Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Planificacion de Redes PDF
Planificacion de Redes PDF
ESCUELA DE INGENIERIA
PLANIFICACION DE REDES DE
DISTRIBUCION: APROXIMACION VIA
CLUSTERING, DIAGRAMAS DE
VORONOI Y BUSQUEDA TABU
Profesor Supervisor:
HUGH RUDNICK VAN DE WYNGARD
PLANIFICACION DE REDES DE
DISTRIBUCION: APROXIMACION VIA
CLUSTERING, DIAGRAMAS DE VORONOI Y
BUSQUEDA TABU
HUGH RUDNICK
DAVID WATTS
RODRIGO PALMA
HECTOR JORQUERA
ii
AGRADECIMIENTOS
Dar las gracias, ennoblece dicen algunos, mas yo quisiera señalar que las gracias son sólo la
consecuencia a posteriori de un acto muy superior en nobleza y entrega, que convierte al
agradecimiento únicamente en forma y resultado, toda vez que el contenido y causa de las
gracias, es que alguien quiso renunciar a su tiempo y a sus recursos, para entregárselos a
otro, desinteresadamente y sin presión alguna, son ellos y su voluntad, los que han hecho
posible este trabajo. Ejemplo de ello es Chilectra, que proporcionó datos referenciales sobre
su zona de concesión, lo cual constituyó un aporte importante e imprescindible en el
correcto desarrollo de este desafío.
En suma, las siguientes líneas teóricas y técnicas presentan algo más que un problema
complejo, algo más que una investigación, lo que hay es una construcción colectiva de
entrega y ayuda. Agradezco entonces, en estas líneas que habrán de perdurar tanto como la
infinitud de mis agradecimientos, a mi familia, por enseñarme a soñar, a mi colegio, el
Colegio San Viator, por mostrarme la posibilidad de los sueños, a la Fundación Juan Pablo
II, por hacer posible el sueño de muchos, a mis amigos y a la oficina 303, por compartir
nuestros sueños y a veces la ausencia de ellos, y finalmente a Hugh Rudnick, el profesor,
sin el cual despertar hubiese sido un hecho.
iii
INDICE GENERAL
Pág.
DEDICATORIA .......................................................................................................... ii
INDICE DE FIGURAS............................................................................................... ix
RESUMEN................................................................................................................. xii
ABSTRACT.............................................................................................................. xiii
1. INTRODUCCION.............................................................................................. 1
1.1 Planificación de Sistemas de Distribución de Energía Eléctrica ............... 1
1.2 Planteamiento del Problema....................................................................... 2
1.3 Objetivo...................................................................................................... 4
1.4 Estructura de la Tesis ................................................................................. 4
4. PROCESO DE MICRO-OPTIMIZACION...................................................... 31
4.1 Descripción General................................................................................. 31
4.2 Análisis de Cluster ................................................................................... 32
4.3 Metodología de Micro-Optimización....................................................... 36
4.3.1 Etapa previa: determinación de la red vial .................................... 40
4.3.2 Ubicación y asignación de los transformadores ............................ 47
4.3.3 Trazado de red ............................................................................... 49
4.3.4 Selección óptima de conductores................................................... 56
4.3.5 Cálculo de pérdidas de energía ...................................................... 62
4.3.6 Iteraciones y resultados.................................................................. 67
A N E X O S ............................................................................................................ 141
Pág.
Tabla 5.3: Ahorro v/s número de combinaciones con cota en 300 kVA ................... 99
vii
Tabla G.2: Evolución de la solución para distintos tamaños de mini-zonas............ 170
viii
INDICE DE FIGURAS
Pág.
ix
Figura 5.3: Identificación zonas interiores diagrama de Voronoi.............................. 82
x
Figura E.3: Ubicación y red inicial .......................................................................... 163
Figura E.4: Ubicación y red del primer mínimo encontrado ................................... 164
xi
RESUMEN
xii
ABSTRACT
Electrical distribution planning, considering only the location and the projection of
consumption’s demands as inputs, is crucial in those markets in which the distribution is
regulated based on the “model firm” scheme, where prices are set by an optimal fictitious
company that supplies the same concession zone than the regulated company.
In this thesis, the low tension network optimization is analyzed starting from zero
(Greenfield planning), and a “divide and conquer” procedure is utilized. In this method, the
planning zone is divided into mini-zones and an optimization procedure is applied to each
one of them with intensive use of clustering. The relevant achievement is the coupled
solution of the transformer location and sizing, with the associated optimization of the
network topology and its conductors.
Nevertheless such division is arbitrary and two families of methodologies were developed
to improve it. The fist one tries to make a better partitioning process, based on Voronoi’s
diagrams, where the location of particular transformers represents the generating points for
the Voronoi’s polygons, obtaining irregular mini-zones and optimizing each one of them.
The second method takes advantage of the possibility that neighboring networks can be
combined in a single network, as long as such union generates savings. Given the large
number of variables of this structure, it is solved using “Tabu Search”.
The final methodology is a sequential combination of both, making in the first place an
adequate fragmentation, then optimizing each irregular mini-zone, and finally analyzing the
possibility of unions among them. A methodology is finally developed, able to resolve the
Greenfield planning for a large scale zone, finally applying it over the city of Santiago,
giving a solution with 7,686 distribution transformers with an installed capacity of 2,625
MVA, and a low tension distribution network of 8,935 km.
xiii
1
1. INTRODUCCION
empresa modelo se realiza desde cero, esto es, la empresa eficiente considera únicamente la
ubicación y demanda actual y proyectada de los consumos, de manera de no incluir en su
diseño, ninguna de las ineficiencias que podría tener la empresa que está siendo regulada.
Con este tipo de regulación, la empresa real sólo obtendrá rentabilidad si es capaz de
comportarse igual o mejor que la empresa modelo en sus gastos de inversión y operación,
lo que genera incentivos a gestionarse de manera racional y eficiente.
De lo anterior se desprende que la fijación tarifaria comprende dos aristas bien definidas,
por un lado está la optimización de la gestión, vale decir de aquellos costos relacionados
con la administración, facturación y atención al cliente, y por otro, se encuentra la
optimización de las inversiones, localización y tamaño de subestaciones y transformadores,
trazado de la red y tipo de conductores utilizados, es decir la planificación óptima de la red,
lo que constituye un aliciente importante para el desarrollo de la presente tesis.
Se debe señalar que en los sistemas de distribución es posible distinguir dos sistemas
relacionados, uno de media tensión, que es el encargado de comunicar las subestaciones
primarias con los transformadores de distribución y uno de baja tensión que comunica
dichos transformadores con los consumidores finales, siendo por tanto, este último el que
debe abastecer a un gran número de consumos. En el presente trabajo se aborda el problema
exclusivo de la planificación en baja tensión, el cual como se verá en el siguiente apartado,
por sí mismo representa un problema complicado y desafiante.
En este trabajo se busca responder a la planificación óptima de las inversiones, no sólo por
su importancia regulatoria, sino también por la complejidad del problema, el cual, en
términos generales, consiste en abastecer un conjunto de nodos, identificados por su
demanda y por su ubicación espacial, para lo cual se debe determinar el trazado de la red y
el tipo de conductores a utilizar, la ubicación y tipo de transformadores, a fin de minimizar
los costos de inversión para un horizonte de tiempo determinado, cumpliendo las
restricciones de regulación de tensión y radialidad de la red. De lo cual se desprende el
carácter combinatorio del problema, con presencia de variables enteras, relacionadas con
las decisiones de inversión, como por ejemplo, número entero de transformadores,
3
Sujeto a
• Abastecer la totalidad de la demanda.
• Cumplir la regulación de tensión.
• Existencia de un conjunto discreto de conductores.
• Existencia de un conjunto discreto de transformadores.
• Realizar un trazado radial de la red.
• Respetar las zonas prohibidas de paso.
Se debe señalar que la planificación de la red de baja tensión, junto con ser un problema de
optimización combinatorial, representa un problema del tipo NP-completo1 (Garey y
Jonson, 1979), esto es que el orden de crecimiento del algoritmo para encontrar la solución
no está acotado por un polinomio de orden n, de hecho en la actualidad todos los algoritmos
conocidos para problemas NP-completos utilizan tiempo exponencial con respecto al
tamaño de la entrada. Con lo cual para resolverlo en un tiempo razonable, se requieren
realizar simplificaciones en las restricciones y/o planteamiento del problema, o buscar
métodos alternativos que permitan encontrar una buena solución (Gonen y Ramírez-
Rosado,1986, Khator y Leung, 1997). En particular, el problema aquí señalado, ha tratado
de ser resuelto mediante técnicas de programación matemática, con bastantes
simplificaciones que permiten su convergencia (Adams y Laugton, 1974, Ponnavaikko et.
al.,1987, Gonen y Foote, 1981, Youssef y Hackman, 1988, Ramírez-Rosado y Gonen,
1991, Paiva et. al. 2005) y en los últimos años mediante técnicas meta-heurísticas, tales
como intercambio de rama, algoritmos genéticos, algoritmos basados en el comportamiento
de las colonias de hormigas, entre otros (Hsu y Chen, 1990, Nara et al. 1992, Miranda et. al.
1
Para mayor información referirse al anexo A dedicado a la complejidad algorítmica.
4
1994, Goswami 1997, Míguez et. al 2002, Gómez et. al. 2004, Ramírez-Rosado y
Domínguez-Navarro, 2006). No obstante, en ellos no se realiza la optimización de gran
tamaño (más de 500.000 nodos), ni la optimización conjunta de la localización y capacidad
de transformadores con la red asociada, situaciones que en este trabajo serán consideradas.
1.3 Objetivo
Este capítulo pretende entregar una visión del estado del arte en la planificación de los
sistemas de distribución, mostrando la evolución de los algoritmos empleados, con hincapié
en las restricciones consideradas y aplicabilidad en sistemas reales.
Es necesario reiterar la complejidad del problema a resolver (NP-completo) para el cual
resulta imposible encontrar una solución óptima, que no sea sino a través de la evaluación
completa de todos los posibles resultados, lo cual en un ejercicio de planificación es
imposible, dado el elevado número de variables y combinaciones a considerar, por ejemplo,
consideremos un problema con 100 variables binarias, esto es un espacio de búsqueda de
2100 , es decir 1,26 x 1030 combinaciones posibles. Suponiendo que en evaluar cada
combinación, optimistamente se toma 1 femto-segundo, se requeriría algo así como 40
millones de años en encontrar la solución, por tal razón, los algoritmos que se han
propuesto hasta la fecha, incluyendo el desarrollado en este trabajo, buscan encontrar una
buena solución, lo que no constituye una merma en la calidad, profundidad e importancia
de las investigaciones, sino que simplemente, constituyen una aproximación a la correcta
solución del problema. Es en este sentido, dada la imposibilidad de encontrar el óptimo,
que existen muchos trabajos que intentan dar respuesta al problema, los cuales se pueden
clasificar en dos grandes grupos, aquellos que buscan la solución mediante programación
matemática y aquellos que tratan de hacerlo por medio de vías meta-heurísticas.
Este apartado dice relación con la instalación de transformadores y subestaciones, así como
la ampliación de la capacidad de estas últimas. Los primeros algoritmos consideraban un
pequeño número de subestaciones y además requerían como entrada la ubicación de sus
posibles posiciones. Entre los primeros que abordan el problema de aumento de capacidad
de subestaciones está Masud (1974), quien además de determinar la ampliación, calcula el
momento en que se debe realizar, con un modelo compuesto de dos etapas, en la primera se
realiza la selección de la capacidad a aumentar, mediante programación entera y en la
segunda mediante programación lineal se determinan los consumos asociados a cada
subestación. Otros pioneros son Crawford y Holt (1975), quienes dado un conjunto de
ubicaciones para las subestaciones determinan sus respectivas capacidades y áreas de
servicio, mediante el uso del algoritmo de Dijkstra y del algoritmo de Ford y Fulkerson.
Posteriormente Thompson y Wall (1981) incluyen a las posiciones existentes, las posibles
posiciones de nuevas subestaciones como dato de entrada, incorporando una metodología
distinta a la programación lineal, mediante el uso de programación entera, utilizando el
algoritmo de “Branch and Bound”. Finalmente cabe destacar los trabajos de Willis et al
(1985) y Willis et al (1987), en que la función a minimizar esta dada por los costos de
inversión en las subestaciones más los costos de inversión y pérdidas de una red
simplificada, que no considera las restricciones de capacidad de los conductores, ni las
caídas de tensión y que supone que los costos de cada tramo de red son proporcionales al
9
flujo que circula por ellos y a la longitud de los mismos. El procedimiento de solución
emplea programación dinámica y “Branch and Bound”. En Willis et al (1987), se mejora
este algoritmo incorporando la consideración de la carga anual de los consumos y ubica las
subestaciones de manera que satisfaga la demanda con el mínimo de capacidad instalada.
En los años posteriores la atención de los investigadores se centra en la planificación
conjunta de subestaciones y redes, no obstante el problema de planificación de
subestaciones desacoplado de la red, nuevamente vuelve a ser abordado en Temraz y
Salama (2002), donde se determina el área de influencia y la función objetivo es
caracterizada por una función no lineal sin discontinuidades que se soluciona básicamente
siguiendo una metodología de descenso.
De lo anterior se desprende que en lo que respecta a las redes de distribución planificadas
con programación matemática, las investigaciones apuntan al segmento de MT, compuesto
por las subestaciones y alimentadores, sin considerar en el proceso la instalación de los
transformadores y su red BT, situación que recién es abordada en un primer intento por
Bujak (1988), realizando la elección de la ubicación de los transformadores de entre un
conjunto de posiciones candidatas, dato de entrada difícil de conseguir en la práctica,
usando para la resolución del problema como base la técnica de “Branch and Bound”
apoyada por métodos heurísticos auxiliares. Otro intento por resolver la ubicación de los
transformadores en forma independiente de la red se presenta en Moreno et al. (2006),
donde mediante un algoritmo de cluster modificado se asocian los consumos a un
determinado transformador, obteniéndose como resultado la ubicación y capacidad de los
transformadores de distribución, pero sin entregar información acerca de la factibilidad real
de la asociación, y sin conseguir, además, el trazado de la red de baja tensión.
Los trabajos de esta sección buscan resolver tanto la instalación de las subestaciones y/o
transformadores con la red asociada a ellos. Los primeros en abordar esta temática fueron
Hindi y Brameller (1977), a través de un modelo de transporte con restricción de capacidad
y un algoritmo de “Branch and Bound”, en el que se minimizan los costos fijos y variables
de las líneas y subestaciones, una vez que se tiene una solución factible se revisa el
cumplimiento de la restricción de radialidad, si no la satisface se hacen las modificaciones
para que sí lo sea. Resolviendo esta misma función objetivo, Gönen y Foote (1981) la
aproximan a una función lineal por tramos, y para la ubicación de las nuevas subestaciones
consideran como dato de entrada las ubicaciones posibles, su acierto está en considerar la
capacidad discreta de subestaciones y conductores, utilizando programación entera mixta,
dada la gran cantidad de variables necesarias sólo se puede aplicar a sistemas pequeños, de
hecho el modelo es probado sobre un ejemplo de tres posibles ubicaciones de subestaciones
que deben satisfacer en total a doce centros de carga (transformadores de distribución). En
un trabajo posterior Gönen (Gönen y Ramírez-Rosado, 1986), propone un modelo entero
11
Los primeros que usan este tipo de técnicas son Hsu y Chen (1990), quienes desarrollaron
un modelo basado en reglas que interactúan con el usuario, a través de un algoritmo
iterativo en que se ubican las subestaciones con el fin de minimizar las pérdidas en los
alimentadores, para posteriormente asignar a cada subestación el consumo más cercano. Se
debe señalar que no considera el trazado de la red, sino que únicamente la distancia entre el
punto de consumo y la subestación, el modelo es aplicado a un caso de dos posibles
subestaciones y 23 nodos de consumo.
En la literatura es posible notar que los sistemas expertos no resuelven el problema en
forma independiente, sino que necesitan de la interacción con el planificador, este es el caso
de Hsu y Chen (1990), Brauner y Zobel (1994) y Lo y Nashid (1996), por lo cual este tipo
de heurística ha sido paulatinamente abandonada por los investigadores, quienes sólo la han
seguido utilizando en combinación con otros meta-heurísticos.
El estudio pionero que introdujo esta metodología fue de Aoki et al (1990), cuyo objetivo
exclusivo era trazar la red óptima, para ello se parte de una solución inicial radial, luego se
incorpora una nueva rama que genera un bucle, y luego se saca una rama para eliminar
dicho bucle. La decisión de la rama a incorporar y de la rama a eliminar está sujeta a las
restricciones de capacidad en los conductores y caídas de tensión en los nodos, el proceso
2
Para mayor detalle ver Anexo C referente a diversas metodologías meta-heurísticas.
14
se repite iterativamente hasta que no se mejora la solución. Una modificación a este estudio
fue propuesta en Nara et al. (1992), donde la técnica intercambio de ramas (branch
exchange) es utilizada en etapas sucesivas, primero se realiza una iteración completa para
tener una solución inicial (primera etapa), luego se permite la adición y sustracción de una
rama, aunque empeore la solución, y continúa el proceso (segunda etapa), si el árbol
resultante es mejor que el árbol inicial se reemplaza, el número de veces en que se realiza
este proceso debe ser indicado por el planificador, es importante destacar que con esta
técnica los tiempos de ejecución comienzan a ser razonables, así trazar la red para un
sistema de 59 nodos tarda aproximadamente un minuto.
En 1997 esta técnica nuevamente es utilizada para el trazado de la red, Goswami (1997),
pero esta vez no sólo aplicada a un único árbol de expansión (una única subestación como
nodo generador del árbol), sino que a un sistema con más de una subestación, para lo cual
se propone partir del árbol de mínima expansión asociado a cada subestación, para luego
intercambiar ramas al interior de una misma red (intercambio intra-zona) e intercambiar
ramas entre redes diferentes (intercambio inter-zonas). Peco (2001) también realiza el
intercambio intra e inter zona, toma la ubicación de subestaciones, transformadores y
consumos como datos de entrada al modelo, respeta los límites de transporte de los
conductores, la regulación de tensión y las restricciones geográficas de la zona en análisis;
se debe destacar que realiza la optimización completa del sistema de distribución,
analizando mediante técnicas de auto-aprendizaje la confiabilidad de la red, siendo
aplicable a una red de gran tamaño; de hecho en el trazado de una red de media tensión que
conecta 75 subestaciones con 6.740 transformadores se demora tan sólo 23 minutos.
