Pontificia Universidad Católica de Chile

Escuela de Ingenierı́a
Departamento de Ingenierı́a Industrial y Sistemas
ICS1113-Optimización

Informe 3
Optimizando el uso de energı́a renovable para
empresa de transporte
Grupo 54

Benjamı́n Bravo 21638306 sección 2

Ignacio Fernández 21640513 sección 2
Mariateresa Garcı́a 19636989 sección 1
Juan Enrique Hurtado 21637970 sección 2
Raimundo Lecaros 21638489 sección 2
Alberto Salas 21642117 sección 3

Fecha entrega: 22 de junio del 2022

1
Índice
1. Definición del problema 3
1.1. Contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Descripción del problema elegido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2. Modelo del problema 5

2.1. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3. Parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4. Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.5. Restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.5.1. Naturaleza de las variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.6. Función Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3. Definición de datos 8
3.1. Valor del parámetro Qh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2. Valor del parámetro ESh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3. Valor de los demás parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

4. Solución al problema para la instancia de datos 9

4.1. Análisis e interpretación de los resultados obtenidos . . . . . . . . . . . . . . . . . . 10

5. Análisis de sensibilidad 11
5.1. Variación parámetro Dt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.1.1. Variable V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.1.2. Variable SA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.1.3. Variable RE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
5.1.4. Variable CB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.1.5. Variable TE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.1.6. Variable VI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2. Variación de otros parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2.1. Variación capacidad máxima de almacenamiento . . . . . . . . . . . . . . . . 12
5.2.2. Variación cantidad máxima de paquetes por hora para cargar el sistema de
almacenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2.3. Variación puestos de carga . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.2.4. Variación en energı́a solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

6. Conclusión 13

7. Bibliografı́a 14

8. Anexos 16

2
1. Definición del problema
1.1. Contexto
En la actualidad, uno de los problemas más relevantes a nivel mundial es el alto ı́ndice de
contaminación, generado principalmente por las grandes emisiones de CO2 . Entre los años 2000
y 2019, la cifra ha ascendido de 23.000 millones a 36.700 millones de toneladas métricas de CO2
[3], correspondiendo un 34, 2 % sólo al uso de combustibles fósiles como gasolina y diésel [4]. Las
principales consecuencias radican en la contribución al efecto invernadero y la emergencia climática,
generando un profundo desequilibrio dentro de la naturaleza [5].
A partir de lo anterior, el presente proyecto busca minimizar la huella de carbono de una empresa
de transporte, mediante restricciones y decisiones especı́ficas.

Para abordar el problema se identifica una lı́nea de acción que consiste en el aprovechamiento de
energı́as renovables, reduciendo la cantidad de emisiones contaminantes.
Respecto a lo anterior se puede analizar la situación de nuestro paı́s. El norte de Chile presenta
una alta radiación solar incidente, generando una gran oportunidad de aprovechamiento de ésta [6].
Por otro lado, una de las mayores fuentes de contaminación del paı́s está asociada al sector minero
y al aprovechamiento eléctrico, presentes en gran cantidad en esta misma zona.

A partir de lo anterior, el uso de fuentes renovables es altamente recomendable para disminuir las
emisiones totales generadas. Frente a esto, el gobierno debe subsidiar medios necesarios para poder
aprovechar este tipo de energı́as no contaminantes, transitando a un cambio en la matriz energética
y colaborando en la descontaminación del planeta [7].
Algunas de las soluciones promovidas por el Estado y otros entes privados han sido la imple-
mentación de un sistema de buses eléctricos en el transantiago, buscando disminuir las emisiones de
CO2 provocadas por el transporte terrestre [8]. Otro ejemplo es la promoción por parte del gobierno
de pasar a un transporte limpio para los trabajadores del sector minero, incorporando doce buses
eléctricos en 2019 para estos fines [9].

Precisamente, el desafı́o que se abordará en el presente proyecto de optimización es minimizar la

generación de CO2 en una empresa de consumo energético mixto –contaminante y solar–, buscando
generar un avance en el uso de energı́as renovables y los beneficios de un uso adecuado.

1.2. Descripción del problema elegido

Transportes Electra es una empresa de transporte limpio de la ciudad de San Pedro de Atacama.
Esta empresa cuenta con una gran flota de buses eléctricos que debe cargar con grandes cantidades
de energı́a eléctrica. Debido a las conocidas intenciones de la empresa de reducir sus emisiones de
CO2 recibió un subsidio importante del gobierno, con el que se instaló un parque solar y un sistema
de almacenamiento eléctrico.

A partir de este cambio, se empezó a cargar los buses no solamente con electricidad de la red,
sino también con electricidad del parque solar y del almacenamiento. Sin embargo, sin un uso opti-
mizado de los recursos donados por el gobierno, no se logrará de manera satisfactoria la posibilidad
de reducir al mı́nimo el CO2 generado, ya que se podrı́a estar cayendo en la posibilidad de cargar
buses en momentos no oportunos para el objetivo. (Revisar Anexo 1)

El objetivo de Transportes Electra es disminuir al mı́nimo la generación de CO2 por la industria

automotriz, utilizando fuentes de energı́a renovables y limpias, donde se espera que optimizando su
uso se pueda generar un impacto positivo en ésta y el medio ambiente. Según Enorchile, en Chile
durante el 2021 se registró un aumento de 5 % en el factor de emisiones eléctricas local respecto
al 2020. El informe señala además que “Considerando el aumento de generación (+1,30 %), esto
significa 1,82 millones de toneladas de CO2 adicionales respecto al año 2020, o bien equivalente a

3
aumentar el parque automotriz en 394 mil vehı́culos” Junto con eso, el año 2021 fue el año con
mayor participación de energı́a no renovable desde el 2019, siendo un 56,5 %. En ese sentido, pese
a que existen vehı́culos eléctricos, al no saber optimizar su uso en industrias especı́ficas, como es la
minera, estos no se implementan. Por lo tanto, si este modelo se lleva a cabo, se espera tener una
implementación y uso adecuados de los distintos tipos de energı́a renovables, para finalmente lograr
minimizar el CO2 generado total.

