Traducido del inglés al español - www.onlinedoctranslator.

com

TRANSACCIONES IEEE EN SISTEMAS DE ENERGÍA, VOL. 16, NO. 1 DE FEBRERO DE 2001 111

Optimización de la confiabilidad y los costos para la distribución

Expansión de redes utilizando un sistema evolutivo
Algoritmo
Ignacio J. Ramírez-Rosa,DMETROo ascua, IEEEy José L. Bernal-Agustín

Abstracto-Este artículo presenta una optimización multiobjetivo y condiciones geográficas del sistema de distribución analizado
metodología, utilizando un algoritmo evolutivo, para averiguar zona). Sin embargo, solo la tecnología clásica de optimización multiobjetivo
la mejor confiabilidad de la red de distribución y al mismo tiempo minimizar los costos de expansión del sistema. Un
niques se utilizaron [11], [12] para obtener un subconjunto de satisfactorios
modelo de optimización de enteros mixtos no lineal, logrando el tamaño y la ubicación óptimosSoluciones
óptimas no dominadas.
de futuros alimentadores (alimentadores de reserva y alimentadores de operación) y Particularmente, en artículos técnicos especializados, muy pocos trabajos
subestaciones, se ha utilizado. La metodología propuesta ha sidohan estudiado la optimización de la confiabilidad de la red simultáneamente
Probado intensamente para sistemas de distribución con dimensiones que son netamente con la minimización de la red económica
significativamente más grandes que los que se encuentran con frecuencia en los artículos costos de expansión para la expansión óptima multiobjetivo de
sobre este tema. Además, esta metodología es general, ya que es
objetivos sistemas de distribución. Por lo tanto, esta expansión óptima ha sido
adecuada para la optimización multiobjetivo de
simultaneamente. El algoritmo puede determinar el conjunto de valores óptimosrealizado, ocasionalmente, por un solo objetivo (monoobjetivo)
soluciones no dominadas, permitiendo al planificador obtener la de una función correspondiente a una combinación lineal de la
ubicaciones y tamaños óptimos de los alimentadores de reserva que logran elcostes económicos y una función de costes de fiabilidad [13], [14].
la mejor confiabilidad del sistema con los costos de expansión más bajos. El modeloSin embargo, la evaluación económica del valor de la confiabilidad es
y el algoritmo se ha aplicado de forma intensiva a sistemas de energía de la vida real, mostrando su potencial de aplicabilidad a grandes distribuciones
una tarea compleja ya menudo subjetiva [15]. En este trabajo, el
redes en la práctica. La metodología presentada, y el tratamiento de la confiabilidad
mediante el uso del concepto de función objetivo, evitan tener que
Términos del Índice-Algoritmos evolutivos, diseño óptimo, sistemas de
distribución de energía.
evaluar valores económicos de confiabilidad.
Los artículos comunes sobre el diseño de distribución óptima no incluyen
ejemplos prácticos de una verdadera optimización multiobjetivo de redes de
YoNTRODUCCIÓN distribución reales de dimensiones significativas (excepto

T
El diseño ÓPTIMO de una distribución de energía eléctrica en [17]), logrando con detalle el conjunto de un sistema multiobjetivo
óptimo, se ha abordado habitualmente como la minimización de soluciones aleatorias [11], [12] (optimización simultánea real
de una única función objetivo (monoobjetivo) que representa la relación de los costes y la fiabilidad).
Los costos económicos de la expansión del sistema global, considerando Este trabajo presenta una nueva aplicación de una evolución
al tamaño y / o localización óptimos de los alimentadores y / o sub-ritmos para el diseño óptimo multiobjetivo de las distribuciones
del sistema de distribución en una sola planificación. etapa o sinistemas que permite optimizar objetivos simultáneamente varias
etapas (multietapa) [1] - [8]. (basado en la optimización de Pareto [11], [12]), como un nuevo multiobjetivo
El diseño óptimo multiobjetivo ha sido abordado por pocos enfoque de planificación. Este algoritmo se ha utilizado para
autores que muestran ejemplos de aplicación al sistema de distribución diseño óptimo objetivo de sistemas de distribución que presentan signos
tems. En trabajos anteriores [9], [10] varias multiobjecn óptimas - dimensiones y complejidad de optimización significativamente mayores que
Se probaron y validaron intensamente modelos de planificación productiva en la mayoría de las redes que se encuentran con frecuencia en los artículos especializados.