En la línea de lograr la aplicabilidad de la metodología a sistemas reales y obtener buenos
resultados, Míguez et al. (2002) propone una mejora consistente en realizar en una primera
fase el trazado de la red por medio de intercambio de ramas, y en una segunda fase incluir
nodos de trasbordo que mejoren la solución (nodos de Steiner) , ello dado que la distancia
no es la única variante relevante en el trazado de la red sino que también lo son los flujos
que transportan los conductores, y con la presencia de estos nodos auxiliares es posible
considerar tal situación, el método propuesto tarda cuatro segundos en trazar la red asociada
a 387 cargas y 9 transformadores.
15
Esta es una metodología que no ha sido muy aplicada en problemas de distribución, no por
cuanto sea una mala herramienta sino por que constituye una meta-heurística introducida
recién en el año 1996 (Dorigo, 1996) y por tanto aún no ha sido completamente
desarrollada. En relación a la planificación de sistemas de distribución destaca el trabajo de
Gómez et. Al. (2004), en el que se realiza una planificación en una única etapa, se
considera como dato de entrada las posibles ubicaciones para las nuevas subestaciones y la
ubicación de subestaciones y centros de transformación existentes, respeta la capacidad de
los conductores y subestaciones, la topología radial de la red, y una determinada regulación
de tensión. El modelo es aplicado a un área urbana con 201 centros de transformación
17
El primer trabajo que emplea los algoritmos genéticos o evolutivos para su resolución fue
Miranda et al. (1994), en el cual, la función no sólo incluye los costos de instalación y
expansión tanto de conductores como subestaciones y/o transformadores, sino que además
considera un indicador de calidad de tensión y un índice de confiabilidad de la red, a los
cuales se les asigna un costo. Como dato de entrada recibe la ubicación de las nuevas
posibles subestaciones, y realiza una optimización multi-etapa, por tanto indica el momento
en que se deben llevar a cabo las inversiones; el método es probado en un sistema 50 nodos,
con dos subestaciones existentes y con dos posibles nuevas ubicaciones. También en el
marco de una optimización multi-etapa, Ramírez-Rosado y Bernal-Agustín (1998)
resuelven un modelo de planificación de expansión, que entrega la ubicación y tamaño
tanto de subestaciones como de alimentadores, el modelo incluye los costos no lineales
asociados a la operación (costos de pérdidas) sin linealizarlos, como dato de entrada recibe
las posibles rutas de los alimentadores y posibles ubicaciones, en la resolución de un caso
real resuelve la expansión de una red de 417 nodos en 15,25 horas, lo cual ya comienza a
ser atractivo desde el punto de vista práctico. En un estudio posterior Ramírez-Rosado y
Bernal-Agustín (2001), incluyen en su modelo la planificación multi – objetivo,
minimizando los costos de inversión y la energía no suministrada, es decir la confiabilidad
no es valorizada en cuanto a costo (función objetivo como minimización de una
combinación lineal de costos) sino que es incluida como un objetivo en el problema, y por
tanto se obtiene un conjunto de soluciones (no una única solución como en la optimización
18
3. METODOLOGIA DESARROLLADA
2005), lo que lo convierte en un tema de gran interés a resolver y que además podría ser
utilizado en trabajos futuros, como una componente de un modelo que aborde íntegramente
la planificación tanto en media como en baja tensión.
También al igual que en los dos estudios citados, dada la gran cantidad de variables a
abordar, se considera un modelo de solución estático, es decir, la planificación del sistema
tomará en cuenta sólo una etapa de análisis, en la cual, se utilizarán las demandas
pronosticadas para el último año del horizonte de planificación, con lo que el conjunto de
inversiones a realizar no presentará un cronograma de actividades, por tanto no responde a
la pregunta ¿cuándo invertir?, sino que supone que todas las obras necesarias deben ser
construidas en el mismo instante, es decir al inicio del período de planificación.
Con las consideraciones anteriores el modelo a resolver puede representarse mediante la
siguiente formulación matemática (Díaz-Dorado, 1999), siendo la ecuación (3.1) la función
objetivo que incluye los costos fijos y variables de los transformadores y de la red de baja
tensión, la ecuación (3.2) garantiza el equilibrio de flujo en los nodos del sistema, mientras
que las ecuaciones (3.3) y (3.4) limitan la capacidad de los transformadores y conductores,
respectivamente, a sus valores máximos nominales, las ecuaciones (3.7), (3.8) y (3.9)
garantizan que las caídas de tensión no pasen de un valor determinado y finalmente la
ecuación (3.12) fuerza la radialidad de la red3.
min ∑ ∑ (π
i∈Trafos k∈TT ( i )
ik gik + ϖ ik yik ) + ∑ ∑ (λ
( i , j )∈R k ∈TC ( i , j )
ijk fijk + cijk xijk ) (3.1)
∑
k ∈TT ( i )
yi + ∑ ∑ (x
j∈N k∈TC ( i , j )
jik − xijk ) = bik ∀i ∈ N (3.2)
π ik ∈ {0,1} ∀i ∈ N , ∀k ∈ TT (i ) (3.5)
3
Garantiza radialidad siempre y cuando no existan nodos de bifurcación, en cuyo caso se deben utilizar
métodos heurísticos que rompan los enmallamientos que se pueden producir, el método más utilizado se
conoce como load splitting, en el cual se determina el nodo de la malla al que llega potencia por dos ramas, en
cuyo caso se divide el nodo y las ramas que salen de él, repartiendo de manera adecuada la carga.
23
(vi + Dij ) − (v j + D ji ) = ∑
k∈TC ( i , j )
Gijk ( x jik − xijk ) ∀(i, j ) ∈ R (3.7)
V min ≤ vi ∀i ∈ N (3.9)
0≤ ∑
k ∈TT ( i )
π ik ≤ 1 ∀i ∈ N (3.10)
0≤ ∑
k ∈TT ( i )
λijk ≤ 1 ∀(i, j ) ∈ R (3.11)
N− ∑ ∑π
k ∈TT ( i ) i∈N
ik = ∑ ∑
k ∈TC ( i , j ) ( i , j )∈R
λijk ∀i ∈ N , ∀(i, j ) ∈ R (3.12)
4
Variables de holgura necesarias debido a que a priori no se conoce cuales son los nodos que se conectarán
para formar la red.
25
por un mismo transformador para luego trazar su red. Por ejemplo, si se tienen diez nodos,
se pueden realizar 1.023 subconjuntos distintos, donde cada subconjunto es abastecido por
un único transformador. Ello de acuerdo a la siguiente expresión:
Por lo tanto, para un caso sencillo de 10 nodos, existen 5.120 posibles soluciones a evaluar.
No obstante, se debe señalar que tal número constituye una cota superior para el conjunto
de soluciones factibles, dado que muchos de los subconjuntos, producto de una determinada
configuración de los consumos, no tienen sentido práctico, debido a que están constituidos
por nodos que se encuentran alejados.
26
10
[m] 6
1
1 2 3 4 5 [m] 6 7 8 9 10
En la figura anterior se puede apreciar claramente que no todos los subconjuntos son
viables, de hecho sólo aquellas combinaciones que agrupan nodos vecinos son factibles de
analizar. Por lo cual, para conocer en forma aproximada el número de combinaciones
factibles, se procede a limitar las agrupaciones a aquellas que están conectadas por medio
de arcos pertenecientes a la triangulación de Delaunay, de acuerdo a la siguiente figura.
10
6
[m]
5
1
1 2 3 4 5 6 7 8 9 10
[m]
Es decir sólo las agrupaciones, que contengan nodos unidos a través de los arcos señalados
en la figura serán consideradas, con lo que se limitan los subconjuntos a los casos vecinos.
Se debe señalar brevemente, que la triangulación de Delaunay se refiere a aquella, en que
cada circunferencia circunscrita a cada triángulo de la red no contiene ningún vértice
perteneciente a otro triángulo de la red5, identificando como consumos (nodos) vecinos a
quienes se encuentran unidos por una arista de un polígono de la triangulación. Realizando
esto, se obtiene que el número de subconjuntos posibles6 para la configuración utilizada
como ejemplo, es del orden de 4.300 casos, menor a los 5.120 iniciales. Si se quieren
restringir aún más los casos posibles, se pueden evaluar únicamente las combinaciones que
se producen entre cada nodo y sus nodos más cercanos (conectados por una única arista),
con lo que el número de casos factibles es de7 197. Dicha cantidad no constituye un número
elevado de combinaciones, por lo que podría ser resuelto sin inconvenientes por un método
tradicional de programación matemática. No obstante el problema que se busca resolver en
el presente trabajo, tiene una dimensionalidad mayor, de hecho considerando los 20.215
consumos se tendría como cota superior casi infinitas combinaciones (220215-1).
5
La triangulación de Delaunay constituye el dual del diagrama de Voronoi, ambos serán explicado es detalle
en el capítulo 5.
6
Subconjuntos factibles dados por aquellas combinaciones que representan un subgrafo de la triangulación de
Delaunay.
7
La triangulación de Delaunay depende de la distribución espacial de los consumos y por tanto el número de
subconjuntos posibles variará de un caso a otro dependiendo de tal o cual configuración.
28
12000
11000
10000
9000
[m]
8000
7000
6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m] 4
x 10
Si se consideran únicamente las combinaciones posibles entre cada nodo y sus vecinos
(calculados a través de la triangulación de Delaunay, y acotados a no más de tres elementos
por grupo), se tienen 242.483 combinaciones posibles, lo que ratifica que el problema en
cuestión no puede ser resuelto a través de técnicas convencionales. Surgiendo
inevitablemente la siguiente pregunta, ¿Cómo abordar el problema?.
La estrategia propuesta para conseguirlo esta basada en la técnica conocida como “Dividir
y Conquistar”, que básicamente consiste en resolver subproblemas del mismo tipo que el
problema principal pero de menores dimensiones, es decir, dividir Macul en zonas de
menor tamaño donde cada una de ellas representa un subproblema, de manera de disminuir
el número de combinaciones al resolver problemas con menos consumos (la dificultad del
problema crece exponencialmente con la entrada), con lo cual la suma de las
combinaciones posibles en cada subproblema es mucho menor que el total de
combinaciones del problema completo, lográndose de esta manera afrontar de forma
razonable el problema en cuestión. Específicamente los pasos fundamentales de esta técnica
son:
29
Por tanto, la forma de solucionar el problema en cuestión es dividir la zona de gran tamaño
a planificar, en zonas regulares de menor tamaño, para después aplicar a cada una de esas
mini-zonas, un proceso de optimización, que se denomina proceso de micro-optimización,
luego para combinar cada una de las soluciones y encontrar los ahorros, producto de ver el
problema en forma global, se realiza un proceso denominado macro-optimización, en
particular se desarrollan dos metodologías base de macro-optimización, una basada en
diagramas de Voronoi y otra basada en la búsqueda tabú, para finalmente mostrar la
combinación de ambas y los ahorros correspondientes que se producen. En los siguientes
capítulos se explicarán en detalle cada una de las alternativas mencionadas, que se ilustran
en el siguiente esquema:
30
4. PROCESO DE MICRO-OPTIMIZACION
12000
11000
10000
[m]
9000
8000
7000
Para cada una de las zonas señaladas en la figura anterior, se requiere agrupar los consumos
asignando un transformador a cada agrupación, de manera tal que se evite realizar la
enumeración completa de todas las posibles alternativas (subconjuntos), es decir se debe
conseguir una agrupación inteligente de los consumos, la forma propuesta para lograrlo es a
través de un algoritmo de búsqueda local combinado con análisis de cluster. Para
comprender la técnica empleada, se realizará una pequeña reseña referente al análisis de
cluster8 para luego explicar el algoritmo propuesto.
8
Para mayor información refiérase al anexo C
33
medidas de proximidad, o diferencia, medidas de distancia, que existen entre dos elementos
que se quieren agrupar.
En particular, la técnica de cluster que se empleará en el presente trabajo, es el algoritmo de
k-means, que permite clasificar un conjunto de n datos en k subconjuntos, donde la cantidad
de grupos a formar, k, es un dato de entrada del algoritmo. Éste, en términos sencillos está
compuesto por los siguientes pasos:
Donde:
• d : distancia euclidiana.
• x : vector de posiciones de los datos.
• µX : valor medio de los datos (centroide).
El criterio de parada está dado por el mínimo entre un número máximo de iteraciones
permitidas y la variación de la distorsión entre dos iteraciones sucesivas. El número
máximo de iteraciones es un dato de entrada al algoritmo y dependerá de la convergencia
presentada en el problema a resolver. En tanto que la distorsión es la suma de todas las
distancias a su respectivo centroide.
34
k
D(i ) = ∑ ∑ x − µi
2
(4.2)
i =1 x∈Ci
Donde:
• D(i) : distorsión al finalizar la iteración i.
• k : número de clusters.
• Ci : cluster i-ésimo.
9
De la expresión anterior se desprende que el criterio de parada será D(n) − D(n + 1) ≤ ε
A modo de ejemplo en la figura (4.2) se emplea la técnica para crear tres subconjuntos
utilizando como criterio la cercanía entre los nodos, en la iteración 1 se parte con la
ubicación aleatoria de los tres centros, señalados mediante triángulos, a cada uno se le
asignan los nodos más cercanos (identificados en la figura por un mismo color), para luego
mover tales centros al centroide del subconjunto, dicho proceso se repite, en este caso
durante 12 iteraciones, dado que más iteraciones no presentan mejoras a la solución, lo que
se aprecia claramente en la tabla 4.1.
Distorsión
Iteración
(Km)
Inicial 5230
1 4957
2 4504
3 3775
4 3459
5 3226
6 2966
7 2752
8 2633
9 2615
10 2611
11 2609
12 2609
9
Con ε, definido por el planificador, no obstante usualmente está entre 0.5 % y 1%.
35
8100 8100
8050 8050
8000 8000
7950
Iteración 1 7950
Iteración 3
[m] 7900 [m] 7900
7850 7850
7800 7800
7750 7750
7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
[m] x 10
4
[m] x 10
4
8100 8100
8050 8050
8000 8000
7950
Iteración 5 7950
Iteración 7
[m] 7900 [m] 7900
7850 7850
7800 7800
7750 7750
7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
[m] x 10
4
[m] 4
x 10
8100 8100
8050 8050
8000 8000
7950
Iteración 9 7950
Iteración Final
[m] 7900 [m] 7900
7850 7850
7800 7800
7750 7750
7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
[m] 4
x 10 [m] x 10
4
Del apartado anterior se desprende que k-means permite una elección inteligente de
subconjuntos, de hecho si los datos de entrada están dados por los consumos y los
centroides representan a los transformadores, se puede realizar una buena ubicación de los
mismos, sin necesidad de aumentar los tiempos de ejecución, situación que si se produce
probando todas las combinaciones. Sin embargo, ¿es suficiente sólo con k-means para
realizar la ubicación óptima de transformadores y red asociada?. La respuesta es no, ello
dado que k-means por si mismo no entrega el número de transformadores, sino que sólo
agrupa las cargas en un número elegido a priori de subconjuntos, y no incluye la relación
que existe entre los consumos asignados a un transformador con el mismo, a través de la
red que los conecta, ni menos aún respeta las restricciones geográficas, con lo que
consumos cercanos pero imposibles de conectar son indiferentes para k-means.
En Moreno et al. (2006) se realiza una aproximación a la determinación de un parque
óptimo de transformadores para una zona determinada. Mediante esta técnica de cluster, no
obstante, en tal trabajo se realiza únicamente la ubicación de los transformadores, que son
elegidos previamente a través de una optimización vía programación matemática, con lo
que se disocia la ubicación del transformador de su elección, es decir, existe la posibilidad
que transformadores que son óptimos para una determinada carga puntual, puede que ya no
lo sean cuando la carga a satisfacer está distribuida en el plano, dado que tal asignación no
consideró las restricciones viales, existencia de caminos para trazar la red, ni los costos
asociados a la topología de la misma, situaciones todas que hacen posible dudar de la
bondad de la elección realizada por separado de la ubicación. Es por ello que en el presente
trabajo se busca optimizar la red de baja tensión sin disociar la elección de la capacidad y
ubicación de un transformador con su trazado y por tanto con el costo de su red asociada.
El algoritmo propuesto consiste básicamente en un procedimiento de descenso en donde
para cada mini-zona se comienza con la ubicación de un transformador, después se calcula
el costo de la red asociada, que respeta la topología vial, y el costo del transformador que
satisface la demanda, luego se realiza el mismo procedimiento para el caso de dos
transformadores, así sucesivamente hasta que se encuentra el óptimo. El supuesto que
37
10
VAD: Valor agregado de distribución, que busca remunerar a la distribuidora por los costos en que incurre
al llevar la energía que compra a los generadores hasta los consumidores finales. Como la distribución
constituye un monopolio natural, es la autoridad quien debe fijar tal valor, el que posteriormente será
traspasado mediante tarifa a los consumidores. Tal fijación se realiza cada 4 años y consiste en determinar
cuales son los costos de una empresa distribuidora ficticia, empresa modelo, que presta eficientemente el
servicio en la misma zona de concesión, o una similar, que la distribuidora regulada. Es importante señalar
que: “El concepto que está detrás de la definición de la empresa modelo, corresponde a la simulación de una
situación de competencia, cuando aparece un nuevo prestador del servicio con costos y tecnologías actuales,
38
posible contrastar los resultados obtenidos mediante esta metodología con los obtenidos en
el último estudio tarifario. Es por esta necesidad de comparación que se utilizarán los datos
de costos del último informe de VAD, realizado el año 2004, es decir se tomará tal año
como punto de partida del horizonte de planificación, teniendo presente siempre que tal
estudio considera tanto el crecimiento horizontal, aparición de nuevos centros de consumos,
como el crecimiento vertical de la demanda, aumento en el consumo de los clientes ya
existentes. Por el contrario, en el presente trabajo sólo se considera el crecimiento en el
consumo de energía y potencia de los clientes existentes a lo largo del horizonte de estudio.
Otra consideración que se debe tener en cuenta es que en la investigación aquí expuesta,
sólo se realiza la optimización de la red de baja tensión suponiendo que toda la distribución
se realiza mediante redes aéreas, en tanto que el estudio de VAD considera además redes de
distribución subterráneas en aquellos lugares donde la empresa regulada las posee, por
tanto los resultados obtenidos finalmente no serán del todo comparables, pero sí permitirán
observar la bondad de la solución encontrada, realizando un cotejo con los costos en redes
aéreas, número de transformadores empleados, largo de red utilizada, capacidad de
transformación instalada, entre otros parámetros relevantes de comparación.
Para fines del estudio y mostrar la metodología desarrollada se supone un crecimiento
uniforme en toda el área de concesión de 2,75 % en la demanda de potencia, con lo que
aparece un nuevo supuesto, éste es, asumir que es posible conocer la demanda máxima
coincidente de cada uno de los consumos asignados a un mismo transformador, lo cual en
distribución eléctrica de baja tensión es una tarea complicada que sólo puede ser resuelta de
manera aproximada, debido a que casi la totalidad de los clientes conectados a la red de
baja tensión sólo poseen medidores de energía con lo que no es posible contar con un
historial de demanda que permita realizar proyecciones mediante métodos predictivos
clásicos. Debido a que tal proyección es una tarea en si misma que depende de múltiples
variantes, tales como uso de suelo, crecimiento económico, proyectos inmobiliarios, gestión
de la demanda, entre otros, no será resuelta en el presente trabajo cuyo objetivo es plantear
una metodología adecuada al problema de planificación de redes de baja tensión y por tanto
cuya eficiencia le permite acceder al mercado o bajar los precios, de forma tal que los prestadores existentes
deben adaptarse al nuevo precio de equilibrio o simplemente desaparecer” (CNE, 2003).
39
se adoptará la solución propuesta por Inecon11 en el estudio de VAD 2004 (Systep e Inecon
2004), la que consiste básicamente en la determinación de una función del factor de carga
que depende del número de clientes que pertenecen a una determinada agrupación, de tal
manera que conocida la energía que consume una agrupación de clientes sea posible
determinar la potencia máxima coincidente de dicho grupo y con ello dimensionar en forma
óptima las instalaciones. Esta metodología es adecuada dado que las lecturas disponibles
son en esencia de energía, siendo datos confiables, en tanto la curva de factor de carga es
una aproximación que se obtuvo de una muestra representativa de 2000 transformadores
que poseen tanto lectura de energía como de potencia. Así realizando subconjuntos de entre
esos 2000 clientes, a través de simulaciones de Montecarlo, fue posible la construcción de
la expresión para el factor de carga12, señalada en la ecuación (4.3), con la cual es posible,
conociendo la energía, calcular la demanda máxima coincidente para cualquier conjunto de
clientes.
Referente a los supuestos relacionados con la demanda se debe indicar que las cargas se
asumieron del tipo (P + j Q), con un factor de potencia idéntico para todos los consumos de
0,93 inductivo.
11
Ingenieros y Economistas Consultores SA www.inecon.cl
12
En este trabajo se supondrá como correcto el trabajo de ajuste de factor de carga realizado por Inecon en
“Estudio para el Cálculo de las Componentes de Costo del Valor Agregado de Distribución (VAD), Área
Típica 1: Chilectra” (Systep e Inecon, 2004)
40
También se debe constatar que al tratarse de una planificación desde cero el único dato de
entrada lo constituye la demanda de los consumos y su posición, la cual corresponde a la
ubicación georreferenciada de cada uno de los medidores de la mini-zona en cuestión. Sin
embargo la sola ubicación de los consumos no es suficiente, dado que consumos que de
acuerdo a su distancia se encuentran cercanos, podrían estar separados por un accidente
geográfico que no permita la asociación entre ellos. Otra situación posible es que existan
consumos al interior de una zona urbana, que pertenezcan al mismo subconjunto pero que
sean imposibles de unir dado que no existe red vial que los conecte. Para evitar tales
situaciones se propone considerar el trazado vial en el proceso de optimización, por lo cual
se requiere conocer la georreferenciación de todas las calles, o tramos de calles, que
pertenecen a la mini-zona, y la pertenencia de cada uno de los consumos a una única calle,
de esta forma será posible asociar consumos que puedan ser conectados y se evitará el paso
a través de zonas prohibidas.
Por lo cual, como etapa previa al proceso de micro-optimización, se debe realizar para cada
una de las mini-zonas el trazado vial, la asignación de los consumos, y la determinación de
la conectividad vial.
La necesidad de esta etapa previa, tal y como ya se mencionó, surge del objetivo de lograr
una agrupación posible de los consumos, de forma que las asignaciones propuestas por la
metodología sean replicables en la realidad. Para ello se debe considerar que para toda la
zona en análisis se posee una base de datos con la posición de los consumos y la demanda
de energía de cada uno de ellos, que pueden ser fácilmente ingresados a la metodología. Sin
embargo, con las calles sucede algo más engorroso, dado que los datos disponibles de ellas,
corresponden a una cobertura de ARCVIEW13, es decir corresponden a una representación
vectorial de las calles en un sistema de información geográfica (SIG), entendiendo un SIG
como un sistema basado en computador capaz de trabajar con datos georreferenciados, en
el cual se realiza la entrada, gestión, manipulación, análisis y salida de dichos datos
13
Paquete de programas SIG que trabaja con representaciones vectoriales de cada objeto geográfico ya sea a
través de puntos, líneas, o polígonos.
41
(Aronnof, 1995), debido a tal situación, el acceso a las coordenadas de las calles no es
inmediato, dado que su representación está en el formato de poli-líneas (representación
vectorial) y no como una sucesión de puntos, no obstante, tal representación vectorial, esta
implícitamente basada en la sucesión de tramos, por ende, en este trabajo los datos
señalados se consiguieron con la creación de un programa en Avenue, lenguaje de
programación propio de ARCVIEW 3.2, mediante el cual se pudo obtener la posición
inicial y final de cada tramo que compone una misma calle. Situación que se puede apreciar
en la figura (4.4), donde se muestra el trazado vial para una mini-zona, en ella los puntos
representan a los consumos y los asteriscos representan los vértices de los tramos de calles
obtenidos desde la cobertura en ARCVIEW.
7300
7250
7200
[m]
7150
7100
7050
Una vez que se conoce la topología vial es de suma importancia, para garantizar que la red
de baja tensión se trace a través de ella, conocer a que calle pertenece cada consumo, para
conseguir este objetivo se toma como supuesto, que cada consumo esta asociado al tramo
de calle más cercano, asignación que es realizada con el procedimiento general que se
explica a continuación:
42
Y −Y
Y = 2 1 ⋅ ( X − X 1 ) + Y1 (4.4)
X 2 − X1
Para los casos en que la pendiente es infinita, es decir en aquellos donde el tramo es
paralelo al eje Y (X2=X1), se modificó la posición de uno de los vértices en tan sólo
unos centímetros, de forma que no se indefiniese la función (ecuación 4.4). Además
en los casos en que existe redundancia de información, esto es cuando los tramos,
no representan intersecciones de calles, sino que simplemente son divisiones en una
misma cuadra, se muestrearon tales vértices de manera obtener la misma
información en un número menor de tramos, con lo que se disminuye el número de
ecuaciones a calcular y por ende el tiempo de iteración de la metodología. Ejemplo
típico de esto, lo constituyen las rotondas en que la información disponible asigna
tramos cada un metro, ya que se trata de emular una circunferencia mediante
polígonos regulares con sobre 100 aristas, no obstante tal exceso de información es
en la práctica irrelevante, por lo que se opta aproximar tales rotondas por decágonos
regulares.
2. Se calcula la distancia entre todos los consumos y todos los tramos de calles, a
través de la ecuación que determina la distancia entre un punto y una recta. Los
cálculos aprovechan el ordenamiento matricial de los datos, con lo que es posible
obtener, sin necesidad de un proceso iterativo, una matriz en que el elemento dij,
indica la distancia entre la recta que representa al tramo i y el consumo j.
3. Se asigna cada consumo a su tramo más cercano. Se debe tener presente que la
distancia calculada indica la distancia perpendicular entre el consumo y la recta, si
se denomina como proyección del consumo sobre la recta, al punto en la recta en el
que se mide tal distancia, se consideran como candidatos factible de asignación,
aquellos tramos en que la proyección del consumo sobre la recta pertenece a un
43
tramo, es decir que se encuentre contenido entre el vértice inicial y final sobre los
que se traza dicho tramo. Con lo que se garantiza que los consumos sean asignados
al tramo de recta más cercano, situación real, lo que no necesariamente coincide con
la recta más cercana. Por lo tanto cada consumo es asignado al tramo de calle
factible más cercano de acuerdo a la distancia euclidiana que los separa.
7160
7150
7250
7140
7200 7130
[m] [m]
7120
7150
7110
7100
7100
7090
7050 7080
7070
3.785 3.79 3.795 3.8 3.805 3.798 3.8 3.802 3.804
4 4
x 10 x 10
[m] [m]
Por tanto ahora será posible trazar la red de baja tensión soslayando los accidentes
geográficos, dado que se asume que el trazado vial también los evita, así será imposible
trazar una red a través de un cerro, dado que no existirá calle que lo atraviese, sino que por
44
el contrario, será rodeado por la red vial, con esto no sólo se considera la distancia como
parámetro de trazado de la red sino que se utiliza la distancia de comunicación sobre un
grafo determinado (red vial), es decir la distancia vial que une un punto A y B, lo que no
necesariamente coincide con la distancia a campo traviesa entre ambos puntos, logrando
obtener mayor información y por ende una mejor aproximación para resolver el problema
real.
Sin embargo, aún queda un problema importante a resolver en esta etapa previa, el cual esta
dado por evitar asociar en un mismo subconjunto elementos que en la práctica no puedan
ser unidos, debido a la ausencia de red vial que los conecte. En este caso es necesario
señalar, que la zona que se busca planificar es eminentemente urbana, no obstante la
metodología propuesta puede resolver indistintamente zonas de abastecimiento rural y
urbanas, y por cierto una mezcla de ambas. La única distinción al respecto es que si en una
mini-zona no existe trazado vial, lo que probablemente corresponderá a una zona rural, la
distancia a utilizar será simplemente la distancia a campo traviesa, por lo que el problema
en discusión no tiene cabida, ya que cualquier subconjunto será posible. Situación que no
ocurre cuando si existe red vial, caso típicamente urbano, en el que el trazado no puede
pasar por zonas edificadas y debe entonces respetar a cabalidad el callejero, es decir se
unirán en una misma red sólo aquellos consumos que puedan ser comunicados a través de
la red vial. Para evitar entonces la asignación a priori de cargas no comunicadas, se divide
cada mini-zona en islas viales, donde cada isla vial corresponde al conjunto tramos de red
conectados en que es posible acceder a cualquiera de los tramos de la isla desde cualquier
tramo de ella mediante una sucesión de tramos intermedios que los unen.
En términos matemáticos, sea el trazado vial en la mini-zona un grafo G (V, E) no
orientado, con V el conjunto de vértices y E el conjunto de arcos (vértices y tramos de la
red vial respectivamente). El grafo se asume no orientado14, puesto que para efectos de la
red eléctrica, no es de importancia conocer el sentido de las calles. De acuerdo a la teoría de
grafos se tienen las siguientes definiciones:
14
Grafo no orientado, también denominado grafo no dirigido es un par G=(V,E), con V conjunto finito de
vértices y E conjunto de arcos, donde un arco es un par no ordenado (u,v) con u,v pertenecientes a V y u
distinto de v.
45
• Se dice que entre los vértices vo y vk existe un recorrido de longitud k si existe una
sucesión de vértices y aristas de la forma {(vo, v1), (v1, v2), (vi, vi+1), …, (vk-1, vk)}.
• Se denomina camino de longitud k entre los vértices u y v pertenecientes a V, a un
recorrido de longitud k desde el vértice u al vértice v que tiene k aristas diferentes
entre sí.
• Si existe un camino P desde u hasta v se dice que v es alcanzable desde u mediante
P.
• Se dice que el grafo es conexo si dos vértices cualquiera pertenecientes a V están
conectados por un camino de longitud k, con k: {1,...,E}.
• La relación, u es alcanzable desde v y v es alcanzable desde u, sobre el conjunto de
los vértices V del grafo es una relación de equivalencia. Las clases de equivalencia
son el conjunto de vértices sobre los que se puede establecer entre todos sus vértices
la relación de equivalencia y finalmente las componentes conexas de G, son todos
los grafos (subconjuntos del grafo principal) generados a partir de las clases de
equivalencia.
A modo de ejemplo en la figura 4.6 se presenta un grafo en donde es posible observar tres
componentes conexas, una está demarcada por una circunferencia, otra por un rectángulo, y
la tercera corresponde al resto del grafo que no se encuentra delimitado.
46
8550
8500
8450
8400
8350
[m]
8300
8250
8200
8150
8100
8050
Una vez que se tienen las islas viales, y teniendo en consideración que todos los consumos
al interior de cada una de ellas son posibles de comunicarse a través de la red vial, se debe
incorporar una pequeña modificación al algoritmo propuesto en el diagrama de flujo de la
figura 4.3 (referente a la micro-optimización), esta es que en vez de realizar la metodología
para cada mini-zona se realizará para cada isla de cada mini-zona, con lo cual se evita la
asignación de consumos entre zonas sin conectividad vial, con esta consideración se puede
comenzar con el análisis de cada una de las etapas ahí señaladas. Considérese que el
algoritmo parte con la asignación de i transformadores, en particular con i igual a uno.
Nº de Distorsión Nº de Distorsión
Lanzamientos Total (Km) Lanzamientos Total (Km)
1 409132 10 396566
2 402308 11 397209
3 396766 12 405501
4 397964 13 401698
5 397355 14 398206
6 400994 15 394098
7 392883 16 385206
8 390408 17 392108
9 386930 18 388492
10 395619 19 396934
necesariamente la mejor respuesta, y por otro no incrementar sin necesidad los tiempos de
ejecución, dado que se podrían, en el extremo, realizar cientos de lanzamientos para así
elegir con mayor probabilidad una mejor elección, con un tiempo de ejecución también
cientos de veces mayor. No obstante de la tabla 4.2, donde se muestra la menor distorsión
total para 300 mini-zonas cuando se realizan distintos lanzamientos, se puede observar que
no existen grandes beneficios en realizar para cada ubicación de centros un número
superior a 3 lanzamientos, por lo que se elige dicho número en virtud que representa un
buen mix entre calidad de la solución y tiempo de ejecución asociado.
Una vez que se realiza la ubicación preliminar de los transformadores, estos de acuerdo a la
metodología ya planteada, referente a la asignación de las calles, son re-ubicados en la calle
más cercana, de forma que también su conexión a los consumos asociados respete la
topología de la red vial de su mini-zona correspondiente.
Luego de esto, al conocerse ya la ubicación sobre la red vial de cada transformador y sus
consumos asociados, se asigna considerando la tasa de crecimiento de la demanda la
capacidad de cada uno de ellos, siguiendo los siguientes pasos:
1. Se calcula la demanda media que debe satisfacer el transformador en el año base,
esto es, se suman las energías de cada uno de los consumos asignados al
transformador y se divide por el número de horas del período (8760 horas).
2. Se obtiene el factor de carga a partir de la expresión (4.3) considerando el número
de clientes asociados al transformador.
3. Se obtiene la demanda máxima coincidente (Dmax) de los consumos para el año
base, a partir de la demanda media (Dm) y del factor de carga (Fc)
Dm D
Fc = ⇒ Dmax = m (4.5)
Dmax Fc
4. Se asigna el menor transformador capaz de abastecer la evolución de la demanda
máxima coincidente a lo largo del horizonte de estudio.
15
La tabla con las capacidades y costos de los transformadores disponibles se muestra en el Anexo D
16
En un grafo no dirigido un camino {V0, V1, V3, …, VK} forma un ciclo si V0=VK y los Vi son distintos
50
Prim (1957), ambos corresponden a algoritmos voraces, lo que significa que en cada
iteración escogen la mejor alternativa para ese instante sin considerar los pasos futuros.
Considerando un grafo G (V, E) donde cada arco E tiene un peso (valor) asociado, que en el
caso en cuestión corresponde a la distancia que existe entre los nodos que comunica el arco,
el algoritmo de Kruskal se puede resumir en los siguientes pasos:
1. Se marca el arco con menor peso. Si hay más de uno se escoge cualquiera de ellos.
2. De los arcos que quedan, se marca el que tenga menos peso, nuevamente si hay más
de uno se escoge cualquiera de ellos.
3. Repetir el paso 2 siempre y cuando el arco escogido no forme un ciclo con los ya
marcados.
4. El algoritmo termina cuando existen n-1 arcos marcados, siendo n el número de
nodos del grafo.
1. Se marca un nodo cualquiera como nodo de partida, denominado raíz del árbol, con
lo que se inicializa.
2. Se agrega al árbol aquel vértice que este conectado a cualquier vértice del árbol por
el arco de menor peso.
3. Se repite el paso 2 siempre que el arco que se incluye conecte un vértice que
pertenece al árbol con uno que aún no pertenece a él.
4. El proceso termina cuando todos los vértices pertenecen al árbol.
Dado que ambos algoritmos presentan la misma complejidad O(n log n), con n el número
de vértices (tamaño de la entrada), se opta arbitrariamente, por utilizar el algoritmo de Prim
en el trazado de la red en atención a su fácil implementación computacional. En la figura
siguiente se puede apreciar su aplicación para un transformador y sus cargas asociadas.
51
7300
7250
7280
7200 7260
[m] [m]
7240
7150
7220
7100
7200
7050
7180
3.785 3.79 3.795 3.8 3.805 3.81 3.793 3.794 3.795 3.796 3.797 3.798 3.799
4 4
[m] x 10 [m] x 10
Sin embargo, en ella es fácilmente apreciable que la aplicación directa del Algoritmo de
Prim no respeta las zonas prohibidas dado que se observan cruces a través de las zonas
urbanas (entre calles), lo que se evita si se considera el trazado vial como restricción para el
trazado de la red de baja tensión. Por lo tanto para guiar el camino del algoritmo se utilizan
las proyecciones de los consumos sobre las calles en vez de su posición real, guardando
siempre la distancia desde los consumos a su proyección ya que esta constituye una
aproximación a la longitud de los empalmes a emplear. Sin embargo, tal información si
bien permite que consumos que pertenecen a una misma calle queden conectados, no
garantiza que no existan cruces en zonas distintas a las esquinas, por lo cual se incluyen
nodos auxiliares que permitan señalar de mejor manera las rutas posibles del algoritmo,
estos nodos son los vértices de los tramos de calle, lo que ayuda a garantizar bifurcaciones
sólo en las intersecciones de tramos, y otros nodos extras en aquellos tramos que si bien
pertenecen a la mini-zona no poseen consumos de manera de permitir las uniones de
consumos a través de tramos que no los poseen. En términos sencillos el algoritmo
empleado es:
52
Del paso 6 se desprende que el criterio de parada no esta dado por el uso de todos los
nodos, reales (proyecciones de los consumos) y auxiliares, con lo que posiblemente
caminos que sigue el algoritmo a través de nodos auxiliares no conectan nodos reales Para
soslayar tal efecto se lleva a cabo un proceso de poda, en que todos aquellos nodos
auxiliares que no entregan información, es decir que sólo sirvieron para ampliar el espacio
de búsqueda, pero que finalmente no conectaron nodos reales son eliminados, de manera de
tener únicamente el árbol de mínima expansión en que todas las hojas17 del árbol son nodos
reales. Ejemplo del trazado de la red se presenta en la figura 4.8.
17
Si (u, v) es el último arco en el camino desde la raíz del árbol hasta el vértice v, entonces se dice que u es el
padre de v y v es hijo de u. La raíz es el único nodo del árbol que no tiene padre. Un nodo sin hijo se
denomina hoja y el resto de los nodos se denominan nodos internos.
53
7400
7300
7350
7300
7250
[m] 7250 [m]
7200 7200
7150
7100 7150
7050
7000 7100
6950
6900 7050
3.84 3.85 3.86 3.87 3.88 3.89 3.84 3.845 3.85 3.855 3.86
[m] 4 [m] 4
x 10 x 10
Equilibrio de red
1. Se calculan los flujos que salen por ambas ramas del transformador. Se define
equilibrio como el valor absoluto de la diferencia entre los flujos.
2. Se ubica el transformador en el nodo hijo con mayor flujo.
3. Se revisa el número de ramas que salen desde la nueva posición
Si el número de ramas es 2
3.1. Se calculan los flujos que salen por ambas ramas
3.2. Se repiten los pasos 2 y 3 hasta que el equilibrio no disminuya más.
Si el número es mayor que 2
3.4 Se parte desde los hijos de la nueva posición, la que no se considera factible, y
se realiza el proceso 3, siempre y cuando por la rama se mejore el equilibrio
4. El proceso finaliza cuando no es posible seguir ningún camino de la red que mejore
el equilibrio. Nótese que si un camino empeora el equilibrio, no se continúa la
búsqueda a través de él, con lo que no se revisan todas las ubicaciones sino sólo las
que están en la dirección del descenso.
55
[m] [m]
7950
7250
7900
7200
7850
7150
7800
7100
7750
7050
7700
3.785 3.79 3.795 3.8 3.805 3.81 3.8 3.805 3.81 3.815 3.82
4 4
[m] x 10 [m] x 10
En la figura 4.9 se muestra la aplicación del algoritmo de equilibrio para dos redes, en ellas
el triángulo de mayor tamaño representa la posición inicial del transformador, mientras que
el triángulo de menor tamaño corresponde a la posición de equilibrio de la red, los nodos no
asignados corresponden a los nodos auxiliares no utilizados en el trazado de la red
(producto del proceso de poda). Se debe destacar que el equilibrio de red incorpora mejoras
en la solución final, puesto que disminuye los costos producto de una mejor asignación de
los conductores, de hecho el ahorro producto de su incorporación oscila entre 1,5% a 3%
respecto a la solución que no incorpora el equilibrio. Por ejemplo, en una corrida del
modelo para la comuna de Macul, considerando mini-zonas de 500 por 500 metros, se
obtiene un costo de 1.906.194.90118 pesos si no se considera el equilibrio, en cambio al
incluirlo, el nuevo costo es de 1.820.926.206 pesos, lo que representa un ahorro de 4,47 %,
no obstante el incremento en el tiempo de ejecución para este ejemplo es de 114 %,
aumentando desde 3,05 minutos a 6,55 minutos. Por lo que, evidentemente, existe un trade
off entre tiempo de ejecución y calidad de la solución, el que se vuelve más importante en
la medida que la zona a optimizar crece, situación que se analizará en detalle al finalizar el
18
Los datos presentados en este párrafo corresponden a valores promedio obtenidos a partir de 20 corridas
distintas del modelo. Para más detalles refiérase a la sección Iteraciones y Resultados del presente capítulo.
56
presente capítulo, una vez que todas las etapas del proceso de micro-optimización se
encuentren explicitadas.
Una vez que se conoce el trazado de la red de baja tensión asociada a cada uno de los
transformadores de la mini-zona, ya sea incluyendo o no el equilibrio de red, es necesario
conocer cuanto vale dicha ruta óptima, es decir se debe valorizar el trazado, en cuanto uso
de material y longitud del mismo. Del apartado anterior, se conoce la distancia existente
entre cada uno de los nodos y por ende la distancia de cada uno de los tramos que tienen
asociado algún tipo de conductor. El valor del conductor asociado a cada tramo dependerá
del tipo de material empleado y del flujo que por él atraviesa, por lo que es necesario llevar
a cabo una selección óptima de conductores, de manera que el conductor escogido para
cada tramo minimice los costos de inversión más pérdidas.
La selección óptima de conductores ha sido abordada en numerosas investigaciones
(Adams y Laughton, 1974, Wall et al, 1979, Tram y Wall, 1988, Mandal y Pahwda, 2002),
siendo uno de los procedimientos más usados en planificación el de separar el problema de
selección del resto de la red, esto es, elegir un conductor pseudo óptimo para cada uno de
los tramos en función exclusiva de los flujos que lo atraviesan y las variables eléctricas y
económicas relacionadas con el flujo en cuestión, sin considerar el efecto que tal elección
tiene aguas abajo de la red (Mandal y Pahwda, 2002). Dado que el procedimiento ya ha
sido realizado y no constituye un aporte original al problema de planificación, en el
presente trabajo se opta por usar los resultados obtenidos en el estudio de VAD del año
200419 (Systep e Inecon, 2004), no obstante tal metodología será igualmente presentada, de
manera de constatar las variables involucradas en el proceso de optimización de redes de
baja tensión, en lo referente a selección de conductores.
Antes de ello, para utilizar en forma directa tal metodología es fundamental conocer los
flujos de potencia que circulan por cada uno de los tramos, tarea que no es trivial, dada la
considerable cantidad de cargas involucradas en cada una de las redes, situación que hace
19
El uso de los mismos valores se realiza para poder tener un marco comparativo que permita analizar los
resultados obtenidos en la investigación aquí propuesta.
57
necesario realizar algún tipo de simplificaciones que permitan obtener buenas soluciones,
sin necesidad de resolver un algoritmo de flujo AC exacto para encontrar la respuesta, es
decir sin la utilización de herramientas tradicionales para flujos de potencias tales como los
métodos de descenso de Newton, Gauss, y simplificaciones de los mismos. En ellos la
componente matricial20 es relevante, y en el caso de redes de baja tensión el número de
cargas es elevado y por tanto la dimensión de las matrices involucradas en tales
procedimientos también lo son, situación que produce gastos excesivos de memoria y
tiempo de ejecución producto de la necesidad de invertir y trabajar con grandes matrices,
tiempos que afectan el ejercicio de planificación puesto que en el algoritmo propuesto se
resuelven miles de flujos de potencia, siendo conveniente aprovechar la característica radial
de la red de baja tensión, y realizar supuestos, cuya ejecución no incluye en la planificación
más error que el posible asociado a la proyección de la demanda.
El elemento característico de las redes de baja tensión es su topología radial, por lo que en
el flujo de potencia hay una relación directa entre las cargas entre un nodo con su nodo
padre17 y con sus nodos hijos17, sin existir intercambios entre nodos de un mismo padre,
situación que permite identificar y formular el problema en términos simples, a diferencia
de lo que sucede con redes enmalladas donde los flujos y voltajes en cada uno de los
consumos inciden en el resto de la red.
En el problema a resolver, las cargas están representadas por un modelo PQ, es decir se
asume que se conoce su potencia activa y reactiva, y por ende implícitamente su potencia
aparente, las cargas en su totalidad se consideran de naturaleza inductiva con un factor de
potencia de 0,93, además se considera que la red se encuentra equilibrada, supuesto que si
bien es difícil de adoptar en la operación21 de un sistema de distribución real, en el cual las
cargas asignadas a cada fase no se encuentran del todo bien distribuidas, en un ejercicio de
planificación se asume que se tomarán las medidas año a año para que la red si se encuentre
equilibrada, dado que ello implica mejoras en la operación del sistema y por tanto se asume
20
Las matrices son del tipo n x n, con n el número de nodos (cargas) conectados a la red.
58
que en el largo plazo existen los incentivos suficientes para que la red se encuentre en dicho
estado, entonces al asumir el equilibrio se puede resolver la red trifásica de acuerdo a su
equivalente monofásico. En atención a lo mencionado, la primera ley de Kirchhoff en una
red radial esta dada por la ecuación 4.6 (Peco, 1999):
R
S i = Li + SLi + ∑ S k (4.6)
k =1
2
2 Si
Li = I i ⋅ Z i = 2
⋅ Zi (4.7)
V A( i )
Donde:
• Si : es la potencia aparente al comienzo del tramo i.
• Li : son las pérdidas en el tramo i.
• SLi : es la demanda aparente del nodo i.
• R : es el número de ramas que salen del nodo i.
• Zi : es la impedancia del tramo i.
• Ii : es la corriente que circula a través del tramo i.
• VA(i) : es el voltaje aguas arriba del nodo i.
Li =
Pi + j ⋅ Qi
2
⋅ (r + j ⋅ x ) =
( Pi 2 + Qi2 ) ⋅ (r + j ⋅ x ) = r ⋅ (P
2
i i
2
+ Qi2 ) + j ⋅ x ⋅ (P
i i
2
+ Qi2 )
2 i i 2 i i 2 2
V A( i ) V A( i ) V A( i ) V A(i )
Con:
• Pi : es la potencia activa al comienzo del tramo i.
• Qi : es la potencia reactiva al comienzo del tramo i.
• ri : es la resistencia del tramo i.
• xi : es la reactancia del tramo i.
Pi + j ⋅ Qi =
(
ri ⋅ Pi 2 + Qi2 ) + j ⋅ x ⋅ (P i i
2
+ Qi2 ) + ( PL R
+ j ⋅ QLi ) + ∑ (Pk + j ⋅ Qk )
2 2 i
V A(i ) V A(i ) k =1
21
La operación se refiere a la actividad diaria de explotación de las redes de distribución, estos es maniobras a
ejecutar en caso de falla de algún componente, reconfiguración de redes, inyección adicional de reactivos, etc.
59
Igualando la parte real del lado derecho de la ecuación con la parte real del lado izquierdo,
y haciendo lo mismo con la parte imaginaría es posible obtener la expresión para la
potencia activa y reactiva, respectivamente, para una red de topología radial.
Pi =
(
ri ⋅ Pi 2 + Qi2 ) + PL R
+ ∑ Pk (4.8)
2 i
V A(i ) k =1
Qi =
(
xi ⋅ Pi 2 + Qi2 ) + QL R
+ ∑ Qk (4.9)
2 i
V A(i ) k =1
Donde
• PLi : es la demanda activa del nodo i.
• QLi : es la demanda reactiva del nodo i.
Las expresiones (4.8) y (4.9) por sí solas no son suficientes para determinar los flujos que
circulan a través de los distintos tramos de la red, debido a que no se conoce el voltaje
aguas arriba del tramo, por lo que es necesario encontrar una tercera relación que permita
calcular |VA(i)|2 en función de Pi y Qi, de tal forma de tener tres ecuaciones con tres
incógnitas y así resolver el sistema para encontrar las variables en cuestión. Sin embargo,
puesto que se trata de una red de distribución de baja tensión se puede realizar una
simplificación importante, la que consiste en despreciar los términos cuadráticos de las
ecuaciones (4.8) y (4.9), ello dado que en los sistemas de distribución las pérdidas de cada
tramo son pequeñas en relación al flujo que los atraviesa (Rudnick et al, 1997, Peco, 1999),
de forma tal que al considerarse como cero el valor de Pi2 + Qi2, y suponiendo que VA(i) 2
siempre es distinto de cero (para que la función no se indefina), se tienen las siguientes
ecuaciones simplificadas que fueron utilizadas en el presente trabajo:
R
Pi = PLi + ∑ Pk (4.10)
k =1
R
Qi = QLi + ∑ Qk (4.11)
k =1
En las cuales se puede apreciar la independencia tanto de los flujos activos como reactivos
del voltaje en los nodos, posibilitando de esta manera, un cálculo rápido y simplificado en
60
el que partiendo desde los nodos extremos (hojas del grafo), se van agregando las
demandas aguas arriba, para así conocer los flujos en todos los arcos del grafo que
representa la red de baja tensión. Al implementar tal procedimiento se puede establecer el
flujo que circula por cada tramo. Nótese que las ecuaciones para la determinación del flujo
son independientes del tipo de conductor, no dependen de la impedancia de la línea, con lo
que el procedimiento de calcular los flujos para luego elegir el conductor es válido en el
marco de los supuestos realizados.
Para comprender la forma en que se realiza la selección, se deben tener presentes los
elementos fundamentales que en ella intervienen, por un lado se tienen los costos fijos
representados por la inversión necesaria en cada uno de los conductores que se realiza al
inicio del período de estudio, y por otro lado, los costos variables representados por los
costos asociados a las pérdidas de energía y potencia que dependen de la cantidad de
corriente que circula por cada conductor y que se producen durante todo el horizonte de
estudio, variando año a año producto del crecimiento de la demanda. En consideración a lo
anterior, para poder realizar una comparación entre los costos que se producen en los
distintos años, se recurre a la técnica tradicional de evaluación de proyectos, denominada
valor actual neto o también conocida como valor presente, en la que se incluyen, además de
los costos de inversión y operación de cada tipo de conductor22, variables como la
depreciación y valor residual de los conductores y parámetros como la tasa de descuento,
que identifica el riesgo del proyecto, y la tasa de impuesto.
Así, el valor actual neto de un determinado conductor por unidad de longitud ($/km.) será
una función que varía con respecto a la corriente que lo atraviesa, siempre y cuando dicha
corriente no sobrepase sus límites térmicos, además se debe reiterar que el período de
análisis corresponde a 15 años y señalar que para el cálculo de la depreciación y el valor
residual se considera una vida útil de 30 años para los conductores.
Entonces la expresión para el valor actual neto de un conductor tipo i, VANi (I), será:
22
El listado de conductores disponibles con sus respectivos precios, se encuentra en el anexo D
61
Es importante explicitar la relación que existe entre las pérdidas y la corriente que los
atraviesa, tales relaciones y datos fueron obtenidos íntegramente del informe de VAD
período 2004-2008 (Systep y Inecon, 2004):
“Se consideran las pérdidas de potencia y de energía del conductor. El cálculo se realiza
según las siguientes ecuaciones:
I 2 ⋅ ri
CPPki = ρ p ⋅ k ⋅ fcon 2 ⋅ f exp⋅ 12
1000
I ⋅ ri
2
CPE ik = ρ e ⋅ k ⋅ fcp ⋅ 8760
1000
Donde
De la etapa anterior, es posible conocer cual es el mejor conductor para un tramo a partir
del flujo que por él circula, dicha elección se realiza en atención exclusiva al tramo en
análisis, es decir sin la consideración de los tramos aguas abajo del tramo calculado, y por
ende sin la consideración de su acción en las caídas de tensión en el resto de la red. Por esta
razón se incorpora a la función objetivo el costo de las pérdidas de energía, que
implícitamente incorporan en el proceso de optimización las caídas de tensión, debido a que
actúan como una penalización a las caídas de voltaje (Sanhueza, 1994, Fawzi et al, 1983),
63
dado que un incremento en ellas (disminución de los voltajes) implica un aumento de las
pérdidas23 y por ende de su costo final.
Para poder valorizar las pérdidas de energía se debe tener presente, que el ejercicio de
planificación considera demanda de potencia, y por tanto se tiene para cada red el valor de
las pérdidas de potencia coincidentes entre los consumos que son abastecidos por un mismo
transformador. Tales pérdidas de potencia constituirán el indicador fundamental para el
posterior cálculo de las pérdidas de energía, por lo que su determinación es de vital
importancia. Del desarrollo de la ecuación (4.7) se tiene que las pérdidas activas24 están
dadas por:
ri ⋅ ( Pi 2 + Qi2 )
LACTIVASi = 2
(4.13)
VA ( i )
De cuya ecuación se conoce el flujo activo y reactivo, puesto que fueron calculados en la
etapa anterior para cada tramo del trazado de la red, y además se conoce la resistencia, dado
que al realizar la elección del conductor, es posible determinar sus características técnicas
en función del tipo de conductor escogido y del largo del tramo de red, por lo que la única
variable desconocida es el voltaje aguas arriba del nodo i, VA(i). Para determinarla,
considérese la ecuación (4.14) que representa la aplicación de la ley de ohm a un tramo de
una red radial.
VA(i ) = Vi + I i ⋅ Zi (4.14)
Recordando que tales variables constituyen cantidades fasoriales, entonces la expresión
cartesiana de la ecuación (4.14), donde el subíndice R representa la parte real y el subíndice
I la parte imaginaria, es:
23
Situación claramente apreciable en la ecuación (4.7) donde una disminución del voltaje genera una aumento
en las pérdidas.
