Professional Documents
Culture Documents
DEPARTAMENTODEINGENIERIAELCTRICA
DOCTORADOENENERGIASRENOVABLESY
EFICIENCIAENERGTICA
PLANIFICACINPTIMADELAGENERACIN
DISTRIBUIDAENREDESDEDISTRIBUCINDE
ENERGAELCTRICA
Tesisdoctoral
presentadapor:
CarlosPonceCorral
dirigidapor:
Dr.JosAntonioDomnguezNavarro
Zaragoza,Espaa,Noviembre2010
PARA:
MIESPOSAELIZABETH
YMIHIJOMANUELALBERTO
PARAEMPEZARUNGRANPROYECTO,HACEFALTAVALENTIA.
PARATERMINARUNGRANPROYECTO,HACEFALTAPERSEVERANCIA
YELAPOYODELOSAMIGOS
AGRADECIMIENTOS
Graciasatodosycadaunodeustedes.
CarlosPonceCorral
Zaragoza,Espaa,Diciembredel2010
R E SUM E N
En esta tesis se presenta una metodologa para el diseo de modelos de
planificacin ptima de la Generacin Distribuida en las redes de
distribucin.
Elmodeloquesepresentatieneencuentalaaleatoriedaddelageneracin
distribuida a base de energas renovables, as como la aleatoriedad de la
demandaelctricaenelhorizontedeplanificacin.
Primeramente se lleva a cabo la investigacin del estado del arte de los
modelos existentes para planificacin de la generacin en sistemas
elctricosymodelosdeplanificacinderedesdedistribucin.
Espropuestounmodelodeplanificacindelageneracindistribuidaenlas
redes de distribucin, el cual contempla cubrir los requerimientos de la
demandaenelhorizontedeplanificacinconcambiosmnimosenlaredde
distribucinexistente.Elmodelopropuestoesprobabilistayseextiendede
un modelo monobjetivo a un modelo multiobjetivo, donde los objetivos a
optimizartienencriterioseconmico,tcnicosydeimpactoambiental.
Los tipos de Generacin Distribuida que se consideran son no
convencionales,abasefuentesrenovablescomolaenergaelica,laenerga
fotovoltaica y la energa hidrulica, as como sistemas de almacenamiento
pararespaldodelsuministrodeenergaenhorasdedemandapuntaopara
almacenarelexcesodeproduccindeenerga.
Los parmetros que presentan aleatoriedad son introducidos en el modelo
porsusdistribucionesdeprobabilidad.
El horizonte de planificacin que se considera es a largo plazo, lo que
conlleva tener en cuenta los cambios en los parmetros elctricos que
puedanexistirenestehorizonte.
Para la solucin de los modelos probabilistas se utiliza Simulacin Monte
Carlo. En la ltima parte de la memoria se presentan los resultados
obtenidosaplicandolosdistintosmodelosaunareddedistribucin.
Para seleccionar las mejores alternativas de la expansin de la generacin
seutilizaelfrentedePareto.
Todos los modelos propuestos en la memoria son programados en GAMS
(GeneralAlgebraicModelingSystem).
vii
T A B L A D E C O NT E N I D O
Resumen ..................................................................................................................vii
Tabladecontenido.....................................................................................................ix
Listadefiguras.........................................................................................................xiii
Listadetablas.............................................................................................................xv
Nomenclatura............................................................................................................xvi
Captulo1GeneracinDistribuidaenlasredesdedistribucin...................1
1.1 Introduccin..........................................................................................................................1
1.2 Justificacinymotivacin................................................................................................2
1.3 Expansinptimadelageneracindistribuidaenredesde
distribucin............................................................................................................................3
1.4 Incertidumbredelasenergasrenovables...............................................................4
1.5 Objetivosdelamemoria..................................................................................................4
1.6 Estructuradelamemoria................................................................................................5
Captulo2Modelosdeplanificacinptimadegeneracindistribuida
enredesdedistribucin............................................................................................7
2.1 Introduccin..........................................................................................................................7
2.2 Modelosdeplanificacinptimaderedesdedistribucin..............................8
2.3 Modelosdeplanificacinptimadegeneracindistribuidaenredes
dedistribucin.....................................................................................................................9
2.3.1 Integracindesistemasdealmacenamientodeenerga. .....11
2.3.2 Modelosprobabilsticosdeplanificacinptimade
generacindistribuida. ..................................................................13
2.3.3 Modelosestocsticosdeplanificacinptimaderedes
dedistribucincongeneracindistribuida. ............................17
2.3.4 Modelosmultiobjetivodeplanificacinptimaderedes
dedistribucincongeneracindistribuida. ............................19
2.4 Conclusiones.......................................................................................................................23
ix
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Captulo3Modelodediseoptimomonobjetivo..........................................29
3.1 Introduccin........................................................................................................................29
3.1.1 Descripcindelproblemadelaplanificacindela
generacindistribuidaenredesdedistribucin...................29
3.1.2 Demandaelctricaygeneracinrenovable. ............................30
3.1.3 Modeloptimomonobjetivo. .......................................................32
3.2 Formulacinmatemticadelmodeloptimomonobjetivo...........................33
3.2.1 Funcinobjetivo..............................................................................33
3.2.2 Restricciones. ...................................................................................41
Captulo4Planificacinbajoincertidumbredelageneracin
distribuidaenredesdedistribucindeenergaelctrica............................45
4.1 Introduccin........................................................................................................................45
4.1.1 ElMtodoprobabilista..................................................................46
4.2 Modeladodevariablesaleatorias..............................................................................46
4.2.1 Demandaelctrica..........................................................................47
4.2.2 Generacinelica. ...........................................................................48
4.2.3 Generacinfotovoltaica................................................................50
4.2.4 Recursohidrulico. .........................................................................52
4.3 Formulacinmatemticadelmodeloptimomonobjetivo...........................54
4.3.1 Funcinobjetivo..............................................................................54
4.3.2 Restricciones. ...................................................................................57
4.4 MtododesolucinSimulacinMonteCarlo....................................................60
Captulo5Optimizacinmultiobjetivodegeneracindistribuidaen
redesdedistribucin...............................................................................................63
5.1 Introduccin........................................................................................................................63
5.2 Optimizacinmultiobjetivo..........................................................................................63
5.3 Mtododelospesos........................................................................................................64
5.4 Modelomultiobjetivodeterminista..........................................................................65
5.4.1 Descripcindelasfuncionesdelossubobjetivos................66
5.4.2 Formulacincompletadelmodeloptimodeterminista
multiobjetivo. ...................................................................................67
5.5 Modelomultiobjetivoprobabilista............................................................................68
5.5.1 Descripcindelasfuncionesdelossubobjetivos
probabilistas....................................................................................68
5.5.2 Formulacincompletadelmodeloptimomultiobjetivo
probabilista......................................................................................69
5.6 Tcnicasparaseleccindesoluciones....................................................................69
5.6.1 FrentedePareto. .............................................................................69
5.6.2 AnlisisdePesosVariables. .........................................................71
TabladeContenido
Captulo6Resultadoscomputacionalesdeuncasoprctico.......................73
6.1 Introduccin.......................................................................................................................73
6.2 Descripcindeloscasosdeestudio.........................................................................74
6.2.1 Caso1:RedsinGDysinalmacenamiento................................74
6.2.2 Caso2:ReddedistribucinconGD...........................................75
6.2.3 Caso3:ReddedistribucinconGDyalmacenamiento. .......76
6.3 Resultadoscomputacionales.......................................................................................77
6.3.1 Modelomonoobjetivodeterminista.........................................77
6.3.2 Modelomonoobjetivoprobabilista. ..........................................81
6.3.3 Modelomultiobjetivodeterminista..........................................87
6.3.4 Modelomultiobjetivoprobabilista...........................................92
6.4 Conclusionesdelcaptulo.............................................................................................96
6.4.1 Conclusionesdelmodelomonobjetivodeterminista............96
6.4.2 Conclusionesdelmodelomonobjetivoprobabilista.............96
6.4.3 Conclusionesdelmodelomultiobjetivodeterminista..........97
6.4.4 Conclusionesdelmodelomultiobjetivoprobabilista. ...........97
Captulo7Conclusiones,aportacionesyfuturostrabajosde
investigacin..............................................................................................................99
7.1 Resumenyconclusionesfinales................................................................................99
7.2 Aportaciones....................................................................................................................101
7.3 Futurostrabajosdeinvestigacin...........................................................................102
Anexo A Tecnologasdegeneracindistribuidaynormativasde
conexindegeneracindistribuidaenredes................................................103
A.1 Tecnologadegeneracindistribuida...................................................................103
A.1.1 MotoresdeCombustiblesFsiles.............................................1 03
A.1.2 TurbinasdeGas.............................................................................1 04
A.1.3 Microturbinas. ................................................................................1 04
A.1.4 Microturbinasagas......................................................................1 04
A.1.5 Microturbinahidrulica..............................................................1 05
A.1.6 CeldadeCombustible. ..................................................................1 05
A.1.7 CeldasFotovoltaicas. ....................................................................1 06
A.1.8 GeneradoresElicos. ....................................................................1 06
A.2 NormativasdeconexindeGDalossistemasdedistribucin..................107
A.2.1 EstndarIEEE1547. .....................................................................1 07
A.2.2 LosrequisitosparalainterconexindeGDbajo
condicionesanormales................................................................1 07
A.2.3 LegislacinEspaola....................................................................1 08
Anexo B Datosdecasosdeestudio...............................................................109
B.1 Tecnologasdegeneracindistribuida.................................................................109
xi
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
B.2 Propiedadesdelaredde15nudos........................................................................112
Anexo
C.1
C.2
C.3
C Optimizacin:MtodosyHerramientas......................................117
Conceptosgeneralessobreoptimizacin............................................................117
Etapasparadesarrollarunmodelodeoptimizacin.....................................121
Mtodosmatemticosparalasolucindeunproblemade
optimizacin....................................................................................................................122
C.3.1 Mtodosdebsquedaobasadosenelgradiente. ................122
C.3.2 Programacinlineal,nolinealyentera. .................................123
C.3.3 Algoritmosgenticos...................................................................123
C.3.4 SimulatedAnnealing....................................................................123
C.3.5 Otrosmtodos. ...............................................................................124
C.4 Principiosbsicosdelaoptimizacinconrestricciones..............................124
C.4.1 CondicionesKKTnecesarias......................................................125
C.4.2 CondicionesKKTdesuficiencia................................................125
C.5 Softwareparalaresolucindeproblemasdeoptimizacin.......................126
C.5.1 Paquetesdeoptimizacindediseoeningeniera.............126
C.5.2 Sistemageneraldemodeladoalgebraico(GAMS)...............127
Bibliografa...............................................................................................................131
xii
LI STA D E FI GURAS
Figura1.1
Figura3.1
Figura3.2
Figura3.3
Figura3.4
Figura4.1
Figura4.2
Figura4.3
Figura4.4
Figura4.5
Figura4.6
Figura5.1
Figura5.2
Figura6.1
Figura6.2
Figura6.3
Figura6.4
Figura6.5
Figura6.6
Figura6.7
Figura6.8
Figura6.9
EsquemadeunsistemadepotenciaconGeneracin
Distribuida...............................................................................................2
Perfilmedionormalizadoconsideradocomobasepara
modelarlademandaencadanudo.. ................................................30
Distribucindelademandamediaencadanudoenel
Casode15nudos..................................................................................31
Perfilesdegeneracinrenovablesconsideradosparael
modelomonoobjetivodeterminista..............................................32
Linealizacindecostesvariables....................................................39
Curvadedistribucindeprobabilidadnormal............................47
DistribucindedensidaddeprobabilidadWeibull.. ..................48
20realizacionesdelmodeloprobabilistabasadoenlos
datosderadiacinsolarenZaragoza,Espaa.............................51
Caudalmediodiariopara10aosdeunemplazamiento
hidrulicotpicodemontaa.. ..........................................................53
Curvadelafuncindedensidaddeprobabilidaddel
caudal......................................................................................................53
DiagramadeflujodeSimulacinMonteCarlo.............................61
FrentedeParetodeunafuncindedosobjetivos. .....................70
Curvasisomtricasdelafuncinobjetivoconpesos
variables.................................................................................................71
Topologadelareddedistribucin................................................74
Evolucindelcostedelaenergaduranteelperiodode
planificacin..........................................................................................77
Costetotaldelsistemadedistribucincontres
escenarios..............................................................................................78
Perdidasenlaslneasmodelomonobjetivodeterminista.. ......78
Participacinenelcostetotaldeloselementosdel
sistema....................................................................................................80
Energaanualgeneradaporcadatecnologa...............................80
EnergaexcedenteconlainclusindeGeneracin
Distribuida.............................................................................................81
Evolucindelcostedelaenergaporperiodos. ..........................82
Costetotaldelsistemadedistribucin.Modelo
monobjetivoprobabilista..................................................................83
xiii
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Figura6.10 Evolucindelasprdidasenlaslneasenporcentajedela
energatotalconsumidaenlared. ..................................................83
Figura6.11 Evolucindelasprdidasenelalmacenamientoen
porcentajedelaenergatotalconsumidaenlared...................85
Figura6.12 Evolucindelaenergatotalgenerada.........................................85
Figura6.13 Tendenciadelcostetotaldeenergasenporcentajedel
costetotal.Casomedio. ......................................................................86
Figura6.14 Participacindegeneracindurantelosperiodosanuales
delosgeneradoresrenovables,almacenamientoy
generacindelared. ...........................................................................86
Figura6.15 Conjuntodesolucionesenelao2sinalmacenamiento.........89
Figura6.16 Conjuntodesolucionesparaelao2conalmacenamiento....89
Figura6.17 Conjuntodesolucionesparaelao5.Sin
almacenamiento...................................................................................90
Figura6.18 Conjuntodesolucionesparaelao5.Con
almacenamiento...................................................................................90
Figura6.19 Conjuntodesolucionesparaelao20.Sin
almacenamiento...................................................................................91
Figura6.20 Conjuntodesolucionesparaelao20.Con
almacenamiento...................................................................................91
Figura6.21 Conjuntodesolucionesdelao2demodelomultiobjetivo
probabilista.Sinalmacenamiento. ..................................................93
Figura6.22 Conjuntodesolucionesdemodelomultiobjetivo
probabilista.Conalmacenamiento.Paraelao2. ......................93
Figura6.23 Conjuntodesolucionesdemodelomultiobjetivo
probabilistaconGD.50variacionesdelospesosy10
SimulacionesMonteCarlo.Paraelao5......................................94
Figura6.24 Conjuntodesolucionesdemodelomultiobjetivo
probabilistaconalmacenamiento.50variacionesdelos
pesosy10SimulacionesM.C.Paraelao5.. ..............................94
Figura6.25 Conjuntodesolucionesdemodelomultiobjetivo
probabilistaconGD.Paraelao20.. ..............................................95
Figura6.26 Conjuntodesolucionesdemodelomultiobjetivo
probabilistaconalmacenamientoparaelao20.. .....................95
FiguraB.1 CurvadepotenciadelgeneradorelicoGE2.5XL(100m)...111
FiguraC.1 rboldealternativasdeproblemasdeoptimizacin. .............118
xiv
LISTADETABLAS
Tabla2.1
Tabla2.2
Tabla2.3
Tabla2.4
Tabla4.1
Tabla6.1
Tabla6.2
TablaA.1
TablaB.1
TablaB.2
TablaB.3
TablaB.4
TablaB.5
TablaB.6
TablaB.7
TablaB.8
TablaB.9
TablaB.10
TablaB.11
TablaC.1
TablaC.2
TablaC.3
TablaC.4
TablaC.5
Caractersticasdemodelosderedesdedistribucincon
GD(19682004). ...............................................................................24
Caractersticasdemodelosderedesdedistribucincon
GD(20052009). ...............................................................................25
Tcnicasdeoptimizacindemodelosderedesde
distribucinconGD(19742004). ................................................26
Tcnicasdeoptimizacindemodelosderedesde
distribucinconGD(20062009). ................................................27
ParmetrosdefuncindeprobabilidadBeta. ..............................51
Ubicacindegeneradoresrenovablesennudos.........................75
Ubicacindeunidadesdealmacenamientoennudos. ...............76
Potenciaelctricainstaladayproduccindeenergaen
Espaa...................................................................................................1 05
TecnologasdisponiblesdeGeneracinDistribuida................1 09
EmisionesdeCO 2 ,NO x ,SO 2 yCOdetecnologasdeGD...........1 10
Caractersticasdetecnologasdealmacenamiento.. ................1 10
Caractersticasdegeneradorelicoutilizado. ...........................1 11
Topologaderedde15nudos........................................................1 12
Factoresdedemandaygeneradoresporperiodos. ..................1 13
DatosdedemandaenkVAenredde15nudos. .........................1 14
DatosdedemandaenkVAenredde15nudos. .........................1 14
DatosdedemandaenkVAenredde15nudos. .........................1 15
DatosdedemandaenkVAenredde15nudos. .........................1 15
Perfilesdecostedeenergahorarioportecnologa.................1 16
Clasificacindealternativasdeoptimizacin. ...........................1 19
Clasificacindetcnicasdeoptimizacinsegntipode
variables...............................................................................................1 20
EstructuradeunmodeloenGAMS. ...............................................1 28
Tcnicasdisponiblesparalasolucindeproblemasen
GAMS. .....................................................................................................1 29
OptimizadoresLP,NLPyMINLPenGAMS..................................1 29
xv
N OM E NCLATUR A
ndices
Smbolo Descripcin
ndicedenudos.
ndicedelneasdedistribucin.
ndicedesubestaciones.
ndicedeperiodosdetiempo.
ndicedegeneradoreselicos.
ndicedegeneradoresfotovoltaicos.
ndicedegeneradoresminihidrulicos.
ndicedeunidadesdealmacenamiento.
ndicedelaodeplanificacin.
ndicedetiposdecombustible.
Elementotipo
ndicedeperodosanuales.
ndicedenudosreceptores.
Conjuntos
Smbolo Descripcin
xvi
Conjuntodelneasdedistribucin .
Conjuntodenudos .
Conjuntodesubestaciones .
Conjuntodeperiodosdetiempo .
Conjuntodegeneradoreselicos
Conjuntodegeneradoresfotovoltaicos
Conjuntodegeneradoresminihidrulicos
Conjuntodeelementosdered .
Conjuntodeunidadesdealmacenamiento .
Conjuntodetiposdecombustible
.
.
Nomenclatura
Variablesdeterministas
Smbolo
, ,
Descripcin
Coeficientedecostedeinversinderefuerzode
lneaexistente .
Coeficientedecostedeinversindegenerador
elico ubicadoennudo .
Coeficientedecostedeinversindegenerador
fotovoltaico ubicadoennudo .
Coeficientedecostedeinversindegenerador
minihidrulico
ubicadoennudo .
Costedeinversindeunidadesdealmacenamiento
ubicadaennudo .
, ,
, ,
CoeficientedecosteanualdeO&Mporunidaddel
costedeinversindegenerador ubicadoennudo
.
CoeficientedecosteanualdeO&Mporunidaddel
costedeinversindegenerador ubicadoen
nudo .
CoeficientedecosteanualdeO&Mporunidaddel
costedeinversindegenerador
ubicadoen
nudo .
Coeficientedecostedeinversindegenerador
fotovoltaico ubicadoennudo .
Coeficientedecostedeinversindegeneradormini
hidrulico
ubicadoennudo .
Coeficientedecostedeinversinporpotenciaypor
energadeunidaddealmacenamiento instalada
enelnudo .
, ,
, ,
, ,
Coeficientedecostedeprdidasdelnea en
periodo .
Coeficientedecostedeprdidasanualesparalnea
.
CoeficientedecosteanualdeO&Mporunidaddel
costedeinversin , , dealmacenamiento en
nudo .
Coeficientedecostedeinversindegenerador
elico ubicadoennudo .
, ,
Coeficientesdelaaproximacinpolinmicadela
curvadepotenciassegnelfabricante.
, ,
Unidad
xvii
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Coeficientedecostedecombustible
enperiodo .
Coeficienteesperadodevariacinenpreciosde
combustibletipo enelperiodo utilizadopara
minimizartalexposicin.
Costedeinversinenlneas
Costedeenergasuministradaporlared.
Costedeoperacindegeneradoreselicos
ubicadoennudo .
Costedeoperacindegeneradoresfotovoltaicos
ubicadoennudo .
Costedeoperacindegeneradoresminihidrulicos
ubicadoennudo .
Costedeoperacindeunidadesdealmacenamiento
ubicadoennudo .
Costeanualdelsistema.
Costevariableanualdeelemento .
Costevariabledeelemento enfuncindeperiodo
.
Costetotalacumuladoenelhorizontede aos.
Costededelaampliacinenao .
,,
,,
, ,,
, ,,
xviii
,,
Costefijodeelemento .
/
,
importado
Costedeoperacindelneas .
Aumentodelademandaenao .
Demandaenelnudo duranteelperiodo
Capacidadmximadeenergadeunidadde
almacenamiento instaladaenelnudo .
Energatotalconsumidaenelhorizontede aos.
Energacompradaalaredatravsdesubestacin
ubicadaennudo enperiodo
Energacargada/descargadaen
deunidadde
almacenamiento ubicadaennudo enperiodo .
Energaperdidaen
deunidadde
almacenamiento ubicadoennudo enperiodo
Estadodecargadeunidaddealmacenamiento
ubicadaennudo aliniciodelperiodo .
Nomenclatura
,,
Cantidaddeemisionesdedixidodecarbn
generadaporlaredatravsdelasubestaciones
ubicadaennudo enperiodo
Cantidaddecombustible
importadoenperiodo .
Factordeprdidas
Factordeaumentodelpreciodeenerga
Factordeformadedistribucindeprobabilidad
normal
Factordeescaladedistribucindeprobabilidad
normal.
Factordeprdidasdelalnea
Factordereduccindecostesdeinstalacinde
elemento
Factorderecuperacindelcapital
Corrienteenlalnea
Corrientemximaenlalnea
Duracindeperiodo
Preciomedioanualdelaenerga.
Preciodelaenergacompradadelaredenperiodo
.
Resistenciaporfasedelalnea
Capacidaddepotenciamximadelalnea
Capacidadmximadeenergadeunidadde
almacenamiento instaladaenelnudo .
Capacidadmximadegeneradorelico ubicado
ennudo
Capacidadmximadegeneradorfotovoltaico
ubicadoennudo
Capacidadmximadegeneradorminihidrulico
ubicadoennudo
Capacidadmximadepotenciaaparentedeunidadde
almacenamiento instaladaenelnudo
,,
Potenciaaparentedesubestacin ubicadaennudo
enperiodo .
,,
Potenciaaparentedegeneradorelico ubicadoen
nudo enperiodo .
xix
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
,,
,,
,,
Potenciaaparentetransportadaporlalnea en
periodo
Potenciaaparentedegeneradorfotovoltaico
ubicadoennudo enperiodo .
Potenciaaparentedegeneradorminihidrulico
ubicadoennudo enperiodo .
Potenciaaparenteinyectadadelaredatravsde
subestacin ubicadaennudo enperiodo
Potenciaaparentedecargadeunidadde
almacenamiento ubicadaennudo enperiodo .
,,
Potenciaaparentededescargadeunidadde
almacenamiento ubicadaennudo enperiodo .
Potenciamximaenlnea
Potenciadelneas y enperiodo .
Tasadeaumentodelcostevariabledeelemento .
Tasadeintersdelmercado.
Tensinnominalennudoemisor .
Tensinennudoreceptor .
Tensinnominaldelared
Tensinnominaldelnea en .
Tensinenlasubestacin
Tensincontroladaengeneradordistribuido
ubicadoennudo .
Lmitedetensinmnimaennudos .
Lmitedetensinmximaennudos .
,,
ubicadoennudo .
.
Impedancia enlnea .
, ,,
Eficienciadecargadeunidaddealmacenamiento
ubicadoennudo enperiodo
, ,,
Eficienciadedescargadeunidadde
almacenamiento ubicadoennudo enperiodo
Velocidadnominaldelgeneradorelico.
Velocidadcutindelgeneradorelico
Velocidadcutoutdelgeneradorelico
xx
Nomenclatura
Variablesprobabilistas
Smbolo
0,1
,,
,,
,,
Energaprobabilistadelgeneradorelico ubicado
ennudo producidaelperiodo
Energaprobabilistadecargaen
deunidadde
almacenamiento ubicadoennudo enperiodo .
Energacompradaprobabilistaalareden
a
travsdesubestacin ubicadoennudo enperiodo
.
Potenciaaparenteprobabilistaproducidapor
generadorelico ennudo enelperiodo
Potenciaprobabilistaproducidaporelgenerador
elico ubicadoenelnudo .
Potenciaaparenteprobabilistaproducidapor
generadorfotovoltaico ennudo enelperiodo
Potenciaaparenteprobabilistaproducidapor
generadorminihidrulico
ennudo enel
periodo
Potenciaaparenteprobabilistatransportadaporla
lnea ,enperiodo .
,,
Potenciaaparenteprobabilistadecargadeunidadde
almacenamiento ubicadaennudo enperiodo
,,
Potenciaaparenteprobabilistadedescargadeunidad
dealmacenamiento ubicadaennudo enperiodo .
Potenciaaparenteprobabilistadelneas y en
periodo .
Capacidadmximaaleatoriadegeneradorelico en
nudo .
Nmeroaleatorioentre0y1
,,
, ,,
Descripcin
,,
Unidad
Variablealeatoriadelavelocidaddelviento
correspondienteaunsitioespecificodelnudo .
FuncinBeta.
ParmetrosdeladistribucinBeta.
Valormediodelavariablealeatoria.
Desviacinestndardelavariablealeatoria.
xxi
Captu lo 1
1.1 Introduccin
La necesidad de una mayor flexibilidad del sistema elctrico, los nuevos
escenarios legislativos y econmicos, el ahorro de energa y el impacto
medioambiental, han contribuido al desarrollo de la Generacin
Distribuida.
En particular, el trmino de Generacin Distribuida, se entiende como la
utilizacindegeneradoresinstaladosenelterritorioprximoalascargasy
conectados a las redes de distribucin (figura 1.1).Estas unidades pueden
serconvencionalesonoconvencionales.
La presencia de Generacin Distribuida tiene efectos significativos en las
redesdedistribucin:lapresenciadeflujos bidireccionales, elaumento de
la contribucin de capacidad de cortocircuito, el impacto de niveles de
tensin, el deterioro de las protecciones del sistema y su coordinacin y la
variacindelasprdidasenlaslneas.
Es claro que una expansin masiva y descontrolada de la Generacin
Distribuidapodraconducirateneralgunoslosefectosantesmencionados,
los cuales no fueron previstos con anterioridad en la planificacin a largo
plazo de la red de distribucin. Una revisin profunda de la estructura de
las redes de distribucin y de las filosofas de control y proteccin, as
como una expansin controlada de la Generacin Distribuida permitir en
el futuro una red de distribucin ms fiable.El proceso se desarrollar en
varias fases, algunas de las cuales se cumplirn a corto y medio plazo,
mientras que otras requieren para su completa aplicacin ms tiempo. Los
cambios estructurales importantes se debern tener claros para lograr el
objetivo final de transformar la red de distribucin en un diseo ms
adecuadoparaapoyarlapresenciadelaGeneracinDistribuida.
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Figura1.1
EsquemadeunsistemadepotenciaconGeneracinDistribuida.
1.2 Justificacinymotivacin
Debido a las situaciones antes expuestas, se hace imprescindible la
necesidad de planificar la expansin de la Generacin Distribuida en las
redes de distribucin de forma ptima para determinar las opciones ms
convenientesdesdeelpuntodevistaeconmicoytcnico.
Las inversiones necesarias para que los sistemas distribucin de energa
elctrica puedan absorber una expansin creciente y descontrolada de
generacin distribuida seran importantes y acompaadas de largos
periodos de retorno. Cada vez ms existe por ello la necesidad del
desarrollo de instrumentos de planificacin capaces de abordar en forma
eficiente el creciente nivel de la incertidumbre que caracteriza a los
actuales escenarios de expansin de la generacin en las redes de
distribucin.
Peroelenfoqueeconmiconoessuficientesisedeseaintroducirobjetivos
deseables desde un punto de vista social e incluso ambiental. El decisor
2
0.Generacindistribuidaenlasredesdedistribucin
1.3 Expansinptimadelageneracindistribuidaen
redesdedistribucin
El problema de la expansin ptima de la generacin distribuida en redes
de distribucin consiste en determinar la mejor ubicacin de los
generadores utilizados como GD, as como el tamao ms conveniente, de
manera que el suministro de energa elctrica y el comportamiento de la
red elctrica sea adecuado, minimizando los costes de inversin y las
prdidas y costes de operacin, mientras se cumplan las restricciones
tcnicas a lo largo del periodo de planificacin. El problema de
optimizacin es complejo, debido a que existe una gran cantidad de
variablesyderestricciones,ademsdelanolinealidaddelasfuncionesde
costeydelasrestriccionestcnicas.
Lasredesdedistribucin,quegeneralmenteestndiseadasparaquehaya
un flujo unidireccional, es decir desde la subestacin hacia los
consumidores finales, no estn concebidas actualmente para la instalacin
de Generacin Distribuida. Algunos estudios han indicado que esta
integracin puede traer problemas tcnicos y de seguridad, lo cual abre
caminos para la bsqueda de la localizacin y modo de operacin de los
generadoresqueminimicenlosimpactosnegativosenladistribucin.
El uso de tecnologas basadas principalmente en fuentes renovables de
energa est siendo cada vez ms utilizado, debido a intereses
medioambientales, as como a la escasez de los recursos energticos
potencialesquesetenganencadapas.Laenergaelicahasidoimpulsada
enlosltimosaos,tantoporlosgobiernoscomoporalgunasindustrias,ya
que es una energa con una gran capacidad comercial. En este contexto se
espera que la energa elica tenga una mayor participacin en la
infraestructura y en los mercados elctricos. Pero a su vez las fuentes
primarias de Generacin Distribuida basadas en energas renovables
presentanvariabilidadensudesempeo.
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
1.4 Incertidumbredelasenergasrenovables
La expansin de la Generacin distribuida en los sistemas de distribucin
ha cambiado mucho en los ltimos aos. Hasta ahora el enfoque principal
de apoyo a la planificacin de la expansin de de la generacin ha sido
abordado desde un enfoque determinista y muy pocos autores han
contemplado la incertidumbre en sus modelos. Sin embargo, la gestin de
riesgos y manejo de la incertidumbre es un tema que todava debe de ser
mejorado. Como en el futuro es probable una mayor penetracin de la
generacin distribuida en las redes de distribucin, es necesario comenzar
a buscar herramientas para trabajar con los riesgos e incertidumbres de
manera eficiente y, de esta manera estar listos para explotar las nuevas
oportunidadesqueseabren.
Los generadores renovables presentan aleatoriedad debido a las fuentes
primarias de las mismas, como es el viento en el caso de los generadores
elicosolaradiacinsolarenelcasodelosgeneradoresfotovoltaicos.Pero
no solamente las fuentes de energa renovable presentan incertidumbre,
tambinloscostesfuturosdecombustibles,lademandadelaindustria,as
como todos los costes asociados a los diferentes materiales y equipos que
seutilizanenlasredeselctricas.
1.5 Objetivosdelamemoria
Esta memoria analiza y determina desde una perspectiva tanto tcnica,
econmica como de impacto social la planificacin ptima de la expansin
de la generacin distribuida en redes de distribucin de energa elctrica.
Las energas renovables son las principales fuentes de la generacin
distribuida,enparticularlaenergaelica,laenergasolarfotovoltaicayla
energahidrulica.
Elobjetivoprincipaldelamemoriaeslaplanificacinptimamultiperiodo
ymultiobjetivodelaexpansindelageneracindistribuidaenlasredesde
distribucin de energa elctrica teniendo para ello en cuenta la
incertidumbre de vida a la aleatoriedad propia de los recursos primarios
utilizados por la generacin de energa elctrica, as como la aleatoriedad
de la demanda , por lo que es utilizado el mtodo probabilista para
determinar los distintos escenarios futuros en un horizonte de
planificacinalargoplazo.
En la funcin objetivo se minimiza el valor actualizado neto de los costes
deinversinydeoperacindelosgeneradoresydelareddedistribucin.
Elmodelocontemplaademsrestriccionestcnicasdeoperacincomoson:
balance de potencia en nudos, lmites de potencia de generadores, lmite
de capacidad de potencia en lneas, lmite de mxima penetracin de de la
GD en la red de distribucin, as como restricciones de presupuesto, Como
caractersticadiferenciadora,estemodelo contemplalaaleatoriedadde las
0.Generacindistribuidaenlasredesdedistribucin
1.6 Estructuradelamemoria
Captulo 2. En este captulo se realiza una revisin bibliogrfica de
literatura y publicaciones relacionadas a la planificacin ptima de la
generacindistribuidaenredesdedistribucin.Larevisinabarcamodelos
ptimos de: planificacin de redes de distribucin, integracin de
almacenamiento en redes de distribucin, planificacin de redes de
distribucin con generacin distribuida, modelos probabilistas y
estocsticos,planificacinderedesdetransmisinydistribucin,dondese
utiliza optimizacin multiobjetivo. En la ltima parte del captulo se
resumen por medio de tablas los artculos revisados, destacando las
principales caractersticas de los modelos relacionados con el tipo de
sistema,lastcnicasdeoptimizacin,tecnologasutilizadasycriteriosde
optimizacin.
Captulo3.En este captulo se describe el problema de la planificacin de
la generacin distribuida con un enfoque determinista, y su integracin
con sistemas de almacenamiento. Se plantea el problema como un modelo
ptimo monobjetivo lineal, se detalla la formulacin matemtica del
modelo.
Captulo4.Enestecaptuloseplanteaelmodelodelaplanificacinptima
delageneracindistribuidaenlasredesdedistribucincomounproblema
de optimizacin probabilista. Primeramente se describe el mtodo
seleccionado para la solucin de los modelos probabilistas. Se plantea un
modelo probabilista en el cual las variables aleatorias del sistema se
introducenenelmodeloporsusdistribucionesdeprobabilidad.
Captulo 5. En este captulo se aborda la planificacin multiobjetivo de la
generacindistribuidaenunhorizontealargoplazo.Lasfuncionesobjetivo
queseincluyenson:
Minimizacindelcostedeimportacindecombustibles
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Captu lo 2
2.1 Introduccin
En este captulo se hace una revisin bibliogrfica relacionada con los
modelos de planificacin ptima de la generacin en sistemas elctricos,
haciendo nfasis en modelos relacionados con la planificacin de la
GeneracinDistribuidaenredesdedistribucin.Larevisinabarca:
Modelosdeplanificacinptimaderedesdedistribucin.
Modelos de planificacin ptima de de la generacin en sistemas
elctricos(transmisinydistribucin).
Modelos de planificacin ptima de Generacin Distribuida en redes
de distribucin, donde son incluidos generadores convencionales,
generadoresnoconvencionalesyalmacenamiento.
Modelos probabilistas para la planificacin ptima de la generacin
ensistemaselctricos.
Modelos multiobjetivo para la planificacin ptima de la generacin
ensistemaselctricos.
A partir de la revisin bibliogrfica se resumen las principales
caractersticas de los modelos revisados, haciendo nfasis en cul es el
objetivo u objetivos a optimizar, tcnicas de optimizacin utilizadas y
restriccionestantotcnicascomoeconmicascontempladas.
Por ltimo se proporcionan las conclusiones alcanzadas del captulo
resaltandoculeslatendenciadelosmodelosdeplanificacin.
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
2.2 Modelosdeplanificacinptimaderedesde
distribucin
Crawford y Holt [1975] analizan el problema de planificacin de la
ubicacin, tamao y rea de servicio de las subestaciones de distribucin.
El problema formulado considera una funcin lineal de costes asociados
directamente a las longitudes de los tramos y se resuelve mediante dos
algoritmos; de Dijkstra para encontrar las rutas ms cortas y de Ford y
Fulkerson para determinar las reas ptimas de servicio de las
subestaciones. El modelo permite resolver problemas de tamao
relativamente grandes, pero tiene limitaciones de no incluir las
restriccionesdecapacidaddetransportedepotenciadelosalimentadores.
Salamat Sharif et al. [1994] utilizan un algoritmo para la expansin de la
generacinenunsistemadedistribucinradial,elculesllevadoacaboen
dos pasos. En el primer paso se utiliza el concepto de rbol de expansin
mnimo. En el segundo paso el problema de optimizacin es construido
sujeto a las restricciones tcnicas del sistema y es utilizada programacin
lineal enteramixta (MIP) para su solucin. La funcin objetivo es el valor
presentedelcostedeinversin.
ElKhattametal.[2004]planteanunmodelobasadoenprogramacinlineal
mixtaentera para planificar el diseo ptimo de una red de distribucin
con Generacin Distribuida donde se contemplan no solamente
restricciones de operacin tcnicas de seguridad, sino que tambin se
contempla la mejor alternativa para la ubicacin y dimensionado ptimos
de los generadores distribuidos, as como la seleccin de tipo de
generadoresyderutasptimasdelaslneasdedistribucin.
Gzel y Hocaoglu [2009] modelan un sistema de distribucin para
minimizar las prdidas de potencia en la red. En este modelo es crucial
definir el tamao y ubicacin de la generacin local. Se tienen en cuenta
algunas de las caractersticas de los sistemas de distribucin, tales como:
estructuraderadialidad,nmerodenudosyelrangodelarelacin .En
este estudio, un factor de sensibilidad de prdidas, basado en inyeccin de
corriente equivalente es formulado para el sistema de distribucin. El
factor de sensibilidad es empleado para la determinacin del tamao
ptimo y localizacin ptima de la GD, as como para minimizar las
prdidas de potencia por un mtodo analtico, sin el uso de la matriz de
admitancias, la inversa de la matriz de admitancias o el jacobiano de la
matriz. Se muestra que el mtodo propuesto est acorde con el algoritmo
clsicobasadoenflujosdecargasucesivos.
Domnguez et al. [2002] presentan un algoritmo para obtener la
localizacinptimadegeneradoresquepermitanlaadecuadaoperacinde
una red de distribucin donde se incluye Generacin Distribuida. El
algoritmo propuesto ha sido desarrollado para sistemas de distribucin de
energaelctricaysebasaenlatcnicaheursticaconocidacomobsqueda
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
2.3 Modelosdeplanificacinptimadegeneracin
distribuidaenredesdedistribucin
[Kuri, Li et al., 2004] proponen una estructura para optimizar la
planificacin de la generacin distribuida enfatizando los riesgos e
incertidumbres, toma en cuenta aspectos tcnicos, medioambientales y
comerciales debido a los cambios legislativos, precios de combustibles e
innovacionestecnolgicas.
Berg Krahl y Paulun [2008] presentan un mtodo para la evaluacin y
minimizacin de costes de la red con generacin distribuida. Las
herramientasparaoptimizacindelaredsonpararealizarlaintegracina
un coste eficiente a largo plazo. La planificacin a largo plazo de redes de
distribucin de media tensin est basada en un enfoque rural, con un
horizonte devariasdcadas.Laplanificacines llevadaacabotomandoen
consideracin restricciones geogrficas tales como localizacin de
subestaciones y rutas en mal uso, adems de restricciones tcnicas:
suministro y carga de los consumidores, cantidad mxima de equipo y
operacin en condiciones normales y bajo fallo, lmites de tensin
permitidos y corrientes de cortocircuito son considerados, entre otros. El
objetivo de la planificacin es minimizar el coste de inversin y costes de
operacin anuales as como los costes de prdidas de potencia. En esta
contribucin, una herramienta computacional es utilizada, la cual est
basada en un mtodo heurstico de dos etapas que considera todas las
restricciones tcnicas y geogrficas relacionadas. En la primera etapa una
solucin inicial es generada con un algoritmo originalmente desarrollado
pararesolverelproblemadelarutadelvehculo,despusesmejoradocon
unmtodobasadoenunabsquedatab.
Cormio et al. [2003] emplean una metodologa basada en un modelo de
flujo ptimo de cargas ptimo, utilizando programacin lineal. El proceso
deoptimizacinesutilizadoparadisminuirlosimpactosmedioambientales
y econmicos, tomando en cuenta la instalacin de plantas de ciclo
combinado, plantas elicas, explotacin de biomasa junto con sistemas
industrialescombinadosdecaloryenerga.Estemodelodescribeelsistema
deenergacomounareddeflujosdeenerga,combinandolaextraccinde
combustiblesprimarios,atravsdetecnologasdeconversinytransporte,
para cubrir la demanda de energa de un alto consumo de materiales. El
horizonte de planificacin es definido por periodos, generalmente de
diferentetamao.Lafuncinobjetivoconsisteenlaminimizacindelcoste
actualizado de la conversin de la energa primaria sobre un horizonte de
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
2.3.1 Integracindesistemasdealmacenamientodeenerga
El suministro de energa en redes de distribucin procedente de fuentes
primarias no es constante y rara vez coincide con el patrn de la demanda
delosconsumidores.Laelectricidadensmismaesdifcildealmacenaren
cantidadessignificativamentegrandes.Elalmacenamientosecundariodela
energa es necesario para un uso ms eficiente de la capacidad de
generacinexistenteyparapermitirunusomsconsistentedelasenergas
renovables,quetiendenaproporcionarenergademaneraintermitente.La
falta de almacenamiento de hecho ha sido citada como una barrera a la
introduccin sustancial de las fuentes de energa renovables en la red de
suministrodeelectricidad.
Contaxis y Vlachos [2000] describen un modelo para resolver el flujo
ptimo de potencia en un sistema de potencia, el cual incluye parques
11
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
12
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
13
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
14
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
15
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
obtener el HLOLE (Hourly Loss of Load Expectation) total del sistema. Los
resultados obtenidos utilizando el mtodo propuesto muestran una
disminucinenlosvaloresdelosndicesdefiabilidadparabajosnivelesde
penetracin. Para una penetracin alta los efectos de la fluctuacin de la
potenciadesalidacomienzanasersignificativosylaaltadisponibilidadde
unidadesnoconvencionalesessuperadaporlavariabilidadenlasalida.
Otra forma de calcular los ndices de fiabilidad es con la utilizacin de
simulaciones secuenciales, con este enfoque Wang y Billinton [2001]
presentanunasimulacinsecuencialeneltiempoparaevaluarlafiabilidad
del sistema de distribucin con generadores elicos (Wind Turbine
GeneratorsWTG).Laentregadepotenciadelgeneradorelicoaunahora
especficaesexpresadaenfuncindelavelocidaddelvientoylacapacidad
de generacin de la unidad. Se desarrolla un modelo de seis estados para
considerar los efectos simultneos de la velocidad del viento y la salida
forzada de los WTG. Un modelo de dos estados representa los otros
componentesdelsistemadedistribucin.Seobservaquelafiabilidadvara
encadapuntoindividualdecargadependiendodelaubicacindelnudode
carga en la red, de la topologa de las protecciones y del nivel de carga.
Adems,seencuentraqueseleccionandoelnmeroptimodeWTGconuna
ubicacin especfica (de acuerdo a las condiciones del viento), la fiabilidad
delsistemadedistribucinpuedesermejoradasustancialmente.
Marmidis et al. [2008] muestran un procedimiento novedoso para la
localizacin ptima de generadores elicos en un parque elico, basado en
Simulacin Monte Carlo. El modelo maximiza la produccin de energa y
minimiza el coste de instalacin. Como caso de estudio un sitio es dividido
en 100 celdas cuadradas donde pueden ser posibles la instalacin de
generadoreselicos.Paraoptimizar(minimizar)elcostetotal,semodelael
coste de inversin de forma que slo un cierto nmero de generadores
elicos necesarios es considerado. La funcin objetivo es el coste mnimo
por unidad de energa producida relacionada a la potencia total. Los
resultados obtenidos por el mtodo de Simulacin Monte Carlo son
comparados con la solucin dada con la tcnica heurstica de algoritmos
genticos(AG),obteniendomejoresresultados.
YangyZhou[2007]desarrollanunmodeloparaoptimizareldimensionado
deunsistemahbridosolarelicojuntoconalmacenamiento,detalmanera
que el sistema pueda trabajar en condiciones ptimas con configuraciones
ptimasdelosrequerimientosdeinversinyfiabilidadparalademandade
lacarga.Enestetrabajo,elmodeloutilizaunaherramientadeoptimizacin
quese basaen la prdidadeprobabilidadde suministro deenerga(LPSP)
yenelconceptodecostedeenerganivelado(LCE).Porlotanto,lafuncin
objetivo se basa en LPSP para que la configuracin del sistema obtenga la
fiabilidadrequerida.
Karki y Billinton [2003] presentan un anlisis para determinar cules son
lasfuentesdeenergamsapropiadasquedebeninstalarsepararealizarla
16
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
17
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
18
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
19
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
20
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
21
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
desobrepasarloslmitespermitidosdecadadetensinenlosnudosdela
red.
Tambin Shayeghi [2009] presenta un modelo multiobjetivo posibilista
fuzzy para determinar la localizacin ptima de Generacin Distribuida
para reduccin de prdidas y mejoramiento del perfil de la tensin en los
sistemas de distribucin de energa elctrica. El problema multiobjetivo es
desarrollado en dos etapas. En la primera etapa se obtiene el conjunto de
soluciones no dominadas de planificacin, utilizando algoritmos genticos.
En la segunda etapa, una solucin del conjunto de soluciones no
dominadas es seleccionada como solucin ptima utilizando un enfoque
apropiado de maximizacinminimizacin. Los parmetros de entrada son
modelados utilizando la teora de conjuntos difusos para utilizarlos en el
flujo de potencia difusa, lo cual nos da una vista real acerca de las
demandas futuras del sistema de distribucin debido a que este modelo
consideraincertidumbredelosfuturospuntosdedemanda.
Antunes et al. [2004] presentan un modelo para la planificacin de la
expansin de la generacin con mltiples objetivos. El manejo de la
demanda es tambin considerado como una opcin en el proceso de
planificacin, suponiendo que hay una gran parte del mercado en
condiciones de franquicia. Las soluciones no dominadas pueden ser
programadas optimizando una funcin escalar la cual es una suma de
mltiples funciones objetivo ponderadas no negativas. La funcin objetivo
considera tres objetivos, la cuantificacin del coste total de expansin del
sistema, una medida del impacto ambiental y el coste del impacto
ambiental; todo para ser minimizado. Las restricciones a que est sujeta la
funcin objetivo observan los requerimientos de fiabilidad de acuerdo a
que unidades de generacin deben satisfacer la potencia instantnea as
comoproveerunmargendereservaelcualesdefinidocomounporcentaje
delademandapicoatravsdelperiododeplanificacin.
