THE 8

th
LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 1
Programacin ptima de la Operacin
de Corto Plazo en Sistemas Trmicos
Incluyendo la Red de Transmisin
M. Arias, C. Cabrera, A. Vargas, R. Prada, O. Saavedra

Resumen-- En este trabajo se propone una metodologa para
determinar la programacin de la operacin de corto plazo
(POCP) de sistemas elctricos con generacin trmica pura,
tomando en cuenta las restricciones de operacin de los
generadores y la red de transmisin. El problema consiste en
realizar una seleccin ptima de las unidades o unit commitment
(UC), y determinar el despacho econmico (DE), en cada periodo
horario. Para obtener la solucin se propone una descomposicin
en dos etapas, usando Algoritmos Genticos (AG) y Flujo de
Potencia ptimo (FPO) con modelacin detallada de la red
elctrica, principal aporte de este trabajo. Los AG se aplican
para resolver el UC, determinando el encendido/apagado de las
unidades de generacin de forma que se respeten las restricciones
inter-temporales. La potencia a generar con cada unidad y los
costos, se determinan aplicando FPO. Se muestran resultados de
simulacin con un sistema de 6 barras y con el sistema IEEE de
118 barras.

Palabras Claves -- algoritmos genticos, despacho econmico,
flujo de potencia ptimo, programacin de la operacin, sistemas
trmicos, unit commitment.
I. INTRODUCCIN
a gran variabilidad de la demanda diaria de un sistema
elctrico, y la imposibilidad de almacenar grandes
cantidades de energa elctrica para compensar estos cambios
en tiempo real, obligan a programar el acoplamiento
(encendido/apagado) de las unidades de generacin, as como
los niveles de generacin de cada unidad, para cumplir con las
previsiones de la demanda de corto plazo, tpicamente
discretizada en periodos horarios. El programa de operacin
de unidades debe minimizar el costo de operacin del sistema
y satisfacer, simultneamente, los requerimientos diarios de la
demanda, la reserva en giro, las restricciones tcnicas y de
operacin de cada unidad, y las restricciones de capacidad y
de calidad de servicio asociadas a la red de transmisin.

Este trabajo fue desarrollado con el apoyo de DICYT-USACH y del
proyecto CNPQ/PROSUL 490564/2007-0.
M. Arias y C. Cabrera, en Departamento de Ingeniera Elctrica,
Universidad de Santiago de Chile, Chile. (miguel.arias@usach.cl;
ccabrerausach@gmail.com) .
A. Vargas, en Instituto de Energa Elctrica, Universidad Nacional de San
J uan, Argentina. (avargas@iee.unsj.edu.ar) .
R. Prada, en Departamento de Engenhara Eltrica, Universidade Catlica
de Rio de J aneiro, Brasil. ( prada@ele.puc-rio.br ) .
O. Saavedra, en Departamento de Engenharia Eltrica, Universidade
Federal de Maranho (e-mail: o.saavedra@ieee.org ).
Si bien se trata de un problema que ha sido abordado con
distintos alcances y por distintos caminos, en la prctica y a lo
menos a nivel latinoamericano, los modelos utilizados
presentan importante dficit.
En la literatura especializada se encuentran propuestas que
utilizan diferentes mtodos de optimizacin. Mtodos
tradicionales, tales como: enumeracin exhaustiva, lista de
mrito, programacin dinmica, programacin lineal y entera,
relajacin lagrangeana y mtodos de punto interior [1], [2],
adems del mtodo de Benders [3], [4], permiten obtener en
general soluciones sub-ptimas del problema. Sin embargo,
como una pequea mejora en el programa de operacin puede
significar ahorro de millones de dlares anuales, se justifican
los esfuerzos por acercase cada vez ms al ptimo global.
Investigaciones recientes para resolver este problema con
mtodos de optimizacin no tradicionales, incluyen
aplicaciones de Simulated Annealing, Sistemas Expertos,
Redes Neuronales, Colonias de Hormigas, y Algoritmos
Genticos (AG).
Los AG pertenecen a la familia de los algoritmos evolutivos,
inspirados en la naturaleza y en la evolucin de los seres
vivos. Por ser algoritmos combinatorios y discretos, la
aplicacin al problema de POCP es directa, y funciona bien
cuando no se consideran restricciones. En problemas con
restricciones se pueden usar factores de penalizacin, pero
estos pueden afectar el proceso de convergencia porque se
visitan soluciones no-factibles.
Los AG han sido empleados para determinar el programa de
operacin de unidades, usando diferentes mtodos de
representacin, decodificacin y evaluacin [5], [6] y [7]. Sin
embargo, los enfoques utilizados no han considerado la red de
transmisin, importante por su impacto sobre las prdidas, la
congestin y la calidad de voltaje.
En este trabajo se propone una modelacin, una
metodologa y un algoritmo para solucin del problema de
operacin de corto plazo de sistemas trmicos puros,
incluyendo la red de transmisin. La metodologa de solucin
se basa en descomponer el problema en dos etapas que
interactan entre s. Primero se resuelve el problema no-
convexo del UC, donde se emplean variables discretas
considerando principalmente las restricciones inter-
temporales. Para identificar buenas combinaciones del
despacho de unidades de generacin se emplea un modelo
basado en AG, tomando en cuenta los tiempos mnimos de
L
THE 8
th
LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 2
funcionamiento/parada, costos de arranque y reserva en giro.
Para evitar la creacin de soluciones no-factibles se usan
operadores genticos expertos y una rutina de reparacin
inteligente. A continuacin, para obtener la solucin ptima y
determinar las variables continuas, se aplica FPO para resolver
el problema no lineal del DE considerando explcitamente la
red de transmisin, en forma detallada. Se incluyen ejemplos
de aplicacin para ilustrar la efectividad de la metodologa.
II. FORMULACIN DEL PROBLEMA
La POCP de sistemas trmicos se puede formular como un
problema de optimizacin para minimizar los costos de
generacin y de arranque, junto con determinar las variables
de operacin, durante un horizonte de planificacin diario o
semanal, de la siguiente manera:
Funcin objetivo:
Minimizar los costos de generacin y arranque, y determinar
las variables de operacin (CT) de los generadores, dados por:
( )
2
1 ( , ) 2 ( , ) 3 ,
1 1
,
1
G
OFF
i
i G i t i G i t i i t
N T
T
t i
i i
C P C P C v
CT
CC e CF y

= =

+ +

=
+

i t
+

(1)
Restricciones:
A. Balance de potencias en cada hora t:
Equilibrio de potencias activa y reactiva en barras:
( )
i
L
cos 0
i
G i j ij i j
P P V V Y + =
ij
(2)
( )
i
L
0
i
G i j ij i j
Q Q V V y sen +
ij
= (3)
B. Lmites, mnimo y mximo, en unidades de generacin:
(4)
, ,
, .....
MIN MAX
i t Gi Gi Gi i t G
v P P P v i 1 N =
(5)
, ,
, ....
MIN MAX
i t Gi Gi Gi i t G
v Q Q Q v i 1. N =
C. Regulacin de tensin y capacidad de transmisin:
, .....
MIN MAX
Gi Gi Gi B
V V V i 1 = N (6)
, .....
MAX
ij ij TL
f MVA f MVA i 1 N = (7)
D. Reserva en giro en hora t:
,
1
G
N
MAX
Gi i t t Per t
i
P v D P R
=
+ +

(8)
E. Tiempos mnimos de funcionamiento y parada de
generadores:
(9) , .....
ON
ij i G
T MTF i 1 N =
(10) , .....
OFF
ij i G
T MTP i 1 N =
Donde:
CT: Costo total de operacin para el perodo de planificacin.
N
G
: Nmero total de generadores del sistema.
N
B
: Nmero total de barras del sistema.
N
TL
: Nmero total de tramos de lnea del sistema.
T: Periodo de planificacin.
C
1i,
C
2i
y C
3i
: Coeficientes costos de produccin generador i.
P
Gi
: Potencia activa generada por el generador i.
Q
Gi
: Potencia reactiva generada por el generador i.
v
i,t
: Variable binaria que representa el estado de operacin,
on (1) / off (0), de la unidad i en la hora t.
y
i,t
: Variable binaria que representa la partida (1) / parada
(0), de la unidad i en la hora t.

CC
i
: Costo de partida en fro de la unidad i.
CFi: Costo fijo de la unidad i.
i
: Tiempo crtico de enfriamiento de la unidad i.
PLi, QLi: Demanda de potencia activa y reactiva en barra i.
ij ij ij
Y Y = : Elemento ij de la matriz admitancia de barras.
P
Per
: Prdidas de la red de transporte.
i
V : Magnitud de la tensin en la barra i.
i
: ngulo de la tensin en la barra i.
ij
f MVA
MAX
: Flujo de potencia aparente desde barra i a barra j
ij
f MVA
: Capacidad mx. de transmisin entre barras i y j.
D
t
: Demanda en la hora t.
R
t
: Reserva en la hora t.
MTFi: Tiempo mnimo de funcionamiento de la unidad i.
MTPi: Tiempo mnimo de parada de la unidad i.
ON
ij
T : Tiempo acumulado de funcionamiento de la unidad i en
la hora t.
OFF
ij
T : Tiempo acumulado de parada de la unidad i en hora t.
III. MODELACIN Y METODOLOGA DE SOLUCIN CON AG.
A. Representacin de una solucin
Debido al nmero de unidades de generacin existentes en un
sistema elctrico real, y a la necesidad de considerar al menos
24 periodos para la POCP de un da, el modelo para
representar una solucin mediante cadenas de codificacin
puede resultar muy largo, complicando el almacenamiento y
manipulacin de las soluciones con AG.
Una alternativa, empleada en este trabajo, consiste en
representar una solucin factible (o individuo del AG)
utilizando una matriz de N
G
unidades con T horas. Como
se ilustra en Fig. 1, cada elemento de la matriz define el estado
de operacin de un generador (1=conectado;
0=desconectado), en un intervalo especfico del periodo de
programacin.


1 1 1 1 0 0 0 1 0 1 0 1
1 1 0 1 0 0 1 0 1 1 0 0
0 1 1 1 1 0 0 0 1 0 1 0
0 0 0 1 1 1 1 1 0 1 0 1
1 0 1 0 0 1 0 0 1 1 0 1
1 0 0 0 0 1 1 0 1 0 1 1
0 1 1 0 1 0 0 1 0 1 0 0
G
e
n
e
r
a
d
o
r
e
s
0 1 0 0 1 0 1 0 1 1 0 0
Intervalos del periodo de programacin
Fig. 1. Representacin de una solucin.
THE 8
th
LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 3
Un conjunto de soluciones posibles (poblacin) se representa
mediante una hper-matriz, como se ilustra en Fig. 2.

1 1 1 1 0 0 0 1 0 1 0 1
0 1 1 0 1 0 0 1 0 1 1 0 0
1 1 0 1 1 1 1 0 0 0 1 1 1 0
1 0 1 0 0 0 1 1 1 1 1 0 1 0 1
1 0 1 1 0 1 0 0 1 0 0 1 1 0 1
1 0 0 1 0 0 0 0 1 1 0 1 0 1 1
1 1 0 0 1 1 0 1 0 0 1 0 1 0 0
0 1 1 0 1 0 0 1 0 1 0 1 1 0 0
0 1 1 0 0 1 1 0 0 1 1 0
0
1
0 1 1 1 1 0 0 0 1 1 0 0 1

G
e
n
e
r
a
d
o
r
e
s
1 0 0 1 0 0 1 0 0 1 0 0
Intervalos del periodo de
programacin

Fig. 2. Representacin de un conjunto de soluciones.

B. Estrategia de Descomposicin.
La POCP constituye un problema matemtico no-lineal, no-
convexo, de elevada dimensionalidad, y su solucin directa en
sistemas de tamao real puede resultar impracticable. Para
evaluar la calidad de las soluciones, en este trabajo se ha
aplicado descomposicin en dos etapas, asignacin de
unidades y despacho econmico, que constituyen un modelo
hbrido de optimizacin heurstica y matemtica para resolver
el problema original, en un esquema de optimizacin anidado
y recursivo, como se ilustra en Fig. 3.

















Fig. 3. Metodologa de solucin basada en descomposicin.

La interaccin entre las etapas es la siguiente: En la etapa 1, se
genera un conjunto de soluciones factibles del UC,
considerando solo las restricciones inter-temporales (9) y (10),
y de reserva en giro (8). En la etapa 2 se determina el costo
variable de operacin de cada solucin factible del UC
generado en la etapa 1, considerando ahora el balance de
potencias en la red de transmisin (2)-(3), y los lmites
operacionales dados por las restricciones (4) a (8). Para esta
finalidad se aplica FPO en cada intervalo de tiempo del
periodo de programacin. La valorizacin del UC finaliza
adicionando el costo de partida al costo variable de cada
solucin. La informacin resultante de esta evaluacin se
devuelve a la etapa 1, donde es utilizada para orientar los
procesos de evolucin del AG hacia una nueva poblacin,
generando individuos de mejor calidad.
C. Procedimiento de solucin.
En la etapa 1 se genera inicialmente una poblacin aleatoria,
verificando el cumplimiento de tiempos mnimos de
funcionamiento/parada (filas de la matriz) y el equilibrio entre
potencia generada y consumo ms reserva en giro (columnas
de la matriz). Las generaciones posteriores se crean a travs de
los operadores genticos. Si alguna solucin resulta no-
factible, se aplica un operador de reparacin para corregir el
incumplimiento de reserva en giro y/o de mnimo tiempo de
funcionamiento/parada. La rutina de reparacin hace uso de la
informacin contenida en el genotipo (Fig. 1.) y del ciclo
mnimo de funcionamiento de las unidades, conectando o
desconectando unidades de forma que se cumpla el equilibrio
horario de potencias (8) y, simultneamente, los tiempos
mnimos de funcionamiento y parada de cada unidad.
La etapa 2 recibe como entrada el conjunto de soluciones
factibles del UC. Para evaluar el costo de estas soluciones se
aplica FPO, incluyendo explcitamente las restricciones de la
red de transmisin. Se determinan los niveles de generacin y
se valorizan los costos de operacin de las unidades. La
evaluacin de todas las soluciones factibles del UC constituye
la evaluacin de una poblacin del AG. La valorizacin de los
costos de operacin de cada solucin factible del UC, implica
resolver un FPO en cada intervalo de tiempo, haciendo que
esta etapa sea crtica en trminos de tiempo de clculo del
algoritmo.
UC
Etapa 1: ASIGNACIN DE UNIDADES
(Optimizacin Heurstica)
Entradas:
Restricciones inter-temporales de unidades trmicas.
Cumplimiento de reserva en giro.

Salida:
Configuracin factible de unidades acopladas.
Etapa 2: DESPACHO ECONMICO
(Optimizacin Matemtica)
Entradas:
Configuracin factible de unidades acopladas.
Restricciones de la red transmisin.
Restricciones de unidades trmicas.
Salidas:
Costos variables de operacin.
Niveles de generacin y Costos totales de operacin.
Costos de
operacin
horario
Segn [8] y [9], un AG convencional puede presentar
convergencia prematura hacia ptimos locales, haciendo
conveniente utilizar operadores expertos. De las diferentes
propuestas que se encuentran en la literatura, en este trabajo se
han utilizado los siguientes operadores:
Operador Cruce tipo ventana y tipo bloque [9].
Operador de Reparacin [9].
Para cumplimiento de reserva.
Para cumplimiento de tiempos mnimos.
Operador de Refresco [9].

1) Operador Cruce:
Es el operador encargado de transferir material gentico entre
dos individuos. Se han empleado operadores de cruce expertos
tipo ventana y tipo bloque, como se ilustra en la Fig.4 y Fig.5,
respectivamente.
Como se sabe, los AGs no solamente exploran el vecindario
de buenas soluciones, sino que recombinan sus partes para
formar nuevas soluciones, en bsqueda del ptimo global. A
travs de un proceso aleatorio de recombinacin, estos
operadores permiten realizar cruce entre dos individuos
(padres), que son seleccionados por torneo, en cada etapa del
proceso. A continuacin, se seleccionando aleatoriamente el
tipo de cruce a utilizar, dando una mayor probabilidad al cruce
tipo ventana (70%). El intercambio de informacin entre los
padres se logra a travs de otra variable aleatoria que permiten
definir el tamao de la ventana o del bloque, seleccionando las
filas y columnas de las matrices (indicadas con flechas en
Fig.4 y Fig.5), segn el caso, para definir completamente cada
sub-matriz de cruce.
THE 8
th
LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 4

1 0 1 1 1 0 1 0 0 0 1 1
0 1 0 1 1 0 0 1 1 0 0 1
0 0 0 1 0 1 0 1 1 0 1 1
1 1 0 0 1 0 1 0 0 0 0 1
PADRE 1 PADRE 2

1 0 1 1 1 0 1 0 0 0 1 1
0 1 1 0 1 0 0 1 0 1 0 1
0 0 1 0 0 1 0 1 0 1 1 1
1 1 0 0 1 0 1 0 0 0 0 1

HIJ O 1 HIJ O 2
Fig. 4. Ejemplo de operador de cruce tipo ventana.


1 1 0 0 1 0 1 0 1 0 0 1
0 0 0 0 1 0 0 1 0 1 0 1
0 0 0 0 1 1 0 1 1 0 0 1
1 0 1 1 0 0 1 0 1 1 0 1
PADRE 1 PADRE 2

1 1 1 0 1 0 1 0 0 0 0 1
0 0 0 1 1 0 0 1 0 0 0 1
0 0 1 0 1 1 0 1 0 0 0 1
1 0 1 1 0 0 1 0 1 1 0 1
HIJ O 1 HIJ O 2
Fig. 5. Ejemplo de operador de cruce tipo bloque.
2) Operador de Reparacin:
Se usa este operador para hacer factible una solucin no-
factible, generada durante el proceso inicial o por el operador
de cruce. Para que esto sea posible, el operador de reparacin
cambiar bits de la matriz que representa a una solucin no-
factible, cautelando el cumplimiento de reserva en giro y los
tiempos mnimos de funcionamientos y parada.
La aplicacin de este operador se realiza de forma que la
matriz resultante cumpla ambas restricciones
simultneamente; esto es, si la matriz que representa a una
solucin resulta no-factible, se modifica a partir de la
fila/columna en la cual se viola una restriccin,
intercambiando 1 por 0 o viceversa, hasta completar la
revisin de la matriz en evaluacin.

3) Operador de Refresco:
Cuando la poblacin ha convergido, se reducen las
posibilidades de obtener mejores soluciones con el AG. El
operador de refresco constituye una intervencin radical en la
poblacin, con el objetivo de evitar una convergencia
prematura. Consiste en rescatar la mejor solucin obtenida
hasta un determinado nmero de generaciones, y re-iniciar el
proceso de solucin.
Se usan dos maneras para aplicar el operador de refresco: la
primera es aplicarlo cuando la solucin se estabiliza, despus
de un nmero predeterminado de generaciones; la segunda,
consiste en aplicar este operador cada cierta cantidad de
generaciones, an cuando la solucin no se haya estabilizado.
sta ltima es la modalidad usada en este trabajo,
incorporando nuevas soluciones creadas en forma aleatoria
cada 20 generaciones, para reiniciar el proceso, aportando as
nueva informacin a la poblacin.

D. Algoritmo bsico.
El proceso completo de optimizacin se resume en el siguiente
algoritmo.

1. Inicio: lectura de datos.
2. Creacin aleatoria de una poblacin.
3. Verificacin de factibilidad de las soluciones. Si
alguna solucin es no-factible, activar procedimiento
de reparacin.
4. Evaluacin de las soluciones factibles aplicando FPO
y considerando costos de partida.
5. Verificacin de condicin para operador de refresco.
Si cumple condicin de refresco, guardar mejor
solucin y volver a 2.
6. Si cumple condicin de parada, FIN. Si no, contine.
7. Creacin de una nueva poblacin aplicando
operadores genticos. Volver a 3.

Como criterio de parada se ha definido un nmero mximo
de poblaciones (100 poblaciones).
IV. ESTUDIO DE CASOS.
Para ilustrar la aplicacin de la metodologa se han utilizado
dos sistemas de prueba: sistema de 6 barras y sistema IEEE de
118 barras.
CASO A - Sistema de 6 barras:
En Fig.6 se muestra el diagrama unilineal del sistema de 6
barras, y los datos se resumen en el Apndice. Para ilustrar la
efectividad de la metodologa, se comparan resultados de un
escenario sin congestin versus otro que incluye congestin
en el sistema de transmisin.










Fig. 6. Sistema ejemplo de 6 barras.

Para cada escenario de un periodo de 24 horas con
discretizacin horaria, se obtiene la capacidad mxima
acoplada, los costos de generacin, los perfiles de generacin
por cada unidad, las prdidas y los costos marginales. Se
comparan soluciones obtenidas con FPO-DC y con FPO-AC.

Generacin mxima acoplada y costos de generacin.
Cuando no hay congestin en el sistema de transmisin se
obtiene igual resultado con modelo DC y AC. Por lo tanto se
1 2 3
4 5 6
T 1
T2
L1
L2 L 3
G
2

G
1

G
3

THE 8
th
LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 5
puede concluir que, cuando no hay congestin, la
programacin de corto plazo no es afectada por la red
elctrica, lo que se traduce en iguales costos de generacin,
como se puede observar en Fig. 7. Esta situacin tiene
impacto en los tiempos de simulacin, porque la solucin con
modelo DC requiere un tiempo de ejecucin mucho menor
que la solucin con modelo AC.
1.000
2.000
3.000
4.000
5.000
6.000
7.000
100
150
200
250
300
350
400
1 3 5 7 9 11 13 15 17 19 21 23
C
o
s
t
o

U
S
$
M
W
HORAS
CapacidadMximaAcoplada
DemandaHoraria
CostoGeneracin DC
CostoGeneracin AC

Fig. 7. Demanda horaria, generacin mxima acoplada y costos de
generacin cuando no hay congestin en la red.

1.000
2.000
3.000
4.000
5.000
6.000
7.000
100
150
200
250
300
350
400
1 3 5 7 9 11 13 15 17 19 21 23
C
o
s
t
o

U
S
$
M
W
HORAS
CapacidadMximaAcoplada
DemandaHoraria
CostoGeneracin DCcongestin
CostoGeneracin ACcongestin

Fig. 8. Demanda horaria, generacin mxima acoplada y costos de
generacin considerando congestin en la red.
Para observar el efecto de la congestin en la red, se ha
limitado la capacidad de transmisin de la lnea 1-4,
obteniendo los resultados que se reflejan en Fig. 8.
Se puede concluir que el uso del modelo DC no permite
detectar problemas de operacin, pero, por causa de la
congestin en la lnea 1-4, el uso del modelo AC modifica la
asignacin de unidades, obligando a la partida de una unidad
adicional en las horas de congestin (horas 9, 10, 23, y 24). Si
bien en trminos de reserva la unidad 1 tiene capacidad
disponible, al usar el modelo AC se detecta tensiones fuera de
lmite en algunas barras del sistema. Como resultado del
proceso de optimizacin con modelacin AC de la red, se
incorpora la unidad 3, mejorando los voltajes en las horas
mencionadas.
Perfiles de Generacin y Prdidas. En Fig.9 se muestran los
perfiles de generacin de cada unidad, y las prdidas totales
para el caso sin congestin. Se puede observar que las
prdidas se reducen cada vez que se conectan unidades al
sistema y viceversa, mientras que las prdidas aumentan en
funcin de la demanda, durante los periodos en que se
mantienen las mismas unidades conectadas.
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
0
50
100
150
200
250
1 3 5 7 9 11 13 15 17 19 21 23
P

r
d
i
d
a
s

(
M
W
)
G
e
n
e
r
a
c
i

(
M
W
)
HORAS
G1
G2
G3
Prdidas

Fig. 9. Perfiles de generacin y prdidas sin congestin

0,0
0,2
0,4
0,6
0,8
1,0
1,2
0
50
100
150
200
250
1 3 5 7 9 11 13 15 17 19 21 23
P

r
d
i
d
a
s

(
M
W
)
G
e
n
e
r
a
c
i

(
M
W
)
HORAS
G1
G2
G3
Prdidas

Fig. 10. Perfiles de generacin y prdidas con congestin


Producto de la congestin, la generacin de la unidad 1 queda
limitada y, para abastecer la demanda durante las horas 9, 10 y
23, deben acoplarse las unidades 3 y 2 (Fig. 10). La unidad 3
es de menor potencia y costo de operacin que la unidad 2
(ver tabla IV del Apndice A) por lo que su acoplamiento es a
potencia mxima. Como en el periodo de congestin el
sistema de transmisin est restringido, el abastecimiento de la
demanda se produce de manera local, y en esta condicin las
prdidas muestran un comportamiento plano, an cuando
aumente la demanda. En la hora 24 se desconecta G
2
.
Costos Marginales: Los costos marginales de la energa por
barra, representan una informacin relevante para los agentes
del mercado. En su clculo participan las siguientes
componentes:
GENERACIN PRDIDAS CONGESTIN
Cmg Cmg Cmg Cmg = + +
(11)
Cuando no hay congestin el costo marginal es prcticamente
el mismo en todas las barras del sistema, con pequeas
diferencias por efecto de las prdidas (ver Fig. 11). Cuando
existe congestin en la red (ver Fig.12), los costos marginales
por barra se desacoplan porque la generacin distante, pero de
menor costo, debe ser reemplazada por generacin local, de
mayor costo.
THE 8
th
LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 6
0
5
10
15
20
25
30
35
40
45
1 3 5 7 9 11 13 15 17 19 21 23
U
S
$
/
M
W
HORAS
BARRA1
BARRA2
BARRA3
BARRA4
BARRA5
BARRA6

Fig. 11. Costo marginal horario por barra, sin congestin.
0
10
20
30
40
50
60
1 3 5 7 9 11 13 15 17 19 21 23
U
S
$
/
M
W
HORAS
BARRA1
BARRA2
BARRA3
BARRA4
BARRA5
BARRA6

Fig. 12. Costo marginal horario por barra, con congestin.

CASO B - Sistema IEEE 118 barras:
Se busca medir la capacidad del modelo para resolver
problemas de mayor tamao, usando para ello el sistema IEEE
de 118 barras, compuesto por 54 generadores, 186 ramas
(lneas y transformadores) y 91 cargas.

Despacho y costos de generacin. En Figs. 13 y 14, se puede
observar las diferencias en el UC entre el caso sin congestin
versus el caso con congestin, que se refleja en la capacidad
mxima despachada. El resultado muestra que, para sistemas
de escala real, la presencia de congestin invalida el resultado
obtenido con el modelo DC, porque no representa
adecuadamente las restricciones de operacin de la red
elctrica.
0
20
40
60
80
100
0
1.000
2.000
3.000
4.000
5.000
6.000
7.000
8.000
1 3 5 7 9 11 13 15 17 19 21 23
C
o
s
t
o

M
U
S
$
M
W
HORAS
CapacidadmximaacopladaDC
DemandaHoraria
CostoOperacinDC

Fig. 13. Despacho y costos de generacin con modelo DC (sin considerar
congestin).
0
20
40
60
80
100
0
1.000
2.000
3.000
4.000
5.000
6.000
7.000
8.000
1 3 5 7 9 11 13 15 17 19 21 23
C
o
s
t
o

M
U
S
$
M
W
HORAS
CapacidadmximaacopladaAC
DemandaHoraria
CostoOperacinAC

Fig. 14. Despacho y costos de generacin con modelo AC (considerando
congestin).
Perfiles de Generacin y Prdidas. En Fig. 15 se muestra los
perfiles de potencia aportada por cada unidad de generacin y
las prdidas totales (en lnea gruesa). Se puede observar que
las prdidas siguen a la demanda, y que prcticamente no
dependen de las unidades acopladas, situacin que es contraria
a la observada en el sistema de 6 barras. La redistribucin de
flujos por causa de la conexin o desconexin de unidades
generadoras en el sistema IEEE 118 barras, prcticamente no
influye sobre las prdidas del sistema.

0
50
100
150
200
250
0
1.000
2.000
3.000
4.000
5.000
6.000
7.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
M
W
HORAS
P54 P53
P52 P51
P50 P49
P48 P47
P46 P45
P44 P43
P42 P41
P40 P39
P38 P37
P36 P35
P34 P33
P32 P31
P30 P29
P28 P27
P26 P25
P24 P23
P22 P21
P20 P19
P18 P17
P16 P15
P14 P13
P12 P11
P10 P9
P8 P7
P6 P5
P4 P3
P2 P1
Prdidas AC

Fig. 15. Perfiles de generacin y prdidas totales.
Costos Marginales: Los costos marginales siguen el
comportamiento de la demanda, situacin que se ilustra en
Fig. 16, donde, en lnea gruesa, se destaca el costo marginal
con modelo DC (mismo costo para todas las barras del
sistema). Aunque las curvas son muy similares una de otra, se
puede observar una diferencia importante entre los costos
marginales de la solucin DC y AC, quedando de manifiesto
la incidencia de las prdidas sobre los precios de la energa en
el sistema.
0
5
10
15
20
25
30
1 3 5 7 9 11 13 15 17 19 21 23
U
S
$
/
M
W
HORA

Fig. 16. Costos marginales horarios por barra.
THE 8
th
LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 7
Tiempos de simulacin: El tiempo de simulacin se
incrementa con el nmero de barras, nmero de generadores e
intervalos de tiempo en que se divide el periodo en estudio. El
tiempo de ejecucin del FPO, empleado para la evaluacin de
soluciones, depende del nmero de barras y generadores del
sistema, de forma que es la etapa del algoritmo que consume
mayor tiempo computacional. As, para un caso particular de
un sistema con 10 generadores y perodo de planificacin de
24 horas (dividido en intervalos de una hora), se requiere
ejecutar 24x10 = 240 FPO para evaluar cada poblacin.
Considerando 100 generaciones del AG, para obtener la
solucin del problema se requiere ejecutar, como mnimo,
24000 FPO.
En los sistemas utilizados, los tiempos totales de ejecucin,
fueron: 50 minutos para el sistema de 6 barras y 250 minutos
para el sistema de 118 barras. Como la rutina de FPO es de
carcter determinstico y para una demanda dada con igual
despacho de unidades los clculos se repiten, los tiempos de
ejecucin se pueden reducir, recorriendo previamente el
espacio de soluciones y evaluando aquellas que cumplen con
las restricciones. En cada intervalo, el nmero de
combinaciones posible de acoplamiento de los generadores es
dado por
( )
2
NmerodeGeneradores
1, de manera que podra ser
necesario evaluar un gran nmero de soluciones. Sin embargo,
esta evaluacin se puede realizar previamente en sistemas con
bajo nmero de generadores, almacenando los resultados en
memoria. Posteriormente, en vez ejecutar el FPO para todo el
parque de generacin acoplado (vector columna de tamao
igual al nmero de generadores), solo es necesario identificar
la combinacin de unidades acopladas y recuperar de la
memoria el correspondiente costo de operacin.
Aplicando esta estrategia, la solucin del sistema de 6
barras se obtuvo en 3 minutos. En cambio, para el sistema de
118 barras, el nmero de soluciones posibles en cada intervalo
del periodo de planificacin
( )
54
2 1
, es demasiado grande
para resolver con una computadora que calcula en modo
secuencial. Sin embargo, este esfuerzo podra ser reducido,
considerando que, en la prctica, un nmero importante de
generadores opera normalmente en forma continua, durante
todo el periodo de planificacin (generacin en base). En tal
caso, el nmero efectivo de unidades a ser acopladas puede
ser mucho menor.
V. CONCLUSIONES
En este trabajo se propone una metodologa que emplea una
estrategia de descomposicin para resolver el problema de
programacin ptima de la operacin de sistemas trmicos
puros, incluyendo la red de transporte, aplicando algoritmos
genticos y flujo de potencia ptimo. Para representar los
cromosomas y aplicar algoritmos genticos, se emplea una
representacin matricial que permite incorporar
adecuadamente las diversas restricciones del problema. La
funcin objetivo es la suma de los costos variables de
operacin y costos de arranque, considerando restricciones de
reserva en giro y tiempos mnimos de funcionamiento/parada.
Para obtener una solucin, el problema original es dividido en
dos etapas. En la etapa 1 se utiliza un AG, con rutinas de
reparacin para el tratamiento de las restricciones, asegurando
una solucin factible en cada etapa de simulacin. Esta
solucin es evaluada la etapa 2, empleando una rutina de FPO.
El algoritmo propuesto fue aplicado exitosamente en sistemas
de prueba con 6 y 118 barras.
Los resultados con el sistema de 6 barras muestran que,
cuando no hay congestin, la asignacin de unidades es
independiente del modelo usado para resolver la red elctrica
(DC AC). Cuando existe congestin en la red de
transmisin, se hace necesario despachar unidades
adicionales, para satisfacer las restricciones de tensin, y los
costos marginales por barra se desacoplan debido a que
generacin distante de menor costo debe ser reemplazada por
generacin local, de mayor costo.
Los resultados con el sistema de 118 barras muestran que la
asignacin de unidades depende directamente de las
restricciones impuestas por la red de transmisin, con
resultados diferentes segn el modelo usado para resolver la
red (DC AC).
VI. APNDICE
Datos del sistema de 6 barras:


TABLA I. DISTRIBUCIN DE LA DEMANDA POR BARRAS.
Bus No Pd (%) Qd (%)
1 20 23
2 40 38,5
3 40 38,5



TABLA II. DATOS DE LNEAS DE TRANSMISIN Y TRANSFORMADORES
Line No. From Bus To Bus R (pu) X (pu)
Flow Limit
(MW)
1 1 2 0,005 0,17 200
2 1 4 0,003 0,258 100
3 2 4 0,007 0,197 100
4 5 6 0,002 0,14 100
5 3 6 0,0005 0,018 100
6 2 3 0 0,037 100
7 4 5 0 0,037 100



TABLA III. COEFICIENTES DE FUNCIONES DE COSTO DE GENERADORES.
Coeficientes de costo Unit
a (MBtu) b (MBtu/MW) c (MBtu/MW
2
)
G
1
100 10 0.05
G
2
162 40.66 0.001
G
3
171 22.06 0.006


TABLA IV. DATOS DE UNIDADES GENERADORAS.
Unit P
max
MW
P
min

MW
Q
mx

MVAR
Q
min

MVAR
Ini.
State
(h)
Min.
Off
(h)
Min
On
(h)
Start Up
(US$)
G
1
200 10 200 -80 4 4 4 100
G
2
100 40.66 70 -40 2 3 2 200
G
3
20 22.06 50 -40 -1 1 1 0





THE 8
th
LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2009 8
VII. REFERENCIAS
TABLA V. DEMANDA Y RESERVA EN GIRO HORARIA.
[1] G. B. Shebl & G. N. Fahd. Unit Commitment Literature Synopsis.
IEEE Transactions on Power Systems, Vol. 9, No 1, pp.128-135,
February 1994.
1 175,19 50,37 8,76
2 165,15 47,48 8,26
3 158,67 45,62 7,93
4 154,73 44,49 7,74
5 155,06 44,58 7,75
6 160,48 46,14 8,02
7 173,39 49,85 8,67
8 177,6 51,06 9,52
9 186,81 53,71 10,28
10 206,96 59,5 10,86
11 228,61 65,73 11,43
12 236,1 67,88 11,8
13 242,18 69,63 12,11
14 243,6 70,03 12,18
15 248,86 71,55 12,44
16 255,79 73,54 12,79
17 256 73,6 12,8
18 246,74 70,94 12,34
19 245,97 70,72 12,3
20 237,35 68,24 11,87
21 237,31 68,23 11,87
22 232,67 66,89 11,36
23 195,93 56,33 10,05
24 195,6 56,23 9,84
Hour
Operating
Reserve (MW)
Real Load
(MW)
Reactive Load
(MVAR)

[2] N. Prasad Phady. Unit Commitment A Bibliographycal Survey.
IEEE Transactions on Power Systems, Vol. 19, No 2, pp.1196-1205,
May 2004.
[3] E. Kuan, O. A, A. Vargas. Unit Commitment Optimization
considering the complete network modeling. IEEE/PES Porto
PowerTech 2001 Septiembre 2001, Porto, Portugal
[4] W. Sifuentes, A. Vargas. Hydrothermal Scheduling using Benders
Decomposition. Accelerating Techniques. IEEE Transactions on Power
Systems. Vol. 22, No. 3, pp. 1351-1359, August 2007
[5] S.A. Kazarlis, A.G. Bakirtzis and V. Petridis. A Genetic Algorithm
Solution to the Unit Commitment Problem. IEEE Transactions on
Power Systems, Vol. 11, No 1, pp.83-92, February 1996.
[6] G. B. Shebl and TimT. Maifeld. Genetic-Based Unit Commitment
Algorithm. IEEE Transactions on Power Systems, Vol. 11, No 3, pp.
1359-1370, August 1996.
[7] C. W. Ritcher, J r. And G. B. Shebl. A Profit-Based Unit Commitment
GA for the Competitive Environment. IEEE Transactions on Power
Systems, Vol. 15, No 2, pp. 715-721, May 2000.
[8] H. Wang, C. E. Murillo-Snchez, R. D. Zimmerman, R. J . Thomas, On
Computational Issues of Market-Based Optimal Power Flow. IEEE
Transactions on Power Systems, Vol. 22, No. 3, pp. 1185-1193, Aug.
2007.
[9] J orge Valenzuela, Alice Smith. A seeded Memetic Algorithmfor large
Unit Commitment Problems. J ournal of Heuristics, Volume 8, Issue 2,
pp. 173 195, March 2002
[10] J os Manuel Arroyo Sanchez. Modelos y Algoritmos para Explotacin
Optima de Generacin en Sistemas Elctricos Centralizados y
Competitivos Mediante el Uso de Algoritmos Genticos y Programacin
Lineal Entera Mixta. Tesis de Doctorado, Universidad de Castilla-La
Mancha, 2000.