A-TEAMS EN LA OPTIMIZACIN DEL CAUDAL TURBINADO DE UNA REPRESA HIDROELCTRICA

Benjamn Barn1
bbaran@cnc.una.py

Enrique Chaparro V.
eviveros@cnc.una.py

Nstor Cceres
gustafson@sce.cnc.una.py

Centro Nacional de Computacin Universidad Nacional de Asuncin Casilla de Correos 1439 Campus Universitario de San Lorenzo Paraguay Tel./Fax: (595) (21) 585.619 y 585.550 http://www.cnc.una.py

Resumen
Una represa hidroelctrica de gran envergadura tiene generalmente un nmero considerable de unidades generadoras, cada una con sus propias caractersticas fsicas y restricciones operativas. El presente trabajo propone aprovechar la infraestructura computacional de las redes de computadoras existentes para optimizar la generacin de la potencia demandada, minimizando el recurso hdrico (caudal) a ser turbinado. La complejidad del problema considerado se debe a diversos factores como el nmero y caractersticas de las unidades generadoras, la altura variable del agua y la necesidad de parar determinadas unidades generadoras para mantenimiento o reparaciones. Debido a esta complejidad, los mtodos numricos exhaustivos tienen un alto costo computacional, razn por la cual, se propone la utilizacin de A-Teams (Asynchronous Teams) que combinan los Algoritmos Genticos (AG), posiblemente paralelos, con mtodos numricos tradicionalmente utilizados en la resolucin de este tipo de problemas. El trabajo describe la implementacin de un A-Team distribuido que aprovecha diversos procesadores de una red de computadoras personales, levantando resultados experimentales que demuestran las ventajas de utilizar A-Teams, en la medida que aumenta la complejidad y el tamao del problema.

Palabras claves
Algoritmos Genticos hidroelctrica. Paralelos, A-Teams, Team Algorithm, usina

Este trabajo ha sido desarrollado con el apoyo de la Direccin de Investigaciones, Postgrado y Relaciones Internacionales de la Universidad Nacional de Asuncin.

1. Introduccin
El Paraguay es un pas exportador de energa elctrica gracias a sus represas hidroelctricas de gran envergadura, como Itaip y Yacyret, entre otras. La generacin de energa elctrica en estos sistemas reales de gran porte, est caracterizada por complejas ecuaciones matemticas [1], para las cuales no siempre se dispone de un mtodo nico de resolucin. En consecuencia, se estudian diversos mtodos de optimizacin, cada uno con sus propias caractersticas que lo hacen apropiado para un subconjunto de problemas. En algunos casos, un mtodo tiene un buen desempeo bajo ciertas caractersticas operativas, pero falla para otros escenarios del problema para los cuales existen alternativas diferentes de solucin, que a su vez slo son aplicables a una determinada clase de problemas. Surge as la necesidad de utilizar un mtodo de optimizacin adecuado para cada clase de problema. Ocasionalmente, puede suceder que ninguno de los mtodos disponibles consigue resolver adecuadamente el problema en cuestin, cuando son utilizados aisladamente [2]. Ante esta dificultad, surge la posibilidad de descomponer un problema complejo en subproblemas menores, de forma a utilizar mtodos diferentes en cada uno de estos subproblemas, segn sean sus caractersticas especficas. Esta combinacin de algoritmos diferentes interactuando en la solucin de un mismo problema global, se conoce como Team Algorithm [2]. La solucin de problemas utilizando Team Algorithm puede ser naturalmente implementada en paralelo, asignando los diferentes subproblemas a los diversos procesadores de un sistema distribuido asncrono, como una red de computadoras, en cuyo caso se lo conoce como A-Team (Asynchronous Team) [3-5]. En un trabajo anterior realizado por Talukdar et al. [3], se implement un A-Team combinando Algoritmos Genticos (AG) con reconocidos mtodos numricos, como el Mtodo de Newton, aplicados a la resolucin de sistemas algebraicos de ecuaciones no lineales. De esta forma, se obtuvo una combinacin asncrona de algoritmos que interactuaban sinergticamente reduciendo significativamente los recursos computacionales que demandara la sola utilizacin de mtodos numricos tradicionales, reportndose muy buenas aceleraciones (speedup). A la fecha, se puede observar un creciente inters en la utilizacin de A-Teams para diversas aplicaciones [2-5]. En el problema aqu estudiado, se tiene una represa hidroelctrica con diversas turbinas (por ejemplo, 18 en Itaip), cada una de las cuales debe turbinar una determinada cantidad de agua para que, en conjunto, se genere la potencia demandada. La potencia entregada por cada unidad generadora depende de sus caractersticas de funcionamiento, dadas por Curvas de Eficiencia propias de cada turbina (Potencia [Mw] vs. Caudal [m3/s]), levantadas experimentalmente mediante un index-test. Estas Curvas de Eficiencia determinan las caractersticas de funcionamiento de cada unidad

generadora. Por lo tanto, el objetivo del presente trabajo es generar la potencia total demandada (PD), minimizando el caudal a ser turbinado, optimizndose as la utilizacin de los recursos hdricos, atendiendo siempre a las restricciones de la usina hidroelctrica. En resumen, el problema planteado puede ser formalizado como: Minimizar sujeto a QT = fi (Pi, h)
i =1 NT

. (1) (2)

Pi = PD
i =1

NT

donde las curvas fi(Pi, h) se obtienen experimentalmente, para cada generador i, a partir de un index-test. Los mtodos numricos tradicionalmente utilizados en este problema tpicamente estn formados por una combinacin de mtodos exhaustivos de bsqueda global con mtodos numricos de optimizacin local (como el mtodo del Gradiente), resultando en un algoritmo cuyo tiempo de ejecucin crece exponencialmente con la complejidad del problema (dado por ejemplo, por el nmero de unidades generadoras). Teniendo en cuenta la posibilidad de utilizar A-Teams para reducir la complejidad de los clculos y los recursos computacionales requeridos, el presente trabajo propone la combinacin de Algoritmos Genticos (AG), reconocidos por su capacidad de bsqueda global [6-7], con los mtodos numricos tradicionalmente utilizados en la actualidad, en forma conceptualmente similar a lo propuesto en [3]. Si bien la utilizacin de Algoritmos Genticos en problemas elctricos no es nueva [8], la presente propuesta facilita una implementacin en paralelo, aprovechando el asincronismo intrnseco a las redes de computadoras existentes, de forma a mejorar el desempeo de los Algoritmos Genticos, al ser combinados con mtodos numricos utilizados en la actualidad [9-10]. La seccin 2 describe al mtodo numrico y al Algoritmo Gentico, cuya combinacin se describe en la seccin 3. Resultados experimentales son presentados en la seccin 4 y las conclusiones finales en la seccin 5.

2.

Mtodos de Optimizacin Utilizados

El presente trabajo propone la combinacin de dos tcnicas de optimizacin, cada una con sus caractersticas bien diferenciadas. Por un lado estn los mtodos numricos, de probada eficacia en optimizaciones locales, pero de complejidad tpicamente exponencial cuando se requiere una bsqueda exhaustiva. Por el otro, los Algoritmos Genticos, intrnsecamente paralelos en su bsqueda, han demostrado una excelente robustez en su capacidad de bsqueda global [6-7]. De hecho, la idea de combinar estas tcnicas de tal forma a aprovechar las mejores propiedades de cada tcnica ya ha sido propuesta para diversas aplicaciones [11].

