lo atraviesan y las variables eléctricas y económicas
relacionadas con el flujo en cuestión, sin considerar el efecto que tal elección tiene aguas
abajo de la red (Mandal y Pahwda, 2002). Dado que el procedimiento ya ha sido realizado y
no constituye un aporte original al problema de planificación, en el presente trabajo se opta
19
por usar los resultados obtenidos en el estudio de VAD del año 2004 (Systep e Inecon,
2004), no obstante tal metodología será igualmente presentada, de manera de constatar las
variables involucradas en el proceso de optimización de redes de baja tensión, en lo referente
a selección de conductores.
Antes de ello, para utilizar en forma directa tal metodología es fundamental conocer los
flujos de potencia que circulan por cada uno de los tramos, tarea que no es trivial, dada la
considerable cantidad de cargas involucradas en cada una de las redes, situación que hace
19El uso de los mismos valores se realiza para poder tener un marco comparativo que permita analizar los
resultados obtenidos en la investigación aquí propuesta.
57
necesario realizar algún tipo de simplificaciones que permitan obtener buenas soluciones, sin
necesidad de resolver un algoritmo de flujo AC exacto para encontrar la respuesta, es decir
sin la utilización de herramientas tradicionales para flujos de potencias tales como los
métodos de descenso de Newton, Gauss, y simplificaciones de los mismos. En ellos la
20
componente matricial es relevante, y en el caso de redes de baja tensión el número de
cargas es elevado y por tanto la dimensión de las matrices involucradas en tales
procedimientos también lo son, situación que produce gastos excesivos de memoria y tiempo
de ejecución producto de la necesidad de invertir y trabajar con grandes matrices, tiempos
que afectan el ejercicio de planificación puesto que en el algoritmo propuesto se resuelven
miles de flujos de potencia, siendo conveniente aprovechar la característica radial de la red
de baja tensión, y realizar supuestos, cuya ejecución no incluye en la planificación más error
que el posible asociado a la proyección de la demanda.
El elemento característico de las redes de baja tensión es su topología radial, por lo que en el
17
flujo de potencia hay una relación directa entre las cargas entre un nodo con su nodo padre
17
y con sus nodos hijos , sin existir intercambios entre nodos de un mismo padre, situación
que permite identificar y formular el problema en términos simples, a diferencia de lo que
sucede con redes enmalladas donde los flujos y voltajes en cada uno de los consumos inciden
en el resto de la red.
En el problema a resolver, las cargas están representadas por un modelo PQ, es decir se
asume que se conoce su potencia activa y reactiva, y por ende implícitamente su potencia
aparente, las cargas en su totalidad se consideran de naturaleza inductiva con un factor de
potencia de 0,93, además se considera que la red se encuentra equilibrada, supuesto que si
21
bien es difícil de adoptar en la operación de un sistema de distribución real, en el cual las
cargas asignadas a cada fase no se encuentran del todo bien distribuidas, en un ejercicio de
planificación se asume que se tomarán las medidas año a año para que la red si se encuentre
equilibrada, dado que ello implica mejoras en la operación del sistema y por tanto se asume
20 Las matrices son del tipo n x n, con n el número de nodos (cargas) conectados a la red.
58
que en el largo plazo existen los incentivos suficientes para que la red se encuentre en dicho
estado, entonces al asumir el equilibrio se puede resolver la red trifásica de acuerdo a su
equivalente monofásico. En atención a lo mencionado, la primera ley de Kirchhoff en una red
radial esta dada por la ecuación 4.6 (Peco, 1999):
R
2 Si 2
Li Ii ⋅ Zi V 2 ⋅ Zi (4.7)
A(i )
Donde:
• Si: es la potencia aparente al comienzo del tramo i.
≤ Li : son las pérdidas en el tramo i.
≤ SLi : es la demanda aparente del nodo i.
• R: es el número de ramas que salen del nodo i.
≤ Zi : es la impedancia del tramo i.
≤ Ii : es la corriente que circula a través del tramo i.
≤ VA(i) : es el voltaje aguas arriba del nodo i.
Con:
≤ Pi : es la potencia activa al comienzo del tramo i.
≤ Qi : es la potencia reactiva al comienzo del tramo i.
≤ ri : es la resistencia del tramo i.
≤ xi : es la reactancia del tramo i.
Reemplazando Li en la ecuación 4.6 y anotando las variables en su expresión compleja, se tiene que la
potencia aparente al principio del tramo i es:
j⋅
ri ⋅ Pi 2 Qi2 xi ⋅ Pi
2
Qi
2
(PL R
j ⋅ QLi ) ∑ Pk j ⋅ Qk
PQ j⋅ V 2 i
k 1
i i V 2 A(i )
A(i )
Igualando la parte real del lado derecho de la ecuación con la parte real del lado izquierdo, y
haciendo lo mismo con la parte imaginaría es posible obtener la expresión para la potencia
activa y reactiva, respectivamente, para una red de topología radial.
P
2
ri ⋅ Pi Qi
2
PL ∑PR
V 2 i k (4.8)
i A(i ) k 1
xi ⋅ 2 2 R
Donde
≤ PLi : es la demanda activa del nodo i.
≤ QLi : es la demanda reactiva del nodo i.
Las expresiones (4.8) y (4.9) por sí solas no son suficientes para determinar los flujos que
circulan a través de los distintos tramos de la red, debido a que no se conoce el voltaje aguas
arriba del tramo, por lo que es necesario encontrar una tercera relación que permita calcular |
2
VA(i)| en función de Pi y Qi, de tal forma de tener tres ecuaciones con tres incógnitas y así
resolver el sistema para encontrar las variables en cuestión. Sin embargo, puesto que se trata
de una red de distribución de baja tensión se puede realizar una simplificación importante, la
que consiste en despreciar los términos cuadráticos de las ecuaciones (4.8) y (4.9), ello dado
que en los sistemas de distribución las pérdidas de cada tramo son pequeñas en relación al
flujo que los atraviesa (Rudnick et al, 1997, Peco, 1999), de forma tal que al considerarse
2 2 2
como cero el valor de Pi + Qi , y suponiendo que VA(i) siempre es distinto de cero (para
que la función no se indefina), se tienen las siguientes ecuaciones simplificadas que fueron
utilizadas en el presente trabajo:
R
P
Pi PLi ∑ k (4.10)
k 1
R
Q
Qi QLi ∑ k (4.11)
k 1
En las cuales se puede apreciar la independencia tanto de los flujos activos como reactivos
del voltaje en los nodos, posibilitando de esta manera, un cálculo rápido y simplificado en
60
el que partiendo desde los nodos extremos (hojas del grafo), se van agregando las demandas
aguas arriba, para así conocer los flujos en todos los arcos del grafo que representa la red de
baja tensión. Al implementar tal procedimiento se puede establecer el flujo que circula por
cada tramo. Nótese que las ecuaciones para la determinación del flujo son independientes del
tipo de conductor, no dependen de la impedancia de la línea, con lo que el procedimiento de
calcular los flujos para luego elegir el conductor es válido en el marco de los supuestos
realizados.
Para comprender la forma en que se realiza la selección, se deben tener presentes los
elementos fundamentales que en ella intervienen, por un lado se tienen los costos fijos
representados por la inversión necesaria en cada uno de los conductores que se realiza al
inicio del período de estudio, y por otro lado, los costos variables representados por los
costos asociados a las pérdidas de energía y potencia que dependen de la cantidad de
corriente que circula por cada conductor y que se producen durante todo el horizonte de
estudio, variando año a año producto del crecimiento de la demanda. En consideración a lo
anterior, para poder realizar una comparación entre los costos que se producen en los
distintos años, se recurre a la técnica tradicional de evaluación de proyectos, denominada
valor actual neto o también conocida como valor presente, en la que se incluyen, además de
22
los costos de inversión y operación de cada tipo de conductor , variables como la
depreciación y valor residual de los conductores y parámetros como la tasa de descuento, que
identifica el riesgo del proyecto, y la tasa de impuesto.
Así, el valor actual neto de un determinado conductor por unidad de longitud ($/km.) será
una función que varía con respecto a la corriente que lo atraviesa, siempre y cuando dicha
corriente no sobrepase sus límites térmicos, además se debe reiterar que el período de análisis
corresponde a 15 años y señalar que para el cálculo de la depreciación y el valor residual se
considera una vida útil de 30 años para los conductores.
Entonces la expresión para el valor actual neto de un conductor tipo i, VANi (I), será:
⋅Tim
15 CL ⋅ (1 − Timp ) − Dep p
VAN i ( I ) = INVi,0 + ∑
i,k i ,k
k (4.12)
k 0 1+ r
Donde
• INVi,0 : inversión inicial en un conductor del tipo i.
• CL(I)i,k : costo de pérdidas del conductor i en el año k para un valor de corriente I.
: tasa de impuestos que para efectos de la evaluación se consideró en 17 %.
• Depi,k : depreciación del conductor i en el año k.
Es importante explicitar la relación que existe entre las pérdidas y la corriente que los
atraviesa, tales relaciones y datos fueron obtenidos íntegramente del informe de VAD período
2004-2008 (Systep y Inecon, 2004):
I2 ri
k ⋅ ⋅f
CPP i = ρ ⋅ ⋅ fcon 2exp⋅12
k p
1000
I2 ri
CPEi = ρ ⋅ k ⋅ ⋅ fcp ⋅ 8760
k e
1000
Donde
i
CPP k : Costo de pérdidas de potencia del conductor de tipo i el año k. [$]
i
CPE k : Costo de pérdidas de energía del conductor de tipo i el año k. [$]
Ik : Corriente en el año k. [Amp]
fcon : Factor de coincidencia en alta tensión de las demandas presentes en la
punta del sistema (0,85).
fexp : Factor de expansión de las pérdidas de potencia en alta tensión, en
horas de punta del sistema eléctrico (1,016).
fcp : Factor de carga de las pérdidas
Lo que es interpretado por el algoritmo de la siguiente manera, si la corriente que circula por
un tramo de la red se encuentra entre 0 y 22 A, entonces se utilizará un conductor de cobre de
2
16 mm en dicha sección, de igual manera se procederá para todos los tramos de la red en
concordancia con lo establecido en la tabla 4.3.
De la etapa anterior, es posible conocer cual es el mejor conductor para un tramo a partir del
flujo que por él circula, dicha elección se realiza en atención exclusiva al tramo en análisis,
es decir sin la consideración de los tramos aguas abajo del tramo calculado, y por ende sin la
consideración de su acción en las caídas de tensión en el resto de la red. Por esta razón se
incorpora a la función objetivo el costo de las pérdidas de energía, que implícitamente
incorporan en el proceso de optimización las caídas de tensión, debido a que actúan como
una penalización a las caídas de voltaje (Sanhueza, 1994, Fawzi et al, 1983),
63
dado que un incremento en ellas (disminución de los voltajes) implica un aumento de las
23
pérdidas y por ende de su costo final.
Para poder valorizar las pérdidas de energía se debe tener presente, que el ejercicio de
planificación considera demanda de potencia, y por tanto se tiene para cada red el valor de
las pérdidas de potencia coincidentes entre los consumos que son abastecidos por un mismo
transformador. Tales pérdidas de potencia constituirán el indicador fundamental para el
posterior cálculo de las pérdidas de energía, por lo que su determinación es de vital
24
importancia. Del desarrollo de la ecuación (4.7) se tiene que las pérdidas activas están
dadas por:
⋅
L = r i Pi
2
+ Qi2 (4.13)
ACTIVASi V 2
A(i)
De cuya ecuación se conoce el flujo activo y reactivo, puesto que fueron calculados en la
etapa anterior para cada tramo del trazado de la red, y además se conoce la resistencia, dado
que al realizar la elección del conductor, es posible determinar sus características técnicas en
función del tipo de conductor escogido y del largo del tramo de red, por lo que la única
variable desconocida es el voltaje aguas arriba del nodo i, VA(i). Para determinarla,
considérese la ecuación (4.14) que representa la aplicación de la ley de ohm a un tramo de
una red radial.
V A ( i ) = Vi + I i ⋅ Zi (4.14)
Recordando que tales variables constituyen cantidades fasoriales, entonces la expresión
cartesiana de la ecuación (4.14), donde el subíndice R representa la parte real y el subíndice I
la parte imaginaria, es:
V =V −r I +x I
iR A(i)R i iR i iI (4.15)
23 Situación claramente apreciable en la ecuación (4.7) donde una disminución del voltaje genera una
aumento en las pérdidas.