La empresa ofrece un único servicio de transportar personas en buses eléctricos a la mina Chu-
quicamata. La cantidad Dt de buses demandados para el dı́a t ∈ {1, . . . ., T }, es conocida para los T
dı́as sobre los que se establecerá el modelo de optimización y debe ser satisfecha por la empresa.

El dı́a se divide en bloques de 1 hora cada uno, quedando 24 bloques en un dı́a, siendo el blo-
que 1 el intervalo entre las 00:00-00:59 y el bloque 24 el intervalo entre las 23:00-23:59. Se define
h ∈ {1, . . . ., 24} el ı́ndice de cada bloque.

La carga de los buses y del sistema de almacenamiento solo se hará entre los bloques 7 y 20 (06:00
a 20:00), ambos incluidos; es decir que la última carga del dı́a se puede hacer durante el bloque 20.
Este intervalo además coincide con el horario de transporte de los buses, es decir que todos los buses
que viajan ese dı́a salen al inicio del bloque 7, quedándose todo el dı́a en Chuquicamata y vuelven
al final del bloque 20.

Se asume que si un bus viaja un dı́a debe viajar con su baterı́a completamente cargada y a su
regreso habrá agotado la totalidad de su energı́a almacenada. Lo anterior implica que cada bus sólo
puede viajar como máximo un dı́a por medio.

La demanda Dt debe ser siempre tal que se asegura que en casos de máxima demanda por varios
dı́as se pueda satisfacer la demanda cargando la mitad de los buses en dı́as alternados. Asimismo,
se asume que los P puestos de carga que tiene la empresa deben ser suficientes para que siempre
exsita la posibilidad de satisfacer la demanda de una u otra manera. También se asume que cada
puesto de carga, durante cada bloque horario, puede cargar a sólo un bus y solo con una de las
tres fuentes de energı́a (red, parque solar y sistema de almacenamiento). Se considera la medida de
almacenaje de energı́a eléctrica en kW · h. Toda energı́a eléctrica se cuantifica en paquetes de energı́a
que corresponden a JD kW , y esto debido a que la capacidad de almacenaje de energı́a de cada bus
es JD kW · h.

Un bus no carga ni descarga su baterı́a si no se carga ni viaja. Además se asume que la baterı́a
de un bus tiene como mı́nimo y máximo JD kW de energı́a que es posible entregarle para que se
cargue, lo cual implica que se cargan en exactamente un bloque horario si se les suministra exacta-
mente un paquete de energı́a durante éste. Se asume que en el bloque horario en que se carga un bus
están incluidos los tiempos que se demora un bus en estacionarse en el puesto de carga y en salir
de este. Para cargar los buses en un bloque se asume que la producción solar durante cada bloque
horario es constante y en múltiplos enteros de JD kW de potencia eléctrica. Además la potencia
eléctrica que se puede extraer de la red también se extrae sólo en múltiplos de JD kW de potencia
eléctrica, y lo mismo ocurre con las cantidades de potencia eléctrica que se puede extraer del sistema
de almacenamiento. Se asume que tanto red como sistema de almacenamiento puede dispensar sin
lı́mite paquetes de potencia eléctrica mientras la tengan disponible. En el caso de la red hay potencia
eléctrica ilimitada.

Se aproximan los parámetros de producción eléctrica solar ESh y el de la cantidad de CO2 en

cada paquete para cada bloque horario consumido desde la red Qh para que tomen valores constantes
en cada bloque horario. Además se asume que Qh y ESh se comportan igual durante todos los dı́as
del perı́odo en estudio. Se asume que el sistema de almacenamiento puede cargarse con a lo más T Y
paquetes de energı́a en cada bloque horario, independiente de si se cargan con paquetes del parque
solar o de la red, y que su capacidad máxima de almacenaje es de CM paquetes de energı́a. Además

4
se asume que el sistema de energia almacena energı́a variando su cantidad en perı́odos de tiempo de
1 dı́a a pesar de que dentro de un dı́a puede cargarse y descargarse en los diferentes bloques, luego
en un dı́a solo se puede consumir lo que estaba almacenado al final el dı́a anterior.

Debido a que la cantidad de energı́a que entregan los paneles solares no es arbitraria, entonces
se debe dirigir a tierra si es que no se está cargando con la totalidad de ella a buses y/o al sistema
de almacenamiento.
Por último se asume que al inicio del primer dı́a todos los A buses y el sistema de almacenamiento
están cargados en su máxima capacidad.

2. Modelo del problema

2.1. Resumen
Se plantea un objetivo para una empresa de buses eléctricos en el norte. Ese objetivo es minimizar
la cantidad de kilos de CO2 consumidas por la carga de energı́a de sus buses. Esto se pretende lograr
por medio de la toma de decisiones relativas al momento en que se carga cada bus y con qué fuente de
energı́a, y además en qué momento y con qué cargar las baterı́as de almacenaje de energı́a eléctrica.

