Tesis Doct Planif Optima Gene Dist

UNIVERSIDADDEZARAGOZA
DEPARTAMENTODEINGENIERIAELCTRICA
DOCTORADOENENERGIASRENOVABLESY
EFICIENCIAENERGTICA
PLANIFICACINPTIMADELAGENERACIN
DISTRIBUIDAENREDESDEDISTRIBUCINDE
ENERGAELCTRICA
Tesisdoctoral
presentadapor:
CarlosPonceCorral
dirigidapor:
Dr.JosAntonioDomnguezNavarro
Zaragoza,Espaa,Noviembre2010
PARA:
MIESPOSAELIZABETH
YMIHIJOMANUELALBERTO
PARAEMPEZARUNGRANPROYECTO,HACEFALTAVALENTIA.
PARATERMINARUNGRANPROYECTO,HACEFALTAPERSEVERANCIA
YELAPOYODELOSAMIGOS
AGRADECIMIENTOS
Al finalizar un trabajo tan arduo y lleno de dificultades como el desarrollo

de una tesis doctoral te lleva a concentrar la mayor parte del mrito que
hashecho.Sinembargo,elanlisisobjetivotemuestrainmediatamenteque
la magnitud de ese aporte hubiese sido imposible sin la participacin de
personas e instituciones que han facilitado las cosas para que este trabajo
llegue a un feliz trmino. Por ello para m es un verdadero placer utilizar
este espacio para ser justo y consecuente con ellos, expresndoles mis
agradecimientosyreconocimiento.
El agradecimiento ms profundo y sentido va para mi familia, mi esposa
Elizabeth y mi hijo Manuel Alberto. Porque sin su apoyo, colaboracin e
inspiracinhabrasidoimposiblellevaracaboestaduraempresa.
A mis padres, Lucrecia y Everardo (Q.P.D.), por su ejemplo de lucha y
honestidad. A mi suegra Lucia (Q.P.D) de quin siempre recib palabras de
aliento.
En el terreno profesional, quiero extender un sincero agradecimiento a
todas las personas que han contribuido directa o indirectamente en mi
formacincomoinvestigador.
DeboagradecerdemaneraespecialysinceraalDr.JosAntonioDomnguez
Navarro, mi director de tesis, por aceptarme para realizar esta tesis
doctoral bajo su direccin. Su apoyo y confianza en mi trabajo y su
capacidad para guiar mis ideas, no solo en el desarrollo de esta tesis, sino
tambin en mi formacin como investigador. Los buenos resultados y las
aportaciones de la tesis han sido por l. Espero en un futuro continuemos
realizandonuevosproyectosyenriqueciendonuestraamistad.GraciasJos
Antonio.
Quiero expresar mi ms sincero agradecimiento al Dr. Pedro Jodr por su
importanteapoyoparaelentendimientodelaparteestadsticademitesis.
No cabe duda que su participacin ha enriquecido el trabajo realizado y,
adems,hasignificadoelsurgimientodeunaslidaamistad.
Ha sido para m una experiencia enriquecedora trabajar contigo Hans,
gracias por tu paciencia, disponibilidad y generosidad para compartir tu
experiencia y amplio conocimiento en esta tesis y lo cual se ha visto
tambinreflejadoenlosbuenosresultadosobtenidos.MuchasgraciasHans
y espero que en el futuro la vida nos d oportunidad de compartir
impresiones.
Para mis compaeros de grupo, solo tengo palabras de agradecimiento,

especialmente por los buenos momentos, fue un camino largo y duro pero
esonotehaceolvidarlaimportanciadelcontactohumano.Quieroexpresar
un agradecimiento muy especial a mi gran amigo Durval, quin fue un
compaero siempre generoso y dispuesto como pocos, que compartimos
conocimientos y experiencias de tipo profesional y personal que fueron de
gran valor. Para el resto de mis compaeros: Edsn, Abebe, Juliana, Juan,
Juan Carlos y familia, Jos Atencio, Nazly, Gabriel y a ti Carmen quin a
pesar del corto tiempo que has estado con nosotros, has demostrado ser
unagranprofesionaldeampliagenerosidad.Milgracias.
Este agradecimiento va en especial a dos maestros y amigos que me han
brindadosiempresusabidurayapoyo,perosobretodosuamistad.AlDr.
Jos Ma. Yusta y al Dr. Jess Sallanz. Esperando que en el futuro sigamos
compartiendoimpresiones.
Pero si a alguien recuerdo con cario, es al grupo de mexicanos en
Zaragoza, con los cuales formamos un grupo con el que compartimos muy
buenos momentos durante nuestra larga estancia. Especialmente va
nuestro agradecimiento a Carlos y Mayra, Gaby y Juan, Alberto y Adela,
Jess, Miguel, Agustn y Margarita. Gracias por el gran apoyo que nos han
brindado.
Quiero hacer mencin especial al Grupo CIRCE por el apoyo que recib de
ellos.
Finalmente, debo agradecer al personal del Instituto de Ingeniera y
Tecnologa de la UACJ (Universidad Autnoma de Ciudad Jurez) por el
apoyoconcedidopararealizarmiestanciadoctoralenZaragoza,Espaa.
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
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
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
probabilistaconGD.50variacionesdelospesosy10
SimulacionesMonteCarlo.Paraelao5......................................94
probabilistaconalmacenamiento.50variacionesdelos
pesosy10SimulacionesM.C.Paraelao5.. ..............................94
probabilistaconGD.Paraelao20.. ..............................................95
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
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 .
fotovoltaico ubicadoennudo .
minihidrulico
ubicadoennudo .
Costedeinversindeunidadesdealmacenamiento
ubicadaennudo .
, ,
, ,
CoeficientedecosteanualdeO&Mporunidaddel
costedeinversindegenerador ubicadoennudo
.
costedeinversindegenerador ubicadoen
nudo .
costedeinversindegenerador
ubicadoen
nudo .
fotovoltaico ubicadoennudo .
Coeficientedecostedeinversindegeneradormini
hidrulico
ubicadoennudo .
Coeficientedecostedeinversinporpotenciaypor
energadeunidaddealmacenamiento instalada
enelnudo .
, ,
, ,
, ,
Coeficientedecostedeprdidasdelnea en
periodo .
Coeficientedecostedeprdidasanualesparalnea
.
costedeinversin , , dealmacenamiento en
nudo .
, ,
Coeficientesdelaaproximacinpolinmicadela
curvadepotenciassegnelfabricante.
, ,
Unidad
xvii
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
Capacidadmximadegeneradorelico ubicado
ennudo
Capacidadmximadegeneradorfotovoltaico
ubicadoennudo
Capacidadmximadegeneradorminihidrulico
ubicadoennudo
Capacidadmximadepotenciaaparentedeunidadde
almacenamiento instaladaenelnudo
,,
Potenciaaparentedesubestacin ubicadaennudo
enperiodo .
,,
Potenciaaparentedegeneradorelico ubicadoen
nudo enperiodo .
xix
energaelctrica
,,
,,
,,
Potenciaaparentetransportadaporlalnea en
periodo
Potenciaaparentedegeneradorfotovoltaico
ubicadoennudo enperiodo .
Potenciaaparentedegeneradorminihidrulico
Potenciaaparenteinyectadadelaredatravsde
subestacin ubicadaennudo enperiodo
Potenciaaparentedecargadeunidadde
,,
Potenciaaparentededescargadeunidadde
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 .
generadorfotovoltaico ennudo enelperiodo
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
GE NE RACI N DI STR I BUI D A EN LAS R E D E S DE

D I STR I BU CI N
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.
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
debe tener en cuenta en sus decisiones otros factores (impacto ambiental,

emisiones, precio de la energa, etc.) que pudieran tener la misma
importanciasisepiensaenelobjetivodeunsistemaelctricooenergtico
sosteniblequeaniveleuropeoesaltamentedeseable.
En consecuencia se entiende que son, por tanto, especialmente tiles el
desarrollo de modelos de planificacin de la generacin distribuida en
redesdedistribucinbasadosenmetodologadeoptimizacinmonobjetivo
y multiobjetivo, que tengan en cuenta la incertidumbre propia de
escenarios con alta penetracin de de generacin distribuida basada en
recursos renovables y el riesgo que toda planificacin a largo plazo
conlleva.
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.
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
variables que representan la generacin elica, la generacin hidrulica, la

generacinfotovoltaicaylademanda.
El modelo monobjetivo se extiende a un modelo de planificacin ptima
multiobjetivo y multiperiodo a largo plazo, donde los objetivos son:
minimizacin de los costes de de inversin y operacin del sistema;
, minimizacin de riesgo de
minimizacin de emisiones de
disponibilidad combustibles fsiles y minimizacin de importacin de
combustiblesfsiles.
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:
Minimizacin del coste de inversin de la generacin, el coste de

operacin y mantenimiento de la generacin y el coste de lneas de
distribucin
Minimizacin de las emisiones de

debidas a la utilizacin de
fuentesconvencionalesqueutilizancombustiblesfsiles
Minimizacindelcostedeimportacindecombustibles
energaelctrica
Minimizacin del riesgo derivado de la disponibilidad de los

combustiblesutilizados.
Se describen los mtodos principales para la solucin de modelos

multiobjetivo y se selecciona el mtodo de los pesos por ser el ms
conveniente de acuerdo a las expectativas del modelo. Tambin en el
captulo se describen los distintos mtodos de la decisin multicriterio y
se selecciona el mtodo que se aplicar para obtener las mejores
alternativasdetodaslassolucionesproporcionadas.
Captulo6.Enestecaptuloseaplicanlosmtodospropuestosaunaredde
distribucin. Primeramente se resuelve el modelo monobjetivo
determinista para diferentes escenarios , en el primer escenario la red no
tiene incluida Generacin Distribuida, en el segundo escenario se incluye
GeneracinDistribuidayeneltercerescenarioseincluyealmacenamiento.
Los mismos casos de estudio son aplicados con el mtodo monobjetivo
probabilista,dondelasvariablesaleatoriassonlademanda,lavelocidaddel
viento, la radiacin solar y el recuso hidrulico. En la siguiente seccin del
captulo se aplica el modelo multiobjetivo determinista, donde se incluyen
tresfuncionesobjetivo,minimizacindeemisionesde
,minimizacinde
importacindecombustiblesyminimizacindelriesgodelavolatilidadde
loscombustibles. Elltimo casode estudio que seaplica es conel mtodo
multiobjetivo probabilista, que de igual forma como con el mtodo
monobjetivo probabilista se introducen las los parmetros de la demanda,
velocidad del viento, radiacin solar y recurso hidrulico por sus
distribuciones de probabilidad. Todos los modelos son resueltos con
programacin lineal y a un horizonte de planificacin a largo plazo. En la
ltima parte del captulo se proporcionan las conclusiones finales
alcanzadasporlosresultadosdeloscasos.
Captulo 7. En este captulo se mencionan las principales aportaciones de
la tesis que fueron producto de la investigacin. Tambin se proponen
trabajosfuturosdeinvestigacinrelacionadosaestamemoria.
Anexo A. En este anexo mencionan las principales tecnologas utilizadas
paraGeneracinDistribuida.
AnexoB.Enesteanexoseproporcionanlosdatosdelasredesinvestigadas.
Los datos de la demanda son proporcionados como la demanda mxima,
demandamediaydemandamnimaencadanudodedemanda.Losdatosde
la configuracin de la red son proporcionados describiendo el tipo de
conductor utilizado y la configuracin existente, as como una
configuracinpropuesta.
Anexo C. En este anexo se presenta una clasificacin de las tcnicas de
optimizacinqueaparecenenestamemoriaysedescribenbrevementesus
fundamentos matemticos. Tambin se presenta de forma resumida el
software GAMS (General Algebraic Modeling System) que se utiliza como
herramienta de optimizacin para la aplicacin de los casos prcticos.
Captu lo 2
M OD E LOS D E PLAN I FI CACI N P TI M AD E GENE R ACI N

D I S T R I BU I D A E N R E D E S D E D I ST R I B U C I N
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.
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
tab. La funcin objetivo a optimizar es la minimizacin del coste de

generacinconpenalizacionesdebidasasobrecargasenlasramasycadas
de tensin en los buses. Las restricciones tcnicas son de operacin y de
variablesdecontrol.
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
energaelctrica
tiempo seleccionado. Las restricciones del modelo deben de satisfacer la

demanda punta de electricidad en todos los periodos ms un margen
considerable, adems de contemplar la energa exportada. Los lmites de
cada fuente de generacin deben de ser contemplados para que no sea
excedidalaproduccindeenergaanual.
GallegoPreciadoetal.[2006]proponenunmtododeoptimizacinparala
planificacindelaexpansindeunareddesubtransmisinamedioylargo
plazodeunareddesubtransmisin.Latcnicadeoptimizacinutilizadaes
programacin no lineal mixtaentera. La funcin objetivo minimiza el total
de costes obtenidos a partir de la suma del coste de inversin, ms los
costesdeoperacin.
KeaneyOMalley[2005]proponenunanuevametodologaparadeterminar
la localizacin ptima de generadores distribuidos a lo largo de la red de
distribucin. El objetivo es maximizar la generacin sujeta a las
restricciones de porcentaje de penetracin de energas renovables
impuestas por la Unin Europea como parte de la estrategia del Protocolo
de Kioto para reduccin del efecto invernadero. La funcin objetivo se
maximiza sujeta a restricciones, tales como: la corriente en las lneas no
debe exceder su capacidad mxima, la cantidad de generacin no debe
exceder el rango de los transformadores a su rango de voltaje ms alto, la
capacidad de cortocircuito no debe exceder los niveles de capacidad de los
equipos, el rango de cortocircuito de los generadores debe de estar de
acuerdoalniveldecortocircuitodelosbusescercanosacadagenerador,la
potencia del generador en el bus donde se instale debe ser menor que la
potencia disponible del recurso y mayor a la potencia instalada. Para
determinar la localizacin ptima de la Generacin Distribuida se utiliza
programacinlineal.
Un mtodo para regular la tensin en una red de distribucin radial con la
instalacindeGeneracindistribuidaespresentadoporKimyKim[2001].
Es utilizado un compensador para la cada de tensin en las lneas de
interconexin entre la red de distribucin y la Generacin Distribuida, el
cual permite mantener la tensin dentro de niveles previamente
establecidosoperandoelcambiadordetapsdeltransformadorprincipal.El
nivel de tensin de cada sistema de Generacin Distribuida puede ser
controlado en forma autnoma y descentralizada para llevar a cabo la
coordinacindelsistemaderegulacin detensindelsistemacompletode
distribucin.
Dicorato et al. [2008] utilizan el modelo de flujo de cargas ptimo, basado
en programacin lineal para evaluar la contribucin de produccin y
eficiencia de Generacin Distribuida. La funcin objetivo a optimizar
(minimizar)incluyecostesdebidosalaproduccindeenergaenpresencia
derestriccionestcnicasydepolticasenergticas.
Chaturvedy [2005] presenta un algoritmo gentico adaptativo fuzzy como
una posible implementacin para cualquier sistema de distribucin tipo
10
distribucin
radial. El algoritmo es desarrollado en tres etapas. La primera etapa

comprende una apropiada localizacin y dimensionamiento de las
subestaciones utilizando flujo de cargas, que permiten conocer las
tensiones en los nudos y las prdidas totales de potencia activa y reactiva.
En la segunda etapa son utilizadas reglas heursticas basadas en los
resultados de la simulacin del flujo de cargas de la etapa primera, un
apropiadonmerodelneasysuscorrespondientesnudossonencontrados.
En laterceraetapa la reconfiguracin dela red esobtenida demanera que
laestructurageneralpermaneceradialytodoslosnudosestnenergizados.
Un plan de minimizacin de prdidas y un plan de minimizacin de coste
son utilizados para minimizar las prdidas de potencia activa y lograr un
costemnimoqueincluyeelcostedeinversinyelcostevariable.
Nara et al. [2001] aplican la tcnica de Bsqueda Tab para encontrar la
localizacinptimadegeneradoresdistribuidosdesdeelpuntodevistade
minimizacindeprdidas.Elpropsitodeestainvestigacinesnicamente
proveer informacin acerca del tamao y correcta localizacin de la
GeneracinDistribuida,parasaberlacantidaddeprdidasqueselograran
reducir. Se asume que el tamao y la cantidad de los generadores son
conocidos, as como las caractersticas de las cargas, las cuales estn
distribuidasenformauniformealolargodelsistemadedistribucin.
Asakura et al. [2003] presentan un mtodo para la planificacin de la
expansin de la generacin, reconfigurando la red y construyendo nuevas
plantas de generacin. El mtodo considera un crecimiento natural de la
demanda e instalacin de clientes mayores. El mtodo primeramente trata
dereconfigurarelobjetivodelaredhaciendoswitcheo(abierto/cerrado)
para minimizacin de prdidas y analizando la seguridad de la red por
mediodeunanlisisdecontingencias.Silasrestriccionesdeoperacinson
violadas cuando la red es reconfigurada, entonces el mtodo intenta la
construccindeplantasdegeneracincandidatas.
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
energaelctrica
elicos y unidades de almacenamiento hidrulicas pertenecientes a

productores de potencia independientes. Cuando los productores
independientes estn presentes en el sistema, la operacin de los parques
elicos y de las unidades de almacenamiento hidrulicas deben estar bajo
acuerdos contractuales de compra y venta de la energa entre cada
productor y los generadores pblicos, as que, restricciones tanto fsicas
comoeconmicas deben sertomadasen cuentaparaunaoperacin ptima
del sistema. Tambin la coordinacin ptima de las fuentes renovables de
energa es examinada para obtener una ptima explotacin de las mismas.
Lafuncinobjetivoaoptimizar(minimizar)eselcostedeoperacin,quees
la suma de los costes de operacin de las fuentes de generacin
convencionales ms el coste impuesto por la operacin de los productores
independientes, sujeto a restricciones de balance de potencia, tanto de
reactiva como de activa en cada nudo del sistema, control del lmite de las
variables, as como lmites de seguridad. Otras restricciones son incluidas
en el modelo, como es el lmite de penetracin de la energa elica. Todas
las variables son linealizadas para obtener un modelo lineal. El modelo es
resuelto por un algoritmo Simplex utilizando rutinas provistas por la
libreramatemticaIMSL.
TerGazarianyKagan[1992]llevanacabolaoptimizacindeunsistemade
distribucindondeesconsideradaGD,enelcualseproponengeneradores
convencionalesygeneradoresnoconvencionalesquetienencaractersticas
aleatorias, adems se consideran unidades de almacenamiento para
soportar los periodos en los que los generadores no convencionales no
estn presentes. El modelo se optimiza utilizando un paquete de
optimizacinqueutilizaprogramacinlineal(LP).Lafuncinobjetivoesla
minimizacin del coste de instalacin de las fuentes convencionales
asociado a la capacidad de generacin ms el coste de operacin y
mantenimientoasociadoalcostedeenerga;enlafuncinobjetivotambin
son incluidos los costes fijos de las fuentes renovables. No se consideran
costes variables de las fuentes renovables, por asumirse energas con
costes de operacin y mantenimiento despreciables. Se consideran costes
fijos de las lneas de distribucin ms costes fijos de las unidades de
almacenamiento. Las restricciones consideradas son: 1) Balance de
potenciaenlosnudos(primeraleydeKirchhoff);2)restriccindebalance
de energa, donde las unidades de almacenamiento toman carga durante
periodos en que las fuentes renovables estn presentes y se descargan en
perodos cuando las fuentes renovables no estn presentes; 3) restriccin
de lmites de capacidad de generadores convencionales y renovables, as
comolmitedecapacidaddelneasdedistribucin.
KattiyKhedkar[2007]presentanunatcnicadeapoyoparadecisionesen
eldiseodeunsistemaelicosolarparaunaaplicacinautnoma.Eneste
sistema tambin existe almacenamiento. La generacin y almacenamiento
son dimensionados para abastecer la demanda anual en tres escenarios.
12
distribucin
Utiliza valores horarios promedio de la demanda, velocidad del viento y

radiacinsolar.
Atwa, ElSaadany et al. [2010] presentan un modelo para la localizacin
ptima de sistemas de almacenamiento en un sistema de distribucin
donde hay una gran penetracin de generacin elica. La metodologa
propuestasebasaenelalmacenamientodelaenergaproducidaexcedente
porlosgeneradoreselicos,locualsirveparaminimizarelcostedeenerga
anual. La meta del almacenamiento de energa para este sitio es buscar el
beneficio econmico para los propietarios independientes, as que deben
dimensionar apropiadamente la cantidad de energa excedida de los
generadoreselicos para queseaalmacenada.Mtodosdeprediccindela
demanda y de generacin elica son utilizados para conocer con cierta
precisintantolademandacomoelsuministrodeenergaproducidoanual.
2.3.2 Modelos probabilsticos de planificacin ptima de

generacindistribuida
Desde hace muchos aos la solucin de flujo de cargas ha tomado
parmetros de entrada representados conocidos. Cualquier cambio en los
valores de entrada requiere una nueva solucin del flujo de cargas.
Consecuentemente cualquier incertidumbre y variacin aleatoria debido a
erroresenelpronstico,salidasdegeneradores,etc.,noeranreflejadasen
los resultados del flujo de cargas. Una alternativa analtica que ha
alcanzadounnotableinterseselflujodecargasprobabilstico(PLF).
Allan y Leite Da Silva [1981] presentan una tcnica basada en Simulacin
Monte Carlo para mostrar los efectos de la no linealidad en las ecuaciones
de la red y el supuesto de que una distribucin normal para las variables
aleatorias es completamente fiable. El algoritmo que se utiliza es nuevo
paraelflujodecargasprobabilstico.
Allan et al. [1999] realizan una revisin de publicaciones relacionadas a
tcnicas probabilsticas para evaluacin de la fiabilidad de sistemas
elctricos.
Un modelo de fiabilidad probabilstico para un sistema radial con bajas
tasas de variacin de carga es presentado por Chowdhury et al. [2003].
Primeramente se calcula el mejoramiento de indicadores de fiabilidad,
especficamente la Energa Esperada No Suministrada (EENS) mediante el
refuerzo de lneas y adicin de subestaciones. Luego la metodologa
determina el equivalente de GD convencional a instalar como servicio para
alcanzarlosindicadoresdefiabilidadpreviamentecalculados,manteniendo
los requerimientos de carga dados. En esta metodologa se supone que la
ubicacindelaGDnoesrelevante.
Las generaciones mencionadas anteriormente son despachables. La
inclusin de generaciones no despachables, por ejemplo Generacin
Distribuida, en el modelo de interdependencia es tratado en Caramanis et
13
energaelctrica
al. [1982]. La interdependencia entre las demandas de carga y las

generaciones no despachables, son modeladas a travs de dos niveles, por
ejemplo en el tiempo de da o estacin, y temperatura. Estos dos niveles
cuentan con la interdependencia debido al fenmeno cclico (da, semana,
estacin) y el fenmeno aleatorio (temperatura, nubosidad, velocidad de
viento) relativo a la demanda de la carga y las generaciones no
despachables. El modelado de la interdependencia de la Generacin
Distribuida, por ejemplo, generacin de parques elicos, es de gran
importancia debido a que los generadores elicos estn correlacionados
con parques elicos adyacentes, debido a la velocidad similar del rea. La
interdependencia en modelado de la generacin estocstica es demostrado
enPapaefthymiouetal.[2006].
Hegazy et al. [2003] utilizan simulacin secuencial Monte Carlo para
evaluarlafiabilidaddeunsistemaquetieneunidadesconvencionalescomo
GD. La potencia total de todas las unidades de GD activas es tratada como
un proceso aleatorio debido a la naturaleza aleatoria del ciclo de
funcionamiento de la GD, es decir, las tasas de fallos y los tiempos de
reposicin. Se representa la operacin de la GD como un modelo de dos
estados. Los ciclos de operacin de todas las unidades de GD son
combinadosparaobtenerlacurvadedisponibilidaddecapacidaddelaGD.
Seguidamente, las curvas de disponibilidad de GD son sumadas a la curva
de capacidad de generacin centralizada para obtener la curva de
capacidad total disponible de generacin a cada hora. Posteriormente se
procede al clculo del promedio de cantidad de carga no abastecida por
hora (AUL), que es obtenida mediante la aplicacin del mtodo de
Simulacin Monte Carlo (MCS) para una gran cantidad de muestreos
anuales.Enbasealosresultados,seconcluyequeconlaimplementacinde
GD, el valor de AUL decae considerablemente. Adems se puede mejorar la
capacidad del sistema de distribucin en el caso de que la carga vaya en
aumento.
De acuerdo a Leite da Silva et al. [1991], el modelado de la carga debe ser
dividido en: 1) modelado a corto plazo, el cual toma en cuenta la
incertidumbre de factores sociales y medioambientales en la planificacin
de la operacin, y 2) modelado a largo plazo de la carga, el cual toma en
cuenta las incertidumbres de factores demogrficos y econmicos en la
planificacin a largo plazo. El modelado de la carga a corto plazo recoge
losvalorespicodiariosdeunasubestacincadadosmeses.Elmodeladode
lacargaalargoplazorecogelosvaloresdedemandapicoanual,observado
en una subestacin para un cierto nmero de aos, entonces un PLF es
llevado a cabo para obtener los estados del sistema utilizando ecuaciones
linealizadas de flujo de cargas. Los flujos de potencia en las lneas son
obtenidos desde los estados del sistema utilizando las ecuaciones clsicas
no lineales de flujo de cargas. Adems de la adecuacin de los ndices
anteriores, los resultados de la simulacin del PLF provee ms puntos de
vista que el estudio determinista convencional, como por ejemplo una
14
distribucin
alternativa de aumento de apoyo de la generacin de potencia reactiva en

lugardelaconstruccindeunalneaLeitedaSilvaetal.[1990].
EnRepoetal.[2005]sediscutelaplanificacinacortoplazodeunaredde
distribucin para tomar en cuenta el comportamiento estocstico de las
unidades de Generacin Distribuida. Los resultados de la simulacin
muestran la capacidad del mtodo de planificacin estadstico para
aumentar la capacidad de transferencia de la red en comparacin con el
tradicionalprincipiodeplanificacindelcasopeor.
En Buygi et al. [2003] se discuten 5 diferentes enfoques no determinista
para la planificacin de la expansin de la transmisin, incluyendo: PLF,
criterios de fiabilidad probabilstica, tcnicas de escenarios, anlisis de
decisinydecisionesdelgicafuzzy.
InSu et al. [2004] tambin desarrollan un mtodo utilizando simulacin
secuencial Monte Carlo para determinar la estrategia ptima de operacin
de la GD convencional incorporando la evaluacin del valor de fiabilidad
del sistema de distribucin. Utilizando datos de costes de interrupcin, se
evala la expectativa de coste promedio anual de interrupcin del servicio
elctricoparalospuntosdecargaespecficos.Paradeterminarlaestrategia
ptima de operacin de GD, se desarrolla un modelo donde la funcin
objetivoexpresaladiferenciadeloscostescombinados(costesdelservicio
elctrico,costesoperativosdeGDyloscostesdeEENS)paradosformasde
funcionamiento de las unidades de GD, cuando funcionan en el modo
estable y cuando funcionan en modo de recorte de punta de carga. De
acuerdo con los resultados obtenidos, se observa que el coste operativo
utilizando la valoracin horaria de fiabilidad es sensiblemente menor que
elcosteoperativoutilizandoelcostepromedioanualdeoperacin.Deaqu
seconcluyequeelcostedeinterrupcinhorariaesunndiceimportantede
fiabilidad para la determinacin de la estrategia de operacin ptima de la
GD.
Singh y LagoGonzalez [1985] presentan un mtodo para la evaluacin de
la fiabilidad de sistemas elctricos de potencia con fuentes de energa no
convencionales, teniendo en cuenta la naturaleza variable de la energa
producida por fuentes de energa renovables, como son la energa elica y
la energa solar. El mtodo combina las unidades generadoras
convencionales y no convencionales en grupos separados. De acuerdo a su
tipo de generacin convencional o no convencional se presentan como
subsistemas. Ambos subsistemas son modelados utilizando algoritmos
recursivos. El efecto de la fluctuacin en la potencia de salida de los
generadores fue incluido mediante la modificacin del modelo de
generacindelaunidadnoconvencional.LosvaloresdeLOLF(LossofLoad
Frecuency) y LOLE (Loss of Load Expectation) fueron calculados para una
hora y combinados en los modelos de sistemas de generacin, donde cada
subsistemafuetratadocomounaunidadmultiestado.Posteriormente,fue
aplicado el algoritmo de cumulantes para combinar los subsistemas y
15
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
distribucin
expansin de la generacin en una determinada rea, as como determinar

en qu perodo de tiempo estas fuentes deben entrar en operacin. Una
metodologa determinista es utilizada para conocer los requerimientos de
capacidad en la planificacin. Estas tcnicas asocian generacin hbrida y
no pueden ser extendidas para incluir fuentes fotovoltaicas o fuentes
elicas que tienen altos niveles de fluctuacin de capacidad. El nmero de
variables aleatorias y complejidad del sistema aumenta cuando las fuentes
de energa renovable son incluidas. El algoritmo de simulacin primero
compara el nivel de carga del sistema con la capacidad del subsistema
fotovoltaico y todos los despachos disponibles en este intervalo. La carga
restante es repartida entre los sistemas diesel y elicos en un rango
especificadoporrestriccionesimpuestassobreproblemasdeestabilidadde
las fuentes de energa elica, siempre despachando energa elica para
permitir una mxima penetracin. El mtodo desarrollado utiliza
SimulacinMonteCarlo.
Zeineldin et al. [2009] muestran una formulacin matemtica para
determinarentiemporealloscostesdeelectricidad.Modelosdeprediccin
deseriesdetiemposonutilizadasparainvestigarelimpactodelapotencia
del viento sobre los precios del mercado elctrico. Se lleva a cabo la
configuracin de una red compuesta por 6 buses de un sistema de
transmisin y 3 buses de un sistema de distribucin. Se supone que las
unidades de generacin operan con las mismas condiciones de velocidad
del viento. El sistema de distribucin est conectado al sistema de
transmisin por medio de un transformador elevador. El modelo es
implementado con el software de optimizacin GAMS. El problema es
formulado como un problema de programacin no lineal y fue resuelto
utilizando el solver MINOS. En particular los modelos de los
aerogeneradores fueron implementados en MATLAB . La herramienta de
prediccinMAEesutilizadaparalaprediccindelospreciosdelaenerga.
2.3.3 Modelos estocsticos de planificacin ptima de redes

dedistribucincongeneracindistribuida
La optimizacin estocstica es utilizada para tratar los problemas que
presentan datos y variables con incertidumbre, como es el caso de la
generacinelicaolaradiacinsolar.
BouffardyGaliana [2008]formulan un modelode optimizacinestocstica
para solucionar a corto plazo un problema capaz de tener en cuenta las
fuentes de generacin elica, que son no despachables y adems son
variables enelentornodel mercadoelctrico.Elprincipal beneficioes que
cuando es comparado el peor escenario determinista, se permite una gran
penetracin de generacin elica sin sacrificar seguridad. El objetivo del
problema es minimizar el coste social esperado. La restriccin tcnica
adoptada es la mxima penetracin de generacin elica, la cual va desde
un10%aun20%.
17
energaelctrica
Haesen y Bellmans [2007] presentan una metodologa de planificacin

robusta para la integracin de generadores en redes de distribucin. La
metodologa se basa en el mejoramiento de la precisin de la Simulacin
MonteCarloanidadoen unalgoritmoevolutivo mltiple.Los objetivos que
se persiguen son para evaluar las compensaciones adecuadas con respecto
aaspectostcnicosyeconmicos.
Alguaciletal.[2003]presentanunproblemadeplanificacindeexpansin
de la generacin a largo plazo de un sistema de transmisin. El modelo
considera prdidas y garantiza una convergencia ptima. El enfoque del
modeloutilizaparalasolucinprogramacinlinealmixtaentera(MIP).El
modelo es aplicado a Garvers 6bus system, the IEEE Reliability Test
Systemyaunsistemarealbrasileo.Losresultadosmuestranlaprecisin
y la eficiencia de la tcnica utilizada. El conjunto de restricciones incluye,
entre otras, restricciones dinmicas sobre variables de costes de inversin
yoperacin,ascomorestriccionesestticasnolinealesyconvexas.Debido
a esta inherente complejidad y a la falta de herramientas computacionales
adecuadas, el problema de expansin de la transmisin es hecho en dos
modelos simplificados relativos a aspectos dinmicos y estocsticos. La
funcinobjetivorepresentalasumadelcostedeinversindenuevaslneas
yelcostedeoperacindelasunidadesdegeneracin.Unsoloescenariode
demanda es considerado tpicamente correspondiendo a la demanda
mximadelhorizonteconsiderado.Tambinsonconsideradasrestricciones
debalancedepotenciaenlosnudosdepotenciainyectadaacadanudo,as
comorestriccionesdeoperacindelosgeneradores.
La incertidumbre en la prediccin de la demanda es actualmente un
problema para planificar la expansin de la generacin. Brignol y Renaud
[1997] utilizan una estrategia de descomposicin llamada tcnica de
relajacin Lagrangiana para una estructura de optimizacin estocstica. Se
construye un rbol de escenarios donde los costes son atribuidos en cada
nudo delrbol. Encadaiteracinparacadageneradorun subproblema ha
sido resuelto, el cual consiste en minimizar el coste promedio de
generacin sobre el rbol de escenarios de costes. Una optimizacin
determinista es llevada a cabo sobre una escala diaria con un modelo
detalladoderestriccionesdeoperacin.
Papadopoulos y Karagiannidis [2008] llevan a cabo la optimizacin de un
sistemadepotenciadescentralizado,determinandolacorrectapenetracin
defuentesdeenergarenovable(RES)dentrodelsistemadegeneracinde
la regin. Se utiliza el modelo denominado MultiCriteria Analysis Method
Electre III, el cual toma en cuenta la incertidumbre inherente a los datos
producidos por las predicciones y estimaciones, est basado en el axioma
decomparacinparcialdeacuerdoaqupreferenciasdebensersimuladas
teniendo en cuenta cuatro relaciones binarias: indiferencia, fuerte
preferencia,ligerapreferenciaysincomparacin.
18
distribucin
Kennedy etal. [2007] presentan un caso donde es utilizada la generacin

elica y generacin diesel para evaluar los beneficios con respecto al
impacto medioambiental. Se hace una prediccin de la generacin elica
para distintos escenarios futuros. Se comprueba que el uso de unidades de
generacindieseltieneuncostemenorquelosgeneradoreselicosparala
solucindeesteproblema.
ElKhattamanetal.[2004]presentanunmtodocuyoenfoqueeselanlisis
de la operacin de los clientes de Generacin Distribuida bajo una
perspectiva de incertidumbre. Un procedimiento aleatorio de transicin de
estado es utilizado para cubrir todos los posibles escenarios de operacin
del sistema. La nueva estructuracin del sistema puede incluir adems de
los componentes principales, distintas tecnologas de Generacin
Distribuidaendistintosemplazamientosyhorarios.Lasimulacindeseries
de tiempo es utilizada para representar la aleatoriedad de los ciclos de
operacin. Un modelo de dos etapas (posicin alta y posicin baja) es
utilizado para simular los ciclos de operacin utilizando un cdigo en
MATLAB.
2.3.4 Modelos multiobjetivo de planificacin ptima de

redesdedistribucincongeneracindistribuida
La optimizacin multiobjetivo es empleada cuando se requiere que el
problemaaoptimizartengaencuentamsdeunobjetivo.Conlaincursin
delasenergasrenovablesdentrodelossistemaselctricos,esposibleque
unodelosobjetivosdentrodelproblemaaresolversealaminimizacindel
impacto ambiental por las emisiones de gases de efecto invernadero, como
, etc. Otro objetivo a optimizar es la minimizacin del
son el:
,
riesgo que se tiene debido a la incertidumbre de los precios de los
combustibles fsiles. Algunos autores solamente incluyen el objetivo de la
minimizacindel
,sinembargohayotrosautoresqueincluyenmsde
dosobjetivos,lograndoconestoobtenerunaoptimizacinmsrobusta.
Abido [2009] presenta un trabajo de optimizacin multiobjetivo,
denominado MOPSO (MultiObjetive Particle Swarm Optimization), en el
cual implementa una tcnica para resolver el problema de medio
ambiente/despacho econmico. El enfoque propuesto amplia el problema
de optimizacin monobjetivo PSO (Particle Swarm Optimization), al
proponer nuevas definiciones de las mejoras globales y locales. En este
trabajo al igual que en otros problemas multiobjetivo con algoritmos
evolutivos, una tcnica de agrupamiento jerrquico es aplicada para llevar
acabolagestindelasmejoressolucionesdelconjuntoptimodeParetoy
adems un mecanismo basado en lgica difusa es empleado para la
extraccin de la mejor solucin compromiso. La tcnica fue probada en el
sistema de prueba Standard IEEE 30bus y los resultados son comparados
con las diferentes tcnicas de la literatura. Con esas comparaciones se
demuestra la eficacia y el potencial de MOPSO para la soluciones de
19
energaelctrica
problemas multiobjetivo para el despacho econmico en sistemas de

potencia.
Algunos de los problemas que hay en la actualidad en los sistemas
elctricosdepotenciasonlaviolacindelmitesymantenimientodetodos
los sistemas de seguridad. Esta situacin es descrita como un estado de
emergencia, y las acciones requeridas para su correccin son llamadas
acciones para control de emergencias o acciones de control correctivas.
Emergencia no necesariamente significa un colapso inmediato del sistema,
peroesunaaccinquerequierecorreccininmediata.Laaccincorrectiva
es una de las acciones que debieran ser tomadas en cuenta. Abou El Ela y
Spea [2009] presentan una solucin para la restauracin ptima de la
operacin del sistema de potencia para diferentes condiciones de
operacin.Losalgoritmosgenticos(AG)seaplicanparallevaracaboesta
optimizacin. Tres diferentes procedimientos basados en optimizacin
multiobjetivo con algoritmos genticos (MOGA) son utilizados para
optimizarlasaccionescorrectivasdecontrol:Elprimerprocedimientoest
basado en un switcheo de las lneas de transmisin y redespacho de la
generacin. El segundo procedimiento es utilizado para determinar la
ubicacinytamaoptimodelaGeneracinDistribuida,mientras,eltercer
procedimientoesutilizadopararesolverelproblemadedesbalanceodelas
cargasylageneracinutilizandoladesconexindecargas.
AlarconRodriguezatal.[2009]abordanunproblemadondeesutilizadoel
algoritmo
queesunacontinuacinextendidadel
.Losobjetivos
a optimizar son: minimizacin anual de prdidas en lneas
/
;
minimizacin anual de la energa despachada para servicios locales
auxiliares
/
;minimizacinanualdelaenergaprocedentedelas
fuentes renovables para garantizar una adecuada operacin de la red
/
; minimizacin de las emisiones de
de un equivalente
; minimizar el riesgo de la cada de tensin en algunos nudos

deinters;minimizarelniveldepenetracindelasfuentesrenovables.
ArlkanyGngr[2007]aplicanlateoradeconjuntosdifusosendecisiones
multicriterio, la cual fue utilizada primeramente por Bellman y Zadeh. En
este estudio un procedimiento de dos fases es utilizado para resolver un
problema multiobjetivo de programacin lineal difusa. El procedimiento
proporciona un enfoque de solucin prctica, la cul es una integracin de
la programacin paramtrica difusa y la programacin lineal difusa. El
concepto interactivo del procedimiento se realiza para llegar a soluciones
ptimas simultneas para todas las funciones objetivo para los diferentes
gradosdeprecisindeacuerdoalaspreferenciasdeldecisor.Enlaprimera
fasedelprocedimiento,unafamiliadevectoresdemodelosdeoptimizacin
se construye mediante el uso de programacin paramtrica difusa. Luego,
enlasegundafase,cadamodeloseresuelveporprogramacinlinealdifusa.
Las soluciones son ptimas y cada una de ellas es un plan alternativo para
laresolucindeldecisor.
20
distribucin
Cano [2007] presenta el problema de localizacin ptima de Generacin

