Você está na página 1de 12

DIVISIN DE INGENIERAS CAMPUS IRAPUATO-SALAMANCA

DESPACHO ECONMICO DE CARGA JOS ANTONIO SANTACRUZ GRANADOS JAIRO JAVIER MARTNEZ JUREZ TAREA # 1 PROBLEMA DE INTRODUCCIN AL DESPACHO DE CARGA

PROBLEMA DE INTRODUCCIN AL DESPACHO DE CARGA


INTRODUCCIN La formulacin general de un problema de optimizacin contiene la funcin objetivo donde ser minimizada, h(x) que son restricciones de igualdad y g(x) que se denominan restricciones de desigualdad. La regin de factibilidad es un conjunto de puntos x que satisfacen las restricciones de igualdad y desigualdad, un punto donde x pertenece a la regin factible se denomina como un punto factible, y cuando se encuentra un punto factible que hace la funcin objetivo mnima se dice que es ptimo. Puede que exista ms de un punto factible ptimo. La funcin objetivo es una funcin escalar de las variables, en general se dice que matemticamente el objetivo es optimizar por eso se denomina funcin objetivo. Esta se formaliza a partir del problema y objetivo a optimizar. Las restricciones de igualdad son tambin funciones escalares que son funcin de X Rq este tipo de funciones restringen los valores que pueden tomar los valores x, puesto que en la solucin de todo problema de optimizacin las restricciones de igualdad deben ser satisfechas. Las restricciones de igualdad representan las leyes fsicas del sistema analizado. Las restricciones de desigualdad tambin son funciones escalares de las variables X Rq. Al igual que las restricciones de desigualdad restringen los valores de las variables x que puede tomar, pero en lugar de una sola trayectoria, generan regiones o reas factibles. En el punto ptimo de un problema con nicamente restricciones de igualdad, el gradiente de la funcin objetivo o el gradiente de la funcin se encuentran alineados, pueden no ser de la misma magnitud, en general es as, en adicin pueden ser paralelos o antiparalelos, pero siempre estn alineados. Algo muy importante es que todo problema de optimizacin debe satisfacer la calificacin de restricciones de otra manera no podr resolverse. El problema de optimizacin es el siguiente: mn s.t.

Donde i = 1,,

y j = 1,,

El trmino de desigualdad se adiciona en la ecuacin Lagrangiana, si la ecuacin de desigualdad correspondiente se encuentra activa, lo que significa que se hace una igualdad debido a que el punto ptimo asociado a la funcin objetivo ms la restriccin de de igualdad se encuentran fuera de la regin de factibilidad establecida por la restriccin de desigualdad. Una vez que el problema de optimizacin se ha transformado a un problema de optimizacin sin restricciones, se deben aplicar las condiciones de optimabilidad de primer orden para obtener la solucin. Estas condiciones son conocidas como las condiciones necesarias de Kuhn -Tucker y son las siguientes:

para i = 1,, para j = 1,, Restricciones complementarias para j = 1,, para j = 1,, Las restricciones complementarias se utilizan para activar y liberar las restricciones de desigualdad, es decir, si de una restriccin de desigualdad ya activa, est seguir activada, en caso contrario si , la restriccin de desigualdad se debe liberar, y se debe activar otra de ellas. Cuando se cumplen todas las condiciones de Kuhn -Tucker, el problema est resuelto. PROBLEMA Se quiere despachar la carga en el nodo 1 que es de con los dos generadores de los nodos 1 y 2 con el menor costo de generacin posible, teniendo una lnea de por medio entre nodos con valores de G = 100 p.u. y B = -10 p.u. como lo muestra la Figura 1, donde los costos de generacin son los siguientes:

Se considera el nodo 1 como nodo slack, donde V1 = 1 p.u. y rad, y que ambos generadores tienen la capacidad de suministrar grandsimas cantidades de potencia reactiva pero solo pueden suministrar una potencia real de 7.5 p.u.

