Problema de flujos ptimos - JMRA

Captulo 7 OBJETIVOS DEL PROBLEMA DE FLUJOS PTIMOS

1.0 Introduccin Se ha llamado flujos ptimos al problema cuyo resultado es una solucin a las ecuaciones de flujos en estado estable senoidal, que maximiza o minimiza un objetivo expresado matemticamente. Esta solucin debe respetar los lmites de operacin de los elementos que integran el sistema de potencia, as como tambin satisfacer las condiciones que determinan la calidad y continuidad del suministro de energa elctrica. Estas restricciones, expresadas matemticamente se pueden clasificar, segn se desee que se cumplan, en: restricciones de igualdad, (p. ej., las leyes de Kirchoff), y en restricciones de desigualdad, (p. ej., la potencia que genere la mquina debe estar entre sus lmites). As definido, el problema de flujos ptimos se puede formular como cualquier otro problema de programacin no-lineal, de la siguiente manera:

(7.1)

donde: x es el vector de variables; f(x) es la funcin objetivo; gi(x) es la i-sima restriccin de igualdad; hi(x) es la i-sima restriccin de desigualdad. 1.1 Funciones objetivo Las funciones objetivo son la representacin matemtica de las polticas bajo las cuales un problema se optimiza. Aportan un ndice que indica qu tan apropiada es una solucin, y habitualmente, en el terreno de los sistemas elctricos de potencia, se redenominan de acuerdo al problema que se trata de resolver, de modo que, las funciones objetivo se identifican con el campo de aplicacin, independientemente de la tcnica o mtodo de solucin. En sistemas de potencia se han agrupado varias de estas funciones objetivo bajo el trmino de flujos ptimos, que como se ha indicado, son soluciones a las ecuaciones de flujos en las que cada solucin difiere de otra por el objetivo. A manera de ejemplo listamos las siguientes aplicaciones. (1) Despacho econmico.- Dadas la cargas por nodo, deseamos determinar las potencias que se deben generar en cada nodo , de tal manera que se satisfagan las demandas y esto se logre con el mnimo costo. Prdidas mnimas de transmisin.- El planteamiento es similar al anterior, con la diferencia 163

(2)

Problema de flujos ptimos - JMRA

(3)

(4) (5)

(6)

que ahora se minimizan las prdidas en lneas. Equivale a minimizar el flujo de potencia reactiva por la red, buscando mejorar los perfiles de voltaje. Cortes ptimos de carga.- En este caso la potencia generada es conocida, pero no es suficiente para satisfacer la demanda. Se busca minimizar los cortes de las cargas que produzcan ms prdidas en el sistema o de acuerdo a prioridades. Mximas prdidas de transmisin.- Dadas las generaciones por nodo, se desea encontrar la configuracin de cargas ms pesimista. Minimizacin de la contaminacin.- La generacin de energa elctrica por plantas de carbn, gas natural, etc., generan emisiones de gases que contaminan el ambiente. Se trata de minimizar la concentracin de contaminantes en determinadas reas. Optimizacin de capacitores y su localizacin.- Mantener un perfil de voltaje alto es particularmente importante en condiciones de falla. En este caso, la funcin objetivo es la suma de admitancias de los capacitores, y se analiza para cada una de las contingencias que se establezcan. El problema puede formularse para que el ptimo que se obtenga lo sea para un perodo de tiempo.

1.2 De las restricciones Cuando una solucin a un problema de optimizacin cumple con las restricciones que se le imponen, an sin ser ptima, se dice que es factible. La existencia de una solucin factible demuestra la existencia de un ptimo, pues en este caso, ptimo implica cumplir con las restricciones, aparte de optimizar la funcin objetivo. En el caso de los sistemas de potencia, las primeras restricciones que se imponen, son las ecuaciones de flujos, que deben cumplirse en igualdad:

(7.2)

donde: PGi es la potencia real generada en el i-simo nodo; PDi es la potencia real demandada en el i-simo nodo; QGi es la potencia reactiva generada en el i-simo nodo; QDi es la potencia reactiva demandada en el i-simo nodo; Vi magnitud del voltaje del i-simo nodo; Yij magnitud de la admitancia de lnea i-j; *i ngulo de voltaje del i-simo nodo; 2ij es el ngulo de la admitancia de la lnea i-j. Las limitantes fsicas de los equipos y de la calidad del servicio se introducen al problema de optimizacin mediante restricciones de desigualdad, por ejemplo, un voltaje debe tomar un valor dentro de ciertos lmites: Vi_m #Vi #Vi_M 164

Problema de flujos ptimos - JMRA

donde: Vi_m es el voltaje mnimo que puede tomar el voltaje del i-simo nodo; Vi_M es el voltaje mximo que puede tomar el voltaje del i-simo nodo. La representacin de la desigualdad anterior en la forma clsica, hi(x) # 0, se logra descomponindola en dos desigualdades del siguiente tipo: Vi - Vi_M # 0 Vi_m - Vi # 0 Aparte de las restricciones en la magnitud del voltaje nodal, en el proceso de optimizacin es posible introducir ms restricciones, dentro de las cuales anotamos las siguientes. b) de potencia real y reactiva generada por cada mquina: Pg_m # Pg # Pg_M Qg_m # Qg # Qg_M c) de potencia real transmitida por una lnea: | Pij | # | Pij_M | d) de taps de transformadores: ti_m # ti # ti_M Dentro de las restricciones de desigualdad que implcitamente manejan la seguridad, podemos listar las siguientes: e) mantener suficiente capacidad de reserva: Ki Pgi + R0 $ R donde: Ki es un factor; R0 es la mxima capacidad disponible de las plantas generadoras en lnea; R son los requerimientos de capacidad de reserva. f) De contingencias. Esta restriccin trata de evitar sobrecargas en las lneas (i, j) cuando otra lnea (k, m) se abre. Esto se expresa como:

Donde se introduce el subndice x en el lmite de la potencia mxima a transmitir entre los nodos (i, 165

Problema de flujos ptimos - JMRA

j) para indicar que dicho lmite es vlido para un determinado intervalo de tiempo. Por lo tanto, la formulacin general puede describirse como: Minimizar una funcin objetivo escalar a travs del control de u (7.3) Sujeto a las restricciones de igualdad de las ecuaciones de flujos de potencia gj(x, u) = 0 j = 1, 2, ..., n (7.4)

y sujeto a las restricciones de desigualdad sobre los parmetros de control

ui_min # ui # ui_max

i = 1, 2, ...m

(7.5)

y sobre las variables y funciones dependientes xj_min # xj # xj_max hk_min # hk(x, u) # hk_max donde:

j = 1, 2, ...n k = 1, 2, ...l

(7.6) (7.7)

(7.8)

(7.9)

(7.10)

1.3 Formulacin del problema de despacho econmico 166

Problema de flujos ptimos - JMRA

El problema de despacho econmico puede formularse como:

sujeto a: (7.11)

donde; n es el nmero de generadores conectados al sistema; ai, bi, ci son los parmetros de la curva de entrada-salida de cada generador; Ii es el conjunto de nodos que conectan con el i-simo nodo. 1.4 De la existencia y unicidad de un ptimo Es difcil determinar si una solucin ptima (global o local) es nica. Es ms, el ptimo puede no estar unvocamente definido. La existencia de un mnimo global puede garantizarse si la funcin objetivo es al menos pseudo convexa, y las restricciones son convexas generalizadas (convexa, pseudo convexa, cuasiconvexa). En nuestro caso la funcin objetivo es convexa, con lo que cumplimos con la primera parte, pero las expresiones completas de las ecuaciones de flujos son difciles de analizar para determinar si son convexas generalizadas. De hecho, por su estructura, no parecen tener ninguna de las caractersticas de convexidad para todo el dominio. Como slo nos interesa la regin factible de estas ecuaciones, procede entonces un anlisis de convexidad local, que es ms difcil pues es necesario imponer lmites y dependencias entre las variables. Abandonando un poco el rigor matemtico, se pueden hacer aproximaciones a las ecuaciones de flujos. Es de notarse que estas aproximaciones pueden presentar caractersticas de convergencia mejores que las propias ecuaciones de flujos. Estas aproximaciones aprovechan el desacoplamiento que existe entre las potencias reales y los voltajes nodales, y entre las potencias reactivas y los ngulos nodales.

167

Problema de flujos ptimos - JMRA

2.0 Introduccin al problema de programacin no-lineal Se desea introducir en forma breve algunos conceptos de optimizacin de problemas no-lineales. El problema de programacin no-lineal consiste en seleccionar los valores de algunas variables, generalmente no negativas, de manera que se maximice o minimice una funcin dada, sujeta a un conjunto de restricciones de igualdad y/o desigualdad. En general la funcin por optimizar puede representar un beneficio o un costo debido al desarrollo de alguna(s) actividad(es), mediante lo cual se busca cumplir algn objetivo o alcanzar alguna meta o definir el proceso de operacin de algn sistema, etc. Analticamentem el problema de programacin no-lineal puede expresarse como:

(7.1)

Escrito en forma detallada,

(7.1')

generalmente z1 $ 0, z2 $ 0, ..., zn $ 0. Las n variables z1, z2, ..., zn se definen como las n componentes reales del vector columna z. La funcin objetivo f(z) representa el criterio para el cual se requiere encontrar su valor mnimo. Las funciones de restriccin g1(z), g2(z), ..., gm(z) son representadas por el vector columna g(z), as como las h1(z), h2(z), ..., hp(z) involucradas en las restricciones de desigualdad se representan por el vector columna h(z). Las constantes b1, b2, ..., bm y c1, c2, ..., cp se denominan las constantes o trminos derechos de las restricciones y se representan por los vectores columna b y c, respectivamente. Se acepta que las m+p+1 funciones f(z), g1(z), g2(z), ..., gm(z), h1(z), h2(z), ..., hp(z) son funciones dadas, contnuamente diferenciables, que no contienen elementos aleatorios; b y c estn formados 168

Problema de flujos ptimos - JMRA

por nmeros reales, y que z puede ser cualquier vector con n componentes reales, sujeto nicamente a las m+p+n restricciones definidas en (7.1); n, m y p son finitas. Es comn designar a las variables z como los instrumentos del proceso que se requiere optimizar. Las restricciones de desigualdad representan generalmente limitaciones fsicas o de operacin de algn elemento dentro del sistema o limitaciones del proceso. Cuando se trata de un sistema fsico, por ejemplo, aparecen comnmente restricciones de igualdad, las que normalmente representan leyes fsicas del comportamiento del sistema. En el caso de un sistema elctrico, stas ltimas pueden ser las leyes de Kirchoff y las primeras pueden ser voltajes o capacidades de generadores. Cuando se involucran en el problema restricciones de igualdad (leyes fsicas o de comportamiento), en ocasiones es conveniente subdividir las variables z en dos tipos de variables: variables de control y variables de estado del sistema. Ya que en condiciones normales es posible ejercer algn tipo de control sobre el sistema para conducirlo a un estado determinado. Es conveniente notacionalmente sustituir la variable z por el par de vectores (x, u), con lo cual el problema (1) queda como sigue:

(7.2)

Ntese que el conjunto de restricciones g(x,u) = b y h(x,u) # c es la interseccin de los conjuntos (x, u) para los cuales se cumplen simultneamente el conjunto de restricciones:

Este conjunto (x, u) se denomina el conjunto de soluciones factibles o conjunto de oportunidades del problema. 2.1 Optimizacin clsica Con el fin de iniciar en forma sencilla el anlisis de las condiciones necesarias o requisitos para que (x, u) sea un punto ptimo se supondr que m = p = 0. Es decir, que no existen restricciones para z sino que nicamente se desea encontrar un vector z real que haga mnima a la funcin f(z). A este caso y al caso con restricciones de igualdad se acostumbra llamarlos como al problema de optimizacin clsica. La solucin se encuentra al obtener el punto z*, tal que para cualquier cambio )z en el vector z* se cumple: f( z* ) # f( z* + )z ) 169 (7.3)

Problema de flujos ptimos - JMRA

(En todo lo que sigue se supondr que f es doblemente diferenciable y con derivadas finitas y continuas). Desarrollando en serie de Taylor alrededor de z*: (7.4)

Entonces se obtiene de (7.2) y (7.3): (7.5) en donde es el vector gradiente de f(z) es la matriz Hessiana o de segundas derivadas Esta desigualdad se acostumbra llamar desigualdad fundamental, la cual debe cumplirse para cualquier variacin arbitraria )z. En particular, si se toma la componente i-sima del vector )z negativa y todas las dems nulas, tomando lmites se implica )zi > 0 y todas las dems cero, tomando lmites se implica que . Si por el contrario se toma . Por lo tanto, (7.6) Ahora, usando (7.6), la desigualdad fundamental implica: (7.7) Es decir, la matriz Hessiana debe ser positiva semidefinida para que z* sea un punto extremo (mnimo o punto de inflexin) o estrictamente positiva definida para garantizar un mnimo localmente en la vecindad de z*. 2.2 Optimizacin con restricciones de igualdad El problema consiste en encontrar z* tal que se tenga min f(z* ) y al mismo tiempo se cumplan las 170

Problema de flujos ptimos - JMRA

restricciones de igualdad g( z ) = b. Es decir: (7.8)

Para que exista solucin a este problema se requiere imponer algunas condiciones ms fuertes que en el caso anterior, las cuales permiten tomar en cuenta las caractersticas de las restricciones de igualdad. La condicin fundamental requerida es que sea posible aplicar el teorema de la funcin implcita al conjunto de restricciones de igualdad. Esto implica que si existen m restricciones, es posible efectuar una particin de las n variables o componentes de z, en un vector x con m componentes, y un vector u con n-m componentes, y que adems sea posible resolver para x a partir de las m restricciones en la vecindad de la solucin z* = (x*, u*), es decir: x = x(u) (7.9)

En otras palabras, las relaciones funcionales (7.9) son equivalentes a las restricciones (7.8). {Para garantizar la existencia de (7.9), es necesario que el Jacobiano de las restricciones con respecto a x sea de rango m}. Sustituyendo entonces (7.9) en la funcin objetivo por minimizar, el problema puede escribirse como: (7.10) Este ltimo problema expresado en (7.10) es un problema sin restricciones que implcitamente involucra a las restricciones g( z ) = b, y que su espacio de soluciones se ha reducido al espacio de las n-m variables de control u. Entonces las condiciones de ptimo pueden obtenerse enforma sencilla como sigue: la condicin necesaria para un mnimo local es (7.11) Puesto que las restricciones g( z ) = b se pueden escribir como una identidad: g( x, u) / b derivando, (7.13) (7.12)

Como la matriz

es no-singular, se puede resolver para la matriz

171

Problema de flujos ptimos - JMRA

(7.14) y la condicin (7.11) se puede escribir como, (7.15) Obviamente tambin: (7.16) Se puede definir el vector 8 llamado de multiplicadores de Lagrange como sigue: (7.17) Por lo tanto, las condiciones necesarias (7.15) y (7.16) se pueden escribir como sigue,

(7.15'-16')

o en forma global con z en lugar de (x, u): (7.18) Si se considera la condicin (7.18), puede observarse que las condiciones necesarias junto con las restricciones originales g( z ) = b pueden obtenerse derivando la funcin f(z) + 8T [ g(z) - b ] con respecto a las variables z y 8. Este ltimo resultado corresponde a la tcnica de los multiplicadores de Lagrange aplicada al problema general de optimizacin clsica. Esta tcnica consiste en la aplicacin de los tres pasos siguientes: 1. Se introduce un nuevo vector de variables 8 con m componentes. 2. Se define la funcin de Lagrange formada por la suma de la funcin objetivo f y el producto interno del vector 8 de los multiplicadores de Lagrange por las restricciones de igualdad g(z) - b = 0. L(z) = f(z) + 8T [ g(z) - b ] (7.19) 172