24Las pérdidas activas son las que generan costos, dado que representan energía que se deja de vender producto
2
de su disipación en forma de calor (efecto joule I R)
64
V =V −x I −r I
iI A(i)I i iR (4.16) i iI
2
De donde para determinar |Vi| basta con sumar los cuadrados de las ecuaciones (4.15) y
(4.16), obteniéndose la siguiente relación:
V
i
2
= V A2( i ) R + V A2( i ) I + I iR2 + I iI2 ri 2 + xi2 − 2ri I iRV A ( i ) R + I iI V A ( i ) I − 2xi I iRV A ( i ) I − I iI VA ( i ) R
V I Z
Vi 2 = A(i) 2 +i 2 ⋅i 2
− 2ri I iRV A ( i ) R + I iI V A ( i ) I − 2xi I iRV A ( i ) I − I iI VA ( i ) R (4.17)
No obstante la relación anterior está expresada en términos de corriente, toda vez que en la
etapa de selección óptima de conductores se calcularon los flujos de potencia, por lo es
necesario reescribirla en función de los datos disponibles. Para ello se utiliza el hecho que la
potencia compleja es el resultado del voltaje por el conjugado de la corriente, entonces
desarrollando y despejando la potencia activa y reactiva se tiene:
Pi + jQi = V A ( i ) R + jV A ( i ) I ⋅ I iR + jIiI
=V I +V I
Pi A(i)R iR A ( i ) I iI (4.18)
Q =V I −V I
i A(i)I iR A ( i ) R iI
2 2 2
Reemplazando (4.18) en (4.17) y notando que |Ii| =|Si| / |VA(i)| , finalmente la expresión
para el voltaje es:
2 2 Pi 2 + Qi2 2 2
V ⋅ ri + xi − 2 ⋅ ri ⋅ Pi + xi ⋅ Qi
V
Vi = A(i) + 2 (4.19)
A(i )
En virtud de la relación (4.17), es posible calcular la magnitud del voltaje en cualquier nodo,
siempre y cuando se conozca el voltaje en el nodo aguas arriba (nodo padre). Como el único
voltaje que se conoce a priori es el voltaje en el transformador (nodo raíz) y los parámetros
de flujo de potencia y impedancias del conductor ya fueron calculados en la etapa previa,
sólo basta con recorrer la red aguas abajo del transformador de manera de ir progresivamente
calculando todos los voltajes. Sin perjuicio de lo anterior la relación señalada puede ser
simplificada, dado que en ella el término cuadrático que depende de los parámetros de la
línea es marginal con respecto al término lineal, razón por la cual también se puede
despreciar, entonces la expresión implementada en el presente trabajo para el cálculo del
voltaje en los nodos es:
65
V
Vi 2 = A(i )
2
− 2 ⋅ ri ⋅ Pi + xi ⋅ Qi (4.20)
Al conocer el voltaje en los nodos, se pueden calcular las pérdidas de potencia activa de
acuerdo a la ecuación (4.13). Si durante todas las horas del año se tuviese la misma demanda,
25
bastaría con multiplicar las pérdidas, obtenidas a partir de (4.13), por 8760 horas y así
obtener las pérdidas de energía para un determinado año, sin embargo tal situación no ocurre,
puesto que el cálculo de pérdidas se realiza para el escenario de demanda máxima
coincidente de cada red. Para incorporar esta situación y dado que es imposible realizar un
cálculo para cada punto de demanda de la curva de carga, se opta por aproximar las pérdidas
de energía mediante las pérdidas medias de energía. Para lo cual se considerarán las
siguientes definiciones:
• Factor de carga, Fc, es la relación entre la potencia media de la curva de carga y la
potencia máxima, también denominada potencia punta. En (4.21) E es la cantidad de
energía consumida en el período T.
P
F = media
= ET (4.21)
C P P
punta punta
• Factor de carga de las pérdidas, Fp, es la relación entre las pérdidas medias
de energía y las pérdidas de potencia en el escenario de mayor demanda
(potencia de punta).
L
FP media (4.22)
De esta forma las pérdidas medias de potencia serán FpLpunta, situación que hace necesario
estimar Fp, siendo interesante destacar la relación existente entre el factor de carga de las
26
pérdidas con el factor de carga , dada por:
F2 F F (4.23)
c pc
En virtud que en este trabajo el factor de carga se supone conocido y depende del número de
consumos de la red, ecuación (4.3), bastaría entonces determinar la relación que permita
calcular el factor de carga de las pérdidas a partir del factor de carga. Dicha relación a buscar
no es genérica, producto que depende de la curva de carga de los consumos a suministrar, no
obstante, existen investigaciones en que se analizan diferentes curvas de carga para obtener
ecuaciones que reflejen en forma aproximada el comportamiento común de tales factores
(Buller y Woodrow 1928, Gustafson y Baylor 1988, Gustafson y Baylor, 1989). En particular,
en esta investigación se utiliza una de las aproximaciones propuestas por Gustafson y Baylor
(1988), dada por:
L
ENERGÍAi
8760⋅F ⋅ L
P ACTIVASi
(4.25)
Como las pérdidas de energía representan energía que no se vende, pero que igualmente es
comprada por la distribuidora al generador, estas deben ser valorizadas al precio de venta de
27
energía del generador al distribuidor, el cual se consideró en 18,45 $/kWh (Synex, 2004).
Si además se considera que existe un crecimiento de la demanda, y por tanto pérdidas
distintas para cada uno de los años del horizonte de estudio, lo que implica costos distintos a
través del período, no es posible sumar tales costos de manera directa, sino que se debe
utilizar el método de valor actual neto, con lo que el costo de las pérdidas de energía es:
L ⋅ 1 g
C C ⋅
N T
ENERGÍA , i,0 j
PÉRDIDAS ENERGÍA ∑∑
j (4.26)
i 1 j 1 1 r
Donde
≤ CPÉRDIDAS : costo total de las pérdidas de la red para todo el horizonte.
≤ CENERGÍA : costo unitario de energía.
≤ N : número de tramos de la red.
≤ T : número de años del horizonte de evaluación
26 Para un desarrollo completo de la relación entre el factor de carga y el factor de carga de las pérdidas
véase Gonen (1986) páginas 52-61.
67
En virtud de las etapas anteriores es posible obtener el costo de los transformadores, el costo
de los conductores empleados en el trazado óptimo y el costo de las pérdidas para cada isla
perteneciente a una mini-zona. Sea entonces el costo total de una isla a planificar:
j
Con
≤ CTj,i : costo total de j redes óptimas en la isla i.
≤ Ctafok,i : costo del k-ésimo trasformador ubicado óptimamente en la isla i.
≤ Credk,j : costo de la red óptima asociada al transformador k en la isla i.
≤ Cpérdidask,i : costo de las perdidas de la red óptima asociada al
transformador k en la isla i.
Considerando la ecuación 4.27 y producto que ya se conocen las distintas etapas que
intervienen en el proceso de micro-optimización es posible clarificar con más detalle el
algoritmo usado para encontrar las redes óptimas sobre una isla perteneciente a una mini-
zona determinada.
Se inicializa el contador en 0.
1. Si la carga puede ser suministrada por un único transformador (T=1) se ubica el
transformador en el centro de carga, en caso contrario se inicializa el algoritmo en el
paso 4.
2. Para dicha posición se calcula CT, siendo necesario calcular:
2.1 Ctrafo, a través de la asignación de capacidad
2.2 Cred, a partir del trazado óptimo y selección óptima de conductores.
68
Relevancia de la búsqueda
Nótese que si el número máximo, denominado búsqueda, es igual a uno, significa entregar
como solución óptima para la isla el primer mínimo que se encuentra, es decir, determina el
número de transformadores y redes asociadas cuyo costo es menor que el que provoca la
adición de un nuevo transformador con su respectiva red. Si la búsqueda es mayor que uno,
C C1 C2 (4.28)
E E1 E2 (4.29)
Sin embargo, la potencia total que se debe suministrar es mayor que P, dado que tanto C1
como C2 son menores que C, y como el factor de carga disminuye con el descenso del
número de clientes, los factores de carga de C1 y C2 son menores que el factor de carga de
C, cumpliéndose que:
E E
1 1 1T 1T
Fc (C ) Fc (C1 ) ⇒ ⇒ (4.30)
Fc (C1 ) Fc (C ) Fc (C1 ) Fc (C)
E E
1 1 2T 2T
Fc (C ) Fc (C2 ) ⇒ ⇒ (4.31)
Fc (C 2 ) Fc (C ) Fc (C 2 ) Fc (C)
Sumando (4.31) y (4.32) se tiene:
E1 E2 (E1 E 2 ) E1 E2 E
T T T ⇔ T T T
(4.32)
Fc (C ) Fc (C ) Fc (C ) Fc (C ) Fc (C ) Fc (C)
1 2 1 2
29 En el caso de los transformadores el costo por unidad de capacidad ($/kVA) disminuye en la medida que
aumenta el tamaño (capacidad) del transformador.
70
PPP (4.33)
1 2
Por lo cual los transformadores deberán satisfacer una potencia de diseño mayor,
introduciendo un delta de costo adicional que se ve incrementado producto de las economías
de escala presentes en transformación, con lo que la suma del costo de ambas unidades será
mayor que el costo del transformador M. Costo que probablemente no se alcance a justificar
con la posible disminución en costos de redes, toda vez que se conoce que en la siguiente
iteración luego del mínimo, el costo total va en aumento. También se debe destacar que
iteraciones adicionales representan incrementos en costos computacionales y por ende
mayores tiempos de ejecución, lo que constituye un problema cuando la dimensionalidad de
la zona a optimizar aumenta.
En la tabla 4.4 se muestra el costo total de la red y el tiempo para distintos valores de
búsqueda, aplicados a la zona de análisis dada por la comuna de Macul.
1 1.836.355.360 3,6
2 1.833.496.191 3,9
3 1.831.117.948 4,3
4 1.851.841.019 5,0
5 1.820.760.267 5,3
6 1.826.747.204 5,7
7 1.834.920.708 6,7
8 1.827.443.448 7,2
9 1.839.715.440 7,6
10 1.831.849.273 8,7
11 1.823.315.893 9,3
12 1.831.028.015 10,3
13 1.823.774.388 11,5
14 1.830.555.495 12,6
15 1.836.080.005 13,7
$ 1.831.933.377, con una desviación estándar de $ 7.658.349 que representa sólo un 0,42 %
del costo promedio total, lo que no implica diferencias significativas entre los datos, siendo
las diferencias en costo atribuibles a la característica no determinística de la metodología
30
propuesta . Todo lo cual ratifica la decisión de realizar el diseño de la red en consideración
31
del primer mínimo encontrado en el proceso de optimización .
Tal como ya se señaló, el equilibrio de red consiste en mover el transformador a un punto tal
que los flujos que salen por ambos extremos sean lo mas parecidos posibles, de manera de
incorporar indirectamente en el trazado de red, realizado en base a distancia, el flujo
circulante por cada conductor y así evitar que por un extremo del transformador se alimente a
gran parte de la red mientras que por la otra se abastezca una pequeña parte de ella, lo que
trae como resultado mover más energía por un lado transformador lo que implica secciones
mayores durante gran parte del trazado y por ende mayores costos. No obstante, se debe
recordar que la posición del transformador a partir de la cual se traza la red, no es realizada
arbitrariamente sino que a través de un proceso de cluster en que la posición esta dada por el
centro de carga del conjunto de consumos asociados a él, por lo que, en principio la red
debiese encontrarse equilibrada, pero dada la presencia de calles, que restringen el trazado de
ella, el punto de equilibrio de la configuración de baja tensión puede modificarse,
apareciendo entonces la necesidad de encontrarlo. Para conocer si la incorporación del
equilibrio de red, provoca mejoras a la optimización de la red, se analizan tres casos:
• Caso 1, sin equilibrio, en este no se realiza la reubicación de los transformadores a
través del equilibrio de red.
• Caso 2, con equilibrio en la etapa final, en que el equilibrio no se realiza en cada
iteración del algoritmo (sin el paso 2.2.1) sino que únicamente se equilibran y
recalculan costos una vez que se ha elegido la mejor configuración para la isla.
30
Para una mejor comprensión revisar el anexo referido a complejidad Algorítmica y el apartado de
Convergencia del presente capítulo.
31 En el anexo F se presentan, a modo de ejemplo, los resultados para algunas mini-zonas, notando en
ellos el comportamiento creciente del costo total con la adición de un nuevo transformador, luego de haber
encontrado el mínimo.
72
32
Para los tres casos en cuestión se realizaron 20 ejecuciones del algoritmo , denominadas
lanzamientos, obteniéndose los siguientes costos y tiempos de ejecución promedios:
Se observa que la inclusión del equilibrio de red implica reducciones de costo promedio de
73 y 85 millones de pesos en el caso 2 y 3 respectivamente, tal relación de ahorro se
encuentra presente en todos los lanzamientos ejecutados, situación que se puede apreciar en
la figura 4.10.
MM ($)
1.940
1.920
1.900
1.880
1.860
1.840
1.820
1.800
1.780
1.760
1.740
1 2 3 4 5 6 7 8 9 10 11
12 13 14 15 16 17 18 19 20
Lanzamientos
Es posible constatar además, que el tiempo de ejecución del caso 3, es el doble que el tiempo
de ejecución del caso 1, con un ahorro en costo de 4,47 %, en tanto que el tiempo de
ejecución del caso 2 es tan sólo un 16 % superior al caso en que no se realiza equilibrio, pero
con un ahorro comparable al caso 3 de 3,98 %, razón por la cual, en beneficio de la eficiente
ejecución del algoritmo con miras a su aplicación en un zona de mayor tamaño como
Santiago, se opta por incluir el equilibrio de red sólo en la etapa final, dado que presenta
ahorros importantes en un tiempo de ejecución menor.
Convergencia
resultados distintos en cada ejecución, y por otro la pequeña dispersión de sus resultados,
permitiendo la toma de decisiones a través de ellos.
Tamaño de la mini-zona
Este apartado tiene como objetivo estudiar el algoritmo propuesto, determinando el tamaño
de división que minimiza los costos, para así posteriormente utilizar dicho tamaño en la
optimización de Santiago. Por tanto se ejecuta el procedimiento considerando diferentes
tamaños posibles de mini-zonas.
Al realizar tal ejercicio se obtiene como resultado el gráfico presentado en la figura 4.10, que
muestra que para zonas de pequeño tamaño, inferiores a 200 x 200, tanto los tiempos de
ejecución como los costos totales son mayores que el resto de los casos, esto se debe a que en
mini-zonas pequeñas hay más posibilidades de instalar transformadores de menor tamaño
dado que se abastece un menor número de consumos, y producto de las economías de escala
en la capacidad de transformación se presentan mayores costos. Los tiempos
75
mayores se explican debido a que la zona a optimizar debe ser dividida en un mayor número
de mini-zonas, con lo que el procedimiento debe ser ejecutado en más oportunidades. A partir
de las mini-zonas de 300 x 300 se observa un comportamiento bastante constante del costo
total y un aumento progresivo en los tiempos de ejecución. El tiempo adicional se produce
debido a que se aumenta el espacio de soluciones factibles al aumentarse el número de nodos
de una determinada mini-zona, con lo que el algoritmo tarda más tiempo en encontrar el
óptimo que se mantiene sin grandes variaciones mostrando la calidad del mismo. Los
33
menores tiempos se producen cuando la división es de 300 y 400 metros, en tanto que los
menores costos se producen cuando la división es de 500 y 600 metros, presentando el mejor
balance entre tiempo de ejecución y calidad de la solución la división en zonas de 500
metros, puesto que permite abarcar una zona mayor que las divisiones más rápidas y por ende
manejar un universo de soluciones factibles mayor en un tiempo ligeramente superior.
6.000 18
16
5.000
14
(min)
Costo (MM$)
4.000 12
10 Tiempo
3.000
8
2.000 6
4
1.000
2
- 0
50 80 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300
Tamaño de la mini-zona
33 Los datos de tiempo y costo para cada tamaño de división se encuentran en el Anexo
76
5. PROCESO DE MACRO-OPTIMIZACION
En el capítulo 4 se realizó la optimización de cada una de las mini-zonas en que fue dividida
la región a planificar, sin embargo tal procedimiento constituye meramente una buena
aproximación a la solución del problema, dado que la división de la región es arbitraria y
responde sólo a una partición regular de la misma, dejando la posibilidad abierta a que
consumos pertenecientes a una mini-zona determinada pudiesen ser asignados y por ende
alimentados desde otra mini-zona aledaña a un menor costo. Para incorporar este efecto y
reconociendo que la solución puede ser mejorada, en este capítulo se aborda globalmente el
problema, en base a los resultados de la micro-optimización, sin olvidar que debido a la
dimensionalidad del mismo, su solución fue sólo posible gracias a la partición de él. Por
tanto la mirada global, apunta necesariamente a emplear el proceso de micro-optimización
como base de la solución.
En línea con lo anterior en este capítulo se proponen y desarrollan tres alternativas para
mejorar la solución encontrada, la primera se basa en los diagramas de Voronoi y busca la
creación de zonas irregulares a las cuales aplicarles el proceso de micro-optimización, de tal
forma que se garantice que cada consumo quede asociado con sus vecinos cercanos, la
segunda consiste en analizar si es más económico reemplazar redes vecinas por una única red
que satisfaga dichos consumos, procedimiento que es efectuado mediante enumeración
completa cuando la zona es pequeña y mediante búsqueda tabú cuando la dimensionalidad
del problema hace imposible la revisión de todas las combinaciones factibles. Finalmente, la
tercera es la aplicación secuencial de las dos anteriores.
Para comprender la metodología propuesta se expone primero una breve reseña referente a la
definición y propiedades básicas de los diagramas de Voronoi, para posteriormente explicar
en detalle el procedimiento empleado, mostrando nuevamente su aplicación práctica para la
comuna de Macul.
77
El concepto básico de los diagramas de Voronoi, dice relación con conocer la influencia que
realizan determinados elementos de un conjunto sobre el resto de los elementos del mismo.
La primera aproximación fue realizada en 1644 por Descartes, señalando que el sistema solar
consistía en vórtices, donde la materia giraba en torno a la estrella más cercana, situación que
producía polígonos convexos para cada área de influencia de las estrellas. No obstante, fue
hasta Dirichlet (1850) y Georgy Voronoi (1908), cuando se formalizó el concepto, el cual
además, con distinto nombre ha sido aplicado a varias ramas de la ciencia, tales como
geología, meteorología, denominándose polígonos de Theissen, y en física y química
conociéndose como regiones de Wigner-Seitz.
Conceptualmente un diagrama de Voronoi es el resultado de asociar todas las ubicaciones del
espacio euclidiano con el más cercano de los p puntos, del mismo espacio, elegidos como
centros. En términos matemáticos, sea P un conjunto de n puntos distintos en el espacio
euclidiano {p1,…, pi,..., pn}, denominados puntos generadores, un punto x del plano
pertenece al área de influencia del punto generador pi, denominada polígono de Voronoi, Vi,
si y solo si el punto x esta más cerca de pi que de cualquier otro punto generador. Esto es:
x− x−p
Vi = x / pi < j
,∀ j ≠ i (5.1)
Por tanto, el diagrama de Voronoi representa al conjunto de todos los polígonos de Voronoi
{V1,…, Vi, ..., VN} del espacio euclidiano provocados por los puntos generadores {p1,…,
pi,..., pn} respectivamente.
78
[y] 9
2 3 4 5 6 7 8 9
[x]
5. Dentro del círculo con centro en un vértice de Voronoi y que pasa por tres puntos
generadores no puede existir ningún otro punto generador, y tal círculo constituye el
mayor de todos los círculos que puede construirse sin que contenga dentro a otro
generador distinto del tomado como centro del círculo.
6. Si se toma como centro de un círculo cualquier punto del plano y se traza una
circunferencia que pase por un solo punto generador, dicho punto es interior a una
región de Voronoi. Si toca exactamente a dos puntos generadores, separa exactamente
a dos regiones de Voronoi, por tanto pertenece a una arista. Si se puede dibujar una
circunferencia que toque a tres puntos generadores, es un vértice de Voronoi.
79
Si bien este desarrollo, constituye una idea que formalmente va a cumplir un siglo, su difícil
implementación provocó que no se le brindara la atención merecida durante largo tiempo. Sin
embargo, en las últimas décadas, con el avance de la geometría computacional ha tomado
gran importancia, tanto en el campo de sus aplicaciones como en el campo de su propio
desarrollo algorítmico (Okabe et al, 1992). Su aplicación inmediata se da en problemas de
distancia, tales como encontrar el vecino más cercano, encontrar todos los vecinos más
cercanos, encontrar el mayor círculo vacío, esto es, dado un generador p encontrar el mayor
círculo que no contiene ningún punto indeseado, o en el caso del menor círculo, encontrar el
menor círculo que agrupa a un conjunto de n puntos en el plano. También se usa en cluster
geométrico y en robótica, donde se aplica a la planificación del movimiento (Yap, 1987).
Además, se debe destacar el trabajo de Akabane Kenichi et al. (2002), que utiliza esta
metodología en la ubicación de centros de control de calidad de potencia, en cuya ubicación
intervienen variables eléctricas tales como la caída de tensión y la demanda de corriente de
cada consumo, convirtiendo a esta técnica en una atractiva manera de afrontar la ubicación
óptima de transformadores.
Si bien los diagramas de Voronoi poseen una definición sencilla y fueron enunciados hace
gran data, su aplicación a modelos de gran tamaño no está resuelta del todo, al menos en lo
que se refiere al problema de asignación de consumos en las zonas no acotadas. De hecho tal
como se puede apreciar en la figura 5.2 el diagrama de Voronoi realiza algunos polígonos
cuyos vértices están fuera de la zona de análisis (fuera del rectángulo indicado en la figura
5.2), entendiendo esta como la delimitada por los consumos de la zona de planificación, y por
polígonos que poseen un vértice ubicado en infinito (regiones no acotadas), representando
esto un problema a la hora de identificar que vértices de tramos de calle y que consumos
están incluidos en cada uno de ellos.
81
x 10
4
3.5
14000
[m] [m]
3
Polígonos no 12000
2.5
acotados
2 10000
1.5
8000
Polígonos con vértices
1 exteriores
6000
0.5
0 4000
Polígonos interiores
-0.5
-1 0 1 2 3 4 5 3.2 3.4 3.6 3.8 4 4.2 4.4 4.6
4 4
[m] x 10 [m] x 10
Para resolver tal inconveniente se propone una modificación al diagrama de Voronoi que
consiste en acotar las regiones que presentan vértices en infinito y alterar los polígonos que
presentan vértices fuera de la zona de análisis, de tal forma que todos los polígonos luego de
la modificación sean acotados y por ende posibilitar la correcta asignación de los consumos.
12000
11000
10000
[m]
9000
8000
7000
6000
De la figura 5.3 se desprende automáticamente que secciones del polígono frontera actúan de
aristas para las zonas de Voronoi que se desean acotar, y por ende el problema se resuelve
básicamente encontrando la intersección entre la arista del polígono frontera con la recta que
une el tramo que sale desde un vértice interior de la zona a limitar a un vértice fuera de dicha
zona, con lo que se obtiene un nuevo vértice del polígono, situación que se repite para otro
tramo, dado que el polígono es cerrado y convexo con lo que debe existir una arista desde el
exterior a la zona interior distinto al ya empleado, encontrando el otro vértice que permite
cerrar el polígono, y así eliminado todos aquellos vértices fuera de la frontera. Atención
especial reciben aquellos polígonos ubicados en las esquinas de la frontera, cuyos tramos que
salen de la zona lo hacen por distintas aristas de la frontera, y por tanto encontrar sólo los
vértices de intersección no resuelve la situación, ya que el tramo que une tales puntos podría
dejar fuera a consumos que sí pertenecen a la zona, para evitarlo se incluye como vértice del
nuevo polígono, el vértice del polígono frontera que se encuentra en la esquina próxima, con
lo que además de las dos aristas que se forman entre los vértices interiores y las aristas de la
frontera, se generan dos nuevas aristas entre tales
83
12000
11000
[m] 10000
9000
8000
7000
6000
3.5 3.6 3.7 3.8 3.9 4 4.1
[m] 4
x 10
Este procedimiento es parecido al anterior con la salvedad que es imposible trazar una recta
entre un punto interior y el punto ubicado en infinito, puesto que no tiene definida una
posición real en el plano cartesiano, requiriendo un paso adicional para conseguirlo, lo
primero que se realiza es reconocer cuales son aquellos polígonos que no están acotados dado
que la delimitación entre ellos es la que se presenta difusa. Es imposible determinar la
pertenencia cuando el límite es una arista imaginaria que va desde un vértice que existe a otro
que no. Se debe notar además que los polígonos de Voronoi no acotados, en algún segmento
ya sea dentro de la zona a planificar o fuera de ella, son vecinos de otro polígono de Voronoi
no acotado, por lo que la separación entre ellos es fundamental para la correcta asignación de
pertenencia.
