Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD # 3
DIMENSIONAMIENTO Y
PLANEACIÓN DE REDES
DE COMUNICACIÓN
PA R A S M A RT G R I D
TABLA DE CONTENIDOS
Esquema ........................................................................................................................................... 3
Breve Descripción del Capítulo ........................................................................................................ 4
Objetivos........................................................................................................................................... 4
3. Dimensionamiento y Planeación de Redes de Comunicación para Smart Grid ..................... 5
3.1. Introducción al dimensionamiento de redes de comunicación. ..................................... 5
3.1.1. Fundamentos de Investigación de Operaciones ..................................................... 5
3.1.2. Estructura de un Problema de Programación Lineal (LP) ....................................... 7
3.1.3. Redes de Comunicación para SG, SC e IoT .............................................................. 9
3.2. Dimensionamiento de Redes Inalámbricas ................................................................... 11
3.2.1. Problema de Cobertura ......................................................................................... 11
3.2.2. Problema de Cobertura y Capacidad ..................................................................... 13
3.3. Dimensionamiento de Redes Guiadas ........................................................................... 14
3.3.1. Introducción a teoría de grafos ............................................................................. 14
3.3.2. Problema general de enrutamiento ...................................................................... 17
3.3.3. Problema de enrutamiento para múltiples flujos ................................................. 18
3.4. Planeación de redes de Comunicación para Smart Grid ............................................... 19
3.4.1. Creación de escenarios .......................................................................................... 19
3.4.2. Redes FiWi, en Smart Grid ..................................................................................... 21
4. Bibliografía ............................................................................................................................. 23
5. GLOSARIO ............................................................................................................................... 24
Esquema
Fundamentos de
Investigación de Operaciones
Introducción al
Estructura de un Problema de
Dimensionamiento de
Programación Lineal (LP)
Redes de Comunicación
Problema de Cobertura
Dimensionamiento de
Redes Inalámbricas
Problema de Cobertura y
Capacidad
Dimensionamiento y Planeación de
Redes de Comunicación para Smart
Grid Introducción a teoría de
grafos
Creación de escenarios
Planeación de redes de
Comunicación para
Smart Grid
Redes FiWi, en Smart Grid
Frase motivacional:
Objetivos
Objetivo General:
• Revisar los fundamentos necesarios de la Investigación de Operaciones, para
tener un mejor entendimiento y comprensión de las herramientas de
optimización, aplicadas al dimensionamiento de Redes de Comunicaciones
Inalámbricas y Guiadas que dan soporte a Sistemas Eléctricos y Redes
Inteligentes.
Objetivos Específicos:
• Entender y aplicar el problema de Set–Cover, en el dimensionamiento de Redes
Inalámbricas.
• Entender y aplicar el problema de Enrutamiento, en el dimensionamiento de
Redes Guiadas.
• Plantear y obtener soluciones factibles de instancias pequeñas, para casos de
estudio en el dimensionamiento de Redes de Comunicaciones, que dan soporte a
Sistemas Eléctricos y Redes Inteligentes.
Se dará inicio, mediante una genérica explicación, de donde proviene el origen y aplicación de
una rama de la optimización como lo es la Investigación de Operaciones (IO). En este amplio
campo pueden encontrarse modelos de índole determinista o estocástica, lo interesante es que
ambos se los puede abordar de una forma simbólica, ver Gráfica 1.
Es primordial tener en consideración, las fases a transitar para poder llegar a modelar un sistema,
estas se exponen en la Gráfica 2.
✓ Datos.
✓ Variables de decisión.
✓ Parámetros.
✓ Restricciones.
✓ Función objetivo.
✓ Medidas de desempeño.
Definiciones de sistema y modelo
Dentro de la IO, es importante distinguir la diferencia que radica entre las definiciones de sistema
y modelo.
