Universidad Autónoma de Santo

Domingo
UASD

Facultad : FACULTAD DE INGENIERIA Y ARQUITECTURA

Departamento : DEPARTAMENTO DE ELECTROMECANICA

Asignatura: ANALISIS DE SISTEMAS DE POTENCIA II

Sección : 02

Profesor : ING. FELIX CABRAL

Proyecto : PLANIFICACION DE REDES DE DISTRIBUCION

Fecha DE ENTREGA : 19-3-2018

SUSTENTANTE :

1-Nombre: ERIS DE LA ROSA………………………..Matricula: AD-8940

2-Nombre: CARLOS RAYNER CUEVAS…..…...……Matricula: BE-9554
3-Nombre: HEYBY ACEVEDO ……………………….Matricula: BE-9474
 INDICE GENERAL
Pág.

INDICE DE TABLAS ............................................................................................... vii

INDICE DE FIGURAS............................................................................................... ix

RESUMEN................................................................................................................. xii
INTRODUCCION ............................................................................................
1. .. 1
1.1 Planificación de Sistemas de Distribución de Energía Eléctrica ............... 1
1.2 Planteamiento del Problema....................................................................... 2
1.3 Objetivo...................................................................................................... 4
1.4 Estructura del proyecto .............................................................................. 4

2.ESTADO DEL ARTE Y EVOLUCION ............................................................ 7

2.1 Programación Matemática ......................................................................... 7
2.1.1 Planificación de subestaciones ........................................................ 8
2.1.2 Planificación de redes ...................................................................... 9
2.1.3 Planificación conjunta de subestaciones y redes ........................... 10
2.2 Técnicas Meta-heurísticas ........................................................................ 12
2.2.1 Planificación con sistemas expertos .............................................. 13
2.2.2 Planificación con intercambio de ramas ........................................ 13
2.2.3 Planificación con temple simulado (Simulated Annealing)........... 15
2.2.4 Planificación con búsqueda tabú (Tabu Search) ........................... 15
2.2.5 Planificación con colonias de hormigas (Ant Colony System)....... 16
2.2.6 Planificación con algoritmos evolutivos........................................ 17
METODOLOGIA
3. DESARROLLADA ........................................................... 20
3.1 Antecedentes Generales ........................................................................... 20
3.2 Breve Explicación de la Metodología Desarrollada................................. 24

3.3 ¿Cómo abordar el problema? ........................................................................ 24

 PROCESO DE MICRO-
4. OPTIMIZACION...................................................... 31
4.1 Descripción General................................................................................. 31
4.2 Análisis de Cluster ................................................................................... 32
4.3 Metodología de Micro-Optimización....................................................... 36
4.3.1 Etapa previa: determinación de la red vial .................................... 40
4.3.2 Ubicación y asignación de los transformadores ............................ 47
4.3.3 Trazado de red ............................................................................... 49
4.3.4 Selección óptima de conductores................................................... 56
4.3.5 Cálculo de pérdidas de energía ...................................................... 62
4.3.6 Iteraciones y resultados.................................................................. 67
PROCESO DE MACRO-
5. OPTIMIZACION .................................................... 76
5.1 Macro-Optimización Vía Diagramas de Voronoi .................................... 76
5.1.1 Diagramas de Voronoi ................................................................... 77
5.1.2 Procedimiento de optimización vía Voronoi ................................. 79
5.2 Macro-Optimización Vía Búsqueda Tabú ............................................... 91
5.2.1 Triangulación de Delaunay............................................................ 92
5.2.2 Resolución mediante vecindarios .................................................. 96
5.2.3 Resolución mediante búsqueda tabú............................................ 101
5.3 Macro-Optimización: Unión Diagramas de Voronoi y Búsqueda Tabú 107
6. EJEMPLO DE PLANIFICACION
OPTIMA ................................................ 109
6.1 Aplicación del Proceso de Micro-Optimización .................................... 109
6.2 Aplicación del Proceso de Macro-Optimización ................................... 112
6.2.1 Metodología basada en diagrama de Voronoi ............................. 115
6.2.2 Metodología simplificada basada en diagrama de Voronoi......... 117
6.2.3 Metodología basada en vecindarios............................................. 119
6.2.4 Metodología basada en búsqueda tabú y único vecindario ......... 121
6.2.5 Metodología secuencial Voronoi-búsqueda tabú......................... 123
7. PLANIFICACION DE REDES DE DISTRIBUCION
GREENFIElD............. 125
BIBLIOGRAFIA.......................................................................................................................133

A N E X O S................................................................................................................................141

Anexo A: Complejidad Algorítmica.......................................................................................142

Anexo B: Descripcion de Meta-heurísticas..........................................................................145

B.1 Algoritmos Genéticos...........................................................................................147
B.2 Temple Simulado (Simulated Annealing).....................................................149
B.3 Colonias de Hormigas..........................................................................................151
B.4 Búsqueda Tabú.......................................................................................................154

Anexo C: Analisis de Cluster...................................................................................................155

C.1 Métodos Jerárquicos.............................................................................................155
C.2 Métodos de Partición............................................................................................156

Anexo D: Costo de Conductores y Transformadores .........................................................159

Anexo E: Aplicacion Proceso de Micro-Optimización......................................................161

Anexo F: Costo Mínimo en la Optimzación de una Mini-Zona ......................................168

Anexo G: Resultados de la Micro-Optimización................................................................170

CONCLUSION ..........................................................................................................................171
 INDICE DE TABLAS
Pág.

