Aplicaciones de los Algoritmos Genticos en los Sistemas de Distribucin de Energa Elctrica

Andrs Ziga Rodrguez Promotor de Cooperacin Internacional CEANI, Divisin de Computacin Evolutiva y Aplicaciones Instituto Universitario SIANI (Ingeniera Computacional) Universidad de Las Palmas de Gran Canaria Islas Canarias Espaa http://ceani.ulpgc.es; azunigar@yahoo.com INTRODUCCIN
El presente artculo presenta una introduccin a la aplicacin de los algoritmos genticos en la solucin de problemas de sistemas de distribucin de energa elctrica, especficamente en el problema de la ubicacin ptima de capacitores. Se realiza una descripcin de los algoritmos genticos y se plantean las ideas fundamentales del problema de la ubicacin ptima de capacitores, mostrando los resultados de una aplicacin experimental a un sistema de prueba.

ALGORITMOS GENTICOS
El concepto de algoritmo gentico fue concebido por John Holland de la University of Michigan (Ann Arbor) en los aos 60. Son una familia de algoritmos inspirados en los procesos de la evolucin natural, que incorporan soluciones representadas por una estructura de datos que semeja a la estructura de un cromosoma animal y emplea operadores que emulan los procesos naturales de cruce y mutacin de material gentico entre individuos. Las principales aplicaciones de los Algoritmos Genticos se orientan a la solucin de problemas de bsqueda y optimizacin de gran tamao. Un AG tiene una estructura tpica que permite emular el proceso de la evolucin natural para obtener la solucin de un problema determinado; esta estructura es tpica de un AG y no se altera sustancialmente de un problema a otro: 1. INICIALIZACIN: Se obtiene de alguna manera un primer conjunto de posibles soluciones al problema (poblacin), la misma que ser modificada en el transcurso de la optimizacin. Un individuo (tambin conocido como cromosoma) contiene todas las variables de decisin. 2. DETERMINACIN DEL FITNESS: Para determinar cuan buena es cada una de las soluciones de la poblacin, los AGs emplean un funcin de evaluacin (conocida como fitness), que asigna a cada individuo una calificacin de su fortaleza dentro de la poblacin. Este fitness generalmente corresponde a la funcin objetivo del problema. 3. CRITERIO DE PARADA: Se revisa si se cumple el criterio de parada del problema En caso de que se cumpla ir al paso 8. 4. SELECCIN: Se seleccionan de entre las mejores soluciones (individuos) aquellas que servirn para obtener nuevas soluciones (seleccionar los padres de la nueva generacin usando algn operador de seleccin). 5. OPERACIONES GENTICAS: Corresponde a la obtencin de nuevos individuos a partir de los seleccionadas en el paso anterior. Esto se realiza combinando el material gentico de los individuos padres seleccionados, obtenindose individuos descendientes que luego sern alterados de alguna forma (mutacin) para proporcionar diversidad a la poblacin. 6. NUEVA POBLACIN: Mediante algn criterio se obtiene un nuevo conjunto de soluciones al problema (por ejemplo: Considerar solo las nuevas soluciones los hijos y borrar olvidar/matar las desechadas los padres) 7. Volver al paso 2. 8. Si se cumple el paso 3, presentar los resultados y finalizar.

Los algoritmos genticos presentan varias ventajas computacionales cuando son comparados con algoritmos de optimizacin clsicos: Amplia aplicabilidad.- Los algoritmos evolutivos pueden ser aplicados a casi cualquier tipo de problema que puede ser formulado como un problema de optimizacin, requiriendo bsicamente un mecanismo de codificacin de las soluciones, un ndice de rendimiento para evaluar dichas soluciones y operadores que generen nuevas soluciones a partir de las actuales. Mejor rendimiento sobre los mtodos clsicos en problemas reales. - Los problemas del mundo real generalmente poseen espacios de bsqueda multimodales, con funciones no lineales y no diferenciables, lo que dificulta la aplicacin de tcnicas de optimizacin clsicas que explotan la convexidad de las funciones, lo que puede acarrear el estancamiento en ptimos locales. Los AGs solo pueden evitar fcilmente ptimos locales en superficies multimodales ya que exploran simultneamente varias regiones del espacio de soluciones. Potencial para hibridizar con otros mtodos. - La estructura de un algoritmo evolutivo permite su interaccin con otros mtodos para mejorar partes del proceso de evolucin. Paralelismo.- La mayora de los algoritmos de optimizacin son algoritmos en serie y solo realizan la bsqueda en una direccin; los algoritmos evolutivos trabajan sobre conjuntos de soluciones, explorando varias regiones del espacio de bsqueda simultneamente, manteniendo un compromiso entre exploracin y explotacin, privilegiando la explotacin de zonas mas promisorias pero sin dejar de explorar otras zonas del espacio de bsqueda; esto permite su aplicacin en problemas con espacio de soluciones muy grande. Los algoritmos genticos pueden ser considerados como algoritmos de bsqueda aproximados, es decir, se pueden obtener buenas soluciones aproximadas al ptimo con un considerable costo computacional. En la actualidad, existe una gran cantidad de variaciones de los AGs, especialmente orientados al desarrollo de nuevos operadores genticos y la mejora de los mecanismos de autoadaptacin de parmetros.

UNA APLICACIN AL PROBLEMA DE LA UBICACIN CAPACITORES EN SISTEMAS DE DISTRIBUCIN.