Distribuida utilizando lgica difusa. Esta metodologa multiobjetivo tiene
encuentalaincertidumbre.Losobjetivosaconsiderarson:disminucinde
la cada de tensin, capacidad de cortocircuito, minimizacin del coste de
operacin y reduccin de prdidas. Son presentados algunos ejemplos en
sistemasdedistribucinradiales.
Koroneos et al. [2004] presentan una metodologa de optimizacin
multiobjetivo para la Isla de Lesvos en Grecia, donde varias fuentes de
energa renovable pudieran ser explotadas para satisfacer una parte de las
necesidades econmicas de la isla. Los criterios que deben de satisfacerse
son: impacto ambiental, demanda, coste, y restricciones de recursos. El
estudio plantea dos funciones objetivo: coste de inversin y efectos
medioambientales.Losdosobjetivosaminimizarestnenconflicto,yaque
cuando el coste disminuye el sistema opera aumenta la generacin con
fuentes convencionales y las emisiones producidas por las mismas
aumentan. Los resultados que se obtienen dan la posibilidad de que los
diseadores del sistema puedan seleccionar la mejor opcin de acuerdo a
las necesidades y reglamentaciones existentes. El modelo matemtico
construido indica que los generadores elicos pueden ser utilizados para
cubrir la demanda elctrica y los colectores solares pueden ser utilizados
para satisfacer las necesidades de agua caliente. Mientras la energa
geotrmicaylabiomasapuedenserutilizadasparacubrirunporcentajede
lademandadecalefaccin.
Pelet et al. [2005] muestran un diseo holstico y un mtodo de
planificacin particularmente para sistemas integrados de energa, los
cuales incluyen un gran nmero de parmetros. El mtodo permite
cuantificar parmetros econmicos y ecolgicos comparando soluciones.
Una representacin ptima de la curva de Pareto provee una visin de las
mejoressolucioneslacualesdeterminadautilizandouneficientealgoritmo
multiobjetivo. Los resultados del caso de estudio del sistema aislado
muestran siempre condiciones favorables solares, soluciones que incluyen
produccin solar trmica o fotovoltaica. El mtodo propuesto permite una
fcil evaluacin de la sensibilidad de las soluciones cambiando los precios
decombustible.
Ramrez y Navarro [2004] presentan un nuevo modelo probabilstico
basado en conjuntos Fuzzy para la planificacin multiobjetivo de redes de
distribucin. El modelo determina la localizacin y dimensionado ptimos.
Es utilizado un algoritmo metaheurstico basado en bsqueda Tab. El
modelotambinpermitedeterminarlareservaptimadelosalimentadores
que proveen la mejor fiabilidad al menor coste en la red de distribucin
para un nivel de robustez dado. El modelo posibilista multiobjetivo arroja
soluciones que simultneamente: minimizan el coste, maximizan la
fiabilidad y minimizan el riesgo de sobrepasar los lmites de capacidad de
potenciapermitidadelosalimentadoresysubestaciones,ascomoelriesgo
21
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
distribucin
concesin). La solucin del mejor esquema de planificacin entre el

conjunto de Pareto es hecha utilizando Simulacin Monte Carlo bajo
situaciones inciertas. Las tecnologas de Generacin Distribuida que son
consideradasson:convencionalesyrenovables,fotovoltaica,elica,celdas
de combustible, micro turbinas y turbinas de gas. Para evaluar la
efectividad del mtodo propuesto, un sistema de distribucin es utilizado
para planificacin de la expansin de la generacin bajo dos escenarios
medioambientales.
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
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)
24
Controldetensin
Cortocircuito
Estabilidad
proteccin
Prdidas
Fiabilidad
Radialidad
EENS
Flujoptimodecargas
Localizacinydim.
Minimizacindecoste
Criteriodeoptimizacin
Maximizacingeneracin
Almacenamiento
Fuentesrenovables
Publicacin
Convencional
Tecno
loga
GD
Expansindelageneracin
Tabla2.1
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
energaelctrica
Tabla2.3
TcnicasdeoptimizacindemodelosderedesdedistribucinconGD
(19742004)
MONO MULTI DETER PROBA TCNICADE

OBJ.
OBJ. MINST. BILST. OPTIMIZACIN
AdamsyLaughton(1974)
ProgramacinNoLineal
CrawfordyHolt(1975)
ProgramacinLineal
ProgramacinLinealMixta
HindiyBrameller(1977)
Entera
AllanyLeiteDaSilva
SimulacinMonteCarlo
(1981)
SinghyLagoGonzalez
(1985)
TerGazarianyKagan
(1992)
Entera
SalamatSharifetal.
(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
Alguaciletal.(2003)
Entera
Greatbanksetal.(2003)
AlgoritmosGenticos
Koroneosetal.(2004)
Entera
RamirezyNavarro(2004)
BsquedaTab
Heurstica
SimulacinMonteCarlo
Chaturvedy(2005)
AlgoritmosGenticos
KeaneyOMalley(2005)
ProgramacinNoLineal
PUBLICACIN
26
distribucin
Tabla2.4
TcnicasdeoptimizacindemodelosderedesdedistribucinconGD
(20062009)
PUBLICACIN
MONO
OBJ.
MULTI DETER PROBA TCNICADE

OBJ. MINST. BILST. OPTIMIZACIN
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.
3.1.1 Descripcin del problema de la planificacin de la

generacindistribuidaenredesdedistribucin.
El problema que se plantea parte de una red de distribucin existente la
cualtieneintegradaGeneracinDistribuidaabasedefuentesrenovablesy
unidadesdealmacenamiento.
El sistema de distribucin tiene la finalidad de suministrar la energa
necesaria demandada por las cargas conectadas a la red en cualquier
periododetiempodelhorizontedeplanificacin.
El horizonte de planificacin considerado es a largo plazo, del 2010 al
2020,siendoelao2010elperiodoactual.Losperiodossedenotarnenel
modelocomo .
En el problema que se plantea la generacin distribuida ser la encargada
de cubrir los requerimientos de la demanda durante los periodos de
planificacinsinmodificarlaestructuradelared,salvoencasosenquelos
flujos de potencia que transporten las lneas excedan sus lmites de
capacidadmxima.
29
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.
Los perfiles de la generacin renovable en el caso determinista se

obtuvierondedatoshistricos.
En elcaso del recurso elico se asume unpromedio anual de un 25% dela
potenciainstalada.Ademsseintroducealgnpicoquellegaal100%dela
generacin por la noche y un mnimo de 0% por la tarde, simulando as el
escenario peor cuando siempre hay un mximo de generacin cuando la
demandaesmnimayviceversa.
En el caso del recurso solar se tom como perfil base el da medio de
radiacinparaZaragoza,Espaa.Parasimulartambinenestecasoelpeor
caso, se introdujo un pico de 100% seguido por un mnimo de 0% durante
el medioda. En otro periodo se ajusta la potencia para respetar el
promedio anual que est alrededor de un 19% de la potencia mxima, lo
cualcorrespondeaunrecursodeunos1660kWh/kWppotenciainstalada.
Finalmente, para el recurso hidroelctrico se introduce un perfil similar al
elica de generacin media de un 30% de la potencia instalada, pero
asumiendounmnimode10%degeneracin.
EnlaFigura3.3serepresentanlosperfilesaplicadosenelmodelo.
31
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

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.
A continuacin se formula el modelo ptimo monobjetivo de la

planificacindelageneracindistribuidaenlasredesdedistribucin.
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.
Coste variable (coste de operacin). El coste de operacin es el coste

debidoalasprdidasymantenimientoenlared.Lasprdidasenlaslneas
dedistribucinsonnolineales,perolafuncinobjetivocorrespondientese
linealiza para obtener un modelo de optimizacin lineal. Esto es necesario
33
energaelctrica
para limitar el coste computacional cara al enfoque probabilstico que se

verenloscaptulossiguientes.
En la funcin objetivo del modelo se consideran los siguientes costes
variables:
CE
: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 .

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)
En el segundo ao, se considera un aumento de la demanda, lo cual tiene

comoconsecuenciaunareplanificacindelaredapartirdelaredexistente
en dicho ao y as cada ao. Se consideran tasas de reduccin de costes de
instalacin de las energas renovables y del almacenamiento mientras el
coste de energa comprada de la red sube. As, en cada paso de
replanificacinlageneracindistribuidasevuelvemsinteresante.
En el modelo, a partir del ao 2 slo se minimiza el coste de energa
asociado al aumento de los recursos. De esta manera se puede calcular un
costeanualigualqueen(3.2),peroconladiferenciadequeloscostesfijos
yvariablesnicamenteserefierenalaumentodelacapacidadenlared.
Como resultado se puede calcular un
anual total como la suma
ponderadadelasinstalacionesrealizadasenlosaosanteriores:
,
,
(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
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:
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)
Donde , , son los conjuntos de generadores elicos , fotovoltaicos
y minihidrulicos
, , , , , , , ,
son
los
coeficientes
de
coste
de
,
inversin en/
y
,
,
,
,
, las capacidades instaladas en
delosgeneradores , y
ubicadosennudo .
36

c)
Costedeinversindeunidadesdealmacenamiento
Elcostedeinversindelasunidadesdealmacenamientoestasociadocon
la capacidad mxima en kVA de la unidad de almacenamiento y esta
expresadoporlasiguienteecuacin:
, ,
, ,
(3.10)
Donde:
Conjuntodeunidadesdealmacenamiento .
, ,
, ,
Coeficientes de coste de inversin por potencia en/
y por energa en/

de unidad de almacenamiento
instaladaenelnudo .
Capacidadmximadepotenciaaparenteen
dealmacenamiento instaladaenelnudo .
deunidad
Capacidad mxima de energa en

de unidad de
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 .
,,
Preciodeenergaen/
Energa comprada a la red en

ubicadaennudo enperiodo .
a travs de subestacin
37
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
Coeficiente de coste de prdidas anuales en/

lnea .
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

Figura3.4
Linealizacindecostesvariables
A continuacin se muestra la formulacin para los costes anuales totales

linealizadossegnlaliteraturaGonenetal.,[1981]:
0,75
(3.14)
En derivacin de (3.14), en el modelo, el coste de operacin de la lnea

elctricasecalculacomocosteporperiodo segnlasiguienteexpresin:
,
, ,
(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
energaelctrica
c)
Costedeoperacindelosgeneradoresrenovables
El coste anual de operacin de la generacin renovable se determina en el

modelo con un coeficiente de coste variable anual asociado al coste de
inversindelgeneradorencuestinysedefineporlasiguienteexpresin:
, ,
(3.17)
(3.18)
(3.19)
Donde , , son los conjuntos de generadores elicos , fotovoltaicos y

minihidrulicos
, , , , , , , ,
, son los coeficientes de coste anual
de O&M por unidad del coste de inversin , ,
, y
, de los
generadores , y
ubicadosennudo .
d) Costedeoperacindeunidadesdealmacenamiento
El coste de operacin de las unidades de almacenamiento se calcula
mediante el coeficiente de coste variable
, , y se supone que es
proporcionalalaenerga , , servidaporlaunidaddealmacenamiento.El
coeficientedecosteenprimeraaproximacinseasumecomounaconstante
que engloba los costes derivados de diferentes aspectos de la operacin y
mantenimiento:
Costedeoperacinymantenimientorutinario
Costedelaprdidadeenergadebidoalaeficienciadelainstalacin,
incluyendoelalmacenamientomismo,elinversoryelcableado.
Coste por reemplazamiento de componentes ms grandes de la

instalacin con una vida til menor que la proyectada de la
instalacincompleta.
,
, ,
, ,
, ,,
(3.20)
Con:
, ,,
,,
, ,,
,,
, ,,
(3.21)
Donde:
, ,
40
Coeficiente de coste anual de O&M por unidad del coste de

inversin , , dealmacenamiento ubicadoennudo .
Preciodelaenerga/
enperiodo .