Tabla 4.1: Evolución de la distorsión en el caso de ejemplo ..............................................34

Tabla 4.2: Menor distorsión por número de lanzamientos ..................................................47

Tabla 4.3: Resultado selección óptima de conductores........................................................62

Tabla 4.4: Variación del costo total con la búsqueda ............................................................70

Tabla 4.5: Efecto del equilibrio de red.....................................................................................72

Tabla 4.6: Confiabilidad del algoritmo....................................................................................74

Tabla 5.1: Aplicación diagrama de Voronoi............................................................................87

Tabla 5.2: Aplicación diagrama de Voronoi al caso simplificado ......................................90

Tabla 5.3: Ahorro v/s número de combinaciones con cota en 300 kVA ...........................99

Tabla 5.4: Ahorros por la recombinación de redes.............................................................101

Tabla 6.1: Ejemplo de Micro-optimización .........................................................................111

Tabla 7.1: ejemplo de la Metodologías de macro-optimización .....................................127

Tabla D.1: Listado de transformadores, capacidades y precios .......................................159

Tabla D.2: Listado de conductores de cobre desnudo ........................................................159

Tabla D.3: Listado de conductores de aluminio desnudo ..................................................160

Tabla D.4: Listado de conductores de aluminio preensamblado .....................................160

Tabla E.1: Evolución de la función de costo total ...............................................................165

Tabla G.1: Simulaciones equilibrio de red...........................................................................170

Tabla G.2: Evolución de la solución para distintos tamaños de mini-zonas .................170

Tabla H.1: Ejemplo de Micro-optimización parte I ...........................................................171

Tabla H.2:Ejemplo de Micro-optimización parte II..........................................................171

PAGINA DEJADA EN BLANCO PARA CREAR EXPECTATIVA EN EL LECTOR

ERIS DE LA ROSA
 INDICE DE FIGURAS

Pág.

Figura 1.1: Estructura del proyecto ............................................................................................6

Figura 3.1: Ejemplo 10 nodos....................................................................................................26

Figura 3.2: Triangulación de Delaunay para el ejemplo de 10 nodos ...............................26

Figura 3.3: ejemplo de Ubicación de los consumos ............................................................28

Figura 3.4: Diagrama simplificado del algoritmo propuesto ..............................................30

Figura 4.1: División en mini-zonas..........................................................................................32

Figura 4.2: Ejemplo de aplicación de k-means......................................................................35

Figura 4.3: Proceso de micro-optimización para una mini-zona .......................................37

Figura 4.4: Trazado vial para una mini-zona..........................................................................41

Figura 4.5: Asignación de los consumos a una calle............................................................43

Figura 4.6: Componentes conexas de la red vial...................................................................46

Figura 4.7: Árbol de mínima expansión..................................................................................51

Figura 4.8: Trazado de la red de baja tensión.........................................................................53

Figura 4.9: Equilibrio de red......................................................................................................55

Figura 4.10: Efecto de la inclusión del equilibrio en la optimización ..............................72

Figura 4.11: Costo y tiempo total v/s tamaño de la mini-zona ...........................................75

Figura 5.1: Diagrama de Voronoi para 30 centros.................................................................78

Figura 5.2: ejemplo de Diagrama de Voronoi .......................................................................81

ix
Figura 5.3: Identificación zonas interiores diagrama de Voronoi ......................................82

Figura 5.4: Identificación y cierre de polígonos con vértices exteriores .........................83

Figura 5.5: Envolvente convexa de los centros generadores ..............................................85

Figura 5.6: Diagrama de Voronoi para una solución de la micro-optimización .............86

Figura 5.7: Diagrama de Voronoi generado por transformadores de 300 kVA ...............88

Figura 5.8: Desventaja de la división en mini-zonas ............................................................91

Figura 5.9: Ejemplo de la triangulación de Delaunay ..........................................................93

Figura 5.10: Aumento de la triangulación producto del aumento en la entrada .............95

Figura 5.11: Posibilidad de combinación de redes .............................................................104

Figura 5.12: Configuración de redes producto de la micro-optimización .....................106

Figura 5.13: Configuración de redes producto de la macro-optimización ....................107

Figura 5.14: Configuración de redes luego de la macro-optimización secuencial .. 108

Figura 6.1:Ejemplo de una División en mini-zonas .........................................................110

Figura 6.2: Redes del caso base: micro-optimización ........................................................114

Figura 6.3: ejemplo de un Diagrama de Voronoi ...............................................................117

Figura 6.4: Creación de vecindarios para la recombinación de redes ............................120

Figura 6.5: ejemplo de Triangulación de Delaunay ...........................................................122

Figura B.1: Comportamiento de las hormigas.....................................................................152

Figura E.1: Ubicación de consumos en una mini-zona.....................................................161

Figura E.2: Trazado de calles y asignación de consumos .................................................162

x
Figura E.3: Ubicación y red inicial........................................................................................163

Figura E.4: Ubicación y red del primer mínimo encontrado ............................................164

Figura E.5: Ubicación y red en la última iteración .............................................................165

Figura E.6: Evolución de la función objetivo......................................................................166

Figura E.7: Equilibrio de la red óptima .................................................................................166

Figura F.1: Ejemplos de la evolución del costo total ..........................................................169

x
 RESUMEN DEL PROYECTO
La planificación de la distribución eléctrica considerando como input sólo la ubicación y
proyección de la demanda de los consumos, es clave en aquellos mercados en que la
distribución está regulada mediante el esquema de empresa modelo, donde las tarifas son
fijadas de acuerdo a una empresa ficticia óptima, que abastece la misma zona de concesión
de la empresa regulada.
En el presente proyecto planteado por el Ingeniero Félix Cabral se analiza lo referente a la
optimización de la red de baja tensión partiendo desde cero (Greenfield planning), así se
propone un procedimiento del tipo “Dividir y Conquistar”, en que la zona a planificar es
dividida en mini-zonas, y a cada una de ellas se les aplica un procedimiento de optimización,
con uso intensivo de clustering, cuyo acierto es considerar en forma acoplada la ubicación y
capacidad de los transformadores con la red asociada, optimizando también su topología y
los conductores que la componen.