PTIMA

DE

La ubicacin ptima de capacitores y los mecanismos de control de la inyeccin de potencia reactiva juegan un papel importante en la operacin de los sistemas de distribucin, ya que permiten la reduccin de las prdidas y la mejora de los perfiles de voltaje, permitiendo una operacin ms estable y confiable. El objetivo de este problema es determinar el tamao ptimo, la ubicacin ptima y las estrategias de control de los bancos instalados dependiendo del nivel de demanda; sin embargo, este problema tiene ciertas caractersticas que lo hacen un verdadero reto para los mtodos de optimizacin clsicos: Posee restricciones no lineales determinadas por los flujos de potencia en las redes. Es un problema de optimizacin entera mixta pues combina variables continuas, enteras y binarias, que determinan los flujos de potencia y los niveles de voltaje, el tamao de los bancos de capacitores a instalarse y el estatus (ON/OFF) de dichos bancos, respectivamente. Se constituye en un problema de gran tamao Matemticamente el problema de la ubicacin de capacitores puede ser formulado como un problema de optimizacin no lineal entera mixta, donde la funcin objetivo corresponde a la minimizacin de las prdidas y costos de inversin (instalacin de capacitores fijos o variables). Las principales restricciones corresponden a los lmites de flujos de potencia activa y reactiva por las redes, perfiles de voltaje y restricciones propias de cada variable.

La solucin al problema estar determinada por la ubicacin y la capacidad de los bancos a instalarse. La codificacin de estas soluciones puede realizarse de forma mixta, de tal forma que un cromosoma se divide en dos partes; los alelos (cada uno de los espacios que componen el cromosoma) de la primera son variables binarias y corresponden al estado de las posibles ubicaciones de los bancos de capacitores (segmentos de la red), y los alelos de la segunda parte son variables enteras y corresponden a una codificacin de los tamaos de los bancos de capacitores que se ubicaran en las secciones determinadas por la primera parte. Ambas secciones del cromosoma tienen n posiciones, donde n corresponde al nmero de secciones en que se ha dividido el alimentador principal.

Primera seccin: Ubicacin en alimentador principal

Segunda seccin: Capacidad de los bancos

Fig. 1. Estructura y codificacin del cromosoma Las variables enteras de la segunda parte del cromosoma codifican los valores de KVAR y el costo de la instalacin (valores representativos) de acuerdo a la siguiente tabla: Capacidad en KVAR 150 300 450 600 900

Cdigo 1 2 3 4 5

Costo en $ 1500 1600 1650 1830 2600

Tabla 1. Codificacin de las capacidades y costos de los bancos En la codificacin propuesta en la figura 1, si un alelo de la primera seccin del cromosoma tiene una valor de 0, el correspondiente valor del alelo que representa la capacidad del banco a instalarse en dicha posicin es ignorado. El cdigo del cromosoma puede extenderse, adicionando una tercera seccin con variables binarias, que indique si el capacitor instalado debe ser fijo o variable. La poblacin inicial puede ser generada de forma aleatoria, considerndose una restriccin inicial de que al menos el 20% de las secciones del alimentador tendrn instalado un capacitor. Las operaciones genticas de cruce y mutacin se aplican a cada una de las secciones del cromosoma a travs de operadores especficos para variables binarias y enteras, con el fin de obtener mejores soluciones en cada nueva generacin. La funcin de fitness puede construirse considerando la funcin objetivo principal que es la minimizacin de los costos de inversin (instalacin de nuevos capacitores), e incluir costos asociados a las prdidas de energa y penalizaciones por violacin del nivel de voltaje. El criterio de optimizacin corresponde a la minimizacin de esta funcin compuesta. La componente de inversin est determinada por los costos directos de la adquisicin de capacitores fijos y variables. La componente de los costos asociados a las prdidas de energa es resultado de la aplicacin de las ecuaciones de flujos de potencia; una vez determinadas las prdidas para cada perodo se determinan los costos de esta energa. La componente de violacin a las restricciones de voltaje se representa como una penalizacin a la funcin de fitness asociada a una solucin y se determina a partir de cuantas violaciones a los lmites de voltaje ha provocado una solucin y en que

monto dicha solucin ha violado las restricciones de voltaje; para representar estas violaciones en trminos monetarios se multiplican por un factor cuyo valor es muy grande (por ejemplo 10000) con el fin que el fitness de estas restricciones sea muy alto. La demanda de energa se modela considerando tres niveles (baja, promedio y punta) y su determinacin es externa al modelo de optimizacin; estos tres niveles de demanda puede identificarse empleando algoritmos de clusterizacin basados en redes neuronales artificiales o lgica fuzzy. RESULTADOS EXPERIMENTALES Y CONCLUSIONES Al aplicar un modelo de algoritmo gentico simple a un sistema de 20 barras cuyas prdidas sin la instalacin de capacitores se ha calculado en US $ 6283.3, se obtienen los siguientes resultados: Costo de prdidas (US $) 3278.5 Costo de inversin (US $) 9690 Capacitores variables (MVAR) 2.5 Capacitores fijos (MVAR) 6.6

Con la aplicacin del algoritmo gentico al sistema de prueba, se han obtenido reducciones mensuales de hasta el 48% en los costos de prdidas. El algoritmo tambin proporciona las estrategias ptimas de encendido y apagado de los bancos variables que permiten obtener esos resultados de minimizacin de prdidas. A pesar que el modelo simple presentado no considera otros problemas tcnicos derivados de la instalacin de capacitores como la resonancia, la reduccin de los costos por prdidas resulta atractiva cuando la instalacin de capacitores es planificada con un algoritmo eficiente. Por sus caractersticas de manejar problemas de optimizacin de gran tamao y alta complejidad, los algoritmos genticos se posicionan en el mundo de la Ingeniera Elctrica como la prxima generacin de mtodos de solucin para los problemas de optimizacin en los sistemas elctricos.