, ,,
Energa perdida en
nudo enperiodo .
de almacenamiento
ubicado en
,,
Potencia aparente de carga en

de unidad
,,
Potencia aparente de descarga en

de unidad de
, ,,
E ficiencia de carga de almacenamiento ubicado en nudo en

periodo .
, ,,
Eficienciadedescargadealmacenamiento ubicadoennudo
enperiodo .
de
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
En esta restriccin de igualdad es aplicada la primera ley de Kirchhoff,

donde la suma de potencias que son inyectadas en los nudos de la red es
igualalasumadepotenciasquesalendelosnudosdelared.Laspotencias
inyectadas en los nudos de la red son: los flujos de potencia que
transportanlaslneasqueseincluyenenelmodelosuponiendoflujosenun
sentido y en el otro, en el modelo de optimizacin uno de los flujos ser
nulo,lapotenciainyectadaporlosgeneradoreselicos,fotovoltaicos,mini
hidrulicos y las unidades de almacenamiento (capacidad de carga y
capacidaddedescarga).
,,
,,
,
,,
,,
,,
,,
(3.22)
,,
Donde , eslademanda,
, y
, lasprdidasenlaslneasendireccin
y ,
, , y
, , las potencias de descarga y carga y
, , la potencia
deprdidasen
deunidadesdealmacenamiento ubicadasennudo .
41
energaelctrica
3.2.2.2
Modelodelestadodecargadelalmacenamiento
Las unidades de almacenamiento son integradas en las redes de

distribucin para soportar los periodos de mxima demanda o para
almacenar excedentes de energa producida por los generadores
distribuidos. Los ciclos de carga y descarga de las unidades de
almacenamiento son introducidos en el modelo suponiendo que son
completados en el perodo . La eficiencia de estas unidades se compone
por las eficiencias de carga y descarga del mismo dispositivo de
almacenamiento ms las prdidas de energa en el cableado y en el
inversor.
Para modelar adecuadamente el almacenamiento, es necesario introducir
un modelo del estado de la carga
. Aqu slo se contempla la energa
efectiva almacenable, por lo cual los lmites de carga y profundidad de
descarga estn en un 100% de la capacidad de cada unidad. Posibles
restricciones en este sentido se pueden tomar en cuenta a la hora del
dimensionamiento final de cada unidad en funcin de la tecnologa
empleada.
Los ciclos de carga y descarga se definen a travs del estado de carga
, , de cada unidad de almacenamiento ubicada en nudo para cada
periodo :
,,
,,
,,
,,
(3.23)
Donde:
,,
,,
Estado de carga en
, , Energa
cargada/descargada en
de unidad de
Con:
,,
,,
,,
,,
, ,,
, ,,
(3.24)
(3.25)
Donde
y , , , y
, , y
, , sonlaspotenciasdecargaydescargaen
, , las eficiencias de carga y descarga de unidad de almacenamiento
Adems se asume que un ciclo completo de carga y descarga se termina en
unda.Porlocualelestadodecargainicialyfinalsefijaencero.
42

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
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
Las potencias de carga y descarga y el estado de carga

se
encuentran entre lmites mnimos y mximos que son resultado de la
optimizacin.Seintroducenenelmodeloconlassiguientesexpresiones:
,,
,,
,,
,
,
(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
La tensin en los nudos debe de permanecer dentro de intervalos tcnicos

permitidos, para el funcionamiento adecuado de los equipos. En sistemas
43
energaelctrica
de distribucin estos lmites se encuentran entre 5%. La tensin en los

nudossedefineenelmodeloconlassiguientesexpresiones:
a) Valoresinicialesdetensin
Para asegurar un modelo lineal, se requiere una inicializacin de los las
tensionesenlassubestacionesyenlosgeneradores.
,
,
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 .
En la red de distribucin, el requerimiento de tensiones mnimas y

mximas de establece en cada nudo en funcin de las necesidades de
calidad de energa en este nudo. En el modelo que se presenta se han
asumidounoslmitesde 5%delatensinnominal .
c)
Cadadetensinenlneas
Lacadadetensinenlaslneasdefinelatensinencadanudodelareden
cuestin.
Donde:
Tensinen
ennudoemisor .
Tensinen
ennudoreceptor .
Impedanciaenenlnea .
Corrienteen quecirculaenlnea .
44
(3.37)
Captu lo 4
PLANI F I CACI N BAJO I NCE R TID UM BRE D E LA

G E N E R AC I N D I S T R I B U I D A E N RE D E S DE D I S T RI B U C I N
D E E N E R G A E L C T R I C A
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
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
Para introducir en el modelo se utiliza la inversa de la funcin de

probabilidad de la normal o de la funcin que se ajuste a la serie de
demanda. En el anexo D se proporcionan las funciones de probabilidad
utilizadasenlosdistintoscasosdeestudio.
47
energaelctrica
4.2.2 Generacinelica
Una expresin generalizada para caracterizar la velocidad del viento en
formaestadsticaeslafuncindedensidaddeprobabilidadWeibull:

(4.2)
Donde:
Factordeforma.
Factordeescala.
Para introducir esta variable aleatoria (velocidad del viento) se utiliza la

funcindeprobabilidadinversa.
log 1
(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.
Para introducir la aleatoriedad de la potencia del aerogenerador en el

modelo, se genera para cada ciclo de Monte Carlo una velocidad de viento
respetando la distribucin de Weibull, cuyos parmetros se obtienen a
travsdeseriestemporalesdedatosdevientodelemplazamientodondese
vainstalarelaerogenerador.
48
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
tanto, la potencia del generador se determina a partir de su curva de

potenciadadaporlassiguientesexpresiones:
0;
, ;
0;
,,
0
,
,,

,,
,,
,,
(4.5)
Donde:
,
Potencia probabilista en
producida por el generador
Velocidad del viento probabilista en

ubicadoennudo .
del generador
, , Coeficientes de la aproximacin polinmica de la curva de

potenciasegnelfabricante.
Velocidadnominaldelgeneradorelico.
Velocidadcutindelgeneradorelico.
Velocidadcutoutdelgeneradorelico.
ElresultadoeslapotenciamediadiariaconsideradaparaelciclodeMonte
Carlo. Los valores por periodo de tiempo se obtienen aplicando un perfil,
similaralperfilempleadoenelcasodeterminista.
49
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.
La funcin Indicador asegura que slo valores de en el intervalo 0,1

tienenprobabilidadnocero.
Como se puede ver en (4.14), la funcin Beta B , es simplemente la
integraldeltrminoenelnumeradorde(4.6),elcualnormalizalaintegral
de
enelintervalode 0.1 .
Los parmetros a y b de la funcin de densidad de probabilidad puede ser
calculado directamente desde la media y la desviacin estndar y
viceversa. Las ecuaciones correspondientes a la relacin de la media y la
desviacinestndarvienedadoporlasrelaciones:
(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
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
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)
Donde es la desviacin estndar, el promedio y el parmetro que

definelacoladeladistribucin.
Apartirdelosdatoshistricos(ver Figura4.4)sehaceelajusteusando la
funcin de probabilidad Generalized extreme value distribution. En la
Figura 4.5 se muestra la curva que representa dicha funcin de
probabilidad.Losparmetrosobtenidosson:
k=0,6,
52
0,6
1,05
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
Para simular el caudal del recurso hidrulico se utiliza la inversa de la

funcin,queeslasiguiente:
Para introducirla en el modelo se utiliza la inversa de la funcin de
probabilidad:
log
(4.13)
Una vez generadas las distribuciones de probabilidad de las variables

aleatorias se introducen en el modelo para estimar la potencia de los
generadores a instalar. A continuacin se procede a la formulacin
matemticadelmodeloptimomonobjetivo.
53
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)
4.3.1.1
Costesdeinversin
Los costes de inversin de las lneas , de los generadores de energa

renovable ,
y del almacenamiento se calculan de la misma
formacomoenelmodelodeterminista,explicadoenelCaptulo3.Lanica
diferenciaesqueahorasetratadecostesprobabilistas,representadosaqu
conletrasdedobletrazo: ,
,
, .
4.3.1.2
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 .
,,
Energa comprada a la red en

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
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
se calcula de manera anloga al coste variable determinista, slo con la

diferenciaqueahoralaenergaservidaesprobabilista.
,
, ,
, ,
, ,,
(4.20)
Con:
, ,,
,,
, ,,
,,
, ,,
(4.21)
Donde:
, ,
Preciodelaenerga/
, ,,
enperiodo .
Energa perdida probabilista en

de almacenamiento
,,
Potencia aparente probabilista de carga en

de unidad de
,,
Potencia aparente probabilista de descarga en

de unidad
dealmacenamiento ubicadaennudo enperiodo .
, ,,
Eficiencia de carga de almacenamiento ubicado en nudo en

periodo .
, ,,
Eficienciadedescargadealmacenamiento ubicadoennudo
enperiodo .
56
Coeficiente de coste anual de O&M por unidad del coste de

inversin , , dealmacenamiento ubicadoennudo .
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
En esta restriccin de igualdad es aplicada la primera ley de Kirchhoff,

donde la suma de potencias que son inyectadas en los nudos de la red es
igual a la suma de potencias que salen de los nudos de la red. Dichas
potencias son: los flujos de potencia que transportan las lneas que se
incluyen en el modelo suponiendo flujos en un sentido y en el otro (figura
3.3), en el modelo de optimizacin uno de los flujos ser nulo, la potencia
inyectada por los generadores elicos, fotovoltaicos, minihidrulicos y las
unidadesdealmacenamiento(capacidaddecargaycapacidaddedescarga).
,,
,,
,
,,
,,
,,
,,
(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
El modelo probabilista del estado de carga del almacenamiento es anlogo

al modelo determinista desarrollado en el captulo anterior, slo con la
diferenciaqueahoralasenergasypotenciassonvariablesprobabilistas.
Los ciclos de carga y descarga se definen a travs del estado de carga
probabilista
, , :
,,
,,
,,
,,
(4.23)
Donde:
,,
,,
Estado de carga en
, , E nerga
cargada/descargada en
de unidad de
57
energaelctrica
Con:
,,
,,
Donde
, , y
descargaen
y
4.3.2.3
,,
,,
, ,,
,,
,
, ,,
(4.24)
(4.25)
son las potencias aparentes probabilistas de carga y

, , y , , laseficienciasdecargaydescarga.
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:
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)
,,
,,
0
Donde
y
,,
(4.31)
(4.32)
(4.33)
,
,
y
, sonlaspotenciasmximasdecargaydescargaen
lacapacidadmximaefectivadeenergadeunida
,
4.3.2.4
Definicindelatensinenlosnudos
La tensin en los nudos debe de permanecer dentro de intervalos tcnicos

permitidos,paraelfuncionamientoadecuadodelosequiposensistemasde
distribucinestoslmitesseencuentranentre 5%.Latensinenlonudos
sedefineenelmodeloconlassiguientesexpresiones:
a) Valoresinicialesdetensin
Demaneraanlogaalcasodeterministalastensionesinicialesenlosnudos
sedefinenigualalatensinnominaldelared .
b) Lmitedetensinennudos
La tensin en cada nudo debe estar entre los lmites
previamentedefinidos:
(4.34)
Donde:
Tensinen
ennudo .
Lmitedetensinmnimaen
ennudo .
Lmitedetensinmximaen
ennudo .
De manera anloga al caso determinista se han asumido unos lmites de

5%delatensinnominal .
c)
Cadadetensinenlneas
Lacadadetensinenlaslneasdefinelatensinencadanudodelareden
cuestin.
(4.35)
Donde:
Tensinen
ennudoemisor .
Tensinen
ennudoreceptor .
Impedanciaenenlnea .
Corrienteen quecirculaenlnea .
59
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
Figura4.6
DiagramadeflujodeSimulacinMonteCarlo
61
Captu lo 5
O P TI M IZ ACI N M ULTI OBJE TI VO D E GENE R ACI N

D I S T R I BU I D A E N R E D E S D E D I ST R I B U C I N
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:
Donde es una solucin (vector de decisiones), el dominio de las

soluciones, elnmerodelasfuncionesobjetivoycadaunode
1,
2, , representa un objetivo. Los trminos y son respectivamente,
lasrestriccionesdeigualdadydedesigualdad.
63
energaelctrica
Un modo de afrontar el problema de la optimizacin multiobjetivo fue

introducido por el economista italiano Vilfredo Pareto en el siglo XIX. Tal
mtodo est basado en el concepto de las soluciones no dominadas
(tambinllamadanoinferior 1).Unasolucindeunproblemamultiobjetivo
esllamadanodominada,sinoexisteotrasolucinquegaranticeunvalor
mejordetodoslosobjetivos.SedefineporconjuntodeParetoellugarde
todaslassolucionesnodominadas.
Los pasos que deben de seguirse para resolver un problema multiobjetivo
son:
1. Definicindelasfuncionesobjetivo
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:
1Solucin no inferior (o no dominada): Una solucin no inferior
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)
Donde son los pesos asociados a cualquiera de las funciones objetivo

(subobjetivos), son las soluciones (vector de las decisiones) yel
dominio de las soluciones. Los trminos y son, repectivamente, las
restriccionesdeigualdadydedesigualdaddelproblema.
En el caso ideal, cualquier mnimo global de la funcin objetivo con escala
definida mediante la suma ponderada con su conjunto particular de pesos,
representa un punto en el frente de Pareto. Un modo simple para
determinar el frente de Pareto de un problema para reducir el mnimo de
varias combinaciones de los subobjetivos, es haciendo variar
sistemticamente los pesos y resolviendo de nuevo el problema de
optimizacin[Carpinelli,Cellietal.,2001].
En el caso ideal, el mnimo global de la funcin objetivo representa un
punto en el frente de Pareto. Este mnimo est asociado a un conjunto
particulardepesos.UnmodosimpleparadeterminarelfrentedeParetode
un problema es reducirlo a la bsqueda del mnimo de varias
combinaciones de los subobjetivos. Esto se consigue haciendo variar
sistemticamente los pesos y resolviendo de nuevo el problema de
optimizacin[Carpinelli,Cellietal.,2001].
Este mtodo requiere por tanto la resolucin de un elevado nmero de
problemas de optimizacin para la definicin del conjunto de Pareto, al
menos que sea suficiente la resolucin de un nmero limitado para tener
unaideaaproximadadelaevolucindelfrentedePareto.
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
energaelctrica
Costesdeinversinydeoperacin.
EmisionesdeCO 2 .
Riesgodedisponibilidaddecombustibles.
Riesgodeimportacindecombustibles.
A continuacin se formulan las funciones objetivo del problema de la

planificacin ptima de la Generacin Distribuida (GD) utilizando la
optimizacinmultiobjetivo.
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
La tercera funcin objetivo

importadoautilizar:
66
minimiza la cantidad total de combustible
distribucin
(5.4)
Donde:
,
,
,
d) Minimizarelriesgodepreciosdeenerga
Este objetivo minimiza la exposicin de la volatilidad del precio de la
energaenlasdecisionesdelaexpansin.
,
,,
(5.5)
Donde:
Coeficiente esperado de variacin en precios de combustible