Sin embargo tal división es arbitraria, para perfeccionarlo se realizaron dos familias de
metodologías, una que busca realizar una mejor partición, basada en los diagramas de
Voronoi, en que la ubicación de ciertos transformadores representan los puntos generadores
para los polígonos de Voronoi, logrando mini-zonas irregulares y optimizando cada una de
ellas, y la otra basada en la posibilidad que redes vecinas puedan ser unidas en una misma red
siempre y cuando tal unión genere ahorros, dada la gran cantidad de variables, dicha
construcción es realizada utilizando búsqueda tabú.
La metodología final es una combinación secuencial de ambas, realizando primero una
adecuada fragmentación, para luego optimizar cada mini-zona irregular y finalmente analizar
la posibilidad de unión entre ellas. Obteniendo una metodología que permite resolver la
planificación desde cero para una zona de gran tamaño, la que finalmente es aplicada
tomando con ejemplo la ciudad de Santiago de chile, proceso que entrega como resultado
7.686 transformadores de distribución con una capacidad instalada de 2.625 MVA, con una
red de distribución de baja tensión de 8.935 km.
PAGINA DEJADA EN BLANCO PARA CREAR EXPECTATIVA EN EL LECTOR
1. INTRODUCCION

1.1 Planificación de Sistemas de Distribución de Energía Eléctrica

En la cadena de suministro de energía eléctrica es posible distinguir tres grandes segmentos,

encargados cada uno de ellos de una labor clara y definida, el segmento de la generación es el
responsable de transformar la energía proveniente de diversas fuentes, tales como
combustibles, viento, biomasa, agua, fusión nuclear, en energía eléctrica, en tanto el
segmento de la transmisión es el encargado de transportar grandes bloques de energía desde
los centros de generación hacia los centros de consumo. Finalmente, el segmento de la
distribución es el encargado de repartir la energía entre los usuarios finales, ya sean estos
residenciales, comerciales o industriales, por tanto constituye el segmento más cercano al
cliente y por ende está bajo la evaluación constante de los consumidores, quienes no pueden
cambiarse de compañía distribuidora, producto que este segmento constituye un monopolio
natural.
El monopolio natural se produce cuando es más eficiente que exista sólo una empresa
operando en una determinada zona, que varias empresas operando en la misma, ello dado que
su función de costos es subaditiva para el rango de demanda que satisface, en términos
simples, en el negocio de distribución, el costo de satisfacer a un cliente cuando se suministra
a muchos clientes a la vez, es más bajo que cuando se satisface a un único cliente, fenómeno
conocido como economías de densidad. La existencia de tal monopolio, requiere una
regulación por parte del estado, de manera que la empresa regulada remunere adecuadamente
su actividad, y así tenga los incentivos para seguir operando, y los consumidores reciban un
adecuado nivel de servicio.
Si tomamos por ejemplo Chile, la regulación empleada es por “empresa modelo”, esto
significa que la empresa en cuestión es remunerada no de acuerdo a sus costos reales, sino
que de acuerdo al costo eficiente de una empresa ficticia que cubriría la misma zona de
concesión, la cual debe estar óptimamente diseñada tanto en su gestión como en su política
de inversiones, de manera de estar siempre adaptada a la demanda y cumplir las normativas
vigentes de calidad y seguridad de servicio. Para tal diseño, se considera que la construcción
de la
 2

empresa modelo se realiza desde cero, esto es, la empresa eficiente considera únicamente la
ubicación y demanda actual y proyectada de los consumos, de manera de no incluir en su
diseño, ninguna de las ineficiencias que podría tener la empresa que está siendo regulada.
Con este tipo de regulación, la empresa real sólo obtendrá rentabilidad si es capaz de
comportarse igual o mejor que la empresa modelo en sus gastos de inversión y operación, lo
que genera incentivos a gestionarse de manera racional y eficiente.
De lo anterior se desprende que la fijación tarifaria comprende dos aristas bien definidas, por
un lado está la optimización de la gestión, vale decir de aquellos costos relacionados con la
administración, facturación y atención al cliente, y por otro, se encuentra la optimización de
las inversiones, localización y tamaño de subestaciones y transformadores, trazado de la red
y tipo de conductores utilizados, es decir la planificación óptima de la red, lo que constituye
un aliciente importante para el desarrollo de la presente tesis.
Se debe señalar que en los sistemas de distribución es posible distinguir dos sistemas
relacionados, uno de media tensión, que es el encargado de comunicar las subestaciones
primarias con los transformadores de distribución y uno de baja tensión que comunica dichos
transformadores con los consumidores finales, siendo por tanto, este último el que debe
abastecer a un gran número de consumos. En el presente trabajo se aborda el problema
exclusivo de la planificación en baja tensión, el cual como se verá en el siguiente apartado,
por sí mismo representa un problema complicado y desafiante.

1.2 Planteamiento del Problema

En este trabajo se busca responder a la planificación óptima de las inversiones, no sólo por su
importancia regulatoria, sino también por la complejidad del problema, el cual, en términos
generales, consiste en abastecer un conjunto de nodos, identificados por su demanda y por su
ubicación espacial, para lo cual se debe determinar el trazado de la red y el tipo de
conductores a utilizar, la ubicación y tipo de transformadores, a fin de minimizar los costos
de inversión para un horizonte de tiempo determinado, cumpliendo las restricciones de
regulación de tensión y radialidad de la red. De lo cual se desprende el carácter combinatorio
del problema, con presencia de variables enteras, relacionadas con las decisiones de
inversión, como por ejemplo, número entero de transformadores,
 3

instalación o no de un transformador en una posición determinada, entre otros, y variables

continuas relacionadas con los flujos eléctricos y regulación de tensión. Resumiendo, la
formulación global del problema sería la siguiente:

minCInvtransformadores  CInvconductores  Cpérdidas 

Sujeto a
• Abastecer la totalidad de la demanda.
• Cumplir la regulación de tensión.
• Existencia de un conjunto discreto de conductores.
• Existencia de un conjunto discreto de transformadores.
• Realizar un trazado radial de la red.
• Respetar las zonas prohibidas de paso.

Se debe señalar que la planificación de la red de baja tensión, junto con ser un problema de
1
optimización combinatorial, representa un problema del tipo NP-completo (Garey y Jonson,
1979), esto es que el orden de crecimiento del algoritmo para encontrar la solución no está
acotado por un polinomio de orden n, de hecho en la actualidad todos los algoritmos
conocidos para problemas NP-completos utilizan tiempo exponencial con respecto al tamaño
de la entrada. Con lo cual para resolverlo en un tiempo razonable, se requieren realizar
simplificaciones en las restricciones y/o planteamiento del problema, o buscar métodos
alternativos que permitan encontrar una buena solución (Gonen y Ramírez-Rosado,1986,
Khator y Leung, 1997). En particular, el problema aquí señalado, ha tratado de ser resuelto
mediante técnicas de programación matemática, con bastantes simplificaciones que permiten
su convergencia (Adams y Laugton, 1974, Ponnavaikko et. al.,1987, Gonen y Foote, 1981,
Youssef y Hackman, 1988, Ramírez-Rosado y Gonen, 1991, Paiva et. al. 2005) y en los
últimos años mediante técnicas meta-heurísticas, tales como intercambio de rama, algoritmos
genéticos, algoritmos basados en el comportamiento de las colonias de hormigas, entre otros
(Hsu y Chen, 1990, Nara et al. 1992, Miranda et. al.
 4

1994, Goswami 1997, Míguez et. al 2002, Gómez et. al. 2004, Ramírez-Rosado y
Domínguez-Navarro, 2006). No obstante, en ellos no se realiza la optimización de gran
tamaño (más de 500.000 nodos), ni la optimización conjunta de la localización y capacidad
de transformadores con la red asociada, situaciones que en este trabajo serán consideradas.

1.3 Objetivo

Esta investigación busca contribuir al mejoramiento de los instrumentos de regulación con

miras a incentivar la eficiencia económica en el negocio de distribución de energía eléctrica.
A través de una metodología que:
a) Permita obtener la planificación desde cero para la red de distribución de baja
tensión.
b) Considere el análisis acoplado entre localización y capacidad del transformador
con su red de baja tensión asociada.
c) Sea aplicable a una red de gran tamaño.

1.4 Estructura del proyecto

El proyecto es organizado de la siguiente manera, figura 1.1, en el primer capítulo se entrega

una visión de la importancia tanto regulatoria como técnica de la planificación de los
sistemas de distribución, además de presentar los antecedentes que describen al problema y a
su particular dificultad, mostrando que aspectos del mismo serán considerados en este
trabajo.
En el segundo capítulo se entrega una breve reseña sobre el estado del arte en la materia,
mostrando brevemente la bibliografía revisada y la evolución que ha tenido la forma de
abordar el problema, tanto en la incorporación de variables adicionales como en las nuevas
metodologías planteadas para su solución.
El tercer capítulo muestra los antecedentes de la metodología propuesta, planteando los
desafíos a resolver y los principales supuestos que se asumieron para realizarlos, además de
presentar en términos generales los elementos básicos de dicha metodología.
Posteriormente en el capítulo cuatro y cinco se presentan dos elementos claves del
procedimiento propuesto, que dicen relación con la optimización de zonas pequeñas y la
 5

integración de ellas en zonas mayores respectivamente, explicando en detalle cada una de las
partes del algoritmo, y mostrando en cada etapa las decisiones que se tuvieron que adoptar y
los antecedentes en virtud de las cuales se tomaron. Se aplica, cada etapa a un escenario real,
tomado como ejemplo para explicar con claridad lo planteado.

En el capítulo seis se aplicarán las mejores prácticas obtenidas de la aplicación del modelo a
al ejemplo tomado como referencia en un problema de gran tamaño,
Finalmente, en el capítulo siete se presentan las conclusiones del trabajo y los desafíos
futuros relacionados con la planificación de sistemas de distribución.
 6

PAGINA DEJADA EN BLANCO PARA CREAR EXPECTATIVA EN EL LECTOR

 7

2. ESTADO DEL ARTE Y EVOLUCION

Este capítulo pretende entregar una visión del estado del arte en la planificación de los
sistemas de distribución, mostrando la evolución de los algoritmos empleados, con hincapié
en las restricciones consideradas y aplicabilidad en sistemas reales.
Es necesario reiterar la complejidad del problema a resolver (NP-completo) para el cual
resulta imposible encontrar una solución óptima, que no sea sino a través de la evaluación
completa de todos los posibles resultados, lo cual en un ejercicio de planificación es
imposible, dado el elevado número de variables y combinaciones a considerar, por ejemplo,
consideremos un problema con 100 variables binarias, esto es un espacio de búsqueda de 2 100
30
, es decir 1,26 x 10 combinaciones posibles. Suponiendo que en evaluar cada combinación,
optimistamente se toma 1 femto-segundo, se requeriría algo así como 40 millones de años en
encontrar la solución, por tal razón, los algoritmos que se han propuesto hasta la fecha,
incluyendo el desarrollado en este trabajo, buscan encontrar una buena solución, lo que no
constituye una merma en la calidad, profundidad e importancia de las investigaciones, sino
que simplemente, constituyen una aproximación a la correcta solución del problema. Es en
este sentido, dada la imposibilidad de encontrar el óptimo, que existen muchos trabajos que
intentan dar respuesta al problema, los cuales se pueden clasificar en dos grandes grupos,
aquellos que buscan la solución mediante programación matemática y aquellos que tratan de
hacerlo por medio de vías meta-heurísticas.

2.1 Programación Matemática

La programación matemática también conocida como optimización matemática, busca

resolver problemas de maximización y/o minimización de funciones, sujetas a restricciones,
encontrando siempre la solución óptima, toda vez que ésta solución exista, mediante la
utilización de herramientas matemáticas, entre las que se pueden mencionar branch and
bound, programación dinámica, planos cortantes, etc. Tal como se señala en el comienzo del
trabajo, la complejidad del problema hace que este tipo de algoritmos no pueda resolver el
problema real y por tanto, tenga que abordar relajaciones del mismo, ya sea relajando la
función objetivo, por ejemplo separando el problema de la instalación de transformadores
 8

con el problema de trazado y optimización de la red, o relajando las restricciones del

problema, tales como linealización de costos de red, simplificaciones en el flujo de potencia,
no consideración de las pérdidas, por mencionar algunas.
A continuación se presentará una clasificación de algunas de las investigaciones realizadas en
la materia, a fin de vislumbrar la evolución tanto en la metodología como los supuestos
empleados. La agrupación se realizará de acuerdo al tipo de problema que resuelven, ya sea
planificación de subestaciones y/o transformadores de distribución, planificación de redes y
finalmente planificación conjunta de redes y centros de transformación, en cada sección se
seguirá la evolución histórica de los mismos.

