Estado del Arte de la Convexificacion de Sistemas Electricos

Philip Liedtke

Abstract En este informe se presenta el estado actual de la

investigacion en torno a la convexificacion y resolucion de los
OPF actuales. En primer lugar se muestran las relajaciones
que se usan actualmente para llevar el OPF clasico a una
relajacion convexa de este mismo que represente lo mejor
posible el sistema original. Luego se presentan brevemente
los metodos clasicos que se usan para resolver las posibles
relajaciones del OPF y se muestra que estos lamentablemente
no presentan los resultados deseados y por esa razon se
debe investigar en metodos alternativos. De esta forma se
exponen los descubrimientos reciente sobre las propiedades de
las relajaciones del OPF, siempre teniendo un enfoque mas
dirigido hacia la relajacion SDP. Dados los descubrimientos
actuales es posible decir que la investigacion en esta direccion
se encuentra en medio camino, y aunque se hayan hecho avances
hace falta una investigacion mas

asombrosos en los ultimos

anos
profunda en muchos de los temas tratados.

el problema sea relativamente simple de formular su no

convexidad hace que al aumentar el tamano de los sistemas
el problema se vuelva practicamente imposible de resolver.
Por esta razon en los u ltimos anos ha ido apareciendo toda
una nueva lnea de investigacion que se centra en como
resolver este problema de manera eficiente y confiable. Para
ello la mayora de los autores proponen utilizar distintas
relajaciones convexas del problema de manera de poder
llegar a una solucion lo suficientemente cercana a la solucion
original en un tiempo decentemente aceptable.

I. I NTRODUCCI ON
En la actualidad la mayora de los hogares y practicamente
todas las industrias del mundo dependen fuertemente de
la electricidad, y es por esta razon que todos los pases
han desarrollado grandes redes electricas para suministrar
energa a la mayor cantidad de lugares posibles. Es claro
que tener una intrincada red electrica capaz de abastecer a la
mayor parte de la poblacion es un beneficio para la sociedad,
sin embargo la complejidad que han alcanzado los sistemas
de distribucion de energa electrica en los u ltimos anos ha
llegado a niveles que hacen muy compleja su operacion en
tiempo real.
Los sistemas electricos siempre tratan de optimizar la
generacion de energa de manera de minimizar los costos
totales de operacion. Este modelo era sencillo de resolver con
sistemas electricos donde operaban unos cuantos generadores
y haban unas pocas cargas, sin embargo con el crecimiento
en general de las redes de transmision y los requerimientos
de consumo la solucion a este problema dejo de ser evidente,
y aun peor, no existen computadores lo suficientemente
poderosos como para poder resolver la operacion o ptima de
un sistema electrico en tiempo real. Es por esta razon que se
ha ido desarrollando toda una teora en torno a la modelacion
y resolucion del problema del Optimal Power Flow (OPF)
para poder simplificarlo y resolverlo en un tiempo prudente.
La principal complicacion que posee el OPF es que se
trata de un problema no convexo lo cual hace muy difcil de
resolver en un tiempo acotado. En su formulacion estandar,
tal como se ve en la figura, el OPF es un problema de
minimizacion de los costos totales de operacion del sistema,
restringido u nicamente por las propiedades fsicas del sistema y los requerimientos mnimos de operacion. Aunque

En esta investigacion se revisaran las principales formas en

las que se esta relajando el OPF actualmente y la efectividad
que se ha logrado obtener con cada una de las relajaciones. Ademas se mostraran algunos metodos de resolucion
numerica de las distintas relajaciones y se comparara la
efectividad lograda hasta ahora.

II. R ELAJACIONES DEL OPF

El problema de flujo o ptimo como fue planteado en la
seccion anterior corresponde a un problema de Quadratic
Cone Programming (QCP) los cuales son problemas no
convexos por definicion. En su forma estandar un QCP puede
ser escrito de la siguiente manera:
min xT Qx + cT x

(1)

s.t. xT Ri x + riT x + di 0

(2)

Esta formulacion del problema es equivalente al del OPF

original, y no es muy u til para resolverlo. Es por eso que
varios autores tratan de relajar el QCP a un problema mas
sencillo que sea convexo. El siguiente tipo de problema
en orden de complejidad despues del QCP es el problema
de programacion semidefinida o Semidefinite Programming
(SDP).

