Escolar Documentos
Profissional Documentos
Cultura Documentos
A
PLICACIN D
ET
CNICAS D
E
APLICACIN
DE
TCNICAS
DE
O
PTIMIZACIN E
NS
ISTEMAS E
LCTRICOS
OPTIMIZACIN
EN
SISTEMAS
ELCTRICOS
Curso de Actualizacin
Reimpresin
Oruro, octubre 2003
P
REFACIO
PREFACIO
Noviembre 1997
Armengol Blanco Benito
ndice
ndice G
eneral
General
Pg.
i
ii
Prefacio
ndice General
I
1.1 Introduccin
1.2 Modelacin del Sistema Elctrico
1.2.1 Modelo de Optimizacin
1.2.2 Variables de Control
1.2.3 Variables de Estado
1.2.4 Parmetros de la Red
1.2.5 Perturbaciones de la Red
1.3 Flujo ptimo de Potencia
1.3.1 Optimizacin del SEP
1.3.2 Modelo de Optimizacin del SEP
1.3.3 Objetivos Operacionales
1.3.4 Variables de Control
1.3.5 Restricciones de Operacin
1.4 Formulacin de los Modelos de Optimizacin
1.4.1 Dimensionamiento y Ubicacin ptima de Bancos de
Capacitores
1.4.1.1 Aplicacin de la Programacin Lineal
1.4.2 Operacin Econmica del SEP
1.4.3 Minimizacin de Prdidas de Potencia Activa
II
1
1
2
2
2
3
3
3
3
3
4
5
6
6
7
7
8
8
MTODOS DE OPTIMIZACIN
2.1 Introduccin
2.2 Programacin Lineal
2.2.1 Mtodo Simplex
2.2.2 Mtodo Simplex revisado
2.2.3 El problema dual
2.2.4 Interpretacin de las Variables Duales
2.3 Software LINDO
2.3.1 Aplicaciones
2.4 Programacin No-Lineal
2.4.1 Tcnica de los Multiplicadores de Lagrange
2.4.2 Tcnica de los Multiplicadores de Kuhn-Tucker
2.5 Software EUREKA
2.5.1 Aplicaciones
ii
10
10
11
12
12
13
13
13
26
26
27
28
28
Introduccin
Modelacin de Centrales
Modelo del Despacho de Carga Econmico
Mtodos de Solucin
3.4.1 Mtodo Iterativo Lambda
Costos Marginales (Costos Incrementales)
Prdidas de Transmisin
Factores de Penalizacin
Aplicaciones
Referencias Bibliogrficas
31
31
33
34
34
35
36
37
38
41
Anexos
A.1 Ayuda y Comandos de LINDO
A.2 Aplicacin de la Rutina SOLVER de EXCEL
A.3 Flujograma Del Mtodo Iterativo Lambda
iii
42
44
46
II O
PERACIN D
ES
ISTEMAS E
LCTRICOS
OPERACIN
DE
SISTEMAS
ELCTRICOS
1.1 Introduccin
Perturbaciones
La operacin del SEP, tiene asociado, los costos de operacin que dependen de
los costos de generacin y transaccin de energa y potencia.
Los costos de operacin comprenden: costos fijos y variables. Los costos fijos son
independientes de la potencia generada o transmitida. Mientras que, los costos
variables dependen del nivel de carga del sistema que tiene un comportamiento
estocstico, por lo que la operacin econmica se enfoca a minimizar los costos
de operacin ya sea a corto, mediano o largo plazo.
1.3.1 Optimizacin del Sistema de Potencia
Dada la complejidad de los sistemas elctricos de potencia, donde existen
centrales de generacin -tanto trmicas como hidrulicas-, sistemas de
transporte compuesto por lneas de transmisin y subestaciones de
transformacin, sistemas elctricos de distribucin, y una demanda de energa
elctrica, es necesario utilizar tcnicas y mtodos para optimizar la operacin del
sistema.
1.3.2 Modelo de Optimizacin de SEP
Dependiendo del grado de complejidad en la representacin del sistema de
generacin: trmico o hidrotrmico y el sistema de transmisin, existen dos
modelos bsicos, que son empleados por las distintas empresas elctricas en el
mundo. Estos modelos, son:
a) Modelo de Barra nica
En la modelacin, se considera que los generadores estn conectados a una barra
nica, no se considera las prdidas del sistema de transmisin. Sus
caractersticas principales, son:
o Costo marginal nico
o Independiente entre perodos de estudio
o Modelo simple
b) Modelo de Red
En la modelacin, se considera las prdidas del sistema de transmisin. Sus
caractersticas principales, son:
o Costo marginal por barra
o Se requiere resolver las ecuaciones de flujo de potencia
o Ecuaciones de prdidas elctricas
4
Fi = a 0i + a1i Pi + a 2i Pi2
donde:
2
ij ij
donde:
Rij Resistencia de la lnea conectada entre el nodo i y j
Iij Intensidad de corriente que transporta la lnea conectada
entre el nodo i y j
3) Desviacin mnima del punto de operacin.
o Se define como la suma de los cuadrados ponderados de las
desviaciones de las variables de control.
(V
Vi )
donde:
Vi Tensin en el nodo i
4) Mnimo nmero de variables de control re-despachados.
o En la prctica son pocas las variables que pueden ser controladas.
1.3.4 Variables de Control [3]
Las variables de control, son las variables manipuladas, es decir, representan las
acciones que puede ejecutar un operador del SEP.
En la operacin y control de un SEP, las variables de control se pueden agrupar
de acuerdo a los problemas tratados, las cuales, son:
1) Sub-problema de Potencia Activa
o
o
o
o
Tensin en barras
Flujos de MVARs en las ramas
Los MVARs de reserva rodante
Intercambio de MVARs entre reas.
Sujeto a:
E in = X ijn Q j
Q j 0
donde:
E in
Xij
Qj
i
j
n
C Q
j
Fi = a j Pi j
j
Pimin Pi Pimax
El modelo de optimizacin queda expresado como:
Minimizar
Sujeto a:
Pi = PR + PL
j
Pimin Pi Pimax
donde:
Pimin Mnima Potencia Generada
Pi Potencia Generada
Pimax Mxima Potencia Generada
PR Demanda de Potencia
PL Prdidas de Potencia en el Sistema
La solucin de este modelo, tambin se lo puede realizar mediante la linealizacin
de las ecuaciones [6] y tener una solucin aproximada.
1.4.3 Minimizacin de Prdidas de Potencia Activa [5]
La minimizacin, est basada en la formulacin del despacho de potencia
reactiva, consiste en minimizar las perdidas de potencia activa que se producen
en las componentes hmicas de las ramas del SEP.
La funcin objetivo est representada por:
k =1
sujeto a:
Q imin Q i Q imax
Vimin Vi Vimax
Q Ci = Q i
donde:
Vi
Q i = Vi Vj Yijsen ( i j ij )
j=1
QCi
nr
nodo i
Es la capacidad del banco de capacitores inductores, conectado
en el nodo i
Nmero de ramas del sistema.
10
IIII M
TODO
SD
EO
PTIMIZACION
DO
MTOD
OS
DE
OPTIMIZACION
2.1 Introduccin
Las funciones del modelo de optimizacin pueden ser lineales no-lineales, o una
combinacin de ambas. Existen diversos mtodos y tcnicas, para resolver el
modelo de optimizacin.
En general, el problema de maximizar una funcin f, -hallar el mximo-, se
reduce a minimizar la funcin negativa, -f, que tiene una solucin v. La solucin
del problema original, es -v, ya que las restricciones no cambian.
En lo que sigue, se presentan solo problemas de minimizacin.
2.2 Programacin Lineal
En los modelos de optimizacin lineal, tanto la funcin objetivo f y las
restricciones g, h son funciones lineales.
George B. Dantzig [7], formula en 1947, el problema general de optimizacin
lineal y presenta el Mtodo Simplex para su resolucin.
Sea el modelo de optimizacin:
Maximizar Z = 3x 1 + 5x 2
Sujeto a:
x1 4
2x 2 12
3x 1 + 2x 2 18
x1 , x 2 0
11
12
pasos. Este mtodo puede ser implementado por medio de las siguientes reglas
bsicas:
1.- Transformar el modelo de optimizacin lineal a la forma cannica.
Min cX
s.a:
AX b
X0
2.- Adicionar las variables de holgura, Y
Min cX
s.a:
AX + Y = b
X0
Y0
3.- Construir la tabla con los coeficientes del modelo de optimizacin
4.- Determinar los costos reducidos zj-cj y elegir la ms negativa.
5.- Seleccionar el vector de salida, mediante la siguiente regla:
X
X Br
= Min Bk | Ykj > 0
Yrj
Ykj
6.- Efectuar el pivote de Gauss, de tal forma que el vector aj sea un vector
unitario.
2.2.2 Mtodo Simplex Revisado
El mtodo simplex original, requiere mucha memoria y tiempo para su resolucin.
La matriz A de los problemas reales, es una matriz muy dispersa, por lo que se
desarroll el mtodo simplex revisado, que tiene las siguientes reglas:
1.- Hallar el vector Bsico:
XB = B-1b
2.- Hallar la nueva base
3.- Resolver el sistema
13
14
Porcentaje de
C
25 %
65 %
50 %
2)
15
16
41500.00
VARIABLE
VALUE
REDUCED COST
X1 5150.000000
0.000000
X2
0.000000
0.000000
X3
0.000000
0.000000
X1A 1000.000000
0.000000
X2A
0.000000
2.000000
X3A
0.000000
4.000000
X1B 2850.000000
0.000000
X2B
0.000000
2.000000
X3B
0.000000
4.000000
X1C 1300.000000
0.000000
X2C
0.000000
2.000000
X3C
0.000000
4.000000
ROW SLACK OR SURPLUS DUAL PRICES
2)
0.000000
-10.000000
3)
0.000000
-8.000000
4)
0.000000
-6.000000
5)
1575.000000
0.000000
6)
12.500000
0.000000
7)
0.000000
0.000000
8)
0.000000
0.000000
9)
0.000000
0.000000
10)
0.000000
0.000000
11)
0.000000
3.333333
12)
0.000000
6.666667
13)
0.000000
2.333333
NO. ITERATIONS=
17
X2A
X3A
X1B
X2B
X3B
X1C
X2C
X3C
-3.000000
-3.000000
-2.000000
-2.000000
-2.000000
-1.000000
-1.000000
-1.000000
2.000000
4.000000
INFINITY
2.000000
4.000000
INFINITY
2.000000
4.000000
INFINITY
INFINITY
2.000000
INFINITY
INFINITY
2.000000
INFINITY
INFINITY
ROW
2
3
4
5
6
7
8
9
10
11
12
13
a)
b)
c)
d)
18
S. La solucin ptima es nica, ya que los costos reducidos son ceros las
variables bsicas y mayores que cero en todas las variables no bsicas.
Adems, todos los multiplicadores de Lagrange (DUAL PRICES) son mayores
o iguales que cero, esto asegura que se cumple la condicin de optimalidad
de Karush (1930), Kuhn-Tucker, Lagrange, (K.K.T.L.)
e)
f)
19
h)
i)
20
j)
42375.00
VARIABLE
VALUE
REDUCED COST
X1 5200.000000
0.000000
X2
0.000000
0.000000
X3
0.000000
0.000000
X1A 1050.000000
0.000000
X2A
0.000000
0.000000
X3A
0.000000
0.000000
X1B 2850.000000
0.000000
X2B
0.000000
0.000000
X3B
0.000000
0.000000
21
X1C
X2C
X3C
1300.000000
0.000000
0.000000
0.000000
21.538462
23.000000
22
240 MW 80 MW
50 MW
165 MW
3
40 MW
2
240 MW
545 MW
160 MW
23
Min
C ijX ij
iN jN
s.a :
X ij = a i + K;
para i N
X ij = b j + K;
para j N
jN
iN
0 X ij U ij
donde:
I
J
N
24
4
D2
20
30
40
0
40
31
910
5
D4
59
30
60
40
0
63
830
6
D5
20
61
20
31
63
0
910
Generacin
Generacin
795
1215
670
670
670
670
11
23555.00
VARIABLE
VALUE
REDUCED COST
X12
0.000000
89.000000
X13
0.000000
11.000000
X14
0.000000
31.000000
25
X15
X16
X21
X23
X24
X25
X26
X31
X32
X34
X35
X36
X41
X42
X43
X45
X46
X51
X52
X53
X54
X56
X61
X62
X63
X64
X65
X11
X22
X33
X44
X55
X66
0.000000
125.000000
0.000000
30.000000
240.000000
160.000000
115.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
670.000000
670.000000
670.000000
670.000000
670.000000
670.000000
70.000000
0.000000
7.000000
0.000000
0.000000
0.000000
0.000000
65.000000
136.000000
78.000000
98.000000
27.000000
9.000000
60.000000
2.000000
40.000000
0.000000
48.000000
60.000000
22.000000
40.000000
32.000000
40.000000
122.000000
13.000000
62.000000
94.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
Analizando los resultados representados en la Fig. 3a, permite afirmar que es necesario la construccin
de 4 nuevas lneas. Por otra parte, los flujos en 4 lneas son ceros, es decir, son sub-utilizadas.
Considerando, que solo se pueden construir lneas con capacidad de 100 MVA y que las nuevas lneas
se deben conectar a las barras cercanas al nudo generador. Esta situacin se puede simular
26
considerando que los costos de transporte a los nudos lejanos, son altos, en este caso, se considera que
los costos son 5 veces.
La reformulacin del problema conduce a un nuevo modelo de optimizacin y los resultados no nulos
entregados por el software LINDO, son:
TITLE EJEMPLO 2.2: L. L. GARVER (MODIFICADO)
MIN 48 X12 + 38 X13 + 20 X14 + 59 X15 + 20 X16 + 240 X21 + 340 X23
+ 30 X24 + 30 X25 + 305 X26 + 38 X31 + 68 X32 + 40 X34 + 60 X35
+ 20 X36 + 20 X41 + 30 X42 + 40 X43 + 40 X45 + 156 X46 + 59 X51
+ 30 X52 + 60 X53 + 40 X54 + 63 X56 + 20 X61 + 61 X62 + 20 X63
+ 31 X64 + 63 X65
SUBJECT TO
2) X12 + X13 + X14 + X15 + X16 + X11 = 795
3) X21 + X23 + X24 + X25 + X26 + X22 = 1215
4) X31 + X32 + X34 + X35 + X36 + X33 = 670
5) X41 + X42 + X43 + X45 + X46 + X44 = 670
6) X51 + X52 + X53 + X54 + X56 + X55 = 670
7) X61 + X62 + X63 + X64 + X65 + X66 = 670
8) X21 + X31 + X41 + X51 + X61 + X11 = 670
9) X12 + X32 + X42 + X52 + X62 + X22 = 670
10) X13 + X23 + X43 + X53 + X63 + X33 = 700
11) X14 + X24 + X34 + X54 + X64 + X44 = 910
12) X15 + X25 + X35 + X45 + X65 + X55 = 830
13) X16 + X26 + X36 + X46 + X56 + X66 = 910
14) X16 <= 200
END
LP OPTIMUM FOUND AT STEP
17
REDUCED COST
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
27
8)
9)
10)
11)
12)
13)
14)
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
0.000000
-50.000000
0.000000
-70.000000
-30.000000
-30.000000
-90.000000
20.000000
La solucin final, requiere la construccin de 7 lneas con capacidad de 100 MVA: 4 lneas en paralelo
entre G6 y D2, 2 lneas en paralelo entre G6 y D4, una lnea en paralelo entre G3 y D5. Quedaran 2
lneas con flujo cero, es decir, son sub-utilizadas. Los resultados se ilustran en la Fig. 3b.
28
L ( x , ) = f ( x ) + i g( x )
i =1
donde:
i Multiplicador de Lagrange
La condicin necesaria para obtener el ptimo, est dada por:
L
= 0; j = 1, 2, ... , n
x j
L
= 0; i = 1, 2, ... , m
i
Del conjunto de (n+m) ecuaciones, se obtienen (n+m) incgnitas x1, x2, ... ,xn, 1, 2, ..., m, la solucin
de la cual da el punto ptimo en la regin factible.
2.4.2 Tcnica de los Multiplicadores de Kuhn-Tucker
29
i =1
k =1
L ( x , , ) = f ( x ) + i g ( x ) + k h ( x )
donde:
i Multiplicador de Lagrange
k Multiplicador de Kuhn-Tucker
Las condiciones para obtener el ptimo de la funcin de Lagrange, estn dadas por:
1.
L
= 0;
xj
2.
L
= g( x ) = 0; i = 1, 2, ... , m
i
3.
L
= h ( x ) 0; k = 1, 2, ... , p
k
4. k h ( x ) = 0;
j = 1, 2, ... , n
k = 1, 2, ... , m
k 0
Para determinar las (n+m+p) incgnitas x1, x2, ... ,xn, 1, 2, ..., m, 1, 2, ..., p, es necesario resolver el
conjunto de (n+m+p) ecuaciones. La solucin, da el punto ptimo en la regin factible.
2.5 Software EUREKA
Eureka: The Solver [9], es un software desarrollado por la BORLAND INTERNATIONAL, Inc., con
las siguientes caractersticas:
i)
ii)
iii)
iv)
El software Eureka, se aplica a la resolucin de un problema, tomado del apndice del captulo 3 de la
referencia [1].
Ejemplo 2.3
30
L
= g( x ) = 5 - x 1 x 2 = 0
; Ejemplo 2.3
f=0.25*x1^2+x2^2
$min(f)
x1 + x2 = 5
x1 + 0.2*x2 <= 3
***************************************************************
Solution:
Variables Values
f
x1
x2
= 7.8125000
= 2.5000000
= 2.5000000
32
IIIIII O
PERACIN E
CONMICA D
ES
ISTEMAS E
LCTRICOS
OPERACIN
ECONMICA
DE
SISTEMAS
ELCTRICOS
3.1 Introduccin
33
34
Una Turbina de gas de ciclo simple, consiste en una turbina y compresor de gas
conectados por un eje nico a una unidad generadora.
La turbina de gas de ciclo simple, tiene un rendimiento en el rango de 25 al 30%
(es decir, la tasa de calor de unidad de 13.600 a 11.400 MBTU/KWH basado en el
valor de calentamiento ms alto del combustible), requiere diesel o gas como
combustible, y se utilizan principalmente, para horas punta en los sistemas
elctricos.
Un reactor nuclear, utiliza como combustible, uranio ligeramente enriquecido,
como fuente de suministro de energa bsica.
Durante el perodo de tiempo, en que el combustible est en el reactor, se genera
calor y vapor que acciona una turbina de vapor convencional, y la potencia
elctrica se obtiene del generador que es accionado por la turbina. La cantidad de
material fisionable utilizado va decreciendo, y no es capaz de mantener un nivel
de potencia adecuado, de modo que el combustible tiene que ser retirado y el
reactor se recarga con un nuevo combustible.
En la instalacin de una planta sobre la base de reactores nucleares, ser
necesario tomar en cuenta que los reactores comerciales disponibles, tiene una
capacidad como mnimo una potencia de 1000 MW, para una operacin rentable.
Se utiliza como planta base.
Una Planta hidroelctrica, tiene caractersticas de entrada-salida similares que
una turbina de vapor, pero sus costos marginales, pueden despreciarse, debido
principalmente a que el "combustible" agua no tiene costo -es gratuito-.En el
despacho econmico, una planta hidroelctrica se representa por un modelo
trmico equivalente, para representar las restricciones de escasez de agua en
perodos de sequas.
La entrada, est en funcin de volumen de agua por tiempo unitario y la salida
est en funcin de la potencia elctrica. La Fig. 4c y 4d, muestra una curva de
entrada-salida tpica, para una planta hidroelctrica donde la cada hidrulica neta
es constante.
Estas caractersticas, muestran una curva casi lineal del requerimiento de
volumen de agua de entrada por unidad de tiempo como funcin de la potencia
disponible, a medida en que aumenta la potencia desde un mnimo hasta plena
carga.
En muchas plantas, los sistemas de ros estn conectados tanto en serie como en
paralelo -hablando hidrulicamente-.En este caso, la liberacin de aguas arriba de
una planta, contribuye a la afluencia de la planta, ro abajo -conocido como
acoplamiento hidrulico-, La situacin se pone an ms compleja, cuando las
35
Min FT = Fi (Pi )
i =1
s. a :
N
PR + PL Pi = 0
i =1
min
i
P
donde:
PR
PL
Pi
Pi Pimin
Demanda de Potencia
Prdidas de potencia en el sistema
Potencia entregada por el generador i
dFi
= para Pimin Pi Pimax
dPi
dFi
para Pi = Pimax
dPi
dFi
para Pi = Pimin
dPi
36
o Mtodos generales
o Mtodos particulares
Entre los mtodos generales, se pueden mencionar el mtodo del gradiente del
descenso ms pronunciado que es ampliamente empleado para resolver
problemas de gran dimensionalidad.
Entre los mtodos particulares enfocados a las particularidades del problema-,
se tienen los siguientes:
o
o
o
o
Iterativo Lambda,
Gradiente de 1er orden,
Gradiente de 2do orden y
Factores de participacin.
37
Costos Marginales =
d(Costos Totales)
d(Carga)
Un supuesto bsico es considerar que los costos fijos no son afectados por
variaciones de la carga. Por lo que, los costos marginales estn determinados por
los costos variables:
Costos Marginales =
d(Costos Variables)
d(C arg a )
Los costos marginales de energa, se calculan por medio del despacho de carga
econmico de todos los generadores conectados a una barra nica. Por medio de
los factores de penalizacin se distribuyen los costos geogrficamente.
Los costos marginales instantneos (spot price) o costo marginal a corto plazo de
la potencia activa, estn dados por:
k = +
L
Z
D k
D k
donde:
38
L
D k
PL = P T [B]P + P T B 0 + B 00
donde:
P
[B]
B0
B00
Vector de Generacin en MW
Matriz cuadrada de la misma dimensin de P
Vector de la misma dimensin de P
Constante
PL = Pi B ij Pj + Pi B i 0 + B 00
i
39
L
= 0;
Pi
entonces:
L dFi PL
- 1 =
Pi dPi Pi
= 0
Re-ordenando la ecuacin:
1
PL
1 Pi
dFi
=
dPi
donde:
PL
Pi
se denomina prdida marginal en la barra i, y
Pf i =
1
PL
1 Pi
40
Potencia
generada
mxima
350
350
450
Costo de
combustible
0.80
1.02
0.90
Iter
P2
P1
1
2
8.0
7.2
320
120
95.2554
46.8410
7.5438
205.9513
67.6474
P3
PT
Error
PT-PR
277.7778 693.0332 243.0332
100
266.8410 183.1590
176.4012
450
0.0
***************************************************************
Eureka: The Solver, Version 1.0
Thursday June 19, 2003, 9:22 pm.
Name of input file: D:\OPTIMI~1\EUREKA\EJEM31
***************************************************************
; Ejemplo 3.1: Problema 3.7, ref [1]
PD = 450 ; Demanda
F1 = (225 + 8.4*P1 + 0.0025*P1^2)*0.80; Costo de
F2 = (729 + 6.3*P2 + 0.0081*P2^2)*1.02; Generacin
F3 = (400 + 7.5*P3 + 0.0025*P3^2)*0.9 ; por unidad
41
Values
4485.6381
F1
F2
F3
=
=
=
1648.8252
1216.0904
1620.7224
L1
L2
L3
=
=
=
7.5438055
7.5438055
7.5438055
P1
P2
P3
=
=
=
205.95138
67.647390
176.40123
***************************************************************
Eureka: The Solver, Version 1.0
Page 2
Thursday June 19, 2003, 9:22 pm.
Name of input file: D:\OPTIMI~1\EUREKA\EJEM31
***************************************************************
PD
450.00000
***************************************************************
Eureka: The Solver, Version 1.0
Thursday June 19, 2003, 9:25 pm.
Name of input file: D:\OPTIMI~1\EUREKA\EJEM31
***************************************************************
; Ejemplo 3.1: Problema 3.7, ref [1]
PD = 850 ; Demanda
F1 = (225 + 8.4*P1 + 0.0025*P1^2)*0.80; Costo de
F2 = (729 + 6.3*P2 + 0.0081*P2^2)*1.02; Generacion
F3 = (400 + 7.5*P3 + 0.0025*P3^2)*0.9 ; por unidad
L1 = (8.4 + 0.005*P1)*0.80 ; Costos marginales: Lambdas
L2 = (6.3 + 0.0162*P2)*1.02 ; o Multiplicadores
L3 = (7.5 + 0.005*P3)*0.90 ; de Lagrange de cada unidad
F = F1 + F2 + F3
$min(F)
P1 + P2 + P3 = PD ; Generacion = Demanda
54 <= P1 <= 350 ; Limites de generacion
45 <= P2 <= 350
47.5 <= P3 <= 450
***************************************************************
Solution:
Variables
Values
7660.5107
F1
F2
F3
=
=
=
2777.0000
1654.1953
3229.3153
L1
L2
L3
=
=
=
8.1200000
8.4491118
8.4490436
P1
P2
P3
=
=
=
350.00000
122.43475
377.56525
***************************************************************
Eureka: The Solver, Version 1.0
Page 2
Thursday June 19, 2003, 9:25 pm.
Name of input file: D:\OPTIMI~1\EUREKA\EJEM31
43
***************************************************************
PD
850.00000
44
45
ANEXOS
A.1 Ayuda y Comandos del LINDO (MS-DOS)
: help
THIS IS LINDO (LINEAR, INTERACTIVE, DISCRETE OPTIMIZER),
COPYRIGHT (C) 1998, 1999 LINDO SYSTEMS. LINDO IS LICENSED
MATERIAL WITH ALL RIGHTS RESERVED. COPYING EXCEPT AS
AUTHORIZED IN LICENSE AGREEMENT IS PROHIBITED.
LINDO SOLVES LINEAR, INTEGER, AND QUADRATIC PROGRAMS ENTERED
IN NATURAL FORM. THE FOLLOWING WOULD BE VALID INPUT:
MAX 2X + 3Y
ST
4X + 5Y < 9
7X + 6Y < 13
END
GO
TO LEARN THE AVAILABLE COMMANDS TYPE "COMMANDS". TO GET
HELP FOR A PARTICULAR COMMAND, TYPE "HELP name" WHERE "name"
IS THE COMMAND NAME. FOR MORE HELP ON ENTERING A
FORMULATION, TYPE "HELP MAX".
TO GET OUT OF A COMMAND WHICH IS PROMPTING FOR INPUT, TYPE
EITHER "END" OR SIMPLY A CARRIAGE RETURN. YOU WILL RETURN
TO COMMAND MODE. SEE SPECIFIC COMMANDS FOR THE EFFECT IF
ANY, ON PROCESSING DONE BY THAT COMMAND.
MAXIMUM SIZE OF INPUTS ARE:
INPUT
MAX. SIZE
--------------------------------------------------------NONZEROS
2000000
COLUMNS
300
ROWS
150
INTEGER VARIABLES
50
VAR/ROW NAME CHARACTERS
8
LARGER VERSIONS ARE AVAILABLE. PLEASE CONTACT:
LINDO SYSTEMS, INC.
P.O. BOX 148231
CHICAGO, IL 60614
EMAIL: INFO@LINDO.COM
TEL : 312-988-7422
: command
LINDO COMMANDS BY CATEGORY. FOR INFORMATION
ON A SPECIFIC COMMAND, TYPE "HELP" FOLLOWED
46
TIME
DATE
RMPS
TAKE
LEAV
3) DISPLAY
PIC TABL LOOK NONZ
RPRI DMPS PPIC LKLG
SHOC
SOLU
2) INPUT
MAX MIN
RETR
4) FILE OUTPUT
SAVE DIVE RVRT
SMPS
SDBC
FBS
RDBC
FBR
RANGE BPIC
FPUN
SMPN
5) SOLUTION
GO
PIV GLEX
6) PROBLEM EDITING
ALT EXT DEL SUB
APPC
SLB
FREE
7) QUIT
QUIT
8) INTEGER, QUADRATIC, AND PARAMETRIC PROGRAMS
INT QCP PARA POSD TITAN BIP GIN IPTOL
9) CONVERSATIONAL PARAMETERS
WIDTH TERS VERB BAT PAGE
PAUS
DEB
SET
TITL
NEWPW
47
FINS
CPRI
Max
s.t.
r1
r2
r3
r4
r5
r6
r7
r8
r9
r10
r11
r12
B
C D E
F
G
H
I
J
K
L
M
N
X1 X2 X3 X1A X2A X3A X1B X2B X3B X1C X2C X3C
5150 0
0 1000
0
0 2850
0
0 1300
0
0
10
-1
-3
-3
-3
-2
1
-1
-2
1
1
-1
1
0,5
-0,25
0,85
-0,65
1
-0,5
0,75
-0,15
-0,65
0,95
-0,5
1
3
-1
-0,5
-0,25
-1
1
1
-1
-2
-0,15
0,35
-0,05
-0,5
1
1
2
-0,05
0,5
1
1
1
1
1
1
Celdas cambiantes
Celda
$B$2
$C$2
$D$2
$E$2
$F$2
$G$2
$H$2
$I$2
$J$2
$K$2
$L$2
$M$2
Nombre
X1
X2
X3
X1A
X2A
X3A
X1B
X2B
X3B
X1C
X2C
X3C
Valor Gradiente
Igual reducido
5150
0
0
0
0
0
1000
0
0
-6
0
-8
2850
0
0
-6
0
-8
1300
0
0
0
0
0
Coeficiente
objetivo
10
7,999999798
5,999999848
-3
-3,000000288
-3,000000288
-2
-1,999999949
-1,999999949
-1
-1,000000339
-1,000000339
Aumento
permisible
1E+30
2,00000034
4,00000023
5
5,71428689
8,00000068
1E+30
5,71428668
8,00000046
1E+30
2,00000046
4,00000041
Aumento
permisible
2,00000036
1E+30
1E+30
5,71428712
1E+30
1E+30
3,33333333
1E+30
1E+30
2,00000047
1E+30
1E+30
Restricciones
Celda Nombre
$O$13 <= Valor
$O$15 <= Valor
$O$14
48
P
Valor
41500,0
=
=
=
<=
=>
<=
=>
<=
=>
<=
<=
<=
0,0
0,0
0,0
0,0
0,0
0,0
-1575,0
0,0
12,5
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
2850,0 2850,0
1300,0 1300,0
10000,0 10000,0
Valor final
41500,0
Valor final
5150
0
0
1000
0
0
2850
0
0
1300
0
0
frmula
$O$13<=$P$13
$O$15<=$P$15
$O$14>=$P$14
$O$17<=$P$17
$O$12>=$P$12
$O$10>=$P$10
$O$11<=$P$11
$O$16<=$P$16
$O$9<=$P$9
$O$8=$P$8
$O$7=$P$7
$O$6=$P$6
49
Estado
Divergencia
Obligatorio
0
Obligatorio
0
Obligatorio
0,0
Obligatorio
0
Obligatorio
0,0
Opcional
12,5
Obligatorio
0
Obligatorio
0
Opcional
1575
Opcional
0
Opcional
0
Opcional
0
Comienzo
Fijar
Fijar
Calcular Pi
Calcular
Error, e
si
1ra Iter
no
|e|<=Tol
si
Solucin
no
Fin
Proyectar
Fig. A.3 Diagrama de flujo, mtodo iterativo proyeccin Lambda
50