Trabajo de Titulo PFH v2

UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA
TRABAJO DE TÍTULO
DIMENSIONAMIENTO Y UBICACIÓN EFICIENTE DE
B AT E R Í A S E N E L S I S T E M A E L É C T R I C O N A C I O N A L
C O N S I D E R A N D O E S TA B I L I D A D D E V O LTA J E
ESTUDIANTE: PHILLIPPE FOIX HERNÁNDEZ

PROFESOR GUÍA: D R . R I C A R D O Á LVA R E Z
PROFESOR CORREFERENTE: RODRIGO ROZAS
P R O F E S O R C O R R E F E R E N T E : D R . C O N S TA N Z A A H U M A D A
1
Introducción
FEDERICO SANTA MARIA Motivación
• A nivel mundial las ERNC se están incorporando a gran escala en los Sistemas Eléctricos de Potencia (SEP)
• Las ERNC traen grandes beneficios para el medio ambiente (tecnologías de generación limpia)
• Problema: representan un desafío en la operación de los SEP para mantener la estabilidad del sistema.
• Bajos aportes de corriente de cortocircuito en comparación con los generadores sincrónicos
• Menor nivel de cortocircuito se traduce en tensiones más sensibles frente a perturbaciones
• Complica mantener la estabilidad voltaje
• Estabilidad de Voltaje: habilidad que posee un SEP para mantener los niveles de voltaje en todas las barras de la red dentro de los
niveles normales de operación ya sea por contingencias
2
Datos: Coordinador Eléctrico Nacional
Introducción
FEDERICO SANTA MARIA Motivación
• Solución: Integración de sistemas de almacenamiento de

Precio de baterías de ion-Litio – media
energía (BESS)
ponderada por volumen
• Menores costos de inversión las hacen más
-22%
1,306 competitivas con en los SEP
-21% • Capacidad de entregar y/o absorber potencia activa y

1,013
reactiva hacia y desde la red de forma rápida es buena
-8%
796 -11% solución para mitigar cambios repentinos de carga y
732
649
-35% generación renovables
-23% • BESS pueden aportar corrientes de cortocircuito y
421 -25%
323 -18% -13% -13% +7%
contribuir a la estabilidad del sistema en caso de fallas
-6%
242
198 172 150 141 151 ¿Cómo ubicar las baterías en el sistema eléctrico nacional de
forma tal que se maximice el aporte su aporte a la estabilidad
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 durante contingencias?
Precio de baterías (real 2022 $/kWh)
3
Datos: Bloomberg NEF
Marco Teórico
FEDERICO SANTA MARIA Algoritmo Genético
Algoritmo Genético
Un AG buscar resolver un problema de

optimización de manera iterativa, utilizando
como estrategia la evolución biológica.
La estructura general del algoritmo es:
• Población inicial
• Función de desempeño (fitness)
• Selección de padres
• Intercambio de genes (Crossover)
• Mutación
• Criterio de convergencia
4
Marco Teórico
FEDERICO SANTA MARIA Optimización uniobjetivo
• Problemas de optimización tradicionales buscan el valor de variables de decisión que maximicen o minimicen una función
objetivo, y que cumplan con un conjunto de restricciones
• Los algoritmos genéticos son ampliamente utilizados para resolver este tipo de optimizaciones de manera iterativa
• Sin embargo, el problema que se desea abordar consiste determinar simultáneamente cierta cantidad de baterías y su impacto en
la estabilidad del sistema
• Para esto se hace necesario implementar una optimización multiobjetivo donde un objetivo es maximizar el criterio de
estabilidad y el otro es minimizar los costos de inversión
5
Marco Teórico
FEDERICO SANTA MARIA Optimización Multiobjetivo
• Problemas que interpretan la realidad involucran la

80 optimización simultánea de varias funciones objetivo.
75 • Estos algoritmos se basan en el concepto de eficiencia de
Pareto.
70
• Una solución se dice que es Pareto eficiente o Pareto
Función Objetivo 2
65
Óptima cuando no existe otra solución que mejore un
60 objetivo, sino empeorar al menos uno de los otros.
55 • Usualmente no existe una única solución. El conjunto de
50
soluciones Pareto-eficientes se denomina Frente de Pareto
Óptimo.. Éste y el resto de los Frentes de Pareto se basan
45 en el concepto de dominancia y no dominancia de
40 soluciones.
30 35 40 45 50 55 60 65 70
Función Objetivo 1
6
Marco Teórico
Dominancia • Problemas que interpretan la realidad involucran la