tipo enelperiodo utilizadoparaminimizartalexposicin.
,,
Energaimportadaalaredatravsdesubestacin .
5.4.2 Formulacincompletadelmodeloptimodeterminista
multiobjetivo
Lafuncinobjetivoglobalquedaexpresadadelasiguienteforma:
min
(5.6)
Aplicando el mtodo de los pesos para la solucin, se obtiene la funcin

objetivoglobal:
min
(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
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.
5.5.1 Descripcin de las funciones de los subobjetivos

probabilistas
a) Minimizarelcostedelsistema
Laprimerafuncinobjetivo
eselcosteanual(costesdeinversinyde
operacin) del sistema y coincide exactamente con el modelo determinista
probabilistadescritoenCaptulo4.
(5.8)
b) Minimizarlasemisionesde
La segunda funcin de subobjetivo se formula de forma anloga al caso

determinista, slo que ahora la energa importada a la red , , es una
variableprobabilista.
,,
,,
(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
La tercera funcin objetivo minimiza la cantidad total de combustible

importadoautilizar:
,
(5.10)
Donde:
,
,
,
68
.
distribucin
d) Minimizarelriesgodepreciosdeenerga
Este objetivo minimiza la exposicin de la volatilidad del precio de
combustiblesenlasdecisionesdelaexpansin.
,
,,
(5.11)
Donde:
,
,,
Coeficiente esperado de variacin en precios de combustible

tipo enelperiodo utilizadoparaminimizartalexposicin.
Energaimportadaalaredatravsdesubestacin .
5.5.2 Formulacin
completa
multiobjetivoprobabilista
del
modelo
ptimo
Aplicando el mtodo de los pesos, el modelo multiobjetivo probabilista

quedaformuladoporlasiguienteexpresin:
min
(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
energaelctrica
La definicin tcnica puede ser la siguiente: sea un problema de

optimizacinmultiobjetivo.Sediceentoncesqueunasolucin esPareto
ptima cuando no existe otra solucin tal que mejore en un objetivo sin
empeorarelotro.
Los conceptos de dominio y optimizacin de Pareto, se definen a
continuacinenlaaplicacindeunproblemademinimizacin.
DominanciadePareto:
Dado un vector
vector =
, se dice que domina a otro

si y solo si:
y
.
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
distribucin
Enla Figura5.1serepresenta,contrazo grueso,el FrentedeParetodeuna

funcincondosobjetivos.ElreacoloreadaTrepresentalassolucionesde
dicha funcin objetivo. Se puede observar que no existe ningn punto
perteneciente a T que mejore en el sentido de Pareto a algn punto del
Frente: eligiendo un punto de T de forma arbitraria, por ejemplo , se
puede trazar la vertical hasta obtener el punto de corte con el Frente de
Pareto,en estecaso ;dichopuntode cortetendr el mismo valorde y
un valor mejor de . Tambin se puede observar que para dos puntos
cualesquiera del Frente de Pareto, nunca habr uno que mejore de forma
simultnea los dos objetivos respecto al otro punto. Cogiendo por ejemplo
los puntos y , se observa que para mejora , pero a costa de
empeorar (seestaconsiderandouncasodeminimizacin).
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
RE SULT AD OS C OM P UTACI ONALE S D E UN CASO P RCTI CO
6.1 Introduccin
En este captulo se aplican los modelos desarrollados en los captulos

anteriores a un caso de estudio prctico. Tres escenarios son realizados
paracadaunodelosmodelos.
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
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
10
11
12
13
14
15
75
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
10
11
12
13
14
15
76

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
energaelctrica
el ao 7 el coste empieza a disminuir y despus aumenta ligeramente a

partir del ao 10. Esta evolucin del coste total explica y est de acuerdo
conlaevolucindelcostedelaenergacomentadosobrelaFigura6.2.
10000
Convencional
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

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
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
En la grfica de la figura 6.7 se muestra la energa excedente cuando se

conecta generacin distribuida y cuando se instala adems
almacenamiento. Con el escenario donde est instalada nicamente
Generacindistribuidalaenergaexcedenteesmuyalta, llegandoa lmites
importantes. Cuando se instala adems almacenamiento la energa
excedente tiende a desaparecer durante el sptimo ao. Este hecho es el
responsabledeladisminucindecostesenlaexpansindelageneracin.
80

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
energaelctrica
En la figura 6.8 se muestra la evolucin del coste de la energa durante los

periodos de la planificacin con un nico escenario donde est incluida la
Generacin Distribuida ms el almacenamiento. El coste de la energa
aumentadesdeelao2alao 8.Despusdeeseaoelcoste delaenerga
disminuye bruscamente coincidiendo con la introduccin del
almacenamiento. En los aos del 13 al 20 el coste de la energa es menor,
pero hay ms incertidumbre en el coste lo cual viene representado en la
figuraporunabandamsanchayconmenordensidaddesoluciones.
En la figura 6.9 se muestra la evolucin del coste total del sistema de
distribucin,enelescenariodondeseincluyenlosgeneradoresrenovables
ylossistemasdealmacenamiento.Laevolucinesmsrpidahastaelao
7 y despus aumenta ms suavemente, de igual forma que en el modelo
determinista. A diferencia del modelo determinista, en el modelo
probabilista las simulaciones Monte Carlo nos permiten obtener una gran
cantidad desolucionesdeterministasa losdiferentesproblemassimulados
y por tanto conocer la variabilidad que se puede esperar en el futuro. Los
primeros aos la variabilidad es menor y a lo largo de los aos aumenta
dichavariabilidadenelcostetotaldelassoluciones.
Lasprdidasenlaslneassonrepresentadasconelhistogramadelafigura
6.10.Enlosprimeros5aoslasprdidassonmuyaltas,conlaintroduccin
de las energas renovables hay una disminucin entre los aos 5 al 8, para
permanecer constantes hasta el ao 13 y nuevamente se presenta una
tendencia de disminucin importante coincidiendo con la introduccin del
almacenamiento. Otro aspecto destacable es que la variabilidad de las
prdidas es similar a lo largo de los aos, mantenindose en una banda
estrecha.
0.16
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

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
energaelctrica
En la figura 6.11 se muestran las prdidas en el almacenamiento en

porcentaje de la energa total consumida en la red. En los primeros 7 aos
no hay almacenamiento. Las prdidas en el almacenamiento comienzan en
elao8ydeahsevanincrementandohastaqueenao15seestabilizany
permanecen constantes. Los primeros aos con almacenamiento, desde el
ao8al15, la variabilidad de lasprdidasenelalmacenamientoesalta.A
partir del ao 15 y coincidiendo con la entrada de la generacin
fotovoltaicadisminuyedichavariabilidad.
Enlafigura6.12semuestralaenergatotalgeneradaalolargodelosaos
del horizonte de planificacin, en los primeros aos la frecuencia de los
escenariosesmayoryenlosltimosaosaumentanlosescenariosposibles
por lo que la variabilidad es mayor. El aumento de la energa total sigue el
aumentodelademandaentodoslosperiodosselaplanificacin.
En la figura 6.13 se muestra la participacin de las tecnologas en el coste
total. A diferencia del mtodo determinista hay ms participacin del
almacenamiento a partir del octavo ao. La participacin en el coste de la
energahidrulicaenlosprimerosaosesmayorqueenlosltimos6aos.
Elcostedelasprdidastiendeadisminuir.Laenergasolarfotovoltaicano
participa en el coste hasta el ao 13. El coste de la energa elica no tiene
participacin hasta el sptimo ao y de ah hasta el ao 20 tiene una
importanteparticipacin.Nuevamenteelcostedelaenergaprovenientede
laredtiendeadesaparecerenelao15.
Lafigura6.14muestralaparticipacindelastecnologasenlageneracin
total. La energa hidrulica tiene una participacin constante desde el
segundo ao. La energa elica empieza a tener participacin a partir del
ao 5 creciendo hasta el ao 11 y de ah permanece constante. La energa
solar fotovoltaica tiene participacin desde el ao 13 con un crecimiento
constante hasta el ao 20. La energa de las unidades de almacenamiento
empiezaatenerparticipacindesdeelao7creciendoenformaconstante.
Lageneracindelareddejadetenerparticipacinenelao11.
84

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
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

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
energaelctrica
las restantes funciones objetivo. El predominio de los puntos azules en las

grficas de pesos de la figura 6.17 ratifica la tendencia de la optimizacin
hacia un mayor coste con mejora del resto de las funciones. En la figura
6.18 se incluye almacenamiento. Se puede observar que cuando hay
almacenamiento todas las soluciones se agrupan dentro de rangos con
costes muy altos. La introduccin de almacenamiento tiene costes
importantesytodavanoseobtienenventajasdesuinstalacin.
Enlasfiguras6.19y6.20semuestranlassolucionesobtenidasparaelao
20. En la figura 6.19 se representan las soluciones sin incluir
almacenamiento. En este periodo la dependencia de los combustibles es
tiendeauncostecasinulo.Esto
muybajayelcostedelasemisionesde
es debido a la prctica sustitucin completa de la generacin clsica por
generacin renovable distribuida. En la figura 6.20 se representan las
soluciones incluyendo almacenamiento. El coste total es menor con
almacenamiento que sin almacenamiento, El riesgo de escasez de
combustibles baja considerablemente cuando se incluye almacenamiento.
Tambin hay que destacar que aparecen soluciones de coste inferior con
generacin clsica y almacenamiento pero que empeoran el resto de las
funciones objetivo. En lafigura 6.20se observa laimportanciaquetieneel
anlisis depesos,ya quelaeleccinde unconjunto depesosalazarpuede
darlugarasolucionesmuydistintascondiferenciasenlospesospequeas.
Sin embargo, el anlisis de los pesos permite distinguir zonas de
comportamientosimilar.
88

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
5000 10000 15000 0

50 100 150 0
1000
Import (kEUR)
Coste (kEUR)
CO2 (kEUR)
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
5000 10000 15000 0

50 100 150 0
1000
Import (kEUR)
Coste (kEUR)
CO2 (kEUR)
Figura6.16 Conjuntodesolucionesparaelao2conalmacenamiento
89
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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
Figura6.18 Conjuntodesolucionesparaelao5.Conalmacenamiento
90

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
5000 10000 15000 0

50 100 150 0
1000
Import (kEUR)
Coste (kEUR)
CO2 (kEUR)
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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
Figura6.20 Conjuntodesolucionesparaelao20.Conalmacenamiento.
91
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

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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
Figura6.22 Conjuntodesolucionesdemodelomultiobjetivoprobabilista.Con
almacenamiento.Paraelao2
93
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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
Figura6.24 Conjuntodesolucionesdemodelomultiobjetivoprobabilistacon
almacenamiento.50variacionesdelospesosy10SimulacionesM.C.Paraelao5.
94

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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
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
5000 10000 15000 0

50 100 150 0
1000
Coste (kEUR)
CO2 (kEUR)
Import (kEUR)
Figura6.26 Conjuntodesolucionesdemodelomultiobjetivoprobabilistacon
almacenamientoparaelao20.
95
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

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
energaelctrica
Al final del periodo de planificacin, en el ao 20, se observa con mayor

nitidez la ventaja competitiva que supone la generacin distribuida junto
con el almacenamiento debido a que se suaviza la variabilidad de las
variables de entrada. En el ao 5, no se observa que el almacenamiento
supongauncostetanagravanteparaelsistema(comoseveaenelmodelo
multiobjetivodeterminista),esotambinsedebeaqueenestemodelohay
que suavizar la variabilidad de la demanda, por ejemplo. En el ao 2, las
diferenciasentrelosdosmodelosmultiobjetivonosontansignificativas,ya
quehaypocageneracindistribuida.
El problema de este modelo es el alto consumo computacional debido al
nmero de simulaciones de Monte Carlo necesarias para obtener buenos
resultados, sin embargo se llegan a obtener resultados satisfactorios
limitandoeltiempodesimulacin.
98
Captu lo 7
CONCL USIONES,APOR TACIONESYFUTUROS TRABAJ OS