El mtodo numrico utilizado combina las ventajas de un mtodo exhaustivo de bsqueda global con otro de optimizacin local dentro de la regin de bsqueda. El mtodo consiste en descomponer el dominio global de bsqueda en pequeos subdominios montonos dentro de los cuales se pueda realizar una optimizacin local, utilizando mtodos numricos tradicionales como el algoritmo del Gradiente para encontrar los ptimos correspondientes a los subdominios ms prometedores. El mtodo numrico inicia la bsqueda a partir de un punto inicial que se va comparando con muestras de cada subdominio. Si la muestra es prometedora, se la optimiza con una variante del Mtodo del Gradiente [12] que calcula el ptimo, posiblemente local, del subdominio en cuestin, que de resultar mejor al candidato inicial, lo reemplaza. Recorridos todos los subdominios, el mtodo presenta la mejor solucin encontrada. Lgicamente, la calidad de la solucin encontrada puede mejorar con el nmero de subdominios, lo que a su vez requiere de mayores recursos computacionales. La curva de eficiencia para una turbina i est dada por una lista de puntos experimentales de potencia generada Pi en funcin del caudal turbinado Qi, para valores parametrizados de la altura de agua h, disponible en la usina. Pi = fi ( Qi, h ) (3) Los parmetros de entrada del mtodo numrico son: la potencia demandada (PD), la altura disponible (h), la lista de turbinas que estn en servicio (S) y el nmero de turbinas en servicio (NT), trabajndose con curvas de eficiencia interpoladas con respecto al parmetro h. El dominio en el cual se realiza el anlisis global, se divide en subespacios, formando un CUADRCULA. La dimensin del espacio de bsqueda es igual al nmero NT de turbinas en servicio. En la CUADRCULA, los puntos son analizados sistemticamente, y se consideran slo aquellos puntos que atienden a las restricciones del problema (2). Entrada de Parmetros (PD, h, S, NT); Obtencin de Curvas de Eficiencia respecto a h; Crear CUADRCULA (Espacio de Bsqueda); DO WHILE ( No se analice toda la CUADRCULA ) IF ( Punto Prometedor que atiende restricciones ) THEN Mtodo del Gradiente( ); END IF END DO
Pseudocdigo 1: Mtodo Numrico.

En resumen, el mtodo exhaustivo se utiliza para definir los puntos del espacio de bsqueda, recorriendo cada subespacio, optimizando localmente los puntos prometedores.

La segunda tcnica computacional considerada es el Algoritmo Gentico, basado en los mecanismos naturales de Seleccin y Gentica [6]. En l, una poblacin de posibles soluciones evoluciona mediante la aplicacin de operadores tpicamente probabilsticos (Seleccin, Cruzamiento y Mutacin), de modo que la poblacin contenga soluciones cada vez mejores. El AG ha sido utilizado satisfactoriamente como herramienta de bsqueda de ptimos globales [6-8], debido a su relativa sencillez de implementacin y la robustez de su aplicacin. Adicionalmente, su implementacin paralela resulta sumamente sencilla y eficiente [9], especialmente en el contexto asncrono de las redes de computadoras existentes en la actualidad. t 0; Iniciar Poblacin ( t ); Evaluar Poblacin ( t ); DO WHILE ( No se cumpla Criterio de Parada ) t t + 1; Seleccionar Poblacin ( t ) a partir de Poblacin ( t 1 ); Cruzar y mutar Poblacin ( t ); Evaluar Poblacin ( t ); END DO
Pseudocdigo 2: Algoritmo Gentico.

El mtodo ms natural para mejorar el tiempo de respuesta del AG (Pseudocdigo 2), es la paralelizacin del mismo [13-14]. En efecto, la poblacin de individuos puede descomponerse en subpoblaciones, asignadas a diversos procesadores posiblemente heterogneos, que peridicamente intercambian individuos entre s de acuerdo a una poltica migratoria definida, en nuestra implementacin, por los siguientes parmetros: El intervalo de migracin: establece cada cuantas generaciones se realizar la migracin de una cierta cantidad de individuos desde una subpoblacin a otra. La tasa de migracin: que indica cuantos individuos han de comunicarse a la otra subpoblacin. El criterio de seleccin de migrantes: determina la poltica que se aplicar para la seleccin de los individuos que han de migrar. Por ejemplo, se los puede elegir al azar o entre los mejor adaptados de la subpoblacin considerada. La topologa de comunicacin: define el sentido de las migraciones, es decir, el o los procesadores destino de la migracin.

Otro concepto inherente a una eficiente paralelizacin en un ambiente distribuido heterogneo, es el balanceamiento de cargas [2]. En efecto, como los diversos procesadores de un sistema distribuido pueden tener capacidades diferentes de procesamiento, es sumamente importante que las

subpoblaciones tengan los tamaos relativos adecuados, proporcionales al desempeo de los procesadores que los albergarn. Desafortunadamente, este balanceamiento de carga es muy difcil de lograr. Un alivio a este problema lo constituye la implementacin asncrona [2] que permite a cada subpoblacin realizar tantas generaciones como sean necesarias, comunicando eventualmente sus mejores individuos a otros procesadores e incorporando en su subpoblacin los migrantes que van llegando, formndose de esta manera una poblacin extendida. En este contexto, se pierde el concepto global de generacin, pues algunos procesadores podrn realizar ms iteraciones que otros, en el mismo periodo de tiempo.

3.

Implementacin del A-Team

Debido al ingrediente de aleatoriedad del AG y sus dificultades en atender la restriccin (2), el presente trabajo propone aplicar dicho algoritmo slo en algunas turbinas, aplicando el mtodo numrico en las unidades restantes, asegurando as el cumplimiento de las restricciones del problema. De esta forma, el espacio de bsqueda exhaustiva para el mtodo numrico es reducido considerablemente, quedando el AG como responsable por encontrar las regiones prometedoras ha ser exploradas en detalle por el mtodo numrico. De esta forma, se espera obtener las ventajas combinadas de ambos mtodos, reduciendo considerablemente el tiempo de ejecucin, de forma similar al A-Team propuesto en [3]. La funcin objetivo que se busca optimizar en una usina, est dada por la eficiencia en la generacin de energa [1], conforme: PD = (4) h Qi donde: Qi caudal turbinado en la unidad generadora i, Qi Caudal Total turbinado por todas las turbinas en servicio, peso especfico del fluido turbinado. Los valores extremos de la funcin objetivo estn muy prximos entre s, lo que limita el desempeo del operador de Seleccin. Para corregir esto, se escala la funcin objetivo [4]. A esta funcin escalada se le llama funcin de adecuabilidad, o fitness f. El presente trabajo utiliza un escalamiento lineal dado por: f =a + b (5) El AG implementado, representa un individuo como una estructura de datos, formada por las siguientes variables: la codificacin binaria de las potencias correspondientes a las turbinas asignadas al Algoritmo Gentico (que denominamos: cromosoma); los valores reales de dichas potencias: Pi ( i NT ). Por lo tanto, las

potencias Pi son las variables independientes de la funcin objetivo; los valores de caudal para cada turbina: Qi ( i NT ), obtenidos a partir de los valores de potencia Pi en funcin de la ecuacin (3); la eficiencia , en la generacin de la energa.

Para cada individuo, el AG calcular la potencia de k unidades (k < NT) y el mtodo numrico de las (NT k) unidades restantes, sirviendo de complemento para el clculo de la eficiencia . De esta forma, se asegura el cumplimiento de las restricciones del problema, quedando conformado un ATeam que trabaja de la siguiente manera: a) Para cada individuo j de la poblacin inicial, se generan aleatoriamente todas sus potencias Pi (0 < i k < NT); siendo Pi la generacin de la unidad i (asignada al AG). b) Para cada individuo j de la poblacin inicial, se aplica el mtodo numrico, de forma a calcular las potencias Pi (k < i NT). Dicho clculo se realiza asignando a las (NT k) turbinas restantes, una potencia deseada de generacin de (PD Pl ) donde (0 < l k). c) Conocidas las NT potencias Pi, se calcula la eficiencia usando las ecuaciones (3) y (4), y luego el fitness f conforme (5). d) Si no se cumple el criterio de parada del algoritmo, se transmiten los migrantes seleccionados, se reciben migrantes de otros procesadores y se aplican los operadores genticos, siendo el operador de seleccin el encargado de mantener constante el tamao de la poblacin. e) El proceso continua hasta que se cumple el criterio de parada. Entonces, el A-Team proporciona el mejor individuo. Eventualmente, la solucin obtenida puede ser mejorada aplicando el mtodo del Gradiente a la solucin proporcionada por el A-Team. Leer Datos; Levantar Procesos Esclavos; Enviar Parmetros a cada Esclavo; Fin FALSE; DO WHILE ( Fin ) Recibir Mensaje Terminacin de Esclavos; IF ( Todas las mquinas terminaron ) THEN Fin TRUE END DO Enviar Mensaje de Fin a Esclavos; Eliminar Procesos Esclavos;
Pseudocdigo 3: Proceso Master.

La implementacin asncrona realizada est compuesta por un proceso Master (Pseudocdigo 3) que se encarga de administrar los recursos, incluyendo el lanzamiento de diversos procesos Esclavos en cada uno de los procesadores disponibles. Estos procesos Esclavos realizan los clculos propiamente dichos, conforme se ilustra en el Pseudocdigo 4.

Recibir Parmetros; Iniciar Poblacin; Estadstica de la Poblacin; Seleccin de Individuos; DO WHILE ( TRUE ) Reproduccin; Clculo fitness de individuos;

Escoger y Enviar Migrantes; Recibir Migrantes; Seleccionar Individuos; Estadstica de la Poblacin; IF ( Criterio de Fin ) THEN Aplicar Gradiente ( Individuo solucin ); Mensaje al Master; END IF END DO

/*Cruzamiento y Mutacin*/ /*Usando Mtodo Numrico del*/ /*Pseudocdigo 1 para cumplir ( 2 )*/ /*a otros procesos Esclavos*/ /*de otros procesos Esclavos*/ /*Manteniendo tamao de Poblacin*/

Pseudocdigo 4: Proceso Esclavo.

En la implementacin asncrona, cuando una subpoblacin recibe migrantes se forma una poblacin extendida sobre la que se aplica el Operador de Seleccin de tal forma a seleccionar en cada generacin la misma cantidad de individuos, manteniendo constante el tamao de la subpoblacin correspondiente [13].

4. Resultados experimentales
El problema ejemplo considera una represa hidroelctrica con 9 unidades generadoras que pueden generar entre 300 MW y 710 MW cada una, y curvas de eficiencia obtenidas experimentalmente a partir de un index-test. Los resultados que siguen fueron calculados para h = 116,5 m. El lenguaje de programacin utilizado en los algoritmos secuenciales fue el ANSI C, utilizndose PVM (Parallel Virtual Machine), en la versin extendida del ANSI C, para la codificacin paralela del A-Team. Los resultados experimentales fueron levantados en una plataforma de 5 computadoras personales en una red Ethernet (10 Mbps), cada una con procesador Pentium de 75 MHz y 8 MB de memoria RAM. Se realizaron 20 corridas de la combinacin secuencial de AG y mtodo numrico (que llamaremos AG combinado), as como del A-Team, promedindose los resultados. Para el AG combinado se consider una poblacin de 200 individuos. El modelo del Operador de Seleccin que se aplic sobre dicha poblacin es el de la Ruleta [6]. La probabilidad de cruzamiento utilizada fue de 0.6, siendo la probabilidad de mutacin igual a 0.003. Esta poblacin global fue

dividida en 4 subpoblaciones de 50 individuos cada una, para la implementacin del A-Team, quedando la quinta mquina como Master. Los resultados experimentales fueron obtenidos para diferentes valores de potencia demandada (PD), utilizndose la siguiente nomenclatura para la descripcin de los resultados obtenidos en las tablas que siguen:
MN
Intensidad 9

MN ............ Mtodo Numrico utilizado tradicionalmente (sin AG). AG+MN .... implementacin secuencial que combina el AG y el MN. MN ............eficiencia obtenida por el MN. tMN ............. tiempo total de ejecucin del MN para obtener MN. prom .......... promedio de la eficiencia en las 20 corridas. tprom ............ promedio de tiempo en las 20 corridas. t_AG+MN ..... desviacin tpica de tiempos de cmputo con AG+MN. max-AG ....... eficiencia mxima obtenida por el AG+MN. AG+MN ....... desviacin tpica de max-AG con AG+MN. max-A-Team .. eficiencia mxima obtenida por el A-Team. A-Team ......... desviacin tpica de max-A-Team con A-Team. t_A-Team ....... desviacin tpica de tiempos de cmputo con A-Team.
Variable

Algoritmo

tMN (seg.) tMN (seg.)

Variable

MN MN

MN
Intensidad 11

NT = 3 NT = 4 85.878 85.878 0.1 0.56 85.964 85.964 0.14 2.04 NT = 3 NT = 4 85.718 85.991 85.718 85.991

NT = 5 85.878 4.17 85.964 15.05 NT = 5 85.991 85.991

NT = 6 85.878 43.63 85.964 136.59 NT = 6 85.991 85.991

0.00243

NT = 7 NT = 8 85.878 85.878 1040.92 56211.02 85.964 85.964 3688.51 136576.3 NT = 7 85.991 85.908
0.00243

NT = 9

Muy Grande

Muy Grande

Algoritmo

AG+MN

AG 2.6105 2.6105 0.00243 tprom (seg.) 13.61 38.256 128.256 t_AG+MN A-Team
0.1805 0.5553 0.4347

max-AG prom

NT = 8 85.991 85.987
0.00377

NT = 9 85.991 85.983
0.00292

566.71 85.991 85.989

0.00453

2984.1 85.991 85.988

0.00364

9018.02 85.991 85.990

0.00317

9058.38 85.991 85.984

0.00708

max-A-Team 85.989 85.989 prom

85.991 85.991 A-Team tprom (seg.) t_A-Team 8.663
1.687

85.991 85.988
0.00630

0.00286 0.00351

16.502
7.430

75.982
19.143

171.46
38.659

223.488
52.911

1313.89
470.856

3500.18
3135.408

Tabla 1: Resultados experimentales para PD = 1.500 MW.

En las tablas que siguen, el trmino Intensidad indica el nmero de subdominios por dimensin, introducida como parmetro para la formacin de la CUADRCULA (espacio de bsqueda) del MN. La dimensin del espacio de bsqueda est dada por el nmero NT de turbinas en servicio. Lgicamente, a medida que aumenta la Intensidad, la solucin (eficiencia) obtenida mejora y en contrapartida aumenta el tiempo de computacin.

Al considerar el tiempo de computacin para obtener soluciones similares, resulta evidente que el mtodo numrico presenta mejor desempeo cuando la dimensin del problema es suficientemente pequea.
Algoritmo Variable

MN
Intensidad 9

MN
Intensidad 11

max tmax (seg.) max tmax (seg.)

Variable

NT = 3 NT = 4 87.710 0.32 87.906 0.52 NT = 4 87.882 87.881

5.9105

NT = 5 87.710 14.04 87.992 21.05 NT = 5 87.910 87.893

0.00265

NT = 6 87.710 176.01 87.992 676.88 NT = 6 87.910 87.893

0.0378

NT = 7 87.710 1186.54 87.992 3886.14 NT = 7 87.910 87.906

0.0165

NT = 8 87.710 22137.4 87.992 61608.8 NT = 8 87.910 87.904

0.0124

NT = 9

Muy Grande

Muy Grande

NT = 3 AG+MN AG tprom (seg.) t_AG+MN max-A-Team A-Team prom A-Team tprom (seg.) t_A-Team

Algoritmo

max-AG prom

NT = 9 87.910 87.909
0.0028

18.231
0.0702

33.654
0.1111

63.138 87.992 87.970

0.0565

149.628 87.992 87.987

0.0170

854.17 87.992 87.974

0.0350

3037.52 87.994 87.991

0.0030

87.964 87.964
0.0001

87.992 87.991
0.00290

12.443
5.401

19.421
13.480

32.199
13.577

106.465
57.940

370.921
136.044

1759.30
498.618

Tabla 2: Resultados experimentales para PD = 2.550 MW.

100000 Tiempo de Computacin 10000 1000 100 10 1 4 0.1 N de Turbinas 5 6 7 8 MN AG+MN A-Teams

Figura 1: Tiempo vs. N de Turbinas para PD = 2550 MW.

Si analizamos la calidad de la solucin (eficiencia obtenida), podemos notar que la combinacin de mtodos permite obtener muchas veces soluciones superiores a las obtenidas con el MN para la misma Intensidad de bsqueda, aunque en promedio, las soluciones obtenidas resultan bastante similares. De entre las implementaciones combinadas, el A-Team supera generalmente al AG combinado puramente secuencial, reiterndose el efecto positivo que tiene el asincronismo sobre la diversidad de la poblacin [10].

Sin embargo, cuando la dimensin NT del espacio de bsqueda aumenta, el problema se vuelve ms complejo y con esto, el desempeo del A-Team supera ampliamente a los dems mtodos considerados (Tablas 1 y 2). En efecto, la Figura 1 muestra que claramente, para NT > 5 el A-Team es ms rpido que el mtodo numrico, para soluciones equivalentes, y esta ventaja tiende a crecer rpidamente con el tamao del problema. Para el presente trabajo, se define la Aceleracin (speedup) como el cociente entre el tiempo de ejecucin secuencial del MN (tradicionalmente utilizado) y el tiempo de ejecucin del A-Team, para soluciones equivalentes [2], esto es: (6) TA - Team Comparando la aceleracin para diferentes valores de Potencia Demandada PD (Figura 2), se puede observar una vez ms la superioridad del A-Team en la medida que crece la complejidad del problema. As, la aceleracin aumenta no solo con el tamao del problema, sino tambin con el valor de PD. Esto porque en la medida que se demande mayor generacin de energa, ms turbinas deben entrar a operar efectivamente, e inclusive algunas pueden necesitar operar en condiciones extremas de generacin en alta carga, con alta alinealidad. Por consiguiente crece la complejidad del problema, lo que crea un escenario apropiado para la implementacin de un A-Team.
1000 Aceleracin ( Speedup ) 100 10 1 0.1 0.01 4 5 6 7 8 1500 MW 2550 MW

Sp =

TMN

N de Turbinas

Figura 2: Aceleracin (Speedup) vs. N de Turbinas.

5. Conclusiones
De acuerdo a los resultados obtenidos, el A-Team que combina Algoritmos Genticos Paralelos y tradicionales Mtodos Numricos, mejora considerablemente el tiempo de clculo requerido para optimizar la eficiencia en la generacin de energa hidroelctrica, cuando es comparado con el mtodo numrico trabajando secuencialmente. Esta mejora se acrecienta en la

medida que la dimensin del espacio de bsqueda (equivalente al nmero de turbinas en servicio) crece, siendo perceptible a partir de unas 5 turbinas, nmero muy inferior al utilizado en represas hidroelctricas como la Itaip, que posee 18 unidades en operacin con capacidad de expansin futura. Sin embargo, el mtodo numrico presenta mejor desempeo que el A-Team cuando el problema es simple, como se puede observar en las Tablas de la seccin anterior. Con todo, teniendo en cuenta el tamao de las represas hidroelctricas consideradas, el A-Team propuesto promete ser una herramienta sumamente til en la optimizacin de los recursos hdricos utilizados para la generacin de energa. Una ventaja adicional de la propuesta es su facilidad de paralelizacin, utilizando implementaciones asncronas que enriquecen la diversidad de la poblacin del AG y permiten as aprovechar al mximo las redes locales de computadoras personales y workstations existentes en las organizaciones modernas, en lugar de utilizar computadoras de alto desempeo ms costosos y menos accesibles. En efecto, la Figura 1 muestra los excelentes resultados alcanzados con una implementacin en una red de computadoras personales, lo que resulta sumamente prometedor, alentando otras aplicaciones combinadas de algoritmos diversos en ambientes distribuidos, cada vez ms populares y accesibles.