Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Técnicas de Optimización
Resultados
Algoritmo Genético
Optimización uniobjetivo Análisis de resultados
Optimización multiobjetivo
Metodología Conclusiones
Proceso de Optimización Hallazgos y trabajos futuros
2
Introducción
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
Motivación Objetivos
Generales y
Específicos
3
Introducción
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
Motivación Objetivos
Generales y
Específicos
4
Introducción
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Motivación
• A nivel mundial las ERNC se están incorporando a gran escala en los Sistemas Eléctricos de
Potencia (SEP)
5
Introducción
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Motivación
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
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
Motivación Objetivos
Generales y
Específicos
8
Introducción
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
Motivación Objetivos
Generales y
Específicos
9
Introducción
UNIVERSIDAD TÉCNICA
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
Técnicas de Optimización
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
11
Técnicas de Optimización
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
12
Marco Teórico
UNIVERSIDAD TÉCNICA
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
Técnicas de Optimización
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
14
Técnicas de Optimización
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
15
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización uniobjetivo
Donde
: Función objetivo
: Variables de decisión
: Restricción de igualdad
: Restricción de desigualdad
16
Técnicas de Optimización
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
17
Técnicas de Optimización
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
18
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
80
45
40
30 35 40 45 50 55 60 65 70
Función Objetivo 1
19
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
Dominancia
60
59 Problemas que interpretan la realidad involucran la optimización simultánea
58 de varias funciones objetivo.
Estos algoritmos se basan en el concepto de eficiencia de Pareto.
57
Función Objetivo 2
Función Objetivo 1
20
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
Dominancia
60
59 Problemas que interpretan la realidad involucran la optimización simultánea
58 de varias funciones objetivo.
Estos algoritmos se basan en el concepto de eficiencia de Pareto.
57
Función Objetivo 2
Función Objetivo 1
Función Objetivo 1
22
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
Función Objetivo 1
23
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
Función Objetivo 1
24
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
Función Objetivo 1
25
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
Función Objetivo 1
26
Marco Teórico
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Optimización Multiobjetivo
Función Objetivo 1
27
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
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
UNIVERSIDAD TÉCNICA
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
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 al número de baterías que se van a relocalizar entre los genes mutados.
40
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Generación y evaluación de la Población
Función Objetivo 1
Función Objetivo
𝑔 La Función Objetivo 1 se define como la suma de las baterías que se instalan
41
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Generación y evaluación de la Población
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.
La Función Objetivo 2 cuantifica la caída de tensión durante contingencias,
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Generación y evaluación de la Población
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.
La Función Objetivo 2 cuantifica la caída de tensión durante contingencias,
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
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
47
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
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
48
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Búsqueda Local
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
53
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
54
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto eficiente
55
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
56
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
57
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
58
Metodología
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Frontera Pareto y conjunto elite
59
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
60
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
61
Caso de estudio
UNIVERSIDAD TÉCNICA
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
==
==
==
==
==
==
160
130
62
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
63
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
64
Caso de estudio
UNIVERSIDAD TÉCNICA
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Datos de entrada
66
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
67
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
68
Caso de estudio
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Definición de casos
69
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
70
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
71
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
72
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
73
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
74
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
75
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Kimal 500 kV
Caso 2: Multiobjetivo
76
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
77
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
78
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
79
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
80
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
81
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
82
Resultados
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA Falla en Los Changos 500 kV
Caso 4: Multiobjetivo
83
Conclusiones
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
84
Conclusiones
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
85
Conclusiones
UNIVERSIDAD TÉCNICA
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
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
87
Conclusiones
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA SUBTITLE
88
Conclusiones
UNIVERSIDAD TÉCNICA
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
UNIVERSIDAD TÉCNICA
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
• Kimal 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
• Los Changos
90
Conclusiones
UNIVERSIDAD TÉCNICA
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
• Kimal 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
• Los Changos
91
UNIVERSIDAD TÉCNICA
FEDERICO SANTA MARIA
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