DEINVESTIGACIN
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
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
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
Los motores de combustibles fsiles son la tecnologa ms comnmente

utilizadasparalaGD.Sonunatecnologaprobadaconcostodecapitalbajo,
rangode operacinalto,rpidapuestaenmarcha,eficienciadeconversin
elctrica relativamente alta, y una fiabilidad en su funcionamiento durante
una interrupcin de potencia, caractersticas que los hace la eleccin
principalparalossuministrosderespaldo.
Enlaactualidad,seutilizanprincipalmentedostiposdegeneradores:
1. Generadoresdegasnatural.
2. Generadoresdiesel.
Las principales desventajas de estos generadores de combustibles fsiles
son: el ruido, costes de mantenimiento y emisiones altas, particularmente
. Estas emisiones pueden disminuir, con una
de xidos de Nitrgeno
prdida de eficiencia, cambiando caractersticas de la combustin,
utilizandoconvertidorescatalticos,loscualessonunatecnologaprobada
decontroldeemisiones.
103
energaelctrica
A.1.2
TurbinasdeGas
Las turbinas de gas son ampliamente utilizadas en la industria. El

combustible suele ser gas natural, aunque puede emplearse gas LP (un
derivado del petrleo, compuesto principalmente por Propano, Butano y
otros compuestos) o diesel. Sus capacidades van de 265 kW a 50,000 kW;
permiten obtener eficiencias elctricas del 30%, y eficiencias trmicas del
55%; los gases de combustin tienen una temperatura de 600 ; ofrecen
una alta seguridad de operacin; tienen un bajo costo de inversin; el
tiempo de arranque es corto (10 minutos); y requieren un mnimo de
espacio fsico. Su coste de mantenimiento es ligeramente inferior que para
motoresabasedecombustiblesfsiles,ytambinsueficienciaelctrica.
A.1.3
Microturbinas
Las microturbinas que se consideran como GD son principalmente de dos

tipos:
Microturbinasagas.
Microturbinashidrulicas.
A.1.4
Microturbinasagas
Las microturbinas a gas provienen del desarrollo tecnolgico de la turbina

de gas para la escala ms pequea. La tecnologa fue originalmente
desarrollada para aplicaciones de transporte, y ahora se ha reorientado en
la generacin de potencia. Una de las caractersticas tcnicas ms notables
de las microturbinas es su velocidad giratoria, la cual es muy alta. Las
unidades individuales se extienden de 30 kW a 200 kW, pero pueden estar
combinadas fcilmente. Las temperaturas de combustin pueden asegurar
muy bajos. Hacen menos ruido que un motor de
niveles de emisiones
tamao comparable. El gas natural es el combustible ms comn, adems
pueden ser utilizados el biogs, el gas landfill (gas extrado de los
vertederos) o el gas procedente de las minas de carbn. La desventaja
principal de las microturbinas a gas son los altos precios en comparacin
conlosmotoresdegas.
En la tabla A.1 se muestran la potencia elctrica instalada y la produccin
elctrica de las tecnologas de Generacin Distribuida consideradas como
renovables. En esta tabla se puede ver el crecimiento que han
experimentadoestastecnologas.
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
Las microcentrales hidrulicas son centrales de baja potencia, menores a

100 kW. Sus beneficios son referidos a la no contaminacin ambiental;
tienenunmantenimientomnimoysurendimientoesmayorqueelrestode
lastecnologasdeGD.
Una de sus mayores desventajas es el flujo irregular que se puede dar en
pequeosrosalolargodelao.Sinembargo,siesposiblelaconstruccin
de una presa de acumulacin, se puede controlar en cierto grado esta
variacin.
Existeunaclasificacindeestetipodecentralesdeacuerdoasucapacidad
degeneracin,lostiposqueinteresanson:
1. Minicentralesconpotenciasuperiora100kWeinferiora1MW.
2. Microcentralesconpotenciasuperiora1kWeinferiora100kW.
Lapotenciautilizableenunacentralhidrulicadependedelcaudaldelsalto
de agua y de la eficiencia de los componentes que intervienen en la
generacindeelectricidad.
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
energaelctrica
combustible puede funcionar con una fiabilidad muy alta, y as tambin

podracomplementarelabastecimientodeelectricidaddelared.
A.1.7
CeldasFotovoltaicas
La tecnologa de las celdas Fotovoltaicas (PV) para la explotacin de la

energa solar es una de las fuentes renovables ms conocidas. La tpica
estructura de un sistema PV est constituida por un nmero de mdulos
dispuestos en estructuras en paralelo y en serie para obtener el nivel
deseadodetensindesalida.
La potencia de un solo mdulo vara entre 50 W y 100 W. Para alcanzar la
potencia deseada se conectarn en paralelo y para alcanzar la tensin
deseadaseconectarnenserie.
A diferencia de otras unidades de GD, los sistemas fotovoltaicos poseen un
costodeinversinaltoyuncostodeoperacinmuybajo.Nogenerancalor
ysonintrnsecamentedeescalapequea.Debidoaestascaractersticaslos
sistemasPVsatisfacenlasaplicacionesdomsticasycomerciales,dondelos
preciosdelapotenciaadquiridadelaredsonmsaltos.
La tecnologa fotovoltaica tiene una gran variedad de aplicaciones. La
mayor parte de las aplicaciones actuales son sistemas remotos de
telecomunicaciones, donde la fiabilidad y los bajos costes de
mantenimiento son los requisitos principales. Los sistemas fotovoltaicos,
tambin son ampliamente utilizados en poblaciones rurales que no tienen
otroaccesoparalosserviciosbsicosdeenerga.Adems,puedenutilizarse
paraproveerelectricidadparaunavariedaddeaplicacioneseniluminacin,
negociospequeos,agricultura,entreotras.
A.1.8
GeneradoresElicos
La energa del viento se ha utilizado principalmente en molinos de viento,

los cuales han permitido principalmente el bombeo de agua, molienda de
productos agrcolas y en los ltimos aos, en generacin de electricidad.
Una de las caractersticas de este recurso es su condicin aleatoria y
variable, porque depende de condiciones atmosfricas. Esto lleva a que se
requieranexhaustivasmedicionescomocondicinpreviaparaeldesarrollo
deproyectosdestinadosasuaprovechamiento.
En trminos generales se distinguen cuatro escalas de aplicaciones de la
energaelicaconfinesdegeneracinelctrica:
Sistemaselicosagranescala,conectadosalaredelctrica,tambin
denominadosparqueselicosconpotenciassuperioresa1MW.
Sistemas medianos, utilizados para abastecer pequeos poblados,
querequierensistemasderespaldopormediodegeneradoresdiesel
conpotenciassuperioresa100kWeinferioresa1MW.
106

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
Los requisitos para la interconexin de la Generacin Distribuida bajo

condicionesnormalesespecificadasenelestndar1547deIEEEson:
LaregulacindelvoltajedelsistemadespusdeinstalarlaGDesde
5%enunabasede120voltiosenlaentradadelservicio(metrode
facturacin).
LaunidaddeGDnodebecausarlafluctuacindelvoltajeenelpunto
de conexin comn. El nivel de fluctuacin debe permanecer dentro
de un 5% del nivel de tensin que prevalece en el sistema
elctricodepotencialocal.
La carga del equipo de la red y la capacidad de interrupcin de
corriente del equipo de proteccin, tales como fusibles y
dispositivosdeinterrupcinnodebenserexcedidos.
La puesta a tierra de la GD no debe causar sobretensin que exceda
elgradodelequipoenelsistemaelctricodepotencialocal.
A.2.2
LosrequisitosparalainterconexindeGDbajo
condicionesanormales
LaunidaddelaGDnodebeenergizarelreadelsistemaelctricode
potencia(SEP)cuandoelreaestfueradeservicio.
La unidad de la GD no debe causar misooperacin del sistema de
interconexindebidoalainterferenciaelectromagntica.
Elsistemadeinterconexindebepodersoportarlacadadetensin.
107
energaelctrica
La unidad de GD debe dejar de energizar el rea que este

alimentandoencasodefaltas,enunperiododetiempoespecifico.
La unidad de la GD no debe causar problemas en la calidad de la
energa, es decir, los lmites de inyeccin de corriente armnica de
la GD, flickersy las tensiones armnicas resultantes, no deben ser
msaltosquelostolerables.
En caso de que la frecuencia del sistema sea ms baja que 57 hertzios, la
unidad de GD debe dejar de energizar el rea del sistema elctrico de
potencia dentrode unintervalode16 ms.Cuando sedetecta unaavera,la
unidaddeGDsedebedesconectardelbusdelacompaadeelectricidady
debe tomar la carga local. Esta desconexin es necesaria debido a que: (1)
unafaltacercadelaGDenelsistemadesuministrodebeserinterrumpida
y (2) la GD local no puede soportar las demandas de potencia del sistema
dedistribucin(apartedelacargalocal).LadesconexindelaGDdelared
debeocurrirrpidamente.
A.2.3
LegislacinEspaola
Real Decreto 2366/1994, de 9 de diciembre, sobre produccin de energa

elctrica por instalaciones hidrulicas, de cogeneracin y otras abastecidas por
recursosofuentesdeenergasrenovables.
LEY54/1997,de27noviembre,delSectorElctrico.
Real Decreto 2818/1998, de 23 de diciembre, sobre produccin de energa
elctrica por instalaciones abastecidas por recursos o fuentes de energa
renovables,residuosycogeneracin.
RealDecreto1663/2000,de29deseptiembre,sobreconexindeinstalaciones
fotovoltaicasalareddebajatensin.
RealDecreto841/2002,de2deagosto,porelqueseincentivalaparticipacin
deautoproductoresenelmercadodeproduccin.
RealDecreto436/2004,de12demarzo,porelqueseestablecelametodologa
para la actualizacin y sistematizacin del rgimen jurdico y econmico de la
actividaddeproduccindeenergaelctricaenrgimenespecial.
Directiva 2001/77/CE del Parlamento Europeo y del Consejo, de 27 de

septiembre de 2001, sobre la promocin de la electricidad generada a
partir de fuentes de energa renovables en el mercado interior de
electricidad.
REAL DECRETO 661/2007, de 25 de mayo, por el que se regula la
actividaddeproduccindeenergaelctricaenrgimenespecial.
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
energaelctrica
TablaB.2
EmisionesdeCO 2 ,NO x ,SO 2 yCOdetecnologasdeGD.

Emisiones(kg/MWh)
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
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
muchasrenovables

AnexoB
3000
Potencia (kW)
2500
2000
1500
1000
500
0
0
10
15
20
25
30
velocidad del viento (m/s)
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
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
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
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
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
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
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
energaelctrica
Respecto al conjunto de restricciones, stas pueden existir o no en el

problema de optimizacin. En ausencia de restricciones se genera,
evidentemente, un problema de optimizacin sin restricciones y en el caso
contrario, un problema de optimizacin restringido. El conjunto de
restricciones puede estar formado a su vez por dos subconjuntos, uno que
contiene restricciones denominadas de igualdad, y otro que contiene
restriccionesdenominadasdedesigualdad.
Considerando nuevamente los tres elementos del problema de
optimizacin,sepuedentenerotrascombinacionesoriginadassegneltipo
de variables o por las expresiones que definen la funcin objetivo o las
restricciones. Las variables pueden ser de tipo continuas o discretas, y la
funcinobjetivoylasrestriccionespuedenserdetipolinealono.
Debidoalasposiblescombinacionesexistentesentrelostreselementosdel
problema se puede generar una diversidad de problemas de optimizacin.
En la figura C.1 se muestra de manera grfica el rbol de los posibles
problemas de optimizacin [NEOS., etal., 2009 ], donde se puede ver de
unamaneraclaraladiversidaddeproblemasexistentes.
FiguraC.1
rboldealternativasdeproblemasdeoptimizacin
Segn el mtodo de solucin empleado los problemas de optimizacin se

pueden clasificar en: mtodos clsicos y mtodos metaheursticos. Dentro
de los mtodos clsicos se encuentra la optimizacin lineal, lineal entera
mixta, no lineal, estocstica, dinmica, etc. En el grupo de los mtodos
metaheursticos se pueden encontrar los algoritmos genticos, el mtodo
del simulated annealing, o las bsquedas heursticas como la bsqueda
tab, la bsqueda aleatoria, etc. Una diferencia importante entre los dos
mtodosesquelosprimerosencuentranunptimoglobalylosmtodosde
metaheursticos tienen mecanismos especficos para alcanzar un ptimo
global aunque no garantizan su solucin [Linares, Ramosetal., 2001]. Sin
embargo en las ltimas fechas se ha progresado significativamente en el
118

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
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
Las siguientes expresiones muestran la formulacin matemtica para un

problemamonobjetivodetipoLP,MIP,NLPydetipomultiobjetivo.
Programacinlineal(LinearProgramming,LP):
min c T x
Ax
x
x
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
energaelctrica
existir diferentes mtodos de solucin de un problema o diferentes

implantaciones de un mismo mtodo. El tiempo de resolucin tambin
depende drsticamente de la etapa de especificacin matemtica y
formulacin.
Verificacin,validacinyrefinamiento
En esta etapa se eliminan errores de codificacin para conseguir que el
modelorepresenteelproblemarealconexactitud.Secompruebalavalidez
de las simplificaciones realizadas a travs de los resultados obtenidos y se
contrastancondatosdesituacionesreales.
Interpretacinyanlisisderesultados
En esta etapa se revisan las soluciones y se examina en detalle el
comportamiento del modelo al hacer un anlisis de sensibilidad en los
parmetros de entrada. Se pueden estudiar diversos escenarios y
comprobar bajo diversas circunstancias que el resultado ptimo es un
ptimoglobal.
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
Para la solucin de un problema LP se dispone del mtodo Simplex, el

mtodo simplex revisado y el mtodo simplex dual. Para los problemas no
lineales, se tienen diferentes mtodos y algoritmos dependiendo de la
existencia o no de restricciones. Para problemas sin restricciones se
pueden citar por ejemplo: mtodos de eliminacin y mtodos de
interpolacin.
Mtododelpuntointerior
Para los problemas con y sin restricciones, los mtodos utilizados se
pueden clasificar como mtodos de bsqueda directa y mtodos de
bsqueda indirecta. Para los problemas NLP los mtodos basados en el
Gradiente Reducido Generalizado (GRG) y la Programacin Cuadrtica
Secuencial(SQP)sonlosmsutilizados[Biegler,Grossmannetal.,2004].
Para la programacin entera lineal se encuentra el mtodo del plano
cortante de Gomory y el Algoritmo de Balas. Para la programacin entera
no lineal, los mtodos ms utilizados son el de ramificacin y acotamiento
(BranchandBound)yelmtododepenalizaciones.
No es propsito de este anexo entrar en detalles sobre los fundamentos
tericos de los mtodos de programacin matemtica, sino slo
mencionarlos. Para ver los fundamentos tericos se puede recurrir por
ejemploa[Rao,etal.,1996].
C.3.3
Algoritmosgenticos
Los Algoritmos Genticos (AG) proporcionan una tcnica robusta de