77 optimización simultánea de varias funciones objetivo.
76.5 • Estos algoritmos se basan en el concepto de eficiencia de
Pareto.
76
• Una solución se dice que es Pareto eficiente o Pareto
Función Objetivo 2
75.5
Óptima cuando no existe otra solución que mejore un
75 objetivo, sino empeorar al menos uno de los otros.
74.5 • Usualmente no existe una única solución. El conjunto de
74
soluciones Pareto-eficientes se denomina Frente de Pareto
A C Óptimo.. Éste y el resto de los Frentes de Pareto se basan
73.5 en el concepto de dominancia y no dominancia de
B
73 soluciones.
34 36 38 40 42 44
Función Objetivo 1
𝑓 1 ( 𝐴 ) < 𝑓 1 ( 𝐵 ) ∧ 𝑓𝐴2 ( 𝐴 ) > 𝑓 2( 𝐵) ≺𝐵

𝑓 1 ( 𝐴 ) < 𝑓 1 ( 𝐶 ) ∧ 𝑓 2 ( 𝐴 ) > 𝑓 2 (𝐶)No hay dominancia entre A y C
𝑓 1 ( 𝐶 ) < 𝑓 1 ( 𝐵 ) ∧ 𝑓 2 ( 𝐶 ) > 𝑓 2 ( 𝐵)No hay dominancia entre B y C
7
Marco Teórico
Frente de Pareto Óptimo Min-Max

• El Frente de Pareto Óptimo contiene soluciones que no son
80 dominadas.
75 • El Frente de Pareto que le sigue contiene soluciones que
son dominadas solo por una solución (del Frente Óptimo),
70
y así sucesivamente.
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
8
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
9
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
10
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
11
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
12
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
13
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
14
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
15
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
16
Marco Teórico

80 dominadas.
70
Función Objetivo 2
65
60
55
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
17
Metodología
FEDERICO SANTA MARIA Esquema Metodológico
Estrategia implementada
• Los datos de entrada son parámetros técnicos del algoritmo y una base de datos del SEP en el
software DIgSILENT PowerFactory
• Se seleccionan las barras candidatas donde se podrían instalar baterías. Corresponden a las
barras donde la incorporación de baterías tiene un mayor efecto en la estabilidad
• En la iteración se genera una población de individuos
• Cada individuo representa una solución factible al problema de optimización
• En la iteración inicial la población se genera de forma aleatoria
• La población se genera en los procesos de crossover y mutación a partir de un conjunto
de mejores individuos llamado población elite
• Los individuos de la población son evaluados en base al cálculo de la función fitness (valor de
índice de estabilidad de tensión del sistema)
• Se determina si se realiza la búsqueda local. Se realiza cada cierto número de iteraciones
• Se explora la vecindad de individuos seleccionados estratégicamente para tener mejores
soluciones
• Individuos generados se agregan al conjunto de Población Total
18
Metodología
FEDERICO SANTA MARIA Esquema Metodológico
Estrategia implementada
• Individuos se clasifican en Fronteras de Pareto en base a su fitness y número de baterías
instaladas
• Se evalúa si se cumplen los criterios de término del algoritmo.
• Si no se termina el proceso, se determina la Población Élite con individuos del conjunto de
Población Total.
• Comienza una nueva iteración. La población generada para la iteración entrante se compone de
tres etapas:
• Selección de candidatos del conjunto élite en base a dominancia y aglomeración con
otras soluciones
• Generación de descendencia por medio del proceso de Crossover pares de los
candidatos
• Se exploran soluciones en el proceso de mutación al modificar aleatoriamente algunas
características de los individuos
19
Caso de estudio
FEDERICO SANTA MARIA Características del sistema
Características generales
• Base de datos que modela el Sistema Eléctrico Nacional en
un escenario de planificación al 2028
• La potencia máxima es aproximadamente 38.000 MW
• 15.000 MW corresponden a generación solar, eólica y
almacenamiento
• Este modelo contempla las obras del plan de expansión de la
transmisión 2021
• Se modela en un horario de día (alta penetración ERV, altas
transferencias Norte-Sur y bajas inercias en Norte Grande y
Nueva
Centro
Nueva Nueva Pan de Azúcar
Polpaico
Kimal Los Changos
520 654
Parinas
800
Cumbres
840
Cardones Maitencillo
960 1700 1700
• Tramo Nueva Pan de Azúcar – Polpaico 500 kV se asigna
con capacidad máxima (aproximadamente 1700 MW)
==
==
==
==
==
==
528 54 130 770 50
160
130
20
Caso de estudio
FEDERICO SANTA MARIA Datos de Entrada
Contingencias
Según el Coordinador Eléctrico Nacional, una falla en el tramo