experimentos informáticos para la planificación de múltiples etapas bajo un comsobre el diseño óptimo del sistema de distribución. Además, el nuevo algoritmo
metodología completamente dinámica [4] y un onriethm pseudodinámico utiliza un alfabeto no binario, lo que permite una mayor flexibilidad
[1], [5], optimizando simultáneamente varios objetivos (distribu-bilidad y para tener en cuenta fácilmente algunos aspectos relevantes costos
económicos globales del sistema, confiabilidad del sistema, voltagoef el diseño como, por ejemplo, varios tamaños de alimentadores y di-
perfil, valores estéticos asociados al sistema de distribución, tamaños de subestaciones rse. Sin embargo, el algoritmo evolutivo de
este trabajo obtiene los alimentadores de reserva óptimos (alimentadores que son
normalmente no opera excepto por fallas en la red de distribución
Manuscrito recibido el 13 de noviembre de 1998; revisado el 12 de julio de 1999. Este wow rkork en un estado operativo radial) que logran la mejor red
contó con el apoyo de IBERDROLA “Ayudas a la Investigación Científica yarleliabilidad con los costos económicos más bajos para una sola etapa y
Desarrollo Tecnológico ”Programa patrocinado por la empresa eléctrica española.metro
Eso diseños óptimos de última etapa, en este último caso bajo la pseudo-
también contó con el apoyo del “Ministerio de Ciencia y Tecnología” y el “Ministerio de
Asuntos Exteriores” y “Acciones Integradas Hispano-Portuguesas” PrograDmetro y.metodología námica [1] - [5]. Además, un nuevo operador ha
IJ Ramírez-Rosado es del Departamento de Ingeniería Eléctrica, UnBI-aplicados en el algoritmo evolutivo, así como en el funcionamiento
versidad de La Rioja, España. de un artículo anterior [18], lo que lleva a lograr una curva de
JL Bernal-Agustín trabaja en el Departamento de Ingeniería Eléctrica de la
Universidad de Zaragoza, España. soluciones multiobjetivo no dominadas. Por último, el modelo y
Identificador de artículo del editor S 0885-8950 (01) 03205-9. el algoritmo evolutivo se han aplicado de forma intensiva a

0885–8950 / 01 $ 10.00 © 2001 IEEE

112 TRANSACCIONES IEEE EN SISTEMAS DE ENERGÍA, VOL. 16, NO. 1 DE FEBRERO DE 2001

sistemas de distribución de vida que muestra su potencial de aplicabilidad

en la práctica a grandes redes de distribución. conjunto de rutas (entre nodos) asociadas con
alimentadores existentes en la red inicial.
II. PAGROBLEM FORMULACIÓN conjunto de rutas de alimentación propuestas (entre nodos) que
se construirán.
Un problema de optimización restringida de un solo objetivo
conjunto de rutas (entre nodos) asociadas con rutas
(monoobjetivo) es la búsqueda del óptimo de una función de
seleccionadas para la construcción de alimentadores. El
variables sujetas a varias restricciones [11], [12]:
planificador selecciona las rutas de este conjunto () para la
construcción de alimentadores. Solo el tamaño del comedero es
variable.
sujeto a:
conjunto de tamaños de comederos propuestos que se construirán.

conjunto de nodos asociados a subestaciones

dónde conjunto de números
existentes en la red inicial.
La función objetivo reales. y las restricciones pueden ser conjunto de nodos asociados con ubicaciones propuestas
funciones lineales o no lineales de las variables. La para la construcción de subestaciones.
región factible es: conjunto de nodos asociados con ubicaciones seleccionadas
para la construcción de subestaciones. El diseñador obliga al
para todos
programa a seleccionar las rutas de este conjunto
Un problema de optimización multiobjetivo está para la construcción de comederos. Solo el tamaño de la
asociado con un vector dimensional de funciones objetivas. subestación es variable.
en la región factible.
En lugar de buscar una única solución óptima, se busca el conjunto de tamaños de subestaciones propuestos a
subconjunto de soluciones “no dominadas” [11], [12]. La principal construir. ruta entre nodos y.
característica del sub no dominadoseotf solutions es que para Flujo de potencia, en kVA, suministrado desde el nodo
cada solución fuerami (pero aún perteneciendo a), hay asociado a una subestación de tamaño e
es una solución no dominada para la cual todas las funciones objetivo Flujo de potencia, en kVA, transportado a través de la ruta
permanecen inalteradas o mejoradas, y al menos una que está estrictamente asociado con un tamaño de alimentador.
mejorada. Flujo de potencia, en kVA, suministrado desde el
Formalmente, el problema multiobjetivo nodo asociado a una subestación existente en la red
inicial.
min-dominar sujeto a
Flujo de potencia, en kVA, transportado a través de la ruta
tiene un conjunto asociado de soluciones no dominadas [11], [12], ( ), asociado con un alimentador existente en el
red inicial.
no existe otror tal que
Coeficiente de costo variable de un alimentador
para algunos existente en la red inicial, en ruta.
Coeficiente de costo variable de un alimentador a
y para todos
construir con tamaño, en ruta.
En este trabajo, el modelo de diseño multiobjetivo es básicamente un modelo Costo fijo de un alimentador a construir con
entero mixto no lineal para el dimensionamiento y ubicación óptimos de tamaño, en ruta.
alimentadores y subestaciones, que se puede utilizar para planificación de una sola Coeficiente de costo variable de una subestación
etapa o de múltiples etapas (bajo una metodología pseudodinámica existente en la red inicial, en el nodo.
[15]). El vector de funciones objetivo a minimizar es Coeficiente de costo variable de una subestación con
, donde es la función objetivo de la global tamaño, en el nodo.
costes económicos [18], y es una función relacionada con la Costo fijo de una subestación a construir con tamaño
fiabilidad de la red de distribución. Entonces, la función objetivo , en el nodo.
es: , si la subestación con tamaño asociado con
Se construye el nodo. De lo contrario, es igual
a 0.
, si se construye un alimentador con tamaño a asociado
con la ruta. De lo contrario, es igual a
0.
Se ha desarrollado un método original que permite obtener
la función relacionada con la confiabilidad de la red de
distribución para llevar a cabo el diseño multiobjetivo óptimo.
Por ejemplo, en la Fig.1, una parte de una red de distribución es
(1) representados, incluidos todos los alimentadores reales, es decir, los alimentadores en
funcionamiento (que habitualmente abastecen las demandas de potencia). Tiene
RAMÍREZ-ROSADO Y BERNAL-AGUSTÍN: FIABILIDAD Y OPTIMIZACIÓN DE COSTOS PARA LA EXPANSIÓN DE REDES DE DISTRIBUCIÓN 113

