OPTIMIZACION

METODOS MATEMATICOS PARA

RESOLVER PROBLEMAS EN SISTEMAS
ELECTRICOS DE POTENCIA

Ing. MSc. Zcimo aupari Huatuco

PROGRAMACIN NOLINEAL
(PNL)
1. Introduccin.
2. Formulacin del Problema.
3. Condiciones de optimalidad para
problemas de PNL sin
restricciones.
4. Problemas de PNL con
restricciones Lagrangiana.
5. Condiciones de optimalidad de
KarushKuhnTucker (KKT)

1. INTRODUCCIN
Un Problema de programacion no lineal
(PNL) es caracterizado porque la
funcin objetivo y/o por lo menos una
de las restricciones son no lineales
Su solucin se basa en la linealizacin
de la funcin objetivo y de las
restricciones, es decir; se adopta un
modelo
lineal
incremental
y
un
algoritmo
dual-Simplex
para
solucionarlo.

2. FORMULACIN DEL PROBLEMA

Diversos problemas de optimizacin
sistemas
de
potencia
pueden
matemticamente modelados como
siguiente problema (1) de programacin
Donde:
lineal :

en
ser
es
no

x:
es la variable de
decisin.
f (x): es la funcin
objetivo.
g(x) , h(x) :son las
restricciones de
igualdad y desigualdad.

2. FORMULACIN DEL PROBLEMA

Ademas:
hu y hl son lmites superior e inferior de
h(x),
xu y xl son lmites superior e inferior de
Ix,
f(x), g(x) y h(x) son funciones convexas
lisas;
Regin Factible, definida por las
restricciones de
frontera;
Punto Factible, si satisface todas las

4. CONDICIONES DE OPTIMALIDAD
PARA PROBLEMAS DE PNL SIN
RESTRICCIONES
Los problemas de optimizacin con
restriciones (sea de minimizacin o
maximizacin)
son
usualmente
reformulados
como
problemas
de
optimizacin sin restriciones, utilizando
principalmente:
Mtodos de Penalidad.
Mtodos de la Lagrangiana, Lagrangiana
Reducida, Lagrangiana reducida
Aumentada.

4. CONDICIONES DE OPTIMALIDAD
PARA PROBLEMAS DE PNL SIN
RESTRICCIONES

Considernado un problema de optimizacin sin

restricciones de una sola variable mostrada en
la Figura 1.

4. CONDICIONES DE OPTIMALIDAD
PARA PROBLEMAS DE PNL SIN
RESTRICCIONES

Las condiciones necesarias y suficientes

para un mnimo local de f (u) son dadas
por:
1. Condicin Necesaria : El gradiente de f
(u) con respecto a u tiene que ser igual a
cero en u*.

4. CONDICIONES DE OPTIMALIDAD PARA

PROBLEMAS DE PNL SIN
RESTRICCIONES
2. Condicin Suficiente : La matriz
Hessiana de f (u) con respecto a u tiene
que ser definida positiva en u*.

4. CONDICIONES DE OPTIMALIDAD PARA

PROBLEMAS DE PNL SIN
RESTRICCIONES
Observaciones:
Los menores principales lderes de H son:

H es definida positiva si el determinante

de todos los menores principales lderes
son positivos.

EJEMPLO 1
Considere el siguiente problema de
minimizacion sin restriciones

Las Condiciones Necesarias para un

punto mnimo local son

EJEMPLO 1
Estas condiciones podemos escribirla
matricialmente como:

La solucin del sistema lineal del punto

de mnimo local

EJEMPLO 1
La matriz Hessiana de f (x) es

Los menores principales lderes de

H son

Como todos los menores principales

lderes de la matriz Hessiana son
positivos, x* es un punto de mnimo
local.

5. PROBLEMAS DE PNL CON

RESTRICCIONES - LAGRANGIANA
Considerando el problema de programacin
nolineal :
(2)

donde el vector x contiene las variables

dependientes y de control.

5. PROBLEMAS DE PNL CON

RESTRICCIONES - LAGRANGIANA
La Funcin Lagrangiana puede ser definida
como :
donde
l(x, y,w) es una funcin escalar llamada de
Lagrangiana ;
x son las variables de decision, tambien
llamado de vector variable primal ;
y y w son los vectores de Multiplicadores de
Lagrange
(o dual ) de la restricin de
igualdad y desigualdad respectivamente.

6. CONDICIONES DE OPTIMALIDAD
DE
KARUSHKUHNTUCKER (KKT)
Condiciones Necesarias de Optimalidad de
Primera Order (CNOPO)
1. CONDICIN DUAL
donde

vector gradiente de f
Jacobiana de
g(x).
Jacobiana de
h(x).

6. CONDICIONES DE OPTIMALIDAD
DE
KARUSHKUHNTUCKER (KKT)
2. CONDICIN DE IGUALDAD PRIMAL

3. CONDICIN DE DESIGUALDAD PRIMAL

4. CONDICIN DE COMPLEMENTARIDAD Y
FACTIBILIDAD DUAL

6. CONDICIONES DE OPTIMALIDAD
DE
KARUSHKUHNTUCKER (KKT)
Los multiplicadores de Lagrange de la
restricin de igualdad (y) no tiene
restriccin de signo, puede ser positivo,
negativo o cero.
En principio, las CNOPO pueden ser
solucionadas como un sistema de
ecuaciones
(3)

6. CONDICIONES DE OPTIMALIDAD
DE
KARUSHKUHNTUCKER (KKT)

La solucin de (3) puede ser difcil por

las condiciones de complementaridad
donde
y
Entonces......

si
si

6. CONDICIONES DE OPTIMALIDAD
DE
KARUSHKUHNTUCKER (KKT)
: Hesiana de la restriccin de igualdad j
: Hesiana de la restriccin de desigualdad j
: Subespacio tangente en x de las
restricciones activas
Las CSOSO pueden ser usadas para analizar la
naturaleza de los puntos estacionarios calculados
por las CNOPO

EJEMPLO 2
Considere el siguiente problema de
PNL
Sujeto a
y
La lagrangiana es

EJEMPLO 2
Las CNOPO de KarushKuhnTucker son :

EJEMPLO 2
Si asumimos que
entonces

y las CNOPO seran:

La solucin es
con
Por lo tanto, lo que fue asumido, que h(x*) <
0, esta equivocado.

EJEMPLO 2
Ahora considerando que
entonces

La solucin es:
con

y las CNOPO serian: