Trabajo de Titulo PFH v4

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 tecnologías de Energía Renovable No Convencional (ERNC) se están incorporando a gran escala en los
Sistemas Eléctricos de Potencia (SEP)
• Las tecnologías ERNC traen grandes beneficios para el medio ambiente
• Problema: representan un desafío en la operación de los SEP para mantener la estabilidad del sistema.
• Bajos aportes de corriente de cortocircuito ()
• 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 debido a contingencias
2
Introducción
FEDERICO SANTA MARIA Motivación
• Solución: Integración de sistemas de almacenamiento de energía (BESS)

• Menores costos de inversión las hacen más competitivas
• Capacidad de entregar y/o absorber potencia activa y reactiva hacia y desde la red de forma rápida
• Unidades BESS pueden aportar corrientes de cortocircuito ( )
¿Cómo ubicar las baterías en el SEN de tal forma que se maximice su aporte a la estabilidad de voltaje
durante contingencias?
3
Datos: Black & Veatch
Marco Teórico
FEDERICO SANTA MARIA Algoritmo Genético
Algoritmo Genético
Un AG busca resolver un problema de

optimización de manera iterativa, utilizando
como estrategia la evolución biológica.
La estructura general del algoritmo es:
• Población
• 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 exige 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
• Se basa en el concepto de eficiencia de Pareto.

80 • Una solución se dice que es Pareto eficiente o Pareto
75 Óptima cuando no existe otra solución que mejore un
objetivo, sin empeorar al menos uno de los otros.
70
• Usualmente no existe una única solución óptima. El
Función Objetivo 2
65
conjunto de soluciones Pareto-eficientes se denomina
60 Frente de Pareto Óptimo.
55 • Existen otros Frentes de Pareto
50 • Soluciones se clasifican según el criterio de Dominancia y
No-Dominancia
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
6
Marco Teórico
Dominancia • Se basa en el concepto de eficiencia de Pareto

77 • Una solución se dice que es Pareto eficiente o Pareto
76.5 Óptima cuando no existe otra solución que mejore un
objetivo, sin empeorar al menos uno de los otros.
76
• Usualmente no existe una única solución óptima. El
Función Objetivo 2
75.5
conjunto de soluciones Pareto-eficientes se denomina
75 Frente de Pareto Óptimo.
74.5 • Existen otros Frentes de Pareto
74 A • Soluciones se clasifican según el criterio de Dominancia y
C No-Dominancia
73.5
B
73
34 36 38 40 42 44
Función Objetivo 1
𝑀𝑖𝑛 𝐹 𝑂𝑓11 ( 𝐴 ) < 𝑓 1 ( 𝐵 ) ∧ 𝑓𝐴 2 ( 𝐴 ) > 𝑓 2( 𝐵) 𝐵 ≺

𝑀𝑎𝑥 𝐹 𝑂𝑓 21 ( 𝐴 ) < 𝑓 1 ( 𝐶 ) ∧ 𝑓 2 ( 𝐴 ) < 𝑓 2 (𝐶)No hay dominancia entre A y C
𝑓 1 ( 𝐵 )< 𝑓 1 ( 𝐶 ) ∧ 𝑓 2 ( 𝐵 ) < 𝑓 2 ( 𝐶)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
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 es 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
9
Metodología
• 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
• 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.
10
Metodología
• Si no se termina el proceso, se crea la Población Élite con
individuos del conjunto de Población Total Y.
• Comienza una nueva iteración. La población que se genera se
construye de tres etapas:
• De la población élite se seleccionan individuos en base a
dominancia y aglomeración con otras soluciones
• En la descendencia se crean individuos por medio del
proceso de intercambio de genes
• La mutación explora soluciones al modificar
aleatoriamente algunas características de los individuos
11
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 capacidad instalada aproximadamente es 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
• Tramo Nueva Pan de Azúcar – Polpaico 500 kV se asigna
Nueva con capacidad máxima
Nueva Nueva Pan de Azúcar
Kimal Los Changos Parinas Polpaico
Cumbres Cardones Maitencillo
520 654 800 840 960 1700 1700
==
==
==
==
==
==
528 54 130 770 50
160
130
12
Datos: Coordinador Eléctrico Nacional
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 de la herramienta se ejecutará una
contingencia en:
• Subestación Kimal, barra de 500 kV
• Subestación Los Changos, barra 500 kV
13
Caso de estudio
FEDERICO SANTA MARIA Definición de casos
Caso 1: Contingencia en S/E Kimal – Uniobjetivo 1
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
1
C. Rahmann, N. Cifuentes, F. Valencia y R. Alvarez Galleguillos, «Network Allocation of BESS with Voltage Support Capability for improving the 14
Stability of Power Systems,» IET Generation, Transmission & Distribution, vol. 13, nº 6, pp. 939-949, 2019.
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
15
Resultados
FEDERICO SANTA MARIA Falla en Kimal 500 kV
Caso 1: Uniobjetivo – Código Original
16
Resultados
Mejor solución obtenida: 24,583112

Nombre N° de baterías
Radomiro Tomic 21
Maitenes 1
Gaby 2
El Tesoro 1
17
Resultados
Caso 1: Uniobjetivo – Código Extendido
18
Resultados

El Tesoro 25
19
Resultados
Caso 2: Multiobjetivo
Mejor solución obtenida

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

Código original 66 0,8347 24,583112
Código
120 4,9408 24,583917
extendido
Optimización
40 5,4233 24,5839167
Multiobjetivo
20
Resultados
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
21
Resultados

Gaby 15
Maitenes 8
Farellón 2
22
Resultados
23
Resultados

Laguna Seca 25
24
Resultados
Caso 4: Multiobjetivo
Mejor solución obtenida

Barra N° de baterías
Laguna Seca 25
Código N° de pruebas Tiempo[h] Fitness

Código original 134 0,8489 17,679382
Código
140 6,0414 17,744285
extendido
Optimización
57 7,623 17,74428524
Multiobjetivo
25
Resultados
FEDERICO SANTA MARIA Simulación Dinámica
Consideraciones
• Se utilizan los resultados de la optimización multiobjetivo para constatar el efecto en la estabilidad de voltaje del SEN
• Las simulaciones dinámicas consideran el escenario crítico definido por el Coordinador:
• Falla bifásica a tierra sin impedancia de cortocircuito en la mitad del tramo Kimal-Los Changos
• Ocurrencia de falla en tiempo 1[s] y despeje en tiempo 120[ms]
26
Resultados
Medición en S/E Kimal Medición en S/E Los Changos
27
Resultados
28
Resultados
29
Resultados
30
Resultados
31 31
Resultados
Solución Falla Los

Sin Baterías Solución Falla Kimal
Barra Changos
TA[s] FA[%] TA[s] FA[%] TA[s] FA[%]
Kimal 500 kV 2,119 1,952 1,950
20,99 14,88 14,38
Los Changos 500 kV 2,047 1,896 1,953
32
Conclusiones
FEDERICO SANTA MARIA Objetivos
• Se revisó el estado del arte de estrategias de algoritmos heurísticos para la optimización multiobjetivo
• Se estudiaron métodos de optimización de índices de estabilidad
• Se desarrolló un algoritmo de optimización multiobjetivo para posicionar equipos de almacenamiento (baterías) dada una
contingencia en el sistema
• Al algoritmo de optimización multiobjetivo se le incorporó una estrategia de búsqueda local
• Se obtuvo 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
33
Conclusiones
FEDERICO SANTA MARIA Tr a b a jo s f u tu r o s
• Mejorar los criterios de la búsqueda local y formación de

población élite para explorar más opciones
• Kimal
• Los Changos
34
Conclusiones
FEDERICO SANTA MARIA Tr a b a jo s f u tu r o s
• Mejorar los criterios de la búsqueda local y formación de población élite para explorar más opciones
• El tiempo de ejecución del algoritmo tiene una considerable holgura para ser optimizado
• Implementar fallas múltiples
• Se puede aumentar la cantidad de funciones objetivo para optimizar
• Se pueden agregar otros elementos que contribuyen a la estabilidad del sistema tales como STATCOMs o SVCs
35
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
36
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
37
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
38
• 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.
39
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.
40
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.
41
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.
42
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
43
Metodología

mejor solución
Zonas de búsqueda
respectivo
44
Metodología

mejor solución
Zonas de búsqueda
respectivo
45
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
46
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
47
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
48
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
49
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
50
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
51
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
52
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
53
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
54
Resultados
55
Resultados
56
Resultados
57
Resultados
58

Trabajo de Titulo PFH v4

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 v4

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA

FEDERICO SANTA MARIA

ESTUDIANTE: PHILLIPPE FOIX HERNÁNDEZ

• Solución: Integración de sistemas de almacenamiento de energía (BESS)

Un AG busca resolver un problema de

• Se basa en el concepto de eficiencia de Pareto.

Dominancia • Se basa en el concepto de eficiencia de Pareto

𝑀𝑖𝑛 𝐹 𝑂𝑓11 ( 𝐴 ) < 𝑓 1 ( 𝐵 ) ∧ 𝑓𝐴 2 ( 𝐴 ) > 𝑓 2( 𝐵) 𝐵 ≺

Frente de Pareto Óptimo Min-Max

528 54 130 770 50

Según el Coordinador Eléctrico Nacional, una falla en el tramo

Caso 1: Contingencia en S/E Kimal – Uniobjetivo 1

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

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

Falla Kimal 500 kV Falla Los Changos 500 kV

Caso 1: Uniobjetivo – Código Original

Caso 1: Uniobjetivo – Código Original

Mejor solución obtenida: 24,583112

Caso 1: Uniobjetivo – Código Extendido

Caso 1: Uniobjetivo – Código Extendido

Mejor solución obtenida: 24,583917

Mejor solución obtenida

Código N° de pruebas Tiempo[h] Fitness

Caso 3: Uniobjetivo – Código Original

Caso 3: Uniobjetivo – Código Original

Mejor solución obtenida: 17,679382

Caso 3: Uniobjetivo – Código Extendido

Caso 3: Uniobjetivo – Código Extendido

Mejor solución obtenida: 17,744285

Mejor solución obtenida

Código N° de pruebas Tiempo[h] Fitness

Medición en S/E Kimal Medición en S/E Los Changos

Solución Falla Los

• Mejorar los criterios de la búsqueda local y formación de

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

Etapa II: Selección de individuos

Crowding Distance Sorting

Etapa II: Selección de individuos

Crowding Distance Sorting

También podría gustarte