24
Las pérdidas activas son las que generan costos, dado que representan energía que se deja de vender
producto de su disipación en forma de calor (efecto joule I 2R)
64
2
Vi = (VA2(i ) R + VA2( i ) I ) + ( I iR2 + I iI2 )( ri 2 + xi2 ) − 2ri ( I iRVA( i ) R + I iIVA( i ) I ) − 2 xi ( I iRVA(i ) I − I iI VA(i ) R )
2 2 2 2
Vi = VA( i ) + I i ⋅ Z i − 2ri ( I iRVA(i ) R + I iIVA( i ) I ) − 2 xi ( I iRVA( i ) I − I iI VA(i ) R ) (4.17)
No obstante la relación anterior está expresada en términos de corriente, toda vez que en la
etapa de selección óptima de conductores se calcularon los flujos de potencia, por lo es
necesario reescribirla en función de los datos disponibles. Para ello se utiliza el hecho que
la potencia compleja es el resultado del voltaje por el conjugado de la corriente, entonces
desarrollando y despejando la potencia activa y reactiva se tiene:
Vi
2
= V A(i ) +
2 (P i
2
+ Qi2 ) ⋅ (r 2
)
+ xi2 − 2 ⋅ (ri ⋅ Pi + xi ⋅ Qi ) (4.19)
2 i
V A(i )
2 2
Vi = V A(i ) − 2 ⋅ (ri ⋅ Pi + xi ⋅ Qi ) (4.20)
Al conocer el voltaje en los nodos, se pueden calcular las pérdidas de potencia activa de
acuerdo a la ecuación (4.13). Si durante todas las horas del año se tuviese la misma
demanda, bastaría con multiplicar las pérdidas, obtenidas a partir de (4.13), por 8760
horas25 y así obtener las pérdidas de energía para un determinado año, sin embargo tal
situación no ocurre, puesto que el cálculo de pérdidas se realiza para el escenario de
demanda máxima coincidente de cada red. Para incorporar esta situación y dado que es
imposible realizar un cálculo para cada punto de demanda de la curva de carga, se opta por
aproximar las pérdidas de energía mediante las pérdidas medias de energía. Para lo cual se
considerarán las siguientes definiciones:
• Factor de carga, Fc, es la relación entre la potencia media de la curva de carga y la
potencia máxima, también denominada potencia punta. En (4.21) E es la cantidad
de energía consumida en el período T.
E
Pmedia
FC = = T (4.21)
Ppunta Ppunta
• Factor de carga de las pérdidas, Fp, es la relación entre las pérdidas medias de
energía y las pérdidas de potencia en el escenario de mayor demanda (potencia de
punta).
Lmedia
FP = (4.22)
Lpunta
De esta forma las pérdidas medias de potencia serán FpLpunta, situación que hace necesario
estimar Fp, siendo interesante destacar la relación existente entre el factor de carga de las
pérdidas con el factor de carga26, dada por:
25
Número de horas de un año de 365 días
66
calcular el factor de carga de las pérdidas a partir del factor de carga. Dicha relación a
buscar no es genérica, producto que depende de la curva de carga de los consumos a
suministrar, no obstante, existen investigaciones en que se analizan diferentes curvas de
carga para obtener ecuaciones que reflejen en forma aproximada el comportamiento común
de tales factores (Buller y Woodrow 1928, Gustafson y Baylor 1988, Gustafson y Baylor,
1989). En particular, en esta investigación se utiliza una de las aproximaciones propuestas
por Gustafson y Baylor (1988), dada por:
Como las pérdidas de energía representan energía que no se vende, pero que igualmente es
comprada por la distribuidora al generador, estas deben ser valorizadas al precio de venta
de energía del generador al distribuidor, el cual se consideró en 18,4527 $/kWh (Synex,
2004). Si además se considera que existe un crecimiento de la demanda, y por tanto
pérdidas distintas para cada uno de los años del horizonte de estudio, lo que implica costos
distintos a través del período, no es posible sumar tales costos de manera directa, sino que
se debe utilizar el método de valor actual neto, con lo que el costo de las pérdidas de
energía es:
j
N T LENERGÍA,i ,0 ⋅ (1 + g )
CPÉRDIDAS = CENERGÍA ⋅ ∑∑ j
(4.26)
i =1 j =1 (1 + r )
Donde
• CPÉRDIDAS : costo total de las pérdidas de la red para todo el horizonte.
• CENERGÍA : costo unitario de energía.
• N : número de tramos de la red.
• T : número de años del horizonte de evaluación
26
Para un desarrollo completo de la relación entre el factor de carga y el factor de carga de las pérdidas véase
Gonen (1986) páginas 52-61.
27
Valor calculado a partir de los precios de nudo y estructura de recargos vigentes el 31 de diciembre de
2003.
67
Con
• CTj,i : costo total de j redes óptimas en la isla i.
• Ctafok,i : costo del k-ésimo trasformador ubicado óptimamente en la isla i.
• Credk,j : costo de la red óptima asociada al transformador k en la isla i.
• Cpérdidask,i : costo de las perdidas de la red óptima asociada al
transformador k en la isla i.
Considerando la ecuación 4.27 y producto que ya se conocen las distintas etapas que
intervienen en el proceso de micro-optimización es posible clarificar con más detalle el
algoritmo usado para encontrar las redes óptimas sobre una isla perteneciente a una mini-
zona determinada.
Se inicializa el contador en 0.
1. Si la carga puede ser suministrada por un único transformador (T=1) se ubica el
transformador en el centro de carga, en caso contrario se inicializa el algoritmo en el
paso 4.
2. Para dicha posición se calcula CT, siendo necesario calcular:
2.1 Ctrafo, a través de la asignación de capacidad
2.2 Cred, a partir del trazado óptimo y selección óptima de conductores.
68
Relevancia de la búsqueda
Nótese que si el número máximo, denominado búsqueda, es igual a uno, significa entregar
como solución óptima para la isla el primer mínimo que se encuentra, es decir, determina el
número de transformadores y redes asociadas cuyo costo es menor que el que provoca la
adición de un nuevo transformador con su respectiva red. Si la búsqueda es mayor que uno,
28
Un ejemplo completo del algoritmo de micro-optimización se encuentra en el anexo E
69
C = C1 + C2 (4.28)
E = E1 + E2 (4.29)
Sin embargo, la potencia total que se debe suministrar es mayor que P, dado que tanto C1
como C2 son menores que C, y como el factor de carga disminuye con el descenso del
número de clientes, los factores de carga de C1 y C2 son menores que el factor de carga de
C, cumpliéndose que:
E1 E1
1 1 T T
Fc(C ) > Fc(C1 ) ⇒ > ⇒ > (4.30)
Fc(C1 ) Fc(C ) Fc(C1 ) Fc(C )
E2 E2
1 1 T T
Fc(C ) > Fc(C2 ) ⇒ > ⇒ > (4.31)
Fc(C2 ) Fc(C ) Fc(C2 ) Fc(C )
Sumando (4.31) y (4.32) se tiene:
E1 E2 ( E1 + E2 ) E1 E2 E
T + T > T ⇔ T + T > T (4.32)
Fc(C1 ) Fc(C2 ) Fc(C ) Fc(C1 ) Fc(C2 ) Fc(C )
Reemplazado de acuerdo a (4.21), entonces:
29
En el caso de los transformadores el costo por unidad de capacidad ($/kVA) disminuye en la medida que
aumenta el tamaño (capacidad) del transformador.
70
P1 + P2 > P (4.33)
Por lo cual los transformadores deberán satisfacer una potencia de diseño mayor,
introduciendo un delta de costo adicional que se ve incrementado producto de las
economías de escala presentes en transformación, con lo que la suma del costo de ambas
unidades será mayor que el costo del transformador M. Costo que probablemente no se
alcance a justificar con la posible disminución en costos de redes, toda vez que se conoce
que en la siguiente iteración luego del mínimo, el costo total va en aumento. También se
debe destacar que iteraciones adicionales representan incrementos en costos
computacionales y por ende mayores tiempos de ejecución, lo que constituye un problema
cuando la dimensionalidad de la zona a optimizar aumenta.
En la tabla 4.4 se muestra el costo total de la red y el tiempo para distintos valores de
búsqueda, aplicados a la zona de análisis dada por la comuna de Macul.
1 1.836.355.360 3,6
2 1.833.496.191 3,9
3 1.831.117.948 4,3
4 1.851.841.019 5,0
5 1.820.760.267 5,3
6 1.826.747.204 5,7
7 1.834.920.708 6,7
8 1.827.443.448 7,2
9 1.839.715.440 7,6
10 1.831.849.273 8,7
11 1.823.315.893 9,3
12 1.831.028.015 10,3
13 1.823.774.388 11,5
14 1.830.555.495 12,6
15 1.836.080.005 13,7
$ 1.831.933.377, con una desviación estándar de $ 7.658.349 que representa sólo un 0,42 %
del costo promedio total, lo que no implica diferencias significativas entre los datos, siendo
las diferencias en costo atribuibles a la característica no determinística de la metodología
propuesta30. Todo lo cual ratifica la decisión de realizar el diseño de la red en consideración
del primer mínimo encontrado en el proceso de optimización31.
30
Para una mejor comprensión revisar el anexo referido a complejidad Algorítmica y el apartado de
Convergencia del presente capítulo.
31
En el anexo F se presentan, a modo de ejemplo, los resultados para algunas mini-zonas, notando en ellos el
comportamiento creciente del costo total con la adición de un nuevo transformador, luego de haber
encontrado el mínimo.
72
Para los tres casos en cuestión se realizaron 20 ejecuciones del algoritmo32, denominadas
lanzamientos, obteniéndose los siguientes costos y tiempos de ejecución promedios:
Se observa que la inclusión del equilibrio de red implica reducciones de costo promedio de
73 y 85 millones de pesos en el caso 2 y 3 respectivamente, tal relación de ahorro se
encuentra presente en todos los lanzamientos ejecutados, situación que se puede apreciar en
la figura 4.10.
MM ($)
1.940
1.920
1.900
1.880
1.860
1.840
1.820
1.800
1.780
1.760
1.740
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Lanzamientos
32
El resumen de las ejecuciones del algoritmo se encuentran en el Anexo G.
73
Es posible constatar además, que el tiempo de ejecución del caso 3, es el doble que el
tiempo de ejecución del caso 1, con un ahorro en costo de 4,47 %, en tanto que el tiempo de
ejecución del caso 2 es tan sólo un 16 % superior al caso en que no se realiza equilibrio,
pero con un ahorro comparable al caso 3 de 3,98 %, razón por la cual, en beneficio de la
eficiente ejecución del algoritmo con miras a su aplicación en un zona de mayor tamaño
como Santiago, se opta por incluir el equilibrio de red sólo en la etapa final, dado que
presenta ahorros importantes en un tiempo de ejecución menor.
Convergencia
resultados distintos en cada ejecución, y por otro la pequeña dispersión de sus resultados,
permitiendo la toma de decisiones a través de ellos.
Tamaño de la mini-zona
Este apartado tiene como objetivo estudiar el algoritmo propuesto, determinando el tamaño
de división que minimiza los costos, para así posteriormente utilizar dicho tamaño en la
optimización de Santiago. Por tanto se ejecuta el procedimiento considerando diferentes
tamaños posibles de mini-zonas.
Al realizar tal ejercicio se obtiene como resultado el gráfico presentado en la figura 4.10,
que muestra que para zonas de pequeño tamaño, inferiores a 200 x 200, tanto los tiempos
de ejecución como los costos totales son mayores que el resto de los casos, esto se debe a
que en mini-zonas pequeñas hay más posibilidades de instalar transformadores de menor
tamaño dado que se abastece un menor número de consumos, y producto de las economías
de escala en la capacidad de transformación se presentan mayores costos. Los tiempos
75
mayores se explican debido a que la zona a optimizar debe ser dividida en un mayor
número de mini-zonas, con lo que el procedimiento debe ser ejecutado en más
oportunidades. A partir de las mini-zonas de 300 x 300 se observa un comportamiento
bastante constante del costo total y un aumento progresivo en los tiempos de ejecución. El
tiempo adicional se produce debido a que se aumenta el espacio de soluciones factibles al
aumentarse el número de nodos de una determinada mini-zona, con lo que el algoritmo
tarda más tiempo en encontrar el óptimo que se mantiene sin grandes variaciones
mostrando la calidad del mismo. Los menores tiempos33 se producen cuando la división es
de 300 y 400 metros, en tanto que los menores costos se producen cuando la división es de
500 y 600 metros, presentando el mejor balance entre tiempo de ejecución y calidad de la
solución la división en zonas de 500 metros, puesto que permite abarcar una zona mayor
que las divisiones más rápidas y por ende manejar un universo de soluciones factibles
mayor en un tiempo ligeramente superior.
6.000 18
16
5.000
14
Tiempo (min)
Costo (MM$)
4.000 12
10
3.000
8
2.000 6
4
1.000
2
- 0
50 80 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300
Tamaño de la mini-zona
33
Los datos de tiempo y costo para cada tamaño de división se encuentran en el Anexo G.
76
5. PROCESO DE MACRO-OPTIMIZACION
Para comprender la metodología propuesta se expone primero una breve reseña referente a
la definición y propiedades básicas de los diagramas de Voronoi, para posteriormente
explicar en detalle el procedimiento empleado, mostrando nuevamente su aplicación
práctica para la comuna de Macul.
77
El concepto básico de los diagramas de Voronoi, dice relación con conocer la influencia
que realizan determinados elementos de un conjunto sobre el resto de los elementos del
mismo. La primera aproximación fue realizada en 1644 por Descartes, señalando que el
sistema solar consistía en vórtices, donde la materia giraba en torno a la estrella más
cercana, situación que producía polígonos convexos para cada área de influencia de las
estrellas. No obstante, fue hasta Dirichlet (1850) y Georgy Voronoi (1908), cuando se
formalizó el concepto, el cual además, con distinto nombre ha sido aplicado a varias ramas
de la ciencia, tales como geología, meteorología, denominándose polígonos de Theissen, y
en física y química conociéndose como regiones de Wigner-Seitz.
Conceptualmente un diagrama de Voronoi es el resultado de asociar todas las ubicaciones
del espacio euclidiano con el más cercano de los p puntos, del mismo espacio, elegidos
como centros. En términos matemáticos, sea P un conjunto de n puntos distintos en el
espacio euclidiano {p1,…, pi,..., pn}, denominados puntos generadores, un punto x del plano
pertenece al área de influencia del punto generador pi, denominada polígono de Voronoi,
Vi, si y solo si el punto x esta más cerca de pi que de cualquier otro punto generador. Esto
es:
{ }
Vi = x / x − pi < x − p j ,∀ j ≠ i (5.1)
Por tanto, el diagrama de Voronoi representa al conjunto de todos los polígonos de Voronoi
{V1,…, Vi, ..., VN} del espacio euclidiano provocados por los puntos generadores {p1,…,
pi,..., pn} respectivamente.
78
[y] 9
2 3 4 5 6 7 8 9
[x]
Si bien este desarrollo, constituye una idea que formalmente va a cumplir un siglo, su
difícil implementación provocó que no se le brindara la atención merecida durante largo
tiempo. Sin embargo, en las últimas décadas, con el avance de la geometría computacional
ha tomado gran importancia, tanto en el campo de sus aplicaciones como en el campo de su
propio desarrollo algorítmico (Okabe et al, 1992). Su aplicación inmediata se da en
problemas de distancia, tales como encontrar el vecino más cercano, encontrar todos los
vecinos más cercanos, encontrar el mayor círculo vacío, esto es, dado un generador p
encontrar el mayor círculo que no contiene ningún punto indeseado, o en el caso del menor
círculo, encontrar el menor círculo que agrupa a un conjunto de n puntos en el plano.
También se usa en cluster geométrico y en robótica, donde se aplica a la planificación del
movimiento (Yap, 1987). Además, se debe destacar el trabajo de Akabane Kenichi et al.
(2002), que utiliza esta metodología en la ubicación de centros de control de calidad de
potencia, en cuya ubicación intervienen variables eléctricas tales como la caída de tensión y
la demanda de corriente de cada consumo, convirtiendo a esta técnica en una atractiva
manera de afrontar la ubicación óptima de transformadores.
Si bien los diagramas de Voronoi poseen una definición sencilla y fueron enunciados hace
gran data, su aplicación a modelos de gran tamaño no está resuelta del todo, al menos en lo
que se refiere al problema de asignación de consumos en las zonas no acotadas. De hecho
tal como se puede apreciar en la figura 5.2 el diagrama de Voronoi realiza algunos
polígonos cuyos vértices están fuera de la zona de análisis (fuera del rectángulo indicado en
la figura 5.2), entendiendo esta como la delimitada por los consumos de la zona de
planificación, y por polígonos que poseen un vértice ubicado en infinito (regiones no
acotadas), representando esto un problema a la hora de identificar que vértices de tramos de
calle y que consumos están incluidos en cada uno de ellos.
81
4
x 10
3.5
14000
[m] [m]
3
Polígonos no 12000
2.5
acotados
2 10000
1.5
1
exteriores
6000
0.5
0 4000
Polígonos interiores
-0.5
-1 0 1 2 3 4 5 3.2 3.4 3.6 3.8 4 4.2 4.4 4.6
[m] 4
x 10 [m] x 10
4
Para resolver tal inconveniente se propone una modificación al diagrama de Voronoi que
consiste en acotar las regiones que presentan vértices en infinito y alterar los polígonos que
presentan vértices fuera de la zona de análisis, de tal forma que todos los polígonos luego
de la modificación sean acotados y por ende posibilitar la correcta asignación de los
consumos.
En primer término se procede a ejecutar el trazado de Voronoi, obteniendo zonas acotadas
interiores, zonas acotadas con vértices exteriores y zonas no limitadas, permaneciendo las
primeras inalterables en el proceso de modificación, las que se encuentran identificadas en
la figura 5.3. Luego de lo cual se define un polígono regular denominado polígono frontera
(polígono trazado en 5.3), cuyo vértice inferior está dado por el menor valor de la
coordenada x e y de entre todos los consumos a satisfacer, y el vértice extremo por la mayor
coordenada x e y de los mismos consumos, tal polígono sirve de cota para las siguientes dos
etapas y representa la zona a planificar.
82
12000
11000
10000
[m]
9000
8000
7000
6000
3.5 3.6 3.7 3.8 [m] 3.9 4 4.1
4
x 10
De la figura 5.3 se desprende automáticamente que secciones del polígono frontera actúan
de aristas para las zonas de Voronoi que se desean acotar, y por ende el problema se
resuelve básicamente encontrando la intersección entre la arista del polígono frontera con la
recta que une el tramo que sale desde un vértice interior de la zona a limitar a un vértice
fuera de dicha zona, con lo que se obtiene un nuevo vértice del polígono, situación que se
repite para otro tramo, dado que el polígono es cerrado y convexo con lo que debe existir
una arista desde el exterior a la zona interior distinto al ya empleado, encontrando el otro
vértice que permite cerrar el polígono, y así eliminado todos aquellos vértices fuera de la
frontera. Atención especial reciben aquellos polígonos ubicados en las esquinas de la
frontera, cuyos tramos que salen de la zona lo hacen por distintas aristas de la frontera, y
por tanto encontrar sólo los vértices de intersección no resuelve la situación, ya que el
tramo que une tales puntos podría dejar fuera a consumos que sí pertenecen a la zona, para
evitarlo se incluye como vértice del nuevo polígono, el vértice del polígono frontera que se
encuentra en la esquina próxima, con lo que además de las dos aristas que se forman entre
los vértices interiores y las aristas de la frontera, se generan dos nuevas aristas entre tales
83
12000
11000
10000
[m]
9000
8000
7000
6000
3.5 3.6 3.7 3.8 3.9 4 4.1
[m] x 10
4
Este procedimiento es parecido al anterior con la salvedad que es imposible trazar una recta
entre un punto interior y el punto ubicado en infinito, puesto que no tiene definida una
posición real en el plano cartesiano, requiriendo un paso adicional para conseguirlo, lo
primero que se realiza es reconocer cuales son aquellos polígonos que no están acotados
dado que la delimitación entre ellos es la que se presenta difusa. Es imposible determinar la
pertenencia cuando el límite es una arista imaginaria que va desde un vértice que existe a
otro que no. Se debe notar además que los polígonos de Voronoi no acotados, en algún
segmento ya sea dentro de la zona a planificar o fuera de ella, son vecinos de otro polígono
de Voronoi no acotado, por lo que la separación entre ellos es fundamental para la correcta
asignación de pertenencia.
