PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE

ESCUELA DE INGENIERIA


PLANIFICACION DE REDES DE
DISTRIBUCION: APROXIMACION VIA
CLUSTERING, DIAGRAMAS DE
VORONOI Y BUSQUEDA TABU
ALEJANDRO ANDRES NAVARRO ESPINOSA
Tesis para optar al grado de
Magster en Ciencias de la Ingeniera
Profesor Supervisor:
HUGH RUDNICK VAN DE WYNGARD
Santiago de Chile, diciembre, 2007
2007, Alejandro Andrs Navarro Espinosa

PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
ESCUELA DE INGENIERIA

PLANIFICACION DE REDES DE
DISTRIBUCION: APROXIMACION VIA
CLUSTERING, DIAGRAMAS DE VORONOI Y
BUSQUEDA TABU
ALEJANDRO ANDRES NAVARRO ESPINOSA

Tesis presentada a la Comisin integrada por los profesores:

HUGH RUDNICK
DAVID WATTS
RODRIGO PALMA
HECTOR JORQUERA
Para completar las exigencias del grado de
Magster en Ciencias de la Ingeniera
Santiago de Chile, diciembre, 2007
ii


Al que resiste y lucha
iii
AGRADECIMIENTOS
Dar las gracias, ennoblece dicen algunos, mas yo quisiera sealar que las gracias son slo la
consecuencia a posteriori de un acto muy superior en nobleza y entrega, que convierte al
agradecimiento nicamente en forma y resultado, toda vez que el contenido y causa de las
gracias, es que alguien quiso renunciar a su tiempo y a sus recursos, para entregrselos a
otro, desinteresadamente y sin presin alguna, son ellos y su voluntad, los que han hecho
posible este trabajo. Ejemplo de ello es Chilectra, que proporcion datos referenciales sobre
su zona de concesin, lo cual constituy un aporte importante e imprescindible en el
correcto desarrollo de este desafo.
En suma, las siguientes lneas tericas y tcnicas presentan algo ms que un problema
complejo, algo ms que una investigacin, lo que hay es una construccin colectiva de
entrega y ayuda. Agradezco entonces, en estas lneas que habrn de perdurar tanto como la
infinitud de mis agradecimientos, a mi familia, por ensearme a soar, a mi colegio, el
Colegio San Viator, por mostrarme la posibilidad de los sueos, a la Fundacin Juan Pablo
II, por hacer posible el sueo de muchos, a mis amigos y a la oficina 303, por compartir
nuestros sueos y a veces la ausencia de ellos, y finalmente a Hugh Rudnick, el profesor,
sin el cual despertar hubiese sido un hecho.

INDICE GENERAL
Pg.
DEDICATORIA .......................................................................................................... ii
AGRADECIMIENTOS .............................................................................................. iii
INDICE DE TABLAS ............................................................................................... vii
INDICE DE FIGURAS............................................................................................... ix
RESUMEN................................................................................................................. xii
ABSTRACT.............................................................................................................. xiii
1. INTRODUCCION.............................................................................................. 1
1.1 Planificacin de Sistemas de Distribucin de Energa Elctrica ............... 1
1.2 Planteamiento del Problema....................................................................... 2
1.3 Objetivo...................................................................................................... 4
1.4 Estructura de la Tesis ................................................................................. 4
2. ESTADO DEL ARTE Y EVOLUCION............................................................ 7
2.1 Programacin Matemtica ......................................................................... 7
2.1.1 Planificacin de subestaciones ........................................................ 8
2.1.2 Planificacin de redes ...................................................................... 9
2.1.3 Planificacin conjunta de subestaciones y redes ........................... 10
2.2 Tcnicas Meta-heursticas........................................................................ 12
2.2.1 Planificacin con sistemas expertos .............................................. 13
2.2.2 Planificacin con intercambio de ramas ........................................ 13
2.2.3 Planificacin con temple simulado (Simulated Annealing)........... 15
2.2.4 Planificacin con bsqueda tab (Tabu Search) ........................... 15
2.2.5 Planificacin con colonias de hormigas (Ant Colony System)....... 16
2.2.6 Planificacin con algoritmos evolutivos........................................ 17
3. METODOLOGIA DESARROLLADA ........................................................... 20
3.1 Antecedentes Generales ........................................................................... 20
3.2 Breve Explicacin de la Metodologa Desarrollada................................. 24

3.3 Cmo abordar el problema? ................................................................... 24
4. PROCESO DE MICRO-OPTIMIZACION...................................................... 31
4.1 Descripcin General................................................................................. 31
4.2 Anlisis de Cluster ................................................................................... 32
4.3 Metodologa de Micro-Optimizacin....................................................... 36
4.3.1 Etapa previa: determinacin de la red vial .................................... 40
4.3.2 Ubicacin y asignacin de los transformadores ............................ 47
4.3.3 Trazado de red ............................................................................... 49
4.3.4 Seleccin ptima de conductores................................................... 56
4.3.5 Clculo de prdidas de energa ...................................................... 62
4.3.6 Iteraciones y resultados.................................................................. 67
5. PROCESO DE MACRO-OPTIMIZACION.................................................... 76
5.1 Macro-Optimizacin Va Diagramas de Voronoi .................................... 76
5.1.1 Diagramas de Voronoi ................................................................... 77
5.1.2 Procedimiento de optimizacin va Voronoi ................................. 79
5.2 Macro-Optimizacin Va Bsqueda Tab ............................................... 91
5.2.1 Triangulacin de Delaunay............................................................ 92
5.2.2 Resolucin mediante vecindarios .................................................. 96
5.2.3 Resolucin mediante bsqueda tab............................................ 101
5.3 Macro-Optimizacin: Unin Diagramas de Voronoi y Bsqueda Tab 107
6. PLANIFICACION OPTIMA DEL GRAN SANTIAGO............................... 109
6.1 Aplicacin del Proceso de Micro-Optimizacin.................................... 109
6.2 Aplicacin del Proceso de Macro-Optimizacin ................................... 112
6.2.1 Metodologa basada en diagrama de Voronoi ............................. 115
6.2.2 Metodologa simplificada basada en diagrama de Voronoi......... 117
6.2.3 Metodologa basada en vecindarios............................................. 119
6.2.4 Metodologa basada en bsqueda tab y nico vecindario ......... 121
6.2.5 Metodologa secuencial Voronoi-bsqueda tab......................... 123
7. CONCLUSIONES Y TRABAJOS FUTUROS ............................................. 125
7.1 Conclusiones .......................................................................................... 125
7.2 Trabajos Futuros..................................................................................... 130

BIBLIOGRAFIA ..................................................................................................... 133
A N E X O S ............................................................................................................ 141
Anexo A: Complejidad Algortmica ........................................................................ 142
Anexo B: Descripcion de Meta-heursticas.............................................................. 145
B.1 Algoritmos Genticos............................................................................. 147
B.2 Temple Simulado (Simulated Annealing) .............................................. 149
B.3 Colonias de Hormigas ............................................................................ 151
B.4 Bsqueda Tab....................................................................................... 154
Anexo C: Analisis de Cluster................................................................................... 155
C.1 Mtodos Jerrquicos............................................................................... 155
C.2 Mtodos de Particin.............................................................................. 156
Anexo D: Costo de Conductores y Transformadores .............................................. 159
Anexo E: Aplicacion Proceso de Micro-Optimizacin............................................ 161
Anexo F: Costo Mnimo en la Optimzacin de una Mini-Zona .............................. 168
Anexo G: Resultados de la Micro-Optimizacin..................................................... 170
Anexo H: Resultados Aplicacin Gran Santiago..................................................... 171
vii
INDICE DE TABLAS
Pg.
Tabla 4.1: Evolucin de la distorsin en el caso de ejemplo ..................................... 34
Tabla 4.2: Menor distorsin por nmero de lanzamientos......................................... 47
Tabla 4.3: Resultado seleccin ptima de conductores ............................................. 62
Tabla 4.4: Variacin del costo total con la bsqueda................................................. 70
Tabla 4.5: Efecto del equilibrio de red....................................................................... 72
Tabla 4.6: Confiabilidad del algoritmo...................................................................... 74
Tabla 5.1: Aplicacin diagrama de Voronoi .............................................................. 87
Tabla 5.2: Aplicacin diagrama de Voronoi al caso simplificado............................. 90
Tabla 5.3: Ahorro v/s nmero de combinaciones con cota en 300 kVA................... 99
Tabla 5.4: Ahorros por la recombinacin de redes .................................................. 101
Tabla 6.1: Micro-optimizacin del gran Santiago.................................................... 111
Tabla 7.1: Metodologas de macro-optimizacin sobre Santiago. ........................... 127
Tabla D.1: Listado de transformadores, capacidades y precios ............................... 159
Tabla D.2: Listado de conductores de cobre desnudo.............................................. 159
Tabla D.3: Listado de conductores de aluminio desnudo ........................................ 160
Tabla D.4: Listado de conductores de aluminio preensamblado ............................. 160
Tabla E.1: Evolucin de la funcin de costo total ................................................... 165
Tabla G.1: Simulaciones equilibrio de red............................................................... 170
viii
Tabla G.2: Evolucin de la solucin para distintos tamaos de mini-zonas............ 170
Tabla H.1: Micro-optimizacin del gran Santiago - parte I ..................................... 171
Tabla H.2: Micro-optimizacin del gran Santiago - parte II.................................... 171

ix
INDICE DE FIGURAS
Pg.
Figura 1.1: Estructura de la tesis.................................................................................. 6
Figura 3.1: Ejemplo 10 nodos .................................................................................... 26
Figura 3.2: Triangulacin de Delaunay para el ejemplo de 10 nodos........................ 26
Figura 3.3: Ubicacin de los consumos comuna de Macul........................................ 28
Figura 3.4: Diagrama simplificado del algoritmo propuesto ..................................... 30
Figura 4.1: Divisin en mini-zonas............................................................................ 32
Figura 4.2: Ejemplo de aplicacin de k-means .......................................................... 35
Figura 4.3: Proceso de micro-optimizacin para una mini-zona ............................... 37
Figura 4.4: Trazado vial para una mini-zona ............................................................. 41
Figura 4.5: Asignacin de los consumos a una calle ................................................. 43
Figura 4.6: Componentes conexas de la red vial........................................................ 46
Figura 4.7: rbol de mnima expansin..................................................................... 51
Figura 4.8: Trazado de la red de baja tensin ............................................................ 53
Figura 4.9: Equilibrio de red...................................................................................... 55
Figura 4.10: Efecto de la inclusin del equilibrio en la optimizacin ....................... 72
Figura 4.11: Costo y tiempo total v/s tamao de la mini-zona .................................. 75
Figura 5.1: Diagrama de Voronoi para 30 centros..................................................... 78
Figura 5.2: Diagrama de Voronoi para la comuna de Macul ..................................... 81
x
Figura 5.3: Identificacin zonas interiores diagrama de Voronoi.............................. 82
Figura 5.4: Identificacin y cierre de polgonos con vrtices exteriores ................... 83
Figura 5.5: Envolvente convexa de los centros generadores ..................................... 85
Figura 5.6: Diagrama de Voronoi para una solucin de la micro-optimizacin........ 86
Figura 5.7: Diagrama de Voronoi generado por transformadores de 300 kVA......... 88
Figura 5.8: Desventaja de la divisin en mini-zonas ................................................. 91
Figura 5.9: Ejemplo de la triangulacin de Delaunay................................................ 93
Figura 5.10: Aumento de la triangulacin producto del aumento en la entrada ........ 95
Figura 5.11: Posibilidad de combinacin de redes................................................... 104
Figura 5.12: Configuracin de redes producto de la micro-optimizacin ............... 106
Figura 5.13: Configuracin de redes producto de la macro-optimizacin............... 107
Figura 5.14: Configuracin de redes luego de la macro-optimizacin secuencial .. 108
Figura 6.1: Divisin en mini-zonas del gran Santiago............................................. 110
Figura 6.2: Redes del caso base: micro-optimizacin.............................................. 114
Figura 6.3: Diagrama de Voronoi aplicado a Santiago............................................ 117
Figura 6.4: Creacin de vecindarios para la recombinacin de redes...................... 120
Figura 6.5: Triangulacin de Delaunay para Santiago............................................. 122
Figura B.1: Comportamiento de las hormigas ......................................................... 152
Figura E.1: Ubicacin de consumos en una mini-zona............................................ 161
Figura E.2: Trazado de calles y asignacin de consumos........................................ 162
xi
Figura E.3: Ubicacin y red inicial .......................................................................... 163
Figura E.4: Ubicacin y red del primer mnimo encontrado ................................... 164
Figura E.5: Ubicacin y red en la ltima iteracin .................................................. 165
Figura E.6: Evolucin de la funcin objetivo .......................................................... 166
Figura E.7: Equilibrio de la red ptima.................................................................... 166
Figura F.1: Ejemplos de la evolucin del costo total ............................................... 169

xii
RESUMEN
La planificacin de la distribucin elctrica considerando como input slo la ubicacin y
proyeccin de la demanda de los consumos, es clave en aquellos mercados en que la
distribucin est regulada mediante el esquema de empresa modelo, donde las tarifas son
fijadas de acuerdo a una empresa ficticia ptima, que abastece la misma zona de concesin
de la empresa regulada.
En la presente tesis, se analiza lo referente a la optimizacin de la red de baja tensin
partiendo desde cero (Greenfield planning), as se propone un procedimiento del tipo
Dividir y Conquistar, en que la zona a planificar es dividida en mini-zonas, y a cada una
de ellas se les aplica un procedimiento de optimizacin, con uso intensivo de clustering,
cuyo acierto es considerar en forma acoplada la ubicacin y capacidad de los
transformadores con la red asociada, optimizando tambin su topologa y los conductores
que la componen.
Sin embargo tal divisin es arbitraria, para perfeccionarlo se realizaron dos familias de
metodologas, una que busca realizar una mejor particin, basada en los diagramas de
Voronoi, en que la ubicacin de ciertos transformadores representan los puntos generadores
para los polgonos de Voronoi, logrando mini-zonas irregulares y optimizando cada una de
ellas, y la otra basada en la posibilidad que redes vecinas puedan ser unidas en una misma
red siempre y cuando tal unin genere ahorros, dada la gran cantidad de variables, dicha
construccin es realizada utilizando bsqueda tab.
La metodologa final es una combinacin secuencial de ambas, realizando primero una
adecuada fragmentacin, para luego optimizar cada mini-zona irregular y finalmente
analizar la posibilidad de unin entre ellas. Obteniendo una metodologa que permite
resolver la planificacin desde cero para una zona de gran tamao, la que finalmente es
aplicada sobre la ciudad de Santiago, proceso que entrega como resultado 7.686
transformadores de distribucin con una capacidad instalada de 2.625 MVA, con una red de
distribucin de baja tensin de 8.935 km.

xiii
ABSTRACT
Electrical distribution planning, considering only the location and the projection of
consumptions demands as inputs, is crucial in those markets in which the distribution is
regulated based on the model firm scheme, where prices are set by an optimal fictitious
company that supplies the same concession zone than the regulated company.
In this thesis, the low tension network optimization is analyzed starting from zero
(Greenfield planning), and a divide and conquer procedure is utilized. In this method, the
planning zone is divided into mini-zones and an optimization procedure is applied to each
one of them with intensive use of clustering. The relevant achievement is the coupled
solution of the transformer location and sizing, with the associated optimization of the
network topology and its conductors.
Nevertheless such division is arbitrary and two families of methodologies were developed
to improve it. The fist one tries to make a better partitioning process, based on Voronois
diagrams, where the location of particular transformers represents the generating points for
the Voronois polygons, obtaining irregular mini-zones and optimizing each one of them.
The second method takes advantage of the possibility that neighboring networks can be
combined in a single network, as long as such union generates savings. Given the large
number of variables of this structure, it is solved using Tabu Search.
The final methodology is a sequential combination of both, making in the first place an
adequate fragmentation, then optimizing each irregular mini-zone, and finally analyzing the
possibility of unions among them. A methodology is finally developed, able to resolve the
Greenfield planning for a large scale zone, finally applying it over the city of Santiago,
giving a solution with 7,686 distribution transformers with an installed capacity of 2,625
MVA, and a low tension distribution network of 8,935 km.





1

1. INTRODUCCION
1.1 Planificacin de Sistemas de Distribucin de Energa Elctrica
En la cadena de suministro de energa elctrica es posible distinguir tres grandes
segmentos, encargados cada uno de ellos de una labor clara y definida, el segmento de la
generacin es el responsable de transformar la energa proveniente de diversas fuentes,
tales como combustibles, viento, biomasa, agua, fusin nuclear, en energa elctrica, en
tanto el segmento de la transmisin es el encargado de transportar grandes bloques de
energa desde los centros de generacin hacia los centros de consumo. Finalmente, el
segmento de la distribucin es el encargado de repartir la energa entre los usuarios finales,
ya sean estos residenciales, comerciales o industriales, por tanto constituye el segmento
ms cercano al cliente y por ende est bajo la evaluacin constante de los consumidores,
quienes no pueden cambiarse de compaa distribuidora, producto que este segmento
constituye un monopolio natural.
El monopolio natural se produce cuando es ms eficiente que exista slo una empresa
operando en una determinada zona, que varias empresas operando en la misma, ello dado
que su funcin de costos es subaditiva para el rango de demanda que satisface (Berg y
Tschirhart, 1988), en trminos simples, en el negocio de distribucin, el costo de satisfacer
a un cliente cuando se suministra a muchos clientes a la vez, es ms bajo que cuando se
satisface a un nico cliente, fenmeno conocido como economas de densidad. La
existencia de tal monopolio, requiere una regulacin por parte del estado, de manera que la
empresa regulada remunere adecuadamente su actividad, y as tenga los incentivos para
seguir operando, y los consumidores reciban un adecuado nivel de servicio.
En Chile, la regulacin empleada es por empresa modelo, esto significa que la empresa
en cuestin es remunerada no de acuerdo a sus costos reales, sino que de acuerdo al costo
eficiente de una empresa ficticia que cubrira la misma zona de concesin, la cual debe
estar ptimamente diseada tanto en su gestin como en su poltica de inversiones, de
manera de estar siempre adaptada a la demanda y cumplir las normativas vigentes de
calidad y seguridad de servicio. Para tal diseo, se considera que la construccin de la
2

empresa modelo se realiza desde cero, esto es, la empresa eficiente considera nicamente la
ubicacin y demanda actual y proyectada de los consumos, de manera de no incluir en su
diseo, ninguna de las ineficiencias que podra tener la empresa que est siendo regulada.
Con este tipo de regulacin, la empresa real slo obtendr rentabilidad si es capaz de
comportarse igual o mejor que la empresa modelo en sus gastos de inversin y operacin,
lo que genera incentivos a gestionarse de manera racional y eficiente.
De lo anterior se desprende que la fijacin tarifaria comprende dos aristas bien definidas,
por un lado est la optimizacin de la gestin, vale decir de aquellos costos relacionados
con la administracin, facturacin y atencin al cliente, y por otro, se encuentra la
optimizacin de las inversiones, localizacin y tamao de subestaciones y transformadores,
trazado de la red y tipo de conductores utilizados, es decir la planificacin ptima de la red,
lo que constituye un aliciente importante para el desarrollo de la presente tesis.
Se debe sealar que en los sistemas de distribucin es posible distinguir dos sistemas
relacionados, uno de media tensin, que es el encargado de comunicar las subestaciones
primarias con los transformadores de distribucin y uno de baja tensin que comunica
dichos transformadores con los consumidores finales, siendo por tanto, este ltimo el que
debe abastecer a un gran nmero de consumos. En el presente trabajo se aborda el problema
exclusivo de la planificacin en baja tensin, el cual como se ver en el siguiente apartado,
por s mismo representa un problema complicado y desafiante.
1.2 Planteamiento del Problema
En este trabajo se busca responder a la planificacin ptima de las inversiones, no slo por
su importancia regulatoria, sino tambin por la complejidad del problema, el cual, en
trminos generales, consiste en abastecer un conjunto de nodos, identificados por su
demanda y por su ubicacin espacial, para lo cual se debe determinar el trazado de la red y
el tipo de conductores a utilizar, la ubicacin y tipo de transformadores, a fin de minimizar
los costos de inversin para un horizonte de tiempo determinado, cumpliendo las
restricciones de regulacin de tensin y radialidad de la red. De lo cual se desprende el
carcter combinatorio del problema, con presencia de variables enteras, relacionadas con
las decisiones de inversin, como por ejemplo, nmero entero de transformadores,
3

instalacin o no de un transformador en una posicin determinada, entre otros, y variables
continuas relacionadas con los flujos elctricos y regulacin de tensin. Resumiendo, la
formulacin global del problema sera la siguiente:


{ }
min
transformadores conductores prdidas
CInv CInv C + +
Sujeto a
Abastecer la totalidad de la demanda.
Cumplir la regulacin de tensin.
Existencia de un conjunto discreto de conductores.
Existencia de un conjunto discreto de transformadores.
Realizar un trazado radial de la red.
Respetar las zonas prohibidas de paso.

Se debe sealar que la planificacin de la red de baja tensin, junto con ser un problema de
optimizacin combinatorial, representa un problema del tipo NP-completo
1
(Garey y
Jonson, 1979), esto es que el orden de crecimiento del algoritmo para encontrar la solucin
no est acotado por un polinomio de orden n, de hecho en la actualidad todos los algoritmos
conocidos para problemas NP-completos utilizan tiempo exponencial con respecto al
tamao de la entrada. Con lo cual para resolverlo en un tiempo razonable, se requieren
realizar simplificaciones en las restricciones y/o planteamiento del problema, o buscar
mtodos alternativos que permitan encontrar una buena solucin (Gonen y Ramrez-
Rosado,1986, Khator y Leung, 1997). En particular, el problema aqu sealado, ha tratado
de ser resuelto mediante tcnicas de programacin matemtica, con bastantes
simplificaciones que permiten su convergencia (Adams y Laugton, 1974, Ponnavaikko et.
al.,1987, Gonen y Foote, 1981, Youssef y Hackman, 1988, Ramrez-Rosado y Gonen,
1991, Paiva et. al. 2005) y en los ltimos aos mediante tcnicas meta-heursticas, tales
como intercambio de rama, algoritmos genticos, algoritmos basados en el comportamiento
de las colonias de hormigas, entre otros (Hsu y Chen, 1990, Nara et al. 1992, Miranda et. al.

1
Para mayor informacin referirse al anexo A dedicado a la complejidad algortmica.
4

1994, Goswami 1997, Mguez et. al 2002, Gmez et. al. 2004, Ramrez-Rosado y
Domnguez-Navarro, 2006). No obstante, en ellos no se realiza la optimizacin de gran
tamao (ms de 500.000 nodos), ni la optimizacin conjunta de la localizacin y capacidad
de transformadores con la red asociada, situaciones que en este trabajo sern consideradas.
1.3 Objetivo
Esta investigacin busca contribuir al mejoramiento de los instrumentos de regulacin con
miras a incentivar la eficiencia econmica en el negocio de distribucin de energa
elctrica. A travs de una metodologa que:
a) Permita obtener la planificacin desde cero para la red de distribucin de baja
tensin.
b) Considere el anlisis acoplado entre localizacin y capacidad del
transformador con su red de baja tensin asociada.
c) Sea aplicable a una red de gran tamao.
1.4 Estructura de la Tesis
El trabajo es organizado de la siguiente manera, figura 1.1, en el primer captulo se entrega
una visin de la importancia tanto regulatoria como tcnica de la planificacin de los
sistemas de distribucin, adems de presentar los antecedentes que describen al problema y
a su particular dificultad, mostrando que aspectos del mismo sern considerados en este
trabajo.
En el segundo captulo se entrega una breve resea sobre el estado del arte en la materia,
mostrando brevemente la bibliografa revisada y la evolucin que ha tenido la forma de
abordar el problema, tanto en la incorporacin de variables adicionales como en las nuevas
metodologas planteadas para su solucin.
El tercer captulo muestra los antecedentes de la metodologa propuesta, planteando los
desafos a resolver y los principales supuestos que se asumieron para realizarlos, adems de
presentar en trminos generales los elementos bsicos de dicha metodologa.
Posteriormente en el captulo cuatro y cinco se presentan dos elementos claves del
procedimiento propuesto, que dicen relacin con la optimizacin de zonas pequeas y la
5

integracin de ellas en zonas mayores respectivamente, explicando en detalle cada una de
las partes del algoritmo, y mostrando en cada etapa las decisiones que se tuvieron que
adoptar y los antecedentes en virtud de las cuales se tomaron. Se aplica, cada etapa a un
escenario real, constituido por los consumos de una comuna de la regin metropolitana,
Macul, constituida por 20.215 consumos distribuidos en una superficie 12,9 de kilmetros
cuadrados.
En el captulo seis se aplicarn las mejores prcticas obtenidas de la aplicacin del modelo
a la comuna de Macul, en un problema de gran tamao, dado por la totalidad de la regin
Metropolitana, constituida por cerca de 1.300.000 consumos distribuidos en una superficie
de 2.118 kilmetros cuadrados.
Finalmente, en el captulo siete se presentan las conclusiones del trabajo y los desafos
futuros relacionados con la planificacin de sistemas de distribucin.

6


Figura 1.1: Estructura de la tesis
7

2. ESTADO DEL ARTE Y EVOLUCION
Este captulo pretende entregar una visin del estado del arte en la planificacin de los
sistemas de distribucin, mostrando la evolucin de los algoritmos empleados, con hincapi
en las restricciones consideradas y aplicabilidad en sistemas reales.
Es necesario reiterar la complejidad del problema a resolver (NP-completo) para el cual
resulta imposible encontrar una solucin ptima, que no sea sino a travs de la evaluacin
completa de todos los posibles resultados, lo cual en un ejercicio de planificacin es
imposible, dado el elevado nmero de variables y combinaciones a considerar, por ejemplo,
consideremos un problema con 100 variables binarias, esto es un espacio de bsqueda de
100
2 , es decir 1,26 x 10
30
combinaciones posibles. Suponiendo que en evaluar cada
combinacin, optimistamente se toma 1 femto-segundo, se requerira algo as como 40
millones de aos en encontrar la solucin, por tal razn, los algoritmos que se han
propuesto hasta la fecha, incluyendo el desarrollado en este trabajo, buscan encontrar una
buena solucin, lo que no constituye una merma en la calidad, profundidad e importancia
de las investigaciones, sino que simplemente, constituyen una aproximacin a la correcta
solucin del problema. Es en este sentido, dada la imposibilidad de encontrar el ptimo,
que existen muchos trabajos que intentan dar respuesta al problema, los cuales se pueden
clasificar en dos grandes grupos, aquellos que buscan la solucin mediante programacin
matemtica y aquellos que tratan de hacerlo por medio de vas meta-heursticas.
2.1 Programacin Matemtica
La programacin matemtica tambin conocida como optimizacin matemtica, busca
resolver problemas de maximizacin y/o minimizacin de funciones, sujetas a restricciones,
encontrando siempre la solucin ptima, toda vez que sta solucin exista, mediante la
utilizacin de herramientas matemticas, entre las que se pueden mencionar branch and
bound, programacin dinmica, planos cortantes, etc. Tal como se seala en el comienzo
del trabajo, la complejidad del problema hace que este tipo de algoritmos no pueda resolver
el problema real y por tanto, tenga que abordar relajaciones del mismo, ya sea relajando la
funcin objetivo, por ejemplo separando el problema de la instalacin de transformadores
8

con el problema de trazado y optimizacin de la red, o relajando las restricciones del
problema, tales como linealizacin de costos de red, simplificaciones en el flujo de
potencia, no consideracin de las prdidas, por mencionar algunas.
A continuacin se presentar una clasificacin de algunas de las investigaciones realizadas
en la materia, a fin de vislumbrar la evolucin tanto en la metodologa como los supuestos
empleados. La agrupacin se realizar de acuerdo al tipo de problema que resuelven, ya sea
planificacin de subestaciones y/o transformadores de distribucin, planificacin de redes y
finalmente planificacin conjunta de redes y centros de transformacin, en cada seccin se
seguir la evolucin histrica de los mismos.
2.1.1 Planificacin de subestaciones
Este apartado dice relacin con la instalacin de transformadores y subestaciones, as como
la ampliacin de la capacidad de estas ltimas. Los primeros algoritmos consideraban un
pequeo nmero de subestaciones y adems requeran como entrada la ubicacin de sus
posibles posiciones. Entre los primeros que abordan el problema de aumento de capacidad
de subestaciones est Masud (1974), quien adems de determinar la ampliacin, calcula el
momento en que se debe realizar, con un modelo compuesto de dos etapas, en la primera se
realiza la seleccin de la capacidad a aumentar, mediante programacin entera y en la
segunda mediante programacin lineal se determinan los consumos asociados a cada
subestacin. Otros pioneros son Crawford y Holt (1975), quienes dado un conjunto de
ubicaciones para las subestaciones determinan sus respectivas capacidades y reas de
servicio, mediante el uso del algoritmo de Dijkstra y del algoritmo de Ford y Fulkerson.
Posteriormente Thompson y Wall (1981) incluyen a las posiciones existentes, las posibles
posiciones de nuevas subestaciones como dato de entrada, incorporando una metodologa
distinta a la programacin lineal, mediante el uso de programacin entera, utilizando el
algoritmo de Branch and Bound. Finalmente cabe destacar los trabajos de Willis et al
(1985) y Willis et al (1987), en que la funcin a minimizar esta dada por los costos de
inversin en las subestaciones ms los costos de inversin y prdidas de una red
simplificada, que no considera las restricciones de capacidad de los conductores, ni las
cadas de tensin y que supone que los costos de cada tramo de red son proporcionales al
9

flujo que circula por ellos y a la longitud de los mismos. El procedimiento de solucin
emplea programacin dinmica y Branch and Bound. En Willis et al (1987), se mejora
este algoritmo incorporando la consideracin de la carga anual de los consumos y ubica las
subestaciones de manera que satisfaga la demanda con el mnimo de capacidad instalada.
En los aos posteriores la atencin de los investigadores se centra en la planificacin
conjunta de subestaciones y redes, no obstante el problema de planificacin de
subestaciones desacoplado de la red, nuevamente vuelve a ser abordado en Temraz y
Salama (2002), donde se determina el rea de influencia y la funcin objetivo es
caracterizada por una funcin no lineal sin discontinuidades que se soluciona bsicamente
siguiendo una metodologa de descenso.
De lo anterior se desprende que en lo que respecta a las redes de distribucin planificadas
con programacin matemtica, las investigaciones apuntan al segmento de MT, compuesto
por las subestaciones y alimentadores, sin considerar en el proceso la instalacin de los
transformadores y su red BT, situacin que recin es abordada en un primer intento por
Bujak (1988), realizando la eleccin de la ubicacin de los transformadores de entre un
conjunto de posiciones candidatas, dato de entrada difcil de conseguir en la prctica,
usando para la resolucin del problema como base la tcnica de Branch and Bound
apoyada por mtodos heursticos auxiliares. Otro intento por resolver la ubicacin de los
transformadores en forma independiente de la red se presenta en Moreno et al. (2006),
donde mediante un algoritmo de cluster modificado se asocian los consumos a un
determinado transformador, obtenindose como resultado la ubicacin y capacidad de los
transformadores de distribucin, pero sin entregar informacin acerca de la factibilidad real
de la asociacin, y sin conseguir, adems, el trazado de la red de baja tensin.
2.1.2 Planificacin de redes
Esta seccin aborda la seleccin ptima de conductores y el trazado de la red en forma
independiente de la ubicacin de las subestaciones y transformadores. La primera
investigacin al respecto, fue realizada por Adams y Laughton (1974), en que dada una
ubicacin y capacidad fija de las subestaciones, se escoge la ubicacin y tipo de conductor
de las lneas, minimizando el costo de los conductores a travs de programacin entera
10

mixta, considerando cadas de tensin y capacidad de conductores. Siguiendo los mismos
supuestos, Wall et al (1979), encuentra el trazado y capacidad de las lneas, usando el
algoritmo de transporte y aproximando la funcin de costo de los conductores a una funcin
lineal proporcional a su capacidad trmica. Posteriormente, en 1988, Tram y Wall,
trabajaron en la seleccin ptima de conductores, considerando la topologa de la red como
dato de entrada, lo que implica tomar un alimentador compuesto de n tramos, y para cada
uno de ellos elegir el mejor conductor, considerando como restriccin la cada de tensin y
la capacidad de transporte de los conductores. La funcin a minimizar corresponde a la
suma del costo de inversin ms el costo de las prdidas de todos los tramos del
alimentador, mediante un algoritmo iterativo de bsqueda local. Finalmente cabe
mencionar el trabajo de Mandal y Pahwda (2002) el cual realiza la seleccin ptima de
conductores basado en el menor valor presente, considerando tanto los costos de inversin
y prdidas de cada conductor analizado, presentando dos metodologas para la eleccin de
la mejor alternativa, basadas en la capacidad trmica y econmica de cada conductor.
2.1.3 Planificacin conjunta de subestaciones y redes
Los trabajos de esta seccin buscan resolver tanto la instalacin de las subestaciones y/o
transformadores con la red asociada a ellos. Los primeros en abordar esta temtica fueron
Hindi y Brameller (1977), a travs de un modelo de transporte con restriccin de capacidad
y un algoritmo de Branch and Bound, en el que se minimizan los costos fijos y variables
de las lneas y subestaciones, una vez que se tiene una solucin factible se revisa el
cumplimiento de la restriccin de radialidad, si no la satisface se hacen las modificaciones
para que s lo sea. Resolviendo esta misma funcin objetivo, Gnen y Foote (1981) la
aproximan a una funcin lineal por tramos, y para la ubicacin de las nuevas subestaciones
consideran como dato de entrada las ubicaciones posibles, su acierto est en considerar la
capacidad discreta de subestaciones y conductores, utilizando programacin entera mixta,
dada la gran cantidad de variables necesarias slo se puede aplicar a sistemas pequeos, de
hecho el modelo es probado sobre un ejemplo de tres posibles ubicaciones de subestaciones
que deben satisfacer en total a doce centros de carga (transformadores de distribucin). En
un trabajo posterior Gnen (Gnen y Ramrez-Rosado, 1986), propone un modelo entero
11

mixto, que resuelve simultneamente el problema de subestaciones y alimentadores, pero
esta vez, indicando el tiempo en que se debe realizar una determinada inversin, modelo
multi-etapa, y considerando las restricciones de regulacin de tensin y topologa radial de
la red. No obstante, nuevamente el modelo propuesto es slo aplicable a redes de tamao
reducido, en este caso el modelo es probado en una red con veinte consumos (centros de
consumo) y con cuatro posibles ubicaciones para subestaciones.
Cabe destacar que no todos los trabajos realizan la linealizacin de la funcin objetivo, as
Youssef et al. (1988) considera los costos no lineales, adems, como simplificacin utiliza
slo variables continuas, de modo de resolverlo a travs del mtodo de Lagrange y as
abordar problemas de dimensiones mayores, siendo probado en un sistema con 3
subestaciones existentes, una subestacin futura posible, 27 nodos de consumo y 56 nodos
de trasbordo, para un horizonte de 20 aos. Tambin en Ponnavaikko et al. (1987) se
considera la no linealidad de costos, nuevamente se considera continuidad de las variables
en el proceso de optimizacin, pero en este caso, dentro del proceso son aproximadas a
valores enteros, aplicado a un ejemplo con 10 nodos y 2 posibles ubicaciones para las
subestaciones.
El trabajo de Ramrez-Rosado y Gnen (1991) aborda la caracterstica dinmica del
problema, es decir, no slo obtiene las capacidades y ubicaciones de subestaciones (dado
un conjunto de ubicaciones posibles) y alimentadores, sino que indica el tiempo en que se
deben llevar a cabo las inversiones, realizando un modelo pseudo-dinmico que es resuelto
en dos fases, aplicando en la primera programacin lineal y luego mejorando la solucin
mediante Branch and Bound. El mtodo es aplicado a la expansin de un sistema real, el
cual, no obstante es de baja dimensin, con no ms de cuarenta nodos de consumo, y
considerando la ubicacin de dos subestaciones, una existente y otra posible. Siguiendo con
la consideracin dinmica del problema, Sanhueza y Rudnick (1995) minimizan el valor
presente de la inversin ms operacin y prdidas de un sistema de distribucin, mediante
el algoritmo de descomposicin de Benders, no obstante la gran cantidad de variables, hace
que su aplicacin sea para redes pequeas, inferiores a 20 nodos.
En Vaziri et al. (2001) el modelo propuesto conserva la estructura dinmica, pero se incluye
esta vez la restriccin de presupuesto de la empresa distribuidora, las restricciones tcnicas
12

de subestaciones y alimentadores son incorporadas al modelo y no se realiza una revisin
ex - post de ellas, la funcin objetivo se modela de forma de plantear un problema de
programacin entera mixta, el modelo de ejemplo slo considera 5 centros de demanda y la
ubicacin de una subestacin existente y de otra posible.
Es importante sealar que existen trabajos que apuntan a la naturaleza probabilstica del
problema, en este campo destaca el trabajo de Singh et al (2005), que incluye la
incertidumbre inherente a la proyeccin de la demanda, resuelve la expansin de un sistema
de distribucin mediante Dantzig-Wolfe en que cada subproblema corresponde a un
escenario de demanda, la naturaleza estocstica del modelo genera un gran nmero de
variables (cercanas a 250.000) lo que vuelve a la metodologa inaplicable en un caso real.
Finalmente se encuentra el trabajo de Paiva et. al (2005) que aborda la planificacin
dinmica conjunta de la red de media tensin y de baja tensin de los sistemas de
distribucin mediante programacin lineal entera mixta, considerando una red de baja
tensin detallada, respetando los lmites mximos de conductores, subestaciones y
transformadores, y cumpliendo una cierta regulacin de tensin, no obstante, la aplicacin
real del modelo es infactible, dado que su ejecucin en un sistema de 38 nodos de media
tensin y 37 nodos en baja tensin tarda 29.305 segundos ( aproximadamente 8,15 horas).
2.2 Tcnicas Meta-heursticas
Dada la complejidad y dimensionalidad del problema a resolver, los algoritmos basados en
programacin matemtica no son capaces de considerar todas las variables y restricciones
del problema real, y slo pueden ser utilizados para solucionar aplicaciones en sistemas
pequeos, lo que ha llevado a los investigadores en el ltimo tiempo a buscar nuevas
prcticas que permitan tomar en consideracin el tamao real del problema a resolver y sus
principales restricciones, de manera de obtener buenas soluciones factibles en tiempo
razonable, pero sin garantizar la obtencin del ptimo. Tal tendencia no es prohibitiva de
los sistemas de distribucin, sino que representa la manera a travs de la cual se estn
resolviendo una enormidad de problemas complejos en la actualidad. Esta forma de
resolver se basa en meta-heursticas, de acuerdo a Glover et al. (2003):
13

Las meta-heursticas son mtodos que integran de diversas maneras, procedimientos de
mejora local y estrategias de alto nivel para crear un proceso capaz de escapar de ptimos
locales y realizar una bsqueda robusta del espacio de bsqueda. En su evolucin, estos
mtodos han incorporado diferentes estrategias para evitar la convergencia a ptimos
locales, especialmente en espacios de bsqueda complejos.

