Capitulo 3 Dimensionamiento y Planeación de Redes de Comunicación para Smart Grid

ÉTICA
UNIDAD # 3
DIMENSIONAMIENTO Y
PLANEACIÓN DE REDES
DE COMUNICACIÓN
PA R A S M A RT G R I D
Áre a d e Con o ci mie nto | C ien cia y Te cn olo gí a

Re a li zado por: Dr. Artu ro Pe ra lta Se vi lla.
3. Dimensionamiento y Planeación de Redes de Comunicación para Smart Grid – Dr. Arturo Peralta Sevilla
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
Universidad Politécnica Salesiana – Carrera de Electricidad

Página No. 2
Esquema
Fundamentos de
Investigación de Operaciones
Introducción al
Estructura de un Problema de
Dimensionamiento de
Programación Lineal (LP)
Redes de Comunicación
Redes de Comunicación para

SG, SC e IoT
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
Dimensionamiento de Problema de enrutamiento

Redes Guiadas general
Problema de múltiples flujos
Creación de escenarios
Planeación de redes de
Comunicación para
Smart Grid
Redes FiWi, en Smart Grid

Página No. 3
Breve Descripción del Capítulo

El presente capítulo, propone la revisión de fundamentos y criterios necesarios, para
poder realizar el dimensionamiento y planeación de redes de comunicaciones que dan
soporte a Redes Eléctricas Inteligentes (Smart Grid, SG), Ciudades Inteligentes (Smart City,
SC) y el Internet de la Cosas (Internet of Things, IoT).
Ya adentrándose a un campo más específico, el capítulo aborda temas relevantes para

poder dimensionar redes mediante el uso de medios inalámbricos, basándose en dos
problemas clásicos de Programación Lineal Entera (Integer Linear Programming, ILP),
como lo son el de cobertura, cobertura y capacidad (Set–Cover Problem, SCP), por otro
lado, si las redes son desplegadas, a través, de medios guiados se tomará como base los
problemas de enrutamiento general y enrutamiento de múltiples flujos, tipo
Programación Lineal Entera Mixta (Mixed Integer Linear Programming, MILP).
Se da cierre, implementando los modelos antes citados, e integrándolos a regiones de

planeación con escenarios relativamente pequeños, que dan soporte a SG, SC e IoT.
Frase motivacional:
“De la sana educación de la juventud, depende la felicidad de las naciones”

San Juan Bosco, sdb.
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.

Página No. 4
3. Dimensionamiento y Planeación de Redes de

Comunicación para Smart Grid
3.1. Introducción al dimensionamiento de redes de

comunicación.
3.1.1. Fundamentos de Investigación de Operaciones
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.
GRÁFICA 1: CLASIFICACIÓN DE MODELOS EN IO. FUENTE: (PALACIOS, 2017)
Es primordial tener en consideración, las fases a transitar para poder llegar a modelar un sistema,
estas se exponen en la Gráfica 2.
GRÁFICA 2: FASES PARA MODELAR UN SISTEMA. FUENTE: (PALACIOS, 2017)

Página No. 5
Con respecto a los componentes, que conforman la estructura matemática de un modelo, se

debe tener en cuenta (Palacios, 2017):
✓ 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.
GRÁFICA 3: NIVEL DE ABSTRACCIÓN EN EL DESARROLLO DE UN MODELO. FUENTE: (TAHA, 2017)

Página No. 6
3.1.2. Estructura de un Problema de Programación Lineal (LP)
La estructura de un Problema de Programación Lineal (LP), permite realizar la prescripción del

modelo de un sistema, con miras de realizar la optimización del mismo. Entre los elementos
importantes que lo conforman se detalla en la Gráfica 4.
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
VARIABLES DE DECISIÓN Y DIMENSIONAMIENTO:
{𝑥1 , 𝑥2 , … , 𝑥𝑛 } ; ℕ × 𝕄
GRÁFICA 4: ESTRUCTURA DE UN PROBLEMA DE PROGRAMACIÓN LINEAL. FUENTE: AUTOR
Para encontrar soluciones factibles y la óptima, cuando el número de variables no

excedan de tres se puede aplicar métodos gráficos, sin embargo, al sobrepasar las tres
variables es necesario soportar la ayuda de algún método de solución analítico (Simplex,
Simplex Dual o Generador de Columnas), o a través, de algoritmos que presenten
convergencia polinomial (heurísticas, metaheurísticas).
Hoy en día, ya se disponen de herramientas de software para poder determinar

soluciones factibles a problemas de LP, entre ellas están GeogebraGPL, LP–SolveIDE–GPL,
GAMS©, MatLab®, por citar algunos.
Ejemplo de un LP
Para matizar, la estructura de un LP y sus posibles soluciones, se procede a plantear un

ejemplo, con un problema genérico. La formulación matemática del problema, haciendo
uso de los fundamentos revisados anteriormente de la IO y LP, se expone en la Gráfica 5.
El objetivo es minimizar la Función Objetivo (FO), además, se tienen cinco restricciones
que delimitan la región que en este caso es convexa. Con respecto, a las variables de
decisión se tienen dos y pertenecen al dominio de los números reales positivos.

