Ing EDGAR M CARREÑO F.
*
M.Sc ANTONIO ESCOBAR Z.**
Ph.D. RAMON A GALLEGO R.**
Universidad Tecnológica de Pereira
Grupo de Investigación en Planeamiento de Sistemas Eléctricos
Pereira – Colombia.
ALGORITMO DE BRANCH AND BOUND ESPECIALIZADO APLICADO AL
PLANEAMIENTO DE SISTEMAS DE TRANSMISIÓN.
Palabras Clave: Modelos relajados,
optimización, planeamiento de la
expansión de la transmisión, Branch and
Bound, pseudocostos.
1. INTRODUCCIÓN
El problema del planeamiento a largo
plazo de las redes de transmisión a largo
plazo, consiste en decidir que, cuanto y
donde se deben adicionar nuevos
elementos de red, considerando una red
actual y un conjunto de elementos
candidatos definidos para cumplir con una
demanda proyectada, cumpliendo criterios
tanto técnicos como económicos.
El modelamiento matemático de una red
de transmisión presenta varios problemas
al momento de resolverlo, por su
naturaleza No Lineal Entera Mixta
(PNLEM). El principal problema es que no
es convexo, lo cual no garantiza la
obtención del óptimo global, y en puede
conducir al proceso a óptimos locales,
aunque eventualmente puede encontrarse
el óptimo global.
Al momento de aumentar el tamaño de los
sistemas e incrementar el número de
variables, se produce una explosión
combinatorial que le añade otro grado de
dificultad matemática al problema, otro
hecho importante es que el modelo
contiene variables continuas y enteras, y
por lo tanto el sistema obtenido no es
diferenciable.
*
El planeamiento de la transmisión puede
resolverse de dos formas, la primera
* Estudiante Maestría en Ingeniería Eléctrica
** Profesores Universidad Tecnológica de Pereira
consiste en especificar que, donde y
cuantos nuevos equipos deben ser
adicionados en un plan de expansión, este
es denominado planeamiento estático, y
forma parte de un problema más general
que es el planeamiento dinámico, que
además de que, donde y cuantos,
especifica cuando deben ser instalados
los nuevos equipos. El método aquí
presentado se aplicó al planeamiento
estático.
Históricamente, Garver fue el primero en
expresar este problema matemáticamente
y proponer soluciones [1]. Durante los
últimos años se han aplicado técnicas de
programación entera mixta usando
descomposición de Benders, simulated
annealing, algoritmos genéticos,
búsqueda TABU, GRASP, entre otros.
Branch and Bound es un método exacto
de optimización que se usó intensamente
a finales de la década de los 80 y principio
de los 90, sin embargo su aplicación no
encontraba resultados satisfactorios al ser
empleado en sistemas de gran tamaño.
Como consecuencia de los últimos
avances algorítmicos matemáticos con
los pseudocostos, el método toma de
nuevo importancia para ser aplicado a
diferentes problemas de mediano y gran
tamaño.
En este artículo se presenta el modelo
matemático del método, la forma como
opera y se presenta el concepto de
pseudoscostos, finalmente se presentan
los resultados de las pruebas del
algoritmo en el sistema de Garver [1] y el
sistema Colombiano [5].
2. MODELAMIENTO MATEMÁTICO del número de líneas/transformadores, (6)
y (7) establecen la naturaleza de este
El modelo matemático aplicado en este problema como Entero Mixto (PLEM)
trabajo es el conocido con el nombre de
modelo de transportes, y fue propuesto 3. BRANCH AND BOUND CON
por Garver [1]. PSEUDOCOSTOS

El modelo de transportes es la versión • B&B Básico

más relajada del modelo DC que
representa una red de transmisión, y tiene Branch and Bound (separar y sondar) es
la característica de ser un problema Lineal un método exacto para encontrar la
Entero Mixto. solución de un Problema Lineal Entero
(PLE) o Entero Mixto (PLEM).
El modelo de transportes se especifica de
la siguiente manera: La filosofía del Branch and Bound es
resolver un PLEM resolviendo un conjunto
min v = ∑
(ι , j )∈Ω
cij nij (1) de problemas de programación lineal (PL)
que son versiones relajadas del PLEM, los
s.a. cuales pueden ser resueltos por técnicas
Sf + g = d (2) de solución conocidas o mediante
f ij ≤ ( nij + n 0
ij )f ij
(3) software especializado.
0≤ g ≤ g (4)
0 ≤ nij ≤ nij (5) Inicialmente se resuelve el problema
original permitiendo que las variables
n i j Entero (6) enteras puedan tomar valores continuos,
f ij Irrestricto (7) el cual se denominará P0, si el problema
tiene solución entera en todas las
variables enteras, entonces se ha
donde v es el costo de inversión en líneas encontrado la solución óptima global.
y transformadores, cij es el costo de
adición de una línea/transformador entre Si el problema no presenta solución
las ramas i y j, nij es el número de circuitos entera, se debe separar el problema en
adicionados entre i y j, S es la matriz de dos subproblemas escogiendo una
incidencia de ramas del sistema, f es el variable con valor actual no entero para
vector de flujos, g es el vector de separar, obteniendo dos subproblemas de
generadores , d es el vector de la siguiente manera.
0
demandas, nij representa el numero de
circuitos en la configuración base, fij es el Subproblema P1: Es el problema P0 más
flujo máximo permitido para un circuito una restricción de la forma
entre i y j, g es el vector de generaciones
máximas, nij es el vector del máximo nij ≤ nij*  (8)
numero de líneas permitidas entre las
barra i y j, y Ω es el conjunto de las ramas
Subproblema P2: Es el problema P0 más
candidatas.
una restricción de la forma
La función objetivo (1) representa la suma
de los costos de todas las nij ≥  nij*  + 1 (9)
líneas/transformadores adicionados, las Donde nij  es el mayor entero contenido
*

restricciones (2) representan la primera

en la variable nij que es separada.
ley Kirchhoff, las restricciones (3)
representan la capacidad de transmisión
estos subproblemas se deben resolver al
de los circuitos (El valor absoluto lleva en
igual que el primero, y si no tienen
cuanta que el flujo puede ir en cualquier
solución entera se debe repetir el proceso,
dirección), (4) y (5) representan los límites
máximos de capacidad de generación y
hasta que el espacio solución sea Para escoger la variable que se debe
agotado. separar existen dos estrategias:

Una forma de saber cuales problemas MAX-MAX: Busca encontrar la variable

resolver y cuales no, es seguir las pruebas
de sondaje que son:
1. El problema resuelto tiene solución
entera.
2. El problema no tiene solución entera
pero presenta una solución de peor
calidad que la de la mejor solución
que produzca la mayor degradación de la
función objetivo para que uno de los
problemas descendientes sea sondado
rápidamente, la variable j se escoge con la
relación (12).
j
{
max max  Pj− f jk ; Pj+ (1 − f jk )} (12)

entera ya encontrada.
3. La solución del problema es infactible. MAX-MIN: Selecciona una variable cuya
menor degradación en la función objetivo
• B&B con Pseudocostos sea máxima, por lo tanto se pueden
sondar rápidamente los dos subproblemas
Los pseudocostos dan una medida de la generados, la variable j se escoge con la
degradación de la función objetivo cuando relación (13).
una variable entera, con valor continuo, es
forzada a asumir un valor entero. Como la j
{
max min  Pj− f jk ; Pj+ (1 − f jk )  } (13)
variable que se separa es forzada a tomar
dos valores enteros distintos, se pueden No existe un método para determinar cual
tener dos pseudocostos diferentes: de las dos estrategias debe de ser
implementada en un problema especifico.
v kpl− − v kpl (10)
Pj− =
f jk Después que son generados los PL
k+ descendientes, se escoge cual PL se
v −v k (11)
Pj− = pl pl debe resolver de la lista de PL’s sin
1− f j
k
resolver, una forma de saber cual PL
resolver es estimando su valor antes de
donde Pj- es el pseudocosto asociado a resolverlo, para esto se pueden usar las
disminuir la variable hasta el entero siguientes relaciones
inferior y Pj+ es el pseudocosto asociado a
m +1
aumentar la variable hasta el entero vest = vinf
k
+ Pj− f jk + suma (14)
+ Pj+ (1 − f jk ) + suma
k m+ 2
superior, v pl es el valor del PL relajado, vest = vinf
k

v kpl− es el valor del PL descendiente con la suma = ∑ min  Pi − fi k ; Pi + (1 − fi k ) 

k+ i∈I
restricción del entero inferior, v pl
es el i≠ j

valor del PL descendiente con la

restricción del entero superior, fjk es la m +1
parte fraccionaria del valor de la variable Donde vest es el valor estimado del PL
separada njk y está dado por f jk = nkj −  nkj  , que se genera al limitar a la variable no
entera a un valor inferior al máximo entero
donde  n kj  es el mayor entero contenido m+ 2
por la izquierda y vest es el valor estimado
en la variable nij. del PL que se genera al limitar a la
variable no entera a un valor mayor al
Se recomienda calcular los pseudocostos mínimo entero por la derecha.
antes de comenzar el proceso para todas De esta manera se puede resolver el PL
las variables enteras y mantener estos que presente el valor estimado de mejor
valores constantes, otra alternativa es calidad.
recalcular estos valores cada vez que es
posible y promediar los valores obtenidos
[4].
El algoritmo general para resolver un métodos, estas soluciones corresponden
problema PLEM o PLE con un Branch and a:
Bound especializado usando
pseudocostos, es el siguiente: 1. n2− 6 = 1, n3−5 = 1, n4 − 6 = 2
2. n3−5 = 1, n4− 6 = 3
1. Escoger una buena incumbente inicial.
2. Resolver el problema permitiendo que las
3. n2− 6 = 2, n3 −5 = 1, n4− 6 = 1
variables enteras puedan tomar valores 4. n2− 6 = 3, n3 −5 = 1
continuos y resolver todos los PL’s que se
puedan derivar de este y calcular los
pseudocostos. En el caso de Garver con redespacho, el
3. Escoger la variable a separar con el
criterio de MAX-MAX o MAX-MIN algoritmo llega a la respuesta óptima
4. Generar los dos nuevos PL’s con la conocida presentada en [2], con 5
variable escogida y guardarlos en la lista
de PL’s sin resolver, calculando su valor
soluciones alternativas, resolviendo 82 PL,
estimado. con un costo de inversión de U$200x106
5. Si la lista de PL’s sin resolver esta vacía el que es la solución óptima para el modelo
problema ha terminado, ir al paso 8
6. Escoger el PL a resolver seleccionando el
PNLEM que se ha comprobado por varios
que tenga el menor vest de la lista de PL’s métodos, estas soluciones corresponden
sin resolver a:
7. Resolver el PL y aplicar las pruebas de
sondaje 1. n2− 6 = 5, n3 −5 = 1, n4− 6 = 1
7.1 Si el PL tiene solución entera,
comparar con la incumbente actual y
2. n2− 6 = 4, n1−5 = 1, n4− 6 = 2
guardar. Si el problema tiene solución 3. n2− 6 = 4, n3 −5 = 1, n4 −6 = 3
igual a la incumbente guardar su
solución como óptimo alternativo. 4. n2 −6 = 3, n1−5 = 1, n4 −6 = 3
Sondar la rama y volver al paso 5.
7.2 Si la solución del problema es de 5. n2− 6 = 3, n3−5 = 1, n4− 6 = 3
peor calidad que la incumbente
guardada, sondar e ir al paso 5
7.3 Si el problema tiene solución B. Sistema Colombiano
infactible sondar e ir al paso 5.
7.4 Si el problema no tiene solución
entera ir al paso 3 La topología de este sistema se muestra
8. Mostrar todas las soluciones alternativas en la figura 1 y los datos son los utilizados
del problema. en la referencia [5] para un horizonte
proyectado para los años 2005, 2009 y
2012.
Para mayor detalle se puede consultar [4]
Fig. 1 Sistema Colombiano

4. PRUEBAS Y RESULTADOS

El algoritmo general ha sido implementado

en Fortran bajo OS Sun Solaris 8 en un
equipo Sun Blade 1000.

Se realizaron las pruebas para el sistema

de Garver, cuyos datos están en [1] y el
sistema Colombiano, cuyos datos están
en [5]

A. Sistema de Garver

En el caso de Garver sin redespacho, el

algoritmo llega a la respuesta óptima
conocida presentada en [2], con 4
soluciones alternativas, resolviendo 22 PL,
con un costo de inversión de U$110x106
que es la solución óptima para el modelo
PNLEM que se ha comprobado por varios

Para el horizonte 2005 se obtiene la
respuesta óptima con un plan de inversión
de U$172,2x106 resolviendo 68 PL con la
siguiente solución:
1. n52−88 = 1, n43 −88 = 2, n57 −81 = 1
Para el horizonte 2009 se obtiene la
respuesta óptima, con 2 alternativas, con
un plan de inversión de U$248,85x10 6
resolviendo 270 PL con las siguientes
soluciones:
1. n57−81 = 2, n55 −57 = 1, n55 −62 = 1, n45 −81 = 1
2. n57−81 = 2, n55 −57 = 1, n55 −62 = 1, n54 −56 = 1
Para el horizonte 2012 se obtiene la
respuesta óptima con un plan de inversión
de U$315,36x106 resolviendo 6270 PL
con la siguiente solución:
n52−88 = 1, n43 −88 = 2, n57− 81 = 1, n14−31 = 1,
1.
n55 −84 = 1, n55 − 62 = 1, n19− 66 = 2, n68−86 = 1
Es de notar que estos resultados
presentados para el sistema colombiano
aún no eran conocidos.
5. CONCLUSIONES
Se ha aplicado un algoritmo eficiente de
Branch and Bound con los nuevos
conceptos de pseudocostos a la solución
del problema del planeamiento estático de
la transmisión, en sistemas de mediano
tamaño, reduciendo en gran parte la
cantidad de PL a resolver en el problema
y acelerando su convergencia. El método
se ha comprobado con el sistema relajado
de 6 barras 15 líneas de Garver y se
presenta por primera vez en la literatura
especializada la solución óptima para el
sistema Colombiano relajado de 93 barras
155 líneas para los horizontes de
planeamiento 2005, 2009 y 2012.
Para sistemas pequeños, la respuesta
óptima del PLEM por B&B es igual a la del
modelo PNLEM, lo que ahorra el montaje
del sistema DC. En sistemas de mediano
tamaño, la solución obtenida es similar a
la del modelo DC, y en algunos casos
resulta ser igual. En sistemas de gran
tamaño y complejidad matemática, la
respuesta relajada se aproxima a la del
modelo DC con los elementos más
significativos, lo que constituye una
configuración inicial de muy alta calidad
para un algoritmo heurístico o
metaheurístico para resolver el modelo
DC.
6. RECONOCIMIENTOS
Los Autores expresan sus
agradecimientos a la Universidad
Tecnológica de Pereira, Colombia, por su
apoyo al grupo de Planeamiento de
Sistemas Eléctricos.
BIBLIOGRAFÍA
[1] L.L. Garver, “Transmissión Network
Estimation Using Linear Programming”,
IEEE Trans on Power Apparatus &
systems, Vol PAS-89, No 7, pp 1688-1697,
Sept/oct 1970.
[2] S. Haffner, A. Monticelli, A. Garcia, J.
Mantovani and R. Romero, “Branch and
Bound algorithm for transmission system
expansion planning using a transportation
model”, IEE Proc-gener Transm, Distrib,
vol 147 pp 149-156, May 2000
[3] S. T. Lee, K.L. Hocks and E. Hnyilicza,
“Transmission expansion using Branch
and Bound integer programming with
optimal cost capacity curves”, IEEE Trans
on Power App Syst, vol PAS-93, pp 1390-
1400, 1974
[4] R. A. Gallego, R. Romero, A. H.
Escobar, “Optimización en Sistemas
Eléctricos II – Programación Entera”,
Universidad Tecnológica de Pereira, 1
Edición, 2002.
[5] A. Escobar, “Planeamiento Dinámico
de la Expansión de Sistemas de
Transmisión Usando Algoritmos
Combinatoriales”, Tesis de Maestría, FIE,
Universidad Tecnológica de Pereira, Feb
2002.
[6] R. Romero and A. Monticelli, “A
Hierarchical Decomposition Approach for
Transmission Network Expansion
Planning”, IEEE Trans on Power Systems,
Vol 9, No 1, pp 373-380, Feb 1994.
[7] R. Romero, R. A. Gallego, and A.
Monticelli, “Transmission System
Expanssion Planning by Simulated
Annealing”, IEEE Trans on Power System,
Vol 11, No 1, pp 364-369, Feb 1996.