Diseño de Sistemas de Distribucion Primaria en Media Tension Via Algoritmos Geneticos

UNIVERSIDAD DE CONCEPCIN Facultad de Ingeniera Departamento de Ingeniera Elctrica
Profesor Patrocinante Dr. Enrique Lpez Parra
DISEO DE SISTEMAS DE DISTRIBUCION PRIMARIA EN MEDIA TENSION VIA ALGORITMOS GENETICOS
ALEXIS EDUARDO LILLO STEVENS Informe de Memoria de Ttulo Para optar al grado de
Ingeniero Civil Elctrico
CONCEPCION, MARZO DE 2008
A mis padres y hermanos A los mas importantes en mi
formacin y mi vida diaria. A mis hermanos por mostrarme siempre el camino por y correcto, su infinito siendo amor, entre siempre ejemplos de vida. A mis padres sabidura paciencia
muchas otras virtudes que me han brindado e impregnado en todos estos aos de universidad y de mi vida. No e isten palabras en este mundo para poder e presarles el orgullo y felicidad que se siente el ser su hijo y hermano simplemente, lo que soy ahora y ser! siempre es gracias a ustedes.
Universidad de Concepcin
Agradecimientos
AGRADECIMIENTOS
A lo largo de mi existencia he conocido personas gracias a las cuales me encuentro finalizando una importante etapa en vida. Muchas de ellas, sin darse cuenta me dieron enseanzas buenas y tambin errneas que aunque no es f cil de admitir son tambin, estos !ltimos, importantes en el desarrollo de cada persona. "ada una de estas personas me permiti discernir cada una de esas enseanzas y adoptarlas como propias o simplemente desecharlas.
#rimeramente, quisiera agradecer a mi #rofesor $u%a el &r. 'nrique (pez #arra, por la oportunidad que me brindo de traba)ar )unto a el, por su incansable y constante ayuda desde el primer momento que inici este traba)o y como tambin por el incalculable tiempo brindado. A la &ra. "armen *ardn, por su apoyo y constante orientacin a lo largo de este traba)o. Al &r. +orge Mendoza, por su inagotable paciencia y disposicin a cada uno de mis cuestionamientos. &iempre se dice que uno olvida sus or%genes, por ello quiero agradecer de forma especial a los formadores de mi infancia y adolescencia, "oncepcin. docentes y funcionarios del "olegio Metodista de
Agradecimientos
A mis amigos de siempre, ,elipe, "laudio y #atricio, que con su constante apoyo he recorrido y superado las pruebas que la vida nos ha puesto enfrente. Muchos recuerdos se agolpan en este minuto, por lo que slo me queda agradecerles por su incondicional amistad y por simplemente -estar ah%.. Me es imposible nombrarlos a todos porque, gracias a /ios, son muchos con los que he compartido innumerables aventuras y s que se sienten dichosos de saber que gran parte de este logro es tambin de ellos. #or eso, gracias a cada uno de esos persona)es que me han acompaado y alegrado mi vida. A mis amigos que se han marchado, s que estar n orgullosos de ver donde me encuentro y que siempre formaran parte de mi. A mis compaeros y amigos de universidad, el &r. "hristian *orres, &r. "arlos (eiva, &r. "hristian 0oysen, entre otros, ya que sin ellos esta tarea hubiese sido aun mas tit nica y dif%cil de lo que fue. A mi polola, por su amor, comprensin y por darme siempre el apoyo y las fuerzas para mirar siempre el futuro con optimismo y ansias de avanzar. A /ios1 gracias por la familia que me ha dado y por cada persona que a puesto en mi camino.
Nomenclatura
NOMENCLATURA
(ai , bi )
Representan las posiciones de cada nodo. Representa las posiciones de los transformadores. Area del conductor. Costo ($) Dimetro de Conductor Distancia Funcin objetivo 1 Funcin objetivo 2 Corriente Prdidas Joule por kilmetro Representa el nmero de transformadores a posicionar. Largo mximo del conductor Costo por kilmetro de una lnea Potencia aparente Representa el nmero de nodos del sistema Nmero mximo de redes Potencia total conectada (KW) Resistencia Corresponde a los pesos de cada carga Seccin del conductor Voltaje Representa a la matriz de pesos Reactancia Impedancia Corresponde a la matriz de distribucin Resistividad Seccin econmica de conductor
(X
A C D d
,Y j ) :
: : : : : : : : : : : : : : : : : : : : : : : : :
F.O.1 F.O.2 I J k lmax L m n Nr PI R r S V w XL Z
Indice
INDICE NOMENCLATURA__________________________________________ INDICE _______________________________________________________ RESUMEN ____________________________________________________ CAPITULO 1: INTRODUCCION ________________________________ 1.1 1.2 Caractersticas de los Sistemas de Distribucin Urbanas______________________________________________ Modelos a Considerar _______________________________ 1.2.1 1.2.2 1.2.3 1.2.4 1.2.5 1.3 1.3.1 1.3.2 1.3.3 1.3.4 1.4 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 Solucin del Problema ____________________ Mtodo de Optimizacin __________________ 6 9 9 11 1 2 4 5
Evaluacin de las Funciones Objetivos ____ 12 Evaluacin Funcin Objetivo 1 ____________ 12 Evaluacin Funcin Objetivo 2 ____________ 13 Localizacin _______________________________ 14 Reconfiguracin ___________________________ 20 Algoritmos Genticos _____________________ 31 Planificacin y Configuracin ____________ 35 39 43 50 57 59 61
Marco Terico ______________________________________ 14
Objetivos del trabajo ________________________________ 37 Races de los algoritmos genticos _________________ 40 Ventajas de los Algoritmos Genticos ______________ Desventaja de los Algoritmos Genticos ____________ Mtodos de Representacin ________________________ Mtodos de seleccin _______________________________ Mtodos de Cambio _________________________________
CAPITULO 2: Algoritmos Genticos ___________________________
Funcionamiento de un Algoritmo Gentico _________ 56
Mutacin ___________________________________________ 62
Indice
CAPITULO 4: SOLUCION PROPUESTA 3.1 3.2
________________________
64 64 64 65 68 69 70 72 74 75 77
Desarrollo __________________________________________ Solucin Propuesta Para Funcin Objetivo 1________ 3.2.1 3.2.2 3.2.3 3.2.4 3.2.5 3.2.6 3.2.7 Anlisis Algebraico ____________________________ Procedimiento AGs __________________________
Poblacin Inicial ______________________________ 68 Representacin del Cromosoma _______________ Seleccin ______________________________________ Mutacin ______________________________________ Anlisis Algebraico ____________________________ Procedimiento Ags ___________________________
Cruzamiento __________________________________ 71
3.3
Solucin Propuesta Para Funcin Objetivo 2 _______ 3.3.1 3.3.2 3.3.3 3.3.4 3.3.5 3.3.6 3.3.7 3.3.8
Poblacin Inicial ______________________________ 79 Representacin Cromosomica _________________ 80 Seleccin ______________________________________ Mutacin 82 Cruzamiento __________________________________ 82 _____________________________________ 84 87 Mutacin Forzada _____________________________ 85
CAPITULO 4: APLICACIONES __________________________________ 4.1 4.2 4.3 4.4
Caso 1 ______________________________________________ 87 Caso 2 ______________________________________________ 90 Caso 3 ______________________________________________ 93 Caso 4 ______________________________________________ 98 ______________________________________________ 102 104
CONCLUSIONES
REFERENCIAS ________________________________________________
Resumen
RESUMEN El presente estudio tiene como objetivo analizar la solucin del problema de emplazamiento de subestaciones y de configuracin, como un problema de transporte, va algoritmos genticos, procurando minimizar los costos del transporte de energa. Por esta va, esta memoria otorga herramientas para la e
planificacin y diseo de un sistema de distribucin primaria para definir la cantidad y tamao de distintos componentes del sistema. tipo y la cantidad precisa a utilizar en el diseo. " su vez, el presente estudio nos permite conocer el considera la seccin econmica de conductores !ue posibilita definir el
comportamiento de los algoritmos genticos con respecto a las problem#ticas planteadas de emplazamiento y configuracin.
Capitulo 1
Introduccin
CAPITULO 1
Introduccin El proceso de abastecimiento elctrico consta de tres etapas: generacin, transmisin y distribucin. Este ltimo es el que suministra energa elctrica a los clientes, es realizado a travs lograr una mejor operacin del sistema. Elementos como los transformadores ayudan a los objetivos planteados, stos proporcionan un voltaje que se distribuye a partir del punto donde son instalados, por lo que su ubicacin es de vital importancia, ya que depende de variados factores como se observar en la evolucin de este estudio. La planificacin de una red de alimentacin tiene directa relacin con el posicionamiento de los transformadores, sta planificacin a largo plazo es compleja, debido a su gran nmero de posibilidades y grandes costos de inversin. sta planificacin debe tener en consideracin varios e importantes aspectos para obtener una buena calidad de servicio, algunos de stos son: Cumplir con estndares de calidad de suministro. Seguridad de las instalaciones para su ptima operacin y mantencin. Correcta medicin y facturacin del servicio. Continuidad de servicio segn lo reglamentado. de redes de alimentacin y subestaciones que son continuamente modificados para
Adems, uno de los principales objetivos a los que se aboca toda empresa elctrica es minimizar las prdidas asociadas a la distribucin primaria. Esto, a su vez, nos permite un correcto dimensionamiento de los 5
Capitulo 1
Introduccin
conductores del sistema, para as obtener menores costos de inversin y explotacin centralizada. La correcta planificacin del sistema va de la mano con las crisis econmicas y energticas de los ltimos tiempos lo que otorga ms importancia en la eficiencia de los mismos. En los sistemas de distribucin reales interesa, en particular, determinar la topologa radial, que permita flujos de potencias entre la fuente y todas sus cargas, mediante conductores tal que las prdidas sean las menores posibles. Por esta razn, buscar herramientas de optimizacin que consideren las distintas configuraciones posibles, con o sin restricciones propias del sistema, es uno de los principales objetivos de los estudios de configuracin.
1.1
Caractersticas de los Sistemas de Distribucin Urbanas Los sistemas de distribucin urbanos se presentan de distintas
maneras: Topologas radiales Diversos tipos de conexiones Cargas de diversas naturaleza Lneas sin transposicin Tpicamente son mallas radiales, en donde el flujo de potencia nace de un solo nodo llamado nodo principal, que corresponde generalmente a la subestacin que alimenta a la red a nivel de media tensin, es decir, 12, 13.2, 13.8, 15, 23 KV, etc. Este esquema de distribucin es utilizado para el presente estudio.
Capitulo 1
Introduccin
Las cargas son de diversa naturaleza, en funcin de zonas residenciales, comerciales, industriales, alumbrado, etc. Estas, adems, presentan diversos factores de potencia, determinados comportamientos frente a variaciones de tensin y tendencias aleatorias y temporales especficos. Como indica su nombre los transformadores transforman los niveles de tensin de la energa que viaja por lneas de alta, media y baja tensin, distribuyndola a los consumidores. Existen diversos tipos de transformadores que varan segn su potencia, capacidad, aplicacin. Los transformadores de distribucin, generalmente trabajan con uso o
potencias iguales o inferiores a 500 kVA y de tensiones iguales o inferiores a 67 kV, tanto monofsicos como trifsicos. Aunque, la mayora de tales unidades estn proyectadas para montaje sobre postes, algunos de los tamaos de potencia superiores por encima de las clases de 18 kV, se construyen para montaje en estaciones o en plataformas. Las aplicaciones tpicas son para alimentar las distintas cargas. Estos se utilizan en intemperie o interior para distribucin de energa elctrica en media tensin. Son de aplicacin en zonas urbanas, industrias, minera, explotaciones petroleras, grandes centros comerciales y toda actividad que requiera la utilizacin intensiva de energa elctrica. Se fabrican en potencias normalizadas desde 25 hasta 1 MVA y tensiones primarias de 13.2, 15, 25, 33 y 35 kV. Se construyen en otras tensiones primarias segn especificaciones particulares del cliente. Se proveen en frecuencias de 50-60 Hz. La variacin de tensin se realiza mediante un conmutador exterior de accionamiento sin carga. 7
Capitulo 1
Introduccin
Algunos tipos de transformadores de distribucin: Tipo convencional de poste Transformador autoprotegido trifsicos Transformador autoprotegido para bancos de secundarios Transformadores hermticos de llenado integral Transformadores rurales Transformadores subterrneos Como se puede ver, la correcta eleccin de los transformadores de distribucin no es tarea que se pueda tomar a la ligera, por lo que el conocimiento a fondo de esta mquina es indispensable para todo proyecto elctrico, por otra parte, poner fuera de servicio un transformador de distribucin representa un serio problema para las empresas distribuidoras, ya que ello siempre trae consigo un corte de suministro ms o menos prolongado de un sector poblacional. No obstante, el caso se vuelve ms dramtico cuando la interrupcin de las operaciones del transformador es causada intempestivamente por un accidente del equipo, pues a los inconvenientes antes mencionados se tendra que aadir el costo de reparacin o reposicin del transformador.
Capitulo 1
Introduccin
1.2
Modelos a Considerar Los factores que incentivan a las empresas distribuidoras a
implementar nuevas tecnologas que les permita un uso eficiente de las instalaciones, son principalmente econmicos, adems de su responsabilidad a la hora de brindar un suministro ms seguro, mejorar las tcnicas de control y la calidad del servicio. Los transformadores toman relevancia en estos puntos, ya que un buen dimensionamiento y emplazamiento de stos implica una reduccin de prdidas y un buen perfil de voltaje, lo que a la larga se traduce en diversos tipos de ahorros. Aspectos a considerar: Distribucin ptima de las cargas entre los transformadores. Tamao y localizacin de la carga. Nivel de voltaje del sistema. Tipo de consumo. Factor de diversidad y regulacin de voltaje deseada.
1.2.1
Solucin del Problema El proceso de optimizacin se generar utilizando funciones
objetivos, que permitan un correcto emplazamiento y disminucin del costo de transporte encontrando una topologa radial ptima del sistema. El presente estudio propone el tratamiento por separado respecto a las temticas comentadas anteriormente, por lo cual cada una de las funciones permitir tratar el problema como mono-objetivo 9
Capitulo 1
Introduccin
Para esto se asume conocido, la posicin y la potencia aparente de cada nodo a alimentar. En primer lugar, para el correcto emplazamiento se utiliza el problema de localizacin [1] propuesto por Alfred Weber (1868-1958), el cual busca encontrar la localizacin fsica de una instalacin, de tal forma que los costos de distribucin a un cierto nmero de clientes sean mnimos, mas especficamente se utiliz el problema de Weber considerado para Varias Fuentes Con Pesos Diferentes, que es el caso que se pretende solucionar. Esta funcin se muestra en (1.1).
F .O.1 = wij (ai X j ) + (bi Y j )

n k 2 i =1 j = 0
1 2
(1.1)
Una vez solucionado el problema del emplazamiento se busca la mejor topologa radial del sistema a configurar, considerando para esto disminuir las prdidas del sistema. Para lo previo, se utiliza la minimizacin de la siguiente funcin objetivo:
F.O.2= d i ii
i =1
(1.2)
No obstante, lo anterior deja totalmente abierta la posibilidad de tratar el problema con otra funcin objetivo para el posicionamiento del transformador, mientras esta funcin mantenga los parmetros ocupados anteriormente, es decir, posicin y peso (por ejemplo: mtodos de posicionamiento mediante inercia), esto no implicar una dificultad mayor en el problema, debido a que solo bastar una simple modificacin en el cdigo fuente del algoritmo.
10
Capitulo 1
Introduccin
A su vez se recomienda tratar el problema como multi-objetivo, es decir, considerar las dos funciones para obtener las regiones de ptimo, mediante la denominada curva de Pareto. Esta permitir visualizar el comportamiento de ambos objetivos, obteniendo, quizs un mejor ptimo segn los requerimientos del usuario. Este problema no es trivial.
1.2.2
Mtodo de Optimizacin El mtodo a usar para la optimizacin de las funciones objetivos ser
el de los algoritmos genticos. Este mtodo nos permitir encontrar resultados ms eficientes, debido a que son algoritmos de bsqueda mltiple. Se escoge este mtodo por su simplicidad conceptual, amplia aplicabilidad, capacidad de combinarse con otras tcnicas de bsqueda y su robustez a cambios dinmicos. Adems, es una tcnica adaptativa que permite encontrar soluciones a una gran variedad de problemas de optimizacin y bsqueda, los cuales estn basados en la teora de la evolucin propuesta por Darwin. Este mtodo consta de variados operadores, siendo los ms importantes el operador de cruza sexual y el operador de mutacin. Se aplicar una restriccin de un nmero fijo de generaciones que ser determinado por las dimensiones del problema. La representacin del problema ser a travs de una cadena de nmeros reales que representar la posicin en que pueda ser ubicado el transformador y las topologas radiales del sistema. En consecuencia, la cadena tendr una longitud fija de posiciones.
11
Capitulo 1
Introduccin
1.2.3
Evaluacin de las Funciones Objetivos. Analizaremos a continuacin cada funcin utilizada por los distintos
Ags que nos permitan encontrar soluciones para los problemas de emplazamiento y de configuracin de un sistema de distribucin. Cabe destacar que cada algoritmo busca minimizar las funciones objetivos mostradas a continuacin.
1.2.4
Evaluacin Funcin Objetivo 1 En la funcin objetivo 1, de emplazamiento de Weber:
F .O.1 = wiJ (ai X J ) + (bi YJ ) 2