Kimal – Los Changos 500 kV representa un escenario crítico
para el funcionamiento del SEN en la zona norte.
Para la validación del modelo se ejecutará una contingencia
en:
• Subestación Kimal, barra de 500 kV
• Subestación Los Changos, barra 500 kV
21
Caso de estudio
FEDERICO SANTA MARIA Datos de Entrada
Contingencia en S/E Kimal Contingencia en S/E Los Changos
Falla Kimal 500 kV Falla Los Changos 500 kV

Peso de la falla 1 Peso de la falla 1
Número de fallas 1 Número de fallas 1
Tensión Transitoria (p.u.) 0,485 Tensión Transitoria (p.u.) 0,4
Voltaje en kV para localización de módulos 220 Voltaje en kV para localización de módulos 220
Número de módulos 25 Número de módulos 25
Potencia total de BESS en MVA 250 Potencia total de BESS en MVA 250
Número Máximo de Generaciones 200 Número Máximo de Generaciones 200
22
Caso de estudio
FEDERICO SANTA MARIA Definición de casos
Caso 1: Contingencia en S/E Kimal - Uniobjetivo
Caso 2: Contingencia en S/E Kimal - Multiobjetivo
Caso 3: Contingencia en S/E Los Changos - Uniobjetivo
Caso 4: Contingencia en S/E Los Changos - Multiobjetivo
23
Resultados
FEDERICO SANTA MARIA Falla en Kimal 500 kV
Caso 1: Uniobjetivo – Algoritmo Original
24
Resultados
Mejor solución obtenida

Nombre N° de baterías
Radomiro Tomic 21
Maitenes 1
Gaby 2
El Tesoro 1
25
Resultados
Caso 1: Uniobjetivo – Algoritmo Original + Búsqueda Local
26
Resultados

El Tesoro 25
27
Resultados
Caso 2: Multiobjetivo

El Tesoro 25
Código N° de pruebas Tiempo[h] Fitness

Código original 66 0,8347 24,583112
Código original
+ búsqueda 120 4,9408 24,583917
local
Optimización
40 5,4233 24,5839167
Multiobjetivo
28
Resultados
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
29
Resultados

Gaby 15
Maitenes 8
Farellón 2
30
Resultados
31
Resultados

Laguna Seca 25
32
Resultados
Caso 4: Multiobjetivo

El Tesoro 25
Código N° de pruebas Tiempo[h] Fitness

Código original 34 0,8489 17,679382
Código original
+ búsqueda 160 6,0414 17,744285
local
Optimización
57 7,623 17,74428524
Multiobjetivo
33
Conclusiones
FEDERICO SANTA MARIA Objetivos
• En la revisión del estado del arte se encontraron diferentes estrategias de algoritmos heurísticos para la optimización multiobjetivo,
siendo las más relevantes el SPEA, NNC y NSGA II
• Se consideraron métodos de optimización de índices de estabilidad con el fin de revisar los antecedentes y mejores opciones de la
literatura para evaluar la robustez del sistema
• Se desarrolló un algoritmo de optimización multiobjetivo que considera los elementos del sistema eléctrico para encontrar el
posicionamiento de equipos de almacenamiento (baterías) dada una contingencia en el sistema
• Al algoritmo de optimización multiobjetivo se le incorporó una estrategia de búsqueda local de la que no existe análisis en la
literatura especializada
• El método diseñado permitió realizar una buena ubicación de baterías en el modelo más realista del Sistema Eléctrico Nacional.
• Los resultados obtenidos indican que las baterías pueden contribuir a la estabilidad del sistema y se puede determinar su cantidad
para distintos escenarios de planificación, destacando aquellos con alta penetración de ERNC
34
Conclusiones
FEDERICO SANTA MARIA Tr a b a jo s f u tu r o s
• Gran parte de los resultados se concentra para valores