Tal límite entre zonas se establece teniendo presente que cada polígono, creado a partir de las
zonas no acotadas, debe agrupar a los puntos más cercanos a sus determinados centros, dado
en este trabajo por la ubicación de los transformadores. Siendo el desafío la definición
84
de la separación que cumpla tal objetivo. Si se tuviesen sólo dos centros generadores, el
límite entre ambos vendría dado únicamente por una recta perpendicular al tramo que los
une, pero la existencia de más centros generadores hace que el trazado de Voronoi se
complique, complejidad que aumenta con el número de centros. Sin embargo, como la
asignación conflictiva depende únicamente de ambos polígonos y los demás polígonos de
Voronoi ya se encuentran trazados, es posible utilizar tal metodología pero considerando los
ya construidos, lo que se resume a continuación:
1. Se identifican los centros generadores de los polígonos no acotados, lo cuales se
34
consiguen generando la envolvente convexa de todos los centros generadores
(ubicaciones de todos los transformadores), ya que en ella, sus vértices coinciden con
los centros de las zonas no acotadas, y por tanto dos vértices consecutivos de la
envolvente convexa señalan dos zonas no acotadas que en alguna parte del espacio
presentan una arista común que debe ser definida.
n n
34 Un punto x ∈ R es combinación convexa de los puntos x1, …, xm ∈ R si existe α1, …, αn ∈ R, tal
que
m
11500
11000
10500
10000
9500
9000
8500
[m]
8000
7500
7000
Con los procedimientos anteriores es posible acotar en forma determinística cada uno de los
polígonos, permitiendo la asignación unívoca entre consumos y transformadores, en virtud de
lo cual, cada uno de los polígonos de Voronoi puede representar una mini-zona a optimizar,
conteniendo un conjunto de cargas y un trazado vial determinado.
A modo de ejemplo, se considera como caso base, la ubicación de 284 transformadores con
una capacidad total de 54 MVA, obtenidos a partir del proceso de micro-optimización, cuyo
costo total, incluida la red y las pérdidas, es de $1.837.274.567, se tiene el siguiente diagrama
de Voronoi para la comuna de Macul.
11500
11000
10500
10000
[m] 9500
9000
8500
8000
7500
7000
3.6 3.7 3.8 [m] 3.9 4 4.1
4
x 10
Capacidad
Número de Número de Tiempo
Cota (kVA) Costo Total ($) Instalada
Polígonos Trafos (min)
(MVA)
10 252 1.832.819.289 375 54,33 3,19
15 238 1.825.087.305 363 54,40 3,09
30 228 1.822.069.744 356 54,06 3,10
45 221 1.815.174.431 354 53,86 3,08
75 211 1.804.476.363 336 53,22 2,93
100 203 1.789.638.270 331 52,86 3,03
150 183 1.773.583.766 301 52,50 2,90
300 100 1.765.329.035 229 47,48 3,22
500 15 2.366.757.645 113 41,16 21,24
Se puede observar que en la medida que aumenta el tamaño de la cota y por ende el tamaño
de los polígonos, se produce un mayor ahorro con respecto al caso base, en el caso en que
88
la cota es de 500 kVA sólo existen 15 polígonos y por ende la zona que cubre cada uno de
ellos es mayor, lo que trae consigo mayores tiempo de ejecución y un empeoramiento de la
solución al incrementarse los costos relacionados con las pérdidas. Los mayores ahorros en el
caso analizado se producen tomando como cota 300 kVA y son en promedio del orden de 4
%.
11500
11000
10500
10000
[m]
9500
9000
8500
8000
7500
7000
3.7 3.8 [m] 3.9 4
4
x 10
Caso simplificado
Si bien se pudo constatar que la división adecuada en polígonos regulares incluye ahorros al
proceso de micro-optimización, se tiene que los tiempos de ejecución aumentan
considerablemente, ya que en total se realizan dos procesos de micro-optimización más la
generación del diagrama de Voronoi, por lo que el proceso completo al menos duplica los
tiempos de ejecución, situación relevante si se busca aplicar la metodología completa a una
zona de mayor tamaño, en donde duplicar el tiempo puede significar llegar a las 10 horas de
proceso, restándole efectividad a la metodología global. Para soslayar este problema e
incorporar el hecho que el uso del diagrama de Voronoi produce mejoras en la solución se
89
Con esta metodología se obtiene una ubicación preliminar de los transformadores en tan sólo
10 segundos, la que si bien no corresponde a una ubicación necesariamente factible
90
dado que no se está considerando el costo de las redes y la conectividad vial, si incorpora una
primera aproximación a la agrupación de los consumos a través de los clusters formados, y
así se consiguen puntos generadores en forma rápida que incluyen la información acerca de
los centros de carga. Al realizar el mismo procedimiento que en el apartado anterior, dejando
como puntos generadores a los mayores a una determinada cota, se obtienen los resultados
presentados en la tabla 5.2.
Capacidad
Número de Número de Tiempo
Cota (kVA) Costo Total ($) Instalada
Polígonos Trafos (min)
(MVA)
10 102 1.760.168.472 255 48,48 2,86
15 101 1.760.628.472 260 48,56 2,84
30 99 1.755.170.145 264 48,16 2,87
45 99 1.758.860.082 257 48,11 2,84
75 97 1.764.630.418 263 48,40 2,86
100 97 1.763.638.774 259 48,13 2,85
150 97 1.757.196.385 261 48,20 2,85
300 88 1.780.345.629 254 47,35 3,00
500 68 1.764.515.664 240 47,68 3,53
Se aprecia que la variación del costo total producto de la elección de la cota es menor que en
el caso no simplificado, esto se debe que al no considerarse como restricción la topología
vial, no existen componentes conexas al interior de cada polígono que obliguen a optimizar
cada una de ellas de manera independiente, lo que necesariamente implica la presencia de al
menos un transformador por cada componente conexa o isla vial que se produce, llevando
esto a un mayor número de transformadores de menor tamaño. Como en este caso tal
situación no ocurre, el transformador a utilizar siempre será el que pueda abastecer mayor
cantidad de carga, dado que por economías de escala es lo que conviene, y por tanto el
número de tafos pequeños es menor, con lo que para las distintas cotas el número de puntos
generadores no varía considerablemente, manteniéndose nuevamente ahorros del orden de 4
%. Es decir, el procedimiento simplificado no altera la calidad de la solución y mejora los
tiempos de ejecución al eliminar la necesidad de realizar dos veces el proceso de micro-
optimización.
91
8800 1 2 8700 1 2
[m] [m] 8650
8600
8600
8400 3 8550
8500
8200 4 8450
8400
8000
8350 3
5 6 4
7800 8300
3.88 3.9 3.92 3.94 3.96 3.9 3.91 3.92 3.93 3.94 3.95
4 4
[m] x 10 [m] x 10
Para poder incorporar el efecto positivo de la interrelación entre las distintas mini-zonas, sin
perder las ventajas de dividir el problema, se formula una metodología que luego de la
aplicación del proceso de micro-optimización, tiene como hipótesis, en base a lo señalado, la
posibilidad de mejorar la solución encontrada si se analizan las relaciones entre zonas
vecinas, mediante la búsqueda de ahorros al unir en una única red y por ende en un único
transformador redes vecinas alimentadas desde transformadores distintos. Por tanto, la
necesidad inmediata que surge, es realizar tales agrupaciones de la mejor forma posible con
atención a la naturaleza combinatoria del problema. De hecho, tal como se analizó en el
capítulo 3, si se buscan agrupaciones posibles entre 10 consumos, distribuidos
uniformemente en el plano se tienen del orden de 1000 casos, los que crecen en la medida
que aumenta el número de nodos a asociar, por ejemplo, si se tienen 200 ubicaciones
6 200
distribuidas uniformemente en el plano, es posible agruparlas en 1,60x10 (2 -1)
subconjuntos, no obstante muchos de ellos no tienen sentido práctico, producto que asocian
redes que no son vecinas entre sí.
Para lograr una buena aproximación a la vecindad entre redes y con esto a las combinaciones
posibles, se propone el uso de la triangulación de Delaunay, la que también será utilizada
para la recombinación de redes, por lo que a continuación se realiza una breve descripción de
esta metodología y su relación con los ya explicados polígonos de Voronoi.
mejor que T2 cuando el menor ángulo de los triángulos de T1 es mayor que el menor de los
ángulos de los triángulos de T2, por tanto la mejor combinación será aquella que maximiza el
ángulo mínimos de los triángulos.
En particular, una triangulación de P es una triangulación de Delaunay si y sólo si la
circunferencia circunscrita de cualquier triángulo de T no contiene puntos de P. Con ello, los
triángulos formados tenderán a maximizar sus ángulos mínimos y las aristas conectarán
93
nodos cercanos, siempre y cuando no se intersecten entre sí. Por tanto la triangulación de
Delaunay no es otra cosa que el grafo dual del diagrama de Voronoi, en que las aristas
corresponden a la unión de los puntos generadores que comparten un eje de Voronoi y a la
unión de puntos generadores vecinos ubicados en zonas no acotadas. Entre sus propiedades
se cuentan:
• Cada triángulo posee como vértices a los puntos generadores del diagrama de
Voronoi.
• La frontera corresponde a la envolvente convexa de los puntos generadores.
• Maximiza el mínimo ángulo, por lo que constituye la mejor triangulación dado que
genera los triángulos más equiláteros posibles.
100
90
80
70
60
[m]
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100
[m]
Con esta técnica se busca entonces disminuir el número de combinaciones factibles, dado que
es posible conocer cuales son las redes vecinas, a través de las aristas de la
94
triangulación, y con ello evitar analizar aquellas combinaciones entre redes alejadas. De esta
forma los subconjuntos de n elementos entre los m disponibles se realizarán sólo entre
aquellos que estén conectados mediante el grafo definido a través de la teselación en
cuestión, lo que dependerá de la distribución de los consumos en el plano, por lo que es
imposible determinar una expresión analítica para el número total de combinaciones. No
obstante, es factible para cada distribución espacial, construir las combinaciones que
cumplan la restricción de vecindad. Así, para una localización de 10 consumos es posible
realizar 800 subgrupos, número que se incrementa exponencialmente con el tamaño de la
entrada, de hecho 15 consumos producen 25.248 combinaciones, 16 consumos generan
52.141 subconjuntos, 17 ubicaciones provocan 102.509 subgrupos y 18 localizaciones tienen
35
214.063 combinaciones . En estos casos se calcularon todas las posibles combinaciones de
los m datos de entrada en subconjuntos de 1 hasta m, siempre y cuando estuviesen
comunicados por aristas de la triangulación. Si ahora sólo se consideran todos los posibles
grupos de 2 y 3 elementos que cumplan con la teselación se tiene:
2
35 Cada grupo corresponde a una distribución uniforme de los n elementos en una superficie de 10.000m ,
se debe señalar que los subconjuntos indicados que representan las combinaciones posibles son el resultado de
un caso particular de n elementos, por lo que los números señalados no son generales pero brindan igualmente
un indicador del orden de magnitud de las combinaciones factibles.
95
3500 500
450
3000
400
Triangulaciones
Combinaciones 2500 350
2000 300
250
1500 200
1000 150
100
500
50
0 0
101
133
149
165
181
197
213
117
21
37
53
69
85
5
De donde, si se asume como supuesto que las recombinaciones se realizarán sólo uniendo de
dos y de tres redes con sus respectivos transformadores, de todas maneras las
96
combinaciones para la zona de análisis continúan siendo elevadas. Como referencia para el
caso de 200 redes se tienen del orden de 3000 combinaciones, además si se considera que
cada combinación implica un nuevo cálculo de conductores, posición y tamaño del nuevo
transformador, pérdidas y flujos por la nueva red, el problema de combinación se vuelve
inmanejable a través de técnicas convencionales de optimización, por lo cual se proponen dos
vías de acción. Por un lado, reconocer la utilidad de dividir un problema de gran dimensión
en problemas menores, situación que queda en evidencia en el capítulo 4, y por tanto dividir
la zona de planificación en vecindarios, siendo cada uno de ellos independientes y buscando
al interior de ellos la mejor recombinación posible. Por otro lado, es asumir que el problema
debe ser abordado en forma global de manera de buscar la mejor reagrupación posible, lo
cual sin duda no puede ser resuelto en forma determinística por lo que se recurre al uso de
una meta-heurística que ayude a encontrar una buena solución para el problema, no
necesariamente la óptima, para lo cual se utiliza la técnica conocida como búsqueda tabú.
Con lo que la solución final será la mejor combinación de los grupos anteriores, con el
cuidado de no utilizar en la solución final más de una vez la misma red. Así por ejemplo una
posible solución final puede ser A-BE-CD.
Para evitar trabajo innecesario y no evaluar la totalidad de las combinaciones, se opta por
realizar la evaluación sólo en aquellas combinaciones factibles, definiendo la factibilidad en
forma secuencial, y por ende cuando una combinación satisface la secuencia, se considera
como candidata para formar parte en la combinación final. Entonces:
1. Serán combinaciones factibles en etapa 1 todas aquellas combinaciones del
vecindario que se encuentren conectadas por al menos dos vértices del polígono de
Voronoi o análogamente por una arista de la triangulación de Delaunay del vecindario
correspondiente, esto con el fin de evitar que la combinación entre redes se
superponga a alguna red que no pertenece a la combinación, y así evitar la
duplicación de redes sobre una zona determinada.
2. Serán combinaciones factibles en etapa 2 todas aquellas combinaciones factibles en
etapa 1, que no producen componentes conexas en la representación de grafo de la
red vial, es decir sólo serán factibles aquellas combinaciones que se encuentren
comunicadas a través de la red vial sin la formación de islas viales, ya que ello
implicaría la necesidad de al menos un transformador por cada isla formada, situación
que se aleja del objetivo de combinar redes para disminuir los costos.
98
Una vez que se conoce el ahorro que se produce con cada una de las combinaciones factibles,
se debe proceder a combinarlas a fin de encontrar la solución final. Siguiendo con el ejemplo,
luego del análisis de factibilidad, las combinaciones podrían ser:
≤ Grupos de 1 red : A-B-C-D-E
≤ Grupos de 2 redes : AB-AD-BC- BE-CE
≤ Grupos de 3 redes : ABD-ACD-BDE-CDE
≤ Grupos de 4 redes : ABDE
≤ Grupos de 5 redes : (Combinación no factible)
• BE-A-C-D
• CE-A-B-D
Como se conoce el ahorro de cada combinación factible, la solución final vendrá dada por
aquella que agrupe de mejor forma las combinaciones anteriores, de manera que produzca el
mayor ahorro posible, dicho procedimiento es realizado mediante enumeración completa. El
inconveniente de la metodología descrita es que se permiten todas las agrupaciones, siendo
altamente probable que muchas de ellas no produzcan ahorros e igualmente generen
aumentos en los tiempos de ejecución, ello producto que las combinaciones de varias redes
implican la optimización de una zona mayor, con lo que el tiempo de procesamiento crece, y
también lo hace necesariamente el tamaño de la red de distribución, aumentando en exceso
las pérdidas asociadas, y por tanto incrementado los costos en relación al caso en que todas
las redes se mantienen independientes. De hecho como se muestra en la tabla 5.3, en que la
cota se estableció en 300 kVA, si se permiten agrupaciones de dos, tres, hasta nueve redes,
escogiendo nueve como cota superior dado que corresponde al máximo número de redes al
interior de un vecindario, se tiene que un aumento en el número de elementos a combinar
provoca un aumento en el tiempo de ejecución con un incremento menor en el ahorro
asociado.
Tabla 5.3: Ahorro v/s número de combinaciones con cota en 300 kVA
Número de redes a
Ahorro ($) Tiempo (min)
combinar
2 46.093.449 2,07
3 48.673.315 3,14
4 48.759.939 3,73
5 49.265.430 4,18
6 49.744.881 4,47
7 50.246.559 4,55
8 50.246.559 4,54
9 50.246.559 4,55
existen menos puntos generadores el tamaño del polígono es mayor y por tanto el número de
redes al interior de un vecindario también es mayor, con lo cual el número de combinaciones
de n elementos crece, probándose más casos y por ende consumiendo más tiempo en su
solución. En efecto, para el caso de cota en 500 kVA se obtiene que, si se realizan
combinaciones de dos elementos se logra un ahorro de $ 67.335.440 en un tiempo de 4
minutos. Al aumentar a tres los elementos a combinar en cada vecindario, el tiempo crece a
10 minutos con un ahorro que aumenta a tan sólo $ 74.643.055, si el número es 4 el ahorro es
de $ 74.935.026, manteniéndose casi inalterable, en un tiempo de 33 minutos. Se debe
señalar además, que para un incremento adicional al mencionado fue imposible lograr la
convergencia, toda vez que el número de combinaciones era elevado, puesto que uno de los
vecindarios posee 52 redes, lo que da un número de combinaciones posibles de 2.598.960,
haciendo inmanejable la búsqueda de una solución.
De lo anterior es posible deducir que el incremento de combinaciones si bien aumenta los
ahorros también produce mermas en la velocidad de solución del problema, por lo que se
necesita encontrar una forma de producir ahorros relevantes pero sin la necesidad de tiempos
extremos de ejecución. Para evitar tal problema, se propone la utilización cíclica del
procedimiento planteado, pero sólo considerando combinaciones de dos redes, ello con el fin
de comparar sólo casos que toman menos tiempo ya que abordan una zona de planificación
menor y además son más probables de generar ahorros que las combinaciones entre un
número superior de redes. El algoritmo propuesto es:
más de dos redes no lo sean, por lo cual al permitir que la nuevas redes formadas, puedan
seguir combinándose ya sea con redes nuevas o con redes no combinadas en la etapa anterior,
implícitamente rescata el hecho de la posibilidad de combinaciones entre un número superior
de ellas, pero evitando la evaluación de todas las combinaciones posibles, lo que implica un
ahorro en tiempos de ejecución.
Utilizando este procedimiento se obtienen lo siguientes resultados.
Tiempo
Cota (kVA) Ahorro ($)
(min)
10 0 0,09
15 3.975.755 0,44
30 9.568.937 0,62
45 15.351.388 0,77
75 19.462.245 1,03
100 25.966.288 1,18
150 43.120.248 2,29
300 53.915.232 6,62
500 76.392.742 16,25
Donde además es posible notar que los ahorros aumentan en la medida que la cota utilizada
para la creación de los vecindarios también crece, ello es debido a que el número de
polígonos que cubre la zona de planificación disminuye, con lo cual cada vecindario agrupa a
un mayor número de redes. En este escenario entonces es válido preguntar por que no
ampliar al máximo la zona de análisis, es decir utilizar un único vecindario que incluya todas
las redes a combinar. Tal como se mencionó, dicho problema, al ser de una complejidad
combinatoria elevada, será resuelto mediante búsqueda tabú en la siguiente sección.
Búsqueda tabú
El objetivo de la búsqueda tabú en este trabajo, es entregar una buena combinación entre
redes, de manera de disminuir los costos obtenidos del proceso de micro-optimización. En la
siguiente figura se muestra un conjunto de redes, demarcadas por la envolvente convexa que
engloba a todos los consumos de cada una de ellas, y donde los puntos más grandes,
representan la posición del transformador, indicando algunas zonas que al unirse
posiblemente constituirían mejoras a la función objetivo, observando además, que si un
104
transformador es utilizado en una combinación ya no puede ser utilizado en otra, por lo que
la elección del conjunto de mejores combinaciones no es trivial, toda vez que el número de
combinaciones posibles aumenta exponencialmente con el número de transformadores.
[y]
[x]
Así lo que se busca es el mejor mix entre las posibles combinaciones, siempre y cuando cada
red combinada sea utilizada en una única combinación, lo que se representa de acuerdo a la
siguiente estructura:
1 1 2 1 2 4 4
12000
11000
10000
[m]
9000
8000
7000
6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m] 4
x 10
12000
11000
10000
[m]
9000
8000
7000
6000
3.6 3.653.7 3.753.8[m] 3.853.9 3.95 4 4.05 4.1
4
x 10
Considerando las bondades de las dos metodologías propuestas, en este algoritmo finalmente
se propone la realización secuencial de ellas. De tal forma de incluir la asociación inteligente
producto del diagrama de Voronoi y la incorporación de información adicional y de mejora
de la función objetivo a través de la recombinación de redes gracias a la búsqueda tabú. Por
tanto la secuencia recomendada de aplicación sería la siguiente:
Con esta solución se presentan los mayores ahorros con respecto al caso base dado por la
aplicación exclusiva del proceso de micro-optimización explicado en el capítulo 4, en efecto
el ahorro total es de $ 135.972.397 (197 redes) representando un descuento de 7.4 % respecto
del caso base.
12000
11000
10000
[m]
9000
8000
7000
6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m] 4
x 10
36 La zona de análisis incluye a la ciudad de Santiago, capital de Chile, con una población al 31 de
diciembre del 2003 de 5.3 millones de habitantes.
37 Las ventas totales de energía para el año 2003 fueron de 8.696 GWh, repartiéndose 3.917 GWh a
clientes de baja tensión y 4.779 GWh a clientes de media tensión.
110
Del capítulo 4 fue posible encontrar que un tamaño adecuado para la zona de análisis era de
500 x 500 metros. También se pudo mostrar que en el proceso iterativo asociado a la micro-
optimización, al encontrar un valle en la función de costo se está, con alta probabilidad, en
presencia de un mínimo global. Además se observó que en la metodología propuesta, el
equilibrio de red sólo es significativo al finalizar el proceso iterativo, todas conclusiones que
son aplicadas a la micro-optimización del Gran Santiago. Así, la división de la zona a
planificar se muestra en la siguiente figura.
4
x 10
7
4
[m]
0
0 1 2 3 4 5 6
[m]
x 104
Existe un total de 3103 mini-zonas a optimizar, las que para 10 lanzamientos del algoritmo,
tabla 6.1, entregan un costo promedio de $ 71.027.164.452 en un tiempo de ejecución
38
promedio de 168,3 minutos correspondientes a 2,8 horas .
1 70.973.285.445 173,5
2 71.158.531.278 167,8
3 70.921.325.234 167,6
4 70.951.990.818 167,6
5 71.098.651.683 167,3
6 71.067.957.121 168,9
7 70.972.409.405 167,4
8 71.003.831.236 167,0
9 71.014.399.273 167,4
10 71.109.263.030 168,7
De tales simulaciones, es posible obtener que el largo promedio de la red de baja tensión es
7.828 Km, que se utilizan 12.039 transformadores con una capacidad total instalada en baja
tensión de 2.861 MVA, con pérdidas de energía para el año base de 54.142 MWh.
Si bien, la red trazada corresponde sólo a una red área de baja tensión, y por tanto no
reconoce las zonas subterráneas del área de planificación, ni tampoco su relación directa con
la red de distribución de media tensión, es posible cotejar, de todas formas, el orden de los
resultados obtenidos, con los estudios de VAD realizados en la fijación tarifaria utilizada
como referencia, de manera de comprobar la coherencia de las salidas obtenidas. Por
ejemplo, en el caso de las pérdidas para el año inicial, en donde se ve reflejado tanto el
trazado como el tipo de conductores seleccionados, se tiene que en el estudio encargado por
la empresa distribuidora, en adelante estudio de la distribuidora (Systep e Inecon, 2004), las
pérdidas corresponden a 75.312 MWh y en el estudio encargado por la Comisión Nacional de
Energía, en adelante estudio de la CNE (Synex, Mercados Energéticos y Jadresic Consulting,
2004), ascienden a un valor de 35.580 MWh, ubicándose el resultado aquí
38 La tabla completa para todos los lanzamientos, con el desglose de costos e infraestructura se presenta en
el
112
obtenido entre ambos valores. En cuanto a los kilómetros de red, el resultado obtenido es
menor tanto al estudio de la distribuidora como al estudio de la CNE, cuyos valores son
9.050 km y 9.075 km respectivamente, este hecho no debe ser explicado por si sólo, sino que
debe considerarse lo que sucede con los transformadores. En el estudio de la distribuidora el
número óptimo es de 7.247 y en el estudio de la CNE es de 8.416 unidades, por lo tanto, con
la metodología propuesta se obtiene un resultado absolutamente coherente, toda vez que el
39
número de transformadores obtenido es mayor y el largo de red es menor que en los
estudios citados, situación que acontece dada la división arbitraria de la gran zona de
planificación en mini-zonas de optimización, en las cuales al respetar el tendido vial y por
ende al no trazar redes entre zonas no vialmente conectadas, se fuerza a que en cada isla vial
de cada una de las mini-zonas, exista al menos un transformador.
Anexo H
39En las redes de distribución se tiene que los transformadores con sus redes asociadas tienen una relación
inversamente proporcional, en el caso extremo si cada consumo tuviese su propio transformador la red de
distribución de baja tensión sería cero.
113
113
114
[m]
[m]
[m]
[m]
Se realiza el trazado del diagrama de Voronoi, considerando como puntos generadores de los
polígonos, a la ubicación de los transformadores obtenidos en la etapa de micro-
optimización, para luego aplicar a cada nueva mini-zona irregular el proceso de micro-
optimización completo. Se debe recordar que los mejores resultados se obtuvieron cuando los
puntos generadores correspondían a aquellos asociados a transformadores superiores a 300
kVA, y por tanto en esta aplicación, se emplea tal condición como ejemplo base para elaborar
los polígonos de Voronoi de Santiago. Con ello, en la figura 6.2, es posible apreciar la
aplicación de esta técnica para la zona en cuestión.
Con esta metodología se obtuvo un costo menor que el caso base, arrojando los siguientes
resultados:
Lo que constituye una mejora de 2,31 % (aproximadamente dos mil millones de pesos) con
respecto al caso base considerando las pérdidas. Para clarificar los resultados, se aplicó el
mismo procedimiento, pero ahora considerando como centro de los polígonos a aquellos
transformadores superiores a 500 kVA, obteniendo lo siguiente:
En ambos casos, es posible apreciar una disminución en el costo total, asociado a la mejor
asignación de los consumos, lo que se traduce en un menor número de transformadores y por
consiguiente un mayor largo de red. Se debe señalar que los tiempos de simulación fueron de
179 y 252 minutos respectivamente, sin considerar el tiempo requerido por el caso base.
117
4
x 10
[m]
3
0
0 1 2 3 4 5
4
[m] x 10
4
x 10
1.5
1.4
1.3
[m] 1.2
1.1
0.9
0.8
0.7
trasformador adecuado, ello con el fin de evitar los 167 minutos asociados al caso base. De
esta forma, el procedimiento simplificado requiere sólo 14 minutos para su ejecución, luego
de lo cual se realiza el diagrama de Voronoi y se aplica el procedimiento de micro-
optimización completo para cada uno de los polígonos formados.
Al igual que en el caso anterior, se consideraron como puntos generadores las ubicaciones de
aquellos transformadores, que de acuerdo al procedimiento de micro-optimización
simplificado son superiores a 300 kVA y luego a 500 kVA, con lo cual, los resultados para el
primer caso son:
Si bien, en ambos casos los ahorros no superan el 2%, se debe señalar la ventaja en tiempo
que esta metodología brinda, toda vez que sólo demora 170 y 240 minutos, respectivamente,
sin necesidad de los 167 minutos adicionales del caso base.
119
Este procedimiento busca incorporar las posibles economías producto de unir redes vecinas,
esto es, hacer que zonas aledañas que tienen su propio transformador y red sean unidas de
manera de suministrarlas a través de un único transformador con sólo una red asociada, para
ello se divide la zona en vecindarios utilizando los polígonos de Voronoi, para luego en cada
uno de los vecindarios encontrar la mejor combinación de redes, de forma de lograr una
disminución en el costo total.
Entonces, cada uno de los vecindarios está formado por todas las redes que quedan al interior
de un polígono de Voronoi, los que son creados tomando como puntos generadores la
ubicación de todos los trasformadores del caso base, cuya capacidad sea superior o igual a
500 kVA. Aplicando como ejemplo tal procedimiento, se obtienen 4.103 vecindarios para
Santiago, tal como se aprecia en la figura 6.4, en particular, en su figura inferior es posible
notar como cada vecindario (polígonos convexos de líneas gruesas), contiene un conjunto de
redes a combinar (polígonos convexos de líneas delgadas).
Así, en cada vecindario se encuentra la mejor combinación, es decir la que produce mayores
ahorros, entre las redes que lo componen. Siendo el ahorro final, la sumatoria de los ahorros
producidos en cada uno de los vecindarios. De esta forma, el ahorro total obtenido, con
respecto al caso base, es de $ 2.824.076.757 lo que representa un ahorro de 3,53 %,
ejecutándose el procedimiento en 178 minutos. El resumen de los resultados obtenidos es el
siguiente:
[m]
[m]
[m]
[m]
Al igual que en el caso anterior se buscan las economías producto de la unión de redes
aledañas, pero esta vez sin la realización de vecindarios, sino que buscando la mejor
combinación de entre todas las redes que se obtienen luego del proceso de micro-
optimización. Dada la gran cantidad de combinaciones posibles, se opta por la heurística
búsqueda tabú para conseguirlo. Además, para disminuir el espacio de búsqueda de la
solución, que en este caso constituye encontrar el conjunto de mejores combinaciones entre
redes, se evitan aquellos casos en que se busca unir redes alejadas o separadas por alguna red
intermedia, para ello se realiza la triangulación de Delaunay, entre todas las redes del caso
base, representadas por su transformador asociado. Esta triangulación, para el caso de
Santiago se presenta en la figura 6.5.
122
[m]
[m]
De esa manera, sólo se consideran como redes factibles a combinar, aquellas que
inicialmente se encuentran unidas a través de aristas de la triangulación (ver 5.2.2),
reduciendo considerablemente el espacio de búsqueda al combinar únicamente redes vecinas.
40
Con este procedimiento y requiriendo un tiempo de ejecución de 254 minutos, se
obtuvieron los siguientes resultados:
7.1
la medida que se incorporan nuevas estaciones de trabajo a la resolución del problema, lo que
constituye un acierto de la metodología de micro-optimización propuesta.
Del proceso de optimización realizado sobre cada mini-zona (micro-optimización), fue
posible constatar la relación existente entre el número de transformadores y la red asociada a
cada transformador, observando que un análisis acoplado entre la red y el transformador
permite encontrar una combinación óptima de ellos, es decir un mix capaz de minimizar para
cada mini-zona el costo de transformación, conductores y pérdidas. Siendo posible mostrar,
que dicho óptimo se obtiene en el mínimo del primer valle, que se encuentra en la curva de
costo total, la cual indica el costo de inversión más pérdidas en función del número de
transformadores instalados, donde tal costo se obtiene de la elección y ubicación óptima de i
transformadores (vía cluster), y donde para cada uno de ellos se determina la red óptima,
tanto en trazado como en elección de conductores. Así al realizar la metodología para
innumerables lanzamientos fue posible mostrar, que si al instalar un transformador adicional,
i+1 transformadores, existía un incremento en el costo total, entonces el mínimo esta dado
por la instalación óptima de i transformadores con sus respectivas redes asociadas, situación
que permite disminuir los tiempos de ejecución, al acotar el espacio de búsqueda, ya que
elimina la necesidad de encontrar los costos que se obtendrían con la instalación de un
número mayor a i+1 transformadores. En efecto, al realizar la metodología sobre la comuna
de Macul, para distintos valores de búsqueda, entendiendo ésta como el número de
iteraciones adicionales, luego del primer valle encontrado en la curva de costos totales, no
fue posible encontrar una mejoría significativa en el costo final. Es decir, el aumento del
espacio de búsqueda no trajo consigo la disminución de costos, y por tanto no hubo presencia
de nuevos mínimos en cada mini-zona.
41
Tabla 7.1: Metodologías de macro-optimización sobre Santiago .
Micro-Optimización Macro-Optimización
Unión de Polígonos de
Diagrama de Diagrama de Unión de Redes vía Voronoi y
Caso Base Voronoi Redes vía
Voronoi Búsqueda Búsqueda
simplificado Vecindarios
Tabú Tabú
Costo total (MM$) 70.973 70.098 70.505 67.338 65.463 64.422
Costo total + pérdidas
79.981 78.133 78.722 77.156 76.041 75.079
(MM$)
Número de
12.052 11.966 11.815 9.357 8.404 7.686
Transformadores (#)
Largo de Red (Km) 7.822 8.210 8.261 8.187 8.746 8.935
Capacidad Instalada
2.859 2.895 2.892 2.741 2.664 2.625
(MVA)
Tiempo de Ejecución
167 346 184 345 421 391
(min)
Mediante la utilización de los polígonos de Voronoi, fue posible agrupar a los consumos por
su característica de cercanía y con ello lograr una reducción de costos al aplicar sobre cada
polígono el proceso de micro-optimización, con lo cual se obtuvo para el caso de Macul un
ahorro cercano al 4 % y para el caso de Santiago uno de 2 % con respecto al proceso de
micro-optimización respectivo. Es importante mencionar que los polígonos se forman a partir
de puntos generadores, probándose en la presente investigación que estos pueden provenir de
la ubicación de los transformadores, ya sean obtenidos del proceso de micro-optimización o
de un proceso simplificado (sin consideración de la red), con el consecuente ahorro de
tiempo, en el caso de Santiago se cambia una ejecución de 176 minutos por una de 14
minutos, a los polígonos así obtenidos se les aplica, de igual forma, el proceso de micro-
optimización completo.
En cuanto a la recombinación de redes vecinas, esta metodología encuentra economías al
suministrar mediante una única red y por ende bajo un único transformador, a redes aledañas,
siempre y cuando esto sea posible. Abordándose el problema desde dos perspectivas, una
mediante la división de la zona de planificación en vecindarios, y en cada uno de ellos,
analizar las posibilidades de combinación, y otra, sin la realización de división, sino que
determinando las combinaciones factibles en toda la zona de planificación a través de la
búsqueda tabú. Tanto en el caso de Macul como su posterior aplicación a Santiago, fue
posible constatar la ventaja que presenta el análisis de un único vecindario, puesto que evita
la no consideración de combinaciones entre redes que pertenecen a vecindarios distintos. Así,
para el caso de Santiago, al utilizar vecindarios se obtuvo un ahorro de 3,5 % y en el caso de
un único vecindario el ahorro creció a un 4,9 %, sin embargo se debe señalar que la
metodología de mayor ahorro, al poseer un espacio de búsqueda mayor, requiere más tiempo
en su ejecución, necesitando 76 minutos adicionales para encontrar la solución.
única red. De hecho el ahorro obtenido con este procedimiento en serie es de 7,4 % para el
caso de Macul y de 6,1 % para el caso de Santiago.
Finalmente, y en relación a la validez de los resultados encontrados, se debe considerar que
la presente investigación sólo determinó redes aéreas, y en cambio los estudios de referencia
para el gran Santiago, dados por los estudios de VAD 2004-2008, tanto de la empresa
distribuidora como de la autoridad consideran además redes subterráneas, por lo que un
parangón directo no es posible, pero sí lo es la verificación del orden de los resultados
obtenidos. En efecto, el número de transformadores y kilómetros de red extraídos del
42
modelo son 7.686 unidades y 8.935 km, respectivamente, tales valores para los estudios de
referencia son de 7.247 unidades y 9.050 km para el estudio de la distribuidora y de 8.416
unidades y 9.075 km para el estudio de la autoridad. Lo que ratifica la bondad de la
metodología propuesta.
No se debe perder de vista, que el principal acierto de la metodología planteada, más allá de
los resultados numéricos, que pueden variar de acuerdo a la definición de precios y/o
expectativas de crecimiento, es la certeza de resolver un problema de gran tamaño, con la
consideración conjunta de redes y transformadores sobre una red vial que permite
determinadas conexiones, con lo cual el problema es solucionado sin la necesidad de
excesivas simplificaciones, en un tiempo razonable, toda vez que un ejercicio de
planificación en ningún caso necesita ser resuelto en forma instantánea. En particular, es el
planificador quien puede optar discretamente por el tiempo requerido en la solución, de
hecho el resultado de la micro-optimización para Santiago se consigue entre 167 y 170
minutos, siendo voluntad del planificador realizar el proceso de macro-optimización para la
disminución de costos, etapa que toma cerca de 200 minutos en ejecutarse. Por tanto, en tan
sólo tres horas es posible obtener una primera buena aproximación a la planificación desde
cero de una zona de gran tamaño, lo que representa la gran ventaja de la división en mini-
zonas y de la metodología desarrollada.
42 Considerando como modelo final a la metodología que presenta un menor costo total, es
decir al procedimiento secuencial de diagrama de Voronoi y Recombinación Tabú de redes.
130
distribución y una red de baja tensión pequeña, en cambio una compañía con una red
de baja tensión dominante, posee transformadores de mayor capacidad y por ende un
menor número de ellos, lo que genera una mayor red de baja tensión. Existiendo una
multitud de posibles soluciones entre ambos casos, por lo que resulta fundamental
preguntarse acerca de la combinación óptima entre media tensión y baja tensión,
relación que al desacoplar el problema no es considerada, lo que hace una línea
atractiva de investigación la solución conjunta del problema de planificación de
sistemas de distribución.
• Consideración de las instalaciones de generación distribuida: La irrupción de medios
de generación que inyectan su energía directamente sobre el sistema de distribución,
hace que surjan nuevas interrogantes con respecto a como considerar su efecto en el
valor de una empresa distribuidora. Por ejemplo, se hace necesario considerar quien
se hará cargo de las instalaciones necesarias para acceder a la generación distribuida.
Instalaciones tales como equipos de control, protecciones, refuerzo de alimentadores,
entre otros, deben ser debidamente remunerados, ya sea por el generador distribuido o
por la tarifa regulada.
Otro punto, es considerar las ventajas en la regulación de tensión y disminución de
pérdidas que trae consigo la generación distribuida, con lo cual, el valor presente del
costo de las pérdidas, necesariamente es menor si es que existen proyectos de
generación distribuida en la zona de planificación, haciéndose necesario,
posiblemente, a la hora de determinar las tarifas, conocer cuales son los posibles
lugares de generación distribuida y el tipo de instalaciones necesarias, de manera de
descontar tales ahorros de la tarifa y por ende no remunerar a la empresa distribuidora
por costos inexistes. En suma, al crecer la generación distribuida, se vuelve no
despreciable su consideración en la planificación de las redes de distribución, puesto
que son éstas, las encargadas de evacuar su energía, y las que asumen sus eventuales
costos y/o ahorros.
Se debe recalcar que el problema de planificación de redes de distribución, está abierto tanto
a su solución como modelación. Día a día los sistemas crecen en tamaño y en
132
normativas, por lo que las variables involucradas también lo hacen, lo cual conlleva a que los
investigadores constantemente exploren nuevas formas de planteamiento y rutas alternativas
de solución, en virtud de lo cual los trabajos futuros propuestos y la metodología aquí
desarrollada, sólo buscan ser un aporte y no agotan, en absoluto, la exploración a la solución
del complejo problema enfrentado.
133
BIBLIOGRAFIA
Adams, R.N y Laugton, M.A. (1974). Optimal Planning of Power Network Using Mixed
Integer Programming. IEE Proceedings, 121(2), 139-147.
Akabane, K., Nara, K., Mishima, Y. y Tsuji, K. (2002, junio). Optimal Geographical
Allocation of Power Quality Control Centres by Voronoi Diagram. Documento
presentado en 14th Power Systems Computation Conference, Sevilla, España.
Anders, G.J., Vainberg, M., Horrocks, D.J., Foty, S.M. y Motlis, J. (1993). Parameters
Affecting Economic Selection of Cable Sizes. IEEE Transactions on Power Delivery,
8(4), 1661-1667.
Aoki, K., Nara, K., Satoh, T., Kitagawa, M. y Yamanaka, K. (1990). New Approximate
Optimization Method for Distribution System Planning. IEEE Transactions on Power
Systems, 5(1), 126-132.
Díaz-Dorado, E., Cidras, J. y Miguez, E. (2003). Planning of Large Rural Low voltage
Networks Using Evolution Strategies. IEEE Transactions on Power Systems, 18(4),
1594-1600.
Ferreira, L.A.F.M., Carvalho, P.M.S., Jorge, L.A., Grave, S.N.C y Barruncho, L.M.F. (2001).
Optimal Distribution Planning by Evolutionary Computation – How to Make it Work.
Transmission and Distribution Conference and Exposition IEEE/PES, 469-475.
Fawzi, T.H., Ali, K.F. y El-Sobki, S.M. (1983). A New Planning Model for Distribution
Systems. IEEE Transactions on Power Apparatus and System, 102(9), 3010-3017.
135
Garey, M.R. y Jonson, D.S. (1979). Computers and Intractability: A Guide to the
Theory of NP- Completeness. Nueva York: Freeman.
Glover, F. (1995). Tabu Search Fundamentals and Uses. Technical Report, Graduate
School of Business, University of Colorado.
Gómez, J.F, Khor, H.M., De Oliverira, P.M., Ocque, L., Yusta, J.M., Villasana R. y
Urdaneta, J. (2004). Ant colony system Algorithm for the Planning of Primary
Distribution Circuits. IEEE Transactions on Power Systems, 19(2), 996-1004.
Gonen, T. y Foote, B.L. (1981). Distribution System Planning Using Mixed Integer
Programming. IEE Proceedings, 128(2), 70-79.
Goswami, S.K. (1997). Distribution system Planning using branch exchange technique.
IEEE Transactions on Power Systems. 12(2), 718-723.
Gustafson, M.W. y Baylor, J.S. (1988). The Equivalent Hours Loss Factor Revisited.
IEEE Transactions on Power Systems, 3(4), 1502-1508.
Gustafson, M.W. y Baylor, J.S. (1989). Approximating the System Loss Equation. IEEE
Transactions on Power Systems, 4(3), 850-855.
Huang, Y.C., Yang, H.T. y Huang C.L. (1996). Solving the Capacitor Placement Problem
in a Radial Distribution System Using Tabu Search Approach. IEEE Transactions on
Power Systems, 11(4), 1868-1873.
Lo, K.L., y Nashid, I. (1996). Interactive Expert System for Optimal Design of Electricity
Distribution Systems. IEE Proceedings, Generation, Transmission and Distribution.
143(2), 151-156.
Masud, E. (1974). An iterative Procedure for sizing and timing distribution substations
using optimizations techniques. IEEE PES Winter Meeting, pp.1281-1286.
Miranda, V., Ranito, J.V. y Proenca L.M. (1994). Genetic algorithms in Optimal
Multistage Distribution Network Planning. IEEE Transactions on Power Systems,
9(4), 1927-1923.
137
Nara, K., Satoh, T., Kuwabara, H., Aoki, K., Kitagawa M. y Ishihara, T. (1992).
Distribution System Expansion Planning by Multistage branch Exchange. IEEE
Transactions on Power Systems, 7(1), 208-214.
Nara, K., Hayashi, Y., Muto, S. y Tuchida, K. (1998). New Algorithm for Distributions
feeders Expansion Planning in Urban Area. Electric Power Systems Research, 46(3),
185-193.
Paiva, P.C., Khor, H.M., Dominguez-Navarro, J.A., Yusta, J.M. y Urdaneta A.J. (2005).
Integral Planning of Primary – Secondary Distribution Systems Using Mixed Integer
Linear Programming. IEEE Transactions on Power Systems, 20(2), 1134-1143.
Ponce De Leao, M.T. y Matos, M.A. (1995). Distribution planning with fuzzy loads.
International Transactions in Operational Research, 2(3), 287-296.
Ponnavaikko, M., Rao, K. y Venkata S.S. (1987). Distribution System Planning through a
Quadratic Mixed Integer Programming Approach. IEEE Transactions on Power
Delivery, 2(4), 1157-1163.
Systep e Inecon. (2004). Estudio para el Cálculo de las Componentes de Costo del
Valor Agregado de Distribución (VAD), Área Típica 1: Chilectra. Santiago, Chile:
Autor.
Temraz, H.K. y Salama, M.M.A. (2002). A Planning Model for Sitting, Sizing and
Timing Distribution Substations and Defining the Associate Service Area. Electric
Power Systems Research, 62(2), 145-151.
Thompson, G.L. y Wall, D.L. (1981). A Branch and Bound Model for Choosing Optimal
substation Locations. IEEE Transactions on Power Apparatus and System, 100(5),
2683-2687.
140
Vaziri, M., Tomosovic, K., Bose, A. y Gonen, T. (2001). Distribution Expansion Problem:
Formulation and Practicality for a Multistage Globally Optimal Solution. PES Winter
Meeting, 3, 1461-1466.
Wen, F. y Chang, C.S. (1997). Transmission Network Optimal Planning Using the Tabu
Search Method. Electric Power System Research, 42, 153-163.
141
ANEXOS
142
clase NP. Para que ambas clases fuesen iguales todos los problemas NP deberían ser
k
del tipo O(n ), situación que a la fecha es un problema abierto.
• Problemas de clase NP-Completos: Un problema es NP-completo si todos los
problemas de la clase NP pueden reducirse a él, representan los problemas más
difíciles de la clase NP y posiblemente no forman parte de los problemas de
complejidad P (afirmación que aún no ha sido probada ni desmentida), dado que de
existir una solución polinómica para un problema NP-completo entonces todos los
problemas de NP también la tendrían. Ejemplos de este tipo de problemas son, el
problema del camino máximo, dado dos vértices de un grafo encontrar el camino de
mayor distancia que los une, y el problema del ciclo hamiltoniano, que consiste en
encontrar un ciclo simple que contiene a cada vértice del grafo.
145
Para entender que es una meta-heurística, el primer paso es comprender el término heurística,
vocablo que etimológicamente proviene del griego heuriskein que significa encontrar o
descubrir. En la actualidad dicho término se comenzó a utilizar con los inicios de la
inteligencia artificial, específicamente representan mecanismos sencillos que permiten
resolver problemas difíciles (NP, NP-completos), de manera relativamente fácil y rápida,
encontrando una buena solución para ellos, pero sin garantizar la obtención de una solución
óptima. Estas técnicas se pueden clasificar en heurísticas de:
• Construcción: algoritmos que van agregando componentes a una solución parcial,
hasta que se logra obtener una solución que cumple todas las restricciones y que no es
posible mejorar.
• Mejora: algoritmos que parten de una solución inicial factible, y buscan en la
vecindad de la solución, algún cambio posible, de manera que la solución actual
mejora, los cambios se realizan hasta que se cumple un determinado número de
iteraciones o cuando ya no se producen mejorías. En este tipo de algoritmos, mención
especial, merece el intercambio de ramas (Branch – Exchange) en la planificación de
sistemas de distribución, en particular, en lo referente a la formación de redes
radiales, el que consiste en la adición de un tramo de red, de manera que se forme un
ciclo en el trazado, para posteriormente quitar la mejor rama que elimine tal ciclo.
Siendo sus principales ventajas, la versatilidad, esto es que son necesarias pequeñas
modificaciones para adaptar las meta-heurísticas a la resolución de distintos problemas, y la
aplicabilidad eficaz, es decir, que se puede aplicar a problemas difíciles encontrando buenas
soluciones en tiempos razonables. Su principal desventaja, es que no se puede conocer la
calidad de la solución encontrada, por tanto, no se puede saber que tan cerca se encuentra el
resultado encontrado del óptimo global del problema.
A continuación se explicarán brevemente las características fundamentales de las meta-
heurísticas que han sido citadas a lo largo de este trabajo, de forma de aclarar los aspectos
relevantes de los algoritmos genéticos, las colonias de hormiga, el temple simulado
(Simulated Annealing) y la búsqueda tabú.
147
Tomando en cuenta esta optimización natural de las especies, los investigadores han aplicado
el mismo procedimiento para resolver diversos problemas de optimización, para ello, se debe
crear una población inicial, compuesta por un número determinado de individuos, donde cada
uno de ellos representa una solución al problema, cada individuo (solución factible) se
encuentra codificado en un vector de unos y ceros (emulando la cadena de ADN), la bondad
de una solución está dada por una función denominada fitness, que típicamente representa la
evaluación del individuo en la función objetivo a optimizar, o en el inverso de dicha función.
Luego de esto, para que exista modificación al material genético, es decir para que aparezca
una nueva población de soluciones y se siga el proceso de evolución natural, se realizan lo
siguientes procedimientos:
• Selección: este operador determina que individuos forman parte de una nueva
población, dicha elección se realiza, la mayoría de las veces en forma elitista,
considerando a los n mejores individuos de una población, de acuerdo a su función de
fitness. Otra forma de selección es asignando una determinada probabilidad de
selección en función del fitness de cada individuo, en la selección proporcional, la
probabilidad de escoger a un individuo para que forme parte de la nueva generación
es directamente proporcional a su valor de fitness. También se realiza selección por
torneo, en donde se escogen aleatoriamente dos individuos de la población, y se deja
para la nueva población el de mejor fitness, esta situación se repite hasta que se
seleccionan los n individuos de la nueva generación.
• Cruce: este operador emula el proceso reproductivo de las especies, es decir, recoge
la información de dos individuos para generar uno nuevo, por tanto se crea una
148
Padre 1: 1 0 0 1 1 0 1 1 Padre 2: 0 1 1 1 1 1 0 0
Si X es igual a 3, entonces:
Hijo 1: 1 0 0 1 1 1 0 0 Hijo 2: 0 1 1 1 1 0 1 1
Con la aplicación sucesiva de los procedimientos antes señalados se logra emular el proceso
de evolución de las especies, produciendo sucesivamente nuevas generaciones que toman lo
mejor de la generación anterior, el proceso termina cuando se cumple un número máximo de
iteraciones o cuando el fitness de los individuos ya no mejora.
un metal se encuentra en un estado Si con un nivel de energía Ei, al producirse una pequeña
perturbación al estado original, y generarse un nivel de energía Ej, el nuevo estado será Sj si
P( XSi ⋅e
− Ei (B.1)
1
) −E
k ⋅T
j
∑e k ⋅T
1. Se comienza el algoritmo con una solución factible S=S1. Se inicializan los parámetros
de control, esto es la temperatura inicial T = To y No, que representa el número de
configuraciones que se probarán a temperatura To.
2. Para cada configuración de 1 a No
a. Se realiza un cambio a la solución actual, y se evalúa la función objetivo,
obteniéndose Ej.
b. Si la solución mejora, entonces la solución actual es la solución asociada a Ej,
es decir S=Sj.
c. Si la solución empeora, entonces la solución actual es la solución asociada a
E k ⋅T
Ej, es decir S=Sj. Si y solo si se cumple que e− j
− E
i > RANDOM
(0,1), de lo contrario la solución actual se mantiene S=S.
d. Se vuelve a 2 hasta que se realizan los No cambios.
3. Se determina si se cumple el criterio de parada. Sí se cumple, se finaliza el algoritmo,
sino se sigue con el paso 4. El criterio de parada suele ser un número determinado de
iteraciones, o un cierto número de iteraciones en que el valor de la función objetivo no
mejora.
4. Se determina To y No para la siguiente iteración y se vuelve al paso 2
probabilidad de permitir cambios que empeoran la solución. Los parámetros principales del
proceso de enfriamiento y que se deben determinar para poder realizar el algoritmo son, la
prometedores disminuye progresivamente, porque son visitados cada vez por menos
hormigas. De esta forma, a la larga se consigue que toda la colonia se desplace por la ruta de
menor distancia para la recolección del alimento.
τ ij α ⋅ ηij β ,k si j ∈ N
P (t)
ij
∑τ il α ⋅ ηil β i
k
l∈Ni
Fin para
c. Actualizar feromona
d. Destruir hormigas
Fin mientras
3. Si se cumple criterio, entonces terminar. Típicamente el criterio de parada esta dado
por el número de colonias a evaluar, esto es por el número de veces que se repite el
paso 2.
Donde Pij es la probabilidad de pasar del nodo i al nodo j, τij es la feromona existente entre el
nodo i y el nodo j, ηij es la información heurística entre el nodo i y el j, esta información
típicamente es el inverso de la distancia (no necesariamente distancia euclidiana, sino que
k
una cierta métrica en el espacio de las propiedades) entre el nodo i y el nodo j, Ni es el
conjunto de nodos alcanzables desde el nodo i y que aún no han sido visitados por la hormiga
k. En tanto α y β constituyen parámetros que establecen un equilibrio entre la importancia de
la información heurística y de la información de la memoria dada por la cantidad de
feromona. Se debe señalar que la selección del movimiento y la actualización de la feromona,
dependerá de la estrategia escogida, así por ejemplo se puede incluir feromona sólo en el
mejor camino realizado por una hormiga de una colonia, o se puede actualizar entre cada
hormiga de una misma colonia, decisiones que dependerán del planificador. Al igual que en
la mayoría de los procedimientos heurísticos, se requiere de la
154
toma de decisión sobre un cierto número de parámetros, de los que finalmente dependerá la
44
calidad de la solución encontrada.
Representan métodos sucesivos, en que durante una etapa, sólo uno de los elementos del
espacio a clasificar cambia de grupo. El algoritmo simplificado, suponiendo n objetos a
clasificar, es el siguiente:
1. Primero se calculan las distancias entre todos los pares de objeto, lo que equivale a
decir que se comienza el algoritmo con la existencia de n cluster {C1, ...,CN}.
2. Se buscan los dos cluster más cercano (de acuerdo a la medida de distancia
empleada), se unen y pasan a formar un único cluster.
3. Se repite el paso dos hasta que no quedan pares de comparación
156
Existen varios tipos de enlaces para realizar las uniones entre dos cluster, las más usadas son:
• Enlace simple: considera la distancia entre los elementos más cercanos de ambos
cluster.
• Enlace promedio: considera la distancia promedio entre los elementos de ambos
cluster a combinar.
• Enlace completo: considera la distancia entre los elementos más alejados de ambos
cluster.
dj X k ⋅σ X (C.1)
≤ dj : representa la distancia de aglomeración j.
• X: representa la media de las distancias de aglomeración.
≤ σX : representa la desviación estándar de las distancias de aglomeración.
• k: multiplicador, típicamente entre 2,5 y 3,5.
d (x , X ) = x − X 2
= (x − X )T ⋅ (x − X )T
(C.2)
• d: distancia euclidiana.
• x: vector de posiciones de los datos
• X : valor medio de los datos (centroide).
El criterio de parada, esta dado por el mínimo entre un número máximo de iteraciones y la
variación de la distorsión entre dos iteraciones sucesivas. El número máximo de iteraciones
es un dato de entrada al algoritmo y dependerá de la convergencia presentada en el problema
a resolver. En tanto, que la distorsión es la suma de todas las distancias a su respectivo
centroide.
k
D=∑ ∑ x − i 2 (C.3)
i 1 x∈Ci
D (n + 1) ≤ D (n) (C.4)
158
Este algoritmo presenta una mayor convergencia que el método jerárquico, y es utilizado en
problemas en que el número de datos a clasificar es elevado, siendo ocupado en temas tan
variados como la biología, la sociología, la física, entre otros (Gordon, 1981), teniendo como
gran desventaja la elección a priori del número de agrupaciones a realizar.
159
Costo de
Costo Total
Capacidad KVA Precio ($) Instalación
($)
($)
5 420.264 57.987 478.251
10 631.350 76.141 707.491
15 751.673 86.488 838.161
30 941.840 102.843 1.044.683
45 1.145.144 120.327 1.265.471
75 1.396.163 141.914 1.538.077
100 1.564.892 178.793 1.743.685
150 1.912.722 208.706 2.121.428
300 2.921.638 295.473 3.217.111
500 3.999.705 388.187 4.387.892
750 11.697.880 1.097.123 12.795.003
1000 13.583.330 1.272.286 14.855.616
Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
16 259.827 1,12 121
25 416.532 0,732 168
35 527.742 0,523 205
70 1.118.166 0,261 325
12 1.892.592 0,152 462
160
Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
70 492.003 0,479 260
120 658.161 0,279 370
240 1.496.998 0,14 538
300 1.874.000 0,112 625
Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
25 262.001 1,166 260
35 331.750 0,829 370
50 404.400 0,583 538
70 695.201 0,415 625
161
9400
9350
9300
9250
[m] 9200
9150
9100
9050
9000
8950
8900
3.955 3.96 3.965 3.97 3.975 3.98 3.985 3.99 3.995
[m] 4
x 10
2. Etapa Previa:
2.1 Trazado de Calles
2.2 Asignación de cada cliente a su calle más cercana
162
9500
9400
9300
9200
[m]
9100
9000
8900
8800
3.94 3.95 3.96 3.97 3.98 3.99 4 4.01
[m] 4
x 10
3. Proceso iterativo
3.1 Se comienza con un transformador en el centro de carga, se calcula el
transformador óptimo, el trazado y la red óptima, incluyendo las pérdidas, para
dicha ubicación, obteniéndose un costo total de $ 29.135.137
163
9400
9300
9200
[m]
9100
9000
8900
3.2 Se realiza el mismo procedimiento pero está vez ubicando dos transformadores
mediante k-means. De donde se obtiene un costo total de $ 22.571.818
3.3 Se repite 3.2 agregando en cada iteración un nuevo transformador hasta que el
costo total de la iteración actual sea mayor que el de la iteración anterior. Para
el caso de tres ubicaciones se tiene un costo total de $ 20.504.002, en tanto para
el caso de cuatro ubicaciones su costo total es de $ 21.049.672. Notando
entonces que en el caso de tres localizaciones se produce un mínimo (el costo
tanto en la iteración anterior como en la posterior es mayor).
164
9400
9300
9200
9100
[m]
9000
8900
9400
9300
9200
[m]
9100
9000
8900
4. Elección del óptimo: Se escoge la red que tenga menor costo total, se debe señalar
que en términos generales el primer mínimo que se encuentra es el mínimo global de
la función costo total, tal y como se muestra en este ejemplo (ver Tabla E.1 y Figura
E.6)
Costo
Número de Costo Redes Costo Postes Costo Pérdidas
Transformadores Transformadores ($) ($) ($) Costo Total ($)
($)
1 4.387.892 6.682.436 6.169.980 11.894.829 29.135.137
2 6.434.222 6.186.815 5.901.720 4.049.061 22.571.818
3 6.364.284 5.493.175 6.438.240 2.208.303 20.504.002
4 8.485.712 4.788.479 6.348.820 1.426.661 21.049.672
5 10.229.397 4.468.437 5.633.460 1.518.827 21.850.121
6 11.217.596 3.858.079 5.722.880 1.246.199 22.044.754
7 12.377.930 4.343.621 6.259.400 1.412.181 24.393.131
166
7
x 10 Evolucion Costo
3
[$]
2.5
2 Costo Trafos
Costo Red
Costo perdidas
1.5 Costo poste
Costo total
0.5
0
1 2 3 4 5 6 7
Número de Transformadores
9400
9300
9200
[m]
9100
9000
8900
x 10
7
Evolucion Costo x 10
7
Evolucion Costo
3 8
Costo Trafos
[$] [$] Costo Red
7
2.5 Costo perdidas
Costo poste
6
Costo total
2 Costo Trafos
5
Costo Red
Costo perdidas
1.5 Costo poste 4
Costo total
3
1
0.5
1
0 0
1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10
Número de Transformadores Número de Transformadores
x 10
7
Evolucion Costo x 10
6
Evolucion Costo
2 16
[$] [$]
1.8
14
1.6
12
1.4
1.2 10
Costo Trafos Costo Trafos
1 Costo Red Costo Red
Costo perdidas 8
Costo perdidas
0.8 Costo poste Costo poste
Costo total 6
0.6 Costo total
0.4 4
0.2 2
0
1 2 3 4 5 6 7
Número de Transformadores 0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
x 10
6
Evolucion Costo
16 Número de Transformadores
x 10
7
Evolucion Costo
[$] 3
14
Costo Trafos [$]
12 Costo Red
2.5
Costo perdidas
Costo poste
10
Costo total Costo Trafos
2
Costo Red
8 Costo perdidas
1.5 Costo poste
6 Costo total
4 1
2
0.5
0
1 2 3 4 5 6 7
Número de Transformadores 0
1 2 3 4 5 6 7
Número de Transformadores
Por último, hemos aprendido mucho sobre la importancia y lo que significan para el desarrollo de
una comunidad, la planificación de una red de distribución en servicio optimo
otra cosa que salio a relucir en este proyecto fue el tema de flujo de potencia, un tema tanto
importante como complejo debido al uso de ecuaciones complejas
Gracias al Ingeniero Felix Cabral por Darnos a conocer este tema tan interesante
171