2 i =1 J = 0
1 2
(1.1)
Los trminos a y b, se refieren a las posiciones en el plano cartesiano de cada uno de los nodos a conectar. La matriz wiJ , est conformada de la siguiente manera:
wJi = Ji ri
(1.3)
Este ltimo trmino es de vital importancia y depende a su vez de la matriz de peso r y la matriz de distribucin , la cual ser la encargada de asociar los distintos nodos del sistema a una determinada fuente. Los trminos de posicionamiento del transformador (XJ,YJ), estn ligados a la solucin entregada para la matriz .
12
Capitulo 1
Introduccin
1.2.4
Evaluacin Funcin Objetivo 2 La presente funcin consta de dos variables como se muestra a
continuacin:
F.O.2= d i I i
i =1
(1.2)
Esta funcin debe cumplir las siguientes condiciones:
Ai = I
M = nm
(1.4) (1.5)
La condicin (1.4) corresponde al cumplimiento de los balances de corrientes y (1.5) corresponde a la radialidad del sistema. Adems, sabemos que para un sistema de topologa radial el nmero de mallas fundamentales [30] del sistema:
MF = N r n + 1
(1.6)
FO 2 = d i I i = Costo de Transporte
i
(1.7)
13
Capitulo 1
Introduccin
1.3
Marco Terico
El presente estudio est compuesto por cuatro partes: Localizacin Reconfiguracin Algoritmos Genticos Planificacin y Configuracin Por esto, el estado del arte nos presenta distintas teoras y estudios respecto a estos temas con los cuales fue posible obtener ideas y rangos de comparacin.
1.3.1
Localizacin.
En lo que respecta a teoras de localizacin ptima la instalacin de nuevos equipos, como por ejemplo, bancos de condensadores, inductores, transformadores, etc., poseen gran incidencia en lo que respecta al perfil de voltaje y las prdidas en las redes de media tensin, por lo cual diversos autores se han concentrado en este tema. Consecuentemente por lo cual existen diversas tcnicas para llevar a cabo el procedimiento de emplazamiento de los equipos.
Teora de localizacin de Weber [1], en primer lugar el autor considera la localizacin orientada hacia el transporte. Sostiene que la localizacin ptima viene dada por el lugar en que se minimizan los costos de transporte. Si existen factores productivos localizados y otros con perfecta movilidad, slo los primeros afectarn a la decisin de localizacin. En segundo lugar, Weber considera tambin la posibilidad de
14
Capitulo 1
Introduccin
orientar su decisin de localizacin ptima hacia el mercado de trabajo, en lugar de minimizar tan slo el coste de transporte, siempre que los costos de transporte adicionales se vean compensados por el ahorro debido a la concentracin del factor trabajo. D. M. Crawford and S. B. Hoft [2], presentan la planificacin de la ubicacin de subestaciones de distribucin, tamao y reas de servicio. La tcnica discutida usa en la operacin de bsqueda y mtodos que simultneamente optimizan el tamao de la subestacin y las reas de servicio, dando alternativas de ubicacin para las subestaciones y lmites de confiabilidad. El resultado de la tcnica discutida lleva a una configuracin de las subestaciones que minimizar las prdidas en los alimentadores de distribucin y los costos de construccin de la subestacin. Utiliza el modelo de Dijkstra1 en combinacin con un algoritmo de transporte. Sin embargo, la determinacin del ptimo en el modelo de transporte se realiza tomando como funcin objetivo la suma de los productos carga - distancia.
D. Wall G. Thompson, J. Northeote-Green [3],
Formulan un
modelo de alimentador primario, usando la ubicacin de pequeas reas de demanda para representar cargas no uniformes y segmentos de alimentadores que tienen costos de distribucin variables y lmites de capacidad. La solucin del problema tiene 1000 ubicaciones de demanda y 100 subestaciones que se pueden encontrar en fracciones de segundo usando un rpido cdigo propio de transbordo. Se discute el problema de reestructurar la solucin para satisfacer otros tipos de restricciones.
1 El algoritmo de Dijkstra, tambin llamado algoritmo de caminos mnimos, es un algoritmo para la determinacin del camino ms corto dado un vrtice origen al resto de vrtices en un grafo dirigido y con pesos en cada arista.
15
Capitulo 1
Introduccin
Utiliza para el modelo de transbordo una funcin aproximada de costo lineal para las prdidas de potencia y para los costos de instalacin.
G. Thompson, D. Wall [4], formulan un modelo de planificacin para la distribucin, el cual considera la ubicacin de las subestaciones existentes y las futuras, sus capacidades y costos, junto con los alimentadores de las redes primarias, representadas por la ubicacin de pequeas reas de demanda que representan cargas no uniformes y segmentos de alimentadores que tienen costos variables de distribucin y lmites de capacidad. El modelo descrito requiere tres datos de entrada:
Las ubicaciones de las demandas y sus cantidades
Las descripciones de la red del alimentador
Los datos de las subestaciones
En el caso que el diseo del sistema de distribuciones es considerado, las demandas sern estimadas utilizando varias tcnicas estadsticas. En el caso que el modelo es utilizado para controlar un sistema existente, las demandas se asumen conocidas.
Si analizamos el modelo en su forma matemtica, suponemos que un grafico es un conjunto de nodos y arcos, donde un arco puede ser pensado de como un segmento lineal que conecta dos nodos. En consecuencia podemos utilizar un grfico para construir un modelo de un sistema elctrico de la distribucin pensando las fuentes y las cargas nodos y los conductores como los arcos. Los nodos que reciben energa y luego la pasan a otros nodos sern llamados nodos de transbordo. Este modelo considera que para mayor sencillez todos los nodos deben ser
16
Capitulo 1
Introduccin
tratados como de transbordo. Es claro que los nodos que solo transmiten ser la fuente, los que acepten y transmitan energa sern las cargas y los que solo reciben energa sern los nodos o cargas finales.
Figura 1.1: Aproximacin lineal del costo Primeramente el problema es modelado como una red, para luego ser reinterpretado como un modelo equivalente de transporte o transbordo mediante programacin lineal. Este ltimo nos permite el anlisis de variables dobles. Finalmente el modelo de transbordo desarrollado fue:
Minimizar
N i
N ij j
xi j
(1.8)
Sujeto a:
N
x
j
N
ij
= ai + K para i N
(1.9)
x
i
ij
= bi + K para j N
(1.10)
0 xij U ij para i, j N
(1.11)
17
Capitulo 1
Introduccin
Donde:
I = (1,,m) : Subestaciones J= (1,,m) : Cargas N:IUJ ai : Suministro de nodo i para i N bi : Demanda de nodo j para j N cij : Costo de envo de energa desde nodo i hasta nodo j donde i, j N xij : Cantidad de energa enviada desde i hasta j donde i, j N Uij : Flujo superior desde i hasta j donde i, j N K : Es la suma de las fuentes y las demandas La ecuacin (1.8), representa el mnimo costo, (1.9) y (1.10) asegura que la el flujo de la fuente es igual al flujo de las cargas y (1.11) nos dice que las limitaciones del flujo en cada arco debe ser positivos y menor o igual que la capacidad valorada de la lnea utilizada en el arco.
D. Sun, D. Farris, P. Cote, R. Shoults, M. Chen [5], Presentan una metodologa de planificacin, la cual es una aplicacin de recientes avances en las tcnicas de optimizacin para la ubicacin de subestaciones de distribucin y la planificacin de alimentadores radiales. El concepto de horizonte de largo tiempo es usado junto con la expansin del proceso en el tiempo a partir del ao base hasta llegar al ao objetivo. Se disea en la primera etapa un ao esttico como horizonte ptimo, usando la formulacin de un problema de transporte con cargo fijo. Este
18
Capitulo 1
Introduccin
mtodo de solucin emplea el algoritmo de rama y frontera incluyendo de forma explcita en la modelacin los componentes con costos fijos y variables para mejorar la exactitud. El proceso de expansin en el tiempo selecciona la ubicacin de las subestaciones y la ruta de los alimentadores para el ao planificado una como horizonte coherente. entonces, Este mtodo proporciona fcilmente ordenadamente expansin
incorpora las instalaciones existentes en el proceso de decisin para aumentar los beneficios. El modelo matemtico de este estudio es: Minimizar : Sujeto a:
cij xij + Fij Yij
(1.12)
X ij = S i + M X ij = D j + M
(1.13) (1.14) (1.15)
Lij X ij U ij X ij U ij Yij con Yij [0,1].
(1.16)
Donde: Xij : Cantidad de flujo desde el nodo 1 al nodo j, en kVA Cij : Costo por unidad de envo desde el nodo 1 al nodo j, en $/kVA con Cii=0 para 1 i n n : Numero de nodos Fij : Carga fija desde el nodo 1 al nodo j, en $ Lij : Flujo inferior desde el nodo 1 al nodo j, en kVA
19
Capitulo 1
Introduccin
Uij : Flujo superior desde el nodo 1 al nodo j, en kVA Si : Capacidad de existente en la subestacin Dj : Demanda del nodo j, en kVA M : Constante arbitraria grande, ms grande o igual a la suma del suministro o demanda.
1.3.2
Reconfiguracin. Las publicaciones, con especto al tema de reconfiguracin nos
permiten obtener mtodos y teoras para lograr una correcta planificacin de un sistema de distribucin, como a su vez variados mtodos para la obtencin de topologas de un sistema. Se encuentran variados estudios relacionados con algoritmos genticos y configuracin de sistemas minimizando prdidas.
A. Merlin y G. Back [6], en 1975 entregan el primer trabajo realizado en el mbito de reconfiguracin. Los autores entregan un esquema de solucin que parte con el sistema de totalmente enmallado, obtenido al considerar todos sus elementos de maniobra cerrados, los que posteriormente son abiertos en forma sucesiva hasta eliminar los circuitos cerrados y obtener un sistema radial. Sin embargo, su aplicacin a sistemas reales es costosa debido al significativo esfuerzo computacional involucrado, limitando su aplicacin en tiempo real.
20
Capitulo 1
Introduccin
Lpez E., Vera R [7], en 1998, los autores plantean una solucin al problema de la reconfiguracin de redes mediante el mtodo de Ford y Fulkerson2. Ejemplifican todo el proceso a travs de un ejemplo ficticio, al final aplican el mtodo a varios ensayos con sistemas de pruebas ocupados en otras publicaciones. En estos sistemas aplican las restricciones del problema en forma separada. Terminan con un sistema real de 149 nodos y 162 lneas, el mayor aporte se refiere a la heurstica aplicada donde selecciona una de las tres ramas de menor corriente. E. Lpez, C. Pinilla., [8], proponen una solucin al problema de reconfiguracin de redes aplicando Programacin Cuadrtica, a travs del proceso de optimizacin va programacin cuadrtica y mtodos heursticos incorpora restricciones de lmite trmico de lneas, capacidad de subestaciones y equipos de maniobra, logrando buenos resultados al aplicar el algoritmo a un sistema real de 917 nodos y 959 ramas. Logra la evaluacin del sistema en tiempos aceptables incorporando el concepto de compactacin de nodos, con buenos resultados. H. Opazo, M. Inostroza [9], proponen una metodologa para reconfiguracin a mnimas prdidas va Programacin Dinmica Modificada. En este trabajo se incorporan lmites trmicos en las lneas y restricciones en elementos de maniobra. Se ocupa la tcnica de compactacin de grafos y flujo de carga radial, para lograr buenos resultados en sistemas reales de gran tamao y tiempos de simulacin aceptables.
El mtodo de Ford-Fulkerson procede iterativamente. Comienza con f (u, v) = 0 para todo u, v V con lo que el flujo inicial vale 0. En cada iteracin se incrementa el valor del flujo buscando un camino de aumento, que puede interpretarse como un camino de s a t por el cual se puede enviar ms flujo y por tanto aumentar el flujo a travs de este camino. Este proceso se repite hasta que no existan ms caminos de aumento. Depende de dos conceptos importantes: - Red residual: Intuitivamente, dada una red de flujo y un flujo, la red residual est formada por aristas que admiten ms flujo. - Camino de Aumento: Dada una red de flujo G = (V, E) y un flujo f, un camino de aumento p es un camino simple de la red residual. Cada arista (u, v) en un camino de aumento admite un flujo adicional positivo de u a v sin violar la restriccin de capacidad de la arista.
2
21
Capitulo 1
Introduccin
H. Opazo, F. Muoz [10], proponen una implementacin para reconfiguracin On-Line a mnimas prdidas va Programacin Dinmica Modificada. En este trabajo se incorporan lmites trmicos en los alimentadores y elementos de maniobra, adems se utiliza compactacin de grafos, flujo de carga radial y una etapa de revisin o "Backtracking". Se reduce el esfuerzo computacional (menor a 3 minutos) en sistemas de gran dimensin, como el sistema de prueba C.G.E. Concepcin que contiene cerca de 1000 nodos. Se evalan los beneficios de la reconfiguracin online considerando el tipo de consumo y la variacin de la demanda durante 24 horas. H. Opazo, E. Uribe [11], proponen un modelo de reconfiguracin que incorpora programacin Dinmica, Compactacin de Grafos y Mtodo Montecarlo para la variacin de la demanda. En este trabajo se implementa la utilizacin del Mtodo Montecarlo para determinar la variacin de la demanda creando mltiples condiciones de carga, considerando como solucin a la reconfiguracin, las lneas con mayor nmero de repeticiones para cada solucin encontrada. Se evala en sistemas de gran envergadura dando resultados muy satisfactorios. S. Cinvalar, J. Grainger, H. Yin, S. Lee [12], presentan un esquema, el cual utiliza la reconfiguracin de los alimentadores como una herramienta de control de la planificacin en tiempo real, de manera de estructurar los alimentadores primarios para reducir prdidas. Se establece una expresin analtica que entrega la evaluacin de las prdidas al ocurrir una transferencia de carga entre las subestaciones. Conceptualmente, es una manera directa de determinar si el nuevo sistema obtenido tiene menores prdidas
22
Capitulo 1
Introduccin
D.
Shirmohammadi,
H.
Wayne
[13],
Describen
un
mtodo
heurstico eficiente y robusto, para la reconfiguracin de redes de distribucin, para reducir las prdidas resistivas en las lneas bajo condiciones normales de operacin. Debido a su eficiencia computacional, esta aproximacin puede ser usada en un ambiente de planificacin y operacin. Como resultado se obtienen dos beneficios, primero el algoritmo converge a un ptimo global y segundo la solucin final es independiente del estado inicial de los elementos de maniobra. La heurstica que se aplica consiste en eliminar la rama de ms baja corriente, lo cual no asegura lograr siempre el ptimo de la funcin objetivo.
M. Baran, F. Wu [14], Proponen una formulacin general y mtodos de solucin para resolver los problemas de reduccin de prdidas y balance de cargas- En la reconfiguracin para reducir prdidas, la solucin involucra una bsqueda sobre una configuracin radial relevante. Para ayudar en la bsqueda se han desarrollado dos mtodos aproximados de flujo de potencia con grado de exactitud variable, Los mtodos son computacionalmente atractivos y en general, entregan una estimacin conservadora de la reduccin de prdidas. Para el balance de cargas, se define un ndice de balance de carga y se muestra que el mtodo de solucin propuesto para la reduccin de prdidas se puede usar tambin para el balance de cargas. Es necesario, de acuerdo al mtodo indicado, determinar primeramente una configuracin radial relevante y luego usar una funcin cuadrtica en forma recursiva para lograr el ptimo.
V. Giamocanin [15],
presenta un nuevo algoritmo para la
reconfiguracin de redes de distribucin. Se alcanza una reduccin ptima de las prdidas, manteniendo un voltaje aceptable en los consumidores, asegurando capacidad suficiente de los conductores y subestaciones para
23
Capitulo 1
Introduccin
tomar los requerimientos de carga. Lo logrado por el algoritmo depende directamente de la trayectoria seguida y la ms eficiente solucin del problema de costo cuadrtico de transbordo. El nuevo algoritmo descrito en este trabajo, elimina completamente la necesidad de las operaciones matriciales y ejecuta directamente todas las operaciones en el grfico del sistema de distribucin. Linealiza la funcin objetivo para poder aplicar la tcnica de transbordo.
S. Goswami, S. Basu [16], Presentan un flujo de potencia basado en un algoritmo heurstico para la configuracin a mnimas prdidas de una red radial de distribucin. El algoritmo est basado en el concepto de trayectoria de flujo ptimo, el cual se determina resolviendo las ecuaciones de Kirchhoff de voltaje y corriente de la red. La trayectoria de flujo ptimo en un lazo se forma al cerrar un interruptor normalmente abierto y la trayectoria del flujo en la red radial se establece al abrir un interruptor cerrado. El proceso se repite hasta establecer la configuracin de mnimas prdidas. El algoritmo de reconfiguracin propuesto se ha encontrado que entrega una mejor configuracin de la red que lo que obtienen otros mtodos crecientes informados por la literatura. De la metodologa aplicada, es interesante destacar que segn los autores, la seleccin del interruptor que se debe operar es independiente de la diferencia de potencial en sus bornes. K. Nara, A. Shiose, M. Kitagawa, T. Ishihara [17], proponen un algoritmo gentico para la reconfiguracin de sistemas de distribucin a mnimas prdidas. Se trata de un problema muy complejo de programacin entera mixta problemas de optimizacin y es muy difcil la solucin por una combinacionales, puede ser aplicado
aproximacin matemtica. Dado que los AG son adecuados para resolver sucesivamente a problemas de mnimas prdidas en sistemas de
24
Capitulo 1
Introduccin
distribucin. Ejemplos numricos demuestran la validez y efectividad de la metodologa distribucin. Lpez E., Opazo H., Pedrero P. y Garca L. [18], proponen un nuevo algoritmo para la reconfiguracin a mnimas prdidas de redes elctricas de distribucin primaria. El problema se resuelve aplicando, primero, un algoritmo de rutas mnimas a la red con todos sus elementos de maniobra cerrados, consiguiendo as un menor grado de enmallamiento en ella, posteriormente, va el patrn de flujo ptimo se obtiene el esquema de explotacin definitivo. Este modelo presenta ventajas, respecto de aquellos que le anteceden, cuando las redes de distribucin muestran un gran nmero de configuraciones radiales factibles de utilizar durante su operacin. La bondad de esta proposicin ha sido evidenciada a travs de diversos casos de aplicacin. Este trabajo, si bien aplica un mtodo de rutas mnimas, no se evidencia la forma de incorporar las restricciones de capacidad de los alimentadores, dado que el enfoque es hacia la planificacin de sistemas de distribucin. G. Peponis, M. Papadopoulos, N. Hatziargyriou [19], resaltan y validan una metodologa para la optimizacin de la operacin de sistemas de distribucin en media tensin, tal que las cargas variables son alimentadas bajo mnimas prdidas de energa. La minimizacin de las prdidas se alcanza por la instalacin de condensadores en paralelo y con la reconfiguracin de la red, se examina el impacto de las variaciones de la carga y su modelacin en la decisin de optimizacin, se incorporan elementos que ayudan a la minimizacin de las prdidas, pero que pudieran traer efectos no deseados en el sistema de distribucin. propuesta. Siendo una tcnica novedosa, an no es aconsejable por la poca experiencia en el mbito de los sistemas de
25
Capitulo 1
Introduccin
V. Borozan, D. Rajicic, R. Ackovski [20] Describen un mtodo heurstico para determinar la configuracin de una red de distribucin que asegure mnimas prdidas resistivas en las lneas. Este mtodo se basa en las condiciones de ptimo desarrolladas por Merlin y Back. Usando una tcnica de solucin rpida y confiable de flujo de carga e introduciendo un algoritmo eficiente para inspeccionar los elementos de la red, esta metodologa llega a ser atractiva para aplicaciones en tiempo real. El mtodo propuesto es probado en tres sistemas de prueba usados en la literatura para estos propsitos, se destaca su rapidez y eficiencia en redes de distribucin de tamao real, la heurstica pasa por eliminar la rama de ms baja corriente, lo cual no siempre lleva a provocar la mnima variacin en el patrn de flujo ptimo.
R. Srf, A. Chikhani [21], Proponen un algoritmo que entrega la opcin de alcanzar en lnea la reconfiguracin de los sistemas de distribucin para reducir las prdidas. Basado en la particin de las redes de distribucin en grupos de barras de carga, de manera de minimizar las prdidas de las secciones de lneas entre los nudos de los grupos, el mtodo propuesto alcanza el tamao de restricciones impuestas por las tcnicas de reconfiguracin descritas anteriormente. Dividiendo la red de distribucin en grupos de barras se logra en forma simultnea la reconfiguracin, minimizando las prdidas. La simulacin computacional del mtodo propuesto demuestra los numerosos beneficios que son ofrecidos por el algoritmo de reconfiguracin.
Lpez E., Opazo H., Pedrero P. y Quiroz S. [22], Desarrollan un nuevo algoritmo de reconfiguracin para minimizar las prdidas de potencia en sistemas de distribucin primarios. La solucin del problema de optimizacin est basada en un procedimiento de programacin dinmica, esta tcnica se adapta naturalmente para el problema de
26
Capitulo 1
Introduccin
encontrar un esquema de operacin radial, es fcil de implementar y requiere un bajo tamao computacional. Los beneficios de esta proposicin se han hecho evidentes al aplicarlos a diferentes redes de prueba usadas por otros autores. Del anlisis de los resultados del estudio no se incluye el efecto de los lmites trmicos de los alimentadores en la reconfiguracin. Lpez E., Opazo H., P. Pedrero, Martnez M. [23], presentan los resultados de la aplicacin de la reconfiguracin a mnimas prdidas en redes de distribucin primarias reales, la cual usa programacin dinmica e incorpora una modelacin de la demanda a travs de una funcin de probabilidad normal. A travs del simulador de Montecarlo realizan una serie de ensayos repetitivos para obtener la reconfiguracin esperada del sistema, se entregan importantes conclusiones respecto de la topologa aconsejada, cuando la demanda es incierta, esto indica que, la configuracin ptima no es uno a uno, es decir, para un nivel de carga no existe una sola solucin. Finalmente concluyen que basta con analizar unas pocas opciones topolgicas para garantizar un buen nivel de prdidas de operacin en los sistemas de distribucin primaria.
R. Taleski, D. Rajicie [24], presentan un nuevo mtodo para reducir las prdidas de energa en una red de distribucin. Se basa en tcnicas y algoritmos conocidos para anlisis radial de redes: ordenamiento orientado de elementos, mtodo de suma de potencia para flujo de carga, representacin estadstica de las variaciones de carga y un mtodo desarrollado recientemente de suma de energa para calcular las prdidas de las mismas. Estos mtodos, combinados con reglas heursticas permiten desarrollar un proceso iterativo avanzado, haciendo que este mtodo de minimizacin de prdidas de energa sea robusto, efectivo y rpido. Se presenta como alternativa a los mtodos de minimizacin de potencia para aplicarlo en la planificacin y operacin.
27
Capitulo 1
Introduccin
R. Sarfi, M. Salama, A. Chikliani [25], realizan una investigacin acerca de las publicaciones en el rea de reconfiguracin de sistemas de distribucin, para reducir las prdidas. La importancia mundial de los climas social, poltico y econmico indica que cada esfuerzo debe tender, cuando sea posible, a hacer ms eficiente la generacin, transmisin y distribucin de la electricidad. Usando las conexiones existentes y los interruptores seccionadores, la reconfiguracin de los sistemas de distribucin representa un mtodo atractivo para la reduccin de prdidas y puede ser implementado a mnimo costo para las empresas. A partir del trabajo fundamental de Merlin y Back, se esboza el estado del arte actual.
J. Mendoza, E. Lpez, R. Lpez, J. C. Vannier, D. Morales R. Moraga, C. Coello [26], se presenta un mtodo de optimizacin multiobjetivo que permite definir una localizacin ptima de los Reguladores de Voltaje Automticos en la red de distribucin elctrica, para esto se considera como objetivos la optimizacin del total de las prdidas y del voltaje del sistema utilizando micro algoritmos genticos. La tcnica propuesta es capaz de encontrar de manera eficiente la frontera de Pareto, con lo que es posible escoger obtener una solucin. E. Lpez, H Opazo, L. Garca, P. Bastard [27], los autores presentan como la reconfiguracin a mnimas perdidas en un sistema de distribucin puede ayudar a evaluar de manera horaria los beneficios de la misma. Para esto consideran la naturaleza variable en el tiempo de las cargas utilizando un perfil diario de la carga en cada nodo del sistema. El nfasis se hace en la reconfiguracin por hora, comparndolas con las topologas para la demanda mxima y media del sistema. El mtodo se aplica a dos sistemas reales donde la reconfiguracin por hora no muestra diferencias efectivas si hacemos una comparacin entre los resultados para las demandas mximas y medias. Estas conclusiones son basadas en
28
Capitulo 1
Introduccin
la disminucin de prdidas obtenidas y en la cantidad de conmutaciones implicadas en el proceso de la reconfiguracin por hora. R. Lpez, J. Mendoza, D. Morales, E. Lpez, C. Coello [28], los autores proponen una reconfiguracin probabilstica a mnimas perdidas tomando en cuenta la naturaleza aleatoria de las variaciones de las cargas en un sistema de distribucin. cargas es modelada de La naturaleza de las variaciones en las estadstica usando un modelo de forma
probabilidad uniforme. El mtodo propuesto esta basado en la tcnica de Montecarlo, que asigna un nivel aleatorio para la carga en cada nodo del sistema y resuelve el problema de optimizacin de la reconfiguracin utilizando un AG. Las topologas logradas muestran un conjunto de caractersticas esperadas, con frecuencia relativa de ocurrencias. El modelo representa de mejor manera la influencia de la variacin aleatoria de la carga en la configuracin de sistema. Este modelo define varios ndices estocsticos para la planificacin de mediano y largo plazo. Finalmente, los resultados de este enfoque indican que la topologa ms frecuente corresponde a la reconfiguracin para los valores medios de la demanda. E. Lpez, H. Opazo, L. Garca, M. Poloujadoff [29], Los autores presentan un mtodo para prdidas mnimas para grandes sistemas de distribucin primarios cambiando la topologa actual del sistema. El mtodo de minimizacin de prdida on-line, en grandes sistemas reales de distribucin, esta basado en programacin dinmica con tcnicas de compresin de grafos y flujos de potencias radiales. Se verifica que la programacin dinmica se adapta de manera natural a la configuracin de rbol operacional que usan las redes primarias y es fcil poner en prctica. Las caractersticas principales del mtodo propuesto son: aplicaciones para sistemas reales de gran envergadura y a sistemas mal acondicionados. Este considera todo tipo de carga y requiere esfuerzos
29
Capitulo 1
Introduccin
computacionales muy bajos. El modelo es til para la planificacin y operacin de sistemas de distribucin primarios. Mediante diferentes pruebas, el mtodo fue validado. Esta publicacin detalla aplicaciones y sus resultados muestran lo poderoso del mtodo cuando es aplicado a grandes sistemas.
J. Mendoza, E. Lpez, R. Lpez, P. Dessante, D. Morales R. Moraga [30], se propone y evala un nuevo mtodo de reconfiguracin utilizando Ags, que mejoran la eficiencia y adaptabilidad de esta tcnica al problema de reconfiguracin a mnimas prdidas. Este se basa en una estrategia de cruza acentuada, mutacin dirigida y poblacin reducida, esto permite una disminucin en los tiempos de procesamiento comparada con las actuales tcnicas de reconfiguracin basadas en Ags. La poblacin acotada es formulada a partir de ramas que forman las mallas del sistema y que constituyen el conjunto de ramas candidatas a ser abiertas, ello conlleva a que, prcticamente, todos los individuos sean factibles, generando topologas que slo se ven limitadas por las restricciones de operacin del sistema.
Cabe destacar que este ltimo estudio fue la base del sistema de configuracin de una red radial presente en los captulos posteriores.
30
Capitulo 1
Introduccin
1.3.3
Algoritmos Genticos Respecto a los denominados algoritmos genticos existen diversos
estudios enfocados a su vez a distintos tpicos, pero todos estn en base a la adaptabilidad de los mismos, lo que permite usarlos en problemas de bsqueda y optimizacin. John Holland [31], es uno de los investigadores ms importante en el campo de los algoritmos genticos, este investigador de la Universidad de Michigan estaba consciente de la importancia de la seleccin natural, a fines de los sesenta desarroll la tcnica que permiti incorporar esta seleccin en un programa a la computadora, su finalidad era lograr que las computadoras aprendieran la tcnica por s mismas. A la tcnica de Holland se le llam originalmente "Planes Reproductivos", pero se hizo popular bajo el nombre de "'Algoritmo Gentico" tras la publicacin de su libro en 1975. David E. Goldberg [32], entrega una introduccin a los Algoritmos Genticos en su forma ms general y abarca aspectos que van desde el vocabulario que se utiliza en el rea, hasta un anlisis matemtico del comportamiento de la tcnica.
Michalewicz Zbigniew [33], este investigador es un ejemplo en lo que se refiere a la utilizacin de tcnicas especificas, como lo es en el uso de tcnicas como GENOCOP (Genetic Algorithmic for Numerical Optimization for Constrained Problems), este sistema es capaz de manejar restricciones lineales eliminando las igualdades y diseando operadores genticos especiales que garanticen mantener todos los individuos dentro del espacio de soluciones restringidas. GENOCOP supone un punto de inicio factible (o una poblacin inicial factible), puesto que supone la
31
Capitulo 1
Introduccin
existencia de slo restricciones lineales est inherentemente restringido a espacios de bsqueda convexos. J. Paredis [34], desarrolla una tcnica que permite manejar restricciones y objetivos por separado (existen varias tcnicas basadas en este tema). La tcnica desarrollada se basa en un modelo co-evolutivo, es decir, un modelo con ms de una poblacin, donde la aptitud de un individuo en una poblacin depende del estado de evolucin de la otra, donde una poblacin de soluciones posibles co-evoluciona con una poblacin de restricciones. Schoenauer y Xanthakis [35], propusieron otra tcnica llamada Behavioural Memory en las que las restricciones se manejan en un cierto orden en particular. Este mtodo requiere que se imponga un orden lineal en todas las restricciones, y aparentemente, este orden de procesamiento de las restricciones afectan los resultados producidos por el algoritmo. Schoenauer y Xanthakis tambin recomendaron el uso de un esquema para mantener diversidad en la poblacin (codificacin binaria), lo cual incrementa el nmero de parmetros requeridos por el algoritmo, adems de requerirse el llamado umbral de cambio y orden adecuado para las restricciones. [36], propusieron una tcnica en la que el
Homaifar Lai y Qi
usuario define varios niveles de violacin y se elige un coeficiente de penalizacin para cada uno de estos niveles, de manera que ste se incremente conforme alcanza niveles ms elevados de violacin. El principal inconveniente de esta tcnica es que requiere un nmero muy elevado de parmetros. Para m restricciones, se requieren m (2 l + 1) parmetros en total, donde l es el nmero de niveles definidos. Es decir, que si se tiene, cinco restricciones y tres niveles, necesitaramos treinta y
32
Capitulo 1
Introduccin
cinco parmetros, lo cual resulta muy elevado considerando lo pequeo de este problema. [37], incorporaron una regla para procesar
Powell y Skolnick
soluciones infactibles. El concepto fundamental de esta tcnica es que se supone la superioridad de las soluciones factibles sobre las infactibles y, mientras esa suposicin sea cierta se espera que la tcnica tenga un buen desempeo, sin embargo, en casos en los que la proporcin entre la regin factible y todo el espacio de bsqueda es muy pequea la tcnica falla, a menos que se introduzca un punto factible en la poblacin inicial. [38], usaron un Algoritmo Gentico hbrido que
Adeli y Cheng
integra una funcin de penalizacin con un mtodo de programacin matemtico que utilizaron para optimizar armaduras. Esta tcnica se basa en la minimizacin secuencial del mtodo de Lagrange y su objetivo es eliminar las dificultades de la impredictibilidad de los valores de penalizacin, fcil de hacer. Le Riche, C. Knopf-Lenoir y R. T. Haftka [39], disearon un Algoritmo Gentico segregado que usa dos parmetros de penalizacin (para cada restriccin) en vez de uno; estos dos valores pretenden lograr un balance entre los factores de penalizacin moderados y los altos, manteniendo para ello dos subpoblaciones de individuos. La poblacin original se divide en dos grupos cooperativos de tal forma que los individuos de cada grupo se evalen usando cualquiera de los parmetros de penalizacin. La idea es combinar estas dos subpoblaciones en una sola y mezclar los individuos factibles con los infactibles. Se usa en forma adicional, un esquema de jerarquizacin lineal para decrementar la presin de seleccin que podra provocar convergencia prematura. no obstante la definicin de los multiplicadores Lagrangeanos apropiados para un problema no es, en general, algo obvio o
33
Capitulo 1
Introduccin
El problema de esta tcnica es nuevamente la forma de elegir los factores de penalizacin para cada una de las dos subpoblaciones y aunque los autores proporcionan algunos lineamientos para definir estos valores, tambin admiten que es difcil producir valores genricos que funcionen con cualquier tipo de problema. presenta tcnicas de
M.
Srinivas,
Lalit
M.
Patnaik
[40],
implementacin en programas para computadores personales de un AG, adems, indica la forma de estimar los parmetros que componen estos AG. M. Valenzuela, E. Uriste Charre [41], indican el proceso terico para la implementacin de un AG que posee una funcin con caractersticas de multiobjetivo.
R. Smith [42],
entrega un Algoritmo Gentico implementado en
lenguaje C, incluyendo comentarios explicativos con el fin de hacer fcil toda modificacin a este programa.
T. Bckie, L. Thiele [43], presenta y compara las distintas tcnicas de seleccin aplicadas en los AG. Se entregan adems las definiciones tericas de dichos mtodos.
34
Capitulo 1
Introduccin
1.3.4
Planificacin y Configuracin.
El tema de configuracin de una red de distribucin est bastante documentado, pero principalmente en el tema de reconfiguracin. Existen diversos estudios considerando distintas tcnicas y aportes de investigadores para la planificacin, configuracin y reconfiguracin de un sistema radial. Algunas tcnicas presentes en estos estudios son:
Heursticas:
Han
sido
propuestas
para
encontrar
soluciones
cercanas a la ptima con bajos tiempos de simulacin. Permiten encontrar un ptimo local, pero no necesariamente un ptimo global.
Programacin
matemtica:
Se
utiliza
principalmente
para
la
planeacin de operacin y expansin. La tcnica mas conocida es la programacin lineal en la cual el objetivo principal es reducir los costos de capital para la construccin de un sistema nuevo o la expansin de uno existente. En lo que respecta a reconfiguracin con este mtodo se puede asimilar a un problema de transporte.
Lgica
Difusa:
Se
ocupa
en
combinacin
con
los
mtodos
heursticas, estos ltimos permiten orientar la bsqueda. Esta tcnica parte de un sistema ya enmallado y las decisiones se toman para retornar a una red radial con menores prdidas que las iniciales.
Utilizando Sistemas Expertos: Se basa en el conocimiento del operador de la red. Para el caso de reconfiguracin se utiliza como apoyo en la toma de decisiones del operador y no para la toma de decisiones en forma autnoma.
35
Capitulo 1
Introduccin
Redes Neuronales: Partiendo de una estructura de red, se adiestra a las redes neuronales con ejemplos que se encuentran dentro de los algoritmos de aprendizaje, los cuales permiten encontrar los factores de peso de interconexin de las neuronas que luego son utilizadas para evaluar las posibles soluciones de reconfiguracin. Esta tcnica se ha usado para la reduccin de prdidas y no garantiza un ptimo global.
Enfriamiento Simulado: Comienza evaluando las prdidas iniciales del sistema para luego generar una configuracin, la cual debe cumplir ciertas restricciones del tipo operativo, esta validacin se realiza mediante flujo de carga.
Algoritmos Genticos: Se basan en los mecanismos de seleccin y gentica natural. Este mtodo ser analizado con mayor detencin en el captulo 2.
S.
Jonnavithula,
P.
Billinton
[44],
presentan
una
nueva
aproximacin para la ruta ptima en redes en la planificacin de la distribucin. El problema de la planificacin el ruteo en las redes de distribucin se formula como un problema de optimizacin no diferenciable con restricciones no lineales. El objetivo principal es minimizar el costo total, el cual es la suma de los costos de confiabilidad, prdidas resistivas en los alimentadores, instalaciones y costos de mantencin. Fortaleciendo la simulacin, la que es en general proyectada como un algoritmo de optimizacin combinacional, se usa para obtener una solucin global ptima del problema.
36
Capitulo 1
Introduccin
S. Goswami [45], este autor informa en 1997 el desarrollo de un nuevo algoritmo para la planificacin de sistemas de distribucin radiales. El algoritmo est basado en la tcnica de intercambio de rama. El intercambio de ramas se aplica en dos etapas: entre los elementos de la red bajo cada subestacin, llamada intercambio de rama intrazona y entre elementos de las redes adyacentes a cada subestacin, llamada intercambio de ramas interzona. Los cambios intrazona determinan la configuracin ptima de la red de cada subestacin y los interzona determinan el rea de servicio ptima de cada subestacin. Se requiere un flujo de potencia completo despus de cada cambio de rama. Se propone tambin un nuevo algoritmo de flujo de potencia para redes de distribucin radiales. El algoritmo no est basado en el esquema de numerar nudos y ramas y puede manejar un gran nmero de zonas, por lo tanto es particularmente adecuado para la planificacin.
1.4
Objetivos del trabajo El problema general de localizacin de transformadores en una malla
de distribucin, consiste bsicamente, en determinar el tamao y ubicacin, de modo que todos los nodos reciban alimentacin de la forma ms ptima. El presente estudio busca obtener un mtodo alternativo para la configuracin de sistemas radiales mediante algoritmos genticos, que permitan optimizar la posicin del transformador y luego configurar el enmallado radial minimizando los costos de transporte.
37
Capitulo 1
Introduccin
Los objetivos especficos del estudio son los siguientes: Plantear y desarrollar una metodologa que entregue una alternativa de solucin para el problema de localizacin de transformadores de distribucin. Desarrollar un modelo computacional mediante Ags que permita obtener adecuadas soluciones para el problema de configuracin del sistema radial. Desarrollar un modelo que permita obtener de una manera simple, la solucin ms adecuada dentro de una carpeta de soluciones. Obtener un correcto dimensionamiento del o los transformadores a utilizar. Lograr un correcto dimensionamiento del cableado a utilizar. Reducir los costos asociados al transporte de energa.
38
Capitulo 2
Algoritmos Genticos
CAPITULO 2
Algoritmos Genticos
Los algoritmos genticos [46] estn basados en los procesos evolutivos de los organismos vivos. Segn la teora de Darwin, las especies evolucionan acorde al medio para lograr adaptarse al mismo, adems contempla que a lo largo de las generaciones los individuos41234se encuentran en constante competencia y evolucin para lograr perpetuar su especie y linaje. En resumen, la existencia de una especie pasa a ser algo dinmico, las especies se crean, evolucionan, se adaptan o desaparecen. En la naturaleza esto ocurre con el simple filtro de que solo los mejores, los mas aptos, los que mejor se adapten al medio consiguen sobrevivir y perpetuar su especie y linaje. Los algoritmos genticos nos presentan una imitacin del proceso creando soluciones para problemas del mundo real, la evolucin de dichas soluciones hacia valores ptimos depende de la adecuada codificacin de las mismas. Los algoritmos genticos trabajan con una poblacin de individuos en que cada uno de los cuales representa una solucin factible a un problema dado.
Los algoritmos enfocados a una optimizacin numrica, se resuelven mediante:
Tcnicas que rechazan a los individuos infactibles Tcnicas que mantienen una poblacin factible mediante uso de representaciones y operadores genticos especiales.
Tcnicas que separan a los objetivos y las restricciones. Tcnicas que penalizan a los individuos infactibles.
2 3 4
Un solo miembro de una poblacin
39
Capitulo 2
Algoritmos Genticos
En general, los algoritmos genticos son mtodos adaptativos, usados para resolver problemas de bsqueda y optimizacin, entre otros, los algoritmos de bsqueda abarcan prcticamente todo algoritmo para resolver problemas en forma automtica. Se habla de bsqueda cuando hay que encontrar informacin, siguiendo un determinado criterio dentro de un conjunto de datos almacenados; sin embargo, aqu nos referiremos a otro tipo de algoritmos de bsqueda, aquellos que, dado el espacio de todas las posibles soluciones a un problema y partiendo de una solucin inicial, son capaces de encontrar la solucin mejor o la nica.
Los algoritmos genticos trabajan modificando repetidamente una poblacin compuesta por estructuras artificiales a travs de la aplicacin de operadores genticos.
2.1
Races de los algoritmos genticos.
Los primeros ejemplos de lo que hoy podramos llamar algoritmos genticos aparecieron a finales de los 50 y principios de los 60, programados en computadoras por bilogos evolutivos que buscaban explcitamente realizar modelos de aspectos de la evolucin natural. A ninguno de ellos se le ocurri que esta estrategia podra aplicarse de manera ms general a los problemas artificiales, pero ese reconocimiento no tardara en llegar: La computacin evolutiva estaba definitivamente en el aire en los das formativos de la computadora electrnica (Mitchell 1996). En 1962, investigadores como George E.P. Box, G.J. Friedman, W.W. Bledsoe y H.J. algoritmos Bremermann inspirados en haban la desarrollado para
independientemente
evolucin
optimizacin de funciones y aprendizaje automtico, pero sus trabajos generaron poca reaccin. En 1965 surgi un desarrollo ms exitoso, cuando Ingo Rechenberg, entonces, de la Universidad Tcnica de Berln, 40
Capitulo 2
Algoritmos Genticos
introdujo una tcnica que llam estrategia evolutiva, aunque se pareca ms a los trepacolinas5 que a los algoritmos genticos. En esta tcnica no haba poblacin ni cruzamiento; un padre mutaba para producir un descendiente y se conservaba el mejor de los dos, convirtindose en el padre de la siguiente ronda de mutacin, versiones posteriores
introdujeron la idea de poblacin. Las estrategias evolutivas todava se emplean hoy en da por ingenieros y cientficos sobre todo en Alemania. El siguiente desarrollo importante llego en 1966, cuando L.J. Fogel, A.J. Owens y M.J. Walsh introdujeron en Amrica una tcnica que llamaron programacin evolutiva. En este mtodo, las soluciones
candidatas para los problemas se representaban como mquinas de estado finito sencillas, al igual que en la estrategia evolutiva de Rechenberg, su algoritmo funcionaba mutando aleatoriamente una de estas mquinas simuladas y conservando la mejor de las dos. Tambin, al igual que las estrategias evolutivas hoy en da existe una formulacin ms amplia de la tcnica de programacin evolutiva que todava es un rea de investigacin en curso, sin embargo, lo que todava faltaba en estas dos metodologas era el reconocimiento de la importancia del cruzamiento. En una fecha tan temprana como 1962, el trabajo de John Holland sobre sistemas adaptativos estableci las bases para desarrollos
