1

ResumenEl siguiente estudio compara el desempeo de

diferentes mtodos heursticos para la solucin del problema de
restauracin de servicio en redes de distribucin elctrica. El
trabajo apunta a encontrar la o las tcnicas que tengan el mejor
rendimiento para el problema en cuestin. Para cumplir con esto,
se comparan diferentes algoritmos de optimizacin con los
resultados obtenidos a partir de la bsqueda exhaustiva.
Posteriormente, se realiza una comparativa de los diversos
mtodos implementados, y un anlisis tcnico del problema de
restauracin de servicio.

Palabras clavesRestauracin de servicio, Redes de
distribucin, Optimizacin, Mtodos heursticos, Smart grid,
Lgica difusa, Optimizacin por cmulo de partculas, Colonia
artificial de abejas, Algoritmo de la Lucirnaga, Bsqueda
cuckoo, Algoritmo gentico.
I. INTRODUCCIN
A RESTAURACIN de servicio es definida como
encontrar los alimentadores de respaldo adecuados para
transferir las cargas en reas que se encuentran fuera de
servicio, debido a la ocurrencia de una falla en la red. La
restauracin se lleva a cabo a travs de la operacin de
elementos de maniobra, normalmente abiertos o cerrados,
segn la configuracin inicial de la red.
Diferentes mtodos de restauracin implican diferentes
acciones sobre los elementos de la red y dichas acciones
pueden afectar la calidad del servicio. Adems, como el
trabajo de restauracin normalmente es realizado bajo
condiciones de emergencia, las restricciones temporales
pueden agregar complejidad al problema.
Es por esto, que la capacidad de reconfigurar rpida y
flexiblemente la red, para recuperar las cargas previamente
des-energizadas por la falla, representa el principal objetivo de
la funcin de restauracin del servicio.
Ms an, dada la iniciativa actual que busca que las redes
de distribucin elctrica tengan una alta calidad y
confiabilidad en su servicio, siendo as capaces de dar la talla
ante los nuevos estndares resumidos en el concepto de Smart
Grid, el cual fomenta la utilizacin de nuevas tecnologas de
comunicacin y control, en la administracin y/o mantencin
de la red de distribucin.



Es en bsqueda de este objetivo, que diferentes tcnicas de
restauracin han sido propuestas para resolver este problema,
tales como la programacin matemtica determinstica
(programacin lineal), tcnicas heursticas y sistemas basados
en el conocimiento previo.
En la programacin lineal, el problema de restauracin es a
menudo formulado como un problema de programacin entera
mixta. Entonces, alguna tcnica de resolucin de PLE puede
ser aplicada para resolver el problema. En [1] se propone un
algoritmo de dos etapas que descompone el problema de
restauracin en dos sub-problemas (la maximizacin de la
potencia disponible enviada al rea des-energizada y la
minimizacin de la cantidad de energa no suministrada). Este
algoritmo est limitado a los modelos que no consideran la
potencia reactiva ni las variaciones de voltaje. En [2], el
problema de restauracin ptima en sistemas de distribucin
es resuelto a travs de programacin dinmica. En [3] es
implementado un algoritmo de sistema experto para la
restauracin y la reduccin de prdidas en sistemas de
distribucin.
Dentro de las primeras aproximaciones al uso de mtodos
heursticos en sistemas de distribucin, se encuentra el trabajo
desarrollado en [4], donde se utiliza una estrategia de
bsqueda guiada por conocimiento previo. Adems, se han
realizado trabajos con redes neurales artificiales (ANN por sus
siglas en ingls) [5], optimizacin por mtodo AIS-ACO (Ant
Inmune System-Ant Colony Optimization) [6] y algoritmos
genticos [7].
En investigaciones ms recientes, se han aplicado mtodos
de conjuntos difusos [8] para resolver el problema de la
restauracin de servicio en redes de distribucin elctrica con
fuentes de generacin renovable. En [9] se trabaja el problema
de la restauracin usando tcnicas de Bsqueda en
Profundidad DFS (Deep First Search) y Bsqueda en Anchura
BSF (Breadth First Search). As mismo, en [10] se introduce y
compara cuatro algoritmos entre s mismos y con algoritmos
anteriormente desarrollados para la restauracin del servicio.
Como las lneas de investigacin indican, a pesar que la
resolucin de un problema de programacin lineal garantiza
una solucin global ptima, una desventaja de este mtodo son
los recursos computacionales necesarios para resolver el
mismo. Por otro lado, las tcnicas heursticas y los sistemas
basados en la experiencia utilizan el conocimiento y
experiencia del operador para disminuir el espacio de
Anlisis del Desempeo de los Mtodos
Heursticos aplicados a la Restauracin de
Servicio en Redes de Distribucin
Rodrigo Martnez Campos
L
2
bsqueda del problema de restauracin combinacional. Dado
lo anterior, la solucin es alcanzada en un periodo de tiempo
menor que si se trabajara con todo el espacio de soluciones.
Por lo anteriormente descrito, el presente trabajo tiene el
objetivo de comparar el desempeo de diferentes mtodos
heursticos, en la solucin del problema de restauracin de
servicio en redes elctricas de distribucin de media tensin.
Del mismo modo, se tiene la meta de encontrar la o las
tcnicas que mejor permitan solucionar el problema de
restauracin de servicio.
En principio, se realiza una bsqueda exhaustiva de los
ptimos del problema, para luego considerar difusifisidad en
las restricciones. Luego, se compara el desempeo de un
algoritmo de optimizacin por cmulo de partculas, con la
bsqueda exhaustiva. As mismo, se implementan un
algoritmo de colonia artificial de abejas, un algoritmo de
bsqueda cuckoo y un algoritmo gentico, los cuales son
comparados con los resultados anteriormente obtenidos. Por
ltimo, se realiza un anlisis tcnico del problema de
restauracin de servicio.
II. FORMULACIN DEL PROBLEMA
El problema de restauracin de servicio puede ser
formulado como un problema de optimizacin con mltiples
objetivos y restricciones. Las funciones objetivo propuestas
son las presentadas a continuacin.
A. Funciones objetivo

(1)

La ecuacin presentada en (1), corresponde a la funcin
objetivo

que maximiza la carga restituida, considerando la

prioridad de carga. Donde

: es el nmero de buses
energizados despus de la restauracin de servicio,

: carga
en el i-simo bus,

: estado de la carga en el i-simo bus (es 1

para una carga restituida y 0 para una carga no restituida) y,

: prioridad o nivel de importancia de la carga en el i-simo

bus.
De manera anloga, en (2) se representa a la funcin
objetivo

que minimiza el nmero de operaciones de

conmutacin de los switches, reduciendo entonces el tiempo y
costos requeridos para realizar la restauracin.

(2)
Donde

: el nmero total de switches,

: estado del i-
simo switch en la red restaurada (es 1 para uno cerrado y 0
para uno abierto) y,

: estado del i-simo switch

inmediatamente despus de que la falla haya sido aislada.
En (3) se observa la funcin objetivo

que minimiza las

prdidas durante el proceso de restauracin.

(3)
Donde

: nmero total de ramas,

: corriente en la i-
sima rama y,

: resistencia de la i-sima rama.

Es importante mencionar que el actual trabajo se concentra
en comprobar el desempeo de diferentes mtodos heursticos
cuando la funcin objetivo es minimizar el nmero de
operaciones de los switches del sistema elctrico de
distribucin, la cual corresponde a la ecuacin descrita
anteriormente en (2).
B. Restricciones
La estructura radial de la red debe ser mantenida. En (4) se
describe esta restriccin [11]. Donde M: nmero de ramas de
la red radial. N: nmero de nodos, N
f
: nmero de fuentes.

(4)
Adems, los voltajes de barra en todas las barras deben
mantenerse dentro de los lmites descritos en (5).