Soroudi y Ehsan [2010] presentan un modelo multiobjetivo dinmico para
expansin de la red de distribucin, considerando Generacin Distribuida.
El modelo optimiza simultneamente dos objetivos, costes totales y
satisfaccin de restricciones tcnicas con esquemas ptimos de de
dimensionado, localizacin y especialmente inversiones dinmicas de
unidadesdeGeneracinDistribuiday/oreconfiguracindedelaredsobre
elperiododeplanificacin.Unmtododebsquedaheursticaespropuesto
para encontrar las soluciones no dominadas del problema formulado y un
mtodofuzzyesutilizadoparaseleccionarlasolucinfinal.
Zangeneh et al. [2009] proponen un mecanismo basado en una funcin de
concesin de emisiones no contaminantes lo cual es pagado a los
propietarios de GD para promover el uso de tecnologas limpias y
renovables. En el proceso de planificacin un algoritmo multiobjetivo es
aplicado para producir una frontera de Pareto de esquemas ptimos
tomando en cuenta diferentes funciones objetivo (coste y funciones de
22
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
2.4 Conclusiones
En la revisin de los modelos se recogen las caractersticas de cada
modelo, como son: funcin o funciones objetivo a optimizar, restricciones
tcnicas, restricciones econmicas, restricciones sociales y tcnicas de
optimizacinutilizadasparalasolucindelmodelo.
Laintroduccin deGeneracin Distribuidapresentaunconjunto denuevas
condiciones en la red y como consecuencia la aparicin de nuevos
problemas tcnicos que deben ser estudiados al considerar la conexin de
GeneracinDistribuida.
En la revisin de los modelos de planificacin de redes de distribucin, en
loscualessehainstaladoGD
LocalizacinptimadeGeneracinDistribuida.
DimensionadoptimodeGeneracinDistribuida.
Seleccinptimadelneas.
Expansindelageneracinadiferenteshorizontes.
Estabilidaddelosparmetrosdelapotenciaelctrica.
Fiabilidaddelared.
En la Tabla 2.1 y la Tabla 2.2 se resumen caractersticas de los modelos
revisados. Los distintos modelos que utilizan GD convencional o no
convencional. La tendencia a utilizar Generacin Distribuida no
convencional se ha dado en los ltimos aos, debido a la tendencia de
utilizar ms los recursos renovables. Algunos modelos proponen la
utilizacindealmacenamientoparaapoyodesuministroenhorasdemayor
demandaopararespaldodelasfuentesnoconvencionales.
Tambin en la Tabla 2.3 y la Tabla 2.4 se resumen los criterios de
optimizacinutilizadosenlosmodelos.Sepuedeobservarquelatendencia
de los criterios es el uso de restricciones tcnicas de seguridad como
control de la tensin y minimizacin de prdidas. La funcin objetivo a
optimizarmsutilizadaeslaminimizacindelcostedeinversinycostede
operacin; cuando el modelo es monobjetivo. Cuando el modelo es
multiobjetivo se pueden observar funciones objetivo de minimizacin de
costeglobal,minimizacindeemisionesde
,
,etc.
23
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Caractersticas demodelosderedesdedistribucinconGD
(19682004)
DommelyTinney(1968)
AdamsyLaughton(1974)
CrawfordyHolt(1975)
HindiyBrameller(1977)
AllanyLeiteDaSilva(1981)
SinghyLagoGonzalez(1985)
TerGazarianyKagan(1992)
SalamatSharifetal.(1994)
Donnellyetal.(1996)
BrignolyRenaud(1997)
BarkeryDeMello(2000)
ContaxisyVlachos(2000)
Edwardsetal.(2000)
WangyBillinton(2001)
KimyKim(2001)
Naraetal.(2001)
SlootwegyKling(2002)
Navarroetal.(2002)
GomezyMorcos(2002)
McDermottyDugan(2002)
Asakuraetal.(2003)
Hegazyetal.(2003)
Chowdhuryetal.(2003)
Cornioetal.(2003)
KarkiyBillinton(2003)
Alguaciletal.(2003)
Greatbanksetal.(2003)
Koroneosetal.(2004)
InSuetal.(2004)
RamirezyNavarro(2004)
ElKhattametal.(2004)
ElKhattametal.(2004)
24
Controldetensin
Cortocircuito
Estabilidad
proteccin
Prdidas
Fiabilidad
Radialidad
EENS
Flujoptimodecargas
Localizacinydim.
Minimizacindecoste
Criteriodeoptimizacin
Maximizacingeneracin
Almacenamiento
Fuentesrenovables
Publicacin
Convencional
Tecno
loga
GD
Expansindelageneracin
Tabla2.1
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
Tabla2.2
Caractersticas demodelosderedesdedistribucinconGD
(20052009)
Controldetensin
Cortocircuito
Estabilidad
proteccin
Prdidas
Fiabilidad
Radialidad
EENS
Flujoptimodecargas
Localizacinydim.
Minimizacindecoste
Expansindelageneracin
Criteriodeoptimizacin
Maximizacingeneracin
Almacenamiento
Fuentesrenovables
Publicacin
Convencional
Tecno
loga
GD
CHaturvedy(2005)
KeaneyOMalley(2005)
GallegoPreciadoetal.
(2006)
GautamyMithulananthan
(2007)
Lopesetal.(2007)
Cano(2007)
Rosenetal.(2007)
KattiyKhedkar(2007)
Papadopoulosy
Karagiannidis(2008)
Dicoratoetal.(2008)
BouffardyGaliana(2008)
Hamrounietal.(2008)
Senjyuetal.(2008)
Marmidisetal.(2008)
BergKrahlyPaulun(2008)
GzelyHocaoglu(2009)
Katiraei(2009)
Zeineldinetal.(2009)
Sayeghi(2009)
Abido(2009)
AbouElElaySpea(2009)
AlarconRodriguezetal.
(2009)
25
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Tabla2.3
TcnicasdeoptimizacindemodelosderedesdedistribucinconGD
(19742004)
TerGazarianyKagan
ProgramacinLinealMixta
(1992)
Entera
SalamatSharifetal.
ProgramacinLinealMixta
(1994)
Entera
Donellyetal.(1996)
Simulacin
BrignolyRenaud(1997)
Estocstica
ContaxisyVlachos(2000)
ProgramacinLineal
Edwardsetal.(2000)
Simulacin
WangyBillinton(2001)
SimulacinMonteCarlo
KimyKim(2001)
Simulacin
Naraetal.(2001)
BsquedaTab
SlootwegyKling(2002)
Experimental
Navarroetal.(2002)
Bsquedatab
Asakuraetal.(2003)
Simulacin
Hegazyetal.(2003)
SimulacinMonteCarlo
Chowdhuryetal.(2003)
SimulacinMonteCarlo
Cornioetal.(2003)
ProgramacinLineal
KarkiyBillinton(2003)
SimulacinMonteCarlo
ProgramacinLinealMixta
Alguaciletal.(2003)
Entera
Greatbanksetal.(2003)
AlgoritmosGenticos
ProgramacinLinealMixta
Koroneosetal.(2004)
Entera
RamirezyNavarro(2004)
BsquedaTab
ElKhattametal.(2004)
Heurstica
ElKhattametal.(2004)
SimulacinMonteCarlo
Chaturvedy(2005)
AlgoritmosGenticos
KeaneyOMalley(2005)
ProgramacinNoLineal
PUBLICACIN
26
Captulo2.Modelosdeplanificacinptimadegeneracindistribuidaenredesde
distribucin
Tabla2.4
TcnicasdeoptimizacindemodelosderedesdedistribucinconGD
(20062009)
PUBLICACIN
MONO
OBJ.
KeaneyOMalley(2005)
ProgramacinNoLineal
GallegoPreciadoetal.
(2006)
ProgramacinNoLineal
mixtaentera
Gautamy
Mithulananthan(2007)
ProgramacinNoLineal
Mixtaentera
Cano(2007)
Fuzzy
Rosenetal.(2007)
Simulacin
CapizziyTina(2007)
Fuzzy
Kennedyetal.(2007)
Simulacin
Senjyuetal.(2007)
AlgoritmosGenticos
HaesenyBellmans
(2007)
Estocstica
YangyZhou(2007)
ArlkanyGngr(2007)
Fuzzy
KattiyKhedkar(2007)
Papadopoulosy
Karagiannidis(2008)
Dicoratoetal.(2008)
ProgramacinLineal
BouffardyGaliana
(2008)
Estocstica
Hamrounietal.(2008)
Simulacin
Senjyuetal.(2008)
AlgoritmosGenticos
Marmidisetal.(2008)
SimulacinMonteCarlo
BergKrahlyPaulun
(2008)
BsquedaTab
GzelyHocaoglu(2009)
Analtica
Katiraei(2009)
Zeineldinetal.(2009)
ProgramacinNoLineal
Sayeghi(2009)
AlgoritmosGenticos
Abido(2009)
AlgoritmosGenticos
AbouElElaySpea
(2009)
AlgoritmosGenticos
AlarconRodriguezetal.
(2009)
AlgoritmosGenticos
27
Captu lo 3
M OD E LO D E D ISE O P TI M OM ONOBJE TI VO
3.1 Introduccin
Enestecaptulosellevaracaboelmodeladodelaplanificacinptimade
la Generacin Distribuida en redes de distribucin de media tensin por el
mtodo determinista, es decir con parmetros conocidos. Los generadores
que son seleccionados para integrarse en el sistema de distribucin son
generadoreselicos,fotovoltaicosyminihidrulicos,ascomounidadesde
almacenamiento elctrico. Primeramente se llevar a cabo una descripcin
del sistema de distribucin existente, describiendo el comportamiento
determinista de la demanda elctrica. En la siguiente seccin se formula el
modelo ptimo monobjetivo y en la ltima seccin se formula el modelo
ptimomultietapa.
29
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
3.1.2 Demandaelctricaygeneracinrenovable
La demanda elctrica presenta variabilidad, ya sea por razones
meteorolgicas o por razones naturales de la utilizacin de la energa
elctrica en periodos vacacionales, das festivos o fines de semana. El
comportamiento de la demanda sigue un patrn determinado por las
distintas actividades de consumo, tanto residenciales, industriales y
comerciales; estas caractersticas se repiten en forma diaria, semanal y
anual, por lo que su comportamiento futuro puede ser predicho con un
porcentajedeerrorbajo.
Enelmodelodeterministalademandapuedeserrepresentadaporunperfil
medio anual. En el estudio presentado se ha considerado un perfil
normalizado como base del comportamiento de la demanda. Para aplicarlo
a los diferentes nudos, el perfil normalizado se multiplica por la demanda
media de cada nudo. En el presente trabajo se le aadi adems un ruido
con distribucin normal y desviacin estndar de 0.3 (30% de la media)
para simular mejor la incertidumbre de la demanda. El perfil medio anual
normalizado est representado en la figura 3.1, junto con el perfil medio
baseyelruidoaadido(Ruido30%).
Paradeterminarlademandafuturaexistendistintastcnicasdeprediccin.
En esta investigacin se supone una demanda futura con un porcentaje de
crecimientoanualdeun5%.
1.4
Demandanormalizada
1.2
1.0
0.8
Perfil
0.6
REE2008
0.4
Ruido30%
0.2
0.0
0.2
0.4
0
12
18
24
Horadelda
Figura3.1
30
Perfilmedionormalizadoconsideradocomobaseparamodelarla
demandaencadanudo.
Demandamediapornudo(kVA)
Captulo3.Modelodediseoptimomonobjetivo
300
250
200
150
100
50
0
0
10
15
Ndenudo
Figura3.2
DistribucindelademandamediaencadanudoenelCasode15
nudos.
31
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
perf_w
perf_pv
0.8
perf_mgh
0.6
0.4
0.2
0
0
12
horadelda
Figura3.3
18
24
Perfilesdegeneracinrenovablesconsideradosparaelmodelomono
objetivodeterminista.
3.1.3 Modeloptimomonobjetivo
La planificacin ptima de la Generacin Distribuida en redes de
distribucin se plantea como un modelo ptimo monobjetivo, en el cual se
contempla una funcin objetivo a optimizar sujeta a un conjunto de
restricciones. El mtodo que se presenta en este captulo es el mtodo
determinista.
El modelo determinista del sistema proporciona un estado instantneo de
la operacin del sistema, que corresponde a cualquier instante en el
tiempo, o equivalentemente a un resultado potencial debido a la
aleatoriedaddelasentradasdelsistema.
Las subestaciones de distribucin y los generadores renovables repartidos
en forma distribuida en la red son los encargados de suministrar la
potencia requerida por los centros de consumo. Las subestaciones tienen
asociada una potencia mxima (capacidad de los transformadores de
distribucin). Los generadores renovables tambin tienen asociada una
potencia con un lmite mximo, que depender de sus caractersticas
tcnicas, un coste fijo que depende de su potencia y un coste variable que
depende de su mantenimiento. Las lneas de distribucin son las
encargadas de transportar la potencia elctrica hasta los centros de
demanda (nudos de demanda). Las lneas tienen asociado costes fijos y
costes variables. Los costes fijos dependen de la longitud de la lnea y los
costes variables dependen del valor de potencia que transportan [Gonen,
RamirezRosadoetal.,1986].
Enelprocedimientodelaplanificacinsedebeconseguirquelageneracin
Distribuida sea dimensionada en forma ptima para el horizonte de
planificacin propuesto, tomando en consideracin que en cualquier etapa
delhorizontelaoperacindelsistemaseaptima.
32
Captulo3.Modelodediseoptimomonobjetivo
3.2 Formulacinmatemticadelmodeloptimo
monobjetivo
Entrminosmatemticoselproblemadeoptimizacinmatemticaparaun
sistemaelctricoseenunciapormediodeunafuncinobjetivoaoptimizar
(maximizar o minimizar) o varias en caso de evaluar el efecto de diversos
objetivos,quepuedetenerlaformadelaecuacin:
Sujetaa:
0 Restriccionesdeigualdad.
0
Restriccionesdedesigualdad.
3.2.1 Funcinobjetivo
El objetivo en la planificacin de la Generacin Distribuida en las redes de
distribucin es minimizar el coste global del sistema (inversin ms
operacin) atendiendo los requerimientos del crecimiento de la demanda
manteniendo criterios tcnicos y econmicos durante el horizonte de
planificacin.
Coste de inversin. El coste de inversin es la suma de los costes de
equipos y componentes necesarios para la instalacin de una subestacin,
un generador, una lnea de distribucin, etc., de acuerdo a sucapacidad en
. La capacidad de la lnea est asociada a su longitud y el tipo, areo o
subterrneo. Cuando se presupuesta una lnea de distribucin se
contemplan todos los factores para una instalacin adecuada. En las
subestaciones y generadores adems se contempla el diseo y la puesta en
marcha, as como seguros. En la funcin objetivo del modelo se consideran
lossiguientescostesdeinversin:
CL
:Costedeinversinenlneasexistentes.
C W :Costedeinversindelosgeneradoreselicos.
C PV :Costedeinversindegeneradoresfotovoltaicos.
CH
:Costedeinversindegeneradoresminihidrulicos.
CS
:Costedeinversindeunidadesdealmacenamiento.
33
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
:Costedelaenergacompradaalared.
C LO :Costedeoperacindelneasexistentes.
C WO :Costedeoperacindegeneradoreselicos.
C PVO :Costedeoperacindegeneradoresfotovoltaicos.
C HO :Costedeoperacindegeneradoresminihidrulicos.
C SO :Costedeoperacindeunidadesdealmacenamiento.
La funcin objetivo a minimizar es el coste total
a lo largo del
horizonte de planificacin que en este caso son 20 aos. Para ello, se
calculan los costes anuales. Los costes del proyecto se obtienen sumando
los costes fijos y los costes variables diarios multiplicados por 365.
Finalmente, los costes anuales se obtienen con el as llamado factor de
recuperacin del capital CRF (del ingls: Capital Recovery Factor) que
anualiza los costes. Como resultado, la funcin de objetivo se puede
formulardelasiguientemanera:
min
(3.1)
Con
365
1
1
1
1
(3.2)
(3.3)
Donde
Costeanualdelsistema.
Factorderecuperacindelcapital.
Conjuntodeelementosdered .
Conjuntodeperiodos .
Costefijodeelemento .
Factordereduccindecostesdeinstalacindeelemento .
Costevariableanualdeelemento .
,
34
Costevariabledeelemento enfuncindeperiodo .
Tasadeaumentodelcostevariabledeelemento .
Captulo3.Modelodediseoptimomonobjetivo
Tasadeintersdemercado.
Horizontedeplanificacindelproyectoenaos
Elplanteamientodelmodelodeoptimizacineslacreacindeunescenario
de crecimiento de una red de distribucin. Para ello en el primer ao se
contabiliza como coste anual un proyecto, como si fuera para la
construccinnuevadelaredentera.Esteproyectotieneunhorizontede20
aos y el coste total se anualiza con el
. Este coste anual est
relacionado a una demanda dada en el primer ao. El cociente entre este
coste anual y la demanda anual representa el coste de energa COE (del
ingls:CostOfEnergy)delsistemadimensionadoparaelprimerao.
(3.4)
,
,
(3.5)
Donde
Costetotalacumuladoenelhorizontede aos.
Energatotalconsumidaenelhorizontede aos.
ndicedelaodereplanificacin.
,
,
Costedelaampliacindelaredenao .
Aumentodelademandaenao .
Ntesequeelaumentodelcosteydelademandaenelao1representala
instalacin de la red inicial. As este primer paso est incluido
automticamenteenelmodelo.
De esta forma se obtiene la evolucin del coste minimizado de energa en
/
.Acontinuacinsedetallancadaunodeloscostesdecadaelemento
delared.
35
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
3.2.1.1
Costesdeinversin
a) Costedeinversinenlneas
Las lneas de distribucin son las encargadas de transportar la potencia
desde las fuentes (subestaciones o generadores distribuidos) hasta los
centros de consumo. Los tipos de conductores empleados en las lneas
puedenserareososubterrneos.
Elcostedeinversindelaslneasexistentesquedaexpresadoenelmodelo
porlasiguienteecuacin:
(3.6)
Donde:
Conjuntodelneasdedistribucin .
Coeficientedecostedeinversinen/
Potenciaaparentemximaen
delnea .
delnea .
b) Costedeinversindelosgeneradoresrenovables
El coste de inversin de los generadores renovables est asociado con la
capacidad instalada en MVA de las unidades de generacin por un
coeficiente de coste fijo (o coste de inversin) . Su implementacin en el
modelosepuedeobservarenlassiguientesecuaciones.
, ,
(3.7)
(3.8)
(3.9)
y minihidrulicos
, , , , , , , ,
son
los
coeficientes
de
coste
de
,
inversin en/
y
,
,
,
,
, las capacidades instaladas en
delosgeneradores , y
ubicadosennudo .
36
Captulo3.Modelodediseoptimomonobjetivo
c)
Costedeinversindeunidadesdealmacenamiento
Elcostedeinversindelasunidadesdealmacenamientoestasociadocon
la capacidad mxima en kVA de la unidad de almacenamiento y esta
expresadoporlasiguienteecuacin:
, ,
, ,
(3.10)
Donde:
Conjuntodeunidadesdealmacenamiento .
, ,
, ,
Capacidadmximadepotenciaaparenteen
dealmacenamiento instaladaenelnudo .
deunidad
3.2.1.2
Costesvariables
a) Costedelaenergacompradaalared
Laenergacompradaalared , , en
provienededistintasfuentes,ya
sean convencionales o no convencionales. Esta energa es suministrada a
travs de las subestaciones de distribucin existentes. Con el precio de la
energa en/
comprada a la red se obtiene el coste de la energa
compradaalared , encadaperiododetiempo .Ademsseintroduceun
factor de incremento anual del precio . En el modelo se ha introducido
comocostevariableenfuncindeperiodo conlasiguienteexpresin:
,,
(3.11)
Donde:
Factordeaumentodelpreciodeenerga.
compradaalaredenperiodo .
Conjuntodenudos .
Conjuntodesubestaciones .
,,
Preciodeenergaen/
a travs de subestacin
37
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
b) Costedeoperacindelneasexistentes
Estoscostesseexpresanentrminosdelosflujosdepotenciaalcuadradoa
travs de las lneas, lo que conlleva a una funcin objetivo con costes no
lineales. En el modelo presentado, estos costes se han linealizado, tal y
comosepresentaacontinuacin.
Costesnolineales:
Siendo que el valor de las prdidas de potencia media en un conductor de
unalnea siguelaexpresin:
3
(3.12)
Donde:
Factordeprdidasdelalnea .
Resistenciaporfasedelalnea en .
Corrientemximaenlalnea en .
Las corrientes mximas de las lneas se manejan por medio de potencias
aparentesmximasquefluyenporlaslneas.Ascomoelcostedeprdidas
.
anuales
,
8760
(3.13)
Donde:
Preciomedioanualdelaenerga/
Resistenciatotaldelalnea en .
Tensinnominaldelnea en .
Potenciamximaenlnea en
para la
Costeslinealizados:
Se puede hacer una regresin lineal de la curva de prdidas, como se
muestra en la Figura 3. lo que permitira la aplicacin de tcnicas lineales
paralasolucindelmodelo.
38
Captulo3.Modelodediseoptimomonobjetivo
Figura3.4
Linealizacindecostesvariables
0,75
(3.14)
, ,
(3.15)
Con
0.75
, ,
(3.16)
Donde:
Coeficientedecostedeprdidasen/
periodo .
, ,
Potenciaaparenteen
delnea en
transportadaporlalnea enperiodo
.
Lacapacidadmximaen
depotenciadelnea .
Preciodelaenerga/
enperiodo .
Factordeprdidasdelalnea .
Resistenciaporfasedelalnea en .
Tensinnominalen
delnea .
Duracindeperiodo enhoras.
39
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
c)
Costedeoperacindelosgeneradoresrenovables
, ,
(3.17)
(3.18)
(3.19)
Costedeoperacinymantenimientorutinario
Costedelaprdidadeenergadebidoalaeficienciadelainstalacin,
incluyendoelalmacenamientomismo,elinversoryelcableado.
, ,
, ,
, ,,
(3.20)
Con:
, ,,
,,
, ,,
,,
, ,,
(3.21)
Donde:
, ,
40
enperiodo .
Captulo3.Modelodediseoptimomonobjetivo
, ,,
Energa perdida en
nudo enperiodo .
de almacenamiento
ubicado en
,,
,,
, ,,
, ,,
Eficienciadedescargadealmacenamiento ubicadoennudo
enperiodo .
de
Duracindeperiodo enhoras.
3.2.2 Restricciones
En el problema de optimizacin monobjetivo para la planificacin de la
generacindistribuidalasrestriccionesimpuestasson:balancedepotencia
en nudos (primera ley de Kirchhoff), balance de generacin, lmites de
capacidaddeflujodepotenciaenlaslneas,lmitedecapacidaddepotencia
de los generadores, lmites de potencia en unidades de almacenamiento,
lmitedepotenciaensubestaciones,lmitedetensinennudos,balancede
energadeunidadesdealmacenamiento,lmitedetensinennudos.