posteriores y lo que es ms importante, Holland fue tambin el primero en proponer explcitamente el cruzamiento y otros operadores de
recombinacin. Sin embargo, el trabajo fundamental en el campo de los algoritmos genticos apareci en 1975 con la publicacin del libro Adaptacin en Sistemas Naturales y Artificiales, basado en
investigaciones y papers anteriores del propio Holland y de otros
Un trepacolinas es un algoritmo que comienza en un punto dado del paisaje y se mueve inexorablemente colina arriba). El algoritmo de ascenso a colina es lo que se conoce como algoritmo voraz, lo que significa que siempre hace la mejor eleccin disponible en cada paso, con la esperanza de que de esta manera se puede obtener el mejor resultado global.
41
Capitulo 2
Algoritmos Genticos
investigadores de la Universidad de Michigan, este libro fue el primero en presentar sistemtica y rigurosamente el concepto de sistemas digitales adaptativos utilizando la mutacin, la seleccin y el cruzamiento, simulando el proceso de la evolucin biolgica como estrategia para resolver problemas. El libro tambin intent colocar los algoritmos genticos sobre una base terica firme introduciendo el concepto de esquema. Ese mismo ao, la importante tesis de Kenneth De Jong estableci el potencial de los AGs demostrando que podan desenvolverse bien en una amplia variedad de funciones de prueba, incluyendo paisajes de bsqueda ruidosos, discontinuos y multimodales. Estos trabajos establecieron un inters ms generalizado en la programacin evolutiva. Entre principios y mediados de los 80, los algoritmos genticos se estaban aplicando en una amplia variedad de reas, desde problemas matemticos abstractos como el problema de la mochila6 (bin-packing), la coloracin de grafos hasta asuntos tangibles de ingeniera como el control de flujo en una lnea de ensamble,
reconocimiento y clasificacin de patrones y optimizacin estructural. Al principio, estas aplicaciones eran principalmente tericas. No obstante, al seguir proliferando la investigacin, los algoritmos genticos migraron hacia el sector comercial al cobrar importancia con el crecimiento exponencial de la potencia de computacin y el desarrollo de Internet. Hoy en da, la computacin evolutiva es un campo floreciente y los algoritmos genticos estn resolviendo problemas de inters cotidiano en reas de estudio tan diversas como la prediccin en la bolsa, planificacin de la cartera de valores, ingeniera aeroespacial, diseo de
El problema de la mochila consiste en llenar una mochila con una serie de objetos que tienen una serie de pesos con un valor asociado. Es decir, se dispone de n tipos de objetos y que no hay un nmero limitado de cada tipo de objeto (si fuera limitado no cambia mucho el problema). Cada tipo i de objeto tiene un peso wi positivo y un valor vi positivo asociados. La mochila tiene una capacidad de peso igual a W. Se trata de llenar la mochila de tal manera que se maximice el valor de los objetos incluidos, pero respetando al mismo tiempo la restriccin de capacidad.
42
Capitulo 2
Algoritmos Genticos
microchips, bioqumica y biologa molecular, diseo de horarios en aeropuertos y lneas de montaje. La potencia de la evolucin ha tocado, en forma virtual, cualquier campo que uno pueda nombrar, modelando invisiblemente el mundo que nos rodea de incontables maneras y siguen descubrindose nuevos usos, mientras la investigacin sigue su curso. En el corazn de todo esto se halla nada ms que la simple y poderosa idea de Charles Darwin: que el azar en la variacin junto con la ley de la seleccin, es una tcnica de resolucin de problemas de inmenso poder y de aplicacin casi ilimitada.
2.2
Ventajas de los Algoritmos Genticos El primer y ms importante punto es que los algoritmos genticos
son intrnsecamente paralelos, la mayora de los otros algoritmos son en serie y slo pueden explorar el espacio de soluciones hacia una solucin nica, en una direccin al mismo tiempo y si la solucin que descubren resulta sub-ptima, no se puede hacer otra cosa que abandonar todo el trabajo hecho y empezar de nuevo. Por lo tanto, como los AGs tienen descendencia mltiple, pueden explorar el espacio de soluciones en mltiples direcciones a la vez. Si un camino resulta ser un callejn sin salida pueden eliminarlo fcilmente y continuar el trabajo en avenidas ms prometedoras, dndoles una mayor probabilidad en cada ejecucin de encontrar la solucin. Sin embargo, la ventaja del paralelismo va ms all de esto. Considere lo siguiente: todas las cadenas binarias (cadenas de ceros y unos) de 8 dgitos forman un espacio de bsqueda, que puede representarse como ******** (donde * significa 0 1). La cadena 01101010 es un miembro de este espacio, por lo que, tambin es un miembro del espacio 0*******, del espacio 01******, del espacio 0******0, del 43
Capitulo 2
Algoritmos Genticos
espacio 0*1*1*1*, del espacio 10*01**0, etctera. Evaluando la aptitud de esta cadena particular, un algoritmo gentico estara sondeando cada uno de los espacios a los que pertenece. Tras muchas evaluaciones ira obteniendo un valor cada vez ms preciso de la aptitud media de cada uno de estos espacios, cada uno de los cuales contiene muchos miembros, por tanto, un AG que evale explcitamente un nmero pequeo de individuos est evaluando implcitamente un grupo de individuos mucho ms grande de la misma manera que un encuestador que le hace preguntas a un cierto miembro de un grupo tnico, religioso o social espera aprender algo acerca de las opiniones de todos los miembros de ese grupo, por tanto, puede predecir de forma fiable la opinin nacional sondeando slo un pequeo porcentaje de la poblacin. As tambin, el AG puede dirigirse hacia el espacio con los individuos ms aptos y encontrar el mejor de ese grupo, en el contexto de los algoritmos evolutivos, esto, se conoce como teorema del esquema y es la ventaja principal de los AGs sobre otros mtodos de resolucin de problemas.
Debido al paralelismo que les permite evaluar implcitamente esquemas a la vez, los algoritmos genticos funcionan
muchos
particularmente bien, resolviendo problemas cuyo espacio de soluciones potenciales es realmente grande, demasiado vasto para hacer una bsqueda exhaustiva en un tiempo razonable, la mayora de los problemas que caen en esta categora se conocen como no lineales. En un problema lineal, la aptitud de cada componente es independiente, por lo que cualquier mejora en alguna parte dar como resultado una optimizacin en el sistema completo, no es necesario decir que hay pocos problemas como ste en la vida real. La no linealidad es la norma donde cambiar un componente puede tener efectos en cadena en todo el sistema y donde cambios mltiples que, individualmente, son perjudiciales, en
combinacin pueden conducir hacia mejoras en la aptitud mucho mayores. La no linealidad produce una explosin combinatoria: el espacio 44
Capitulo 2
Algoritmos Genticos
de cadenas binarias de 1.000 dgitos pueden examinarse en forma exhaustiva evaluando slo 2.000 posibilidades si el problema es lineal, mientras que si no es lineal, una bsqueda exhaustiva requiere evaluar 21.000 posibilidades un nmero que, escrito, ocupara ms de 300 dgitos.
Afortunadamente, el paralelismo implcito de los AGs les permite superar, incluso, este enorme nmero de posibilidades y encontrar con xito resultados ptimos o muy buenos en un corto perodo de tiempo, tras muestrear directamente slo regiones pequeas del vasto paisaje
adaptativo. Por ejemplo, un algoritmo gentico desarrollado en comn por ingenieros de General Electric y el Rensselaer Polytechnic Institute, produjo el diseo de la turbina de un motor a reaccin de altas prestaciones que era tres veces mejor que la configuracin diseada por humanos y un 50% mejor que una configuracin diseada por un sistema experto que recorri con xito un espacio de soluciones que contena ms de 10.387 posibilidades. Los mtodos convencionales para disear estas turbinas son una parte fundamental de proyectos de ingeniera que pueden durar hasta cinco aos y costar ms de 2.000 millones de dlares; el algoritmo gentico descubri esta solucin en dos das en una estacin de trabajo de escritorio tpica en ingeniera. Otra ventaja notable de los algoritmos genticos es que se desenvuelven bien en problemas con un paisaje adaptativo complejo, es decir, aquellos en los que la funcin de aptitud buscada es discontinua, ruidosa, cambia con el tiempo, o posee muchos ptimos locales. La mayora de los problemas prcticos tienen un espacio de soluciones enorme, imposible de explorar exhaustivamente, el reto se convierte entonces, en cmo evitar los ptimos locales, soluciones que son mejores que todas las que son similares a ella, pero que no son mejores que otras soluciones distintas situadas en algn otro lugar del espacio de soluciones. Muchos algoritmos de bsqueda pueden quedar atrapados en 45
Capitulo 2
Algoritmos Genticos
los ptimos locales: si llegan a lo alto de una colina del paisaje adaptativo descubrirn que no existen soluciones mejores en las cercanas y concluirn que han alcanzado la mejor de todas, aunque existan picos ms altos en algn otro lugar del mapa. Los algoritmos evolutivos, por otro lado, han demostrado su efectividad al escapar de los ptimos locales y descubrir el ptimo global, incluso en paisajes adaptativos muy escabrosos y complejos; (debe decirse que en la realidad, a menudo no hay manera de decir si una cierta solucin a un problema es el ptimo global o slo un ptimo local muy alto, sin embargo, aunque un AG no devuelva siempre una solucin perfecta y demostrable a un problema, casi siempre puede devolver al menos una muy buena solucin). Los cuatro componentes principales de los AGs; paralelismo, seleccin, mutacin y cruzamiento trabajan juntos para conseguir esto, al principio el AG genera una poblacin inicial diversa lanzando una red sobre el paisaje adaptativo, esto se compara con un ejrcito de paracadistas cayendo sobre el paisaje del espacio de bsqueda de un problema, cada uno de ellos con rdenes de buscar el pico ms alto. Pequeas mutaciones permiten a cada individuo explorar sus
proximidades mientras que la seleccin enfoca el progreso guiando a la descendencia del algoritmo cuesta arriba hacia zonas ms prometedoras del espacio de soluciones. Sin embargo, el cruzamiento es el elemento clave que distingue a los algoritmos genticos de los otros mtodos como los "trepacolinas" y el recocido simulado7. Sin el cruzamiento, cada solucin individual va por su cuenta explorando el espacio de bsqueda en sus inmediaciones, sin referencia de lo que el resto de individuos puedan haber descubierto.
El recocido simulado es una tcnica que permite usar la aleatoriedad para, en ocasiones, hacer movimientos en la direccin incorrecta. Est basado en una analoga fsica: el enfriamiento de un material a un "estado fundamental". Converge en la solucin ptima bajo las condiciones adecuadas.
46
Capitulo 2
Algoritmos Genticos
Aun as, con el cruzamiento en juego hay una transferencia de informacin entre los candidatos prsperos, los individuos pueden beneficiarse de lo que otros han aprendido y los esquemas pueden mezclarse y combinarse con el potencial de producir una descendencia que tenga las virtudes de sus dos padres y ninguna de sus debilidades. Este punto analiza el problema de sintetizar un filtro de paso bajo utilizando programacin gentica. En una generacin se seleccionaron dos circuitos progenitores para llevar a cabo el cruzamiento, un padre tena una buena topologa (componentes como inductores y condensadores colocados en el sitio correcto), pero malos tamaos (valores demasiado bajos de
inductancia y capacidad para los componentes); el otro padre tena mala topologa pero buenos tamaos. El resultado de aparearlos mediante cruzamiento fue una descendencia con la buena topologa de un padre y los buenos tamaos del otro, dando como resultado una mejora sustancial de la aptitud sobre sus dos padres. El problema de encontrar el ptimo global en un espacio con muchos ptimos locales se conoce tambin como el dilema de la exploracin versus explotacin, un problema clsico de todos los sistemas que pueden adaptarse y aprender, una vez que un algoritmo o un diseador humano, ha encontrado una estrategia para resolver problemas que parecen funcionar satisfactoriamente. Abandonar una estrategia de probada solvencia para buscar otras nuevas, casi garantiza que supondr una prdida y degradacin del rendimiento, al menos a corto plazo, pero si uno se queda con una estrategia particular, excluyendo a todas las dems, corre el riesgo de no descubrir estrategias mejores que existen, pero que no se han encontrado. De nuevo, los algoritmos genticos han demostrado ser muy buenos en dar con este equilibrio y descubrir buenas soluciones en un tiempo y esfuerzo computacional razonables.
47
Capitulo 2
Algoritmos Genticos
Otra rea en el que destacan los algoritmos genticos es su habilidad para manipular muchos parmetros simultneamente. Muchos problemas de la vida real no pueden definirse en trminos de un nico valor que hay que minimizar o maximizar, sino que deben expresarse en trminos de mltiples objetivos, a menudo involucrando contrapartidas, uno slo puede mejorar a expensas de otro. Los AGs son muy buenos resolviendo estos problemas, en particular, su uso del paralelismo les permite producir mltiples soluciones, igualmente buenas al mismo problema, donde una posible solucin candidata optimiza un parmetro y otra candidata optimiza uno distinto, luego, un supervisor humano puede seleccionar una de esas candidatas para su utilizacin. Si una solucin particular a un problema con mltiples objetivos optimiza un parmetro hasta el punto en el que ese parmetro no puede mejorarse ms sin causar una
correspondiente prdida de calidad en algn otro parmetro, esa solucin se llama ptimo paretiano8 o no dominada. Finalmente, una de las cualidades de los algoritmos genticos que a primera vista puede parecer un desastre, resulta ser una de sus ventajas: a saber, los AGs no conocen nada de los problemas que deben resolver, en lugar de utilizar informacin especfica conocida a priori para guiar cada paso y realizar cambios con un objetivo de mejoramiento como hacen los diseadores humanos, realizan cambios aleatorios en sus soluciones candidatas, para luego utilizar la funcin de aptitud para determinar si esos cambios producen una mejora. La virtud de esta tcnica es que permite a los algoritmos genticos comenzar con una mente abierta, por as decirlo. Como sus decisiones estn basadas en la aleatoriedad todos los caminos de bsqueda posibles estn abiertos tericamente a un AG; en contraste, cualquier estrategia de resolucin de problemas que dependa de un conocimiento previo, debe
Un ptimo paretiano es una situacin en la que nadie puede conseguir un aumento en su utilidad total sin que ello implique disminucin en la utilidad de otro.
8
48
Capitulo 2
Algoritmos Genticos
inevitablemente
comenzar
descartando
muchos
caminos
priori,
perdiendo as cualquier solucin novedosa que pueda existir. Los AGs, al carecer de ideas preconcebidas basadas en creencias establecidas sobre cmo deben hacerse las cosas o sobre lo que de ninguna manera podra funcionar, los AGs no tienen este problema. De manera similar, cualquier tcnica que dependa de conocimiento previo fracasar cuando no est disponible tal conocimiento, por la pero los AGs no sus se ven afectados de
negativamente
ignorancia.
Mediante
componentes
paralelismo, cruzamiento y mutacin, pueden viajar extensamente por el paisaje adaptativo, explorando regiones que algoritmos producidos con inteligencia podran no haber tenido en cuenta y revelando potencialmente soluciones de asombrosa e inesperada creatividad que podran no habrseles ocurrido nunca a los diseadores humanos. Un ejemplo muy grfico de esto es, el redescubrimiento mediante la programacin gentica del concepto de retroalimentacin negativa9, un principio crucial para muchos componentes electrnicos importantes de hoy en da, pero un concepto que, cuando fue descubierto en primera instancia, se le deneg una patente de nueve aos porque el concepto era demasiado contrario a las creencias establecidas, por supuesto, los algoritmos evolutivos no estn enterados ni preocupados de si una solucin va en contra de las creencias establecidas, slo de si funciona.
Retroalimentacin Negativa (acordado por la NFB) es un tipo de retroalimentacin en el cual el sistema responde en una direccin opuesta a la perturbacin. Es un proceso de retroactuar de la entrada a la parte de una salida de sistema, para invertir la direccin del cambio de la salida. Esto tiende para guardar la salida, as que esta se est estabilizando y procura mantener condiciones constantes. Esto da lugar a menudo a equilibrio (en ciencia fsica) o a homeostasis (en biologa) tales que el sistema volver a su punto de inicio original automticamente.
49
Capitulo 2
Algoritmos Genticos
2.3
Desventaja de los Algoritmos Genticos Aunque los algoritmos genticos han demostrado su eficiencia y
potencia como estrategia de resolucin de problemas no son la panacea. Los AGs tienen ciertas limitaciones; sin embargo, se demostrar que todas ellas pueden superarse y que ninguna de ellas afecta a la validez de la evolucin biolgica. La primera y ms importante consideracin al crear un algoritmo gentico es definir una representacin del problema. El lenguaje utilizado para especificar soluciones candidatas debe ser robusto, es decir, debe ser capaz de tolerar cambios aleatorios que no produzcan constantemente errores fatales o resultados sin sentido. Hay dos maneras principales para conseguir esto, la primera, utilizada por la mayora de los algoritmos genticos es definir a los individuos como listas de nmeros binarios, enteros o reales, donde cada nmero representa algn aspecto de la solucin candidata. Si los individuos son cadenas binarias, un 0 1 podra significar la ausencia o presencia de una cierta caracterstica. Si son listas de nmeros, stos podran representar muchas cosas distintas: los pesos de las conexiones en una red neuronal, el orden de las ciudades visitadas en un recorrido dado, la situacin espacial de componentes electrnicos, los valores con los que se alimenta a un controlador, los ngulos de torsin de los enlaces pptidos10 de una protena, etc. As, la mutacin implica cambiar estos nmeros, cambiar bits o sumar o restar valores aleatorios, en este caso, el propio cdigo del programa no cambia, el cdigo es lo que dirige la simulacin y hace un seguimiento de los individuos evaluando sus aptitudes y quizs asegurando que slo se producen valores realistas y posibles para el problema dado.
Los pptidos son cadenas lineales de aminocidos enlazados por enlaces qumicos de tipo amdico a los que se denomina Enlace Peptdico
10
50
Capitulo 2
Algoritmos Genticos
El problema de representar a las soluciones candidatas de manera robusta no surge en la naturaleza, porque el mtodo de representacin utilizado por la evolucin, a saber, el cdigo gentico, es inherentemente robusto, con muy pocas excepciones, como una cadena de codones11 de parada, no existe una secuencia de bases de ADN que no pueda traducirse en una protena. Por lo tanto, virtualmente, cualquier cambio en los genes de un individuo siempre producir un resultado inteligible y por tanto, las mutaciones en la evolucin tienen mayor probabilidad de producir una mejora. Esto entra en contraste con los lenguajes creados por el hombre, como el ingls, donde el nmero de palabras con significado es pequeo comparado con el nmero total de formas en las que se pueden combinar las letras del alfabeto, y por eso, es probable que un cambio aleatorio en una frase en ingls produzca un sin sentido. El problema de cmo escribir la funcin de aptitud, debe
considerarse cuidadosamente para que se pueda alcanzar una mayor aptitud y verdaderamente signifique una solucin mejor para el problema dado. Si se elige mal una funcin de aptitud o se define de manera inexacta, puede que el algoritmo gentico sea incapaz de encontrar una solucin al problema o puede acabar resolviendo el problema en forma, equivocada. Esta ltima situacin se describe a veces como la tendencia del AG a engaar, aunque en realidad lo que est pasando es que el AG est haciendo lo que se le pidi hacer, no lo que sus creadores pretendan que hiciera. Un ejemplo de esto fue cuando, unos investigadores utilizaron un algoritmo evolutivo en conjuncin con una serie de chips
reprogramables, haciendo que la funcin de aptitud recompensara al circuito en evolucin por dar como salida una seal oscilatoria. Al final del experimento se produca, efectivamente, una seal oscilatoria, pero en lugar de actuar como un osculador12, como pretendan los investigadores,
11 12
Una cadenas de codones corresponde a un gen del ADN Osculador o plano osculador se refiere al plano que hace tangencia en un punto a una superficie curva.
51
Capitulo 2
Algoritmos Genticos
descubrieron que el circuito se haba convertido en un receptor de radio que estaba recibiendo y retransmitiendo una seal oscilatoria de un componente electrnico cercano. Sin embargo, esto no es un problema en la naturaleza. En el laboratorio de la evolucin biolgica slo hay una funcin de aptitud que es igual para todos los seres vivos, la carrera por sobrevivir y reproducirse, sin importar qu adaptaciones hagan esto posible. Los organismos que se reproducen con ms abundancia que sus competidores estn ms adaptados, los que fracasan en reproducirse simplemente no lo estn. Adems, de elegir bien la funcin de aptitud, tambin deben escogerse cuidadosamente los otros parmetros de un AG, el tamao de la poblacin, el ritmo de mutacin y cruzamiento, el tipo y fuerza de la seleccin. Si el tamao de la poblacin es demasiado pequeo, puede que el algoritmo gentico no explore en forma suficiente el espacio de soluciones para encontrar las ms consistentes. Si el ritmo de cambio gentico es demasiado alto o el sistema de seleccin se escoge inadecuadamente, puede alterarse el desarrollo de esquemas beneficiosos y la poblacin puede entrar en una catstrofe de errores al cambiar demasiado rpido para que la seleccin llegue a producir convergencia. Los seres vivos tambin se enfrentan a dificultades similares y la evolucin se ha encargado de ellas. Es cierto que si el tamao de una poblacin cae hacia un valor muy bajo, los ritmos de mutacin son muy altos o la presin selectiva es demasiado fuerte, una situacin as podra ser resultado de un cambio ambiental drstico, entonces la especie puede extinguirse. La solucin ha sido la evolucin, es decir, las modificaciones que alteran la habilidad de una especie para adaptarse. Por ejemplo, la mayora de los seres vivos han evolucionado de manera tal, que poseen una elaborada maquinaria celular que comprueba y corrige errores durante el proceso de replicacin del ADN, manteniendo su ritmo de 52
Capitulo 2
Algoritmos Genticos
mutacin a unos niveles aceptablemente bajos; a la inversa, en tiempos de fuerte presin ambiental, algunas especies de bacterias entran en un estado de hipermutacin, en que el ritmo de errores en la replicacin del ADN aumenta bruscamente, aumentando la probabilidad de que se descubrir una mutacin compensatoria. Por supuesto, no pueden eludirse todas las catstrofes, pero la enorme diversidad y las
adaptaciones altamente complejas de los seres vivos actuales muestran que, en general, la evolucin es una estrategia exitosa. As tambien, las aplicaciones diversas y los impresionantes resultados de los algoritmos genticos demuestran que son un campo de estudio poderoso y que merece la pena investigar y desarrollar. Un problema con el que los algoritmos genticos tienen dificultades son los problemas con las funciones de aptitud engaosas, en las que la situacin de los puntos mejorados ofrecen informacin engaosa sobre dnde se encuentra probablemente el ptimo global. Por ejemplo, imagine un problema en que el espacio de bsqueda est compuesto por todas las cadenas binarias de ocho caracteres y en el que la aptitud de cada individuo sea directamente proporcional al nmero de unos en l, es decir, 00000001 sera menos apto que 00000011, que sera menos apto que 00000111, etc. con dos excepciones: la cadena 11111111 resulta tener una aptitud muy baja, y la cadena 00000000 resulta tener una aptitud muy alta. En este problema, un AG al igual que la mayora de los algoritmos no tendra ms probabilidad de encontrar un ptimo global que una bsqueda aleatoria. La solucin a este problema es la misma para los algoritmos genticos y la evolucin biolgica, la evolucin no es un proceso que deba encontrar siempre el ptimo global, puede funcionar casi igual de bien, alcanzando la cima de un ptimo local alto y para la mayora de las situaciones, eso ser suficiente, incluso aunque el ptimo global no pueda 53
Capitulo 2
Algoritmos Genticos
alcanzarse fcilmente desde ese punto. La evolucin es como un satisfactor, un algoritmo que entrega una solucin suficientemente buena, aunque no necesariamente la mejor solucin posible, dada una cantidad razonable de tiempo y esfuerzo invertidos en la bsqueda. Adems, hay que tener en cuenta que pocos o ningn problema real es tan engaoso como el ejemplo algo forzado dado arriba. Normalmente, la situacin de las mejoras locales proporciona alguna informacin sobre la situacin del ptimo global. Un problema muy conocido que puede surgir con un AG se conoce como convergencia prematura. Si un individuo que es ms apto que la mayora de sus competidores emerge muy pronto en el curso de la ejecucin, se puede reproducir tan abundantemente que merme la diversidad de la poblacin demasiado pronto, provocando que el algoritmo converga hacia el ptimo local que representa ese individuo, en lugar de rastrear el paisaje adaptativo; lo bastante a fondo, para encontrar el ptimo global. Esto es un problema muy comn en las poblaciones13 pequeas, donde incluso una variacin aleatoria en el ritmo de
reproduccin puede provocar que un genotipo14 se haga dominante sobre los otros. Los mtodos ms comunes implementados por los investigadores en AGs para solucionar este problema, implican controlar la fuerza selectiva para no proporcionar tanta ventaja a los individuos excesivamente aptos. La seleccin escalada por rango y por torneo (que se describirn mas adelante), son tres de los mtodos principales para conseguirlo, algunos mtodos de seleccin escalada son el escalado sigma, en el que la reproduccin se basa en una comparacin estadstica de la aptitud media de la poblacin y la seleccin de Boltzmann, en la que la fuerza selectiva
13 14
Se denomina poblacin a un grupo de individuos que puedan interactuar juntos, por ejemplo reproducirse. Genotipo: Conjunto o parte de la constitucin gentica de un individuo, describe un grupo de miembros que tienen los mismos genes.
54
Capitulo 2
Algoritmos Genticos
aumenta durante la ejecucin de manera similar a la variable temperatura en un aumento simulado. La convergencia prematura ocurre en la naturaleza, los bilogos la llaman deriva gentica, esto no debe sorprender como ya se dijo anteriormente, la evolucin, como estrategia de resolucin de problemas no est obligada a encontrar la mejor solucin, slo una que sea lo bastante buena. Aun ms, en la naturaleza, la convergencia prematura es menos comn, ya que la mayora de las mutaciones beneficiosas en los seres vivos slo producen mejoras en la aptitudes, pequeas e
incrementales, son raras las mutaciones que producen una ganancia de aptitud tan grande que otorgue a sus poseedores una drstica ventaja reproductiva. Finalmente, varios investigadores como Holland, Forrest, y Haupt aconsejan no utilizar algoritmos genticos en problemas resolubles de manera analtica. No es que los algoritmos genticos no puedan encontrar soluciones buenas para estos problemas, simplemente es que los mtodos analticos tradicionales consumen mucho menos tiempo y potencia computacional que los AGs , pero a la vez los AGs, a menudo, est demostrado matemticamente, que ofrecen la nica solucin exacta. Por supuesto, como no existe una solucin matemtica perfecta para ningn problema de adaptacin biolgica, este problema no aparece en la naturaleza.
55
Capitulo 2
Algoritmos Genticos
2.4
Funcionamiento de un Algoritmo Gentico El algoritmo gentico tiene como operador principal la cruza sexual y
como operador secundario la mutacin. El algoritmo bsico es el siguiente: Generar aleatoriamente una poblacin inicial. Calcular la aptitud de cada individuo mediante una funcin de evaluacin. Seleccionar probabilsticamente en base a su aptitud. Aplicar operadores genticos para generar la siguiente poblacin. Ciclar hasta que cierta condicin se satisfaga.
La representacin puede ser por cdigo gray, codificacin en nmeros reales, cdigo binario, etc., la ms utilizada es la binaria, ya que presenta ventajas con respecto a las otras representaciones, aunque tambin tiene sus desventajas. Un ejemplo sera:
Figura 2.1: Ejemplo de codificacin binario usada en Ags A la cadena binaria se le llama cromosoma, a cada posicin de la cadena se le denomina gen y al valor dentro de esta posicin se le llama alelo, la codificacin usada en el presente trabajo ser en nmeros reales.
56
Capitulo 2
Algoritmos Genticos
2.5
Mtodos de Representacin Antes de que un algoritmo gentico pueda ponerse a trabajar en un
problema, se necesita un mtodo para codificar las soluciones potenciales de este, de forma que una computadora pueda procesarlas. Un enfoque comn es lo explicado anteriormente, codificar las soluciones como cadenas binarias, secuencias de 1s y 0s, donde el dgito de cada posicin representa el valor de algn aspecto de la solucin. Otro mtodo similar consiste en codificar las soluciones como cadenas de enteros o nmeros decimales, donde cada posicin, vuelve nuevamente, representando algn aspecto particular de la solucin. Este mtodo permite una mayor precisin y complejidad que el mtodo comparativamente restringido de utilizar slo nmeros binarios y a menudo est intuitivamente ms cerca del espacio de problemas. Esta tcnica se utiliz, por ejemplo, en el trabajo de Steffen SchulzeKremer, que escribi un algoritmo gentico para predecir la estructura tridimensional de una protena, basndose en la secuencia de aminocidos que la componen. El AG de Schulze-Kremer utilizaba nmeros reales para representar los famosos ngulos de torsin entre los enlaces peptdicos que conectan a los aminocidos. Una protena est formada por una secuencia de bloques bsicos llamados aminocidos, que se conectan como los eslabones de una cadena, una vez que todos los aminocidos estn enlazados, la protena se dobla formando una compleja estructura tridimensional, basada en cules aminocidos se atraen entre ellos y cules se repelen. La forma de una protena determina su funcin. Los algoritmos genticos para entrenar a las redes neuronales tambin utilizan a menudo este mtodo de codificacin. Un tercer mtodo consiste en representar a los individuos de un AG como cadenas de letras, donde cada letra, nuevamente, representa un aspecto especfico de la solucin. Un ejemplo de esta tcnica es el mtodo 57
Capitulo 2
Algoritmos Genticos
basado en codificacin gramtica de Hiroaki Kitano, en el que a un AG se le encarg la tarea de evolucionar un sencillo conjunto de reglas llamadas gramtica libre de contexto, que a su vez se utilizaban para generar redes neuronales para una variedad de problemas. La virtud de estos tres mtodos es que facilitan la definicin de operadores que causen los cambios aleatorios en las candidatas
seleccionadas, cambiar un 0 por un 1 o viceversa, sumar o restar al valor de un nmero una cantidad elegida al azar, o cambiar una letra por otra. Otra estrategia desarrollada principalmente por John Koza, de la Universidad de Stanford y denominada programacin gentica, representa a los programas como estructuras de datos ramificadas llamadas rboles. En este mtodo, los cambios aleatorios pueden generarse cambiando el operador o alterando el valor de un cierto nodo del rbol o sustituyendo un sub-rbol por otro.
Figura 2.2 : rboles de programa del tipo utilizado normalmente en la programacin gentica. Muestra, adems, representacin matemtica que representa cada uno
58
Capitulo 2
Algoritmos Genticos
Es importante sealar que los algoritmos evolutivos no necesitan representar las soluciones candidatas como cadenas de datos de una longitud fija, algunos las representan de esta manera, pero otros no, por ejemplo, la codificacin gramatical de Kitano, puede escalarse
eficientemente para crear redes neuronales grandes y complejas y los rboles de programacin gentica de Koza pueden crecer en forma arbitraria, tanto como sea necesario para resolver cualquier problema que se les pida.
2.6
Mtodos de seleccin Un algoritmo gentico puede utilizar muchas tcnicas diferentes
para seleccionar a los individuos que deben copiarse hacia la siguiente generacin, ms adelante se listan algunos de los ms comunes. Algunos de estos mtodos son mutuamente exclusivos, pero otros pueden utilizarse en combinacin, algo que se hace a menudo.
Seleccin elitista: se garantiza la seleccin de los miembros ms aptos de cada generacin. (La mayora de los AGs no utilizan elitismo puro, sino que usan una forma modificada por la que el individuo mejor o algunos de los mejores, son copiados hacia la siguiente generacin en caso de que no surja nada mejor).
Seleccin proporcional a la aptitud: los individuos ms aptos tienen ms probabilidad de ser seleccionados, pero no con la mayor certeza.
Seleccin por rueda de ruleta: una forma de seleccin proporcional a la aptitud en la que la probabilidad de que un individuo sea seleccionado es proporcional a la diferencia entre su aptitud y la de sus competidores. (Conceptualmente esto puede representarse como un juego de ruleta, cada individuo obtiene una seccin de la ruleta, 59
Capitulo 2
Algoritmos Genticos
pero los ms aptos obtienen secciones mayores que las de los menos aptos, luego la ruleta se hace girar y cada vez se elige al individuo que posea la seccin en la que se pare la ruleta).
Seleccin escalada: al incrementarse la aptitud media de la poblacin, la fuerza de la presin selectiva tambin aumenta y la funcin de aptitud se hace ms discriminadora. Este mtodo puede ser til para seleccionar una seleccin tardia, cuando todos los individuos tengan una aptitud relativamente alta y slo les distingan pequeas diferencias en la aptitud.
Seleccin por torneo: se eligen subgrupos de individuos de la poblacin y los miembros de cada subgrupo compiten entre ellos. Slo se elige a un individuo de cada subgrupo para la reproduccin.
Seleccin por rango: a cada individuo de la poblacin se le asigna un rango numrico basado en su aptitud y la seleccin se basa en este ranking, en lugar de las diferencias absolutas en aptitud. La ventaja de este mtodo es que puede evitar que individuos muy aptos ganen dominancia al principio, a expensas de los menos aptos, lo que reducira la diversidad gentica de la poblacin y podra obstaculizar la bsqueda de una solucin aceptable.
Seleccin
generacional:
la
descendencia
de
los
individuos
seleccionados en cada generacin se convierte en toda la siguiente generacin. No se conservan individuos entre las generaciones.
Seleccin por estado estacionario: la descendencia de los individuos seleccionados en cada generacin vuelven al codigo gentico preexistente, reemplazando a algunos de los miembros menos aptos de la siguiente generacin. Se conservan algunos individuos entre generaciones.
Seleccin jerrquica: los individuos atraviesan mltiples rondas de seleccin en cada generacin. Las evaluaciones de los primeros niveles son ms rpidas y menos discriminatorias, mientras que los que sobreviven hasta niveles ms altos son evaluados ms 60
Capitulo 2
Algoritmos Genticos
rigurosamente. La ventaja de este mtodo es que reduce el tiempo total de clculo al utilizar una evaluacin ms rpida y menos selectiva para eliminar a la mayora de los individuos que se muestran poco o nada prometedores y sometiendo a una evaluacin de aptitud ms rigurosa y computacionalmente ms costosa slo a los que sobreviven a esta prueba inicial.
2.7
Mtodos de Cambio Una vez que la seleccin ha elegido a los individuos aptos, stos
deben ser alterados aleatoriamente con la esperanza de mejorar su aptitud para la siguiente generacin. Existen dos estrategias bsicas para llevar esto a cabo, la primera y ms sencilla se llama mutacin; al igual que una mutacin en los seres vivos cambia un gen por otro, una mutacin en un algoritmo gentico tambin causa pequeas alteraciones en puntos concretos del cdigo de un individuo. El segundo mtodo se llama cruzamiento, el cual implica elegir a dos individuos para que intercambien segmentos de su cdigo, produciendo una descendencia artificial cuyos individuos son combinaciones de sus padres. Este proceso pretende simular el proceso anlogo de la
recombinacin, que se da en los cromosomas durante la reproduccin sexual. Las formas comunes de cruzamiento son: - Cruza de un punto: en el que se establece un punto de intercambio en un lugar aleatorio del genoma de los dos individuos y uno de ellos contribuye todo su cdigo anterior a ese punto y el otro individuo contribuye todo su cdigo a partir de ese punto para producir una descendencia.
61
Capitulo 2
Algoritmos Genticos
- Cruza uniforme: en el que el valor de una posicin dada en el genoma de la descendencia, corresponde al valor en esa posicin del genoma de uno de los padres o al valor en esa posicin del genoma del otro padre, elegido con un 50% de probabilidad. - Cruza de dos puntos: anlogo a cruza de un punto, pero ahora el cambio es realizado en dos puntos centrales de la cadena, pero adems, existe la posibilidad de que la cruza se realice en los extremos, en cuyo caso se har una cruza utilizando un solo punto o ninguna cruza segn corresponda. 2.8 Mutacin La mutacin se considera como un operador secundario, es decir, su uso es menos frecuente que el operador sexual o cruza. Su funcin es cambiar aleatoriamente un gen del cromosoma, permitiendo la introduccin de un nuevo material cromosmico en la poblacin, asegurando que dada cualquier poblacin el espacio de bsqueda se encuentra totalmente conectado. Algunos mtodos de mutacin son:
Mutacin para permutacin: Mutacin por insercin Mutacin por desplazamiento Mutacin por cambio recproco Mutacin heurstica
62
Capitulo 2
Algoritmos Genticos
Mutaciones para representacin real: Mutacin no uniforme Mutacin de lmite Mutacin uniforme Parameter-based mutation
Mutacin para programacin gentica.
63
Capitulo 3
Solucin Propuesta
CAPITULO 3 Solucin Propuesta 3.1 Introduccin La problemtica tratada no es nueva, el estudio de configuracin de un sistema radial y de emplazamiento se ha analizado por mucho tiempo, por lo que el presente estudio busca dar un nuevo enfoque mediante el uso de AGs, con el fin de obtener soluciones convenientes para el usuario. Para lograr el desarrollo del problema se procede a la programacin de los algoritmos, para esto se utiliz el software Visual C++ V6.0 en lenguaje de programacin C++. En cada caso el usuario podr determinar el nmero de poblacin, el nmero de generaciones y el porcentaje de mutacin que estime conveniente, cabe destacar que mientras mayor sea el nmero de poblacin y generacin de mejor calidad sern las soluciones encontradas, pero a su vez, ser mayor el uso de memoria del procesador utilizado y en consecuencia tomar un mayor tiempo de procesamiento.
3.2
Solucin Propuesta Para Funcin Objetivo 1. La solucin propuesta para la funcin objetivo 1 es referida a la
teora de emplazamiento de Weber. El mtodo propuesto nos propone una posible solucin al problema del emplazamiento de una SS/EE, es decir, denota una posible rea, la cual sirve de gua al usuario para lograr un correcto emplazamiento.
64
Capitulo 3
Solucin Propuesta
3.2.1
Anlisis Algebraico. El modelo de Weber para lograr un ptimo emplazamiento de una
SS/EE es:
F .O. =
i =1
w [ (a
k j =0 ij
X j ) + (b i Y j )
2
1 2
(1.1)
Para explicar el proceso supondremos el siguiente ejemplo:
Tabla 3.1: Ejemplo de cargas
Nodo X[m] Y[m] Carga [KVA] 1 2 3 4 50 50 100 100 50 100 100 50 20,7 9,3 17,2 8,3
Figura 3.1: Representacin de ejemplo
La figura anterior presenta cuatro puntos, los cuales tienen asociado una posicin y un peso. El algoritmo asocia cada punto a un rea determinada, el nmero de reas ser determinado segn las necesidades 65
Capitulo 3
Solucin Propuesta
del propio usuario, en este caso el nmero de reas de servicio ser de dos. Por lo tanto, si los puntos 1 y 2 conformaran el rea A y los puntos 3 y 4 conformaren el rea B, la matriz , quedar de la siguiente manera:
En general, la matriz tiene la forma:
11 12 13 1n 21 22 23 2 n = | | | | k1 nk
(3.1)
Luego, teniendo conformadas las mallas determinamos la matriz de pesos w. Esta matriz se construye como se muestra continuacin:
wi j = r
(3.2)
Por el ejemplo anterior, sta queda conformada de la siguiente manera:
r1 w= 0
r2 0
0 r3
0 20,7 = r4 0
9,3 0
0 17,2
0 8,3
66
Capitulo 3
Solucin Propuesta
Teniendo conformada la matriz w se resuelve la ecuacin siguiente, la cual nos permite establecer los valores ptimos para el posicionamiento de la SS/EE:
i =1
J i ri
( ai
XJ)
[ (a
X J ) + ( b i YJ
2
1 2
= 0 Con J = 1, 2,..., k i = 1, ..., 4
(3.3)
Por lo tanto los valores ptimos para el posicionamiento del transformador son:
i =1 n
J i ri ai
XJ =
[( a
i =1
X J ) + ( b i YJ ) ri
2 i
] ]
1 2
(3.4)
1 2
[(a
XJ ) +
2
(b
YJ )
i =1 n
J i ri bi
YJ =
[( a
i =1
X J ) + ( b i YJ ) ri
2 i
] ]
1 2
(3.5)
1 2
[(a
XJ ) +
2
(b
YJ )
Finalmente, el sistema quedara representado grficamente por los cuatro puntos, donde cada uno de ellos estar asociado a una determinada rea de servicio con su respectiva SS/EE :
67
Capitulo 3
Solucin Propuesta
Figura 3.2: Representacin grfica de ejemplo propuesto
3.2.2
Procedimiento AGs. Mediante algoritmos genticos podemos encontrar una posicin
ptima para una o ms subestaciones. Para lograr esto, conociendo solo las ubicaciones y valores de las cargas, se proceder a efectuar procesos genticos a la funcin objetivo de Weber.
3.2.3
Poblacin Inicial. El primer paso para la utilizacin de algoritmos genticos es
conformar la denominada poblacin inicial. Su largo (cantidad de individuos) es introducido por el usuario. La poblacin es conformada de forma aletoria, tal que cumpla ciertas caractersticas, como: que no se repitan nodos en las distintas reas de servicio, que todas las cargas estn asociadas solo a un rea de servicio, etc.
68
Capitulo 3
Solucin Propuesta
En la codificacin del algoritmo este proceso se lleva a cabo de la siguiente forma: Se ordenan de forma aleatoria las distintas cargas participantes. Es decir, para el caso tratado, por ejemplo: 3124 Luego, la distribucin anterior es separada tambin de forma aleatoria, dependiendo del nmero de sub-estaciones solicitadas por el usuario, por ejemplo si fuesen dos areas: rea 1: 31 y rea 2: 24.
3.2.4
Representacin del Cromosoma.
Despus de completada la poblacion inicial, cada uno de los cromosomas del los individuos debe ser representado de una manera tal que permita la interaccin de los distintos operadores geneticos. En este caso la representacin para el ejemplo anterior es:
Figura 3.3: Representacin cromosomica para el ejemplo tratado
Esta representacin nos muestra que los alelos del cromosoma, son de la forma carga (ns) seguido por su respectiva rea (As).
Finalizado este proceso, el algoritmo contina con los distintos operadores genticos existentes, en este caso la cruza y mutacin. Para ejemplificar esto, supondremos una poblacin conformada por 4 individuos como se muestra a continuacin:
69
Capitulo 3
Solucin Propuesta
Figura 3.4: Representacin de una poblacin inicial
3.2.5
Seleccin. Con lo anterior, mediante seleccin por torneo (expuesto en
capitulo 2), elegimos dos individuos de forma aleatoria, se comparan sus funciones objetivos y los que mediante esta comparacin posean los mejores valores son considerados para la generacin siguiente. De esta manera logramos obtener los padres de la prxima generacin, grficamente:
Figura 3.5: Representacin torneo en una poblacin

70
Capitulo 3
Solucin Propuesta
3.2.6
Cruzamiento. Luego de obtenidos los padres se procede a efectuar el cruzamiento.
El mtodo de cruza escogido ser cruza de dos puntos (expuesto entre si de manera aleatoria a lo largo del cromosoma, por ejemplo:
en
capitulo 2) o cruza por bloque, para esto se escogen dos puntos distintos
Figura 3.6: Representacin de eleccin de puntos de cruza
Con los puntos de cruza escogidos, continuamos con el cambio de informacin a nivel del cromosoma. Esto estara representado grficamente por:
Figura 3.7: Representacin de cruzamiento
71
Capitulo 3
Solucin Propuesta
Completado el proceso de cruzamiento, la siguiente generacin estar constituida como se muestra a continuacin:
Figura 3.8: Representacin del proceso de cruzamiento
Cabe destacar que la cruza entre dos individuos dar como resultado dos descendencias, es decir, los padres seleccionados mediante torneo generaran dos descendencias tal como lo grafica la figura 3.8.
3.2.7
Mutacin. El AG contina luego con el proceso de mutacin. El proceso de
mutacin se lleva a cabo mediante un porcentaje o probabilidad de mutacin especificada. Por ejemplo, una probabilidad de mutacin de un 10% significa que cada individuo, de cada generacin, tendr la posibilidad de 10% de ser mutado. En el ejemplo los cuatro individuos pasan por el proceso de mutacin, no obstante solo el individuo tres es seleccionado por el proceso (azaroso) de mutacin.
72
Capitulo 3
Solucin Propuesta
Para proceder con el operador mutacin en el individuo tres se elije de forma aleatoria un par de datos del cromosoma, los cuales son intercambiados entre s, esto se puede representar de la forma siguiente:
Figura 3.9: Representacin de mutacin
As, se conforma la segunda generacin, la que finalmente estar compuesta por el nmero de poblacin definido por el usuario. Siempre estar constituido de un 50% de los mejores individuos de la primera generacin y el 50% restante estar conformado por la descendencia de estos mismos individuos, aplicando los operadores genticos de cruzamiento y mutacin. Este 50% viene asociado a lo que se denomina porcentaje de cruza, es decir, en todas las generaciones la cantidad de padres e hijos siempre ser la misma. La primera generacin lograda mediante los operadores genticos es:
73
Capitulo 3
Solucin Propuesta
Figura 3.10: Representacin de una poblacin generada mediante operadores genticos
A continuacin se cicla este proceso el nmero de generaciones que el usuario estime conveniente para encontrar un ptimo resultado.
3.3
Solucin Propuesta Para Funcin Objetivo 2. Conocido el posicionamiento de las SS/EE para cada rea de
servicio, procedemos a evaluar la funcin objetivo nmero 2, la cual est representada en la ecuacin (1.4).
F .O.2 = d i i i
i =1
(1.4)
La funcin objetivo representa un problema de distribucin asociado a un problema de transbordo [47].
74
Capitulo 3
Solucin Propuesta
3.3.1
Anlisis Algebraico.
El costo total de una lnea, es la suma de los costos de inversin y de los costos de explotacin actualizados. Esto es:
J C = L + J = L0 + L1 V + L2 S + 0 S
m V
(3.6)
Los coeficientes Ls contienen las correcciones del porcentaje atribuido al mantenimiento. La seccin ptima es aquella que minimiza la expresin del costo total, por lo tanto la seccin ptima o econmica satisfacen las siguientes relaciones:
J m2 C = L2 0 =0 S V 2 S2
(3.7)
S pt = J0 m L2 V
(3.8)
Esta ltima expresin se conoce bajo el nombre de Ley de Kelvin. Esta ley enuncia que la seccin ptima de una lnea es aquella que hace igual el costo actualizado de las prdidas con la fraccin del costo de lnea proporcional a la seccin. Reemplazando la expresin de la seccin ptima en la ecuacin del costo se llega a:
m C = L0 + L1 V + L3 V
(3.9)
75
Capitulo 3
Solucin Propuesta
Donde:
L3 = 2 J 0 L2
(3.10)
Adems, sabemos que:

