Trabajo de Titulo PFH v1

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

Motivación y Objetivos Características
Técnicas de Optimización
Resultados
Algoritmo Genético
Optimización uniobjetivo Análisis de resultados
Optimización multiobjetivo
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 nivel mundial las ERNC se están incorporando a gran escala en los Sistemas Eléctricos de
Potencia (SEP)
5
Introducción
Capacidad de potencia instalada

• 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.
• Las ERNC tienen bajos aportes de corriente de
cortocircuito en comparación con los generadores
sincrónicos (disminución de los niveles de cortocircuito
en las barras)
• Menor nivel de cortocircuito se traduce en tensiones
más sensibles frente a perturbaciones (complica
mantener la estabilidad de voltaje del sistema)
• 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 un
aumento de carga o por contingencias
6
Datos: Coordinador Eléctrico Nacional
Introducción
Precio de baterías de ion-Litio – media • A nivel mundial las ERNC se están incorporando a gran escala en los Sistemas Eléctricos de
ponderada por volumen Potencia (SEP)
• Las ERNC traen grandes beneficios para el medio ambiente (tecnologías de generación limpia)
-22% • Problema: representan un desafío en la operación de los SEP para mantener la estabilidad del
1,306
sistema.
• Las ERNC tienen bajos aportes de corriente de cortocircuito en comparación con los
-21% generadores sincrónicos (disminución de los niveles de cortocircuito en las barras)
1,013
-8% • Menor nivel de cortocircuito se traduce en tensiones más sensibles frente a

perturbaciones (complica mantener la estabilidad de voltaje del sistema)
796 -11%
732 • Estabilidad de Voltaje: habilidad que posee un SEP para mantener los niveles de voltaje en todas
-35%
649 las barras de la red dentro de los niveles normales de operación ya sea por un aumento de carga o
por contingencias
-23%
421 • Solución: Integración de sistemas de almacenamiento de energía (BESS)
-25%
323 -18% -13% -13% -6% +7% • Costos disminuyen permitiendo mejores economías de escala
242
198 172 • Capacidad de entregar y/o absorber potencia activa y reactiva hacia y desde la red de
150 141 151
forma rápida es buena solución para mitigar cambios repentinos de carga y generación
renovables
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 • BESS pueden aportar corrientes de cortocircuito y contribuir a la estabilidad del sistema
en caso de fallas
Precio de baterías (real 2022 $/kWh)
7
Datos: Bloomberg NEF
Introducción
Generales y
Específicos
8
Introducción
Generales y
Específicos
9
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.
10
Algoritmo Genético Optimización Optimización

Uniobjetivo Multiobjetivo
11

12
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
13

14

15
Marco Teórico
FEDERICO SANTA MARIA Optimización uniobjetivo
Problemas de optimización tradicionales buscan encontrar 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
Donde
: Función objetivo
: Variables de decisión
: Restricción de igualdad
: Restricción de desigualdad
16

17

18
Marco Teórico
FEDERICO SANTA MARIA Optimización Multiobjetivo
80
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
19
Marco Teórico
Dominancia
60
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
20
Marco Teórico
Dominancia
60
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
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
21
Marco Teórico
Frente de Pareto Óptimo

80

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
22
Marco Teórico

80

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

80

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

80

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

80

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
Frente de Pareto Óptima

80

Función Objetivo 2

65
los otros.
60
soluciones.
50
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
27
Metodología
Esquema metodológico Población y Datos, parámetros y

Genes conjunto de barras
candidatas
Generación y Búsqueda Local Frontera de Pareto y

evaluación de la conjunto elite
28
Población
Metodología

candidatas

29
Población
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
30
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
31
Metodología

candidatas

32
Población
Metodología

candidatas

33
Población
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
34
Metodología

candidatas

35
Población
Metodología

candidatas

36
Población
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
37
• Probabilidad de mutación
Metodología

candidatas

38
Población
Metodología

candidatas

39
Población
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.
40
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.
41
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.
42
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.
43
Metodología

candidatas

44
Población
Metodología

candidatas

45
Población
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
46
Metodología

mejor solución
Zonas de búsqueda
respectivo
47
Metodología

mejor solución
Zonas de búsqueda
respectivo
48
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
49
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
50
Metodología

candidatas

51
Población
Metodología

candidatas

52
Población
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
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
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
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 Datos de Definición de

del sistema entrada casos
60
Caso de estudio

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 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 Centro
• Tramo Nueva Pan de Azúcar – Polpaico 500 kV se asigna con capacidad
máxima (aproximadamente 1700 MW)
Nueva
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
62
Caso de estudio

63
Caso de estudio

64
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
65
Caso de estudio
FEDERICO SANTA MARIA Datos de entrada
Contingencia en S/E Kimal 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 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
66
Caso de estudio

67
Caso de estudio

68
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
69
Resultados
Falla en Kimal Falla en Los

500 kV Changos 500 kV
Caso 1 Caso 3
Caso 2 Caso 4
70
Resultados

Caso 1 Caso 3
Caso 2 Caso 4
71
Resultados
FEDERICO SANTA MARIA Falla en Kimal 500 kV
Caso 1: Uniobjetivo – Algoritmo Original
72
Resultados
Mejor solución obtenida

Nombre N° de baterías
Radomiro Tomic 21
Maitenes 1
Gaby 2
El Tesoro 1
73
Resultados
Caso 1: Uniobjetivo – Algoritmo Original + Búsqueda Local
74
Resultados
Top 5 barras del ranking de sensibilidad

Ranking Nombre
0 El Tesoro
1 Gaby 220
2 Esperanza 220
3 Centinela 220 kV B2
4 Fortuna 220kV

El Tesoro 25
75
Resultados
Caso 2: Multiobjetivo

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

Código original 66 3005 24,583112
Código original +
120 17767 24,583917
búsqueda local
Optimización
40 19524 24,58391674
Multiobjetivo
76
Resultados

Caso 1 Caso 3
Caso 2 Caso 4
77
Resultados

Caso 1 Caso 3
Caso 2 Caso 4
78
Resultados
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
79
Resultados

Gaby 15
Maitenes 8
Farellón 2
80
Resultados
81
Resultados
Top 5 barras del ranking de sensibilidad

Ranking Nombre
0 Laguna Seca
1 Chimborazo 220
2 Planta Óxidos
3 Domeyko 220
4 Sulfuros 220

Laguna Seca 25
82
Resultados
Caso 4: Multiobjetivo

Laguna Seca 25
Código N° de pruebas Tiempo [s] Fitness

Código original 34 3056 17,679382
Código original +
160 21749 17,744285
búsqueda local
Optimización
57 27442 17,74428524
Multiobjetivo
83
Conclusiones
De los De los trabajos

objetivos futuros
84
Conclusiones

objetivos futuros
85
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
86
Conclusiones

objetivos futuros
87
Conclusiones

objetivos futuros
88
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 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
89
Conclusiones
• Kimal tiempo de ejecución del algoritmo tiene una considerable holgura para ser optimizado
• Los Changos
90
Conclusiones
• Kimal tiempo de ejecución del algoritmo tiene una considerable holgura para ser optimizado
• Los Changos
91
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
92

Trabajo de Titulo PFH v1

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 v1

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA

FEDERICO SANTA MARIA

ESTUDIANTE: PHILLIPPE FOIX HERNÁNDEZ

Introducción Caso de estudio

Capacidad de potencia instalada

-8% • Menor nivel de cortocircuito se traduce en tensiones más sensibles frente a

Algoritmo Genético Optimización Optimización

Algoritmo Genético Optimización Optimización

Algoritmo Genético Optimización Optimización

Algoritmo Genético Optimización Optimización

Problemas de optimización tradicionales buscan encontrar el valor de variables de decisión que

Algoritmo Genético Optimización Optimización

Algoritmo Genético Optimización Optimización

75 Problemas que interpretan la realidad involucran la optimización simultánea

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

75 Problemas que interpretan la realidad involucran la optimización simultánea

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

Frente de Pareto Óptimo

75 Problemas que interpretan la realidad involucran la optimización simultánea

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

Frente de Pareto Óptimo

75 Problemas que interpretan la realidad involucran la optimización simultánea

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

Frente de Pareto Óptimo

75 Problemas que interpretan la realidad involucran la optimización simultánea

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

Frente de Pareto Óptimo

75 Problemas que interpretan la realidad involucran la optimización simultánea

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

Frente de Pareto Óptima

75 Problemas que interpretan la realidad involucran la optimización simultánea

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

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

: Corresponde a la función techo.

: Corresponde al número de barras candidatas.

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

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Esquema metodológico Población y Datos, parámetros y

Generación y Búsqueda Local Frontera de Pareto y

Soluciones Sensibilidad de barras candidatas

Soluciones Sensibilidad de barras candidatas

Soluciones Sensibilidad de barras candidatas

Exploración de soluciones Retiro de baterías