Página No. 7
OPTIMIZAR:
𝐹. 𝑂. : 𝑚𝑖𝑛: 2𝑥 − 3𝑦 ⟼ 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜
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
VARIABLES DE DECISIÓN Y DIMENSIONAMIENTO:
{𝑥, 𝑦} ≥ 0 ; (𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠)2 × 5(𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠)
GRÁFICA 5: FORMULACIÓN DEL PROBLEMA EJEMPLO MEDIANTE LP. FUENTE: AUTOR
La solución gráfica se puede observar en la Gráfica 6, siendo el mínimo el punto

𝒎í𝒏: (𝟎, 𝟒), y el valor de la 𝑭. 𝑶.: −𝟏𝟐.
GRÁFICA 6: SOLUCIÓN GRÁFICA DEL EJEMPLO LP. FUENTE: AUTOR
GRÁFICA 7: CODIFICACIÓN DEL EJEMPLO EN LP–SOLVE IDE–GPL . FUENTE: AUTOR

Página No. 8
Una codificación y solución en el software LP–SolveIDE–GPL, se detalla en la Gráfica 7.
3.1.3. Redes de Comunicación para SG, SC e IoT
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).
La arquitectura de comunicación de Smart Grid está conformada por varios segmentos:

Red de Área del Hogar (HAN), Red de Área de Vecindario (NAN), Red de Área
Metropolitatan (MAN) y Red de Área Amplia (WAN). Diferentes tecnologías de
comunicación cableada e inalámbrica se han propuesto para los diferentes segmentos.
En la Gráfica 8, se presenta una arquitectura de comunicaciones totalmente distribuida
para Smart Grid. La red de comunicaciones en Smart Grid es un típico ejemplo de un
sistema ciber–físico, en el que gran cantidad de datos de cientos de miles de contadores
inteligentes son recogidos y procesados. La escalabilidad es uno de los temas más
importantes para la implementación de Infraestructura de Medición Avanzada (AMI), en
la red eléctrica inteligente y se han propuesto varias alternativas (A. Peralta, 2018).
GRÁFICA 8: ARQUITECTURA DE COMUNICACIONES DISTRIBUIDA PARA AMI.
FUENTE: (ARTURO PERALTA-SEVILLA & AMAYA-FERNÁNDEZ, 2013)

Página No. 9
Trabajos de ( A. G. Peralta-Sevilla, Amaya-Fernandez, & Hincapie, 2014; A. Peralta-Sevilla,

Inga, Cumbal, & Hincapie, 2015; Arturo Peralta-Sevilla, Hincapie, & Amaya-Fernandez,
2014; Peralta Sevilla, Inga Ortega, & Hincapie, 2015; Inga-Ortega, Peralta-Sevilla,
Hincapie, Amaya, & Tafur Monroy, 2015) investigan la escalabilidad de diferentes
arquitecturas de comunicación para AMI, y que a la vez pueden dar soporte a servicios
ofertados para SC e IoT. En cada arquitectura, se formula un problema de optimización y
se obtienen soluciones para minimizar el coste total del sistema, donde se consideran los
costes de utilizar medios de transmisión inalámbricos y guiados en el despliegue de la
topología, y la ubicación del Sistema de Gestión de los Datos Medidos (Meter Data
Management System, MDMS).
En el artículo de (Arturo Peralta-Sevilla & Amaya-Fernández, 2013), se presenta un

esquema de comunicación cooperativa para la recopilación de datos medidos en SG en
redes NAN. En este caso, múltiples comunidades deciden estratégicamente como
transmitir los datos hacia la unidad concentradora denominada como Punto de
Concentración de Datos (Data Aggregator Point, DAP) y luego al MDMS (ver Gráfica 9).
Mediante procesos de enrutamiento, interoperable layer crossover en protocolos de
comunicación y cobertura pueden existir equipos denominados Puntos de Agregación de
Datos Universal (UDAP). Los UDAPs pueden manejar varias frecuencias con diferentes
estándares, de forma que el coste de transmisión individual (costo energético y costo de
transmisión) se reduzca al mínimo.
GRÁFICA 9: ESQUEMA COOPERATIVO PARA RECOLECCIÓN DE DATOS EN NAN
FUENTE: (ARTURO PERALTA-SEVILLA & AMAYA-FERNÁNDEZ, 2013)
Además de la escalabilidad, la red de comunicaciones en SG debe garantizar un retardo

mínimo para responder a una posible falla o cambio, entonces es necesario incrementar
la cobertura, capacidad y confiabilidad para transportar eficientemente la información.

Página No. 10
3.2. Dimensionamiento de Redes Inalámbricas
Metas a conseguir:
✓ Esbozar criterios técnicos necesarios, para llegar a modelar el dimensionamiento

de Redes Inalámbricas.
✓ Describir y aplicar la formulación de dos problemas clásicos utilizando
formalismos matemáticos apropiados; como son los problemas de Cobertura,
Cobertura y Capacidad, sobre la base del Set–Cover Problem (SCP).
✓ Obtener soluciones a instancias reducidas, a través, de la utilización de
herramientas de software para optimización.
Alcances:
✓ Cuando los escenarios a resolver sean de un tamaño considerable, se presenta

complejidad computacional (Ausiello et al., 1999; Garey & Johnson, 1979), lo cual
demanda buscar otras metodologías y técnicas para llegar a encontrar soluciones
factibles. Queda fuera del alcance de este curso el cubrir teoría algorítmica que
permite escalar al dimensionamiento de escenario grandes, pero se sugiere
revisar algoritmos de convergencia polinomial como lo son: greedy, clustering (k–
means, k–medoids, etc.)
✓ Los escenarios a ser planteados serán en una dimensión ℝ2 , no georreferenciada.
3.2.1. Problema de Cobertura
Modelo del Sistema:
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.
✓ No se incluye dentro de la formulación del problema, un modelo de propagación

desde el punto de acceso hacia el usuario.
✓ Dependiendo de los estándares y protocolos a utilizar, se puede explorar bases
de datos estadísticos, en casos de estudio implementados de manera exitosa, y
adoptar criterios considerando radios de cobertura constantes.
✓ La atenuación puede afectar al valor del radio de cobertura.
✓ No se considera la capacidad de los puntos de acceso (AP) o unidades
concentradoras de datos (UCD).
✓ La altura y cantidad de antenas por AP o UCD, se deberá detallar pos–
optimización.
✓ Análisis de anchos de banda ocupados y disponibles por canal se deberá realizar
pos–optimización.
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.

Página No. 11
✓ Cubrir en lo posible la mayor área de la región de planeación.

✓ Cubrir sobre la base de un índice que delimita la mínima área de cobertura de la
región de planeación.
✓ Determinar el menor coste o cantidad de los AP o UCD.
Variables de decisión:
✓ Control de cobertura, o potencia de radiación.

✓ Designación de ubicaciones de los sitios candidatos elegidos para AP o UCD.
✓ Designación del canal de operación dependiendo de las radios transmisoras
disponibles.
Descripción del problema mediante restricciones de cobertura:
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.
Considerando lo descrito previamente, el problema de optimización se puede definir así:
✓ “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.
Formulación del problema de optimización de cobertura mediante formalismos

matemáticos:
✓ Se define, los sitios candidatos de los UCD mediante el conjunto

𝑺 = {𝑠1 , 𝑠2 , 𝑠3 , … , 𝑠𝑀 }, la ubicación del sitio candidato 𝑖 − é𝑠𝑖𝑚𝑜 se encuentra en
las coordenadas (𝑥𝑠𝑖 , 𝑦𝑠𝑖 ).
✓ Se define, que los IoT están representados por el conjunto
𝑼 = {𝑢1 , 𝑢2 , 𝑢3 , … , 𝑢𝑁 } , la ubicación del IoT 𝑗 − é𝑠𝑖𝑚𝑜 se encuentra en las
coordenadas (𝑥𝑢𝑗 , 𝑦𝑢𝑗 ).
✓ Se define la variable auxiliar 𝛼𝑖,𝑗 ∈ {0,1}, que hace de 𝑠𝑤𝑖𝑡𝑐ℎ cuando un 𝐼𝑜𝑇𝑗 es
cubierto por un 𝑈𝐶𝐷𝑖 , entonces el valor es 1. Caso contrario el valor es 0.

Página No. 12
✓ Un UCD candidato 𝑺𝒊 , es representado por la variable 𝑍𝑖 ∈ {0,1}. Cuando el valor

es 1, significa que el sitio candidato 𝑖, se encuentra activo.
✓ Un IoT 𝑈𝑗 , es representado por la variable 𝑌𝑗 ∈ {0,1} . Cuando el valor es 1,
significa que el IoT es cubierto por al menos un sitio candidato.
✓ Una restricción, que condiciona los UCD activos que dan cobertura a los IoT se
define como: 𝑌𝑗 ≤ ∑𝑀 𝑖=1 𝛼𝑖,𝑗 𝑍𝑖 . Cuando un sitio candidato activo (UCD), no cubre
a un IoT la variable 𝑌𝑗 = 0, consecuentemente se concluye que el IoT no es
cubierto.
✓ El índice de cobertura 𝝃 = 𝟗𝟓% para los IoT dentro de la región de planeación,
puede ser representado por la restricción: ∑𝑁 𝑗=1 𝑌𝑗 ≥ 𝜉 𝑁 .
✓ Finalmente, si el coste unitario de cada UCD está dado por ℂ𝑖 , la función objetivo
del problema es minimizar el coste de ubicar sitios candidatos que sean activos,
cuya representación es: min ∑𝑀 𝑖=1 ℂ𝑖 𝑍𝑖 .
✓ Integrando todas las ecuaciones anteriores, representaría la formulación
matemática del problema de optimización de cobertura, según la teoría de
complejidad es del tipo 𝑵𝑷 − 𝑪𝒐𝒎𝒑𝒍𝒆𝒕𝒆, exponiéndolo en forma completa en
las ecuaciones (1)– (4):
𝑀
𝑭. 𝑶. min ∑ ℂ𝑖 𝑍𝑖 (1)
𝑖=1
𝒔𝒖𝒋𝒆𝒕𝒐 𝒂: 𝑁
∑ 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)
3.2.2. Problema de Cobertura y Capacidad
✓ Si ahora, el problema a resolver sobre la base del problema de cobertura, se

adiciona la capacidad 𝒞 de equipos IoT, que soporta simultáneamente a cubrir los
UCD. El problema se define como:
✓ “Encontrar el coste mínimo de ubicar UCD (con una capacidad 𝒞 limitada de IoT
simultáneos cubiertos), de tal manera, que se llegue a cubrir al menos el 𝝃 = 𝟗𝟓%
de los IoT desplegados sobre la región de planeación”
✓ Integrando la restricción de capacidad, la formulación matemática del problema
de optimización de cobertura y capacidad, según la teoría de complejidad es del
tipo 𝑵𝑷 − 𝑪𝒐𝒎𝒑𝒍𝒆𝒕𝒆 , exponiéndolo en forma completa en las ecuaciones
(5)– (10):

Página No. 13
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)
3.3. Dimensionamiento de Redes Guiadas

Metas a conseguir:
✓ Revisar los fundamentos más relevantes de la teoría de grafos.

✓ Esbozar criterios técnicos necesarios, para llegar a modelar el dimensionamiento
de Redes Guiadas (par de cobre, coaxial, fibra óptica).
✓ Describir y aplicar la formulación de dos problemas clásicos utilizando
formalismos matemáticos apropiados; como son los problemas General de
Enrutamiento, y Enrutamiento para Múltiples Flujos.
✓ Obtener soluciones a instancias reducidas, a través, de la utilización de
herramientas de software para optimización.
Alcances:
✓ Cuando los escenarios a resolver sean de un tamaño considerable, se presenta

complejidad computacional (Ausiello et al., 1999; Garey & Johnson, 1979), lo cual
demanda buscar otras metodologías y técnicas para llegar a encontrar soluciones
factibles. Queda fuera del alcance de este curso el cubrir teoría algorítmica que
permite escalar al dimensionamiento de escenario grandes, pero se sugiere
revisar algoritmos de convergencia polinomial como lo son: Dijkstra, Bellman–
Ford, etc.)
✓ Los escenarios a ser planteados serán en una dimensión ℝ2 , no georreferenciada,
y adicionalmente no considera el modelamiento específico de pérdidas por
atenuación según el medio de transmisión, se reduce a colocar costes basados en
pesos como son el número de saltos, distancias, o coste por uso de enlace.
3.3.1. Introducción a teoría de grafos
En este apartado, se definirán conceptos relevantes respecto a la teoría de grafos,

mismos que sirven de base para una mejor comprensión de los problemas de
optimización, a revisar como soporte para el dimensionamiento de redes guiadas de
comunicaciones.

Página No. 14
Definición:
Un grafo se considera como un par ordenado 𝑮 = (𝑽, 𝑬) donde:
✓ 𝑽, es un conjunto finito de vértices o nodos de 𝑮 cuya cardinalidad es 𝑁 = |𝑽|.

✓ 𝑬, es un multiconjunto de enlaces, aristas, arcos o trayectos de G, representados
como 𝑬 ⊆ {{𝒊, 𝒋}: 𝒊 ∈ 𝑽, 𝒋 ∈ 𝑽}, y cuya cardinalidad es 𝑀 = |𝑬|.
Tipos de Grafos 𝑮 = (𝑽, 𝑬)
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).
GRÁFICA 10: EJEMPLO DE UN GRAFO DIRIGIDO. FUENTE: AUTOR
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)
Grafo No Dirigido: cuando sus aristas son bidireccionales, en la Gráfica 11 se representa

un ejemplo y sus datos en las ecuaciones (15)–(18).
GRÁFICA 11: EJEMPLO DE UN GRAFO NO DIRIGIDO. FUENTE: AUTOR
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)

Página No. 15
Cadenas Orientadas y Caminos (Paths): En términos generales una cadena orientada 𝑃

es una secuencia de enlaces, donde el extremo final de cada enlace es el extremo inicial
de su sucesor. Si la cadena orientada no repite enlaces se denomina camino, ruta o path,
la ecuación (19) representa esta definición.
𝑃 = 〈(𝑣0 , 𝑣1 ), (𝑣1 , 𝑣2 ), … , (𝑣𝑘−1 , 𝑣𝑘 )〉 (19)
Cuando la cadena orientada termina donde inicio, es un camino/ruta/path cerrado

(𝑣0 = 𝑣𝑘 ), en la Gráfica 12 (a) se presenta un camino/path en general, y en la Gráfica 12
(b) se muestra la representación de un camino/path cerrado.
GRÁFICA 12: A) CAMINO/PATH EN GENERAL, B) CAMINO/PATH CERRADO. FUENTE: AUTOR
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):
1, si 𝑖 y 𝑗 son nodos adyacentes

𝑚𝑖𝑗 = { (20)
0, caso contrario
En la Gráfica 13, se puede observar un ejemplo de matriz de adyacencia, para el grafo
dado.
GRÁFICA 13: MATRIZ DE ADYACENCIA. FUENTE: AUTOR

Página No. 16
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 el enlace 𝑗 yes incidente al vértice 𝑖