Estas tcnicas toman conceptos desde la inteligencia artificial, la gentica, la fsica, la
biologa, entre las ms utilizadas se cuentan los algoritmos evolutivos, los algoritmos
basados en colonias de hormiga, el intercambio de ramas, la bsqueda tab y el temple
simulado
2
.
2.2.1 Planificacin con sistemas expertos
Los primeros que usan este tipo de tcnicas son Hsu y Chen (1990), quienes desarrollaron
un modelo basado en reglas que interactan con el usuario, a travs de un algoritmo
iterativo en que se ubican las subestaciones con el fin de minimizar las prdidas en los
alimentadores, para posteriormente asignar a cada subestacin el consumo ms cercano. Se
debe sealar que no considera el trazado de la red, sino que nicamente la distancia entre el
punto de consumo y la subestacin, el modelo es aplicado a un caso de dos posibles
subestaciones y 23 nodos de consumo.
En la literatura es posible notar que los sistemas expertos no resuelven el problema en
forma independiente, sino que necesitan de la interaccin con el planificador, este es el caso
de Hsu y Chen (1990), Brauner y Zobel (1994) y Lo y Nashid (1996), por lo cual este tipo
de heurstica ha sido paulatinamente abandonada por los investigadores, quienes slo la han
seguido utilizando en combinacin con otros meta-heursticos.
2.2.2 Planificacin con intercambio de ramas
El estudio pionero que introdujo esta metodologa fue de Aoki et al (1990), cuyo objetivo
exclusivo era trazar la red ptima, para ello se parte de una solucin inicial radial, luego se
incorpora una nueva rama que genera un bucle, y luego se saca una rama para eliminar
dicho bucle. La decisin de la rama a incorporar y de la rama a eliminar est sujeta a las
restricciones de capacidad en los conductores y cadas de tensin en los nodos, el proceso

2
Para mayor detalle ver Anexo C referente a diversas metodologas meta-heursticas.
14

se repite iterativamente hasta que no se mejora la solucin. Una modificacin a este estudio
fue propuesta en Nara et al. (1992), donde la tcnica intercambio de ramas (branch
exchange) es utilizada en etapas sucesivas, primero se realiza una iteracin completa para
tener una solucin inicial (primera etapa), luego se permite la adicin y sustraccin de una
rama, aunque empeore la solucin, y contina el proceso (segunda etapa), si el rbol
resultante es mejor que el rbol inicial se reemplaza, el nmero de veces en que se realiza
este proceso debe ser indicado por el planificador, es importante destacar que con esta
tcnica los tiempos de ejecucin comienzan a ser razonables, as trazar la red para un
sistema de 59 nodos tarda aproximadamente un minuto.
En 1997 esta tcnica nuevamente es utilizada para el trazado de la red, Goswami (1997),
pero esta vez no slo aplicada a un nico rbol de expansin (una nica subestacin como
nodo generador del rbol), sino que a un sistema con ms de una subestacin, para lo cual
se propone partir del rbol de mnima expansin asociado a cada subestacin, para luego
intercambiar ramas al interior de una misma red (intercambio intra-zona) e intercambiar
ramas entre redes diferentes (intercambio inter-zonas). Peco (2001) tambin realiza el
intercambio intra e inter zona, toma la ubicacin de subestaciones, transformadores y
consumos como datos de entrada al modelo, respeta los lmites de transporte de los
conductores, la regulacin de tensin y las restricciones geogrficas de la zona en anlisis;
se debe destacar que realiza la optimizacin completa del sistema de distribucin,
analizando mediante tcnicas de auto-aprendizaje la confiabilidad de la red, siendo
aplicable a una red de gran tamao; de hecho en el trazado de una red de media tensin que
conecta 75 subestaciones con 6.740 transformadores se demora tan slo 23 minutos.
En la lnea de lograr la aplicabilidad de la metodologa a sistemas reales y obtener buenos
resultados, Mguez et al. (2002) propone una mejora consistente en realizar en una primera
fase el trazado de la red por medio de intercambio de ramas, y en una segunda fase incluir
nodos de trasbordo que mejoren la solucin (nodos de Steiner) , ello dado que la distancia
no es la nica variante relevante en el trazado de la red sino que tambin lo son los flujos
que transportan los conductores, y con la presencia de estos nodos auxiliares es posible
considerar tal situacin, el mtodo propuesto tarda cuatro segundos en trazar la red asociada
a 387 cargas y 9 transformadores.
15

En trminos generales, de la literatura revisada, se desprende que la metodologa de
intercambio de ramas permite abarcar problemas reales de sistemas de distribucin, no
obstante, slo aborda la problemtica referida al trazado de la red, sin realizar la ubicacin
de las subestaciones y/o transformadores, por lo que constituye una herramienta que por s
sola no resuelve el problema de planificacin de una red de distribucin.
2.2.3 Planificacin con temple simulado (Simulated Annealing)
Esta metodologa ha sido poco empleada en el problema de planificacin de sistemas de
distribucin, principalmente se ha usado en problemas relacionados, tales como la
reconfiguracin de redes (Chang y Kuo, 1994) y la ampliacin de redes por el efecto de la
generacin distribuida (Ponce de Leao y Matos, 1994). Su poco uso es producto de la gran
sensibilidad que presenta frente a los parmetros de control, una mala sintonizacin implica
necesariamente malos resultados, por lo que requiere un gran esfuerzo en la correcta
determinacin de ellos, situacin que ha motivado el abandono paulatino de esta tcnica
como solucin a problemas de optimizacin combinatorial, producto de la existencia de
metodologas alternativas menos sensibles a los parmetros de control.
2.2.4 Planificacin con bsqueda tab (Tabu Search)
La bsqueda tab ha sido utilizada ampliamente en la resolucin de problemas complicados
asociados a la optimizacin combinatorial, y la planificacin de los sistemas de distribucin
no ha sido la excepcin. Uno de los primeros estudios en esta rea fue Nara et al. (1998), en
el que se estudia la expansin del sistema, considerando la incorporacin de nuevos
alimentadores y la localizacin de alimentadores de reserva que aumentan la confiabilidad
de la red.
Sin embargo, los principales aportes con esta tcnica fueron desarrollados por Ramrez-
Rosado y Domnguez-Navarro (2004 y 2006). En Ramrez-Rosado y Domnguez-Navarro
(2004) se utiliza esta tcnica abordando la caracterstica no determinstica del problema, a
travs de la incorporacin de lgica difusa en la definicin de la demanda. El modelo es
mono-etapa, la funcin a minimizar es multi-objetivo y considera la minimizacin de los
costos de inversin, del valor esperado de la energa no suministrada y del riesgo,
16

entendiendo el riesgo como la posibilidad de sobrepasar la capacidad de los alimentadores
y de no cumplir con la regulacin de tensin. Como se trata de una optimizacin multi-
objetivo, el resultado es un conjunto de soluciones en equilibrio paretiano, obtenidas a
travs de bsqueda tab, por lo tanto, la alternativa final debe ser escogida de entre ellas, en
este caso se propone el criterio de Max-mn para su obtencin. El modelo es de expansin,
por lo que recibe la ubicacin de las subestaciones y alimentadores existentes y de las
posibles ubicaciones de las nuevas subestaciones y alimentadores, se aplica a una caso real
de tamao medio dado por 182 consumos, una subestacin existente y dos posibles
subestaciones, es importante sealar que tambin realiza la ubicacin de alimentadores de
reserva. Los mismos autores en un estudio posterior, Ramrez-Rosado y Domnguez-
Navarro (2006), resuelven el mismo problema, pero esta vez incorporando una
modificacin a la bsqueda tab denominada NMTS (siglas de su nombre en ingls New
Multiobjective Tabu Search), en donde su principal caracterstica es intensificar la
bsqueda de la solucin en las tres funciones objetivos del modelo de optimizacin.
En suma esta tcnica ha mostrado ser eficiente en la solucin de problemas de
planificacin, dada su posibilidad de evitar quedar atrapada en ptimos locales, lo que la
convierte en una herramienta atractiva en la resolucin de problemas combinatoriales
complejos.
2.2.5 Planificacin con colonias de hormigas (Ant Colony System)
Esta es una metodologa que no ha sido muy aplicada en problemas de distribucin, no por
cuanto sea una mala herramienta sino por que constituye una meta-heurstica introducida
recin en el ao 1996 (Dorigo, 1996) y por tanto an no ha sido completamente
desarrollada. En relacin a la planificacin de sistemas de distribucin destaca el trabajo de
Gmez et. Al. (2004), en el que se realiza una planificacin en una nica etapa, se
considera como dato de entrada las posibles ubicaciones para las nuevas subestaciones y la
ubicacin de subestaciones y centros de transformacin existentes, respeta la capacidad de
los conductores y subestaciones, la topologa radial de la red, y una determinada regulacin
de tensin. El modelo es aplicado a un rea urbana con 201 centros de transformacin
17

abastecidos desde una nica subestacin, demorando en su ejecucin, entre 26 minutos y 93
minutos dependiendo de la calidad de la solucin buscada.
Esta metodologa presenta la virtud de tener en cada iteracin una mejor solucin que en la
iteracin anterior y por ende fijando el nmero de iteraciones o de colonias de hormiga se
pueden obtener buenos resultados en un tiempo razonable, sin embargo, dicho tiempo es
adecuado en sistemas pequeos puesto que con miles de nodos sera inviable, dado que
cada colonia realiza un proceso completo de construccin de red, y por tanto muchas
colonias implica muchos procesos a completar.
2.2.6 Planificacin con algoritmos evolutivos
El primer trabajo que emplea los algoritmos genticos o evolutivos para su resolucin fue
Miranda et al. (1994), en el cual, la funcin no slo incluye los costos de instalacin y
expansin tanto de conductores como subestaciones y/o transformadores, sino que adems
considera un indicador de calidad de tensin y un ndice de confiabilidad de la red, a los
cuales se les asigna un costo. Como dato de entrada recibe la ubicacin de las nuevas
posibles subestaciones, y realiza una optimizacin multi-etapa, por tanto indica el momento
en que se deben llevar a cabo las inversiones; el mtodo es probado en un sistema 50 nodos,
con dos subestaciones existentes y con dos posibles nuevas ubicaciones. Tambin en el
marco de una optimizacin multi-etapa, Ramrez-Rosado y Bernal-Agustn (1998)
resuelven un modelo de planificacin de expansin, que entrega la ubicacin y tamao
tanto de subestaciones como de alimentadores, el modelo incluye los costos no lineales
asociados a la operacin (costos de prdidas) sin linealizarlos, como dato de entrada recibe
las posibles rutas de los alimentadores y posibles ubicaciones, en la resolucin de un caso
real resuelve la expansin de una red de 417 nodos en 15,25 horas, lo cual ya comienza a
ser atractivo desde el punto de vista prctico. En un estudio posterior Ramrez-Rosado y
Bernal-Agustn (2001), incluyen en su modelo la planificacin multi objetivo,
minimizando los costos de inversin y la energa no suministrada, es decir la confiabilidad
no es valorizada en cuanto a costo (funcin objetivo como minimizacin de una
combinacin lineal de costos) sino que es incluida como un objetivo en el problema, y por
tanto se obtiene un conjunto de soluciones (no una nica solucin como en la optimizacin
18

mono objetivo) en equilibrio paretiano. Luego, es funcin del planificador elegir la
solucin final de entre el conjunto de soluciones encontradas. Es necesario mencionar que
la disminucin de la energa no suministrada se logra con la incorporacin de alimentadores
auxiliares que se encuentran en estado normalmente abierto. El modelo fue probado en un
sistema de 417 nodos con un horizonte de tres aos, donde se obtuvo el conjunto de
soluciones paretianas, sin embargo no se indica su tiempo de ejecucin.
Otro trabajo importante de destacar es el realizado por Carvalho et al (2000), en el que se
incorpora la incertidumbre al problema de planificacin, incertidumbre que es modelada a
travs de un rbol de escenarios posibles. El procedimiento empleado no es el de optimizar
el valor esperado de los distintos escenarios (procedimiento habitual), ya que de esta
manera lo nico que se consigue es una poblacin de soluciones que son muy buenas en
promedio pero que son un desastre en un escenario particular (Carvalho et al 2000), en su
lugar, propone una metodologa en que cada escenario constituye un subproblema, cada
poblacin evoluciona de acuerdo a su propio escenario para luego evolucionar tomando en
consideracin su costo esperado en los dems escenarios. En Ferreira et al (2001), estudio
del que tambin participa Carvalho, se realiza la expansin del sistema de distribucin y su
reconfiguracin, lo interesante de este modelo es que es aplicado a un sistema de media
tensin compuesto por 54 subestaciones y 8.964 nodos, tardando slo 28 minutos.
Finalmente se debe mencionar el trabajo de Daz-Dorado (2002, 2003) por su aplicabilidad
a un sistema real, si bien nicamente realiza el trazado de la red, recibiendo como dato de
entrada la ubicacin de subestaciones, transformadores y consumos y no considera la
dimensin temporal del problema, s incluye en el anlisis la topologa vial, esto es, que el
trazado de la red se realiza slo sobre las calles de la zona en estudio. Tambin se debe
sealar que en este trabajo se aborda el problema de los alimentadores de respaldo para
darle ms seguridad a la red de distribucin de media tensin. Esta metodologa fue
aplicada a un caso real con 3 subestaciones, 242 transformadores y 1.852 nodos tardando
60.000 iteraciones en encontrar la solucin final.
La utilizacin de esta meta-heurstica ha sido abordada ampliamente por los investigadores
en planificacin de sistemas de distribucin y como gran acierto se encuentra su aplicacin
a redes de tamao real.
19

En resumen, y tomando en consideracin los estudios antes sealados, es posible afirmar
que las metodologas basadas en programacin matemtica han sido abandonadas por los
investigadores para abordar el tema de la planificacin de sistemas de distribucin, ello
dada su imposibilidad de resolver problemas cercanos a la realidad, y en contrapartida, han
seguido el camino del desarrollo y aplicacin de meta-heursticas, que si bien no permiten
encontrar el ptimo, representan una muy buena aproximacin a la solucin de problemas
reales.


20

3. METODOLOGIA DESARROLLADA
3.1 Antecedentes Generales
Considerando la revisin bibliogrfica realizada, es posible inferir que las tcnicas de
programacin matemticas no son adecuadas para resolver problemas de planificacin de
sistemas de distribucin, ello debido a que slo son capaces de resolver ejercicios de
tamao reducido (Gonen y Foote, 1981, Ponnavaikko et al, 1987, Gnen y Ramrez-
Rosado, 1986, Vaziri et al, 2001), y en caso de abordar problemas de mayor envergadura,
los tiempos de ejecucin crecen exponencialmente con el tamao de la entrada (Paiva et. al.
2005). Por lo cual la planificacin de sistemas de distribucin, a partir de la dcada de los
90 ha sido ampliamente explorada a travs de tcnicas meta-heursticas, que permiten
responder problemas de mayor dimensionalidad (Peco, 2001, Ferreira et al, 2001, Daz-
Dorado 2002, Daz-Dorado 2003), con la desventaja de no ser capaces de encontrar el
ptimo de la funcin objetivo que caracteriza al problema en cuestin. No obstante, se debe
tener siempre presente que en la mayora de las ocasiones en ingeniera se buscan buenas
soluciones, dado que las ptimas son imposibles de conseguir.
De la revisin tambin es posible constatar, que si bien los investigadores que utilizan
tcnicas meta-heursticas abordan problemas de mayor dimensionalidad en comparacin
con los que utilizan tcnicas de programacin matemtica, en la mayora de los casos tales
aumentos de tamao no representan, en absoluto, problemas reales y en el mejor de los
casos resuelven problemas reales de dificultad media, en zonas donde no existe gran
cantidad de consumos (Ramrez-Rosado y Bernal-Agustn, 1998, Mguez et al, 2002,
Ramrez-Rosado y Domnguez-Navarro, 2004). Excepciones a esto, lo constituyen los
estudios de Daz-Dorado (1999) y de Peco (2001) en los que realmente se resuelven
problemas de gran tamao, aplicables a provincias completas de Espaa, sin embargo, el
modelo de Peco, que muestra una optimizacin completa tanto del sistema de media tensin
como del de baja tensin, no realiza la ubicacin de los transformadores, sino que los
considera como datos de entrada al problema, por lo que la resolucin en trminos
generales hace referencia a la eleccin de la ruta ptima en baja tensin y a la ruta y
21

respaldo correspondientes en media tensin, desconociendo la relacin existente entre
ubicacin del transformador y la red asociada al mismo, siendo su principal acierto la
incorporacin del trazado vial como restriccin de la optimizacin, de forma tal que las
redes asociadas a un determinado transformador no crucen por zonas prohibidas, sino que
respeten el callejero. Por otro lado, el modelo de Daz-Dorado (1999), incorpora en el
algoritmo la ubicacin ptima de transformadores, y si bien realiza la optimizacin
conjunta de la red de baja tensin con la de media tensin, la relacin que se establece entre
ambas es a travs de simplificaciones, as al planificar la red de baja tensin, se asume que
la red de media tensin est dada por el rbol de mnima expansin, lo que constituye una
simplificacin relevante, pero que permite una aproximacin a la resolucin del problema.
Su mayor falencia es que no manifiesta explcitamente la posibilidad de considerar la
restriccin vial, de hecho en una investigacin posterior basada en el estudio en cuestin,
queda de manifiesto la ausencia de la topologa vial como restriccin a la solucin del
problema (Daz-Dorado, 2003).
En el contexto sealado, la presente investigacin seguir en la lnea de la optimizacin de
sistemas reales, pero esta vez considerando la interaccin que se produce entre los centros
de transformacin y la red, respetando la topologa vial de la zona a optimizar. Se debe
reiterar el inters regulatorio de contar con un modelo de planificacin que pueda optimizar
el sistema de distribucin nicamente considerando la ubicacin y el tamao de las cargas,
es decir que sea capaz de trazar la red, calcular las capacidades ptimas de los conductores
asociados a ella, obtener la ubicacin y capacidad de subestaciones y transformadores. A
este tipo de planificacin se le conoce como greenfield planning, caracterizndose por
una gran complejidad, dada por el enorme nmero de variables de decisin y por la gran
cantidad de consumos a suministrar (tamao elevado de la entrada), siendo este
precisamente el problema que busca resolver esta investigacin. Sin embargo, considerando
la enormidad de variables involucradas en el problema, se abordar slo lo referente a la
planificacin de redes de distribucin elctrica en su componente de baja tensin, ello
debido a que representa un problema en s mismo, que no ha sido lo suficientemente
abordado. De la revisin bibliogrfica muy pocos se refieren al tema de la planificacin de
baja tensin, ya sea en forma independiente o de manera conjunta (Peco 2001, Paiva et. al.
22

2005), lo que lo convierte en un tema de gran inters a resolver y que adems podra ser
utilizado en trabajos futuros, como una componente de un modelo que aborde ntegramente
la planificacin tanto en media como en baja tensin.
Tambin al igual que en los dos estudios citados, dada la gran cantidad de variables a
abordar, se considera un modelo de solucin esttico, es decir, la planificacin del sistema
tomar en cuenta slo una etapa de anlisis, en la cual, se utilizarn las demandas
pronosticadas para el ltimo ao del horizonte de planificacin, con lo que el conjunto de
inversiones a realizar no presentar un cronograma de actividades, por tanto no responde a
la pregunta cundo invertir?, sino que supone que todas las obras necesarias deben ser
construidas en el mismo instante, es decir al inicio del perodo de planificacin.
Con las consideraciones anteriores el modelo a resolver puede representarse mediante la
siguiente formulacin matemtica (Daz-Dorado, 1999), siendo la ecuacin (3.1) la funcin
objetivo que incluye los costos fijos y variables de los transformadores y de la red de baja
tensin, la ecuacin (3.2) garantiza el equilibrio de flujo en los nodos del sistema, mientras
que las ecuaciones (3.3) y (3.4) limitan la capacidad de los transformadores y conductores,
respectivamente, a sus valores mximos nominales, las ecuaciones (3.7), (3.8) y (3.9)
garantizan que las cadas de tensin no pasen de un valor determinado y finalmente la
ecuacin (3.12) fuerza la radialidad de la red
3
.
( )
( )
( )
( ) ( , ) ,
min
ik ik ik ik ijk ijk ijk ijk
i Trafos k TT i i j R k TC i j
g y f c x

+ + +

(3.1)
( )
( )
( ) ,
i jik ijk ik
k TT i j N k TC i j
y x x b i N

+ =

(3.2)
0 , ( )
ik ik ik
y V i N k TT i (3.3)
0 ( , ) , ( , )
ijk ijk ijk
x U i j R k TC i j (3.4)
{ } 0,1 , ( )
ik
i N k TT i (3.5)

3
Garantiza radialidad siempre y cuando no existan nodos de bifurcacin, en cuyo caso se deben utilizar
mtodos heursticos que rompan los enmallamientos que se pueden producir, el mtodo ms utilizado se
conoce como load splitting, en el cual se determina el nodo de la malla al que llega potencia por dos ramas, en
cuyo caso se divide el nodo y las ramas que salen de l, repartiendo de manera adecuada la carga.
23

{ } 0,1 ( , ) , ( , )
ijk
i j R k TC i j (3.6)
( )
( ) ,
( ) ( ) ( , )
i ij j ji ijk jik ijk
k TC i j
v D v D G x x i j R

+ + =

(3.7)
0 (1 ) ( , )
ij ij
D D i j R (3.8)
min
i
V v i N (3.9)
( )
0 1
ik
k TT i
i N

(3.10)
( )
0 1 ( , )
ijk
k TT i
i j R

(3.11)
( ) ( , ) ( , )
, ( , )
ik ijk
k TT i i N k TC i j i j R
N i N i j R

=

(3.12)

El detalle de las variables es el siguiente:
N : nmero de nodos de la red.
R : conjunto de ramas factibles.
TT(i) : conjunto de tipos de transformadores posibles de instalar en el nodo i.
TC(i) : conjunto de posibles tipos de conductores a instalar en la rama (i,j).

ijk
: variable binaria que indica si existe la rama entre los nodos (i,j)
utilizando el conductor tipo k.

ik
: variable binaria que indica si existe un transformador del tipo k instalado
en el nodo i.
x
ijk
: variable real que representa el modulo de la potencia que cruza por la rama
(i,j) a travs del conductor tipo k.
y
ik
: variable real que indica el modulo de la potencia que inyecta el
transformador tipo k instalado en el nodo i.
g
ik
: costo fijo del transformador tipo k instalado en el nodo i.

ik
: costo por unidad transformada en el transformador tipo k del nodo i.
v
i
: mdulo de la tensin en el nodo i.
24


D
ij
: variable de holgura
4
asociada a las cadas de tensin en el nodo i producto
del flujo que viene desde el nodo j.
G
ij
: variable de proporcionalidad que relaciona el flujo entre el nodo i y el
nodo j, con la cada de tensin en el nodo i producto del flujo que se mueve
desde j.
D : mxima variacin de cada de tensin permitida.
V
min
: menor modulo de voltaje permitido en el ejercicio de planificacin.
3.2 Breve Explicacin de la Metodologa Desarrollada
Para resolver el modelo sealado y en atencin a su imposibilidad de solucionarlo va
programacin matemtica se presenta una metodologa heurstica que ser explicada paso a
paso, siguiendo su aplicacin para el caso de Macul, comuna de Santiago, compuesta de
20.215 consumos, repartidos en una superficie de 12,9 kilmetros cuadrados.
Como ya se ha hecho referencia, encontrar el ptimo para un problema de estas
dimensiones, es imposible de realizar en un tiempo razonable, al menos con las
restricciones computacionales presentes en la actualidad. Por lo cual se propone una meta-
heurstica, cuyo corazn est constituido por tres tcnicas principales, por una tcnica de
cluster denominada k-means que ser importante para la determinacin de la ubicacin de
los transformadores y las redes asociadas a ellos, por una tcnica llamada diagramas de
Voronoi, que permitir realizar una asignacin inteligente de los consumos, y finalmente
por una meta-heurstica de optimizacin denominada bsqueda tab, mediante la cual, se
podrn mejorar las soluciones encontradas.
3.3 Cmo abordar el problema?
Dado un conjunto de nodos, representados por su ubicacin en el plano cartesiano, se desea
conocer el nmero de redes, configuracin y diseo, asociada a cada transformador, es
decir en primer trmino se requiere crear subconjuntos de consumos que sean abastecidos

4
Variables de holgura necesarias debido a que a priori no se conoce cuales son los nodos que se conectarn
para formar la red.
25

por un mismo transformador para luego trazar su red. Por ejemplo, si se tienen diez nodos,
se pueden realizar 1.023 subconjuntos distintos, donde cada subconjunto es abastecido por
un nico transformador. Ello de acuerdo a la siguiente expresin:

( )
10 10
10
1 1
10 10 10 10
10!
... 2 1 1.023
1 2 10 ! 10 !
i i
i i i
= =
| | | | | | | |
+ + + = = = =
| | | |

\ \ \ \



Adems, si se considera que al interior de cada grupo el transformador puede tomar
cualquiera de las posiciones, entonces se tiene:

( )
10 10
1 1
10 10 10 10
10!
1 2 ... 10 5.120
1 2 10 ! 10 !
i i
i i
i i i
= =
| | | | | | | |
+ + + = = =
| | | |

\ \ \ \



Por lo tanto, para un caso sencillo de 10 nodos, existen 5.120 posibles soluciones a evaluar.
No obstante, se debe sealar que tal nmero constituye una cota superior para el conjunto
de soluciones factibles, dado que muchos de los subconjuntos, producto de una determinada
configuracin de los consumos, no tienen sentido prctico, debido a que estn constituidos
por nodos que se encuentran alejados.
26

1 2 3 4 5 6 7 8 9 10
1
2
3
4
5
6
7
8
9
10

Figura 3.1: Ejemplo 10 nodos
En la figura anterior se puede apreciar claramente que no todos los subconjuntos son
viables, de hecho slo aquellas combinaciones que agrupan nodos vecinos son factibles de
analizar. Por lo cual, para conocer en forma aproximada el nmero de combinaciones
factibles, se procede a limitar las agrupaciones a aquellas que estn conectadas por medio
de arcos pertenecientes a la triangulacin de Delaunay, de acuerdo a la siguiente figura.

1 2 3 4 5 6 7 8 9 10
1
2
3
4
5
6
7
8
9
10

Figura 3.2: Triangulacin de Delaunay para el ejemplo de 10 nodos
[m]
[m]
[m]
[m]
27

Es decir slo las agrupaciones, que contengan nodos unidos a travs de los arcos sealados
en la figura sern consideradas, con lo que se limitan los subconjuntos a los casos vecinos.
Se debe sealar brevemente, que la triangulacin de Delaunay se refiere a aquella, en que
cada circunferencia circunscrita a cada tringulo de la red no contiene ningn vrtice
perteneciente a otro tringulo de la red
5
, identificando como consumos (nodos) vecinos a
quienes se encuentran unidos por una arista de un polgono de la triangulacin. Realizando
esto, se obtiene que el nmero de subconjuntos posibles
6
para la configuracin utilizada
como ejemplo, es del orden de 4.300 casos, menor a los 5.120 iniciales. Si se quieren
restringir an ms los casos posibles, se pueden evaluar nicamente las combinaciones que
se producen entre cada nodo y sus nodos ms cercanos (conectados por una nica arista),
con lo que el nmero de casos factibles es de
7
197. Dicha cantidad no constituye un nmero
elevado de combinaciones, por lo que podra ser resuelto sin inconvenientes por un mtodo
tradicional de programacin matemtica. No obstante el problema que se busca resolver en
el presente trabajo, tiene una dimensionalidad mayor, de hecho considerando los 20.215
consumos se tendra como cota superior casi infinitas combinaciones (2
20215
-1).

5
La triangulacin de Delaunay constituye el dual del diagrama de Voronoi, ambos sern explicado es detalle
en el captulo 5.
6
Subconjuntos factibles dados por aquellas combinaciones que representan un subgrafo de la triangulacin de
Delaunay.
7
La triangulacin de Delaunay depende de la distribucin espacial de los consumos y por tanto el nmero de
subconjuntos posibles variar de un caso a otro dependiendo de tal o cual configuracin.
28

3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
x 10
4
6000
7000
8000
9000
10000
11000
12000

Figura 3.3: Ubicacin de los consumos comuna de Macul
Si se consideran nicamente las combinaciones posibles entre cada nodo y sus vecinos
(calculados a travs de la triangulacin de Delaunay, y acotados a no ms de tres elementos
por grupo), se tienen 242.483 combinaciones posibles, lo que ratifica que el problema en
cuestin no puede ser resuelto a travs de tcnicas convencionales. Surgiendo
inevitablemente la siguiente pregunta, Cmo abordar el problema?.
La estrategia propuesta para conseguirlo esta basada en la tcnica conocida como Dividir
y Conquistar, que bsicamente consiste en resolver subproblemas del mismo tipo que el
problema principal pero de menores dimensiones, es decir, dividir Macul en zonas de
menor tamao donde cada una de ellas representa un subproblema, de manera de disminuir
el nmero de combinaciones al resolver problemas con menos consumos (la dificultad del
problema crece exponencialmente con la entrada), con lo cual la suma de las
combinaciones posibles en cada subproblema es mucho menor que el total de
combinaciones del problema completo, logrndose de esta manera afrontar de forma
razonable el problema en cuestin. Especficamente los pasos fundamentales de esta tcnica
son:

[m]
[m]
29

1. Plantear el problema de manera que pueda ser descompuesto en k problemas distintos,
del mismo tipo que el problema principal, pero de menor tamao. Por tanto si el tamao
de la entrada es n, entonces el tamao de cada subproblema, denotado por n
k
, debe
cumplir que 0 n
k
n, este proceso se denomina divisin.
2. Cada subproblema se debe resolver en forma independiente. Lo interesante de esta parte
del procedimiento es que abre la posibilidad para realizar cada uno de los subproblemas
en forma paralela, utilizando distintos computadores para cada uno de ellos, con lo que
es posible obtener importantes ahorros en los tiempos de ejecucin.
3. Finalmente se deben combinar las soluciones obtenidas en el paso dos para as lograr la
solucin del problema global.

Por tanto, la forma de solucionar el problema en cuestin es dividir la zona de gran tamao
a planificar, en zonas regulares de menor tamao, para despus aplicar a cada una de esas
mini-zonas, un proceso de optimizacin, que se denomina proceso de micro-optimizacin,
luego para combinar cada una de las soluciones y encontrar los ahorros, producto de ver el
problema en forma global, se realiza un proceso denominado macro-optimizacin, en
particular se desarrollan dos metodologas base de macro-optimizacin, una basada en
diagramas de Voronoi y otra basada en la bsqueda tab, para finalmente mostrar la
combinacin de ambas y los ahorros correspondientes que se producen. En los siguientes
captulos se explicarn en detalle cada una de las alternativas mencionadas, que se ilustran
en el siguiente esquema:
30


Figura 3.4: Diagrama simplificado del algoritmo propuesto
31

4. PROCESO DE MICRO-OPTIMIZACION
4.1 Descripcin General
Tal y como se seal en el captulo anterior la divisin en mini-zonas permite acercarse a la
solucin del problema, ya que logra disminuir el nmero de variables involucradas y el
gran nmero de combinaciones que se producen entre ellas. Este captulo se concentra en el
desarrollo de la metodologa propuesta para la optimizacin de cada mini-zona,
manteniendo la misma funcin objetivo y restricciones del problema completo, esto es,
buscando la ubicacin y capacidad de transformadores, la topologa de la red asociada a
cada uno de ellos, el tipo de conductor para cada tramo de la red, respetando las
restricciones viales, las cadas de tensin, la radialidad de la red, todo ello en el marco de la
minimizacin de la inversin en transformadores y conductores ms los costos asociados a
las prdidas.
La metodologa desarrollada puede ser aplicada a cualquier mini-zona de tamao n x m, en
particular, para entender el algoritmo se mostrar la aplicacin para mini-zonas de 500
metros x 500 metros. Una vez que el procedimiento completo sea revisado, se realizar el
proceso de micro-optimizacin para distintos tamaos de mini-zonas, de forma que sea
posible apreciar el efecto de tal eleccin en el resultado final.
32

3.6 3.7 3.8 3.9 4 4.1
x 10
4
7000
8000
9000
10000
11000
12000

Figura 4.1: Divisin en mini-zonas
Para cada una de las zonas sealadas en la figura anterior, se requiere agrupar los consumos
asignando un transformador a cada agrupacin, de manera tal que se evite realizar la
enumeracin completa de todas las posibles alternativas (subconjuntos), es decir se debe
conseguir una agrupacin inteligente de los consumos, la forma propuesta para lograrlo es a
travs de un algoritmo de bsqueda local combinado con anlisis de cluster. Para
comprender la tcnica empleada, se realizar una pequea resea referente al anlisis de
cluster
8
para luego explicar el algoritmo propuesto.
4.2 Anlisis de Cluster
El anlisis de cluster es una tcnica estadstica multivariante, cuyo objetivo es dividir un
conjunto de elementos en grupos, de manera que las caractersticas de los elementos
pertenecientes a un mismo grupo sean muy similares entre s, situacin denominada
cohesin interna, y las caractersticas de elementos pertenecientes a distintos grupos sean
diferentes, situacin conocida como aislamiento externo del grupo. Para conocer tal
similitud se hace necesaria la existencia de medidas que indiquen el grado de parecido,

8
Para mayor informacin refirase al anexo C
[m]
[m]
33

medidas de proximidad, o diferencia, medidas de distancia, que existen entre dos elementos
que se quieren agrupar.
En particular, la tcnica de cluster que se emplear en el presente trabajo, es el algoritmo de
k-means, que permite clasificar un conjunto de n datos en k subconjuntos, donde la cantidad
de grupos a formar, k, es un dato de entrada del algoritmo. ste, en trminos sencillos est
compuesto por los siguientes pasos:

1. Eleccin de k datos de los n a agrupar, estos constituyen los k centroides iniciales.
Se calculan las distancias de los datos a cada uno de los centroides. Cada dato es
asignado al centroide ms cercano, formndose k grupos.
2. Para cada uno de los grupos se calcula el nuevo centroide como el valor medio de
todos los datos asignados a l.
3. Se repite el proceso 2 y 3 hasta que se satisface un criterio de convergencia
determinado.

La medida de distancia utilizada por el algoritmo corresponde a la distancia euclidiana,
dada por:
2
( , ) ( ) ( )
T T
X X X X
d x x x x = = (4.1)
Donde:
d : distancia euclidiana.
x : vector de posiciones de los datos.

X
: valor medio de los datos (centroide).

El criterio de parada est dado por el mnimo entre un nmero mximo de iteraciones
permitidas y la variacin de la distorsin entre dos iteraciones sucesivas. El nmero
mximo de iteraciones es un dato de entrada al algoritmo y depender de la convergencia
presentada en el problema a resolver. En tanto que la distorsin es la suma de todas las
distancias a su respectivo centroide.
34

2
1
( )
i
k
i
i x C
D i x
=
=

(4.2)
Donde:
D(i) : distorsin al finalizar la iteracin i.
k : nmero de clusters.
C
i
: cluster i-simo.

De la expresin anterior se desprende que el criterio de parada ser ( ) ( 1) D n D n +
9

A modo de ejemplo en la figura (4.2) se emplea la tcnica para crear tres subconjuntos
utilizando como criterio la cercana entre los nodos, en la iteracin 1 se parte con la
ubicacin aleatoria de los tres centros, sealados mediante tringulos, a cada uno se le
asignan los nodos ms cercanos (identificados en la figura por un mismo color), para luego
mover tales centros al centroide del subconjunto, dicho proceso se repite, en este caso
durante 12 iteraciones, dado que ms iteraciones no presentan mejoras a la solucin, lo que
se aprecia claramente en la tabla 4.1.
Tabla 4.1: Evolucin de la distorsin en el caso de ejemplo
Iteracin
Distorsin
(Km)
Inicial 5230
1 4957
2 4504
3 3775
4 3459
5 3226
6 2966
7 2752
8 2633
9 2615
10 2611
11 2609
12 2609



9
Con , definido por el planificador, no obstante usualmente est entre 0.5 % y 1%.
35

Se debe notar que entre la iteracin 11 y 12 no existe variacin de la distorsin, de no
haberse logrado la convergencia el algoritmo se detiene cuando se alcanza un nmero
mximo de iteraciones, el cual en este trabajo es de 200 iteraciones.
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
x 10
4
7700
7750
7800
7850
7900
7950
8000
8050
8100
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
x 10
4
7700
7750
7800
7850
7900
7950
8000
8050
8100
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
x 10
4
7700
7750
7800
7850
7900
7950
8000
8050
8100
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
x 10
4
7700
7750
7800
7850
7900
7950
8000
8050
8100
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
x 10
4
7700
7750
7800
7850
7900
7950
8000
8050
8100
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85
x 10
4
7700
7750
7800
7850
7900
7950
8000
8050
8100

.
Figura 4.2: Ejemplo de aplicacin de k-means


Iteracin 1 Iteracin 3
Iteracin 5 Iteracin 7
Iteracin 9 Iteracin Final
[m]
[m] [m]
[m] [m]
[m] [m]
[m]
[m] [m]
[m]
[m]
36

4.3 Metodologa de Micro-Optimizacin
Del apartado anterior se desprende que k-means permite una eleccin inteligente de
subconjuntos, de hecho si los datos de entrada estn dados por los consumos y los
centroides representan a los transformadores, se puede realizar una buena ubicacin de los
mismos, sin necesidad de aumentar los tiempos de ejecucin, situacin que si se produce
probando todas las combinaciones. Sin embargo, es suficiente slo con k-means para
realizar la ubicacin ptima de transformadores y red asociada?. La respuesta es no, ello
dado que k-means por si mismo no entrega el nmero de transformadores, sino que slo
agrupa las cargas en un nmero elegido a priori de subconjuntos, y no incluye la relacin
que existe entre los consumos asignados a un transformador con el mismo, a travs de la
red que los conecta, ni menos an respeta las restricciones geogrficas, con lo que
consumos cercanos pero imposibles de conectar son indiferentes para k-means.
En Moreno et al. (2006) se realiza una aproximacin a la determinacin de un parque
ptimo de transformadores para una zona determinada. Mediante esta tcnica de cluster, no
obstante, en tal trabajo se realiza nicamente la ubicacin de los transformadores, que son
elegidos previamente a travs de una optimizacin va programacin matemtica, con lo
que se disocia la ubicacin del transformador de su eleccin, es decir, existe la posibilidad
que transformadores que son ptimos para una determinada carga puntual, puede que ya no
lo sean cuando la carga a satisfacer est distribuida en el plano, dado que tal asignacin no
consider las restricciones viales, existencia de caminos para trazar la red, ni los costos
asociados a la topologa de la misma, situaciones todas que hacen posible dudar de la
bondad de la eleccin realizada por separado de la ubicacin. Es por ello que en el presente
trabajo se busca optimizar la red de baja tensin sin disociar la eleccin de la capacidad y
ubicacin de un transformador con su trazado y por tanto con el costo de su red asociada.
El algoritmo propuesto consiste bsicamente en un procedimiento de descenso en donde
para cada mini-zona se comienza con la ubicacin de un transformador, despus se calcula
el costo de la red asociada, que respeta la topologa vial, y el costo del transformador que
satisface la demanda, luego se realiza el mismo procedimiento para el caso de dos
transformadores, as sucesivamente hasta que se encuentra el ptimo. El supuesto que
37

sustenta la metodologa es que en la medida que aumenta el nmero de transformadores en
una mini-zona, disminuye el costo asociado a la red y aumenta el costo de transformacin,
situacin que hace posible encontrar un mnimo. Al final del presente captulo se mostrar
la validez real de dicho supuesto.

Figura 4.3: Proceso de micro-optimizacin para una mini-zona
El diagrama de flujo simplificado del algoritmo propuesto se muestra en la figura (4.3),
antes de explicar en detalle cada una de sus etapas, se deben especificar los supuestos
empleados, en primer trmino es necesario establecer que el perodo de estudio a planificar
corresponde a 15 aos, la eleccin de este horizonte se debe por un lado a la necesidad de
realizar una planificacin de largo plazo y por otro a un inters comparativo, dado que el
estudio regulatorio conocido en Chile como VAD
10
utiliza el mismo perodo, con lo cual es

10
VAD: Valor agregado de distribucin, que busca remunerar a la distribuidora por los costos en que incurre
al llevar la energa que compra a los generadores hasta los consumidores finales. Como la distribucin
constituye un monopolio natural, es la autoridad quien debe fijar tal valor, el que posteriormente ser
traspasado mediante tarifa a los consumidores. Tal fijacin se realiza cada 4 aos y consiste en determinar
cuales son los costos de una empresa distribuidora ficticia, empresa modelo, que presta eficientemente el
servicio en la misma zona de concesin, o una similar, que la distribuidora regulada. Es importante sealar
que: El concepto que est detrs de la definicin de la empresa modelo, corresponde a la simulacin de una
situacin de competencia, cuando aparece un nuevo prestador del servicio con costos y tecnologas actuales,
38

posible contrastar los resultados obtenidos mediante esta metodologa con los obtenidos en
el ltimo estudio tarifario. Es por esta necesidad de comparacin que se utilizarn los datos
de costos del ltimo informe de VAD, realizado el ao 2004, es decir se tomar tal ao
como punto de partida del horizonte de planificacin, teniendo presente siempre que tal
estudio considera tanto el crecimiento horizontal, aparicin de nuevos centros de consumos,
como el crecimiento vertical de la demanda, aumento en el consumo de los clientes ya
existentes. Por el contrario, en el presente trabajo slo se considera el crecimiento en el
consumo de energa y potencia de los clientes existentes a lo largo del horizonte de estudio.
Otra consideracin que se debe tener en cuenta es que en la investigacin aqu expuesta,
slo se realiza la optimizacin de la red de baja tensin suponiendo que toda la distribucin
se realiza mediante redes areas, en tanto que el estudio de VAD considera adems redes de
distribucin subterrneas en aquellos lugares donde la empresa regulada las posee, por
tanto los resultados obtenidos finalmente no sern del todo comparables, pero s permitirn
observar la bondad de la solucin encontrada, realizando un cotejo con los costos en redes
areas, nmero de transformadores empleados, largo de red utilizada, capacidad de
transformacin instalada, entre otros parmetros relevantes de comparacin.
Para fines del estudio y mostrar la metodologa desarrollada se supone un crecimiento
uniforme en toda el rea de concesin de 2,75 % en la demanda de potencia, con lo que
aparece un nuevo supuesto, ste es, asumir que es posible conocer la demanda mxima
coincidente de cada uno de los consumos asignados a un mismo transformador, lo cual en
distribucin elctrica de baja tensin es una tarea complicada que slo puede ser resuelta de
manera aproximada, debido a que casi la totalidad de los clientes conectados a la red de
baja tensin slo poseen medidores de energa con lo que no es posible contar con un
historial de demanda que permita realizar proyecciones mediante mtodos predictivos
clsicos. Debido a que tal proyeccin es una tarea en si misma que depende de mltiples
variantes, tales como uso de suelo, crecimiento econmico, proyectos inmobiliarios, gestin
de la demanda, entre otros, no ser resuelta en el presente trabajo cuyo objetivo es plantear
una metodologa adecuada al problema de planificacin de redes de baja tensin y por tanto

cuya eficiencia le permite acceder al mercado o bajar los precios, de forma tal que los prestadores existentes
deben adaptarse al nuevo precio de equilibrio o simplemente desaparecer (CNE, 2003).
39

se adoptar la solucin propuesta por Inecon
11
en el estudio de VAD 2004 (Systep e Inecon
2004), la que consiste bsicamente en la determinacin de una funcin del factor de carga
que depende del nmero de clientes que pertenecen a una determinada agrupacin, de tal
manera que conocida la energa que consume una agrupacin de clientes sea posible
determinar la potencia mxima coincidente de dicho grupo y con ello dimensionar en forma
ptima las instalaciones. Esta metodologa es adecuada dado que las lecturas disponibles
son en esencia de energa, siendo datos confiables, en tanto la curva de factor de carga es
una aproximacin que se obtuvo de una muestra representativa de 2000 transformadores
que poseen tanto lectura de energa como de potencia. As realizando subconjuntos de entre
esos 2000 clientes, a travs de simulaciones de Montecarlo, fue posible la construccin de
la expresin para el factor de carga
12
, sealada en la ecuacin (4.3), con la cual es posible,
conociendo la energa, calcular la demanda mxima coincidente para cualquier conjunto de
clientes.
Referente a los supuestos relacionados con la demanda se debe indicar que las cargas se
asumieron del tipo (P + j Q), con un factor de potencia idntico para todos los consumos de
0,93 inductivo.
500
(%)
40%
Clientes si Clientes
Fc
en otro caso

=
`
)
(4.3)
Donde:
Fc : factor de carga del grupo de clientes
Clientes : nmero de clientes de la agrupacin.
: 0,1687
: 0,1577
: 6,3314%.

11
Ingenieros y Economistas Consultores SA www.inecon.cl
12
En este trabajo se supondr como correcto el trabajo de ajuste de factor de carga realizado por Inecon en
Estudio para el Clculo de las Componentes de Costo del Valor Agregado de Distribucin (VAD), rea
Tpica 1: Chilectra (Systep e Inecon, 2004)
40

Tambin se debe constatar que al tratarse de una planificacin desde cero el nico dato de
entrada lo constituye la demanda de los consumos y su posicin, la cual corresponde a la
ubicacin georreferenciada de cada uno de los medidores de la mini-zona en cuestin. Sin
embargo la sola ubicacin de los consumos no es suficiente, dado que consumos que de
acuerdo a su distancia se encuentran cercanos, podran estar separados por un accidente
geogrfico que no permita la asociacin entre ellos. Otra situacin posible es que existan
consumos al interior de una zona urbana, que pertenezcan al mismo subconjunto pero que
sean imposibles de unir dado que no existe red vial que los conecte. Para evitar tales
situaciones se propone considerar el trazado vial en el proceso de optimizacin, por lo cual
se requiere conocer la georreferenciacin de todas las calles, o tramos de calles, que
pertenecen a la mini-zona, y la pertenencia de cada uno de los consumos a una nica calle,
de esta forma ser posible asociar consumos que puedan ser conectados y se evitar el paso
a travs de zonas prohibidas.
Por lo cual, como etapa previa al proceso de micro-optimizacin, se debe realizar para cada
una de las mini-zonas el trazado vial, la asignacin de los consumos, y la determinacin de
la conectividad vial.
4.3.1 Etapa previa: determinacin de la red vial
La necesidad de esta etapa previa, tal y como ya se mencion, surge del objetivo de lograr
una agrupacin posible de los consumos, de forma que las asignaciones propuestas por la
metodologa sean replicables en la realidad. Para ello se debe considerar que para toda la
zona en anlisis se posee una base de datos con la posicin de los consumos y la demanda
de energa de cada uno de ellos, que pueden ser fcilmente ingresados a la metodologa. Sin
embargo, con las calles sucede algo ms engorroso, dado que los datos disponibles de ellas,
corresponden a una cobertura de ARCVIEW
13
, es decir corresponden a una representacin
vectorial de las calles en un sistema de informacin geogrfica (SIG), entendiendo un SIG
como un sistema basado en computador capaz de trabajar con datos georreferenciados, en
el cual se realiza la entrada, gestin, manipulacin, anlisis y salida de dichos datos

13
Paquete de programas SIG que trabaja con representaciones vectoriales de cada objeto geogrfico ya sea a
travs de puntos, lneas, o polgonos.
41

(Aronnof, 1995), debido a tal situacin, el acceso a las coordenadas de las calles no es
inmediato, dado que su representacin est en el formato de poli-lneas (representacin
vectorial) y no como una sucesin de puntos, no obstante, tal representacin vectorial, esta
implcitamente basada en la sucesin de tramos, por ende, en este trabajo los datos
sealados se consiguieron con la creacin de un programa en Avenue, lenguaje de
programacin propio de ARCVIEW 3.2, mediante el cual se pudo obtener la posicin
inicial y final de cada tramo que compone una misma calle. Situacin que se puede apreciar
en la figura (4.4), donde se muestra el trazado vial para una mini-zona, en ella los puntos
representan a los consumos y los asteriscos representan los vrtices de los tramos de calles
obtenidos desde la cobertura en ARCVIEW.
3.785 3.79 3.795 3.8 3.805 3.81
x 10
4
7050
7100
7150
7200
7250
7300

Figura 4.4: Trazado vial para una mini-zona
Una vez que se conoce la topologa vial es de suma importancia, para garantizar que la red
de baja tensin se trace a travs de ella, conocer a que calle pertenece cada consumo, para
conseguir este objetivo se toma como supuesto, que cada consumo esta asociado al tramo
de calle ms cercano, asignacin que es realizada con el procedimiento general que se
explica a continuacin:
[m]
[m]
42

1. Se calcula la ecuacin de la recta para todos los tramos de la mini-zona,
almacenando los vrtices que unen un tramo y su ecuacin correspondiente.
Recurdese que dados dos vrtices (X
1
,Y
1
) y (X
2
,Y
2
) , la recta que los une es:

( )
2 1
1 1
2 1
Y Y
Y X X Y
X X
| |
= +
|

\
(4.4)

Para los casos en que la pendiente es infinita, es decir en aquellos donde el tramo es
paralelo al eje Y (X
2
=X
1
), se modific la posicin de uno de los vrtices en tan slo
unos centmetros, de forma que no se indefiniese la funcin (ecuacin 4.4). Adems
en los casos en que existe redundancia de informacin, esto es cuando los tramos,
no representan intersecciones de calles, sino que simplemente son divisiones en una
misma cuadra, se muestrearon tales vrtices de manera obtener la misma
informacin en un nmero menor de tramos, con lo que se disminuye el nmero de
ecuaciones a calcular y por ende el tiempo de iteracin de la metodologa. Ejemplo
tpico de esto, lo constituyen las rotondas en que la informacin disponible asigna
tramos cada un metro, ya que se trata de emular una circunferencia mediante
polgonos regulares con sobre 100 aristas, no obstante tal exceso de informacin es
en la prctica irrelevante, por lo que se opta aproximar tales rotondas por decgonos
regulares.
2. Se calcula la distancia entre todos los consumos y todos los tramos de calles, a
travs de la ecuacin que determina la distancia entre un punto y una recta. Los
clculos aprovechan el ordenamiento matricial de los datos, con lo que es posible
obtener, sin necesidad de un proceso iterativo, una matriz en que el elemento d
ij
,
indica la distancia entre la recta que representa al tramo i y el consumo j.
3. Se asigna cada consumo a su tramo ms cercano. Se debe tener presente que la
distancia calculada indica la distancia perpendicular entre el consumo y la recta, si
se denomina como proyeccin del consumo sobre la recta, al punto en la recta en el
que se mide tal distancia, se consideran como candidatos factible de asignacin,
aquellos tramos en que la proyeccin del consumo sobre la recta pertenece a un
43

tramo, es decir que se encuentre contenido entre el vrtice inicial y final sobre los
que se traza dicho tramo. Con lo que se garantiza que los consumos sean asignados
al tramo de recta ms cercano, situacin real, lo que no necesariamente coincide con
la recta ms cercana. Por lo tanto cada consumo es asignado al tramo de calle
factible ms cercano de acuerdo a la distancia euclidiana que los separa.

Con el procedimiento anterior es posible determinar una buena aproximacin sobre la
pertenencia de un consumo a una determinada calle, lo que ser de gran utilidad a la hora
de trazar la red. En la figura 4.5 se observa la aplicacin del procedimiento a una mini zona,
en ella los puntos representan a los consumos y las cruces a sus proyecciones sobre el
trazado de las calles.





Figura 4.5: Asignacin de los consumos a una calle
Por tanto ahora ser posible trazar la red de baja tensin soslayando los accidentes
geogrficos, dado que se asume que el trazado vial tambin los evita, as ser imposible
trazar una red a travs de un cerro, dado que no existir calle que lo atraviese, sino que por
3.798 3.8 3.802 3.804
x 10
4
7070
7080
7090
7100
7110
7120
7130
7140
7150
7160
3.785 3.79 3.795 3.8 3.805
x 10
4
7050
7100
7150
7200
7250
[m]
[m]
[m]
[m]
44

el contrario, ser rodeado por la red vial, con esto no slo se considera la distancia como
parmetro de trazado de la red sino que se utiliza la distancia de comunicacin sobre un
grafo determinado (red vial), es decir la distancia vial que une un punto A y B, lo que no
necesariamente coincide con la distancia a campo traviesa entre ambos puntos, logrando
obtener mayor informacin y por ende una mejor aproximacin para resolver el problema
real.
Sin embargo, an queda un problema importante a resolver en esta etapa previa, el cual esta
dado por evitar asociar en un mismo subconjunto elementos que en la prctica no puedan
ser unidos, debido a la ausencia de red vial que los conecte. En este caso es necesario
sealar, que la zona que se busca planificar es eminentemente urbana, no obstante la
metodologa propuesta puede resolver indistintamente zonas de abastecimiento rural y
urbanas, y por cierto una mezcla de ambas. La nica distincin al respecto es que si en una
mini-zona no existe trazado vial, lo que probablemente corresponder a una zona rural, la
distancia a utilizar ser simplemente la distancia a campo traviesa, por lo que el problema
en discusin no tiene cabida, ya que cualquier subconjunto ser posible. Situacin que no
ocurre cuando si existe red vial, caso tpicamente urbano, en el que el trazado no puede
pasar por zonas edificadas y debe entonces respetar a cabalidad el callejero, es decir se
unirn en una misma red slo aquellos consumos que puedan ser comunicados a travs de
la red vial. Para evitar entonces la asignacin a priori de cargas no comunicadas, se divide
cada mini-zona en islas viales, donde cada isla vial corresponde al conjunto tramos de red
conectados en que es posible acceder a cualquiera de los tramos de la isla desde cualquier
tramo de ella mediante una sucesin de tramos intermedios que los unen.
En trminos matemticos, sea el trazado vial en la mini-zona un grafo G (V, E) no
orientado, con V el conjunto de vrtices y E el conjunto de arcos (vrtices y tramos de la
red vial respectivamente). El grafo se asume no orientado
14
, puesto que para efectos de la
red elctrica, no es de importancia conocer el sentido de las calles. De acuerdo a la teora de
grafos se tienen las siguientes definiciones:

14
Grafo no orientado, tambin denominado grafo no dirigido es un par G=(V,E), con V conjunto finito de
vrtices y E conjunto de arcos, donde un arco es un par no ordenado (u,v) con u,v pertenecientes a V y u
distinto de v.
45

Se dice que entre los vrtices v
o
y v
k
existe un recorrido de longitud k si existe una
sucesin de vrtices y aristas de la forma {(vo, v
1
), (v
1
, v
2
), (vi, v
i+1
), , (v
k-1
, v
k
)}.
Se denomina camino de longitud k entre los vrtices u y v pertenecientes a V, a un
recorrido de longitud k desde el vrtice u al vrtice v que tiene k aristas diferentes
entre s.
Si existe un camino P desde u hasta v se dice que v es alcanzable desde u mediante
P.
Se dice que el grafo es conexo si dos vrtices cualquiera pertenecientes a V estn
conectados por un camino de longitud k, con k: {1,...,E}.
La relacin, u es alcanzable desde v y v es alcanzable desde u, sobre el conjunto de
los vrtices V del grafo es una relacin de equivalencia. Las clases de equivalencia
son el conjunto de vrtices sobre los que se puede establecer entre todos sus vrtices
la relacin de equivalencia y finalmente las componentes conexas de G, son todos
los grafos (subconjuntos del grafo principal) generados a partir de las clases de
equivalencia.

A modo de ejemplo en la figura 4.6 se presenta un grafo en donde es posible observar tres
componentes conexas, una est demarcada por una circunferencia, otra por un rectngulo, y
la tercera corresponde al resto del grafo que no se encuentra delimitado.
46

3.88 3.89 3.9 3.91 3.92
x 10
4
8050
8100
8150
8200
8250
8300
8350
8400
8450
8500
8550

Figura 4.6: Componentes conexas de la red vial
De la figura y de las definiciones anteriores se desprende que el nmero de islas viales al
interior de una mini-zona es igual al nmero de componentes conexas del grafo que
representa a la red vial al interior de dicha mini-zona, donde cada una de tales islas
constituye una red conexa. Por lo tanto el ejercicio a realizar consiste precisamente en
determinar el nmero y estructura de cada componente conexa, denominada en este trabajo
isla vial. Para ello se realiza una algoritmo constructivo, se encuentra en primer trmino la
matriz de tramos coincidentes, cuya variable X
ij
, indica si el tramo i con el tramo j tienen un
vrtice en comn, el valor uno indica que s existe vecindad y el valor cero indica la no
existencia de vrtices comunes, posteriormente se comienza en un arco cualquiera del grafo
total, y por medio de la matriz de tramos comunes se identifican los tramos vecinos, los
cuales pertenecen claramente a la misma isla vial, luego se incorporan progresivamente los
vecinos de los vecinos encontrados, y as sucesivamente hasta que no es posible incluir ms
vecinos, de esta manera se construye una isla (subgrafo conexo), si todos los tramos (arcos)
de la mini-zona son incluidos implica que la red vial de la mini-zona es conexa, de lo
contrario se elige un vrtice que no pertenezca a la isla encontrada y se vuelve a realizar el
procedimiento, secuencia que se repite hasta que no queden tramos sin asignar.
[m]
[m]
47

Una vez que se tienen las islas viales, y teniendo en consideracin que todos los consumos
al interior de cada una de ellas son posibles de comunicarse a travs de la red vial, se debe
incorporar una pequea modificacin al algoritmo propuesto en el diagrama de flujo de la
figura 4.3 (referente a la micro-optimizacin), esta es que en vez de realizar la metodologa
para cada mini-zona se realizar para cada isla de cada mini-zona, con lo cual se evita la
asignacin de consumos entre zonas sin conectividad vial, con esta consideracin se puede
comenzar con el anlisis de cada una de las etapas ah sealadas. Considrese que el
algoritmo parte con la asignacin de i transformadores, en particular con i igual a uno.
4.3.2 Ubicacin y asignacin de los transformadores
La ubicacin preliminar de los transformadores se realiza va k-means sin la consideracin
de la red vial de cada isla, sino que nicamente en atencin a la distancia euclidiana de los
consumos, tal como se observ en la explicacin de k-means, el algoritmo parte con la
ubicacin de los centros en cualquier posicin, elegidos aleatoriamente entre los consumos,
con lo cual no se garantiza obtener siempre una misma solucin, para minimizar tal efecto,
se usan tres lanzamientos, es decir se realiza la ubicacin de i centros tres veces para as
escoger el caso de menor distorsin.
Tabla 4.2: Menor distorsin por nmero de lanzamientos
N de
Lanzamientos
Distorsin
Total (Km)
N de
Lanzamientos
Distorsin
Total (Km)
1 409132 10 396566
2 402308 11 397209
3 396766 12 405501
4 397964 13 401698
5 397355 14 398206
6 400994 15 394098
7 392883 16 385206
8 390408 17 392108
9 386930 18 388492
10 395619 19 396934


La eleccin particular de tres lanzamientos se debe por un lado a reconocer la naturaleza no
determinstica del mtodo k-means, y con ello asumir que un nico lanzamiento no entrega
48

necesariamente la mejor respuesta, y por otro no incrementar sin necesidad los tiempos de
ejecucin, dado que se podran, en el extremo, realizar cientos de lanzamientos para as
elegir con mayor probabilidad una mejor eleccin, con un tiempo de ejecucin tambin
cientos de veces mayor. No obstante de la tabla 4.2, donde se muestra la menor distorsin
total para 300 mini-zonas cuando se realizan distintos lanzamientos, se puede observar que
no existen grandes beneficios en realizar para cada ubicacin de centros un nmero
superior a 3 lanzamientos, por lo que se elige dicho nmero en virtud que representa un
buen mix entre calidad de la solucin y tiempo de ejecucin asociado.
Una vez que se realiza la ubicacin preliminar de los transformadores, estos de acuerdo a la
metodologa ya planteada, referente a la asignacin de las calles, son re-ubicados en la calle
ms cercana, de forma que tambin su conexin a los consumos asociados respete la
topologa de la red vial de su mini-zona correspondiente.
Luego de esto, al conocerse ya la ubicacin sobre la red vial de cada transformador y sus
consumos asociados, se asigna considerando la tasa de crecimiento de la demanda la
capacidad de cada uno de ellos, siguiendo los siguientes pasos:
1. Se calcula la demanda media que debe satisfacer el transformador en el ao base,
esto es, se suman las energas de cada uno de los consumos asignados al
transformador y se divide por el nmero de horas del perodo (8760 horas).
2. Se obtiene el factor de carga a partir de la expresin (4.3) considerando el nmero
de clientes asociados al transformador.
3. Se obtiene la demanda mxima coincidente (Dmax) de los consumos para el ao
base, a partir de la demanda media (Dm) y del factor de carga (Fc)
max
max
m m
c
c
D D
F D
D F
= = (4.5)
4. Se asigna el menor transformador capaz de abastecer la evolucin de la demanda
mxima coincidente a lo largo del horizonte de estudio.

Si no existe un transformador capaz de satisfacer la demanda de sus consumos asociados,
es decir uno de los i transformadores cubre una demanda superior a la que es capaz de
49

entregar el mayor transformador disponible
15
, entonces se vuelve a realizar el proceso de k-
means, pero esta vez con i+1 ubicaciones, proceso que se realiza hasta que todas las
localizaciones tienen asignado un transformador (capacidad de transformacin).
Por tanto al finalizar el proceso se tiene la ubicacin y capacidad de cada transformador
ms la ubicacin de cada uno de los consumos que deben abastecer. El siguiente paso es
determinar la topologa y costos de la red de baja tensin que los conecta con las cargas que
deben suministrar, por lo que es necesario calcular el costo de los conductores empleados y
el costo de las prdidas asociadas a la red.
4.3.3 Trazado de red
El criterio empleado para obtener el trazado de la red se basa primordialmente en la
distancia que existe entre los consumos, adems, con el fin de incorporar la incidencia del
flujo en la red, el transformador se mover a una nueva ubicacin una vez que la red ptima
sea escogida, de manera de estar aproximadamente en un nodo donde la red se encuentre
equilibrada, es decir que la diferencia entre los flujos que salen de l no sea considerable.
Es por esto que el trazado de la red consistir bsicamente en trazar el rbol de mnima
expansin con raz en la ubicacin del transformador. Entendindose a tal rbol como el
grafo no dirigido de menor distancia que conecta todos los nodos sin generar ningn ciclo
16

(grafo acclico), y siendo la raz del rbol el nico vrtice del grafo que no tiene un arco que
lo preceda.
Se debe sealar que el problema del rbol de mnima expansin es un problema clsico de
optimizacin combinatorial. Fue formulado por primera vez en 1926 por Boruvka,
precisamente en un problema de electrificacin, luego de ello esta modelacin ha sido
aplicada para enfrentar numerosos problemas en variadas reas como telecomunicaciones,
sistemas de transporte, entre otros, a travs de procedimientos que han permitido su
solucin, los cuales debido a su complejidad algortmica hacen del rbol de mnima
expansin un problema del tipo P, es decir, tales algoritmos resuelven el problema en
tiempo polinomial. Estos fueron desarrollados en forma casi paralela por Kruskal (1956) y

15
La tabla con las capacidades y costos de los transformadores disponibles se muestra en el Anexo D
16
En un grafo no dirigido un camino {V
0
, V
1
, V
3
, , V
K
} forma un ciclo si V
0
=V
K
y los V
i
son distintos
50

Prim (1957), ambos corresponden a algoritmos voraces, lo que significa que en cada
iteracin escogen la mejor alternativa para ese instante sin considerar los pasos futuros.
Considerando un grafo G (V, E) donde cada arco E tiene un peso (valor) asociado, que en el
caso en cuestin corresponde a la distancia que existe entre los nodos que comunica el arco,
el algoritmo de Kruskal se puede resumir en los siguientes pasos:

1. Se marca el arco con menor peso. Si hay ms de uno se escoge cualquiera de ellos.
2. De los arcos que quedan, se marca el que tenga menos peso, nuevamente si hay ms
de uno se escoge cualquiera de ellos.
3. Repetir el paso 2 siempre y cuando el arco escogido no forme un ciclo con los ya
marcados.
4. El algoritmo termina cuando existen n-1 arcos marcados, siendo n el nmero de
nodos del grafo.

En tanto el algoritmo de Prim se puede resumir como sigue:

1. Se marca un nodo cualquiera como nodo de partida, denominado raz del rbol, con
lo que se inicializa.
2. Se agrega al rbol aquel vrtice que este conectado a cualquier vrtice del rbol por
el arco de menor peso.
3. Se repite el paso 2 siempre que el arco que se incluye conecte un vrtice que
pertenece al rbol con uno que an no pertenece a l.
4. El proceso termina cuando todos los vrtices pertenecen al rbol.

Dado que ambos algoritmos presentan la misma complejidad O(n log n), con n el nmero
de vrtices (tamao de la entrada), se opta arbitrariamente, por utilizar el algoritmo de Prim
en el trazado de la red en atencin a su fcil implementacin computacional. En la figura
siguiente se puede apreciar su aplicacin para un transformador y sus cargas asociadas.
51






Figura 4.7: rbol de mnima expansin
Sin embargo, en ella es fcilmente apreciable que la aplicacin directa del Algoritmo de
Prim no respeta las zonas prohibidas dado que se observan cruces a travs de las zonas
urbanas (entre calles), lo que se evita si se considera el trazado vial como restriccin para el
trazado de la red de baja tensin. Por lo tanto para guiar el camino del algoritmo se utilizan
las proyecciones de los consumos sobre las calles en vez de su posicin real, guardando
siempre la distancia desde los consumos a su proyeccin ya que esta constituye una
aproximacin a la longitud de los empalmes a emplear. Sin embargo, tal informacin si
bien permite que consumos que pertenecen a una misma calle queden conectados, no
garantiza que no existan cruces en zonas distintas a las esquinas, por lo cual se incluyen
nodos auxiliares que permitan sealar de mejor manera las rutas posibles del algoritmo,
estos nodos son los vrtices de los tramos de calle, lo que ayuda a garantizar bifurcaciones
slo en las intersecciones de tramos, y otros nodos extras en aquellos tramos que si bien
pertenecen a la mini-zona no poseen consumos de manera de permitir las uniones de
consumos a travs de tramos que no los poseen. En trminos sencillos el algoritmo
empleado es:

3.785 3.79 3.795 3.8 3.805 3.81
x 10
4
7050
7100
7150
7200
7250
3.793 3.794 3.795 3.796 3.797 3.798 3.799
x 10
4
7180
7200
7220
7240
7260
7280
7300
[m] [m]
[m] [m]
52


1. Se inicializa el rbol con la posicin del transformador (raz del rbol).
2. Se agrega al rbol aquel nodo an no incluido, real o auxiliar, que est ms cercano
a cualquiera de los nodos del rbol, siempre y cuando tal nodo pertenezca al mismo
tramo.
3. Se repite el paso 2 hasta que todos los nodos del tramo son incluidos.
4. Se agrega al rbol aquel nodo an no incluido, real o auxiliar, ms cercano a los
vrtices del conjunto de tramos ya incluidos que pertenezca a un tramo vecino,
definiendo tramo vecino a aquel que comparte un vrtice con el tramo en cuestin.
5. Se repite el paso 2 y 3 para el nuevo tramo incluido.
6. Se repite el paso 4 y 5 hasta que todas las proyecciones de los consumos sobre los
tramos de calle, sean agregados, situacin que hace que el algoritmo finalice.

Del paso 6 se desprende que el criterio de parada no esta dado por el uso de todos los
nodos, reales (proyecciones de los consumos) y auxiliares, con lo que posiblemente
caminos que sigue el algoritmo a travs de nodos auxiliares no conectan nodos reales Para
soslayar tal efecto se lleva a cabo un proceso de poda, en que todos aquellos nodos
auxiliares que no entregan informacin, es decir que slo sirvieron para ampliar el espacio
de bsqueda, pero que finalmente no conectaron nodos reales son eliminados, de manera de
tener nicamente el rbol de mnima expansin en que todas las hojas
17
del rbol son nodos
reales. Ejemplo del trazado de la red se presenta en la figura 4.8.



17
Si (u, v) es el ltimo arco en el camino desde la raz del rbol hasta el vrtice v, entonces se dice que u es el
padre de v y v es hijo de u. La raz es el nico nodo del rbol que no tiene padre. Un nodo sin hijo se
denomina hoja y el resto de los nodos se denominan nodos internos.
53





Figura 4.8: Trazado de la red de baja tensin
Si bien en la figura anterior, se aprecia claramente el trazado de la red de baja tensin
respetando la topologa vial, y que la posicin del transformador se ubica aproximadamente
en el centroide de la red, lo que ayuda a garantizar una buena solucin, dado que de esta
manera los flujos se reparten en forma equilibrada, tal situacin no es garantizable para
todos los casos, debido a que la eleccin del centroide se realiza en la etapa de k-means, sin
la consideracin vial, sino que de acuerdo a la cercana de consumos pertenecientes a una
misma isla de una mini-zona determinada, con lo cual la proyeccin de dicho centroide
sobre el tramo de calle ms cercano, no necesariamente coincide con el centroide de lnea
de la red de baja tensin trazada (situacin que si ocurre en la figura 4.8). Es decir en tal
ubicacin no se produce el mejor equilibrio entre los flujos que salen del transformador,
razn por la cual se realiza la reubicacin de los transformadores mediante el equilibrio de
la red, metodologa descrita a continuacin.
Equilibrio de red
En esta sub-etapa se lleva acabo la re-localizacin de cada uno de los transformadores
desde su posicin inicial dada por la proyeccin del centroide calculado con k-means sobre
el tramo de red ms cercano, a una nueva posicin en que los flujos que salen desde el
transformador sean lo ms parecidos posibles, ello en virtud de que es imposible equilibrar
totalmente la red (flujos iguales por todas las ramas que salen del transformador), dado que
3.84 3.85 3.86 3.87 3.88 3.89
x 10
4
6900
6950
7000
7050
7100
7150
7200
7250
7300
7350
7400
3.84 3.845 3.85 3.855 3.86
x 10
4
7050
7100
7150
7200
7250
7300
[m]
[m]
[m] [m]
54

para disminuir el espacio de bsqueda constituido por cualquier posicin (x, y)
perteneciente a la red, se consideran como ubicaciones factibles del transformador slo
aquellos nodos incluidos en la red, ya sea se trate de consumos o de nodos auxiliares, por
tanto el equilibrio total de la red puede que no pertenezca al conjunto de posiciones
factibles.
Para llevar a cabo el equilibrio en cuestin, se propone un algoritmo iterativo, puesto que
no existe una metodologa directa para encontrarlo, de hecho se debe hacer notar que el
centroide de una figura compuesta por tramos no necesariamente pertenece a la figura, sino
que puede ubicarse externo a ella, lo que no garantiza encontrar el equilibrio de red
buscado. La metodologa propuesta se basa en el hecho que un movimiento del
transformador, del que se supone salen dos ramas, desde su posicin inicial hacia el nodo
hijo de la rama de mayor flujo, har que tal flujo disminuya en P y por tanto la rama de
menor flujo aumentar en P. El algoritmo simplificado es el siguiente:

1. Se calculan los flujos que salen por ambas ramas del transformador. Se define
equilibrio como el valor absoluto de la diferencia entre los flujos.
2. Se ubica el transformador en el nodo hijo con mayor flujo.
3. Se revisa el nmero de ramas que salen desde la nueva posicin
Si el nmero de ramas es 2
3.1. Se calculan los flujos que salen por ambas ramas
3.2. Se repiten los pasos 2 y 3 hasta que el equilibrio no disminuya ms.
Si el nmero es mayor que 2
3.4 Se parte desde los hijos de la nueva posicin, la que no se considera factible, y
se realiza el proceso 3, siempre y cuando por la rama se mejore el equilibrio
4. El proceso finaliza cuando no es posible seguir ningn camino de la red que mejore
el equilibrio. Ntese que si un camino empeora el equilibrio, no se contina la
bsqueda a travs de l, con lo que no se revisan todas las ubicaciones sino slo las
que estn en la direccin del descenso.
55





Figura 4.9: Equilibrio de red
En la figura 4.9 se muestra la aplicacin del algoritmo de equilibrio para dos redes, en ellas
el tringulo de mayor tamao representa la posicin inicial del transformador, mientras que
el tringulo de menor tamao corresponde a la posicin de equilibrio de la red, los nodos no
asignados corresponden a los nodos auxiliares no utilizados en el trazado de la red
(producto del proceso de poda). Se debe destacar que el equilibrio de red incorpora mejoras
en la solucin final, puesto que disminuye los costos producto de una mejor asignacin de
los conductores, de hecho el ahorro producto de su incorporacin oscila entre 1,5% a 3%
respecto a la solucin que no incorpora el equilibrio. Por ejemplo, en una corrida del
modelo para la comuna de Macul, considerando mini-zonas de 500 por 500 metros, se
obtiene un costo de 1.906.194.901
18
pesos si no se considera el equilibrio, en cambio al
incluirlo, el nuevo costo es de 1.820.926.206 pesos, lo que representa un ahorro de 4,47 %,
no obstante el incremento en el tiempo de ejecucin para este ejemplo es de 114 %,
aumentando desde 3,05 minutos a 6,55 minutos. Por lo que, evidentemente, existe un trade
off entre tiempo de ejecucin y calidad de la solucin, el que se vuelve ms importante en
la medida que la zona a optimizar crece, situacin que se analizar en detalle al finalizar el

18
Los datos presentados en este prrafo corresponden a valores promedio obtenidos a partir de 20 corridas
distintas del modelo. Para ms detalles refirase a la seccin Iteraciones y Resultados del presente captulo.
3.785 3.79 3.795 3.8 3.805 3.81
x 10
4
7050
7100
7150
7200
7250
3.8 3.805 3.81 3.815 3.82
x 10
4
7700
7750
7800
7850
7900
7950
[m] [m]
[m] [m]
56

presente captulo, una vez que todas las etapas del proceso de micro-optimizacin se
encuentren explicitadas.
4.3.4 Seleccin ptima de conductores
Una vez que se conoce el trazado de la red de baja tensin asociada a cada uno de los
transformadores de la mini-zona, ya sea incluyendo o no el equilibrio de red, es necesario
conocer cuanto vale dicha ruta ptima, es decir se debe valorizar el trazado, en cuanto uso
de material y longitud del mismo. Del apartado anterior, se conoce la distancia existente
entre cada uno de los nodos y por ende la distancia de cada uno de los tramos que tienen
asociado algn tipo de conductor. El valor del conductor asociado a cada tramo depender
del tipo de material empleado y del flujo que por l atraviesa, por lo que es necesario llevar
a cabo una seleccin ptima de conductores, de manera que el conductor escogido para
cada tramo minimice los costos de inversin ms prdidas.
La seleccin ptima de conductores ha sido abordada en numerosas investigaciones
(Adams y Laughton, 1974, Wall et al, 1979, Tram y Wall, 1988, Mandal y Pahwda, 2002),
siendo uno de los procedimientos ms usados en planificacin el de separar el problema de
seleccin del resto de la red, esto es, elegir un conductor pseudo ptimo para cada uno de
los tramos en funcin exclusiva de los flujos que lo atraviesan y las variables elctricas y
econmicas relacionadas con el flujo en cuestin, sin considerar el efecto que tal eleccin
tiene aguas abajo de la red (Mandal y Pahwda, 2002). Dado que el procedimiento ya ha
sido realizado y no constituye un aporte original al problema de planificacin, en el
presente trabajo se opta por usar los resultados obtenidos en el estudio de VAD del ao
2004
19
(Systep e Inecon, 2004), no obstante tal metodologa ser igualmente presentada, de
manera de constatar las variables involucradas en el proceso de optimizacin de redes de
baja tensin, en lo referente a seleccin de conductores.
Antes de ello, para utilizar en forma directa tal metodologa es fundamental conocer los
flujos de potencia que circulan por cada uno de los tramos, tarea que no es trivial, dada la
considerable cantidad de cargas involucradas en cada una de las redes, situacin que hace

19
El uso de los mismos valores se realiza para poder tener un marco comparativo que permita analizar los
resultados obtenidos en la investigacin aqu propuesta.
57

necesario realizar algn tipo de simplificaciones que permitan obtener buenas soluciones,
sin necesidad de resolver un algoritmo de flujo AC exacto para encontrar la respuesta, es
decir sin la utilizacin de herramientas tradicionales para flujos de potencias tales como los
mtodos de descenso de Newton, Gauss, y simplificaciones de los mismos. En ellos la
componente matricial
20
es relevante, y en el caso de redes de baja tensin el nmero de
cargas es elevado y por tanto la dimensin de las matrices involucradas en tales
procedimientos tambin lo son, situacin que produce gastos excesivos de memoria y
tiempo de ejecucin producto de la necesidad de invertir y trabajar con grandes matrices,
tiempos que afectan el ejercicio de planificacin puesto que en el algoritmo propuesto se
resuelven miles de flujos de potencia, siendo conveniente aprovechar la caracterstica radial
de la red de baja tensin, y realizar supuestos, cuya ejecucin no incluye en la planificacin
ms error que el posible asociado a la proyeccin de la demanda.
Modelo de flujo de potencia
El elemento caracterstico de las redes de baja tensin es su topologa radial, por lo que en
el flujo de potencia hay una relacin directa entre las cargas entre un nodo con su nodo
padre
17
y con sus nodos hijos
17
, sin existir intercambios entre nodos de un mismo padre,
situacin que permite identificar y formular el problema en trminos simples, a diferencia
de lo que sucede con redes enmalladas donde los flujos y voltajes en cada uno de los
consumos inciden en el resto de la red.
En el problema a resolver, las cargas estn representadas por un modelo PQ, es decir se
asume que se conoce su potencia activa y reactiva, y por ende implcitamente su potencia
aparente, las cargas en su totalidad se consideran de naturaleza inductiva con un factor de
potencia de 0,93, adems se considera que la red se encuentra equilibrada, supuesto que si
bien es difcil de adoptar en la operacin
21
de un sistema de distribucin real, en el cual las
cargas asignadas a cada fase no se encuentran del todo bien distribuidas, en un ejercicio de
planificacin se asume que se tomarn las medidas ao a ao para que la red si se encuentre
equilibrada, dado que ello implica mejoras en la operacin del sistema y por tanto se asume

20
Las matrices son del tipo n x n, con n el nmero de nodos (cargas) conectados a la red.
58

que en el largo plazo existen los incentivos suficientes para que la red se encuentre en dicho
estado, entonces al asumir el equilibrio se puede resolver la red trifsica de acuerdo a su
equivalente monofsico. En atencin a lo mencionado, la primera ley de Kirchhoff en una
red radial esta dada por la ecuacin 4.6 (Peco, 1999):

=
+ + =
R
k
k i i i
S SL L S
1
(4.6)
i
i A
i
i i i
Z
V
S
Z I L = =
2
) (
2
2
(4.7)
Donde:
S
i :
es la potencia aparente al comienzo del tramo i.
L
i
: son las prdidas en el tramo i.
SL
i
: es la demanda aparente del nodo i.
R : es el nmero de ramas que salen del nodo i.
Z
i
: es la impedancia del tramo i.
I
i
: es la corriente que circula a travs del tramo i.
V
A(i)
: es el voltaje aguas arriba del nodo i.



Desarrollando la ecuacin 4.7 se tiene que:
( )
( )
( )
( ) ( )
2
) (
2 2
2
) (
2 2
2
) (
2
2 2
2
) (
2
i A
i i i
i A
i i i
i i
i A
i i
i i
i A
i i
i
V
Q P x
j
V
Q P r
x j r
V
Q P
x j r
V
Q j P
L
+
+
+
= +
+
= +
+
=
Con:
P
i
: es la potencia activa al comienzo del tramo i.
Q
i
: es la potencia reactiva al comienzo del tramo i.
r
i
: es la resistencia del tramo i.
x
i
: es la reactancia del tramo i.

Reemplazando L
i
en la ecuacin 4.6 y anotando las variables en su expresin compleja, se
tiene que la potencia aparente al principio del tramo i es:
( ) ( )
( )

=
+ + + +
+
+
+
= +
R
k
k k i i
i A
i i i
i A
i i i
i i
Q j P QL j PL
V
Q P x
j
V
Q P r
Q j P
1
2
) (
2 2
2
) (
2 2
) (

21
La operacin se refiere a la actividad diaria de explotacin de las redes de distribucin, estos es maniobras a
ejecutar en caso de falla de algn componente, reconfiguracin de redes, inyeccin adicional de reactivos, etc.
59

Igualando la parte real del lado derecho de la ecuacin con la parte real del lado izquierdo,
y haciendo lo mismo con la parte imaginara es posible obtener la expresin para la
potencia activa y reactiva, respectivamente, para una red de topologa radial.
( )

=
+ +
+
=
R
k
k i
i A
i i i
i
P PL
V
Q P r
P
1
2
) (
2 2
(4.8)
( )

=
+ +
+
=
R
k
k i
i A
i i i
i
Q QL
V
Q P x
Q
1
2
) (
2 2
(4.9)
Donde
PL
i
: es la demanda activa del nodo i.
QL
i
: es la demanda reactiva del nodo i.

Las expresiones (4.8) y (4.9) por s solas no son suficientes para determinar los flujos que
circulan a travs de los distintos tramos de la red, debido a que no se conoce el voltaje
aguas arriba del tramo, por lo que es necesario encontrar una tercera relacin que permita
calcular |V
A(i)
|
2
en funcin de P
i
y Q
i
, de tal forma de tener tres ecuaciones con tres
incgnitas y as resolver el sistema para encontrar las variables en cuestin. Sin embargo,
puesto que se trata de una red de distribucin de baja tensin se puede realizar una
simplificacin importante, la que consiste en despreciar los trminos cuadrticos de las
ecuaciones (4.8) y (4.9), ello dado que en los sistemas de distribucin las prdidas de cada
tramo son pequeas en relacin al flujo que los atraviesa (Rudnick et al, 1997, Peco, 1999),
de forma tal que al considerarse como cero el valor de P
i
2
+ Q
i
2
, y suponiendo que V
A(i)

2

siempre es distinto de cero (para que la funcin no se indefina), se tienen las siguientes
ecuaciones simplificadas que fueron utilizadas en el presente trabajo:

=
+ =
R
k
k i i
P PL P
1
(4.10)

=
+ =
R
k
k i i
Q QL Q
1
(4.11)
En las cuales se puede apreciar la independencia tanto de los flujos activos como reactivos
del voltaje en los nodos, posibilitando de esta manera, un clculo rpido y simplificado en
60

el que partiendo desde los nodos extremos (hojas del grafo), se van agregando las
demandas aguas arriba, para as conocer los flujos en todos los arcos del grafo que
representa la red de baja tensin. Al implementar tal procedimiento se puede establecer el
flujo que circula por cada tramo. Ntese que las ecuaciones para la determinacin del flujo
son independientes del tipo de conductor, no dependen de la impedancia de la lnea, con lo
que el procedimiento de calcular los flujos para luego elegir el conductor es vlido en el
marco de los supuestos realizados.
Metodologa de seleccin de conductores
Para comprender la forma en que se realiza la seleccin, se deben tener presentes los
elementos fundamentales que en ella intervienen, por un lado se tienen los costos fijos
representados por la inversin necesaria en cada uno de los conductores que se realiza al
inicio del perodo de estudio, y por otro lado, los costos variables representados por los
costos asociados a las prdidas de energa y potencia que dependen de la cantidad de
corriente que circula por cada conductor y que se producen durante todo el horizonte de
estudio, variando ao a ao producto del crecimiento de la demanda. En consideracin a lo
anterior, para poder realizar una comparacin entre los costos que se producen en los
distintos aos, se recurre a la tcnica tradicional de evaluacin de proyectos, denominada
valor actual neto o tambin conocida como valor presente, en la que se incluyen, adems de
los costos de inversin y operacin de cada tipo de conductor
22
, variables como la
depreciacin y valor residual de los conductores y parmetros como la tasa de descuento,
que identifica el riesgo del proyecto, y la tasa de impuesto.
As, el valor actual neto de un determinado conductor por unidad de longitud ($/km.) ser
una funcin que vara con respecto a la corriente que lo atraviesa, siempre y cuando dicha
corriente no sobrepase sus lmites trmicos, adems se debe reiterar que el perodo de
anlisis corresponde a 15 aos y sealar que para el clculo de la depreciacin y el valor
residual se considera una vida til de 30 aos para los conductores.
Entonces la expresin para el valor actual neto de un conductor tipo i, VAN
i
(I), ser:

22
El listado de conductores disponibles con sus respectivos precios, se encuentra en el anexo D
61

( )
15
, ,
,0
0
(1 )
( )
1
i k i k
i i k
k
CL Timp Dep Timp
VAN I INV
r =

= +
+

(4.12)
Donde
INV
i,0
: inversin inicial en un conductor del tipo i.
CL(I)
i,k
:

costo de prdidas del conductor i en el ao k para un valor de corriente I.
T
imp
: tasa de impuestos que para efectos de la evaluacin se consider en 17 %.
Dep
i,k
: depreciacin del conductor i en el ao k.

Es importante explicitar la relacin que existe entre las prdidas y la corriente que los
atraviesa, tales relaciones y datos fueron obtenidos ntegramente del informe de VAD
perodo 2004-2008 (Systep y Inecon, 2004):

Se consideran las prdidas de potencia y de energa del conductor. El clculo se realiza
segn las siguientes ecuaciones:

12 exp f fcon
1000
r I
CPP
2
i 2
k
p
i
k

|
|

\
|

=
8760 fcp
1000
r I
CPE
i 2
k
e
i
k

|
|

\
|

=
Donde

CPP
i
k
: Costo de prdidas de potencia del conductor de tipo i el ao k. [$]
CPE
i
k
: Costo de prdidas de energa del conductor de tipo i el ao k. [$]
I
k
: Corriente en el ao k. [Amp]
fcon : Factor de coincidencia en alta tensin de las demandas presentes en la punta del
sistema (0,85).
fexp : Factor de expansin de las prdidas de potencia en alta tensin, en horas de
punta del sistema elctrico (1,016).
fcp : Factor de carga de las prdidas

Considerando un factor de carga de 32% se calcula el factor de carga de las prdidas
segn:
( )
5 , 1
fc fcp =
Finalmente, el costo total de prdidas se obtiene de la suma de costos de prdidas de
energa y potencia

62

La ecuacin (4.12) establece el VAN de un determinado conductor como funcin de la
corriente que circula por l, entonces, si por cierto tramo atraviesa un flujo P, que
determina implcitamente una corriente I, bajo un escenario determinado de crecimiento de
demanda, se evala la funcin de VAN de todos los conductores para tal corriente I,
escogindose como alternativa ptima, aquel conductor cuyo VAN sea el menor para dicha
corriente. As los resultados obtenidos para la tasa supuesta de 2.75 % fueron:
Tabla 4.3: Resultado seleccin ptima de conductores
Corriente
Mnima (A)
Corriente
Mxima (A)
Seccin
(mm2)
Costo ($/km)
Tipo de
Conductor
0 22 16 259.827 Cobre
23 25 35 331.750 Aluminio
26 41 50 404.400 Aluminio
42 87 120 658.161 Aluminio
88 131 240 1.496.998 Aluminio
132 625 300 1.874.000 Aluminio


Lo que es interpretado por el algoritmo de la siguiente manera, si la corriente que circula
por un tramo de la red se encuentra entre 0 y 22 A, entonces se utilizar un conductor de
cobre de 16 mm
2
en dicha seccin, de igual manera se proceder para todos los tramos de la
red en concordancia con lo establecido en la tabla 4.3.
4.3.5 Clculo de prdidas de energa
De la etapa anterior, es posible conocer cual es el mejor conductor para un tramo a partir
del flujo que por l circula, dicha eleccin se realiza en atencin exclusiva al tramo en
anlisis, es decir sin la consideracin de los tramos aguas abajo del tramo calculado, y por
ende sin la consideracin de su accin en las cadas de tensin en el resto de la red. Por esta
razn se incorpora a la funcin objetivo el costo de las prdidas de energa, que
implcitamente incorporan en el proceso de optimizacin las cadas de tensin, debido a que
actan como una penalizacin a las cadas de voltaje (Sanhueza, 1994, Fawzi et al, 1983),
63

dado que un incremento en ellas (disminucin de los voltajes) implica un aumento de las
prdidas
23
y por ende de su costo final.
Para poder valorizar las prdidas de energa se debe tener presente, que el ejercicio de
planificacin considera demanda de potencia, y por tanto se tiene para cada red el valor de
las prdidas de potencia coincidentes entre los consumos que son abastecidos por un mismo
transformador. Tales prdidas de potencia constituirn el indicador fundamental para el
posterior clculo de las prdidas de energa, por lo que su determinacin es de vital
importancia. Del desarrollo de la ecuacin (4.7) se tiene que las prdidas activas
24
estn
dadas por:
( )
2 2
2
( )
i
i i i
ACTIVAS
A i
r P Q
L
V
+
= (4.13)
De cuya ecuacin se conoce el flujo activo y reactivo, puesto que fueron calculados en la
etapa anterior para cada tramo del trazado de la red, y adems se conoce la resistencia, dado
que al realizar la eleccin del conductor, es posible determinar sus caractersticas tcnicas
en funcin del tipo de conductor escogido y del largo del tramo de red, por lo que la nica
variable desconocida es el voltaje aguas arriba del nodo i, V
A(i)
. Para determinarla,
considrese la ecuacin (4.14) que representa la aplicacin de la ley de ohm a un tramo de
una red radial.
( ) A i i i i
V V I Z = + (4.14)
Recordando que tales variables constituyen cantidades fasoriales, entonces la expresin
cartesiana de la ecuacin (4.14), donde el subndice R representa la parte real y el subndice
I la parte imaginaria, es:
( ) ( ) ( )
( ) ( ) A i R A i I iR iI iR iI i i
V jV V jV I jI r jx + = + + + +
Despejando la parte real y la parte imaginaria para V
i
, se tiene:

( ) iR A i R i iR i iI
V V r I x I = + (4.15)

23
Situacin claramente apreciable en la ecuacin (4.7) donde una disminucin del voltaje genera una aumento
en las prdidas.
24
Las prdidas activas son las que generan costos, dado que representan energa que se deja de vender
producto de su disipacin en forma de calor (efecto joule I
2
R)
64

( ) iI A i I i iR i iI
V V x I r I = (4.16)
De donde para determinar |V
i
|
2
basta con sumar los cuadrados de las ecuaciones (4.15) y
(4.16), obtenindose la siguiente relacin:

( ) ( )( ) ( ) ( )
2
2 2 2 2 2 2
( ) ( ) ( ) ( ) ( ) ( )
2 2
i A i R A i I iR iI i i i iR A i R iI A i I i iR A i I iI A i R
V V V I I r x r I V I V x I V I V = + + + + +
( ) ( )
2
2 2 2
( ) ( ) ( ) ( ) ( )
2 2
i A i i i i iR A i R iI A i I i iR A i I iI A i R
V V I Z r I V I V x I V I V = + + (4.17)
No obstante la relacin anterior est expresada en trminos de corriente, toda vez que en la
etapa de seleccin ptima de conductores se calcularon los flujos de potencia, por lo es
necesario reescribirla en funcin de los datos disponibles. Para ello se utiliza el hecho que
la potencia compleja es el resultado del voltaje por el conjugado de la corriente, entonces
desarrollando y despejando la potencia activa y reactiva se tiene:
( ) ( )
( ) ( )
( ) ( )
( ) ( )
i i A i R A i I iR iI
i A i R iR A i I iI
i A i I iR A i R iI
P jQ V jV I jI
P V I V I
Q V I V I
+ = + +
= +
=
(4.18)
Reemplazando (4.18) en (4.17) y notando que |I
i
|
2
=|S
i
|
2
/ |V
A(i)
|
2
, finalmente la expresin
para el voltaje es:
( )
( ) ( )
i i i i i i
i A
i i
i A i
Q x P r x r
V
Q P
V V + +
+
+ = 2
2 2
2
) (
2 2
2
) (
2
(4.19)
En virtud de la relacin (4.17), es posible calcular la magnitud del voltaje en cualquier
nodo, siempre y cuando se conozca el voltaje en el nodo aguas arriba (nodo padre). Como
el nico voltaje que se conoce a priori es el voltaje en el transformador (nodo raz) y los
parmetros de flujo de potencia y impedancias del conductor ya fueron calculados en la
etapa previa, slo basta con recorrer la red aguas abajo del transformador de manera de ir
progresivamente calculando todos los voltajes. Sin perjuicio de lo anterior la relacin
sealada puede ser simplificada, dado que en ella el trmino cuadrtico que depende de los
parmetros de la lnea es marginal con respecto al trmino lineal, razn por la cual tambin
se puede despreciar, entonces la expresin implementada en el presente trabajo para el
clculo del voltaje en los nodos es:
65

( )
i i i i i A i
Q x P r V V + = 2
2
) (
2
(4.20)
Al conocer el voltaje en los nodos, se pueden calcular las prdidas de potencia activa de
acuerdo a la ecuacin (4.13). Si durante todas las horas del ao se tuviese la misma
demanda, bastara con multiplicar las prdidas, obtenidas a partir de (4.13), por 8760
horas
25
y as obtener las prdidas de energa para un determinado ao, sin embargo tal
situacin no ocurre, puesto que el clculo de prdidas se realiza para el escenario de
demanda mxima coincidente de cada red. Para incorporar esta situacin y dado que es
imposible realizar un clculo para cada punto de demanda de la curva de carga, se opta por
aproximar las prdidas de energa mediante las prdidas medias de energa. Para lo cual se
considerarn las siguientes definiciones:
Factor de carga, F
c
, es la relacin entre la potencia media de la curva de carga y la
potencia mxima, tambin denominada potencia punta. En (4.21) E es la cantidad
de energa consumida en el perodo T.
media
C
punta punta
E
P
T
F
P P
= = (4.21)
Factor de carga de las prdidas, F
p
, es la relacin entre las prdidas medias de
energa y las prdidas de potencia en el escenario de mayor demanda (potencia de
punta).
media
P
punta
L
F
L
= (4.22)
De esta forma las prdidas medias de potencia sern F
p
L
punta
, situacin que hace necesario
estimar F
p
, siendo interesante destacar la relacin existente entre el factor de carga de las
prdidas con el factor de carga
26
, dada por:
2
c p c
F F F < < (4.23)
En virtud que en este trabajo el factor de carga se supone conocido y depende del nmero
de consumos de la red, ecuacin (4.3), bastara entonces determinar la relacin que permita

25
Nmero de horas de un ao de 365 das
66

calcular el factor de carga de las prdidas a partir del factor de carga. Dicha relacin a
buscar no es genrica, producto que depende de la curva de carga de los consumos a
suministrar, no obstante, existen investigaciones en que se analizan diferentes curvas de
carga para obtener ecuaciones que reflejen en forma aproximada el comportamiento comn
de tales factores (Buller y Woodrow 1928, Gustafson y Baylor 1988, Gustafson y Baylor,
1989). En particular, en esta investigacin se utiliza una de las aproximaciones propuestas
por Gustafson y Baylor (1988), dada por:
2
0.08 0.92
P C C
F F F = + (4.24)
Con lo que las prdidas medias de energa el tramo i, L
energa,i
, seran:
8760
i i
P ACTIVAS ENERGA
L F L = (4.25)
Como las prdidas de energa representan energa que no se vende, pero que igualmente es
comprada por la distribuidora al generador, estas deben ser valorizadas al precio de venta
de energa del generador al distribuidor, el cual se consider en 18,45
27
$/kWh (Synex,
2004). Si adems se considera que existe un crecimiento de la demanda, y por tanto
prdidas distintas para cada uno de los aos del horizonte de estudio, lo que implica costos
distintos a travs del perodo, no es posible sumar tales costos de manera directa, sino que
se debe utilizar el mtodo de valor actual neto, con lo que el costo de las prdidas de
energa es:
( )
( )
, ,0
1 1
1
1
j
N T
ENERGA i
j PRDIDAS ENERGA
i j
L g
C C
r = =
+
=
+

(4.26)
Donde
C
PRDIDAS
: costo total de las prdidas de la red para todo el horizonte.
C
ENERGA
: costo unitario de energa.
N : nmero de tramos de la red.
T : nmero de aos del horizonte de evaluacin

26
Para un desarrollo completo de la relacin entre el factor de carga y el factor de carga de las prdidas vase
Gonen (1986) pginas 52-61.
27
Valor calculado a partir de los precios de nudo y estructura de recargos vigentes el 31 de diciembre de
2003.
67

g : tasa anual de crecimiento de las prdidas.
t : tasa de descuento anual.
4.3.6 Iteraciones y resultados
En virtud de las etapas anteriores es posible obtener el costo de los transformadores, el
costo de los conductores empleados en el trazado ptimo y el costo de las prdidas para
cada isla perteneciente a una mini-zona. Sea entonces el costo total de una isla a planificar:
( )
, , , ,
1
j
j i k i k i k i
k
CT Ctrafo Cred Cprdidas
=
= + +

(4.27)
Con
CT
j,i
: costo total de j redes ptimas en la isla i.
Ctafo
k,i
: costo del k-simo trasformador ubicado ptimamente en la isla i.
Cred
k,j
: costo de la red ptima asociada al transformador k en la isla i.
Cprdidas
k,i
: costo de las perdidas de la red ptima asociada al
transformador k en la isla i.

Considerando la ecuacin 4.27 y producto que ya se conocen las distintas etapas que
intervienen en el proceso de micro-optimizacin es posible clarificar con ms detalle el
algoritmo usado para encontrar las redes ptimas sobre una isla perteneciente a una mini-
zona determinada.

Se inicializa el contador en 0.
1. Si la carga puede ser suministrada por un nico transformador (T=1) se ubica el
transformador en el centro de carga, en caso contrario se inicializa el algoritmo en el
paso 4.
2. Para dicha posicin se calcula CT, siendo necesario calcular:
2.1 C
trafo
, a travs de la asignacin de capacidad
2.2 C
red
, a partir del trazado ptimo y seleccin ptima de conductores.
68

2.2.1 En caso de realizar el equilibrio de red, se recalcula el tamao del
transformador.
2.3 C
prdidas
, mediante el clculo de las prdidas de energa
3. Se almacenan las variables relevantes que dieron origen a CT, ubicacin, tamao y
costo del transformador, trazado de la red, conexiones y conductores usados con sus
respectivos costos y costos de prdidas de cada red. Al costo de red se le incorpora
un costo relacionado con los postes que se deben usar.
4. Se realiza la ubicacin de (T+1) transformadores, utilizando el mtodo de k-means.
5. Se repite el paso 2 para cada posicin obtenindose CT para el conjunto de
configuraciones de la isla.
6. Se realiza 3 siempre y cuando el costo total de la presente iteracin sea menor al de
la iteracin anterior.
7. El contador se aumenta en una unidad. Se repite 4-5-6 hasta que el CT de la
iteracin actual es mayor que el CT de la iteracin anterior, encontrndose un valle
en la funcin objetivo y por tanto determinando un mnimo en la funcin.
8. Se repite el paso 7 hasta que el contador llega a un nmero mximo, dicho nmero
representa el nmero de iteraciones adicionales que se realizan luego de encontrado
el primer mnimo de manera de ampliar el espacio de bsqueda. Finalmente se
escoge la alternativa que representa un menor costo
28
.

A continuacin se analizarn algunos resultados para comprender con mayor detalle el
algoritmo propuesto:
Relevancia de la bsqueda
Ntese que si el nmero mximo, denominado bsqueda, es igual a uno, significa entregar
como solucin ptima para la isla el primer mnimo que se encuentra, es decir, determina el
nmero de transformadores y redes asociadas cuyo costo es menor que el que provoca la
adicin de un nuevo transformador con su respectiva red. Si la bsqueda es mayor que uno,

28
Un ejemplo completo del algoritmo de micro-optimizacin se encuentra en el anexo E
69

implica seguir buscando en el espacio de las soluciones durante (bsqueda-uno) iteraciones
extras, para finalmente quedarse con el menor de los costos obtenidos.
No obstante, en el procedimiento implementado finalmente se utiliza un alcance de uno,
esto se basa en el hecho que tras encontrar un mnimo, la incorporacin de un
transformador adicional aumenta los costos por unidad de capacidad debido a las
economas de escala
29
que existen en estos elementos y al aumento de capacidad instalada
que necesariamente se produce. Por ejemplo, si para una determinada isla se encuentra que
el mnimo local se logra con un transformador de tamao M que abaste un conjunto de C
clientes con un consumo de energa E, un factor de carga Fc(C) y una demanda de potencia
P, si luego se ubica un nuevo transformador los clientes y la energa asociada se reparte
entre dos elementos y por tanto se cumple que:
1 2
C C C = + (4.28)
1 2
E E E = + (4.29)
Sin embargo, la potencia total que se debe suministrar es mayor que P, dado que tanto C
1

como C
2
son menores que C, y como el factor de carga disminuye con el descenso del
nmero de clientes, los factores de carga de C
1
y C
2
son menores que el factor de carga de
C, cumplindose que:
1 1
1
1 1
1 1
( ) ( )
( ) ( ) ( ) ( )
E E
T T
Fc C Fc C
Fc C Fc C Fc C Fc C
> > > (4.30)

2 2
2
2 2
1 1
( ) ( )
( ) ( ) ( ) ( )
E E
T T
Fc C Fc C
Fc C Fc C Fc C Fc C
> > > (4.31)
Sumando (4.31) y (4.32) se tiene:
1 2 1 2 1 2
1 2 1 2
( )
( ) ( ) ( ) ( ) ( ) ( )
E E E E E E
E
T T T T T T
Fc C Fc C Fc C Fc C Fc C Fc C
+
+ > + > (4.32)
Reemplazado de acuerdo a (4.21), entonces:

29
En el caso de los transformadores el costo por unidad de capacidad ($/kVA) disminuye en la medida que
aumenta el tamao (capacidad) del transformador.
70

1 2
P P P + > (4.33)
Por lo cual los transformadores debern satisfacer una potencia de diseo mayor,
introduciendo un delta de costo adicional que se ve incrementado producto de las
economas de escala presentes en transformacin, con lo que la suma del costo de ambas
unidades ser mayor que el costo del transformador M. Costo que probablemente no se
alcance a justificar con la posible disminucin en costos de redes, toda vez que se conoce
que en la siguiente iteracin luego del mnimo, el costo total va en aumento. Tambin se
debe destacar que iteraciones adicionales representan incrementos en costos
computacionales y por ende mayores tiempos de ejecucin, lo que constituye un problema
cuando la dimensionalidad de la zona a optimizar aumenta.
En la tabla 4.4 se muestra el costo total de la red y el tiempo para distintos valores de
bsqueda, aplicados a la zona de anlisis dada por la comuna de Macul.
Tabla 4.4: Variacin del costo total con la bsqueda
Bsqueda Costo Total ($) Tiempo (min)
1 1.836.355.360 3,6
2 1.833.496.191 3,9
3 1.831.117.948 4,3
4 1.851.841.019 5,0
5 1.820.760.267 5,3
6 1.826.747.204 5,7
7 1.834.920.708 6,7
8 1.827.443.448 7,2
9 1.839.715.440 7,6
10 1.831.849.273 8,7
11 1.823.315.893 9,3
12 1.831.028.015 10,3
13 1.823.774.388 11,5
14 1.830.555.495 12,6
15 1.836.080.005 13,7


Donde es posible ratificar el hecho que incrementos en la bsqueda aumentan
considerablemente los tiempos de ejecucin, sin implicar disminuciones apreciables en los
costos totales de la red, en efecto, el costo promedio de la tabla anterior es de
71

$ 1.831.933.377, con una desviacin estndar de $ 7.658.349 que representa slo un 0,42 %
del costo promedio total, lo que no implica diferencias significativas entre los datos, siendo
las diferencias en costo atribuibles a la caracterstica no determinstica de la metodologa
propuesta
30
. Todo lo cual ratifica la decisin de realizar el diseo de la red en consideracin
del primer mnimo encontrado en el proceso de optimizacin
31
.
Efecto del equilibrio de red
Tal como ya se seal, el equilibrio de red consiste en mover el transformador a un punto
tal que los flujos que salen por ambos extremos sean lo mas parecidos posibles, de manera
de incorporar indirectamente en el trazado de red, realizado en base a distancia, el flujo
circulante por cada conductor y as evitar que por un extremo del transformador se alimente
a gran parte de la red mientras que por la otra se abastezca una pequea parte de ella, lo que
trae como resultado mover ms energa por un lado transformador lo que implica secciones
mayores durante gran parte del trazado y por ende mayores costos. No obstante, se debe
recordar que la posicin del transformador a partir de la cual se traza la red, no es realizada
arbitrariamente sino que a travs de un proceso de cluster en que la posicin esta dada por
el centro de carga del conjunto de consumos asociados a l, por lo que, en principio la red
debiese encontrarse equilibrada, pero dada la presencia de calles, que restringen el trazado
de ella, el punto de equilibrio de la configuracin de baja tensin puede modificarse,
apareciendo entonces la necesidad de encontrarlo. Para conocer si la incorporacin del
equilibrio de red, provoca mejoras a la optimizacin de la red, se analizan tres casos:
Caso 1, sin equilibrio, en este no se realiza la reubicacin de los transformadores a
travs del equilibrio de red.
Caso 2, con equilibrio en la etapa final, en que el equilibrio no se realiza en cada
iteracin del algoritmo (sin el paso 2.2.1) sino que nicamente se equilibran y
recalculan costos una vez que se ha elegido la mejor configuracin para la isla.

30
Para una mejor comprensin revisar el anexo referido a complejidad Algortmica y el apartado de
Convergencia del presente captulo.
31
En el anexo F se presentan, a modo de ejemplo, los resultados para algunas mini-zonas, notando en ellos el
comportamiento creciente del costo total con la adicin de un nuevo transformador, luego de haber
encontrado el mnimo.
72

Caso 3, con equilibrio, se realiza el algoritmo sealado, incorporando en cada
iteracin el equilibrio de la red.

Para los tres casos en cuestin se realizaron 20 ejecuciones del algoritmo
32
, denominadas
lanzamientos, obtenindose los siguientes costos y tiempos de ejecucin promedios:
Tabla 4.5: Efecto del equilibrio de red
Costo Total
($)
Tiempo
(min)
Caso 1 1.906.194.901 3,05
Caso 2 1.833.157.697 3,56
Caso 3 1.820.926.206 6,55


Se observa que la inclusin del equilibrio de red implica reducciones de costo promedio de
73 y 85 millones de pesos en el caso 2 y 3 respectivamente, tal relacin de ahorro se
encuentra presente en todos los lanzamientos ejecutados, situacin que se puede apreciar en
la figura 4.10.
MM ($)
1.740
1.760
1.780
1.800
1.820
1.840
1.860
1.880
1.900
1.920
1.940
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Lanzamientos
Caso 1 Caso 2 Caso 3

Figura 4.10: Efecto de la inclusin del equilibrio en la optimizacin

32
El resumen de las ejecuciones del algoritmo se encuentran en el Anexo G.
73

Es posible constatar adems, que el tiempo de ejecucin del caso 3, es el doble que el
tiempo de ejecucin del caso 1, con un ahorro en costo de 4,47 %, en tanto que el tiempo de
ejecucin del caso 2 es tan slo un 16 % superior al caso en que no se realiza equilibrio,
pero con un ahorro comparable al caso 3 de 3,98 %, razn por la cual, en beneficio de la
eficiente ejecucin del algoritmo con miras a su aplicacin en un zona de mayor tamao
como Santiago, se opta por incluir el equilibrio de red slo en la etapa final, dado que
presenta ahorros importantes en un tiempo de ejecucin menor.
Convergencia
Cabe recordar que el problema a resolver de acuerdo a su complejidad algortmica
corresponde a un problema del tipo NP-completo, y por tanto la solucin aqu propuesta no
es capaz de resolver el problema mediante un algoritmo determinstico, entendindolo
bsicamente como aquel que entrega la misma la solucin cada vez que es ejecutado. En
cambio, lo hace a travs de un procedimiento con una parte no determinstica, en particular
la componente no determinstica del algoritmo propuesto se presenta en la formacin de los
cluster para la ubicacin de los transformadores. De hecho, en el apartado referente a tal
tema, fue posible constatar la distorsin que se produce en k-means para distintos
lanzamientos, distorsin que era similar, pero no igual, por lo que se tom como decisin
dejar como ubicacin el resultado que presentar menor distorsin al ejecutarse tres veces
el procedimiento de cluster, para un nmero determinado de transformadores. En efecto,
producto de dicha componente no determinstica, los resultados de la optimizacin tambin
son distintos cada vez que se ejecuta el procedimiento, lo que en apariencia podra restarle
confiabilidad, pero Qu tan distintos son los costos para cada lanzamiento?, en la tabla 4.6
se presentan los resultados para 20 ejecuciones de la metodologa. En ella es posible
apreciar la similitud tanto en tiempo de ejecucin como en costo total entre los distintos
lanzamientos o ejecuciones de la metodologa propuesta, de donde se obtiene un costo total
promedio de $ 1.833.157.697 y un tiempo de ejecucin promedio de 3,52 minutos, con
desviaciones estndar de $ 7.095.766 y 0,07 minutos. Es importante sealar que la
desviacin estndar de los costos representa tan solo el 0,39 % del costo promedio total.
Notando entonces, por un lado la naturaleza no-determinstica del algoritmo, al observar
74

resultados distintos en cada ejecucin, y por otro la pequea dispersin de sus resultados,
permitiendo la toma de decisiones a travs de ellos.
Tabla 4.6: Confiabilidad del algoritmo
Lanzamiento Costo Total ($) Tiempo (min)
1 1.829.211.042 3,62
2 1.828.334.867 3,57
3 1.832.120.157 3,52
4 1.833.232.594 3,52
5 1.843.371.158 3,62
6 1.820.042.332 3,59
7 1.831.159.158 3,54
8 1.835.060.121 3,56
9 1.838.797.878 3,43
10 1.840.474.314 3,54
11 1.820.073.227 3,43
12 1.839.395.779 3,59
13 1.837.076.387 3,47
14 1.839.113.483 3,42
15 1.827.007.437 3,41
16 1.833.870.373 3,54
17 1.831.409.165 3,46
18 1.837.760.035 3,68
19 1.838.682.217 3,47
20 1.836.962.215 3,57


Tamao de la mini-zona
Este apartado tiene como objetivo estudiar el algoritmo propuesto, determinando el tamao
de divisin que minimiza los costos, para as posteriormente utilizar dicho tamao en la
optimizacin de Santiago. Por tanto se ejecuta el procedimiento considerando diferentes
tamaos posibles de mini-zonas.
Al realizar tal ejercicio se obtiene como resultado el grfico presentado en la figura 4.10,
que muestra que para zonas de pequeo tamao, inferiores a 200 x 200, tanto los tiempos
de ejecucin como los costos totales son mayores que el resto de los casos, esto se debe a
que en mini-zonas pequeas hay ms posibilidades de instalar transformadores de menor
tamao dado que se abastece un menor nmero de consumos, y producto de las economas
de escala en la capacidad de transformacin se presentan mayores costos. Los tiempos
75

mayores se explican debido a que la zona a optimizar debe ser dividida en un mayor
nmero de mini-zonas, con lo que el procedimiento debe ser ejecutado en ms
oportunidades. A partir de las mini-zonas de 300 x 300 se observa un comportamiento
bastante constante del costo total y un aumento progresivo en los tiempos de ejecucin. El
tiempo adicional se produce debido a que se aumenta el espacio de soluciones factibles al
aumentarse el nmero de nodos de una determinada mini-zona, con lo que el algoritmo
tarda ms tiempo en encontrar el ptimo que se mantiene sin grandes variaciones
mostrando la calidad del mismo. Los menores tiempos
33
se producen cuando la divisin es
de 300 y 400 metros, en tanto que los menores costos se producen cuando la divisin es de
500 y 600 metros, presentando el mejor balance entre tiempo de ejecucin y calidad de la
solucin la divisin en zonas de 500 metros, puesto que permite abarcar una zona mayor
que las divisiones ms rpidas y por ende manejar un universo de soluciones factibles
mayor en un tiempo ligeramente superior.
-
1.000
2.000
3.000
4.000
5.000
6.000
50 80 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300
Tamao de la mini-zona
C
o
s
t
o

(
M
M
$
)
0
2
4
6
8
10
12
14
16
18
T
i
e
m
p
o

(
m
i
n
)
Costo Total Tiempo

Figura 4.11: Costo y tiempo total v/s tamao de la mini-zona

33
Los datos de tiempo y costo para cada tamao de divisin se encuentran en el Anexo G.
76

5. PROCESO DE MACRO-OPTIMIZACION
En el captulo 4 se realiz la optimizacin de cada una de las mini-zonas en que fue
dividida la regin a planificar, sin embargo tal procedimiento constituye meramente una
buena aproximacin a la solucin del problema, dado que la divisin de la regin es
arbitraria y responde slo a una particin regular de la misma, dejando la posibilidad
abierta a que consumos pertenecientes a una mini-zona determinada pudiesen ser asignados
y por ende alimentados desde otra mini-zona aledaa a un menor costo. Para incorporar
este efecto y reconociendo que la solucin puede ser mejorada, en este captulo se aborda
globalmente el problema, en base a los resultados de la micro-optimizacin, sin olvidar que
debido a la dimensionalidad del mismo, su solucin fue slo posible gracias a la particin
de l. Por tanto la mirada global, apunta necesariamente a emplear el proceso de micro-
optimizacin como base de la solucin.
En lnea con lo anterior en este captulo se proponen y desarrollan tres alternativas para
mejorar la solucin encontrada, la primera se basa en los diagramas de Voronoi y busca la
creacin de zonas irregulares a las cuales aplicarles el proceso de micro-optimizacin, de
tal forma que se garantice que cada consumo quede asociado con sus vecinos cercanos, la
segunda consiste en analizar si es ms econmico reemplazar redes vecinas por una nica
red que satisfaga dichos consumos, procedimiento que es efectuado mediante enumeracin
completa cuando la zona es pequea y mediante bsqueda tab cuando la dimensionalidad
del problema hace imposible la revisin de todas las combinaciones factibles. Finalmente,
la tercera es la aplicacin secuencial de las dos anteriores.
5.1 Macro-Optimizacin Va Diagramas de Voronoi
Para comprender la metodologa propuesta se expone primero una breve resea referente a
la definicin y propiedades bsicas de los diagramas de Voronoi, para posteriormente
explicar en detalle el procedimiento empleado, mostrando nuevamente su aplicacin
prctica para la comuna de Macul.
77

5.1.1 Diagramas de Voronoi
El concepto bsico de los diagramas de Voronoi, dice relacin con conocer la influencia
que realizan determinados elementos de un conjunto sobre el resto de los elementos del
mismo. La primera aproximacin fue realizada en 1644 por Descartes, sealando que el
sistema solar consista en vrtices, donde la materia giraba en torno a la estrella ms
cercana, situacin que produca polgonos convexos para cada rea de influencia de las
estrellas. No obstante, fue hasta Dirichlet (1850) y Georgy Voronoi (1908), cuando se
formaliz el concepto, el cual adems, con distinto nombre ha sido aplicado a varias ramas
de la ciencia, tales como geologa, meteorologa, denominndose polgonos de Theissen, y
en fsica y qumica conocindose como regiones de Wigner-Seitz.
Conceptualmente un diagrama de Voronoi es el resultado de asociar todas las ubicaciones
del espacio euclidiano con el ms cercano de los p puntos, del mismo espacio, elegidos
como centros. En trminos matemticos, sea P un conjunto de n puntos distintos en el
espacio euclidiano {p
1
,, p
i
,..., p
n
}, denominados puntos generadores, un punto x del plano
pertenece al rea de influencia del punto generador p
i
, denominada polgono de Voronoi,
Vi, si y solo si el punto x esta ms cerca de p
i
que de cualquier otro punto generador. Esto
es:
{ }
/ ,
i i j
V x x p x p j i = < (5.1)

Por tanto, el diagrama de Voronoi representa al conjunto de todos los polgonos de Voronoi
{V
1
,, V
i
, ..., V
N
} del espacio euclidiano provocados por los puntos generadores {p
1
,,
p
i
,..., p
n
} respectivamente.
78

2 3 4 5 6 7 8 9
2
3
4
5
6
7
8
9

Figura 5.1: Diagrama de Voronoi para 30 centros
Entre sus definiciones y propiedades ms importantes se cuentan:
1. Dos puntos generadores p
i
y p
j
son vecinos si comparten una arista. Una arista es la
bisectriz perpendicular del segmento que une p
i
con p
j

2. Un vrtice es un punto equidistante a tres generadores y es la interseccin de tres
aristas.
3. Un polgono de Voronoi es convexo o no acotado.
4. Un polgono de Voronoi es no acotado si su punto generador pertenece a la
envolvente convexa del conjunto de puntos generadores.
5. Dentro del crculo con centro en un vrtice de Voronoi y que pasa por tres puntos
generadores no puede existir ningn otro punto generador, y tal crculo constituye el
mayor de todos los crculos que puede construirse sin que contenga dentro a otro
generador distinto del tomado como centro del crculo.
6. Si se toma como centro de un crculo cualquier punto del plano y se traza una
circunferencia que pase por un solo punto generador, dicho punto es interior a una
regin de Voronoi. Si toca exactamente a dos puntos generadores, separa
exactamente a dos regiones de Voronoi, por tanto pertenece a una arista. Si se puede
dibujar una circunferencia que toque a tres puntos generadores, es un vrtice de
Voronoi.
[x]
[y]
79


Si bien este desarrollo, constituye una idea que formalmente va a cumplir un siglo, su
difcil implementacin provoc que no se le brindara la atencin merecida durante largo
tiempo. Sin embargo, en las ltimas dcadas, con el avance de la geometra computacional
ha tomado gran importancia, tanto en el campo de sus aplicaciones como en el campo de su
propio desarrollo algortmico (Okabe et al, 1992). Su aplicacin inmediata se da en
problemas de distancia, tales como encontrar el vecino ms cercano, encontrar todos los
vecinos ms cercanos, encontrar el mayor crculo vaco, esto es, dado un generador p
encontrar el mayor crculo que no contiene ningn punto indeseado, o en el caso del menor
crculo, encontrar el menor crculo que agrupa a un conjunto de n puntos en el plano.
Tambin se usa en cluster geomtrico y en robtica, donde se aplica a la planificacin del
movimiento (Yap, 1987). Adems, se debe destacar el trabajo de Akabane Kenichi et al.
(2002), que utiliza esta metodologa en la ubicacin de centros de control de calidad de
potencia, en cuya ubicacin intervienen variables elctricas tales como la cada de tensin y
la demanda de corriente de cada consumo, convirtiendo a esta tcnica en una atractiva
manera de afrontar la ubicacin ptima de transformadores.
5.1.2 Procedimiento de optimizacin va Voronoi
En consideracin a la caracterstica de asignacin de los diagramas de Voronoi, es posible
plantear, como hiptesis, que si a cada transformador se le asignan los consumos ms
cercanos se obtendrn menores costos. No obstante, la planificacin desde cero toma en
cuenta nicamente la posicin de los clientes y por ende la asignacin a travs de Voronoi
es inviable, dado que no existen los centros iniciales para trazarlos, situacin resuelta a
travs de la micro-optimizacin que proporciona la planificacin de la red y como
subproducto la ubicacin de los transformadores, surgiendo entonces las posibilidad de
utilizar tales ubicaciones como centros de los polgonos de Voronoi, y para cada uno de
ellos realizar el proceso de micro-optimizacin con el objeto de planificar la red. En suma,
se realiza el mismo procedimiento de micro-optimizacin que se describi en el captulo 4
pero esta vez aplicado a zonas irregulares, de distinto tamao y forma, dadas por los
80

polgonos de Voronoi. Entonces, el algoritmo del proceso de macro-optimizacin propuesto
es:
1. Realizar el proceso de micro-optimizacin de la zona a planificar, esto es dividir la
regin en mini-zonas y optimizar cada una de ellas. Obteniendo la ubicacin de los
transformadores de distribucin.
2. Construir el diagrama de Voronoi utilizando como puntos generadores la ubicacin
de los transformadores.
3. Para cada polgono de Voronoi realizar el proceso de micro-optimizacin.

Si bien los diagramas de Voronoi poseen una definicin sencilla y fueron enunciados hace
gran data, su aplicacin a modelos de gran tamao no est resuelta del todo, al menos en lo
que se refiere al problema de asignacin de consumos en las zonas no acotadas. De hecho
tal como se puede apreciar en la figura 5.2 el diagrama de Voronoi realiza algunos
polgonos cuyos vrtices estn fuera de la zona de anlisis (fuera del rectngulo indicado en
la figura 5.2), entendiendo esta como la delimitada por los consumos de la zona de
planificacin, y por polgonos que poseen un vrtice ubicado en infinito (regiones no
acotadas), representando esto un problema a la hora de identificar que vrtices de tramos de
calle y que consumos estn incluidos en cada uno de ellos.
81






Figura 5.2: Diagrama de Voronoi para la comuna de Macul
Para resolver tal inconveniente se propone una modificacin al diagrama de Voronoi que
consiste en acotar las regiones que presentan vrtices en infinito y alterar los polgonos que
presentan vrtices fuera de la zona de anlisis, de tal forma que todos los polgonos luego
de la modificacin sean acotados y por ende posibilitar la correcta asignacin de los
consumos.
En primer trmino se procede a ejecutar el trazado de Voronoi, obteniendo zonas acotadas
interiores, zonas acotadas con vrtices exteriores y zonas no limitadas, permaneciendo las
primeras inalterables en el proceso de modificacin, las que se encuentran identificadas en
la figura 5.3. Luego de lo cual se define un polgono regular denominado polgono frontera
(polgono trazado en 5.3), cuyo vrtice inferior est dado por el menor valor de la
coordenada x e y de entre todos los consumos a satisfacer, y el vrtice extremo por la mayor
coordenada x e y de los mismos consumos, tal polgono sirve de cota para las siguientes dos
etapas y representa la zona a planificar.
-1 0 1 2 3 4 5
x 10
4
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
x 10
4
3.2 3.4 3.6 3.8 4 4.2 4.4 4.6
x 10
4
4000
6000
8000
10000
12000
14000
Polgonos interiores
Polgonos con vrtices
exteriores
Polgonos no
acotados
[m]
[m] [m]
[m]
82

3.5 3.6 3.7 3.8 3.9 4 4.1
x 10
4
6000
7000
8000
9000
10000
11000
12000

Figura 5.3: Identificacin zonas interiores diagrama de Voronoi
Modificacin de zonas acotadas con vrtices exteriores
De la figura 5.3 se desprende automticamente que secciones del polgono frontera actan
de aristas para las zonas de Voronoi que se desean acotar, y por ende el problema se
resuelve bsicamente encontrando la interseccin entre la arista del polgono frontera con la
recta que une el tramo que sale desde un vrtice interior de la zona a limitar a un vrtice
fuera de dicha zona, con lo que se obtiene un nuevo vrtice del polgono, situacin que se
repite para otro tramo, dado que el polgono es cerrado y convexo con lo que debe existir
una arista desde el exterior a la zona interior distinto al ya empleado, encontrando el otro
vrtice que permite cerrar el polgono, y as eliminado todos aquellos vrtices fuera de la
frontera. Atencin especial reciben aquellos polgonos ubicados en las esquinas de la
frontera, cuyos tramos que salen de la zona lo hacen por distintas aristas de la frontera, y
por tanto encontrar slo los vrtices de interseccin no resuelve la situacin, ya que el
tramo que une tales puntos podra dejar fuera a consumos que s pertenecen a la zona, para
evitarlo se incluye como vrtice del nuevo polgono, el vrtice del polgono frontera que se
encuentra en la esquina prxima, con lo que adems de las dos aristas que se forman entre
los vrtices interiores y las aristas de la frontera, se generan dos nuevas aristas entre tales
[m]
[m]
83

puntos de interseccin y el nuevo vrtice incluido. Se logra entonces, la correcta asignacin
de todos los consumos.
3.5 3.6 3.7 3.8 3.9 4 4.1
x 10
4
6000
7000
8000
9000
10000
11000
12000

Figura 5.4: Identificacin y cierre de polgonos con vrtices exteriores
Cierre de las zonas no acotadas
Este procedimiento es parecido al anterior con la salvedad que es imposible trazar una recta
entre un punto interior y el punto ubicado en infinito, puesto que no tiene definida una
posicin real en el plano cartesiano, requiriendo un paso adicional para conseguirlo, lo
primero que se realiza es reconocer cuales son aquellos polgonos que no estn acotados
dado que la delimitacin entre ellos es la que se presenta difusa. Es imposible determinar la
pertenencia cuando el lmite es una arista imaginaria que va desde un vrtice que existe a
otro que no. Se debe notar adems que los polgonos de Voronoi no acotados, en algn
segmento ya sea dentro de la zona a planificar o fuera de ella, son vecinos de otro polgono
de Voronoi no acotado, por lo que la separacin entre ellos es fundamental para la correcta
asignacin de pertenencia.
Tal lmite entre zonas se establece teniendo presente que cada polgono, creado a partir de
las zonas no acotadas, debe agrupar a los puntos ms cercanos a sus determinados centros,
dado en este trabajo por la ubicacin de los transformadores. Siendo el desafo la definicin
[m]
[m]
84

de la separacin que cumpla tal objetivo. Si se tuviesen slo dos centros generadores, el
lmite entre ambos vendra dado nicamente por una recta perpendicular al tramo que los
une, pero la existencia de ms centros generadores hace que el trazado de Voronoi se
complique, complejidad que aumenta con el nmero de centros. Sin embargo, como la
asignacin conflictiva depende nicamente de ambos polgonos y los dems polgonos de
Voronoi ya se encuentran trazados, es posible utilizar tal metodologa pero considerando
los ya construidos, lo que se resume a continuacin:
1. Se identifican los centros generadores de los polgonos no acotados, lo cuales se
consiguen generando la envolvente convexa
34
de todos los centros generadores
(ubicaciones de todos los transformadores), ya que en ella, sus vrtices coinciden
con los centros de las zonas no acotadas, y por tanto dos vrtices consecutivos de la
envolvente convexa sealan dos zonas no acotadas que en alguna parte del espacio
presentan una arista comn que debe ser definida.

34
Un punto x R
n
es combinacin convexa de los puntos x
1
, , x
m
R
n
si existe
1
, ,
n
R, tal que
1 1 2 2
1
... 1, 0 1,...,
m
m m i i
i
x x x x con i m
=
= + + + = =

La envolvente convexa de un conjunto A, es el conjunto de todas las combinaciones convexas de puntos de A
1 1
, , 1, , 0 1,...,
m m
n
i i i i i
i i
Envolvente z R z x x A i m
= =

= = = =
`
)


85

3.6 3.7 3.8 3.9 4 4.1
x 10
4
7000
7500
8000
8500
9000
9500
10000
10500
11000
11500

Figura 5.5: Envolvente convexa de los centros generadores
2. En cada segmento, dado por la unin de dos vrtices consecutivos de la envolvente
convexa, se identifica la recta perpendicular al punto medio de dicho segmento, lo
que divide al plano en dos partes. Tal recta pasa por el vrtice comn de los
polgonos no acotados, y por tanto la nueva arista va desde dicho vrtice comn al
punto de interseccin entre la recta y la correspondiente arista del polgono frontera,
siempre y cuando el vrtice comn sea interior a la zona de planificacin.
3. Con las nuevas aristas formadas ms las aristas creadas en la etapa anterior, se
cierran los polgonos no acotados, teniendo nuevamente atencin con lo que sucede
en los polgonos ubicados en las esquinas de la frontera. Bsicamente en cada
polgono se toma la sucesin de vrtices interiores, y aquellos vrtices que
coinciden con aristas ya trazadas, a travs de la envolvente convexa o del
acotamiento de polgonos con vrtices reales exteriores, se unen a los nuevos
vrtices dados por el fin de la arista (interseccin de la arista con el polgono
frontera), de manera de cerrar el polgono y eliminar los vrtices del polgono
exteriores a la zona de planificacin.
[m]
[m]
86

Resultados del procedimiento va Voronoi
Con los procedimientos anteriores es posible acotar en forma determinstica cada uno de los
polgonos, permitiendo la asignacin unvoca entre consumos y transformadores, en virtud
de lo cual, cada uno de los polgonos de Voronoi puede representar una mini-zona a
optimizar, conteniendo un conjunto de cargas y un trazado vial determinado.
A modo de ejemplo, se considera como caso base, la ubicacin de 284 transformadores con
una capacidad total de 54 MVA, obtenidos a partir del proceso de micro-optimizacin,
cuyo costo total, incluida la red y las prdidas, es de $1.837.274.567, se tiene el siguiente
diagrama de Voronoi para la comuna de Macul.
3.6 3.7 3.8 3.9 4 4.1
x 10
4
7000
7500
8000
8500
9000
9500
10000
10500
11000
11500

Figura 5.6: Diagrama de Voronoi para una solucin de la micro-optimizacin
Es posible apreciar que la zona de planificacin queda dividida en mini-zonas irregulares, y
cada una de ellas representa una agrupacin de consumos cercanos. Una vez que se tiene la
nueva asignacin de consumos a cada zona, se procede a realizar la misma metodologa
expuesta en el captulo 4, con el fin disminuir los costos encontrados con dicho
procedimiento. Sin embargo, en un primer anlisis, esto no sucede tan claramente,
[m]
[m]
87

obtenindose un costo de $ 1.832.819.289, ligeramente inferior al caso base, para 375
transformadores y redes con una capacidad instalada de 54 MVA. Es decir, aparecen ms
transformadores cuya capacidad promedio es menor, ello debido a que las nuevas mini-
zonas son en promedio ms pequeas que las zonas de 500 x 500 utilizadas en la micro-
optimizacin, con lo cual nace la pregunta qu sucede si se aumenta la dimensionalidad de
los polgonos irregulares?. Para responder esta interrogante, se requiere en primer trmino
aumentar el tamao de los polgonos de Voronoi sin perder la informacin obtenida desde
la micro-optimizacin, vale decir, sin desconocer que la ubicacin de los transformadores
obtenidos corresponden a una correcta relacin entre capacidad de transformacin, redes y
consumos abastecidos, por lo cual se propone que los puntos generadores del diagrama de
Voronoi sean slo algunas de las ubicaciones determinadas en el proceso previo. Tales
ubicaciones corresponden a la de todos los transformadores que son superiores a una
determinada cota, entre mayor es la cota menor es el nmero de transformadores que
satisfacen la restriccin y por tanto es menor el nmero de puntos generadores, lo que
determina polgonos de Voronoi de mayor tamao. En la tabla 5.1 se presenta el resultado
de aplicar la metodologa propuesta para distintos valores de cota y por tanto para distinto
nmero de polgonos.
Tabla 5.1: Aplicacin diagrama de Voronoi
Cota (kVA)
Nmero de
Polgonos
Costo Total ($)
Nmero de
Trafos
Capacidad
Instalada
(MVA)
Tiempo
(min)
10 252 1.832.819.289 375 54,33 3,19
15 238 1.825.087.305 363 54,40 3,09
30 228 1.822.069.744 356 54,06 3,10
45 221 1.815.174.431 354 53,86 3,08
75 211 1.804.476.363 336 53,22 2,93
100 203 1.789.638.270 331 52,86 3,03
150 183 1.773.583.766 301 52,50 2,90
300 100 1.765.329.035 229 47,48 3,22
500 15 2.366.757.645 113 41,16 21,24


Se puede observar que en la medida que aumenta el tamao de la cota y por ende el tamao
de los polgonos, se produce un mayor ahorro con respecto al caso base, en el caso en que
88

la cota es de 500 kVA slo existen 15 polgonos y por ende la zona que cubre cada uno de
ellos es mayor, lo que trae consigo mayores tiempo de ejecucin y un empeoramiento de la
solucin al incrementarse los costos relacionados con las prdidas. Los mayores ahorros en
el caso analizado se producen tomando como cota 300 kVA y son en promedio del orden de
4 %.

3.7 3.8 3.9 4
x 10
4
7000
7500
8000
8500
9000
9500
10000
10500
11000
11500

Figura 5.7: Diagrama de Voronoi generado por transformadores de 300 kVA
Caso simplificado
Si bien se pudo constatar que la divisin adecuada en polgonos regulares incluye ahorros al
proceso de micro-optimizacin, se tiene que los tiempos de ejecucin aumentan
considerablemente, ya que en total se realizan dos procesos de micro-optimizacin ms la
generacin del diagrama de Voronoi, por lo que el proceso completo al menos duplica los
tiempos de ejecucin, situacin relevante si se busca aplicar la metodologa completa a una
zona de mayor tamao, en donde duplicar el tiempo puede significar llegar a las 10 horas
de proceso, restndole efectividad a la metodologa global. Para soslayar este problema e
incorporar el hecho que el uso del diagrama de Voronoi produce mejoras en la solucin se
[m]
[m]
89

propone realizar una primera ubicacin aproximada de los transformadores, de manera de
evitar la primera etapa de micro-optimizacin, y trazar el diagrama de Voronoi para la cota
adecuada de la nueva configuracin y luego aplicar el proceso no simplificado a las nuevas
zonas irregulares.
El procedimiento simplificado consiste en no determinar la influencia de la red ni de la
conectividad de la red vial en la asignacin del nmero de transformadores y de la
capacidad de los mismos, sino que nicamente tomar en cuenta la cantidad de consumo a
abastecer, la potencia de diseo necesaria y la capacidad de los transformadores disponibles
para abastecer dicha demanda. El algoritmo simplificado queda dado por:

1. Se divide la zona de planificacin en zonas regulares de 500 x 500 metros.
2. Para cada mini-zona:
2.1 Se calcula la potencia de diseo de la mini-zona bajo el supuesto que es
suministrada por un nico transformador.
2.2 Para la potencia de diseo se asigna el menor transformador que es capaz
de suministrarla (tomando en consideracin el crecimiento de la
demanda). Si no existe un transformador dentro del dominio factible que
es capaz de hacerlo, se asigna el de mayor capacidad. Se define como
demanda no satisfecha el delta entre la potencia de diseo y la capacidad
del transformador instalado.
2.3 Si la demanda no satisfecha es cero se pasa a 3, en caso contrario se pasa
a 2.2, definiendo al potencia de diseo como la demanda no satisfecha.
3. Una vez que se conoce el nmero de transformadores esos son ubicados a travs
del mismo algoritmo de cluster utilizado en el captulo 4, por lo que la ubicacin
queda dada por el centro de carga de los consumos asociados a cada cluster.
4. Para cada cluster se calcula la potencia de diseo y se asigna el transformador
ptimo correspondiente.

Con esta metodologa se obtiene una ubicacin preliminar de los transformadores en tan
slo 10 segundos, la que si bien no corresponde a una ubicacin necesariamente factible
90

dado que no se est considerando el costo de las redes y la conectividad vial, si incorpora
una primera aproximacin a la agrupacin de los consumos a travs de los clusters
formados, y as se consiguen puntos generadores en forma rpida que incluyen la
informacin acerca de los centros de carga. Al realizar el mismo procedimiento que en el
apartado anterior, dejando como puntos generadores a los mayores a una determinada cota,
se obtienen los resultados presentados en la tabla 5.2.
Tabla 5.2: Aplicacin diagrama de Voronoi al caso simplificado
Cota (kVA)
Nmero de
Polgonos
Costo Total ($)
Nmero de
Trafos
Capacidad
Instalada
(MVA)
Tiempo
(min)
10 102 1.760.168.472 255 48,48 2,86
15 101 1.760.628.472 260 48,56 2,84
30 99 1.755.170.145 264 48,16 2,87
45 99 1.758.860.082 257 48,11 2,84
75 97 1.764.630.418 263 48,40 2,86
100 97 1.763.638.774 259 48,13 2,85
150 97 1.757.196.385 261 48,20 2,85
300 88 1.780.345.629 254 47,35 3,00
500 68 1.764.515.664 240 47,68 3,53


Se aprecia que la variacin del costo total producto de la eleccin de la cota es menor que
en el caso no simplificado, esto se debe que al no considerarse como restriccin la
topologa vial, no existen componentes conexas al interior de cada polgono que obliguen a
optimizar cada una de ellas de manera independiente, lo que necesariamente implica la
presencia de al menos un transformador por cada componente conexa o isla vial que se
produce, llevando esto a un mayor nmero de transformadores de menor tamao. Como en
este caso tal situacin no ocurre, el transformador a utilizar siempre ser el que pueda
abastecer mayor cantidad de carga, dado que por economas de escala es lo que conviene, y
por tanto el nmero de tafos pequeos es menor, con lo que para las distintas cotas el
nmero de puntos generadores no vara considerablemente, mantenindose nuevamente
ahorros del orden de 4 %. Es decir, el procedimiento simplificado no altera la calidad de la
solucin y mejora los tiempos de ejecucin al eliminar la necesidad de realizar dos veces el
proceso de micro-optimizacin.
91

5.2 Macro-Optimizacin Va Bsqueda Tab
En la metodologa desarrollada, explicada en extenso en el captulo 4, se sostiene que la
optimizacin de una red de baja tensin de gran tamao, se puede llevar a cabo con buenos
resultados y en un tiempo razonable si la regin a planificar se divide en regiones de menor
dimensin, denominadas en este trabajo mini-zonas, donde en cada una de ellas, se realiza
el proceso de micro-optimizacin de manera independiente, teniendo como ventaja
disminuir la dimensionalidad del problema y con ello los tiempos de ejecucin, sin
embargo, como probable desventaja surge la posibilidad de prdida de informacin, que se
produce al realizar la divisin de la zona a planificar, tal prdida no significa que
elementos desaparezcan o se eliminen, sino que se refiere a la ceguera del algoritmo frente
a cercanas y relaciones entre elementos que pertenecen a distintas mini-zonas vecinas.
La figura 5.8 es un acercamiento a la divisin planteada en la figura 4.1, donde se puede
apreciar que no necesariamente el mejor resultado se obtendr de la divisin en mini-zonas,
de hecho los consumos de la mini-zona 4 podran ser repartidos entre las mini-zonas 2 y 3 y
eventualmente presentar un menor costo global.




Figura 5.8: Desventaja de la divisin en mini-zonas
3.9 3.91 3.92 3.93 3.94 3.95
x 10
4
8300
8350
8400
8450
8500
8550
8600
8650
8700
3.88 3.9 3.92 3.94 3.96
x 10
4
7800
8000
8200
8400
8600
8800 1 1 2
3
4
5 6
2
3
4
[m] [m]
[m] [m]
92

Para poder incorporar el efecto positivo de la interrelacin entre las distintas mini-zonas,
sin perder las ventajas de dividir el problema, se formula una metodologa que luego de la
aplicacin del proceso de micro-optimizacin, tiene como hiptesis, en base a lo sealado,
la posibilidad de mejorar la solucin encontrada si se analizan las relaciones entre zonas
vecinas, mediante la bsqueda de ahorros al unir en una nica red y por ende en un nico
transformador redes vecinas alimentadas desde transformadores distintos. Por tanto, la
necesidad inmediata que surge, es realizar tales agrupaciones de la mejor forma posible con
atencin a la naturaleza combinatoria del problema. De hecho, tal como se analiz en el
captulo 3, si se buscan agrupaciones posibles entre 10 consumos, distribuidos
uniformemente en el plano se tienen del orden de 1000 casos, los que crecen en la medida
que aumenta el nmero de nodos a asociar, por ejemplo, si se tienen 200 ubicaciones
distribuidas uniformemente en el plano, es posible agruparlas en 1,60x10
6
(2
200
-1)
subconjuntos, no obstante muchos de ellos no tienen sentido prctico, producto que asocian
redes que no son vecinas entre s.
Para lograr una buena aproximacin a la vecindad entre redes y con esto a las
combinaciones posibles, se propone el uso de la triangulacin de Delaunay, la que tambin
ser utilizada para la recombinacin de redes, por lo que a continuacin se realiza una breve
descripcin de esta metodologa y su relacin con los ya explicados polgonos de Voronoi.
5.2.1 Triangulacin de Delaunay
Una triangulacin, bsicamente corresponde a una subdivisin de una determinada rea en
tringulos, es decir, dado un conjunto de puntos en el plano P, una triangulacin de P se
define como una familia maximal de tringulos interiores disjuntos cuyos vrtices son los
puntos de P y en cuyo interior no hay ningn punto de P. Se dice que una triangulacin T
1

es mejor que T
2
cuando el menor ngulo de los tringulos de T
1
es mayor que el menor de
los ngulos de los tringulos de T
2
, por tanto la mejor combinacin ser aquella que
maximiza el ngulo mnimos de los tringulos.
En particular, una triangulacin de P es una triangulacin de Delaunay si y slo si la
circunferencia circunscrita de cualquier tringulo de T no contiene puntos de P. Con ello,
los tringulos formados tendern a maximizar sus ngulos mnimos y las aristas conectarn
93

nodos cercanos, siempre y cuando no se intersecten entre s. Por tanto la triangulacin de
Delaunay no es otra cosa que el grafo dual del diagrama de Voronoi, en que las aristas
corresponden a la unin de los puntos generadores que comparten un eje de Voronoi y a la
unin de puntos generadores vecinos ubicados en zonas no acotadas. Entre sus propiedades
se cuentan:
Cada tringulo posee como vrtices a los puntos generadores del diagrama de
Voronoi.
La frontera corresponde a la envolvente convexa de los puntos generadores.
Maximiza el mnimo ngulo, por lo que constituye la mejor triangulacin dado que
genera los tringulos ms equilteros posibles.

A continuacin se presenta, a modo de ejemplo, la triangulacin de Delaunay para 30
puntos generadores distribuidos uniformemente en una regin de 100 por 100 metros.
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
70
80
90
100

.
Figura 5.9: Ejemplo de la triangulacin de Delaunay
Con esta tcnica se busca entonces disminuir el nmero de combinaciones factibles, dado
que es posible conocer cuales son las redes vecinas, a travs de las aristas de la
[m]
[m]
94

triangulacin, y con ello evitar analizar aquellas combinaciones entre redes alejadas. De
esta forma los subconjuntos de n elementos entre los m disponibles se realizarn slo entre
aquellos que estn conectados mediante el grafo definido a travs de la teselacin en
cuestin, lo que depender de la distribucin de los consumos en el plano, por lo que es
imposible determinar una expresin analtica para el nmero total de combinaciones. No
obstante, es factible para cada distribucin espacial, construir las combinaciones que
cumplan la restriccin de vecindad. As, para una localizacin de 10 consumos es posible
realizar 800 subgrupos, nmero que se incrementa exponencialmente con el tamao de la
entrada, de hecho 15 consumos producen 25.248 combinaciones, 16 consumos generan
52.141 subconjuntos, 17 ubicaciones provocan 102.509 subgrupos y 18 localizaciones
tienen 214.063 combinaciones
35
. En estos casos se calcularon todas las posibles
combinaciones de los m datos de entrada en subconjuntos de 1 hasta m, siempre y cuando
estuviesen comunicados por aristas de la triangulacin. Si ahora slo se consideran todos
los posibles grupos de 2 y 3 elementos que cumplan con la teselacin se tiene:

35
Cada grupo corresponde a una distribucin uniforme de los n elementos en una superficie de 10.000m
2
, se
debe sealar que los subconjuntos indicados que representan las combinaciones posibles son el resultado de
un caso particular de n elementos, por lo que los nmeros sealados no son generales pero brindan igualmente
un indicador del orden de magnitud de las combinaciones factibles.
95

0
500
1000
1500
2000
2500
3000
3500
5
2
1
3
7
5
3
6
9
8
5
1
0
1
1
1
7
1
3
3
1
4
9
1
6
5
1
8
1
1
9
7
2
1
3
Nodos Distribuidos Uniformemente
C
o
m
b
i
n
a
c
i
o
n
e
s
0
50
100
150
200
250
300
350
400
450
500
T
r
i
a
n
g
u
l
a
c
i
o
n
e
s
Nmero de Combinaciones Nmero de Triangulaciones

Figura 5.10: Aumento de la triangulacin producto del aumento en la entrada
En este caso el nmero de combinaciones crece linealmente con el tamao de redes a
combinar, producto que, como se aprecia en el mismo grfico, el nmero de tringulos que
se forma con la adicin de un nuevo nodo en la red tambin se incrementa casi linealmente,
y como la conexin esta limitada por las aristas de los tringulos de la teselacin, buscando
slo combinaciones de dos y tres elementos, es fcil notar que las combinaciones de dos
elementos sin repeticin corresponden necesariamente a las aristas de la triangulacin que
dependen del nmero de tringulos formados y los conjuntos de tres elementos
corresponden por un lado los tringulos de la teselacin ms aquellos formados por aristas
que parten de un mismo vrtice pero que pertenecen a tringulos distintos, en virtud de lo
cual al considerar slo combinaciones de dos y tres elementos el factor que hace aumentar
el nmero de combinaciones al incrementar el tamao de la entrada es la formacin de un
nuevo tringulo en la teselacin y como su comportamiento es lineal con el nmero de
nodos tambin lo ser el nmero de combinaciones de dos y tres elementos formadas a
partir de l, toda vez que se est suponiendo una distribucin espacial uniforme de los
nodos.
De donde, si se asume como supuesto que las recombinaciones se realizarn slo uniendo
de dos y de tres redes con sus respectivos transformadores, de todas maneras las
96

combinaciones para la zona de anlisis continan siendo elevadas. Como referencia para el
caso de 200 redes se tienen del orden de 3000 combinaciones, adems si se considera que
cada combinacin implica un nuevo clculo de conductores, posicin y tamao del nuevo
transformador, prdidas y flujos por la nueva red, el problema de combinacin se vuelve
inmanejable a travs de tcnicas convencionales de optimizacin, por lo cual se proponen
dos vas de accin. Por un lado, reconocer la utilidad de dividir un problema de gran
dimensin en problemas menores, situacin que queda en evidencia en el captulo 4, y por
tanto dividir la zona de planificacin en vecindarios, siendo cada uno de ellos
independientes y buscando al interior de ellos la mejor recombinacin posible. Por otro
lado, es asumir que el problema debe ser abordado en forma global de manera de buscar la
mejor reagrupacin posible, lo cual sin duda no puede ser resuelto en forma determinstica
por lo que se recurre al uso de una meta-heurstica que ayude a encontrar una buena
solucin para el problema, no necesariamente la ptima, para lo cual se utiliza la tcnica
conocida como bsqueda tab.
5.2.2 Resolucin mediante vecindarios
Esta metodologa consiste en aprovechar las ventajas de dividir el problema principal en
problemas ms pequeos, reduccin del nmero de combinaciones factibles, y de realizar
una agrupacin inteligente de las distintas redes a travs de los polgonos de Voronoi, para
lo cual se eligen como puntos generadores aquellos transformadores con capacidad
instalada superior a una determinada cota, por ejemplo 300 kVA, y cada polgono de
Voronoi incorpora al resto de los transformadores ms cercanos, lo que implica asociar al
mismo polgono la red correspondiente a cada uno de los transformadores agrupados,
formando de esta manera distintos vecindarios, agrupaciones de redes, a los que se les
realizar el proceso de macro-optimizacin basado en la unin de redes. Tal proceso, en
atencin a que la divisin del problema trae consigo una disminucin considerable de los
casos factibles, realiza la recombinacin mediante enumeracin completa, esto es que cada
una de las combinaciones posibles al interior de un vecindario ser revisada, escogiendo el
conjunto de combinaciones que produzca ms ahorro con respecto al caso base. Se debe
tener presente que la referencia a conjunto de combinaciones indica que la solucin final
97

encontrada para cada vecindario corresponde a una combinacin de combinaciones que
producen ahorro, siempre y cuando dichas combinaciones no presenten redes comunes. Por
ejemplo, sean A, B, C, D y E redes de un mismo vecindario, si se toman todas las
combinaciones posibles se tiene:
Grupos de 1 red : A-B-C-D-E
Grupos de 2 redes : AB-AC-AD-AE-BC-BD-BE-CD-CE-DE
Grupos de 3 redes : ABC-ABD-ABE-ACD-ACE-ADE-BCD-BCE-BDE-CDE
Grupos de 4 redes : ABCD-ABCE-ABDE-ACDE-BCDE
Grupos de 5 redes : ABCDE

Con lo que la solucin final ser la mejor combinacin de los grupos anteriores, con el
cuidado de no utilizar en la solucin final ms de una vez la misma red. As por ejemplo
una posible solucin final puede ser A-BE-CD.
Para evitar trabajo innecesario y no evaluar la totalidad de las combinaciones, se opta por
realizar la evaluacin slo en aquellas combinaciones factibles, definiendo la factibilidad en
forma secuencial, y por ende cuando una combinacin satisface la secuencia, se considera
como candidata para formar parte en la combinacin final. Entonces:
1. Sern combinaciones factibles en etapa 1 todas aquellas combinaciones del
vecindario que se encuentren conectadas por al menos dos vrtices del polgono de
Voronoi o anlogamente por una arista de la triangulacin de Delaunay del
vecindario correspondiente, esto con el fin de evitar que la combinacin entre redes
se superponga a alguna red que no pertenece a la combinacin, y as evitar la
duplicacin de redes sobre una zona determinada.
2. Sern combinaciones factibles en etapa 2 todas aquellas combinaciones factibles en
etapa 1, que no producen componentes conexas en la representacin de grafo de la
red vial, es decir slo sern factibles aquellas combinaciones que se encuentren
comunicadas a travs de la red vial sin la formacin de islas viales, ya que ello
implicara la necesidad de al menos un transformador por cada isla formada,
situacin que se aleja del objetivo de combinar redes para disminuir los costos.
98

3. Sern combinaciones factibles todas aquellas combinaciones factibles en etapa 2,
que al realizarse tal combinacin el costo total es menor que la suma de los costos
totales de cada una de las redes que forman la combinacin. Por tanto, las
combinaciones factibles sern en resumen, las realizadas entre vecinos conectados
vialmente que generen ahorros con respecto a la no realizacin de la combinacin.

Una vez que se conoce el ahorro que se produce con cada una de las combinaciones
factibles, se debe proceder a combinarlas a fin de encontrar la solucin final. Siguiendo con
el ejemplo, luego del anlisis de factibilidad, las combinaciones podran ser:
Grupos de 1 red : A-B-C-D-E
Grupos de 2 redes : AB-AD-BC- BE-CE
Grupos de 3 redes : ABD-ACD-BDE-CDE
Grupos de 4 redes : ABDE
Grupos de 5 redes : (Combinacin no factible)

De esta forma las combinaciones finales factibles seran:
ABDE-C
ABD-CE
ABD-C-E
ACD-BE
ACD-B-E
DCE-AB
DCE-A-B
AB-CD-E
AD-BC-E
AD-BE-C
AD-CE-B
AD-B-C-E
BC-A-D-E
99

BE-A-C-D
CE-A-B-D
Como se conoce el ahorro de cada combinacin factible, la solucin final vendr dada por
aquella que agrupe de mejor forma las combinaciones anteriores, de manera que produzca
el mayor ahorro posible, dicho procedimiento es realizado mediante enumeracin completa.
El inconveniente de la metodologa descrita es que se permiten todas las agrupaciones,
siendo altamente probable que muchas de ellas no produzcan ahorros e igualmente generen
aumentos en los tiempos de ejecucin, ello producto que las combinaciones de varias redes
implican la optimizacin de una zona mayor, con lo que el tiempo de procesamiento crece,
y tambin lo hace necesariamente el tamao de la red de distribucin, aumentando en
exceso las prdidas asociadas, y por tanto incrementado los costos en relacin al caso en
que todas las redes se mantienen independientes. De hecho como se muestra en la tabla 5.3,
en que la cota se estableci en 300 kVA, si se permiten agrupaciones de dos, tres, hasta
nueve redes, escogiendo nueve como cota superior dado que corresponde al mximo
nmero de redes al interior de un vecindario, se tiene que un aumento en el nmero de
elementos a combinar provoca un aumento en el tiempo de ejecucin con un incremento
menor en el ahorro asociado.
Tabla 5.3: Ahorro v/s nmero de combinaciones con cota en 300 kVA
Nmero de redes a
combinar
Ahorro ($) Tiempo (min)
2 46.093.449 2,07
3 48.673.315 3,14
4 48.759.939 3,73
5 49.265.430 4,18
6 49.744.881 4,47
7 50.246.559 4,55
8 50.246.559 4,54
9 50.246.559 4,55


Es ms, si se analiza el caso de 500 kVA, se observa que el aumento en el nmero de
elementos a combinar incrementa los tiempos de ejecucin, esto se debe a que como
100

existen menos puntos generadores el tamao del polgono es mayor y por tanto el nmero
de redes al interior de un vecindario tambin es mayor, con lo cual el nmero de
combinaciones de n elementos crece, probndose ms casos y por ende consumiendo ms
tiempo en su solucin. En efecto, para el caso de cota en 500 kVA se obtiene que, si se
realizan combinaciones de dos elementos se logra un ahorro de $ 67.335.440 en un tiempo
de 4 minutos. Al aumentar a tres los elementos a combinar en cada vecindario, el tiempo
crece a 10 minutos con un ahorro que aumenta a tan slo $ 74.643.055, si el nmero es 4 el
ahorro es de $ 74.935.026, mantenindose casi inalterable, en un tiempo de 33 minutos. Se
debe sealar adems, que para un incremento adicional al mencionado fue imposible lograr
la convergencia, toda vez que el nmero de combinaciones era elevado, puesto que uno de
los vecindarios posee 52 redes, lo que da un nmero de combinaciones posibles de
2.598.960, haciendo inmanejable la bsqueda de una solucin.
De lo anterior es posible deducir que el incremento de combinaciones si bien aumenta los
ahorros tambin produce mermas en la velocidad de solucin del problema, por lo que se
necesita encontrar una forma de producir ahorros relevantes pero sin la necesidad de
tiempos extremos de ejecucin. Para evitar tal problema, se propone la utilizacin cclica
del procedimiento planteado, pero slo considerando combinaciones de dos redes, ello con
el fin de comparar slo casos que toman menos tiempo ya que abordan una zona de
planificacin menor y adems son ms probables de generar ahorros que las combinaciones
entre un nmero superior de redes. El algoritmo propuesto es:

1. Dividir la zona de planificacin en vecindarios a travs del diagrama de Voronoi
2. Para cada vecindario realizar todas las combinaciones posibles de dos elementos.
2.1 Determinar todas las combinaciones factibles y el ahorro que producen.
3. Combinar las redes factibles de manera de originar la solucin final.
4. Actualizar la red incluyendo las combinaciones realizadas.
5. Repetir pasos anteriores hasta que no existan ahorros en la recombinacin de redes.

El desarrollo cclico de la metodologa anterior, se explica en que si bien las combinaciones
de dos redes son ms probables que sean factibles, ello no garantiza que combinaciones de
101

ms de dos redes no lo sean, por lo cual al permitir que la nuevas redes formadas, puedan
seguir combinndose ya sea con redes nuevas o con redes no combinadas en la etapa
anterior, implcitamente rescata el hecho de la posibilidad de combinaciones entre un
nmero superior de ellas, pero evitando la evaluacin de todas las combinaciones posibles,
lo que implica un ahorro en tiempos de ejecucin.
Utilizando este procedimiento se obtienen lo siguientes resultados.
Tabla 5.4: Ahorros por la recombinacin de redes
Cota (kVA) Ahorro ($)
Tiempo
(min)
10 0 0,09
15 3.975.755 0,44
30 9.568.937 0,62
45 15.351.388 0,77
75 19.462.245 1,03
100 25.966.288 1,18
150 43.120.248 2,29
300 53.915.232 6,62
500 76.392.742 16,25


Donde adems es posible notar que los ahorros aumentan en la medida que la cota utilizada
para la creacin de los vecindarios tambin crece, ello es debido a que el nmero de
polgonos que cubre la zona de planificacin disminuye, con lo cual cada vecindario agrupa
a un mayor nmero de redes. En este escenario entonces es vlido preguntar por que no
ampliar al mximo la zona de anlisis, es decir utilizar un nico vecindario que incluya
todas las redes a combinar. Tal como se mencion, dicho problema, al ser de una
complejidad combinatoria elevada, ser resuelto mediante bsqueda tab en la siguiente
seccin.
5.2.3 Resolucin mediante bsqueda tab
De manera de comprender el procedimiento propuesto, se realizar una pequea resea
acerca de la bsqueda tab, para posteriormente explicar la forma en que fue aplicada al
problema de combinacin de redes, incluyendo la formulacin y los resultados encontrados.

102

Bsqueda tab
La bsqueda tab constituye una meta-heurstica, es decir un algoritmo heurstico de
optimizacin, genrico e independiente del problema a optimizar, que se adapta con
pequeas modificaciones a la resolucin de un problema determinado. Entendindose por
algoritmo heurstico a un proceso simple, que supone la obtencin de una buena solucin,
no necesariamente ptima, de un modo relativamente fcil y rpido en problemas de alta
complejidad (NP, NP-completos). Fue propuesta por Fred Glover en la dcada de los 80, y
desde esa fecha ha sido utilizada con xito en una gran variedad de problemas tales como
planificacin de maquinarias, diseo de topologa de redes, reconocimiento de patrones,
asignacin de rutas, localizacin y asignacin de recursos, es decir, en una multitud de
problemas de optimizacin combinatorial (Glover, 1995).
Bsicamente la bsqueda tab consiste en un algoritmo iterativo que explora el espacio de
soluciones sin entramparse necesariamente en un ptimo local, para ello se permiten
movimientos que empeoran la solucin, a la vez que los ltimos movimientos se almacenan
en una lista, y no pueden ser realizados en las siguientes iteraciones (lista tab), de forma
de evitar ciclos durante el proceso de optimizacin, es decir, la bsqueda tab es una
combinacin de bsqueda local con memoria de corto plazo. Otro elemento a considerar,
adems de la lista tab tendiente a evitar ciclos, es el denominado criterio de aspiracin, el
cual consiste en que si alguno de los movimientos prohibidos almacenados en la lista tab,
cumple una determinada condicin, tpicamente si mejora la solucin, puede ser liberado y
utilizado en el proceso de optimizacin, fenmeno conocido como olvido estratgico. En
virtud de lo anterior y considerando que X es el conjunto de todas las posibles soluciones, x
cualquier solucin, N(x) el conjunto de todas las soluciones vecinas a x (N(x)

X), T la
lista tab, el algoritmo simplificado es:

1. Se elije una solucin factible inicial x, con x

X, inicializndose la mejor solucin

en x* : = x, e inicializando el contador k y la lista tab.
2. Si N(x)-T = vaco, pasar a 4. En otro caso se toma la solucin n(x), considerando la
siguiente subrutina:
103

a. Se evalan todas las soluciones de N(x), ordenndose de mejor a peor.
b. Se escoge la mejor solucin n1(x)

N(x)
c. Si n1(x) T, entonces n(x)=n1(x). En otro caso, si n(x) es mejor que
x
*
(criterio de aspiracin), entonces n(x)=n1(x). Si n(x) no es mejor que x
*
,
entonces elegir la segunda mejor solucin de N(x) y repetir c.
3. x = n(x). Si x mejora la solucin entonces x* : = x
4. Si el nmero de iteraciones es mximo N(x)-T = vaco la solucin no mejora
luego de un nmero determinado de iteraciones, entonces finaliza. Sino actualiza T
= [T; x], k=k+1 y se retorna a 2.

Del algoritmo se desprende que su elemento fundamental es la lista tab, y en particular, lo
es la eleccin del tamao de la lista, es decir, el nmero mximo de movimientos que sern
considerados prohibidos. As una lista de tamao N garantizar que no se van a crear ciclos
de largo inferior a N. La eleccin de este parmetro es un dato de entrada al problema, y
normalmente la forma de implementarlo es a travs de una lista circular, en la cual el
ltimo movimiento se pone al principio de la lista y el ltimo elemento de la lista, si es que
sta se completa, es liberado de la prohibicin.
Esta meta-heurstica constituye una herramienta poderosa que ha sido ampliamente
utilizada, en particular, en el sector elctrico ha sido empleada en planificacin de la
expansin de redes de transmisin (Da Silva et al, 2001, Wen y Chang, 1997) en
localizacin ptima de condensadores (Huang et al, 1996), por mencionar slo alguna de
sus aplicaciones.
Combinacin de redes va bsqueda tab.
El objetivo de la bsqueda tab en este trabajo, es entregar una buena combinacin entre
redes, de manera de disminuir los costos obtenidos del proceso de micro-optimizacin. En
la siguiente figura se muestra un conjunto de redes, demarcadas por la envolvente convexa
que engloba a todos los consumos de cada una de ellas, y donde los puntos ms grandes,
representan la posicin del transformador, indicando algunas zonas que al unirse
posiblemente constituiran mejoras a la funcin objetivo, observando adems, que si un
104

transformador es utilizado en una combinacin ya no puede ser utilizado en otra, por lo que
la eleccin del conjunto de mejores combinaciones no es trivial, toda vez que el nmero de
combinaciones posibles aumenta exponencialmente con el nmero de transformadores.

Figura 5.11: Posibilidad de combinacin de redes
As lo que se busca es el mejor mix entre las posibles combinaciones, siempre y cuando
cada red combinada sea utilizada en una nica combinacin, lo que se representa de
acuerdo a la siguiente estructura:

1 1 2 1 2 4 4

En donde el largo de la estructura representa el nmero de redes totales en el rea de
anlisis, la posicin en la estructura identifica a una determinada red, y el valor al interior
de la estructura indica la combinacin utilizada, es decir en la solucin mostrada se tienen
20 redes a combinar, en que las redes 2-3-5 se unen a travs de la combinacin 1, las redes
4-7 lo hacen mediante la combinacin 2, las redes 13-14 son mezcladas por la combinacin
4. Para conseguir tal resultado el algoritmo propuesto es el siguiente:
[y]
[x]
105

1. Se realiza la triangulacin de Delaunay tomando como vrtices la posicin de los
transformadores.
2. Se realizan todas las posibles combinaciones de transformadores y redes asociadas,
siempre y cuando se encuentren conectadas por una arista de la triangulacin y
exista conexin vial entre las redes (sin generacin de componentes conexas).
3. Para cada combinacin se calcula el ahorro que se produce al realizarla, en caso de
no existir ahorro la combinacin deja de ser factible.
4. Se ordenan de mayor a menor las combinaciones factibles, de acuerdo al ahorro que
producen.
5. Se inicializa la solucin escogiendo como valor inicial la combinacin que produce
el mayor ahorro de la lista anterior (Mejor Movimiento)
6. Se escoge la siguiente mejor combinacin (mejor ahorro)
a. Si la nueva combinacin no une redes que ya han sido incluidas en la
solucin, se adiciona a ella.
b. Si la nueva combinacin utiliza al menos una red que pertenece a la
solucin actual, se agrega la nueva combinacin (empeoramiento de la
solucin y/o aumento del espacio de bsqueda) y se eliminan de la solucin
todas aquellas combinaciones anteriores que involucren redes contenidas en
la nueva combinacin. Las combinaciones eliminadas pasan a la lista tab, y
por tanto no pueden ser utilizadas hasta que salgan de ella (el nmero de
iteraciones que permanecen en la lista, se denomina largo tab y es definido
a priori).
7. Se disminuye en uno el contador de la lista tab, para cada combinacin en ella
incluida. S para una determinada combinacin el contador llega a cero, significa
que puede dejar la lista tab y por tanto es agregada nuevamente a la lista de
combinaciones factibles.
8. Se ordena de mayor a menor la lista actual de combinaciones factibles.
9. Se vuelve al paso 5. El proceso se detiene si:
a. Se alcanza el nmero mximo de iteraciones
b. La lista de soluciones factibles es vaca.
106


Aplicando la metodologa propuesta, en forma iterativa tal como se explic en el caso de
macro-optimizacin por vecindarios, es posible obtener un ahorro de $ 78.054.181,
representando un 4 % del costo del caso base, en un tiempo de 19 minutos. Observndose
que existe una leve mejora con respecto a la recombinacin basada en vecindarios,
mostrando un ahorro 2 % superior al mejor ahorro sealado en la Tabla 5.3.
A modo de ejemplo a continuacin se presentan dos figuras, la primera representa la salida
del proceso de micro-optimizacin (252 redes), en tanto que la segunda indica la salida del
proceso de macro-optimizacin (190 redes), en ambos casos los transformadores estn
indicados por un punto y los consumos asociados a cada red estn encerrados a travs de su
envolvente convexa.
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
x 10
4
6000
7000
8000
9000
10000
11000
12000

Figura 5.12: Configuracin de redes producto de la micro-optimizacin
[m]
[m]
107

3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
x 10
4
6000
7000
8000
9000
10000
11000
12000

Figura 5.13: Configuracin de redes producto de la macro-optimizacin
5.3 Macro-Optimizacin: Unin Diagramas de Voronoi y Bsqueda Tab
Considerando las bondades de las dos metodologas propuestas, en este algoritmo
finalmente se propone la realizacin secuencial de ellas. De tal forma de incluir la
asociacin inteligente producto del diagrama de Voronoi y la incorporacin de informacin
adicional y de mejora de la funcin objetivo a travs de la recombinacin de redes gracias a
la bsqueda tab. Por tanto la secuencia recomendada de aplicacin sera la siguiente:

1. Micro-optimizacin simplificada, sin las restricciones viales ni consideracin de la
red elctrica.
2. Trazado del diagrama de Voronoi tomando como puntos generadores la ubicacin
de los transformadores obtenidas en el paso anterior.
3. Micro-optimizacin completa y detallada para cada uno de los polgonos de
Voronoi.
[m]
[m]
108

4. Macro-optimizacin de recombinacin entre todas las redes obtenidas luego del
proceso de micro-optimizacin.

Con esta solucin se presentan los mayores ahorros con respecto al caso base dado por la
aplicacin exclusiva del proceso de micro-optimizacin explicado en el captulo 4, en
efecto el ahorro total es de $ 135.972.397 (197 redes) representando un descuento de 7.4 %
respecto del caso base.
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
x 10
4
6000
7000
8000
9000
10000
11000
12000

Figura 5.14: Configuracin de redes luego de la macro-optimizacin secuencial




[m]
[m]
109

6. PLANIFICACION OPTIMA DEL GRAN SANTIAGO
Este captulo ilustra la aplicabilidad de la metodologa propuesta a la planificacin de una
zona de gran tamao, en particular se mostrar la posibilidad de accin de los distintos
mecanismos sobre los consumos de baja tensin, suministrados por CHILECTRA en la
Regin Metropolitana
36
, abasteciendo del orden de 1.300.000 clientes distribuidos en una
superficie aproximada de 2.118 km
2
. Se debe recordar que los datos de demanda utilizados
como base del estudio corresponden a datos actualizados a diciembre del ao 2003, ello
producto que el estudio tarifario 2004, tom como base dicha fecha y por ende las
comparaciones con tales resultados slo son posibles si se toma la misma referencia. A tal
fecha, la compaa distribuidora contaba con 9.333 kilmetros de redes de baja tensin,
20.285 transformadores de distribucin con una capacidad total instalada de 2.456 MVA
suministrando un total de 3.917 GWh, correspondientes a consumos de energa de los
clientes conectados a travs de la red de baja tensin
37
.
En esta seccin slo se mostrarn los resultados finales obtenidos, con una breve
explicacin, puesto que la metodologa corresponde a lo explicado en extenso en los
captulos anteriores, mostrndose la aplicacin de cada procedimiento a la totalidad de la
zona de concesin de CHILECTRA.
6.1 Aplicacin del Proceso de Micro-Optimizacin
Este procedimiento reviste gran importancia puesto que corresponde a la estructura
fundamental de todas las metodologas propuestas, ya que los procesos de macro-
optimizacin la utilizan como dato de entrada.

36
La zona de anlisis incluye a la ciudad de Santiago, capital de Chile, con una poblacin al 31 de diciembre
del 2003 de 5.3 millones de habitantes.
37
Las ventas totales de energa para el ao 2003 fueron de 8.696 GWh, repartindose 3.917 GWh a clientes
de baja tensin y 4.779 GWh a clientes de media tensin.
110

Del captulo 4 fue posible encontrar que un tamao adecuado para la zona de anlisis era de
500 x 500 metros. Tambin se pudo mostrar que en el proceso iterativo asociado a la micro-
optimizacin, al encontrar un valle en la funcin de costo se est, con alta probabilidad, en
presencia de un mnimo global. Adems se observ que en la metodologa propuesta, el
equilibrio de red slo es significativo al finalizar el proceso iterativo, todas conclusiones
que son aplicadas a la micro-optimizacin del Gran Santiago. As, la divisin de la zona a
planificar se muestra en la siguiente figura.
0 1 2 3 4 5 6
x 10
4
0
1
2
3
4
5
6
7
x 10
4

Figura 6.1: Divisin en mini-zonas del gran Santiago
[m]
[m]
111

Existe un total de 3103 mini-zonas a optimizar, las que para 10 lanzamientos del algoritmo,
tabla 6.1, entregan un costo promedio de $ 71.027.164.452 en un tiempo de ejecucin
promedio de 168,3 minutos correspondientes a 2,8 horas
38
.
Tabla 6.1: Micro-optimizacin del gran Santiago
Lanzamiento Costo Total ($) Tiempo (min)
1 70.973.285.445 173,5
2 71.158.531.278 167,8
3 70.921.325.234 167,6
4 70.951.990.818 167,6
5 71.098.651.683 167,3
6 71.067.957.121 168,9
7 70.972.409.405 167,4
8 71.003.831.236 167,0
9 71.014.399.273 167,4
10 71.109.263.030 168,7


De tales simulaciones, es posible obtener que el largo promedio de la red de baja tensin es
7.828 Km, que se utilizan 12.039 transformadores con una capacidad total instalada en
baja tensin de 2.861 MVA, con prdidas de energa para el ao base de 54.142 MWh.
Si bien, la red trazada corresponde slo a una red rea de baja tensin, y por tanto no
reconoce las zonas subterrneas del rea de planificacin, ni tampoco su relacin directa
con la red de distribucin de media tensin, es posible cotejar, de todas formas, el orden de
los resultados obtenidos, con los estudios de VAD realizados en la fijacin tarifaria
utilizada como referencia, de manera de comprobar la coherencia de las salidas obtenidas.
Por ejemplo, en el caso de las prdidas para el ao inicial, en donde se ve reflejado tanto el
trazado como el tipo de conductores seleccionados, se tiene que en el estudio encargado por
la empresa distribuidora, en adelante estudio de la distribuidora (Systep e Inecon, 2004), las
prdidas corresponden a 75.312 MWh y en el estudio encargado por la Comisin Nacional
de Energa, en adelante estudio de la CNE (Synex, Mercados Energticos y Jadresic
Consulting, 2004), ascienden a un valor de 35.580 MWh, ubicndose el resultado aqu

38
La tabla completa para todos los lanzamientos, con el desglose de costos e infraestructura se presenta en el
112

obtenido entre ambos valores. En cuanto a los kilmetros de red, el resultado obtenido es
menor tanto al estudio de la distribuidora como al estudio de la CNE, cuyos valores son
9.050 km y 9.075 km respectivamente, este hecho no debe ser explicado por si slo, sino
que debe considerarse lo que sucede con los transformadores. En el estudio de la
distribuidora el nmero ptimo es de 7.247 y en el estudio de la CNE es de 8.416 unidades,
por lo tanto, con la metodologa propuesta se obtiene un resultado absolutamente coherente,
toda vez que el nmero de transformadores obtenido es mayor y el largo de red es menor
39

que en los estudios citados, situacin que acontece dada la divisin arbitraria de la gran
zona de planificacin en mini-zonas de optimizacin, en las cuales al respetar el tendido
vial y por ende al no trazar redes entre zonas no vialmente conectadas, se fuerza a que en
cada isla vial de cada una de las mini-zonas, exista al menos un transformador.
6.2 Aplicacin del Proceso de Macro-Optimizacin
Para evitar el posible exceso de transformadores y eventuales costos extras asociados a la
divisin arbitraria del rea de anlisis, se desarrollaron metodologas adicionales para
realizar una fragmentacin inteligente del problema, las cuales sern aplicadas al Gran
Santiago. Debido a que la comparacin es con respecto al proceso de micro-optimizacin y
tal metodologa es no determinstica, se tomar como base un lanzamiento particular de la
metodologa, para que en los procesos de macro-optimizacin la referencia sea la misma.
En suma, los resultados para dicho lanzamiento con un tiempo de ejecucin de 167
minutos, son:

Costo total : $ 70.973.296.670
Costo total + prdidas : $ 79.981.055.629
Nmero de transformadores : 12.052 unidades
Largo de red : 7.822 kilmetros
Capacidad instalada : 2.859 MVA.

Anexo H
39
En las redes de distribucin se tiene que los transformadores con sus redes asociadas tienen una relacin
inversamente proporcional, en el caso extremo si cada consumo tuviese su propio transformador la red de
distribucin de baja tensin sera cero.
113


Resultando por tanto, un total de 12.052 redes asociadas a sus respectivos transformadores,
lo que se puede visualizar en la figura 6.2, donde cada red esta acotada por la envolvente
convexa de los consumos que la componen.
114







Figura 6.2: Redes del caso base: micro-optimizacin
[m]
[m]
[m]
[m]
115

6.2.1 Metodologa basada en diagrama de Voronoi
Se realiza el trazado del diagrama de Voronoi, considerando como puntos generadores de
los polgonos, a la ubicacin de los transformadores obtenidos en la etapa de micro-
optimizacin, para luego aplicar a cada nueva mini-zona irregular el proceso de micro-
optimizacin completo. Se debe recordar que los mejores resultados se obtuvieron cuando
los puntos generadores correspondan a aquellos asociados a transformadores superiores a
300 kVA, y por tanto en esta aplicacin, se emplea tal condicin como base para elaborar
los polgonos de Voronoi de Santiago. Con ello, en la figura 6.2, es posible apreciar la
aplicacin de esta tcnica para la zona en cuestin.
Con esta metodologa se obtuvo un costo menor que el caso base, arrojando los siguientes
resultados:

Costo total : $ 70.098.342.446
Costo total + prdidas : $ 78.133.902.585
Nmero de transformadores : 11.966 unidades
Largo de red : 8.210 kilmetros
Capacidad instalada : 2.895 MVA.

Lo que constituye una mejora de 2,31 % (aproximadamente dos mil millones de pesos) con
respecto al caso base considerando las prdidas. Para clarificar los resultados, se aplic el
mismo procedimiento, pero ahora considerando como centro de los polgonos a aquellos
transformadores superiores a 500 kVA, obteniendo lo siguiente:

Costo total : $ 69.384.475.120
Costo total + prdidas : $ 78.256.523.843
Nmero de transformadores : 11.355 unidades
Largo de red : 8.347 kilmetros
Capacidad instalada : 2.869 MVA.

116

En ambos casos, es posible apreciar una disminucin en el costo total, asociado a la mejor
asignacin de los consumos, lo que se traduce en un menor nmero de transformadores y
por consiguiente un mayor largo de red. Se debe sealar que los tiempos de simulacin
fueron de 179 y 252 minutos respectivamente, sin considerar el tiempo requerido por el
caso base.
117










Figura 6.3: Diagrama de Voronoi aplicado a Santiago
6.2.2 Metodologa simplificada basada en diagrama de Voronoi
Se desarroll el diagrama de Voronoi pero sin utilizar el proceso de micro-optimizacin
para la generacin de los polgonos, sino que las ubicaciones generadoras provienen de un
proceso de micro-optimizacin simplificado, que no considera ni el trazado de la red ni el
trazado vial y slo incluye en el anlisis la demanda y la eleccin y ubicacin del
0 1 2 3 4 5
x 10
4
0
1
2
3
4
5
6
x 10
4
3.4 3.6 3.8 4 4.2 4.4
x 10
4
0.7
0.8
0.9
1
1.1
1.2
1.3
1.4
1.5
x 10
4
[m]
[m]
[m]
[m]
118

trasformador adecuado, ello con el fin de evitar los 167 minutos asociados al caso base. De
esta forma, el procedimiento simplificado requiere slo 14 minutos para su ejecucin, luego
de lo cual se realiza el diagrama de Voronoi y se aplica el procedimiento de micro-
optimizacin completo para cada uno de los polgonos formados.
Al igual que en el caso anterior, se consideraron como puntos generadores las ubicaciones
de aquellos transformadores, que de acuerdo al procedimiento de micro-optimizacin
simplificado son superiores a 300 kVA y luego a 500 kVA, con lo cual, los resultados para
el primer caso son:

Costo total : $ 70.505.021.797
Costo total + prdidas : $ 78.722.075.399
Nmero de transformadores : 11.815 unidades
Largo de red : 8.261 kilmetros
Capacidad instalada : 2.892 MVA.

Y para el caso de 500 kVA son:

Costo total : $ 70.337.529.277
Costo total + prdidas : $ 78.729.180.328
Nmero de transformadores : 11.447 unidades
Largo de red : 8.292 kilmetros
Capacidad instalada : 2.874 MVA.

Si bien, en ambos casos los ahorros no superan el 2%, se debe sealar la ventaja en tiempo
que esta metodologa brinda, toda vez que slo demora 170 y 240 minutos,
respectivamente, sin necesidad de los 167 minutos adicionales del caso base.

119

6.2.3 Metodologa basada en vecindarios
Este procedimiento busca incorporar las posibles economas producto de unir redes vecinas,
esto es, hacer que zonas aledaas que tienen su propio transformador y red sean unidas de
manera de suministrarlas a travs de un nico transformador con slo una red asociada,
para ello se divide la zona en vecindarios utilizando los polgonos de Voronoi, para luego
en cada uno de los vecindarios encontrar la mejor combinacin de redes, de forma de lograr
una disminucin en el costo total.
Entonces, cada uno de los vecindarios est formado por todas las redes que quedan al
interior de un polgono de Voronoi, los que son creados tomando como puntos generadores
la ubicacin de todos los trasformadores del caso base, cuya capacidad sea superior o igual
a 500 kVA. Aplicando tal procedimiento, se obtienen 4.103 vecindarios para Santiago, tal
como se aprecia en la figura 6.4, en particular, en su figura inferior es posible notar como
cada vecindario (polgonos convexos de lneas gruesas), contiene un conjunto de redes a
combinar (polgonos convexos de lneas delgadas).
As, en cada vecindario se encuentra la mejor combinacin, es decir la que produce
mayores ahorros, entre las redes que lo componen. Siendo el ahorro final, la sumatoria de
los ahorros producidos en cada uno de los vecindarios. De esta forma, el ahorro total
obtenido, con respecto al caso base, es de $ 2.824.076.757 lo que representa un ahorro de
3,53 %, ejecutndose el procedimiento en 178 minutos. El resumen de los resultados
obtenidos es el siguiente:

Costo total : $ 67.338.746.724
Costo total + prdidas : $ 77.156.978.872
Nmero de transformadores : 9.357 unidades
Largo de red : 8.187 kilmetros
Capacidad instalada : 2.741 MVA.
120







Figura 6.4: Creacin de vecindarios para la recombinacin de redes
[m]
[m]
[m]
[m]
121

6.2.4 Metodologa basada en bsqueda tab y nico vecindario
Al igual que en el caso anterior se buscan las economas producto de la unin de redes
aledaas, pero esta vez sin la realizacin de vecindarios, sino que buscando la mejor
combinacin de entre todas las redes que se obtienen luego del proceso de micro-
optimizacin. Dada la gran cantidad de combinaciones posibles, se opta por la heurstica
bsqueda tab para conseguirlo. Adems, para disminuir el espacio de bsqueda de la
solucin, que en este caso constituye encontrar el conjunto de mejores combinaciones entre
redes, se evitan aquellos casos en que se busca unir redes alejadas o separadas por alguna
red intermedia, para ello se realiza la triangulacin de Delaunay, entre todas las redes del
caso base, representadas por su transformador asociado. Esta triangulacin, para el caso de
Santiago se presenta en la figura 6.5.
122


Figura 6.5: Triangulacin de Delaunay para Santiago
De esa manera, slo se consideran como redes factibles a combinar, aquellas que
inicialmente se encuentran unidas a travs de aristas de la triangulacin (ver 5.2.2),
reduciendo considerablemente el espacio de bsqueda al combinar nicamente redes
vecinas.
Con este procedimiento y requiriendo un tiempo de ejecucin
40
de 254 minutos, se
obtuvieron los siguientes resultados:

Costo total : $ 65.463.843.208
Costo total + prdidas : $ 76.041.409.699
Nmero de transformadores : 8.404 unidades

40
Este tiempo incluye slo el requerido para la realizacin de la metodologa de macro-optimizacin, sin
considerar el tiempo necesario para la realizacin del caso base que entrega las redes iniciales.
Aristas de la Triangulacin de Delaunay
[m]
[m]
123

Largo de red : 8.746 kilmetros
Capacidad instalada : 2.664 MVA.

De donde se obtiene un ahorro de $3.939.645.930, que representa una disminucin de 4,93
% con respecto al caso base.

6.2.5 Metodologa secuencial Voronoi-bsqueda tab
La metodologa aqu sealada busca aprovechar la utilizacin de mini-zonas irregulares y
los ahorros que se producen al combinar redes, para lo cual se realiza secuencialmente
sobre Santiago la aplicacin de los polgonos de Voronoi y luego sobre las redes ah
resultantes, el proceso de recombinacin.
Se hace necesario responder a la siguiente interrogante, Qu metodologa de Voronoi y
que metodologa de recombinacin de redes utilizar?. Frente a lo primero, para el
procedimiento de mini-zonas irregulares se opta por el proceso de Voronoi simplificado,
ello por el ahorro de tiempo que involucra, puesto que los puntos generadores de los
polgonos no provienen del proceso de micro-optimizacin (167 minutos) sino de una
simplificacin del mismo (14 minutos), y as slo se requiere de un nica aplicacin de la
metodologa de micro-optimizacin (170 minutos) sobre las mini-zonas irregulares
formadas en el proceso simplificado. Respecto a la recombinacin de redes se utiliza la
metodologa de macro-optimizacin basada en bsqueda tab, la cual es aplicada sobre un
nico gran vecindario representado por la totalidad de Santiago. Esta eleccin es producto
que presenta mayores ahorros que la metodologa de macro-optimizacin basada en
vecindarios. Por lo tanto, el proceso aqu ejecutado es el siguiente:

1. Micro-optimizacin Simplificado (14 minutos)
2. Micro-optimizacin Completa (170 minutos)
3. Macro-optimizacin de bsqueda tab con nico vecindario (207 minutos)

124

Al realizar esta aplicacin secuencial se obtiene un ahorro final de $ 4.901.118.462 que
representa una disminucin de 6,13 % con respecto al caso base. Los resultados obtenidos
son:


Costo total : $ 64.422.594.684
Costo total + prdidas : $ 75.079.937.167
Nmero de transformadores : 7.686 unidades
Largo de red : 8.935 kilmetros
Capacidad instalada : 2.625 MVA.