mayores al 50% de la cantidad total de baterías. Esto puede
• Kimal
corregirse desarrollando más los criterios de la búsqueda
local junto con la formación de la población elite
• Los Changos
35
Conclusiones
• Gran parte de los resultados se concentra para valores

mayores al 50% de la cantidad total de baterías. Esto puede
• Kimal
corregirse desarrollando más los criterios de la búsqueda
local junto con la formación de la población elite
• Se estudió el almacenamiento y carga de datos en el proceso
de ejecución. Se encontró que el tiempo de ejecución del
algoritmo tiene una considerable holgura para ser
optimizado
• Los Changos
36
Conclusiones
• Gran parte de los resultados se concentra para valores mayores al 50% de la cantidad total de baterías. Esto puede corregirse
desarrollando más los criterios de la búsqueda local junto con la formación de la población elite
• Se estudió el almacenamiento y carga de datos en el proceso de ejecución. Se encontró que el tiempo de ejecución del algoritmo
tiene una considerable holgura para ser optimizado
• El algoritmo se puede ampliar para estudiar fallas múltiples dado un caso, esto incrementaría de forma impredecible el tiempo de
ejecución del proceso
• El algoritmo permite la exploración de diferentes funciones objetivo tales como el modelo BESS que se desea implementar, los
múltiples aspectos económicos u otros índices de estabilidad
• En este trabajo el algoritmo desarrollado considera elementos BESS, sin embargo, es posible agregar otros elementos tales como
STATCOMs para ubicar basándose en otros criterios
37
TRABAJO DE TÍTULO
DIMENSIONAMIENTO Y UBICACIÓN EFICIENTE DE
B AT E R Í A S E N E L S I S T E M A E L É C T R I C O N A C I O N A L
C O N S I D E R A N D O E S TA B I L I D A D D E V O LTA J E
ESTUDIANTE: PHILLIPPE FOIX HERNÁNDEZ

PROFESOR GUÍA: R I C A R D O Á LVA R E Z
PROFESOR CORREFERENTE: RODRIGO ROZAS
P R O F E S O R C O R R E F E R E N T E : C O N S TA N Z A A H U M A D A
38
Metodología
FEDERICO SANTA MARIA Población y genes
Población
Los genes
• El individuo se compone de genes que pueden adquirir valores binarios, enteros o reales.
• En este caso, cada gen representa una barra candidata y puede adquirir valores enteros
• El valor que adquiere cada gen indica la cantidad de unidades de baterías instaladas en esa barra
El individuo y su población
• El conjunto de individuos generados en una iteración se denomina población. Queda
representada por el conjunto
• El conjunto contiene todos los individuos generados durante el proceso de optimización
• La población elite se considera para el crossover y la mutación. Contiene los mejores individuos
de
39
Metodología
FEDERICO SANTA MARIA Datos, parámetros y conjunto de barras
candidatas
Selección de barras candidatas para la Datos y parámetros
ubicación de baterías El modelo del sistema en estudio: corresponde a una base de datos en el programa DIgSILENT
PowerFactory.
La base datos contiene:
Las barras candidatas forman el conjunto de barras del SEP que serán • El modelo detallado del sistema eléctrico en estudio
consideradas para el proceso de optimización.
• Falla implementada junto a su ubicación y cálculo de cortocircuito
Cumplen con la tensión nominal y la tensión transitoria máxima.
Los parámetros del programa son:
Se considera la potencia de cortocircuito de la barra como criterio de
• Número de fallas
selección. Las barras con menor potencia son débiles para la robustez del
sistema. • Peso de las fallas
• Tensión del sistema para ubicar baterías
• Tensión transitoria máxima
• Cantidad máxima de barras candidatas
• Cantidad máxima de baterías a instalar
• Potencia aparente de la batería
• Número de generaciones
• Número de individuos de la población
• Frecuencia de búsqueda local
• Cantidad de barras candidatas para la exploración
• Discretización del espacio de búsqueda
• Umbral de empeoramiento
• Retiro máximo de baterías
40
• Probabilidad de mutación
Metodología
FEDERICO SANTA MARIA Generación y evaluación de la Población
Crossover
Selección de padres
Cada individuo tiene una probabilidad de selección proporcional a su Frontera de Pareto. Los
mejores individuos tienen mayor probabilidad y los menos aptos aún pueden ser seleccionados
Frontera 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅
1 0.5
Mutación 2 0.25
La cantidad de genes que serán mutados está definida por la siguiente función: 3 0.20
4 0.04
𝑚 ( 𝑁 𝐾 , 𝑁 𝑚𝑢𝑡
𝑔 ) =⌈
𝑁 𝐾 − 𝑁 𝑚𝑢𝑡
𝑔 −1+ √ ( 𝑁 𝐾 − 𝑁 𝑚𝑢𝑡
𝑔 𝑔
2
−1 ) + 8 𝑁 𝐾 𝑁 𝑚𝑢𝑡
⌉
>5 0.01
4
Donde:
: Corresponde a la función techo.
: Corresponde al número de barras candidatas.
: Corresponde al número de baterías que se van a relocalizar entre los genes mutados.
41
Metodología
Función Objetivo 1
Función Objetivo
𝑔 La Función Objetivo 1 se define como la suma de las baterías que se instalan
𝑛 _ 𝑏𝑒𝑠𝑠 ( 𝑥𝑔 )=∑ 𝐵𝑖 en el sistema. Ésta se busca minimizar.

La Función Objetivo 2 cuantifica la caída de tensión durante contingencias,
𝑖 según ciertas condiciones operacionales críticas del sistema. Ésta se busca
maximizar.
Donde:
: Cantidad de baterías instaladas en la barra i del conjunto de barras
candidatas g.
42
Metodología
Función Objetivo 2
(∑ (| |))
𝑁𝑐 𝑁𝐾 Función Objetivo
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 ( 𝑥 𝑔 )=∑ 𝜆𝑘 ∙ 𝑈 𝑖𝑘
La Función Objetivo 1 se define como la suma de las baterías que se instalan
en el sistema. Ésta se busca minimizar.
𝑗=1 𝑖=1 según ciertas condiciones operacionales críticas del sistema. Ésta se busca
maximizar.
Donde:
: Número de contingencias.
: Número de barras candidatas para la localización de baterías.
: factor de peso de la contingencia k.
: voltaje transitorio en la barra i durante la contingencia j con asignación de
unidades de baterías en las barras candidatas g.
43
Metodología
Optimización Multiobjetivo
Función Objetivo
{min 𝑛 _ 𝑏𝑒𝑠𝑠 ( 𝑥 ) , max 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 ( 𝑥 ) }
𝑥∈𝑋 𝑥∈𝑋
La Función Objetivo 1 se define como la suma de las baterías que se instalan
en el sistema. Ésta se busca minimizar.
según ciertas condiciones operacionales críticas del sistema. Ésta se busca
Sujeto a:
maximizar.
𝑔
∑ 𝐵𝑖 ≤ 𝐵𝑚𝑎𝑥
𝑖
Donde:
es la cantidad máxima de baterías que se pueden instalar en el sistema,
definida por el usuario.
44
Metodología
FEDERICO SANTA MARIA Búsqueda Local
Soluciones Sensibilidad de barras candidatas