m = 3 V I
(3.11)
Finalmente podemos inferir que la densidad ptima de corriente es:
L2 I = S 3 J0
bien, sabemos que la densidad de corriente
(3.12)
Ahora
ptima
corresponde a valores tpicos que dependen del precio de la potencia y la energa, el nmero de aos del proyecto, el inters del capital, el precio del cobre y otros materiales. Estos se sitan en los rangos de (0.5 0.7), 1 y (1.5 2.0). Si consideramos que se esta diseando una red de MT, cuya tensin es conocida, el costo de diseo para cada lnea, se encuentra como:
$ Ce = Ae + Be me km
(3.13)
Donde:
Ae = L0 + L1 V
Be = L3 V
(3.14) (3.15)
76
Capitulo 3
Solucin Propuesta
As, el costo total de planificacin ser:
$ CT = Ae + Be me km
(3.16)
Esta relacin de costo por unidad de longitud (tpicamente en $/km) se reduce al costo variable de de transporte:
Ce = d e me [$]
e
(3.17)
Donde de es la longitud de la barra en km. por ejemplo.
3.3.2
Procedimiento AGs Mediante algoritmos genticos se logra conformar la distribucin de
un sistema radial. Para lograr esto, conocemos las ubicaciones y valores de las cargas, como tambin la posicin exacta de la fuente que alimentar dichas cargas. Supongamos n ramas ordenadas de forma aleatoria:
Figura 3.11: Representacin de un cromosoma para F.O.2
77
Capitulo 3
Solucin Propuesta
Esta cadena representa las ramas a desconectar (en un sistema de n mallas fundamentales) que asegura una topologa radial. Como ya conocemos la representacin del cromosoma determinaremos una poblacin inicial, cuyo tamao ser determinado por el usuario segn su experiencia y capacidad de procesamiento que disponga. Cabe destacar que el procedimiento permite obtener, desde la primera generacin, solo individuos factibles. Para lograr explicar de forma ms clara la representacin, se propone el siguiente ejemplo: Tabla 3.2: Posicin y potencia Nodo X[m] Y[m] Carga [KVA] 1 2 3 4 5 50 50 100 100 125 50 100 100 50 75 20,7 9,3 17,2 8,3 14,2
Consideremos
un
plano
cartesiano
donde
la
ubicacin
del
transformador T1 est representada en rojo y en la posicin determinada mediante la F.O.1 (89.25 , 77.25):
Figura 3.12: Representacin de las cargas
78
Capitulo 3
Solucin Propuesta
Consideremos las siguientes posibles conexiones:
Figura 3.13: Representacin de todas las posibilidades de redes del sistema
3.3.3
Poblacin Inicial.
Conocido lo anterior, pasamos a conformar la poblacin inicial del proceso. Cada individuo representar las desconexiones del sistema, es decir, representa las ramas a eliminar del conjunto de posibles enlaces que permitan conformar un sistema radial. El largo que tendr el cromosoma de cada individuo es fijo. Este se determina mediante dos factores: El nmero de conexiones posibles El nmero de cargas
79
Capitulo 3
Solucin Propuesta
En consecuencia el largo del individuo se desprende de la ecuacin (1.7), finalmente: Largo=N de conexiones N de cargas Para este caso ser: Largo= 9 5 = 4 (3.19) (3.18)
3.3.4
Representacin Cromosomica.
El resultado anterior nos indica que para conformar a un individuo, simplemente escogemos 4 elementos al azar de las posibles conexiones (R1, R2, etc.) evitando que se repitan. Por ejemplo para una poblacin inicial de 4 individuos, el algoritmo presentara una generacin inicial (formada al azar) como se muestra en la tabla 3.3:
80
Capitulo 3
Solucin Propuesta
Tabla 3.3: Obtencin grafica de poblacin inicial Ind. Desconexiones Representacin Grfica
81
Capitulo 3
Solucin Propuesta
3.3.5
Seleccin. A continuacin se escoge mediante torneo los individuos (2) que
permiten completar la siguiente generacin:
Figura 3.14: Representacin de eleccin mediante torneo
3.3.6
Cruzamiento. Luego, se procede al cruzamiento en un punto de cruza (expuesto
en capitulo 2) el cual es escogido de forma aleatoria a lo largo del cromosoma y se procede al cambio de informacin cromosomica (es decir, se cambia la informacin del cromosoma situada a la derecha del punto escogido), esto es:
Figura 3.15: Representacin de cruzamiento
82
Capitulo 3
Solucin Propuesta
Finalmente la prxima generacin estar diseada a partir: Tabla 3.4: Obtencin grafica de poblacin lograda mediante operadores genticos Ind. Desconexiones Representacin Grfica
83
Capitulo 3
Solucin Propuesta
3.3.6
Mutacin. Conformada la poblacin, cada individuo pasa por el proceso de
mutacin, por ejemplo, una probabilidad de 10%. Este proceso de mutacin escoge un alelo al azar a lo largo del cromosoma sorteado que es cambiado, tambin, de manera aleatoria por alguna de las posibles conexiones del sistema (en este caso el individuo 4 cumple los requisitos para ser mutado):
Figura 3.16: Representacin de Mutacin
El proceso cicla el nmero de generaciones escogido por el usuario. Podemos, adems, concluir que, el procedimiento para lograr un correcto desempeo del algoritmo debe: Crear una poblacin inicial que ser una semilla adecuada para conformar las prximas generaciones. Cada individuo, obtenido por alguno de los mtodos antes expuestos, debe pasar por tres procesos: Revisin de alelos repetidos: Al crear la poblacin inicial no deben existir repeticin de alelos, al igual que en el proceso de cruza. En este ltimo proceso, si el AG encuentra alelos repetidos procede a lo que denominaremos mutacin forzada.
84
Capitulo 3
Solucin Propuesta
Proceso de factibilidad: Cada individuo desde la concepcin de la poblacin inicial, pasando luego por los procesos de cruza y mutacin, deben pasar por un proceso de factibilidad para ser admitidos en la poblacin de una generacin determinada. Proceso de mutacin: La probabilidad de mutacin es un parmetro que indica la frecuencia con que se produce la mutacin dentro de la poblacin; cada individuo es factible de ser mutado si cumple con el parmetro de mutacin, es decir, por este proceso pasa cada uno de los individuos obtenidos mediante los distintos operadores.
3.3.7
Mutacin Forzada.
El anlisis para revisin de alelos repetidos, caso que puede darse luego de una cruza, por lo cual cada individuo logrado mediante cruza debe necesariamente pasar por este proceso de revisin. La mutacin forzada es tratada de la siguiente manera:
Figura 3.17: Representacin de cruza y mutacin forzada
85
Capitulo 3
Solucin Propuesta
Se puede apreciar que ambos hijos tienen alelos repetidos, en este caso se utiliza una mutacin en los alelos que produzcan repeticin a la derecha del punto de cruce. En esta mutacin se cambia de manera aleatoria el alelo repetido por una posible conexin hasta encontrar un individuo factible. Luego el individuo es escaneado por el proceso de factibilidad, el cual ingresar el individuo a la poblacin o volver al proceso de mutacin forzada hasta encontrar un individuo factible.
86
Capitulo 4
Aplicaciones
CAPITULO 4
Aplicaciones
En este captulo se analizaran cuatro distintos casos mediante algoritmo genticos, en los cuales constata la capacidad de la propuesta. Cabe destacar que los resultados tienen una gran dependencia, como era de esperar, de los parmetros utilizados en la simulacin, vale decir, nmero de generacin y poblacin y porcentaje de mutacin.
Consecuentemente, para obtener un mejor resultado incide la velocidad de procesamiento de la que se dispone.
En todos los casos se consider una base de:
Sbase= 400 kVA Vbase=13,2 kV.
4.1
Caso 1
El presente caso consta de 10 cargas y una SS/EE. A continuacin se muestra los datos del sistema y su grafica en el plano cartesiano en la figura 4.1: Tabla 4.1: Datos de posiciones y cargas Nodo 1 2 3 4 5 6 7 8 9 10 Pos. X [m] Pos. Y [m] S [KVA] 600 575 37,47 100 650 41,35 680 200 16,28 500 800 17,48 720 950 9,45 320 800 11,58 755 200 33,71 800 300 34,60 400 450 26,37 850 575 12,18 87
Capitulo 4
Aplicaciones
Figura 4.1: Representacin cartesiana de las posiciones de las cargas
Posicionamiento: La ubicacin de la S/E fue lograda considerando una poblacin de 20 individuos, con 20 generaciones y un porcentaje de mutacin de un 20%. Asumimos que posibles conexiones del sistema, son como se muestra en la figura 4.2:
Figura 4.2: Posicionamiento y Conexiones consideradas 88
Capitulo 4
Aplicaciones
Configuracin: Para determinar la topologa del sistema se utilizo una poblacin de 10 individuos, una generacin de 10 y una mutacin de10%. El resultado se grafica en la figura 4.3:
Figura 4.3: Sistema logrado mediante AGs
Resultados:
Potencia de SS/EE: 0.601 [p.u.] Posicin. SS/EE : (576.48 , 527.10) Mejor F.O.1: 7.35E+07 [VAm] Mejor F.O.2: 5.333E+03 [mA] Tiempo simulacin= T
emplazamiento+T configuracin=
0.039+0.31=0.35 [seg.]
89
Capitulo 4
Aplicaciones
Tabla 4.2: Resultados obtenidos mediante Ags Tramos Distancia [m] Corriente [pu] Dimetro [mm^2] AWG o MCM (9,3) 3.798E+02 0.040 1.332 15 (-1,9) 1.922E+02 0.106 2.154 13 (8,7) 1.095E+02 0.084 1.747 14 (-1,8) 3.182E+02 0.170 3.450 11 (6,2) 2.659E+02 0.103 0.585 19 (4,6) 1.799E+02 0.132 0.883 17 (4,5) 2.659E+02 0.023 3.557 11 (1,4) 2.459E+02 0.199 1.892 14 (1,1) 2.498E+02 0.030 5.927 9 (-1,1) 0.528E+02 0.323 6.542 9
4.2
Caso 2 Utilizaremos el mismo sistema de cargas anterior, pero esta vez para
dos SS/EE.
Posicionamiento: Las posiciones obtenidas para cada SS/EE fueron logradas
utilizando 10 generaciones, 10 individuos y 10% mutacin para cada SS/EE. Las posiciones obtenidas y las conexiones a considerar son las siguientes:
90
Capitulo 4
Aplicaciones
Figura 4.5: Representacin de las conexiones consideradas para el sistema
Configuracin: Para la obtencin de la topologa se consideraron 20 generaciones, 20 individuos y una mutacin de un 20%, logrando el siguiente sistema:
Figura 4.4: Sistema logrado mediante AGs
91
Capitulo 4
Aplicaciones
Resultados: Potencia SS/EE 1: 0.359 [p.u.] Posicin. SS/EE 1: (419.05 , 624.68) Potencia SS/EE 2: 0.241 [p.u.] Posicin. SS/EE 2: (767.06 , 248.50) Mejor F.O.1: 4.430E+07 [VAm] Mejor F.O.2 SS/EE 1: 3.511E+03 [mA] Mejor F.O.2 SS/EE 2: 7.525E+02 [mA] Tiempo Simulacin = T
Emplazamiento+T configuracin
= 2,53 + 12,28 =14,81[seg]
Tabla 4.2: Resultados obtenidos mediante Ags Tramos Distancia [m] Corriente [pu] Dimetro [mm^2] AWG o MCM SS/EE 1 (-1,9) 1,76E+02 0.065 1.332 15 (4,5) 2,66E+02 0.023 0.883 17 (4,6) 1,80E+02 0.028 1.360 15 (4,1) 2,46E+02 0.093 1.945 14 (-1,4) 1,93E+02 0.189 3.838 11 (-1,2) 3,20E+02 0.103 2.088 13 SS/EE 2 (7,3) 7,48E+01 0.040 1.702 14 (-1,7) 4,80E+01 0.125 2.525 13 (-1,8) 6,31E+01 0.086 1.747 14 (-1,10) 3,39E+02 0.030 0.615 19
92
Capitulo 4
Aplicaciones
4.3
Caso 3 El presenta caso considera un sistema compuesto por 60 cargas y
dos SS/EE. Los datos del sistema y su representacin en un plano cartesiano se muestran a continuacin:
Tabla 4.3: Datos de posiciones y cargas
Nodo Pos X 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 50 130 130 130 280 280 450 500 550 630 650 650 650 680 700 720 740 755 755 755 770
Pos Y 450 300 450 580 500 720 575 800 900 450 300 575 650 720 800 950 800 200 300 450 575
S KVA] 20,730 9,330 17,720 8,386 38,870 9,968 6,590 9,560 6,590 26,924 59,614 37,474 41,358 16,286 17,486 9,450 11,588 33,714 34,600 26,378 12,188 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 800 820 860 880 880 880 880 940 940 1000 1020 1020 1020 1020 1050 1130 1130 1130 1130 1180 1255 100 650 575 200 300 450 900 200 450 200 50 300 450 600 1000 50 200 300 450 640 50 27,920 10,678 9,860 15,530 20,300 21,464 13,190 16,158 11,242 9,514 16,840 10,630 14,970 18,822 8,134 10,570 11,900 12,340 11,960 12,780 6,120 43 44 45 46 47 48 49 53 54 55 56 57 58 59 60 1255 1255 1255 1255 1380 1380 1400 1440 1480 1480 1480 1500 1520 1680 1720 150 200 300 470 300 600 50 150 50 200 450 300 550 180 30 8,520 15,170 16,420 11,870 13,140 6,106 4,590 8,264 5,770 8,816 12,014 4,994 8,160 19,144 7,580
93
Capitulo 4
Aplicaciones
Figura 4.6: Representacin de las posiciones de las cargas en un plano cartesiano
Posicionamiento: Los datos procesados para el emplazamiento fueron 50 generaciones, 80 individuos y 20% de mutacin para cada SS/EE. Las posiciones obtenidas y las conexiones a considerar son las siguientes:
Figura 4.7: Representacin de las conexiones a considerar 94
Capitulo 4
Aplicaciones
Configuracin: Para la obtencin de la topologa del sistema se utilizo una generacin de 20, 40 individuos y 20% de mutacin en cada caso. La configuracin obtenida fue:
Figura 4.8: Sistema resuelto mediante Ags
Resultados:
Potencia SS/EE 1: 1.529 [p.u.] Posicin SS/EE 1: (680.65 , 475.54) Potencia SS/EE 2: 0.791 [p.u.] Posicin SS/EE 2: (1263.94 , 267.51) Mejor F.O.1: 2.500E+08 [VAm] Mejor F.O.2 SS/EE1 : 1.703E+04 [mA] Mejor F.O.2 SS/EE 2: 2.666E+04 [mA] Tiempo de Simulacin= T
Emplazamiento+T configuracin=
149,28 [seg]
95
Capitulo 4
Aplicaciones
Tabla 4.4: Resultados obtenidos mediante Ags Tramos Distancia [m] Corriente [pu] Dimetro [mm^2] AWG o MCM SS/EE 1 (-1,21) 1,33E+02 0.030 0.615 19 (28,36) 1,97E+02 0.020 0.666 18 (16,28) 1,67E+02 0.053 0.477 20 (16,9) 1,77E+02 0.016 1.554 15 (15,16) 1,51E+02 0.093 0.883 17 (23,24) 8,46E+01 0.024 0.539 19 (14,17) 9,97E+01 0.028 0.822 17 (14,15) 8,21E+01 0.137 1.407 15 (14,8) 1,97E+02 0.023 4.177 10 (14,23) 1,56E+02 0.051 4.660 10 (13,14) 7,58E+01 0.282 2.088 13 (12,13) 7,48E+01 0.385 1.892 14 (-1,12) 1,03E+02 0.479 9.679 7 (3,1) 7,97E+01 0.051 0.894 17 (3,4) 1,30E+02 0.020 1.941 14 (18,22) 1,10E+02 0.069 1.702 14 (2,3) 1,50E+02 0.117 0.471 20 (19,18) 9,97E+01 0.154 1.747 14 (5,2) 2,50E+02 0.140 1.963 14 (11,19) 1,05E+02 0.240 3.010 12 (7,6) 2,23E+02 0.024 0.332 21 (7,5) 1,86E+02 0.237 0.836 17 (10,11) 1,51E+02 0.389 1.359 15 (10,7) 2,19E+02 0.278 9.230 7 (-1,10) 5,67E+01 0.735 14.867 5 (26,25) 9,97E+01 0.038 1.025 17 (30,35) 1,70E+02 0.047 0.567 19 (27,26) 1,50E+02 0.089 1.084 16 (27,30) 5,96E+01 0.075 2.893 12 (20,27) 1,25E+02 0.218 1.332 15 (-1,20) 7,87E+01 0.284 5.744 9 SS/EE 2 (56,58) 1,08E+02 0.020 0.606 19 (52,56) 7,97E+01 0.050 0.524 19 (52,46) 1,46E+02 0.029 1.543 15 (47,51) 1,02E+02 0.030 0.663 18 (47,52) 1,51E+02 0.106 1.283 16 (45,47) 1,25E+02 0.169 0.829 17 (-1,45) 3,31E+01 0.210 4.254 10 (33,34) 1,50E+02 0.037 0.536 19 (31,33) 1,02E+02 0.064 0.480 20 96
Capitulo 4
Aplicaciones
(59,60) (29,31) (41,48) (55,57) (55,59) (32,29) (40,41) (53,55) (53,54) (37,32) (39,40) (50,49) (50,53) (38,37) (38,39) (43,50) (43,42) (44,38) (44,43) (-1,44)
1,55E+02 5,96E+01 2,04E+02 1,02E+02 2,01E+02 1,70E+02 1,96E+02 6,36E+01 1,08E+02 1,10E+02 1,50E+02 9,97E+01 4,00E+01 1,50E+02 9,97E+01 1,45E+02 9,97E+01 1,25E+02 4,99E+01 6,84E+01
0.018 0.087 0.015 0.012 0.066 0.128 0.047 0.101 0.014 0.170 0.077 0.011 0.136 0.196 0.107 0.171 0.015 0.334 0.208 0.580
0.966 0.816 0.645 0.445 0.697 0.850 0.604 0.417 2.464 0.533 0.623 0.478 0.710 0.601 4.574 0.430 3.897 0.766 7.522 11.728
17 17 19 20 18 17 19 20 13 19 19 20 18 19 10 20 11 18 8 6
97
Capitulo 4
Aplicaciones
4.4
Caso 4 Utilizaremos el mismo sistema de cargas anterior, pero esta vez
consideraremos cinco SS/EE.
Posicionamiento: Los datos procesados para el emplazamiento fueron de 150 generaciones, 200 individuos y 20% de mutacin. Luego de logradas las ubicaciones consideramos las siguientes conexiones tal como se muestra a continuacin:
Figura 4.9: Representacin de las conexiones a considerar en el sistema
98
Capitulo 4
Aplicaciones
Configuracin: Para la topologa del sistema se utilizo una generacin de 10, 50 individuos y 20% de mutacin en cada caso. El sistema obtenido es el que se muestra a continuacin:
Figura 4.10: Sistema resuelto mediante AGs
Resultados:
Potencia SS/EE 1: 0.666 [p.u.] Posicin SS/EE 1: (754.81 , 299.92) Potencia SS/EE 2: 0.423 [p.u.] Posicin SS/EE 2: (1057.87 , 331.58) Potencia SS/EE 3: 0.442 [p.u.] Posicin SS/EE 3: (1405.59 , 222.70) Potencia SS/SE 4: 0.262 [p.u.] Posicin SS/EE 4: (186.34 , 484.17) Potencia SS/EE 5: 0.526 [p.u.] 99
Capitulo 4
Aplicaciones
Posicin SS/EE 5: (671.05 , 667.58) Mejor F.O.1 :1.430E+08 [VAm] Mejor F.O.2 SS/EE 1: 2.888E+03 [mA] Mejor F.O.2 SS/EE 2: 2.918E+03 [mA] Mejor F.O.2 SS/EE 3: 3.259E+03 [mA] Mejor F.O.2 SS/EE 4: 1.111E+03 [mA] Mejor F.O.2 SS/EE 5: 3.256E+03 [mA] Tiempo de Simulacin= T
Emplazamiento+T configuracin=
342,67 [seg.]
Tabla 4.5: Resultados obtenidos mediante Ags Tramos SS/EE 1 (11,10) (-1,11) (20,27) (18,25) (18,22) (19,20) (19,26) (19,18) (-1,19) SS/EE 2 (40,41) (40,46) (-1,40) (30,35) (34,30) (-1,34) (38,37) (39,38) (-1,39) (29,32) (31,29) (33,31) (-1,33) Distancia [m] Corriente [pu] Dimetro [mm^2] AWG o MCM 1,51E+02 1,05E+02 1,25E+02 1,25E+02 1,10E+02 1,50E+02 1,25E+02 9,97E+01 2,02E-01 1,96E+02 1,26E+02 1,38E+02 1,70E+02 7,97E+01 1,24E+02 1,50E+02 9,97E+01 7,87E+01 1,70E+02 5,96E+01 1,02E+02 4,89E+01 0.067 0.216 0.053 0.038 0.069 0.119 0.050 0.192 0.449 0.031 0.029 0.091 0.047 0.075 0.112 0.026 0.056 0.087 0.042 0.082 0.106 0.132 3.010 4.370 1.332 1.702 2.487 1.747 4.163 5.188 9.086 0.604 1.249 1.848 0.567 0.756 2.274 0.601 0.623 1.758 0.816 0.480 0.536 2.683 12 10 15 14 13 14 10 10 7 19 16 14 19 18 13 19 19 14 17 20 19 12
100
Capitulo 4
Aplicaciones
SS/EE 3 (58,48) (56,58) (52,56) (47,52) (47,45) (-1,47) (55,59) (55,57) (-1,55) (54,60) (42,49) (53,54) (43,42) (50,53) (44,43) (51,50) (51,44) (-1,51) SS/EE 4 (5,6) (-1,5) (3,1) (3,2) (3,4) (-1,3) SS/EE 5 (16,28) (16,36) (17,16) (15,9) (15,17) (14,15) (-1,14) (-1,23) (21,24) (7,8) (12,21) (12,7) (13,12) (-1,13)
1,49E+02 1,08E+02 7,97E+01 1,51E+02 1,25E+02 8,12E+01 2,01E+02 1,02E+02 7,77E+01 2,41E+02 1,45E+02 1,08E+02 9,97E+01 4,00E+01 4,99E+01 4,99E+01 1,45E+02 2,34E+01 2,20E+02 9,48E+01 7,97E+01 1,50E+02 1,30E+02 6,55E+01 1,67E+02 3,33E+02 1,51E+02 1,80E+02 4,00E+01 8,21E+01 5,28E+01 1,50E+02 9,00E+01 2,30E+02 1,20E+02 2,00E+02 7,48E+01 2,74E+01
0.015 0.035 0.065 0.091 0.041 0.165 0.047 0.012 0.082 0.018 0.011 0.033 0.026 0.054 0.048 0.077 0.086 0.194 0.024 0.122 0.051 0.023 0.020 0.140 0.032 0.020 0.076 0.016 0.105 0.166 0.206 0.026 0.024 0.023 0.055 0.040 0.189 0.292
0.412 0.606 0.524 0.663 2.515 3.344 0.445 1.412 1.664 0.291 0.309 0.417 0.430 0.478 0.766 0.619 2.190 3.927 1.963 2.466 0.894 1.941 2.413 2.836 0.477 1.143 0.585 0.883 1.215 0.822 4.177 0.539 0.615 0.332 1.892 3.006 2.088 5.910
20 19 19 18 13 11 20 15 14 22 22 20 20 20 18 19 13 11 14 13 17 14 13 12 20 16 19 17 16 17 10 19 19 21 14 12 13 9
101
Conclusiones
CONCLUSIONES
Los algoritmos genticos, permiten encontrar diseos de topologas radiales para la implementacin de un sistema de distribucin, aportando soluciones muy eficientes que nos permitan disminuir las prdidas y el costo de transporte de energa en el sistema.
Adems, los AGs, proporciona al usuario capacidad de decisin, segn sus recursos, sobre el procesamiento ms adecuado del algoritmo.
El mtodo de Weber permite tericamente definir un adecuado emplazamiento. No obstante queda abierta la posibilidad de probar con otras tcnicas.
Los AG son tiles al buscar un emplazamiento ptimo de algn elemento. En los resultados obtenidos se ve un mejor comportamiento al utilizar un mayor nmero de transformadores y un mayor nmero de cargas. Lo anterior, se debe que al tener un limitado nmero de cargas y de transformadores, los AGs encuentran disminuidas sus posibilidades para poder conformar distintas reas de servicio.
Los algoritmos genticos, como mtodo de configuracin, mostraron un buen comportamiento para la resolucin de las problemticas planteadas. Su desempeo fue eficiente, pero depende de la capacidad del procesador utilizado.
102
Conclusiones
Podemos observar, que con una semilla inicial extremadamente pequea, en comparacin a todas las posibles combinaciones posibles existentes en el sistema, es posible lograr configuraciones adecuadas para la implementacin de un sistema de distribucin radial.
La mayor exactitud depende de los datos entregados por el usuario respecto a poblacin, nmero de generaciones y mutacin, pero a su vez, esto depende del procesador que se est utilizando, por cuanto stos tienen lmites, pero existe una relacin directa, que mientras ms sean las posibles soluciones del sistema, as tambin debe ser mayor el nmero de poblaciones y generaciones para lograr una mayor exactitud en el resultado.
103
Referencias
REFERENCIAS [1] J. E. Varela, Introduccin a la Investigacin de Operaciones, Editorial: Fondo educativo interamericano S. A., 1982. pp. 223-243. [2] D. M . Crawford and S. B. Holt, A Mathematical Optimization Technique for Locating and Sizing Distribution Substations, and Deriving their Optimal Service Areas, IEEE Trans. on Pas Vol. 94, pp. 230-235, 1975. [3] D. Wall, G. Thompson, J. Northeote-Green, An Optimization Model for Planning Radial Distribution Networks, IEEE Trans. on Pas,Vol.98, N3, pp. 1061-1967, May - Jun. 1979. [4] G, Thompson, D. Wall, A Branch and Bound Model for Choosing Optimal Substation Locations, IEEE Trans. on Pas,Vol. 100, N5, pp. 2683-2687, May.1981. [5] D. Sun, D. Farris, P. Cote, R. Shoults, M. Chen, Optimal Distribution Substation and Primary Feeder Planning Via the Fixed Charge Network Formulation, IEEE Trans.on Pas, Vol. 101, N3, pp. 602-609, Mar. 1982. [6] A. Merlin y G. Back, "Search for Minimum Loss Operational Spanning Tree Configuration for an urban Power Distribution System", Procc. of Fifth Power System Computation
Conference(PSCC), Cambridge, pp. l-18, 1975.ori Pas Vol.94, pp. 230-235, 1975.
104
Referencias
[7]
R. Vera, Un Modelo de Reconfiguracin de Redes de Distribucin para Reducir Prdidas va algoritmo Ford y Fulkerson, Tesis de Magster en Ciencias de la Ingeniera con Mencin en Ing. Elctrica, Departamento de Ingeniera Elctrica, Universidad de Concepcin jun. 1999.
[8]
C. Pinilla , Reconfiguracin de Sistemas Elctricos va Programacin Cuadrtica y Compactacin de Gratos. Memoria de ttulo. Ingeniera Civil Elctrica, Universidad de Concepcin. 2000.
[9]
M. Inostroza., Reconfiguracin de Sistemas Elctricos Reales Va Programacin Dinmica Modificada", Memoria de ttulo. Ingeniera Civil Elctrica, Universidad de Concepcin. 2000.
[10]
F.
Muoz,
"Implementacin
de
una
Metodologa
para
la
Reconfiguracin On-Line de Sistemas Elctricos ", Memoria de ttulo, Ingeniera Civil Elctrica, Universidad de Concepcin. 2002. [11] E. Uribe, "Reconfiguracin de Sistemas de Distribucin Primaria va Montecarlo ", Memoria de ttulo. Ingeniera Civil Elctrica,
Universidad de Concepcin. 2004. [12] S. Cinvalar, J. Grainger, H. Yin, S. Lee, Distribution Feeder Reconfiguration for Loss Reduction, IEEE Trans.on PWRD, Vol. 3, N3, pp. 1217-1223, Jul. 1988. [13] D. Shirmohanunadi, H. Wayne, Reconfguration of Electric
Distribution Networks for Resistive Line Losses Reducton, IEEE Trans. on PWRD, Vol. 4, N2, pp. 1492-1498, Abr. 1989.
105
Referencias
[14]
M. Baran, F. Wu, Networks Reconfguration in Distribution Systems for Loss Reduction and Load Balancing, IEEE Trans. on PWRD, Vol. A, N2, pp. 1401-1407, Abr. 1989.
[15]
V. Giamocanin, "Optimal Loss Reduction of Distribution Networks", IEEE Trans. on Pas. Vol. 5, N3, pp. 774-78 1, Agos. 1990.
[16]
S. Goswarni, S. Basu, A New Algorithm for the Reconfiguration of Distribution Feeders for Loss Minimization IEEE Trans. on PWRD. Vol. 71, N3, pp.1484-1491, Jul. 1992.
[17]
K. Nara, A. Shiose, M. Ktagawa, T. Ishihara, Implementation of Genetic Algorithm for Distribution Systems Loss Minimum ReConfiguration, IEEE Trans. on Pas. Vol. 7, N3, pp. 1044-1051, Agost. 1992.
[18]
E. Lpez, H. Opazo, P. Pedrero y L. Garca, Un Modelo de Explotacin Primaria a Bajas Prdidas, XI Congreso de la Asociacin Chilena de Control Automtico, Concepcin Chile., 1994.
[19]
G. Peponis, M. Papadopoulos, N. Hatziargyriou, Distribution Network Reconfiguration to Minimize Resistive Line Losses, IEEE Trans. on PWRD. Vol. 10, N3, pp. 1338-1342, Jul. 1995.
[20]
V. Borozan, D. Rajicic, R. Ackovsit, Improved Method for Loss Minimization in Distribution Networks, IEEE Trans. on Pas. Vol, 10, N3, pp. 1420-1424, Agost. 1995.
[21]
R. Srfi, A. Chikhani, Distribution System Reconfiguration for Loss Reduction: An Algorithm Based on Network Partitioning Theory, IEEE Trans. on Pas. Vol. 11, N 1, pp. 504-5 10, Feb. 1996. 106
Referencias
[22]
E. Lpez, H. Opazo, P. Pedrero y S. Quiroz, Optimizacin de prdidas en redes de distribucin va programacin dinmica. XI Congreso ACCA. Universidad de Concepcin, noviembre 1994.
[23]
E. Lpez, H. Opazo, P. Pedrero, M. Martnez, Reconfiguracin Primaria a mnimas prdidas considerando incertidumbre en la demanda, un modelo de exploracin aleatoria. XII Congreso ACCA. Universidad de Concepcin. 1995.
[24]
R. Taleski, D. Rajicic, Distributon Network Reconfiguration for Energy Loss Reduction, IEEE Trans. on Pas. Vol. 12, N1, pp. 398406, Feb. 1997.
[25]
R. Sarfi, M. Salama, A. Chikhani, A survey of the state of the art in distribution system reconfguration for system loss reduction, Electric Power Systems Rescarch, pp. 61- 70, Abr. 1994.
[26]
J. Mendoza, D. Morales, R. Lpez, E. Lpez, J. C. Vannier, C. A. Coello, Multi-objective Location of Automatic Voltage Regulators in a Radial Distribution Network Using a Micro Genetic Algorithm, IEEE Transactions on Power Systems, Vol. 22, No. 1, pp. 404-411, February 2007.
[27]
E. Lpez, H. Opazo, L. Garcia, P. Bastard, Online reconfiguration vonsidering variability demand: applications to real networks, IEEE Transactions on Power Systems, Volume 19, Issue 1, Feb. 2004 page(s): 549 553.
107
Referencias
[28]
R. Lpez, J. Mendoza, D. Morales, E. Lpez, C. A. Coello, A practical approach for probalistic minimal loss reconfiguration for distribution system using monte carlo method and genetic algorithms, En pares. IEEE trans. on P. S. 2008.
[29]
E. Lpez, H. Opazo, L. Garca, M. Poloujadoff [29], Minimal Loss Reconfiguration Based on Dynamic Programming Approach:
Application to Real Systems, Electric Power Components and Systems, Volume 30, Number 7, 1 July 2002 , pp. 693-704(12). [30] J. Mendoza, E. Lpez, R. Lpez, P. Dessante, D. Morales R. Moraga, Minimal loss reconfiguration using genetic algorithms with restricted population and addressed operators: real application. IEEE Trans. on P. S., Volume 21, Issue 2, May 2006 Page(s):948 954. [31] Holland, J.H. Adaptation in Natural and Artificial Systems. Ann Harbor: University of Michigan Press. 1975. [32] Goldberg, David E., Genetic Algorithms in Search, Optimization and Machine Learning, Reading, Massachusetts: Addison-Wesley
Publishing Co. 1989. [33] Zbigniew, Michalewicz, Genetic Algorithms + Data Structures = Evolution, Programs, Springer-Verlag, Segunda Edicin, 1992. [34] Paredis, J., Co-evolutionary Constraint Satisfaction, En Proceedings of the 3rd Conference on Parallel Problem Solving from Nature, pp.4655, Springer-Verlag, New York, 1994.
108
Referencias
[35]
Marc
Schoenauer
and
Spryros
Xanthakis, Constrained GA
Optimization, En Stephame Forrest (Editor) Proceeding of the Fifth International Conference on Genetic Algorithms, pp. 573-580, Morgan Kaufmann Publishers, San Mateo California, Julio de 1993. [36] A. Homaifar; S. H. Y. Lai and X. Qi, Constrained Optimization via Genetic Algorithms Simulation ", Simulation in the Service of Society McLeod and McLeod SIMULATION, pp. 242-254,1994. [37] David Powell and Michael M. Skolnick, Using Genetic Algorithms in Engineering Design Optimization with Non-Linear Constraints, En Stephanie Forrest (Editor), Proceedings of the Fifth International Conference on Genetic Algorithms, Morgan Kaufmann, San Mateo, California, pp. 424-431, 1993. [38] Hojijat Adeli and Nai-Tsang Cheng, Augmented Lagragian Genetic Algorithmic for Structural Optimization, Journal of Aerospace
Engineering, Vol 7, N1, PP. 104-118, January, 1994. [39] R. Le Riche, C. Knopf-Lenoir and R. T. Haftka, A Segregated Genetic Algorithmfor Constrained Structural Optimization, En Larry J. Eshelman (Editor), Proceedings of the Sixth International
Conference on Genetic Algorithms, Morgan Kaufmann Publishers, San Mateo, California, pp. 558-565, 1995. [40] M. Srinivas, Lalit M. Patnaik, Genetic Algorithms: A Survey, Review Computer, Jun 1994, pp17-43. [41] M. Valenzuela, E. Uriste Charre, Un Algoritmo Genetico No Generacional para Optimizacion Multiobjetivo, Centro de Inteligencia Artificial del ITESM, Campus Monterrey, Feb. 1996. 109
Referencias
[42]
R. Smith, A C-Lenguage Implementation of a Simple Genetic Algorithm, TCGA Report N91002, Departmen of Engineering Mechanics, University of Alabama, Mar. 1994.
[43]
T. Bckie, L. Thiele, A Compartion of Selection Schemes Used in Genetic Algorithms, Institt Technische Informatik und
Kommunikationsnetze (TIK) Report N11, 2nd Edition. Networks Lab, Dic. 1995. [44] S. Jonnavithula, R. Billinton, Minimun Cost Analysis of Feeder Routing in Distribution System Planning", IEEE Trans. on PWRD. Vol. 11, N4, pp. 1935 -1940, Oct. 1996. [45] S. Goswami, Distribution System. Planning Using Branco Exchange Technic, IEEE Trans. On Pas. Vol. 12, pp. 718-723, May. 1997. [46] Melanie Mitchell. An introduction to genetic algorithms. The MIT Press (February 6, 1998) Second Edition. Pags. 124-200. [47] Hamdy A. Taha. Investigacin de Operaciones. Segunda Edicin. Pags.235-254. Editorial Alfaomega.
110
Referencias
BIBLIOGRAFIA COMPLEMENTARIA
- Leonardo Javier Villagrn Tapia. Informe de memoria de titulo para optar al grado de Ingeniero civil elctrico: Algoritmos evolutivos multiobjetivo aplicado a la localizacin de condensadores en sistemas de distribucin elctricos. Universidad de Concepcin Diciembre de 2005. - Vctor Eduardo Plaza Alderete. Informe de memoria de titulo para optar al grado de Ingeniero civil elctrico: Emplazamiento ptimo de reguladores de voltaje en sistemas de media tensin utilizando algoritmos genticos. Universidad de Concepcin Marzo de 2005. - Pedro Javier Johnson Mardones. Informe de memoria de titulo para optar al grado de Ingeniero civil elctrico: Un modelo de reconfiguracin trifsico para la reduccin de prdidas aplicados a sistemas elctricos de media tensin. Universidad de Concepcin Noviembre de 2005. - Felipe Andrs Vergara Barba. Informe de memoria de titulo para optar al grado de Ingeniero civil elctrico: Ordenamiento optimo de reactivos en sistemas de distribucin va operadores genticos. Universidad de Concepcin Agosto de 2005. - Roger Arturo Moraga Castillo. Informe de memoria de titulo para optar al grado de Ingeniero civil elctrico: Algoritmos genticos aplicados al despacho econmico de carga y la reconfiguracin de redes. Universidad de Concepcin Marzo de 2005. - Marisella Alejandra Retamal Agurto. Informe de memoria de titulo para optar al grado de Ingeniero civil elctrico: Reconfiguracin de sistemas elctricos de distribucin va algoritmos genticos. Universidad de Concepcin Septiembre de 2005. 111

Diseño de Sistemas de Distribucion Primaria en Media Tension Via Algoritmos Geneticos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diseño de Sistemas de Distribucion Primaria en Media Tension Via Algoritmos Geneticos

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE CONCEPCIN Facultad de Ingeniera Departamento de Ingeniera Elctrica

Profesor Patrocinante Dr. Enrique Lpez Parra

DISEO DE SISTEMAS DE DISTRIBUCION PRIMARIA EN MEDIA TENSION VIA ALGORITMOS GENETICOS

Ingeniero Civil Elctrico

CONCEPCION, MARZO DE 2008

A mis padres y hermanos A los mas importantes en mi

F.O.1 F.O.2 I J k lmax L m n Nr PI R r S V w XL Z

Marco Terico ______________________________________ 14

CAPITULO 2: Algoritmos Genticos ___________________________

Funcionamiento de un Algoritmo Gentico _________ 56

CAPITULO 4: SOLUCION PROPUESTA 3.1 3.2

CAPITULO 4: APLICACIONES __________________________________ 4.1 4.2 4.3 4.4

Modelos a Considerar Los factores que incentivan a las empresas distribuidoras a

Solucin del Problema El proceso de optimizacin se generar utilizando funciones

F .O.1 = wij (ai X j ) + (bi Y j )

Evaluacin Funcin Objetivo 1 En la funcin objetivo 1, de emplazamiento de Weber:

F .O.1 = wiJ (ai X J ) + (bi YJ ) 2

Esta funcin debe cumplir las siguientes condiciones:

D. Wall G. Thompson, J. Northeote-Green [3],

Las ubicaciones de las demandas y sus cantidades

Las descripciones de la red del alimentador

Los datos de las subestaciones

cij xij + Fij Yij

(1.13) (1.14) (1.15)

Lij X ij U ij X ij U ij Yij con Yij [0,1].

Reconfiguracin. Las publicaciones, con especto al tema de reconfiguracin nos

presenta un nuevo algoritmo para la

Algoritmos Genticos Respecto a los denominados algoritmos genticos existen diversos

entrega un Algoritmo Gentico implementado en

Objetivos del trabajo El problema general de localizacin de transformadores en una malla

Los algoritmos enfocados a una optimizacin numrica, se resuelven mediante:

Un solo miembro de una poblacin

Races de los algoritmos genticos.

investigaciones y papers anteriores del propio Holland y de otros

Mtodos de Representacin Antes de que un algoritmo gentico pueda ponerse a trabajar en un

Mtodos de seleccin Un algoritmo gentico puede utilizar muchas tcnicas diferentes

Mutacin para programacin gentica.

Anlisis Algebraico. El modelo de Weber para lograr un ptimo emplazamiento de una

Para explicar el proceso supondremos el siguiente ejemplo:

Tabla 3.1: Ejemplo de cargas

Figura 3.1: Representacin de ejemplo

En general, la matriz tiene la forma:

Por el ejemplo anterior, sta queda conformada de la siguiente manera:

= 0 Con J = 1, 2,..., k i = 1, ..., 4

Figura 3.2: Representacin grfica de ejemplo propuesto

Procedimiento AGs. Mediante algoritmos genticos podemos encontrar una posicin

Poblacin Inicial. El primer paso para la utilizacin de algoritmos genticos es

Representacin del Cromosoma.

Figura 3.3: Representacin cromosomica para el ejemplo tratado

Figura 3.4: Representacin de una poblacin inicial

Seleccin. Con lo anterior, mediante seleccin por torneo (expuesto en

Figura 3.5: Representacin torneo en una poblacin

Cruzamiento. Luego de obtenidos los padres se procede a efectuar el cruzamiento.

Figura 3.6: Representacin de eleccin de puntos de cruza

Figura 3.7: Representacin de cruzamiento

Figura 3.8: Representacin del proceso de cruzamiento

Mutacin. El AG contina luego con el proceso de mutacin. El proceso de

Figura 3.9: Representacin de mutacin

Figura 3.10: Representacin de una poblacin generada mediante operadores genticos

La funcin objetivo representa un problema de distribucin asociado a un problema de transbordo [47].

Adems, sabemos que:

Finalmente podemos inferir que la densidad ptima de corriente es:

As, el costo total de planificacin ser: