Aplicacion de AG para Lo Ubicacion Optima de Condensadores en RDP

PROYECTO DE GRADO
Presentado ante la ilustre UNIVERSIDAD DE LOS ANDES como requisito parcial para
obtener el Título de INGENIERO DE SISTEMAS
APLICACIÓN DE ALGORITMOS GENÉTICOS PARA LA

LOCALIZACIÓN ÓPTIMA DE CAPACITORES EN REDES
PRIMARIAS DE DISTRIBUCIÓN
Por
Br. Maryury Hernández

Tutor: Ernesto Mora
Cotutor: Sebastián Medina
Mayo 2008
©2008 Universidad de Los Andes Mérida, Venezuela

DEDICATORIA
A Dios Todo Poderoso, a mis Padres y a mi Tía Isabel por ser quienes me han brindado su
amor y su apoyo incondicional durante toda mi carrera.
ii
AGRADECIMIENTOS
En primer lugar, agradezco a Dios por ser la luz y guiador de todos mis pasos, por
llenarme de fuerza y perseverancia en los momentos más cruciales de mi vida. Gracias Padre
por tu infinito Amor.
A mi Madre gracias por haberme dado la vida, siempre estarás en mis pensamientos. Mis
triunfos son tuyos.
Agradezco a mi Padre por su amor incondicional, su apoyo y sus sabios consejos, que me
ayudan a seguir cada día adelante.
Agradezco a mi familia, en especial a mi tía Isabel y a su esposo Luis Niño, por brindarme
su apoyo en las buenas y en las malas y por sobre todo la paciencia y la confianza depositada
en mí.
Al profesor Viloria y a Yván por permitirme el uso del Laboratorio Labidai durante la
realización de este Proyecto, y por todo el apoyo brindado.
Al profesor Ernesto Mora y al profesor Sebastián Medina, por orientarme y brindarme su

apoyo durante el desarrollo de este trabajo.
A mis amigos y amigas en especial Melissa Medina por haberme acompañado y apoyado
durante la realización de este trabajo.
A José Manuel por hacerme saber que cuento con él en cualquier momento, agradezco
todo el apoyo brindado.
Finalmente agradezco a todas aquellas personas que de alguna manera han colaborado con
sus sabios consejos, me han brindado su apoyo y me han acompañado durante toda mi carrera.
Y especialmente en el desarrollo de este trabajo.
iii
Br. Maryury C. Hernández M. APLICACIÓN DE ALGORITMOS GENETICOS
PARA LA LOCALIZACIÓN ÓPTIMA DE CAPACITORES EN REDES PRIMARIAS
DE DISTRIBUCIÓN. Universidad de Los Andes. Tutor: Prof. Ernesto Mora. Mayo 2008.
Resumen
El presente trabajo consiste en el desarrollo e implementación de una metodología basada en

Algoritmos Genéticos con el fin de determinar la localización, tipo y número de capacitores a
ser instalados en un Sistema de Distribución Radial de topología conocida. El objetivo es
minimizar las perdidas de potencia de punta y las pérdidas de energía de un Sistema de
Distribución considerando el costo de los condensadores. A partir de las ecuaciones de balance
de potencia en las barras y las pérdidas totales se deriva un método basado en un Análisis de
Sensibilidad ante la inyección de potencia reactiva para determinar las localizaciones de
condensadores a ser instalados. Luego se desarrolló un Algoritmo Genético capaz de encontrar
una solución global mediante la utilización de una técnica basada en la formación de nichos en
la población. La metodología se validó mediante su aplicación a tres sistemas de pruebas, que
han sido comprobados mediante otros programas, con el fin de establecer una comparación
cualitativa y cuantitativa de los resultados obtenidos. Por último se desarrolló una interfaz
gráfica que permite al usuario ingresar los datos en forma sencilla sin tener la necesidad de
conocer sobre la estructura interna del programa.
Palabras claves: Localización de capacitores, Dimensionamiento de capacitores Sistemas de

Distribución, Algoritmos Genéticos, Pérdidas Joule y Perfil de Tensiones.
iv
ÍNDICE GENERAL
DEDICATORIA ii
AGRADECIMIENTOS iii
RESUMEN v
Capítulo pp
1 INTRODUCCIÓN 1
2 OPTIMIZACIÓN EN LA UBICACIÓN DE BANCOS DE

CONDENSADORES 4
2.1 Antecedentes 4
2.2 Planteamiento del problema 7
2.3 Objetivos 8
1.3.1 Objetivo general 8
1.3.2 Objetivos específicos 8
3 SISTEMAS DE DISTRIBUCIÓN 9
3.1 Definición 9
3.2 Clasificación y características de los sistemas de distribución 10
3.3 Efectos producidos por la circulación de potencia reactiva 13
3.4 Compensación de potencia reactiva en sistemas de distribución 14
3.5 Análisis de sensibilidad 17
3.6 Flujo de potencia 19
3.6.1 Método de Gauss-Seidel 20
4 ALGORITMOS GENÉTICOS 24
4.1 Definición 24
4.2 Terminología biológica asociada con los algoritmos genéticos 24
4.3 Funcionamiento de los algoritmos genéticos 26
4.4 Componentes de los algoritmos genéricos 27
4.5 Ventajas de los algoritmos genéticos con respecto a otros métodos 33
4.6 Algoritmos genéticos aplicados a los sistemas de distribución 33
4.7 Algoritmo de Nichos 36
4.7.1 Clasificación de los métodos de Nichos 38
4.7.2 Poblamiento Determinístico 39
5
ALGORITMO UTILIZADO PARA LA LOCALIZACIÓN OPTIMA DE
CAPACITORES EN SISTEMAS DE DISTRIBUCIÓN
43
5.1 Función objetivo a minimizar mediante algoritmo genético con nichos 43
5.2 Diagrama de flujo del programa para la localización de capacitores 47
5.2.1 Lectura de datos 49
5.2.2 Inserción de parámetros 49
v
5.2.3 Análisis de sensibilidad 49
5.2.4 Generación de la población inicial 50
5.2.5 Selección de pareja de padres aleatoriamente y sin reemplazo 50
5.2.6 Cruzamiento 51
5.2.7 Mutación 51
5.2.8 Evaluación 51
5.2.9 Actualizar datos 52
5.2.10 Actualizar gráfica 52
5.2.11 Resultado final 52
5.3 Interfaz gráfica 53
5.3.1 Ventana principal 53
5.3.2 Ventaja de configurar el sistema 54
5.3.3 Ventana de introducir parámetros 54
5.3.4 Ventana de localizar 55
6 RESULTADOS 57
6.1 Sistemas de cuatro barras 57
6.2 Sistemas de diez barras 60
6.3 Sistema de treinta barras 63
7 CONCLUSIONES Y RECOMENDACIONES 69
REFERENCIAS 71
ANEXO: MANUAL DEL USUARIO 75
vi
LISTA DE FIGURAS
Figura pp
3.1 Sistema eléctrico
3.2 Alimentador principal 9
3.3 Diagrama de un bajo factor de potencia 10
3.4 Representación de la Potencia Reactiva Grande 16
3.5 Corrección del factor de potencia 16
4.1 Representación de los Individuos de acuerdo a su fitness 28
4.2 Representación de los individuos por el método del ranking 29
5.1 Discretización de la curva en niveles de carga 44
5.2 Diagrama de flujo del sistema 48
5.3 Codificación del individuo 50
5.4 Ventana Principal 53
5.5 Ventana Configurar Sistema 54
5.6 Parámetros del sistema 55
5.7 Muestra de los resultados 56
Figura 6.1: Sistema de Tres Barras 57
6.2 Niveles de carga discretizada 58
Figura 6.3: Convergencia del Algoritmo Genético con Nichos 60
Figura 6.4: Sistema de Diez Barras 60
Figura 6.5: Convergencia del Algoritmo Genético 63
Figura 6.6: Sistema de Treinta Barras 63
Figura 6.7: Convergencia del Algoritmo Genético para 5 Barras a Compensar 67
vii
LISTA DE TABLAS
Tabla pp
4.1 Clasificación de los métodos de Nichos 39
4.2 Pseudocódigo del Algoritmo de Poblamiento Deterministico 42
6.1 Información general del sistema de cuatro barras 58
6.2 Parámetros usados por el Algoritmo Genético con Nichos 58
6.3 Compensación Óptima 58
6.4 Comparación de Pérdidas de Energía para el nivel de carga máximo 59
6.5 Resultados de Ahorros, de Costos del Sistema Sin y Con Compensación 59
6.6 Comparación de las Tensiones 59
6.7 Datos de Entrada 61
6.8 Resultados de Ahorros, de Costos Sin y Con Compensación 61
6.10 Pérdidas de Energía Sin y Con Compensación para el mayor Nivel de Carga 62
6.11 Tensiones Sin y Con Compensación para el mayor Nivel de Carga 62
6.12a Datos de Entrada 64
6.12b Datos de Entrada 65
6.14 Pérdidas de Energía Sin y Con Compensación en el mayor Nivel de Carga 65
6.15 Resultados de Ahorros, Costos Sin y Con Compensación 66
6.16 Tensiones Sin y Con Compensación para el mayor Nivel de Carga 66
viii
CAPITULO I
INTRODUCCIÓN
A partir del descubrimiento del fuego en la prehistoria, el hombre sintió la necesidad de

controlar, transformar y mejorar la utilización de la energía. Ese pequeño inicio de luz en el
pasado ha llegado con el trascurrir del tiempo a ser lo que es hoy en día un eje fundamental del
desarrollo de la humanidad.
La misma necesidad de desarrollo humano ha traído como consecuencia que se realicen

grandes avances producto de las innumerables investigaciones realizadas sobre la energía
eléctrica para tratar de mejorarla y hacerla más rentable para el uso. Debido al constante
crecimiento de la población, al desarrollo tecnológico y a las grandes necesidades que
enfrentan las sociedades modernas, las empresas que se encargan de la generación, trasporte y
la distribución de la energía eléctrica se han encontrado con muchos problemas debido a que
ellas tienen que tratar de prestar un servicio seguro, confiable y eficiente. Es aquí donde juega
un rol muy importante el control y la regulación de la tensión así como también la
compensación de la potencia reactiva para evitar que se generen grandes pérdidas de energía y
de inversión monetaria.
La compensación de la potencia reactiva tiene como objetivo generar dicha potencia cerca
de las cargas, es decir de una manera local, con el objetivo de reducir las corrientes en la red,
las pérdidas de potencia activa y mejorar el perfil de tensiones de la red. Para lograr esto es
necesaria la instalación de bancos de capacitores, o bien, la aplicación de motores sincrónicos
que finalmente actúan como fuentes de reactivos.
En este trabajo se estudiará la aplicación de capacitores en los sistemas de distribución, y

el logro de los objetivos antes mencionados depende en gran medida de cómo los equipos se
ubican en el sistema. Existen diferentes métodos de solución que van desde el ensayo y error,
2
pasando por el análisis de sensibilidades y técnicas de optimización matemáticas muy

diversas. Entre las técnicas que han sido utilizadas se encuentran los métodos analíticos,
programación numérica, heurística y las basadas en inteligencia artificial.
Los algoritmos genéticos forman parte de las técnicas basadas en inteligencia artificial, los
cuales son capaces de localizar la solución óptima global de un conjunto de configuraciones
con el menor esfuerzo computacional a diferencia de otras técnicas entre ellas el método
simulated annealing.
En el presente trabajo se desarrollará una metodología basada en los Algoritmos

Genéticos, la cual es capaz de determinar la solución correspondiente al óptimo global de una
función considerando requerimientos computacionales razonables. Este algoritmo se
denomina Algoritmo Genético de Nichos, tiene como objetivo determinar la localización,
tamaño, y tipo de condensadores que se deben utilizar en el sistema.
Este estudio considera Sistemas de Distribución eléctrica preexistentes y escenarios

estáticos, es decir, la aplicación desarrollada permite establecer la configuración de
condensadores más adecuada a instalar en una red predefinida y cuya topología permanece
invariante en el tiempo.
A continuación se explica de manera detallada la estructura del trabajo.
En el segundo capítulo se desarrolla de manera general el planteamiento del problema, así

como también los antecedentes del problema y los objetivos del presente trabajo.
La descripción detallada de los Sistemas de Distribución, sus características, la

compensación de la potencia reactiva y la importancia que presentan en el suministro de la
energía eléctrica para los usuarios, se encuentra enmarcada en el tercer capítulo.
El cuarto capítulo hace un desarrollo teórico de los Algoritmos Genéticos, su

funcionalidad y la importancia que tienen en los problemas de búsqueda y optimización
3
combinatoria, además se muestran los componentes sobre los cuales se basa su aplicabilidad,
como son las distintas técnicas de selección y cruce, el método de mutación, entre otros
parámetros básicos y primordiales de él. Además se explica una de las variantes de los
Algoritmos Genéticos conocida con el nombre de método de Nichos la cual es desarrollada en
esta aplicación, cuenta tan solo con dos operadores genéticos: el cruzamiento y la mutación.
Además entrega a los Algoritmos Genéticos la capacidad de encontrar el óptimo global y un
conjunto de óptimos locales. Garantía que hasta ahora el resto de los Algoritmos Genéticos no
podían entregar.
La función objetivo a minimizar mediante los Algoritmos Genéticos con Nichos y sus
respectivas restricciones es desarrolla en el quinto capítulo, así como también se detallan las
funciones principales del programa, el funcionamiento y sus módulos componentes.
Adicionalmente se muestra el diseño de la interfaz grafica la cual permite observar los
resultados de la aplicación de una manera más sencilla.
En el sexto capítulo se valida la metodología desarrollada como medio de resolución de

problemas de localización de condensadores en sistemas de distribución. Para ello se
comparan los resultados obtenidos a través del programa con otras metodologías existentes.
Finalmente en el séptimo capitulo se muestran las conclusiones del trabajo y las posibles
recomendaciones para considerar a futuro.
CAPITULO II
OPTIMIZACIÓN EN LA UBICACIÓN DE BANCOS DE

CONDENSADORES
2.1 Antecedentes
La corriente reactiva si bien, es indispensable para energizar los circuitos magnéticos de

los equipos eléctricos, representa una corriente adicional para los circuitos de transmisión, las
plantas generadoras, los transformadores de potencia y las líneas eléctricas de distribución. Así
un Sistema de Distribución con un consumo elevado de potencia reactiva implica la
circulación de una corriente elevada a través de la red de distribución capaz de producir
pérdidas excesivas y sobrecargas en los equipos eléctricos, en los conductores de las redes
primarias de distribución, así, como grandes caídas de tensión a lo largo del Sistema de
Distribución. Desde el punto de vista económico esto se podría traducir en la necesidad de
conductores de mayor calibre y por consiguiente más caros e incluso en la necesidad de
invertir en nuevos equipos de generación y transformación si la potencia demandada llega a
sobrepasar la capacidad de los equipos existentes. Para disminuir la magnitud de las corrientes
a través del Sistema de Distribución la potencia reactiva debe ser generada lo más cerca
posible de las cargas, es decir, debe ser compensada mediante la utilización de capacitores.
Los bancos de capacitores producen localmente la potencia reactiva de carácter capacitivo

que sea necesario, pudiéndose instalar fijos y/o desconectables.
El uso de capacitores de potencia, comparados con otros medios de generación de potencia

reactiva, tiene la ventaja de un bajo costo por KVAR instalado, un fácil manejo y un
mantenimiento sencillo y barato. Este es el motivo de la aceptación universal que han tenido
5
los capacitores de potencia en los Sistemas de Distribución y su demanda notablemente

creciente año tras año. Sin embargo, el logro de estos objetivos depende del tipo, ubicación,
capacidad y esquema de control de los capacitores.
Este problema ha sido investigado por diferentes autores entre los cuales se destacan; N.M.
Neagle y D.R Samson (1956), R.F. Cook (1961), Schmill (1965), etc. quienes fueron los
pioneros en estudiar la asignación o colocación óptima de los capacitores. Ellos usaron un
enfoque analítico para maximizar de alguna forma una función de costo. Aunque se lograron
en algunos casos soluciones simples, estos métodos son basados en suposiciones que son poco
reales de alcanzar, ya que supusieron un conducto de tamaño constante y carga uniforme.
Posteriormente, algunos autores como son: Ponnavaikko, Prakasa Rao, Fawzi (1983), en
su formulación incluyeron la liberación de capacidad del sistema y el crecimiento de la carga.
Cuttino (1944), propone esquemas que utilizan combinaciones de condesadores de tap

discreto, condensadores síncronos y transformadores con control de derivaciones, con el fin de
obtener un control de pérdidas de potencia y caídas de voltaje. Más recientemente los
investigadores han planteado el problema como una de optimización con restricciones, en
especial las de voltaje.
Una amplia variedad de metodologías de solución ha sido propuesta para resolver este
problema. La mayoría de los trabajos anteriores utilizan métodos analíticos con alguna clase
de heurísticas. De esta forma algunas metodologías simplificadas realizan supuestos que
conllevan pérdidas de generalidad.
Ponnavaikko y Prakasa Rao (1983), consideran factores adicionales y restricciones para el

aumento de tensión y resuelven el problema utilizando el método de las variables locales.
6
Kaplan (1984), reformula el problema de los trabajos anteriores, en lo que respecta a la

localización, dimensionamiento y control de bancos de capacitores de switch y utiliza
heurísticas para resolverlo.
Grainger, formuló el problema como uno de programación no lineal considerando el

tamaño y ubicación de los capacitores como variables continuas y propuso un procedimiento
iterativo simple basado en el método del gradiente.
Este problema también ha sido formulado usando técnicas de la inteligencia artificial por
diferentes autores entre ellos Chiang (1990) el cual incluyo restricciones de cargas adicionales
en su modelo. Utilizó el método de Simulated Annealing con la capacidad de alcanzar el
óptimo global en una función objetivo.
Un método de optimización es juzgado por su eficiencia, lo que se refleja en la calidad de

la solución final y el número de veces que debe ser evaluada la función objetivo para alcanzar
una solución con una determinada calidad.
Todos estos métodos excepto Simulated Annealing, entregan solamente soluciones que
corresponden a óptimos locales consumiendo requerimientos computacionales bajos. El
método de Simulated Annealing, tiene la capacidad de encontrar soluciones cercanas al
óptimo global pero los requerimientos computacionales son elevados.
La metodología basada en Algoritmos Genéticos propuesta en este estudio es capaz, por si

sola, de determinar la solución correspondiente al óptimo global de una función considerando
requerimientos computacionales razonables. Este se denomina Algoritmo Genético con
Nichos, el cual ha sido aplicado exitosamente en la resolución de problemas de localización
óptima de condesadores en un sistema de distribución.
2.2 Planteamiento del problema

7
La distribución automatizada de energía es vista por la industria eléctrica como parte

integrante de un sistema mayor que comprende elementos como el control automático de la
generación, sistemas de protección, control y monitoreo de subestaciones y líneas,
administración de la carga, etc. Los factores que incentivan este desarrollo son esencialmente
económicos. El control de voltaje y potencia reactiva juegan un rol muy importante dentro de
los esquemas de la distribución automatizada. El uso de bancos de condensadores permiten
reducir pérdidas de potencia y a su vez, mejorar el perfil de voltajes, cuando la potencia
reactiva es entregada únicamente por la planta de generación, cada uno de los componentes
del sistema (generadores, transformadores, líneas de distribución y transmisión, equipo de
protección) debe ser dimensionado para tratar niveles de carga reactiva. Los condensadores
flexibilizan esta necesidad, al reducir las corrientes de línea desde el condensador hasta el
equipo de generación, es decir, el nivel de compensación está estrechamente ligado a la
localización de condensadores en el sistema de distribución.
El problema de la colocación óptima del condensador en un sistema de distribución

consiste en determinar la localización, el número, tipo, tamaño, y esquema de control de los
condensadores que se instalarán para reducir al mínimo los costos de energía y de demanda,
considerando el costo de los condensadores.
La solución consiste en encontrar la mejor configuración posible que minimice los costos
del sistema, para ello se define la función a minimizar mediante el método de Nichos de los
Algoritmos Genéticos, la cual esta compuesta por tres términos que representan el costo de
energía, de potencia y de los capacitores que se instalaran en el Sistema de Distribución, ella
esta sujeta a ciertas restricciones que se deben cumplir, estas son: Flujo de potencia, rango de
tensión y el valor de los capacitores disponibles en el mercado. Para tal fin se utiliza un
Análisis de Sensibilidad el cual permite localizar las posibles barras candidatas a compensar
reduciendo de esta manera el espacio de búsqueda del Algoritmo Genético de Nichos, el cual
es capaz de determinar la solución correspondiente al óptimo global de una función
considerando requerimientos computacionales razonables.
8
2.3 Objetivos
A continuación se hace presentan los objetivos planteados y cumplidos durante la

realización de la tesis.
2.3.1 Objetivo General
Aplicar un método basado en algoritmos genéticos para la localización óptima de

capacitores en alimentadores primarios de sistemas de distribución, con el fin de reducir las
pérdidas de potencia activa, mejorar el perfil de tensiones y liberar la capacidad de transporte
del sistema.
2.3.2 Objetivos Específicos
• Estudiar los efectos de la potencia reactiva en alimentadores primarios de distribución.
• Revisar los diferentes métodos de optimización aplicados a la solución del problema

planteado.
• Estudiar la teoría de los algoritmos genéticos.
• Desarrollar un software basado en algoritmos genéticos para la simulación de aplicaciones

de capacitores en sistemas de distribución.
• Aplicación y validación del software desarrollado en la solución de diferentes casos de

estudio.
CAPITULO III
SISTEMAS DE DISTRIBUCIÓN
Un Sistema Eléctrico como el de la figura 3.1 está compuesto por un sistema de

Generación, uno de Transmisión y otro de Distribución, cada una de vital importancia. En el
desarrollo de este capítulo se trataran los Sistemas de Distribución como eje fundamental,
puesto que son el enlace entre la empresa suministradora de energía eléctrica y los usuarios de
la misma.
Figura 3.1: Sistema Eléctrico
3.1 Definición
Los sistemas de distribución son aquellos que llevan la potencia eléctrica hasta el
consumidor haciendo la transferencia desde los sistemas de transmisión o subestaciones.
10
En términos generales se dividen en primarias y secundarias, siendo estas últimas aquellas

que empiezan en el secundario de un transformador reductor y terminan en la entrada de
servicio de los consumidores en donde se miden los consumos.
En la mayoría de los casos los sistemas de distribución operan con tensiones de 13.8 KV ó
menores. Son típicamente radiales, significa que el flujo de potencia nace en un sólo nodo que
corresponde generalmente a la subestación que alimenta a toda la red a nivel de media tensión
(13.8KV).
La mayoría de los dispositivos de desconexión se usan normalmente en las redes primarias

que operan a 13.8 y 34.5 KV. Para fines de normalización las redes de distribución
comprenden niveles de alta, baja y media tensión.
El diagrama de un alimentador principal radial que comprende n nodos y l cargas es

mostrado en la Figura 3.2.
Figura 3.2: Alimentador principal
En la Figura 3.2, V0 representa la magnitud de voltaje del nodo de referencia y es asumido

constante. Las líneas son representadas por una impedancia de serie zi= ri + jxi y las cargas
como fuente de potencia constante de valor Si= Pi + jQi. Los condensadores que se colocaran
en el sistema serán representados como inyecciones de potencia reactiva [1].
3.2 Clasificación y características de los sistemas de distribución
En general se pueden mencionar que para llevar la energía eléctrica a los consumidores
desde el punto de vista de construcción se tienen dos tipos de instalaciones:
11
• Aéreas.
• Subterráneas.
Las instalaciones aéreas comparativamente con las subterráneas tienen costos iniciales
bajos y son los más usadas tanto en ciudades como en poblaciones rurales, son susceptibles en
fallas que pueden provocar un gran número de interrupciones en el servicio por períodos de
tiempo que acumulados anualmente pueden ser considerables esto se debe a están expuestos a
contingencias físicas como son: descargas atmosféricos, lluvias, granizo, viento, polvos,
temblores, gases contaminantes, y otras como contacto con cuerpos extraños como ramas de
árbol, vandalismo y choques de vehículos.
Por el contrario una red subterránea bien diseñada puede resultar mucho más confiable
debido a que la mayoría de las contingencias mencionadas anteriormente no son características
de este tipo de redes, lo que las hace más confiables, además de más estéticas particularmente
en las zonas urbanas, no obstante tienen la relativa desventaja de su alto costo ya que en
distribución pueden ser hasta 10 veces más costosa que una área equivalente.
Los sistemas de distribución permiten energizar en forma segura y confiable un número

determinado de cargas en distintos niveles de tensión ubicados generalmente en diferentes
lugares. Dependiendo de las características de las cargas, los volúmenes de energía
involucrados y las condiciones de confiabilidad y seguridad con que deban operar, los
sistemas de distribución se clasifican en:
• Sistemas de distribución industria: Comprende a los grandes consumidores de energía

eléctrica tales como las industrias del acero, químicas, petróleo, etc. Generalmente reciben
el suministro eléctrico en alta tensión, es frecuente que la industria genere parte de su
demanda de energía eléctrica mediante procesos a vapor, gas o diesel.
• Sistemas de distribución comercial: Es un térmico colectivo para sistemas de energía
existentes dentro de grandes complejos comerciales y municipales, tales como edificios de
gran altura, bancos, supermercados, escuelas, aeropuertos, hospitales, puertos, etc. Este
tipo de sistemas tiene sus propias características, como consecuencia de las exigencias
12
especiales en cuanto a seguridad de las personas y de los bienes, por lo que generalmente
requieren de importantes fuentes de respaldo en casos de emergencia.
• Sistemas de distribución urbana: El servicio de este tipo de alumbrado generalmente cubre
las necesidades que se presentan en centros urbanos y poblaciones relacionados con
alumbrado de calle y avenidas, parques y jardines y en general caminos y centros de
reunión exteriores. Son sistemas de gran consumo pero con una densidad de cargas
pequeñas. Por lo general este sistema de alumbrado está conectado en serie y puede ser
con lámparas de vapor de sodio, mercurial, incandescente o fluorescente dependiendo del
área por iluminar y la importancia de la misma, también dependiendo de esto puede
cambiar el tipo de conexión del sistema de alumbrado a paralelo.
• Sistemas de distribución rural: Estos sistemas de distribución se encargan del suministro
eléctrico a zonas de menor densidad de cargas, por lo cual requiere de soluciones
especiales en cuanto a equipos y tipos de red. Debido a las distancias largas y las cargas
pequeñas, es elevado el costo del KWh consumido. En muchos casos es justificado, desde
el punto de vista económico, la generación local, en una fase inicial, y sólo en una fase
posterior, puede resultar económica y práctica la interconexión para formar una red
grande.
Para cualquiera de las clasificaciones anteriores de un sistema de distribución se deben

cumplir con la premisa fundamental de calidad en el servicio, para lo cual se deben considerar
en el diseño los siguientes aspectos:
• Continuidad: En cualquier tipo de carga a la que se suministra energía eléctrica es

necesario mantener la continuidad en el servicio hasta el máximo posible debido a la
importancia que tiene en la vida moderna el uso de la energía eléctrica, en particular
existen áreas de consumo en donde la continuidad del servicio es indispensable, tal es el
caso de los centros hospitalarios, servicios públicos de transporte de tipo eléctrico, zonas
industriales, etc. Para satisfacer esta condición, es necesario que se tomen en consideración
los siguientes elementos para el diseño: una protección adecuada que opere en forma
rápida y permita eliminar con rapidez cualquier elemento que sufra una falla o avería,
disponer de circuitos de alimentación de emergencia, contar con medios de
13
restablecimiento de servicio en forma rápida reduciendo al mínimo los tiempos de

interrupción, escoger un buen arreglo de las redes (topología) y desde luego disponer en el
sistema de suficiente reserva de generación para poder hacer frente a posibles salidas de
servicio por indisponibilidad en la generación. Los aspectos anteriores están relacionados
estrechamente con los arreglos de los elementos en las subestaciones eléctricas en donde
es necesario cumplir también con un alto índice de seguridad en el suministro de la energía
eléctrica.
• Regulación de tensión: En cualquiera de las áreas de utilización de la energía eléctrica los
aparatos y máquinas están diseñados para operar a una tensión y frecuencia determinadas y
su funcionamiento es correcto un tanto que estas cantidades no varíen en forma
considerable, por lo que se fijan en cada caso límites de variación, conociéndose estos
límites en el caso de la tensión como la regulación de tensión, que es una cantidad que se
expresa en porcentaje con respecto a la tensión nominal de operación de los aparatos de
consumo.
• Control de la frecuencia: La frecuencia es una cantidad que generalmente se controla en
las plantas generadoras de los sistemas eléctricos siendo su valor nominal de 60 Hz y
dándose en algunos casos recomendaciones de variación entre ± 1% de la frecuencia
nominal dependiendo esto de las características de los aparatos de utilización y del
funcionamiento del sistema misma [2].
3.3 Efectos producidos por la circulación de potencia reactiva
Debido al aumento de cargas conectadas al sistema con bajo factor de potencia, líneas de
alimentación de grandes longitudes y al uso de transformadores de gran capacidad, se produce
un aumento en la demanda de potencia reactiva por los conductores que producen los
siguientes efectos [7]:
• Aumento de la intensidad de corriente.

• Pérdidas de potencia por Efecto Joule, las cuales son proporcionales al cuadrado de la
intensidad de la corriente.
• Fuertes caídas de tensión en los conductores, las cuales son muy significativas si el
14
sistema tiene una relación alta de reactancia inductiva a resistencia.

• La temperatura en los conductores aumenta, disminuyendo su vida útil.
• Caídas y baja regulación de voltajes, los cuales pueden afectar la estabilidad del
sistema.
• Al llegarse a los límites térmicos, deben instalarse nuevos equipos con mayores valores
de régimen.
• Al aumentar la intensidad eléctrica se rebasa la capacidad de los conductores
produciéndose nuevas inversiones en líneas de mayor capacidad de transporte.
3.4 Compensación de potencia reactiva en sistemas de distribución
En los circuitos de corriente alterna, se encuentran presentes componentes reactivos por la

existencia de efectos inductivos y capacitivos. Estos componentes originan una corriente
reactiva (carga – descarga de los componentes reactivos), la cual circula por las líneas de
transmisión sin ser aprovechada por el sistema para mejor el suministro de energía, es decir,
que tenemos una parte de la energía que se pierde, orinando pérdidas económicas para la
empresa generadora y distribuidora de la energía eléctrica.
Las cargas alimentadas por un Sistema de Distribución consumen una potencia reactiva en
atraso, debido al efecto inductivo de las mismas, esto trae como consecuencia que ocurran
perdidas en los sistemas, para solucionar este problema se tiene que realizar una compensación
de potencia reactiva, razón por la cual se colocan condensares que suministran potencia
reactiva en adelanto, lográndose así la disminución de las pérdidas al disminuir la circulación
de potencia reactiva a través del sistema eléctrico.
Por esto las compañías eléctricas de distribución tienen una cláusula en su estructura de
tarifas, que reconoce un cargo por la alta demanda de potencia reactiva lo cual implica un bajo
factor de potencia a nivel de los consumidores, además de los cargos usuales por la utilización
y demanda máxima de energía. Con el fin de disminuir la circulación de potencia reactiva en
la red de distribución, las compañías eléctricas proponen a los consumidores una penalización
o bonificación sobre el coste de la factura en función del factor de potencia ( Cos θ ); si el
15
factor de potencia está por debajo de 0,9 se aumenta el coste de la factura aplicando un
coeficiente de recargo (Kr) que puede llegar al 47% ( Cos θ <0,5). En cambio, si el consumidor
logra mejorar el factor de potencia por encima de 0,9 ( Cos θ > 0,9) se aplica una bonificación
que puede llegar al 4% ( Cos θ =1). Por medio de los contadores de energía, la compañía sabe
la potencia activa consumida P (KW) y también la magnitud de potencia reactiva Q (KVARh).
A partir de estos datos se obtiene el factor de potencia [5]:
P P
Cos θ = = Ec. 3.1
S P +Q2
2
Q = P × Tan θ Ec. 3.2
Un factor de potencia bajo implica un θ y una potencia reactiva grande, tal como se
deduce del triángulo de potencia para una potencia activa constante, se tiene [6]:
Para una potencia activa constante, lo anterior implica una componente reactiva mayor de
la corriente ó simplemente una corriente circulante mayor a través del sistema de distribución,
tal como se muestra en el siguiente diagrama fasorial [6]
Q
I × Senθ =
V
Figura 3.3: Diagrama de un bajo Factor de Potencia

En consecuencia, un factor de potencia bajo implica pérdidas de potencia y una caída de
tensión mayor en el sistema de distribución tal como se muestra en la siguiente figura:
16
Figura 3.4: Representación de la Potencia Reactiva Grande
A fines de disminuir la potencia reactiva a través del sistema de distribución y en

consecuencia reducir las pérdidas y mejorar la regulación de tensión en las líneas de
distribución, el factor de potencia debe ser corregido a un valor mayor por medio de una
reactancia capacitiva colocada en paralelo a la impedancia que modela la carga de la
instalación eléctrica [6]:
Así atendiendo el circuito equivalente anterior, se tiene [6]:
Figura 3.5: Corrección del Factor de Potencia
Debido al bajo factor de potencia, existe una demanda de potencia eléctrica muy elevada,
esto trae como consecuencia que los alimentadores estén sobrecargados a su máxima
capacidad térmica. Al instalar los bancos de condensadores el factor de potencia aumenta, por
lo tanto la demanda en KVA disminuye trayendo como beneficio una prolongación en la vida
útil del alimentador.
Los bancos de condensadores pueden ser utilizados para:

1. Liberar una cierta capacidad (en KVAR) del sistema.
2. Reducir las pérdidas por efecto Joule, principalmente en las líneas.
3. Elevar los niveles de tensión, y por lo tanto, mejorar la regulación.
17
La compensación de potencia reactiva mediante el uso de capacitores es la mejor opción

debido a que son la fuente más económica, además de su fácil montaje, mantenimiento
sencillo, una gran duración de funcionamiento, etc. [8].
Para la determinación de la localización óptima de capacitores se utilizará el método de

Análisis de Sensibilidad, mientras que las pérdidas y las caídas de tensión son obtenidas a
partir del cálculo del flujo de carga del Sistema de Distribución. Comúnmente se usan dos
métodos que permiten determinar la magnitud y ángulo del voltaje en cada barra del sistema
con excepción de la barra de referencia en la cual esa información es conocida y son: el
método de Gauss-Seidel y el método de Newton Raphson. En este estudio se eligió el método
de Gauss-Seidel por su fácil aplicación.
3.5 Análisis de sensibilidad
Un análisis de sensibilidad es utilizado para determinar las barras que se van a compensar.
En estudios anteriores se han definido las posibles localizaciones de los condensadores a
través de heurísticas o basándose en la experiencia de los ingenieros.
La predeterminación de la ubicación de los condensadores sirve para disminuir el espacio

de búsqueda del algoritmo de optimización, y por otra parte, también se consigue un ahorro
significativo del tiempo empleado para encontrar soluciones óptimas.
El análisis de sensibilidad es un procedimiento sistemático para seleccionar las ubicaciones

o barras que presentan un mayor impacto sobre las verdaderas pérdidas de potencia activa
respecto a una inyección de potencia reactiva en dicho nodo.
En este contexto, las pérdidas de potencia compleja vienen dadas por:

Pl + jQL = VI * = VY *V * Ec. 3.3
A partir de esta ecuación se pueden expresar las pérdidas de potencia activa como:
18
PL = ∑∑Vi V j (Gij cosθij + Bij sin θij )

n n
Ec. 3.4
i =1 j =1
Donde Gij y Bij son la conductancia y la suceptancia de la línea entre los nodos i y j,
mientras que:
θij = θi -θj es la diferencia de ángulos entre las tensiones de las barras i y j.
Las pérdidas incrementales vienen expresadas por el siguiente sistema de ecuaciones:

⎡ ∂PL ⎤ ⎡ ∂θ ∂V ⎤ ⎡ ∂PL ⎤
⎢ ∂P ⎥ ⎢ ∂P ∂P ⎥ ⎢ ∂θ ⎥
⎢ ∂P ⎥ = ⎢ ∂θ ∂V ⎥ ⎢ ∂P ⎥ Ec. 3.5
⎢ L⎥ ⎢ ⎥ ⎢ L⎥
⎣⎢ ∂Q ⎦⎥ ⎣⎢ ∂Q ∂Q ⎥⎦ ⎣ ∂V ⎦
La relación entre las pérdidas de potencia activa y una inyección de potencia reactiva viene
dada por la siguiente expresión:
∂PL ∂θ j ∂PL ∂V j ∂PL

= + Ec. 3.6
∂Qi ∂Qi ∂θ j ∂Qi ∂V j
En donde a su vez:
∂θ j 1 ∂Vj 1
= y =
∂Q i ∂Q i ∂Q i ∂Q i Ec. 3.7
∂θ j ∂Vj
Además los elementos de la ecuación anterior se pueden expresar como:
∂Qi
= − Vi V j (Gij cosθ ij + Bij sin θ ij ) ; i≠ j Ec. 3.8
∂θ j
∂Qi
= − Gii Vi 2 + Pi ; i= j Ec. 3.9
∂θ j
19
∂Qi
= Vi (Gij sinθij + Bij cosθij ) ; i≠ j Ec. 3.10
∂V j
∂Qi Q
= − Bii Vi + i ; i= j Ec. 3.11
∂V j Vi
Finalmente derivando la ecuación 3.4 se pueden obtener los términos:
∂PL
= − 2Vi ∑ V j (Gij sin θ ij )
n
Ec.3.12
∂θ i j =1
∂PL
= 2 ∑Vi (Gij cosθ ij + Bij sin θ ij )
n
Ec. 3.13
∂Vi j =1
Utilizando las ecuaciones anteriores se pueden ordenar las barras de acuerdo a su

sensibilidad ante una inyección de potencia reactiva [9,10].
3.6 Flujo de potencia
El análisis del problema de flujo de potencia consiste en la determinación del voltaje,

corriente y potencia activa y reactiva en los diferentes puntos de una red eléctrica. En cada
barra del sistema están presentes siempre cuatro variables: la potencia activa P, la potencia
reactiva Q, la magnitud del voltaje | V | y el ángulo del voltaje δ. En cada una de las barras,
dependiendo de su tipo, se especifican dos de estas variables y se calculan las otras dos. Es
necesario además seleccionar una barra llamada barra de referencia en la cual se encuentre un
generador que provea la potencia activa necesaria para suplir la diferencia entre la potencia
activa de los otros generadores y la demanda; siendo la demanda la potencia de la carga mas
las pérdidas en la línea de transmisión.
En el problema de flujo de potencia normalmente se identifican tres tipos de barras: 1) la

barra de referencia ó barra oscilante, la cual es la barra del generador que responde más
rápidamente a cambios de condiciones de carga. En esta barra se especifica la magnitud y el
ángulo del voltaje, 2) la barra de generación, la cual es la barra de los generadores diferentes a
20
la barra oscilante y en ella se especifica la potencia activa y la magnitud del voltaje, 3) la barra
de carga, la cual es la barra en donde está colocada la carga y la que se especifica la potencia
activa y la potencia reactiva. La barra mixta es una barra en donde están colocados
generadores (diferente al de la barra oscilante) y cargas. Esta barra se considera como barra de
generación especificando en ella la potencia activa neta (generación menos carga) que entra a
la barra y la magnitud del voltaje. A menudo en las barras de generación se coloca una
restricción adicional, la cual es los límites máximos y mínimos de la potencia reactiva.
El problema está sometido a las siguientes condiciones:
• Se considera que el sistema tiene secuencia positiva solamente.

• Se desprecian los efectos de inductancia mutuas en las líneas.
• No se consideran las impedancias de los generadores.
Con este estado del sistema se calculan los flujos de corriente y de potencia entre todas
las barras [3].
3.6.1 Método de Gauss-Seidel
El método consiste en asignar valores estimados a los voltajes desconocidos y calcular en

forma iterativa nuevos valores de voltajes para cada barra, los cuales son usados en una nueva
iteración hasta la convergencia total.
La ecuación básica empleada en el método es la relacionada con la corriente que entra a

cada barra, es decir, en la barra k se tiene:
PK − jQK
IK = = YK1 V1 + YK2 V2 +L + YKK VK + L+ YKN VN Ec. 3.14
VK*
N
I K = ∑ YKm Vm Ec. 3.15
m =1
1 ⎛ PK − jQ K ⎞
VK = ⎜⎜ *
− (YK1 V1 + YK2 V2 + L + YKN VN )⎟⎟ Ec. 3.16
YKK ⎝ VK ⎠
21
⎛ ⎞
1 ⎜ PK − jQ K N
⎟
VK = ⎜
YKK ⎜ VK*
− ∑ YKm Vm ⎟ Ec. 3.17
m =1 ⎟
⎝ m≠K ⎠
Por lo que
Siendo Ykm los valores de la matriz de admitancia de barra, los cuales dependen de las
impedancias de las líneas de transmisión entre las diferentes barras. Los tipos de barra en un
sistema radial de distribución son los siguientes:
• Barra Oscilante: Es la barra tomada como referencia en la cual se especifica la magnitud y

ángulo del voltaje, por lo que no es necesario hacer ningún cálculo de voltaje.
• Barra de Carga: Es la barra en donde hay colocadas cargas exclusivamente y en la que se
especifica la potencia activa y la potencia reactiva, las cuales en la ecuación deben tener
valores negativos por tratarse de potencias que salen del sistema.
El proceso iterativo se puede resumir en la forma siguiente:
• Se calcula la matriz de admitancia de barra del sistema.

• Se tomarán como valores iniciales de voltajes todos los valores conocidos, es decir la
magnitud y ángulo en la barra oscilante o de referencia.
• Si se trata de una barra de carga se asumirán valores iniciales de la magnitud y ángulo de
voltaje en esa barra. En valores por unidad un buen estimado inicial es 1.0 para la
magnitud y 0.0 para el ángulo.
Las potencias activas y reactivas tendrán valores negativos.
• Los valores iniciales estimados se colocan en el lado derecho de la ecuación

⎛ ⎞
1 ⎜ PK − jQK N
⎟
VK = ⎜
YKK ⎜ VK*
− ∑ YKm Vm ⎟ Ec. 3.18
m =1 ⎟
⎝ m≠ K ⎠
22
y se calcula el nuevo voltaje en lado izquierdo.
• Si el valor absoluto de la diferencia entre el voltaje especificado y el voltaje calculado

(Ε = Vant − Vcal )
es menor a 10-3 el proceso converge y se obtienen los nuevos valores de
voltajes, sino ir al paso anterior pero colocando en el lado derecho de la ecuación los
valores de voltajes calculados y obteniendo así nuevos valores de voltajes.
• Este proceso se itera hasta que se cumpla el criterio de convergencia mencionado [3].
CAPITULO IV
ALGORITMOS GENÉTICOS
La aparición de una gran variedad de problemas de búsqueda y optimización combinatoria

conlleva al desarrollo de nuevos métodos como son los algoritmos metaheurísticos, que
aportan mejores resultados que los que se obtienen con técnicas tradicionales (métodos
numéricos, analíticos, heurística). La metaheurística constituye a la última generación de los
algoritmos heurísticos, y manipulan una única solución o un conjunto de éstas en cada una de
las iteraciones y a medida que el proceso avanza la solución o soluciones van mejorando.
Entre los metaheurísticos aparecidos destacan aquellos que imitan el comportamiento de

sistemas naturales, tanto biológicos como físicos, como puede ser la evolución natural de las
especies, la termodinámica, el trabajo cooperativo en una colonia de hormigas o el
comportamiento de las neuronas en el cerebro. De la gran variedad de metaheurísticos
existentes, se puede mencionar por sus excelentes resultados y la diversidad de problemas a
los que están siendo aplicados los Algoritmos Genéticos. Entre sus aplicaciones podemos
mencionar los problemas de rutas, gestión de horarios, coloreado de grafos, programación de
la producción, programación de proyectos con recursos limitados, problemas de optimización
de recursos hospitalarios o de un pronóstico, entre otros.
4.1 Definición
En la naturaleza, los miembros de una población compiten entre ellos por los recursos tales
como comida, agua, refugio. A su vez, los machos compiten entre ellos para atraer a las
hembras.
Los individuos que están mejor preparados para la supervivencia y que a su vez consiguen
atraer a las hembras serán aquellos que conseguirán una mayor descendencia. Los individuos
24
con menos éxitos tendrán una descendencia menor o incluso nula. Esto significa que los genes
de los mejor adaptados irán siendo heredados por un número creciente de individuos en las
generaciones sucesivas. La combinación de las buenas características de las generaciones
pasadas suele producir individuos mucho mejor adaptados que sus predecesores, en este
sentido la especie evoluciona para convertirse en una especie mejor y más adaptada a su
entorno. Entonces, el problema con el que se enfrenta cada especie es el de la búsqueda de
mejoras para conseguir su propia adaptación al medio, que está en constante evolución. La
idea principal de los Algoritmos Genéticos es hacer lo que la naturaleza hace [10].
Los Algoritmos Genéticos (AG) son implantaciones basados en la teoría de la herencia

genética y las leyes biológicas de la supervivencia. En estos algoritmos se emula la evolución
como una serie de cambios en las características de alguna especie producto de la selección
natural y la combinación genética ocurrida durante la reproducción sexual. La selección
natural conduce a la supervivencia de los mejores individuos y la combinación genética
consiste en el cruzamiento ocurrido entre el contenido genético de los padres de un nuevo
individuo aportándole características de ambos progenitores [11].
4.2 Terminología biológica asociada con los algoritmos genéticos
A continuación se presenta algunos de los términos biológicos que serán utilizados en el

desarrollo de los algoritmos genéticos:
Todos los organismos vivientes consisten de células, y cada una de esas células contiene el
mismo conjunto de cromosomas (cadenas de ADN), que sirve como una “plantilla” que
describe por completo al organismo. Un cromosoma puede ser dividido en genes (bloques
funcionales de ADN), los cuales guardan (cada gen) una proteína en particular. Se podría decir
que cada gen guarda un rasgo del individuo, tales como color de los ojos, color del cabello,
etc., y está localizado en una posición particular dentro del cromosoma, el lugar que ocupa un
gen dentro de un cromosoma se denomina locus por consiguiente, la secuencia de locus, es
decir los loci tiene la longitud del cromosoma. Los posibles “escenarios” diferentes para un
25
rasgo son llamados alelos.
Muchos organismos poseen múltiples cromosomas en cada célula. La colección completa

del material genético (tomando todos los cromosomas juntos) es llamada el genoma del
organismo. El término genotipo se refiere al conjunto particular de genes contenido en un
genoma. Dos individuos que poseen genomas idénticos se dice que poseen el mismo genotipo.
Los organismos cuyos cromosomas están arreglados en pares son llamados diploides;
mientras que los organismos cuyos cromosomas no están apareados son llamados haploides.
Durante la reproducción sexual, ocurre el cruzamiento: en cada padre los genes son cambiados
entre cada par de cromosomas para formar un gameto (un solo cromosoma), y los gametos de
los dos padres se aparean para crear un conjunto completo de cromosomas diploides. En los
organismos haploides, los genes son cambiados entre el cromosoma que posee cada padre. Los
hijos están sujetos a sufrir alguna mutación, en la cual algún nucleótido (bits elementales del
ADN) es cambiado de los padres a los hijos; dichos cambios ocurren generalmente por errores
al copiarse el contenido genético.
En los Algoritmos Genéticos, el término “cromosoma” se refiere a un candidato a solución

del problema, generalmente codificado como una cadena de bits. Los genes son bits solos o
conjuntos de bits que contienen un elemento particular del candidato a solución.
Un alelo en un solo bit es cero (0) o un uno (1). El cruzamiento consiste en el intercambio
de material genético entre dos padres con cromosomas haploides. La mutación consiste en
cambiar el valor que posee el bit en una posición seleccionada aleatoriamente. La mayoría de
las aplicaciones de los AG emplean individuos haploides, particularmente individuos con un
solo cromosoma. El genotipo de un individuo en los AG es la configuración de los bits en cada
cromosoma [11].
4.3 Funcionamiento de los algoritmos genéticos

26
Un Algoritmo Genético comprende un grupo de individuos (población) y un conjunto de

operadores biológicos definidos sobre los miembros de la población. Tomando como
inspiración la teoría de la evolución, sólo los mejores individuos tienen probabilidades de
sobrevivir y engendrar hijos, transmitiendo su herencia genética a las nuevas generaciones.
El proceso cíclico que se sigue para implantar un algoritmo genético son los siguientes:
• Crear una población inicial con un número definido de individuos.

• Evaluar según algún criterio a los individuos de la población.
• Seleccionar de acuerdo a la evaluación realizada a los mejores individuos.
• Reproducir a los individuos seleccionados para crear nuevos individuos.
• Reemplazar los individuos menos aptos de la población anterior por los nuevos individuos
creados.
Los individuos que conforman la población inicial son escogidos aleatoriamente. Cada
ciclo genera una nueva generación de posibles soluciones al problema planteado, donde cada
elemento de la población es evaluado usando una funcional de costo o función criterio a
optimizar. De acuerdo a los valores arrojados por todos los individuos al ser evaluados, el
proceso de selección escoge a los mejores individuos de la población para reproducirlos
(mientras mayor sea la evaluación del individuo dentro de la función de costo, mayor será la
probabilidad de que sea reproducido).
Con los individuos seleccionados se procede a la reproducción usando los operadores de

cruzamiento y mutación para dar origen a los nuevos individuos. Como el tamaño de la
población debe permanecer constante, se procede a una fase de reemplazo emulando el
fenómeno de competencia entre los individuos. Este proceso consiste en escoger a los mejores
individuos entre los viejos y los nuevos. Una vez reemplazados los individuos menos aptos, se
inicia de nuevo el proceso cíclico antes mencionado hasta que se converja a una solución o
hasta que se llegue a un número de generaciones dado [11].
4.4 Componentes de los algoritmos genéticos

27
Estos algoritmos se estructuran de la siguiente manera:
• Función Objetivo: o funcional de costo, es la que se utiliza para medir a los individuos de
una población [11].
• Criterios de convergencia: los criterios más utilizados para determinar el fin de los AGs
son [11]:
o El valor arrojado por la función objetivo es más grande (o más pequeño) que un
valor predeterminado.
o Al cumplirse un número dado de iteraciones.
o La función objetivo no selecciona individuos diferentes en un número predefinido
de iteraciones.
• Mecanismos de Codificación: Consiste en la representación como cadenas de bits de las
diferentes posibles soluciones de algún problema. Depende de la naturaleza de las
variables del problema que se desea optimizar [11].
• Operadores Genéticos: Los operadores genéticos más utilizados son selección, cruce y
mutación, aunque existen otros como la inversión y dominación [11].
o Selección: Los algoritmos de selección serán los encargados de transmitir y conservar
aquellas características de las soluciones que se consideran valiosas a lo largo de las
generaciones. El principal medio para que la información útil se transmita es que
aquellos individuos mejor adaptados (mejor valor de la función de evaluación) tengan
mayores probabilidades de reproducirse. Sin embargo, es necesario también incluir un
factor aleatorio que permitan reproducirse a individuos que aunque no estén muy bien
adaptados, puedan contener alguna información útil para posteriores generaciones, con
el objeto de mantener así una cierta diversidad en cada población. Algunas de las
técnicas que se dispone de selección son las siguientes [12]:
• Selección por la regla de la ruleta: la selección de los padres se hace de
acuerdo a su fitness, los mejores individuos (de mayor fitness) son los que
tienen mayor posibilidad de ser elegidos. El método consiste en construir una
ruleta o un “tarta”en la que cada uno de las porciones representa a un individuo
y es proporcional a su fitness [12]. La ruleta contiene una casilla para cada
28
elemento i de la población y el tamaño de cada casilla es directamente

proporcional a su respectiva probabilidad ps(i) [9].
f (i )
ps = n

∑ f ( j)
j=1
Ec. 4.1
En la figura 3.1 se observa que los mejores individuos tendrán mayores

porciones a diferencia de los peores. Al tirar una bola en la ruleta hay mayor
probabilidad que se detenga en los sectores de mayor tamaño. Resulta claro que
los individuos con mayor fitness son los que más a menudo son elegidos.
Figura 4.1: Representación de los Individuos de acuerdo a su fitness
Existe un algoritmo para realizar este proceso [12]:

• Calcular la suma total acumulada de las probabilidades de todos los
individuos de la población actual.
• Generar un número aleatorio r entre 0 y la suma total.
• Seleccionar al individuo cuyo segmento cubre el número aleatorio.
• Repetir el proceso hasta obtener el número de muestras deseado.
o Selección por Ranking: el anterior tipo de selección funciona mal cuando

existan grandes diferencias entre los fitness de los individuos de la población.
Por ejemplo si un cromosoma ocupa el 90% de la ruleta el resto de los
cromosomas tienen muy pocas posibilidades de ser elegidos. La selección por
ranking da solución a este problema.
Los individuos son ordenados de acuerdo a su ranking de fitness. De esta
manera si tenemos N cromosomas el individuo con peor fitness se le asignará
un 1 y el que tenga el mejor fitness se le asignará la N. En la Figura 3.2 se
29
observa cómo se distribuyen los individuos por el método del ranking [12].
Figura 4.2: Representación de los individuos por el método del ranking
Ahora todos los cromosomas tienen igual oportunidad de ser seleccionados. Sin
embargo este método puede hacer que el algoritmo genético converja
lentamente a la solución. Ya que los mejores individuos se diferencian muy
poco de los peores. A este esquema se le pueden aplicar otros criterios; por
ejemplo, se crea la descendencia de uno de los paladines/amazonas, y esta
sustituye al más parecido entre los perdedores. Esto se denomina crowding, y
fue introducido por DeJong. Una variante de este es el muestreado estocástico
universal que trata de evitar que los individuos con mayor fitness copen la
población, además cuenta con n indicadores distribuidos uniformemente
alrededor de la ruleta, entonces con un solo intento se seleccionan los n
individuos necesarios [13].
• Selección por Torneo: Consiste en seleccionar k individuos de la población

aleatoriamente, normalmente k=2, se selecciona aquel que tenga un mejor
fitness. Este proceso se repite hasta formar la nueva población [13].
• Selección Elitista: asegura que el o los mejores elementos de una población
sobrevivirán de generación en generación. La estrategia más básica de elitismo
consiste en copiar el mejor elemento de la población actual directamente en la
siguiente población, si este elemento no ha sido transferido a través del proceso
normal de selección, crossover y mutación. En general cualquier método de
selección puede convertirse en uno elitista [13].
o Cruzamiento: es el operador genético principal y consiste en intercambiar parte de
cromosomas entre dos individuos. Los individuos (cadenas de bits) de la población son
tomados para ser sometidos al cruzamiento con una probabilidad fija de ocurrencia pc
30
por cada string, esta probabilidad por lo general es bastante elevada (típicamente es de
0,8). Los n strings elegidos son emparejados en forma aleatoria, generándose n/2
parejas. Para cada pareja el crossover puede como no puede ocurrir, con una
probabilidad 1- pc, el crossover no ocurre, y ambos individuos avanzan a la etapa de
mutación. En otro caso la pareja produce dos hijos producto del crossover y sólo ellos
continúan en la etapa de mutación [9].
Existen dos técnicas principales; intercambio a partir de un solo punto de cruce y a
partir de dos puntos de cruce [14].
• El crossover de punto simple: opera de la siguiente manera. Primero una de las

potenciales l-l posiciones de cruza del string es elegida aleatoriamente. Los dos
padres elegidos son cortados en la posición determinada, obteniéndose dos
segmentos por cada uno de ellos. Los segmentos apropiados de los distintos padres
son concatenados generándose dos hijos. Por ejemplo, suponiendo que un padre
está compuesto por 16 ceros, mientras que el otro está compuesto por 16 unos.
Suponiendo además, que el sitio 12 es elegido aleatoriamente como punto de corte
de entre los 15 posibles. Los padres y sus hijos se muestran a continuación:
Padres Hijos
0000000000000000 0000000000001111
1111111111111111 1111111111110000
Crossover
• El crossover de doble punto: dos segmentos son elegidos en forma aleatoria y los
padres intercambian el segmento que se encuentra entre los dos puntos de corte. Por
ejemplo:
Padres Hijos
1010000101101001 1000100101010010
1000101000010010 Crossover 1010001000101001
31
Si se considera un mayor número de puntos de corte se obtiene el crossover

multipunto.
• El crossover uniforme: se genera un patrón aleatorio de 1s y 0s, y se intercambian

los bits de los dos cromosomas que coincidan donde hay un 1 en el patrón. O bien
se genera un número aleatorio para cada bit, y si supera una determinada
probabilidad se intercambia ese bit entre los dos cromosomas.
Padres Hijos
1010000101101001 1000000101111011
1010101000000000
1000101000010010
Crossover
• Mutación: este operador proporciona aleatoriedad en la vecindad de los individuos de

la población. El objetivo de la mutación es producir nuevas soluciones a partir de la
modificación de un cierto número de genes de una solución existente, con la intención
de fomentar la variabilidad dentro de la población. La mutación debe ser usada con
cautela y con una baja probabilidad (típicamente del orden de 1%, 0,5%, ó 0,1%) para
poblaciones normales.
La importancia de este operador es que actúa como preservador de la vida, ya que

algunos genes (valores de bits) importantes son perdidos en el proceso de selección, y
la mutación los rescata si es necesario [14].
0101010001
Mutación
0100010001
• Población Inicial: Los algoritmos genéticos generalmente utilizan un procedimiento

aleatorio para generar los individuos de la primera generación. Cuando la población
inicial no se genera de forma aleatoria puede acelerar la convergencia del AG. La
32
prematura convergencia del algoritmo conlleva a la convergencia de óptimos locales [11].

La población inicial se puede crear de varias formas: totalmente aleatoria, aleatoriamente
controlada o usando algoritmos heurísticos constructivos rápidos
o Totalmente aleatoria: significa escoger para cada barra del sistema un número de
bancos de capacitores entre cero y un número máximo de bancos de capacitores
permitidos.
o Aleatoriamente controlada: en problemas de localización de capacitores, las mejores
soluciones son obtenidas con localización de capacitores en un número reducido de
barras. Por tanto una estrategia aleatoriamente controlada es potencialmente más
atractiva.
o Algoritmo heurístico constructivo rápido: Las investigaciones sobre la utilización de
algoritmos combinatoriales generan una población inicial con estrategias diferentes de
esquema aleatorio [17].
• Tamaño de la Población: Se debe establecer un compromiso entre la exactitud deseada y

los tiempos de ejecución; ya que poblaciones pequeñas poseen el riesgo de reflejar sólo
fenómenos locales, mientras que poblaciones grandes podrían obtener mejores resultados,
pero con tiempos de ejecución muy elevados [11].
El tamaño de la población debe ser escogida tomando en cuenta el tamaño del problema y
en el caso de la localización de capacitores está relacionado con el número de barras del
sistema ó el número de barras candidatas a localización de capacitores.
• Número Máximo de Generaciones: La filosofía usada por los algoritmos genéticos hace
que los cambios más grandes en la calidad de las respuestas se dé en las primeras
generaciones; así, que se debe indicar un número máximo de generaciones a considerar,
para tener otro criterio de parada diferente a la convergencia absoluta a la solución del
problema [11].
4.5 Ventajas de los algoritmos genéticos con respecto a otros métodos
Algunas de las ventajas que presentan los AGs respecto a otras técnicas de optimización
33
clásicas son [14]:
• Trabajan con una codificación de un conjunto de parámetros, no con los parámetros

mismos.
• Trabajan con un conjunto de puntos, no con un único punto y su entorno (su técnica de
búsqueda es global) utilizan un subconjunto del espacio total, para obtener información
sobre el universo de búsqueda, a través de las evaluaciones de la función a optimizar. Esas
evaluaciones se emplean de forma eficiente para clasificar los subconjuntos de acuerdo
con su idoneidad.
• Se pueden aplicar a funciones no continuas o polinomiales, lo cual les abre un amplio
campo de aplicaciones que no podrían ser tratadas por los métodos tradicionales.
• Utilizan operadores probabilísticos, a diferencia de los típicos operadores determinísticos
de las técnicas tradicionales.
• Son simples de implementar ya que la única información necesaria es la función objetivo y
las restricciones correspondientes.
• Los AGs se prestan para implementaciones distribuidas o en paralelo.
4.6 Algoritmos genéticos aplicados a los sistemas de distribución
Los sistemas de distribución son los encargados de llevar la energía eléctrica a los
consumidores finales en forma eficiente y bajo estándares de calidad de servicio. Este proceso,
realizado vía redes de alimentación y subestaciones, debe ser continuamente modificado con
el fin de mantener el sistema permanentemente adaptado, producto de los constantes cambios
de la demanda. Se tienen distintas configuraciones de los alimentadores dependiendo de los
requerimientos, siendo los de tipo radial los más utilizados debido principalmente a la
facilidad de modificarlas y de controlarlas mediante la abertura y cierre de interruptores, y son
simples en sus esquemas de protección [15].
La planificación tanto de la operación y expansión de los sistemas de distribución
eléctrica a largo plazo es una tarea altamente compleja que involucra altos costos de inversión
y una gran diversidad de alternativas posibles. Existen numerosos algoritmos matemáticos y
computacionales capaces de resolver problemas de estas magnitudes, muchos de los cuales
34
son modelos estáticos que generan una solución para un conjunto fijo de datos y que
consideran un período simple. Por otra parte existe el planteamiento dinámico que considera la
evolución de la demanda a través del tiempo y los consecuentes cambios topológicos en la red.
Mediante la aplicación de los Algoritmos Genéticos, se logra el diseño óptimo de grandes

sistemas de distribución. La planificación de la distribución permite obtener una expansión
ordenada de las construcciones (como subestaciones y alimentadores), minimizando los
costos asociados a estas nuevas construcciones y sus costos operacionales, todo esto sujeto a
niveles aceptables de confiabilidad.
Los modelos que se pueden realizar son suficientemente flexibles como para considerar
características realistas y condiciones naturales de operación como:
• Inclusión de múltiples alimentadores en el mismo trecho, lo que se refleja en un aumento

de seguridad del sistema.
• La posibilidad de no considerar líneas en alguna etapa o período y su posible reinserción
en alguna etapa posterior.
• Establecer configuraciones radiales y en algunos casos se permite la existencia de loops
con el propósito de reforzar la seguridad del sistema.
• Consideración de múltiples objetivos.
• Manejo en forma natural de diversos factores de diversidad de carga.
• Posibilidad de no especificar inmediatamente, o de antemano, en que año debe ser
construida una subestación o debe ser puesta en servicio.
Para planificar un sistema de distribución mediante los Algoritmos Genéticos se requiere

conocer la capacidad de los capacitores disponibles y su respectiva localización, como
también el tiempo de planeamiento, para este período se construye la curva de duración de
carga, la cual se discretiza en varios niveles [9].
La modelación de las redes de distribución debe contemplar los diversos aspectos técnicos
y económicos de éstas y además entregar información con respecto a la topología. En este
35
ámbito, se distinguen dos modelos, siendo el primero el eléctrico compuesto por las
estructuras, es decir, conductores, subestaciones, y transformadores. Mientras que el segundo
es el modelo económico, donde se tienen los costos de construcción, instalación, operación y
mantenimiento de los sistemas de distribución [16].
En este caso el modelo de diseño es un problema de optimización de una función objetivo

no diferenciable, la cual considera una función de costos debido a las pérdidas de energía, de
potencia de punta y de instalación de bancos de capacitores. Además presenta restricciones no
lineales, existen variables discretas y reales, además presenta un fenómeno de explosión
combinatorial [17].
Las restricciones consideradas en el modelo son las siguientes:
• Especificaciones de potencia demandada.

• Limites de tensión en cada uno de los nodos del sistema.
• Tamaño de las unidades capacitivas disponibles.
La aplicación de AGs al problema de planificación de un sistema de distribución se

bosqueja a través del siguiente lineamiento:
• Un conjunto de variables es elegido para representar una solución de la red en el período

analizado, estas variables son codificadas en un cromosoma.
• Un Algoritmo Genético es aplicado a una familia de soluciones, produciéndose el
nacimiento de nuevas generaciones.
• Cada solución de la nueva generación es evaluada a través de una función objetivo (o
fitness function) que incluye costos de inversión, costos por pérdidas, confiabilidad,
desviaciones de la caída de tensión; no cumplimiento de otras restricciones relacionadas
con la función objetivo.
• De esta forma al final del proceso se obtiene una familia que presenta un buen desempeño.
El algoritmo permite encontrar la localización y los tamaños óptimos de los capacitores

36
para cada nivel de carga que deben ser colocados en el sistema de distribución, considerando
los límites de caída de voltaje en los nodos como también una posible expansión de la red ante
los requerimientos de demanda futura.
4.7 Algoritmo de nichos
Los Algoritmos Genéticos están basados en los principios genéticos de la biología y

operan de forma análoga a la evolución. Sin embargo mientras que los procesos naturales de la
evolución mantienen una variedad de especies, cada una de las cuales ocupa un nicho
ecológico separado, los AGs tradicionales empujan a la población inicial hacia la
convergencia. Esto significa que todos los individuos de la población tempranamente
comienzan a ser idénticos. Lo que conlleva a que aún cuando un problema presente diversas
soluciones, un AG tradicional sólo va a localizar una de ellas.
Además un AG simple pierde soluciones y subsoluciones debido a tres efectos: Presión de

selección (selection pressure), ruido de selección (selection noise), y alteración producida por
operadores (operator disruption).
• La presión de selección: es el resultado del valor esperado del proceso de selección, es

esperable que las soluciones con un fitness bajo desaparezca de una población finita.
• El ruido de selección: resulta de la varianza del proceso de selección, en una población
finita elecciones aleatorias de subsoluciones competitivas de idéntico fitness, generan
ruido al valor de cada individuo, forzando eventualmente a la población a entregar buenas
soluciones.
• La alteración de los operadores: resulta de la aplicación del crossover y la mutación, que
son capaces de destruir, en forma directa, las buenas soluciones.
La presión de selección, el ruido de selección, y la alteración provocada por los operadores
no resulta en un AG capaz de formar y mantener nichos. Lo que se requiere no es solo
disminuir la velocidad del proceso de selección, el ruido de este proceso o el grado de
alteración provocado por los operadores. Lo que se busca mediante el método de nichos es
promover la formación y mantención de múltiples y útiles soluciones, cuando el objetivo es
37
encontrar una única solución final, sin importar si estas soluciones poseen igual fitness o
diferentes. Además debe ser capaz de mantener estas soluciones durante un período infinito de
tiempo, con respecto al tamaño de la población.
En la literatura de los AGs, la diversidad es conocida por desempeñar dos roles

potenciales: permitir la exploración de gran parte del espacio de búsqueda con el fin de
generar una mejor y única solución final; y por permitir explorar múltiples soluciones. Los dos
roles no son enteramente independientes. En la búsqueda de una única solución en el espacio
de búsqueda, el AG encuentra múltiples soluciones. De la misma forma un algoritmo para
mantener múltiples soluciones es indudablemente aplicable, de alguna manera, en la
mantención de la diversidad con el fin de alcanzar una única solución.
Con respecto al espacio de búsqueda, la convergencia puede ocurrir en algunas regiones

locales, pero la diversidad debe orientar esta búsqueda a las regiones más prominentes o
adaptadas. Los métodos de nichos alteran el algoritmo de selección para generar una presión
de selección dentro de las regiones y no entre las regiones del espacio de búsqueda. La presión
de selección dentro de regiones individuales es substancial, pero además, deben preservarse
las propiedades de anichamiento.
Se centrará la atención en el dominio general de la aplicación; optimización de funciones

multimodales (involucra tópicos como el número total de óptimos en el espacio de búsqueda,
la cantidad y calidad de los óptimos que se desea localizar, y el grado de dificultad del
problema debido a aislamiento u óptimos confusos), es decir, dado un conjunto de múltiples
óptimos y una capacidad limitada para localizar un óptimo, el mejor AG con nichos deberá
preferir el óptimo más alto. Más aún, el mejor método de nichos no siempre será altamente
selectivo, sino también tendrá la habilidad de formar y mantener óptimos globales y no
globales. Se centrará la atención en este análisis en la mantención en vez de la formación de
soluciones óptimas; ya que se asume de facto que un AG simple es capaz de formar buenas
soluciones, y esta capacidad, por supuesto, será transmitida a un AG con nichos, si esta
capacidad no es transferible a un algoritmo en particular, se considerará que este algoritmo no
corresponde a un método de nichos [18].
38
4.7.1 Clasificación de los métodos de nichos
Los métodos de nichos se clasifican en dos dimensiones según su comportamiento a

continuación se explica cada una de ellas:
La primera dimensión es espacio v/s tiempo:
• Espaciales: consiste en la formación de diferentes nichos en las poblaciones de una misma

ejecución del AG, también se conocen con el nombre de métodos de nichos paralelos.
• Temporales: consiste en la formación de diferentes nichos a lo largo de diferentes
ejecuciones del AG. También llamados métodos de nichos secuenciales.
La segunda dimensión corresponde a los nichos que se desarrollan en un único ambiente

versus los que lo hacen en múltiples ambientes. Es posible clasificar el ambiente general como
único o múltiple y espacial o temporal. Muchos métodos de nichos son capaces de formar y
mantener nichos estables en un ambiente único (el ambiente en funciones multimodales de
optimización está compuesto por una única función de adaptación).
Existen otras técnicas de nichos que requieren múltiples ambientes ya sean espaciales
(múltiples funciones de adaptación) o temporales (funciones de adaptación no estacionarias).
En algunos casos el ambiente general varía a través de ambos: tiempo y espacio.
A continuación se muestra los diferentes métodos de nichos según su comportamiento en

las dimensiones antes descritas:
Tabla 4.1: Clasificación de los métodos de Nichos
AMBIENTE SIMPLE MÚLTIPLES AMBIENTES
Sobre Especificaciones
TEMPORAL Localización Secuencial
AGs Ecológicos
Ventaja Heterocigota AGs Ecológicos
ESPACIAL
Crowding Sistemas Inmunes
39
Competición Restrictiva
Fitness Sharing
Las técnicas temporales en un sólo ambiente, son más adecuadas para funciones de
optimización multimodales. Técnicas espaciales en un solo ambiente son apropiadas para
funciones de optimización multimodales, funciones de optimización multiobjetivo, y para
clasificación. Técnicas espaciales en múltiples ambientes son ventajosas para resolver
funciones de optimización multiobjetivo. Finalmente técnicas temporales en múltiples
ambientes son apropiadas para resolver problemas de optimización adaptativa [9].
4.7.2 Poblamiento Determinístico
Un método de poblamiento, es un esquema de selección que inserta un nuevo elemento en

la población al sobrescribir uno similar. Esta estrategia de reemplazar elementos similares de
la población parece ser, intuitivamente, una fundación sólida sobre la cual desarrollar un
método efectivo de nichos.
Sin embargo 17 años después que de De Jong en 1975 introdujo el concepto de

poblamiento [19], no se ha logrado mantener consistentemente más de dos peaks de una
función multimodal, sin importar lo simple que sea. Antes de De Jong, Cavicchio introdujo
diversos esquemas en los que los hijos reemplazaban directamente a sus padres. Debido a que
los padres son similares a sus hijos, estos denominados esquemas de preselección califican
como métodos de poblamiento. Nuevamente pareciera que las técnicas de reemplazo de padres
son capaces de preservar representantes de múltiples peaks. Sin embargo, el método de
poblamiento de De Jong y los esquemas de preselección nunca han exhibido capacidades para
formar nichos.
A continuación se busca implementar un método de poblamiento que sea capaz de

preservar exitosamente la diversidad de la población. Otro factor de motivación, desde el
punto de vista ecológico, lo constituye el hecho que en poblaciones naturales puedan convivir
exitosamente especies distintas y separadas a través de métodos similares al de poblamiento.
40
Según Mahfoud, el método de poblamiento de De Jong y el de preselección de Cavicchio

no fueron exitosos debido a un conjunto de factores entre los que destacan, la creación de
ruido o varianza en el proceso de selección, que conlleva a la eliminación de material
genético. Sin embargo a pesar de la ausencia de la presión de selección la población de un AG
simple converge debido al ruido del proceso de selección. La presión de selección es baja
debido a que el algoritmo selecciona dos buenas soluciones para reproducirse en cada
generación, también sobrescribe los elementos más similares de la población, sin importar si
son buenos, malos, o si tienen un fitness equivalente. Debido a que este algoritmo reemplaza el
elemento de la población que es más parecido, lo más probable es que se reemplace una
solución con fitness muy parecido. Como consecuencia entonces del método de selección se
produce una cancelación de la presión de selección. Esta evidencia indica que el principal
culpable del fracaso de los métodos de poblamiento es el error estocástico en el reemplazo de
miembros de la población. Se puede combatir la pérdida de material genético en los métodos
de poblamiento introduciendo alternativas de diseño que reduzcan o eliminen el error de
reemplazo.
El objetivo es entonces desarrollar un método de poblamiento que minimice el número de

errores de reemplazo y que, como resultado, mantenga el número máximo de peaks. Así
Mahfoud desarrolló un algoritmo llamado poblamiento determinístico que permite mantener la
diversidad dentro de la población y a su vez encontrar buenas soluciones finales. Este sugiere
un método aproximado al de De Jong utilizando una técnica muy similar a la de preselección
de Cavicchio: reemplazar cada padre con el hijo más cercano o parecido, tomando la
precaución que el mismo hijo no reemplace a ambos.
El algoritmo en vez de trabajar con toda la población sólo lo hace con los padres de los
nuevos elementos. Cada par de hijo es insertado simultáneamente a la población de la
siguiente manera. Existen dos métodos posibles para reemplazar dos padres por sus dos hijos:
• Hijo 1 reemplaza a padre 1 é hijo 2 reemplaza a padre 2.

• Hijo 1 reemplaza a padre 2 é hijo 2 reemplaza a padre 1.
41
El reemplazo utilizado es el que entrega la menor la suma de distancias absolutas entre un

hijo y el padre reemplazado.
Este algoritmo tiene el efecto inmediato de reducir la complejidad al nivel de un AG

simple, además Mahfoud adicionó presión de selección al algoritmo, ya que los individuos de
la población estudiada son emparejados de manera aleatoria y sin reemplazo. Esto significa
que cada miembro de la población se cruzará una vez durante cada generación. Entonces para
adicionar presión de selección, sólo se reemplazará un padre si el hijo es mejor, al igual que en
la técnica de preselección. La diferencia radica en que en este caso se procesan dos padres y
dos hijos al mismo tiempo y se emplea una medida de similitud para determinar qué hijo
compite contra qué padre. Este método es conocido como selección de reemplazo y ha sido
empleado en estudios previos de AGs. Adicionalmente permite que el número de errores de
reemplazo permanezca bajo y también tiene la capacidad de adicionar paralelismo en el
proceso, debido a que todos los elementos de la población pueden ser procesados
independientemente en cada generación.
La medida de similitud puede ser genotípica o fenotípica, en este caso se utilizó un

método conocido como distancia Hamming, el cual consiste en determinar el número de
posiciones de bits en los que dos cadenas toman valores diferentes.
A continuación en la tabla 3.2 se muestra el pseudocódigo del Algoritmo de Poblamiento
Determinístico, el cual es fácil de implementar debido a que realiza la selección de reemplazo
a través de torneos binarios y no muestrea la población para la selección ni el reemplazo [20].
Tabla 4.2: Pseudocódigo del Algoritmo de Poblamiento Deterministico

Repetir durante g generaciones
DO n/2 veces
1. Seleccionar dos padres p1 y p2 aleatoriamente y sin reemplazo. Este algoritmo no
aplica ningún método de selección. Todo individuo tiene derecho a reproducirse.
2. Cruzarlos, generando c1 y c2
3. Aplicar mutación, generando c'1 y c'2
42
4. IF [Distancia(p1 , c'1)] + [Distancia (p2, c'2) ] ≤ [Distancia(p1 , c'2)] + [Distancia (p2,

c'1) ]
● Si f(c'1) > f(p1) reemplazar p1 con c'1
ELSE
END IF
CAPITULO V
APLICACIÓN DEL ALGORITMO GENÉTICO DE NICHOS

PARA LA LOCALIZACIÓN ÓPTIMA DE CAPACITORES EN
SISTEMAS DE DISTRIBUCIÓN
En este capitulo se explica el desarrollo del programa y su funcionamiento para la

localización óptima de capacitores en los Sistemas de Distribución, mediante la aplicación de
los algoritmos genéticos de nichos.
Para el diseño e implementación del programa se utilizó el software Matlab en su versión

7.0, debido a su amplia variedad de funciones de aplicación, su poderosa capacidad de cálculo
y por proporcionar herramientas para la creación de la interfaz grafica (GUI), permitiendo al
programa crear un ambiente interactivo.
5.1 Función objetivo a minimizar mediante algoritmo genético con nichos
El problema de la colocación de condensadores en el sistema de distribución es determinar

su posición, tipo, y capacidad, con el objetivo de minimizar los costos relacionados con las
pérdidas de energía, de potencia, y de inversión en la instalación de capacitores para un
horizonte de operación de T años, manteniendo los módulos de tensión de las barras dentro de
los límites especificados.
A continuación se explica la función de costo la cual consta de tres términos que son: el
costo de los condensadores, el costo total de las pérdidas de energía y de potencia en el
sistema de distribución. Se consideran restricciones de flujo de potencia, restricciones de
voltajes en cada uno de los nodos del sistema y restricciones de la cantidad de condensadores
disponibles.
44
• Costo de los capacitores: En este costo se incluye el costo del condensador y su costo
de instalación. Por lo general este costo depende de la capacidad de los condensadores.
Entonces si Cj es la capacidad de los condensadores localizados en el nodo j y Kc es el
costo KVAR incluyéndose el costo de instalación, el costo total fijo viene dado por:
M
Ccond = K c ∑C
j =1
j Ec. 5.1
Donde Cj corresponde a un vector que contiene el banco de capacitores que se instalaran

en las localizaciones j = 1, 2,…, M.
• Costo de las pérdidas de energía: Para calcular las pérdidas de energía del sistema, es
necesario considerar las variaciones de la carga durante un período de tiempo T. La carga
de un sistema varía continuamente durante el día y como no se conoce su comportamiento,
entonces, es discretizada en un número determinado de niveles de carga para que pueda ser
resuelto usando técnicas de optimización ya existentes. Así toda la carga varía en forma
proporcional según el nivel de carga que se trate. Entonces la curva de duración de carga
está compuesta por segmentos lineales y el período de tiempo T es dividido en intervalos
durante los cuales los niveles de carga son constantes.
Figura 5.1: Discretización de la curva en niveles de carga
o Si Pi corresponde a las pérdidas totales en cualquier nivel de carga i con un tiempo de

duración Ti, las pérdidas totales de energía vienen dadas por la siguiente expresión
n
E loss = ∑T
i =1
i Pi Ec. 5.2
45
o El costo de las pérdidas de energía se calcula entonces, multiplicando las pérdidas de

energía total por la constante del costo de energía Ke.
n
C E − loss = K e ∑T
i =1
i Pi Ec. 5.3
• Costos de las pérdidas de potencia: Existe otro efecto de las pérdidas que corresponde a la
ganancia marginal de la capacidad de distribución, como resultado de la compensación
reactiva. En este modelo esto se calcula como función del valor máximo de las pérdidas
(P0) obtenidas para una configuración dada, en el valor peak de la curva de carga. Si Kp es
la constante del costo de la potencia máxima, entonces a continuación se muestra los
costos debido a las pérdidas de potencia.
C P − loss = K p ⋅ Po Ec. 5.4
• Costo total: Viene dado por la suma de los tres costos anteriores, es decir, por los costos
asociados a las pérdidas de potencia, energía y por el costo de los condensadores que
incluye además el costo de instalación de estos equipos.
CTotal = CCond + CE−loss + CP−loss Ec. 5.5
En cuanto a las restricciones tenemos:
• Restricciones del Flujo de Potencia: es de carácter puramente inductivo de la red, estas

restricciones en cualquier nivel de carga n para todos los nodos del sistema se expresa de
la siguiente manera:
∑ (G Cos θ + Bij Sen θ ij ) v k = 0 i = 1,2,…,b

b
Pi − vi ij ij Ec. 5.6
k =1
46
∑ (G Sen θ ij + Bij Cos θ ij ) v k = 0 i = 1,2,…b

b
Qi − vi ij Ec. 5.7
k =1
• Restricciones de Voltajes: Para redes de distribución bien diseñadas, cambios de las

condiciones desbalanceadas de carga y de la demanda, solo causan cambios sutiles en la
variación de los voltajes. Por lo tanto, para un sistema debidamente equilibrado las
restricciones de voltajes pueden ser consideradas independientes del nivel de carga i,
Entonces los voltajes máximos y mínimos en cada nodo del sistema se establece de la
siguiente forma:
Vmin ≤ Vl ≤ Vmax l = 1,2,…,z Ec. 5.8
Donde l corresponde al número del nodo y z al número máximos de nodos en el sistema,

mientras que Vmin y Vmax corresponden a la tensión mínima y máxima admisible
respectivamente. De esta forma se garantiza que los voltajes de cada barra del sistema se
encuentren dentro de los límites preestablecidos.
• Restricciones del Número de Capacitores Disponibles: consiste en las limitaciones del

número de equipos. Entonces la cantidad disponible de una capacidad determinada de
capacitores se representa mediante la siguiente restricción:
C j ≤ rj rj > 0 Ec. 5.9

Donde Cj es un condensador de capacidad j y r es el número máximo de unidades
disponibles.
Entonces la formulación del problema se expresa de la siguiente manera:

n M
min = K e ∑ Ti Pi + K p Po + K c
i =1
∑C
j =1
j Ec.5.10
47
Sujeto a:
∑ (G Cos θ + Bij Sen θ ij ) v k = 0

b
Pi − vi ij ij i = 1, 2,…, b
k =1
∑ (G Sen θ ij + Bij Cos θ ij ) v k = 0

b
Qi − vi ij i = 1, 2,…, b
k =1
Vmin ≤ Vl ≤ Vmax l = 1, 2,…, z
C j ≤ rj rj > 0
Donde Kp, Ke, Kc son las constantes de costos de potencia de punta, de energía y de kVAr
respectivamente. Pi corresponde a las pérdidas de potencia para cualquier nivel de carga i,
mientras que P0 corresponde a las pérdidas de potencia de punta. Además se considera que
hay n niveles de carga y M posibles localizaciones [9,10].
5.2 Diagrama de flujo del programa para la localización de capacitores
En el siguiente esquema se hace una descripción del diagrama de flujo para proceder a
explicar el funcionamiento, la metodología y todas las tareas y facilidades que ofrece el
programa implementado.
48
49
Figura 5.2: Diagrama de flujo del sistema
5.2.1 Lectura de datos
En esta parte se da lectura a los archivos de datos necesarios para configurar el sistema de
distribución, como son las impedancias de línea, la potencia activa y reactiva, los valores
disponibles de capacitores todos almacenados en matrices. Así como también el número de
barras del sistema.
5.2.2 Inserción de parámetros
En este bloque se definen los parámetros del sistema, que son los que permiten la
ejecución de las distintas funciones o subrutinas del programa y así alcanzar los objetivos que
se esperan mediante esta aplicación. Entre estas variables se definen, el número de iteraciones
para el cálculo de las tensiones, número máximo de barras a compensar, tensión base, tensión
mínima y máxima aceptable, los niveles de carga, intervalos de duración de la carga, el costos
asociado a la energía, a la potencia de punta y el valor de los kvar instalados, el número
máximo de generaciones, tamaño de la población, y la probabilidad de ocurrencia de la
mutación.
5.2.3 Análisis de sensibilidad
En esta etapa es donde se determinan las barras cuya pérdida de potencia activa son más
sensibles a una inyección de potencia reactiva, entonces estas barras son las candidatas a ser
compensadas. De esta manera se reduce el espacio de búsqueda del Algoritmo Genético.
Para su determinación es necesario calcular los voltajes en cada barra mediante el método
50
de Gauss Seidel y luego las admitancias de las líneas. Estos valores son almacenados en vector
ordenándolos desde el valor negativo más pequeño si existe y los siguientes en orden
ascendentes.
5.2.4 Generación de la población inicial:
La población inicial se genera de forma aleatoriamente controlada, ya que para cada

configuración ó individuo se debe escoger un número reducido de barras y solamente en esas
barras son localizados un número de bancos de capacitores, entre los límites permitidos.
Cada individuo de la población está compuesto por una cadena de bits, que se determina
por el número de barras a compensar (M), el número de niveles de carga (n) y por el número
de tipos de capacitores disponibles (NTC), donde su capacidad de potencia se expresa en
KVAR, es decir, el tamaño del individuo es de M * n* NTC. Por ejemplo si se han definido
cuatro tamaños de capacitores (C1, C2, C3, C4), tres niveles de carga y dos posibles
localizaciones, entonces el tamaño del individuo es de 24 bits como se muestra a continuación:
Figura 5.3: Codificación del individuo
Si se tiene un 1 en la primera casilla para el Nivel 1, implica que existe un capacitor C1 el

cual tiene una correspondencia con los valores almacenados en la matriz de capacitores, para
la Localización 1 [10].
5.2.5 Selección de pareja de padres aleatoriamente y sin reemplazo
Todos los individuos de la población pasan por el proceso de cruce y mutación, es decir,
51
todos tienen la misma posibilidad de reproducirse. Por lo cual se generan N/2 parejas
aleatoriamente y sin reemplazo, a quienes se les aplica el Algoritmo Genético hasta alcanzar el
máximo de generaciones.
5.2.6 Cruzamiento
Después de seleccionar una pareja de padres, se inicia el proceso de cruce en el que se

intercambia parte de los cromosomas entre los dos individuos. En este caso se utilizó un
cruzamiento uniforme, ya que permite más aleatoriedad dentro del individuo, haciendo que
cualquier posición sea un lugar potencial para el cruzamiento. Así se obtienen dos nuevos
individuos.
5.2.7 Mutación
Los dos individuos creados en la etapa anterior son sometidos al proceso de mutación,
donde se cambia el valor de un gen de cada cromosoma en forma aleatoria. En este caso se
genera un número aleatorio y si es menor que la probabilidad de mutación se cambia el valor
del bit (por 1 si es 0 de lo contrario por 0 si es 1).
5.2.8 Evaluación
Después que los individuos han sido mutados tanto los padres como los hijos son
evaluados en la función de costos, para ello es necesario que cada uno de ellos cumplan con
las siguientes restricciones:
• Que el número de capacitores no exceda el indicado por el usuario.

• Las tensiones se deben encontrar entre los límites preestablecidos, de tal manera de ofrecer
un servicio de mejor calidad.
• Cumplir con las restricciones de flujo de potencia.
Una vez que se obtienen los costos se procede a calcular las medidas de similitud para ver
52
que hijo reemplaza a que padre. El método utilizado es conocido como Distancia Hamming y
el reemplazo utilizado es el que entrega la menor suma de distancias absolutas entre un hijo y
el padre reemplazado, luego se comparan los costos de ambos pasando a la siguiente
generación el que tenga costo mínimo. Este proceso se hace para cada pareja de individuos,
hasta alcanzar el máximo de generaciones.
5.2.9 Actualizar datos
Los hijos que reemplazan a sus padres son colocados en la misma posición de sus
antecesores almacenando sus respectivos costos, para luego determinar cual de ellos obtiene el
costo mínimo.
5.2.10 Actualizar gráfica
En esta etapa se grafica el costo mínimo encontrado en cada generación, esto se logra
guardando cada valor en un vector para luego representarlo gráficamente.
5.2.11 Resultado final
En esta última etapa se despliega una pantalla que muestra los siguientes resultados:
• La grafica correspondiente al costo mínimo Vs Número de generaciones.

• El costo mínimo después de un máximo de generaciones (costo con compensación).
• El costo sin compensación.
• Información sobre los ahorros de pérdidas.
• Las barras del sistema que deben ser compensadas con sus correspondientes capacidades
de capacitores para cada nivel de carga.
• Además se crea un archivo.txt que muestra información más detallada sobre el resultado
de la optimización, como son las pérdidas de energía y las tensiones de cada barra sin y
53
con compensación para cada nivel de carga. Además de los resultados antes mencionados.
5.3 Interfaz gráfica:
Las herramientas y funciones que brinda Matlab 7.0 son utilizadas para la creación de la
interfaz grafica, la cual permite al usuario la interacción con el programa SLOC (Sistema de
Localización Óptima de Capacitores) de una manera más fácil ya que simplifica el
procedimiento para la localización de las barras del sistema a compensar.
La función principal recibe el nombre de Sloc.m la cual contiene el código que permite la
funcionalidad de la interfaz. Además se crea otro archivo Sloc.fig en este se encuentra la
estructura de la interfaz.
A continuación se explicaran cada una de las ventanas que forman parte de la interfaz
gráfica de usuario.
5.3.1 Ventana principal:
Esta es la primera ventana que se despliega cuando se ejecuta la aplicación, en ella se

observan cuatro opciones representadas por botones las cuales son: configurar sistema,
introducir parámetros, localizar y acerca de.
54
Figura 5.4: Ventana Principal

5.3.2 Ventana de configurar sistema:
Esta ventana se despliega al presionar de la ventana principal configurar sistema, está

compuesta por cuatro paneles en el cual el usuario puede introducir las variables que definen
las características del sistema de distribución, como son: el número de barras del sistema, los
valores de las impedancias de cada tramo de la línea, las cargas en cada barra, la cantidad y
capacidad de los capacitores disponibles para compensar el sistema. Y un botón de aceptar
para que la ventana se cierre y se pueda pasar al siguiente botón.
55
Figura 5.5: Ventana Configurar Sistema
5.3.3 Ventana de introducir parámetros:
Al activarse este botón en la ventana principal se despliega la ventana que se muestra en la

Figura 4.5. Consta de cuatro paneles que permite al usuario introducir información general del
sistema, es decir, todos los datos que necesita el programa para el desarrollo de la aplicación.
El botón Aceptar que hace que la ventana se cierre para de esta manera poder continuar
con el proceso.
56
Figura 5.6: Parámetros del sistema
5.3.4 Ventana de localizar:
Una vez configurado el sistema e introducido los parámetros se presiona el botón de

localizar, el cual muestra al usuario los resultados de la aplicación, indicando las barras del
sistema que se deben compensar con sus respectivos bancos de capacitores para cada nivel de
carga, como también el costo sin compensación, el costo con compensación y los ahorros del
sistema en unidades monetarias. Además representa gráficamente el costo mínimo por cada
generación.
57
Figura 5.7: Muestra de los resultados

CAPÍTULO VI
RESULTADOS
En este capítulo se muestra el desempeño del modelo propuesto frente a diversos sistemas,
esto se hace a través de un análisis comparativo entre los resultados obtenidos con el programa
desarrollado y el software NEPLAN el cual es un programa que permite obtener los valores de
las pérdidas de energía de un Sistema de Distribución sin y con compensación de potencia
reactiva, y la capacidad de los capacitores a instalar.
6.1 Sistemas de cuatro barras
A continuación se muestra las características de un sistema de 4 barras (Figura 5.1). Los

datos a utilizar para las simulaciones se presentan en la tabla 5.1.
Figura 6.1: Sistema de Tres Barras

58
Tabla 6.1 Información general del sistema de cuatro barras

Tensión Base (KV) 23
Costo de Energía (UM/KWh) 0.6
Costo de Potencia (UM/KW) 120
Costo de Capacitores (UM/año) 5
Unidades de Capacitores (KVAR) 200, 300, 500, 1000 (30 c/u)
Tensión mínima (p.u.) 0.9
Tensión máxima (p.u.) 1.1
En la Figura 6.2, se observa la duración de la carga discretizada con sus respectivos

niveles, el estudio corresponde a un año que ha sido divido en tres períodos con diversos
niveles de carga. Estos valores forman parte de los datos usados para la simulación.
Figura 6.2: Niveles de carga discretizada
Los operadores utilizados por el Algoritmo Genético de Nichos son los siguientes:
Tabla 6.2: Parámetros usados por el Algoritmo Genético con Nichos

Número máximo de generaciones 50
Tamaño de la población 100
Probabilidad de mutación 0.08
Al alcanzar la simulación 50 generaciones se obtiene que solamente la barra 3 debe ser

compensada, los resultados se muestran en la siguiente tabla.
Tabla 6.3: Compensación Óptima

Número de Barra Nivel 1 (1.0 p.u.) Nivel 2 (0.8 p.u.) Nivel 3 (0.6 p.u.)
Programa Sloc 3 500 300 200
NEPLAN 3 488 SNC SNC
Nota: SNC: Sin nivel de comparación, esto es debido a que NEPLAN solo da un nivel en los resultados de los
análisis
En la tabla 6.4 se muestran las pérdidas de energía, los costos, las tensiones con y sin
59
compensación, y los ahorros obtenidos en el sistema mediante la simulación realizada con el

programa desarrollado y el software Neplan:
Tabla 6.4: Comparación de Pérdidas de Energía para el nivel de carga máximo

Programa Sloc NEPLAN
Pérdidas de Energía (MW) Sin Compensar 0.039097 0.039
Pérdidas de Energía (MW) Con Compensar 0.036262 0.0368
Los costos del sistema, con y sin compensación de potencia reactiva se pueden observar en
la siguiente tabla.
Tabla 6.5: Resultados de Ahorros, de Costos del Sistema Sin y Con Compensación
Costo Sin Compensación (UM) 140563.5999
Costo Con Compensación (UM) 135911.4443
Ahorros (UM) 4652.1555
La tabla 6.6 muestra las tensiones con y sin compensación en el nivel de carga máximo
para cada una de las barras del Sistema de Distribución.
Tabla 6.6 Comparación de las Tensiones

NEPLAN Programa Sloc
Tensiones
Sin Compensar Compensada Sin Compensar Compensada
1 23 23 23 23
2 22.7619 22.7619 22.7437 22.7548
3 22.6736 22.6946 22.611 22.6444
4 22.6292 22.6295 22.6395 22.6507
Después de una revisión de los valores obtenidos producto de las simulaciones con
NEPLAN y el Programa Sloc, se observa que los resultados de las perdidas de energía y de
tensiones en ambos métodos son aproximadamente iguales, esto implica que se pueden
obtener mejoras económicas sustanciales en el sistema producto del ahorro en función de la
disminución de las pérdidas de reactivos. Con los resultados obtenidos se satisface el principal
objetivo del programa que es minimizar los costos sujetos a las restricciones de calidad de
suministro de la energía eléctrica.
En cuanto a la convergencia del método de solución se puede ver que a partir de la
generación 14 en adelante el algoritmo se estabiliza y se mantiene constante encontrando el
60
mínimo de la función, tal y como se puede ver en la figura siguiente.
Figura 6.3: Convergencia del Algoritmo Genético con Nichos
6.2 Sistemas de diez barras
En la figura 6.4 se tiene el Sistema de Distribución de 10 barras que se va a someter a estudio con
el software Sloc para 3 diferentes localizaciones, los datos de entrada se observan en la tabla 6.7. La
curva de carga utilizada para estudiar la compensación de este sistema es igual a la utilizada en el
sistema anterior dada por la figura 6.2.
Figura 6.4: Sistema de Diez Barras

Tabla 6.7: Datos de Entrada
Datos de Impedancias
Barra i Barra j Longitud (Km) R (ohm/Km) X (ohm/Km)
61
1 2 1.01 0.1216 0.4086

2 3 1.41 0.01 0.4291
3 4 2.73 0.2727 0.4414
4 5 1.3 0.5357 0.468
5 6 3.7 0.5357 0.4669
6 7 1.68 0.5357 0.4694
7 8 2.41 0.85134 0.4829
8 9 5.63 0.85134 0.4824
9 10 6.27 0.85134 0.4826
Datos de carga
Barra P(KW) Q(KVAR)
2 1840 460
3 980 340
4 1790 446
5 1598 1840
6 1610 600
7 780 110
8 1150 60
9 980 130
10 1640 200
Información General del Sistema
Parámetros usados por el Algoritmo Genético con Nichos
Luego de hacer las pruebas en el sistema, considerando 5, 7 y 9 barras a compensar después de 50

generaciones se obtienen los siguientes resultados para cada caso.
Tabla 6.8: Resultados de Ahorros, de Costos Sin y Con Compensación

Barras a Compensar Costo sin Compensar (UM) Costo con Compensar (UM) Ahorros (UM)
5 1389054.0155 1292517.1764 96536.8391
7 1389054.0155 1286535.1958 102518.8197
9 1389054.0155 1300108.5066 88945.5089
De los resultados anteriores se encuentra que los ahorros sustanciales en el Sistema de Distribución
se logran cuando se compensan 7 barras. Por lo cual se muestran los resultados de las pérdidas de
energía, de tensiones, al igual que los valores de capacitores necesarios a instalar en las barras a
compensar.
62

3 200 300 200
5 1700 800 200
6 300 500 500
7 500 500 0
8 300 200 0
9 300 0 500
10 300 200 0
Tabla 6.10: Pérdidas de Energía Sin y Con Compensación para el mayor Nivel de Carga
Pérdidas de Energía Sin Compensación (MW) Pérdidas de Energía Con Compensación (MW)
0.74345 0.65861
Tabla 6.11: Tensiones Sin y Con Compensación para el mayor Nivel de Carga
Tensiones Sin Compensar (KV) Tensiones Con Compensación (KV)
1 23 23
2 22.8459 22.9033
3 22.7147 22.8637
4 22.1728 22.5062
5 21.827 22.2574
6 21.1273 21.7066
7 20.9001 21.5372
8 20.4846 21.1847
9 19.7915 20.5963
10 19.3057 20.1756
De los resultados obtenidos se observa que las tensiones se encuentran entre el rango establecido
cumpliendo con las restricciones establecidas de tensiones, con el fin de garantizar una mejor
distribución para el suministro de energía eléctrica. Además se logra minimizar los costos y reducir las
pérdidas de energía al compensar el sistema en 7 barras respectivamente. En la figura 6.5 se muestra
detalladamente que el Algoritmo Genético de Nichos aproximadamente comienza a ser constante a
partir de la generación 30 hasta encontrar el mínimo de la función objetivo, satisfaciéndose así el
objetivo principal.
63
Figura 6.5: Convergencia del Algoritmo Genético
6.3 Sistema de treinta barras
El sistema de distribución mostrada en la figura 6.6 presenta treinta ramas de las cuales son laterales.
La información correspondiente a la resistencia y reactancia de cada sección se muestra en la tabla
6.12.
Figura 6.6: Sistema de Treinta Barras

64
Tabla 6.12a: Datos de Entrada

Datos de Impedancias
Barra i Barra j Longitud (Km) R (ohm/Km) X (ohm/Km)
1 2 1.2 0.196 0.655
2 3 0.6 0.279 0.015
2 29 0.5 0.279 0.015
3 4 0.6 0.444 0.439
4 5 0.4 0.864 0.751
4 23 0.5 0.444 0.439
5 6 0.4 0.864 0.751
6 7 0.7 0.1374 0.774
7 8 0.8 0.1374 0.774
7 19 1 0.864 0.751
7 22 0.5 0.864 0.751
8 9 0.8 0.13740 0.774
9 10 0.4 0.1374 0.774
9 16 0.7 0.864 0.751
10 11 0.5 0.1374 0.774
11 12 0.6 0.1374 0.774
12 13 0.5 0.1374 0.774
13 14 0.6 0.1374 0.774
14 15 1 0.1374 0.774
16 17 1 0.1374 0.774
17 18 1.1 0.1374 0.774
19 20 1.2 0.864 0.751
20 21 1.2 0.1374 0.774
23 24 0.5 0.444 0.439
24 25 0.5 0.864 0.751
25 26 0.4 0.864 0.751
26 27 0.4 0.864 0.751
27 28 1 0.1374 0.774
29 30 1 0.1374 0.774
30 31 1.4 0.1374 0.774
Datos de carga
Barra P(KW) Q(KVAR)
2 522 174
3 522 174
4 936 312
5 936 312
6 936 312
7 666 222
8 666 222
9 666 222
10 189 63
11 336 112
12 336 112
13 657 219
14 783 261
15 729 243
16 477 159
17 549 183
18 477 159
19 432 144
65
Tabla 6.12b: Datos de Entrada

Datos de carga
Barra P(KW) Q(KVAR)
20 732 244
21 495 165
22 207 69
23 522 174
24 1917 639
25 1116 372
26 1116 372
27 549 183
28 792 264
29 882 294
30 882 294
31 882 294
Información General del Sistema
Parámetros usados por el Algoritmo Genético con Nichos
Luego de 50 generaciones se obtienen los siguientes resultados de pérdidas de energía, de costos,

de tensiones y los valores de KVAR a instalar en las barras a compensar. Se realizó el estudio
compensando 5, 15 y 30 barras respectivamente.

7 1500 300 300
17 0 0 0
21 300 600 300
25 1200 300 300
27 300 300 0
La configuración mostrada en la tabla 5.13 corresponde a la compensación de 5 barras en el

sistema del cual se logra conseguir la reducción en las pérdidas de energía tal y como se muestra a
continuación.
Tabla 6.14: Pérdidas de Energía Sin y Con Compensación en el mayor Nivel de Carga
Pérdidas de Energía Sin Compensación (MW) Pérdidas de Energía Con Compensación (MW)
0.14768 0.11489
Los resultados de costos y de ahorros obtenidos mediante las simulaciones realizadas en Sloc para
66
los distintos casos son los que se muestran en la tabla 6.15. De los cuales se puede observar que el
sistema presenta los mejores ahorros cuando se compensan solo 5 barras. En los casos de 15 o de todas
las barras a compensar no se encuentra una configuración que minimice los costos o que cumplan con
las restricciones del problema. Para ello es necesario un mayor número de generaciones, ya que
permite explorar el espacio de búsqueda hasta encontrar la mejor solución.
Tabla 6.15: Resultados de Ahorros, Costos Sin y Con Compensación

Barras a Compensar Costo sin Compensar (UM) Costo con Compensar (UM) Ahorros (UM)
5 239337.9611 220176 19161.7208
15 239337.9611 424671.1917 -185333.2306
30 239337.9611 239337.9611 0
Las tensiones para el caso de 5 barras a compensar se muestran a continuación.
Tabla 6.16: Tensiones Sin y Con Compensación para el mayor Nivel de Carga
Tensiones Sin Compensar (KV) Tensiones Con Compensación (KV)
1 23 23
2 22.9983 22.9983
3 22.9937 22.9937
4 22.8534 22.8947
5 22.7745 22.8443
6 22.6942 22.7897
7 22.6569 22.7808
8 22.6303 22.7399
9 22.5925 22.692
10 22.5827 22.6789
11 22.5680 22.6614
12 22.5494 22.6406
13 22.5329 22.6235
14 22.5181 22.6084
15 22.5053 22.5956
16 22.5459 22.6447
17 22.5299 22.6283
18 22.5207 22.6191
19 22.5803 22.7137
20 22.5098 22.6568
21 22.4994 22.6588
22 22.6518 22.7757
23 22.7865 22.8442
24 22.7227 22.7964
25 22.6446 22.7456
26 22.5996 22.7058
27 22.5735 22.684
28 22.5596 22.6702
29 22.9832 22.9832
30 22.9542 22.9542
31 22.9329 22.9329
Luego para ser más ilustrativa la convergencia se muestran las gráficas correspondientes a los tres
67
casos considerados.
Figura 6.7: Convergencia del Algoritmo Genético para 5 Barras a Compensar

68
El programa desarrollado para localizar capacitores en Sistemas de Distribución cumple

con el objetivo principal de minimizar los costos y permite al usuario tomar decisiones en
cuanto a si es necesario compensar ya que luego de una serie de simulaciones el sistema arroja
alguna configuración que cumpla con las condiciones del problema sino muestra un mensaje
tal y como se observa en las figuras anteriores.
CAPITULO VII
CONCLUSIONES
• Mediante el desarrollo del software Sloc, basado en los Algoritmos Genéticos de Nichos,
se simularon diversos Sistemas de Distribución Radiales, determinando de manera óptima
la ubicación de los capacitores para realizar la compensación de reactivos en el sistema.
Esto se logra debido a que son métodos capaces de formar y mantener múltiples soluciones
óptimas, con la finalidad de obtener una solución final única.
• Además se ha desarrollado un método basado en el análisis de sensibilidad el cual permite

localizar las barras del sistema cuyas pérdidas de potencia activa son más sensibles ante
una inyección de potencia reactiva. De esta manera se reduce el espacio de búsqueda del
Algoritmo Genético con el menor esfuerzo computacional posible.
• En los sistemas de pruebas se ha podido comprobar que efectivamente el programa cumple

con el objetivo principal, el cual es encontrar la mejor configuración de bancos de
capacitores a instalar en el sistema que permite minimizar los costos y reducir las pérdidas
de energía.
• Una característica importante del programa es la facilidad de ingreso y modificación de la

información, a través de la interfaz gráfica la cual evita que el usuario conozca
internamente como esta estructurado el programa.
• Finalmente la combinación del Análisis de Sensibilidad y el Algoritmo Genético de

Nichos hace que esta aplicación sea lo suficientemente robusta como para encontrar
soluciones de alta calidad.
RECOMENDACIONES
• Esta aplicación se puede extender aplicando otras variantes de los Algoritmos Genéticos
como son el Algoritmo Genético Clásico y el Algoritmo Genético SUS, con la finalidad de
que el usuario pueda seleccionar alguno según su conveniencia, como también de hacer
comparaciones entre ellos para ver cual obtiene mejores resultados.
• También se puede considerar a futuro el desarrollo de una Heuristica basada en la
Sensibilidad el cual permitirá mejorar la convergencia de la solución entregada por el
Algoritmo Genético, es decir relocalizar condensadores que ya fueron instalados por el
Algoritmo siempre y cuando se logre una mejor solución. Y luego localizar condensadores
que no hayan sido instalados en el sistema. De esta manera se logra mejorar el rendimiento
del programa.
REFERENCIAS BIBLIOGRÁFICAS
1. Mesut E. Baran Felix F. Wu. Optimizal Sizing of Capacitors Placed on a Radial

Distribution System. Departament of Electrical Engineering and Computer Sciences.
University of California Berkeley. Berkeley, CA 94720. IEEE Transactions on Power
Delivery, vol.4, No 1. January1989. pp 735-743.
2. Gilberto Enriquez Harper. Líneas de Transmisión de Redes de Distribución de Potencia

Eléctrica, volumen 2, Editorial Limusa México 1978. pp. 516- 598, 654.
3. Descripción general de un Sistema de Distribución Extraído el 07 de enero del 2008 desde:

http://www.elprisma.com/apuntes/ingenieria_electrica_y_electronica/sistemadistribucione
nergiaelectrica/default.asp
4. Maulo Rodríguez. Sistema de Potencia. Universidad del Zulia Facultad de Ingeniería

Escuela de Ingeniería Eléctrica.. 1996. pp. 48-50.
5. Theodore Wildi, Rodolfo Navarro Salas, Luis Mauro Ortega González..Maquinas

Eléctricas y Sistema de Potencia. 2007 Editorial Pearson. Sexta Edición pp. 140.
6. Antonio Hermosa. Principios de Electricidad y Electrónica Tomo III. Publicado 2003.

Editorial Marcombo. pp. 27-29.
7. Mora Ernesto. Elementos de un Sistema de Potencia. Notas de clase. pp. 17-19
8. Semeco A., Wilmen N. Estudio de Carga y Compensación de Potencia Reactiva en

Subestaciones de CADELA Zona Trujillo. pp 1-24.
72
9. Srinivasan Sundhararajan, Anil PAhwa. Optimal Selection of Capacitors for radial

Distribution Systems using a genetic algorithm. Department of electrical and Computer
Engineering Kansas State University, Manhattan, KS 66506. IEEE Transactions on Power
Systems, vol. 9 No. 3, August 1994. pp 1499-1506.
10. Leiva Gómez Miguel Ángel Localización optima de Capacitores en un Sistema de

Distribución eléctrico vía algoritmos genéticos. Santiago de Chile 2001 Pontificia
Universidad Católica de Chile Departamento de Ingeniería Eléctrica.
11. Álvarez Concepción, Maroto, Alcaraz Soria Javier, Ruiz García Rubén. Publicado en 2002
Editorial Universidad de Valencia. pp. 375-376
12. Eliezer colina, Francklin Rivas Echeverría. Introducción a la Inteligencia Artificial.

Universidad de los Andes Facultad de Ingeniería Postgrado en Ingeniería de control y
automatización..Mérida 1998. pp. 111-115.
13. Melanie Mitchell. An Introduction to Genetic Algorithms, MIT Press, Cambridge, MA.
(1996),
14. Schmitt, Lothar M Theory of Genetic Algorithms, Theoretical Computer Science (259),
pp. 1-61 (2001).
15. Francois Maurice Montagnon Casanova. Planificación de la expansión de Sistemas de

Distribución vía Algoritmos Genéticos. Pontificia Universidad Católica de Chile
Departamento de Ingeniería Eléctrica. Santiago Chile 1999. pp 17- 20.
16. Galarza Espín Marco, Riofrío Reyes Carlos. Localización Óptima de Capacitores en Redes
Primarias de Distribución Mediante Técnicas Heurísticas. pp 6- 11.
17. Gallego Ramón, Escobar Z. Antonio H y Rodas Rendón Darío E. Algoritmo genético
especializado para la localización óptima de capacitores en Sistemas de Distribución de
73
energía eléctrica. pp. 71- 76. Scientia et Technica Año, No 25, Agosto 2004. UTP. ISSN
0122-1701.
18. B. Sareni, L. Krähenbühk, Fitness Sharing and NichingMethods Revisited. IEEE

Transactions on Evolutionary Computation, Vol. 2, No. 3, Septiembre1998, 97-106.
19. De Jong, K.A., Analysis of the behaviour of a class of genetic adaptive systems. (Doctoral
dissertation, University of Michigan). Dissertation abstracts international, 36(10), 5140B.
(University Microfilms Nº 76-9381). 1925.
20. S. W. Mahfoud, Niching Methods for Genectic Algorithms, llliGAL Report Nº 95001,
lllinois Genetic Algorithms Laboratory (llliGAL), University of lllinois, May 1995.
ANEXO
MANUAL DEL USUARIO
A continuación se explica detalladamente los aspectos básicos para el uso del programa de
Localización Óptima de Capacitores en un Sistema de Distribución Eléctrico.
Cabe destacar que para el funcionamiento de esta aplicación es necesario contar con el
software Matlab 7.0, con un PC Pentium IV y que tenga como mínimo 512 MB de memoria
Ram.
Para ejecutar la aplicación se debe abrir Matlab 7.0 al igual que todos los archivos del
programa, luego se ejecuta la aplicación Sloc, tal y como se muestra en la siguiente figura:
Figura 1: Ventana de Matlab
Después de ejecutar la aplicación se despliega la ventana principal de la aplicación como

se muestra a continuación:
76
Figura 2: Ventana principal
Esta interfaz se muestra el menú grafico que consta de cuatro botones de acceso directo,
cada uno con su respectivo nombre: Configurar sistema, Introducir parámetros, Localizar y
Acerca de. Se puede acceder a ellos haciendo click sobre el botón.
Para correr el programa es necesario que el usuario introduzca los valores de forma
secuencial; por ejemplo si presiona el botón Introducir parámetros antes de el botón
Configurar sistema aparece en pantalla el siguiente mensaje de error, el cual es mostrado en la
figura siguiente.
Figura 3: Ventana de mensaje de error

77
Luego que se tiene la ventana principal se procede a configurar el sistema.
VENTANA CONFIGURAR SISTEMA:
Al presionarse el botón Configurar sistema se despliega una ventana como la que se

muestra a continuación:
Figura 4: Ventana de configurar sistema
Esta ventana permite al usuario ingresar los datos que definen las características del
sistema, es decir, introducir el número de barras del sistema, las impedancias de cada tramo de
línea según sea el caso pueden ser introducidas en valores en p.u., en Ohm ó conociendo los
valores de L(Km) (longitud), R(Ohm/Km) y X(Ohm/Km). Los valores de las impedancias se
crean en un archivo (xxxx.txt) con un editor de texto plano (block de notas, ultra edit, etc.) en
forma de matriz, el cual es guardado en cualquier unidad de almacenaje de datos (Disco duro,
disco extraíbles, etc.).
Para realizar los cálculos del sistema, se deben cargar los datos creados como se menciono
78
anteriormente, es decir, seleccionando la opción de las unidades con la cual se va a trabajar y

luego presionar el botón Buscar, tal y como se muestra en la figuras que se presentan a
continuación.
Figura 5: Buscando los datos de las impedancias
Figura 6: Cargar los datos de las impedancias

Seguidamente se cargan los valores de las cargas del sistema en el panel Seleccione el
archivo de cargas, de igual manera estos datos se crean y se guardan como se menciono
79
anteriormente para el caso de la selección de las impedancias, siguiéndose el mismo

procedimiento. Luego se presiona el botón Buscar, el cual permite explorar en el PC las
unidades de almacenamiento y encontrar el archivo correspondiente como se muestra a
continuación.
Figura 7: Buscando los datos de las potencias
Figura 8: Cargando los datos de las potencias

Por último se crean y se guardan los datos de los capacitores los cuales son: sus
capacidades en KVAR y la cantidad disponible de cada uno. Se realiza el mismo
procedimiento que en los casos anteriores y se presiona el botón Buscar para cargar los datos
80
en el panel Seleccione el archivo de condensadores como se muestra en las siguientes

ventanas.
Figura 9: Buscando los datos de los condensadores
Figura 10: Cargando los datos de los condensadores

Una vez introducido todos los datos se presiona el botón Aceptar para proceder al
siguiente paso, es decir, continuar con la opción Introducir parámetros.
Si al momento de presionar el botón Aceptar no se introduce correctamente los datos

81
inmediatamente el sistema arroja un mensaje de error por ejemplo si no se introduce el número

de barras, tal y como se visualiza en la figura siguiente.
Figura 11: Mensajes de error por datos inválidos
VENTANA INTRODUCIR PARAMETROS
Esta ventana está compuesta por cuatro paneles que permite al usuario introducir los datos
de información general del sistema, los cuales son:
• Parámetros del sistema: en este apartado se introducen los siguientes datos:

o Número de iteraciones para las tensiones, este valor debe ser un número entero
positivo, se recomienda usar como mínimo 100 iteraciones para que los voltajes de
cada barra converjan con mayor seguridad y un máximo de 1000 iteraciones, si los
voltajes no convergen es posible que no este bien configurado el sistema de
distribución.
o Número máximo de barras a compensar: permite que el usuario indique la cantidad
de barras que desea compensar, puede ser como mínimo una barra y como máximo el
número de barras del sistema.
o S Base (MVA): en esta casilla el usuario puede definir la potencia aparente base que le
82
sea conveniente, comúnmente las unidades de tensión base que se usa es MVA ó KVA,
si la tensión se encuentra en KVA es necesario que el usuario la transforme en MVA
para obtener correctamente los resultados, ya que en la aplicación se encuentra
definido en MVA.
o Tensión base (KV): al igual que en el caso anterior, el usuario puede definir la tensión
base que le sea conveniente, se recomienda introducir este valor en KV ya que en la
aplicación se define en esta unidad, por lo general la unidad de la tensión base casi
siempre son KV.
o Tensión mínima (p.u.): este valor es definido por el usuario pero comúnmente se
utiliza como límite mínimo 0.9.
o Tensión máxima (p.u): también es definido por el usuario, por lo general se usa como
límite máximo 1.1
• Niveles de carga (p.u.): en esta subvetana se introducen los valores de los niveles de carga
en por unidad y el período de tiempo T el cual es dividido en intervalos durante los cuales
los niveles de carga son constantes.
o Niveles de carga (p.u.): el usuario puede definir el número de niveles de carga, estos
valores se introducen en forma de fila donde cada elemento es separado por un espacio.
o Intervalos de duración (Hrs): el intervalo de tiempo es dividido dependiendo de los
niveles de carga, para cada nivel de carga corresponde un intervalo de tiempo, estos se
introducen de igual forma que los niveles de carga.
• Costos: en esta sección se introducen las constantes de costos de energía, de potencia y de
capacitores, los cuales se expresan en UM/KWh, UM/KW, UM/KVAR respectivamente.
Permite al usuario definir en que unidades monetarias desea trabajar.
• Algoritmo genético: permite al usuario introducir los valores de los parámetros que va a
utilizar el Algoritmo Genético. Se definen el número máximo de generaciones, el tamaño
de la población y la probabilidad de mutación.
o Número máximo de generaciones: este valor puede variar, permite que el algoritmo
realice la búsqueda de la mejor solución un número de iteraciones máximas, se
recomienda utilizar un mínimo de 50 generaciones y un máximo de 300 generaciones.
o Tamaño de la población: al igual que en el caso anterior, este valor es definido por el
usuario, dependiendo del tamaño puede que haya o no variabilidad dentro de la
83
población, esto depende al tamaño que se defina. Si es muy pequeño hace que haya
muy poca diversidad dentro de la población y puede hacer que el algoritmo converja
más rápidamente, sin embargo puede que no encuentre la mejor solución, ahora si el
tamaño de la población se define muy grande permite que exista mucha diversidad y
puede localizar la solución óptima pero requiere de mucho trabajo de computo.
o Sin embargo en la literatura un tamaño de población de 100 es un valor significativo
que abarca efectivamente el problema de la localización óptima de capacitores en un
sistema de distribución.
o Probabilidad de mutación: este parámetro genera diversidad dentro de la población,
mientras mayor sea la probabilidad definida mayor variabilidad se promueve dentro de
la población.
Figura 12: Introducir los parámetros del sistema
• Aceptar: Una vez que se introducen todos los parámetros se hace click sobre este botón
para pasar al próximo paso el cual es Localizar. Si los datos se insertan de manera
incorrecta inmediatamente se arroja un mensaje de error. Por ejemplo si el número de
barras a compensar es mayor al número de barras del sistema se muestra la siguiente
figura.
84
Figura 13: Mensajes de error por mala introducción del número de barras a compensar
VENTANA LOCALIZAR
Se activa una vez que se ha configurado y se han introducido los parámetros al sistema,
presionando el botón Localizar. Esta ventana muestra los resultados de la aplicación, se
observa la gráfica del costo mínimo por cada generación, el costo mínimo sin compensación,
con compensación y los ahorros del sistema, también se muestran las barras a compensar con
sus respectivos valores de capacitores para cada nivel de carga. Además presionando el botón
Finalizar el usuario puede culminar la aplicación antes de ejecutarse el máximo de
generaciones, bien sea porque a partir de una generación determinada el costo mínimo es
constante ó porque requiere de mayor tiempo de ejecución para alcanzar el máximo de
generaciones, de lo contrario hasta que alcance el máximo de generaciones. Por ejemplo si el
máximo de generaciones es de 50, los resultados obtenidos se muestran en la siguiente figura.
85
Figura 14: Resultados de la simulación
Al terminar el proceso, en la ventana de resultados se muestra la información fundamental

del sistema como se muestra en la figura anterior. Al posicionar el cursor del mouse (raton)
sobre el botón Guardar, inmediatamente se despliega una ventana como la que se muestra a
continuación.
Figura 15: Guardando los resultados de la simulación

En esta ventana el usuario posee la libertad de seleccionar tanto el nombre del archivo
como el lugar de almacenaje del mismo.
86
En el archivo creado se muestra detalladamente los resultados de los cálculos del sistema
generados por el programa. El cual se puede observar a continuación.
COSTO SIN COMPENSACION:
140563.5999 UM
COSTO CON COMPENSACION:
135934.163 UM
AHORRO:
4629.4368 UM
PERDIDAS DE ENERGIA SIN COMPENSACION
Nivel = 1 (p.u):
114.1645 MWh
Nivel = 0.8 (p.u):
72.008 MWh
Nivel = 0.6 (p.u):
40.2807 MWh
PERDIDAS DE ENERGIA CON COMPENSACION

Nivel = 1 (p.u):
107.4789 MWh
Nivel = 0.8 (p.u):
67.2619 MWh
87
Nivel = 0.6 (p.u):
37.7879 MWh
TENSIONES SIN COMPENSACION:

Nivel = 1 (p.u):
Barra 1: 23 KV
Barra 2: 22.7437 KV
Barra 3: 22.611 KV
Barra 4: 22.6395 KV
Nivel = 0.8 (p.u):
Barra 1: 23 KV
Barra 2: 22.7966 KV
Barra 3: 22.6909 KV
Barra 4: 22.7135 KV
Nivel = 0.6 (p.u):
Barra 1: 23 KV
Barra 2: 22.8479 KV
Barra 3: 22.7688 KV
Barra 4: 22.7857 KV
TENSIONES CON COMPENSACION:
Nivel = 1 (p.u):
Barra 1: 23 KV
Barra 2: 22.7504 KV
Barra 3: 22.6311 KV
Barra 4: 22.6462 KV
88
Nivel = 0.8 (p.u):
Barra 1: 23 KV
Barra 2: 22.8033 KV
Barra 3: 22.7108 KV
Barra 4: 22.7202 KV
Nivel = 0.6 (p.u):
Barra 1: 23 KV
Barra 2: 22.8523 KV
Barra 3: 22.7821 KV
Barra 4: 22.7902 KV
COMPENSACION OPTIMA:
BARRA 3:
Nivel = 1 (p.u):
300 Kvar
Nivel = 0.8 (p.u):

300 Kvar
Nivel = 0.6 (p.u):
200 Kvar

Aplicacion de AG para Lo Ubicacion Optima de Condensadores en RDP

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

Aplicacion de AG para Lo Ubicacion Optima de Condensadores en RDP

Cargado por

Copyright:

Formatos disponibles

PROYECTO DE GRADO

APLICACIÓN DE ALGORITMOS GENÉTICOS PARA LA

Br. Maryury Hernández

©2008 Universidad de Los Andes Mérida, Venezuela

Al profesor Ernesto Mora y al profesor Sebastián Medina, por orientarme y brindarme su

El presente trabajo consiste en el desarrollo e implementación de una metodología basada en

Palabras claves: Localización de capacitores, Dimensionamiento de capacitores Sistemas de

2 OPTIMIZACIÓN EN LA UBICACIÓN DE BANCOS DE

A partir del descubrimiento del fuego en la prehistoria, el hombre sintió la necesidad de

La misma necesidad de desarrollo humano ha traído como consecuencia que se realicen

En este trabajo se estudiará la aplicación de capacitores en los sistemas de distribución, y

pasando por el análisis de sensibilidades y técnicas de optimización matemáticas muy

En el presente trabajo se desarrollará una metodología basada en los Algoritmos

Este estudio considera Sistemas de Distribución eléctrica preexistentes y escenarios

A continuación se explica de manera detallada la estructura del trabajo.

En el segundo capítulo se desarrolla de manera general el planteamiento del problema, así

La descripción detallada de los Sistemas de Distribución, sus características, la

El cuarto capítulo hace un desarrollo teórico de los Algoritmos Genéticos, su

En el sexto capítulo se valida la metodología desarrollada como medio de resolución de

OPTIMIZACIÓN EN LA UBICACIÓN DE BANCOS DE

La corriente reactiva si bien, es indispensable para energizar los circuitos magnéticos de

Los bancos de capacitores producen localmente la potencia reactiva de carácter capacitivo

El uso de capacitores de potencia, comparados con otros medios de generación de potencia

los capacitores de potencia en los Sistemas de Distribución y su demanda notablemente

Cuttino (1944), propone esquemas que utilizan combinaciones de condesadores de tap

Ponnavaikko y Prakasa Rao (1983), consideran factores adicionales y restricciones para el

Kaplan (1984), reformula el problema de los trabajos anteriores, en lo que respecta a la

Grainger, formuló el problema como uno de programación no lineal considerando el

Un método de optimización es juzgado por su eficiencia, lo que se refleja en la calidad de

La metodología basada en Algoritmos Genéticos propuesta en este estudio es capaz, por si

2.2 Planteamiento del problema

La distribución automatizada de energía es vista por la industria eléctrica como parte

El problema de la colocación óptima del condensador en un sistema de distribución

A continuación se hace presentan los objetivos planteados y cumplidos durante la

2.3.1 Objetivo General

Aplicar un método basado en algoritmos genéticos para la localización óptima de

2.3.2 Objetivos Específicos

• Estudiar los efectos de la potencia reactiva en alimentadores primarios de distribución.

• Revisar los diferentes métodos de optimización aplicados a la solución del problema

• Estudiar la teoría de los algoritmos genéticos.

• Desarrollar un software basado en algoritmos genéticos para la simulación de aplicaciones

• Aplicación y validación del software desarrollado en la solución de diferentes casos de

Un Sistema Eléctrico como el de la figura 3.1 está compuesto por un sistema de

Figura 3.1: Sistema Eléctrico

En términos generales se dividen en primarias y secundarias, siendo estas últimas aquellas

La mayoría de los dispositivos de desconexión se usan normalmente en las redes primarias

El diagrama de un alimentador principal radial que comprende n nodos y l cargas es

Figura 3.2: Alimentador principal

En la Figura 3.2, V0 representa la magnitud de voltaje del nodo de referencia y es asumido

3.2 Clasificación y características de los sistemas de distribución

Los sistemas de distribución permiten energizar en forma segura y confiable un número

• Sistemas de distribución industria: Comprende a los grandes consumidores de energía

Para cualquiera de las clasificaciones anteriores de un sistema de distribución se deben

• Continuidad: En cualquier tipo de carga a la que se suministra energía eléctrica es

restablecimiento de servicio en forma rápida reduciendo al mínimo los tiempos de

3.3 Efectos producidos por la circulación de potencia reactiva

• Aumento de la intensidad de corriente.

sistema tiene una relación alta de reactancia inductiva a resistencia.

3.4 Compensación de potencia reactiva en sistemas de distribución

En los circuitos de corriente alterna, se encuentran presentes componentes reactivos por la

Q = P × Tan θ Ec. 3.2

Figura 3.3: Diagrama de un bajo Factor de Potencia

Figura 3.4: Representación de la Potencia Reactiva Grande