Trabajo de Titulo PFH v0

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: 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
1
Estructura de la presentación
FEDERICO SANTA MARIA SUBTITLE
Introducción Caso de estudio

Motivación y Objetivos Características
M a r c o Te ó r i c o
Resultados
Sistemas de Almacenamiento
Índices de Estabilidad Análisis de resultados
Técnicas de Optimización
Metodología Conclusiones
Proceso de Optimización Hallazgos y trabajos futuros
2
Introducción
Motivación Objetivos
Generales y
Específicos
3
Introducción
Generales y
Específicos
4
Introducción
FEDERICO SANTA MARIA Motivación
A company is an association or collection of individiuals,

whether natural persons, legal persos, or a mixture of both.
Asdasdadsa
Asdsadasdas
Asdsadasdas
5
Introducción
Generales y
Específicos
6
Introducción
Generales y
Específicos
7
Introducción
FEDERICO SANTA MARIA Objetivos Generales y Específicos
Objetivos Generales
Implementar una estrategia de optimización multiobjetivo con técnicas de
optimización heurísticas que permita evaluar escenarios de dimensionamiento
y posicionamiento eficiente de baterías con criterios técnico-económicos en el
SEN.
Objetivos Específicos
Analizar Estado del arte en cuanto a estrategias de optimización multiobjetivo
con algoritmos heurísticos, con especial énfasis en algoritmos genéticos.
Desarrollar e implementar estrategia de optimización multiobjetivo para
determinar dimensionamiento y ubicación eficiente de baterías con criterios
técnico-económicos.
Evaluar los beneficios técnicos de la incorporación de sistemas de
almacenamiento de baterías en el Sistema Eléctrico Nacional.
8
Marco Teórico
Sistemas de Estado del Técnicas de

almacenamiento arte Optimización
Aporte de los sistemas de Estado del arte en cuanto a índices SPEA
almacenamiento de baterías a la de estabilidad
estabilidad del sistema NNC
NSGA-II
9
Marco Teórico

NSGA-II
10
Marco Teórico
FEDERICO SANTA MARIA Sistemas de Almacenamiento
Aporte de los sistemas de

almacenamiento de baterías a la
estabilidad del sistema
En sistemas con alta penetración de ERNC disminuye la corriente de
cortocircuito en ciertas barras, volviéndolos más sensibles a cambios de
voltaje durante perturbaciones..
Los sistemas de almacenamiento tienen la capacidad de entregar y/o absorber
potencia activa y reactiva hacia y desde la red de forma rápida.
Pueden aportar a la estabilidad de voltaje del sistema, ya que pueden
contribuir con corrientes de cortocircuito hasta 1-2 por unidad durante la
contingencia.
Los sistemas de almacenamiento pueden contribuir a la recuperación de
voltaje ante contingencias en sistemas con alta penetración de ERNC.
11
Marco Teórico

NSGA-II
12
Marco Teórico

NSGA-II
13
Marco Teórico
FEDERICO SANTA MARIA Estado del Arte
Índices de estabilidad de tensión

Para determinar la estabilidad de un SEP, la herramienta más utilizada es el
uso de simulaciones dinámicas en el dominio del tiempo.
Para un SEP real, con cierto o incluso miles de generadores y elementos de
red (líneas, transformadores, etc.), solucionar estas ecuaciones requiere altos
tiempos de cómputo.
Las herramientas de planificación con criterios de estabilidad suelen utilizar
índices que modelan la estabilidad.
En general en la literatura, los índices de estabilidad se basan en cuantificar
fallas en el SEP que provocan variación en la tensión transitoria respecto a las
condiciones pre-falla.
También se encuentran índices que consideran el tiempo de recuperación de
voltaje posterior a una falla, respecto a las condiciones estacionarias.
La cuantificación que entregan los índices de estabilidad permite identificar el
posicionamiento de baterías para mejorar la robustez del sistema.
14
Marco Teórico

NSGA-II
15
Marco Teórico

NSGA-II
16
Marco Teórico
FEDERICO SANTA MARIA Técnicas de Optimización
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
17
Marco Teórico
80 Optimización Multiobjetivo
75 Problemas que interpretan la realidad involucran la optimización simultánea
de varias funciones objetivo.
70 Estos algoritmos se basan en el concepto de eficiencia de Pareto.
Función Objetivo 2
Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