Figura 1. Sistema elctrico sencillo con dos generadores, una lnea y una carga

SOLUCIN En primera instancia se debe plantear el modelo, utilizando los datos del problema y los conceptos de sistemas elctricos de potencias. Primero plantearemos la funcin objetivo, ya que el costo de generacin es lo que se quiere optimizar, el menor costo ser el que satisfaga la demanda aprovechando al mximo las caractersticas de costos de generacin. Es por ello que nuestra funcin objetivo ser la suma de los costos de generacin de estos dos generadores:

Una vez planteada nuestra funcin objetivo, debemos plantear las condiciones de igualdad, esta sern las del despacho de la carga, es decir, los generadores debern suministrar la potencia real suficiente para satisfacer la demanda compensando las perdidas por efecto Joule en las lneas, para ello se analiza cada nodo del sistema, donde se plantea que la diferencia de potencias que entran y salen del nodo deben ser iguales a cero, dado esto las restricciones de igualdad son las siguientes:

Desglosando las sumatorias quedaran:

Como vemos en las expresiones no se involucraron las potencias reactivas, esto se debe a que en todos los nodos del sistema hay un generador, y que este proporciona toda la potencia reactiva que se demande en ese nodo, sin importar su valor, como lo explica el problema. Por ltimo planteamos las condiciones de desigualdad, que son las referentes a la capacidad de generacin de ambos generadores, ya que estos no pueden generar una potencia real mayor a los 7.5 p.u., es por ello que nuestras restricciones seran:

Entonces nuestro modelo es el siguiente: mn. s.t.

Si observamos el modelo, podemos ver que V1, y , son constantes con valores de 1 p.u., 0 rad y 10 p.u. respectivamente, y que nuestras variables sern:

Con el modelo planteado armamos nuestra funcin Lagrangiana:

Como vemos, la funcin an no tiene restricciones de desigualdad activadas, para activar alguna, es necesario resolver el problema sin ellas, y observar cual de las restricciones de desigualdad se viola para as poderla activar. Ahora aplicaremos las primeras dos condiciones de Kuhn -Tucker, las cuales son:

para i = 1,,

Como vemos, tendremos que resolver un sistema de 6 ecuaciones no lineales con 6 incgnitas, para ello utilizaremos el mtodo de Newton-Raphson, el cual es un mtodo numrico y por lo tanto se proponen condiciones iniciales para cada variable, el cual es el siguiente en forma simple:

Donde el sistema estar resuelto cuando , esta tolerancia depende de la exactitud con que se quiera el resultado. Como vemos primero debemos de obtener la matriz
Jacobiana (J) que es la siguiente:

Como vemos la matriz Jacobiana est indicada como una H y no como una J, esto es porque para nuestro caso ser la matriz Hessiana que se define como , ya que las funciones se derivaron por primera vez debido a las condiciones de optimizacin de Kuhn Tucker, y nuevamente se estn derivando debido al mtodo de Newton-Raphson. Los trminos de nuestro Hessiano son los siguientes:

Nuestros valores iniciales sern los siguientes:

Si sustituimos estos valores en la ecuacin del mtodo Newton-Raphson, obtendremos los siguientes resultados, para una primera iteracin:

H = 200.0000 0 0 -200.0000 0 0 0 0 -10.0000 -100.0000 10.0000 -300.0000 0 0 0.0200 0 1.0000 0 0 -10.0000 10.0000 0 -100.0000 -300.0000 0 1.0000 0 0.0100 0 1.0000 0 0 0 1.0000 0 0

Un punto importante a mencionar es que nuestro Hessiano es una matriz simtrica como se puede ver, y que los trminos del lado inferior derecho, siempre sern cero, que son los correspondientes a los coeficientes de las restricciones de igualdad y desigualdad activas ( y ).
X = 0 1.0000 5.0000 5.0000 1.0000 1.0000 -0.1720 -0.1908 89.2004 -155.5203 -1.9840 1.4552 DX = 0.1720 1.1908 84.2004 160.5203 2.9840 0.4552

Donde la primera columna de X representa los valores iniciales, la segunda los nuevos valores obtenidos, y DX representa el error que se tiene. De esta manera se sigue el mtodo hasta que converja, para ello utilizamos el programa 1 del Anexo A, y utilizando una tolerancia de 0.001, estos son los resultados obtenidos:
Hubo 9 iteraciones. Estas son:
0 -0.1720 1.0000 -0.1908 5.0000 89.2004 5.0000 -155.5203 1.0000 -1.9840 1.0000 1.4552 -3.5423 1.1152 235.3083 70.2562 -4.9062 -0.8026 -3.4803 1.1495 5.3088 19.6272 -0.3062 -0.2963 -3.2752 1.1038 -0.4982 8.2411 -0.1900 -0.1824 -3.1309 1.0837 0.3363 8.0123 -0.2067 -0.1801 -3.1340 1.0857 1.3515 9.3876 -0.2270 -0.1939 -3.1337 1.0856 1.3532 9.3870 -0.2271 -0.1939 -3.1337 1.0856 1.3533 9.3870 -0.2271 -0.1939

Los valores minimos son: V1 = 1.000000 p.u. V2 = 1.085645 p.u. Pg1 = 1.353252 p.u. El costo minimo es: $ 3.668242 tetha1 = 0.000000 rad tetha2 = -3.133707 rad Pg2 = 9.387008 p.u.