3.2.2.1
Balancedepotenciaenlosnudos
,,
,,
,
,,
,,
,,
,,
(3.22)
,,
Donde , eslademanda,
, y
, lasprdidasenlaslneasendireccin
y ,
, , y
, , las potencias de descarga y carga y
, , la potencia
deprdidasen
deunidadesdealmacenamiento ubicadasennudo .
41
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
3.2.2.2
Modelodelestadodecargadelalmacenamiento
,,
,,
,,
(3.23)
Donde:
,,
,,
Estado de carga en
de unidad de almacenamiento
ubicadaennudo aliniciodelperiodo .
, , Energa
cargada/descargada en
de unidad de
almacenamiento ubicadaennudo enperiodo .
Con:
,,
,,
,,
,,
, ,,
, ,,
(3.24)
(3.25)
Donde
y , , , y
, , y
, , sonlaspotenciasdecargaydescargaen
, , las eficiencias de carga y descarga de unidad de almacenamiento
ubicadaennudo enperiodo .
Adems se asume que un ciclo completo de carga y descarga se termina en
unda.Porlocualelestadodecargainicialyfinalsefijaencero.
42
Captulo3.Modelodediseoptimomonobjetivo
3.2.2.3
Lmites
a) Lmitedepotenciaenlneas
En esta restriccin de desigualdad la capacidad de potencia en cada lnea
, esellmitetrmicodelflujodepotenciaquepuedesertransportadaa
travsdelaslneasdelared.
0
(3.26)
(3.27)
Donde:
S
,S
Potenciaen
delneas y enperiodo .
CapacidaddepotenciamximaenkVAdelneas
Conjuntodelneasdedistribucin .
b) Lmitesdepotenciadelosgeneradoresrenovables
Enestarestriccinlacapacidaddegeneracinparacadaunidadtipow,pvg
o mgh en el nudo es menor que la potencia mxima del generador elico,
fotovoltaicoohidrulicoencuestin.
c)
,,
,,
,,
(3.28)
(3.29)
(3.30)
Lmitesdelasunidadesdealmacenamiento
,,
,,
,
,
(3.31)
(3.32)
(3.33)
Donde
, y
, sonlaspotenciasmximasdecargaydescargaen
y
, la capacidad mxima efectiva de energa de unidad de
almacenamiento ubicadaennudo .
3.2.2.4
Definicindelatensinenlosnudos
43
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Tensinen
,
,
(3.34)
(3.35)
enlasubestacin
Tensin controlada en
ennudo .
ubicadaennudo .
en generador distribuido
Tensinnominaldelareden
ubicado
b) Lmitedetensinennudos
La tensin en cada nudo debe estar entre los lmites
previamentedefinidos:
(3.36)
Donde:
Lmitedetensinmnimaen
Tensinnominalen
ennudos .
ennudos .
Lmitedetensinmximaen
ennudos .
Cadadetensinenlneas
Lacadadetensinenlaslneasdefinelatensinencadanudodelareden
cuestin.
Donde:
Tensinen
ennudoemisor .
Tensinen
ennudoreceptor .
Impedanciaenenlnea .
Corrienteen quecirculaenlnea .
44
(3.37)
Captu lo 4
4.1 Introduccin
Los sistemas de potencia modernos con integracin de Generacin
Distribuida, tal como generadores elicos o generadores fotovoltaicos,
introducenfluctuacionesdepotenciaadicionalesdentrodelsistemadebido
a sus incontrolables fuentes primarias de energa, por lo tanto, el enfoque
determinista no es suficiente para el anlisis de sistemas de potencia
modernos, y los resultados desde un modelo determinista del sistema
podran proporcionar una evaluacin no realista de las caractersticas del
sistema. Por lo expuesto anteriormente se hace necesario realizar un
anlisis del sistema en el cual se contemplen los diferentes escenarios que
sepuedanpresentaralolargodelhorizontedeplanificacin.
El modelo probabilstico de un sistema de distribucin proporciona una
gran cantidad de escenarios de los cuales se pueden seleccionar los que
mejor se ajusten a las necesidades de la operacin de acuerdo a criterios
tcnicosyeconmicos.
En este captulo se resuelve el problema de la planificacin de la
Generacin Distribuida en las redes de distribucin plantendolo como un
problema probabilista, ya que al incluir generacin renovable, se estn
incluyendo variables aleatorias, como es la velocidad del viento, la
radiacin solar y el recurso hidrulico, as mismo la aleatoriedad de la
demanda, que es generada debido a las distintas actividades diarias y
estacionales. En la siguiente seccin se describe el modelado de la
incertidumbre en los modelos para planificacin de los sistemas elctricos
con variables aleatorias. A continuacin se modela el sistema como un
problemadeoptimizacinmonobjetivoprobabilista.Enlaltimaseccinse
describe el mtodo de Simulacin Monte Carlo, seleccionado para la
solucindelosmodelosinvestigados.
45
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
4.1.1 ElMtodoprobabilista
Para anlisis de la incertidumbre del sistema pueden ser utilizados
diferentes enfoques matemticos, tales como: anlisis de intervalos,
conjuntos difusos, mtodo probabilstico e incertidumbres mltiples. De
estos enfoques se selecciona el mtodo probabilista, debido a la gran
facilidaddecaracterizarvariablesaleatorias.
El mtodo probabilista se basa en la caracterizacin de las variables
aleatorias, las cuales son tratadas por sus distribuciones de probabilidad
que pueden ser expresadas como
con una funcin de distribucin
conocida
.Dehecho,enelproblemadelaplanificacindelageneracin
distribuida algunos parmetros deben ser expresados por sus
distribuciones de probabilidad. Los parmetros aleatorios deben de ser
obtenidospordatoshistricos.
4.2 Modeladodevariablesaleatorias
Lasvariablesquepresentanaleatoriedadenelmodelodeplanificacinson
lassiguientes:
46
Demandaelctrica.
Generacinelica.
Generacinfotovoltaica.
Generacinhidrulica.
Captulo4.Planificacinbajoincertidumbredelageneracindistribuidaen
redesdedistribucindeenergaelctrica
4.2.1 Demandaelctrica
Ladistribucindeprobabilidadmsfrecuentementeutilizadaparamodelar
laaleatoriedaddelademandaesladistribucindeprobabilidadnormal.
La distribucin normal es apropiada cuando los valores esperados se
agrupan desproporcionadamente cerca del valor ms probable. Esta
distribucin requiere proveer una estimacin del valor ms probable (la
media)yladesviacinestndar[Kexel,etal.,1988].
Lafuncindedensidades:
1
(4.1)
Donde:
Valormedio
Desviacinestndar
Conlarepresentacingrfica:
0.4
0.3
0.2
0.1
-4
3 -2
Figura4.1
+ 3
Curvadedistribucindeprobabilidadnormal
47
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
4.2.2 Generacinelica
Una expresin generalizada para caracterizar la velocidad del viento en
formaestadsticaeslafuncindedensidaddeprobabilidadWeibull:
(4.2)
Donde:
Factordeforma.
Factordeescala.
(4.3)
Donde esunnmeroaleatorio,distribuidouniformementeentre0y1.
Funcin de densidad de probabilidad
0,28
0,24
0,2
f(x)
0,16
0,12
0,08
0,04
10
12
14
16
18
Histograma
Figura4.2
Johnson SB
DistribucindedensidaddeprobabilidadWeibull.
48
Captulo4.Planificacinbajoincertidumbredelageneracindistribuidaen
redesdedistribucindeenergaelctrica
Para el modelo se generan valores de velocidad entre 0 y 25 m/s de forma
aleatoriaapartirdelainversadeladistribucinWeibullanterior:
,
7,0898
0,1
(4.4)
Donde:
,
Variablealeatoriadelavelocidaddelvientocorrespondientea
unsitioespecificodelnudoi.
0,1 Nmeroaleatorioentre0y1.
Todos los generadores tienen caractersticas similares en las cuales a
velocidades menores de
3 / el generador deja de funcionar y a
velocidades superiores a
25 / tambin deja de funcionar. Por
0;
, ;
0;
,,
0
,
,,
,,
,,
,,
(4.5)
Donde:
,
Potencia probabilista en
elico ubicadoennudo .
del generador
Velocidadnominaldelgeneradorelico.
Velocidadcutindelgeneradorelico.
Velocidadcutoutdelgeneradorelico.
ElresultadoeslapotenciamediadiariaconsideradaparaelciclodeMonte
Carlo. Los valores por periodo de tiempo se obtienen aplicando un perfil,
similaralperfilempleadoenelcasodeterminista.
49
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
4.2.3 Generacinfotovoltaica
La generacin fotovoltaica se puede caracterizar por su distribucin de
probabilidad,generalmentelaradiacinsolarpresentaunadistribucinde
probabilidadBeta.
LafuncindedensidaddeladistribucinBetafparaunvalorxesdadopor
lasiguienteexpresin:
1
,
,
DondeB
1
1
0,1
(4.6)
(4.7)
eslafuncinBetay (x)eslafuncinIndicador.
(4.8)
(4.9)
Paratenerunaimpresindelavariabilidaddeformasquepuedeadoptarla
funcin de densidad de probabilidad Beta. Si a = b las distribuciones
obtenidas son simtricas, con el caso especial de la distribucin estndar
uniforme. Para
1 . Con
la funcin de densidad de la
probabilidad es positivamente sesgada y si
la funcin de densidad de
laprobabilidadesnegativamentesesgada.
En la Figura 4.3 se muestran 20 realizaciones del modelo probabilista,
aplicando los parmetros de la distribucin Beta que se obtuvieron a base
de datos horarios medios mensuales de Zaragoza, Espaa. Se ve que no se
alcanzannilamximapotencianisecontemplandasnublados.Estoesuna
limitacindeestemodeloquehabraquemejorarenelfuturo.
Losparmetrosqueesobtuvieronparacadahoradeldaserepresentanen
latablaTabla4.1.
50
Captulo4.Planificacinbajoincertidumbredelageneracindistribuidaen
redesdedistribucindeenergaelctrica
Potencianormalizada
1
0.8
0.6
0.4
0.2
0
0
12
18
24
horadelda
Figura4.3
20realizacionesdelmodeloprobabilistabasadoenlosdatosde
radiacinsolarenZaragoza,Espaa
Tabla4.1
hora
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
ParmetrosdefuncindeprobabilidadBeta
0.002
0.021
0.079
0.202
0.356
0.480
0.566
0.610
0.609
0.564
0.476
0.351
0.197
0.075
0.019
0.002
0.007
0.033
0.081
0.123
0.123
0.129
0.134
0.138
0.137
0.133
0.126
0.119
0.116
0.073
0.029
0.007
a
57.8
38.0
22.3
21.0
30.1
29.7
26.7
24.5
24.6
27.2
30.8
31.9
23.4
25.6
46.8
71.6
b
38465.5
1789.3
258.6
83.1
54.5
32.2
20.4
15.7
15.8
21.0
33.9
59.0
95.3
317.0
2361.9
40846.4
51
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
4.2.4 Recursohidrulico
La generacin de los generadores minihidrulicos se caracteriza por su
potencia probable de acuerdo al caudal de agua fluyente del sitio donde
estninstalados.
En la figura 4.4 se muestran las series de tiempo del caudal de un sitio
especfico (a lo largo de 17 aos), lo cual sirve para determinar el
comportamiento futuro del recurso hdrico para la planificacin de la
potenciaquegenere.
La funcin de distribucin de densidad de probabilidad que se ajusta a la
seriedelcaudaldelsitiodondesevaainstalarelgeneradorhidrulicoesla
funcindeprobabilidadGeneralizedExtremeValueDistributionqueest
determinada por las siguientes expresiones. Se presenta la funcin de la
densidaddeprobabilidad
ylaacumulada
.
1
(4.10)
(4.11)
Con
(4.12)
52
0,6
1,05
Captulo4.Planificacinbajoincertidumbredelageneracindistribuidaen
redesdedistribucindeenergaelctrica
25
Caudal(m 3 /s)
20
15
10
5
0
01/01
01/03
01/05
01/07
01/09
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
media
01/11
Da/Mes
Figura4.4
Caudalmediodiariopara10aosdeunemplazamientohidrulico
tpicodemontaa.
1.0
Frequencia(p.u.)
0.8
0.6
0.4
Real
0.2
F(Q)
0.0
0
10
15
Caudal(m3 /s)
Figura4.5
Curvadelafuncindedensidaddeprobabilidaddelcaudal
(4.13)
53
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
4.3 Formulacinmatemticadelmodeloptimo
monobjetivo
Enelmodeloptimomonobjetivoprobabilistaparalaplanificacinptima
de la Generacin Distribuida en redes de distribucin se contempla una
funcinobjetivoaoptimizarsujetaaunconjuntoderestricciones.
Enelmodeloprobabilistaseincluyenvariablesquepresentanaleatoriedad
mediante sus distribuciones de probabilidad, dichas variables son: la
demanda elctrica, la generacin elica, la generacin fotovoltaica y la
generacin hidrulica. A su vez, la solucin del modelo probabilista del
sistema proporciona un gran nmero de estados instantneos de la
operacin del sistema que permite obtener las distribuciones de
probabilidad de las variables que caracterizan al sistema: potencias,
tensioneseintensidades,etc.
4.3.1 Funcinobjetivo
El objetivo en la planificacin de la Generacin Distribuida en las redes de
distribucin es minimizar el coste global del sistema (coste de inversin
ms coste de operacin) atendiendo los requerimientos del crecimiento de
la demanda a la vez que se mantienen los criterios tcnicos durante el
horizontedeplanificacin.
Coste de inversin. El coste de inversin es la suma de los costes de
equipos y componentes necesarios para la instalacin de una subestacin,
un generador, una lnea de distribucin, etc., de acuerdo a sucapacidad en
.
Costedeoperacin.Elcostedeoperacineselvalorpresentedelcostede
las prdidas de energa en el sistema durante el horizonte de planificacin
considerado, ms el coste del funcionamiento y mantenimiento de los
distintoselementosdelared.
La funcin objetivo que se define es no lineal, debido a la inclusin de las
prdidasdeenergacomounafuncincuadrtica.Enlafuncinobjetivose
consideran los mismos costes que ya se han definido en el apartado 3.2
donde se describe la formulacin matemtica del modelo ptimo
monobjetivo. Reemplazando las variables deterministas por variables
probabilistas (representados aqu con letras de doble trazo), se obtiene la
siguienteformulacinparalafuncindeobjetivoaminimizar:
min
365
Acontinuacinsedetallancadaunodeestoscostes.
54
1
1
(4.14)
Captulo4.Planificacinbajoincertidumbredelageneracindistribuidaen
redesdedistribucindeenergaelctrica
4.3.1.1
Costesdeinversin
Costesvariablesprobabilistas
a) Costedelaenergacompradaalared
La energa probabilista comprada a la red , , en
proviene de
distintasfuentes,yaseanconvencionalesonoconvencionales.Estaenerga
es suministrada a travs de las subestaciones de distribucin existentes.
Con el precio de la energa comprada a la red en/
se obtiene el
coste de la energa comprada a la red . En el modelo se ha introducido
comocostevariableconlasiguienteexpresin:
,,
(4.15)
Donde:
Factordeaumentodelpreciodeenerga.
Preciodeenergaen/
compradaalaredenperiodo .
Conjuntodenudos .
Conjuntodesubestaciones .
,,
a travs de subestacin
b) Costedeoperacindelneasexistentes
El coste probabilista de operacin de las lneas se obtiene de manera
anlogadelaecuacin(3.15)delcaptuloanterior:
,
, ,
(4.16)
Donde:
, ,
Coeficientedecostedeprdidasen/
periodo .
Potenciaaparenteprobabilistaen
delnea en
transportadaporlalnea
enperiodo .
Lacapacidadmximadepotenciaen
delnea .
55
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
c)
Costedeoperacindelosgeneradoresrenovables
Elcosteprobabilistadeoperacindelageneracinrenovableseobtienede
maneraanlogalasecuaciones(3.17)(3.19)delcaptuloanterior:
, ,
(4.17)
(4.18)
(4.19)
Donde , ,
, y
, son los costes de inversin probabilistas de las
diferentestecnologasconsideradasaqu.
d) Costedeoperacindeunidadesdealmacenamiento
El coste probabilista de operacin de las unidades de almacenamiento
, ,
, ,
, ,,
(4.20)
Con:
, ,,
,,
, ,,
,,
, ,,
(4.21)
Donde:
, ,
Preciodelaenerga/
, ,,
enperiodo .
de almacenamiento
,,
,,
, ,,
, ,,
Eficienciadedescargadealmacenamiento ubicadoennudo
enperiodo .
56
Duracindeperiodo enhoras.
Captulo4.Planificacinbajoincertidumbredelageneracindistribuidaen
redesdedistribucindeenergaelctrica
4.3.2 Restricciones
En el problema de optimizacin monobjetivo para la planificacin de la
generacindistribuidalasrestriccionesimpuestasson:balancedepotencia
en nudos (primera ley de Kirchhoff), balance de generacin, lmites de
capacidaddeflujodepotenciaenlaslneas,lmitedecapacidaddepotencia
de los generadores, lmites de potencia en unidades de almacenamiento,
lmitedepotenciaensubestaciones,lmitedetensinennudos,balancede
energadeunidadesdealmacenamiento,lmitedetensinennudos.
4.3.2.1
Balancedepotenciaenlosnudos
,,
,,
,
,,
,,
,,
,,
(4.22)
,,
Donde , es la demanda,
, y
, las prdidas en las lneas en
direccin y ,
, , y
, , laspotenciasdedescargaycargay
, , la
potenciadeprdidasen
deunidadesdealmacenamiento ubicadasen
nudo .
4.3.2.2
Modeloprobabilistadelestadodecargadelalmacenamiento
,,
,,
,,
(4.23)
Donde:
,,
,,
Estado de carga en
de unidad de almacenamiento
ubicadaennudo aliniciodelperiodo .
, , E nerga
cargada/descargada en
de unidad de
almacenamiento ubicadaennudo enperiodo .
57
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Con:
,,
,,
Donde
, , y
descargaen
y
4.3.2.3
,,
,,
, ,,
,,
,
, ,,
(4.24)
(4.25)
Lmitesenelmodeloprobabilista
a) Lmitedepotenciaenlneas
Enestarestriccindedesigualdadlacapacidaddepotenciaencadalnea
es el lmite trmico del flujo de potencia que puede ser transportada a
travsdelaslneasdelared.
0
0
(4.26)
(4.27)
Donde:
Conjuntodelneasdedistribucin .
S
,
CapacidaddepotenciamximaenkVAdelneas
,
Potencia
aparente probabilista en
periodo .
de lneas y en
b) Lmitesdepotenciadelosgeneradoresrenovables
En esta restriccin la capacidad de generacin para cada unidad tipo w, pv
o mgh en el nudo no puede superar la potencia mxima del generador en
cuestin, que adems tiene su perfil tpico horario diario. Los perfiles se
generancondistribucionestalycomosehaexplicadoenelapartado4.2.
0
,,
,,
,
,,
(4.28)
(4.29)
c)
Lmitesdelasunidadesdealmacenamiento
Demaneraanlogaalcasodeterministasedefine:
ddealmacenamiento ubicadaennudo .
58
(4.30)
Captulo4.Planificacinbajoincertidumbredelageneracindistribuidaen
redesdedistribucindeenergaelctrica
,,
,,
0
Donde
y
,,
(4.31)
(4.32)
(4.33)
,
,
y
, sonlaspotenciasmximasdecargaydescargaen
lacapacidadmximaefectivadeenergadeunida
,
4.3.2.4
Definicindelatensinenlosnudos
(4.34)
Donde:
Tensinen
ennudo .
Lmitedetensinmnimaen
ennudo .
Lmitedetensinmximaen
ennudo .
Cadadetensinenlneas
Lacadadetensinenlaslneasdefinelatensinencadanudodelareden
cuestin.
(4.35)
Donde:
Tensinen
ennudoemisor .
Tensinen
ennudoreceptor .
Impedanciaenenlnea .
Corrienteen quecirculaenlnea .
59
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
4.4 MtododesolucinSimulacinMonteCarlo
Una vez que el modelo del sistema ha sido construido, el siguiente paso es
encontrar una solucin para este modelo. Para este fin, distintos mtodos
puedenserutilizados,entreellosseeligeel mtododeMonte Carlo por su
flexibilidadyrobustez.
El mtodo de Simulacin Monte Carlo provee soluciones aproximadas para
una gran variedad de problemas matemticos llevando a cabo muestreos
estadsticosenelespaciodesoluciones.Elmtodosepuedeaplicartantoa
problemasdeterministascomoprobabilistas.
El mtodo Monte Carlo es una tcnica cuantitativa que hace uso de la
estadstica y de la potencia de clculo de los ordenadores para imitar
mediante modelos matemticos el comportamiento aleatorio de sistemas
reales.
La clave de la Simulacin Monte Carlo consiste en crear un modelo
matemtico del sistema, proceso o actividad, que se quiere analizar,
identificando aquellas variables (entradas del sistema) cuyo
comportamientoaleatoriodetermineelcomportamientoglobaldelsistema.
Unavezidentificadasdichasentradasovariablesaleatorias,sellevaacabo
unexperimentoqueconsisteengenerarconayudadelordenadormuestras
aleatorias para dichas entradas y analizar el comportamiento del sistema
ante los valores generados. Tras repetir n veces este experimento,
dispondremos de n observaciones sobre el comportamiento del sistema, lo
cual nos ser de utilidad para entender el funcionamiento del mismo,
obviamente nuestro anlisis ser tanto ms preciso cuanto mayor sea el
nmerondeexperimentosquellevemosacabo.
En la figura 4.5 se muestra el diagrama de flujo de la secuencia de
Simulacin Monte Carlo. Para cada n experimento es generado un valor
aleatorio de cada entrada aleatoria (demanda, velocidad del viento,
radiacin solar, recurso hdrico), enseguida se estiman los valores de
demanda,potenciaelica,potenciafotovoltaicaypotenciahidrulica.Estos
valores probabilistas son introducidos en el modelo de flujo de cargas, lo
que nos permitir obtener las variables de estado del sistema, despus se
comparalaiteracinactualconelnmerodeiteracionespredeterminadoy
siesigualelciclodesimulacionespara,deotraformaserepiteelciclo.
60
Captulo4.Planificacinbajoincertidumbredelageneracindistribuidaen
redesdedistribucindeenergaelctrica
Figura4.6
DiagramadeflujodeSimulacinMonteCarlo
61
Captu lo 5
5.1 Introduccin
En los captulos anteriores se realizaron los modelos de optimizacin
monobjetivo determinista y probabilista de la planificacin ptima de la
Generacin Distribuida en redes de distribucin, en este captulo se
extiendenlosmodelosconlainclusindemsobjetivosaoptimizar,porlo
tanto se utiliza optimizacin multiobjetivo. En la primera seccin se
describelaoptimizacinmultiobjetivo.Enlasiguienteseccinseexplicael
mtodo seleccionado para la solucin del problema multiobjetivo. En la
siguiente seccin se explica la formulacin matemtica de las funciones
objetivo a optimizar por el mtodo determinista y por el mtodo
probabilista. Por ltimo se describe la metodologa empleada para la
seleccindelasmejoresalternativasdelassolucionesobtenidas.
5.2 Optimizacinmultiobjetivo
Laformulacinmatemticadeunproblemadeoptimizacincon objetivos
puede ser expresada como la minimizacin o la maximizacin de las
funciones:
,
, ,
Sujetaa:
1,
2, , representa un objetivo. Los trminos y son respectivamente,
lasrestriccionesdeigualdadydedesigualdad.
63
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
2. Definicindelassolucionesnoinferiores.
3. Seleccindelassolucionesptimasdelconjuntodesoluciones
obtenidas.
Cuando ya se han definido los objetivos (1), se pasa a la solucin del
problema multiobjetivo en el cual se determinarn las soluciones no
inferiores, para lo cual se tienen dos mtodos que son ampliamente
utilizados, el mtodo de las restricciones y el mtodo de los pesos. En esta
tesisseutilizaelmtododelospesos,quesedescribeacontinuacin.
5.3 Mtododelospesos
La tcnica implementada transforma un problema de optimizacin
multiobjetivo en un problema monobjetivo: las diferentes funciones
objetivosonponderadasysumadasparaformarunasolafuncinobjetivoa
optimizar. El mtodo de los pesos consiste en la bsqueda del ptimo de
unafuncinobjetivocomounasumaponderadadelasdiferentesfunciones
objetivo consideradas en el problema multiobjetivo, y el conjunto de
soluciones puede ser fcilmente obtenido a travs de la aplicacin de
diferentesvaloresasignadosalospesosRomero[1993].
Elpropsitodelaoptimizacinmultiobjetivo(basadaenlaOptimalidadde
Pareto) es encontrar un conjunto de soluciones no dominadas que
representenunbuencompromisoentrelosdiversosaspectosdelproblema.
Esto equivale a encontrar una buena aproximacin del frente de Pareto
ptimo.
Laformulacinmatemticadelaoptimizacinllevadaacaboporelmtodo
delospesossepuedeexpresardelasiguientemaneracomo:
es llamada no
dominada (o noinferior) con respecto a un conjunto de soluciones si no hay
solucin en S que sea tan buena como la en todos los objetivos y mejor en al
menosunodeellos.
64
Captulo5:Optimizacinmultiobjetivodegeneracindistribuidaenredesde
distribucin
min
;
0;
0;
1
1
(5.1)
5.4 Modelomultiobjetivodeterminista
Para la planificacin ptima de la generacin distribuida en redes de
distribucin, se consideran modelos multiobjetivo con distintas funciones
objetivo que pueden incluir criterios tcnicos, econmicos y sociales.
Debido al creciente inters de la Unin Europea a travs de la Directiva
Europea de Electricidad claramente expone la necesidad de considerar la
generacin distribuida por los sistemas de distribucin y similarmente en
la publicacin UK Energy White Paper se reconoce el potencial de las
energas renovables para contribuir a la consecucin de los objetivos y
desafosdeseguridadenergticaymedidasambientalesyproponemedidas
parafacilitarlaconexindeGeneracinDistribuida.
En esta tesis se han considerado los siguientes objetivos, siendo ellos los
msrelevantes,segnloexpuestoenAntunesMartinsetal.[2004]:
65
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Costesdeinversinydeoperacin.
EmisionesdeCO 2 .
Riesgodedisponibilidaddecombustibles.
Riesgodeimportacindecombustibles.
5.4.1 Descripcindelasfuncionesdelossubobjetivos
a) Minimizarelcostedelsistema
eselcosteanual(costesdeinversinyde
Laprimerafuncinobjetivo
operacin) del sistema y coincide exactamente con el modelo determinista
descritoenCaptulo3.
(5.2)
b) Minimizarlasemisionesde
Las emisiones de
producidas por las plantas de combustibles fsiles
debenserminimizados,laenergacompradaalaredesobvioqueproviene
de diversas fuentes de energa, no solamente convencionales sino tambin
noconvencionales.Paradeterminarconexactitudlaenergaproducidapor
combustibles fsiles del total de la energa que es comprada a la red, es
necesario conocer la proporcin de cada una de las tecnologas que
intervienenenlaenergatotal.
La segunda funcin objetivo
minimiza el impacto ambiental creado
porlasemisionesdeDixidodeCarbn(CO 2 ):
365
,,
1
1
(5.3)
Donde
, , es la cantidad de CO 2 en toneladas emitida por la generacin
convencional , , importadaporlaredatravsdelasubestacin ubicada
ennudo enperiodo .
c)
Minimizarlaimportacindecombustible
66
Captulo5:Optimizacinmultiobjetivodegeneracindistribuidaenredesde
distribucin
(5.4)
Donde:
Conjuntodetiposdecombustible
,
,
,
Coeficientedecostedecombustible
Cantidaddecombustible
importadoenperiodo .
importadoenperiodo .
d) Minimizarelriesgodepreciosdeenerga
Este objetivo minimiza la exposicin de la volatilidad del precio de la
energaenlasdecisionesdelaexpansin.
,
,,
(5.5)
Donde:
Conjuntodetiposdecombustible
,,
Energaimportadaalaredatravsdesubestacin .
5.4.2 Formulacincompletadelmodeloptimodeterminista
multiobjetivo
Lafuncinobjetivoglobalquedaexpresadadelasiguienteforma:
min
(5.6)
(5.7)
EstemtodoutilizaSimulacinMontecarloparaasignaraleatoriamentelos
pesosencadasimulacinparaqueencadaiteracinseobtengandiferentes
pesos entre 0 y 1. Para lo cual se utiliza la generacin de un nmero
aleatorioentre0y1.
Elmodelomultiobjetivodeterministadescritoen(5.7)estsujetoa:
Lasrestriccionesdebalancedepotenciaennudos
Ciclosdecargaydescargadeunidadesdealmacenamiento
Lmitestrmicosenlneasdedistribucin
Lmitedepotenciamximaengeneradoresrenovables
Lmitedepotenciamximaenunidadesdealmacenamiento
Lmitesdetensinennudos
67
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
5.5 Modelomultiobjetivoprobabilista
En esta formulacin las variables aleatorias son introducidas en el modelo
por sus distribuciones de probabilidad, tal y como se ha explicado en
Captulo4.Acontinuacinseformulanlasfuncionesobjetivoensuversin
probabilista.
b) Minimizarlasemisionesde
,,
(5.9)
Donde
en toneladas emitida por la generacin
, , es la cantidad de
convencional probabilista , , importada por la red a travs de la
subestacin ubicadaennudo enperiodo .
c)
Minimizarlaimportacindecombustible
(5.10)
Donde:
Conjuntodetiposdecombustible
,
,
,
Coeficientedecostedecombustible
Cantidaddecombustible
68
.
importadoenperiodo .
importadoenperiodo .
Captulo5:Optimizacinmultiobjetivodegeneracindistribuidaenredesde
distribucin
d) Minimizarelriesgodepreciosdeenerga
Este objetivo minimiza la exposicin de la volatilidad del precio de
combustiblesenlasdecisionesdelaexpansin.
,
,,
(5.11)
Donde:
Conjuntodetiposdecombustible
,
,,
Energaimportadaalaredatravsdesubestacin .
5.5.2 Formulacin
completa
multiobjetivoprobabilista
del
modelo
ptimo
(5.12)
Sujetaalasmismasrestriccionesqueelmodelomultiobjetivodeterminista
descritoenelapartado5.4.2.
5.6 Tcnicasparaseleccindesoluciones
La tcnica descrita (mtodo de pesos) se implement para generar un
nmero de soluciones nodominadas entre las que el decisor puede elegir,
en funcin de su valoracin subjetiva, o mediante el uso de instrumentos
derivadosdelateoradelasdecisiones(anlisisdeTradeOff).
De los instrumentos ms utilizados para la seleccin de las mejores
soluciones dentro del conjunto de soluciones obtenidas existen distintas
tcnicas. Las tcnicas ms utilizadas son el frente de Pareto, clustering k
medias y anlisis jerrquico,AHP. Se puede utilizar alguna de ellas que
ajuste mejor al problema resuelto o una combinacin de ellas. En nuestro
casoseleccionamoselfrentedePareto,elcualsedescribeacontinuacin.
5.6.1 FrentedePareto
El concepto de eficiencia de Pareto (tambin llamado ptimo de Pareto) es
aquella situacin en la cual se cumple que no es posible beneficiar a ms
elementos de un sistema sin perjudicar a otros. Se basa en criterios de
utilidad: si algo genera o produce provecho, comodidad, fruto o inters sin
perjudicar a otro, provocar un proceso natural de optimizacin hasta
alcanzarelpuntoptimo.
69
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
OptimalidaddePareto:
Una solucin se dice que es Paretoptima si y solo si no
existe otro vector tal que
=
domine a
.
En otras palabras, la definicin anterior dice que el punto es un ptimo
deParetosinoexisteunvector quehagamejoralgunodelosobjetivos
respecto a los valores obtenidos para sin que empeotre en forma
simultnea alguno de los otros. En general, la solucin en el sentido de
Paretoalproblemadeoptimizacinmultiobjetivonosernica;lasolucin
estar formada por el conjunto de todos los vectores no dominados, a los
que se conoce con el nombre de conjunto de soluciones no dominadas o
FrentedePareto.
Figura5.1
70
FrentedeParetodeunafuncindedosobjetivos
Captulo5:Optimizacinmultiobjetivodegeneracindistribuidaenredesde
distribucin
5.6.2 AnlisisdePesosVariables
Una funcin multiobjetivo comnmente utilizada es la suma ponderada de
losobjetivosconsiderados.
min
f , ,
1
Lospesosusadossonconstantesylaexpresinrepresentaunamedidade
losefectoscombinadosdetodoslosobjetivos.Lospesosconstantesreflejan
la importancia relativa de los diferentes objetivos para el decisor. En la
mayora de las ocasiones dicha aproximacin es razonable y ampliamente
utilizada. Noobstante,el uso de pesos constantes tienesuslimitacionesya
que la bsqueda slo se realiza en esa direccin y podran existir otras
ponderacionesdelosobjetivosmejores.
Una mejora de este mtodo consiste en considerar los pesos como
variables, Li et al. [1995], o como una variable aleatoria uniformemente
distribuida. De esta manera se puede recorrer todas las posibles
combinaciones(ounamuestra)dedichospesosyobtenerunaimagendela
influencia de dichos pesos en el balance entre los distintos objetivos. En la
Figura 5.2 se puede apreciar un ejemplo de las curvas isomtricas de la
funcin correspondiente a la suma ponderada de dos objetivos en funcin
delospesosvariables.
(1,1)
(0,1)
1
(0,0)
Figura5.2
(1,0)
Curvasisomtricasdelafuncinobjetivoconpesosvariables
71
Captu lo 6
6.1 Introduccin
1. RedsinGeneracinDistribuida.
2. RedconGeneracinDistribuida.
3. RedconGeneracinDistribuidamsalmacenamiento.
En la primera seccin del captulo se describen los distintos casos de
estudio (escenarios). En la segunda seccin del captulo se obtienen los
resultadosdelmodelomonobjetivodeterminista.Enlasiguienteseccinse
obtienen los resultados del modelo monobjetivo probabilista, enseguida se
obtienenlosresultadosdelmodelomultiobjetivodeterministayporltimo
seobtienenlosresultadosdelmodelomultiobjetivoprobabilista.
A continuacin se describen cada uno de los casos de estudio utilizados
paravalidarlosmodelos.
73
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
6.2 Descripcindeloscasosdeestudio
6.2.1 Caso1:RedsinGDysinalmacenamiento
Elcasodeestudioprcticoesunareddistribucinde15nodosy14lneas.
La subestacin de distribucin est ubicada en el nudo 1 y tiene una
capacidad de 30 MVA, 115/10 kV. Los conductores de las lneas son
3X1X400Aldoblecircuitoparalneastroncalesy3X1X400Aldeuncircuito
paralaslneasramales.Latopologadelaredesmostradaenlafigura6.1y
losdatosdelaredestnenelAnexoB.
Los datos de la demanda en los nudos tienen un perfil tpico de un
consumidordemediatensinysesuponeuncrecimientoanualvariableen
cada nudo con un perfil proporcionado en la tabla B.10. Los datos de la
demandasonproporcionadosenlastablasB.6alaTablaB.9.
Latopologadelaredesmostradaenlafigura6.1.Losdatosdelatopologa
delaredsonproporcionadosenlatablaB.5.Losdatosdeloscostesfijosy
variablessonproporcionadosenlastablasB.1yB.11.
8kVA
26kVA
102kVA
108kVA
242kVA
96kVA
62kVA
148kVA
41kVA
57kVA
132kVA
135kVA
76kVA
16kVA
Figura6.1
74
Topologadelareddedistribucin
Captulo6.Casosprcticosyresultadoscomputacionales
6.2.2 Caso2:ReddedistribucinconGD
En este caso de estudio se incluye Generacin Distribuida. La ubicacin de
los generadores es seleccionada de acuerdo a la suposicin de que en ese
sitioespecficosecuentaconelrecurso:viento,solorecursohidrulico.La
tabla 6.1 especifica el sitio donde se permite instalar generadores
distribuidos, el algoritmo de optimizacin decidir si instala generacin y
enqucantidad.
Tabla6.1
Ubicacindegeneradoresrenovablesennudos
Nudo
Generacin Distribuida
Generador Eilico 1
Generador Eilico 2
11
Generador Eilico 3
Generador mini-hidrulico 1
15
Generador mini-hidrulico 2
Generador Fotovoltaico 1
Generador Fotovoltaico 2
Generador Fotovoltaico 3
Generador Fotovoltaico 4
Generador Fotovoltaico 5
Generador Fotovoltaico 6
Generador Fotovoltaico 7
Generador Fotovoltaico 8
10
Generador Fotovoltaico 9
11
Generador Fotovoltaico 10
12
Generador Fotovoltaico 11
13
Generador Fotovoltaico 12
14
Generador Fotovoltaico 13
15
Generador Fotovoltaico 14
75
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
6.2.3 Caso3:ReddedistribucinconGDyalmacenamiento
Enestecasodeestudiosepermiteinstalarunidadesdealmacenamientoen
todoslosnudosdedemanda.Laubicacindelosgeneradoresrenovableses
proporcionada en la tabla 6.1. La ubicacin de las unidades de
almacenamiento es proporcionada en la tabla 6.2. Los datos de costes y
datos tcnicos de las unidades de almacenamiento son proporcionados en
lastablasB.3yB.10.
Tabla6.2
Ubicacindeunidadesdealmacenamientoennudos
Nudo
Unidad de almacenamiento
Unidad de almacenamiento 1
Unidad de almacenamiento 2
Unidad de almacenamiento 3
Unidad de almacenamiento 4
Unidad de almacenamiento 5
Unidad de almacenamiento 6
Unidad de almacenamiento 7
Unidad de almacenamiento 8
10
Unidad de almacenamiento 9
11
Unidad de almacenamiento 10
12
Unidad de almacenamiento 11
13
Unidad de almacenamiento 12
14
Unidad de almacenamiento 13
15
Unidad de almacenamiento 14
76
Captulo6.Casosprcticosyresultadoscomputacionales
6.3 Resultadoscomputacionales
A continuacin se proporcionan los resultados computacionales de los tres
casosdeestudioresueltosporlosmtodosdesarrolladosenloscaptulos3,
4y5.
6.3.1 Modelomonoobjetivodeterminista
La resolucin del modelo se lleva acabo utilizando el software de
programacin GAMS que utiliza el optimizador XPRESS para problemas
lineales.
Enlafigura6.2semuestralatendenciadelcostedelaenergaalolargode
los periodos del horizonte de planificacin comparndolo con los tres
escenarios. En el primer escenario cuando los requerimientos de la
demandasonabastecidosnicamenteporlareddedistribucin,elcostede
la energa tiene un crecimiento desde 0.13
/
en el primer ao hasta
0.30eur/kWhenelao20.Conlainclusindelageneracindistribuidaen
la red el coste de la energa tiene un crecimiento relativamente bajo
llegandoalao20conuncostede0.15eur/kWhdesdelos0.13eur/kWh.En
el tercer escenario con la inclusin de almacenamiento denle el ao 7
empiezaadisminuirhastauncostede0.8eur/kWh.
0.35
Convencional
0.30
Conv+GD
COE(/kWh)
0.25
Conv+GD+SS
0.20
0.15
0.10
0.05
0.00
0
10
Aos
Figura6.2
15
20
Evolucindelcostedelaenergaduranteelperiododeplanificacin
En la figura 6.3 se muestra el coste total del sistema en los periodos del
horizontedeplanificacin.Enelprimerescenarioelcostetotaldelsistema
aumenta rpidamente casi cuadrticamente con el aumento de la demanda
a lo largo de los aos. Este aumento del coste es muy alto
comparativamente con la inclusin de generacin distribuida en el
escenario segundo. En dicho escenario con generacin distribuida el coste
del sistema aumenta ms suavemente, prcticamente lineal, hasta el
periodo 20. En el escenario tercero con la inclusin de almacenamiento en
77
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Costetotal(k)
8000
Conv+GD
Conv+GD+SS
6000
4000
2000
0
0
10
15
20
Aos
Figura6.3
Costetotaldelsistemadedistribucincontresescenarios.
0.10
Prdidasenlneas(p.u.)
Convencional
0.08
Conv+GD
Conv+GD+SS
0.06
0.04
0.02
0.00
0
10
Aos
Figura6.4
15
20
Perdidasenlaslneasmodelomonobjetivodeterminista.
En la figura 6.4 se muestran las prdidas en las lneas con los tres
escenarios. En el primer escenario las prdidas son constantes en p.u. a lo
largodelperiododeplanificacin,yenlosescenarios2y3lasprdidasen
las lneas disminuyen. En el escenario 2, la instalacin de GD en los nudos
explica el descenso de las prdidas ya que el aumento de la demanda e
incluso parte de la demanda inicial es suministrada por dicha GD.
78
Captulo6.Casosprcticosyresultadoscomputacionales
Nuevamenteeneltercerescenariolasprdidassonmenores,hastaelao7
la evolucin de los dos escenarios es igual, pero en dicho ao el algoritmo
de optimizacin introduce el almacenamiento y las prdidas vuelven a
bajar. Como veremos ms adelante como consecuencia del suavizado de la
curva de demanda (demanda + almacenamiento) y de un mejor
aprovechamiento de la generacin renovable. La disminucin de las
prdidasexplicaladisminucindelcostetotalydelcostedelaenerga.
En la figura 6.5 se muestra la participacin de las energas renovables y la
red,ascomolossistemasdealmacenamientoenelcostetotal(inversiones
+prdidas)delsistemaalolargodelperiododeplanificacin.Elcostedela
red en los primeros periodos tiene una participacin alta, disminuyendo
hasta el 40% en los siguientes periodos conforme va entrando la GD. Esta
disminucin de su participacin se acelera al entrar los sistemas de
almacenamientoqueconsiguenapartirdelao13suplircasitotalmentela
participacin de la red, salvo en los periodos del 18 al 20 que nuevamente
tiene una pequea participacin en el coste. Respecto a la generacin por
parte de las fuentes renovables, la que tiene una mayor participacin es la
energa elica aumentando su participacin a partir del periodo 7,
coincidiendo con la entrada del almacenamiento, y teniendo un auge
importante del periodo 10 al 15, en el que empieza a competir con la
energa solar fotovoltaica. La energa solar fotovoltaica tiene una pequea
participacin hasta el periodo 15, y ah tiene un aumento considerable a
expensas de otras energas renovables. El coste de la energa hidrulica
tiene una participacin constante a lo largo del periodo de planificacin
como consecuencia de su gran competitividad pero limitada por las
existenciasdelrecurso. Elcostedelossistemasde almacenamientoes casi
constante iniciando su participacin a partir del sptimo ao y con una
gran influencia en el resto de los costes. El coste de las lneas es
prcticamente constante con un ligero aumento en el ao 10 y una
disminucinprogresivahastaelao20.
En la figura 6.6 se muestra la energa generada anualmente por cada una
de las tecnologas de generacin en el sistema de distribucin. La energa
provenientedelaredtiendeadisminuirdesdeelsegundoperiodollegando
asernulaenelao11.Laenergageneradaporlasfuenteselicasiniciasu
participacin en el segundo ao aumentando hasta el ao 13 y despus se
mantieneconstante.Laenergageneradaporlosgeneradoresfotovoltaicos
empiezasuparticipacinenelao14ytieneunaumentoimportantehacia
el ao 20. La energa hidrulica generada es constante desde el segundo
ao. La energa intercambiada por los sistemas de almacenamiento
aumentadesdesuinicioenelao7hastaelao11,permaneciendoconun
aumentomenorapartirdeeseao.
79
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Participacin enelcostetotal
100%
80%
Cln
60%
Css
Cmgh
40%
Cpv
20%
Cw
Cred
0%
1
11
13
15
17
19
Aos
Figura6.5
Participacinenelcostetotaldeloselementosdelsistema
60
Eanual(GWh)
50
40
Ess
30
Emgh
20
Epv
Ew
10
Ered
0
1
11
13
15
17
19
Aos
Figura6.6
Energaanualgeneradaporcadatecnologa
80
Captulo6.Casosprcticosyresultadoscomputacionales
EnergaExcedente(GWh)
Conv+GD
Conv+GD+SS
PrdidasSS
4
0
0
10
15
Aos
Figura6.7
20
EnergaexcedenteconlainclusindeGeneracinDistribuida
6.3.2 Modelomonoobjetivoprobabilista
En el modelo monobjetivo probabilista los parmetros de entrada son
conocidos por sus distribuciones de probabilidad, tal es el caso de la
velocidaddelviento,laradiacinsolar,lademandaenlosnudosyelcaudal
delasminihidrulicas.Todasestasvariablessonintroducidasenelmodelo
probabilistaapartirdesusdistribucionesdeprobabilidadmediantesorteo,
locualfuedescritoenelcaptulo4deestamemoria.
Deigualformaqueconelmodelodeterminista,losparmetroseconmicos
delasdistintastecnologasseproporcionanenlatablaB.10(AnexoB).
La resolucin del modelo se lleva a cabo utilizando el software de
programacin GAMS que utiliza el optimizador XPRESS para problemas
lineales. La opcin de utilizar programacin lineal en los modelos
desarrollados viene impuesta por la necesidad de disminuir el tiempo
computacional necesario para resolver los modelos probabilistas
desarrollados. La solucin del modelo probabilista utiliza la tcnica de
SimulacinMonteCarlo,descritoenelltimoapartadodelcaptulo4.
Enestemodelolasfigurasquesepresentanacontinuacinrepresentanlas
curvasdeniveldelascorrespondientesdistribucionesdeprobabilidadalo
largodelosperiodostemporales.
81
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
50
COE (EUR/MWh)
0.15
40
0.14
30
0.13
20
0.12
10
0.11
0.1
Figura6.8
82
10
Ao
15
20
Evolucindelcostedelaenergaporperiodos
Captulo6.Casosprcticosyresultadoscomputacionales
50
5000
40
Ctotal (kEUR)
4500
4000
30
3500
3000
20
2500
10
2000
1500
5
Figura6.9
10
Ao
15
20
Costetotaldelsistemadedistribucin.Modelomonobjetivo
probabilista
50
5
4.5
40
Epln (%)
4
3.5
30
3
2.5
20
2
1.5
10
1
5
10
Ao
15
20
Figura6.10 Evolucindelasprdidasenlaslneasenporcentajedelaenerga
totalconsumidaenlared
83
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
84
Captulo6.Casosprcticosyresultadoscomputacionales
50
8
40
Epss (%)
6
30
5
4
20
3
2
10
1
0
10
Ao
15
20
Figura6.11 Evolucindelasprdidasenelalmacenamientoenporcentajedela
energatotalconsumidaenlared
50
40
40
Etotal (GWh)
35
30
30
25
20
20
10
15
5
10
Ao
15
20
Figura6.12 Evolucindelaenergatotalgenerada
85
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
Participacin enelcostetotal
100%
80%
Cln
60%
Css
Cmgh
40%
Cpv
20%
Cw
Cred
0%
1
11
13
15
17
19
Ao
Figura6.13 Tendenciadelcostetotaldeenergasenporcentajedelcostetotal.
