Académique Documents
Professionnel Documents
Culture Documents
1
A pesar de que el esquema centralizado fue la solución al abastecimiento
de energía, ha afrontado varias crisis, como en la década de 1970,
donde se presentó desaceleración en la productividad de las economías
de escala, disminución en innovación tecnológica, aumento desmesurado
del precio de los combustibles fósiles en los periodos 1974-1975 y 1979-1980,
y una estricta regulación ambiental para plantas de generación de
energía. Estas crisis han obligado a modificar la regulación eléctrica con el
objetivo de lograr procesos más eficientes y limpios, desarrollar nuevas
tecnologías en las diferentes etapas de la cadena de energía y mejorar
los precios ofertados al consumidor, entre otras políticas [3].
3
3. ALCANCE.
4
4. MARCO TEÓRICO.
5
4.1.1. DEFINICIÓN DE GD.
6
Impactos socio-ambientales negativos causados por grandes
centrales hidroeléctricas, termoeléctricas o nucleares.
Restricciones ambientales, políticas y geográficas en la expansión
de sistemas de generación, transmisión y distribución.
4.1.4. CLASIFICACIÓN.
4.1.4.1. CAPACIDAD.
- Micro (1-5KW).
- Pequeña (5KW-5MW).
- Mediana (5MW-50MW).
- Grande (50MW-300MW).
4.1.4.3.1. NO RENOVABLE.
4.1.4.3.2. RENOVABLE.
9
produce emisiones de gases contaminantes y puede interconectarse a
redes eléctricas y emplearse en sistemas aislados. Debido a la baja
densidad energética de la energía eólica, por unidad de superficie, es
necesario un gran número de aerogeneradores para el aprovechamiento
de los recursos disponibles. Uno de los defectos que presenta esta
tecnología corresponde al ruido producido por el movimiento de las aspas.
[13]
10
Centrales mareomotrices: Generan electricidad a través del ascenso y
descenso del agua del mar producido por la acción gravitatoria del Sol y
la luna, aunque sólo en aquellos puntos de la costa en los que la mar alta y
la baja difieren en más de cinco metros de altura es rentable instalar una
central mareomotriz. Un proyecto de una central mareomotriz está basado
en el almacenamiento de agua en un embalse que se forma al construir
un dique con unas compuertas que permiten la entrada de agua o caudal
a turbinar, en una bahía, cala, río o estuario para la generación eléctrica.
11
Tabla 1. Capacidad de diferentes tecnologías de GD.
Beneficios técnico-ambientales.
Beneficios económicos.
12
Operación más económica debido a la utilización de la GD en
horas pico.
Reducción en los costos de combustible.
13
5. ESTADO DEL ARTE DE GENERACIÓN DISTRIBUIDA.
En las figuras 2 y 3:
15
Precios garantizados/Feed in: Precio de compra que garantiza una
empresa o sistema eléctrico a un generador de energía renovable o
distribuida.
16
Sustituyó el petróleo y carbón por gas natural, procesos de
cogeneración, energía eólica y otras fuentes alternativas.
Incrementó su PIB entre 1980 y 2004, en un 56%, llegando a ser
exportador de energía eléctrica. Adicionalmente en este mismo
periodo redujo las emisiones de dióxido de carbono en un 35%.
Obligaciones/Portafolio estándar
Exenciones a los impuestos de
Garantizar precio/Feed in
Subsidios a la producción
Investigación y desarrollo
Financiación por terceros
Subsidios a la inversión
Porgramas voluntarios
nivel de producción
Conciencia pública
Electrificación rural
Medición neta
Precios verdes
renovable
consumo
País/Mecanismo
Alemania X X X X X X X X
Austria X X X X
Australia X X X X X X X
Bélgica X X X X X
Canadá X X X X X X X X X
Dinamarca X X X X X
España X X X X X
Estados Unidos X X X X X X X X
Estonia X X
Finlandia X X X X X
Francia X X X X X X X
Grecia X X X
Hungría X X X X
Italia X X X X X
Inglaterra X X
Irlanda X X X X X X
Japón X X X X X X
Korea X X X
Noruega X X X X X
Países bajos X X X X X X
Portugal X X X X
Polonia X X X X
Reino Unido X
Suecia X X X
Suiza X X X X X X X X X
República Checa X X X X X X X
Argentina X X
Brasil X X
Camboya X
China X X X X X X X X
Costa Rica X
Guatemala X X
India X X X X X X
Indonesia X
México X X X
Nicaragua X X X
Tailandia X X X X
18
Figura 5. Producción de electricidad mediante CHP en los países Europeos.