2.1.1 Planificación de subestaciones

Este apartado dice relación con la instalación de transformadores y subestaciones, así como
la ampliación de la capacidad de estas últimas. Los primeros algoritmos consideraban un
pequeño número de subestaciones y además requerían como entrada la ubicación de sus
posibles posiciones. Entre los primeros que abordan el problema de aumento de capacidad de
subestaciones está Masud (1974), quien además de determinar la ampliación, calcula el
momento en que se debe realizar, con un modelo compuesto de dos etapas, en la primera se
realiza la selección de la capacidad a aumentar, mediante programación entera y en la
segunda mediante programación lineal se determinan los consumos asociados a cada
subestación. Otros pioneros son Crawford y Holt (1975), quienes dado un conjunto de
ubicaciones para las subestaciones determinan sus respectivas capacidades y áreas de
servicio, mediante el uso del algoritmo de Dijkstra y del algoritmo de Ford y Fulkerson.
Posteriormente Thompson y Wall (1981) incluyen a las posiciones existentes, las posibles
posiciones de nuevas subestaciones como dato de entrada, incorporando una metodología
distinta a la programación lineal, mediante el uso de programación entera, utilizando el
algoritmo de “Branch and Bound”. Finalmente cabe destacar los trabajos de Willis et al
(1985) y Willis et al (1987), en que la función a minimizar esta dada por los costos de
inversión en las subestaciones más los costos de inversión y pérdidas de una red simplificada,
que no considera las restricciones de capacidad de los conductores, ni las caídas de tensión y
que supone que los costos de cada tramo de red son proporcionales al
 9

flujo que circula por ellos y a la longitud de los mismos. El procedimiento de solución
emplea programación dinámica y “Branch and Bound”. En Willis et al (1987), se mejora este
algoritmo incorporando la consideración de la carga anual de los consumos y ubica las
subestaciones de manera que satisfaga la demanda con el mínimo de capacidad instalada.
En los años posteriores la atención de los investigadores se centra en la planificación
conjunta de subestaciones y redes, no obstante el problema de planificación de subestaciones
desacoplado de la red, nuevamente vuelve a ser abordado en Temraz y Salama (2002), donde
se determina el área de influencia y la función objetivo es caracterizada por una función no
lineal sin discontinuidades que se soluciona básicamente siguiendo una metodología de
descenso.
De lo anterior se desprende que en lo que respecta a las redes de distribución planificadas con
programación matemática, las investigaciones apuntan al segmento de MT, compuesto por
las subestaciones y alimentadores, sin considerar en el proceso la instalación de los
transformadores y su red BT, situación que recién es abordada en un primer intento por Bujak
(1988), realizando la elección de la ubicación de los transformadores de entre un conjunto de
posiciones candidatas, dato de entrada difícil de conseguir en la práctica, usando para la
resolución del problema como base la técnica de “Branch and Bound” apoyada por métodos
heurísticos auxiliares. Otro intento por resolver la ubicación de los transformadores en forma
independiente de la red se presenta en Moreno et al. (2006), donde mediante un algoritmo de
cluster modificado se asocian los consumos a un determinado transformador, obteniéndose
como resultado la ubicación y capacidad de los transformadores de distribución, pero sin
entregar información acerca de la factibilidad real de la asociación, y sin conseguir, además,
el trazado de la red de baja tensión.

2.1.2 Planificación de redes

Esta sección aborda la selección óptima de conductores y el trazado de la red en forma

independiente de la ubicación de las subestaciones y transformadores. La primera
investigación al respecto, fue realizada por Adams y Laughton (1974), en que dada una
ubicación y capacidad fija de las subestaciones, se escoge la ubicación y tipo de conductor de
las líneas, minimizando el costo de los conductores a través de programación entera –
 10

mixta, considerando caídas de tensión y capacidad de conductores. Siguiendo los mismos

supuestos, Wall et al (1979), encuentra el trazado y capacidad de las líneas, usando el
algoritmo de transporte y aproximando la función de costo de los conductores a una función
lineal proporcional a su capacidad térmica. Posteriormente, en 1988, Tram y Wall, trabajaron
en la selección óptima de conductores, considerando la topología de la red como dato de
entrada, lo que implica tomar un alimentador compuesto de n tramos, y para cada uno de
ellos elegir el mejor conductor, considerando como restricción la caída de tensión y la
capacidad de transporte de los conductores. La función a minimizar corresponde a la suma
del costo de inversión más el costo de las pérdidas de todos los tramos del alimentador,
mediante un algoritmo iterativo de búsqueda local. Finalmente cabe mencionar el trabajo de
Mandal y Pahwda (2002) el cual realiza la selección óptima de conductores basado en el
menor valor presente, considerando tanto los costos de inversión y pérdidas de cada
conductor analizado, presentando dos metodologías para la elección de la mejor alternativa,
basadas en la capacidad térmica y económica de cada conductor.

2.1.3 Planificación conjunta de subestaciones y redes

Los trabajos de esta sección buscan resolver tanto la instalación de las subestaciones y/o
transformadores con la red asociada a ellos. Los primeros en abordar esta temática fueron
Hindi y Brameller (1977), a través de un modelo de transporte con restricción de capacidad y
un algoritmo de “Branch and Bound”, en el que se minimizan los costos fijos y variables de
las líneas y subestaciones, una vez que se tiene una solución factible se revisa el
cumplimiento de la restricción de radialidad, si no la satisface se hacen las modificaciones
para que sí lo sea. Resolviendo esta misma función objetivo, Gönen y Foote (1981) la
aproximan a una función lineal por tramos, y para la ubicación de las nuevas subestaciones
consideran como dato de entrada las ubicaciones posibles, su acierto está en considerar la
capacidad discreta de subestaciones y conductores, utilizando programación entera mixta,
dada la gran cantidad de variables necesarias sólo se puede aplicar a sistemas pequeños, de
hecho el modelo es probado sobre un ejemplo de tres posibles ubicaciones de subestaciones
que deben satisfacer en total a doce centros de carga (transformadores de distribución). En un
trabajo posterior Gönen (Gönen y Ramírez-Rosado, 1986), propone un modelo entero
 11

mixto, que resuelve simultáneamente el problema de subestaciones y alimentadores, pero

esta vez, indicando el tiempo en que se debe realizar una determinada inversión, modelo
multi-etapa, y considerando las restricciones de regulación de tensión y topología radial de la
red. No obstante, nuevamente el modelo propuesto es sólo aplicable a redes de tamaño
reducido, en este caso el modelo es probado en una red con veinte consumos (centros de
consumo) y con cuatro posibles ubicaciones para subestaciones.
Cabe destacar que no todos los trabajos realizan la linealización de la función objetivo, así
Youssef et al. (1988) considera los costos no lineales, además, como simplificación utiliza
sólo variables continuas, de modo de resolverlo a través del método de Lagrange y así
abordar problemas de dimensiones mayores, siendo probado en un sistema con 3
subestaciones existentes, una subestación futura posible, 27 nodos de consumo y 56 nodos de
trasbordo, para un horizonte de 20 años. También en Ponnavaikko et al. (1987) se considera
la no linealidad de costos, nuevamente se considera continuidad de las variables en el
proceso de optimización, pero en este caso, dentro del proceso son aproximadas a valores
enteros, aplicado a un ejemplo con 10 nodos y 2 posibles ubicaciones para las subestaciones.

El trabajo de Ramírez-Rosado y Gönen (1991) aborda la característica dinámica del

problema, es decir, no sólo obtiene las capacidades y ubicaciones de subestaciones (dado un
conjunto de ubicaciones posibles) y alimentadores, sino que indica el tiempo en que se deben
llevar a cabo las inversiones, realizando un modelo pseudo-dinámico que es resuelto en dos
fases, aplicando en la primera programación lineal y luego mejorando la solución mediante
“Branch and Bound”. El método es aplicado a la expansión de un sistema real, el cual, no
obstante es de baja dimensión, con no más de cuarenta nodos de consumo, y considerando la
ubicación de dos subestaciones, una existente y otra posible. Siguiendo con la consideración
dinámica del problema, Sanhueza y Rudnick (1995) minimizan el valor presente de la
inversión más operación y pérdidas de un sistema de distribución, mediante el algoritmo de
descomposición de Benders, no obstante la gran cantidad de variables, hace que su aplicación
sea para redes pequeñas, inferiores a 20 nodos.
En Vaziri et al. (2001) el modelo propuesto conserva la estructura dinámica, pero se incluye
esta vez la restricción de presupuesto de la empresa distribuidora, las restricciones técnicas
 12

de subestaciones y alimentadores son incorporadas al modelo y no se realiza una revisión ex

- post de ellas, la función objetivo se modela de forma de plantear un problema de
programación entera mixta, el modelo de ejemplo sólo considera 5 centros de demanda y la
ubicación de una subestación existente y de otra posible.
Es importante señalar que existen trabajos que apuntan a la naturaleza probabilística del
problema, en este campo destaca el trabajo de Singh et al (2005), que incluye la
incertidumbre inherente a la proyección de la demanda, resuelve la expansión de un sistema
de distribución mediante Dantzig-Wolfe en que cada subproblema corresponde a un
escenario de demanda, la naturaleza estocástica del modelo genera un gran número de
variables (cercanas a 250.000) lo que vuelve a la metodología inaplicable en un caso real.
Finalmente se encuentra el trabajo de Paiva et. al (2005) que aborda la planificación
dinámica conjunta de la red de media tensión y de baja tensión de los sistemas de
distribución mediante programación lineal entera mixta, considerando una red de baja tensión
detallada, respetando los límites máximos de conductores, subestaciones y transformadores,
y cumpliendo una cierta regulación de tensión, no obstante, la aplicación real del modelo es
infactible, dado que su ejecución en un sistema de 38 nodos de media tensión y 37 nodos en
baja tensión tarda 29.305 segundos ( aproximadamente 8,15 horas).

2.2 Técnicas Meta-heurísticas

Dada la complejidad y dimensionalidad del problema a resolver, los algoritmos basados en

programación matemática no son capaces de considerar todas las variables y restricciones del
problema real, y sólo pueden ser utilizados para solucionar aplicaciones en sistemas
pequeños, lo que ha llevado a los investigadores en el último tiempo a buscar nuevas
prácticas que permitan tomar en consideración el tamaño real del problema a resolver y sus
principales restricciones, de manera de obtener buenas soluciones factibles en tiempo
razonable, pero sin garantizar la obtención del óptimo. Tal tendencia no es prohibitiva de los
sistemas de distribución, sino que representa la manera a través de la cual se están
resolviendo una enormidad de problemas complejos en la actualidad. Esta forma de resolver
se basa en meta-heurísticas, de acuerdo a Glover et al. (2003):
 13

“Las meta-heurísticas son métodos que integran de diversas maneras, procedimientos de

mejora local y estrategias de alto nivel para crear un proceso capaz de escapar de óptimos
locales y realizar una búsqueda robusta del espacio de búsqueda. En su evolución, estos
métodos han incorporado diferentes estrategias para evitar la convergencia a óptimos locales,
especialmente en espacios de búsqueda complejos.”

Estas técnicas toman conceptos desde la inteligencia artificial, la genética, la física, la

biología, entre las más utilizadas se cuentan los algoritmos evolutivos, los algoritmos basados
2
en colonias de hormiga, el intercambio de ramas, la búsqueda tabú y el temple simulado .