ℎ𝑖𝑗 = { (21)
0, caso contrario
En la Gráfica 14, se puede observar un ejemplo de matriz de adyacencia, para el grafo
dado.
GRÁFICA 14: MATRIZ DE INCIDENCIA. FUENTE: AUTOR
3.3.2. Problema general de enrutamiento
Modelo del Sistema:
✓ Se tiene un conjunto de vértices 𝑽, conectados entre sí, a través, de enlaces de

comunicación (unidireccionales o bidireccionales). Si entre el vértice 𝑨 y el vértice
𝑩 existe un arco o enlace, cuya denominación está definida como 𝒆𝑨,𝑩 , por lo
tanto, 𝑨 puede transmitir/recibir información directamente hacia 𝑩. Entonces el
enlace 𝒆𝑨,𝑩 está asociado a un coste/peso o distancia, representado por 𝒅𝑨,𝑩 .
✓ Se define 𝑽, como el conjunto de vértices. Se define 𝑬, como el conjunto de
enlaces existentes en una red de comunicaciones que pueden estar dados sobre
medios de transmisión guiados. Se define 𝑮(𝑽, 𝑬) como un grafo dirigido/no
dirigido, que representa la topología de la red de comunicaciones.
✓ En adición, es posible la transmisión de un flujo de datos (información) desde un
vértice origen 𝑺 hasta un vértice destino 𝑻. Dicho flujo es transmitido por nodos
(𝒔, 𝒕) intermedios existentes en el grafo 𝑮(𝑽, 𝑬).
Planteamiento del problema:
✓ Se define una ruta/path 𝑷 , como el conjunto de vértices/nodos

𝑷 = {𝑷𝟏 , 𝑷𝟐 , … , 𝑷𝑴 }, con la condición que los enlaces 𝒆𝑷𝒌 , 𝒆𝑷𝒌+𝟏 ∈ 𝑬.
✓ Se define el coste/peso/distancia de una ruta/path 𝑷, como 𝒅𝑷 = ∑𝑴−𝟏 𝒌=𝟏 𝒅𝑷𝒌 ,𝑷𝒌+𝟏 .
✓ Se define una ruta/path, para el flujo (𝒔, 𝒕) como 𝑷𝒔,𝒕 , tal que 𝑷𝟏 = 𝒔 y 𝑷𝑴 = 𝒕.
✓ Se define el coste/peso/distancia mínima como la ruta/path 𝑷𝒔,𝒕 ∗ , de forma que
𝒅𝑷𝒔,𝒕 ∗ ≤ 𝒅𝑷𝒔,𝒕 , para cualquier otra ruta/path 𝑷𝒔,𝒕 ∗ existente y posible.

Página No. 17
Definición del Problema:
Sobre la base de los descrito en párrafos anteriores el problema se define como.
✓ “El problema general de enrutamiento, busca determinar la ruta/path de

coste/peso/distancia mínima para transmitir/receptar el flujo (𝒔, 𝒕) de
información”
Formulación del problema general de enrutamiento:
✓ Para la formulación del problema general de enrutamiento, es necesario

introducir la variable de decisión 𝑿𝒊,𝒋 , se supone que el enlace 𝒆𝒊,𝒋 existe dentro
del grafo 𝑮(𝑽, 𝑬) , la variable 𝑿𝒊,𝒋 vale 𝟏 si el enlace (𝒊, 𝒋) pertenece al
camino/path 𝑷𝒔,𝒕 , caso contrario vale 𝟎.
✓ Similar que la ley de corrientes de Kirchhoff, dado un vértice/nodo 𝒊 ∈ 𝑽 se
define 𝑬𝒊,𝒐𝒖𝒕 como el conjunto de los enlaces salientes de 𝒊. De igual forma se
define 𝑬𝒊,𝒊𝒏 como el conjunto de los enlaces entrantes a 𝒊.
✓ Con las definiciones previas, la formulación matemática del problema general de
enrutamiento de optimización, desde el punto de vista de la teoría de
complejidad es del tipo 𝑵𝑷 − 𝑯𝒂𝒓𝒅, en las ecuaciones (22)–(25) se lo detalla:
𝑭. 𝑶. min ∑ 𝑑𝑖,𝑗 𝑋𝑖,𝑗 (22)

(𝑖,𝑗)∈𝑬
𝒔𝒖𝒋𝒆𝒕𝒐 𝒂:
∑ 𝑋𝑖,𝑗 − ∑ 𝑋𝑖,𝑗 = 𝛼𝑖 ; ∀𝑖 ∈ 𝑽 (23)
𝑗|𝑒𝑖,𝑗 ∈𝑬𝒊,𝒐𝒖𝒕 𝑗|𝑒𝑗,𝑖 ∈𝑬𝒊,𝒊𝒏
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)
3.3.3. Problema de enrutamiento para múltiples flujos
✓ Si ahora, el problema a resolver sobre la base del problema general de