Casomedio
50
Eanual(GWh)
40
30
Ess
Emgh
20
Epv
Ew
10
Ered
0
1
11
13
15
17
19
Ao
Figura6.14 Participacindegeneracindurantelosperiodosanualesdelos
generadoresrenovables,almacenamientoygeneracindelared
86
Captulo6.Casosprcticosyresultadoscomputacionales
6.3.3 Modelomultiobjetivodeterminista
De igual forma que en el modelo monobjetivo determinista, en el modelo
multiobjetivo determinista los parmetros de entrada son conocidos y se
presentandesdelastablasB.10yB.11delAnexoB.
Las funciones objetivo a optimizar son: la minimizacin del coste total del
, minimizacin de
sistema, reduccin de coste de emisiones de
importacindecombustiblesfsilesyminimizacindelriesgodelpreciode
loscombustibles.
Paraobtenerel conjuntode solucionesnodominadasdelmodelo se utiliza
el mtodo de los pesos variables. Por tanto, los pesos se obtienen por
sorteomediantelasimulacinMonteCarlo.
Paralarepresentacindelassolucionesseutilizanmatricesdegrficas.En
la mitad de abajo se muestran las funciones objetivo por pares, ya que al
ser ms de tres funciones no se pueden representar de otra forma. La
representacindelasfuncionesporparespermiteobtenerlaproyeccinde
la superficie de Pareto en el plano formado por dichas funciones. En la
mitad de arriba se muestran los pesos por pares. La representacin de los
pesospermiteanalizarlainfluenciadedichospesosenlaoptimizacin,yel
conjuntodepesosquemejoroptimizalafuncinagregada.
Como en los modelos monoobjetivo el almacenamiento ha mostrado que
tiene una especial influencia, se crearn dos escenarios uno sin
almacenamiento y otro con almacenamiento. Adems, a continuacin se
muestralamatrizdegrficasextradaparalosaos2,5y20,deformaque
sepuedeapreciarlaevolucintemporaldelconjuntodesoluciones.
En las figura 6.15 y 6.16 se obtiene un conjunto de soluciones para el ao
2, primero en la figura 6.15 se representan las soluciones sin
almacenamiento y en la figura 6.16 se representan las soluciones de las
funciones objetivo cuando se ha incluido almacenamiento. El coste de
emisiones de
es ms barato cuando se tiene almacenamiento, el coste
total de la red es mayor con almacenamiento y el combustible importado
tieneuncostesimilarconcualquieradelasdosalternativas.Respectoalas
grficas de pesos se puede observar que las distintas combinaciones dan
soluciones prximas con poca variacin en el valor de la funcin objetivo
(el color de las distintas soluciones es similar). nicamente con
almacenamiento se puede distinguir zonas de diferente color, aunque
bastantesimilar.
Enlasfiguras6.17y6.18serepresentanlassolucionesparaelao5.Enla
figura 6.17 se muestran las soluciones de las funciones objetivo cuando no
se ha incluido almacenamiento en el sistema. En la figura 6.17 se observa
que una variacin pequea del coste puede tener importantes
repercusiones en el resto de las funciones. Sobre este ao se produce la
introduccin de la generacin distribuida, lo que supone un coste, pero se
ve compensado por la disminucin de prdidas y adems con la mejora de
87
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
88
Captulo6.Casosprcticosyresultadoscomputacionales
w2
w3
w4
w1
0.5
f1
0.5
1 1
100
w2
CO2 (kEUR)
150
50
0
0
Import (kEUR)
0.5
f2
0.5
1 1
w3
1500
1000
500
0.5
f3
0.5
Riesgo (kEUR)
1
1000
0.5
500
0
Figura6.15 Conjuntodesolucionesenelao2sinalmacenamiento
w2
w3
w4
w1
f1
0.5
0.5
1 1
100
0
f2
0.5
1 1
1500
w3
Import (kEUR)
0.5
50
0
Riesgo (kEUR)
w2
CO2 (kEUR)
150
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.16 Conjuntodesolucionesparaelao2conalmacenamiento
89
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
w2
w3
w4
w1
0.5
f1
0.5
1 1
100
w2
CO2 (kEUR)
150
50
0
f2
0.5
1 1
1500
w3
Import (kEUR)
Riesgo (kEUR)
0.5
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.17 Conjuntodesolucionesparaelao5.Sinalmacenamiento.
w2
w3
w4
w1
f1
0.5
0.5
1 1
100
0
f2
0.5
1 1
1500
w3
Import (kEUR)
0.5
50
0
Riesgo (kEUR)
w2
CO2 (kEUR)
150
1000
500
0
0.5
0
f3
0.5
1
1000
0.5
500
0
Figura6.18 Conjuntodesolucionesparaelao5.Conalmacenamiento
90
Captulo6.Casosprcticosyresultadoscomputacionales
w2
w3
w4
w1
0.5
f1
0.5
1 1
100
w2
CO2 (kEUR)
150
50
0
f2
0.5
1 1
1500
w3
Import (kEUR)
Riesgo (kEUR)
0.5
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.19 Conjuntodesolucionesparaelao20.Sinalmacenamiento
w2
w3
w4
w1
f1
0.5
0.5
1 1
100
0
f2
0.5
1 1
1500
w3
Import (kEUR)
0.5
50
0
Riesgo (kEUR)
w2
CO2 (kEUR)
150
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.20 Conjuntodesolucionesparaelao20.Conalmacenamiento.
91
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
6.3.4 Modelomultiobjetivoprobabilista
En el modelo multiobjetivo determinista, cada punto corresponda a la
solucin obtenida con una combinacin de pesos distinta, pero los valores
de las variables de entrada eran los mismos para todas las optimizaciones.
Ahora en el modelo multiobjetivo probabilista, cada punto corresponde a
la solucin obtenida con una combinacin de pesos distinta y para unos
valores de las variables de entrada dados por sus distribuciones de
probabilidad.
En las figuras 6.21 y 6.22 se representan las soluciones del modelo
multiobjetivo probabilista para el ao 2. En la figura 6.21 no se tiene
almacenamientoenlaredyenlafigura6.22sehaincluidoalmacenamiento
en la red. Con este modelo se tienen soluciones dispersas debido a la
aleatoriedad de los parmetros del sistema. No se aprecian demasiadas
diferencias ya que el almacenamiento todava no es competitivo y
simplemente constituye un elemento anecdtico. No obstante, se puede
observar soluciones con costes totales muy bajos cuando no hay
almacenamiento. La dependencia de los combustibles a importar es mayor
cuando no se tiene almacenamiento y el coste total es mayor con
almacenamiento.
En las figuras 6.23 y 6.24 se representan las soluciones para el ao 5 en el
que se recordar se introduce con fuerza la generacin renovable
distribuida. En la figura 6.23 no se ha incluido almacenamiento en la red y
en la figura 6.24 se tiene incluido almacenamiento. Con la opcin del
almacenamiento los costes de todas las funciones objetivo son muy bajos,
debido a que la generacin distribuida est bastante introducida. Al
introducir la variabilidad de los parmetros de entrada, las soluciones con
almacenamiento ya no resultan tan caras como ocurra para el ao 5 en el
modelomultiobjetivodeterminista.Inclusoseobtienensolucionesmejores
conalmacenamientoquesinl.
En las figuras 6.25 y 6,26 se representa el conjunto de soluciones para el
ao 20. En la figura 6.25 se muestran las soluciones sin almacenamiento
incluidoyenlafigura6.26semuestranlassolucionesconalmacenamiento
en la red. Se puede observar claramente que al tener instalado
almacenamiento en la red, los costes de emisiones de
ha disminuido
casi a cero y el riesgo de la importacin de combustibles es tambin muy
bajo comparativamente con aos anteriores. Para este ao es mucho ms
econmico que no instalar almacenamiento en la red de distribucin. La
comparacin con el modelo multiobjetivo determinista tambin muestra
claramente que al considerar ahora la variabilidad de los parmetros de
entrada, las soluciones con almacenamiento resultan mucho ms
competitivas.
92
Captulo6.Casosprcticosyresultadoscomputacionales
w2
w3
w4
w1
0.5
f1
0.5
1 1
100
w2
CO2 (kEUR)
150
50
0
f2
0.5
1 1
1500
w3
Import (kEUR)
Riesgo (kEUR)
0.5
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.21 Conjuntodesolucionesdelao2demodelomultiobjetivo
probabilista.Sinalmacenamiento
w2
w3
w4
w1
f1
0.5
0.5
1 1
100
0
f2
0.5
1 1
1500
w3
Import (kEUR)
0.5
50
0
Riesgo (kEUR)
w2
CO2 (kEUR)
150
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.22 Conjuntodesolucionesdemodelomultiobjetivoprobabilista.Con
almacenamiento.Paraelao2
93
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
w2
w3
w4
w1
0.5
f1
0.5
1 1
100
w2
CO2 (kEUR)
150
50
0
f2
0.5
1 1
1500
w3
Import (kEUR)
Riesgo (kEUR)
0.5
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.23 ConjuntodesolucionesdemodelomultiobjetivoprobabilistaconGD.
50variacionesdelospesosy10SimulacionesMonteCarlo.Paraelao5
w2
w3
w4
w1
f1
0.5
0.5
1 1
100
0
f2
0.5
1 1
1500
w3
Import (kEUR)
0.5
50
0
Riesgo (kEUR)
w2
CO2 (kEUR)
150
1000
500
0
0.5
0
f3
0.5
1
1000
0.5
500
0
Figura6.24 Conjuntodesolucionesdemodelomultiobjetivoprobabilistacon
almacenamiento.50variacionesdelospesosy10SimulacionesM.C.Paraelao5.
94
Captulo6.Casosprcticosyresultadoscomputacionales
w2
w3
w4
w1
0.5
f1
0.5
1 1
100
w2
CO2 (kEUR)
150
50
0
f2
0.5
1 1
1500
w3
Import (kEUR)
Riesgo (kEUR)
0.5
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.25 ConjuntodesolucionesdemodelomultiobjetivoprobabilistaconGD.
Paraelao20.
w2
w3
w4
w1
f1
0.5
0.5
1 1
100
0
f2
0.5
1 1
1500
w3
Import (kEUR)
0.5
50
0
Riesgo (kEUR)
w2
CO2 (kEUR)
150
1000
500
0.5
f3
0.5
1
1000
0.5
500
0
Figura6.26 Conjuntodesolucionesdemodelomultiobjetivoprobabilistacon
almacenamientoparaelao20.
95
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
6.4 Conclusionesdelcaptulo
En este captulo se realiz el anlisis de los modelos monobjetivo y
multiobjetivo tanto determinista como probabilista de la expansin de la
generacindistribuidaensistemasdedistribucin.
6.4.1 Conclusionesdelmodelomonobjetivodeterminista
El coste de la energa tiende a disminuir con la instalacin de Generacin
Distribuidaymstodavaconelalmacenamiento.
Laparticipacinenelcostetotaldelosdistintoselementosinvolucradosen
laplanificacindelaexpansindelageneracindistribuidavaraalolargo
del periodo considerado. Se observa que la participacin de la energa
elica en el coste total del sistema es apreciable a partir del ao 4 por su
factibilidad de instalacin y su competitividad, y es mayor a partir del
sptimo ao coincidiendo con el comienzo de la instalacin de
almacenamiento. La energa solar fotovoltaica tiene escasa participacin
hasta el ao 17 debido al coste excesivo de instalacin. La generacin
hidrulica tiene una participacin constante ya que econmicamente es
factible su instalacin y el coste de la energa que produce es casi
constante. El almacenamiento tiene una participacin constante y un gran
impacto en el resto de los costes ya que compensa la aleatoriedad de la
generacin renovable. El coste de las lneas tiene una mayor participacin
en los 4 primeros periodos de la planificacin y disminuye en los ltimos
aos.
La instalacin de generacin distribuida tiene un coste a lo largo de los
aos relativamente bajo que se compensa con creces con la importante
disminucindelasprdidasqueseproduceenlaslneas.
El excedente de energa que producen los generadores distribuidos
renovablesseaprovechacon lainstalacindealmacenamiento, como seve
a partir del sptimo ao que se aprovecha toda esa energa. Como
consecuencia se observa que todava disminuyen ms las prdidas en las
lneas y la necesidad de energa suministrada por generadores clsicos. La
instalacin de generacin distribuida junto con almacenamiento se
convierte en una alternativa altamente provechosa y econmicamente
viableenaosfuturos.
6.4.2 Conclusionesdelmodelomonobjetivoprobabilista
Larepresentacinenhistogramasdelasvariablesdesalidanosdaunaidea
de la variabilidad de las soluciones obtenidas, de la factibilidad de la
instalacindeunatecnologaespecficaydelriesgoqueconlleva.Portanto,
la primera ventaja que se tiene con la utilizacin de modelos probabilistas
esquesedisponedemayorinformacin.Enelmodelodeterministasevela
evolucin de una solucin para un escenario determinado y en el modelo
96
Captulo6.Casosprcticosyresultadoscomputacionales
probabilista se ve la evolucin de muchas soluciones para muchos
escenariosenparalelo.
Latendenciaobservadaparaelcostedelaenergaesunabaratamientocon
la instalacin de generacin distribuida respecto al que se obtendra con
suministros clsicos en todos los escenarios. La introduccin del
almacenamientotambinsuponeunadisminucindelcostedelaenergaen
el modelo probabilista, pero la variabilidad es muy importante por lo que
suinfluenciadependemuchodeltipodegeneracindominanteenlared.Si
el tipo de generacin tiene aleatoriedad, el almacenamiento tendr gran
influencia.
La participacin de las tecnologas en el coste total a lo largo de los
periodosdeplanificacinessimilaralresultadodelmodelodeterminista.
La variabilidad del coste total del sistema es mayor a partir del ao 10.
Dicho aumento de la variabilidad se debe al aumento de la variabilidad de
la energa total generada como consecuencia de la distinta utilizacin de
almacenamientoenlosdistintosescenarios.
6.4.3 Conclusionesdelmodelomultiobjetivodeterminista
La optimizacin multiobjetivo permite encontrar soluciones que optimizan
varias funciones objetivo a la vez. Se ha observado que pequeas
diferenciasenlafuncindecostepermitenobtenermejorassustancialesen
lasotrasfuncionesobjetivo.
Para poder comparar mejor las soluciones obtenidas se present la
evolucin del conjunto de soluciones obtenidas en los aos 2, 5 y 20 y en
dos escenarios, con y sin almacenamiento. En todos los casos se observa
quesepuedemejorarelvalordelasotrasfuncionesobjetivoconaumentos
pequeos en el coste consecuencia de la instalacin de la generacin
distribuida. Tambin se observa que aunque el almacenamiento tiene un
alto coste en torno al ao 5, pero que su instalacin mejora el coste del
sistemaalfinaldelos20aos.
Lasmejoressolucionesseencuentrancuandosetieneinstaladageneracin
distribuida y almacenamiento entre los aos 5 y 20. En el ao 2 se pueden
encontrar soluciones econmicas con generacin distribuida, aunque no se
dispongadealmacenamientocompetitivo.
La dependencia de los combustibles fsiles tiende a ser muy baja a partir
delao5
6.4.4 Conclusionesdelmodelomultiobjetivoprobabilista
Enestemodeloparacada combinacindepesosseobtienen lassoluciones
para un conjunto de escenarios que representan la variabilidad del
problema.
97
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
98
Captu lo 7
7.1 Resumenyconclusionesfinales
Eltrabajodesarrolladopresentaunnuevoenfoquedelaplanificacindela
generacin distribuida en las redes de distribucin de energa elctrica, al
considerarlaincertidumbredelademandaydelasfuentesrenovablesque
compone gran parte de dicha generacin distribuida. Se han desarrollado
modelos probabilistas capaces de representar dicha incertidumbre, tanto
monobjetivo como multiobjetivo. Se han considerado objetivos que
permiten considerar, adems de los aspectos econmicos, los aspectos
medioambientales y la dependencia energtica. Si bien stos ltimos
objetivos eran considerados desde un punto de vista clsico objetivos
tpicos de la planificacin de la generacin, un aumento importante de la
penetracindelageneracindistribuidahaceaconsejablesuconsideracin
a nivel de la red de distribucin en la planificacin de la generacin
distribuida. Y finalmente, se ha considerado la utilizacin del
almacenamiento como elemento de gestin para una operacin ptima de
redes con alta penetracin de generacin distribuida. No es un elemento
queactualmenteseutilicedeformageneralizada,perosqueestentodos
los proyectos de investigacin que se estn desarrollando en la actualidad
conelobjetivodedesarrollarlasredesdelfuturo.
En el captulo 1 de este trabajo de investigacin se ha mostrado una
introduccin a la generacin distribuida, a las redes de distribucin y a la
incertidumbre de las energas renovables, fuentes de la mayora de la
generacin distribuida. Por ltimo, se han indicado los objetivos que se
pretendanalcanzarylaestructuradelamemoria.
En el captulo 2 de esta memoria se llev a cabo un estudio del estado del
arte de la optimizacin de sistemas elctricos haciendo nfasis en los
sistemas de distribucin. Se revisan diferentes modelos en los cuales se
incluye Generacin Distribuida, y se revisan las tcnicas utilizadas para la
solucin de dichos modelos. La perspectiva predominante es el enfoque
99
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
deterministaymonobjetivo.Sibienhaypequeasaportacionesenelcampo
probabilistaymultiobjetivo.
En el captulo 3 se realiz el modelado de la planificacin ptima
multiperiododelageneracindistribuidaenelsistemadedistribucinbajo
un enfoque determinista que es el punto de partida. Primero se presentan
los distintos parmetros que son incluidos en el problema clsico, la
minimizacindeunafuncinobjetivobasadaenelcosteglobaldelsistema
sujeta a restricciones tcnicas y econmicas. A continuacin se incluye el
dimensionadodelageneracindistribuidaycomonovedadlasunidadesde
almacenamientoconunmodelodeoperacindeveinticuatrohoras.
Enelcaptulo4seplanteaelmodeloconunenfoqueprobabilista,dondelos
parmetros de la demanda y de las fuentes renovables son modelados con
distribuciones de probabilidad para representar la incertidumbre
intrnseca de dichas variables. La formulacin del modelo probabilista se
parece al modelo determinista, pero slo a primera vista. La introduccin
de variables estocsticas como la demanda y las fuentes de generacin
distribuida en dicho modelo, hace que la mayor parte de las variables del
modelo se tengan que representar tambin como variables estocsticas y
que la resolucin del modelo sea una tarea compleja. La tcnica que se
utiliza para la resolucin del modelo probabilista est basada en Monte
Carlo, que mediante el muestreo de las variables estocsticas y la
resolucin de miles de problemas determinsticos permite obtener las
distribucionesdeprobabilidaddelasvariablesdesalida.
En el captulo 5 el modelo se extiende a un problema multiobjetivo donde
los objetivos a optimizar son: minimizacin del coste de inversin de
generacin distribuida y de refuerzos en lneas de distribucin, as como
costes de operacin y mantenimiento del suministro proporcionado por la
red de distribucin, costes de operacin y mantenimiento de la generacin
distribuida y de las lneas de distribucin; reduccin de emisiones del
dixidodecarbonoproducidoporfuentesconvencionales;minimizacinde
combustible fsil importado; y minimizacin del riesgo en el precio de los
combustibles.Sepresentatantoelmodelomultiobjetivodeterministacomo
elmodelomultiobjetivoprobabilista,siendosteltimounadelasmayores
novedades del trabajo realizado. Como mtodo de resolucin se utiliza el
mtodo de los pesos, y concretamente en este caso una novedosa tcnica
denominada pesos variables ya que los pesos tambin se modelan con
distribuciones de probabilidad. Finalmente se comentan las tcnicas de
seleccindesoluciones:frentedeParetoyanlisisdepesos.
Enel captulo6se proporcionanlosresultados computacionalesobtenidos
al aplicar los modelos desarrollados a una red de distribucin con
posibilidad de instalar generacin distribuida en los nudos donde existe
recurso y de instalar almacenamiento. Los modelos probabilistas,
monobjetivo y multiobjetivo, son modelados teniendo en cuenta la
aleatoriedad del viento, del sol, del recurso hidrulico y de la demanda.
100
Captulo7.Conclusiones,aportacionesyfuturostrabajosdeinvestigacin
Para la solucin de los modelos probabilistas y el multiobjetivo
deterministaseutilizaelmtododeSimulacindeMonteCarlo.Finalmente
se detallan las conclusiones obtenidas del anlisis de los resultados
obtenidos. En el anlisis queda claro que los modelos probabilistos
suministranmsinformacinyquesuinterpretacinesmscompleja.
En el Anexo A se describen las tecnologas utilizadas para generacin
distribuidaylasnormativas quecontemplansuinstalacinenlared.Enel
AnexoBseproporcionanlosdatosutilizadosporelcasodeestudio.Yenel
Anexo C se describe el software utilizado para la programacin de los
modelos,ascomolasdistintastcnicasdeoptimizacin.
7.2 Aportaciones
Lasprincipalesaportacionesproductodeestainvestigacinsemencionana
continuacin:
Se ha desarrollado un modelo monobjetivo probabilista y multiperiodo
para la expansin de la generacin distribuida que tiene en cuenta la
variabilidad para la expansin de la generacin distribuida en redes de
distribucin de energa elctrica y la instalacin de sistemas de
almacenamiento.
Sehadesarrolladounmodelomultiobjetivoprobabilistaymultiperiodocon
integracin de almacenamiento para optimizar la expansin de la
generacindistribuidadelasredesdedistribucin.
Sehautilizadoparalasolucindelosmodelosmultiobjetivoprobabilistay
deterministaelmtododelospesosvariablesylatcnicadeanlisisdelos
pesos.
Enelmodelomultiobjetivoseincluyenobjetivosdereduccindeemisiones
de
;minimizacin de coste de inversin ms costes de operacin y
mantenimiento; minimizacin de importacin de energa y minimizacin
del riesgo de utilizacin de combustibles fsiles, funciones objetivo
utilizadasmscomnmenteenlaplanificacindelageneracin.
Los resultados obtenidos con todos los modelos permiten comprender la
influencia de la generacin distribuida y del almacenamiento en las redes
dedistribucin.
Los resultados obtenidos con los modelos probabilistas confirman que la
incertidumbre tiene una influencia significativa en las soluciones
encontradas.
101
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
7.3 Futurostrabajosdeinvestigacin
La planificacin de la expansin ptima de la generacin en redes de
distribucin es un tema amplio y complejo. Este trabajo de investigacin a
permitido profundizar en algunos aspectos, pero existen numerosos temas
enlosquetodavahayungrancaminoporrecorrer.
En los modelos de planificacin ptima sera conveniente introducir el
efecto de los mercados elctricos, la no linealidad de los elementos, la
consideracin de la fiabilidad y algunas restricciones tcnicas como la
estabilidaddetensiones.
