Академический Документы
Профессиональный Документы
Культура Документы
(1)
La ecuacin presentada en (1), corresponde a la funcin
objetivo
: es el nmero de buses
energizados despus de la restauracin de servicio,
: carga
en el i-simo bus,
(2)
Donde
: estado del i-
simo switch en la red restaurada (es 1 para uno cerrado y 0
para uno abierto) y,
(3)
Donde
: corriente en la i-
sima rama y,
(4)
Adems, los voltajes de barra en todas las barras deben
mantenerse dentro de los lmites descritos en (5).
(5)
Donde
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
-
(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,
) (11)
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
(13)
En la primera funcin
).
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
,
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
siguiente;
: posicin
siguiente de la partcula; : factor de inercia;
: radios
de aprendizaje cognitivo y social, respectivamente. Los
nmeros
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,
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
) (16)
donde,
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 ,
(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
(22)
donde,