Estos resultados son muy parecidos a lo que se esperaba, y ya que el costo de generacin del generador 2 es visiblemente ms barato en comparacin al generador 1 y con ello concluimos que el resultado es correcto. Debemos mencionar que los valores iniciales son un punto muy importante, ya que si no se utilizan los adecuados puede que se llegue a un resultado errneo, en esta etapa inicial nosotros simplemente lo hicimos a prueba y error, ya que an no conocemos el procedimiento para indicarlos de una manera certera.

Los resultados muestran que el generador 2 esta violando la restriccin de desigualdad, es por ello que en el siguiente paso, se resolver activando la restriccin de desigualdad referente al generador 2, que ser: .
Volvemos a armar nuestra funcin Lagrangiana:

Seguidamente aplicaremos las condiciones de Kuhn -Tucker, que ahora son:

para i = 1,,

para j = 1,,

Ahora se tiene un sistema de 7 ecuaciones no lineales con 7 incgnitas, pero el procedimiento es el mismo. Es por ello que utilizaremos el programa 2 del Anexo A para resolverlo, utilizando una tolerancia de 0.001 y los siguientes valores iniciales que se obtuvieron nuevamente a prueba y error:

Los resultados son los siguientes:


Hubo 10 iteraciones. Estas son: Columns 1 through 5 0 1.0000 5.0000 5.0000 0.0010 0.0010 0.0010 -11.0669 -0.0106 -1.7251 7.5000 -0.1655 0.0558 -0.2308 -4.9030 -0.1956 113.1035 7.5000 -2.4621 4.4902 -4.6652 -2.7974 0.9967 178.3266 7.5000 -3.7665 17.1839 -17.3589 -2.7787 0.9766 15.2286 7.5000 -0.5046 0.0725 -0.2475

Columns 6 through 10 -3.0621 1.0940 -3.3960 7.5000 -0.1321 -0.1645 -0.0105 -3.1695 1.0782 1.9025 7.5000 -0.2381 -0.2062 0.0312 -3.1324 1.0699 2.8415 7.5000 -0.2568 -0.2253 0.0503 -3.1351 1.0695 2.9862 7.5000 -0.2597 -0.2281 0.0531 -3.1351 1.0695 2.9870 7.5000 -0.2597 -0.2281 0.0531

Los valores minimos son: V1 = 1.000000 p.u. V2 = 1.069459 p.u. Pg1 = 2.986958 p.u. El costo minimo es: $ 3.717660 tetha1 = 0.000000 rad tetha2 = -3.135100 rad Pg2 = 7.500000 p.u.

Como vemos en los resultados, el generador 2 est al lmite de su generacin, tal como se esperaba despus de haber visto los resultados sin la restriccin de desigualdad activada, pero tambin debemos notar que el costo de generacin es mayor, incrementando de un valor de $ 3.668242 a $ 3.717660. Podemos apreciar que aunque la restriccin de desigualdad del generador 1 no est activa, si se est cumpliendo, y con ello tambin las restricciones complementarias:

Restricciones complementarias

Otro punto a notar es que se estn generando ms de 10 p.u. de potencia real, la cual es la demandada por la carga, el generador 1 proporciona 2.986958 p.u. mientras que el generador 2 proporciona 7.5 p.u., lo que nos dice que se estn teniendo prdidas de 0.486958 p.u. en la lnea de transmisin debido a efecto Joule. CONCLUSIONES La implementacin de un mtodo de optimizacin es un gran problema en el cual hay que tener en cuenta todos los aspectos, tanto los del sistema, como la metodologa para activar y desactivar restricciones de igualdad, sin olvidar el clculo de los valores iniciales que se utilizarn para obtener un resultado confiable, y tambin utilizar un mtodo de resolucin adecuado para el tipo de problema que se est resolviendo, sin embargo, todos siguen la misma metodologa que se est mostrando mediante este ejemplo, y deben de satisfacer las condiciones de Kuhn Tucker.

ANEXO A PROGRAMA 1
clear all; clc; syms tetha2 V1 V2 Pg1 Pg2 Lamda1 Lamda2 tetha1 = 0; V1 = 1; Pd1 = 10; G = 100; B = -10; n=6; FO = 2+0.2*Pg1+(0.01*Pg1^2)+0.1*Pg2+(0.005*Pg2^2); h1=Pg1-Pd1-(G+V2*(G*cos(-tetha2)+B*sin(-tetha2))); h2=Pg2-((V2^2)*G+V2*(G*cos(tetha2)+B*sin(tetha2))); Lag = FO + Lamda1*h1 + Lamda2*h2; x(1,1)=tetha2; x(2,1)=V2; x(3,1)=Pg1; x(4,1)=Pg2; x(5,1)=Lamda1; x(6,1)=Lamda2; for i=1:n f(i,1)=diff(Lag,x(i)); end for i=1:n for j=1:n Hessiano(i,j)=diff(f(i),x(j)); end end X = [0;1;5;5;1;1]; DX = [1;1;1;1;1;1]; k=1; while sum(abs(DX))>0.001 tetha2=X(1,k); V2=X(2,k); Pg1=X(3,k); Pg2=X(4,k); Lamda1=X(5,k); Lamda2 = X(6,k); F = subs(f); H = subs(Hessiano); X(:,k+1)=X(:,k)-inv(H)*F; DX=X(:,k+1)-X(:,k); k=k+1; end fprintf('Hubo %d iteraciones. Estas son:\n\n',k); disp(X); disp('Los valores minimos son:') fprintf('\n V1 = 1.000000 p.u. tetha1 = 0.000000 rad'); fprintf('\n V2 = %f p.u. tetha2 = %f rad',X(2,end),X(1,end)); fprintf('\n Pg1 = %f p.u. Pg2 = %f p.u.\n\n',X(3,end),X(4,end)); disp('El costo minimo es:'); fprintf('$ %f\n\n',subs(FO));

PROGRAMA 2
clear all; clc; syms tetha2 V1 V2 Pg1 Pg2 Lamda1 Lamda2 Mu1 Mu2 tetha1 = 0; V1 = 1; Pd1 = 10; G = 100; B = -10; n=7; FO = 2+0.2*Pg1+(0.01*Pg1^2)+0.1*Pg2+(0.005*Pg2^2); h1=Pg1-Pd1-(G+V2*(G*cos(-tetha2)+B*sin(-tetha2))); h2=Pg2-((V2^2)*G+V2*(G*cos(tetha2)+B*sin(tetha2))); g1 = Pg1-7.5; g2 = Pg2-7.5; Lag = FO + Lamda1*h1 + Lamda2*h2 + Mu2*g2; x(1,1)=tetha2; x(2,1)=V2; x(3,1)=Pg1; x(4,1)=Pg2; x(5,1)=Lamda1; x(6,1)=Lamda2; x(7,1)=Mu2; for i=1:n f(i,1)=diff(Lag,x(i)); end for i=1:n for j=1:n Hessiano(i,j)=diff(f(i),x(j)); end end X = [0;1;5;5;0.001;0.001;0.001]; DX = [1;1;1;1;1;1;1]; k=1; while sum(abs(DX))>0.001 tetha2=X(1,k); V2=X(2,k); Pg1=X(3,k); Pg2=X(4,k); Lamda1=X(5,k); Lamda2 = X(6,k); Mu2 = X(7,k); F = subs(f); H = subs(Hessiano); X(:,k+1)=X(:,k)-inv(H)*F; DX=X(:,k+1)-X(:,k); k=k+1; end fprintf('Hubo %d iteraciones. Estas son:\n\n',k); disp(X); disp('Los valores minimos son:') fprintf('\n V1 = 1.000000 p.u. tetha1 = 0.000000 rad'); fprintf('\n V2 = %f p.u. tetha2 = %f rad',X(2,end),X(1,end)); fprintf('\n Pg1 = %f p.u. Pg2 = %f p.u.\n\n',X(3,end),X(4,end)); disp('El costo minimo es:'); fprintf('$ %f\n\n',subs(FO));