A. SDP

B. SOCP

El problema de programacion semidefinida es un problema de optimizacion con funciones objetivo y restricciones

convexas y sujeto a una restriccion de matriz semidefinida
positiva. En su forma estandar es escrito de la siguiente
manera:

El tipo de problema que sigue al SDP en cuanto a

complejidad es el problema de programacion de cono de
segundo orden o Second Order Cone Programming (SOCP).
Este es un problema convexo, pero que a su vez es mas
simple de resolver que el problema anterior. El problema con
los SDP es que aun siendo convexos son lentos de resolver,
sobre todo para cantidades grandes de variables, por esa razo
se usan tambien los SOCP para resolver el OPF, los cuales
en general entregan una solucion con una menor exactitud
pero de manera mucho mas rapida. El SOCP en su forma
estandar queda descrito de la siguiente manera:

min tr(C X)

(3)

s.t. tr(Ai X) = b

(4)

X 0

(5)

El que este problema sea convexo asegura que al menos

no es necesario probar cada uno de los puntos factibles para
encontrar el o ptimo global del problema. Lo que se hace en
general para simplificar el OPF es llevarlo a una relajacion
SDP de la siguiente manera. Si se define lo siguiente se tiene
que:
X = xxT

(6)

tr(Q X) = xT Qx

(7)

Y al reemplazar esa expresion en el QCP es posible

reformularlo de la siguiente manera:
min tr(Q X)

(8)

s.t. tr(Ri X) + riT x + di 0

(9)

X = xxT

(10)

En esta nueva expresion se tiene que ahora toda la

no-convexidad del problema queda confinada en la u ltima
restriccion. A su vez esta restriccion es equivalente a las
siguientes dos restricciones:
X 0

(11)

rank(X) = 1

(12)

Donde nuevamente la no convexidad del problema solamente queda en la u ltima de las dos. De esta forma
al eliminar la restriccion de rango uno del problema se
obtiene una relajacion SDP del QCP original. Este principio
puede ser aplicado de la misma forma al OPF clasico de
manera que se obtiene una relajacion SDP del problema,
la cual presenta la gran ventaja de que es convexa. Sin
embargo esta relajacion tiene un inconveniente con respecto
al problema original, para poder encontrar la solucion exacta
del problema original tiene que cumplirse que la matriz X
en la relajacion SDP tenga rango uno. En caso de no tenerlo
la solucion no es exacta y solo representa una aproximacion
del o ptimo real. A pesar de esto esta relajacion del OPF es
la relajacion convexa mas exacta que se ha descubierto hasta
ahora y por lo tanto es la mas usada por los investigadores.

min f T x
s.t.

kAi x + bi k2 CiT x + di

(13)
(14)

De esta forma este problema es mas facil de resolver que

el SDP, ya que no posee la restriccion de matriz semidefinida
positiva que para una gran cantidad de variables hace que sea
muy difcil encontrar la solucion o ptima.
Para poder usar la relajacion de cono de segundo orden en
un OPF es necesario lograr relajar un QCP a un SOCP. Para
lograr eso primero se relaja a un SDP y luego se modifica
la matriz de la restriccion semidefinida positiva. Que una
matriz sea semidefinida positiva es equivalente a que todos
sus principal minors son positivos, sin embargo para relajar
a un SOCP simplemente se toman los determinantes de las
submatrices principales de 2x2. De esta forma si se llama
xi j al componente de la fila i y la columna j de la matriz
X entonces se tiene que ahora en vez de la restriccion de
matriz semidefinida positiva en el problema aparecera:
xi2j xii x j j

(15)

xii 0

(16)

