Вы находитесь на странице: 1из 14

OPTIMIZACIN

Ingeniera Civil Elctrica.


Primer Semestre 2016

Actividad N1

Integrantes:
Sebastin Villarroel G.
Franco Salinas M.
Profesor:
Dr. Eduardo Arraigada C.
Fecha:
10/04/2016

Introduccin:
En este presente trabajo trataremos de aplicar las siguientes teoras aprendidas en clases,
para as poder modelar un problema para que este pueda ser optimizado, las teoras o
tcnicas que usaremos sern:
El mtodo de monte Carlo.
Este mtodo permite encontrar soluciones aproximadas a una gran variedad de problemas
matemticos, esto se hace mediante muestreos de nmeros pseudo-aletorios en una
computadora. El mtodo de Montecarlo tiene un error absoluto de la estimacin que
decrece como

1
N

en virtud del teorema del lmite central.

El mtodo de multiplicadores de LaGrange.


Los multiplicadores de Lagrange son un mtodo para trabajar con funciones de varias
variables que nos interesa maximizar o minimizar, y est sujeta a ciertas restricciones.
Este mtodo reduce el problema restringido en n variables en uno sin restricciones de
n+1 variables cuyas ecuaciones pueden ser resueltas.
El mtodo del gradiente.
El mtodo del gradiente consiste en un algoritmo especfico para la resolucin de
modelos de programacin lineal sin restricciones, perteneciente a la categora de
algoritmos generales de descenso, donde la bsqueda de un mnimo est asociado a la
resolucin secuencial de una serie de problemas unidimensionales.

Formulacin del problema:


El problema que se nos presenta es el siguiente:
El siguiente sistema uni-nodal de la figura 1, presenta una unidad elica con una generacin de
12 MW para la hora estudiada y tres unidades termoelctrica.

Las funciones de costo de las unidades


termoelctricas son:

Cgen1A = 6,5P1A + 0,05P1A2


Cgen1B = 7,0P1B + 0,08P1B2
Cgen2B = 9,78P2B + 0,041P2B2
Pgen2A = 12 [MW]
Demanda = 430 [MW]

Para los tres mtodos de bsqueda utilice como apoyo: Excel y luego Matlab. Concluye en
base al software y a los resultados

Utilice el mtodo de Montecarlo para encontrar:


1.

El costo total mnimo de operacin

2. Las potencias de operacin de las unidades trmicas


3. El costo marginal para esa hora

Utilice el mtodo de Lagrangue para encontrar:


1.

El costo total mnimo de operacin

2. Las potencias de operacin de las unidades trmicas


3. El costo marginal para esa hora

Utilice el mtodo del Gradiente para encontrar:


1.

El costo total mnimo de operacin

2. Las potencias de operacin de las unidades trmicas


3. El costo marginal para esa hora

Metodologa, materiales, experimento:


Para este trabajo usaremos solamente el computador usando en el Microsoft Office Excel y
posteriormente usaremos Matlab para as en estos programas poder realizar distintas
iteraciones con nmeros aleatorios de manera ms rpida y poder darle solucin al
problema planteado.

Mediciones y Resultados:
Primero mostraremos los resultados obtenidos con el mtodo de Montecarlo:

Primero los resultados obtenidos con Excel.


Segundo los resultados obtenidos luego de programar en Matlab.

Tabla 1 Mtodo de Montecarlo

Del cuadro anterior podemos obtener los resultados siguientes:


1. El costo total mnimo de operacin:
El costo total mnimo segn el mtodo de Montecarlo realizado en Excel es
$: 6388.28

2. La potencias de operacin de las unidades trmicas:

3. El costo marginal para esa hora:

A continuacin el cdigo del programa creado en Matlab para el mtodo de Montecarlo:


function Montecarlo
clear;clc

%borramos los valores de la memoria

for x=0:20 %valor inicial de x

Pe=12; %potencia generador 2A


x=round((430-Pe)*rand); %Demanda menos la potencia del generador 2A
multiplicado por un numero aleatorio
p1=x
cg1=((0.05*((p1).^2))+(6.5*([p1]))) %costo generador 1
y=round((418-p1)*rand()) %Demanda nueva menos la potencia p1 multiplicado
por un numero aleatorio
p2=y
cg2=((0.08*((p2).^2))+(7*p2)) %costo generador 2
p3=(418-(p1+p2))
cg3=((0.04*(p3.^2))+(9.78*p3)) %costo generador 3
ct=cg1+cg2+cg3 %costo total luego de sumar los costos de cada generador
end

Del cdigo anterior, luego de reiteradas iteraciones los valores que nos arroja son los
siguientes:
1. El costo total mnimo de operacin:
El costo total mnimo obtenido en Matlab es $:6840,9
2. Las potencias de operacin de las unidades trmicas:
3. El costo marginal para esa hora:

Ahora mostraremos los datos obtenidos con el mtodo de multiplicadores de


Lagrange.
Primero el cuadro de Excel de multiplicadores de Lagrange

1. El costo total mnimo de operacin:


Costo total minimo: 6388,27658

2. Las potencias de operacin de las unidades trmicas:


3. El costo marginal para esa hora:

Ahora mostraremos el cdigo de la programacin realizada en matlab de


multiplicadores de Lagrange.
clear all
clc
fcons=0;
c = [6.5 7 9.78]; %terminos lineales de la funcin
H = [0.05 0 0;0 0.08 0;0 0 0.041];
A = []; % no hay restriccin exacta
b= []; %

no hay restriccin exacta

Aeq = [1 1 1]; %restriccion exacta


beq = [418];%capacidad de la restriccin exacta
LB = [0 0 0]; %limites inferiores
UB = [418];
[x,fval,EXITFLAG,OUTPUT,LAMBDA]=quadprog(H,c,A,b,Aeq,beq,LB,UB); %
realiza optimizacin %valor de la generacion de cada grupo
fsol=fval+fcons %funcion objetivo con el termino independiente
EXITFLAG %condicin de salida
OUTPUT %Datos de la solucin
LAMBDA %multiplicadores de lagrange
h1= Aeq*x %evalua la restriccin exacta para la solucin

Del cdigo anterior los valores que nos da son los siguientes:
1. El costo total mnimo de operacin:
2. Las potencias de operacin de las unidades trmicas:
3. El costo marginal para esa hora:

Por ultimo mostraremos el mtodo del Gradiente.

Primero el mtodo del Gradiente implementado en Excel.

Tabla N3.- Metodo del Gradiente.


Del cuadro anterior los valores que nos da son los siguientes:
1. El costo total mnimo de operacin:
2. Las potencias de operacin de las unidades trmicas:
3. El costo marginal para esa hora:

Ahora mostraremos el cdigo implementado en Matlab para poder utilizar el mtodo del
Gradiente.
clear;%limpia la memoria que a almacenado datos anteriores
clc;%limpia la pantalla
pmin1=-1+rand()*(1+1)
ymin=pmin1^2;
x=-1+rand()*(1+1);
y=6.5*pmin1+0.05*pmin1^2;
df=-(y-ymin);%diferencial desenso gradiente
for i=1:100
xnuevo=x+0.01*df;
fnuevo=xnuevo^2;
df=-(fnuevo-y);
x=xnuevo;
y=fnuevo;
end
pmin2=-1+rand()*(1+1)
ymin=pmin2^2;
x=-1+rand()*(1+1);
y=7*pmin2+0.08*pmin2^2;
df=-(y-ymin);%diferencial desenso gradiente
for i=1:100
xnuevo=x+0.01*df;
fnuevo=xnuevo^2;
df=-(fnuevo-y);
x=xnuevo;
y=fnuevo;
end
p3=(430-12)-pmin1-pmin2

Del cdigo anterior los valores que nos da son los siguientes:
1. El costo total mnimo de operacin:
2. Las potencias de operacin de las unidades trmicas:
3. El costo marginal para esa hora:

Conclusin:

La importancia actual del mtodo Montecarlo se basa en la existencia de


problemas que tienen difcil solucin por mtodos exclusivamente analticos o
numricos, pero que dependen de factores aleatorios o se pueden asociar a un
modelo probabilstica artificial
En los problemas de optimizacin, el mtodo de los multiplicadores de Lagrange,
es un procedimiento para encontrar los mximos y mnimos de funciones de
mltiples variables sujetas a restricciones.
Referencias:

https://www.google.cl/
http://www.monografias.com/
http://www.investigaciondeoperaciones.net/metodo_del_gradiente.html