65
existe otra solución que mejore un objetivo, sino empeorar al menos uno de
los otros.
60
Usualmente no existe una única solución. El conjunto de soluciones Pareto-
55 eficientes se denomina Frente de Pareto Óptimo.. Éste y el resto de los
Frentes de Pareto se basan en el concepto de dominancia y no dominancia de
soluciones.
50
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
18
Marco Teórico
Dominancia
58 de varias funciones objetivo.
Estos algoritmos se basan en el concepto de eficiencia de Pareto.
57
Función Objetivo 2

56 existe otra solución que mejore un objetivo, sino empeorar al menos uno de
los otros.
55
54 C eficientes se denomina Frente de Pareto Óptimo.. Éste y el resto de los
53 soluciones.
52 B
A
51
50
35 35.5 36 36.5 37 37.5 38 38.5 39 39.5 40
Función Objetivo 1
19
Marco Teórico
Dominancia
58 de varias funciones objetivo.
57
Función Objetivo 2

56 existe otra solución que mejore un objetivo, sino empeorar al menos uno de
los otros.
55
54 C eficientes se denomina Frente de Pareto Óptimo.. Éste y el resto de los
53 soluciones.
52 B
A
51
50
35 35.5 36 36.5 37 37.5 38 38.5 39 39.5 40
Función Objetivo 1
𝑓 1 ( 𝐴 ) < 𝑓 1 ( 𝐵 ) ∧ 𝑓𝐴2 ( 𝐴 ) < 𝑓 2( 𝐵) 𝐵 ≺

𝑓 1 ( 𝐴 ) < 𝑓 1 ( 𝐶 ) ∧ 𝑓𝐴2 ( 𝐴 ) < 𝑓 2 (𝐶) 𝐶 ≺
𝑓 1 ( 𝐶 ) < 𝑓 1 ( 𝐵 ) ∧ 𝑓 2 ( 𝐶 ) > 𝑓 2 ( 𝐵)No hay dominancia entre B y C
20
Marco Teórico
Frente de Pareto Óptimo

Función Objetivo 2

65
los otros.
60
soluciones.
50
El Frente de Pareto Óptimo contiene soluciones que no son dominadas.
45 El Frente de Pareto que le sigue contiene soluciones que son dominadas solo
por una solución (del Frente Óptimo), y así sucesivamente.
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
21
Marco Teórico

Función Objetivo 2

65
los otros.
60
soluciones.
50
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
22
Marco Teórico

Función Objetivo 2

65
los otros.
60
soluciones.
50
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
23
Marco Teórico

Función Objetivo 2

65
los otros.
60
soluciones.
50
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
24
Marco Teórico

Función Objetivo 2

65
los otros.
60
soluciones.
50
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
25
Marco Teórico
Frente de Pareto Óptima

Función Objetivo 2

65
los otros.
60
soluciones.
50
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
26
Marco Teórico
Strength Pareto Evolutionary

Algorithm (SPEA)
Problemas que interpretan la realidad involucran la optimización simultánea
los otros.
eficientes se denomina Frente de Pareto Óptimo.. Éste y el resto de los
soluciones.
El Frente de Pareto Óptimo contiene soluciones que no son dominadas. El
Frente de Pareto que le sigue contiene soluciones que son dominadas solo por
una solución (del Frente Óptimo), y así sucesivamente.
27
Marco Teórico
Normalized Normal Constraint

(NNC)
los otros.
soluciones.
28
Marco Teórico
Non-dominated Sorting Genetic

Algorithm-II (NSGA-II)
los otros.
soluciones.
29
Metodología
Esquema metodológico Función Población y Búsqueda Frontera Pareto

objetivo y descendencia Local eficiente
datos de
entrada
30
Metodología

datos de
entrada
31
Metodología
FEDERICO SANTA MARIA Esquema Metodológico
Objetivos Generales
Sistema Eléctrica Nacional.
32
Metodología

datos de
entrada
33
Metodología

datos de
entrada
34
Metodología
FEDERICO SANTA MARIA Función Objetivo y datos de entrada
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. Datos de entrada
El modelo del sistema en estudio: corresponde a una base de datos en el
programa DIgSILENT PowerFactory.
La base datos contiene:
• Características de la falla
• Tensión estacionaria donde se ubicarán baterías
• Tensión transitoria máxima
• Cantidad y potencia aparente de baterías
• Número de generaciones que itera el algoritmo
• Número de individuos que tendrá una población
• Frecuencia de búsqueda local
• Cantidad de barras para la exploración
• Umbral de empeoramiento
35
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. Datos de entrada
: factor de peso de la contingencia k. El modelo del sistema en estudio: corresponde a una base de datos en el
: voltaje transitorio en la barra i durante la contingencia j con asignación de
unidades de baterías en las barras candidatas g. La base datos contiene:
36
Metodología
Optimización Multiobjetivo
Función Objetivo
{max 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 ( 𝑥 ) , min 𝑛 _ 𝑏𝑒𝑠𝑠 ( 𝑥 ) }
𝑥∈𝑋 𝑥∈𝑋
en el sistema. Ésta se busca minimizar.
según ciertas condiciones operacionales críticas del sistema. Ésta se busca
Sujeto a:
maximizar.
𝑔
∑ 𝐵𝑖 ≤ 𝐵𝑚𝑎𝑥 Datos de entrada

𝑖 El modelo del sistema en estudio: corresponde a una base de datos en el
Donde: La base datos contiene:
es la cantidad máxima de baterías que se pueden instalar en el sistema, • Características de la falla

definida por el usuario. • Tensión estacionaria donde se ubicarán baterías
37
Metodología
Selección de barras candidatas para la

ubicación de baterías
Función Objetivo
Las barras candidatas forman el conjunto de barras del SEP que serán en el sistema. Ésta se busca minimizar.
consideradas para el proceso de optimización. La Función Objetivo 2 cuantifica la caída de tensión durante contingencias,
Cumplen con la tensión nominal y la tensión transitoria máxima. según ciertas condiciones operacionales críticas del sistema. Ésta se busca
maximizar.
Se considera la potencia de cortocircuito de la barra como criterio de
selección. Las barras con menor potencia son débiles para la robustez del
sistema.
Datos de entrada
El modelo del sistema en estudio: corresponde a una base de datos en el
La base datos contiene:
38
Metodología

datos de
entrada
39
Metodología

datos de
entrada
40
Metodología
FEDERICO SANTA MARIA Población y descendencia
Población
El individuo y su población
La descendencia
41
Metodología
Población
La descendencia
Cambio de formato Desarrollar e implementar estrategia de optimización multiobjetivo para
42
Metodología
Crossover
La descendencia
43
Metodología

datos de
entrada
44
Metodología

datos de
entrada
45
Metodología
FEDERICO SANTA MARIA Búsqueda Local
Soluciones
Sensibilidad de barras candidatas

Zonas de búsqueda
46
Metodología
Soluciones

Zonas de búsqueda
47
Metodología
Soluciones

Zonas de búsqueda
48
Metodología
Exploración de soluciones
Retiro de baterías
Adición de baterías
49
Metodología
Soluciones y exploración
Retiro de baterías
Adición de baterías
50
Metodología

datos de
entrada
51
Metodología

datos de
entrada
52
Metodología
FEDERICO SANTA MARIA Frontera Pareto eficiente
• Frontera 1
• Frontera 2
• Frontera 3
• Frontera 4
•
•
Frontera 5
Frontera 6
Non-dominated Sorting
• Frontera 7 Implementar una estrategia de optimización multiobjetivo con técnicas de
53
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
54
Metodología

• 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
55
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
56
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
57
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
58
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
59
Caso de estudio
Características Contingencias Datos de

del sistema entrada
60
Caso de estudio

del sistema entrada
61
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 no contempla las obras del plan de expansión de la
transmisión 2020
• Se modela en un horario de día (alta penetración ERV, altas transferencias
Norte-Sur y bajas inercias en Norte Grande y Centro
• Tramo Nueva Pan de Azúcar – Polpaico 500 kV se asigna con capacidad
máxima (aproximadamente 1700 MW)
62
Caso de estudio

del sistema entrada
63
Caso de estudio

del sistema entrada
64
Caso de estudio
FEDERICO SANTA MARIA Contingencias
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
65
Caso de estudio

del sistema entrada
66
Caso de estudio

del sistema entrada
67
Caso de estudio
FEDERICO SANTA MARIA Datos de entrada
Caso 1: Contingencia en S/E Kimal Caso 2: Contingencia en S/E Los Changos
Falla Kimal 500kV Falla Los Changos 500kV