2.2. Conjuntos
T : Conjunto de dı́as = t ∈ {1, ..., T }
H : Conjunto de bloques de 1 hora de cada dı́a = h ∈ {1, ..., 24}
A : Conjunto de autobuses de la empresa = a ∈ {1, ..., A}
P : Conjunto de puestos de carga = p ∈ {1, ..., P }

2.3. Parámetros
ESh : Cantidad de paquetes de energı́a eléctrica solar producidas de manera continua durante el
bloque h para todos los dı́as
Dt : Cantidad de buses demandada para la empresa el dı́a t .
Qh : Cantidad de toneladas de CO2 asociadas a cada paquete de energı́a eléctrica de la red durante
el bloque h para todos los dı́as.
CM : Cantidad máxima de paquetes de energı́a eléctrica que puede almacenar el sistema de
almacenamiento.
T Y : Cantidad máxima de paquetes de energı́a con que se puede cargar el sistema de almacena-
miento en un bloque horario.
JD : Valor en kW · h de un paquete de energı́a.

2.4. Variables


1 si el autobús a se carga con energı́a solar en el puesto p durante el bloque h del dı́a t
XSapth =
0 e.o.c

1 si el autobús a se carga con energı́a de la red en el puesto p durante el bloque h del dı́a t
XRapth =
0 e.o.c

1si el autobús a se carga con energı́a del almacenamiento en el puesto p durante el bloque h del dı́a t
XAapth =
0 e.o.c

1 si el autobús a está completamente cargado al final del dı́a t
CBat =
0 e.o.c

1 si el autobús a es utilizado el dı́a t
V Iat =
0 si es que se queda en la empresa el dı́a t

5
Vth : Cantidad de paquetes de energı́a solar que están cargando el sistema de almacenamiento en el
bloque h del dı́a t.
T Eth : Cantidad de paquetes de energı́a solar que están dirigiéndose a tierra en el bloque h del dı́a t.
REth : Cantidad de paquetes de energı́a de red que están cargando al sistema de almacenamiento
en el bloque h el dı́a t.
SAt : Cantidad de paquetes de energı́a que tiene el sistema de almacenamiento al final del dı́a t.

2.5. Restricciones
1. Satisfacer la demanda diaria de buses.
A
X
V Iat = Dt ∀t ∈ T (1)
a=1

2. Un bus no puede viajar si no estaba cargado el dı́a anterior.

V Iat ≤ CBa(t−1) ∀a ∈ A, ∀t ∈ {2, ..., T } (2)

3. Los horarios en que la empresa puede cargar los buses.

h=6
X
(XSapth + XRapth + XAapth ) = 0 ∀a ∈ A, ∀t ∈ T, ∀p ∈ P (3)
h=1

h=24
X
(XSapth + XRapth + XAapth ) = 0 ∀a ∈ A, ∀t ∈ T, ∀p ∈ P (4)
h=21

4. Un bus completa su baterı́a al final del dı́a si se cargó ese dı́a.

P X
X 20
(XSapth + XRapth + XAapth ) ≤ CBat ∀a ∈ A, ∀t ∈ T (5)
p=1 h=7

5. En cada estación solo se puede estar cargando 1 bus a la vez

A
X
(XSapth + XRapth + XAapth ) ≤ 1 ∀p ∈ P, ∀t ∈ T, ∀h ∈ {1, ..., 24} (6)
a=1

6. Un bus no puede cargarse en un dı́a si ya estaba cargado el dı́a anterior.

24 X
X P
(XSapth + XRapth + XAapth ) ≤ 1 − CBa(t−1) ∀a ∈ A, ∀t ∈ {2, ..., T } (7)
h=1 p=1

7. Potencia máxima con que se puede cargar al sistema de almacenamiento durante un bloque.

Vth + REth ≤ T Y ∀t ∈ T, ∀h ∈ {1, ..., h} (8)

8. El sistema de almacenamiento no puede superar su capacidad máxima.

SAt ≤ CM ∀t ∈ T (9)

9. Solo se puede consumir lo que estaba almacenado en el sistema del dı́a anterior.
h X
X P X
A
XAapth ≤ SA(t−1) ∀t ∈ {2, ..., T } (10)
h=1 p=1 a=1

6
10. Flujo de la cantidad de paquetes en el sistema de almacenamiento.
H X
X P X
A H
X
SAt = SA(t−1) − XAapth + (REth + Vth ) ∀t ∈ {2, ..., T } (11)
h=1 p=1 a=1 h=1

11. Los horarios en que se puede cargar el sistema de almacenamiento.

h=6
X
(REth + Vth ) = 0 ∀a ∈ A, ∀t ∈ T (12)
h=1

h=24
X
(REth + Vth ) = 0 ∀a ∈ A, ∀t ∈ T (13)
h=21

12. El sistema de almacenamiento parte lleno en su máxima capacidad.

SA1 = CM (14)

13. La totalidad de los paquetes de energı́a eléctrica que produce el campo solar en el bloque h
están siendo usados para cargar los buses, irse a tierra o cargar el sistema de almacenamiento.

A X
X P
T Eth + Vth + XSapth = ESh ∀t ∈ T, ∀h ∈ {1, ..., 24} (15)
a=1 p=1

14. Un bus no se carga ni se descarga solo. Flujo de la baterı́a de un bus.

20 X
X P
CBat = CBa(t−1) − V Iat + (XSapth + XRapth + XAapth ) ∀a ∈ A, ∀t ∈ {2, ..., T } (16)
h=7 p=1

15. Inicialmente todos los buses están cargados. Por lo que al final del primer dı́a estarán cargados
solamente todos los que no viajaron el dı́a 1.