2.2.1 Planificación con sistemas expertos

Los primeros que usan este tipo de técnicas son Hsu y Chen (1990), quienes desarrollaron un
modelo basado en reglas que interactúan con el usuario, a través de un algoritmo iterativo en
que se ubican las subestaciones con el fin de minimizar las pérdidas en los alimentadores,
para posteriormente asignar a cada subestación el consumo más cercano. Se debe señalar que
no considera el trazado de la red, sino que únicamente la distancia entre el punto de consumo
y la subestación, el modelo es aplicado a un caso de dos posibles subestaciones y 23 nodos de
consumo.
En la literatura es posible notar que los sistemas expertos no resuelven el problema en forma
independiente, sino que necesitan de la interacción con el planificador, este es el caso de Hsu
y Chen (1990), Brauner y Zobel (1994) y Lo y Nashid (1996), por lo cual este tipo de
heurística ha sido paulatinamente abandonada por los investigadores, quienes sólo la han
seguido utilizando en combinación con otros meta-heurísticos.

2.2.2 Planificación con intercambio de ramas

El estudio pionero que introdujo esta metodología fue de Aoki et al (1990), cuyo objetivo
exclusivo era trazar la red óptima, para ello se parte de una solución inicial radial, luego se
incorpora una nueva rama que genera un bucle, y luego se saca una rama para eliminar dicho
bucle. La decisión de la rama a incorporar y de la rama a eliminar está sujeta a las
restricciones de capacidad en los conductores y caídas de tensión en los nodos, el proceso

2
Para mayor detalle ver Anexo C referente a diversas metodologías meta-heurísticas.
 14

se repite iterativamente hasta que no se mejora la solución. Una modificación a este estudio
fue propuesta en Nara et al. (1992), donde la técnica intercambio de ramas (branch exchange)
es utilizada en etapas sucesivas, primero se realiza una iteración completa para tener una
solución inicial (primera etapa), luego se permite la adición y sustracción de una rama,
aunque empeore la solución, y continúa el proceso (segunda etapa), si el árbol resultante es
mejor que el árbol inicial se reemplaza, el número de veces en que se realiza este proceso
debe ser indicado por el planificador, es importante destacar que con esta técnica los tiempos
de ejecución comienzan a ser razonables, así trazar la red para un sistema de 59 nodos tarda
aproximadamente un minuto.
En 1997 esta técnica nuevamente es utilizada para el trazado de la red, Goswami (1997), pero
esta vez no sólo aplicada a un único árbol de expansión (una única subestación como nodo
generador del árbol), sino que a un sistema con más de una subestación, para lo cual se
propone partir del árbol de mínima expansión asociado a cada subestación, para luego
intercambiar ramas al interior de una misma red (intercambio intra-zona) e intercambiar
ramas entre redes diferentes (intercambio inter-zonas). Peco (2001) también realiza el
intercambio intra e inter zona, toma la ubicación de subestaciones, transformadores y
consumos como datos de entrada al modelo, respeta los límites de transporte de los
conductores, la regulación de tensión y las restricciones geográficas de la zona en análisis; se
debe destacar que realiza la optimización completa del sistema de distribución, analizando
mediante técnicas de auto-aprendizaje la confiabilidad de la red, siendo aplicable a una red
de gran tamaño; de hecho en el trazado de una red de media tensión que conecta 75
subestaciones con 6.740 transformadores se demora tan sólo 23 minutos.
En la línea de lograr la aplicabilidad de la metodología a sistemas reales y obtener buenos
resultados, Míguez et al. (2002) propone una mejora consistente en realizar en una primera
fase el trazado de la red por medio de intercambio de ramas, y en una segunda fase incluir
nodos de trasbordo que mejoren la solución (nodos de Steiner) , ello dado que la distancia no
es la única variante relevante en el trazado de la red sino que también lo son los flujos que
transportan los conductores, y con la presencia de estos nodos auxiliares es posible
considerar tal situación, el método propuesto tarda cuatro segundos en trazar la red asociada
a 387 cargas y 9 transformadores.
 15

En términos generales, de la literatura revisada, se desprende que la metodología de

intercambio de ramas permite abarcar problemas reales de sistemas de distribución, no
obstante, sólo aborda la problemática referida al trazado de la red, sin realizar la ubicación de
las subestaciones y/o transformadores, por lo que constituye una herramienta que por sí sola
no resuelve el problema de planificación de una red de distribución.

2.2.3 Planificación con temple simulado (Simulated Annealing)

Esta metodología ha sido poco empleada en el problema de planificación de sistemas de

distribución, principalmente se ha usado en problemas relacionados, tales como la
reconfiguración de redes (Chang y Kuo, 1994) y la ampliación de redes por el efecto de la
generación distribuida (Ponce de Leao y Matos, 1994). Su poco uso es producto de la gran
sensibilidad que presenta frente a los parámetros de control, una mala sintonización implica
necesariamente malos resultados, por lo que requiere un gran esfuerzo en la correcta
determinación de ellos, situación que ha motivado el abandono paulatino de esta técnica
como solución a problemas de optimización combinatorial, producto de la existencia de
metodologías alternativas menos sensibles a los parámetros de control.