19
El gobierno danés fijó el año 2050 como la fecha límite para que
todo el país emplee energía verde.
Esta iniciativa liderada por la Compañía IBERDROLA [23], dentro del sexto
Programa Marco de I+D+i de la Comisión Europea, ha supuesto una
20
inversión de 15 millones de euros y ha contado con la colaboración de
socios como EDF, National Grid, REE, Gamesa, Siemens, Areva o Tecnalia.
21
Fenix es un proyecto importante en el trabajo hacia la implantación de las
redes inteligentes, que además beneficiará, el uso de contadores
inteligentes y la mejora de la gestión de la demanda hacia un sistema
eléctrico más eficiente y sostenible.
5.1.3. GD EN LATINOAMÉRICA.
Con respecto a América Latina, México y Chile son los países con el
porcentaje de participación más alto en GD, 8% y 10% respectivamente
(ver figura 4). En México el 81% de la generación eléctrica es a base de
combustibles fósiles, mientras que un 14% corresponde a energías
renovables (hídrica, geotérmica y eólica, ver figura 8). Para el caso de
chile el 60% de la energía eléctrica utilizada proviene de fuentes no
renovables (Combustibles fósiles) y el otro 40% de renovables, donde un 2%
procede de recursos eólicos, geotérmicos, entre otros. Las fuentes de
generación de energía para el caso chileno se presentan en el diagrama
de la figura 9.
Gas natural
11,20% Petróleo
Carbón
12,40% Recursos hidricos
51,80%
Nuclear
Geotérmica
16,70% Diesel
Eólica
22
2%
7%
Gas natural
37%
Carbón
Recursos hidricos
38% Diesel-Fuel oil
Otros
16%
24
5.2.1.6. Potencial eólico.
Tomado de [9].
25
5.2.1.8. Capacidad hidráulica a pequeña escala.
Fuente: http://www.redenergiaalternativa.org/solarenergy.htm.
26
Tabla 5. Capacidad instalada de PCH´s en Colombia.
Capacidad
Departamento PCH
Instalada (KW)
Antioquia 38 17,191
Boyacá 8 5,005
Caldas 23 17,192
Caquetá 1 45
Cauca 12 11,140
Chocó 1 2000
Cundinamarca 13 14,765
Huila 9 9,865
Meta 3 628
Nariño 98 9,836
Putumayo 3 714
Quindío 7 11.915
Risaralda 3 6,570
Santander 24 30,852
Tolima 8 11,211
Valle 7 16,810
Conocimiento Capacidad
Fuente Aplicaciones Estado
recurso Instalada
Sistemas Aplicada con
2MW/1995
Mapas del fotovoltaicos problemas de
recurso calidad y/o
Solar
Anual y por Colectores sostenibilidad
50000m2/1994
cada mes solares en zonas
apartadas
Bombeo de
Se aplica N.A
agua
Mapas del
Generación Marginal 50KW
Eólica recurso anual y
eléctrica en
por cada Se aplica Jepírachi
sistemas
19,5MW
aislados
Generación Se aplica, a
>168MW
Estudios eléctrica costos altos
Hidráulica
preliminares Arietes,
Muy marginal N.A
molinos
27
Tabla 7. Aplicaciones y capacidad instalada de fuentes de geotérmicas, y
de biomasa en Colombia.
Capacidad
Fuente Conocimiento recurso Aplicaciones Estado
Instalada
Mapas de recurso
Recreativa y medicinal N.A
geotérmico
Estudios preliminares de
zonas de Bombas de calor,
Geotermia
interés(Cumbal, Paipa- generación de
N.A
Isa, Santarosa, Tufiño- electricidad, distritos de
Chile-Cerronegro- calor
Parque de los nevados
Biomasa
Estimativo preliminar
Bagazo de Calderas-cogeneración,
mayor a Aplicada >25MW
caña Valle del Cauca
100MW(Cenicaña)
Cascarilla de Poco se
Estimativo preliminar Calderas N.A
arroz aplica
El gas se
Rellenos
Estimativo preliminar Doña Juana, Bogotá libera al N.A
sanitarios
medio
Cocción Poco
generación eléctrica aplicada
Biodigestores Estimativos Marginal
descontaminación de resistencia
aguas cultural
28
operadores de red, comercializadores de energía y usuario final),
con el fin de evitar conflictos entre ellos.
29
a) Establecimiento de un portafolio de servicios donde se incluya el uso
de energías renovables.
b) Creación de:
Productor marginal.
Productor independiente.
Productor para uso propio.