125

7. CONCLUSIONES Y TRABAJOS FUTUROS
7.1 Conclusiones
La principal contribucin de la presente investigacin est dada por el desarrollo de una
metodologa capaz de dar respuesta al problema de planificacin de redes de distribucin,
cuando sta es del tipo greenfield planning, es decir cuando los nicos datos de entrada son
la ubicacin y el consumo de los clientes. Este procedimiento busca minimizar el costo de
inversin en transformadores y conductores ms el costo de prdidas, entregando como
resultado el costo, capacidad y ubicacin de los transformadores de distribucin, el costo y
tipo de los conductores utilizados y el trazado de las redes asociadas a cada transformador.
En la seccin referida al Estado del Arte, se pudo constatar que el problema en cuestin ha
sido abordado ampliamente, inicialmente a travs de herramientas tradicionales de
programacin matemtica, con las cuales slo era posible enfrentar problemas de tamao
reducido. En la medida que los problemas a resolver fueron aumentando de tamao, dichas
metodologas perdieron poder de resolucin, dando paso al uso de heursticas, mediante las
cuales, si bien, no se garantiza la obtencin del ptimo global, es posible obtener buenas
soluciones a problemas complejos de gran tamao. Es en esta lnea, que la presente tesis
aborda la planificacin de redes de distribucin, logrando resolver la optimizacin del gran
Santiago, el cual abastece a cerca de 1.300.000 clientes distribuidos en una superficie
aproximada de 2.118 km
2
.
Esta metodologa muestra la aplicabilidad del procedimiento Dividir y Conquistar, en
cuanto Santiago fue dividido en zonas de menor tamao, disminuyendo considerablemente
la caracterstica combinatoria del problema, y optimizando en forma independiente cada
una de las mini-zonas, con lo cual se logr encontrar solucin al problema en tan slo 167
minutos. Tiempo que podra mejorar, toda vez que es posible aplicar proceso paralelos en
su solucin, por ejemplo, si el problema es dividido en n mini-zonas, n/2 podran ser
realizadas en un computador y las otras n/2 en otro computador, en forma simultnea.
Como la optimizacin entre mini-zonas es independiente, el tiempo de ejecucin podra ser
disminuido aproximadamente a la mitad y as los tiempos disminuiran progresivamente en
126

la medida que se incorporan nuevas estaciones de trabajo a la resolucin del problema, lo
que constituye un acierto de la metodologa de micro-optimizacin propuesta.
Del proceso de optimizacin realizado sobre cada mini-zona (micro-optimizacin), fue
posible constatar la relacin existente entre el nmero de transformadores y la red asociada
a cada transformador, observando que un anlisis acoplado entre la red y el transformador
permite encontrar una combinacin ptima de ellos, es decir un mix capaz de minimizar
para cada mini-zona el costo de transformacin, conductores y prdidas. Siendo posible
mostrar, que dicho ptimo se obtiene en el mnimo del primer valle, que se encuentra en la
curva de costo total, la cual indica el costo de inversin ms prdidas en funcin del
nmero de transformadores instalados, donde tal costo se obtiene de la eleccin y ubicacin
ptima de i transformadores (va cluster), y donde para cada uno de ellos se determina la
red ptima, tanto en trazado como en eleccin de conductores. As al realizar la
metodologa para innumerables lanzamientos fue posible mostrar, que si al instalar un
transformador adicional, i+1 transformadores, exista un incremento en el costo total,
entonces el mnimo esta dado por la instalacin ptima de i transformadores con sus
respectivas redes asociadas, situacin que permite disminuir los tiempos de ejecucin, al
acotar el espacio de bsqueda, ya que elimina la necesidad de encontrar los costos que se
obtendran con la instalacin de un nmero mayor a i+1 transformadores. En efecto, al
realizar la metodologa sobre la comuna de Macul, para distintos valores de bsqueda,
entendiendo sta como el nmero de iteraciones adicionales, luego del primer valle
encontrado en la curva de costos totales, no fue posible encontrar una mejora significativa
en el costo final. Es decir, el aumento del espacio de bsqueda no trajo consigo la
disminucin de costos, y por tanto no hubo presencia de nuevos mnimos en cada mini-
zona.
Tambin es importante destacar, la consideracin de la red vial a la hora de realizar el
trazado, ya que esto por un lado evita el paso de redes a travs de accidentes geogrficos,
donde no existen redes viales (cerros, mesetas, etc.), y por otro lado permite la
determinacin correcta de las redes, al considerar la conectividad real existente entre los
distintos consumos, logrando as su correcta valorizacin y posterior consideracin en la
curva de costo total.
127

El procedimiento aqu propuesto si bien es no determinstico, es decir para los mismos
valores cada vez que es ejecutado no entrega necesariamente los mismos resultados, s
presenta resultados bastantes similares cada vez que es empleado, valores cuya desviacin
no debiese afectar al planificador en las diversas decisiones a tomar. Es as como para 20
lanzamientos de la metodologa sobre la comuna de Macul, la desviacin estndar del costo
total slo representa el 0,39 % del costo promedio total para todas las ejecuciones, y en el
caso de Santiago para 10 ejecuciones representa el 0,11 % del costo promedio total,
permitiendo concluir la consistencia de sus resultados para la toma de decisiones.
En consideracin, a la forma de solucin planteada en la metodologa de micro-
optimizacin, se puede inferir inmediatamente que tal mecanismo, al no considerar las
posibles ventajas de combinar zonas vecinas, puede ser perfeccionado. De esta
investigacin, se pudo mostrar que tal perfeccionamiento se puede dar a travs de dos
caminos, uno mediante la agrupacin de consumos cercanos a travs de los polgonos de
Voronoi y otro mediante la recombinacin de redes vecinas. Para una mejor visualizacin
de las conclusiones, se presenta a modo de ejemplo el resumen de las metodologas de
macro-optimizacin aplicadas a Santiago.
Tabla 7.1: Metodologas de macro-optimizacin sobre Santiago
41
.
Micro-Optimizacin
Caso Base
Diagrama de
Voronoi
Diagrama de
Voronoi
simplificado
Unin de
Redes va
Vecindarios
Unin de
Redes va
Bsqueda
Tab
Polgonos de
Voronoi y
Bsqueda
Tab
Costo total (MM$) 70.973 70.098 70.505 67.338 65.463 64.422
Costo total + prdidas
(MM$)
79.981 78.133 78.722 77.156 76.041 75.079
Nmero de
Transformadores (#)
12.052 11.966 11.815 9.357 8.404 7.686
Largo de Red (Km) 7.822 8.210 8.261 8.187 8.746 8.935
Capacidad Instalada
(MVA)
2.859 2.895 2.892 2.741 2.664 2.625
Tiempo de Ejecucin
(min)
167 346 184 345 421 391
Macro-Optimizacin



41
Las metodologas de Macro-Optimizacin incluyen el tiempo requerido para la Micro-Optimizacin, puesto
que esta constituye su input. Slo el procedimiento Diagrama de Voronoi simplificado, prescinde del
tiempo adicional, puesto que emplea como input un proceso simplificado.
128

Mediante la utilizacin de los polgonos de Voronoi, fue posible agrupar a los consumos
por su caracterstica de cercana y con ello lograr una reduccin de costos al aplicar sobre
cada polgono el proceso de micro-optimizacin, con lo cual se obtuvo para el caso de
Macul un ahorro cercano al 4 % y para el caso de Santiago uno de 2 % con respecto al
proceso de micro-optimizacin respectivo. Es importante mencionar que los polgonos se
forman a partir de puntos generadores, probndose en la presente investigacin que estos
pueden provenir de la ubicacin de los transformadores, ya sean obtenidos del proceso de
micro-optimizacin o de un proceso simplificado (sin consideracin de la red), con el
consecuente ahorro de tiempo, en el caso de Santiago se cambia una ejecucin de 176
minutos por una de 14 minutos, a los polgonos as obtenidos se les aplica, de igual forma,
el proceso de micro-optimizacin completo.
En cuanto a la recombinacin de redes vecinas, esta metodologa encuentra economas al
suministrar mediante una nica red y por ende bajo un nico transformador, a redes
aledaas, siempre y cuando esto sea posible. Abordndose el problema desde dos
perspectivas, una mediante la divisin de la zona de planificacin en vecindarios, y en cada
uno de ellos, analizar las posibilidades de combinacin, y otra, sin la realizacin de
divisin, sino que determinando las combinaciones factibles en toda la zona de
planificacin a travs de la bsqueda tab. Tanto en el caso de Macul como su posterior
aplicacin a Santiago, fue posible constatar la ventaja que presenta el anlisis de un nico
vecindario, puesto que evita la no consideracin de combinaciones entre redes que
pertenecen a vecindarios distintos. As, para el caso de Santiago, al utilizar vecindarios se
obtuvo un ahorro de 3,5 % y en el caso de un nico vecindario el ahorro creci a un 4,9 %,
sin embargo se debe sealar que la metodologa de mayor ahorro, al poseer un espacio de
bsqueda mayor, requiere ms tiempo en su ejecucin, necesitando 76 minutos adicionales
para encontrar la solucin.
Se debe constatar, que el mejor resultado obtenido se produce al realizar la aplicacin
secuencial del diagrama de Voronoi y la recombinacin de redes a travs de un slo
vecindario. Con lo que es posible aprovechar tanto el abastecimiento de grupos de
consumos cercanos entre s como los ahorros que se producen al unir redes vecinas en una
129

nica red. De hecho el ahorro obtenido con este procedimiento en serie es de 7,4 % para el
caso de Macul y de 6,1 % para el caso de Santiago.
Finalmente, y en relacin a la validez de los resultados encontrados, se debe considerar que
la presente investigacin slo determin redes areas, y en cambio los estudios de
referencia para el gran Santiago, dados por los estudios de VAD 2004-2008, tanto de la
empresa distribuidora como de la autoridad consideran adems redes subterrneas, por lo
que un parangn directo no es posible, pero s lo es la verificacin del orden de los
resultados obtenidos. En efecto, el nmero de transformadores y kilmetros de red
extrados del modelo
42
son 7.686 unidades y 8.935 km, respectivamente, tales valores para
los estudios de referencia son de 7.247 unidades y 9.050 km para el estudio de la
distribuidora y de 8.416 unidades y 9.075 km para el estudio de la autoridad. Lo que ratifica
la bondad de la metodologa propuesta.
No se debe perder de vista, que el principal acierto de la metodologa planteada, ms all de
los resultados numricos, que pueden variar de acuerdo a la definicin de precios y/o
expectativas de crecimiento, es la certeza de resolver un problema de gran tamao, con la
consideracin conjunta de redes y transformadores sobre una red vial que permite
determinadas conexiones, con lo cual el problema es solucionado sin la necesidad de
excesivas simplificaciones, en un tiempo razonable, toda vez que un ejercicio de
planificacin en ningn caso necesita ser resuelto en forma instantnea. En particular, es el
planificador quien puede optar discretamente por el tiempo requerido en la solucin, de
hecho el resultado de la micro-optimizacin para Santiago se consigue entre 167 y 170
minutos, siendo voluntad del planificador realizar el proceso de macro-optimizacin para la
disminucin de costos, etapa que toma cerca de 200 minutos en ejecutarse. Por tanto, en tan
slo tres horas es posible obtener una primera buena aproximacin a la planificacin desde
cero de una zona de gran tamao, lo que representa la gran ventaja de la divisin en mini-
zonas y de la metodologa desarrollada.


42
Considerando como modelo final a la metodologa que presenta un menor costo total, es decir al
procedimiento secuencial de diagrama de Voronoi y Recombinacin Tab de redes.
130

7.2 Trabajos Futuros
La optimizacin de una red de distribucin elctrica de gran tamao constituye un
problema de gran complejidad, que no puede ser resuelto a travs de mtodos
determinsticos, por lo que necesariamente para su resolucin se requieren de
simplificaciones y aproximaciones, situacin que se ha podido constatar a lo largo del
presente trabajo. Bajo esta perspectiva, siempre existen posibilidades de mejora para lograr
una visin real de la empresa modelada y con ello dar una seal justa de precios tanto a
consumidores como a la empresa regulada, por lo que se proponen las siguientes lneas de
investigacin para continuar el trabajo aqu planteado:

Consideracin dinmica del ejercicio de planificacin: Dentro de los supuestos de
desarrollo del algoritmo se encuentra la consideracin esttica del problema, lo que
significa determinar en el ao base las instalaciones que abastecern la demanda
durante todo el horizonte de estudio, ello producto que el crecimiento de la demanda
considerado es pequeo y por tanto si conductores y transformadores fueron
diseados ptimamente para dicha tasa, son capaces de soportar el incremento de
demanda durante todo el perodo. Sin embargo si la tasa hubiese sido mayor, en la
prctica se requeriran instalaciones adicionales de refuerzo, ya sea nuevos
transformadores con la consiguiente re-configuracin de la red y/o ampliaciones de
las secciones de la misma, efectos que no se encuentran incluidos en la metodologa
propuesta. A fin de garantizar la generalidad de modelo sera importante realizar la
optimizacin dinmica, es decir indicar cuando deben ser llevadas a cabo las
inversiones, situacin que aumenta la complejidad del problema dado que incluye la
relacin inter-temporal de las decisiones, pero que constituira un aporte en la
planificacin de sistemas de distribucin.
Consideracin conjunta de la red de media tensin: Otro desarrollo importante y
desafiante es la realizacin de la optimizacin de la red de distribucin completa,
esto es considerando tanto la media como la baja tensin. As, un sistema con una
red de media tensin predominante, presenta un alto nmero de transformadores de
131

distribucin y una red de baja tensin pequea, en cambio una compaa con una
red de baja tensin dominante, posee transformadores de mayor capacidad y por
ende un menor nmero de ellos, lo que genera una mayor red de baja tensin.
Existiendo una multitud de posibles soluciones entre ambos casos, por lo que resulta
fundamental preguntarse acerca de la combinacin ptima entre media tensin y
baja tensin, relacin que al desacoplar el problema no es considerada, lo que hace
una lnea atractiva de investigacin la solucin conjunta del problema de
planificacin de sistemas de distribucin.
Consideracin de las instalaciones de generacin distribuida: La irrupcin de
medios de generacin que inyectan su energa directamente sobre el sistema de
distribucin, hace que surjan nuevas interrogantes con respecto a como considerar
su efecto en el valor de una empresa distribuidora. Por ejemplo, se hace necesario
considerar quien se har cargo de las instalaciones necesarias para acceder a la
generacin distribuida. Instalaciones tales como equipos de control, protecciones,
refuerzo de alimentadores, entre otros, deben ser debidamente remunerados, ya sea
por el generador distribuido o por la tarifa regulada.
Otro punto, es considerar las ventajas en la regulacin de tensin y disminucin de
prdidas que trae consigo la generacin distribuida, con lo cual, el valor presente del
costo de las prdidas, necesariamente es menor si es que existen proyectos de
generacin distribuida en la zona de planificacin, hacindose necesario,
posiblemente, a la hora de determinar las tarifas, conocer cuales son los posibles
lugares de generacin distribuida y el tipo de instalaciones necesarias, de manera de
descontar tales ahorros de la tarifa y por ende no remunerar a la empresa
distribuidora por costos inexistes. En suma, al crecer la generacin distribuida, se
vuelve no despreciable su consideracin en la planificacin de las redes de
distribucin, puesto que son stas, las encargadas de evacuar su energa, y las que
asumen sus eventuales costos y/o ahorros.

Se debe recalcar que el problema de planificacin de redes de distribucin, est abierto
tanto a su solucin como modelacin. Da a da los sistemas crecen en tamao y en
132

normativas, por lo que las variables involucradas tambin lo hacen, lo cual conlleva a que
los investigadores constantemente exploren nuevas formas de planteamiento y rutas
alternativas de solucin, en virtud de lo cual los trabajos futuros propuestos y la
metodologa aqu desarrollada, slo buscan ser un aporte y no agotan, en absoluto, la
exploracin a la solucin del complejo problema enfrentado.
133

BIBLIOGRAFIA
Adams, R.N y Laugton, M.A. (1974). Optimal Planning of Power Network Using
Mixed Integer Programming. IEE Proceedings, 121(2), 139-147.
Akabane, K., Nara, K., Mishima, Y. y Tsuji, K. (2002, junio). Optimal Geographical
Allocation of Power Quality Control Centres by Voronoi Diagram. Documento
presentado en 14th Power Systems Computation Conference, Sevilla, Espaa.
Anders, G.J., Vainberg, M., Horrocks, D.J., Foty, S.M. y Motlis, J. (1993). Parameters
Affecting Economic Selection of Cable Sizes. IEEE Transactions on Power Delivery,
8(4), 1661-1667.
Aoki, K., Nara, K., Satoh, T., Kitagawa, M. y Yamanaka, K. (1990). New Approximate
Optimization Method for Distribution System Planning. IEEE Transactions on Power
Systems, 5(1), 126-132.
Berg, S.V. y Tschirhart, J. (1988). Natural monopoly Regulation: Principles and
Practice. Cambridge: Cambridge University Press.
Brauner, G. y Zobel, M. (1994). Knowledge Based Planning of distribution Networks.
IEEE Transactions on Power Systems, 9(2), 942-948.
Buller, F. y Woodrow, C. (1928). Load Factor-Equivalent Hour Value Compared.
Electrical World, 92(2), 59-60.
Carvalho, P.M.S., Ferrerira, L.A.F.M, Lobo, F.G. y Barruncho, L.M.F. (2000).
Distribution Network Expansion Planning Under Uncertainty: A Hedging Algorithm in
an Evolutionary Approach. IEEE Transactions on Power Delivery, 15(1), 413-416.
Crawford, D. M. y Holt, S.B. (1975). A Mathematical Optimization Technique for
Locating and Sizing Distributions Substations, and Deriving Their Optimal Service.
IEEE Transactions on Power Apparatus and System, 94(2), 230-235.
134

Chang, H.C. y Kuo, C.C. (1994). Network Reconfiguration in Distribution Systems
Using Simulated Annealing. Electric Power System Research, 29, 227-238.
Comisin Nacional De Energa. (2003). Bases para el clculo de las componentes de
costo del valor agregado de distribucin. Santiago, Chile: Ministerio de Economa.
Da Silva, E.L., Areiza, J.M., De Oliveira, G.C. y Binato, S. (2001). Transmission
Network Expansion Planning Under a Tabu Search Approach. IEEE Transactions on
Power Systems, 16(1), 62-68.
Daz-Dorado, E., Cidras, J. y Miguez, E. (2002). Application of Evolutionary
Algorithms for the Planning of Urban Distribution Networks of Medium Voltage. IEEE
Transactions on Power Systems, 17(3), 879-883.
Daz-Dorado, J.P. (1999). Herramientas para la planificacin de redes de baja tensin
y media tensin urbanas. Ph.D. tesis, Departamento de Ingeniera Elctrica,
Universidad de Vigo, Espaa.
Daz-Dorado, E., Cidras, J. y Miguez, E. (2003). Planning of Large Rural Low voltage
Networks Using Evolution Strategies. IEEE Transactions on Power Systems, 18(4),
1594-1600.
Dorigo, M., Maniezzo, V. y Colorni, A. (1996). The Ant System: Optimization by a
Colony of Cooperating Agents. IEEE Transaction on Systems, Man and Cybernetics-
Part B: Cybernetics, 26(1), 29-41.
Ferreira, L.A.F.M., Carvalho, P.M.S., Jorge, L.A., Grave, S.N.C y Barruncho, L.M.F.
(2001). Optimal Distribution Planning by Evolutionary Computation How to Make it
Work. Transmission and Distribution Conference and Exposition IEEE/PES, 469-475.
Fawzi, T.H., Ali, K.F. y El-Sobki, S.M. (1983). A New Planning Model for Distribution
Systems. IEEE Transactions on Power Apparatus and System, 102(9), 3010-3017.
135

Garey, M.R. y Jonson, D.S. (1979). Computers and Intractability: A Guide to the
Theory of NP- Completeness. Nueva York: Freeman.
Glover, F. y Kochenbeger, G. editors. (2003). Handbook of Metaheuristics. EE.UU.:
Kluwer Academic Publishers.
Glover, F. (1995). Tabu Search Fundamentals and Uses. Technical Report, Graduate
School of Business, University of Colorado.
Gmez, J.F, Khor, H.M., De Oliverira, P.M., Ocque, L., Yusta, J.M., Villasana R. y
Urdaneta, J. (2004). Ant colony system Algorithm for the Planning of Primary
Distribution Circuits. IEEE Transactions on Power Systems, 19(2), 996-1004.
Gonen, T. (1986). Electric Power Distribution System Engineering. Nueva York:
McGraw-Hill.
Gonen, T. y Foote, B.L. (1981). Distribution System Planning Using Mixed Integer
Programming. IEE Proceedings, 128(2), 70-79.
Gonen, T. y Ramrez-Rosado, I.J. (1986). Review of Distribution System Planning
Models: A Model for Optimal Multistage Planning. IEE Proceedings 133(7), 397-408.
Gordon, A.D. (1981). Classification. Londres: Chapman and Hall.
Goswami, S.K. (1997). Distribution system Planning using branch exchange technique.
IEEE Transactions on Power Systems. 12(2), 718-723.
Gustafson, M.W. y Baylor, J.S. (1988). The Equivalent Hours Loss Factor Revisited.
IEEE Transactions on Power Systems, 3(4), 1502-1508.
Gustafson, M.W. y Baylor, J.S. (1989). Approximating the System Loss Equation. IEEE
Transactions on Power Systems, 4(3), 850-855.
Hindi, K.S. y Brameller, A. (1977). A Design of Low Voltage Distributions Networks:
A Mathematical Programming Method. IEE Proceedings, 124(1), 54-58.
136

Hsu, Y. y Chen, J.L. (1990). Distributions Planning Using a Knowledge-based Expert
System. IEEE Transactions on Power Delivery, 5(3), 1514-1519.
Huang, Y.C., Yang, H.T. y Huang C.L. (1996). Solving the Capacitor Placement
Problem in a Radial Distribution System Using Tabu Search Approach. IEEE
Transactions on Power Systems, 11(4), 1868-1873.
Khator, S. y Leung, L. (1997). Power Distribution Planning: A Review of Models and
Issues. IEEE Transactions on Power Systems. 12(3), 1151-1159.
Lee, K.Y. y El-Sharkawi, M.A. editors. (2004). Modern Heuristic Optimization
Techniques with Applications to Power Systems. EE.UU.: IEEE Power Engineering
Society.
Lo, K.L., y Nashid, I. (1996). Interactive Expert System for Optimal Design of
Electricity Distribution Systems. IEE Proceedings, Generation, Transmission and
Distribution. 143(2), 151-156.
Mandal, S. y Pahwa, A. (2002). Optimal Selection of Conductors for Distribution
Feeders. IEEE Transactions on Power Systems. 17(1), 192-197.
Masud, E. (1974). An iterative Procedure for sizing and timing distribution substations
using optimizations techniques. IEEE PES Winter Meeting, pp.1281-1286.
Miguez, E., Cidras, J, Diaz-Dorado, E. y Garcia-Dornelas, J.L. (2002). An Improve
Branch Exchange Algorithm for Large Scale Distribution Network Planning. IEEE
Transactions on Power Systems, 17(4), 931-936.
Miranda, V., Ranito, J.V. y Proenca L.M. (1994). Genetic algorithms in Optimal
Multistage Distribution Network Planning. IEEE Transactions on Power Systems, 9(4),
1927-1923.
137

Montagnon, F.M., (1999). Planificacin de la Expansin de Sistemas Elctricos va
algoritmos Genticos. M.Sc. tesis, Departamento de Ingeniera Elctrica, Pontificia
Universidad Catlica de Chile.
Moreno, J., Moreno, R., Mocarquer, S. y Rudnick, H. (2006, noviembre).
Determinacin de un Parque ptimo de Transformadores para una Empresa Modelo
de Distribucin. Documento presentado en III Congreso Internacional de la Regin
Andina IEEE, Quito, Ecuador.
Nara, K., Satoh, T., Kuwabara, H., Aoki, K., Kitagawa M. y Ishihara, T. (1992).
Distribution System Expansion Planning by Multistage branch Exchange. IEEE
Transactions on Power Systems, 7(1), 208-214.
Nara, K., Hayashi, Y., Muto, S. y Tuchida, K. (1998). New Algorithm for Distributions
feeders Expansion Planning in Urban Area. Electric Power Systems Research, 46(3),
185-193.
Nara, K., OmI, H. y Mishima, Y. (2002, junio). Optimal Configuration of Power
Delivery System for Customized Power Supply Services. Documento presentado en 14th
Power Systems Computation Conference, Sevilla, Espaa.
Okabe A., Boots, B. y Sugihara, K. (1992). Spatial Tessellations: Concepts and
Applications of Voronoi Diagrams. Chichester, Reino Unido.: John Wiley & Sons.
Paiva, P.C., Khor, H.M., Dominguez-Navarro, J.A., Yusta, J.M. y Urdaneta A.J. (2005).
Integral Planning of Primary Secondary Distribution Systems Using Mixed Integer
Linear Programming. IEEE Transactions on Power Systems, 20(2), 1134-1143.
Papadimitriu, C.H. y Steiglitz, K. (1998). Combinatorial Optimization: Algorithms and
Complexity. Nueva York: Dover Publications Inc.
138

Peco, J.P. (2001). Modelo de Cobertura Geogrfica de una Red de Distribucin de
Energa Elctrica. Ph.D. tesis, Departamento de Electrotecnia y Sistemas, Escuela
Tcnica Superior de Ingeniera, Universidad Pontificia Comillas de Madrid, Espaa.
Ponce De Leao, M.T. y Matos, M.A. (1995). Distribution planning with fuzzy loads.
International Transactions in Operational Research, 2(3), 287-296.
Ponnavaikko, M., Rao, K. y Venkata S.S. (1987). Distribution System Planning through
a Quadratic Mixed Integer Programming Approach. IEEE Transactions on Power
Delivery, 2(4), 1157-1163.
Ramrez-Rosado, I.J. y Gonen, T. (1991). Pseudo-dynamic Planning for Expansion of
Power Distribution systems. IEEE Transactions on Power Systems, 6(1), 245-254.
Ramrez-Rosado, I.J. y Bernal-Agustn, J. (1998). Genetic Algorithms Applied to the
Design of Large Power Distribution Systems. IEEE Transactions on Power Systems,
13(2), 696-703.
Ramrez-Rosado, I.J. y Bernal-Agustn, J. (2001). Reliability and Cost Optimization for
Distribution Network Expansion Using and Evolutionary Algorithm. IEEE Transactions
on Power Systems, 16(1), 111-118.
Ramrez-Rosado, I.J. y Domnguez-Navarro, J.A. (2004). Possibilistic Model Based on
Fuzzy Sets for the Multiobjetive Optimal planning of electric Power Distribution
Networks. IEEE Transactions on Power Systems, 19(4), 1801-1810.
Ramrez-Rosado, I.J. y Domnguez-Navarro, J.A. (2006). New Multiobjective Tabu
Search algorithm for Fuzzy Optimal Planning of Distribution Systems. IEEE
Transactions on Power Systems, 21(1), 224-233.
Rudnick, H., Sanhueza, R. y Harnisch, I. (1997). Reconfiguration of Electric
Distribution Systems. Revista Facultad de Ingeniera, Universidad de Tarapac, Chile,
4, 41-48.
139

Sanhueza, R. (1994). Planificacin de la Expansin de un Sistema de Distribucin va
Algoritmo de Descomposicin de Benders. M.Sc. tesis, Departamento de Ingeniera
Elctrica, Pontificia Universidad Catlica de Chile, Chile.
Sanhueza, R., Rudnick, H. (1995, noviembre). Un algoritmo de descomposicin para la
planificacin multi aos de sistemas elctricos de distribucin. Documento presentado
en Congreso Chileno de Ingeniera Elctrica, Punta Arenas, Chile.
Singh, K., Philpott, A. y Wood, K. (2005). Dantzig-Wolfe Decomposition for Solving
Multistage Stochastic Capacity Planning Problems. University of Auckland, New
Zealand.
Systep e Inecon. (2004). Estudio para el Clculo de las Componentes de Costo del
Valor Agregado de Distribucin (VAD), rea Tpica 1: Chilectra. Santiago, Chile:
Autor.
Synex, Mercados Energticos y Jadresic Consulting. (2004). Estudio de Costos de
Componentes del Valor Agregado de Distribucin (VAD), rea 1. Santiago, Chile:
Autor.
Temraz, H.K. y Salama, M.M.A. (2002). A Planning Model for Sitting, Sizing and
Timing Distribution Substations and Defining the Associate Service Area. Electric
Power Systems Research, 62(2), 145-151.
Tram, H.N. y Wall, L. (1988). Optimal Conductor Selection in Planning Radial
Distribution Systems. IEEE Transactions on Power Systems, 3(1), 200-206.
Thompson, G.L. y Wall, D.L. (1981). A Branch and Bound Model for Choosing
Optimal substation Locations. IEEE Transactions on Power Apparatus and System,
100(5), 2683-2687.
140

Vaziri, M., Tomosovic, K., Bose, A. y Gonen, T. (2001). Distribution Expansion
Problem: Formulation and Practicality for a Multistage Globally Optimal Solution. PES
Winter Meeting, 3, 1461-1466.
Voronoi, G.M. (1908). Nouvelles applications des parametres continus a la theorie des
formes quadratiques. deuxieme Memoire: Recherches sur les parallelloedres primitifs.
J. Reine Angew. Math., 134, 198-287.
Wall, D., Thomson, G. y Northcote-Green, J. (1979). An optimization Model for
Planning Radial Distributions Networks. IEEE Transactions on Power Apparatus and
Systems, 98(3), 1061-1065.
Wen, F. y Chang, C.S. (1997). Transmission Network Optimal Planning Using the Tabu
Search Method. Electric Power System Research, 42, 153-163.
Willis, H., Powell, R. y Vismor, T. (1985). A Method for Automatically Assesing Load
Transfer Cost in Substation Optimization Studies. IEEE Transactions on Power
Apparatus and Systems, 104(10), 2771-2778.
Willis, H., Tram, H. y Powell, R. (1987). Substation Sitting and Capacity Selection
Based on Diversity Maximization. IEEE Transactions on Power Systems, 2(3), 692-
699.
Yap C.K. (1987). Algorithmic motion planning. En Schwartz y Yap. (Ed.), Advances in
Robotics 1: Algorithmic and Geometric Aspects of Robotics (pp. 95-143). New Jersey,
EE.UU.: Lawrence Erlbaum Associates.
Youssef, H.K. y Hackam, R. (1988). Dynamic solution of Distribution Planning in
Intermediate Time Range. IEEE Transactions on Power Delivery, 3(1), 341-348.
141

A N E X O S
142

ANEXO A: COMPLEJIDAD ALGORITMICA

Para comprender la complejidad algortmica y en particular lo relacionado con el tipo de
problemas NP-completos, a los que se hace referencia en la presente tesis, se deben tener
presentes algunas definiciones bsicas
43
.
Un algoritmo es una secuencia ordenada de pasos (conjunto de reglas) que conduce a la
resolucin de cualquier instancia de un problema especfico. Esta secuencia debe ser
precisa, es decir el algoritmo debe expresarse sin ambigedad, debe ser determinista, o sea
todo algoritmo debe responder del mismo modo ante las mismas condiciones, y finalmente
debe ser finita, esto es, debe finalizar en un nmero finito de pasos.
Otro concepto que se debe tener presente es el de complejidad algortmica, el cual se refiere
a los recursos computacionales, que son necesarios para ejecutar un algoritmo en funcin
de los datos de entrada del problema, especficamente la complejidad se define como el
nmero de operaciones elementales requeridas en funcin de la entrada, para resolver el
problema en cuestin. Muchas veces encontrar a cabalidad el nmero de operaciones
necesarias es un proceso complejo y que no entrega demasiada informacin, ello dado a
que el algoritmo puede tener un determinado escenario en que no se utilicen todos sus
pasos (mejor caso) y otro en que todas las etapas sean utilizadas (peor caso), por lo cual se
suele determinar la cota superior de la complejidad de un algoritmo O(n), denominado
orden de crecimiento, como el nmero de operaciones requeridas en el peor de los casos
para solucionar un problema cuyo tamao de datos en la entrada es n.
En trminos matemticos, sean F y G funciones definidas en el conjunto de los nmeros
naturales, entonces F, G: N N, se establece que el orden de crecimiento de G es menor o
igual que el de F, lo que escribe como G=O(F), si existe una constante k > 0, tal que G(n)
k F(n) para todo n perteneciente a N (con n suficientemente grande, dado que no importa lo
que suceda para valores pequeos). Por ejemplo:
2 2
( ) 45 7 log( ) 1 ( ) G n n n n n G O n = + + + =
(A.1)

43
Para ms informacin ver Papadimitriu y Steiglitz (1998)
143

La jerarqua de ordenes en forma creciente es O(1)

O(log(n))

O(n)

O(nlog(n))

O(n2)

O(n3)

O(2n)

O(n!)

O(n
n
), de manera aclaratoria, se debe tener en
cuenta que O(F) no es una nica funcin sino que es un conjunto de funciones, que acotan
superiormente la complejidad del algoritmo. Con esta definicin de complejidad es posible
saber cuando un algoritmo F es ms eficiente que otro G para resolver un mismo problema,
si F=O(G) pero G O(F) se dice que F es ms eficiente que G.
El estudio de la complejidad algortmica ha llevado a los investigadores a clasificar los
algoritmos en los siguientes grupos:
Problemas de clase P (Polynomial time): Son aquellos problemas para los cuales
existe un algoritmo que se encuentra acotado en forma polinomial, es decir que en
el peor de los casos existe una funcin polinomial con el tamao n de las entradas,
que limita superiormente la ejecucin del algoritmo, del tipo O(n
k
). Ejemplos
clsicos de este tipo de problemas son el problema del camino mnimo, que consiste
en encontrar el menor camino desde un vrtice origen al resto de los vrtices, y el
problema del ciclo de euler, que consiste en encontrar un ciclo que pase por cada
arco de un grafo slo una vez.
Problemas de clase NP (Nondeterministic Polynomial time): Un problema es NP si
y slo si puede resolverse mediante un algoritmo no determinstico en tiempo
polinomial, entendiendo como algoritmo no determinstico aquel que escoge en
forma arbitraria un determinado curso de accin cada vez que se le presentan una
serie de alternativas posibles. Es decir, que los problemas de clase NP son
verificables en tiempo polinomial, ellos es, que dada una solucin factible para el
problema, encontrada luego de una secuencia de elecciones, se puede verificar que
es correcta en un tiempo polinomial del tamao de la entrada, por tanto presenta una
etapa de eleccin dominada por cierta arbitrariedad y una etapa de comprobacin.
La clase P es un subconjunto de la clase NP ya que se podra construir un algoritmo
que resolviera los problemas de la clase P, con las mismas dos etapas que se usan en
los problemas de la clase NP, sin embargo, el problema es que existen soluciones
acotadas polinomialmente para todos los problemas P, pero no para todos los de la
144

clase NP. Para que ambas clases fuesen iguales todos los problemas NP deberan ser
del tipo O(n
k
), situacin que a la fecha es un problema abierto.
Problemas de clase NP-Completos: Un problema es NP-completo si todos los
problemas de la clase NP pueden reducirse a l, representan los problemas ms
difciles de la clase NP y posiblemente no forman parte de los problemas de
complejidad P (afirmacin que an no ha sido probada ni desmentida), dado que de
existir una solucin polinmica para un problema NP-completo entonces todos los
problemas de NP tambin la tendran. Ejemplos de este tipo de problemas son, el
problema del camino mximo, dado dos vrtices de un grafo encontrar el camino de
mayor distancia que los une, y el problema del ciclo hamiltoniano, que consiste en
encontrar un ciclo simple que contiene a cada vrtice del grafo.
145

ANEXO B: DESCRIPCION DE META-HEURISTICAS
Para entender que es una meta-heurstica, el primer paso es comprender el trmino
heurstica, vocablo que etimolgicamente proviene del griego heuriskein que significa
encontrar o descubrir. En la actualidad dicho trmino se comenz a utilizar con los inicios
de la inteligencia artificial, especficamente representan mecanismos sencillos que permiten
resolver problemas difciles (NP, NP-completos), de manera relativamente fcil y rpida,
encontrando una buena solucin para ellos, pero sin garantizar la obtencin de una solucin
ptima. Estas tcnicas se pueden clasificar en heursticas de:
Construccin: algoritmos que van agregando componentes a una solucin parcial,
hasta que se logra obtener una solucin que cumple todas las restricciones y que no
es posible mejorar.
Mejora: algoritmos que parten de una solucin inicial factible, y buscan en la
vecindad de la solucin, algn cambio posible, de manera que la solucin actual
mejora, los cambios se realizan hasta que se cumple un determinado nmero de
iteraciones o cuando ya no se producen mejoras. En este tipo de algoritmos,
mencin especial, merece el intercambio de ramas (Branch Exchange) en la
planificacin de sistemas de distribucin, en particular, en lo referente a la
formacin de redes radiales, el que consiste en la adicin de un tramo de red, de
manera que se forme un ciclo en el trazado, para posteriormente quitar la mejor
rama que elimine tal ciclo.
Descomposicin: algoritmos que dividen el problemas principal en subproblemas de
tamao y dificultad menor, que luego de resolverlos al ir unindolos permiten tener
una solucin al problema mayor, la tcnica ms conocida de descomposicin es la
heurstica divide y vencers.
Reduccin: algoritmos que consisten en identificar ciertas condiciones que debe
poseer la solucin final, de forma de acotar el espacio de bsqueda, haciendo ms
fcil el proceso de optimizacin.