Definición de Sistema:
“Un sistema, en el contexto de una organización, se puede definir como un conjunto de actividades
laboralmente clasificadas, coordinadas y jerarquizadas bajo un control de calidad que son
aplicadas a los diferentes departamentos que la conforman, los cuales trabajan
interdependientemente y en equipo con el fi n de obtener un producto o un servicio que deberá
satisfacer las necesidades del consumidor” (Palacios, 2017).
Definición de Modelo:
“Un modelo representa una abstracción relativa y selectiva de aquellos factores dominantes
(restricciones y parámetros) que se encuentran involucrados en la solución de un problema en una
organización, el cual ayuda a los administradores a establecer una decisión objetiva, óptima y
factible que permita lograr la meta deseada” (Palacios, 2017).
El nivel de abstracción de un modelo, puede ser solo parte del gran universo contenido en el
mundo real, es fundamental saber elegir apropiadamente como modelar un mundo real
supuesto, de tal manera, que se asemeje lo más próximo al mundo real, para una mejor
comprensión referirse a la Gráfica 3.
OPTIMIZAR:
𝑚í𝑛.
∨ 𝐹. 𝑂. : 𝑓(ℂ1 𝑥1 + ℂ2 𝑥2 + ⋯ + ℂ𝑘 𝑥𝑘 + ⋯ + ℂ𝑛 𝑥𝑛 ) ⟼ 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜
𝑚á𝑥.
SUJETO A:
𝑅1 ∶ 𝒫1 𝑥1 + 𝒫2 𝑥2 + ⋯ + 𝒫𝑝 𝑥𝑝 = 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 1
⋮
𝑅𝑘 ∶ 𝒬1 𝑥1 + 𝒬2 𝑥2 + ⋯ + 𝒬𝑞 𝑥𝑞 ≤ 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑘 − é𝑠𝑖𝑚𝑎
⋮
𝑅𝑘+1 : ℛ1 𝑥1 + ℛ2 𝑥2 + ⋯ + ℛ𝑟 𝑥𝑟 ≥ 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑘 + 1 − é𝑠𝑖𝑚𝑎
⋮
{ 𝑅𝑚 ∶ 𝒮1 𝑥1 + 𝒮2 𝑥2 + ⋯ + 𝒮𝑠 𝑥𝑠 ≤ 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 𝑓𝑖𝑛𝑎𝑙
{𝑥1 , 𝑥2 , … , 𝑥𝑛 } ; ℕ × 𝕄
Ejemplo de un LP
OPTIMIZAR:
SUJETO A:
𝑅1 ∶ 𝑦 − 4 ≤ 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 1
𝑅2 ∶ 𝑥 + 𝑦 − 5 ≤ 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 2
𝑅3 ∶ 𝑥+ 3 ≥ 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 3
𝑅4 ∶ 𝑥 + 4𝑦 + 7 ≥ 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 4
{ 𝑅5 ∶ −2𝑥 + 𝑦 + 4 ≥ 0 ⟼ 𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖ó𝑛 5
La red inteligente será el soporte para una amplia gama de nuevas aplicaciones y servicios
para una gestión eficiente de la energía en el sistema. Los sensores y dispositivos de
medición en Smart Grid generarán gran cantidad de datos provenientes de los usuarios y
dispositivos de campo, que puede convertirse en información útil empleando técnicas de
minería de datos y gestión del conocimiento. Esta información permitirá monitorear el
estado de los equipos y analizar patrones de consumo de la energía por usuario o zona
geográfica. Información que puede aprovecharse para el diseño y proyección de todo
sistema energético.
“Smart Grid demanda una infraestructura de comunicación que cumpla con ciertos
requerimientos de retardo, confiabilidad, escalabilidad y seguridad” (A. Peralta, 2018).
Metas a conseguir:
Alcances:
Es fundamental, considerar que detallar toda la parte ingenieril de una red inalámbrica,
puede desencadenar en un problema de alta complejidad, ante esta situación, se hace
ineludible simplificar. Como ejemplo, a continuación, se describen algunas de estas
simplificaciones.