• Se cambia levemente las características de una solución explorada para identificar si existe una
mejor solución
• Existen barras más sensibles que otras respecto al posicionamiento o retiro de unidades baterías
• La sensibilidad es la cuantificación del aumento del fitness al instalar baterías, por lo que las
barras más sensibles se eligen en base a esto y al número máximo de barras a considerar
Zonas de búsqueda
• Todos los individuos de la población total que no han sido seleccionados para este proceso son
candidatos para realizar una búsqueda local
• Para elegir los individuos se realizan los siguientes pasos:
• Se discretiza el eje de las abscisas en rangos definidos por el parámetro de entrada
respectivo
• Se identifican los individuos que pertenecen a cada rango
• Por cada grupo se escoge un individuo de forma aleatoria
45
Metodología

mejor solución
Zonas de búsqueda
respectivo
46
Metodología

mejor solución
Zonas de búsqueda
respectivo
47
Metodología
Exploración de soluciones Retiro de baterías

• El factor de empeoramiento indica la máxima disminución aceptable del valor de fitness cuando
se retira una unidad de batería
• El umbral de empeoramiento es el rango máximo que admite retiro de baterías
• Por cada individuo, y mientras se respete criterio del umbral de empeoramiento, se confirma el
retiro de la batería que más influye en la disminución del fitness
Adición de baterías
• A cada individuo resultante del proceso anterior se le reintegran la cantidad de baterías retiradas
explorando el conjunto de barras candidatas sensibles
• Una vez que se han probado todas las barras de exploración, se elige la solución que entrega el
fitness más elevado
• Esto se repite hasta que todas las baterías son reintegradas
• Todos los individuos explorados se agregan a la población total
48
Metodología
Soluciones y exploración Retiro de baterías

• El factor de empeoramiento indica la máxima disminución aceptable del valor de fitness cuando
se retira una unidad de batería
• El umbral de empeoramiento es el rango máximo que admite retiro de baterías
• Por cada individuo, y mientras se respete criterio del umbral de empeoramiento, se confirma el
retiro de la batería que más influye en la disminución del fitness
Adición de baterías
• A cada individuo resultante del proceso anterior se le reintegran la cantidad de baterías retiradas
explorando el conjunto de barras candidatas sensibles
• Una vez que se han probado todas las barras de exploración, se elige la solución que entrega el
fitness más elevado
• Esto se repite hasta que todas las baterías son reintegradas
• Todos los individuos explorados se agregan a la población total
49
Metodología
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
• Frontera 1
• Frontera 2
• Frontera 3
• Frontera 4
•
•
Frontera 5
Frontera 6
Non-dominated Sorting
• Frontera 7 • El objetivo es clasificar a los individuos en fronteras o frentes de Pareto
• Se considera el valor de la función , que es discrete por representar el
número de baterías. Para cada individuo con dicho valor se revisa la
función
• Se toma aquel individuo en con mayor valor en y se asigna la mayor
frontera de Pareto disponible
• Cuando todos los valores de han sido considerados se completa la
frontera de Pareto
• Esto se repite para todo los valores de hasta que todos los individuos
hayan sido clasificados
50
Metodología
Etapa I: Asignación de distancia
Crowding Distance Sorting

En esta etapa se asigna un factor de distancia a cada solución:
• Se elige una frontera
51
Metodología
FEDERICO SANTA MARIA Frontera Pareto eficiente

• Se toma un elemento de la frontera y se le asigna una distancia igual a cero.
• Se toma una función objetivo, por ejemplo
• En un conjunto, se ordenan los elementos de menor a mayor según el
valor dado por
52
Metodología

• Se toma un elemento de la frontera y se le asigna una distancia igual a cero.
valor dado por
• El primer y último elemento del conjunto ordenado tienen distancia
infinita
53
Metodología

• Se toma un elemento de la frontera y se le asigna una distancia inicial igual a
cero.
valor dado por
• El primer y último elemento ordenado tienen distancia infinita
• Se calcula la distancia del elemento a partir del resto de elementos de la
frontera según
• Se pasa a la siguiente función objetivo, en este caso , se agregan las nuevas

distancias.
• Se elige otro elemento de la frontera, se repite el proceso de asignación de
distancia.
• Se pasa a la siguiente frontera
54
Metodología
Etapa II: Selección de individuos

En esta etapa se genera el conjunto de la población de la iteración que viene:
• El objetivo es comparar las soluciones entre sí considerando dos aspectos:
• El frente de Pareto donde se encuentra
• Su factor de distancia
• Para una solución y una solución se tienen dos escenarios:
• La solución que esté en la mejor frontera es seleccionada
• Cuando están en la misma frontera, la que tiene mayor factor de
distancia es seleccionada. En caso de tener mismo factor de
distancia se selecciona de forma aleatoria
55
Metodología
Etapa II: Selección de individuos

En esta etapa se genera el conjunto de la población de la iteración que viene:
• El objetivo es comparar las soluciones entre sí considerando dos aspectos:
• El frente de Pareto donde se encuentra
• Su factor de distancia
• Para una solución y una solución se tienen dos escenarios:
• La solución que esté en la mejor frontera es seleccionada
• Cuando están en la misma frontera, la que tiene mayor factor de
distancia es seleccionada. En caso de tener mismo factor de
distancia se selecciona de forma aleatoria
56

Trabajo de Titulo PFH v2

Cargado por

Información del documento

Descripción original:

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

Trabajo de Titulo PFH v2

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA

FEDERICO SANTA MARIA

ESTUDIANTE: PHILLIPPE FOIX HERNÁNDEZ

• Solución: Integración de sistemas de almacenamiento de

-21% • Capacidad de entregar y/o absorber potencia activa y

Un AG buscar resolver un problema de

• Problemas que interpretan la realidad involucran la

Dominancia • Problemas que interpretan la realidad involucran la

𝑓 1 ( 𝐴 ) < 𝑓 1 ( 𝐵 ) ∧ 𝑓𝐴2 ( 𝐴 ) > 𝑓 2( 𝐵) ≺𝐵

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

Frente de Pareto Óptimo Min-Max

528 54 130 770 50

Según el Coordinador Eléctrico Nacional, una falla en el tramo

Contingencia en S/E Kimal Contingencia en S/E Los Changos

Falla Kimal 500 kV Falla Los Changos 500 kV

Caso 1: Contingencia en S/E Kimal - Uniobjetivo

Caso 2: Contingencia en S/E Kimal - Multiobjetivo

Caso 3: Contingencia en S/E Los Changos - Uniobjetivo

Caso 4: Contingencia en S/E Los Changos - Multiobjetivo

Caso 1: Uniobjetivo – Algoritmo Original

Caso 1: Uniobjetivo – Algoritmo Original

Mejor solución obtenida

Caso 1: Uniobjetivo – Algoritmo Original + Búsqueda Local

Caso 1: Uniobjetivo – Algoritmo Original + Búsqueda Local

Mejor solución obtenida

Mejor solución obtenida

Código N° de pruebas Tiempo[h] Fitness

Caso 3: Uniobjetivo – Algoritmo Original

Caso 3: Uniobjetivo – Algoritmo Original

Mejor solución obtenida

Caso 3: Uniobjetivo – Algoritmo Original + Búsqueda Local

Caso 3: Uniobjetivo – Algoritmo Original + Búsqueda Local

Mejor solución obtenida

Mejor solución obtenida

Código N° de pruebas Tiempo[h] Fitness

• Gran parte de los resultados se concentra para valores

• Gran parte de los resultados se concentra para valores

ESTUDIANTE: PHILLIPPE FOIX HERNÁNDEZ

: Corresponde a la función techo.

: Corresponde al número de barras candidatas.

𝑛 _ 𝑏𝑒𝑠𝑠 ( 𝑥𝑔 )=∑ 𝐵𝑖 en el sistema. Ésta se busca minimizar.

Soluciones Sensibilidad de barras candidatas

Soluciones Sensibilidad de barras candidatas

Soluciones Sensibilidad de barras candidatas

Exploración de soluciones Retiro de baterías

Soluciones y exploración Retiro de baterías

Etapa I: Asignación de distancia

Crowding Distance Sorting

Etapa I: Asignación de distancia

Crowding Distance Sorting

Etapa I: Asignación de distancia

Crowding Distance Sorting

Etapa I: Asignación de distancia

Crowding Distance Sorting

• Se pasa a la siguiente función objetivo, en este caso , se agregan las nuevas