Está en la página 1de 9

“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”

FACULTAD DE INGENIERIA CIVIL

Optimización de recursos Hídricos


Situación actual de la optimización de sistemas de recursos hídricos
Un sistema de recursos hídricos se entiende, desde el punto de vista de la gestión del mismo,
como un sistema uni o multi embalse compuesto por diversos componentes físicos tales como
embalses, canales, túneles, tuberías, estaciones de bombeo, plantas hidroeléctricas, zonas de
regadío y sistemas de suministro urbano (demandas), que se opera para suministrar agua para
su uso urbano, agrícola e industrial, para la producción de energía hidroeléctrica, para el
control de avenidas y para cumplir determinados requisitos ecológicos, sin olvidarnos de las
necesidades de posibilitar la navegación o los usos recreativos.

La optimización de un sistema de recursos hídricos conlleva pues el reparto de los recursos, el


desarrollo de estrategias de regulación de caudales y reglas de operación de embalses, y la
toma de decisiones en tiempo real sobre qué desembalses realizar en base a las reglas de
operación definidas (Wurbs, 1993). El objetivo final de la optimización del sistema es
maximizar el beneficio, minimizar costes, suministrar a todas las demandas, a la vez que se
cumple la ecuación del balance de masas del sistema, así como otras restricciones más
particulares (Rani, 2010).

Para alcanzar estos objetivos resulta de inestimable ayuda la utilización de herramientas


informáticas y modelos matemáticos que nos permitan (o faciliten) llevar a cabo el proceso de
optimización. Aunque los modelos de simulación actuales nos permiten analizar cuestiones del
tipo “¿qué pasaría si…?” relacionadas con el funcionamiento de diferentes alternativas de
operación, no pueden, sin embargo, ayudarnos a obtener cuál es la mejor estrategia de
utilización de dichas alternativas. Los modelos de optimización, por otro lado, sí que tienen esa
capacidad de, sistemáticamente, seleccionar cuál es la solución óptima, o qué familia de
soluciones lo es, bajo una serie de objetivos y restricciones predeterminados.

Curso: Recursos Hidráulicos 1


“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”
FACULTAD DE INGENIERIA CIVIL

La principal tarea de un modelo de optimización es obtener el mejor valor (máximo o mínimo)


de una función cuyos componentes representan variables de control (o decisión) así como
diferentes parámetros que representen los diferentes pesos que pueden tener las variables
anteriormente nombradas. Esta función recibe el nombre de función objetivo, y es el corazón
de todo modelo de optimización (Wurbs, 1993). Una formulación generalista de una función
objetivo sería (Labadie, 2004):
𝑇

max (𝑜 𝑚𝑖𝑛) ∑ 𝛼𝑡𝑓𝑡(𝒔𝑡, 𝒓𝑡) + 𝛼𝑇+1𝜑𝑇+1(𝒔𝑇+1)


𝑡=1

donde 𝒓𝑡 es el conjunto n-dimensional de variables de control (o decisión) durante el periodo t;


T es el horizonte de operación; 𝒔𝑡 representa el vector almacenamiento del sistema al inicio del
periodo t; 𝑓𝑡(𝒔𝑡, 𝒓𝑡) es la función objetivo a ser maximizada (o minimizada); 𝜑𝑇+1(𝒔𝑇+1) es el
término final representando los beneficios (o costes) futuros, más allá del horizonte de
optimización; y 𝛼𝑡 los factores de descuento para determinar el valor presente de los
beneficios (o costes) futuros. Esta función objetivo, según las variables que se manejen, podrá
ser lineal o no lineal.

Esto significa que la optimización se realiza sin la presunción de conocer perfectamente cuáles
serán los flujos futuros. Adicionalmente, las reglas de operación óptimas se determinan
directamente, sin la necesidad de inferirlas posteriormente de los resultados de la
optimización. Sin embargo, los métodos explícitos son computacionalmente mucho más
exigentes que los implícitos.

Figura 1.1 Procedimientos de optimización estocástica implícita (a) y explícita (b). Traducidos de Labadie (2004)

Curso: Recursos Hidráulicos 2


“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”
FACULTAD DE INGENIERIA CIVIL

Programación Lineal
La programación lineal es una de las técnicas de optimización más empleadas en la modelación de
sistemas de recursos hídricos Se trata de un método de optimización estocástica implícita. Lo más
atractivo de esta técnica es su flexibilidad de aplicación a problemas grandes, la convergencia a un
óptimo global, la no necesidad de aportar soluciones iniciales, la existencia de una teoría dual sólida
para realizar análisis de sensibilidad, y la disponibilidad de numerosas herramientas informáticas
relativamente sencillas de utilizar ya creadas, o adaptadas, para su resolución, como por ejemplo CPLEX
(IBM), GAMS

Un ejemplo de aplicación de programación lineal a la optimización de un sistema de recursos hídricos se


encuentra en Devi (2005), en el que se plantea un problema de programación lineal para el reparto de
agua óptimo en la cuenca del río Subernarekha (India) de forma que se maximice el beneficio por riego y
generación de energía hidroeléctrica

Los algoritmos de la programación más robustos y potentes son, según Labadie (2004):

_ Programación lineal sucesiva (o secuencial), donde todas las funciones no lineales se aproximan
mediante los dos primeros términos de su serie de Taylor asociada. Las soluciones deben mantenerse
dentro de una serie de regiones de confianza para evitar inestabilidades en la convergencia.

_ Programación cuadrática sucesiva (o secuencial), que aprovecha la eficiencia de la programación


cuadrática y la mayor capacidad de los desarrollos cuadráticos para aproximar funciones no lineales que
las relaciones lineales.

_ Método Lagrangiano aumentado (o método de los multiplicadores), que emplea una función
Lagrangiana similar a la empleada en el método anterior pero mejorada con una serie de términos de
penalización de forma que el problema de optimización original se puede reemplazar por una secuencia
de problemas de optimización no lineal sin restricciones más sencillos de resolver.
_ Método generalizado del gradiente reducido. Es una técnica de búsqueda por gradiente restringida
que resuelve un problema de optimización reducido respecto a las variables de decisión del problema
original.

Curso: Recursos Hidráulicos 3


“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”
FACULTAD DE INGENIERIA CIVIL

Programación Dinámica
Existen problemas que poseen una estructura especial: las decisiones son tomadas en forma secuencial,
en el tiempo y/o en el espacio. O sea, estos problemas pueden descomponerse en varias etapas, las que
pueden ser completadas de una o más formas. Pero, a pesar de que las decisiones son tomadas de a
una, ellas son altamente interdependientes. Para resolver este tipo de problemas surgió la
programación dinámica (PD), que fue desarrollada por Richard Bellman a mediados de la década del 50.
En verdad, la palabra dinámica da la sensación de decisiones relacionadas con el tiempo, no obstante
pueda ser utilizada también en situaciones donde el tiempo no es un factor importante.

Por tal motivo, tal vez un nombre mas apropiado sería el de "programación de etapas múltiples" (Taha,
1994). El planeamiento y operación de sistemas de recursos hídricos presenta innumerables situaciones
caracterizadas por una secuencialidad espacial y/o temporal en la toma de decisiones. Estas situaciones
son especialmente adecuadas para ser abordadas a través de la PD. La ventaja de este abordaje es que
problemas de gran porte pueden ser descompuestos en otros más pequeños y fáciles de resolver. La PD
no está limitada por requerimientos de linealidad, convexidad o continuidad, como la programación
lineal. Sin embargo, está limitada a problemas donde la FO es función de una (o más) variables de
decisión y no proporcional a ellas

Esta función puede, inclusive, ser discontinua, al punto de estar definida solamente para valores
discretos de las variables de decisión (Labadie, 1977; Barros, 1997). Sintéticamente, la solución de
problemas de PD consiste en buscar la decisión óptima "paso a paso", teniendo en consideración las
futuras consecuencias de cada decisión: la decisión "i" debe ser la mejor, no solamente considerando
esa etapa, sino todas las etapas restantes, incluyendo la propia etapa

Aplicada a los recursos hídricos

Ri(xij) el resultado (costo o beneficio) de la decisión 'j" para la variable "xi", en la etapa i

Fi(qi) el beneficio "óptimo" de las etapas i, 1+i, …, N, para el valor "q"de la variable de estado en la etapa
"i".

Curso: Recursos Hidráulicos 4


“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”
FACULTAD DE INGENIERIA CIVIL

siendo "Y' el grado de discretización de la variable de estado. En otras palabras, esto significa que la
variable de decisión puede adoptar un valor entre "J+1" valores posibles (son "Y' valores discretos, más
la opción de la decisión de adoptar el valor "cero") sin sobrepasar el límite del recurso. Este límite, en la
etapa "i", es definido por el valor de la variable de estado. El símbolo IP indica una operación cualquiera,
normalmente una suma o un producto. Anteriormente, fue explicado que para resolver problemas de
PD es preciso definir en cada etapa una ecuación de estado. Esta ecuación puede ser expresada como:

Curso: Recursos Hidráulicos 5


“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”
FACULTAD DE INGENIERIA CIVIL

Optimización de la expansión de un sistema


de recursos hídricos utilizando las
metodologías del Algoritmo Genético y el
Recocido Simulado

Un par de métodos numéricos fundamentados en dos técnicas de búsqueda


globales, Algoritmo Genético (AG) y Recocido Simulado (RS).

Son desarrollados para resolver e/ problema de expansión de capacidad


de un sistema de recursos hídricos.

La estrategia ha sido dividir el problema en dos subproblemas: el de


disponibilidad de capital y el de la política de operación. Ambos
modelos son de optimización-simulación, el primero se realiza mediante
los algoritmos del HS y el AG en cada caso, en tanto que el segundo se
lleva a cabo a través del algoritmo del Out-of-kilter (AOK) en los dos modelos. La
función objetivo con que se trabaja considera los beneficios y costos más comunes en
este tipo de sistemas, tales cormo beneficios por riego, por
hidroelectricidad y costos de construcción de los embalses y
mantenimiento del sistema

Algoritmo Genético

El AG es un procedimiento de búsqueda global, fundamentado en los mecanismos de la


selección natural y de la genética que, en conjunto con algunos elementos de probabilidad, ha
arrojado resultados sorprendentes para un buen número de problemas (Go[dberg, 1989).

El núcleo del AG Io conforman tres operadores: reproducción, cruza y mutación. La manera de


conseguir que el AG funcione como un método de optimización es representar una población
de posibles soluciones en forma codificada a través de un alfabeto, a fin de poder
manipularlas efectivamente por medio de la simulación de los tres operadores.

Curso: Recursos Hidráulicos 6


“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”
FACULTAD DE INGENIERIA CIVIL

Al trabajar el algoritmo con soluciones codificadas dejan de actuar muchas


circunstancias coercitivas como la continuidad o la derivabilidad de la función
objetivo, que constituyen una restricción en otros métodos.

Desarrollo
El paso inicial es producir de manera aleatoria una generación inicial de cadenas que
representen posibles respuestas. Cada una de estas cadenas es
evaluada a través de la función objetivo, Io cual se consigue por medio de la simulación
que, por regla general, requiere de un modelo numérico.

El siguiente paso consiste en elegir los nuevos elementos de


entre los que forman la generación actual, con la intención de formar una nueva
generación de cadenas o cromosomas. Uno de los procedimientos
más socorridos es el conocido como el de la ruleta (Davis, 1996),
el cual consiste en:

Sumar el valor que representan todas las cadenas. Generar aleatoriamente un


número n entre C y 1. Efectuar el producto entre dicho número y la suma total antes
indicada.

Seleccionar aquella cadena cuyo valor sumado a la suma parcial de las que le anteceden
sea igual o mayor que el producto de n por la suma total de las cadenas.

Recocido Simulado

Este es otro método de búsqueda para el óptimo global que se ha utilizado en una amplia
variedad de problemas, cuyo fin es encontrar la solución óptima de una función con un gran
número de variables independientes (Kirkpatrick, 1983; Cerny, 1985; Van Laarhoven y
Aarts, 1987). Como ocurre con la metodología antes descrita (el
Algoritmo Genético), el RS también posee la característica de no estar limitado por
circunstancias coercitivas (derivabilidad o continuidad de la función objetivo).

La idea principal del RS es efectuar una analogía con un fenómeno termodinámico,


específicamente con la manera en que los líquidos se congelan y cristalizan, o en que los
metales se enfrían y recuecen.
A altas temperaturas, las moléculas se mueven libremente, pero conforme el sistema es
enfriado lentamente, las moléculas se alinean, formando cristales que representan el estado
de energía mínimo de dicho sistema.

Curso: Recursos Hidráulicos 7


“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”
FACULTAD DE INGENIERIA CIVIL

La analogía es que la función objetivo representa la energía libre de un sistema


termodinámico; un parámetro de control que realiza las funciones de la temperatura es
utilizado para gobernar al algoritmo de optimización iterativa, hasta que se alcanza un estado
con una función objetivo baja.

Curso: Recursos Hidráulicos 8


“UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA”
FACULTAD DE INGENIERIA CIVIL

Curso: Recursos Hidráulicos 9