Tal límite entre zonas se establece teniendo presente que cada polígono, creado a partir de
las zonas no acotadas, debe agrupar a los puntos más cercanos a sus determinados centros,
dado en este trabajo por la ubicación de los transformadores. Siendo el desafío la definición
84
de la separación que cumpla tal objetivo. Si se tuviesen sólo dos centros generadores, el
límite entre ambos vendría dado únicamente por una recta perpendicular al tramo que los
une, pero la existencia de más centros generadores hace que el trazado de Voronoi se
complique, complejidad que aumenta con el número de centros. Sin embargo, como la
asignación conflictiva depende únicamente de ambos polígonos y los demás polígonos de
Voronoi ya se encuentran trazados, es posible utilizar tal metodología pero considerando
los ya construidos, lo que se resume a continuación:
1. Se identifican los centros generadores de los polígonos no acotados, lo cuales se
consiguen generando la envolvente convexa34 de todos los centros generadores
(ubicaciones de todos los transformadores), ya que en ella, sus vértices coinciden
con los centros de las zonas no acotadas, y por tanto dos vértices consecutivos de la
envolvente convexa señalan dos zonas no acotadas que en alguna parte del espacio
presentan una arista común que debe ser definida.
34
Un punto x ∈ Rn es combinación convexa de los puntos x1, …, xm ∈ Rn si existe α1, …, αn ∈ R, tal que
m
x = α1 x1 + α 2 x2 + ... + α m xm con ∑α
i =1
i = 1, α i ≥ 0 ∀i = 1,..., m
11500
11000
10500
10000
9500
9000
8500
[m]
8000
7500
7000
Con los procedimientos anteriores es posible acotar en forma determinística cada uno de los
polígonos, permitiendo la asignación unívoca entre consumos y transformadores, en virtud
de lo cual, cada uno de los polígonos de Voronoi puede representar una mini-zona a
optimizar, conteniendo un conjunto de cargas y un trazado vial determinado.
A modo de ejemplo, se considera como caso base, la ubicación de 284 transformadores con
una capacidad total de 54 MVA, obtenidos a partir del proceso de micro-optimización,
cuyo costo total, incluida la red y las pérdidas, es de $1.837.274.567, se tiene el siguiente
diagrama de Voronoi para la comuna de Macul.
11500
11000
10500
10000
[m] 9500
9000
8500
8000
7500
7000
Capacidad
Número de Número de Tiempo
Cota (kVA) Costo Total ($) Instalada
Polígonos Trafos (min)
(MVA)
10 252 1.832.819.289 375 54,33 3,19
15 238 1.825.087.305 363 54,40 3,09
30 228 1.822.069.744 356 54,06 3,10
45 221 1.815.174.431 354 53,86 3,08
75 211 1.804.476.363 336 53,22 2,93
100 203 1.789.638.270 331 52,86 3,03
150 183 1.773.583.766 301 52,50 2,90
300 100 1.765.329.035 229 47,48 3,22
500 15 2.366.757.645 113 41,16 21,24
Se puede observar que en la medida que aumenta el tamaño de la cota y por ende el tamaño
de los polígonos, se produce un mayor ahorro con respecto al caso base, en el caso en que
88
la cota es de 500 kVA sólo existen 15 polígonos y por ende la zona que cubre cada uno de
ellos es mayor, lo que trae consigo mayores tiempo de ejecución y un empeoramiento de la
solución al incrementarse los costos relacionados con las pérdidas. Los mayores ahorros en
el caso analizado se producen tomando como cota 300 kVA y son en promedio del orden de
4 %.
11500
11000
10500
10000
9500
[m]
9000
8500
8000
7500
7000
3.7 3.8 [m] 3.9 4
4
x 10
Caso simplificado
Si bien se pudo constatar que la división adecuada en polígonos regulares incluye ahorros al
proceso de micro-optimización, se tiene que los tiempos de ejecución aumentan
considerablemente, ya que en total se realizan dos procesos de micro-optimización más la
generación del diagrama de Voronoi, por lo que el proceso completo al menos duplica los
tiempos de ejecución, situación relevante si se busca aplicar la metodología completa a una
zona de mayor tamaño, en donde duplicar el tiempo puede significar llegar a las 10 horas
de proceso, restándole efectividad a la metodología global. Para soslayar este problema e
incorporar el hecho que el uso del diagrama de Voronoi produce mejoras en la solución se
89
Con esta metodología se obtiene una ubicación preliminar de los transformadores en tan
sólo 10 segundos, la que si bien no corresponde a una ubicación necesariamente factible
90
dado que no se está considerando el costo de las redes y la conectividad vial, si incorpora
una primera aproximación a la agrupación de los consumos a través de los clusters
formados, y así se consiguen puntos generadores en forma rápida que incluyen la
información acerca de los centros de carga. Al realizar el mismo procedimiento que en el
apartado anterior, dejando como puntos generadores a los mayores a una determinada cota,
se obtienen los resultados presentados en la tabla 5.2.
Capacidad
Número de Número de Tiempo
Cota (kVA) Costo Total ($) Instalada
Polígonos Trafos (min)
(MVA)
10 102 1.760.168.472 255 48,48 2,86
15 101 1.760.628.472 260 48,56 2,84
30 99 1.755.170.145 264 48,16 2,87
45 99 1.758.860.082 257 48,11 2,84
75 97 1.764.630.418 263 48,40 2,86
100 97 1.763.638.774 259 48,13 2,85
150 97 1.757.196.385 261 48,20 2,85
300 88 1.780.345.629 254 47,35 3,00
500 68 1.764.515.664 240 47,68 3,53
Se aprecia que la variación del costo total producto de la elección de la cota es menor que
en el caso no simplificado, esto se debe que al no considerarse como restricción la
topología vial, no existen componentes conexas al interior de cada polígono que obliguen a
optimizar cada una de ellas de manera independiente, lo que necesariamente implica la
presencia de al menos un transformador por cada componente conexa o isla vial que se
produce, llevando esto a un mayor número de transformadores de menor tamaño. Como en
este caso tal situación no ocurre, el transformador a utilizar siempre será el que pueda
abastecer mayor cantidad de carga, dado que por economías de escala es lo que conviene, y
por tanto el número de tafos pequeños es menor, con lo que para las distintas cotas el
número de puntos generadores no varía considerablemente, manteniéndose nuevamente
ahorros del orden de 4 %. Es decir, el procedimiento simplificado no altera la calidad de la
solución y mejora los tiempos de ejecución al eliminar la necesidad de realizar dos veces el
proceso de micro-optimización.
91
8800 1 2 8700 1 2
[m] [m] 8650
8600
8600
8550
8400
3
8500
8200 4 8450
8400
8000
8350 3
5 6 4
7800 8300
3.88 3.9 3.92 3.94 3.96 3.9 3.91 3.92 3.93 3.94 3.95
[m] 4 [m] 4
x 10 x 10
Para poder incorporar el efecto positivo de la interrelación entre las distintas mini-zonas,
sin perder las ventajas de dividir el problema, se formula una metodología que luego de la
aplicación del proceso de micro-optimización, tiene como hipótesis, en base a lo señalado,
la posibilidad de mejorar la solución encontrada si se analizan las relaciones entre zonas
vecinas, mediante la búsqueda de ahorros al unir en una única red y por ende en un único
transformador redes vecinas alimentadas desde transformadores distintos. Por tanto, la
necesidad inmediata que surge, es realizar tales agrupaciones de la mejor forma posible con
atención a la naturaleza combinatoria del problema. De hecho, tal como se analizó en el
capítulo 3, si se buscan agrupaciones posibles entre 10 consumos, distribuidos
uniformemente en el plano se tienen del orden de 1000 casos, los que crecen en la medida
que aumenta el número de nodos a asociar, por ejemplo, si se tienen 200 ubicaciones
distribuidas uniformemente en el plano, es posible agruparlas en 1,60x106 (2200-1)
subconjuntos, no obstante muchos de ellos no tienen sentido práctico, producto que asocian
redes que no son vecinas entre sí.
Para lograr una buena aproximación a la vecindad entre redes y con esto a las
combinaciones posibles, se propone el uso de la triangulación de Delaunay, la que también
será utilizada para la recombinación de redes, por lo que a continuación se realiza una breve
descripción de esta metodología y su relación con los ya explicados polígonos de Voronoi.
nodos cercanos, siempre y cuando no se intersecten entre sí. Por tanto la triangulación de
Delaunay no es otra cosa que el grafo dual del diagrama de Voronoi, en que las aristas
corresponden a la unión de los puntos generadores que comparten un eje de Voronoi y a la
unión de puntos generadores vecinos ubicados en zonas no acotadas. Entre sus propiedades
se cuentan:
• Cada triángulo posee como vértices a los puntos generadores del diagrama de
Voronoi.
• La frontera corresponde a la envolvente convexa de los puntos generadores.
• Maximiza el mínimo ángulo, por lo que constituye la mejor triangulación dado que
genera los triángulos más equiláteros posibles.
100
90
80
70
60
[m]
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100
[m]
.
Con esta técnica se busca entonces disminuir el número de combinaciones factibles, dado
que es posible conocer cuales son las redes vecinas, a través de las aristas de la
94
triangulación, y con ello evitar analizar aquellas combinaciones entre redes alejadas. De
esta forma los subconjuntos de n elementos entre los m disponibles se realizarán sólo entre
aquellos que estén conectados mediante el grafo definido a través de la teselación en
cuestión, lo que dependerá de la distribución de los consumos en el plano, por lo que es
imposible determinar una expresión analítica para el número total de combinaciones. No
obstante, es factible para cada distribución espacial, construir las combinaciones que
cumplan la restricción de vecindad. Así, para una localización de 10 consumos es posible
realizar 800 subgrupos, número que se incrementa exponencialmente con el tamaño de la
entrada, de hecho 15 consumos producen 25.248 combinaciones, 16 consumos generan
52.141 subconjuntos, 17 ubicaciones provocan 102.509 subgrupos y 18 localizaciones
tienen 214.063 combinaciones35. En estos casos se calcularon todas las posibles
combinaciones de los m datos de entrada en subconjuntos de 1 hasta m, siempre y cuando
estuviesen comunicados por aristas de la triangulación. Si ahora sólo se consideran todos
los posibles grupos de 2 y 3 elementos que cumplan con la teselación se tiene:
35
Cada grupo corresponde a una distribución uniforme de los n elementos en una superficie de 10.000m2, se
debe señalar que los subconjuntos indicados que representan las combinaciones posibles son el resultado de
un caso particular de n elementos, por lo que los números señalados no son generales pero brindan igualmente
un indicador del orden de magnitud de las combinaciones factibles.
95
3500 500
450
3000
400
Triangulaciones
Combinaciones
2500 350
2000 300
250
1500 200
1000 150
100
500
50
0 0
5
21
37
53
69
85
101
117
133
149
165
181
197
213
Nodos Distribuidos Uniformemente
combinaciones para la zona de análisis continúan siendo elevadas. Como referencia para el
caso de 200 redes se tienen del orden de 3000 combinaciones, además si se considera que
cada combinación implica un nuevo cálculo de conductores, posición y tamaño del nuevo
transformador, pérdidas y flujos por la nueva red, el problema de combinación se vuelve
inmanejable a través de técnicas convencionales de optimización, por lo cual se proponen
dos vías de acción. Por un lado, reconocer la utilidad de dividir un problema de gran
dimensión en problemas menores, situación que queda en evidencia en el capítulo 4, y por
tanto dividir la zona de planificación en vecindarios, siendo cada uno de ellos
independientes y buscando al interior de ellos la mejor recombinación posible. Por otro
lado, es asumir que el problema debe ser abordado en forma global de manera de buscar la
mejor reagrupación posible, lo cual sin duda no puede ser resuelto en forma determinística
por lo que se recurre al uso de una meta-heurística que ayude a encontrar una buena
solución para el problema, no necesariamente la óptima, para lo cual se utiliza la técnica
conocida como búsqueda tabú.
Con lo que la solución final será la mejor combinación de los grupos anteriores, con el
cuidado de no utilizar en la solución final más de una vez la misma red. Así por ejemplo
una posible solución final puede ser A-BE-CD.
Para evitar trabajo innecesario y no evaluar la totalidad de las combinaciones, se opta por
realizar la evaluación sólo en aquellas combinaciones factibles, definiendo la factibilidad en
forma secuencial, y por ende cuando una combinación satisface la secuencia, se considera
como candidata para formar parte en la combinación final. Entonces:
1. Serán combinaciones factibles en etapa 1 todas aquellas combinaciones del
vecindario que se encuentren conectadas por al menos dos vértices del polígono de
Voronoi o análogamente por una arista de la triangulación de Delaunay del
vecindario correspondiente, esto con el fin de evitar que la combinación entre redes
se superponga a alguna red que no pertenece a la combinación, y así evitar la
duplicación de redes sobre una zona determinada.
2. Serán combinaciones factibles en etapa 2 todas aquellas combinaciones factibles en
etapa 1, que no producen componentes conexas en la representación de grafo de la
red vial, es decir sólo serán factibles aquellas combinaciones que se encuentren
comunicadas a través de la red vial sin la formación de islas viales, ya que ello
implicaría la necesidad de al menos un transformador por cada isla formada,
situación que se aleja del objetivo de combinar redes para disminuir los costos.
98
Una vez que se conoce el ahorro que se produce con cada una de las combinaciones
factibles, se debe proceder a combinarlas a fin de encontrar la solución final. Siguiendo con
el ejemplo, luego del análisis de factibilidad, las combinaciones podrían ser:
• Grupos de 1 red : A-B-C-D-E
• Grupos de 2 redes : AB-AD-BC- BE-CE
• Grupos de 3 redes : ABD-ACD-BDE-CDE
• Grupos de 4 redes : ABDE
• Grupos de 5 redes : (Combinación no factible)
• BE-A-C-D
• CE-A-B-D
Como se conoce el ahorro de cada combinación factible, la solución final vendrá dada por
aquella que agrupe de mejor forma las combinaciones anteriores, de manera que produzca
el mayor ahorro posible, dicho procedimiento es realizado mediante enumeración completa.
El inconveniente de la metodología descrita es que se permiten todas las agrupaciones,
siendo altamente probable que muchas de ellas no produzcan ahorros e igualmente generen
aumentos en los tiempos de ejecución, ello producto que las combinaciones de varias redes
implican la optimización de una zona mayor, con lo que el tiempo de procesamiento crece,
y también lo hace necesariamente el tamaño de la red de distribución, aumentando en
exceso las pérdidas asociadas, y por tanto incrementado los costos en relación al caso en
que todas las redes se mantienen independientes. De hecho como se muestra en la tabla 5.3,
en que la cota se estableció en 300 kVA, si se permiten agrupaciones de dos, tres, hasta
nueve redes, escogiendo nueve como cota superior dado que corresponde al máximo
número de redes al interior de un vecindario, se tiene que un aumento en el número de
elementos a combinar provoca un aumento en el tiempo de ejecución con un incremento
menor en el ahorro asociado.
Tabla 5.3: Ahorro v/s número de combinaciones con cota en 300 kVA
Número de redes a
Ahorro ($) Tiempo (min)
combinar
2 46.093.449 2,07
3 48.673.315 3,14
4 48.759.939 3,73
5 49.265.430 4,18
6 49.744.881 4,47
7 50.246.559 4,55
8 50.246.559 4,54
9 50.246.559 4,55
existen menos puntos generadores el tamaño del polígono es mayor y por tanto el número
de redes al interior de un vecindario también es mayor, con lo cual el número de
combinaciones de n elementos crece, probándose más casos y por ende consumiendo más
tiempo en su solución. En efecto, para el caso de cota en 500 kVA se obtiene que, si se
realizan combinaciones de dos elementos se logra un ahorro de $ 67.335.440 en un tiempo
de 4 minutos. Al aumentar a tres los elementos a combinar en cada vecindario, el tiempo
crece a 10 minutos con un ahorro que aumenta a tan sólo $ 74.643.055, si el número es 4 el
ahorro es de $ 74.935.026, manteniéndose casi inalterable, en un tiempo de 33 minutos. Se
debe señalar además, que para un incremento adicional al mencionado fue imposible lograr
la convergencia, toda vez que el número de combinaciones era elevado, puesto que uno de
los vecindarios posee 52 redes, lo que da un número de combinaciones posibles de
2.598.960, haciendo inmanejable la búsqueda de una solución.
De lo anterior es posible deducir que el incremento de combinaciones si bien aumenta los
ahorros también produce mermas en la velocidad de solución del problema, por lo que se
necesita encontrar una forma de producir ahorros relevantes pero sin la necesidad de
tiempos extremos de ejecución. Para evitar tal problema, se propone la utilización cíclica
del procedimiento planteado, pero sólo considerando combinaciones de dos redes, ello con
el fin de comparar sólo casos que toman menos tiempo ya que abordan una zona de
planificación menor y además son más probables de generar ahorros que las combinaciones
entre un número superior de redes. El algoritmo propuesto es:
más de dos redes no lo sean, por lo cual al permitir que la nuevas redes formadas, puedan
seguir combinándose ya sea con redes nuevas o con redes no combinadas en la etapa
anterior, implícitamente rescata el hecho de la posibilidad de combinaciones entre un
número superior de ellas, pero evitando la evaluación de todas las combinaciones posibles,
lo que implica un ahorro en tiempos de ejecución.
Utilizando este procedimiento se obtienen lo siguientes resultados.
Tiempo
Cota (kVA) Ahorro ($)
(min)
10 0 0,09
15 3.975.755 0,44
30 9.568.937 0,62
45 15.351.388 0,77
75 19.462.245 1,03
100 25.966.288 1,18
150 43.120.248 2,29
300 53.915.232 6,62
500 76.392.742 16,25
Donde además es posible notar que los ahorros aumentan en la medida que la cota utilizada
para la creación de los vecindarios también crece, ello es debido a que el número de
polígonos que cubre la zona de planificación disminuye, con lo cual cada vecindario agrupa
a un mayor número de redes. En este escenario entonces es válido preguntar por que no
ampliar al máximo la zona de análisis, es decir utilizar un único vecindario que incluya
todas las redes a combinar. Tal como se mencionó, dicho problema, al ser de una
complejidad combinatoria elevada, será resuelto mediante búsqueda tabú en la siguiente
sección.
Búsqueda tabú
El objetivo de la búsqueda tabú en este trabajo, es entregar una buena combinación entre
redes, de manera de disminuir los costos obtenidos del proceso de micro-optimización. En
la siguiente figura se muestra un conjunto de redes, demarcadas por la envolvente convexa
que engloba a todos los consumos de cada una de ellas, y donde los puntos más grandes,
representan la posición del transformador, indicando algunas zonas que al unirse
posiblemente constituirían mejoras a la función objetivo, observando además, que si un
104
transformador es utilizado en una combinación ya no puede ser utilizado en otra, por lo que
la elección del conjunto de mejores combinaciones no es trivial, toda vez que el número de
combinaciones posibles aumenta exponencialmente con el número de transformadores.
[y]
[x]
Así lo que se busca es el mejor mix entre las posibles combinaciones, siempre y cuando
cada red combinada sea utilizada en una única combinación, lo que se representa de
acuerdo a la siguiente estructura:
1 1 2 1 2 4 4
12000
11000
10000
[m]
9000
8000
7000
6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m] 4
x 10
12000
11000
10000
[m]
9000
8000
7000
6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m] 4
x 10
Con esta solución se presentan los mayores ahorros con respecto al caso base dado por la
aplicación exclusiva del proceso de micro-optimización explicado en el capítulo 4, en
efecto el ahorro total es de $ 135.972.397 (197 redes) representando un descuento de 7.4 %
respecto del caso base.
12000
11000
10000
[m]
9000
8000
7000
6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m] 4
x 10
36
La zona de análisis incluye a la ciudad de Santiago, capital de Chile, con una población al 31 de diciembre
del 2003 de 5.3 millones de habitantes.
37
Las ventas totales de energía para el año 2003 fueron de 8.696 GWh, repartiéndose 3.917 GWh a clientes
de baja tensión y 4.779 GWh a clientes de media tensión.
110
Del capítulo 4 fue posible encontrar que un tamaño adecuado para la zona de análisis era de
500 x 500 metros. También se pudo mostrar que en el proceso iterativo asociado a la micro-
optimización, al encontrar un valle en la función de costo se está, con alta probabilidad, en
presencia de un mínimo global. Además se observó que en la metodología propuesta, el
equilibrio de red sólo es significativo al finalizar el proceso iterativo, todas conclusiones
que son aplicadas a la micro-optimización del Gran Santiago. Así, la división de la zona a
planificar se muestra en la siguiente figura.
4
x 10
7
4
[m]
0
0 1 2 3 4 5 6
[m] 4
x 10
Existe un total de 3103 mini-zonas a optimizar, las que para 10 lanzamientos del algoritmo,
tabla 6.1, entregan un costo promedio de $ 71.027.164.452 en un tiempo de ejecución
promedio de 168,3 minutos correspondientes a 2,8 horas38.
1 70.973.285.445 173,5
2 71.158.531.278 167,8
3 70.921.325.234 167,6
4 70.951.990.818 167,6
5 71.098.651.683 167,3
6 71.067.957.121 168,9
7 70.972.409.405 167,4
8 71.003.831.236 167,0
9 71.014.399.273 167,4
10 71.109.263.030 168,7
De tales simulaciones, es posible obtener que el largo promedio de la red de baja tensión es
7.828 Km, que se utilizan 12.039 transformadores con una capacidad total instalada en
baja tensión de 2.861 MVA, con pérdidas de energía para el año base de 54.142 MWh.
Si bien, la red trazada corresponde sólo a una red área de baja tensión, y por tanto no
reconoce las zonas subterráneas del área de planificación, ni tampoco su relación directa
con la red de distribución de media tensión, es posible cotejar, de todas formas, el orden de
los resultados obtenidos, con los estudios de VAD realizados en la fijación tarifaria
utilizada como referencia, de manera de comprobar la coherencia de las salidas obtenidas.
Por ejemplo, en el caso de las pérdidas para el año inicial, en donde se ve reflejado tanto el
trazado como el tipo de conductores seleccionados, se tiene que en el estudio encargado por
la empresa distribuidora, en adelante estudio de la distribuidora (Systep e Inecon, 2004), las
pérdidas corresponden a 75.312 MWh y en el estudio encargado por la Comisión Nacional
de Energía, en adelante estudio de la CNE (Synex, Mercados Energéticos y Jadresic
Consulting, 2004), ascienden a un valor de 35.580 MWh, ubicándose el resultado aquí
38
La tabla completa para todos los lanzamientos, con el desglose de costos e infraestructura se presenta en el
112
obtenido entre ambos valores. En cuanto a los kilómetros de red, el resultado obtenido es
menor tanto al estudio de la distribuidora como al estudio de la CNE, cuyos valores son
9.050 km y 9.075 km respectivamente, este hecho no debe ser explicado por si sólo, sino
que debe considerarse lo que sucede con los transformadores. En el estudio de la
distribuidora el número óptimo es de 7.247 y en el estudio de la CNE es de 8.416 unidades,
por lo tanto, con la metodología propuesta se obtiene un resultado absolutamente coherente,
toda vez que el número de transformadores obtenido es mayor y el largo de red es menor39
que en los estudios citados, situación que acontece dada la división arbitraria de la gran
zona de planificación en mini-zonas de optimización, en las cuales al respetar el tendido
vial y por ende al no trazar redes entre zonas no vialmente conectadas, se fuerza a que en
cada isla vial de cada una de las mini-zonas, exista al menos un transformador.
Anexo H
39
En las redes de distribución se tiene que los transformadores con sus redes asociadas tienen una relación
inversamente proporcional, en el caso extremo si cada consumo tuviese su propio transformador la red de
distribución de baja tensión sería cero.
113
Resultando por tanto, un total de 12.052 redes asociadas a sus respectivos transformadores,
lo que se puede visualizar en la figura 6.2, donde cada red esta acotada por la envolvente
convexa de los consumos que la componen.
114
[m]
[m]
[m]
[m]
Lo que constituye una mejora de 2,31 % (aproximadamente dos mil millones de pesos) con
respecto al caso base considerando las pérdidas. Para clarificar los resultados, se aplicó el
mismo procedimiento, pero ahora considerando como centro de los polígonos a aquellos
transformadores superiores a 500 kVA, obteniendo lo siguiente:
En ambos casos, es posible apreciar una disminución en el costo total, asociado a la mejor
asignación de los consumos, lo que se traduce en un menor número de transformadores y
por consiguiente un mayor largo de red. Se debe señalar que los tiempos de simulación
fueron de 179 y 252 minutos respectivamente, sin considerar el tiempo requerido por el
caso base.
117
4
x 10
[m]
3
0
0 1 2 3 4 5
[m] 4
x 10
4
x 10
1.5
1.4
1.3
[m] 1.2
1.1
0.9
0.8
0.7
trasformador adecuado, ello con el fin de evitar los 167 minutos asociados al caso base. De
esta forma, el procedimiento simplificado requiere sólo 14 minutos para su ejecución, luego
de lo cual se realiza el diagrama de Voronoi y se aplica el procedimiento de micro-
optimización completo para cada uno de los polígonos formados.
Al igual que en el caso anterior, se consideraron como puntos generadores las ubicaciones
de aquellos transformadores, que de acuerdo al procedimiento de micro-optimización
simplificado son superiores a 300 kVA y luego a 500 kVA, con lo cual, los resultados para
el primer caso son:
Si bien, en ambos casos los ahorros no superan el 2%, se debe señalar la ventaja en tiempo
que esta metodología brinda, toda vez que sólo demora 170 y 240 minutos,
respectivamente, sin necesidad de los 167 minutos adicionales del caso base.
119
Este procedimiento busca incorporar las posibles economías producto de unir redes vecinas,
esto es, hacer que zonas aledañas que tienen su propio transformador y red sean unidas de
manera de suministrarlas a través de un único transformador con sólo una red asociada,
para ello se divide la zona en vecindarios utilizando los polígonos de Voronoi, para luego
en cada uno de los vecindarios encontrar la mejor combinación de redes, de forma de lograr
una disminución en el costo total.
Entonces, cada uno de los vecindarios está formado por todas las redes que quedan al
interior de un polígono de Voronoi, los que son creados tomando como puntos generadores
la ubicación de todos los trasformadores del caso base, cuya capacidad sea superior o igual
a 500 kVA. Aplicando tal procedimiento, se obtienen 4.103 vecindarios para Santiago, tal
como se aprecia en la figura 6.4, en particular, en su figura inferior es posible notar como
cada vecindario (polígonos convexos de líneas gruesas), contiene un conjunto de redes a
combinar (polígonos convexos de líneas delgadas).
Así, en cada vecindario se encuentra la mejor combinación, es decir la que produce
mayores ahorros, entre las redes que lo componen. Siendo el ahorro final, la sumatoria de
los ahorros producidos en cada uno de los vecindarios. De esta forma, el ahorro total
obtenido, con respecto al caso base, es de $ 2.824.076.757 lo que representa un ahorro de
3,53 %, ejecutándose el procedimiento en 178 minutos. El resumen de los resultados
obtenidos es el siguiente:
[m]
[m]
[m]
[m]
Al igual que en el caso anterior se buscan las economías producto de la unión de redes
aledañas, pero esta vez sin la realización de vecindarios, sino que buscando la mejor
combinación de entre todas las redes que se obtienen luego del proceso de micro-
optimización. Dada la gran cantidad de combinaciones posibles, se opta por la heurística
búsqueda tabú para conseguirlo. Además, para disminuir el espacio de búsqueda de la
solución, que en este caso constituye encontrar el conjunto de mejores combinaciones entre
redes, se evitan aquellos casos en que se busca unir redes alejadas o separadas por alguna
red intermedia, para ello se realiza la triangulación de Delaunay, entre todas las redes del
caso base, representadas por su transformador asociado. Esta triangulación, para el caso de
Santiago se presenta en la figura 6.5.
122
[m]
[m]
De esa manera, sólo se consideran como redes factibles a combinar, aquellas que
inicialmente se encuentran unidas a través de aristas de la triangulación (ver 5.2.2),
reduciendo considerablemente el espacio de búsqueda al combinar únicamente redes
vecinas.
Con este procedimiento y requiriendo un tiempo de ejecución40 de 254 minutos, se
obtuvieron los siguientes resultados:
40
Este tiempo incluye sólo el requerido para la realización de la metodología de macro-optimización, sin
considerar el tiempo necesario para la realización del caso base que entrega las redes iniciales.
123
7.1 Conclusiones
41
Las metodologías de Macro-Optimización incluyen el tiempo requerido para la Micro-Optimización, puesto
que esta constituye su input. Sólo el procedimiento “Diagrama de Voronoi simplificado”, prescinde del
tiempo adicional, puesto que emplea como input un proceso simplificado.
128
Mediante la utilización de los polígonos de Voronoi, fue posible agrupar a los consumos
por su característica de cercanía y con ello lograr una reducción de costos al aplicar sobre
cada polígono el proceso de micro-optimización, con lo cual se obtuvo para el caso de
Macul un ahorro cercano al 4 % y para el caso de Santiago uno de 2 % con respecto al
proceso de micro-optimización respectivo. Es importante mencionar que los polígonos se
forman a partir de puntos generadores, probándose en la presente investigación que estos
pueden provenir de la ubicación de los transformadores, ya sean obtenidos del proceso de
micro-optimización o de un proceso simplificado (sin consideración de la red), con el
consecuente ahorro de tiempo, en el caso de Santiago se cambia una ejecución de 176
minutos por una de 14 minutos, a los polígonos así obtenidos se les aplica, de igual forma,
el proceso de micro-optimización completo.
En cuanto a la recombinación de redes vecinas, esta metodología encuentra economías al
suministrar mediante una única red y por ende bajo un único transformador, a redes
aledañas, siempre y cuando esto sea posible. Abordándose el problema desde dos
perspectivas, una mediante la división de la zona de planificación en vecindarios, y en cada
uno de ellos, analizar las posibilidades de combinación, y otra, sin la realización de
división, sino que determinando las combinaciones factibles en toda la zona de
planificación a través de la búsqueda tabú. Tanto en el caso de Macul como su posterior
aplicación a Santiago, fue posible constatar la ventaja que presenta el análisis de un único
vecindario, puesto que evita la no consideración de combinaciones entre redes que
pertenecen a vecindarios distintos. Así, para el caso de Santiago, al utilizar vecindarios se
obtuvo un ahorro de 3,5 % y en el caso de un único vecindario el ahorro creció a un 4,9 %,
sin embargo se debe señalar que la metodología de mayor ahorro, al poseer un espacio de
búsqueda mayor, requiere más tiempo en su ejecución, necesitando 76 minutos adicionales
para encontrar la solución.
Se debe constatar, que el mejor resultado obtenido se produce al realizar la aplicación
secuencial del diagrama de Voronoi y la recombinación de redes a través de un sólo
vecindario. Con lo que es posible aprovechar tanto el abastecimiento de grupos de
consumos cercanos entre sí como los ahorros que se producen al unir redes vecinas en una
129
única red. De hecho el ahorro obtenido con este procedimiento en serie es de 7,4 % para el
caso de Macul y de 6,1 % para el caso de Santiago.
Finalmente, y en relación a la validez de los resultados encontrados, se debe considerar que
la presente investigación sólo determinó redes aéreas, y en cambio los estudios de
referencia para el gran Santiago, dados por los estudios de VAD 2004-2008, tanto de la
empresa distribuidora como de la autoridad consideran además redes subterráneas, por lo
que un parangón directo no es posible, pero sí lo es la verificación del orden de los
resultados obtenidos. En efecto, el número de transformadores y kilómetros de red
extraídos del modelo42 son 7.686 unidades y 8.935 km, respectivamente, tales valores para
los estudios de referencia son de 7.247 unidades y 9.050 km para el estudio de la
distribuidora y de 8.416 unidades y 9.075 km para el estudio de la autoridad. Lo que ratifica
la bondad de la metodología propuesta.
No se debe perder de vista, que el principal acierto de la metodología planteada, más allá de
los resultados numéricos, que pueden variar de acuerdo a la definición de precios y/o
expectativas de crecimiento, es la certeza de resolver un problema de gran tamaño, con la
consideración conjunta de redes y transformadores sobre una red vial que permite
determinadas conexiones, con lo cual el problema es solucionado sin la necesidad de
excesivas simplificaciones, en un tiempo razonable, toda vez que un ejercicio de
planificación en ningún caso necesita ser resuelto en forma instantánea. En particular, es el
planificador quien puede optar discretamente por el tiempo requerido en la solución, de
hecho el resultado de la micro-optimización para Santiago se consigue entre 167 y 170
minutos, siendo voluntad del planificador realizar el proceso de macro-optimización para la
disminución de costos, etapa que toma cerca de 200 minutos en ejecutarse. Por tanto, en tan
sólo tres horas es posible obtener una primera buena aproximación a la planificación desde
cero de una zona de gran tamaño, lo que representa la gran ventaja de la división en mini-
zonas y de la metodología desarrollada.
42
Considerando como modelo final a la metodología que presenta un menor costo total, es decir al
procedimiento secuencial de diagrama de Voronoi y Recombinación Tabú de redes.
130
distribución y una red de baja tensión pequeña, en cambio una compañía con una
red de baja tensión dominante, posee transformadores de mayor capacidad y por
ende un menor número de ellos, lo que genera una mayor red de baja tensión.
Existiendo una multitud de posibles soluciones entre ambos casos, por lo que resulta
fundamental preguntarse acerca de la combinación óptima entre media tensión y
baja tensión, relación que al desacoplar el problema no es considerada, lo que hace
una línea atractiva de investigación la solución conjunta del problema de
planificación de sistemas de distribución.
• Consideración de las instalaciones de generación distribuida: La irrupción de
medios de generación que inyectan su energía directamente sobre el sistema de
distribución, hace que surjan nuevas interrogantes con respecto a como considerar
su efecto en el valor de una empresa distribuidora. Por ejemplo, se hace necesario
considerar quien se hará cargo de las instalaciones necesarias para acceder a la
generación distribuida. Instalaciones tales como equipos de control, protecciones,
refuerzo de alimentadores, entre otros, deben ser debidamente remunerados, ya sea
por el generador distribuido o por la tarifa regulada.
Otro punto, es considerar las ventajas en la regulación de tensión y disminución de
pérdidas que trae consigo la generación distribuida, con lo cual, el valor presente del
costo de las pérdidas, necesariamente es menor si es que existen proyectos de
generación distribuida en la zona de planificación, haciéndose necesario,
posiblemente, a la hora de determinar las tarifas, conocer cuales son los posibles
lugares de generación distribuida y el tipo de instalaciones necesarias, de manera de
descontar tales ahorros de la tarifa y por ende no remunerar a la empresa
distribuidora por costos inexistes. En suma, al crecer la generación distribuida, se
vuelve no despreciable su consideración en la planificación de las redes de
distribución, puesto que son éstas, las encargadas de evacuar su energía, y las que
asumen sus eventuales costos y/o ahorros.
normativas, por lo que las variables involucradas también lo hacen, lo cual conlleva a que
los investigadores constantemente exploren nuevas formas de planteamiento y rutas
alternativas de solución, en virtud de lo cual los trabajos futuros propuestos y la
metodología aquí desarrollada, sólo buscan ser un aporte y no agotan, en absoluto, la
exploración a la solución del complejo problema enfrentado.
133
BIBLIOGRAFIA
Adams, R.N y Laugton, M.A. (1974). Optimal Planning of Power Network Using
Mixed Integer Programming. IEE Proceedings, 121(2), 139-147.
Akabane, K., Nara, K., Mishima, Y. y Tsuji, K. (2002, junio). Optimal Geographical
Allocation of Power Quality Control Centres by Voronoi Diagram. Documento
presentado en 14th Power Systems Computation Conference, Sevilla, España.