enrutamiento, se considera que cada enlace 𝒆𝑨,𝑩 tiene una capacidad dada por
𝓒𝑨,𝑩 .
✓ En adición, se debe considerar un conjunto de flujos 𝑭 = {𝒇𝟏 , 𝒇𝟐 , … , 𝒇𝒌 } de
datos/información a ser transmitidos desde vértices/nodos origen 𝑺𝒌 , hasta
vértices/nodos destino 𝑻𝒌 .
✓ Otro factor a considerar, es la demanda de información 𝑹𝒌 que cada flujo 𝒇𝒌
requiere enviar/receptar, a través, de enlaces existentes en el grafo 𝑮(𝑽, 𝑬).
✓ Para la formulación del problema de enrutamiento para múltiples flujos, es
necesario introducir la variable de decisión 𝑿𝒊,𝒋,𝒌 , se supone que el enlace 𝒆𝒊,𝒋
existe dentro del grafo 𝑮(𝑽, 𝑬) , la variable 𝑿𝒊,𝒋,𝒌 vale 𝟏 si el enlace (𝒊, 𝒋)
pertenece al camino/path 𝑷𝒔𝒌 ,𝒕𝒌 , en definitiva, un flujo 𝒌 − é𝒔𝒊𝒎𝒐 emplea un
enlace 𝒆𝒊,𝒋 caso contrario vale 𝟎.
✓ Con las definiciones previas, la formulación matemática del problema de
enrutamiento para múltiples flujos de optimización, desde el punto de vista de la

Página No. 18
teoría de complejidad es del tipo 𝑵𝑷 − 𝑯𝒂𝒓𝒅, en las ecuaciones (26)–(30) se lo

detalla:
𝑭. 𝑶. min ∑ ∑ 𝑑𝑖,𝑗 𝑋𝑖,𝑗,𝑘 (26)

(𝑖,𝑗)∈𝑬 𝑘∈𝑭
𝒔𝒖𝒋𝒆𝒕𝒐 𝒂:
∑ 𝑋𝑖,𝑗,𝑘 − ∑ 𝑋𝑖,𝑗,𝑘 = 𝛼𝑖,𝑘 ; ∀𝑖 ∈ 𝑽, ; ∀𝑘 ∈ 𝑭 (27)
𝑗|𝑒𝑖,𝑗 ∈𝑬𝒊,𝒐𝒖𝒕 𝑗|𝑒𝑗,𝑖 ∈𝑬𝒊,𝒊𝒏
∑ 𝑅𝑘 𝑋𝑖,𝑗,𝑘 ≤ 𝒞𝑖,𝑗 ; ∀(𝑖, 𝑗) ∈ 𝑬 (28)

𝑘∈𝑭
1, si 𝑖 = 𝑠𝑘
𝛼𝑖,𝑘 = { −1, si 𝑖 = 𝑡𝑘 (29)
0, si 𝑖 ≠ 𝑠𝑘 , 𝑖 ≠ 𝑡𝑘
{𝑋𝑖,𝑗,𝑘 } ∈ {0,1}; {𝛼𝑖,𝑘 } ∈ {−1,0,1}; {𝑑𝑖,𝑗 , 𝒞𝑖,𝑗 } ∈ ℝ (30)
Para una mayor profundización, de la planeación de redes híbridas Fiber/Wireless (FiWi)

que dan soporte a SG, SC, revisar los trabajos propuestos por los autores (A. Peralta et al.,
2017; A. G. Peralta, 2018), donde se aborda el problema de escalabilidad, con base de la
Programación Estocástica Multietapa (Multistage Stochastic Programming, MSP), y cuál
es el retorno del beneficio esperado, además, se plantea un problema de optimización
que fusiona los problemas de cobertura y enrutamiento general.
3.4. Planeación de redes de Comunicación para Smart Grid

Metas a conseguir:
✓ 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:
✓ Ha tener en consideración, que el escenario abarcará pequeñas instancias, dado

que los problemas tanto en cobertura y enrutamiento general, crecen de manera
exponencial (NP–Complete, NP–Hard, etc.), además, presentan un gran número
de combinaciones para las soluciones factibles.
3.4.1. Creación de escenarios
Se tiene un Campus de una Institución Educativa, en donde, se requiere realizar la

implementación de una red de comunicaciones, para interconectar equipos IoT que van
a realizar el monitoreo y control de servicios para iluminación, sistemas de fuerza y
sensores de seguridad, que son gestionados desde una red inteligente, a través, de UCD

Página No. 19
con tecnología WiFi–AC–MIMO(2), para canales de 80MHz de ancho de banda, a través,

de una portadora de 2,4 GHz. Los UCD a su vez, migran la información por una Red Gigabit
Ethernet de fibra óptica con cableado multimodo, hacia/desde el Cuarto Principal de
Comunicaciones (CPC) y la Sala de Control y Monitoreo (SCM).
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)
TABLA 1: CARACTERÍSTICAS DE LOS UCD E IOT FUENTE: AUTOR
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

Página No. 20
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
3.4.2. Redes FiWi, en Smart Grid
Para llegar a resolver el caso de estudio, mediante la obtención de soluciones factibles y

de ellas elegir la que más se acerque a la óptima, se partirá el problema en dos partes,
mediante una red híbrida Fiber–Wireless (FiWi). En primera instancia se resolverá la parte
inalámbrica mediante el problema de cobertura y así retornando las mejores posiciones
para los UCD. En segunda instancia, sobre la base del resultado previo, se enrutará
mediante enlaces de fibra óptica el conexionado de los UCD con el CPC y con la SCM, la
Gráfica 17 esquematiza la metodología de solución para la red FiWi.
GRÁFICA 17: METODOLOGÍA DE SOLUCIÓN PROPUESTO. FUENTE: AUTOR