Enlosalgoritmosderesolucinseranecesariodesarrollaralgoritmos ms
rpidos o probar con tcnicas heursticas que permitan reducir el tiempo
decomputacin,sobretodoenlosmodelosprobabilistas.
La metodologa tambin podra ampliarse para considerar sistemas de
distribucindondeseincluyanlasredesprimariasysecundarias.
102
Anexo A
TECNOLOGASDEGENERACINDISTRIBUIDAY
NORMATIVASDECONEXINDEGENERACIN
DISTRIBUIDAENREDES
A.1 Tecnologadegeneracindistribuida
Las tecnologas utilizadas como Generacin Distribuida, tanto
convencionales, como no convencionales [ElKhattam, Salamaetal., 2004]
son:
A.1.1
MotoresdeCombustiblesFsiles
103
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
A.1.2
TurbinasdeGas
A.1.3
Microturbinas
A.1.4
Microturbinasagas
104
AnexoA
TablaA.1
Tipo
PotenciaelctricainstaladayproduccindeenergaenEspaa
PotenciaInstalada
1995
2010
Produccin(TWh)
1995
2010
Elica
2.5GW
40GW
80
Hidrulica
92GW
105GW
307
355
Grande
82.5GW
91GW
270
300
Pequea
9.5GW
14GW
37
55
Fotovoltaica
0.03GWp
3GWp
0.03
Biomasa
44.8Mtoe
135Mtoe
22.5
230
0.5GW
1GW
3.5
Geotrmica
A.1.5
Microturbinahidrulica
A.1.6
CeldadeCombustible
Lasceldasdecombustiblesepuedenconsiderarcomomotorescompactosy
utilizan hidrgeno y oxgeno para generar electricidad. El sector de
transporte es el principal mercado potencial para las celdas de
combustible. La generacin de potencia, sin embargo, se ve como un
mercado en el cual las celdas de combustible podran ser comercializadas
msrpidamente.
Las celdas de combustible poseen una eficiencia de conversin muy alta
(35% a 60%), comparadas con tecnologas convencionales. Su eficiencia
limita las emisiones de gases que provocan efecto invernadero. Como no
hay combustin, otras emisiones nocivas tambin son bajas. La celda de
105
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
A.1.7
CeldasFotovoltaicas
A.1.8
GeneradoresElicos
AnexoA
Sistemas pequeos, utilizados para abastecer pequeas
comunidades,queconstandeunaturbinaelica,ungeneradordiesel
derespaldoyunbancodebaterasconpotenciassuperioresa1kWe
inferioresa100kW.
Sistemas individuales por vivienda, que constan bsicamente de una
turbina elica y bateras para el almacenamiento de energa con
potenciasinferioresa1kW.
Las turbinas elicas cada ao cuestan menos por unidad de potencia
instalada. El costo por unidad de energa elica de sistemas de gran escala
en lugares con velocidades de viento adecuadas puede ser ms barato que
el recurso energtico hdrico. Por otro lado estos sistemas de cualquier
escalapermitenteneraccesoalaenergaendistintoslugares;hayaosde
sequaperonohayaossinviento.
A.2 NormativasdeconexindeGDalossistemasde
distribucin
A.2.1
EstndarIEEE1547
A.2.2
LosrequisitosparalainterconexindeGDbajo
condicionesanormales
LaunidaddelaGDnodebeenergizarelreadelsistemaelctricode
potencia(SEP)cuandoelreaestfueradeservicio.
La unidad de la GD no debe causar misooperacin del sistema de
interconexindebidoalainterferenciaelectromagntica.
Elsistemadeinterconexindebepodersoportarlacadadetensin.
107
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
A.2.3
LegislacinEspaola
108
Anexo B
DATOSDECASOSDEESTUDIO
B.1 Tecnologasdegeneracindistribuida
TablaB.1
Tecnologa
Motor
Alternativo
TecnologasdisponiblesdeGeneracinDistribuida
Energa
primaria
Potencia
(MW)
Rendimiento
Elctrico(%)
CosteInversin
(/kW)
Disponibilidad
Comercial
Gasnatural
0,0820
2842%
500900
Actual
2560%
6001400
Actual
Biogs
7090%
(chp)
Propano
(cogeneracin)
Diesel
(gasnatural)
Biogs
3050%
Propano
(diesel)
8085%
(cogeneracin)
Turbinadegas Gasnatural
Minihidrulica
0,25500
Agua
0,0110
8090%
10001800
Actual
Viento
0,0055
43%
11001700
Actual
Solartrmica
Sol
0,0002200
1321%
35008000
Actual
Fotovoltaica
Sol
<0,0010,1
14%
50007000
Actual
32%
15002500
Actual
2530%
9002000
Actual
Elica
Biomasa
Microturbina
Biomasa
Gasnatural
0,0250,4
Hidrgeno
Hasta85%
Propano
(cogeneracin)
Diesel,
Biogs
(limitada)
109
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
TablaB.2
Tecnologa
CO2
NOx
SO2
CO
Motoralternativo
590800
4,518,6
0.18 1,36
0,184
Minitubinas
545700
1,85
0,14 0,18
0,54,5
MiniHidrulica
Elica
SolarTrmica
Fotovoltaica
0506
0,153
menorde
0,15
14
Microturbinas
590800
0,09 0,064
despreciable
0,140,82
Pilasdecombustible
360630
menorde
0,023
0,0050,055
Ciclocombinado
320400
0,05 0,4
despreciable
0,020,45
Biomasa
TablaB.3
Caractersticasdetecnologasdealmacenamiento.
Tiempode
descarga
Bandade
potencia
Trmico
65%(en
promedio)
Solartrmicabiomasa
geotrmicay
electricidadderedcon
muchasrenovables
Bombeo
Horasda
100
1000MW
66%(en
promedio)
Disponible
Hidrulicay
electricidadderedcon
muchasrenovables
Volante
Segundos
minutos
10100
kW
78%(en
promedio)
Disponible
Electricidadderedcon
muchasrenovables
AireaPresin
HorasDias 101000
MW
69%(en
promedio)
Disponible
Electricidadderedcon
muchasrenovables
Tecnologa
Eficiencia
Disponibilidad
comercial
BateraPlomo
acido
Minutos
Horas
1kW
40MW
60,767,7
%
Disponible
BateraNiquel
Cadmio
Segundos
Horas
1kW
40MW
Disponible
BateraSodio
Azufre
Horasdas
50kW
10MW
56,772,2
%
2458%
SMES
Segundos
1
100MW
Prototipos
Ultracapacidad
Segundos
10kW
1MW
90%(en
promedio)
Prototipos
Hidrgeno
110
Aplicacin
Hidrulica,
fotovoltaica,
elica,
maremotrizy
undimotriz
Fotovoltaicay
electricidadderedcon
muchasrenovables
AnexoB
3000
Potencia (kW)
2500
2000
1500
1000
500
0
0
10
15
20
25
30
FiguraB.1
35
CurvadepotenciadelgeneradorelicoGE2.5XL(100m)
TablaB.4
Caractersticasdegeneradorelicoutilizado
GeneradorElicoGE2.5XL(100m)
Dimetrodelaspalas(rotor)
Velocidaddedesconexin(cutoutspeed)
Velocidaddearranque(cutinspeed)
WindClassIEC
Alturasdetorre
reabarrido
100m
25m/s
3.5m/s
IIIa,IIb
75m;85m;100m
7854m2
111
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
B.2 Propiedadesdelaredde15nudos
TablaB.5
Lnea
112
PC
Distancia
kVA
metros
ohm
ni
nj
ohm
0.0000176
350
265
1.3235
0.0000309
200
229
1.1446
0.0006170
100
165
0.8227
0.0001235
50
206
1.0276
0.0006170
100
272
1.3579
10
0.0001235
50
228
1.1377
0.0006170
100
345
1.7249
0.0001235
50
147
0.7340
0.0001235
50
169
0.8441
11
0.0006170
100
242
1.2111
11
12
0.0001235
50
330
1.6515
12
13
0.0001235
50
272
1.3579
14
0.0001235
50
301
1.5047
15
0.0001235
50
161
0.8074
Topologaderedde15nudos.
AnexoB
TablaB.6
Periodo
Ao
Factoresdedemandaygeneradoresporperiodos
Factor
C.G.Red
Factor
C.G.Elica
Factor
C.G.Fot.
Factor
C.G.MH
Factor
C.Alm
1.050
1.048
0.995
0.900
1.000
0.800
1.103
1.098
0.990
0.810
1.000
0.640
1.158
1.150
0.985
0.729
1.000
0.512
1.216
1.205
0.980
0.656
1.000
0.410
1.276
1.262
0.975
0.590
1.000
0.328
1.340
1.322
0.970
0.531
1.000
0.262
1.407
1.385
0.966
0.478
1.000
0.210
1.477
1.451
0.961
0.430
1.000
0.168
10
1.551
1.520
0.956
0.387
1.000
0.134
11
1.629
1.592
0.951
0.349
1.000
0.107
12
1.710
1.668
0.946
0.314
1.000
0.086
13
1.796
1.748
0.942
0.282
1.000
0.069
14
1.886
1.831
0.937
0.254
1.000
0.055
15
1.980
1.918
0.932
0.229
1.000
0.044
16
2.079
2.009
0.928
0.206
1.000
0.035
17
2.183
2.105
0.923
0.185
1.000
0.028
18
2.292
2.205
0.918
0.167
1.000
0.023
19
2.407
2.310
0.914
0.150
1.000
0.018
20
2.527
2.420
0.909
0.135
1.000
0.014
113
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
TablaB.7
DatosdedemandaenkVAenredde15nudos
Nudo
t0
t1
t2
t3
t4
t5
0.0
0.0
0.0
0.0
0.0
122.9
52.0
98.8
115.2
100.8
161.9
79.0
2.1
64.4
80.6
93.6
30.6
68.3
29.6
40.8
194.4
276.7
149.1
221.7
317.1
22.7
57.8
56.8
34.5
35.8
111.5
112.0
143.1
135.9
106.4
76.7
40.2
82.1
62.4
20.4
96.8
101.2
89.5
80.3
156.3
10
8.0
8.0
7.9
8.6
4.5
11
173.9
105.5
87.1
82.7
145.3
12
39.6
83.3
51.4
50.3
48.7
13
15.2
13.9
6.6
22.1
7.1
14
83.9
186.0
134.3
136.6
43.4
15
37.8
7.7
24.6
22.7
14.2
TablaB.8
DatosdedemandaenkVAenredde15nudos
Nudo
t6
t7
t8
t9
t10
t11
t12
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0
65.7
131.3
52.6
183.3
20.4
49.8
56.5
90.5
7.3
105.6
53.9
18.8
116.8
31.2
0.0
138.4
82.1
16.2
258.6
40.2
123.6
68.7
108.2
7.9
74.9
44.7
19.1
64.9
22.1
0.0
94.8
52.9
85.3
144.6
15.9
133.8
53.3
96.4
6.5
195.8
37.0
20.4
135.5
15.4
0.0
34.2
74.7
48.1
320.2
54.7
87.6
61.7
79.7
7.4
118.3
125.7
22.9
108.9
24.0
0.0
128.1
78.3
65.3
343.2
47.5
87.5
63.6
125.3
8.9
158.8
48.1
21.7
130.0
26.3
0.0
163.7
83.0
84.9
246.8
47.5
186.6
69.8
113.9
7.8
76.9
112.5
24.3
115.1
50.1
0.0
134.3
120.6
68.1
289.9
45.2
182.2
77.3
114.4
8.6
116.2
129.1
17.8
123.4
24.8
114
AnexoB
TablaB.9
DatosdedemandaenkVAenredde15nudos
Nudo
t13
t14
t15
t16
t17
t18
t19
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0.0
117.3
135.1
98.0
255.8
38.9
206.8
72.2
110.0
9.5
207.4
89.5
18.4
149.2
31.0
0.0
106.1
78.2
77.3
379.8
41.6
115.6
59.0
135.1
9.3
176.6
90.5
15.9
192.6
42.0
0.0
160.7
129.6
74.2
399.3
69.4
122.9
66.8
111.8
15.0
115.5
73.8
7.3
128.0
10.7
0.0
131.6
91.4
54.0
102.7
27.7
169.1
59.9
91.4
6.5
174.3
76.9
16.5
159.9
26.8
0.0
78.3
95.3
78.6
197.2
42.3
190.6
42.9
66.7
9.1
132.7
75.9
22.3
214.3
46.1
0.0
140.9
159.6
91.9
268.6
44.2
129.5
54.8
133.9
7.5
115.7
103.1
20.6
219.0
31.6
0.0
137.4
99.3
64.2
234.4
34.2
205.4
64.3
114.3
6.3
153.7
97.7
16.8
124.6
27.7
TablaB.10
Nudo
DatosdedemandaenkVAenredde15nudos
t20
t21
t22
t23
t24
2
3
4
5
6
7
8
9
10
11
12
13
14
0.0
117.3
149.1
64.4
71.5
58.5
171.7
76.2
100.2
6.1
107.4
52.1
14.3
214.8
0.0
115.7
91.2
66.7
243.3
57.0
218.2
41.1
91.1
8.3
117.9
114.6
21.2
159.7
0.0
171.0
113.4
92.2
284.0
51.0
279.4
61.1
113.3
5.9
175.9
100.2
14.7
122.4
0.0
58.5
163.0
57.0
442.8
34.0
249.7
54.1
77.9
8.4
215.9
119.9
10.0
183.3
0.0
120.8
73.8
37.7
234.9
41.0
169.9
48.4
139.7
9.2
178.3
88.2
18.0
136.1
15
31.6
11.7
35.1
28.5
19.3
115
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
TablaB.11
Tiempo
Coste
Perfil
Perfil
Perfil
Horas
Energa
Elico
Hidrulico
Fotovoltaico
t0
0.001
0.076
0.25
0.3
t1
0.999
0.076
0.25
0.3
t2
0.07
0.25
0.3
t3
0.064
0.25
0.3
t4
0.06
0.25
0.3
t5
0.066
0.009
t6
0.07
0.066
t7
0.08
0.25
0.3
0.135
t8
0.086
0.25
0.3
0.231
t9
0.09
0.25
0.3
0.352
t10
0.092
0.25
0.3
0.477
t11
0.094
0.25
0.3
0.564
t12
0.1
0.25
0.3
t13
0.102
0.25
0.3
t14
0.1
0.25
0.3
0.561
t15
0.088
0.25
0.3
0.473
t16
0.084
0.25
0.3
0.346
t17
0.084
0.25
0.3
0.208
t18
0.086
0.25
0.3
0.112
t19
0.088
0.1
0.052
t20
0.09
0.1
0.013
t21
0.094
0.1
t22
0.104
0.1
t23
0.098
0.1
t24
0.084
0.1
Hora
116
Perfilesdecostedeenergahorarioportecnologa
Anexo C
OPTIMIZACIN:MTODOSYHERRAMIENTAS
C.1 Conceptosgeneralessobreoptimizacin
En un problema de optimizacin pueden identificarse tres elementos
principales:unafuncinobjetivo,unconjuntodevariablesyunconjuntode
restricciones. Una vez identificados los tres elementos, el problema de
optimizacin puede definirse de manera general como la bsqueda de los
valores de las variables que minimizan o maximizan la funcin objetivo
cumpliendoconelconjuntoderestricciones.
De los tres elementos de un problema de optimizacin, el conjunto de
variables es imprescindible, ya que de no existir no se podra definir la
funcinobjetivonilasrestricciones.Sinembargo,puedenexistirproblemas
deoptimizacinenloscualessepuedaprescindirdelafuncinobjetivoy/o
delasrestricciones.
Los problemas de optimizacin se clasifican de acuerdo a la funcin
objetivodelmodosiguiente:
Problemasinfuncinobjetivo.
Problemasconfuncinobjetivo.
Problemasconmltiplesfuncionesobjetivo.
En los problemas sin funcin objetivo, se plantea la bsqueda de un
conjunto de variables que satisfagan las restricciones del modelo, no
existiendoraznparadefinirunafuncinobjetivo.
En los problemas multiobjetivo, se busca optimizar varios objetivos a la
vez, pero en este tipo de problemas generalmente las funciones no son
compatibles y los valores que optimizan una funcin pueden ser
completamente diferentes de los valores que optimizan el resto de las
funciones. En la prctica, los problemas multiobjetivo se replantean como
problemasdeunnicoobjetivo,porejemplo,agregandofactoresdepesoo
reemplazandoalgunodelosobjetivosporrestricciones.
117
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
FiguraC.1
rboldealternativasdeproblemasdeoptimizacin
AnexoC
desarrollo de los mtodos clsicos para alcanzar valores ptimos globales
[Biegler,Grossmannetal.,2004],[Grossmann,Biegleretal.,2004].
En la Tabla C.7.1 se muestra una clasificacin general de los problemas de
optimizacinconsiderandolostreselementosdelproblema.
TablaC.1
Clasificacindealternativasdeoptimizacin
Elemento
Alternativas
Una
NmerodeVariables
Msdeuna
Nmerosrealescontinuos
Tipodevariables
Tipodefunciones
Tipodeformulacin
Nmerodeobjetivos
Enteros
Clasificacin
Univariable
Multivariable
Continua
Enterao
directa
Nmerosrealescontinuosyenteros
Mixtaentera
Enterosenpermutaciones
Funcioneslineales
Funcionescuadrticas
Combinatoria
Lineal
Cuadrtica
Funcionesnolineales
Sujetosarestricciones
Nolineal
Restringida
Sin
restricciones
Monobjetivo
Multiobjetivo
Nosujetoarestricciones
Uno
Msdeuno
LatablaC.7.2muestralaclasificacindelastcnicasdeoptimizacinsegn
el tipo de variables. Esta clasificacin se basa en la naturaleza de las
ecuacionesqueintervienen.Si lafuncin objetivoy todassus restricciones
sonfuncioneslinealesdelasvariablesindependientes,setieneentoncesun
problemadeprogramacinlineal,denotadocomoproblemaLP.Sialmenos
una de las funciones es no lineal, independientemente de si se trata de la
funcin objetivo o de una de sus restricciones, entonces se tiene un
problemadeprogramacinmatemticanolinealdenotadomedianteNLP.Si
alguna o todas las variables independientes de un problema de
optimizacin se restringen para tomar en cuenta valores enteros o
discretos, el problema es denominado programacin entera (IP). Si a todas
las variables se les permite tomar cualquier valor real, entonces el
problema es denominado problema de programacin de valores reales. La
existencia de variables enteras en los problemas de programacin lineal y
no lineal conduce a obtener un problema combinado MIP o un problema
MINLP.Msdetallessobrelosmtodosdeoptimizacinseconsideranenla
seccinC.3.
119
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
TablaC.2
Clasificacindetcnicasdeoptimizacinsegntipodevariables
Variables
Discretas(enteras)
Restricciones
Lineales
Continuas
NoLineales
Lineales
Discretas+Continuas
NoLineales
Tcnicadeprogramacin
Entera
Lineal
NoLineal
MixtaEnteraLineal
MixtaEnteranoLineal
Acrnimo
IP
LP
NLP
MIP
MINLP
b
0 C. 1
, c
, A
, b
Programacinlinealenteramixta(MixedIntegerProgramming,MIP):
min c T x
dT y
Ax By b
x, y 0 C. 2
x Z , y , c , d
, B
, b
A
120
AnexoC
Programacinnolineal(NonLinearProgramming,NLP):
min f x
h x
g x
l x
f:
h, g:
0
0 C. 3
u
Programacinmultiobjetivo(MultiobjetiveProgramming):
min f x , , f x
Ax b
x 0 C. 4
l x u
x , c
, A
, b
f x
C.2 Etapasparadesarrollarunmodelode
optimizacin
En la construccin y desarrollo de un modelo de optimizacin se pueden
distinguirvariasetapas[Linares,Ramosetal.,2001]:
Identificacindelproblema
Especificacinmatemticayformulacin
Resolucin
Verificacin,validacinyrefinamiento
Interpretacinyanlisisderesultados.
Identificacindelproblema
Estaetapaconsisteenlarecopilacinyanlisisdelainformacinrelevante
del problema para su posterior presentacin en trminos de un modelo
matemtico.
Especificacinmatemticayformulacin
Esta etapa consiste en la escritura matemtica del problema de
optimizacin, definiendo sus variables, sus ecuaciones, su funcin objetivo
yotrosparmetros.Enellaseanalizaeltamaodelproblema,laestructura
de la matriz de restricciones, su tipo (LP, MIP, NLP, etc.). Es una etapa
creativa donde se debe prestar especial atencin a la precisin en la
formulacinyalaescrituradelasecuacionesquedescribenelproblema.
Resolucin
Se trata de implantar un algoritmo de obtencin de la solucin numrica
ptima. El algoritmo puede ser el propsito general o especfico. Pueden
121
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
C.3 Mtodosmatemticosparalasolucindeun
problemadeoptimizacin
Como se ha dicho, a pesar de la aparente generalidad del enunciado
matemtico del problema de optimizacin, no existe un nico mtodo
disponible para resolver eficazmente el problema. Debido a ello, se han
desarrollado varios mtodos conocidos como Programacin Matemtica,
implementadosenpaquetesinformticos.
C.3.1
Mtodosdebsquedaobasadosenelgradiente
Unmtododebsquedausavaloresdelafuncinobjetivoconelpropsito
de localizar el punto ptimo sin el uso de derivadas, mientras que por el
contrario, los mtodos basados en el clculo diferencial usan la primera
derivada y la segunda derivada, de all que sean denominados mtodos
basadosenelgradiente.
Los mtodos de bsqueda calculan los valores de la funcin objetivo por
medio de la combinacin de valores de las variables independientes y
encuentran el punto ptimo, esta bsqueda puede ser aleatoria o
sistemtica, siendo la segunda ms eficiente. En general, los mtodos
basados en el gradiente convergen ms rpido que los mtodos de
bsqueda, pero en ciertos casos se tiene problemas de convergencia.
Adems, si la funcin objetivo es continua, puede determinarse un valor
aproximado de la solucin ptima (para un nmero finito de iteraciones),
determinndose una regin en la cual se localiza solucin y reduciendo el
riesgodenoalcanzarlasolucinptimaglobal.
122
AnexoC
C.3.2
Programacinlineal,nolinealyentera
C.3.3
Algoritmosgenticos
C.3.4
SimulatedAnnealing
123
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
C.3.5
Otrosmtodos
C.4 Principiosbsicosdelaoptimizacincon
restricciones
Losmtodosclsicosdeoptimizacinsonanalticosyhacenusodelclculo
diferencial para encontrar los puntos ptimos locales, estableciendo unas
condiciones denominadas necesarias y de suficiencia que tienen que
cumplirse. En el caso de la optimizacin con restricciones de igualdad y
desigualdad La teora de Lagrange para el problema de optimizacin con
restriccionesdeigualdadsehaextendidoporunaparteporKuhnyTucker
yporotraporKrarush(yportantoconocidascomocondicionesdeKarush
KuhnTucker, KKT), pudiendo solucionar el problema combinado de
restricciones de igualdad y desigualdad, por medio de la definicin de una
funcinLagrangiana.
, ,
.7
124
AnexoC
C.4.1
CondicionesKKTnecesarias.
0
0
Enlaexpresin(4.9),
0,
0,
.8
1,2, ,
1,2, ,
sedefinencomo:
,
,
,,
,,
C.4.2
CondicionesKKTdesuficiencia.
.9
125
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
C.5 Softwareparalaresolucindeproblemasde
optimizacin.
Entre las principales alternativas para la resolucin de un modelo de
optimizacinseencuentran:
Lenguajesdemodeladoysistemasdeoptimizacin.
Paquetesdeoptimizacindediseoeningeniera.
Lenguajedemodeladoysistemasdeoptimizacin
Se pueden utilizar lenguajes de programacin de propsito general, tales
como C, C++, Java, Fortran, etc., para un determinado algoritmo de
optimizacin.Sinembargo,requierenuntiempodedesarrollomuyelevado
yungranconsumoderecursosparamantenerelcdigo.
Tambin existen lenguajes o entornos de clculo numrico o simblico e
incluso hojas de clculo. Entre los lenguajes de clculo numrico se
encuentranporejemploMATLAB,yentrelosde clculosimblico, Mapleo
Matemtica. Las rutinas de optimizacin implementadas en las hojas de
clculo pueden ser una buena alternativa, pero no permiten una buena
estructuracin del modelo y se limitan a la solucin de modelos muy
sencillos.Loslenguajesdeclculonumricoosimblicopermitenunafcil
manipulacin de matrices y vectores pero no son especficos para modelar
problemas de optimizacin. Sin embargo, suelen incorporar mdulos o
funciones especiales de optimizacin, si bien son difcilmente utilizables
para problemas de optimizacin de gran tamao. MATLAB, por ejemplo,
incorpora lo que denomina caja de herramientas de optimizacin e
incluyediversosalgoritmosdeoptimizacin.
Loslenguajesdemodeladoalgebraicosonlasalternativasmscomplejasy
potentes para desarrollar y resolver un problema de optimizacin, ya que
tienen una capacidad de indexacin de las variables y ecuaciones que
permiten cambiar sin dificultad las dimensiones del modelo. Entre los
lenguajes de modelado algebraico se encuentran: GAMS, AMPL, AIMMS
[AIMMS,etal.,2009;AMPL,etal.,2009;GAMS.,etal.,2009].
C.5.1
Paquetesdeoptimizacindediseoeningeniera
AnexoC
emplear. En [Mittelman, et al., 2008] se puede ver una lista bastante
completa de software disponible para cada opcin del rbol de alternativa
de la Figura C.1. En [Cavalier, et al., 2009] se pueden encontrar
adicionalmente algunos ejemplos de aplicacin as como los principales
fundamentostericos.
En el caso particular de sistemas energticos, la etapa de especificacin y
formulacin matemtica conduce generalmente a un problema con las
caractersticas del conjunto de ecuaciones (C.3), que puede plantearse
utilizando expresiones lineales o no lineales, e incluyendo en ocasiones
expresiones que contienen variables discretas o binarias. Por tanto, el tipo
de problema a resolver es de programacin no lineal (NLP) cuando tienen
una formulacin idntica a la ecuacin (C.3), y mixto entero no lineal
(MINLP)cuandoseagreganenlosmodelosvariablesdiscretasobinarias.
Para modelar y resolver el problema NLP y MINLP se puede utilizar el
lenguaje de modelado algebraico GAMS; para el caso en el que solamente
sea necesario resolver el problema NLP se puede utilizar la funcin
fmincon de la caja de herramientas de MATLAB (cabe sealar que el uso
de la funcin es complicada porque no permite una estructura de cdigo
comoenGAMS).
C.5.2
Sistemageneraldemodeladoalgebraico(GAMS)
127
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
al.,2009],paradesarrollarymodelarproblemasdeoptimizacinaltamente
complejos.
Para poder resolver un problema con GAMS, es necesario generar un
fichero de rdenes (denominado fichero GMS) que debe contener todas las
instrucciones bsicas y planteamiento del modelo que se desea resolver.
Una vez generado el fichero, se ejecuta GAMS y el resultado se genera de
forma automtica en un fichero distinto (fichero LST), [Casasus,Mocholi
et al., 2008]. El fichero se divide en varios bloques y cada bloque
representaunapartedelproblema.LaTabla11muestralaestructuradeun
modelo de optimizacin en GAMS y el propsito de cada bloque o
definicin.
TablaC.3
EstructuradeunmodeloenGAMS
Definicin
Propsito
Set(s)
Sedeclaraelnombredelosndicesysedefinensus
posiblesvalores
Scalar(s)
Sedeclaraelnombredelosescalaresyseasignansus
valores
Parameter(s)
Sedeclaraelnombredelosvectoresyselesasignan
valores
Table(s)
Sedeclaraelnombredelasmatricesyselesasignan
valores
Variable(s)
Sedeclaranlasvariablesyselesasignatipo
Equation(s)
Sedefinelafuncinobjetivoylasrestricciones
Model
Seleasignanombrealmodeloyseasignaalalistade
restricciones
Solve
SeindicaaGAMSeloptimizador(solver)autilizar
Display
Seindicanloselementosamostrarenlalistaderesultados
C.5.2.1
OptimizadoresparaproblemasNLPyMINLP
128
AnexoC
TablaC.4
TcnicasdisponiblesparalasolucindeproblemasenGAMS
Tcnica
Tipodeproblema
LP
Programacinlineal
NLP
Programacinnolineal
DNLP
Programacinnolinealconderivadasdiscontinuas
MIP
Programacinlinealenteramixta
RMIP
Programacinlinealrelajadaenteramixta
MINLP
Programacinnolinealenteramixta
RMINLP
Programacinnolinealrelajadaenteramixta
MCP
Problemascompletamentemixtos
MPEC
Problemasmatemticosconrestriccionesdeequilibrio
CNS
Sistemasnolinealesacotados
TablaC.5
Tipodeproblema
LP
NLP
MINLP
OptimizadoresLP,NLPyMINLPenGAMS
Optimizador
CPLEX,OSL,MINOS
CONOPT,MINOS,BARON
DICOPT,SBB
129
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
BARON.Esunoptimizadorparadeterminarlasolucinglobaldeproblemas
de optimizacin NLP y MINLP. BARON (Branch And Reduce Optimization
Navigator) implementa los algoritmos mejorados de ramificacin y
acotamiento (BranchandBound) con tcnicas de dualidad y programacin
derestriccionesparareducirlosrangosdelasvariablesduranteelproceso
delaresolucindelproblema.ParaencontrarunasolucinBARONrequiere
el empleo de optimizadores para el problema LP o NLP. BARON se ha
desarrollado en el Departamento de Qumica e Ingeniera Biomolecular, de
laUniversidaddeIllinoisenUrbanaChampaign.
130
BIBLIOGRAFA
131
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
A NTUNES , C. H., M ARTINS , A. G., et al. (2004). "A multiple objective mixed
integer linear programming model for power generation expansion
Vol:29:
(#4):
613627,
planning."
Energy:
Consulta:http://www.sciencedirect.com/science/article/B6V2S
4B6KDVD1/2/80e4d4fa97b5b9c4dfb2f517002adbb5
A R I KAN , F., G NGR , Z., et al. (2007). "A twophase approach for multi
objective programming problems with fuzzy coefficients."
Vol:177:
(#23):
51915202,
Information
Sciences:
Consulta:http://www.sciencedirect.com/science/article/B6V0C
4P3DY2W3/2/ad4de9e324843eb249a14e34fb1dad32
A SAKURA , T., G ENJI , T., et al. (2003). "Longterm distribution network
expansion planning by network reconfiguration and generation of
construction plans." Power Systems, IEEE Transactions on: Vol:18:
(#3):11961204
A TWA , Y. M. & E L S AADANY , E. F. "Optimal Allocation of ESS in Distribution
Systems With a High Penetration of Wind Energy." Power Systems,
IEEE
Transactions
on:
Vol:PP:
(#99):
11,
Consulta:10.1109/TPWRS.2010.2045663
A TWA , Y. M., E L S AADANY , E. F., et al. (2010). "Optimal Allocation of ESS in
DistributionSystemsWithaHighPenetrationofWindEnergy."Power
Systems,
IEEE
Transactions
on:
Vol:PP:
(#99):
11,
Consulta:10.1109/TPWRS.2010.2045663
B ERG , A., K RAHL , S., et al. (2008). Costefficient integration of distributed
generation into medium voltage networks by optimized network
planning. SmartGrids for Distribution, 2008. IETCIRED. CIRED
Seminar.
B IEGLER , L. T., G ROSSMANN , I. E., etal. (2004). "Retrospective on optimization."
Computers & Chemical Engineering: Vol:28: (#8): 11691192,
Consulta:http://www.sciencedirect.com/science/article/B6TFT
4BGHFYW2/2/933aa2d62d853e44a95123857223af60
B OUFFARD , F., G ALIANA , F. D., et al. (2008). "Stochastic Security for Operations
Planning With Significant Wind Power Generation." Power Systems,
IEEETransactionson:Vol:23:(#2):306316
B RIGNOL , S.,R ENAUD , A.,etal.(1997).Anewmodelforstochasticoptimization
of weekly generation schedules. Advances in Power System Control,
Operation and Management, 1997. APSCOM97. Fourth International
Conferenceon(Conf.Publ.No.450).
B UYGI , M. O.,S HANECHI , H. M.,etal.(2003).Transmissionplanningapproaches
in restructured power systems. Power Tech Conference Proceedings,
2003IEEEBologna.
C ANO , E. B., , et al. (2007). Utilizing fuzzy optimization for distributed
generation allocation. TENCON 2007 2007 IEEE Region 10
Conference.
132
Bibliografa
C ARAMANIS , M. C., T ABORS , R. D., et al. (1982). "The Introduction of
NonDIispatchable Technologies a Decision Variables in LongTerm
Generation Expansion Models." Power Apparatus and Systems, IEEE
Transactions
on:
Vol:PAS101:
(#8):
26582667,
Consulta:10.1109/TPAS.1982.317636
C ARPINELLI , G.,C ELLI , G.,etal.(2001).Distributedgenerationsitingandsizing
underuncertainty.PowerTechProceedings,2001IEEEPorto.
C ASASUS , T. M., M OCHOLI , M., et al. (2008). Optimizacin econmica con GAMS.
Valencia, Departamento de Economia y Matemtica. Universidad de
Valencia.
C ASTILLO , E., C ONEJO , A. J., et al. (2002). Formulacin y resolucin de modelos
deprogramacinmatemticaeningenierayciencia.
C AVALIER , T. M., , et al. (2009). ""Tom Cavaliers optimization Links"."),
Disponible.
C HOWDHURY , A. A., A GARWAL , S. K., et al. (2003). "Reliability modeling of
distributed generation in conventional distribution systems planning
and analysis." Industry Applications, IEEE Transactions on: Vol:39:
(#5):14931498
C ONTAXIS , G., V LACHOS , A., et al. (2000). Optimal power flow considering
operation of wind parks and pump storage hydro units under large
scale integration of renewable energy sources. Power Engineering
SocietyWinterMeeting,2000.IEEE.
C ORMIO , C., D ICORATO , M., et al. (2003). "A regional energy planning
methodology including renewable energy sources and environmental
constraints." Renewable and Sustainable Energy Reviews: Vol:7: (#2):
99130,
Consulta:http://www.sciencedirect.com/science/article/B6VMY
47X1M271/2/bd4caa6019476063d34182d85e247cfb
C RAWFORD , D. M., H OLT , S. B., J R . , et al. (1975). "A mathematical optimization
technique for locating and sizing distribution substations, and
deriving their optimal service areas." Power Apparatus and Systems,
IEEETransactionson:Vol:94:(#2):230235
D ICORATO , M., F ORTE , G., et al. (2008). "Environmentalconstrained energy
planning using energyefficiency and distributedgeneration
Vol:33:
(#6):
12971313,
facilities."
Renewable
Energy:
Consulta:http://www.sciencedirect.com/science/article/B6V4S
4PYMWMM1/2/7e28b950e7cfa99222e24b9043858c14
D IWEKAR , U., , et al. (2008). Introduction to Applied Optimization, Springer
Science
E L K HATTAM , W., B HATTACHARYA , K., et al. (2004). "Optimal investment
planning for distributed generation in a competitive electricity
133
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
market." Power Systems, IEEE Transactions on: Vol:19: (#3): 1674
1684
E L K HATTAM , W., H EGAZY , Y., et al. (2004). Stochastic estimation of the
contribution levels of customer operated distributed generation.
PowerEngineeringSocietyGeneralMeeting,2004.IEEE.
E L K HATTAM , W., S ALAMA , M. M. A., et al. (2004). "Distributed generation
technologies, definitions and benefits." Electric Power Systems
Research:
Vol:71:
(#2):
119128,
Consulta:http://www.sciencedirect.com/science/article/B6V30
4CB66X31/2/20ab777ac6baf34f048764eea0c5de20
F LOUDAS , C. A., , et al. (1995). Nonlinear and mixedinteger optimization:
Fundamentalsandapplications.NewYork,OxfordUniversitypress.
GAMS.,,etal.(2009).""TheGenearalAlgebraicModelingSystem(GAMS),"."),
Disponible.
G ONEN , T., F OOTE , B. L., et al. (1981). "Distributionsystem planning using
mixedinteger programming." Generation, Transmission and
Distribution,IEEProceedingsC:Vol:128:(#2):7079
G ONEN , T., R AMIREZ R OSADO , I. J., et al. (1986). "Review of distribution system
planning models: a model for optimal multistage planning."
Generation, Transmission and Distribution, IEE Proceedings C:
Vol:133:(#7):397408
G ZEL , T., H OCAOGLU , M. H., et al. (2009). "An analytical method for the sizing
andsitingofdistributedgeneratorsinradialsystems."ElectricPower
Systems
Research:
Vol:79:
(#6):
912918,
Consulta:http://www.sciencedirect.com/science/article/B6V30
4VGDNPX3/2/903bbe687e9e4782d45dd93fa53434bd
G ROSSMANN , I. E., B IEGLER , L. T., et al. (2004). "Part II. Future perspective on
optimization."Computers&ChemicalEngineering:Vol:28:(#8):1193
1218,
Consulta:http://www.sciencedirect.com/science/article/B6TFT
4BJWVHH1/2/e63c5c3fbe969970c1fce44d2cf41abe
H. S HAYEGHI , B. M., , et al. (2009). "MultiObjective Fuzzy Model in Optimal
Siting and Sizing of DG for Loss Reduction." International Journal of
ElectricalPowerandEnergySystemsEngineering:2:3
H AESEN , E., D RIESEN , J., et al. (2007). "Robust planning methodology for
integration ofstochasticgeneratorsin distribution grids." Renewable
PowerGeneration,IET:Vol:1:(#1):2532
H EGAZY , Y. G., S ALAMA , M. M. A., et al. (2003). "Adequacy assessment of
distributed generation systems usingMonteCarlo Simulation." Power
Systems,IEEETransactionson:Vol:18:(#1):4852
134
Bibliografa
I N S U , B., J IN , O. K., et al. (2004). "Optimal operating strategy for distributed
generationconsideringhourlyreliabilityworth."PowerSystems,IEEE
Transactionson:Vol:19:(#1):287292
J.A. D OMNGUEZ , J. M. Y., A.A. B AYOD , J.L. B ERNAL , M.J. V ELILLA , J. M UR , M.A. G ARCA ,
A. D IAZ (2002). Optimal Location of Small Generators in Weak
Networks with Optimal Operation. UNEXPO University, Urbanizacin
VillaAsiaPuertoOrdaz(Venezuela).
K ARKI , R., B ILLINTON , R., et al. (2003). Considering renewable energy in small
isolated power system expansion. Electrical and Computer
Engineering,2003.IEEECCECE2003.CanadianConferenceon.
K ATTI , P. K., K HEDKAR , M. K.,etal. (2007). "Alternative energy facilities based
on site matching and generation unit sizing for remote area power
Vol:32:
(#8):
1346
supply."
Renewable
Energy:
1362,:http://www.sciencedirect.com/science/article/B6V4S
4KNKBR61/2/9fbd322cfd36fe019066afe599508c7a
K EANE , A., O'M ALLEY , M., et al. (2005). "Optimal Allocation of Embedded
Generation on Distribution Networks." Power Systems, IEEE
Transactionson:Vol:20:(#3):16401646
K ENNEDY , J., F OX , B., et al. (2007). "Distributed generation as a balancing
resource for wind generation." Renewable Power Generation, IET:
Vol:1:(#3):167174
K EXEL , D. T., , et al. (1988). A novice's guide to micro Monte Carlo [load
forecasting]. Rural Electric Power Conference, 1988. Papers
Presentedatthe32ndAnnualConference.
K IM , T. E., K IM , J. E., et al. (2001). Voltage regulation coordination of
distributed generation system in distribution system. Power
EngineeringSocietySummerMeeting,2001.IEEE.
K ORONEOS , C., M ICHAILIDIS , M., et al. (2004). "Multiobjective optimization in
energy systems: the case study of Lesvos Island, Greece." Renewable
and
Sustainable
Energy
Reviews:
Vol:8:
(#1):
91100,
Consulta:http://www.sciencedirect.com/science/article/B6VMY
49KGXDJ1/2/c1da05aee0d693d0dcc80f6f511c40c1
K URI , B., L I , F., et al. (2004). Distributed generation planning in the
deregulated electricity supply industry. Power Engineering Society
GeneralMeeting,2004.IEEE.
L EITE DA S ILVA , A. M., M ARANGON L IMA , J. W., et al. (1991). Operational and
expansion planning of Brazilian systems based on probabilistic load
flow. Probabilistic Methods Applied to Electric Power Systems, 1991.,
ThirdInternationalConferenceon.
L EITE DA S ILVA , A. M., R IBEIRO , S. M. P., et al. (1990). "Probabilistic load flow
techniques applied to power system expansion planning." Power
Systems,IEEETransactionson:Vol:5:(#4):10471053
135
Planificacinptimadelageneracindistribuidaenredesdedistribucinde
energaelctrica
L INARES , P., R AMOS , A., et al. (2001). Modelos Matemticos de Optimizacin,
UniversidadPontificiaComillasMadrid.
M. A. G ALLEGO P RECIADO , T. G., J ESS P. P ECO , J UAN R IVIER , , et al. (2006). A mix
integer NLP approach for subtransmission expansion planning. I
Congreso de la Asociacin Espaola para la Economa Energtica
(AEEE),Madrid,Espaa.
M ARMIDIS , G., L AZAROU , S., et al. (2008). "Optimal placement of wind turbines
in a wind park using Monte Carlo simulation." Renewable Energy:
1455
Vol:33:
(#7):
1460,:http://www.sciencedirect.com/science/article/B6V4S
4PYJDYY2/2/2914f0030d904e693a900ea7151d2d4c
M ITTELMAN , H. D., , et al. (2008). ""Decision Tree for Optimization
Software"."),Disponibleen:http://plato.asu.edu/gude.html.
M UOZ G UEVARA , J. R., , et al. (2000). Optimization strategies for the
synthesis/design of highly coupled, highly dynamic energy systems,
VirginiaPolytechnicInstituteandStateUniversity.
N ARA , K., H AYASHI , Y., et al. (2001). Application of tabu search to optimal
placement of distributed generators. Power Engineering Society
WinterMeeting,2001.IEEE.
NEOS.,,etal.(2009).""NEOSGuide"."),
P APADOPOULOS , A., K ARAGIANNIDIS , A., et al. (2008). "Application of the multi
criteria analysis method Electre III for the optimisation of
decentralised energy systems." Omega: Vol:36: (#5): 766776,
Consulta:http://www.sciencedirect.com/science/article/B6VC4
4JWFMR42/2/63d5831d96fa83d50fa37afeb4e7cb1b
P APAEFTHYMIOU , G.,S CHAVEMAKER , P. H.,etal.(2006)."Integrationofstochastic
generation in power systems." International Journal of Electrical
Power
&
Energy
Systems:
Vol:28:
(#9):
655667,
Consulta:http://www.sciencedirect.com/science/article/B6V2T
4K42DN81/2/08f7d178e7cfc75d6b6495d17af6d140
P ELET , X.,F AVRAT , D.,etal. (2005). "Multiobjective optimisation ofintegrated
energy systems for remote communities considering economics and
CO2 emissions." International Journal of Thermal Sciences: Vol:44:
11801189,
(#12):
Consulta:http://www.sciencedirect.com/science/article/B6VT1
4HG6C9W1/2/4304db774b3cf4c86c8753e6d5953310
R AMIREZ R OSADO , I. J., D OMINGUEZ N AVARRO , J. A., et al. (2004). "Possibilistic
model based on fuzzy sets for the multiobjective optimal planning of
electric power distribution networks." Power Systems, IEEE
Transactionson:Vol:19:(#4):18011810
136
Bibliografa
R AO , S. S., , et al. (1996). Enginnering Optimization, John Wiley & Sons, Inc.,
Wiley Eastern Limited, Publishers and New Age International
Publishers,Ltd.
R EPO , S., L AAKSONEN , H., et al. (2005). "Statistical shortterm network
planning of distribution system and distributed generation." 15th
PowerSystemsComputationConference:
R OMERO , C. (1993). Teora de la decisin multicriterio: Conceptos, tcnicas y
aplicaciones.AlianzaUniversitariadeTextos.
R OSENTHAL , R. E., , et al. (2008). GAMS A users guide Washington, DC, USA,
GAMSDevelopmentCorporation
S ALAMAT S HARIF , S., S ALAMA , M. M. A., et al. (1994). Optimal model for future
expansion of radial distribution networks using mixed integer
programming.ElectricalandComputerEngineering,1994.Conference
Proceedings.1994CanadianConferenceon.
S INGH , C.,L AGO G ONZALEZ , A.,etal.(1985)."ReliabilityModelingofGeneration
Systems Including Unconventional Energy Sources." Power Apparatus
andSystems,IEEETransactionson:Vol:PAS104:(#5):10491056
S OROUDI , A. & E HSAN , M. (2010). "A distribution network expansion planning
model considering distributed generation options and techo
Vol:35:
(#8):
33643374,
economical
issues."
Energy:
Consulta:http://www.sciencedirect.com/science/article/B6V2S
504CNBC1/2/13ea9cda31c91eb01a113db1f16ff1aa
T ER G AZARIAN , A. G., K AGAN , N., et al. (1992). "Design model for electrical
distributionsystemsconsideringrenewable,conventionalandenergy
storage units." Generation, Transmission and Distribution, IEE
ProceedingsC:Vol:139:(#6):499504
W ANG , P. & B ILLINTON , R. (2001). "Timesequential simulation technique for
rural distribution system reliability cost/worth evaluation including
windgenerationasalternativesupply."Generation,Transmissionand
Distribution,IEEProceedings:Vol:148:(#4):355360
Y ANG , H., L U , L., et al. (2007). "A novel optimization sizing model for hybrid
solarwind power generation system." Solar Energy: Vol:81: (#1): 76
84, Consulta:http://www.sciencedirect.com/science/article/B6V50
4KR3H6R9/2/72cb1dad1eff909f8da37c02137874d4
Z ANGENEH , A., J ADID , S., et al. (2009). "Promotion strategy of clean
technologies in distributed generation expansion planning."
Vol:34:
(#12):
27652773,
Renewable
Energy:
Consulta:http://www.sciencedirect.com/science/article/B6V4S
4WTHB283/2/5b6f5109a9ae86744a4bdcb59c0fa39a
Z EINELDIN , H. H., E L F OULY , T. H. M., et al. (2009). "Impact of wind farm
integration on electricity market prices." Renewable Power
Generation,IET:Vol:3:(#1):8495
137