PROYECTO DEL TRABAJO DE INICIACIÓN A LA INVESTIGACIÓN

PROYECTO DEL TRABAJO DE INICIACIÓN A LA INVESTIGACIÓN
Pablo Martín Muñoz
Tutor: Alejandro Sierra
Propuesta de tribunal
Alejandro Sierra Urrecho
Manuel Alfonseca
Luis Fernando Lago
Título
Aplicación de los algoritmos evolutivos a la planificación de la red de transporte de energía
eléctrica. Análisis previo.
Introducción
La planificación de la red de transporte de energía eléctrica consiste en la definición y
priorización de un conjunto de actuaciones futuras que abarcan:
- Construcción de nuevas subestaciones, líneas y transformadores.
- Repotenciación (aumento de capacidad de transporte) de líneas.
- Instalación de elementos de compensación de reactiva (condensadores y reactancias)
para control de tensiones.
- Selección de configuraciones de subestaciones futuras y existentes, para garantizar que no
se superan los valores máximos admisibles de corrientes de cortocircuito en los nudos de
la red.
En el caso concreto de España, la planificación está regulada en el título II del Real Decreto
1955/2000, considerando entre sus objetivos el mantenimiento de un adecuado nivel de
conexión entre producción y demanda, así como garantizar la seguridad y calidad del
suministro eléctrico al menor coste posible para los consumidores, todo ello de manera
compatible con el respeto al medio ambiente.
El proceso de la planificación de la red de transporte está sujeto a numerosas
incertidumbres, relacionadas con la generación, la demanda, la incorporación al sistema de
las instalaciones de transporte, retrasos en la obtención de licencias y permisos,
restricciones medioambientales, aspectos sociales y políticos que promueven cambios
regulatorios, cambios en la percepción de las instalaciones y el sistema eléctrico y las
oposiciones locales o regionales a la construcción de nuevos elementos de la red. Además,
por su cada vez mayor relación con la electricidad, en la planificación de la red de transporte
deben considerarse las incertidumbres relacionadas con las infraestructuras gasistas así
como la disponibilidad de gas para la generación de los ciclos combinados en las horas
punta.
Para planificar la red de transporte se han de abordar las siguientes etapas:
- Adopción de una metodología y criterios de planificación.
- Desarrollo de herramientas y algoritmos de planificación que cumplan con los criterios
establecidos.
- Aplicación de la metodología adoptada y obtención de resultados.
Desde un punto de vista práctico, para poder contemplar las diferentes fuentes de
incertidumbre es conveniente el empleo de modelos multiescenario, en los que se
construyen multitud de escenarios resultados de la combinatoria de las variables que
originan la incertidumbre, que posteriormente se evalúan para seleccionar los más
adecuados.
En este entorno multiescenario se seleccionarán aquellas alternativas de red de transporte
que cumplan adecuadamente con un conjunto de requisitos (mínimos costes y pérdidas,
máxima seguridad y fiabilidad) mediante la utilización algoritmos evolutivos.
El gran tamaño del espacio de soluciones posibles unido a la complejidad de la evaluación
de cada una de ellas, hace que el proceso de selección de escenarios óptimos sea
inabordable con búsquedas exhaustivas clásicas. Por otro lado, la implementación de
procesos automáticos que ayuden a mejorar las soluciones finales de forma iterativa, y que
faciliten la selección no de una única alternativa óptima, sino de un conjunto de ellas que
satisfagan razonablemente los diferentes requisitos (a menudo contrapuestos), supondría
una inestimable ayuda para los planificadores de la red.
Se señalan a continuación algunas de las ventajas de los algoritmos evolutivos [13]:
-Se trata de algoritmos que trabajan con una población de soluciones, en lugar de con una
única solución que se mejora paulatinamente. Esta característica puede resultar muy
ventajosa cuando se necesitan soluciones alternativas a un mismo problema.
-Tienen muy buen rendimiento cuando trabajan con escenarios complejos, que varían con el
tiempo.
-Son eficaces a la hora de evitar los óptimos locales.
-Son adecuados para tratar problemas multi objetivo.
-Flexibilidad: pueden ser aplicados a cualquier tipo de problema siempre y cuando se
modele y adapte adecuadamente el problema a la estructura general del algoritmo evolutivo.
Estado del arte
La aplicación de los algoritmos genéticos a la solución de problemas relacionados con la
planificación de sistemas de potencia comenzó a principios de los años 80, aunque hasta la
década de los 90 no se han obtenido resultados satisfactorios con problemas de cierta
complejidad [1]. Como dato indicativo, entre 1990 y 1999 se publicaron en la revista IEEE
PES Transactions un total de 68 artículos relacionados con heurísticas modernas aplicadas
a problemas de planificación, lo que da una idea del interés científico que existe en la
actualidad por este asunto. Las áreas en las que más se ha trabajado han sido las
siguientes:
-Operación y planificación de las redes de distribución.
-Planificación de las redes de transporte.
-Planificación de la gestión de la energía reactiva.
-Programación y planificación y de la generación.
-Despacho económico.
-Previsión de demanda.
En una búsqueda en la misma revista del IEEE entre los años 2000 y 2006 se han
encontrado un total de 11 artículos muy relacionados con la aplicación de algoritmos
evolutivos en problemas de planificación de sistemas de potencia, que se citan en el
apartado de bibliografía [2] – [12].
Objetivo
El objetivo principal de este Trabajo de Iniciación a la Investigación es la preparación y
adaptación del esquema general de un algoritmo evolutivo, para que pueda ser empleado en
diversos problemas reales de planificación de la red de transporte de energía eléctrica.
Metodología
La aplicación de los algoritmos evolutivos al problema de la planificación de la red de
transporte de energía requiere de un análisis y conocimiento previo detallado para conseguir
una buena implementación y para evitar en la medida de lo posible algunos inconvenientes
como los siguientes:
-Su funcionamiento depende en gran medida de la representación o codificación de las
soluciones candidatas del problema a resolver.
-Existe una fuerte influencia de la función de evaluación elegida, así como del resto de
parámetros del algoritmo.
-Convergencia prematura, especialmente con poblaciones pequeñas.
Como resultado de este análisis previo se pretende definir los elementos que constituyen el
algoritmo evolutivo, tal y como se ha citado en los objetivos:
-Representación de los individuos.
-Definición de funciones: función de evaluación (Fitness), selección de progenitores,
recombinación, mutación, selección de supervivientes.
-Definición de la condición de parada del algoritmo.
Bibliografía
[1] Koichi Nara, ‘State of the Arts of the Modern Heuristics Application to Power Systems’, 07803-5935-6/00/$10.00 © 2000 IEEE.
[2] Xiuli Wang, Xi fan Wang, Yubin Mao, ‘Improved genetic algorithm for optimal multistage
transmission system planning’, 0-7803-7173-9/01/$10.00 © 2001 IEEE.
[3] Patricia Teixeira Leite, ‘Energetic Operation Planning Using Genetic Algorithms’, IEEE
TRANSACTIONS ON POWER SYSTEMS, VOL. 17, NO. 1, FEBRUARY 2002
[4] M . SkokD, ‘Genetic algorithm and gis enhanced long term planning of large link
structured distribution systems’, Proceedings of the 2002 Large Engineering Systems
Conference on Power Engineering, 02002 IEEE, 0-7803-7520-3
[5] J D Pilgrim, ‘Genetic algorithms for optimal reactive power compensation on the national
grid system’, 0-7803-7519-X/02/$17.00 © 2002 IEEE
[6] Zang Ruhiua , ‘Optimal reliability of composite power systems using genetic algorithms’,
2002
[7] S. Kato, ‘Study of daily peak load forecasting by structured representation on genetic
algorithms or function fitting’, 2002
[8] Ioannis G. Damousis, ‘Network-constrained economic dispatch using real-coded genetic
algorithm’, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 18, NO. 1, FEBRUARY
2003
[9] Patricia Teixeira Leite, ‘Genetic Operators Setting for the Operation Planning of
Hydrothermal Systems’, Proceedings of the VII Brazilian Symposium on Neural Networks
(SBRN’02)0-7695-1709-9/02 $17.00 © 2002 IEEE
[10] A. Pahwa, ‘Intelligent computational methods for power systems optimization problems’,
0-7803-7989-6/03/$17.O O 02003 IEEE
[11] G. Celli, ‘A multi-objective formulation for the optimal sizing and siting of embedded
generation in distribution networks’, 2003 IEEE Bologna PowerTech Conference, June 23-26,
Bologna, Italy
[12] Gianpietro Granelli, ‘A genetic algorithm-based procedure to optimize system topology
against parallel flows’, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 21, NO. 1,
FEBRUARY 2006
[13] David Fogel, ‘Evolutionary computation: toward a new philosophy of machine
intelligence’, John Wiley & Son, 2006.