Página No. 21
1. Problema de Cobertura – Mejores Ubicaciones para UCD - Wireless
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
TABLA 2: RESULTADOS DEL PROCESO DE COBERTURA INALÁMBRICA. FUENTE: AUTOR
2. Problema de Enrutamiento General – Mejores Tramos para Red de Fibra Óptica
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.
FLUJOS – {s,t} PATH – DEMANDA POSIBLE MÁXIMA

• F1 – {8,1} • [8 – 1] – 600 Mbps
• F2 – {8,3} • [8 – 2 – 3] – 600 Mbps
• F3 – {8,4} • [8 – 4] – 600 Mbps
• F4 – {8,5} • [8 – 5] – 1,2 Gbps
• F5 – {8,9} • [8 – 5 – 9] – 1,2 Gbps
TABLA 3: RESULTADOS DEL PROCESO DE ENRUTAMIENTO GENERAL. FUENTE: AUTOR
3. Análisis e Interpretación Pos–Optimización, Red Definitiva FiWi
En el caso de la parte inalámbrica se puede mediante un análisis de distancias euclídeas

mínimas ofertar cobertura a los IoT, no cubiertos dado que el radio de cobertura puede
extenderse hasta 𝑹 = 𝟏𝟓𝟎 𝒎. En la Gráfica 18 se muestra el resultado de la Red FiWi
que da soporte a la información que será gestionada por una Red Eléctrica Inteligente.

Página No. 22
GRÁFICA 18: RED FIWI PARA EL CASO DE ESTUDIO. FUENTE: AUTOR
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
Palacios, R. (2017). Investigación de Operaciones I Programación Lineal. En Alfaomega (1a ed.).

Alfaomega Grupo Editor.
https://www.alfaomega.com.mx/argentina_view/catalogo/profesional/investigacion-de-
operaciones-1.html
Peralta-Sevilla, A. G., Amaya-Fernandez, F., & Hincapie, R. (2014). Multiservice hybrid WDM/TDM-

Página No. 23
PON dimensioning using a heuristic method. 1–5.

https://doi.org/10.1109/ColComCon.2014.6860401
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-Sevilla, Arturo, Hincapie, R., & Amaya-Fernandez, F. (2014). Methodology by Optimal

Scalability over FiWi in Smart Grids using Multistage Stochastic Programming Networking
Communications over Smart Grid and Smart Cities. https://doi.org/10.13140/2.1.1946.2726
Peralta, A. (2018). Modelo de Planeación para la Escalabilidad y Despliegue de la Infraestructura

de Comunicaciones MAN & WAN en Smart Grid Basado en Redes FiWi Usando Programación
Estocástica Multietapa. Universidad Pontificia Bolivariana.
Peralta, A. G. (2018). Planning of FiWi Networks to Support Communications Infrastructure of SG

and SC. En Broadband Communications Networks - Recent Advances and Lessons from
Practice. InTech. https://doi.org/10.5772/intechopen.71781
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
Taha, H. (2017). Investigación de Operaciones. En Pearson. Pearson.

http://www.pearsonenespanol.com/mexico/tienda-online/investigacion-de-operaciones-
taha-10ed-ebook
5. GLOSARIO
AMI Infraestructura de Medición Avanzada (Advanced Metering Infrastructure)

AP Punto de Acceso (Access Point)
CPC Cuarto Principal de Comunicaciones
DAP Punto de Concentración de Datos (Data Aggregator Point)
FiWi Redes Híbridas Fiber–Wireless
FO Función Objetivo
HAN Red de Área del Hogar
ILP Programación Lineal Entera (Integer Linear Programming)
IO Investigación de Operaciones
IoT Internet de las Cosas (Internet of Things)
LP Programación Lineal (Linear Programming)
MAN Red de Área Metropolitana
MDMS Sistema de Gestión de los Datos Medidos (Meter Data Management System)

Página No. 24
MILP Programación Lineal Entrera Mixta (Mixed Integer Linear Programming)

MIMO Múltiples Entradas Múltiples Salidas
MSP Programación Estocástica Multietapa (Multistage Stochastic Programming)
NAN Red de Área de Vecindario
SC Ciudades Inteligentes (Smart Cities)
SCM Sala de Control y Monitoreo
SCP Problemas de Cobertura, Cobertura y Capacidad (Set–Cover Problem)
SG Red Inteligente (Smart Grid)
UCD Unidad Concentradora de Datos
UDAP Puntos de Agregación de Datos Universal (Universal Data Aggregation Point)
Frase Motivadora:
“En medio de la dificultad, yace la oportunidad” – Albert Einstein.
_______________________________________
Dr. Arturo Peralta Sevilla
Docente Colaborador Carrera de Electricidad

Página No. 25

Capitulo 3 Dimensionamiento y Planeación de Redes de Comunicación para Smart Grid

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo 3 Dimensionamiento y Planeación de Redes de Comunicación para Smart Grid

Cargado por

Copyright:

Formatos disponibles

ÉTICA

Áre a d e Con o ci mie nto | C ien cia y Te cn olo gí a

Universidad Politécnica Salesiana – Carrera de Electricidad

Redes de Comunicación para

Dimensionamiento de Problema de enrutamiento

Problema de múltiples flujos

Universidad Politécnica Salesiana – Carrera de Electricidad

Breve Descripción del Capítulo

Ya adentrándose a un campo más específico, el capítulo aborda temas relevantes para

Se da cierre, implementando los modelos antes citados, e integrándolos a regiones de

“De la sana educación de la juventud, depende la felicidad de las naciones”

Universidad Politécnica Salesiana – Carrera de Electricidad

3. Dimensionamiento y Planeación de Redes de

3.1. Introducción al dimensionamiento de redes de

GRÁFICA 1: CLASIFICACIÓN DE MODELOS EN IO. FUENTE: (PALACIOS, 2017)

GRÁFICA 2: FASES PARA MODELAR UN SISTEMA. FUENTE: (PALACIOS, 2017)

Universidad Politécnica Salesiana – Carrera de Electricidad

Con respecto a los componentes, que conforman la estructura matemática de un modelo, se

GRÁFICA 3: NIVEL DE ABSTRACCIÓN EN EL DESARROLLO DE UN MODELO. FUENTE: (TAHA, 2017)

Universidad Politécnica Salesiana – Carrera de Electricidad

3.1.2. Estructura de un Problema de Programación Lineal (LP)

La estructura de un Problema de Programación Lineal (LP), permite realizar la prescripción del

VARIABLES DE DECISIÓN Y DIMENSIONAMIENTO:

GRÁFICA 4: ESTRUCTURA DE UN PROBLEMA DE PROGRAMACIÓN LINEAL. FUENTE: AUTOR

Para encontrar soluciones factibles y la óptima, cuando el número de variables no

Hoy en día, ya se disponen de herramientas de software para poder determinar

Para matizar, la estructura de un LP y sus posibles soluciones, se procede a plantear un

Universidad Politécnica Salesiana – Carrera de Electricidad

𝐹. 𝑂. : 𝑚𝑖𝑛: 2𝑥 − 3𝑦 ⟼ 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑜𝑏𝑗𝑒𝑡𝑖𝑣𝑜

VARIABLES DE DECISIÓN Y DIMENSIONAMIENTO:

{𝑥, 𝑦} ≥ 0 ; (𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠)2 × 5(𝑟𝑒𝑠𝑡𝑟𝑖𝑐𝑐𝑖𝑜𝑛𝑒𝑠)

GRÁFICA 5: FORMULACIÓN DEL PROBLEMA EJEMPLO MEDIANTE LP. FUENTE: AUTOR

La solución gráfica se puede observar en la Gráfica 6, siendo el mínimo el punto

GRÁFICA 6: SOLUCIÓN GRÁFICA DEL EJEMPLO LP. FUENTE: AUTOR

GRÁFICA 7: CODIFICACIÓN DEL EJEMPLO EN LP–SOLVE IDE–GPL . FUENTE: AUTOR

Universidad Politécnica Salesiana – Carrera de Electricidad

Una codificación y solución en el software LP–SolveIDE–GPL, se detalla en la Gráfica 7.

3.1.3. Redes de Comunicación para SG, SC e IoT

La arquitectura de comunicación de Smart Grid está conformada por varios segmentos:

GRÁFICA 8: ARQUITECTURA DE COMUNICACIONES DISTRIBUIDA PARA AMI.

FUENTE: (ARTURO PERALTA-SEVILLA & AMAYA-FERNÁNDEZ, 2013)

Universidad Politécnica Salesiana – Carrera de Electricidad

Trabajos de ( A. G. Peralta-Sevilla, Amaya-Fernandez, & Hincapie, 2014; A. Peralta-Sevilla,

En el artículo de (Arturo Peralta-Sevilla & Amaya-Fernández, 2013), se presenta un

GRÁFICA 9: ESQUEMA COOPERATIVO PARA RECOLECCIÓN DE DATOS EN NAN

FUENTE: (ARTURO PERALTA-SEVILLA & AMAYA-FERNÁNDEZ, 2013)

Además de la escalabilidad, la red de comunicaciones en SG debe garantizar un retardo

Universidad Politécnica Salesiana – Carrera de Electricidad

3.2. Dimensionamiento de Redes Inalámbricas

✓ Esbozar criterios técnicos necesarios, para llegar a modelar el dimensionamiento

✓ Cuando los escenarios a resolver sean de un tamaño considerable, se presenta

3.2.1. Problema de Cobertura

Modelo del Sistema:

✓ No se incluye dentro de la formulación del problema, un modelo de propagación

Universidad Politécnica Salesiana – Carrera de Electricidad

✓ Cubrir en lo posible la mayor área de la región de planeación.

✓ Control de cobertura, o potencia de radiación.

Descripción del problema mediante restricciones de cobertura:

Considerando lo descrito previamente, el problema de optimización se puede definir así:

Formulación del problema de optimización de cobertura mediante formalismos

✓ Se define, los sitios candidatos de los UCD mediante el conjunto

Universidad Politécnica Salesiana – Carrera de Electricidad

✓ Un UCD candidato 𝑺𝒊 , es representado por la variable 𝑍𝑖 ∈ {0,1}. Cuando el valor

3.2.2. Problema de Cobertura y Capacidad