(5)
Donde

: voltaje en la i-sima barra,

deben
mantenerse dentro de los lmites aceptables, segn norma.
Todas las corrientes deben mantenerse dentro del siguiente
lmite.

(6)
Donde

: corriente en la rama j e

: mxima corriente de
la lnea.
Finalmente, la potencia suministrada a las cargas no puede
superar la capacidad mxima que puede brindar el
alimentador.
C. Variables de decisin
Como se observa en (2), la funcin objetivo cuenta con dos
variables de decisin

, cada una de estas

correspondientes al i-simo switch del sistema. As, basta con
conocer el estado de los switches despus del procedimiento
de restauracin de servicio, suponiendo conocido el estado
inicial, para evaluar la funcin objetivo. En dicha funcin, no
se cuenta con parmetros asociados.
D. Red de prueba
Para comprobar el desempeo de los mtodos heursticos
utilizados, se hace uso de la red Civanlar como red de prueba.
Esta es una red muy utilizada en la literatura revisada [11], lo
cual permite realizar comparaciones con trabajos desarrollados
anteriormente. Este sistema cuenta con 17 nodos y 19 lneas.
En las Tablas I y II se entregan los datos correspondientes al
sistema.
TABLA I
DATOS DEL SISTEMA CIVANLAR
Line n1 n2
R
(1,2)
(p.u)
X
(1,2)

(pu)
R
(0)
(p.u)
X
(0)

(pu)
Imax
(p.u)
1 1 2 0 0.0001 0 0.0001 0.20
2 1 3 0 0.0001 0 0.0001 0.20
3 1 4 0 0.0001 0 0.0001 0.20
4 2 5 0.075 0.10 0.050 0.40 0.20
5 5 6 0.080 0.11 0.040 0.30 0.10
6 5 7 0.090 0.18 0.045 0.20 0.10
7 7 8 0.040 0.04 0.020 0.40 0.10
8 3 9 0.110 0.11 0.210 0.31 0.20
9 9 10 0.080 0.11 0.800 0.21 0.12
10 9 11 0.110 0.11 0.110 0.21 0.10
11 10 12 0.110 0.11 0.110 0.21 0.10
12 10 13 0.080 0.11 0.110 0.21 0.10
13 4 14 0.110 0.11 0210 0.21 0.10
14 14 15 0.090 0.12 0.050 0.22 0.10
3
Line n1 n2
R
(1,2)
(p.u)
X
(1,2)

(pu)
R
(0)
(p.u)
X
(0)

(pu)
Imax
(p.u)
15 14 16 0.080 0.11 0.020 0.21 0.10
16 16 17 0.040 0.04 0.080 0.14 0.10
17 6 12 0.080 0.04 0.080 0.14 0.10
18 11 15 0.030 0.04 0.030 0.14 0.10
19 8 17 0.050 0.12 0.050 0.22 0.10

En la Tabla II, como se puede inferir por los datos
entregados, las lneas de distribucin estn definidas por su
modelo en lnea corta, vale decir por una resistencia en serie
con una reactancia.
TABLA II
DATOS DEL SISTEMA CIVANLAR
Line n1 n2 EPM

(f/y)
End Bus
Load
1 1 2 333 0 0.0 0.0
2 1 3 333 0 0.0 0.0
3 1 4 333 0 0.0 0.0
4 2 5 222 3.50 2.0 1.6
5 5 6 333 3.00 3.0 0.4
6 5 7 333 1.50 2.0 -0.4
7 7 8 333 3.50 1.5 1.2
8 3 9 222 1.10 4.0 2.7
9 9 10 222 2.80 5.0 1.8
10 9 11 222 1.10 1.0 0.9
11 10 12 222 0.80 0.6 0.5
12 10 13 1 2.00 4.5 -1.7
13 4 14 0 0.50 1.0 0.9
14 14 15 333 1.00 1.0 -1.1
15 14 16 333 1.50 1.0 0.9
16 16 17 222 4.40 2.1 -0.8
17 6 12 222 4.00 0.0 0.0
18 11 15 222 5.00 0.0 0.0
19 8 17 222 1.00 0.0 0.0

El sistema Civanlar fsicamente tiene la configuracin
mostrada en la Fig. 1, donde en principio las lneas 10, 11 y 19
se encuentran abiertas para mantener una configuracin radial.
En dicha Fig. 1 los nodos representan las barras del sistema.
Tambin se encuentran en la figura los diferentes elementos de
proteccin y maniobra (EPM).
Es importante, describir el cdigo utilizado en la Tabla II
para identificar los elementos de proteccin y maniobra.

0: No hay EPM
1: Fusible.
2: Elemento de maniobra (seccionadores).
3: Interruptor/fusible (disyuntores).

Adems, el nmero de veces en que se repite el nmero
indica la cantidad y ubicacin de los EPM. De modo, que slo
un nmero indica que se ubica dicho EPM en el inicio de la
lnea, dos nmeros indican que el EPM se encuentra al final de
la lnea y, tres nmeros indican que se ubica dicho tipo de
EPM en cada extremo de la lnea.
E. Consideraciones y supuestos
Durante el proceso de evaluacin de los mtodos heursticos
desarrollado en la red de prueba, se consideran los elementos
de maniobra de tipo 2 y 3 dentro las conmutaciones a
minimizar. Como se ha mencionado con anterioridad, en
principio, el proceso de optimizacin realizado no considera
las funciones objetivo que representan las prdidas o la
energa suministrada a las cargas des-energizadas por la falla,
pero cualquier solucin obtenida deber respetar las
restricciones del problema de restauracin.
Adems, se considera que el alimentador es capaz de
suministrar, al menos toda la energa que consume el sistema.
Tambin, durante este trabajo las cargas son balanceadas y
modeladas como potencias activas y reactivas nodales, segn
los datos indicados en la Tabla II.


Fig. 1 Esquema del sistema Civanlar
III. METODOLOGA PROPUESTA
Una vez definido el problema optimizar, se procede a
definir la codificacin utilizada para representar los candidatos
a solucin ptima. Segn lo descrito en [12], se consideran los
vectores de mallas fundamentales (MF) para generar
topologas de red radiales.
Las MF de un circuito permiten crear topologas radiales,
seleccionando un elemento de cada malla. As la
representacin de un individuo se reduce a un vector de
nmeros que representan los elementos que deben ser abiertos
para radializar el sistema [12].

Esta metodologa fue utilizada en [13]-[14] para resolver el
problema de reconfiguracin de un sistema elctrico de
distribucin, obteniendo resultados satisfactorios.
Para el caso particular de la Fig. 1, las mallas fundamentales
son tres y son descritas en (7), donde se han omitido las lneas
que no pueden ser conmutadas.

4

-

(7)
En este caso, por medio de la apertura de un elemento en
cada una de las MF se forma una red radial.
El o los mtodos utilizados para encontrar los candidatos a
solucin, deben dar como salida un vector con la misma
cantidad de elementos que mallas fundamentales tenga la red
en cuestin. Para el caso descrito en (7), cada vector candidato
debe contar de tres elementos. En la seccin siguiente, se
describe con detalle el proceso de obtencin de los vectores
candidatos.
IV. EVALUACIN DE LA FUNCIN OBJETIVO
Para la evaluacin de la funcin objetivo y posterior
bsqueda exhaustiva del ptimo, se realiza lo descrito a
continuacin.
A. Creacin del vector de candidatos
Para realizar la evaluacin de la funcin objetivo es
necesario contar con todas las posibles soluciones al problema
de optimizacin, anteriormente llamados candidatos. Para esto
se desarrolla un programa en el software MATLAB que
genera una matriz con todos los posibles candidatos. En este
caso, cada candidato representa la apertura de tres lneas en la
red Civanlar. Dicho vector est formado por 969 filas y 3
columnas, cada candidato siendo una fila.
Luego para tener en cuenta lo descrito en la seccin
anterior, se crea otro programa que permite obtener una matriz
donde cada fila es un vector candidato a solucin que
mantiene la radialidad del sistema. Dicha matriz cuenta con
348 filas y 3 columnas, esto se debe a que la red Civanlar tiene
tres MF y se ha considerado que las lneas 1, 2 y 3, cuentan
con interruptores/fusibles, como se aprecia en la Fig. 1.
Este vector es utilizado posteriormente para la bsqueda
exhaustiva de la solucin ptima del problema de
optimizacin.
B. Evaluacin de la funcin objetivo
Tambin, se crea un programa que permite evaluar la
funcin objetivo y las restricciones del problema. Esta funcin
tiene como salida un vector de la forma mostrada en (8).