Luego aplicando el procedimiento analogo a la relajacion

SDP del OPF es posible obtener la relajacion SOCP del
OPF. Esta nueva relajacion tambien esta en el foco de la
investigacion actual debido a que no es tan exacta como la
relajacion SDP, pero es mucho mas rapida de resolver lo que
la vuelve muy aplicable a los sistemas electricos existentes.
C. Otras
Las dos relajaciones anteriores son las mas usadas por
lo descrito anteriormente, sin embargo algunos autores usan
otras relajaciones aun mas rapidas de resolver y menos
exactas para realizar sus investigaciones. Dentro de las otras
relajaciones usadas destaca principalmente el Quadratic Programming Problem (QP). Este u ltimo es un problema muy
simple de resolver y si se llega a e l desde un QCP la solucion
pocas veces sera exacta sin embargo podra representar una
aproximacion a la solucion real. El QP escrito en su forma
estandar es de la siguiente manera:
min xT Qx + cT x

(17)

s.t. Ax = b

(18)

x0

(19)

Como se puede observar la formulacion de este problema es muy sencilla ya que presenta una funcion objetiva
cuadratica y restricciones lineales. Su gran ventaja con
respecto a los demas es que es solucionable de manera
muy sencilla sin la necesidad de grandes esfuerzos computacionales, sin embargo al relajar un OPF a un QP, la solucion
pocas veces sera una buena representacion de la realidad.

III. A LGORITMOS DE R ESOLUCI ON

En la seccion anterior se mostraron las principales relajaciones convexas del OPF, las cuales simplifican la busqueda
de una solucion. Sin embargo debido a la gran escala de
muchos de los sistemas electricos actuales el hecho de tener
un modelo convexo no lo hace rapidamente solucionable.
Es por esto que se han desarrollado varios algoritmos que
son capaces de resolver relajaciones del OPF de manera mas
eficiente. El metodo de resolucion mas usado en este tipo de
problemas es por mucho el algoritmo de punto interior.
El Interior Point Method o algoritmo de punto interior,
a diferencia de los algoritmos de resolucion tradicionales
como el Simplex que va recorriendo los vertices del sistema,
comienza en un punto factible cualquiera y se va moviendo
en la direccion del gradiente de la funcion objetivo, de
manera de siempre ir acercandose mas al o ptimo. Existen
varias formas de implementar este tipo de algoritmos y una
de las mas usadas en resolucion de OPF es el metodo de
punto interior primal-dual.
A. Primal-Dual Interior Point Method
Para resolver SDP en genera se suelen usar este tipo de
algoritmos debido a que son de los mas eficientes encontrados hasta ahora. La idea basica es que se aprovechan
las propiedades del dual del SDP para generar una funcion
barrera efectiva que vaya acotando la funcion objetivo y
permita llegar rapidamente al o ptimo.
Para realizar este algoritmo en necesario entender las
propiedades del dual para de esta forma aprovecharse de
ellas [1]. En primer lugar se tiene que el SDP dual es de la
siguiente manera:
max bT y
(20)
m

s.t.

yi Ai + Z = C

(21)

i=1

Z0

(22)

Luego teniendo el correcto planteamiento del dual se

plantea nuevamente el primal pero esta vez con una funcion
barrera en la funcion objetivo manera que esta quede de la
siguiente forma:
min tr(C X) + B(X)

(23)

Donde B(X) es una funcion que se vuelve infinito cuando

X se acerca al borde dee su espacio factible y es un factor

de penalizacion que mientras menor sea menor es el efecto

de la funcion barrera sobre la funcion objetivo.
Luego al obtener las condiciones de KKT del sistema es
posible fijarse que una de las condiciones es analoga a la
restriccion 21, y la u nica forma que ambas se cumplan es
que:
ZX = I

(24)

A partir de esta condicion y con las otras dos condiciones

de KKT es posible llevar a cabo un algoritmo que parte desde
un punto factible, luego evalua las condiciones de KKT para
encontrar la direccion de movimiento, luego se mueve en
esa direccion y por u ltimo disminuye el valor de . De esta
forma es posible ir acercandose cada vez mas al o ptimo para
finalmente llega a un punto donde efectivamente < y se
puede parar de iterar.
Existen muchos otros metodos alternativos de resolucion
de problemas de optimizacion de este tipo, pero en general
para los OPF los mas u tiles y eficientes son los algoritmos de
punto interior. Existen muchos otros tipos de algoritmos de
punto interior, pero el previamente presentado que aprovecha
las propiedades del dual del SDP es en general el mas
eficiente de todos. El problema es que aun siendo el mas
eficiente su velocidad de resolucion es muy limitada para
resolver un problema de tan gran magnitud como lo son
los sistemas electricos, llegando a demorarse varios das en
resolver problemas no demasiado grandes y simplemente
no pudiendo encontrar una solucion para un problema real
demasiado complejo.
A partir de los temas descritos se ha desarrollado una
extensa lnea de investigacion que trata tanto de aplicar y
mejorar las distintas relajaciones del OPF, como de crear
nuevas formas de utilizar modelos parecidos para resolver
sistemas alternativos con propiedades levemente distintas. En
esta ocasion se trabajaran a mayor profundidad las distintas
aplicaciones de la relajacion SDP del OPF y su forma de
implementacion.
IV. Z ERO D UALITY G AP
Dentro de los descubrimientos mas importantes en estas
materias se encuentra el Zero Duality Gap. Que dicho gap
tenga valor nulo es equivalente a decir que se cumple
la propiedad de la dualidad fuerte. Esto es especialmente
importante porque en caso de cumplirse la dualidad fuerte
para la relajacion SDP es posible resolver el sistema con un
primal-dual interior point algorithm de manera mucho mas
sencilla.
Javad Lavei y Steve Low[2] logran encontrar condiciones
frente a las cuales la dualidad fuerte de la relajacion SDP del
OPF se cumple. Para llegar a su resultado en primer lugar
plantean un dual alternativo, el cual proviene directamente
del dual del OPF original. En la figura se puede ver como se
obtiene normalmente la relajacion SDP, haciendo el cambio
de variable y eliminando la restriccion de rango uno (Optimizaciones 1, 4 y 3).

La optimizacion 1 de la figura representa simplemente el

OPF reescrito de manera equivalente sin embargo al obtener
el problema dual relacionado a esta forma de reescribir el
problema se obtiene un nuevo problema con la siguiente
estructura:
max h(x, r)

(25)

s.t.

(kYk + kYk + k Mk )  0

(26)

k=1

1
rl1


rl1
 0, l = 1, 2, . . . , m
rl2

(27)

De esta forma es interesante notar que el problema dual

del OPF es efectivamente un SDP sin necesidad de haber
eliminado ningun termino ni restriccion para relajar el problema. De esta forma el hecho de que se cumpla el zero duality
gap implicara que resolver este problema convexo obtenido
llevara a una solucion identica a la del OPF. Ademas se
tiene que entre la optimizacion 2 y la 3 siempre se cumple
la dualidad fuerte, por lo que es de mucha utilidad que se
cumpla la dualidad fuerte entre el SDP dual y el problema
original ya que de esta manera se asegura la exactitud de la
solucion de la optimizacion 3 y se permite llegar a la solucion
del OPF original usando un metodo de punto interior primaldual, pero estando seguro que la dualidad fuerte se cumple.
Entonces en primer lugar por simple inspeccion del sistema anterior se puede concluir que siempre se cumplira
que si la solucion de la optimizacion 3 tiene rango unitario
necesariamente sera exacta, ya que cumplira con todas las
restricciones del OPF original y existira dualidad fuerte entre
la optimizacion 1 y la 2. Esta u ltima es una condicion
suficiente para la existencia de un zero duality gap, sin
embargo no se relaciona con la estructura del problema
directamente y requiere haber encontrado la solucion para
ver si se cumple o no.
De esta forma en la investigacion de Lavei y Low se
propone que si la matriz del lado izquierdo de la inecuacion
21 tiene un autovalor de valor 0 y con multiplicidad 2,
entonces necesariamente se cumplira la propiedad de la

dualidad fuerte entre la optimizacion 1 y la 2. Esta tambien

es una condicion necesaria, sin embargo es mucho mas u til
que la anterior para estudiar el cumplimiento del zero duality
gap debido a que esa ecuacion depende de los parametros
del sistema y por lo tanto la condicion puede ser verificada
a priori conociendo la topologa fsica del sistema.
Al estudiar las propiedades de la matriz en cuestion y buscar condiciones para las cuales esta posea los autovalores nulos de multiplicidad 2 se descubre que esta u ltima propiedad
esta muy ligada a la no negatividad de los parametros del
sistema (resistencias, inductancias, etc...). Es mas al probar
con distintas redes reales se descubre que esta propiedad
siempre se cumple al agregar pequenas resistencias a los
transformadores del sistema. Finalmente otros autores logran
demostrar que el zero duality gap no solo se cumple para la
mayora de los sistemas de prueba al agregar las pequenas
resistencias mencionadas, sino que tambien se cumple en
sistemas con fuentes extra de no-convexidad como capacitores shunt y otras restricciones de contingencia mas reales
[3]. Estos resultados son clave para el desarrollo de distintos
metodos de resolucion de relajaciones SDP del OPF ya que
entregan una base sobre la cual trabajar, sin embargo aun se
esta discutiendo si efectivamente la dualidad fuerte se cumple
en absolutamente todos los casos reales, ya que hay varios
autores que afirman que las demostraciones entregadas no
son lo suficientemente validas como para ser extendidas a
problemas reales [4].
DEL SDP
V. M E TODOS DE R ESOLUCI ON
El principal objetivo del estudio de las distintas relajaciones del OPF es lograr entenderlo lo suficientemente
bien como para poder desarrollar herramientas capaces de
resolverlo en un tiempo acotado y con un nivel de exactitud
aceptable. Dentro de las investigaciones en esta direccion hay
dos que destacan por lograr encontrar metodos que resuelven
el OPF en tiempos extremadamente rapidos en comparacion
con los metodos clasicos de punto interior.
Una primera forma de resolverlo es aprovecharse de la
dispersion de las matrices de admitancias de cualquier sistema electrico, esto es la gran cantidad de componentes nulos
que poseen dichas matrices. Jabr [5] propone un metodo muy
creativo que se aprovecha de la dispersion de las matrices del
sistema. Se tiene que debido a que en los sistemas electricos
en genera siempre las barras estan conectadas con muy pocas
otras barras las matrices de admitancias del sistema tienen
muchos componentes nulos.
Se tiene que en la formulacion SDP del problema las
matrices Ai de la ecuacion 4 tienen una gran cantidad de
componentes nulos debido a las caractersticas del sistema
electrico. De esta forma si se lograra disenar un algoritmo
que solo calcule las variables de la matriz X que se encuentran en las posiciones donde alguna de las matrices
Ai presente un componente no nulo se podra disminuir
el esfuerzo computacional necesario para resolver el problema notablemente. El problema es que la restriccion de la
ecuacion 5 si depende de todas las variables de X y por lo

tanto no permite saltarse la optimizacion de ninguno de los

componentes de dicha matriz.
Para resolver este inconveniente es posible transformar
la restriccion de matriz semidefinida positiva en varias restricciones de matrices semidefinidas positivas de mucho
menor tamano usando el matrix completion theorem [6][7].
Este teorema separa el problema en varias submatrices mas
pequenas y dice que si esas submatrices son semidefinidas
positivas entonces la matriz completa sera semidefinida positiva, independiente de cuales sean los valores de las demas
componentes.
De esta manera el problema quedara escrito de una forma
en la cual solo hay que calcular las variables de la matriz X
que sean multiplicadas por algun valor de alguna matriz Ai
en la restriccion 4 y las que pertenezcan a las nuevas restricciones de matrices semidefinidas positivas. Se resuelven los
sistemas de tpicos de la IEEE usando este algoritmo y se
obtienen resultados sorprendentes. Si bien para un sistema de
30 nodos el nuevo metodo de resolucion llega a la solucion
igual de rapido que el metodo de punto interior primaldual, para un sistema de 1500 nodos el nuevo metodo de
resolucion logra resolver el problema 159 veces mas rapido.
De esta forma queda mas que claro que aprovecharse de la
dispersion de las matrices del problema es una real alternativa
para la resolucion de OPF en tiempo real.
Otra alternativa de resolucion descubierta en los u ltimos
anos es usar de manera correcta un algoritmo de branch and
bound aprovechando las propiedades del OPF para encontrar
las cotas correctas. Dzung [8] plantea una forma de aplicar
correctamente un algoritmo de este tipo esta vez a una
relajacion dual del OPF. Para lograr esto en primer lugar se
plantea el problema lagrangeano dual del OPF original. Este
problema es una relajacion del OPF debido a que en caso
de no cumplirse la propiedad de dualidad fuerte, la solucion
no sera representativa para el problema.
Se plantea un algoritmo relativamente sencillo de resolver
el dual lagrangeano del OPF que se basa en subdivisiones
rectangulares del problema. Con la solucion de esta relajacion se podra revisar si es que se cumple la restriccion de
rango unitario del sistema, sin embargo el creador de este
metodo propone una manera de resolver el problema que
siempre llegara a la solucion o ptimo. Logra esto porque al
resolver el problema lagrangeano dual encuentra la mejor
cota inferior del problema debido a la propiedad de dualidad
debil. Luego con esta mejor cota inferior toma el OPF
original y comienza un algoritmo de branch and bound
que lo que hace es deparar el problema en subdivisiones
elipsoidales de manera de que logra llegar siempre a la
solucion o ptima del OPF.
Al implementar este algoritmo en sistemas reales se
obtienen resultados sorprendentes u nicamente comparables
con los resultados obtenidos con el algoritmo que usaba la
dispersion de las matrices del sistema. Por ejemplo para el
sistema de benchmark de la IEEE el algoritmo de branch and
bound se demora la mitad de lo que se demora el algoritmo
de patron de dispersion.
Este u ltimo algoritmo presentado es una alternativa real

a la resolucion de problemas OPF en tiempo real, ya que

por lo menos en los sistemas electricos en los que fue
probado presentaba tiempos de convergencia de unos cuantos
segundos y resultados de una precision muy elevada. Ademas
de lo anterior este algoritmo no necesita que se cumpla el
zero duality gap para funcionar correctamente por lo que lo
vuelve una forma muy versatil de resolver cualquier sistema
electrico real.
ENTRE TREE Y MESH NETWORKS
VI. C OMPARACI ON
Un OPF escrito en su forma estandar puede representar
una red electrica de cualquier tipo y con muchas caractersticas distintas. Sin embargo podra ser u til clasificar las
redes en distintos tipos segun sus topologas para as poder
aprovechar las caractersticas especficas de cada uno de los
tipos de redes en el sistema.
Una diferencia importante puede ser encontrada al comparar sistemas de distribucion de energa electrica con sistemas de transmision. Esta diferencia, aparte de los distintos
niveles de voltaje con los que se trabaja, radica en que en
general las redes de distribucion estan formadas por redes
ramificadas que van repartiendo energa de manera acclica
desde las centrales de distribucion hasta los consumidores.
Por otro lado las redes de transmision estan fuertemente
enmalladas de manera que un corte en cualquier lugar de
la red no implique un desabastecimiento en ningun lugar.
A. Tree Networks
En general las redes de distribucion son ramificadas debido
a que en primer lugar van bajando los niveles de voltaje
dependiendo del tipo de distribucion y ademas sera una
inversion demasiado grande y poco practica tener un sistema
enmallado de distribucion. De esta forma el hecho de que
sean redes ramificadas les otorga algunas caractersticas
distintivas que permiten estudiarlas por separado del resto
de los OPF.
Por lo anterior Gan, Li, Topcu y Low [9] se centran
en investigar las posibles relajaciones del OPF en sistemas
ramificados. Con su investigacion se trata de buscar una
forma de convexificar eficientemente el OPF en redes de
distribucion, ya que con la reciente entrada de generacion
distribuida se esta volviendo cada vez mas u til conocer el
o ptimo funcionamiento del sistema de distribucion en tiempo
real.
Los autores estudian las relajaciones SDP y SOCP en
busqueda u nicamente de soluciones exactas del problema
y logran darse cuenta que para este tipo de sistemas las
condiciones bajo las cuales la relajacion SOCP es exacta son
suficientes para que la relajacion SDP tambien sea exacta.
De esta forma no tendra sentido estudiar el SDP teniendo
una alternativa mas simple que ofrece una solucion con el
mismo nivel de exactitud.
Ademas dadas las condiciones de exactitud encontradas es posible introducirle una pequena modificacion al
planteamiento del OPF de manera de permitir que dichas
condiciones sean chequeadas a priori. Con esta modificacion
entonces los autores logran proponer una relajacion SOCP

cuya exactitud puede ser conocida de antemano para resolver

todo tipo de sistemas ramificados.
Este avance es un importante logro para acercarse a la
correcta implementacion de la generacion distribuida en
los sistemas actuales, ya que permite optimizar el funcionamiento del sistema en tiempo real. Otras caractersticas
de las redes ramificadas deberan ser estudiadas de manera
mas detallada para utilizar sus propiedades como apoyo en
la resolucion de OPF de redes de distribucion.
B. Mesh Networks
Las redes de transmision por su lado son redes enmalladas
para incorporarle seguridad al sistema ante contingencias de
cualquier tipo. Al igual que con las redes ramificadas es
posible encontrar propiedades u nicas de las redes enmalladas
que permitan resolver OPF de sistemas de transmision de
manera mas sencilla.
En primer lugar vale la pena destacar que la relajacion
SDP del OPF siempre funciona bien en redes acclicas,
sin embargo existen casos en que esta no funciona bien
para algunas redes muy enmalladas [10]. En una reciente
investigacion Madani, Sojoudi y Lavaei [11] muestran que
el funcionamiento de la relajacion SDP en sistemas muy
enmallados depende de como es planteado el problema. Especficamente se muestra que cuando la redes enmallada las
restricciones de capacidad de cada lnea debe ser planteada
como una restriccion de diferencias de voltajes, ya que si es
planteada de cualquier otra forma la solucion tiende a ser no
representativa. Este resultado permite destacar la influencia
que tienen las distintas formulaciones de un mismo OPF en
la resolucion del problema.
Por otra parte usando teora de grafos los autores implementan un metodo que es capaz de encontrar el rango de la
matriz de solucion del SDP, de manera que es posible saber
a prioi si la relajacion sera exacta o no. Nuevamente esta
es una ventaja de las redes enmalladas y no es extensible a
redes ramificadas al menos por ahora.
De esta forma se sabe que las redes de transmision tienen
que ser formuladas correctamente como un OPF para que su
solucion tenga sentido. Ademas se puede saber de antemano
si la solucion de las relajaciones seran exactas o no simplemente analizando la topologa del sistema. Estos nuevos
conceptos abren la investigacion sobre todo a buscar distintos
planteamientos del OPF que sean equivalentes fsicamente
pero que presenten propiedades de resolucion distintas.
VII. P LANNING
Otro desafo de los sistemas electricos aparte de optimizar
su funcionamiento es planificar la entrada de nuevas lneas
de transmision y distribucion de manera de optimizar tanto
la inversion como el funcionamiento futuro del sistema. Este
problema es tratado por Taylor y Hover [12], quienes en
primer lugar plantean un modelo que trata de optimizar la
inversion en lneas electricas dado un set de posibles lneas a
construir. Este problema, al igual que el OPF, es un QCP el
cual obviamente no es convexo. Los autores proponen que
usando el mismo tipo de relajaciones que para el OPF es

posible resolver este nuevo problema de optimizacion. De

esta forma se estudian distintas relajaciones y se concluye
que la relajacion convexa mas efectiva es nuevamente el SDP.
Sin embargo como alternativa a este metodo podra
plantearse un OPF con switches en distintas lneas que
simulen la entrada de nuevas lneas a futuro. Esa idea
tambien es trabajada por Taylor y Hover[13] quienes esta vez
estudian el OPF de un sistema de distribucion con switches
en distintas partes del sistema. Esto genera un OPF tpico
pero que tiene algunas restricciones binarias adicionales.
En esta investigacion logran resolver sin problemas las
relajaciones SOCP del modelo con variables binarias. La
investigacion no esta directamente disenada para ser usada
como modelo de planificacion, sin embargo debido a los
buenos resultados obtenidos se deja abierta la puerta a nuevas
investigaciones que usen una adaptacion del modelo como
problema de planeamiento.
VIII. C ONCLUSIONES
Los actuales sistemas electricos son demasiado complejos
como para resolver en tiempo real su o ptimo de operacion
a traves de los metodos tradicionales, sin embargo la fuerte
investigacion que ha habido en esta lnea permite que actualmente toda la operacion del sistema pueda ser resuelta
o ptimamente en unos cuantos segundos.
Los metodos de resolucion tradicionales para los OPF no
son lo suficientemente eficientes como para poder optimizar
el sistema en tiempo real, sin embargo se ha demostrado que
su relajacion SDP posee caractersticas que la hacen muy u til
para la resolucion de este, debido principalmente a su buena
exactitud y a su convexidad.
Hace falta seguir estudiando a mayor profundidad las
caractersticas del OPF y sus posibles planteamientos alternativos, ya que varios de los descubrimientos importantes en
esta a rea se han debido a pequenas variaciones o cambios
de variables en el problema original.

R EFERENCES
[1] H. Yamashita, H. Yabe and K. Harada, A primal-dual interior point
method for nonlinear semidefinite programming Mathematical Programming, vol. 135, no 1-2, 2011
[2] Javad Lavaei & Steve Low. Zero Duality Gap in Optimal Power
Flow Problem. IEEE Transactions on Power Systems, vol. 27, no. 1,
February 2012
[3] J. Lavaei, Zero duality gap for classical OPF problem convexifies
fundamental nonlinear power problems, in Proc. American Control
Conf., Jun. 29-Jul. 1, 2011, pp. 45664573.
[4] Lesieutre, B.C.; Molzahn, D.K.; Borden, A.R.; DeMarco, C.L., Examining the limits of the application of semidefinite programming to power
flow problems, Communication, Control, and Computing (Allerton),
2011 49th Annual Allerton Conference on , vol., no., pp.1492,1499,
28-30 Sept. 2011.
[5] Jabr, R.A., Exploiting Sparsity in SDP Relaxations of the OPF
Problem, Power Systems, IEEE Transactions on , vol.27, no.2,
pp.1138,1139, May 2012. doi: 10.1109/TPWRS.2011.2170772.
[6] M. Fukuda, M.Kojima, K. Murota, and K. Nakata, Exploiting sparsity
in semidefinite programming via matrix completion I: General framework, SIAM J. Optimiz., vol. 11, no. 3, pp. 647674, Mar. 2000.
[7] S. Kim, M. Kojima, M. Mevissen, and M. Yamashita, Exploiting sparsity in linear and nonlinear matrix inequalities via positive semidefinite
matrix completion,Math. Program., DOI: 10.1007/s10107-010-0402-6,
Published Online: Aug. 13, 2010.
[8] Dzung T. Phan, Lagrangian Duality and Branch-and-Bound Algorithms
for Optimal Power Flow, Oper. Res. 60, 2 (March 2012), 275-285.
http://dx.doi.org/10.1287/opre.1110.1036.
[9] Gan, L., Li, N., Topcu, U., and Low S.H.,Exact Convex Relaxation of
Optimal Power Flow in Tree Networks, arXiv:1208.4076v4 [math.OC]
[10] B. Lesieutre, D. Molzahn, A. Borden and C.L. DeMarco.Examining
the Limits of the Application of Semideffinite Programming to Power
Flow Problems, in Proc. 49th Annu. Allerton Conf., 2011, pp. 13421348
[11] Madani, R.; Sojoudi, S.; Lavaei, J., Convex Relaxation for Optimal Power Flow Problem: Mesh Networks, Power Systems, IEEE
Transactions on, vol.30, no.1, pp.199,211, Jan. 2015. doi: 10.1109/TPWRS.2014.2322051.
[12] Taylor, J.A.; Hover, F.S., Conic AC transmission system planning,
Power Systems, IEEE Transactions on , vol.28, no.2, pp.952,959, May
2013. doi: 10.1109/TPWRS.2012.2214490
[13] Taylor, J.A.; Hover, F.S., Convex Models of Distribution System
Reconfiguration, Power Systems, IEEE Transactions on , vol.27, no.3,
pp.1407,1413, Aug. 2012. doi: 10.1109/TPWRS.2012.2184307.