dónde
conjunto de rutas "ficticias" (alimentadores
ficticios) que conectan los nodos de la red con la
subestación ficticia.
flujo de potencia, en kVA, transportado a
través de la ruta ficticia, que se calcula para un
posible falla de un alimentador existente
(generalmente en funcionamiento) en la ruta. En
En este caso, se utilizan alimentadores de reserva para suplir las
demandas de potencia.
Flujo de potencia, en kVA, transportado a
través de la ruta ficticia, que se calcula
por una posible falla de un alimentador futuro
(alimentador propuesto inicialmente, que se
construye en una solución dada), en la ruta con un
tamaño del alimentador, considerando los alimentadores de reserva, como

se mencionó anteriormente.
Fig. 1. Representación de alimentadores ficticios y la subestación ficticia.
son constantes obtenidas de otras constantes de
confiabilidad adecuadas en la red de distribución, incluidos
Se ha supuesto que el sistema de distribución se puede automatizar por varios parámetros relacionados con la confiabilidad, como
completo. Alimentadores de “reserva” adicionales se conectan a la red de las tasas de falla y las tasas de reparación de los
distribución cuando aparece una falla de alimentador en los alimentadores de distribución, así como la longitud de los
alimentadores reales en operación de dicha red. La subestación que se alimentadores correspondientes en las rutas
encuentra en el nodo número 11 no pertenece realmente a la o.
la red. Se trata de una subestación "ficticia" que se conecta, utilizando La minimización simultánea de las dos funciones objetivo, los
alimentadores "ficticios", a la demanda y el transbordo nodteiosns está sujeto a limitaciones técnicas [16], que son:
(nodos de red) para calcular los valores. Además- a) Las restricciones de la ley actual de Kirchhoff para todos los nodos
Además, los alimentadores “ficticios” no son alimentadores reales sino útiles de la red de distribución.
para evaluar la función objetivo, correspondiente b) Las limitaciones de capacidad para los alimentadores (y para los
a fallos sucesivos de un solo alimentador de los alimentadores reales. Por lo tanto, estaciones), que limitan la potencia que puede transportar el
Los fallos de primer orden se emulan aproximadamente mediante la aplicación de estos alimentadores.
método, con el fin de llevar a cabo el diseño óptimo multiobjetivo. c) Las restricciones de caída de voltaje, que limitan el voltaje en
Por lo tanto, la energía eléctrica, que no puede ser suministrada a los nodos del sistema de distribución a los nodos de mando mínimos
permitidos por los alimentadores actuales y los de “reserva” en dicho valor de voltaje.
eventos de falla, es proporcionado por la subestación "ficticia" usando thT
El modelo de diseño óptimo multiobjetivo presentado tiene
Comentadores “ficticios” mencionados. Comederos más ficticios, que thb
Se ha aplicado a varias redes de distribución reales. También una
Los "necesarios", existen porque de esta manera el algoritmo dom eo
modelo sno-objetivo, que minimiza un solo objetivo
no es necesario "examinar" la red de distribución para determinar (costos), se ha aplicado a tales redes de distribución reales,
el número mínimo de alimentadores ficticios con el fin de suministrar también utilizando las limitaciones técnicas mencionadas anteriormente.
mandos nodos en caso de una sola contingencia (por lo tanto, el algoritmo
necesita menor tiempo de CPU para los cálculos). La cantidad total de flujos
III. OPTIMIZACIÓN TECHNIQUE Y METROULTIOBJETIVO
de energía transportados por los alimentadores "ficticios" para cada uno
OPTIMIZACIÓN
de los fallos de primer orden emulados, y para todos los fallos, se utilizan para obtener el valor. Esta función se
mide en kWhA. Técnica de optimización (algoritmo evolutivo)
y, en este artículo, se denomina función de (función de Se ha utilizado un alfabeto no binario (entero) en lugar de
“Energía esperada no suministrada”), o. Esto describió el alfabeto binario (utilizado con frecuencia en varios procesos evolutivos).
El método también permite representar varios fallos del alimentador (simaullg- oritmos), lo que permite implementar fácilmente la optimización de
forma instantánea, sin aumentar la complejidad de dicho método. d. modelo de este documento, incluidos los aspectos de diseño relevantes que
Las subestaciones no han sido consideradas en el cálculo de woofuld apenas se han considerado con un alfabeto binario.
la función, pero se pueden incluir fácilmente utilizando la evolu- Las posibles soluciones (individuos) obtenidas por el algoritmo
evolutivo que se describe más adelante en este artículo. algoritmos de este trabajo se codifican de la siguiente manera: Por ejemplo,
La función objetivo para el ejemplo multiobjetivo óptimo, una posible solución del signo de la red de distribución
óptima es: el diseño se puede representar mediante un conjunto de dos cadenas,

donde la primera cadena representa las rutas de los alimentadores de distribución