CBa(1) = 1 − V Ia(1) ∀a ∈ A (17)

16. Ningún bus se carga el primer dı́a

X P h=20
A X X
XSap1h + XRap1h + XAap1h = 0 (18)
a=1 p=1 h=7

17. Restricción de simetrı́a. Que siempre viajen los buses con menor ı́ndice mientras están dispo-
nibles.
V Ia(1) <= V Ia−1(1) ∀a ∈ 2, ..., A (19)
V Ia(t) + CBb,(t−1) ≤ V Ib(t) + 1 ∀t ∈ {2, ..., T } ∀a, b ∈ Aif a > b (20)

18. Restricción de simetrı́a. Si se está usando un puesto de carga de algún ı́ndice es porque nece-
sariamente se están usando los de ı́ndices menores.
A
X A
X
(XSapth +XRapth +XAapth ) ≤ (XSanth +XRanth +XAanth ) ∀t ∈ T ∀h ∈ H ∀n, p ∈ P if p > n
a=1 a=1
(21)

7
2.5.1. Naturaleza de las variables

XSapth ∈ {0, 1} ∀a ∈ A, ∀p ∈ P, ∀t ∈ T, ∀h ∈ H (1)

XRapth ∈ {0, 1} ∀a ∈ A, ∀p ∈ P, ∀t ∈ T, ∀h ∈ H (2)
XAapth ∈ {0, 1} ∀a ∈ A, ∀p ∈ P, ∀t ∈ T, ∀h ∈ H (3)
CBat ∈ {0, 1} ∀a ∈ A, ∀t ∈ T (4)
V Iat ∈ {0, 1} ∀a ∈ A, ∀t ∈ T (5)
Vth ∈ Z+
0 ∀t ∈ T, ∀h ∈ H (6)
T Eth ∈ Z+0 ∀t ∈ T, ∀h ∈ H (7)
REth ∈ Z+0 ∀t ∈ T, ∀h ∈ H (8)
SAt ∈ Z+
0 ∀t ∈ T (9)

2.6. Función Objetivo

24 X
X T X
P X
A 24 X
X T
min XRapth · Qh + REth · Qh
h=1 t=1 p=1 a=1 h=1 t=1

3. Definición de datos
3.1. Valor del parámetro Qh
Para poder hablar del parametro Qh , es decir, del impacto ambiental asociado a la red debemos
entender de dónde proviene la energı́a que va a la red que usamos dı́a a dı́a. En la figura 2 que se
encuentra en el anexo se puede apreciar la cantidad de MWh que entran a la red según el tipo de
generación de electricidad. Por ejemplo, a las 7 de la mañana tenemos presente una gran cantidad de
energı́a proveniente de las termoeléctricas, sin embargo, esta cantidad se reduce considerablemente
a las 13 horas ya que una parte importante la entregan las plantas solares.

Con toda la información recopilada se construyó la Tabla P.4 [11] (que se encuentra en el archivo
de parámetros) donde se puede observar el porcentaje de energı́a proveniente de las termoeléctricas
que son las que contaminan el ambiente. Cabe destacar que como nuestro modelo solo considera los
bloques donde se trabaja, es decir, del 7 al 20, se rellenó el resto con ceros para poder dejar todos los
datos en gurobi, donde tenemos restricciones para que no se utilice del bloque 1 al 6 ni del bloque
21 al 24 (inclusives).
Este porcentaje de “suciedad” no depende solamente de la demanda energética que varı́a durante el
dı́a, sino que también de la disponibilidad de los recursos renovables como por ejemplo las plantas
solares que funcionan solo en el dı́a.
Además, los datos recopilados se encuentran en su totalidad en el coordinador eléctrico nacional,
por lo que estos son reales y actuales puesto que se seleccionaron los datos del 19 de mayo de este año.

“Según datos de Chile Sustentable, la central Tocopilla U12, propiedad de la empresa Engie es la
que más contamina, produce 1.348 toneladas de CO2 por Gigawatt/hora (GWh). Le sigue Tocopilla
U13 con 1.288 toneladas de CO2 por GWh y Tocopilla U14 que genera 1.189.” [12] Por lo que se
hizo un promedio entre ellos obteniendo que las termoeléctricas generan 1275 toneladas de CO2 por
(GWh). Por lo tanto, vamos a considerar que para cada bloque horario tenemos una cantidad de
CO2 generada según el porcentaje de “suciedad” equivalente a 1,275 Kg/KWh y como cada paquete
son 295 KWh, tenemos la cantidad explı́cita de CO2 por cada paquete de energı́a en la tabla P4,
y que además se encuentra expuesta en el gráfico P3 del mismo archivo de parámetros. Este es el
gráfico que concluye los valores que toma el parámetro Qh por definición.

8
3.2. Valor del parámetro ESh
Dado el avance realizado por la empresa Transportes Electra de San Pedro de Atacama en ma-
teria de energı́as renovables y medio ambiente, el Estado financió un parque con 4600 m2 de área
de efectividad, con 2950 paneles solares de 1,5 m2 y capacidad de 200W.

A raı́z de esto, se realizó una investigación a través de la plataforma Explorador Solar, donde se
muestran los datos acerca de la radiación y energı́a generada en un parque de 6,25 m2 de 3 paneles
solares en San Pedro de Atacama. La energı́a captada por el parque en cada hora se muestra en el
gráfico 1.1 del anexo, donde se llega incluso a 0,75 kWh a las 12 de la tarde. [13]

Luego, se analizan los resultados para el parque fotovoltaico de 4600 m2 de Transportes Electra,
observables en el gráfico 1.2 del anexo, donde se llega hasta 590 kWh a las 12 de la tarde.

Para efectos de cuantificación de la energı́a, se estudió la capacidad energética necesaria para

lograr que los buses funcionen y cumplan óptimamente el objetivo de la empresa, concluyendo
que cada paquete de energı́a equivaldrı́a a la capacidad promedio para buses grandes: 295 kWh,
según la tabala 1.1 del anexo. A continuación, en la Tabla 1.1 del anexo se muestra el consumo
energético de buses a propulsión eléctrica del transporte público urbano Santiago. Además, en el
gráfico 1.3 se muestra la equivalencia en paquetes de energı́a obtenidos en el parque fotovoltaico de
Transportes Electra que constituye de manera cerrada los valores del parámetro ESh para todos los
dı́as. Los valores de este parámetro también se encuentran disponibles en el gráfico P2 del archivo
de parámetros.

3.3. Valor de los demás parámetros

Los demás parámetros como por ejemplo la demanda, la cantidad de puestos de carga, la cantidad
de buses y los dı́as sobre los cuales se optimizará son arbitrarios y se explicitan en el excel anexo para
los valores de los parámetros. Además, ya está justificado el valor del parámetro JD en el aparteado
3.1. Por último los valores de los parámetros Dt , T , CM y YT se encuentran también en el excel
con el resumen de parámetros.
Dado que hoy en dı́a existen baterı́as con capacidades de hasta 1000 kWh [15], se puede decir que
la empresa va a usar 9 baterı́as de 500 kWh en su sistema de almacenamiento y considerando que la
cantidad de energı́a contenida en cada paquete equivale a 295 kWh, se podrán almacenar máximo 15
paquetes de energı́a a la vez, lo que equivale al valor del parámetro CM. Además, según el ministerio
de energı́a, existen baterı́as que pueden recibir elevadas potencias electricas [17], de tal manera que
se puede establecer que el sistema de almacenamiento se podrá cargar con un máximo de 5 paquetes
de energı́a por cada bloque horario, lo que equivale al valor del parámetro TY.

4. Solución al problema para la instancia de datos

Se entregan todos los parámetros al modelo ya establecido en la interfaz Python-Gurobi. Se
corre el código con los elemento pedidos y se logra un óptimo de consumo de 22.186,70 kg de CO2
asociados a la carga de los buses de la empresa en el perı́odo de estudio.
Los valores de las variables para los que se encuentra ese óptimo han sido resumidas en un documento
de excel.
Además según lo pedido se imprimen en consola algunos valores de las variables importantes. No
se puede imprimir todo debido a que no cabe en el terminal. Se decide que para las variables XS,
XR y XA sólo se imprimirá el itinerario del dı́a 2, en cambio las demás variables se imprimirán
interpretadas en su totalidad.

9
 4.1. Análisis e interpretación de los resultados obtenidos
Observaciones: Respecto a los resultados presentados en el archivo de respuestas originales, y
comparándolos con los parámetros presentados en el archivo de parámetros, se procede a hacer el
análisis, interpretación y compresión de los resultados del modelo de optimización. Los gráficos del
excel de las respuestas de esta instancia son los gráficos con nombre S presentes en el archivo de
excel llamado respuestas original y los gráficos del excel de parámetros son los llamados P. Primero
se hará un análisis para cada una de las variables en particular y finalmente un análisis en que se
relacionen los resultados de las distintas variables.

CBth : Los valores generales de esta variable para cada dı́a están condensados en el gráfico S1. Es
difı́cil interpretar en cómo afecta al modelo la cantidad de buses cargados al final de cada
dı́a, pero lo importante de este parámetro es que para cada dı́a debe ser mayor o igual que
para la demanda del dı́a siguiente y, con un breve repaso visual, se corrobora que se cumple
comparándolo con el gráfico P1.
V Ith : Se puede apreciar en el gráfico S2 que esta variable es igual a la demanda cuyo gráfico es el
P1. Esto tiene sentido ya que se tenı́a que satisfacer de manera exacta la demanda.
Vth : Se puede apreciar en el gráfico S3 que es poco lo que se destina del parque solar para cargar
el sistema de almacenamiento, pero que coincide con ser en dı́a en que no es tan urgente el
uso de la limpia energı́a solar como en los dı́as posteriores, pues al dı́a siguiente hay una baja
demanda de buses como se aprecia en el gráfico P1 o bien ya hay suficientes buses cargados
como se aprecia en S1.
T Eth : Se puede apreciar en el gráfico S4 que se desperdicia energı́a solar yéndose a tierra solo en los
momentos triviales en que no es posible o no es útil usarla para nada más. La alta demanda
causó que no fuera necesario desperdiciar energı́a en esta instancia de datos en los dı́as no
triviales.
REth : Se puede apreciar en el gráfico S5 que casi todos los dı́as se utilizó la red para cargar el sistema
de almacenamiento. Además se aprecia en el gráfico S6 que se cargó principalmente en el
bloque 14 pues según el gráfico P3 ese bloque es donde la red es más limpia, luego el modelo
optimizó el aprovechamiento de ese instante en que la red no es tan sucia para almacenarla y
usarla en otro momento y de esa manera no verse obligado a cargar buses con red más sucia
que lo posible.
SAt : Se puede apreciar en el gráfico S7 que la baterı́a se carga con anticipación para estar llena 2
dı́as antes de una fuerte demanda (según el gráfico P1). Esto para poder ser aprovechada el
dı́a antes para lograr satisfacer la demanda sin usar la red en los momentos de mayor suciedad.
XAapth , XSapth , XRapth : Es difı́cil interpretar los resultados de estas variables por ser puramente instrucciones, pero
se puede apreciar por las variables anteriores que se logran cargar los buses de las distintas
formas para satisfacer la demanda y que estos son cargados de manera óptima para reducir el
uso de la red en los momentos de mayor suciedad. El modelo es el que se encarga de relacionar
las variables para que todo tenga sentido y una de las observaciones que se puede hacer es que
no se utiliza nunca la baterı́a en el dı́a 3 para satisfacer la baja demanda del dı́a 4, puesto
que es óptimo conservarla para dı́as en que sı́ sea necesaria. Por otro lado se puede apreciar
que muchos buses son cargados con energı́a solar en los momentos en qué hay más producción
eléctrica según lo que se puede apreciar comparando el gráfico P2 con los resultados de las
variables XS.

A modo de resumen general de la interpretación de resultados, se puede concluir que los resultados
entregados por el modelo tienen una completa relación y coherencia con los parámetros definidos
en esta instancia de datos y que las variables se ajustaron de la manera en que intuitivamente se
esperaba.

10
5. Análisis de sensibilidad
En este apartado se analizará la robustez de la solución óptima. En general, se presentarán 2
tipos de análisis de sensibilidad. Siempre se describirá como se comporta el modelo con la instancia
de datos presentada en la sección 3 (y en excel de parámetros), pero con uno de sus parámetros
sufriendo alguna modificación.
El primer tipo de análisis será un análisis en profundidad de lo que ocurrirá con la solución óptima
frente a un importante cambio en la demanda, de tal modo que la mina en Chuquicamata súbita-
mente anula la demanda del dı́a 7. El análisis de este cambio en el parámetro de la demanda es
interesante, puesto que suelen haber paros en las minas por problemas sindicales, tal como el con-
tingente paro de Codelco [16]. Luego es significativo el análisis de cómo Electra deberı́a modificar su
funcionamiento de manera de seguir persiguiendo su objetivo de no consumir más CO2 del necesario.
El segundo tipo de análisis será un análisis superficial, en el que se mostrará solamente la variación
porcentual de la función objetivo con respecto a cambios en los valores de algunos de los parámetros
relevantes.

5.1. Variación parámetro Dt

Como se mencionó anteriormente, se analiza la nueva solución óptima del problema considerando
el mismo set de datos excepto por la demanda del dı́a 7, que se anula. Dentro de los archivos
entregados está el documento de excel resultados parámetro D”, que exhibe los valores tabulados
y graficados de las variables interesantes de comparar con la solución original —Las tablas D.i.
pertenecen siempre a este archivo excel.
El modelo obtiene la solución óptima con este cambio obteniéndose un valor óptimo de 14.614,7 kg
de CO2 , lo cual representa una variación de un -34.12 % con respecto al valor óptimo original. Se
puede apreciar entonces, por medio de la inspección del cambio en el valor óptimo, que el parámetro
de la demanda tiene un impacto fundamental en la función objetivo. A continuación se procederá a
hacer la comparación entre los valores de las variables entre la instancia original y ésta, para cada
uno de las variables —excepto para las variables del tipo X, pues no son interpretables fácilmente y
no generan un análisis mayor—.

5.1.1. Variable V
Se puede apreciar que en la nueva solución se implementa el cambio de que, en el dı́a 6, gran
parte de la energı́a solar se destina a cargar el sistema de almacenamiento como se puede apreciar
en el gráfico D3. a diferencia de la solución original, en que nada de la energı́a solar de ese dı́a se
destinaba a cargar el sistema de almacenamiento, como se puede ver en el gráfico S3. Esto se debe
principalmente al hecho de que, como no se deben alistar buses para que viajen el dı́a 7, entonces el
dı́a 6 se procede a destinar la energı́a solar en cargar el sistema de almacenamiento.

5.1.2. Variable SA
Lo mecionado en el párrafo anterior tiene una directa relación con que, para el dı́a 6, el sistema
de almacenamiento se llena en la nueva solución óptima, a diferencia de lo que ocurre en la solución
original. Esto se puede visualizar y comparar en las tablas D7 y S7, respectivamente.

5.1.3. Variable RE
El hecho de tener que gastar menos energı́a para cargar los buses que deberı́an salir el dı́a 7
debe tener repercusiones en la cantidad de energı́a que se extrae de la red para cargar el sistema de
almacenamiento. Efectivamente, lo anterior se cumple, pues se puede apreciar en el gráfico S6 que
antes se extrajo un total de 43 paquetes en total, frente a los sólo 31 con la nueva demanda, como

11
se puede apreciar en el gráfico D6. Este cambio trae importantes consecuencias a la disminución del
CO2 consumido.

5.1.4. Variable CB
Para esta variable no se presenta una interpretación de variación significativa entre las soluciones.
Sin embargo, se puede apreciar que, en la nueva solución, van aumentando progresivamente la
cantidad de buses cargados al final del dı́a desde el dı́a 6 hasta el dı́a 8, con el posible objetivo de
preparar la demanda del dı́a 9, tal como se puede apreciar en el gráfico D1, comparándolo con el
gráfico P1. En cambio, en la solución original no se presenta este fenómeno, posiblemente debido a
que 50 de esos buses debı́an ser utilizados el dı́a 7. Esto se puede visualizar en el gráfico S1.

5.1.5. Variable TE
Algo que no cambia es esta variable: a no ser que se dé el caso de muchos dı́as seguidos con
demandas muy pequeña, esta variable siempre será cero en los dı́as no triviales. Los valores de la
variable para las dos soluciones se pueden visalizar en los gráficos D4. y S4.

5.1.6. Variable VI
Esta variable es equivalente en ambas soluciones, pues la suma de estas en cada dı́a debe ser
siempre igual a la demanda, por la restricción número 1. Pero son diferentes para el dı́a 7 pues en
este dı́a la demanda de la nueva solución es cero. Esto se puede verificar observando los gráficos D2
y S2.
Como conclusión del profundo análisis hecho a la sensibilidad del modelo frente a un cambio
significativo en el parámetro Dt , se puede decir que el modelo se adapta de buena manera al cambio.
Se puede apreciar que todas las variables del modelo se modificaron para adaptarse a estas nuevas
condiciones de la manera lógicamente esperada. Además, debido al gran cambio en el valor óptimo,
se puede apreciar la relevancia de este parámetro como una restricción muy activa y relevante para
el modelo.

5.2. Variación de otros parámetros

5.2.1. Variación capacidad máxima de almacenamiento
Se analiza el modelo para conocer como reacciona a una disminución a la mitad de la capacidad
máxima de paquetes de energı́a que puede almacenar en su sistema de almacenamiento, pasando de
15 paquetes a 7 de capacidad. Es relevante conocer este resultado, pues eventualmente algunas de las
baterı́as pueden fallar, inutilizándose. El valor óptimo es de 23.471,0 kg de CO2 , lo cual representa
una variación de un 5.8 % . Se puede apreciar entonces que la capacidad de almacenamiento de la
baterı́a sı́ es un parámetro medianamente relevante en la función objetivo, pues su disminución a la
mitad tiene un significativo impacto en el valor óptimo. Por lo anterior, se deduce que la capacidad
máxima de almacenamiento sı́ es un parámetro que genera una restricción activa y muy restrictiva
de la función objetivo.

5.2.2. Variación cantidad máxima de paquetes por hora para cargar el sistema de
almacenamiento
Se analiza el modelo para conocer cómo reacciona ante una relajación total de la cantidad de
paquetes de energı́a con que se puede cargar el sistema de almacenamiento en una hora: el parámetro
TY pasa de ser 5 a ser 15. Es relevante conocer este resultado pues, en el caso el ser un parámetro
muy limitante de la solución óptima, se ve afecta la decisión de inversión en baterı́as que se carguen
a una mayor potencia eléctrica. El valor óptimo es de 22.121,7 kg de CO2 , lo cual representa una
variación de un -0.29 % . Se puede apreciar entonces que no es tan relevante en la función obje-
tivo, pues su aumento no tiene un impacto considerable en el valor óptimo. Luego, se tiene que

12
este parámetro sı́ es una restricción activa, pues se genera un cambio marginal, pero limita de una
manera muy pequeña a la función objetivo. Se concluye que no valdrı́a la pena invertir en lo plantedo.

5.2.3. Variación puestos de carga

Se analiza el modelo para conocer cómo reacciona ante una disminución de la mitad de los pues-
tos de carga, pasando de 9 a 5. Es relevante conocer este resultado pues eventualmente algunos
de los puestos de carga pueden fallar inutilizándose. El valor óptimo es de 22.372,7 kg de CO2 , lo
cual representa una variación de un 0.84 % . Entonces, se puede apreciar que no es tan relevan-
te en la función objetivo y que no es una restricción relevante al de los puestos de carga, a pesar
de ser restricciones activas, pues su disminución no tiene un impacto considerable en el valor óptimo.

5.2.4. Variación en energı́a solar

Se analiza el modelo para conocer como reacciona ante una disminución total de la cantidad de
paquetes de energı́a que entrega el parque solar en cada horario. Es relevante conocer este resultado,
pues eventualmente pudiese ocurrir en una situación real que haya un dı́a nublado y no se genere
energı́a solar. El valor óptimo es de 41.993,3 kg de CO2 , lo cual representa una variación de un
89.27 % . Entonces, se puede apreciar que es muy relevante en la función objetivo la presencia de
lo aportado por el parque solar y que genera restricciones muy activas, pues su ausencia tiene un
impacto crı́tico en el valor óptimo.

6. Conclusión
Para concluir, se puede decir que este modelo es una representación muy cercana de la realidad y
que, sin duda, aporta en la búsqueda de una solución al problema de la contaminación, pues se hizo
uso de valores y datos reales que permiten que el resultado del modelo sea verdadero. Esto sugiere
que este tipo de modelo pueda ser usado en otros ámbitos de las energı́as renovables. A partir de
los datos utilizados que, como se dijo anteriormente, son valores reales, se llegó a una solución muy
coherente con respecto a los parámetros establecidos, la cual cambia considerablemente al momento
de cambiar parámetros relevantes, tales como la radiación solar en cada hora del dı́a y la demanda
diaria, lo cual sugiere que el resultado tiene sentido con las condiciones dadas, de la misma manera
el valor óptimo no cambia mucho si se alteran ligeramente ciertos parámetros de menor importancia.
Es muy importante analizar bien los datos que entrega la solución, pues el instinto sugerirı́a que son
incoherentes; pero, si se lleva a cabo un correcto análisis, se concluye que sı́ tienen sentido y cohesión
con lo que habla el modelo. Este es el caso, por ejemplo, de la variable de la cantidad de energı́a
de red que se usa: se podrı́a pensar que es bueno no usar nunca la energı́a ”sucia”, pero el modelo
ayuda a entender que esto no siempre es ası́, y que no son valores triviales.
De manera general, el modelo funciona muy bien, entregando una solución que va de acorde al
problema planteado, pero llegar a una solución no fue un proceso fácil; éste requiró de un largo
proceso de modelación matemática en el que fue difı́cil llegar a todo lo necesario para obtener un
resultado óptimo. Además, una profunda investigación de distintas fuentes para poder tener un
modelo lo más cercano a la realidad posible, sin dejar de lado la programación de este, que tampoco
fue un proceso fácil, pero que al final dió los resultados esperados. Es importante destacar también
que este modelo está abierto a más cambios a futuro que permitan llegar a una mejor solución o que
incluso permitan adaptarlo a diferentes áreas que involucren también el uso de energı́as renovables.
Como comentario final, hubo un problema en el proceso en que nos dimos cuenta de que habı́a que
priorizar que viajaran siempre los buses de manór ı́ndice mientras estuvieran estos disponibles para
el viaje.

13
7. Bibliografı́a

[1] Sector Energia - SNI Chile. Ministerio del Medio Ambiente. Recuperado el 20 de abril de 2022
de https://snichile.mma.gob.cl/principales-resultados/sector-energia/

[2] Plataforma de Electromovilidad - Buses eléctricos de RED Metropolitana de Movilidad. (s/f).

Gob.cl. Recuperado el 19 de abril de 2022, de https://energia.gob.cl/electromovilidad/
transporte-de-pasajeros/buses-el%C3%A9ctricos-red

[3] Emisiones mundiales de CO2 de 1995 a 2021. Statista. Recuperado el 20 de abril de 2022 de https:
//es.statista.com/estadisticas/635894/emisiones-mundiales-de-dioxido-de-carbono/
#:~:text=Emisiones%20de%20di%C3%B3xido%20de%20carbono%20a%20nivel%20mundial%201995%
2D2021&text=A%20principios%20de%20siglo%2C%20las,2.000%20millones%20de%20toneladas%
20m%C3%A9tricas.

[4] Emisiones de Dioxido de Carbono. Agencia de protección Ambiental de Estados Unidos. Epa.gov.
Recuperado el 20 de abril de 2022 de https://espanol.epa.gov/la-energia-y-el-medioambiente/
emisiones-de-dioxido-de-carbono#:~:text=La%20principal%20actividad%20del%20ser,
tierra%20tambi%C3%A9n%20emiten%20CO2.

[5] Margarita Caballero, Socorro Lozano, Beatriz Ortega.(2007) Efecto invernadero, calentamien-
to global y cambio climático: una perspectiva desde las ciencias de la tierra. Pág(6). http:
//www.revista.unam.mx/vol.8/num10/art78/oct_art78.pdf

[6] Chile posee la mayor radiación solar del planeta - Electricidad. (s/f). Revistaei.cl. Recuperado el
20 de abril de 2022, de
https://www.revistaei.cl/2012/10/01/chile-posee-la-mayor-radiacion-solar-del-planeta/

[7] Descarbonización de la Matriz Energética, un gran paso hacia un paı́s carbono neutral. Mi-
nisterio del Medio Ambiente. Recuperado el 20 de abril de 2022 de https://mma.gob.cl/
descarbonizacion-de-la-matriz-energetica-un-gran-paso-hacia-un-pais-carbono-neutral/

[8] Plataforma de electromovilidad. Ministerio del Medio Ambiente.Recuperado el 20 de abril de 2022

de https://energia.gob.cl/electromovilidad/transporte-de-pasajeros/buses-el\unhbox\
voidb@x\bgroup\let\unhbox\voidb@x\setbox\@tempboxa\hbox{e\global\mathchardef\accent@
spacefactor\spacefactor}\let\begingroup\let\typeout\protect\begingroup\def\MessageBreak{Ω(Font)
}\let\protect\immediate\write\m@ne{LaTeXFontInfo:\def{}oninputline436.}\endgroup\
endgroup\relax\let\ignorespaces\relax\accent19e\egroup\spacefactor\accent@spacefactor\
futurelet\@let@token\protect\penalty\@M\hskip\z@skipctricos-red

[9] Transporte de personal en minerı́a: Por buen camino. Nueva minerı́a y energı́a. Recuperado el 20
de abril de 2022 de
https://www.nuevamineria.com/revista/transporte-de-personal-en-mineria-por-buen-camino/

[10] EnorChile S.A. (2021). Recuperado el 23 de mayo de 2022 de https://enorchile.cl/emisiones/

[11] Grafico 1. Recuperado del coordinador eléctrico nacional. https://www.coordinador.cl/operacion/

graficos/operacion-real/generacion-real-del-sistema/

[12]Termoeléctricas a carbon [. . . ]. La clave. Recuperado de: https://radiolaclave.cl/clima/

termoelectricas-a-carbon-como-funcionan-cuanto-contaminan-y-que-hacer-con-ellas/

[13] Explorador solar. (s/f). Minenergia.Cl. Recuperado el 24 de mayo de 2022, de https://solar.

14
 minenergia.cl/fotovoltaico

[14] Plataforma de Electromovilidad - Buses eléctricos de RED Metropolitana de Movilidad. (s/f).

Gob.cl. Recuperado el 24 de mayo de 2022, de https://energia.gob.cl/electromovilidad/
transporte-de-pasajeros/buses-electricos-red

[15] ¿Qué significa la indicación de kWh para el almacenamiento de energı́a solar con baterı́as de
litio? (2022, enero 12). EcoInventos.
https://ecoinventos.com/datos-tecnicos-baterias-de-litio-almacenamiento-solar/

[16] Paro nacional Codelco

https://www.biobiochile.cl/noticias/nacional/chile/2022/06/21/trabajadores-de-codelco-confirman-
shtml

[17] Plataforma de Electromovilidad - Tipos de cargadores para buses eléctricos. (s/f). Gob.cl. Recu-
perado el 22 de junio de 2022, de https://energia.gob.cl/electromovilidad/recursos-e-informacion-tecnic
cargadores-para-buses-electricos

15
 8. Anexos

Figura 1 – Esquema de la empresa

Figura 2 – Cantidad de MWh que entran a la red según el tipo de generación de electricidad

16
Figura 3 – Tabla 1.1. Consumo energético de buses a propulsión eléctrica del transporte público
urbano Santiago

Figura 4 – Gráfico 1.1

Figura 5 – Gráfico 1.2

17
Figura 6 – Gráfico 1.3

18