Objetivo de solución:
Se pueden tener varias metas alcanzables, que pueden retornar las soluciones factibles y
la óptima del problema de optimización, entre ellas están.
Variables de decisión:
Se requiere realizar la planeación de una red inalámbrica tipo WiFi–AC con canales de
80MHz de ancho de banda, a través, de una portadora de 2,4 GHz. Sobre una región
abierta, donde existen una cantidad 𝑵 de usuarios, que de ahora en adelante se los
denomina como dispositivos del Internet de las Cosas (IoT), que controlan y monitorean
diferentes servicios de un sistema eléctrico y de seguridad.
Para la cobertura se tienen 𝑴 sitios posibles (sitios candidatos), que hacen de UCD
mediante WiFi–AC, vale aclarar que no todos los UCD serán elegidos en el proceso de
solución del problema.
Por otro lado, un IoT se considera cubierto por un UCD, si se encuentra a una distancia
de R = 80 m, además, se determina que un sitio candidato esta activo, si en el mismo se
habilita un UCD.
✓ “Encontrar el coste mínimo de ubicar UCD, de tal manera, que se llegue a cubrir
al menos el 𝝃 = 𝟗𝟓% de los IoT desplegados sobre la región de planeación”
Se aclara, que no se coloca el 100% de cobertura, dado que esto puede conllevar a un
extenso tiempo para resolver el problema, o en su defecto no encontrar soluciones
factibles. Es práctico utilizar índices del porcentaje de cobertura que pueden oscilar entre
𝝃 = 𝟖𝟓– 𝟗𝟓%. Luego de la solución, mediante un proceso de pos–optimización, con
algún criterio técnico, o por ejemplo mediante el barrido de mínimas distancias euclídeas,
de los UCD activos, se pueden cubrir los IoT no cubiertos en primera instancia por el
problema de optimización.
∑ 𝑌𝑗 ≥ 𝜉 𝑁 ; (2)
𝑗=1
𝑀
𝑌𝑗 ≤ ∑ 𝛼𝑖,𝑗 𝑍𝑖 ; ∀𝑗 ∈ 𝑼 (3)
𝑖=1
{𝑍𝑖 , 𝑌𝑗 , 𝛼𝑖,𝑗 } ∈ {0,1}; {ℂ𝑖 , 𝜉} ∈ ℝ (4)
𝑀
𝑭. 𝑶. min ∑ ℂ𝑖 𝑍𝑖 (5)
𝑖=1
𝒔𝒖𝒋𝒆𝒕𝒐 𝒂: 𝑁
∑ 𝑌𝑗 ≥ 𝜉 𝑁 ; (6)
𝑗=1
𝑀
𝑌𝑗 = ∑ 𝑋𝑖,𝑗 ; ∀𝑗 ∈ 𝑼 (7)
𝑖=1
𝑁
∑ 𝑋𝑖,𝑗 ≤ 𝒞 𝑍𝑖 ; ∀𝑖 ∈ 𝑺 (8)
𝑗=1
𝑋𝑖,𝑗 ≤ 𝛼𝑖,𝑗 𝑍𝑖 ; ∀𝑖 ∈ 𝑺, ∀𝑗 ∈ 𝑼 (9)
{𝑍𝑖 , 𝑌𝑗 , 𝑋𝑖,𝑗 , 𝛼𝑖,𝑗 } ∈ {0,1}; {ℂ𝑖 , 𝜉, 𝒞} ∈ ℝ (10)
Alcances:
Definición:
Grafo Dirigido: cuando sus aristas tienen un solo sentido de dirección, en la Gráfica 10 se
representa un ejemplo y sus datos en las ecuaciones (11)–(14).