(2) y el segundo representa las ubicaciones de las subestaciones. La primera
cadena del ejemplo de una solución de diseño de distribución dada,
114 TRANSACCIONES IEEE EN SISTEMAS DE ENERGÍA, VOL. 16, NO. 1 DE FEBRERO DE 2001

minimizarlos simultáneamente. Las soluciones 1, 2 y 3 son soluciones

no dominadas [11], [12], y son las mejores de la optimización
multiobjetivo. Si una solución dada está "dominada" al menos por
otra, entonces se denomina solución dominada. En este trabajo, las
soluciones dominadas se clasifican de la siguiente manera: si una
solución solo está dominada por otra, entonces se clasifica como
solución de grado 1 (soluciones 4 y 5 en la figura 2); si está dominado
por otras dos soluciones, entonces se denomina solución de grado 2
(soluciones 6 y 7 en la figura 2); etcétera. Por ejemplo, la solución
número 5 es una solución dominada de grado 1 porque solo la
solución 3 tiene mejores valores para las dos funciones objetivo. Las
soluciones no dominadas tienen los mejores valores de aptitud, las
soluciones de grado 2 las peores, y las soluciones de mayor grado no
Fig. 2. Representación de soluciones de una optimización multiobjetivo.
se consideran en la optimización. Un rango (números
entre paréntesis en la Fig.2) se ha asignado a las soluciones del
contiene posiciones cero de la cadena que indica que el corre Higo. 2. Las soluciones no dominadas (soluciones 1, 2 y 3) tienen
Las rutas de distribución esponjosas no se utilizan para la construcción de alimentadores, ordenadas desde el mejor valor al peor valor (desde el rango
y sus posiciones restantes dan las rutas utilizadas y los tamaños 1 del rango 3 respectivamente) solo considerando uno de los dos objetivos
los alimentadores en la solución de red de distribución (tamaños 1, 2, 3t) iv. e funciones (por ejemplo, la función objetivo 1, asumiendo que La
segunda cadena representa las ubicaciones de las subestaciones donde el tomador de decisiones la considera como la más importante).
Las posiciones dan las ubicaciones utilizadas y el tamaño de las soluciones dominadas por suTbh-e construidas de grado 1 (soluciones 4 y 5) y
las estaciones (tamaño 1, 2). En un caso más general, esta cadena podría adlsoominar soluciones de grado 2 (soluciones 6 y 7) son exitosas.
contienen posiciones con valores 0, que representan ubicaciones no usseid vely ordenado con el mismo enfoque que el mencionado anteriormente
para construcción de subestaciones. Además, los alimentadores de reserva son re (tph-at también se aplica para soluciones dominadas de mayor grado).
resentido por las posiciones de la primera cadena, con número entero A Posteriormente, la aptitud [19] de una solución ”“ se obtiene como:
mayor que 100. Por ejemplo, una posición de cadena con el número
103 indica que la ruta de red correspondiente contiene un (Rango del rango de la peor solución del alimentador de reserva de
solución que se ha construido con el tamaño de alimentador número 3. (Rango del rango de la solución de la peor solución
El número de variables enteras (es decir, el número de posiciones de
la cadena de alimentadores y el número de posiciones de la cadena (3)
de subestaciones que pueden cambiar durante la optimización) se
puede calcular con la expresión: donde
(Aptitud de solución (4)
y han sido definidos en la Sección II.
El algoritmo evolutivo trabaja con una población de individuos Por ejemplo, para la solución 5 de la Fig.2: viduales
(soluciones), que pueden evolucionar mediante la aplicación
de varios procedimientos de selección, reproducción, cruce y Aptitud de solución
mutación [19]. Cada posible solución puede ser evaluada (utilizando El diseño óptimo multiobjetivo completo se compone de la
función objetivo), y se le asigna un cierto valor de aptitud para varios procesos de optimización multiobjetivo que se le llevan a
cabo. Por lo tanto, un valor de aptitud más alto se asocia a la solutiosnus sucesivamente. Se detienen automáticamente cuando
el número de con un mejor valor de la función objetivo (soluciones dominadas por la función de evaluación se vuelve igual o
mayor que la función). La aptitud determina una probabilidad mayor o menor para un número de individuos de la población
menos diez. Cuando una solución dada de sobrevivir durante la optimización. Después de usar los acabados del proceso, el
algoritmo evolutivo guarda una muestra de los operadores habituales,
aparecerán otras nuevas, esto conduce a una nueva población (camino uniforme a lo largo de su curva de soluciones no dominadas), y
termina una generación (iteración) del algoritmo evolutivo. El proceso siguiente comienza a partir de estas soluciones no dominadas.