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.) 0.40
Voltaje en kV para localización de módulos 220 Voltaje en kV para localización de
220
módulos
Número de módulos 25
Potencia total de BESS en MVA 250 Número de módulos 25
Potencia total de BESS en MVA 250
Número Máximo de Generaciones 200
Número Máximo de Generaciones 200
68
Resultados
Algoritmo base Algoritmo Optimización

extendido Multiobjetivo
Algoritmo propuesto en el paper Algoritmo base con Aplicación de Algoritmo
Network allocation of BESS with implementación de búsqueda multiobjetivo desarrollado
voltage support capability for local
improving the stability of power
systems
69
Resultados

systems
70
Resultados
FEDERICO SANTA MARIA Algoritmo Base
Contingencia en S/E Kimal
71
Resultados
FEDERICO SANTA MARIA Algoritmo Base
Contingencia en S/E Los Changos
72
Resultados

systems
73
Resultados

systems
74
Resultados
FEDERICO SANTA MARIA Algoritmo Extendido
Ranking Nombre
0 El Tesoro
1 Gaby 220
2 Esperanza 220
3 Centinela 220 kV B2
4 Fortuna 220kV
Las 5 barras que más afectan el fitness según el ranking de sensibilidad dada
esta contingencia
75
Resultados
76
Resultados
Ranking Nombre
0 Laguna Seca
1 Chimborazo 220
2 Planta Óxidos
3 Domeyko 220
4 Sulfuros 220
Las 5 barras que más afectan el fitness según el ranking de sensibilidad dada
esta contingencia
77
Resultados
78
Resultados

systems
79
Resultados

systems
80
Resultados
FEDERICO SANTA MARIA Optimización Multiobjetivo
Código N° de Iteraciones Fitness

Código original 66 24,583112
Código original extendido 120 24,583917
Optimización Multiobjetivo 40 24,58391674
81
Resultados
82
Resultados
Código N° de Iteraciones Fitness

Código original 34 17,679382
Código original extendido 160 17,744285
Optimización Multiobjetivo 57 17,74428524
83
Resultados
84
Conclusiones
De los De los trabajos

objetivos futuros
85
Conclusiones

objetivos futuros
86
Conclusiones
FEDERICO SANTA MARIA De los objetivos
Objetivos Generales
87
Conclusiones

objetivos futuros
88
Conclusiones

objetivos futuros
89
Conclusiones
FEDERICO SANTA MARIA De los trabajos futuros
Objetivos Generales
90
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
91

Trabajo de Titulo PFH v0

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 v0

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA

FEDERICO SANTA MARIA

ESTUDIANTE: PHILLIPPE FOIX HERNÁNDEZ

Introducción Caso de estudio

A company is an association or collection of individiuals,

Sistemas de Estado del Técnicas de

Sistemas de Estado del Técnicas de

Aporte de los sistemas de

Sistemas de Estado del Técnicas de

Sistemas de Estado del Técnicas de

Índices de estabilidad de tensión

Sistemas de Estado del Técnicas de

Sistemas de Estado del Técnicas de

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

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

Frente de Pareto Óptimo

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

Frente de Pareto Óptimo

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

Frente de Pareto Óptimo

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

Frente de Pareto Óptimo

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

Frente de Pareto Óptimo

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

Frente de Pareto Óptima

Una solución se dice que es Pareto eficiente o Pareto Óptima cuando no

Strength Pareto Evolutionary

Normalized Normal Constraint

Non-dominated Sorting Genetic

Esquema metodológico Función Población y Búsqueda Frontera Pareto

Esquema metodológico Función Población y Búsqueda Frontera Pareto

Esquema metodológico Función Población y Búsqueda Frontera Pareto

Esquema metodológico Función Población y Búsqueda Frontera Pareto

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

∑ 𝐵𝑖 ≤ 𝐵𝑚𝑎𝑥 Datos de entrada

Donde: La base datos contiene:

es la cantidad máxima de baterías que se pueden instalar en el sistema, • Características de la falla

Selección de barras candidatas para la

Esquema metodológico Función Población y Búsqueda Frontera Pareto

Esquema metodológico Función Población y Búsqueda Frontera Pareto

Esquema metodológico Función Población y Búsqueda Frontera Pareto

Esquema metodológico Función Población y Búsqueda Frontera Pareto

Sensibilidad de barras candidatas

Sensibilidad de barras candidatas

Sensibilidad de barras candidatas

Esquema metodológico Función Población y Búsqueda Frontera Pareto

Esquema metodológico Función Población y Búsqueda Frontera Pareto

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