Plantas menores.
Uno de los propósitos de dicha revisión es no permitir que se
declaren plantas menores por debajo de su capacidad instalada
y fuera del despacho central, salvo las de GD de menor tamaño
(p.ej. hasta 1 MW) conectadas por los usuarios.
30
Capítulo del RETIE para instalación de GD en los niveles de
tensión 1, 2 y 3.
Entrenamiento a instaladores de GD.
Se tienen varias propuestas para mejorar este panorama, entre las que se
encuentran [4, 24, 26, 31]:
31
a) Apoyo e incentivos por parte del estado, para tecnologías
renovables y de cogeneración.
32
k) Usar fuentes de energía renovable como eólica y solar,
combustibles o biocombustibles económicos disponibles en las ZNI
del país.
34
ajustaron la configuración de líneas, transformadores, cargas, y
compensaciones. Los flujos de potencia necesarios se realizaron con
el software NEPLAN.
36
la expansión del sistema de distribución. En la tabla 8, se muestran los datos
técnicos de PCH’s.
En este estudio, se encuentra que es más económica la implementación
de GD, con respecto a la expansión de nuevas redes de distribución, como
se muestra en las figuras 13 y 14.
DATOS TÉCNICOS
INFORMACIÓN/ZONA Yacopí Nimaima
Nombre del circuito Yacopí Zumbe
Carga del circuito 412 kW 252 kW
S/E alimentadora La Palma 34.5 kV Juratena 34.5 kV
Capacidad Transformador 5MVA 1.7 MVA
Carga 1.054 MW 0.252 MW
Nombre del generador PCH Yacopí PCH Nimaima
Capacidad PCH 442 kW 195 kW
Longitud extensión de red 33 km 9.66 km
Longitud interconexión PCH 15.15 km 3 km
37
Figura 13. Evaluación económica de GD en Yacopí.
38
(MDL) por la Convención Marco de las Naciones Unidas para el Cambio
Climático.
39
6. OPTIMIZACIÓN COMBINATORIAL.
Métodos exactos.
Métodos de programación matemática.
Métodos aproximados (heurísticos y metaheurísticos).
Métodos híbridos.
A continuación se describe cada uno de los métodos en mención [5].
40
6.3. MÉTODOS APROXIMADOS.
Son algoritmos rápidos que encuentran soluciones de buena calidad en
tiempos razonables pero que no necesariamente son las mejores. Dentro
de estos algoritmos se encuentran los algoritmos heurísticos y
metaheurísticos [37].
41
Algoritmos de Descomposición y División: Los de descomposición dividen
un problema inicial en varios problemas menores, luego todos los
problemas planteados se resuelven de forma continua.
42
Nacieron de analogías con procesos físicos, biológicos o
psicológicos, tales como:
Recocido Simulado.
Algoritmos Genéticos.
Búsqueda Tabú.
Optimización con colonias de hormigas o con colonias de abejas.
Optimización con enjambres de partículas.
Electromagnetismo.
Sistema inmune.
43
Con respecto a los híbridos metaheurísticos, se pueden clasificar en: De
bajo nivel, de alto nivel, de acople de metaheurísticas, y de trabajo en
equipo. A continuación se describen brevemente [41]:
Componentes
Características Deseables
Utilizados
Construcción
Simples Robustos Generales
de soluciones
Pocos
Búsqueda local Rápidos Adaptables
componentes
Múltiples
Aleatorización Flexibles Interactivos
soluciones
44
7. REVISIÓN DEL ESTADO DEL ARTE EN LOCALIZACIÓN Y DIMENSIONAMIENTO
DE GENERACIÓN DISTRIBUIDA.
45
reducción de pérdidas como se reporta en [42]. En esta referencia se
integran diferenciales de tensión y pérdidas de potencia a lo largo de una
línea, para calcular las caídas de tensión y pérdidas de potencia totales.
Los autores consideran diferentes distribuciones de carga y deducen
expresiones analíticas para determinar la ubicación de la GD que minimiza
las pérdidas.
46
En la tabla 10 se presenta un resumen de los aspectos considerados en la
ubicación y/o dimensionamiento de GD mediante métodos analíticos. En
este caso PLOSS QLOSS significan reducción en pérdidas activas y reactivas; V
significa mejora del perfil de tensiones, H disminución de armónicos y CC
mejora en el nivel de corto circuito. Además de las características técnicas
también se listan la disminución de emisiones contaminantes (E), estudios
relacionados con inversiones y costos (IC) y confiabilidad (C).
[42] x x
[43] x x
[44] x
[45] x
[46] x
[47] x
[48] x
[49] x x X
[50] x x X
[51] x x
[52] x
[53] x x
[54] x
[55] x x x
[56] x
[57] x
[58] x
[59] x x X
[60] x
49
7.3. MÉTODOS METAHEURÍSTICOS PARA UBICACIÓN Y/O
DIMENSIONAMIENTO DE GD.
52
Tabla 12. Aspectos considerados en la ubicación y/o dimensionamiento de
GD (métodos metaheurísticos).
Socio-económicas y
Técnicas
ambientales
Artículo/Variables
QLOS
V PLOSS H CC E IC C
S
[61] x x
[62] x x
[63] x x x
[64] x x x
[65] x
[66] x x x x
[67] x x x
[68] x x x
[69] x x
[70] x x x
[71] x x x
[72] x
[73] x x x
[74] x x x
[75] x x
[76] x x x
[77] x x x x
78] x
[79] x x
[80] x x
[81] x x
[82] x x
53
función multiobjetivo a través de lógica difusa, la cual es resuelta usando
algoritmos genéticos. El algoritmo genético considerado también utiliza un
controlador fuzzy para ajustar de forma dinámica las ratas de cruce y
mutación, para mantener la diversidad de población.
55
llegar a resultados prácticos, entretanto todo el estudio y sus
requerimientos se basan en analizar la relación beneficio/costo de la GD.
Tabla 13. Variables de estudio de los artículos mencionados para métodos
híbridos.
Técnicas Socio-económicas, y
ambientales
Artículo/Variables V PLOSS QLOS H CC E IC C
S
[83] x x x x
[84] x
[85] x
[86] x x
[87] x
[88] x
[89] x x
[90] x x
56
En [95] se utiliza MINLP y una metodología que genera un modelo
probabilístico que relaciona la generación y la carga. Para su solución se
combinan todas las posibles condiciones de operación y unidades de GD
renovable con sus probabilidades, y se analiza a través de planeamiento
determinístico, considerando límites de voltaje, capacidad de los
alimentadores, y tamaño discreto de las unidades de GD. La técnica se
aplica a un sistema de distribución típico rural con diferentes escenarios y
todas las posibles combinaciones de unidades de GD renovable.
Técnicas Socio-económicas, y
Artículo/Variables ambientales
V PLOSS QLO H CC E IC C
SS
[91] x x
[92] x x
[93] x x
[94] x x
[95] x x
58
[96] x x
[97] x
[98] x
[99] x x x x
[100] x x x
[101] x x
En la tabla 15 se muestra un resumen de las diferentes metodologías
expuestas para localización y dimensionamiento de GD, y en la figura 15 se
muestra la cantidad de publicaciones por año.
i
Tabla 15. Resumen de artículos publicados en cada una de las
metodologías consideradas para ubicación y dimensionamiento de GD.
Heurísticas
basadas Programación
Área/Metodología Analíticos Metaheurísticas Híbridos
en PF y matemática
OPF
Ubicación [42–44] [49,51,52] [61–65] [91–98]
Ubicación y
[46–48] [55–60] [66–82] [83–90] [99–101]
Dimensionamiento
25
NÚMERO DE PUBLICACIONES POR
20 Metaheurísticos
15 Programación
matemática
AÑO
10
Heurísticos
5
Hibridos
0
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
Analíticos
AÑO
60
tensión con y sin generación distribuida como se indica en la ecuación (1).
El rango establecido para dichos perfiles es: 0.9-1.1 en por unidad.
Dónde:
Dónde:
61
8.1.2. Índice de reducción de pérdidas en las líneas de distribución.
Donde:
Dónde:
62
Donde es el factor de peso para el contaminante i-ésimo y NP es el
número total de contaminantes a ser considerados.
Se tiene que:
Dónde:
Observaciones:
63
, indica una mejora.
indica que no hay mejora.
, indica que hay una desmejora.
Dónde:
64
8.2. PRUEBAS Y RESULTADOS.
34
15 32
12 29
10 25 27
2 3 4 6 7 8 11 28 31
SE 22
9 14 24 26
20 30
21 23
1 5 33
18
13 16 17 19
65
4
Demanda (MW)
3
0
0 5 10 15 20 25 30 35
Bus
Figura 17. Distribución de la demanda en la red de 34 barras.