146

Otro mecanismo heurstico que no se cie necesariamente a la clasificacin anterior, y que
en la mayora de las oportunidades acta como complemento de algn otro procedimiento,
es el denominado sistema experto, el cual consiste en emular el conocimiento que tienen los
expertos humanos frente a un determinado problema, conocimiento que es representado por
un conjunto de reglas del tipo IF-THEN, las cuales son aplicadas por el computador para
resolver el problema en cuestin.
La caracterstica de los heursticos anteriores, es que su utilizacin e implementacin va a
depender fuertemente del problema que buscan resolver, lo cual constituye una falencia,
dado el esfuerzo adicional que ello significa, no obstante en el ltimo tiempo, han aparecido
algoritmos heursticos que, en trminos generales, son genricos e independientes del
problema de optimizacin que intentan resolver, a este tipo de metodologas se les conoce
como meta-heursticas. En particular Glover et al. (2003) las define como:
Las meta-heursticas son mtodos que integran de diversas maneras,
procedimientos de mejora local y estrategias de alto nivel para crear un proceso capaz de
escapar de ptimos locales y realizar una bsqueda robusta del espacio de bsqueda. En su
evolucin, estos mtodos han incorporado diferentes estrategias para evitar la convergencia
a ptimos locales, especialmente en espacios de bsqueda complejos.

Siendo sus principales ventajas, la versatilidad, esto es que son necesarias pequeas
modificaciones para adaptar las meta-heursticas a la resolucin de distintos problemas, y la
aplicabilidad eficaz, es decir, que se puede aplicar a problemas difciles encontrando buenas
soluciones en tiempos razonables. Su principal desventaja, es que no se puede conocer la
calidad de la solucin encontrada, por tanto, no se puede saber que tan cerca se encuentra el
resultado encontrado del ptimo global del problema.
A continuacin se explicarn brevemente las caractersticas fundamentales de las meta-
heursticas que han sido citadas a lo largo de este trabajo, de forma de aclarar los aspectos
relevantes de los algoritmos genticos, las colonias de hormiga, el temple simulado
(Simulated Annealing) y la bsqueda tab.

147

B.1 Algoritmos Genticos
Esta meta-heurstica se basa en la teora de la evolucin de las especies, en la que se
sostiene que con el paso de las generaciones, slo los genes de los individuos mejor
adaptados permanecen en el tiempo, mientras que la informacin de aquellos individuos
que no se pudieron adaptar desaparece junto con ellos. De esta manera, las especies logran
adaptarse a los cambios del ambiente y producto de la reproduccin, sobrevivir a travs de
los aos.
Tomando en cuenta esta optimizacin natural de las especies, los investigadores han
aplicado el mismo procedimiento para resolver diversos problemas de optimizacin, para
ello, se debe crear una poblacin inicial, compuesta por un nmero determinado de
individuos, donde cada uno de ellos representa una solucin al problema, cada individuo
(solucin factible) se encuentra codificado en un vector de unos y ceros (emulando la
cadena de ADN), la bondad de una solucin est dada por una funcin denominada fitness,
que tpicamente representa la evaluacin del individuo en la funcin objetivo a optimizar, o
en el inverso de dicha funcin. Luego de esto, para que exista modificacin al material
gentico, es decir para que aparezca una nueva poblacin de soluciones y se siga el proceso
de evolucin natural, se realizan lo siguientes procedimientos:
Seleccin: este operador determina que individuos forman parte de una nueva
poblacin, dicha eleccin se realiza, la mayora de las veces en forma elitista,
considerando a los n mejores individuos de una poblacin, de acuerdo a su funcin
de fitness. Otra forma de seleccin es asignando una determinada probabilidad de
seleccin en funcin del fitness de cada individuo, en la seleccin proporcional, la
probabilidad de escoger a un individuo para que forme parte de la nueva generacin
es directamente proporcional a su valor de fitness. Tambin se realiza seleccin por
torneo, en donde se escogen aleatoriamente dos individuos de la poblacin, y se
deja para la nueva poblacin el de mejor fitness, esta situacin se repite hasta que se
seleccionan los n individuos de la nueva generacin.
Cruce: este operador emula el proceso reproductivo de las especies, es decir, recoge
la informacin de dos individuos para generar uno nuevo, por tanto se crea una
148

nueva solucin a partir de dos soluciones ya existentes. Es importante mencionar,
que no todos los individuos de una generacin se cruzan, sino que como parmetro
de control se establece una probabilidad de cruce, la que tpicamente es superior a
0,7. Existen varias formas de realizar este procedimiento, por ejemplo en el cruce
de punto simple, se escoge aleatoriamente una posicin del vector que describe a un
individuo. Sea X la posicin y N el largo del vector, el hijo 1 estar compuesto por
la informacin que va desde la posicin uno a la posicin X del padre 1 ms la
informacin del padre 2 que va desde la posicin X hasta la posicin N,
anlogamente el hijo 2 tendr X informacin del padre 2 y N-X informacin del
padre 1.

Padre 1: 1 0 0 1 1 0 1 1 Padre 2: 0 1 1 1 1 1 0 0
Si X es igual a 3, entonces:
Hijo 1: 1 0 0 1 1 1 0 0 Hijo 2: 0 1 1 1 1 0 1 1

Muy parecido al anterior, es el cruce de multi-punto, en que se eligen ms
posiciones de cruce, y por tanto los hijos tendrn ms de un tramo de informacin
de cada padre. Otro cruce importante, es el cruce uniforme, en que cada variable
que conforma a los nuevos individuos se seleccionada aleatoriamente y con
igualdad de probabilidad desde los padres.
Mutacin: este operador trata de emular los fenmenos aleatorios que se producen
en el proceso de evolucin de las especies, modificando la estructura gentica de los
individuos en forma aleatoria, cuyo objetivo es crear diversidad en la poblacin, es
decir, en el caso de la solucin de un problema de optimizacin ayuda a escapar de
ptimos locales. En trminos prcticos lo que se realiza es cambiar el valor de uno
de los bit del individuo, es decir, si la posicin escogida tiene un valor 1 se cambia
por un valor 0, no todos los elementos de un individuo son alterados, el parmetro
controlador es la probabilidad de mutacin, la cual al igual que en la naturaleza es
pequea, teniendo un valor del orden de 0,001 en la casi totalidad de los problemas
resueltos con esta metodologa.
149


Con la aplicacin sucesiva de los procedimientos antes sealados se logra emular el
proceso de evolucin de las especies, produciendo sucesivamente nuevas generaciones que
toman lo mejor de la generacin anterior, el proceso termina cuando se cumple un nmero
mximo de iteraciones o cuando el fitness de los individuos ya no mejora.
B.2 Temple Simulado (Simulated Annealing)
Esta meta-heurstica se inspira en el proceso fsico de templar un metal, esto es reblandecer
un metal a una temperatura elevada para luego enfriarlo lentamente, de manera de lograr
una cristalizacin ptima. Para comprender la analoga en cuestin, se debe tener en
consideracin que en un material cualquiera, todas las partculas que lo componen se
encuentran con diferentes niveles de energa de acuerdo a una cierta distribucin
estadstica, el menor de dichos niveles de energa se denomina estado fundamental y se
presenta cuando la temperatura es de 0 K (-273 C). As, la modelacin terica del proceso,
establece que si un metal se encuentra en un estado S
i
con un nivel de energa E
i
, al
producirse una pequea perturbacin al estado original, y generarse un nivel de energa E
j
,
el nuevo estado ser S
j
si la diferencia entre E
j
-E
i
es menor o igual a cero (disminucin de la
energa producto de la perturbacin), en caso que esto no suceda, el slido pasar al estado
S
j
con probabilidad
( ) { } j i
E E k T
e

, donde k es la constante de Boltzman y T es la
temperatura del slido, es decir, durante el proceso de enfriamiento el slido podr pasar a
estados superiores de energa con mayor probabilidad en la medida que la temperatura es
alta, a medida que la temperatura decrece, esta probabilidad es menor, llegando un
momento en que los saltos slo se producen hacia escenarios de menor energa. Por tanto,

la
probabilidad de que el slido se encuentre en el estado S
i
con una energa E
i
es:
1
( )
i
E
j
k T
j
E
k T
i
e
P X S e

= =

(B.1)
Teniendo en consideracin lo anterior, se puede entender la analoga entre el proceso de
recocido o temple y la resolucin de un problema de optimizacin combinatorial, sealando
las siguientes asociaciones, el estado S
i
representa una solucin factible del problema, E
i
es
150

el valor de la funcin objetivo evaluada en la solucin, y la temperatura representa la
variable de control, ella maneja la probabilidad de aceptacin de una solucin que empeora
localmente la solucin encontrada hasta la fecha. As, el algoritmo simplificado de esta
meta-heurstica es:

1. Se comienza el algoritmo con una solucin factible S=S1. Se inicializan los parmetros
de control, esto es la temperatura inicial T = To y No, que representa el nmero de
configuraciones que se probarn a temperatura To.
2. Para cada configuracin de 1 a No
a. Se realiza un cambio a la solucin actual, y se evala la funcin objetivo,
obtenindose Ej.
b. Si la solucin mejora, entonces la solucin actual es la solucin asociada a
Ej, es decir S=Sj.
c. Si la solucin empeora, entonces la solucin actual es la solucin asociada a
Ej, es decir S=Sj. Si y solo si se cumple que
( ) { } j i
E E k T
e

> RANDOM (0,1),
de lo contrario la solucin actual se mantiene S=S.
d. Se vuelve a 2 hasta que se realizan los No cambios.
3. Se determina si se cumple el criterio de parada. S se cumple, se finaliza el algoritmo,
sino se sigue con el paso 4. El criterio de parada suele ser un nmero determinado de
iteraciones, o un cierto nmero de iteraciones en que el valor de la funcin objetivo no
mejora.
4. Se determina To y No para la siguiente iteracin y se vuelve al paso 2

Se observa que la dificultad principal, est en emular correctamente el proceso de
enfriamiento del metal, es decir en escoger una temperatura inicial y variarla en la medida
que avanza el proceso de optimizacin, ya que es dicha temperatura la que controla la
probabilidad de permitir empeoramientos en la solucin, es decir la posibilidad de escapar
de mnimos locales, esta temperatura va disminuyendo, de manera de expandir en un
comienzo el espacio de bsqueda, mayor probabilidad de aceptar cambios a mayor
temperatura, y de refinar la solucin al final del proceso, a menor temperatura existe menor
151

probabilidad de permitir cambios que empeoran la solucin. Los parmetros principales del
proceso de enfriamiento y que se deben determinar para poder realizar el algoritmo son, la
temperatura inicial To, la temperatura final T
f
, el nmero de transiciones N
k
a la temperatura
T
k
, y la tasa de variacin de la temperatura T
k+1
=G(T
k
) T
k
. Si bien existen, en la literatura,
metodologas aproximadas para cada uno de estos parmetros, se debe sealar, que su
correcta seleccin depender del problema en cuestin, por lo que una adecuada
sintonizacin de tales parmetros es un problema complicado, que la mayora de las veces
se resuelve a prueba y error, siendo sta, la principal desventaja del Temple Simulado, dada
su alta sensibilidad a la eleccin de parmetros.
B.3 Colonias de Hormigas
Este enfoque de solucin de problemas de optimizacin pertenece a la corriente
denominada de inteligencia colectiva. La idea bsica es que un sistema compuesto de una
multitud de agentes que siguen reglas simples, al actuar en forma cooperativa, pueden
lograr objetivos complejos, situacin que se visualiza cabalmente en las colonias de
hormigas, en particular en su proceso de recoleccin de comida, donde ellas parten de
manera desordenada (aleatoria) en busca de alimento, y con el paso del tiempo forman
rutas ptimas para llegar a ellos. Para entender tal comportamiento, se debe tener presente
que las hormigas dejan un rastro qumico, liberacin de feromonas, que puede ser detectado
por el resto de las hormigas, as la eleccin de un determinado camino se hace en funcin
de la cantidad de feromona que puede percibir en la ruta, es decir se escoger con mayor
probabilidad aquel camino que contenga una mayor concentracin de feromonas, de no
existir feromona en la rutas, la primera eleccin se realiza de manera aleatoria, con lo cual
los caminos ms prometedores (menores distancias) entre el hormiguero y la fuente de
alimento tendrn mayor concentracin de feromonas, ello dado a que los caminos ms
cortos son recorridos ms rpidamente y por tanto el retorno de dicha hormiga comienza
antes, de esta forma el camino ms corto tendr un nivel de feromona ligeramente mayor al
resto de las rutas, con lo que tal camino es elegido con mayor probabilidad por las dems
hormigas de la colonia, este proceso tambin es ayudado por el ambiente, dado que la
feromona se evapora con el paso del tiempo, con ello la feromona de los caminos menos
152

prometedores disminuye progresivamente, porque son visitados cada vez por menos
hormigas. De esta forma, a la larga se consigue que toda la colonia se desplace por la ruta
de menor distancia para la recoleccin del alimento.

Figura B.1: Comportamiento de las hormigas
Su aplicacin en optimizacin se realiza en problemas de grafos, en ellos cada hormiga
artificial tiene la misin de construir una solucin del problema, cada adicin a la solucin
parcial construida, se realiza a travs de una regla de decisin estocstica, que incluye
informacin heurstica e informacin del resto de las hormigas. Luego de la construccin o
durante el proceso, las hormigas evalan la solucin y depositan feromona en las
conexiones utilizadas, que servir de informacin para el resto de las hormigas artificiales.
Adems se realiza la evaporacin, es decir la eliminacin de feromona en cada iteracin del
problema, de manera de favorecer la exploracin en nuevas zonas de bsqueda. Se debe
sealar tambin, que en el caso de las colonias artificiales de hormigas se aplican
decisiones globales, que permiten extraer informacin de la colonia completa, y tomar
medidas que favorezcan la resolucin del problema, as se puede incluir la adicin de
feromona adicional en el mejor camino encontrado en cada iteracin.
El pseudo-cdigo de esta meta-heurstica es el siguiente:
1. Establecer la feromona inicial();
153

2. Mientras (el criterio de trmino no est satisfecho)
a. Crear las hormigas de una colonia();
b. Para (cada Hormiga de la colonia);
{Mover hormiga ( )} hasta completar ruta;
Mover hormiga ( )
Para (todo el vecindario factible)
Calcular probabilidades de movimiento;


Fin para
Nodo seleccionado = seleccionar el movimiento ( )
Fin para
c. Actualizar feromona
d. Destruir hormigas
Fin mientras
3. Si se cumple criterio, entonces terminar. Tpicamente el criterio de parada esta dado
por el nmero de colonias a evaluar, esto es por el nmero de veces que se repite el
paso 2.
Donde P
ij
es la probabilidad de pasar del nodo i al nodo j,
ij
es la feromona existente entre
el nodo i y el nodo j,
ij
es la informacin heurstica entre el nodo i y el j, esta informacin
tpicamente es el inverso de la distancia (no necesariamente distancia euclidiana, sino que
una cierta mtrica en el espacio de las propiedades) entre el nodo i y el nodo j, N
i
k
es el
conjunto de nodos alcanzables desde el nodo i y que an no han sido visitados por la
hormiga k. En tanto y constituyen parmetros que establecen un equilibrio entre la
importancia de la informacin heurstica y de la informacin de la memoria dada por la
cantidad de feromona. Se debe sealar que la seleccin del movimiento y la actualizacin
de la feromona, depender de la estrategia escogida, as por ejemplo se puede incluir
feromona slo en el mejor camino realizado por una hormiga de una colonia, o se puede
actualizar entre cada hormiga de una misma colonia, decisiones que dependern del
planificador. Al igual que en la mayora de los procedimientos heursticos, se requiere de la
( ) [ ]
( ) [ ]
k
i
N l
il il
ij ij
ij
N j si t P
k
i

, ) (




154

toma de decisin sobre un cierto nmero de parmetros, de los que finalmente depender la
calidad de la solucin encontrada.
44

B.4 Bsqueda Tab
Dada la importancia de esta meta-heurstica en el desarrollo de la presente tesis, las
caractersticas y aspectos fundamentales de su algoritmo, as como su ejecucin y
principales supuestos se encuentran descritos en el cuerpo de este trabajo (ver 5.2.3
Resolucin mediante bsqueda tab).



44
Para ms informacin consultar Dorigo et al (1996)
155

ANEXO C: ANALISIS DE CLUSTER

El anlisis de cluster, tambin denominado anlisis de conglomerados, es una tcnica
estadstica multivariante, cuyo objetivo es dividir un conjunto de elementos en grupos, de
manera que las caractersticas de los elementos pertenecientes a un mismo grupo sean muy
similares entre s, situacin denominada cohesin interna, y las caractersticas de elementos
pertenecientes a distintos grupos sean dismiles, situacin conocida como aislamiento
externo del grupo. Para conocer tal similitud, se hace necesaria la existencia de medidas
que indiquen el grado de parecido o diferencia que existen entre dos elementos que se
quieren agrupar, estas medidas se pueden clasificar en medidas de proximidad y en medidas
de distancia, las primeras miden el grado de parecido entre dos objetos, de tal forma que
entre mayor sea su valor, mayor probabilidad existe que el mtodo de cluster empleado los
clasifique en el mismo grupo, ejemplo de estas son los coeficientes de congruencia, de
correlacin, de Jacard, de acuerdo simple, entre otros, en tanto que los segundos, miden el
grado de diferencia entre dos elementos de la muestra, por tanto entre mayor sea la medida,
menor es la probabilidad que la metodologa los clasifique juntos, ejemplos de sta son la
distancia euclidiana, la distancia mtrica de Chebychev, la distancia manhatan, por
mencionar algunas (Gordon, 1981). Es importante sealar adems, que las tcnicas de
cluster han sido abordadas en dos grandes grupos:
C.1 Mtodos Jerrquicos
Representan mtodos sucesivos, en que durante una etapa, slo uno de los elementos del
espacio a clasificar cambia de grupo. El algoritmo simplificado, suponiendo n objetos a
clasificar, es el siguiente:

1. Primero se calculan las distancias entre todos los pares de objeto, lo que equivale a
decir que se comienza el algoritmo con la existencia de n cluster {C
1
, ...,C
N
}.
2. Se buscan los dos cluster ms cercano (de acuerdo a la medida de distancia
empleada), se unen y pasan a formar un nico cluster.
3. Se repite el paso dos hasta que no quedan pares de comparacin
156


Existen varios tipos de enlaces para realizar las uniones entre dos cluster, las ms usadas
son:
Enlace simple: considera la distancia entre los elementos ms cercanos de ambos
cluster.
Enlace promedio: considera la distancia promedio entre los elementos de ambos
cluster a combinar.
Enlace completo: considera la distancia entre los elementos ms alejados de ambos
cluster.

Este mtodo, si bien realiza la clasificacin completa, no indica el nmero de cluster
localizados, sino que dada la particin realizada, es el tomador de decisin, quin
selecciona el nmero de cluster adecuado a su inters. No obstante, cabe mencionar un
criterio bastante utilizado en esta toma de decisin, criterio de Mojena, basado en la
distancia a la que se forma cada grupo, denominada distancia de aglomeracin,
identificando aquellas iteraciones, en que tales distancias presentan grandes variaciones,
matemticamente se tiene:
j X
d X k > + (C.1)
d
j
: representa la distancia de aglomeracin j.
X : representa la media de las distancias de aglomeracin.

X
: representa la desviacin estndar de las distancias de aglomeracin.
k : multiplicador, tpicamente entre 2,5 y 3,5.
C.2 Mtodos de Particin
Estos mtodos clasifican al conjunto de datos en un nmero prefijado de grupos, de manera
que parten en una solucin factible e iteran de acuerdo al algn criterio de bsqueda local.
En la presente investigacin se utiliza, en particular, un tipo de tcnica denominada k-
meas, cuyo algoritmo simplificado, considerando n elementos a clasificar es:

157

1. Eleccin de k datos de los n a agrupar, estos constituyen los k centroides iniciales.
Es decir, un dato de entrada al algoritmo es el nmero de grupos a ubicar k.
2. Se calculan las distancias de los datos a cada uno de los centroides. Cada uno de los
datos es asignado al centroide ms cercano, formndose k grupos
3. Para cada uno de los grupos se calcula el nuevo centroide como el valor medio de
todos los datos asignados a l.
4. Se repite el proceso 2 y 3 hasta que se satisface algn criterio de convergencia.

Se debe tener presente, que la distancia no representa necesariamente distancia espacial,
entendida como coordenadas (x,y) en el plano cartesiano de la geometra analtica, sino que
representa la distancia de los datos en el espacio de las propiedades y caractersticas de los
mismos. Es en este entendido, que la distancia ms empleada a la hora de realizar k-means
es la distancia euclidiana, dada por:
2
( , ) ( ) ( )
T T
X X X X
d x x x x = =
(C.2)
d : distancia euclidiana.
x : vector de posiciones de los datos

X
: valor medio de los datos (centroide).

El criterio de parada, esta dado por el mnimo entre un nmero mximo de iteraciones y la
variacin de la distorsin entre dos iteraciones sucesivas. El nmero mximo de iteraciones
es un dato de entrada al algoritmo y depender de la convergencia presentada en el
problema a resolver. En tanto, que la distorsin es la suma de todas las distancias a su
respectivo centroide.
2
1
i
k
i
i x C
D x
=
=

(C.3)

Donde k es el nmero de cluster, C
i
es el cluster i-simo, y el criterio de parada ser
( 1) ( ) D n D n + (C.4)
158

Este algoritmo presenta una mayor convergencia que el mtodo jerrquico, y es utilizado en
problemas en que el nmero de datos a clasificar es elevado, siendo ocupado en temas tan
variados como la biologa, la sociologa, la fsica, entre otros (Gordon, 1981), teniendo
como gran desventaja la eleccin a priori del nmero de agrupaciones a realizar.


159

ANEXO D: COSTO DE CONDUCTORES Y TRANSFORMADORES
Los costos usados tanto de transformadores como de conductores corresponden a valores a
diciembre del 2003, de manera que los resultados obtenidos puedan ser cotejados con la
ltima fijacin tarifaria de distribucin (VAD 2004-2008), no obstante constituyen entradas
al modelo y por tanto pueden ser modificados sin inconvenientes, teniendo slo un carcter
referencial.
Tabla D.1: Listado de transformadores, capacidades y precios
Capacidad KVA Precio ($)
Costo de
Instalacin
($)
Costo Total
($)
5 420.264 57.987 478.251
10 631.350 76.141 707.491
15 751.673 86.488 838.161
30 941.840 102.843 1.044.683
45 1.145.144 120.327 1.265.471
75 1.396.163 141.914 1.538.077
100 1.564.892 178.793 1.743.685
150 1.912.722 208.706 2.121.428
300 2.921.638 295.473 3.217.111
500 3.999.705 388.187 4.387.892
750 11.697.880 1.097.123 12.795.003
1000 13.583.330 1.272.286 14.855.616

Tabla D.2: Listado de conductores de cobre desnudo
Seccin (mm2) Precio ($/km)
Resistencia
(ohm/km)
Capacidad (A)
16 259.827 1,12 121
25 416.532 0,732 168
35 527.742 0,523 205
70 1.118.166 0,261 325
12 1.892.592 0,152 462




160

Tabla D.3: Listado de conductores de aluminio desnudo
Seccin (mm2) Precio ($/km)
Resistencia
(ohm/km)
Capacidad (A)
70 492.003 0,479 260
120 658.161 0,279 370
240 1.496.998 0,14 538
300 1.874.000 0,112 625

Tabla D.4: Listado de conductores de aluminio preensamblado
Seccin (mm2) Precio ($/km)
Resistencia
(ohm/km)
Capacidad (A)
25 262.001 1,166 260
35 331.750 0,829 370
50 404.400 0,583 538
70 695.201 0,415 625





161

ANEXO E: APLICACION PROCESO DE MICRO-OPTIMIZACION
En este anexo se presenta un ejemplo detallado del proceso de micro-optimizacin aplicado
a una mini-zona, en este caso el nmero de islas de la mini-zona es uno, por lo que la
topologa de la isla es equivalente a la topologa de la mini-zona.

1. Datos de entrada: posicin y consumo de los clientes.
3.955 3.96 3.965 3.97 3.975 3.98 3.985 3.99 3.995
x 10
4
8900
8950
9000
9050
9100
9150
9200
9250
9300
9350
9400

Figura E.1: Ubicacin de consumos en una mini-zona.
2. Etapa Previa:
2.1 Trazado de Calles
2.2 Asignacin de cada cliente a su calle ms cercana
[m]
[m]
162

3.94 3.95 3.96 3.97 3.98 3.99 4 4.01
x 10
4
8800
8900
9000
9100
9200
9300
9400
9500

Figura E.2: Trazado de calles y asignacin de consumos
3. Proceso iterativo
3.1 Se comienza con un transformador en el centro de carga, se calcula el
transformador ptimo, el trazado y la red ptima, incluyendo las prdidas,
para dicha ubicacin, obtenindose un costo total de $ 29.135.137
[m]
[m]
163

3.94 3.95 3.96 3.97 3.98 3.99 4 4.01
x 10
4
8900
9000
9100
9200
9300
9400

Figura E.3: Ubicacin y red inicial
3.2 Se realiza el mismo procedimiento pero est vez ubicando dos
transformadores mediante k-means. De donde se obtiene un costo total de
$ 22.571.818
3.3 Se repite 3.2 agregando en cada iteracin un nuevo transformador hasta que el
costo total de la iteracin actual sea mayor que el de la iteracin anterior. Para
el caso de tres ubicaciones se tiene un costo total de $ 20.504.002, en tanto
para el caso de cuatro ubicaciones su costo total es de $ 21.049.672. Notando
entonces que en el caso de tres localizaciones se produce un mnimo (el costo
tanto en la iteracin anterior como en la posterior es mayor).
[m]
[m]
164

3.94 3.95 3.96 3.97 3.98 3.99 4 4.01
x 10
4
8900
9000
9100
9200
9300
9400

Figura E.4: Ubicacin y red del primer mnimo encontrado
3.4 Si se encuentra un mnimo, se realizan B bsquedas adicionales, es decir se
repite 3.3 durante B iteraciones ms, en este ejemplo se utiliza un valor de B
igual a tres, por lo tanto se realizan tres iteraciones posteriores a la iteracin
cuatro, con lo que finalmente se prueban siete localizaciones para los
transformadores. El costo total en las etapas de bsqueda es $ 21.850.121, $
22.054.774 y $ 24.393.131 para las iteraciones cinco, seis y siete,
respectivamente. Notndose el comportamiento creciente de la funcin
objetivo luego de haber encontrado el mnimo (Figura E.6).
[m]
[m]
165

3.94 3.95 3.96 3.97 3.98 3.99 4 4.01
x 10
4
8900
9000
9100
9200
9300
9400

Figura E.5: Ubicacin y red en la ltima iteracin
4. Eleccin del ptimo: Se escoge la red que tenga menor costo total, se debe sealar
que en trminos generales el primer mnimo que se encuentra es el mnimo global
de la funcin costo total, tal y como se muestra en este ejemplo (ver Tabla E.1 y
Figura E.6)
Tabla E.1: Evolucin de la funcin de costo total
Nmero de
Transformadores
Costo
Transformadores
($)
Costo Redes
($)
Costo Postes
($)
Costo Prdidas
($)
Costo Total ($)
1 4.387.892 6.682.436 6.169.980 11.894.829 29.135.137
2 6.434.222 6.186.815 5.901.720 4.049.061 22.571.818
3 6.364.284 5.493.175 6.438.240 2.208.303 20.504.002
4 8.485.712 4.788.479 6.348.820 1.426.661 21.049.672
5 10.229.397 4.468.437 5.633.460 1.518.827 21.850.121
6 11.217.596 3.858.079 5.722.880 1.246.199 22.044.754
7 12.377.930 4.343.621 6.259.400 1.412.181 24.393.131


[m]
[m]
166

1 2 3 4 5 6 7
0
0.5
1
1.5
2
2.5
3
x 10
7
Evolucion Costo
Costo Trafos
Costo Red
Costo perdidas
Costo poste
Costo total

Figura E.6: Evolucin de la funcin objetivo
5. Equilibrio de Red: Una vez que se conoce la solucin ptima se procede a
recalcularla considerando el equilibrio de la red.
3.94 3.95 3.96 3.97 3.98 3.99 4 4.01
x 10
4
8900
9000
9100
9200
9300
9400

Figura E.7: Equilibrio de la red ptima
[m]
[m]
Nmero de Transformadores
[$]
167

Es decir, se reubican los transformadores al interior de su propia red, de tal forma
que los flujos que salen de l, lo hagan de la manera ms simtrica posible. En la
figura anterior, la nueva ubicacin para los transformadores esta dada por los
tringulos de mayor tamao, con ello se procede a recalcular los conductores
ptimos y las prdidas asociadas a la nueva ubicacin, logrando un costo total
final de $ 19.403.014, mantenindose constante el costo de transformadores y el
costo de postes, pero mostrando un ahorro en el costo de red y en el costo de las
prdidas, dado que sus nuevos costos son de $ 4.789.200 y $ 1.811.290,
respectivamente.

6. Datos de Salida, finalmente para cada mini-zona optimizada se obtiene:
o Ubicacin, capacidad y costo de los transformadores usados.
o Trazado ptimo y conductores ptimos en la red asociada a cada
transformador.
o Evaluacin de prdidas de cada red.
o Asignacin de clientes a cada transformador.

168

ANEXO F: COSTO MINIMO EN LA OPTIMZACION DE UNA MINI-ZONA
En este anexo se muestra, a modo de ejemplo, el comportamiento tpico de la evolucin del
costo total en una mini-zona cuando se adiciona un nuevo transformador en el proceso
iterativo de la micro-optimizacin. Se observa en todos los casos de ejemplo, que luego de
la obtencin del mnimo, la adicin de un nuevo transformador incrementa el costo total.
Por tanto, se puede asumir que dado el problema y formulacin propuesta, encontrar un
mnimo indica altas probabilidades de ser el mnimo global para el procedimiento iterativo
desarrollado. En consideracin que se trata de un procedimiento heurstico que de todas
formas no garantizar el ptimo global del problema de planificacin, se opta por tomar el
primer mnimo como resultado del proceso de micro-optimizacin y as evitar tiempos
innecesarios que se producen al ampliar el espacio de bsqueda.

169












Figura F.1: Ejemplos de la evolucin del costo total
1 2 3 4 5 6 7
0
0.5
1
1.5
2
2.5
3
x 10
7
Evolucion Costo
Costo Trafos
Costo Red
Costo perdidas
Costo poste
Costo total
1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
x 10
7
Evolucion Costo
Costo Trafos
Costo Red
Costo perdidas
Costo poste
Costo total
1 2 3 4 5 6 7
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
x 10
7
Evolucion Costo
Costo Trafos
Costo Red
Costo perdidas
Costo poste
Costo total
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
0
2
4
6
8
10
12
14
16
x 10
6
Evolucion Costo
Costo Trafos
Costo Red
Costo perdidas
Costo poste
Costo total
1 2 3 4 5 6 7
0
2
4
6
8
10
12
14
16
x 10
6
Evolucion Costo
Costo Trafos
Costo Red
Costo perdidas
Costo poste
Costo total
1 2 3 4 5 6 7
0
0.5
1
1.5
2
2.5
3
x 10
7
Evolucion Costo
Costo Trafos
Costo Red
Costo perdidas
Costo poste
Costo total
[$] [$]
[$] [$]
[$] [$]
Nmero de Transformadores
Nmero de Transformadores
Nmero de Transformadores Nmero de Transformadores
Nmero de Transformadores
Nmero de Transformadores
170

ANEXO G: RESULTADOS DE LA MICRO-OPTIMIZACION
En este anexo se presenta un resumen de las simulaciones llevadas a cabo en el proceso de
micro-optimizacin.
Tabla G.1: Simulaciones equilibrio de red
Lanzamiento Caso 1 Caso 2 Caso 3
1 1.915.868.486 1.819.211.042 1.814.417.744
2 1.913.864.348 1.828.334.867 1.814.401.933
3 1.906.295.104 1.832.120.157 1.809.303.832
4 1.898.273.931 1.833.232.594 1.823.131.953
5 1.880.259.698 1.843.371.158 1.833.629.354
6 1.915.533.246 1.820.042.332 1.825.299.580
7 1.915.392.226 1.831.159.158 1.810.900.718
8 1.906.087.288 1.835.060.121 1.835.284.128
9 1.912.671.177 1.838.797.878 1.823.501.787
10 1.897.075.493 1.840.474.314 1.818.447.722
11 1.909.780.204 1.820.073.227 1.814.360.503
12 1.894.187.485 1.839.395.779 1.823.147.005
13 1.902.515.472 1.837.076.387 1.817.932.071
14 1.901.192.837 1.839.113.483 1.824.850.808
15 1.905.007.141 1.827.007.437 1.819.594.060
16 1.899.845.910 1.833.870.373 1.810.123.631
17 1.918.636.374 1.831.409.165 1.834.507.060
18 1.923.085.978 1.837.760.035 1.820.942.119
19 1.908.678.780 1.838.682.217 1.818.704.757
20 1.899.646.844 1.836.962.215 1.826.043.357

Tabla G.2: Evolucin de la solucin para distintos tamaos de mini-zonas
Tamao Costo Total ($) Tiempo (min)
50 5.142.173.463 16,05
80 3.460.282.100 8,83
100 2.938.271.479 6,73
200 1.994.601.112 3,47
300 1.831.187.098 2,91
400 1.844.106.829 3,10
500 1.820.611.695 3,51
600 1.812.085.048 3,71
700 1.844.859.332 4,40
800 1.849.453.227 5,24
900 1.886.337.132 6,60
1000 1.879.219.829 7,44
1100 1.984.453.927 8,92
1200 2.038.969.994 10,65
1300 2.008.777.457 15,37

171

ANEXO H: RESULTADOS APLICACIN GRAN SANTIAGO
En este anexo se presenta un resumen de las simulaciones llevadas a cabo al aplicar la
metodologa propuesta sobre la zona de Santiago. Se debe sealar que en las tablas
siguientes, la columna Costo Total solo incluye las instalaciones y por tanto no incorpora
el costo de las prdidas de energa.
Tabla H.1: Micro-optimizacin del gran Santiago - parte I
Lanzamiento Costo Total ($) Costo Trafo ($) Costo Red ($) Costo Poste ($) Costo Prdidas ($)
1 70.973.285.445 34.672.416.755 20.258.652.430 16.042.216.260 9.007.758.959
2 71.158.531.278 34.817.163.991 20.277.421.967 16.063.945.320 8.995.927.581
3 70.921.325.234 34.583.730.789 20.298.686.725 16.038.907.720 9.243.883.086
4 70.951.990.818 34.623.047.046 20.271.168.432 16.057.775.340 9.044.286.627
5 71.098.651.683 34.745.361.629 20.291.759.074 16.061.530.980 9.174.612.710
6 71.067.957.121 34.726.526.986 20.266.039.055 16.075.391.080 8.914.897.021
7 70.972.409.405 34.677.106.949 20.246.111.436 16.049.191.020 9.002.683.762
8 71.003.831.236 34.653.134.387 20.302.489.449 16.048.207.400 9.194.046.187
9 71.014.399.273 34.685.264.930 20.275.382.903 16.053.751.440 9.011.177.497
10 71.109.263.030 34.779.883.821 20.282.334.269 16.047.044.940 9.070.216.805

Tabla H.2: Micro-optimizacin del gran Santiago - parte II
Lanzamiento
Largo Red
(km)
Nmero de
Transformadores
Capacidad
Instalada
(MVA)
Prdidas de
Energa
(MWh)
Tiempo
(min)
1 7.823 12.052 2.859 53.794 173,5
2 7.834 12.022 2.867 53.723 167,8
3 7.821 11.971 2.853 55.204 167,6
4 7.829 12.065 2.857 54.012 167,6
5 7.832 12.030 2.861 54.791 167,3
6 7.837 12.109 2.864 53.240 168,9
7 7.826 12.063 2.862 53.764 167,4
8 7.826 12.001 2.858 54.907 167,0
9 7.828 12.023 2.867 53.815 167,4
10 7.825 12.053 2.862 54.167 168,7