Anders, G.J., Vainberg, M., Horrocks, D.J., Foty, S.M. y Motlis, J. (1993). Parameters
Affecting Economic Selection of Cable Sizes. IEEE Transactions on Power Delivery,
8(4), 1661-1667.
Aoki, K., Nara, K., Satoh, T., Kitagawa, M. y Yamanaka, K. (1990). New Approximate
Optimization Method for Distribution System Planning. IEEE Transactions on Power
Systems, 5(1), 126-132.
Díaz-Dorado, E., Cidras, J. y Miguez, E. (2003). Planning of Large Rural Low voltage
Networks Using Evolution Strategies. IEEE Transactions on Power Systems, 18(4),
1594-1600.
Ferreira, L.A.F.M., Carvalho, P.M.S., Jorge, L.A., Grave, S.N.C y Barruncho, L.M.F.
(2001). Optimal Distribution Planning by Evolutionary Computation – How to Make it
Work. Transmission and Distribution Conference and Exposition IEEE/PES, 469-475.
Fawzi, T.H., Ali, K.F. y El-Sobki, S.M. (1983). A New Planning Model for Distribution
Systems. IEEE Transactions on Power Apparatus and System, 102(9), 3010-3017.
135
Garey, M.R. y Jonson, D.S. (1979). Computers and Intractability: A Guide to the
Theory of NP- Completeness. Nueva York: Freeman.
Glover, F. (1995). Tabu Search Fundamentals and Uses. Technical Report, Graduate
School of Business, University of Colorado.
Gómez, J.F, Khor, H.M., De Oliverira, P.M., Ocque, L., Yusta, J.M., Villasana R. y
Urdaneta, J. (2004). Ant colony system Algorithm for the Planning of Primary
Distribution Circuits. IEEE Transactions on Power Systems, 19(2), 996-1004.
Gonen, T. y Foote, B.L. (1981). Distribution System Planning Using Mixed Integer
Programming. IEE Proceedings, 128(2), 70-79.
Goswami, S.K. (1997). Distribution system Planning using branch exchange technique.
IEEE Transactions on Power Systems. 12(2), 718-723.
Gustafson, M.W. y Baylor, J.S. (1988). The Equivalent Hours Loss Factor Revisited.
IEEE Transactions on Power Systems, 3(4), 1502-1508.
Gustafson, M.W. y Baylor, J.S. (1989). Approximating the System Loss Equation. IEEE
Transactions on Power Systems, 4(3), 850-855.
Huang, Y.C., Yang, H.T. y Huang C.L. (1996). Solving the Capacitor Placement
Problem in a Radial Distribution System Using Tabu Search Approach. IEEE
Transactions on Power Systems, 11(4), 1868-1873.
Lo, K.L., y Nashid, I. (1996). Interactive Expert System for Optimal Design of
Electricity Distribution Systems. IEE Proceedings, Generation, Transmission and
Distribution. 143(2), 151-156.
Masud, E. (1974). An iterative Procedure for sizing and timing distribution substations
using optimizations techniques. IEEE PES Winter Meeting, pp.1281-1286.
Miranda, V., Ranito, J.V. y Proenca L.M. (1994). Genetic algorithms in Optimal
Multistage Distribution Network Planning. IEEE Transactions on Power Systems, 9(4),
1927-1923.
137
Nara, K., Satoh, T., Kuwabara, H., Aoki, K., Kitagawa M. y Ishihara, T. (1992).
Distribution System Expansion Planning by Multistage branch Exchange. IEEE
Transactions on Power Systems, 7(1), 208-214.
Nara, K., Hayashi, Y., Muto, S. y Tuchida, K. (1998). New Algorithm for Distributions
feeders Expansion Planning in Urban Area. Electric Power Systems Research, 46(3),
185-193.
Paiva, P.C., Khor, H.M., Dominguez-Navarro, J.A., Yusta, J.M. y Urdaneta A.J. (2005).
Integral Planning of Primary – Secondary Distribution Systems Using Mixed Integer
Linear Programming. IEEE Transactions on Power Systems, 20(2), 1134-1143.
Ponce De Leao, M.T. y Matos, M.A. (1995). Distribution planning with fuzzy loads.
International Transactions in Operational Research, 2(3), 287-296.
Ponnavaikko, M., Rao, K. y Venkata S.S. (1987). Distribution System Planning through
a Quadratic Mixed Integer Programming Approach. IEEE Transactions on Power
Delivery, 2(4), 1157-1163.
Systep e Inecon. (2004). Estudio para el Cálculo de las Componentes de Costo del
Valor Agregado de Distribución (VAD), Área Típica 1: Chilectra. Santiago, Chile:
Autor.
Temraz, H.K. y Salama, M.M.A. (2002). A Planning Model for Sitting, Sizing and
Timing Distribution Substations and Defining the Associate Service Area. Electric
Power Systems Research, 62(2), 145-151.
Thompson, G.L. y Wall, D.L. (1981). A Branch and Bound Model for Choosing
Optimal substation Locations. IEEE Transactions on Power Apparatus and System,
100(5), 2683-2687.
140
Voronoi, G.M. (1908). Nouvelles applications des parametres continus a la theorie des
formes quadratiques. deuxieme Memoire: Recherches sur les parallelloedres primitifs.
J. Reine Angew. Math., 134, 198-287.
Wen, F. y Chang, C.S. (1997). Transmission Network Optimal Planning Using the Tabu
Search Method. Electric Power System Research, 42, 153-163.
Willis, H., Powell, R. y Vismor, T. (1985). A Method for Automatically Assesing Load
Transfer Cost in Substation Optimization Studies. IEEE Transactions on Power
Apparatus and Systems, 104(10), 2771-2778.
Willis, H., Tram, H. y Powell, R. (1987). Substation Sitting and Capacity Selection
Based on Diversity Maximization. IEEE Transactions on Power Systems, 2(3), 692-
699.
Yap C.K. (1987). Algorithmic motion planning. En Schwartz y Yap. (Ed.), Advances in
Robotics 1: Algorithmic and Geometric Aspects of Robotics (pp. 95-143). New Jersey,
EE.UU.: Lawrence Erlbaum Associates.
ANEXOS
142
43
Para más información ver Papadimitriu y Steiglitz (1998)
143
clase NP. Para que ambas clases fuesen iguales todos los problemas NP deberían ser
del tipo O(nk), situación que a la fecha es un problema abierto.
• Problemas de clase NP-Completos: Un problema es NP-completo si todos los
problemas de la clase NP pueden reducirse a él, representan los problemas más
difíciles de la clase NP y posiblemente no forman parte de los problemas de
complejidad P (afirmación que aún no ha sido probada ni desmentida), dado que de
existir una solución polinómica para un problema NP-completo entonces todos los
problemas de NP también la tendrían. Ejemplos de este tipo de problemas son, el
problema del camino máximo, dado dos vértices de un grafo encontrar el camino de
mayor distancia que los une, y el problema del ciclo hamiltoniano, que consiste en
encontrar un ciclo simple que contiene a cada vértice del grafo.
145
Siendo sus principales ventajas, la versatilidad, esto es que son necesarias pequeñas
modificaciones para adaptar las meta-heurísticas a la resolución de distintos problemas, y la
aplicabilidad eficaz, es decir, que se puede aplicar a problemas difíciles encontrando buenas
soluciones en tiempos razonables. Su principal desventaja, es que no se puede conocer la
calidad de la solución encontrada, por tanto, no se puede saber que tan cerca se encuentra el
resultado encontrado del óptimo global del problema.
A continuación se explicarán brevemente las características fundamentales de las meta-
heurísticas que han sido citadas a lo largo de este trabajo, de forma de aclarar los aspectos
relevantes de los algoritmos genéticos, las colonias de hormiga, el temple simulado
(Simulated Annealing) y la búsqueda tabú.
147
Padre 1: 1 0 0 1 1 0 1 1 Padre 2: 0 1 1 1 1 1 0 0
Si X es igual a 3, entonces:
Hijo 1: 1 0 0 1 1 1 0 0 Hijo 2: 0 1 1 1 1 0 1 1
Sj con probabilidad e
{(
− E j − Ei ) k ⋅T } , donde k es la constante de Boltzman y T es la
temperatura del sólido, es decir, durante el proceso de enfriamiento el sólido podrá pasar a
estados superiores de energía con mayor probabilidad en la medida que la temperatura es
alta, a medida que la temperatura decrece, esta probabilidad es menor, llegando un
momento en que los saltos sólo se producen hacia escenarios de menor energía. Por tanto, la
probabilidad de que el sólido se encuentre en el estado Si con una energía Ei es:
− Ei
P ( X = Si ) = 1
−Ej ⋅e k ⋅T
(B.1)
∑e k ⋅T
1. Se comienza el algoritmo con una solución factible S=S1. Se inicializan los parámetros
de control, esto es la temperatura inicial T = To y No, que representa el número de
configuraciones que se probarán a temperatura To.
2. Para cada configuración de 1 a No
a. Se realiza un cambio a la solución actual, y se evalúa la función objetivo,
obteniéndose Ej.
b. Si la solución mejora, entonces la solución actual es la solución asociada a
Ej, es decir S=Sj.
c. Si la solución empeora, entonces la solución actual es la solución asociada a
probabilidad de permitir cambios que empeoran la solución. Los parámetros principales del
proceso de enfriamiento y que se deben determinar para poder realizar el algoritmo son, la
temperatura inicial To, la temperatura final Tf, el número de transiciones Nk a la temperatura
Tk, y la tasa de variación de la temperatura Tk+1=G(Tk) Tk. Si bien existen, en la literatura,
metodologías aproximadas para cada uno de estos parámetros, se debe señalar, que su
correcta selección dependerá del problema en cuestión, por lo que una adecuada
sintonización de tales parámetros es un problema complicado, que la mayoría de las veces
se resuelve a prueba y error, siendo ésta, la principal desventaja del Temple Simulado, dada
su alta sensibilidad a la elección de parámetros.
prometedores disminuye progresivamente, porque son visitados cada vez por menos
hormigas. De esta forma, a la larga se consigue que toda la colonia se desplace por la ruta
de menor distancia para la recolección del alimento.
Pij (t ) = , si j ∈ N ik
∑ (τ ) ⋅ [η ]
α β
il il
l∈N ik
Fin para
Nodo seleccionado = seleccionar el movimiento ( )
Fin para
c. Actualizar feromona
d. Destruir hormigas
Fin mientras
3. Si se cumple criterio, entonces terminar. Típicamente el criterio de parada esta dado
por el número de colonias a evaluar, esto es por el número de veces que se repite el
paso 2.
Donde Pij es la probabilidad de pasar del nodo i al nodo j, τij es la feromona existente entre
el nodo i y el nodo j, ηij es la información heurística entre el nodo i y el j, esta información
típicamente es el inverso de la distancia (no necesariamente distancia euclidiana, sino que
una cierta métrica en el espacio de las propiedades) entre el nodo i y el nodo j, Nik es el
conjunto de nodos alcanzables desde el nodo i y que aún no han sido visitados por la
hormiga k. En tanto α y β constituyen parámetros que establecen un equilibrio entre la
importancia de la información heurística y de la información de la memoria dada por la
cantidad de feromona. Se debe señalar que la selección del movimiento y la actualización
de la feromona, dependerá de la estrategia escogida, así por ejemplo se puede incluir
feromona sólo en el mejor camino realizado por una hormiga de una colonia, o se puede
actualizar entre cada hormiga de una misma colonia, decisiones que dependerán del
planificador. Al igual que en la mayoría de los procedimientos heurísticos, se requiere de la
154
toma de decisión sobre un cierto número de parámetros, de los que finalmente dependerá la
calidad de la solución encontrada.44
44
Para más información consultar Dorigo et al (1996)
155
Representan métodos sucesivos, en que durante una etapa, sólo uno de los elementos del
espacio a clasificar cambia de grupo. El algoritmo simplificado, suponiendo n objetos a
clasificar, es el siguiente:
1. Primero se calculan las distancias entre todos los pares de objeto, lo que equivale a
decir que se comienza el algoritmo con la existencia de n cluster {C1, ...,CN}.
2. Se buscan los dos cluster más cercano (de acuerdo a la medida de distancia
empleada), se unen y pasan a formar un único cluster.
3. Se repite el paso dos hasta que no quedan pares de comparación
156
Existen varios tipos de enlaces para realizar las uniones entre dos cluster, las más usadas
son:
• Enlace simple: considera la distancia entre los elementos más cercanos de ambos
cluster.
• Enlace promedio: considera la distancia promedio entre los elementos de ambos
cluster a combinar.
• Enlace completo: considera la distancia entre los elementos más alejados de ambos
cluster.
d j > X + k ⋅σ X (C.1)
El criterio de parada, esta dado por el mínimo entre un número máximo de iteraciones y la
variación de la distorsión entre dos iteraciones sucesivas. El número máximo de iteraciones
es un dato de entrada al algoritmo y dependerá de la convergencia presentada en el
problema a resolver. En tanto, que la distorsión es la suma de todas las distancias a su
respectivo centroide.
k
D = ∑ ∑ x − µi
2
(C.3)
i =1 x∈Ci
D (n + 1) ≤ D (n) (C.4)
158
Este algoritmo presenta una mayor convergencia que el método jerárquico, y es utilizado en
problemas en que el número de datos a clasificar es elevado, siendo ocupado en temas tan
variados como la biología, la sociología, la física, entre otros (Gordon, 1981), teniendo
como gran desventaja la elección a priori del número de agrupaciones a realizar.
159
Costo de
Costo Total
Capacidad KVA Precio ($) Instalación
($)
($)
5 420.264 57.987 478.251
10 631.350 76.141 707.491
15 751.673 86.488 838.161
30 941.840 102.843 1.044.683
45 1.145.144 120.327 1.265.471
75 1.396.163 141.914 1.538.077
100 1.564.892 178.793 1.743.685
150 1.912.722 208.706 2.121.428
300 2.921.638 295.473 3.217.111
500 3.999.705 388.187 4.387.892
750 11.697.880 1.097.123 12.795.003
1000 13.583.330 1.272.286 14.855.616
Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
16 259.827 1,12 121
25 416.532 0,732 168
35 527.742 0,523 205
70 1.118.166 0,261 325
12 1.892.592 0,152 462
160
Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
70 492.003 0,479 260
120 658.161 0,279 370
240 1.496.998 0,14 538
300 1.874.000 0,112 625
Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
25 262.001 1,166 260
35 331.750 0,829 370
50 404.400 0,583 538
70 695.201 0,415 625
161
9400
9350
9300
9250
9200
[m]
9150
9100
9050
9000
8950
8900
3.955 3.96 3.965 3.97 3.975 3.98 3.985 3.99 3.995
[m] 4
x 10
2. Etapa Previa:
2.1 Trazado de Calles
2.2 Asignación de cada cliente a su calle más cercana
162
9500
9400
9300
9200
[m]
9100
9000
8900
8800
3.94 3.95 3.96 3.97 3.98 3.99 4 4.01
[m] 4
x 10
3. Proceso iterativo
3.1 Se comienza con un transformador en el centro de carga, se calcula el
transformador óptimo, el trazado y la red óptima, incluyendo las pérdidas,
para dicha ubicación, obteniéndose un costo total de $ 29.135.137
163
9400
9300
9200
[m]
9100
9000
8900
9400
9300
9200
9100
[m]
9000
8900
9400
9300
9200
[m]
9100
9000
8900
4. Elección del óptimo: Se escoge la red que tenga menor costo total, se debe señalar
que en términos generales el primer mínimo que se encuentra es el mínimo global
de la función costo total, tal y como se muestra en este ejemplo (ver Tabla E.1 y
Figura E.6)
Costo
Número de Costo Redes Costo Postes Costo Pérdidas
Transformadores Costo Total ($)
Transformadores ($) ($) ($)
($)
1 4.387.892 6.682.436 6.169.980 11.894.829 29.135.137
2 6.434.222 6.186.815 5.901.720 4.049.061 22.571.818
3 6.364.284 5.493.175 6.438.240 2.208.303 20.504.002
4 8.485.712 4.788.479 6.348.820 1.426.661 21.049.672
5 10.229.397 4.468.437 5.633.460 1.518.827 21.850.121
6 11.217.596 3.858.079 5.722.880 1.246.199 22.044.754
7 12.377.930 4.343.621 6.259.400 1.412.181 24.393.131
166
7
x 10 Evolucion Costo
3
[$]
2.5
2 Costo Trafos
Costo Red
Costo perdidas
1.5 Costo poste
Costo total
0.5
0
1 2 3 4 5 6 7
Número de Transformadores
9400
9300
9200
[m]
9100
9000
8900
0.5
1
0 0
1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10
Número de Transformadores Número de Transformadores
7 Evolucion Costo 6 Evolucion Costo
x 10 x 10
[$] 2 [$]16
1.8
14
1.6
12
1.4
10
1.2 Costo Trafos
Costo Trafos
Costo Red Costo Red
1 8
Costo perdidas Costo perdidas
Costo poste Costo poste
0.8
6 Costo total
Costo total
0.6
4
0.4
2
0.2
0 0
1 2 3 4 5 6 7 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
Número de Transformadores Número de Transformadores
6 Evolucion Costo 7 Evolucion Costo
x 10 x 10
16 3
[$] [$]
14
Costo Trafos 2.5
12 Costo Red
Costo perdidas
2 Costo Trafos
Costo poste
10 Costo Red
Costo total
Costo perdidas
8 1.5 Costo poste
Costo total
6
1
0.5
2
0 0
1 2 3 4 5 6 7 1 2 3 4 5 6 7
Número de Transformadores Número de Transformadores
Lanzamiento Costo Total ($) Costo Trafo ($) Costo Red ($) Costo Poste ($) Costo Pérdidas ($)
Capacidad Pérdidas de
Largo Red Número de Tiempo
Lanzamiento Instalada Energía
(km) Transformadores (min)
(MVA) (MWh)
1 7.823 12.052 2.859 53.794 173,5
2 7.834 12.022 2.867 53.723 167,8
3 7.821 11.971 2.853 55.204 167,6
4 7.829 12.065 2.857 54.012 167,6
5 7.832 12.030 2.861 54.791 167,3
6 7.837 12.109 2.864 53.240 168,9
7 7.826 12.063 2.862 53.764 167,4
8 7.826 12.001 2.858 54.907 167,0
9 7.828 12.023 2.867 53.815 167,4
10 7.825 12.053 2.862 54.167 168,7