UNIVERSIDAD NACIONAL
AUTONOMA DE HONDURAS
Algoritmo
genético aplicado
al despacho
energético
Carlos Matute 20121009469
Fausto Videa 20141006078
Jose Lozano 20151005549
IE900 - Seminario de Investigación
OBJETIVOS
Optimizar el funcionamiento de un
sistema de potencia
desde el
punto de vista de los costos de
generación para un modelo de red
eléctrica puesto en marcha.
Analizar las variables que influyen en los costos
de generación y las formas comunes de
caracterizar la relación entre la fuente primaria y
la energía eléctrica generada.
Aplicar y desarrollar un modelo de optimización
diferente a los que se usan normalmente.
Alcanzar un resultado aceptable y lógico al
aplicar el algoritmo
Definición de
Evolución
La evolución biológica es el
proceso de transformación
continua de las especies a
través de cambios producidos
en sucesivas generaciones.
Soft
Computing
=
Computación
Evolutiva
Redes Neuronas Lógica
+ Artificiales + Difusa
¿QUÉ ES LA
COMPUTACION
EVOLUTIVA?
Metaheurísticas que emulan la evolución biológica
Interpretan la naturaleza como una formidable maquinaria de
resolución de problemas.
Aplican un mecanismo análogo a los procesos evolutivos
naturales, para resolver problemas de búsqueda y optimización.
Siguen la idea de la supervivencia de los individuos más aptos,
evaluando la aptitud de acuerdo al problema a resolver, mediante
una función fitness.
Computación
Evolutiva
=
Algoritmos
Estrategias de Programación
+
+
Genéticos
Evolución
Evolutiva
CLASIFICACIÓN
Estrategias Evolutivas
Programación Evolutiva
Algoritmos Genéticos
Programación Genética
Diferencias
con las
técnicas
tradicionales
01
Las técnicas evolutivas usan una
población de soluciones potenciales en
vez de un solo individuo.
02
No necesitan conocimiento específico
sobre el problema que intentan resolver.
03
Usan operadores probabilísticos,
mientras las técnicas tradicionales
utilizan operadores determinísticos.
VENTAJAS
Simplicidad Conceptual
Amplia aplicabilidad
Se pueden usar de manera
hibrida con otras técnicas
Son robustas a los cambios
dinámicos
Pueden auto-adaptar sus
parámetros
Capaces de resolver
problemas a los que no se
conoce alguna solución.
DESVENTAJAS
Se les considera mal
fundamentadas e inestables
Poco eficientes para
algunos problemas
específicos
Pueden tener problemas
para hallar los optimos
globales
Algoritmos genéticos
Codificación
En el caso de los algoritmos genéticos la representación más
utilizada es la representación binaria, debido a su facilidad de
manipulación por los operadores genéticos
Selección
Un algoritmo genético puede
utilizar
muchas
técnicas
diferentes para seleccionar a los
individuos que deben copiarse
hacia la siguiente generación.
Cruce
Implica elegir a dos individuos para que intercambian segmentos de su
código, produciendo una “descendencia” artificial cuyos individuos son
combinaciones de sus padres.
Mutación
Al igual que una mutación en los seres vivos cambia un gen por otro,
una mutación en un algoritmo genético también causa pequeñas
alteraciones en puntos concretos del código de un individuo.
Despacho
energético
Despacho
De Energia
Despacho
El término "despacho" se
refiere a la planificación
del uso de los recursos de
una planta de energía por
parte del operador de la
planta.
El despacho de energía tiene
como a objetivo lograr el
perfil de operación más
rentable en una planta de
energía. Para dicho fin, se
consideran
los
costos
variables de cada planta junto
con los precios pronosticados
en los mercados de energía.
Una planta de energía solo es
rentable si sus costos variables son
más bajos que los precios de venta
de energía que se puedan lograr en el
mercado. Por otro lado, también se
genera un horario que determina la
asignación de la capacidad de ajuste
disponible para la planta o plantas.
Para generar dicho horario de
consideran
factores
como
la
ubicación, el tiempo y la graduación.
Control de Demanda
El control de la demanda máxima y del consumo de energía eléctrica, ya
sea por métodos manuales (muchas veces sin realizar inversiones iniciales
importantes) o automatizados, permite reducir los costos asociados al
consumo por medio del uso las siguientes tecnicas:
a) Lograr un menor gasto energético en los horarios donde el valor de la
energía es mayor, la reducción de las pérdidas por transformación.
b) La reducción del pago por demanda máxima si la tarifa considera este
aspecto.
c) Así como la mejora de la operatividad del sistema en general.
d) Un control efectivo posibilita determinar políticas óptimas de inversión
en el sistema eléctrico, de forma de garantizar mayor seguridad y calidad
del suministro.
Iniciativa de AGs en
Iniciativa Despacho
de AGs en Despacho
Pueden ser muchas los determinantes, la reducción de los
costos asociados con el consumo de energía eléctrica y con las
inversiones capitales en los equipos eléctricos utilizados en las
instalaciones industriales y de servicios, resulta imprescindible
en la situación actual de la economía de cualquier país. Esta
necesidad se ve potenciada por el impacto medioambiental de
las tecnologías energéticas.
1. La codificación
genética de las
variables
de
decisión
2. El establecimiento
de
la
función
a
optimizar o función de
adaptación (fitness).
3. La limitación del
espacio de búsqueda.
La solución de un problema de
optimización con AGs
El correcto dimensionamiento de estos tres aspectos de la
solucion de un problemas con AGs constituye la clave del
éxito para el futuro desempeño del algoritmo. Otro aspecto
importante es la definición de una serie de parámetros que
determinan el funcionamiento del algoritmo.
La aplicación más común de los algoritmos genéticos ha
sido la solución de problemas de optimización, en donde
han mostrado ser muy eficientes y confiables.
En el caso de la ingeniería eléctrica, se han utilizado con éxito en la
solución de problemas como:
El balance de fases en circuitos de distribución primaria.
El planeamiento de redes de distribución.
La reconfiguración de sistemas de distribución.
Así como la compensación de potencia reactiva en los
sistemas de distribución primaria.
Y de forma simultánea al problema de la reconfiguración.
Siendo los principales a considerar por importancia:
a) El tamaño y algoritmo de creación de las poblaciones.
b) Los operadores genéticos de selección, cruzamiento y
mutación.
c) Los operadores de reemplazo de la población.
d) Los criterios de parada o terminación.
Formulación del problema
Para hallar la solución optima del problema, es decir al individuo
mejor adaptado, se requiere la producción de un número adecuado
de individuos en una población y la evolución de cierto número de
generaciones de estas poblaciones hasta que la mayoría de sus
individuos alcancen un nivel de adaptabilidad y evolución tal que, al
decodificar sus valores, las variables del problema que representan
contribuyan a obtener el resultado optimo global del problema.
Sujeto a las siguientes restricciones
Descripción del
problema
El problema de despacho de carga en un sistema de potencia de N
barras, Nc conexiones y Ng unidades generadoras implica la
minimización de los costos de generación de las unidades
generadoras en un instante de tiempo t para satisfacer una demanda
d, según se muestra en la ecuación:
Donde enunciamos que:
-𝐶𝑖 es el costo por US$/MWh del generador
-𝑃𝑔𝑖𝑡 es la potencia generada i en un tiempo t
-[𝑃𝑔] y [𝑑] son los vectores de generadores y demanda asociados al nodo n
-[𝑆] 𝑦 [𝑓] son las matrices de incidencia y de flujos de carga en las conexiones
-𝑃𝑔𝑖𝑚𝑖𝑛 es la potencia minina que puede generar dicha unidad
-𝑃𝑔𝑖𝑚𝑎𝑥 es la potencia máxima que puede generar dicha unidad
-𝑃𝑔𝑖 es la potencia generada de dicha unidad
-𝑓𝑐 es el flujo de potencia en la línea
-𝑓𝑐𝑚𝑎𝑥 es el flujo de potencia máximo en la línea.
Caso de Estudio
Sistema Eléctrico IEEE-RTS de 24
Nodos
Demanda máxima por hora
Demanda máxima en los nodos
Datos
Técnicos
de los
Generadores
Datos técnicos de las
conexiones electricas
Metodología
Metodología
Metodología
Metodología
RESULTADOS
DESPACHO POR UNIDAD
GENERADORA
RESULTADOS
DESPACHO DE CARGA POR
TECNOLOGIA DE GENERACION
RESULTADOS
FLUJO DE POTENCIA EN
CADA CONEXION
RESULTADOS
COSTOS DE OPERACION DEL SISTEMA
CONCLUSIONES
Los algoritmos genéticos son una buena alternativa para
resolver problemas de optimización, debido a su estructura e
implementación sencilla en lenguajes de programación
actuales.
Este presenta una ventaja robusta ya que evalúa varias posibles
soluciones a la vez, además no se ve afectado en quedar
atrapado en optimo local.
La principal desventaja es el poder computacional y el tiempo
que se necesita para ejecutar el algoritmo, ya que entre mas
complejo y mejores resultados se necesiten, mayor será la
demanda.
PREGUNTAS
Y
RESPUESTAS