,

- (8)

Donde, FO corresponde al nmero de conmutaciones de
switches, considerando que para abrir cada lnea slo se acta
sobre un switch, R
1
es la restriccin de radialidad, R
2
es la
restriccin descrita en (5) y R
3
la restriccin (6). Las
restricciones se consideran cumplidas cuando el trmino
correspondiente en el vector de salida de la funcin de
evaluacin, tiene un valor igual a 1. Si dicho trmino es igual
a 0, entonces se considera que no se cumple la restriccin
dada, por tanto el candidato es rechazado.
La variable de entrada usada durante la ejecucin de la
funcin objetivo, es el vector de candidatos.
Para la evaluacin de las restricciones R
2
y R
3
, se usan los
datos obtenidos luego de ejecutar un flujo de carga con el
mtodo de Newton-Raphson provisto en [15].


TABLA III
CANDIDATOS EVALUADOS
Candidato Vector de salida Prdidas (MW)
[8,10,15] [4,1,0,1] 1,456
[11,14,15] [2,1,1,1] 0,687
[11,10,6] [2,1,1,1] 0,529
[5,14,16] [6,1,1,1] 0,742
En la Tabla III se presentan los resultados obtenidos al
evaluar la funcin objetivo con diferentes vectores candidato,
a partir de la condicin inicial de red, lneas 10, 11 y 19
abiertas. Adems, se observa que en el caso del candidato
[8,10,15] el nmero de conmutaciones de switches desde la
red inicial, a la red resultante es igual a cuatro. Adems, se
cumple la condicin de radialidad y tambin la condicin
relativa las corrientes mximas que pueden ser suministradas
por el alimentador, pero la restriccin asociada a las tensiones
en las barras no se cumple, por tanto dicho candidato es
rechazado. Para los otros tres candidatos evaluados se
cumplen las tres condiciones antes mencionadas, con la nica
diferencia siendo las prdidas totales.
C. Bsqueda exhaustiva
En esta seccin, se busca la solucin ptima en los diferentes
casos de falla. Las soluciones ptimas para los casos de falla
se presentan en la Tabla IV.
Para definir los candidatos ptimos, se han comparado
tambin las prdidas en los casos en que existe ms de una
solucin ptima desde el punto de vista de las conmutaciones
de switches. Al momento de evaluar la FO, se han considerado
las conmutaciones realizadas luego de que se ha aislado la
falla y adems, que slo se acta sobre un EPM de las lneas a
desconectar durante la restauracin (no confundir con el caso
de las lneas aisladas durante la falla).
TABLA IV
SOLUCIONES PTIMAS POR BSQUEDA EXHAUSTIVA
Falla
en
lnea
Candidato
ptimo
Cerrar
switch
Vector
de salida
Prdidas
(MW)
Tiempo
(s)
1 [5,18,1] 10-11-19 [5,1,1,1] 0,881 3.14
2 [9,2,19] 10-11 [3,1,1,1] 0.904 3.01
3 [11,10,3] 19 [1,1,1,1] 0.688 3.39
4 [5,18,4] 10-11-19 [5,1,1,1] 0,881 3.00
5 [5,10,19] 11 [1,1,1,1] 0.656 3.11
6 [11,10,6] 19 [1,1,1,1] 0.529 3.22
7 [11,10,7] 19 [1,1,1,1] 0.481 3.40
8 [9,8,19] 10-11 [3,1,1,1] 0.904 3.22
9 [9,10,19] 11 [1,1,1,1] 0.764 3.37
14 [11,14,19] 10 [1,1,1,1] 0.517 3.62
15 [11,10,15] 19 [1,1,1,1] 0.527 3.17
16 [11,10,16] 19 [1,1,1,1] 0.495 3.53
17 [17,10,19] 11 [1,1,1,1] 0.492 3.35
18 [11,18,19] 10 [1,1,1,1] 0.499 3.95

V. ANLISIS DE RESTRICCIONES DIFUSAS
En el presente captulo, se presentan los resultados y anlisis
del problema de restauracin, cuando las restricciones
presentan difusifisidad.
A. Conjuntos Difusos
En particular, se considera que los lmites de corriente en las
barras y las corrientes que atraviesan cada lnea, son difusos.
En la Fig. 4, se presenta el conjunto difuso correspondiente a
la restriccin de las tensiones en las barras de la red de prueba.
5
Se observa que entre 0.94 y 1.06, la funcin de pertenencia
tiene un valor igual a 1, lo que significa que la tensin se
encuentra dentro de los lmites aceptados.
En cambio, cuando la tensin en p.u. en cualquiera de las
barras se encuentra bajo 0.9 o sobre 1.1, la funcin de
pertenencia toma un valor igual a cero, esto se traduce en que
el candidato a solucin se descarta. Ahora bien, la diferencia
con el anlisis realizado en los captulos precedentes se da en
los intervalos de 0.9 a 0.94 y de 1.06 a 1.1. En dichos
intervalos el valor de la funcin de pertenencia est definido
linealmente por (9) y (10), respectivamente.

) (

) (9)

) (

) (10)

donde,

representa la tensin cada barra.

Fig. 4 Restriccin difusa de tensiones
En la Fig. 5, se observa el conjunto difuso que define la
restriccin de las corrientes que circulan por cada una de las
lneas de la red. Se ha considerado como base el valor mximo
que puede circular por cada lnea, y una sobrecarga mxima de
un 15%.

Fig. 5 Restriccin difusa de corrientes
Para definir el valor de la funcin de pertenencia, a partir de
la corriente mxima y el valor de sobrecarga (intervalo entre 1
y 1,15 en p.u.), se utiliza la recta definida en (11).

) (11)
donde,

corresponde a la corriente que atraviesa una lnea de

la red e

es el lmite de corriente para cada lnea en

particular. Los valores lmites de corriente son indicados en la
Tabla I.
Para todos los casos en donde el valor de corriente o tensin
se encuentre en los rangos difusos, se considera el menor valor
de la funcin de pertenencia.
En la restriccin de radialidad no se ha considerado
difusifisidad, dado que esta es una restriccin dura en el
funcionamiento de las redes de distribucin, las cuales por
definicin deben funcionar con una topologa radial.
B. Consideraciones
En el programa desarrollado, se consideran los candidatos
con los cuales una vez aislada la falla, se llega a una topologa
radial. En el captulo IV, se encontraron las soluciones
ptimas para las diferentes fallas, por medio de bsqueda
exhaustiva y considerando las tres restricciones de manera
binaria, vale decir, que si no se cumple una o ms de ellas, se
rechaza inmediatamente el candidato en cuestin. Para el caso
tratado en este captulo se obtendr la solucin que mejor
relacione las restricciones difusas y el valor de la funcin
objetivo evaluada, para cada caso de falla. En la siguiente
seccin se describe con detalle el criterio utilizado para esta
evaluacin.
C. Evaluacin de la funcin objetivo
Para poder evaluar la funcin objetivo y, as verificar si es
que se encuentran mejores soluciones al flexibilizar las
restricciones, es necesario definir una funcin que considere
las conmutaciones de switches, la restriccin de radialidad, las
restricciones difusas de tensiones de barra y las corrientes de
lnea. Para cumplir con lo anterior, han sido consideradas dos
funciones y, se tiene la intencin de comprobar si existe una
variacin en los resultados obtenidos al aplicar una u otra
funcin. La primera es llamada Funcin Objetivo con
Difusifisidad 1 (FOD
1
) y es definida en (12), donde

corresponde a la restriccin de radialidad (

si se cumple
y, viceversa),

es la restriccin de tensiones y

es la
restriccin de corrientes, ambas descritas en los apartados
anteriores. Adems, se incluye el nmero de conmutaciones de
switches. Para evitar que la funcin se indefina en los casos en
que el nmero de conmutaciones es igual a cero, se agrega una
unidad al denominador.

)


(12)

La otra funcin que es utilizada es

, que cuenta con

las mismas variables que

, sta es presenta en (13).

(13)

En la primera funcin

, se toma la decisin se sumar y

no multiplicar las restricciones, para no castigar
excesivamente a los candidatos que tengan alguna restriccin
entre 0 y 1. Lo anterior, sin perjudicar a los candidatos a
solucin que cumplen ntegramente con las tres restricciones.
En el caso de

, el numerador est formado por el

producto de las tres restricciones, lo que permite destacartar
inmediatamente cualquier candidato a solucin, que
definitivamente no cumpla con una de las restriccin (

).
6
Es importante notar, que dado que la funcin objetivo
original es el minimizar las conmutaciones de switches, un
menor nmero de conmutaciones, al igual que el mayor
cumplimiento de restricciones, hace que la

( *+)
tenga un mayor valor. Por lo anterior, al momento de
discriminar las funciones objetivos, se elige la que tenga el
mayor

.
D. Resultados de la simulacin
En la Tabla VII, se agrupan los ptimos obtenidos
considerando difusifisidad en las restricciones del problema de
restauracin. Entre los datos presentados, se encuentra el
vector de salida de la funcin de evaluacin desarrollada. El
primer elemento de dicho vector corresponde al nmero de
conmutaciones realizadas, el segundo elemento refleja el
cumplimiento de la restriccin de radialidad, el tercer
elemento corresponde a la restriccin de tensiones en las
barras y el ltimo elemento corresponde al cumplimiento de
las restricciones de las corrientes de lnea. Como se menciona
anteriormente, la restriccin de radialidad es binaria (0 o 1).
Las restricciones de tensiones y corrientes, sufren un cambio
de naturaleza, pudiendo tomar cualquier valor entre cero y
uno.
TABLA VII
RESULTADOS CONSIDERANDO RESTRICCIONES DIFUSAS
Falla
en
lnea
Candidato
ptimo
B.E.
Candidato
ptimo
Restr.
Difusas
FOD1 FOD2
Vector de
salida
Prdidas
(MW)
1 [5,18,1] [1,10,6] 0.73 0.23 [3,1,0.93,1] 0.957
2 [9,2,19] [9,2,19] 0.75 0.25 [3,1,1,1] 0.904
3 [11,10,3] [11,10,3] 1.50 0.50 [1,1,1,1] 0.688
4 [5,18,4] [4,10,6] 0.73 0.23 [3,1,0.93,1] 0.957
5 [5,10,19] [5,10,19] 1.50 0.50 [1,1,1,1] 0.656
6 [11,10,6] [11,10,6] 1.50 0.50 [1,1,1,1] 0.529
7 [11,10,7] [11,10,7] 1.50 0.50 [1,1,1,1] 0.481
8 [9,8,19] [9,8,19] 0.75 0.25 [3,1,1,1] 0.940
9 [9,10,19] [9,10,19] 1.50 0.50 [1,1,1,1] 0.764
14 [11,14,19] [11,14,19] 1.50 0.50 [1,1,1,1] 0.517
15 [11,10,15] [11,10,15] 1.50 0.50 [1,1,1,1] 0.527
16 [11,10,16] [11,10,16] 1.50 0.50 [1,1,1,1] 0.495
17 [17,10,19] [17,10,19] 1.50 0.50 [1,1,1,1] 0.492
18 [11,18,19] [11,18,19] 1.50 0.50 [1,1,1,1] 0.499
E. Comentarios
Al considerar dos de las restricciones difusas, se produce un
cambio del ptimo para el caso de las lneas 1 y 4.
Especficamente, en ambos casos existe una disminucin de
cinco a tres conmutaciones de switch. Se debe mencionar
tambin que para ambos casos, las prdidas aumentan de
0,881 a 0,957MW.
Como se observa en la Tabla VII, el uso de

,
lleva a los mismos resultados. A pesar de lo anterior, se
concluye a travs de las simulaciones realizadas, que utilizar

es ms seguro al momento de busca el ptimo. Lo

anterior se debe a que se observaron casos en que utilizando

, con candidatos que tenan una restriccin igual a cero,

pero con un menor nmero de conmutaciones, el valor
resultante de

, era del mismo orden o incluso mayor que

el correspondiente a la solucin ptima. Los casos simulados
no se vieron afectados, dado que durante el proceso de
seleccin de la solucin ptima, el programa desarrollado
descarta los candidatos que tienen restricciones iguales a cero.
El hecho recin mencionado no se presenta al utilizar

,
en este caso slo basta con seleccionar el mximo y en caso de
existir empate, se selecciona la configuracin que tenga
menores prdidas.
VI. OPTIMIZACIN POR ENJAMBRE DE PARTCULAS
La optimizacin por enjambre de partculas o PSO (Particle
Swarm Optimization) es una tcnica de optimizacin
evolutiva, que fue primeramente desarrollada por Kennedy y
Eberhart en 1995 [16], es un algoritmo estocstico basado en
poblaciones para optimizacin continua. El algoritmo se
inspira en el comportamiento de interaccin social de las
bandadas de aves y los cardmenes de peces. Para la bsqueda
de la solucin ptima, cada individuo que tpicamente es
llamado partcula, actualiza de manera iterativa su velocidad
de vuelo y posicin, de acuerdo a su propia experiencia y la
experiencia de la nube de partculas [17].
A. Implementacin del algoritmo
Para la implementacin del algoritmo PSO se genera
aleatoriamente una cantidad de partculas definidas por el
usuario. Luego, se crean las matrices de posicin, aptitud y
velocidad. En dichas matrices se guarda la posicin, aptitud y
velocidad actual de cada una de las partculas de la nube (Las
velocidades se inicializan con un valor unitario). La
actualizacin de las posiciones y velocidades de las partculas
se desarrollan a travs de (14) y (15).

(14)

(15)
donde,

: velocidad actual de la partcula;

: velocidad
siguiente;

: posicin actual de la partcula;

: posicin
siguiente de la partcula; : factor de inercia;

: radios
de aprendizaje cognitivo y social, respectivamente. Los
nmeros

son aleatorios entre 0 y 1,

es
la mejor posicin de la partcula y es la partcula con la
mejor aptitud de todo el cmulo.
El factor de inercia , que permite limitar la magnitud de la
velocidad, por medio del uso de

se describe en
(16).

(16)
donde, representa el nmero de iteracin del algoritmo,

corresponde al nmero mximo de iteraciones,

son los lmites inferiores de , respectivamente.

Adems, las mejores posiciones en la historia de cada
partcula, son guardadas en la matriz de mejores posiciones, lo
mismo ocurre con las mejores aptitudes. As mismo, la
posicin de la partcula con la mejor aptitud del cmulo ees
guardada en la variable .
Los valores de los parmetros utilizados en la simulacin, se
presentan en la Tabla VIII.


7
TABLA VIII
PARMETROS UTILIZADOS EN LA SIMULACIN

0.4 0.9 2 2

En la siguiente seccin, se presentan los resultados de la
simulacin del problema de restauracin de servicio utilizando
el algoritmo PSO implementado.
B. Resultados de la simulacin
En la simulacin realizada, se ha considerado difusifisidad
en las restricciones, segn se ha descrito en el captulo
anterior. Los resultados de la simulacin, se presentan la Tabla
IX.
TABLA IX
RESULTADOS UTILIZANDO PSO
Falla
en
lnea
Candidato
ptimo
Cerrar
switch FOD2
Vector de
salida
Prdidas
(MW)
Tiempo
(s)
1 [1,10,6] 11-19 0.23 [3,1,0.93,1] 0.957 1.03
2 [9,2,19] 10-11 0.25 [3,1,1,1] 0.904 1.15
3 [11,10,3] 19 0.50 [1,1,1,1] 0.688 1.06
4 [4,10,6] 11-19 0.23 [3,1,0.93,1] 0.957 1.09
5 [5,10,19] 11 0.50 [1,1,1,1] 0.656 0.95
6 [11,10,6] 19 0.50 [1,1,1,1] 0.529 0.96
7 [11,10,7] 19 0.50 [1,1,1,1] 0.481 0.96
8 [9,8,19] 10-11 0.25 [3,1,1,1] 0.904 0.98
9 [9,10,19] 11 0.50 [1,1,1,1] 0.764 0.96
14 [11,14,19] 10 0.50 [1,1,1,1] 0.517 0.98
15 [11,10,15] 19 0.50 [1,1,1,1] 0.527 0.96
16 [11,10,16] 19 0.50 [1,1,1,1] 0.495 0.96
17 [17,10,19] 11 0.50 [1,1,1,1] 0.492 0.98
18 [11,18,19] 10 0.50 [1,1,1,1] 0.499 0.97
Es importante considerar que, todas las simulaciones fueron
realizadas considerando una nube de cinco partculas.
En la Fig. 6, se presentan los datos de convergencia para el
caso de una falla en la lnea 2, donde se observan los valores
de la funcin

. La maximizacin de la funcin FOD_2

es recproca a la minimizacin del nmero de conmutaciones,
como se explica en el Captulo V.

Fig. 6 Convergencia de la FOD2
C. Comentarios
Segn los resultados obtenidos durante la simulacin, el
algoritmo implementado encuentra la configuracin ptima
para cada caso de falla, en un tiempo en promedio 67%
inferior a la bsqueda exhaustiva. Adems, se presentan casos
en que la convergencia ocurre en dos o tres iteraciones. En los
peores casos, la convergencia se da en un mximo de veinte
iteraciones, encontrndose en la mayora de las veces la
convergencia alrededor de las diez iteraciones.
En vista de los buenos resultados obtenidos, en este trabajo,
el algoritmo PSO es el que mejores resultados ha ofrecido para
resolver el problema de restauracin de servicio.
VII. COLONIA ARTIFICIAL DE ABEJAS
En el presente captulo, se describe la aplicacin del
algoritmo de colonia artificial de abejas que fue descrito por
primera vez en [18].
A. Descripcin del algoritmo implementado
El algoritmo implementado se inicia con la creacin de una
poblacin inicial de soluciones factibles, cada una de las
cuales corresponde a una fuente de alimento segn lo
definido en [18]. Posteriormente, en una primera etapa, estas
fuentes de alimento son operadas por las abejas empleadas,
segn lo descrito en (16).

) (16)
donde,

es la nueva posicin de la fuente de alimento,

es la posicin actual de la fuente de alimento,

es la
posicin de una fuente de alimento aleatoria y

es un
nmero aleatorio entre -1 y 1. En el caso particular tratado, se
opera sobre una dimensin del vector candidato a solucin, lo
que corresponde a uno de los switches a abrir en la red.
La aptitud de las nuevas soluciones generadas por las abejas
empleadas, es comparada con la aptitud de cada fuente de
alimento original, en caso de ser superior, se guardan estas
fuentes de alimento.
Para la segunda etapa, se genera un vector que contiene la
probabilidad de cada una de las fuentes de alimento
(candidatos), de participar en la operacin de cada abeja
observadora. Las diferentes probabilidades asignadas, tienen
una relacin directa con la aptitud de cada solucin. De este
modo, la solucin con la mejor aptitud recibe el mayor peso
probabilstico y, disminuyendo este peso para las soluciones
con menor aptitud.
La operacin realizada por las abejas observadoras, al igual
que para las abejas empleadas, es definida en (16).
Cabe mencionar que en las etapas anteriores, cada vez que
una nueva solucin no aumenta en aptitud respecto a la
solucin actual, se aumenta un contador y cuando la aptitud
aumenta, el contador se iguala a cero. En el caso que el
contador supere el valor lmite definido en (17), la solucin es
abandonada y se da paso a la tercera etapa, de las abejas
exploradoras.

(17)
donde, TC es el tamao de la colonia y D representa la
dimensin del problema, en este caso es igual a 3.
En la tercera etapa, las abejas exploradoras buscan una
solucin o fuente de alimento aleatoria. Finalmente, el
algoritmo guarda la mejor solucin y se procede a la siguiente
iteracin. Una vez se alcanza el nmero mximo de
iteraciones, el algoritmo se detiene.
Lo anteriormente descrito, se resume en la Fig. 7, donde se
presenta diagrama de flujo del algoritmo.
8
En la seccin siguiente, se presentan los resultados
obtenidos luego de las simulaciones realizadas.


Fig. 7 Diagrama de flujo ABC
B. Resultados de la simulacin
Al igual que el caso del algoritmo PSO, se presentan los
resultados y tiempos obtenidos en la Tabla X. Estos resultados
son obtenidos con una poblacin inicial de cinco fuentes de
alimento.
TABLA X
RESULTADOS ALGORITMO ABC
Falla
en
lnea
Candidato
ptimo
Cerrar
switch FOD2
Vector de
salida
Prdidas
(MW)
Tiempo
(s)
1 [1,10,6] 11-19 0.23 [3,1,0.93,1] 0.957 2.10
2 [9,2,19] 10-11 0.25 [3,1,1,1] 0.904 2.02
3 [11,10,3] 19 0.50 [1,1,1,1] 0.688 1.88
4 [4,10,6] 11-19 0.23 [3,1,0.93,1] 0.957 2.23
5 [5,10,19] 11 0.50 [1,1,1,1] 0.656 2.51
6 [11,10,6] 19 0.50 [1,1,1,1] 0.529 2.19
7 [11,10,7] 19 0.50 [1,1,1,1] 0.481 2.52
8 [9,8,19] 10-11 0.25 [3,1,1,1] 0.904 2.08
9 [9,10,19] 11 0.50 [1,1,1,1] 0.764 2.24
14 [11,14,19] 10 0.50 [1,1,1,1] 0.517 1.97
15 [11,10,15] 19 0.50 [1,1,1,1] 0.527 2.87
16 [11,10,16] 19 0.50 [1,1,1,1] 0.495 1.82
17 [17,10,19] 11 0.50 [1,1,1,1] 0.492 2.18
18 [11,18,19] 10 0.50 [1,1,1,1] 0.499 2.35
En la Fig. 8, se presentan un grfico que muestra la
convergencia de la funcin de aptitud ante una falla en la lnea
5.
En el caso presentado en la Fig. 8, la solucin converge al
ptimo en 13 iteraciones, en la mayora de los casos se
produce una convergencia en un nmero menor de iteraciones,
aunque de todas maneras se ajusta el mximo de iteraciones a
25, para encontrar el ptimo en la mayora de las veces.
Los resultados obtenidos son comentados en la siguiente
seccin del presente captulo.

Fig. 8 Convergencia de la funcin de aptitud.
C. Comentarios
Los resultados obtenidos, indican que con el algoritmo
implementado se encuentra consistentemente el ptimo, para
cada caso de falla. Si se compara el desempeo del algoritmo
con la bsqueda exhaustiva, se observa que en la mayora de
los casos, el algoritmo de colonia de abejas tarda un 50%
menos de tiempo en encontrar el ptimo. Del mismo modo, al
comparar el rendimiento del presente algoritmo, con el
algoritmo basado en cmulo de partculas (PSO), el segundo
presenta un mejor rendimiento, tardando al menos un 50%
menos de tiempo. Se observa que el inferior desempeo de la
tcnica ABC, se debe al nmero de evaluaciones necesarias en
cada algoritmo, donde las abejas empleadas y las abejas
observadoras, evalan a toda la poblacin una vez cada una, a
diferencia de PSO, que evala en una ocasin cada nueva
posicin de la partcula, para su posterior comparacin.
VIII. ALGORITMO BASADO EN LUCIRNAGAS
En el presente captulo, se describe la implementacin de un
algoritmo basado en el comportamiento de las lucirnagas.
Adems, se presentan los resultados de la simulacin
realizada.
A. Caractersticas del algoritmo implementado
El Firefly Algorithm (FA), es un algoritmo metaheurstico
desarrollado por Xin-She Yang, e inspirado en el
comportamiento luminoso de las lucirnagas. Donde el
objetivo primario de la luminosidad de una lucirnaga es
atraer a otras lucirnagas, sin distincin de sexo (son unisex).
El atractivo es proporcional a su luminosidad, por lo que la
lucirnaga menos brillante se mover hacia la ms brillante.
La intensidad lumnica, es obtenida a travs de (18).

()

(18)
donde, () corresponde a una intensidad lumnica a una
distancia ,

es la intensidad lumnica de la fuente que la

emite y es la distancia entre la fuente luminosa y un punto
externo. En el algoritmo implementado, se considera que la
luminosidad de una fuente es definida por (19)

(19)
9
Luego, el atractivo de cada lucirnaga es calculado por
medio de (20).

()

(20)
El movimiento de una lucirnaga (i), hacia otra ms atractiva
(j), est determinado por (21).

(21)
donde, es un nmero aleatorio y

es un vector de
nmeros aleatorios extrados desde una distribucin gaussiana
o normal.
En la Fig. 9 se presenta el diagrama de flujo del algoritmo
implementado.

Fig. 8 Diagrama de flujo FA
Los parmetros y

, son considerados iguales a 1, para el

caso particular aqu tratado.
B. Resultados de la simulacin
Los resultados y tiempos obtenidos por medio de FA, se
presentan en la Tabla XI. Estos resultados son obtenidos con
una poblacin inicial de cinco lucirnagas.
TABLA XI
RESULTADOS ALGORITMO FA
Falla
en
lnea
Candidato
ptimo
Cerrar
switch FOD2
Vector de
salida
Prdidas
(MW)
Tiempo
(s)
1 [1,10,6] 11-19 0.23 [3,1,0.93,1] 0.957 1.81
2 [9,2,19] 10-11 0.25 [3,1,1,1] 0.904 1.62
3 [11,10,3] 19 0.50 [1,1,1,1] 0.688 1.28
4 [4,10,6] 11-19 0.23 [3,1,0.93,1] 0.957 1.23
5 [5,10,19] 11 0.50 [1,1,1,1] 0.656 1.51
6 [11,10,6] 19 0.50 [1,1,1,1] 0.529 1.19
7 [11,10,7] 19 0.50 [1,1,1,1] 0.481 1.52
8 [9,8,19] 10-11 0.25 [3,1,1,1] 0.904 1.08
9 [9,10,19] 11 0.50 [1,1,1,1] 0.764 1.24
14 [11,14,19] 10 0.50 [1,1,1,1] 0.517 1.57
15 [11,10,15] 19 0.50 [1,1,1,1] 0.527 1.37
16 [11,10,16] 19 0.50 [1,1,1,1] 0.495 1.42
17 [17,10,19] 11 0.50 [1,1,1,1] 0.492 1.18
18 [11,18,19] 10 0.50 [1,1,1,1] 0.499 1.35
En la Fig. 9, se presentan un grfico que muestra la
convergencia de la funcin de aptitud ante una falla en la lnea
5.
En el caso presentado en la Fig. 9, la solucin converge al
ptimo en 4 iteraciones, en la mayora de los casos se presenta
una rpida convergencia al ptimo para cada caso de falla.
Los resultados obtenidos son comentados en la siguiente
seccin del presente captulo.

Fig. 9 Convergencia de la funcin de aptitud.

C. Comentarios
El algoritmo implementado en el presente captulo, tiene un
buen desempeo cundo se compara con los desarrollados
anteriormente. Slo es superado por el algoritmo PSO.
Adems, presenta una rpida convergencia al ptimo para los
diferentes casos de falla.
IX. BSQUEDA CUCKOO
El siguiente captulo describe la implementacin de un
algoritmo de optimizacin por Bsqueda Cuckoo, as comos
los resultados obtenidos por medio del mismo.
A. Descripcin del algoritmo
La Bsqueda Cuckoo (CS) es un algoritmo de optimizacin
desarrollado por Xin-She Yang and Suash Deb [20]. Este
algoritmo se encuentra inspirado en la incubacin parsita de
algunas especies de cuckoo, las cuales ponen sus huevos en
los nidos de otras aves anfitrionas (de otras especies). Algunas
aves anfitriones pueden entrar en confrontacin directa con los
cuckoo intrusos. Por ejemplo, si un ave anfitriona descubre
que los huevos no son propios, los dejar de lado o
simplemente abandonar su nido y construir otro en un lugar
diferente.
En el algoritmo CS se considera que cada huevo en un nido
representa una solucin. El objetivo es usar las nuevas y
potencialmente superiores soluciones (cuckoos) para
reemplazar una solucin no tan buena en los nidos. En su
forma ms simple, cada nido tiene un huevo. El algoritmo
puede ser extendido a casos ms complicados, en los cuales
cada nido tiene ms de un huevo, representando entonces un
conjunto de soluciones.
Adems, el algoritmo CS se basa en tres supuestos:
10
1. Cada cuckoo slo pone un huevo a la vez, y destruye un
huevo en un nido aleatorio;
2. Los nidos con la mejor calidad de huevos pasan a la
siguiente generacin;
3. El nmero de nidos disponibles es fijo, y el huevo dejado
por un cuckoo es descubierto por el anfitrin con una
probabilidad

(). El descubrimiento opera en algn

conjunto de los peores nidos, y las soluciones descubiertas son
descartadas.
Adems, en [20] se menciona que la caminata de bsqueda
aleatoria se desarrolla de mejor manera por medio de vuelos
de Lvy que simplemente por una bsqueda aleatoria.
Las nuevas soluciones son generadas por medio de (22).

(22)
donde,

es obtenido a partir desde una distribucin normal

estndar con media aritmtica igual a cero y desviacin
estndar unitaria; es el paso que determina que tan lejos cada
cuckoo se mueve.
B. Caractersticas del algoritmo implementado
El algoritmo implementado es descrito por el diagrama de
flujo presentado en la Fig. 10.

Fig. 10 Diagrama de flujo del algoritmo CS
En el algoritmo implementado se ha utilizado una seleccin
aleatoria del nido a modificar, con el objetivo de simplificar la
implementacin del algoritmo. Adems parmetro de ajusta a
un valor de 0.25, segn lo descrito en [20].
C. Resultados de la simulacin
Los resultados y tiempos obtenidos por medio de CS, se
presentan en la Tabla XII. Estos resultados fueron obtenidos
considerando una poblacin inicial de diez nidos.
TABLA XII
RESULTADOS ALGORITMO CS
Falla
en
lnea
Candidato
ptimo
Cerrar
switch FOD2
Vector de
salida
Prdidas
(MW)
Tiempo
(s)
1 [1,10,6] 11-19 0.23 [3,1,0.93,1] 0.957 1.83
2 [9,2,19] 10-11 0.25 [3,1,1,1] 0.904 1.75
3 [11,10,3] 19 0.50 [1,1,1,1] 0.688 1.42
4 [4,10,6] 11-19 0.23 [3,1,0.93,1] 0.957 1.33
5 [5,10,19] 11 0.50 [1,1,1,1] 0.656 1.75
6 [11,10,6] 19 0.50 [1,1,1,1] 0.529 1.24
7 [11,10,7] 19 0.50 [1,1,1,1] 0.481 2.04
8 [9,8,19] 10-11 0.25 [3,1,1,1] 0.904 1.58
9 [9,10,19] 11 0.50 [1,1,1,1] 0.764 1.47
14 [11,14,19] 10 0.50 [1,1,1,1] 0.517 1.71
15 [11,10,15] 19 0.50 [1,1,1,1] 0.527 1.52
16 [11,10,16] 19 0.50 [1,1,1,1] 0.495 1.61
17 [17,10,19] 11 0.50 [1,1,1,1] 0.492 1.32
18 [11,18,19] 10 0.50 [1,1,1,1] 0.499 1.48
En la Fig. 11, se observa la convergencia de la solucin para
el caso de una falla en la lnea 5.

Fig. 11 Convergencia de la funcin de aptitud
D. Comentarios
El algoritmo implementado en el presente captulo, tiene un
desempeo aceptable cuando es comparado con los
desarrollados anteriormente. Adems, en general la
convergencia al ptimo tarda unas cuantas ms iteraciones que
en los mtodos anteriores, para diferentes casos de falla.
X. IMPLEMENTACIN DE UN ALGORITMO GENTICO
En el siguiente captulo, se presenta la implementacin de un
algoritmo gentico para la obtencin de soluciones al
problema de restauracin de servicio. En principio se destacan
las principales caractersticas de un algoritmo gentico,
posteriormente de describe el algoritmo gentico
implementado y, finalmente de analizan los resultados
obtenidos.
A. Caractersticas de un Algoritmo Gentico
Los algoritmos genticos (AG) fueron desarrollados por
John Holland y sus colaboradores entre los aos 60 y 70 [21].
Estos algoritmos son un modelo o abstraccin de evolucin
biolgica basada en la teora de la seleccin de Charles
Darwin. Estos algoritmos son utilizados como una herramienta
de solucin de problemas, definiendo una poblacin inicial y,
por medio del uso de operaciones de cruza, mutacin y
11
seleccin, va mejorando los candidatos a solucin de
generacin en generacin, hasta alcanzar el mximo
predefinido de generaciones o hasta cumplir con un criterio
particular de finalizacin.
B. Algoritmo Gentico implementado
El algoritmo gentico implementado en este trabajo, genera
una poblacin inicial aleatoria, de la cual el usuario slo puede
definir su tamao. Adems, el usuario define la probabilidad
de cruza, mutacin y el mximo de generaciones. Una vez
ingresados los datos descritos anteriormente, se evalan los
candidatos de la poblacin inicial, identificndose el mejor
candidato. Posteriormente, dependiendo de la probabilidad de
cruza seleccionada, se realizan dos cruzas entre el mejor
candidato y dos candidatos al azar, generndose entonces dos
nuevos hijos, que son comparados con el mejor candidato,
para evaluar su permanencia en la nueva generacin, si son
mejores que el mejor candidato anterior, pasarn a formar
parte de la nueva generacin, en caso contrario, son
descartados.
Como se indica en la Fig. 12, el proceso de cruza tiene un
grado de aleatoriedad dado que se desarrolla seleccionando de
manera aleatoria el candidato de la poblacin inicial con el
cual es cruzado el mejor candidato. Adems, dado que cada
candidato es un vector de tres elementos, se selecciona de
manera aleatoria un elemento del vector que ser cruzado.

Fig. 12 Procedimiento de cruza
El proceso de mutacin, tambin depende de su probabilidad
predefinida por el usuario. La mutacin como se aprecia en la
Fig. 13, se produce en un candidato aleatorio de la generacin
actual, modificando un elemento aleatorio del vector
candidato, posteriormente se evala dicho candidato mutado y
se compara con el mejor candidato, en caso de ser una mejor
solucin, ste se agrega a la generacin siguiente, en caso
contrario se descarta.

Fig. 13 Procedimiento de mutacin
Una vez, finalizados los procesos de cruza y mutacin en
una generacin, se mantiene el nmero total de elementos de
la poblacin, conservando el mejor candidato de la generacin
anterior y agregando los hijos que sean mejores soluciones que
el mejor candidato inicial, as como las mutaciones que lleven
a una mejor solucin. Luego, se pasa a la siguiente generacin
donde se ejecutan los mismos procedimientos, ya descritos.
La finalizacin del algoritmo puede deberse a dos casos. El
primero, es que se alcance el mximo de generaciones
predefinido y, el segundo es que el valor de la funcin
objetivo para el mejor candidato, no mejore y se mantenga
constante durante un 20% del mximo de generaciones.
C. Resultados de la simulacin
Se ha simulado el caso de la restauracin de servicio para
tres casos de falla: falla en la lnea 5, en la lnea 8 y una falla
en la lnea 17. Los resultados obtenidos se encuentran en la
Tabla XIII. Se puede observar que los tiempos en que las
soluciones son obtenidas, es menor que por medio de la
bsqueda exhaustiva.

TABLA XIII
SOLUCIONES OBTENIDAS CON EL ALGORITMO GENTICO
Falla
en
lnea
Candidato
ptimo
Cerrar
switch
Vector de
salida
Prdidas
(MW)
Tiempo
(s)
5 [5,10,19] 11 [1,1,1,1] 0,656 1.46
8 [9,8,19] 10-11 [3,1,1,1] 0,904 2.31
17 [17,10,19] 11 [1,1,1,1] 0,492 1.47
En la Fig. 14 se presenta la convergencia de la solucin al
ptimo para una falla en la lnea 5.

Fig. 14 Convergencia del algoritmo AG para una falla en la lnea 5

En la Tabla XIV, se incluyen los parmetros utilizados para
la simulacin de cada escenario de falla. Los parmetros
fueron definidos en base a prueba y error, de modo que se
obtenga un mejor desempeo del algoritmo, para cada caso
presentado.

TABLA XIV
PARMETROS UTILIZADOS EN LA SIMULACIN
Falla en
lnea
Poblacin
Inicial
Mximo
Generaciones
Probabilidad
de Cruza
Probabilidad
de mutacin
5 5 25 1 0,4
8 20 10 1 0,4
17 5 25 1 0,4

D. Desempeo del Algoritmo Gentico
Se observa al comparar los tiempos necesarios para obtener
las soluciones ptimas con ambos mtodos, que para el caso
de falla en la lnea 5, el AG tarda un 18% menos, en la falla en
la lnea 8, la disminucin es de un 37% y, finalmente, para la
falla en la lnea 17, existe una disminucin del 35%, en el
tiempo de clculo.
12
XI. COMPARATIVA
En este captulo se realiza una comparativa del desempeo
de los diferentes algoritmos implementados en la resolucin
del problema de restauracin de servicio.
A. Convergencia
La convergencia de los diferentes mtodos se ha presentado
en los captulos correspondientes a cada uno de los mtodos.
A pesar que los casos presentados corresponden a una falla en
particular, se observa una convergencia ms acelerada en el
algoritmo de lucirnagas (alrededor de cinco iteraciones), en
comparacin con los dems mtodos. Se observa tambin que
el mtodo PSO presenta una convergencia en menos de 15
iteraciones.
B. Comentarios
En la Tabla XIV se agrupan diferentes caractersticas que
describen el rendimiento de las tcnicas implementadas, donde
se han incluido los resultados de la bsqueda exhaustiva (BE),
con fines comparativos. Los tiempos presentados en la Tabla
XIV corresponden a una falla en la lnea 5.
TABLA XV
COMPARATIVA DE LOS ALGORITMOS
Algoritmo Complejidad de
programacin
Velocidad de
convergencia
Tiempo (s)
BE Muy baja Lenta 3.11
PSO Baja Rpida 0.95
ABC Moderada Rpida 2.51
FA Baja Rpida 1.51
CS Baja Moderada 1.75
AG Alta Moderada 1.46
Es necesario considerar que la evaluacin de la complejidad
de la programacin de los algoritmos, tiene un grado de
subjetividad, adems que la secuencia en que los algoritmos
fueron implementacin tambin influye en esta situacin. Por
lo anterior, la complejidad de implementacin del algoritmo
gentico se considera alta, dado que este algoritmo fue el
primero en ser implementado.
Respecto de la velocidad de convergencia, los parmetros
en cada caso han sido ajustados de modo que se asegure la
convergencia al ptimo, esto para cada una de las tcnicas
implementadas. Adems, se observa que durante las
simulaciones realizadas, incluso para diferentes mtodos,
existe una gran variabilidad en los resultados obtenidos, por
esto los resultados obtenidos deben considerarse como
referencia, y asociados a las diferentes implementaciones
realizadas.
Todas las simulaciones han sido desarrolladas en un sistema
con procesador Intel Core i5 a 3,4GHz y memoria RAM de
16GB.
XII. SOLUCIN DEL PROBLEMA DE OPTIMIZACIN
Durante el desarrollo de este trabajo se han utilizado
diversas tcnicas heursticas para resolver el problema de
restauracin de servicio, por medio de las mismas ha sido
posible obtener las soluciones ptimas al problema, para la red
de prueba en particular utilizada, se ha obtenido el ptimo para
cada caso de falla. Los tiempos de simulacin necesarios para
la obtencin de las diferentes configuraciones ptimas, es
significativamente menor que con la bsqueda exhaustiva,
donde se verifica cada una de las posibilidades.
Un punto relevante es que al implementar difusifisidad en
las restricciones de tensin y voltaje, se logra mejorar la
solucin obtenida para dos casos de falla (1 y 4). En particular,
esta flexibilizacin de las restricciones no afecta
negativamente el desempeo de la red, dado que la red
permanece un tiempo limitado en dicho estado, por tanto los
beneficios (menor conmutacin de switches) seran ms
ventajosos que las posibles desventajas (tensin en una barra
de 0.93 y mayores prdidas), adems no se debe perder de
vista que la funcin objetivo del problema resuelta es la
minimizacin de las conmutaciones de switches.
XIII. CONCLUSIONES
El trabajo realizado ha permitido verificar el desempeo de
diferentes tcnicas heursticas, en la solucin del problema de
restauracin de servicio en las redes de distribucin elctrica.
Se ha verificado que flexibilizando algunas restricciones en el
problema, es posible obtener mejores soluciones. Adems,
estas tcnicas son capaces de obtener el ptimo para los
diferentes casos de falla en la red de prueba Civanlar.
Es importante mencionar, que los resultados obtenidos
responden a las implementaciones realizadas en este trabajo,
por lo que estos resultados pueden diferir de los obtenidos por
medio de otras implementaciones. Una vez claro esto, segn el
trabajo realizado, el algoritmo que dio mejores resultados fue
el PSO, tanto por la rpida convergencia a los ptimos
globales del problema, como por la disminucin en los
tiempos de simulacin.
REFERENCIAS
[1] T. Nagata, S. Hatakeyama, M. Yasouka, and H. Sasaki, An efficient
method for power distribution system restoration based on mathematical
programming and operation strategy, in Proc. Int. Conf. Power Syst.
Technol., 2000.
[2] R. Perez-Guerrero, G. Heydt, N. Jack, B. Keel, and A. Castelhano,
Optimal restoration for distribution systems using dynamic
programming, IEEE Trans. Power Del., vol. 23, no. 3, pp 1589-1596,
2008.
[3] C. C. Liu, S. Lee, and S. Venkata, An expert system operational aid
for restoration and loss reduction of distribution systems, IEEE Trans.
Power. Syst., vol. 3, no. 2, pp. 619-626, 1988.
[4] A. Morelato, A. Monticelli, Heuristic search approach to distribution
system restoration, IEEE Trans. Power. Del., vol. 4, no. 4, pp. 2235
2241, 1989.
[5] Y. Hsu and H. Huang, Distribution system service restoration using the
artificial neural network approach and pattern recognition method, IEE
Proc. Gener., Transm., Distrib., vol. 142, no. 3, pp. 251256, 1995.
[6] A. Ahuja, S. Das, and A. Pahwa, An ais-aco hybrid approach for multi-
objective distribution system reconfiguration, IEEE Trans. Power.
Syst., vol. 22, no. 3, pp. 11011111, 2007.
[7] Y. Kumar, B. Das, and J. Sharma, Multiobjective, multiconstraint
service restoration of electric power distribution system with priority
customers, IEEE Trans. Power. Del., vol. 23, no. 1, pp. 261270, 2008.
[8] HT. Yang, A fuzzy based power restoration approach for a distribution
system with renewable energies, IEEE Int. Conf. on Fuzzy Syst., vol.,
pp. 2448-2453 , 2011.
[9] P.R Babu, "Heuristic search strategy for service restoration using DFS
and BFS techniques," Power Electronics (IICPE), 2010 India
International Conference on , vol., no., pp.1,8, 28-30 Jan. 2011
[10] D. Kleppinger, Generic reconfiguration for restoration, Electric Power
Systems Research, vol. 80, no. 3, pp. 287295, 2010.
[11] R. Lopez, J. Mendoza, E. Lpez, H. Opazo, P. Bastard, R. Moraga,
Reconfiguracin considerando aleatoriedad de la demanda, XVI
Congreso de la Asoc. Chilena de Control Automtico, ACCA 2004.
[12] J. Mendoza, Restauracin de servicio para redes de distribucin con
generacin distribuida utilizando algoritmos genticos
13
[13] J. Mendoza, R. Lpez, D. Morales, E. Lpez, Ph. Dessante, R. Moraga,
Minimal loss reconfiguration using genetic algorithms with restricted
population and addressed operators: real application, IEEE Trans.
[14] Power Syst., 2006, 21, (2), pp. 59-67.
[15] J. Mendoza Baeza, M. Lopez y C. Coello, Micro genetic multiobjective
reconfiguration algorithm considering power losses and reliability
indices for medium voltage distribution network, IET Generation,
Transmission and Distribution, vol. 3, n 9, pp. 825-840, 2009.
[16] Hadi Saadat. , Power Systems Analysis, 2nd Ed. Mcgraw-Hill Primis,
2002.
[17] J. Kennedy, R.C. Eberhart, Particle swarm optimization, Proc. IEEE
Int. Conf. Neural Netw., pp.1942-1948, 1995.































































[18] W.N. Chen, A novel set-based particle swarm optimization method for
discrete optimization problems, IEEE Trans. On Evol. Compu., vol.
14,no. 2, pp. 278-300, 2010.
[19] Dervis Karaboga Bahriye Basturk, A powerful and efficient algorithm
for numerical function optimization: artificial bee colony (ABC)
algorithm J Glob Optim (2007), pp 459-471
[20] X.-S. Yang,Engineering optimisation by cuckoo search, Int. J.
Mathematical Modelling and Numerical Optimisation, vol. 1, n4, 330-
343, 2010.
[21] X.-S. Yang, Engineering optimization an introduction with
metaheuristic applications, Wiley, pp. 173-180, 2010.