Scientia et Technica Ao XIV, No 39, Septiembre de 2008. Universidad Tecnolgica de Pereira.

ISSN 0122-1701 72

IDENTIFICACIN DE ERRORES EN LA ESTIMACIN DE ESTADO EN SISTEMAS ELCTRICOS

USANDO PARTICULAS SWARM

Error identification in power system state estimation using Particule Swarm

RESUMEN HUGO ANDRS RUIZ F.

En este artculo se utiliza la tcnica de optimizacin Particule Swarm con el fin Ingeniero Electricista
de resolver el problema de estimacin de estado cuando este presenta errores de Profesor Catedrtico
difcil deteccin. Es propuesto un algoritmo que combina la estimacin clsica Facultad de Ingenieras
con la teora de puntos de apalancamiento y resuelto usando un mtodo de Universidad Tecnolgica de Pereira
optimizacin combinatorial denominado Particule Swarm. Los resultados hugor@ohm.utp.edu.co
reportados presentan un mejor desempeo al ser comparados con los obtenidos
por un estimador de estado tradicional y de igual calidad a los reportados con ELIANA MIRLEDY TORO O.
mtodos de optimizacin combinatorial tales como Bsqueda Tab y Chu- Ingeniera Industrial, Ms.C.
Beasley. Profesor Asistente
Facultad de Ingeniera Industrial
PALABRAS CLAVES: Estimacin de estado, deteccin de errores iterativos Universidad Tecnolgica de Pereira
y conformativos, optimizacin combinatorial, Particule Swarm. elianam@utp.edu.co

ABSTRACT RAMN ALFONSO GALLEGO R.

In this paper a Particle Swarm optimization technique is used in order to solve Ingeniero Electricista, Ph..D.
the state estimation problem when a multiple interacting bad data appear in the Profesor Titular
classical formulation of the state estimation problem. The methodology used, Programa de Ingeniera Elctrica
propose an algorithm that combines the classical estimation with the leverage Universidad Tecnolgica de Pereira
points theory and solved by using the Particle Swarm optimization technique. ragr@utp.edu.co
Results obtained presents better performance when they are compared with the
obtained using a classical state estimator, and the same when optimization
techniques like Tabu Search and Chu-Beasly are used.

KEYWORDS: State estimation, interacting and conforming bad data

identification, combinatorial optimization, Particule Swarm.

obvias. Sin embargo, existen mediciones que logran

1. INTRODUCCIN
La estimacin de estado es una herramienta de vital
importancia en los centros de control de energa (CCE)
para el anlisis de los sistemas elctricos en tiempo real.
Su aplicacin tambin se extiende a una serie de
problemas entre los que se encuentran la deteccin de
fuentes armnicas y la identificacin de medidas erradas
en sistemas de distribucin, entre otras.
El estimador de estado en los CCE tiene por objetivo
determinar el estado correcto de la operacin del sistema
que permita garantizar una operacin segura de la red.
Para cumplir con este propsito se cuenta con
informacin relacionada de los componentes del sistema,
disponible en la base de datos y por la informacin
suministrada por el sistema de supervisin y adquisicin
de datos (SCADA). Dado que las mediciones contienen
imprecisiones propias de la lectura de los medidores, los
CCE realizan un chequeo previo sobre las medidas con el
objeto de descartar aquellas que presentan inconsistencias
Fecha de Recepcin: junio 4 de 2008
Fecha de Aceptacin: 22 de julio de 2008
evitar este filtro, las cuales deben ser identificadas por el
estimador de estado para una posterior eliminacin.
Existen tipos de errores de difcil deteccin por parte de
la metodologa clsica de estimacin de estado y durante
el proceso de eliminacin de estos, podran ser excluidas
mediciones que no presentan error. La eliminacin de
mediciones correctas ocasiona deterioro en la calidad de
la estimacin al disminuir el nivel de redundancia en los
datos. Entre estos podran ser eliminadas mediciones
claves, y el sistema presentara problemas de
observabilidad [1]. En la literatura especializada estos
errores se clasifican como errores iterativos y
conformativos, temtica que ha sido tratada por
diferentes investigadores [2][3][4]. Una de las propuestas
de identificacin de este tipo de errores es a travs de
algoritmos de optimizacin combinatorial, como
Bsqueda Tab [1][5] y Chu-Beasley [6], y mtodos de
optimizacin exacta como Branch and Bound [7], los
cuales trabajan en forma coordinada con la metodologa
clsica de estimacin de estado.
 73 Scientia et Technica Ao XIV, No 39, Septiembre de 2008. Universidad Tecnolgica de Pereira.

En este artculo se trata el problema de estimacin de en series de Taylor y linealizando alrededor de un punto
estado con presencia de errores de tipo iterativo y de operacin, se obtiene la siguiente expresin:
conformativo y se soluciona empleando la tcnica
Particule Swarm Optimization (PSO). Con el fin de x ( k +1) x ( k ) = (G ( k ) )( 1) ( H ( k ) )(t ) R ( 1) e( k ) (3)
verificar la metodologa de solucin propuesta se utiliza
el sistema de prueba el sistema IEEE de 14 nodos
obteniendo resultados de excelente calidad. A travs de esta ecuacin son actualizadas las variables
de estado del sistema durante un proceso iterativo.
2. PROBLEMA DE ESTIMACIN DE ESTADO
2.1 DETECCIN E IDENTIFICACIN DE DATOS
En la prctica es habitual la presencia de errores en las ERRNEOS
mediciones que llegan a un CCE. Generalmente, su
origen corresponde a problemas en la calibracin de los Una vez se han determinado las variables de estado del
medidores o defectos en su funcionamiento. No obstante, sistema, estos valores se someten a un proceso de validez
existen otros tipos de errores ms crticos que aparecen estadstica para detectar la presencia de datos anormales,
con el fin de identificar y eliminar del conjunto de
en el proceso de estimacin, como lo son, aquellos de
tipo iterativo y conformativo, los cuales se caracterizan mediciones la informacin errnea.
por su difcil deteccin al emplear la metodologa clsica
Para detectar la presencia de errores en los valores
de estimacin de estado, debido a que sus residuos
normalizados poseen un valor pequeo, mientras que estimados se aplica la prueba denominada chi-cuadrado:
mediciones vecinas sin presencia de error resultan con
valores residuales elevados, impidiendo de esta manera J ( x ) k2, (4)
una correcta identificacin.
Esta expresin indica que para tener unos resultados
Para verificar las variables de estado de un sistema confiables la suma de los errores ponderados no debe
elctrico en tiempo real, los CCE cuentan con una superar el valor de la prueba chi-cuadrado, con k grados
herramienta matemtica denomina estimador de estado, de libertad y nivel de confianza .
que permite a travs de informacin suministrada por
equipos de medida, establecer un juicio a priori sobre el
Si no se cumple la expresin (4) es necesario emplear
comportamiento del sistema y brinda una medida
otro procedimiento estadstico para saber con certeza cul
cuantitativa sobre la calidad de los valores estimados
es la medicin alterada. Esta prueba se conoce con el
antes de realizar una evaluacin de seguridad o se tomen
nombre de t-student y consiste en obtener el mximo
algunas acciones de control.
valor correspondiente a los residuos normalizados de las
mediciones y compararlo con el valor de la distribucin t-
En su modelamiento matemtico, los errores de las
student con k grados de libertad y nivel de confianza :
mediciones se asumen independientes y hacen parte de
una distribucin de probabilidad normal con media cero y
varianza . El error de una medicin puede expresarse
2 max rN tk , (5)
como la diferencia entre su valor real y su valor
calculado, de la siguiente forma: En caso de tener mltiples errores simultneos, las
pruebas se realizan sobre una medicin a la vez y
ei = zi hi ( x ) (1) contina hasta eliminarlas por completo.

2.2 MTODOS DE SOLUCIN PARA

siendo h ( x ) un vector de funciones no lineales que IDENTIFICAR ERRORES DE DIFCIL
DETECCIN
relacionan las mediciones con las variables de estado del
sistema.
Las mediciones con presencia de errores y residuos
normalizados pequeos se caracterizan por su difcil
Para cuantificar el error presente en la estimacin se tiene
deteccin al emplear las pruebas estadsticas del
en cuenta la funcin de mnimos cuadrados ponderados:
estimador de estado clsico. Existen metodologas
estadsticas que permiten identificar este tipo de
(z hi ( x ) )
2
nm mediciones errneas, modificando la estructura de la
J ( x) =
i
(2) matriz Jacobiana fundamentando su anlisis en la
i =1 i2 identificacin de mediciones que se encuentran afectadas
Para minimizar (2) se calcula el gradiente y se iguala a significativamente por otra medicin especfica. No
cero. ( J ( x ) x = 0 ). Finalmente usando expansin obstante, estas metodologas tienen la dificultad de
realizar procedimientos exhaustivos debido a que se

____________________________
1. Las notas de pie de pgina debern estar en la pgina donde se citan. Letra Times New Roman de 8 puntos
Scientia et Technica Ao XIV, No 39, Septiembre de 2008. Universidad Tecnolgica de Pereira
analiza cada medicin por separado [8]. Al ser aplicada
en sistemas de potencia de gran tamao y de alto nivel de
redundancia, su ejecucin toma un tiempo considerable.
2.3 MODELO MATEMTICO
La funcin objetivo o funcin de evaluacin proporciona
informacin acerca de la calidad de la configuracin que
ha sido propuesta. Esta informacin permite establecer
una comparacin entre configuraciones. La funcin
objetivo utilizada para esta aplicacin est representada
por la siguiente ecuacin:
fobj(x)=nbad + max {0;f(x)
} (6)
nbad Nmero de mediciones consideradas errneas.
Suma ponderada de los errores al cuadrado.
f(x)
Valor suministrado por la prueba chi-cuadrada.
Factor de penalizacin.
En la formulacin (6) se penaliza la funcin objetivo en
caso de que la restriccin representada por el ndice
sea violada, es decir, si la configuracin indica
f(x)
presencia de errores grandes.
3. MTODO DE SOLUCIN
A principios del siglo XX se da inicio a estudios del
comportamiento social de los individuos tratando de
entender la influencia que presentaban sobre los dems
integrantes de un grupo. Las investigaciones realizadas
por Reynolds sobre las aves [9], simulando su
comportamiento individual y colectivo dieron origen a la
tcnica combinatorial denominada PSO. Basados en estos
conceptos Kennedy y Eberhart en 1995 presentaron la
formulacin matemtica del modelo PSO [10].
El mtodo PSO es una metaheurstica perteneciente al
grupo de los algoritmos evolutivos y su estrategia se
fundamenta en el comportamiento social de los animales
tales como las bandadas de aves, bancos de peces o
enjambres de abejas, los cuales actan como si fueran un
solo individuo. En estos grupos de animales se establecen
relaciones entre los individuos, se crean jerarquas
dependiendo de las caractersticas de los mismos,
existiendo un lder grupal reconocido y seguido por los
dems miembros del grupo. El papel de lder puede
cambiar si existe otro individuo con mejores
caractersticas que el lder existente. Cuando el grupo se
organiza para realizar una tarea, el lder gua a los dems
individuos hacia una regin promisoria, sin embargo, los
dems miembros del grupo durante su recorrido pueden
inferir sobre una nueva direccin con el objetivo de tener
un mejor xito en la misin.
74
Esta tcnica presenta cierta similitud con los algoritmos
genticos, ya que el proceso incluye una poblacin,
realizando una bsqueda ptima a travs de
actualizaciones de esta. A pesar de no poseer operadores
de recombinacin y mutacin, cuenta con otros
operadores que permiten trasladarse a travs del espacio
de solucin y de esta manera detectar soluciones de muy
alta calidad, con la posibilidad que una de ellas
corresponda al ptimo global del problema.
En PSO la exploracin del espacio de solucin se realiza
a travs de una poblacin de individuos conocidos como
partculas, donde cada uno de ellas representa una posible
solucin del problema. La ubicacin de cada partcula
sobre la regin de bsqueda est determinada mediante
su posicin, la cual, representa el valor que toman las
variables de decisin del problema.
Cada partcula cambia de posicin de acuerdo a su
velocidad teniendo en cuenta la mejor solucin
encontrada por sta a lo largo del proceso (pbest) y a la
informacin del lder del cmulo (gbest). El operador
pbest (individual best) compara la posicin actual de una
partcula con la mejor posicin que ha presentado durante
el proceso de bsqueda. Mientras que el operador gbest
(global best) estudia el comportamiento del grupo,
almacenando la posicin del lder actual del cmulo.
3.1 POBLACIN INICIAL
Las tcnicas heursticas dependiendo de la complejidad
matemtica del problema generan la poblacin inicial de
forma aleatoria o utilizando mtodos constructivos
basados en factores de sensibilidad cuya finalidad
consiste en iniciar la bsqueda en una regin atractiva
con el fin de disminuir tiempo y esfuerzo computacional.
El caso de estudio presentado en este artculo inicia con
un conjunto de partculas generadas de forma aleatoria
alcanzando el ptimo del problema. Sin embargo, en la
medida que se estudian sistemas grandes y de alta
complejidad matemtica cobra fuerza el uso de poblacin
inicial generada con base en mtodos constructivos.
Una poblacin est constituida por k partculas y cada
una de estas en el estado i representa una alternativa de
solucin, la cual es interpretada en el problema a travs
de la posicin de la partcula. Cada partcula se
representa mediante un vector cuyas posiciones indican
los valores de las variables del problema (Ver figura 1) y
simbolizan un punto dentro del espacio de solucin.
Inicialmente se generan n partculas con valores
aleatorios dentro del rango de las variables y a travs de
la funcin objetivo se determina la calidad de la
solucin.
xi = xi1 xi 2 L xin
Figura 1. Posicin de la i-sima partcula
 75
3.2 SELECCIN DEL LDER
En PSO durante cada iteracin se debe seleccionar el
lder del grupo comparando los valores de la funcin
objetivo de cada partcula con la funcin objetivo del
lder, siendo ste ltimo aquella partcula que posee el
mejor valor (incumbente global). Durante el proceso de
optimizacin, cada vez que una partcula mejore el valor
de su funcin objetivo, se debe actualizar el valor de su
mejor ubicacin local Pbest y cada vez que exista un
cambio de lder, se debe actualizar el valor de la mejor
ubicacin global Gbest.
3.3 FUNCIN DE VELOCIDAD
La velocidad permite actualizar la posicin de cada
partcula. El vector de velocidad representa el gradiente
de cada individuo dentro del cmulo, es decir, gua a las
partculas durante el proceso de bsqueda. Al igual que
la posicin, la velocidad se representa a travs de un
vector cuyas dimensiones deben ser iguales (Ver figura
2). La velocidad contiene informacin de la experiencia
local y colectiva del grupo. Para calcular la velocidad de
cada partcula se usa la siguiente expresin:
vi ( t + 1) = w vi 1 ( t ) + c1 rand ( Pbest xi ( t ) )
+ c2 Rand ( Gbest xi ( t ) )
vi = vi1 vi 2 L vin
Figura 2. Velocidad de la i-sima partcula
Donde:
Velocidad actual ( vi 1 ) : Direccin de vuelo que presenta
una partcula. Al inicio del proceso las partculas parten
del reposo.
Factor de inercia ( w ) : Factor de ponderacin que acta
sobre la velocidad actual de la partcula. Un valor
elevado puede ocasionar una bsqueda muy exhaustiva
mientras que un valor demasiado pequeo conlleva a que
la exploracin se realice de manera fugaz.
Constantes de aceleracin c1 y c2 : Valores que
direccionan a las partculas hacia su mejor ubicacin
local o global respectivamente. La adecuada calibracin
de estos valores permite que la poblacin no se
homogenice durante el proceso.
Rand y rand : Valores aleatorios pertenecientes a una
distribucin de probabilidad uniforme.
3.4 ACTUALIZACIN DE LA POSICIN
____________________________
1. Las notas de pie de pgina debern estar en la pgina donde se citan. Letra Times New Roman de 8 puntos
Scientia et Technica Ao XIV, No 39, Septiembre de 2008. Universidad Tecnolgica de Pereira.
Para determinar la nueva posicin de las partculas se
aplica la siguiente ecuacin:
xi ( t + 1) = xi ( t ) + vi ( t + 1) (8)
Como la posicin actualizada de las partculas debe
satisfacer las restricciones de las variables del problema,
es necesario definir un rango de valores para las
velocidades evitando de esta manera sobrepasar el lmite
impuesto.
xk +1
VMOD
Vk
VGBEST VGBEST
VMOD
VPBEST
xk
*
Figura 3. Esquema de la nueva posicin de la partcula
(7)
3.5 CODIFICACIN
Las variables de un problema de optimizacin pueden ser
representadas a travs de valores enteros, reales o
binarios. Dado que en estimacin de estado inicialmente
se cuenta con un conjunto de mediciones, donde algunas
de ellas en determinado momento pueden ser o no
incluidas en el proceso, se utiliza una codificacin de tipo
binario. Por tanto, los posibles estados de una medicin i
se definen por una variable que toma los siguientes
valores:
di = 0, si la i sima medida es incorrecta.
di = 1, si la i sima medida es correcta.
Teniendo en cuenta lo anterior, una alternativa de
solucin dada por una partcula dentro del cmulo se
representa de la siguiente forma:
1 2 3 4 L n
dk = 0 1 1 1 L 0
Figura 4. Codificacin del problema
Dado que el tipo de codificacin implementado para la
metodologa propuesta en este artculo posee una
representacin binaria ser adoptado el algoritmo bsico
PSO teniendo en cuenta este tipo de codificacin.
Scientia et Technica Ao XIV, No 39, Septiembre de 2008. Universidad Tecnolgica de Pereira 76

En la versin binaria, al igual que en la versin continua, Hasta cumplir un nmero mximo de
la posicin de una partcula es actualizada a travs del iteraciones.
operador de velocidad (8), el cual es representado con
valores continuos y para este caso se hace necesario Siendo la ltima opcin la considerada en este artculo.
implementar una funcin de activacin que permita 3.7 DESCRIPCIN DEL ALGORITMO
transformar estos valores a nmeros binarios. La funcin
que se emplea para este propsito se conoce como El procedimiento empleado por el algoritmo PSO es
funcin sigmoidal (habitualmente utilizada en redes presentado en el siguiente diagrama:
neuronales) cuyo rango de valores se encuentra en el
intervalo [ 0,1] (ver figura 5). Inicio
t =1
1
sig ( vi ) = (9)
1 + exp ( vi ) Generar la poblacin
inicial

Funcin sigmoidal
1.5
Seleccionar el lder
del cmulo

1
S No
t=1
0.5

Si F ( xi (t ) ) < F ( Pbest i )
Pbesti = xi
Pbest i = x i (t )
0 Gbest = max ( Pbest i )

Si F ( xi ( t ) ) < F ( Gbest )
-0.5
-8 -6 -4 -2 0 2 4 6 8 Gbest = xi (t )

Figura 5. Grfica de la funcin sigmoidal

Calcular la velocidad v i (t )
La posicin de la partcula asumir un valor binario (0 Normalizar sig (vi (t ) )
1). Dicha posicin es actualizada teniendo en cuenta los Comparar con el umbral
valores de velocidad, los cuales son calculadas usando la Actualizar xi (t )
ecuacin (9). El valor obtenido es comparado con el t = t +1

umbral , el cual puede tomar valores entre [ 0,1] . El

rango tpico sugerido es [ 0.5 0.7] . El procedimiento
seguido para la actualizacin de la posicin es el
siguiente:
si < sig ( vi1 ) ,
en caso contrario,
El procedimiento anterior se constituye en una
adecuacin para el clculo de la posicin de las partculas
para la versin binaria de PSO.
3.6 CRITERIO DE PARADA
Los algoritmos de optimizacin precisan de un criterio
que les permita decidir cuando finalizar la exploracin
del espacio de solucin. Entre los criterios de parada ms
empleados en dichos algoritmos se encuentran:
S No
Cumple criterio
de parada?
Finalizar
Figura 6. Diagrama de bloques del algoritmo PSO
xi1 = 1 4 RESULTADOS
(10)
xi1 = 0
El sistema de prueba considerado cuenta con 14 nodos,
20 lneas y 58 mediciones, de las cuales 6 fueron
alteradas a propsito, debido a que despus de realizar
mltiples casos de estimacin se encontr que estas
mediciones son difciles de detectar por la metodologa
clsica, y presentan errores de tipo iterativo y
conformativo. Los datos del sistema y las mediciones
alteradas se muestran en [7].
Al correr el estimador de estado convencional con la
informacin anterior son detectadas como errneas las
siguientes mediciones:

Si durante un nmero de iteraciones no se ha

mejorado la incumbente, se escoge esta solucin
y se da por finalizado el proceso.
 77 Scientia et Technica Ao XIV, No 39, Septiembre de 2008. Universidad Tecnolgica de Pereira.

z32 = Q**
3 4
z43 = P14**9 z34 = Q25
La metodologa propuesta presenta un mejor desempeo
z3 = Q43 z5 = P 3
**
z33 = P25 en comparacin con los mtodos estadsticos de la
z12 = Q7** z50 = V6** z47 = V3** estimacin clsica y resultados similares a los obtenidos
con las tcnicas de optimizacin combinatorial Bsqueda
Tabla 1. Mediciones detectadas por el estimador clsico Tab y Chu-Beasley.
Los resultados que se obtienen al aplicar de forma
En la tabla anterior las mediciones marcadas con (**) combinada el mtodo clsico de estimacin de estado con
contienen errores de tipo iterativo y conformativo, el la tcnica de optimizacin PSO muestran efectividad en
resto de medidas no contienen errores. Se aprecia cmo la identificacin de errores de tipo iterativo y
la metodologa clsica elimina del proceso tanto conformativo.
mediciones alteradas como mediciones correctas. Cuando se analizan sistemas de gran tamao y alta
complejidad matemtica los mtodos estadsticos clsicos
Al implementar el caso de prueba con la metodologa presentan mayor dificultad para una correcta
propuesta son identificadas efectivamente las medidas identificacin de este tipo de error y un tiempo
erradas, z12 = Q7 , z18 = Q11 , z32 = Q3 4 , computacional elevado. Al aplicar esta tcnicas
z43 = P14 9 , z47 = V3 , z50 = V6 . las cuales coinciden combinatoriales en sistemas complejos se espera una
buena identificacin y tiempos de cmputo razonables.
con las mediciones alteradas inicialmente.
6 BIBLIOGRAFA
Los parmetros del algoritmo PSO empleados en la
simulacin se muestran en la tabla 2. [1] N. G. Bretas. Network observability: Theory and
algorithms based on triangular factorization and path
Nmero de partculas 10 graph concepts. IEE Proceedings: Generation,
Velocidad inicial 0 Transmission, and Distribution, vol. 143, pp. 123-128,
Factor de inercia ( w ) 0.2 Jan 1996.
[2] E. Asada, A. Garca, R. Romero. Identifying multiple
Cte de aceleracin ( c1 ) 5
interacting bad data in power system state estimation.
Cte de aceleracin ( c2 ) 0 .1 IEEE Power Engineering Society General Meeting, vol.
Valor umbral 0.7 1, pp. 571-577 Jun 2005.
Mximo de iteraciones 80 [3] E. Handschin, F. Schweppe, J. Kohlas, A. Fiechter.
Bad data analysis for power system state estimation.
Tabla 2. Parmetros del algoritmo PSO IEEE Transactions on Power Apparatus and Systems,
1200 vol. 94, pp. 329-337 Mar 1975.
[4] A. Monticelli. State estimation in electric power
1000 systems A generalized Approach. Kluwer Academic
Publishers. pp. 227-265 1999.
800 [5] H. Ruiz, E. Toro, M. Granada. Identificacin de
Funcin objetivo

errores grandes en la estimacin de estado usando

600 Bsqueda Tab. Scientia et Technica No 34. pp. 355-360
Universidad Tecnolgica de Pereira, May 2007.
400
[6] Ruiz, H.; Toro, E.; Salazar, H. Algoritmo gentico
modificado Chu-Beasley aplicado a la identificacin de
200
errores en la estimacin de estado de sistemas elctricos.
Scientia et Tcnica No 37. pp. 25-30 Universidad
0
Tecnolgica de Pereira, Ago 2007.
0 5 10 15 20 25 30 35 40 45 50
Iteraciones
[7] A. Monticelli, F. Wu, M. Yen. Multiple bad data
identification for state estimation by combinatorial
Figura 7. Evolucin de una partcula dentro del proceso optimization. IEEE Transactions on Power Apparatus
and Systems, vol 1, pp -361-369 1 Jul 1986.
En el grfico anterior se puede apreciar el recorrido [8] J.B.A. London, N. G. Bretas. Undetectable errors in
realizado por una partcula a lo largo del proceso. power system measurement. Anais do IX Simpsio de
Adems se puede apreciar como la partcula durante el Especialistas em Planejamento da Operaao e Expansao
proceso presenta altibajos el valor de su funcin objetivo. Elctrica. Rio de Janeiro, May 2004.
Lo anterior se explica debido a que durante el proceso se [9] Reynolds, W. Flocks, herds and schools: A
presenta cambio de lder efectuando cambios de posicin distributed behavioral model. Computer graphics. 1987.
en la partcula. [10] Kennedy and Eberhart, editors. Particle swarm
optimization, vol 4. 1995.
5 CONCLUSIONES Y RECOMENDACIONES

____________________________
1. Las notas de pie de pgina debern estar en la pgina donde se citan. Letra Times New Roman de 8 puntos