optimizacin. Los AG se basan en los conceptos de la evaluacin biolgica
gentica y la seleccin natural, teniendo como elementos bsicos de la
genticanaturalelcruceylamutacin[Diwekar,etal.,2008].
C.3.4
SimulatedAnnealing
Simulated Annealing (SA) es un mtodo de optimizacin inspirado en el

proceso de templado de metales, que consta de tres fases: una fase de
calentamiento a una temperatura determinada; seguida de una segunda
fase a temperatura alta lo cual permite a las molculas acomodarse en
estados de mnima energa; y finalmente una fase de enfriamiento
controladoparaaumentareltamaodesuscristalesyreducirsusdefectos.
El ncleo del SA lo constituye lo que se conoce como el algoritmo de
Metrpolis[Diwekar,etal.,2008].
123
energaelctrica
C.3.5
Otrosmtodos
Otros mtodos de optimizacin incluyen la programacin dinmica, el

clculo de variaciones, la programacin geomtrica y cuadrtica, la
programacin determinista y estocstica y la programacin separable.
Adems de estos mtodos, existen otras tcnicas de optimizacin basadas
en redes neuronales, as como mtodos para la optimizacin de sistemas
fuzzy,BsquedaTab,etc.
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
Las condiciones KKT se enuncian bajo los siguientes condicionantes

definidos:
Definicin C.1. Un punto el cual satisface todas las restricciones de
igualdadydesigualdadsedenominapuntofactible.
Definicin C.2. Un punto x* que satisface las restricciones de igualdad se
denomina punto regular de las restricciones, si los vectores gradiente son
linealmenteindependientes.
Definicin C.3. Una restriccin de desigualdad se denomina activa en un
puntox*,sisecumplequeg(x*)=0.
Una vez establecidas estas definiciones se enuncian las condiciones KKT
necesariasydesuficiencia,quesonelresultadotericomsimportanteen
el campo de la programacin no lineal y deben ser satisfechas por la
solucinptimadecualquierproblemalinealylamayoradelosproblemas
no lineales. Estas condiciones constituyen la base para el desarrollo de
muchos algoritmos computacionales y proporcionan un criterio de para
muchos otros, permitiendo establecer cuando ha sido alcanzado un ptimo
local restringido, [Floudas, et al., 1995; Muoz Guevara, et al., 2000;
Linares, Ramos et al., 2001; Castillo, Conejo et al., 2002; Diwekar, et al.,
2008].
124

AnexoC
C.4.1
CondicionesKKTnecesarias.
Sea x* un mnimo local del problema de optimizacin (C.3) y un punto

regular de las restricciones de igualdad y unas restricciones activas de
desigualdad.Entoncesexisteunvector yunvector ,talque:
0
0
Enlaexpresin(4.9),
0,
0,
.8
1,2, ,
1,2, ,
sedefinencomo:
,
,
,,
,,
C.4.2
CondicionesKKTdesuficiencia.
Las condiciones suficientes para que un punto factible x* sea un mnimo

local estricto del problema de optimizacin es que exista, el conjunto de
ecuaciones (C.3) sean satisfechas y la matriz Hessiana de la ecuacin (C.9)
seadefinidapositiva.
, ,
.9
Normalmente se refiere a y a como los multiplicadores o vectores de

Lagrangedeigualdadydesigualdad,aunqueenocasiones, esdenominada
comomultiplicadordeKarushKunhTucker.
125
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
Existen adems paquetes informticos para resolver un problema

especfico de optimizacin: integracin de procesos qumicos, diseo
mecnico, modelado estructural, etc. Estos paquetes, aunque pueden ser
muypotentes,difcilmentese puedenadaptaraotrasituacinparalos que
fueroncreados(ASPEN,HOMER,etc.).
Como es de esperar, existe una gran diversidad de software que puede
utilizarseparamodelaryresolverunproblemadeoptimizacin,porloque
las dos primeras etapas para desarrollar un modelo de optimizacin
tambin son vitales para acotar el tipo de herramienta o algoritmo a
126

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)
GAMS es el acrnimo derivado de General Algebraic Modeling System. El

GAMS es un lenguaje de modelizacin, ms que un programa para resolver
problemas de optimizacin. La ventaja que presenta es que, junto al
paquete de modelizacin, incorpora diferentes optimizadores (algoritmos
deresolucindeproblemas)pararesolverproblemasLP,MIP,NLP,MINLP,
etc.
El lenguaje GAMS posee diferentes versiones que se diferencian
bsicamente en las posibilidades de resolucin de problemas de diferente
tamao. Entre las versiones existe una versin bsica de estudiante con
limitaciones en cuanto al tamao de problema que admite un mximo de
1.000elementosdistintosdeceroenlosproblemaslinealesynolineales,y
de20variablesenteras.
Quiz uno de los inconvenientes de GAMS de cara a su aplicacin prctica,
es lo poco amigable que resulta su uso las primeras veces, pero una vez
familiarizados con el entorno este inconveniente se ve superado, con
creces, por la potencia y flexibilidad del lenguaje. En [Castillo, Conejoet
al.,2002]sepuedenencontraralgunosejemplosyaplicacionesquepueden
serunbuencomienzoparafamiliarizarseconelentornoGAMS.
Otra caracterstica de GAMS es su mdulo GDX (GAMS Data Exchange) de
intercambio de datos, que lo hace til para leer y escribir informacin en
unahojaExcel.InclusosepuedehacerunainterfazconMATLAB[GAMS.,et
127
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
Otra ventaja del GAMS es que incorpora diversos optimizadores para

resolverundeterminadoproblemadeoptimizacin.Ladefinicinsolvese
utiliza en GAMS para resolver el problema definido, este comando indica a
GAMS que resuelva el modelo usando un determinado optimizador. La
Tabla12muestralasopcionesdisponibles[Rosenthal,etal.,2008]:
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
Cada uno tiene unas determinadas caractersticas y son viables para la

solucindeundeterminadotipodeproblemas.ParaelproblemaLP,NLPy
MINLP, se pueden tener diferentes optimizadores, en la Tabla 13 muestra
algunos.
TablaC.5
Tipodeproblema
LP
NLP
MINLP
OptimizadoresLP,NLPyMINLPenGAMS
Optimizador
CPLEX,OSL,MINOS
CONOPT,MINOS,BARON
DICOPT,SBB
CONOPOT. Este optimizador utiliza como fundamento algortmico al

GradienteReducidoGeneralizado(GRG)ylaProgramacinlinealsecuencial
y la programacin cuadrtica secuencial para determinar el valor mnimo
(omximo)delafuncinobjetivo.CONOPOThasidodesarrolladoporARKI
ConsultingandDevelopment.
DICOPT. Este optimizador es capaz de resolver problemas MINLP que
contengan variables binarias o enteras y variables continuas lineales y no
lineales. El DICOPT (Discrete and Continuous Optimizer) fue desarrollado
por Viswanathan y Grossman en el EDRC (Engineering Design Research
Center) de la Universidad de Carnegie Mellon. El programa se basa en la
ampliacin del algoritmo de aproximaciones exteriores (outer
approximation), resolviendo varias veces los subproblemas NLP y MIP.
Para la solucin de los subproblemas el DICOPT puede emplear cualquier
optimizadorNLPoMIPdisponibleenGAMS.
129
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
A. C HATURVEDY , M. R., R AKESH R ANJAN , P.S. S OLANKY V. S . M ALLELA , K. P RASAD

(2005). A Fuzzy Adaptive Genetic Algorithm based Expert System for
Radial
Distribution System Planning. International Conference on Communication,
Computer&Power(ICCCP'05),Muscat.
A BIDO , M. A., , et al. (2009). "Multiobjective particle swarm optimization for
environmental/economic dispatch problem." Electric Power Systems
Research:
Vol:79:
(#7):
11051113,
http://www.sciencedirect.com/science/article/B6V304VVN4SD
1/2/fc4b9d323b37c47e2ad048b86e1bcadd
A BOU E L E LA , A. A., S PEA , S. R., et al. (2009). "Optimal corrective actions for
power systems using multiobjective genetic algorithms." Electric
Power
Systems
Research:
Vol:79:
(#5):
722733,
Consulta:http://www.sciencedirect.com/science/article/B6V30
4V34RH83/2/1a743097155b134fca27f4c4db1a681d
AIMMS, , et al. (2009). ""Optimization Software for Operations Research
Applications.""),Disponible.
A LARCON R ODRIGUEZ , A., H AESEN , E., et al. (2009). "Multiobjective planning
framework for stochastic and controllable distributed energy
resources."RenewablePowerGeneration,IET:Vol:3:(#2):227238
A LGUACIL , N., M OTTO , A. L.,etal. (2003). "Transmission expansion planning: A
mixedinteger LP approach." Ieee Transactions on Power Systems:
Vol:18:(#3):10701077,Consulta:<GotoISI>://000184455100013
A LLAN , R. N., B ILLINTON , R., et al. (1999). "Bibliography on the application of
probability methods in power system reliability evaluation." Power
Systems,IEEETransactionson:Vol:14:(#1):5157
A LLAN , R. N., L ITE DA S ILVA , A. M., et al. (1981). "Probabilistic load flow
using
multilinearisations."
Generation,
Transmission
and
Distribution,IEEProceedingsC:Vol:128:(#5):280287
AMPL, , et al. (2009). ""AMPL A modeling language for mathematical
programming.""),Disponible.
131
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:
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
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,
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,
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
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
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
135
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
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:
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:
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

Tesis Doct Planif Optima Gene Dist

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tesis Doct Planif Optima Gene Dist

Uploaded by

Copyright:

Available Formats

UNIVERSIDADDEZARAGOZA

Al finalizar un trabajo tan arduo y lleno de dificultades como el desarrollo

Para mis compaeros de grupo, solo tengo palabras de agradecimiento,

GE NE RACI N DI STR I BUI D A EN LAS R E D E S DE

debe tener en cuenta en sus decisiones otros factores (impacto ambiental,

variables que representan la generacin elica, la generacin hidrulica, la

Minimizacin del coste de inversin de la generacin, el coste de

Minimizacin de las emisiones de

Minimizacin del riesgo derivado de la disponibilidad de los

Se describen los mtodos principales para la solucin de modelos

M OD E LOS D E PLAN I FI CACI N P TI M AD E GENE R ACI N

tab. La funcin objetivo a optimizar es la minimizacin del coste de

tiempo seleccionado. Las restricciones del modelo deben de satisfacer la

radial. El algoritmo es desarrollado en tres etapas. La primera etapa

elicos y unidades de almacenamiento hidrulicas pertenecientes a

Utiliza valores horarios promedio de la demanda, velocidad del viento y

2.3.2 Modelos probabilsticos de planificacin ptima de

al. [1982]. La interdependencia entre las demandas de carga y las

alternativa de aumento de apoyo de la generacin de potencia reactiva en

expansin de la generacin en una determinada rea, as como determinar

2.3.3 Modelos estocsticos de planificacin ptima de redes

Haesen y Bellmans [2007] presentan una metodologa de planificacin

Kennedy etal. [2007] presentan un caso donde es utilizada la generacin

2.3.4 Modelos multiobjetivo de planificacin ptima de

problemas multiobjetivo para el despacho econmico en sistemas de

; minimizar el riesgo de la cada de tensin en algunos nudos

Cano [2007] presenta el problema de localizacin ptima de Generacin

concesin). La solucin del mejor esquema de planificacin entre el

MONO MULTI DETER PROBA TCNICADE

MULTI DETER PROBA TCNICADE

3.1.1 Descripcin del problema de la planificacin de la

Los perfiles de la generacin renovable en el caso determinista se

A continuacin se formula el modelo ptimo monobjetivo de la

Coste variable (coste de operacin). El coste de operacin es el coste

para limitar el coste computacional cara al enfoque probabilstico que se

En el segundo ao, se considera un aumento de la demanda, lo cual tiene

Donde , , son los conjuntos de generadores elicos , fotovoltaicos

Coeficientes de coste de inversin por potencia en/

y por energa en/

Capacidad mxima de energa en

Energa comprada a la red en

Coeficiente de coste de prdidas anuales en/

A continuacin se muestra la formulacin para los costes anuales totales

En derivacin de (3.14), en el modelo, el coste de operacin de la lnea

El coste anual de operacin de la generacin renovable se determina en el

Donde , , son los conjuntos de generadores elicos , fotovoltaicos y

Coste por reemplazamiento de componentes ms grandes de la

Coeficiente de coste anual de O&M por unidad del coste de

Potencia aparente de carga en

Potencia aparente de descarga en

E ficiencia de carga de almacenamiento ubicado en nudo en

En esta restriccin de igualdad es aplicada la primera ley de Kirchhoff,

Las unidades de almacenamiento son integradas en las redes de

Las potencias de carga y descarga y el estado de carga

La tensin en los nudos debe de permanecer dentro de intervalos tcnicos

de distribucin estos lmites se encuentran entre 5%. La tensin en los

En la red de distribucin, el requerimiento de tensiones mnimas y

PLANI F I CACI N BAJO I NCE R TID UM BRE D E LA

Para introducir en el modelo se utiliza la inversa de la funcin de

Para introducir esta variable aleatoria (velocidad del viento) se utiliza la

Para introducir la aleatoriedad de la potencia del aerogenerador en el

tanto, la potencia del generador se determina a partir de su curva de

producida por el generador

Velocidad del viento probabilista en