𝑉 = {1,2,3,4,5} (11)
𝐸 = {{1,2}, {1,3}, {2,4}, {2,5}, {4,1}, {4,3}, {4,5}} (12)
𝑁 = |𝑉| = 5 (13)
𝑀 = |𝐸| = 7 (14)
𝑉 = {1,2,3,4,5} (15)
𝐸 = {{1,2}, {1,3}, {1,4}, {2,1}, {2,4}, {2,5}, {3,1}, {3,4}, {4,1}, {4,2}, {4,3}, {4,5}, {5,2}, {5,4}} (16)
𝑁 = |𝑉| = 5 (17)
𝑀 = |𝐸| = 14 (18)
Matriz de adyacencia: Se tiene un grafo 𝑮 = (𝑽, 𝑬), donde, una matriz de adyacencia se
define como 𝑀(𝑮) ∈ 𝓜𝑽×𝑽 en la ecuación (20):
Matriz de incidencia: Se tiene un grafo 𝑮 = (𝑽, 𝑬), donde, una matriz de incidencia se
define como 𝐻(𝑮) ∈ 𝓜𝑽×𝑬 en la ecuación (21):
1, si 𝑖 = 𝑠
𝛼𝑖 = { −1, si 𝑖 = 𝑡 ; (24)
0, si 𝑖 ≠ 𝑠, 𝑖 ≠ 𝑡
{𝑋𝑖,𝑗 } ∈ {0,1}; {𝛼𝑖 } ∈ {−1,0,1}; {𝑑𝑖,𝑗 } ∈ ℝ (25)
✓ Plantear como ejemplo, un escenario lo más apegado al mundo real, para realizar
el dimensionamiento de redes de comunicaciones inalámbricas y guiadas.
✓ Integrar los problemas de cobertura y enrutamiento general, a través, de dos
etapas de solución.
✓ Obtener resultados factibles, que lleguen en cierta forma a optimizar la región de
planeación para el ejemplo en estudio.
✓ Interpretar y graficar los resultados para el dimensionamiento de las redes de
comunicaciones para el ejemplo en estudio.
Alcances:
Los catálogos y hojas técnicas, de los equipos resumen las siguientes características
detalladas en la Tabla 1.
EQUIPO CARACTERÍSTICAS
UCD • Portadora 2,4 GHz
• Canales de 40 MHz, 80 MHz
• Tipo WiFi–AC–MIMO (2)
• Velocidades 300 Mbps, 600 Mbps
• Radios de Cobertura Exteriores [50–150] m
• Seguridad WPA3(AES), WPA2(AES)
IoT
• Acceso con WiFi–AC
• Portadora 2,4 GHz
• Velocidades de Tx/Rx [100-500] Kbps
• Seguridad WPA3(AES), WPA2(AES)
Una representación del escenario de las ubicaciones de los IoT, CPC, SCM, y los sitios
candidatos para los UCD, se puede apreciar en la Gráfica 15.
GRÁFICA 15: UBICACIONES DE UCD, IOT, CPC, Y SCM PARA EL ESCENARIO DEL CASO DE ESTUDIO. FUENTE: AUTOR
La Gráfica 16, presenta regiones de cobertura de los UCD y el grafo G(V,E) para enlaces
candidatos por donde pasará la red de fibra óptica. Es fundamental que la ubicación de
los UCD, CPC, SCM, estén sobre vértices/nodos del grafo G(V,E).
GRÁFICA 16: REGIONES DE COBERTURA Y GRAFO G(V,E) PARA ESCENARIO DEL CASO DE ESTUDIO. FUENTE: AUTOR
Para resolver la primera parte del caso de estudio, se utilizó el problema de Cobertura,
para lo cual se ubicaron siete UCD candidatos con un radio promedio de cobertura de
𝑹 = 𝟏𝟐𝟎 𝒎, en la región se han desplegado 216 dispositivos IoT (ver Gráfica 16). Los AP
que sean elegidos como UCD, serán emplazados en postes de madera tratada de 6 m de
altura, el índice de cobertura total se estableció en 𝝃 = 𝟗𝟎%.