Todos los nuevos operadores, criterios y métodos de un anterior, durante la evolución de los distintos procesos multiobjetivo, papel [18] se
han utilizado en el nuevo algoritmo de este paptehre resultante curva de movimientos de soluciones no dominadas, im- para el diseño
óptimo multiobjetivo de redes de distribuciónp , recorriendo los valores de las dos funciones objetivo de tales soluciones.
así como un algoritmo simplex especial [20], mucho más rápido que el
El movimiento de la curva se ha observado experimentalmente
uno clásico. midiendo el desplazamiento de un punto llamado "centro de
ideales ". Este punto se ubica en el medio del segmento lineal entre
B. Optimización multiobjetivo las soluciones finales no dominadas de la curva, denominadas
El modelo de este trabajo, se puede utilizar para el multiobjectiv “e soluciones ideales ”(solución ideal de costos y solución ideal de
diseño óptimo de sistemas de distribución considerando n objetiverso, responsabilidad). Cuando el desplazamiento del “centro de
ideales” aunque se ha aplicado para dos funciones objetivas (ecois- menor que un valor pequeño dado durante varios costos nomicos
y confiabilidad sucesivos). Para cada solución de diseño del dim procesos de optimización s-ultiobjetiva, entonces se ha notado
sistema de distribución, los valores de las dos funciones objetivo art comer la curva de soluciones no dominadas prácticamente se detiene y,
representado como se muestra en la Fig. 2, donde el planificador desea, por tanto, los acabados óptimos multiobjetivo completos del diseño.
RAMÍREZ-ROSADO Y BERNAL-AGUSTÍN: FIABILIDAD Y OPTIMIZACIÓN DE COSTOS PARA LA EXPANSIÓN DE REDES DE DISTRIBUCIÓN 115

TABLA I
DISTRIBUCIÓN SSISTEMAS CHARACTERÍSTICAS

Un nuevo operador, denominado operador "filtro", permite

determinar un límite máximo permitido de los costos económicos
globales de las soluciones del sistema de distribución. Así, el
planificador establece un valor porcentual (valor del operador “filtro”)
representado en un porcentaje de incremento, que debe aplicarse a la
función objec () valor de costo de la solución ideal de costo, para
determinar el citado límite económico. Por lo tanto, el operador de
filtrado lleva a eliminar soluciones costosas con costos económicos
globales mayores que ese límite. De esta forma, se descartan
soluciones de red de distribución con demasiados alimentadores de
reserva y, por tanto, soluciones insatisfactorias para el planificador.

IV. COMPUTACIONAL RESULTADOS

El nuevo algoritmo evolutivo se ha aplicado de forma intensiva
al diseño óptimo multiobjetivo de varios sistemas de distribución
de tamaño real. Se ha utilizado un PC compatible (CPU Pentium
150 MHz y 16 Mb de RAM) con el sistema operativo Linux
3.0 y el compilador gcc.
La Tabla I muestra las características relevantes de tres sistemas de
distribución reales utilizados para probar el algoritmo evolutivo.
La mayoría de los datos de las redes de distribución han sido proporcionados por un
Empresa eléctrica española. Observe la gran cantidad de variables 0–F1yo G. 3. Red de distribución actual y futura propuesta para el caso 2.
de las tres redes de distribución indicando que la complejidad de la optimización y las dimensiones de estas redes
son significativamente mayores que la mayoría de las descritas habitualmente en PAGOWER DEMAND
TABLA II REQUIPOS, EN kVA, PARA EL D
ISTRIBUCIÓN
norteETWORK norteODES
documentos técnicos.
En este trabajo solo se presentarán los principales datos y resultados del
caso 2 debido a la falta de espacio. La Fig.3 muestra la red de
alimentadores de 10 kV existente (segmentos más oscuros), para el caso 2,
y las rutas propuestas (segmentos restantes) para el futuro edificio de
alimentadores subterráneo con dos tamaños de alimentadores propuestos,
13 400Al y 3150Al, que también son los tamaños de alimentador de los
alimentadores existentes. El tamaño de la subestación de distribución
existente es de 40 MVA y se propone construir una futura subestación en el
nodo 182 w con dos tamaños propuestos de 8 MVA y 40 MVA. La Tabla II
muestra las demandas de potencia de los nodos de la red de distribución,
que se han incluido correlativamente desde el nodo número 1 hasta el
nodo número 180.
La Tabla III da resultados relevantes de los ocho procesos de optimización multiobjetivo del diseño óptimo multiobjetivo completo que han
conducido a la curva de soluciones no dominadas final. Esta Tabla III proporciona, para cada proceso (definido en la Sección III), los valores de
la función objetivo (“costo” en millones de pesetas, y “” en kWh) de las soluciones ideales, el número de genera-desde el punto de vista de la
fiabilidad y en opaciones radiales (Gen.) y los valores de la función objetivo del mejor estado de funcionamiento ( operación radial — mejor
confiabilidad). La solución completa de red de malla lógica para el sistema de distribución ultiobjetivo, el diseño óptimo finaliza cuando el
criterio de parada
116 TRANSACCIONES IEEE EN SISTEMAS DE ENERGÍA, VOL. 16, NO. 1 DE FEBRERO DE 2001

TABLA III El eje horizontal representa los valores de la función objetivo de

RELEVANTE RESULTADOS DELPAGROSAS DELCOMPLETOMETROULTIOBJETIVO
coste en pesetas y el eje vertical los valores en kWh. Figura 4
OPTIMAL DESIGN
contiene las soluciones no dominadas después de 100 generaciones
(representadas por el símbolo), las soluciones al final del segundo
proceso (símbolo), y las soluciones al concluir el diseño completo
(símbolo) que constituyen una curva de soluciones no dominadas. El
algoritmo no obtiene el conjunto completo de soluciones no dominadas,
ya que un algoritmo evolutivo no garantiza el conjunto óptimo desde un
punto de vista matemático estricto. Sin embargo, de acuerdo con
nuestras pruebas computacionales intensivas de nuestro algoritmo, los
resultados obtenidos por computadora indican que el algoritmo obtiene
una buena curva práctica de soluciones no dominadas muy cercana a la
óptima.
Luego, luego de analizar la curva de las soluciones finales no
dominadas, el planificador puede seleccionar la solución definitiva no
dominada, teniendo en cuenta simultáneamente los valores más
satisfactorios de las dos funciones objetivo. Creemos que el conjunto de
soluciones no dominadas es el mejor conjunto que se le puede ofrecer al
planificador para seleccionar la mejor solución satisfactoria de dicho
conjunto. Además, podría decidir utilizar un valor de costo de
confiabilidad y, por lo tanto, seleccionar la solución no dominada que sea
la más "cercana" a dicha condición de costo de confiabilidad.
Como se mencionó anteriormente, la Fig. 3 muestra la red de
distribución propuesta existente y futura para el caso 2. La Fig. 5 muestra
la solución no dominada multiobjetivo final seleccionada en este trabajo,
correspondiente a la no dominada que representa el sistema de
distribución topológicamente mallado en estado operativo radial con la
mejor confiabilidad lograda por el diseño óptimo multiobjetivo completo.
Sus alimentadores de reserva están representados por segmentos
discontinuos.
Por otro lado, la mejor solución monoobjetivo correspondiente a la
expansión económica global óptima del sistema de distribución se ha
obtenido a partir del modelo de diseño óptimo monoobjetivo
mencionado en la Sección II de este trabajo. Por tanto, se pueden
observar las diferencias topológicas entre la solución monoobjetivo y
la solución multiobjetivo seleccionada. Por lo tanto, existen 61
diferencias, en términos de tamaños de comederos, entre las dos
soluciones. Por lo tanto, observe que la optimización simultánea de la
función de costo económico y la función de confiabilidad del sistema
de distribución de energía tiene una influencia muy significativa en el
resultado de la optimización, cuando se compara con la clásica
optimización simple de los costos económicos.

Se han obtenido resultados informáticos similares a partir del

diseño óptimo multiobjetivo y del monoobjetivo para el caso 1 y
el caso 3, al analizar las diferencias topológicas entre las
Fig. 4. Evolución de la curva de soluciones no dominadas. soluciones del sistema de distribución obtenidas.
La Tabla IV muestra los costos fijos del alimentador (F.Costs), la variable
costos (V.Costs) y los valores de la función objetivo de la
(mencionado en la Sección III de este documento) se cumple, lo que demuestra que
costes económicos (OFCosts), en millones de pesetas, así como
el movimiento de la curva de soluciones no dominadas practica-
los valores en kWh, para los tres casos, correspondientes
cally se detiene. La tasa de cruce utilizada es 0,3 y la tasa de mutación
a las soluciones del modelo de diseño óptimo multiobjetivo
0.02 en todos los procesos ejecutados. La población es de 150 indios.
(Multiob) y del monoobjetivo (Objeto Único).
individuales en los primeros cuatro procesos, y 200 en los últimos cuatro.
La Tabla V muestra el porcentaje de variación (% VAR) para cada uno
El filtro de operador es del 15% para los primeros 7 procesos y del 10% para
de los costes económicos y para el, donde
el último.
La figura 4 muestra parcialmente la evolución de la curva de valor no omi- Multiob Valor de Objeto único
soluciones integradas durante el diseño multiobjetivo completo. El valor de Objeto Único
RAMÍREZ-ROSADO Y BERNAL-AGUSTÍN: FIABILIDAD Y OPTIMIZACIÓN DE COSTOS PARA LA EXPANSIÓN DE REDES DE DISTRIBUCIÓN 117

TABLA V
PAGERCENTAGE DEVARIACIÓN DE miCONÓMICO COSTS Y DEFEENS

modelo de diseño, es lógicamente menor que el del modelo

multiobjetivo, lo que se puede explicar considerando que la solución
multiobjetivo seleccionada contiene inversiones en alimentadores de
reserva y grandes inversiones en alimentadores construidos en
operación. Luego, las soluciones del sistema de distribución tanto de
diseño óptimo (multiobjetivo y objetivo único) presentan diferentes
estructuras topológicas de la red de distribución, lo que ilustra la
influencia significativa que la optimización simultánea de varios objetivos
puede tener en las soluciones de diseño del sistema de distribución. La
comparación del algoritmo multiobjetivo de este trabajo (algoritmo
evolutivo) con otros existentes (para sistemas de distribución de
dimensiones significativas) no ha sido posible ya que dichos algoritmos
existentes no son capaces de considerar las características de nuestro
modelo matemático utilizado en este trabajo. En términos de ahorro
computacional, la superioridad de una versión preliminar de nuestro
algoritmo (utilizando un modelo de planificación monoobjetivo simple
anterior) se puede encontrar en algunos trabajos previos en [16]. Esta
superioridad se hizo más evidente cuando aumentó el número de
variables binarias del modelo.

V. CONCLUSIÓN
Las conclusiones se presentan en cuatro apartados: a) Modelo para el
diseño óptimo multiobjetivo de sistemas de distribución de energía.
b) Nuevo algoritmo evolutivo desarrollado para el diseño óptimo.
c) Resultados informáticos. d) Obras futuras.
Fig. 5. Solución del modelo de diseño óptimo multiobjetivo.
a) Un modelo de optimización de pro-
Se ha presentado la programación para el diseño
TABLA IV
COMPUTER RESULTADOS FROM EL OPTIMAL DISTRIBUCIÓN SSISTEMAS
óptimo multiobjetivo de redes de distribución, logrando
DESIGN METROODELES la expansión óptima de un sistema de distribución
existente, para satisfacer sus demandas futuras de
energía proyectadas, determinando el
dimensionamiento y ubicación óptimos de los
alimentadores futuros (alimentadores de reserva y
alimentadores de operación) y subestaciones, y los
refuerzos óptimos de los alimentadores y / o sustitución
de los alimentadores existentes así como el aumento de
tamaño óptimo de las subestaciones existentes. Este
modelo se puede utilizar para optimizar
simultáneamente objetivos y se ha aplicado para la
Así, para todos los casos de diseño óptimos llevados a cabo, la inversión del minimización simultánea de una función objetivo de los
alimentador (alimentadores construidos en operación y alimentadores de reserva verdaderos costos económicos no lineales y una función
construidos) es mayor en la solución de diseño multiobjetivo que en la única. objetivo que representa la confiabilidad de la red de
objetivo uno, lo que conduce a una disminución importante distribución adecuada para un diseño óptimo, sujeto a
de los valores de la función de (), es decir, logra una restricciones matemáticas que reflejan las características
mejora significativa en la confiabilidad del diseño óptimo técnicas. aspectos del diseño.
Redes de distribución firmadas. El valor de la función objetivo de la b) Se ha desarrollado un nuevo algoritmo evolutivo a los costos
económicos globales, para la solución a partir del único objetivo de complementar el modelo mencionado, utilizando un alfabeto entero
118 TRANSACCIONES IEEE EN SISTEMAS DE ENERGÍA, VOL. 16, NO. 1 DE FEBRERO DE 2001

que nos permite considerar aspectos relevantes de la óptima[7]
diseñar fácilmente, como varios tamaños para los alimentadores y subestaciones, y
alimentadores de reserva para mejorar de manera óptima el[8]
confiabilidad de la red de distribución. En el algoritmo evolutivo se
ha aplicado un nuevo operador, denominado operador “filtro”, para
[9]
que el planificador limite las inversiones en alimentadores de
reserva. Este operador también contribuye a mejorar
progresivamente los valores de las dos funciones objetivo de las
[10]
soluciones que constituyen la curva de soluciones no dominadas
durante la ejecución de un diseño multiobjetivo completo. Además,
el algoritmo evolutivo ha incorporado un nuevo criterio para
[11]
asignar valores de aptitudes a cada una de las soluciones, con
valores de aptitud elevados para las soluciones no dominadas.
Criterios de salvaguardia adecuados[12]
teria para las mejores soluciones y criterios de parada adecuados[13]
también se han utilizado durante la ejecución de los sucesivos
procesos de optimización multiobjetivo y para el diseño de
[14]
optimización multiobjetivo.
c) El modelo de programación no lineal de enteros mixtos y el
K. Naraet al., "Planificación de la expansión de los sistemas de distribución mediante el
intercambio de sucursales en varias etapas,I"EEE Trans. en Power Syste,metrovsol. 7, no. 1,
págs. 208-214, febrero de 1992.
K. Naraet al., “Algoritmo para la planificación de la expansión en los sistemas de
" EE
distribución teniendo en cuenta las fallas Trans. en Power Syste,metrovsol. 9,
I,mi
no. 1, págs. 324-330, febrero de 1994.
IJ Ramírez-Rosado y RN Adams, “Planificación multiobjetivo del perfil óptimo de
tensión en el sistema de distribución de energía eléctricaTsh, "e Revista
Internacional de Computación y Matemáticas en Ingeniería Eléctrica y
Electrónica,gramovol. 10, no. 2, págs. 115-128, junio de 1991.
IJ Ramírez-Rosado y C. Alvarez-Bel, “Optimización del diseño de sistemas de
distribución de energía eléctrica por modo multiobjetivoTlsh,mi " Enterrar-
Revista Nacional de Computación y Matemáticas en Ingeniería Eléctrica y
Electrónica.,gramovol. 13, no. 3, págs. 483–495, septiembre de 1994.
A. Goicoechea, DR Hansen y L. DucksteMETROentu,Análisis de
decisiones objetivas con ingeniería y aplicación comercial.ionnortes
Nueva York: John Wiley and Sons Inc., 1982.
M. Zeleny,Toma de decisiones con múltiples criterios . Nueva York: McGraw-
Hill, 1982.
V. Miranda, JV Ranito y LM Proença, “Algoritmos genéticos en la planificación
óptima de redes de distribución multietapaI,mi"EE Trans. en Power System,s
vol. 9, no. 4, págs. 1927-1933, noviembre de 1994.
Y. Tang, "Planificación del sistema de distribución de energía con modelado y
optimización de confiabilidad",IEEE Trans. en Power Syste,metrovsol. 11, no. 1, págs.
181-189, febrero de 1996.

algoritmo evolutivo han sido probados intensamente por[15] R. Billinton et al., “Factores que afectan el desarrollo de una función de daños
al cliente residencialI,mi" EE Trans. en Power Syste,metrovsol. 2, no.
computadora, para el diseño óptimo multiobjetivo de 1, págs. 204-209, febrero de 1987.
sistemas de distribución reales que presentan di-[dieciséis] IJ Ramírez-Rosado y JL Bernal-Agustín, “Optimización del diseño de la red
mensiones y complejidad de optimización que las que se muestran de distribución de energía mediante aplicaciones de algoritmos
genéticos”,Revista Internacional de Energía y Sistemas de Energíavo, metro
sl.
con frecuencia para un diseño óptimo en documentos técnicos. 15, no. 3, págs. 104-110, 1995.
Además, desde un punto de vista práctico, el nuevo[17] JL Bernal-Agustín, “Aplicación de algoritmos genéticos al diseño óptimo de
algoritmo evolutivo, el modelo y los resultados de la computadora sistemas de distribución de energía”, Tesis doctoral, Universidad de
Zaragoza, España, 1998.
muestran la importancia de lograr el conjunto de nondom[-18] IJ Ramírez-Rosado y JL Bernal-Agustín, “Algoritmos genéticos aplicados al diseño
soluciones adaptadas, así como su potencial de aplicabilidad, en la de grandes sistemas de distribución de energíaES DECIR s,mi"E Trans. sobre
práctica, para estudios de planificación de grandes redes de distribución. Sistema de poder, svol. 13, no. 2, págs. 696–703, mayo de 1998.
DE Goldberg,Algoritmos genéticos en optimización y aprendizaje
Además, el planificador puede obtener los óptimos[l19] automático. Nueva York: Addison Wesley Publishing Inc., 1989.
ubicaciones y tamaños de los alimentadores de reserva que logran[2mi0] JL De La Fuente O'ConnoT r,écnicas de Cálculo para Sistemas de
la mejor confiabilidad del sistema con los costos de expansión más bajos. Ecuaciones, Programación Lineal y Programación EnterBaarcelona,
Reverté, España, 1997.
d) En este momento, estamos trabajando para incluir nuevas características
en el algoritmo, correspondientes a nuevos modelos para
planificación óptima de la operación (ubicación de los dispositivos de protección y conmutación), y para una
Ignacio J. Ramírez-Rosadorecibió el Ph.D. grado en ingenieria electrica
planificación óptima (fu-de la Universidad de Zaragoza (España), en 1986.
escenarios de crecimiento natural, análisis de riesgo y confiabilidad difusa En 1979 se incorporó a la Universidad de Zaragoza, donde ha sido Catedrático
Titular de Universidad y ha sido Subdirector del Departamento de Ingeniería
modelado).
Eléctrica e Informática. Ha estado involucrado en varios proyectos de investigación
en el área de Sistemas de Energía, principalmente en Planificación de Redes y
REFERENCIAS Predicción de Carga. En 1998 se traslada a la Universidad de La Rioja donde es, en
la actualidad, Catedrático del Departamento de Ingeniería Eléctrica.
[1] DI Solet al., “Subestación de distribución óptima y plan de alimentador primario- Desde septiembre de 1984 a diciembre de 1985, estuvo Visitante Asociado de Investigación
a través de la formulación de la red de carga fijaI,mi"EE Trans. en el poderciate y Fulbright Researcher, en el Departamento de Electricidad y Computación
Aparato y sistema , vsol. PAS-101, no. 3, págs. 602-609, marzo de 1982. Ingeniería de la Universidad de Missouri-Columbia bajo el Programa Fulbright
[2] MA El-Kady, “Planificación asistida por computadora de subestación de distribución y diagrama.
vosl. Sus áreas de interés actuales son la planificación integrada de recursos eléctricos y
alimentadores primarios "IEEE Trans. sobre aparatos eléctricos y sistemas,em
PAS-103, no. 6, págs. 1183-1189, junio de 1984. Aplicaciones de nuevas técnicas computacionales y sistemas inteligentes para
[3] JT Boardman y CC Meckiff, “Sistemas de potencia de formulación de rama y límite.
a problemas de planificación de la distribución de electricidadES DECIR , "EE Trans. en el poder
Aparato y sistema , vsol. PAS-104, no. 8, págs. 2112-2118, agosto de 1985.
[4] T. Gönen e IJ Ramírez-Rosado, “Planificación óptima de múltiples etapas de los
sistemas de distribución de energía,I"EEE Trans. en Power Delive,ryvol. José L. Bernal-Agustínha recibido el Ph.D. grado en ingenieria electrica
PWRD-2, no. 2, pp. 512-519, abril de 1987. de la Universidad de Zaragoza (España), en 1998.
[5] IJ Ramírez-Rosado y T. Gönen, “Planificación pseudodinámica para ex-En 1991 se incorporó a la Universidad de Zaragoza, donde es, en la actualidad, pansión de sistemas
de distribución de energíaES DECIR , "EE Trans. en Power Syste,Sra Profesor Asociado. Ha estado involucrado en algunos proyectos de investigación referidos
vol. 6, no. 1, págs. 245-254, febrero de 1991. Optimización de redes de distribución de energía.
[6] J. Partanen, “Un algoritmo de programación dinámica modificado para dimensionar Sus áreas de interés actuales son las aplicaciones de algoritmos evolutivos en la eleclocación y
sincronización de los refuerzos del alimentadorES DECIR, "EE Trans. en el podersistemas eléctricos tric, diseño de redes de distribución de energía, mercados eléctricos y
Entrega, vol. 5, no. 1, págs. 277-283, enero de 1990. fuentes de energía renovable.