Problema de flujos ptimos - JMRA

L(x, u) = f(x, u) + 8T [ g(x, u) - b ]

(7.19')

3. Se encuentra el punto (z*, 8*) (x*, u*, 8*) para el cual se anulan todas las derivadas parciales de primer orden, es decir:

(7.20)

Al analizar estas ltimas condiciones debe notarse que las primeras n condiciones implican que el gradiente de la funcin objetivo evaluado en el punto ptimo, es una combinacin lineal de los gradientes de las funciones de restriccin, en la cual los coeficientes constituyen los multiplicadores de Lagrange. Las ltimas m condiciones simplemente representan a las restricciones de igualdad. Por lo tanto, las condiciones (7.20) implican que z* est en el conjunto factible de las restricciones o conjunto de oportunidades del problema, y que la direccin preferente de variacin para la funcin objetivo es una combinacin lineal de los vectores normales (gradientes) a las curvas de restricciones. Esta interpretacin geomtrica puede observarse a partir de la diferencial de las ecuaciones de restriccin gi(z) - bi = 0 ya que: (7.21)

y puesto que los dzk estn en la direccin tangente a la curva, el vector

es normal a la curva gi(z)

- bi = 0. Las condiciones de segundo orden establecen que la matriz Hessiana del Lagrangeano debe ser positiva definida cuando se evala en el punto mnimo local, sujeta a las condiciones de que la direccin de evaluacin se encuentre sobre el hiperplano tangente a las superficies de restriccin, lo cual analticamente puede expresarse segn (7.22-2.23):

173

Problema de flujos ptimos - JMRA

(7.22)

sujeta a:

(7.23)

cuando la matriz Hessiana es positiva definida , sujeta a las condiciones (7.23), las condiciones (7.20) son suficientes. Ntese que las condiciones de segundo orden no implican que la matriz Hessiana de la funcin objetivo sea positiva definida, sino que esto debe cumplirse para la matriz Hessiana de la funcin de Lagrange. 2.3 Interpretacin de los multiplicadores de Lagrange Se ha visto que la solucin del problema de optimizacin nos proporciona adems de los valores de las vaiables z, los valores de los multiplicadores de Lagrange 8, que tienen mucha importancia ya que proporcionan una medida de la sensitividad del valor ptimo de la funcin objetivo f* a pequeas variaciones en las constantes b y c de las restricciones, es decir: (7.24) Para probar lo anterior debe probarse antes que si se tratan las bs como variables, es posible resolver a partir de las condiciones de primer orden (7.20), para las variables z y 8 en funcin de las variables b. Para esto, se pueden considerar las condiciones (7.20) como sigue:

(7.20')

Las que forman m+n ecuaciones con 2m+n variables (b, 8, z), entonces la matriz Jacobiana del sistema es:

174

Problema de flujos ptimos - JMRA

(7.25)

La cual, aceptando la no singularidad impuesta a

, es de rango m+n. Por lo tanto, por el teorema

de la funcin implcita es posible resolver para 8 y z enfuncin de b: 8 = 8( b ) z = z( b ) Sustituyendo en la funcin de Lagrange: L( b ) = f( z ( b ) ) + 8T( b ) [ g( z( b ) ) - b ] derivando respecto a b: (7.27)

(7.26)

(7.28)

En el punto de la solucin ptima (8*, z*) los dos primeros trminos se anulan, por lo tanto: (7.29) Debido a (7.29), al obtener la solucin ptima a un problema de la forma (7.8), se obtiene adems una medida de la sensitividad, ya que los multiplicadores de Lagrange indican qu tan sensible es el valor ptimo de la funcin objetivo a los cambios en las constantes de las restricciones. Estas constantes generalmente representan la cantidad de recursos disponibles o requeridos para la operacin de un sistema. El significado anterior de los multiplicadores tambin es vlido para las constantes c de las restricciones de desigualdad en el problema (7.1). 2.4 Problema general de programacin no-lineal Este caso est representado por el problema (7.1), que adems de m restricciones de igualdad contiene p restricciones de desigualdad. El establecimiento de las condiciones que se deben cumplir 175

Problema de flujos ptimos - JMRA

en el punto ptimo o en la solucin, requiere de una generalizacin de la aplicacin de los multiplicadores de Lagrange, la cual conduce a la obtencin del teorema de Kuhn y Tucker, el que nos introduce al problema general de programacin no-lineal en variables reales (o en el espacio euclideano n-dimensional). Existen diversas teoras sobre este problema, las que se encaminan a la obtencin de proposiciones generales y definitivas de las condiciones necesarias y suficientes en la solucin. Dado el caracter introductorio de estas notas, la incorporacin de las restricciones de desigualdad se har en forma sencilla para facilitar el desarrollo del tema. Si se observa el problema (7.1), las restricciones de desigualdad pueden convertirse a restricciones de igualdad mediante la adicin de un trmino positivo en cada restriccin de desigualdad definido como: si2 = ci - hi(z) (7.30)

Debe notarse que para que el vector z est contenido en el conjunto factible, se debe cumplir que si2 $ 0 , ya que hi(z) # ci. Es decir, las componentes si deben ser reales. Entonces el problema (7.1) puede expresarse como:

(7.31)

Este problema con p variables adicionales de holgura contiene nicamente resticciones de igualdad, por lo tanto se puede aplicar la tcnica de los multiplicadores de Lagrange. Los problemas (7.1) y (7.31) son equivalentes an cuando ste ltimo contiene p variables adicionales. Se forma la funcin de Lagrange: (7.32) cuyas variables son (z, 8, :, s) (x, u, 8, :, s). Las condiciones de primer orden son:

176

Problema de flujos ptimos - JMRA

(7.33-2.35)

(7.36)

Eliminando la variable si de las condiciones(7.35) y (7.36), estas se pueden englobar en una sola condicin, llamada de exclusin o de holgura complementaria, y se puede expresar como: i [ hi(z) - ci ] = 0 i = 1, 2, ..., p (7.37)

Es posible probar que los multiplicadores i de Kuhn y Tucker asociados a las restricciones de desigualdad estn restringidos en su signo mediante condiciones de no negatividad. Tomando en cuenta la condicin (7.33), la ecuacin (7.23) y la desigualdad fundamental, as como el hecho de que para una restriccin de desigualdad activa (en su lmite) se cumple que para un movimiento factible )z: (7.38) se obtiene en el punto ptimo: (7.39) de (7.38) y (7.39) se concluye que: i $ 0 (7.40)

Resumiendo los resultados anteriores se puede enunciar el: Teorema de Kuhn y Tucker. Sea z* un punto mnimo local regular (la regularidad de z implica la no singularidad de la matriz cuyos renglones son los gradientes de h y g) del problema (7.1), entonces existe un vector 8, m-dimensional, y un vector $ 0, p-dimensional tal que: (7.41-2.42)

177

Problema de flujos ptimos - JMRA

Si se comparan (7.41) y (7.42) y la formulacin del problema (7.1) con las condiciones de Lagrange, ntese la similitud existente a travs de las condiciones (7.41), ya que estas pueden obtenerse a partir de la funcin de Kuhn y Tucker definida como: T( z, 8, : ) = f( z ) + 8T [ g( z ) - b ] + :T [ h( z ) - c ] (7.43)

Sin embargo, existe una diferencia muy importante a travs de las condiciones (7.42), as como la no negatividad de los multiplicadores : de Kuhn y Tucker, ya que esto no se presenta en el caso de Lagrange. 2.5 Mtodos de solucin. El mtodo del gradiente El concepto de direccin Cualquier vector n-dimensional puede servir como una direccin. Dado un punto x, se puede generar una lnea recta que pasa por x si se aplica una direccin d (vector con n componentes d1, d2, ..., dn) y un escalar J tal que - 4 # J # 4. Es decir, si y = x + Jd (7.44)

y recorre la lnea recta en la direccin d, que pasa por x cuando J = 0. Puede demostrarse que si no es nulo, el gradiente mismo apunta en una direccin tal, que un pequeo movimiento en esa direccin aumenta a la funcin. Sea, (7.45) si la direccin d se selecciona igual al gradiente: (7.46) entonces, en la vecindad de x para J > 0: (7.47) Este ltimo resultado sugiere un procedimiento para la bsqueda de la solucin ptima al problema de programacin no lineal sin restricciones. Si se trata de un problema en el que se requiere encontrar el mximo, dado un punto en la vecindad del ptimo se efecta una correccin )z tal que:

178

Problema de flujos ptimos - JMRA

z + )z = z + JLf(z)

(7.48)

se aproxime al punto ptimo z* mediante la seleccin de un valor adecuado de J, el cual se obtiene de: maxJ f( z + JLf(z) ) (7.49)

En cambio, como -Lf(z) apunta en la direccin en que la funcin f(z) disminuye, si se trata de encontrar un mnimo, se efecta una correccin )z en la direccin -Lf(z) seleccionando el valor adecuado de J para obtener: minJ f( z - JLf(z) ) (7.50)

Como esta correccin se hace a lo largo de una lnea recta y la funcin f(z) que nos interesa es no lineal, se genera un proceso iterartivo para la bsqueda de la solucin ptima z*. Este procedimiento se conoce como el mtodo del gradiente, y se puede resumir como sigue: Paso 0: Se asignan valores de arranque z = z0 Paso 1: se calcula el gradiente Lf(z). Si la magnitud del gradiente tiende a cero, el proceso termina y la solucin es z* = z Paso 2: se obtiene J* tal que J* = { J; minJ f( z - JLf(z) ) } Paso 3: se calcula un nuevo valor de z con la expresin znueva = z + )z = z - J* Lf(z) y se repite el proceso aplicando de nuevo los pasos 1, 2 y 3 hasta lograr la convergencia. Mtodo del gradiente reducido Este mtodo es directamente aplicable al problema de programacin no lineal con restricciones de igualdad. Su nombre proviene de la forma particular que toma la expresin (7.15), ya que al representar a las variables z como variables x y u (de estado y de control respectivamente), implcitamente las variables de control u toman el papel de variables del problema y este reduce su dimensionalidad a n-m variables. Bajo otro punto de vista, este enfoque tambin puede visualizarse como una tcnica de descomposicin no lineal. El procedimiento puede visualizarse fcilmente a partir del mtodo del gradiente ya establecido y de las relaciones (7.15-2.16) o (7.15'-2.16'), as como del cumplimiento de las restricciones en el punto ptimo (condiciones de Lagrange).

179

Problema de flujos ptimos - JMRA

Esquema del mtodo del gradiente reducido paraobtener el mnimo de f(z) Paso 0: Se supone un conjunto de valores para u (valores de arranque) Paso 1: Se calculan los valores de x a partir de: g(x, u) - b = 0 Paso 2: Se calculan los valores de 8 a partir de la ec (7.16'):

Paso 3: Se calculan los valores del gradiente reducido (15) o (15'):

que en general no sern nulos, a partir de

Paso 4: Se toma la direccin del gradiente reducido con signo negativo y se calcula el escalar J* tal que J* = { J; minJ L( x + J)x, u + J)u ) } con

Paso 5: Se calculan los nuevos valores de u aplicando el valor de J* unueva = u + J* )u = u - J*LLu Paso 6: Se prueba la convergencia del proceso: si la magnitud del gradiente reducido tiende a cero, el proceso termina, en caso contrario se repite el proceso con los nuevos valores de u a partir de paso 1. Geomtricamente, en el espacio de las variables de control u, el proceso puede visualizarse como se muestra en la figura siguiente.

180

Problema de flujos ptimos - JMRA

Fig. : Representacin geomtrica del proceso de disminucin de la funcin f( z )

Mtodo de penalizacin Un mtodo comnmente usado para el manejo tanto de las restricciones de igualdad como de desigualdad, es el conocido como el mtodo de la funcin de penalizacin. Supngase que se quiere resolver el problema (7.1). La idea del mtodo de la funcin de penalizacin consiste en reemplazar el problema (7.1) por un problema no restringido de la forma: min f(z) + (p(z) (7.51)

en donde ( es una constante positiva y p(z) es una funcin real de n variables reales que satisface: i) p(z) es continua ii) p(z) $ 0, z con componentes reales iii) p(z) = 0 iff z est en la regin factible En el caso del problema (7.1), una funcin de penalizacin til es: (7.52)

181

Problema de flujos ptimos - JMRA

La siguiente figura muestra (p(z) para el caso unidimensional de z, en el que se tienen dos restricciones de desigualdad: z - b # 0, a - z # 0.

Fig.: Aproximacin de la funcin p(z) a las restricciones verdaderas Para valores grandes de ( es claro que el punto mnimo del problema (7.51) se localizar en una regin en donde p(z) se haga pequea, por lo que para valores crecientes de ( se espera que los puntos correspondientes a la solucin se aproximarn a la regin factible, lo cual tender a minimizar a la funcin f(z). Es fcil visualizar que para el caso de restricciones de igualdad, en caso de existir un mnimo factible, la funcin de penalizacin del tipo cuadrtica tender a satisfacer las restricciones de igualdad, ya que: min [ gi(z) - bi ]2 = 0 (7.53)

Existen tcnicas que permiten generar una secuencia creciente de valores para (, los cuales se asocian a una secuencia de problemas cuya solucin tiende a la solucin de (7.1). El mtodo extendido del gradiente reducido Es posible adaptar la tcnica del gradiente reducido para manipular las restricciones de desigualdad mediante dos formas distintas: i) agregando variables de holgura (trminos positivos) a cada restriccin de desigualdad para convertirla en igualdad, lo que en general no es eficiente ya que aumenta el nmero de variables y aumenta el nmero de restricciones de igualdad, o ii) manejando 182

Problema de flujos ptimos - JMRA

las variables de control en forma directa en sus restricciones de cotas superiores o inferiores, y manejando mediante tcnicas de penalizacin a las variables de estado y las restricciones de desigualdad asociadas a ellas. Esta ltima opcin ha sido utilizada en forma similar con cierto xito en la optimizacin de la operacin, en el clculo de flujos ptimos y en la planeacin de sistemas elctricos. Es sencillo visualizar esta extensin al procedimiento del gradiente reducido y a continuacin se presenta un posible esquema para la bsqueda de la solucin, en el cual, si se compara con el esquema anterior, pueden observarse las diferencias importantes entre ambos. Esquema extendido del mtodo del gradiente reducido para mnimo de f(z) paso 0: se supone un conjunto factible de valores de arranque para u paso 1: se calculan los valores de x a partir de: g(x, u) - b = 0 paso 2: se detectan las restricciones de desigualdad, h(x, u) - c # 0, que se violan y se incluyen en la funcin objetivo como funciones de penalizacin:

se calculan los valores del gradiente de 8 aplicando la nueva funcin fp(x, u),

paso 3: se calculan los valores del gradiente reducido aplicando la nueva funcin penalizada fp(x, u),

paso 4: se toma la direccin del gradiente reducido y se calcula el escalar J* tal que: J* = { J; minJ Lp( x + J)x, u + J)u ) } con paso 5: se calculan los nuevos valores de u aplicando el valor de J*, sosteniendo las componentes en sus lmites si es que la correccin tiende a violar sus cotas. Se calculan los valores de x en la misma forma que en paso 1. 183

Problema de flujos ptimos - JMRA

paso 6: se realizan las siguientes pruebas: si el proceso obtiene convergencia mediante la magnitud del gradiente pero las restricciones de desigualdad violadas no se aproximan a sus lmites, se reestablecen los factores de penalizacin, y se repite el proceso a partir del paso 2. Cuando se cumplen ambas tolerancias, el proceso termina. En caso contrario, el proceso se repite a partir del paso 2 con los nuevos valores de x.

184