Con la ayuda del software MatLab® y LP–SolveIDE–GPL, se resolvió dando como resultado más
factible los datos indicados en la Tabla 2.
EQUIPO RESULTADOS
• UCD - Elegidos • {𝑍1, 𝑍3, 𝑍4, 𝑍5}
• Cantidad de IoT – Cubiertos • 196
• Cantidad de IoT – No Cubiertos • 20
Para resolver la segunda parte del caso de estudio, se procedió a tomar los sitios
candidatos elegidos UCD de la primera parte de Cobertura, y mediante el problema de
Enrutamiento General, determinar las rutas de mínimo coste para Tx/Rx de información
desde/hacia el CPC y la SCM, se añadió dos nodos/vértices {𝒗𝟏𝟎 , 𝒗𝟏𝟏 } para poder tener
más opciones de canalización, dado que físicamente en el sistema de ductos se tiene en
esas posiciones pozos de revisión, y esto facilitaría el paso de los cables de fibra óptica
(Red EPON a 10 Gbps), aunque pueden no ser elegidos en el proceso de optimización.
Con la ayuda del software MatLab® y LP–SolveIDE–GPL, se resolvió dando como resultado más
factible los datos indicados en la Tabla 3.
Se sugiere consultar (A. Peralta et al., 2017; A. G. Peralta, 2018), para una mayor
profundización de como integrar los problemas de Cobertura y Enrutamiento General en
un solo problema de optimización MILP, además, se analiza en detalle la escalabilidad y
escenarios para una demanda cambiante utilizando Programación Estocástica Multietapa
(Multistage Stochastic Programming, MSP).
4. Bibliografía
Ausiello, G., Marchetti-Spaccamela, A., Crescenzi, P., Gambosi, G., Protasi, M., & Kann, V. (1999).
Complexity and Approximation. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-
642-58412-1
Garey, M. R., & Johnson, D. S. (1979). Computers and Intractability: A Guide to the Theory of NP-
completeness. W. H. Freeman. https://books.google.com.ec/books?id=fjxGAQAAIAAJ
Inga-Ortega, E., Peralta-Sevilla, A., Hincapie, R. C., Amaya, F., & Tafur Monroy, I. (2015). Optimal
dimensioning of FiWi networks over advanced metering infrastructure for the smart grid.
2015 IEEE PES Innovative Smart Grid Technologies Latin America (ISGT LATAM), 30–35.
https://doi.org/10.1109/ISGT-LA.2015.7381125
Peralta-Sevilla, A. G., Amaya-Fernandez, F., & Hincapie, R. (2014). Multiservice hybrid WDM/TDM-
Peralta-Sevilla, A., Inga, E., Cumbal, R., & Hincapie, R. (2015). Optimum deployment of FiWi
Networks using wireless sensors based on Universal Data Aggregation Points.
Communications and Computing (COLCOM), 2015 IEEE Colombian Conference on, 1–6.
https://doi.org/10.1109/ColComCon.2015.7152079
Peralta-Sevilla, Arturo, & Amaya-Fernández, F. (2013). Evolución de las redes eléctricas hacia
Smart Grid en países de la Región Andina. Revista Educación en Ingeniería, 8(15), 48–61.
http://www.educacioneningenieria.org/index.php/edi/article/view/285
Peralta, A., Inga, E., & Hincapié, R. (2017). Optimal Scalability of FiWi Networks Based on
Multistage Stochastic Programming and Policies. Journal of Optical Communications and
Networking, 9(12), 1172. https://doi.org/10.1364/JOCN.9.001172
Peralta Sevilla, A., Inga Ortega, E., & Hincapie, R. (2015). FiWi Network Planning for Smart
Metering Based on Multistage Stochastic Programming. IEEE Latin America Transactions,
13(12), 3838–3843. https://doi.org/10.1109/TLA.2015.7404917
5. GLOSARIO
Frase Motivadora:
_______________________________________