1,4
1,2
1
Demanda (P.U)
Inviern
0,8 o
0,6 Otoño
y
0,4 Primav
era
0,2
0
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324
Hora del Día(h)
66
Adicionalmente, se considera generación convencional a base de
combustibles fósiles. Para todas las tecnologías analizadas se supone una
potencia máxima de 0.5MW. En las figuras 19 y 20 se ilustran las curvas de
generación eólica y solar utilizadas para este estudio, las cuales se basan
en las curvas presentadas en [104] y [105], respectivamente.
0,5125
0,5
Generación Eólica(MW)
0,4875
0,475
0,4625
0,45
0,4375 Invierno
0,425 Otoño y Primavera
0,4125 Verano
0,4
0,3875
0,375
0,3625
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Figura 19. Curvas de generación eólica para las diferentes estaciones del
año.
0,55
0,5
Generación Solar(MW)
0,45
0,4
0,35
0,3 Invierno
0,25 Otoño y Primavera
0,2
Verano
0,15
0,1
0,05
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora del Día(h)
Figura 20. Curvas de generación solar para las diferentes estaciones del
año.
67
Para cuantificar las emisiones contaminantes de la generación
convencional, se supone un generador tipo 1 de la tabla 16 [102]. Además,
se considera un factor de peso igual para cada contaminante.
68
8.2.2. CASO A: 6 unidades de GD, de la misma tecnología, ubicadas en
diferentes nodos.
Configuración Nodos
1 3-6-9-12-15-18
2 22-24-26-28-30-32
3 1-2-3-24-25-26
4 1-2-12-13-23-24
69
1,05
1,045
1,04
Eólica
1,035
VPII 1,03 Solar
1,025
Biomasa ó
1,02 convencional
1,015
1,01
1 2 3 4
Configuración
Figura 21. Índice de mejora de perfil de voltaje.
1
0,9
0,8
0,7 Eólica
0,6
LLRI
0,5 Solar
0,4
0,3 Biomasa o
0,2 convencional
0,1
0
1 2 3 4
Configuración
Figura 22. Índice de reducción de pérdidas.
1,5
Eólica
EIRI
1 Solar
Biomasa
0,5
Convencional
0
1 2 3 4
Configuración
En la tabla 16, se presenta una valoración cualitativa para cada una de las
tecnologías según el impacto positivo que tienen sobre cada uno de los
índices, siendo 4 el impacto más alto y 1 el impacto más bajo.
72
1,07
1,06
1,05
1,04
Eólica
VPII
1,03
1,02 Solar
1,01 Biomasa
1
0,99
Invierno Otoño y Verano
Primavera
Estación del Año
0,9
0,8
0,7
0,6
0,5 Eólica
LLRI
0,4 Solar
0,3
0,2 Biomasa
0,1
0
Invierno Otoño y Verano
Primavera
Estación del Año
0,5
0,4 Solar
0,3 Biomasa
0,2
0,1
0
Invierno Otoño y Verano
Primavera
Estación del Año
73
4
3,5
3
2,5
Eólica
BI 2
Solar
1,5
Biomasa
1
0,5
0
Invierno Otoño y Verano
Primavera
Estación del Año
Figura 28. Índice de beneficio global de GD.
Tabla 19. Estaciones que mejores resultados registran para los índices.
Estación donde se
Índice
presenta el mejor valor
VPII Invierno
LLRI Verano
EIRI Verano
BI Verano
74
8.2.4. CASO C: Combinaciones de generadores eólicos y solares.
Con esta prueba se pretende analizar cada uno de los índices bajo
estudio cuando se ubican, únicamente, generadores solares y eólicos en la
red eléctrica en consideración. Para tal fin, se utilizan las cuatro
configuraciones del CASO A combinando los generadores en las siguientes
formas:
1,04
1,035
1,03 Distribución 1
Distribución 2
VPII
1,025
Distribución 3
1,02
Distribución 4
1,015
1 2 3 4
Configuración
75
Figura 29. Índice de mejora de perfil de voltaje.
0,9
0,8
0,7
0,6 Distribución 1
0,5
Distribución 2
LLRI
0,4
0,3 Distribución 3
0,2 Distribución 4
0,1
0
1 2 3 4
Configuración
1
0,95
0,9 Distribución 1
EIRI
0,85 Distribución 2
0,8 Distribución 3
0,75 Distribución 4
0,7
1 2 3 4
Configuración
1,35
1,3
1,25 Distribución 1
1,2 Distribución 2
BI
1,15 Distribución 3
Distribución 4
1,1
1,05
1 2 3 4
Configuración
76
Figura 32. Índice de beneficio global de GD.
77
Caso 2: Un solo generador de 3.4MW ubicado en el nodo 17.
1,08
1,07
1,06
1,05
Caso 1
1,04
VPII
Caso 2
1,03
Caso 3
1,02
1,01 Caso 4
1
0,99
Solar Eólica Biomasa ó
Convencional
Tecnología de Generación
Figura 33. Índice de mejora de perfil de voltaje.
1
0,9
0,8
0,7
Caso 1
0,6
Caso 2
LLRI
0,5
0,4 Caso 3
0,3 Caso 4
0,2
0,1
0
Solar Eólica Biomasa ó
Convencional
Tecnología de Generación
Figura 34. Índice de reducción de pérdidas.
78
8,59
7,58
6,57
5,56
4,55
EIRI
3,54
2,53 Caso 1
1,52 Caso 2
0,51
0 Caso 3
Caso 4
Tecnología de Generación
9
8,5
8
7,5
7
6,5
6
5,5 Caso 1
5
4,5 Caso 2
BI
4
3,5 Caso 3
3
2,5 Caso 4
2
1,5
1
0,5
0
Solar Eólica Biomasa Convencional
Tecnología de Generación
El caso 4 es el que mejores resultados registra para cada uno de los índices,
excepto para el índice de reducción de emisiones de los generadores
convencionales. En este caso, la generación distribuida conectada en la
red, se reparte entre el mayor número de buses del sistema propuesto. Por
consiguiente, un mayor número de generadores asumen parte de la
demanda conectada en cada uno de los buses de la red, demandándose
79
menos energía de la subestación e impactando la reducción de pérdidas
y los perfiles de voltaje de forma positiva.
Es de recordar que los generadores convencionales bajo estudio, están
caracterizados por producir emisiones contaminantes en su proceso de
producción de energía, por lo tanto las emisiones son más altas.
Los casos 1 y 2 presentan los resultados de menor cuantía para cada uno
de los índices propuestos, excepto para generadores convencionales, con
los cuales se obtienen los mejores valores por reducción de emisiones (a
menor número de generadores convencionales se asocian menores
emisiones contaminantes). Es de notar que en los casos en consideración,
la generación está ubicada en un solo nodo, por lo tanto se hace un
mayor uso de la red para suplir la demanda de energía eléctrica.
80
La restricción de inyección máxima de potencia corresponde al punto
donde se obtiene el índice de reducción de pérdidas más bajo, la
restricción depende de la ubicación de los generadores. Para la
configuración de GD en los nodos más lejanos de la subestación
(configuración 2), se tiene la restricción más baja de inyección de
potencia, debido a que se requiere menos potencia para mejorar el
índice de reducción de pérdidas en comparación con otras
configuraciones.
1
0,9
0,8
0,7
0,6 Configuración 1
LLRI
0,5 Configuración 2
0,4 Configuración 3
0,3
Configuración 4
0,2
0,1
0
0 5 10 15
Potencia Inyectada (MW)
Figura 37. Curvas para el índice de reducción de pérdida.
81
9. METAHEURÍSTICAS ADOPTADAS PARA LOCALIZAR GD.
- Recocido Simulado.
- Búsqueda Local Iterativa.
- Algoritmos Genéticos.
82
9.1.1. MECANISMOS DE ENFRIAMIENTO PARA UN RS.
Simulación Optimización
termodinámica combinatoria
Estados del sistema Soluciones factibles
Energía Coste
Cambio de estado Solución en el entorno
Temperatura Parámetro de control
Estado congelado Solución heurística
Parámetros a configurar
Decisiones genéricas Decisiones específicas
Temperatura inicial. Solución inicial.
Estrategia de generación del
Temperatura final
vecindario (Nuevas
(Criterio de parada)
soluciones).
Función de disminución de Función objetivo del
temperatura. (Operador de problema. ¿Qué se
enfriamiento). quiere optimizar?
83
Dónde:
Dónde:
84
Dónde:
Algunas aplicaciones que se han realizado con recocido simulados son las
siguientes [107, 112, 113]:
Diseño de:
- Horarios para instituciones educativas y calendarios de
eventos deportivos.
- Redes hidráulicas.
- Cadenas logísticas.
- Patrones de corte de materia prima.
Asignación de:
- Trenes en sistemas ferroviarios.
- Espacio en plantas industriales.
- Espacio en estanterías.
85
Programación de:
- Cirugías y exámenes académicos.
- Producción.
86
9.2.1. PARÁMETROS DE UN ILS.
Algoritmo de
Fuertes búsqueda
aleatoria
Perturbaciones
Diversificación
limitada
Débiles
Alto riesgo de
regresar a un
óptimo local
87
- Por intensificación: solo se aceptan soluciones mejores que las
obtenidas anteriormente, pero se restringe el espacio de
búsqueda.
88
Sea la solución inicial
REPETIR
Solución del problema del agente viajero (TSP por sus siglas en inglés
Travelling Salesman Problem).
Problemas de planificación.
Bipartición de grafos.
89
9.3. ALGORITMO GENÉTICO (AG).
90
2. Evaluación de la población inicial: Se evalúa cada solución
mediante una función objetivo.
5. Criterio de parada.
91
Inicializar la población
Proceso de selección
Proceso de recombinación
Proceso de mutación
92
Por estado estacionario: Solo unos pocos de los individuos de la anterior
generación son reemplazados por nuevos individuos. Normalmente una
pequeña cantidad de los peores individuos son reemplazados por los hijos
resultantes de las operaciones de cruce y mutación de los mejores
individuos [118].
93
tienen derecho a realizar dicha acción, es decir las que no violan las
restricciones impuestas.
En la figura 41 se muestra un ejemplo de dicha recombinación, donde el
punto de cruce corresponde al gen 5.
94
Figura 43. Ejemplo de cruce doble punto.
96
- Los papeles que juegan el cruce y la mutación dentro del
algoritmo.
- La caracterización de los espacios de búsqueda susceptibles de
ofrecer soluciones óptimas.
- Propiedades de convergencia.
Problemas de planeamiento
Construcción de árboles filogenéticos
Optimización de carga de contenedores
Diseño de
Sistemas de distribución de agua.
Topologías de circuitos impresos y redes computacionales
Materiales
Teoría de juegos y resolución de equilibrios
Análisis de expresión de genes.
97
10. RESULTADOS OBTENIDOS CON LAS METODOLOGÍAS IMPLEMENTADAS
98
Tabla 22. Pruebas realizadas con cada metodología metaheurística.
COMBINACIÓN DE TECNOLOGÍAS
PRUEBA
DE GD
1 1 1 1 2 2 2
2 1 1 1 3 3 3
3 1 1 1 4 4 4
4 3 3 3 4 4 4 CONVENCIONES
5 2 2 2 4 4 4 Eólica: 1
6 1 2 3 4 1 1 Solar: 2
7 1 2 3 4 2 2 Biomasa: 3
8 1 2 3 4 3 3 Convencional: 4
9 1 2 3 4 4 4
10 1 1 1 1 1 1
11 2 2 2 2 2 2
12 3 3 3 3 3 3
13 4 4 4 4 4 4
Método de
Temperatura
Enfriamiento
Inicial Final Parámetro Valor
1000 0.5 α 0.98
99
Tabla 24. Valores de los índices para pruebas realizadas con RS.
Recocido Simulado
100
Tabla 25. Tiempos de computo empleados por RS para cada una de las
pruebas.
Numero de Tiempo de
Prueba
iteraciones simulación(h)
1 7.28
2 5.21
3 5.49
4 5.29
5 7.80
6 6.06
7 377 6.62
8 5.25
9 6.02
10 5.46
11 6.11
12 6.18
13 6.31
Tiempo promedio 6.08
1,8
1,6
1,4
1,2
1
BI
0,8
0,6
0,4
0,2
0
1 16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361 376
ITERACIÓN
101
Figura 44. BI Vs Iteraciones.
Búsqueda Local
102
Tabla 27. Tiempos de computo empleados por ILS para cada una de las
pruebas.
Numero de Tiempo de
Prueba
iteraciones simulación(h)
1 3.41
2 4.15
3 3.36
4 2.84
5 3.24
6 4.02
7 100 3.84
8 2.67
9 3.13
10 3.81
11 2.34
12 3.14
13 3.97
Tiempo promedio 3.38
1,7
1,65
1,6
1,55
BI
1,5
1,45
1,4
1,35
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63
ITERACIÓN
Figura 45. Mejor índice de beneficio global (BI) Vs Iteraciones.
103
10.3. RESULTADOS DE AG.
Tabla 28. Valores de los índices para las pruebas realizadas con ILS.
Algoritmo genético
PRUEBA Solución Nodos BI EIRI VPII LLRI
Final 31 32 29 7 23 34 1.320 0.771 1.036 0.615
1
Mejor 31 32 29 26 23 34 1.327 0.770 1.036 0.607
Numero de Tiempo de
Prueba
iteraciones simulación(h)
1 14.32
2 15.13
3 13.78
4 12.87
5 12.71
6 15.97
7 50 16.58
8 13.87
9 12.90
10 12.94
11 16.64
12 14.29
13 15.88
Tiempo promedio 14.45
1,675
1,67
1,665
1,66
BI
1,655
1,65
1,645
1,64
0 5 10 15 20 ITERACIÓN
25 30 35 40 45 50
105
10.4. COMPARACIÓN DE LAS TRES METODOLOGÍAS.
1,8
1,6
1,4
1,2
1,0
BI
0,8 ILS
0,6 RS
0,4 AG
0,2
0,0
12 2 10 8 6 4 3 1 13 7 9 5 11
Prueba
1,8
1,6
1,4
1,2
1,0 ILS
BI
0,8 RS
0,6 AG
0,4
0,2
0,0
12 2 10 8 6 4 3 1 9 13 7 5 11
Prueba
106
2,00
1,80
1,60
1,40
1,20
ILS
EIRI
1,00
0,80 RS
0,60 AG
0,40
0,20
0,00
12 2 10 1 8 6 11 7 4 3 9 5 13
Prueba
1,05
1,05
1,04
1,04 ILS
VPII
1,03 RS
AG
1,03
1,02
1,02
12 4 13 2 3 10 9 8 6 5 7 1 11
Prueba
107
0,9
0,8
0,7
0,6
0,5
LLRI
ILS
0,4
RS
0,3
AG
0,2
0,1
0,0
13 4 12 2 3 10 9 8 6 5 7 1 11
Prueba
- El mejor resultado se obtuvo con la prueba 12, con cada una de las
metodologías empleadas. Esta prueba corresponde a la instalación
de generadores de biomasa cuya potencia promedio se consideró
108
constante y sin generación de emisiones contaminantes. Es de notar
que este resultado se contempló desde la sección 8, en donde se
concluyó que la tecnología con los mejores resultados correspondía
a biomasa.
55%
50%
45%
40%
35%
30% Desviación de RS
25% Desviación de ILS
20%
Desviación de AG
15%
10%
5%
0%
1 2 3 4 5 6 7 8 9 10 11 12 13
109
Finalmente se realiza una clasificación de la cada una de las
metodologías, en donde 1 corresponde al primer lugar y 3 al último.
Considerando los siguientes criterios.
Tiempo de cómputo.
Mejor solución final.
Mejor solución explorada.
110
11. CONCLUSIONES
112
[10] F. Gonzalez, Tecnologías de generación distribuida: Costos y
eficiencia, 2004.
[46] T. Gözel, M.H. Hocaoglu, An analytical method for the sizing and siting
of distributed generators in radial systems, Electric Power Systems
Research. 79 (2009) 912–918.
[54] H.M. Ayres, W. Freitas, M.C. De Almeida, L.C.P. Da Silva, Method for
determining the maximum allowable penetration level of distributed
generation without steady-state voltage violations, IET Generation,
Transmission & Distribution. 4 (2010) 495.
117
[61] M. Haghifam, H. Falaghi, O. Malik, Risk-based distributed generation
placement, IET Generation Transmission …. (2008) 252–260.
[62] A. Barin, L.F. Pozzatti, L.N. Canha, R.Q. Machado, A.R. Abaide, G.
Arend, Multi-objective analysis of impacts of distributed generation
placement on the operational characteristics of networks for
distribution system planning, International Journal of Electrical Power &
Energy Systems. 32 (2010) 1157–1164.
[67] Q. Kang, T. Lan, Y. Yan, L. Wang, Q. Wu, Group search optimizer based
optimal location and capacity of distributed generations,
Neurocomputing. 78 (2012) 55–63.
118
International Journal of Electrical Power & Energy Systems. 33 (2011)
1429–1436.
119
[79] A. Soroudi, M. Afrasiab, Binary PSO-based dynamic multi-objective
model for distributed generation planning under uncertainty, IET
Renewable Power Generation. 6 (2012) 67.
[83] M.F. Akorede, H. Hizam, I. Aris, M.Z. a. Ab Kadir, Effective method for
optimal allocation of distributed generation units in meshed electric
power systems, IET Generation, Transmission & Distribution. 5 (2011) 276.
[85] R.A. Jabr, B.C. Pal, Ordinal optimisation approach for locating and
sizing of distributed generation, IET Generation, Transmission &
Distribution. 3 (2009) 713.
120
distribution systems, International Journal of Electrical Power & Energy
Systems. 34 (2012) 66–74.
122
[105] L. F. Ochoa, A. Padilha Feltrin y G. P Harrison, Evaluating distributed
time-varying a multiobjective index, IEEE Transactions On Power
Delivery, vol. 23, nº 2, April 2008.
124
125