2.2.4 Planificación con búsqueda tabú (Tabu Search)

La búsqueda tabú ha sido utilizada ampliamente en la resolución de problemas complicados

asociados a la optimización combinatorial, y la planificación de los sistemas de distribución
no ha sido la excepción. Uno de los primeros estudios en esta área fue Nara et al. (1998), en
el que se estudia la expansión del sistema, considerando la incorporación de nuevos
alimentadores y la localización de alimentadores de reserva que aumentan la confiabilidad de
la red.
Sin embargo, los principales aportes con esta técnica fueron desarrollados por Ramírez-
Rosado y Domínguez-Navarro (2004 y 2006). En Ramírez-Rosado y Domínguez-Navarro
(2004) se utiliza esta técnica abordando la característica no determinística del problema, a
través de la incorporación de lógica difusa en la definición de la demanda. El modelo es
mono-etapa, la función a minimizar es multi-objetivo y considera la minimización de los
costos de inversión, del valor esperado de la energía no suministrada y del riesgo,
 16

entendiendo el riesgo como la posibilidad de sobrepasar la capacidad de los alimentadores y

de no cumplir con la regulación de tensión. Como se trata de una optimización multi-
objetivo, el resultado es un conjunto de soluciones en equilibrio paretiano, obtenidas a través
de búsqueda tabú, por lo tanto, la alternativa final debe ser escogida de entre ellas, en este
caso se propone el criterio de Max-mín para su obtención. El modelo es de expansión, por lo
que recibe la ubicación de las subestaciones y alimentadores existentes y de las posibles
ubicaciones de las nuevas subestaciones y alimentadores, se aplica a una caso real de tamaño
medio dado por 182 consumos, una subestación existente y dos posibles subestaciones, es
importante señalar que también realiza la ubicación de alimentadores de reserva. Los mismos
autores en un estudio posterior, Ramírez-Rosado y Domínguez-Navarro (2006), resuelven el
mismo problema, pero esta vez incorporando una modificación a la búsqueda tabú
denominada NMTS (siglas de su nombre en inglés New Multiobjective Tabu Search), en
donde su principal característica es intensificar la búsqueda de la solución en las tres
funciones objetivos del modelo de optimización.
En suma esta técnica ha mostrado ser eficiente en la solución de problemas de planificación,
dada su posibilidad de evitar quedar atrapada en óptimos locales, lo que la convierte en una
herramienta atractiva en la resolución de problemas combinatoriales complejos.

2.2.5 Planificación con colonias de hormigas

Esta es una metodología que no ha sido muy aplicada en problemas de distribución, no por
cuanto sea una mala herramienta sino por que constituye una meta-heurística introducida
recién en el año 1996 (Dorigo, 1996) y por tanto aún no ha sido completamente desarrollada.
En relación a la planificación de sistemas de distribución destaca el trabajo de Gómez et. Al.
(2004), en el que se realiza una planificación en una única etapa, se considera como dato de
entrada las posibles ubicaciones para las nuevas subestaciones y la ubicación de
subestaciones y centros de transformación existentes, respeta la capacidad de los conductores
y subestaciones, la topología radial de la red, y una determinada regulación de tensión. El
modelo es aplicado a un área urbana con 201 centros de transformación
 17

abastecidos desde una única subestación, demorando en su ejecución, entre 26 minutos y 93

minutos dependiendo de la calidad de la solución buscada.
Esta metodología presenta la virtud de tener en cada iteración una mejor solución que en la
iteración anterior y por ende fijando el número de iteraciones o de colonias de hormiga se
pueden obtener buenos resultados en un tiempo razonable, sin embargo, dicho tiempo es
adecuado en sistemas pequeños puesto que con miles de nodos sería inviable, dado que cada
colonia realiza un proceso completo de construcción de red, y por tanto muchas colonias
implica muchos procesos a completar.

2.2.6 Planificación con algoritmos evolutivos

El primer trabajo que emplea los algoritmos genéticos o evolutivos para su resolución fue
Miranda et al. (1994), en el cual, la función no sólo incluye los costos de instalación y
expansión tanto de conductores como subestaciones y/o transformadores, sino que además
considera un indicador de calidad de tensión y un índice de confiabilidad de la red, a los
cuales se les asigna un costo. Como dato de entrada recibe la ubicación de las nuevas
posibles subestaciones, y realiza una optimización multi-etapa, por tanto indica el momento
en que se deben llevar a cabo las inversiones; el método es probado en un sistema 50 nodos,
con dos subestaciones existentes y con dos posibles nuevas ubicaciones. También en el
marco de una optimización multi-etapa, Ramírez-Rosado y Bernal-Agustín (1998) resuelven
un modelo de planificación de expansión, que entrega la ubicación y tamaño tanto de
subestaciones como de alimentadores, el modelo incluye los costos no lineales asociados a la
operación (costos de pérdidas) sin linealizarlos, como dato de entrada recibe las posibles
rutas de los alimentadores y posibles ubicaciones, en la resolución de un caso real resuelve la
expansión de una red de 417 nodos en 15,25 horas, lo cual ya comienza a ser atractivo desde
el punto de vista práctico. En un estudio posterior Ramírez-Rosado y Bernal-Agustín (2001),
incluyen en su modelo la planificación multi – objetivo, minimizando los costos de inversión
y la energía no suministrada, es decir la confiabilidad no es valorizada en cuanto a costo
(función objetivo como minimización de una combinación lineal de costos) sino que es
incluida como un objetivo en el problema, y por tanto se obtiene un conjunto de soluciones
(no una única solución como en la optimización
 18

mono – objetivo) en equilibrio paretiano. Luego, es función del planificador elegir la

solución final de entre el conjunto de soluciones encontradas. Es necesario mencionar que la
disminución de la energía no suministrada se logra con la incorporación de alimentadores
auxiliares que se encuentran en estado normalmente abierto. El modelo fue probado en un
sistema de 417 nodos con un horizonte de tres años, donde se obtuvo el conjunto de
soluciones paretianas, sin embargo no se indica su tiempo de ejecución.
Otro trabajo importante de destacar es el realizado por Carvalho et al (2000), en el que se
incorpora la incertidumbre al problema de planificación, incertidumbre que es modelada a
través de un árbol de escenarios posibles. El procedimiento empleado no es el de optimizar el
valor esperado de los distintos escenarios (procedimiento habitual), ya que de esta manera
“lo único que se consigue es una población de soluciones que son muy buenas en
promedio pero que son un desastre en un escenario particular” (Carvalho et al 2000),
en su lugar, propone una metodología en que cada escenario constituye un subproblema, cada
población evoluciona de acuerdo a su propio escenario para luego evolucionar tomando en
consideración su costo esperado en los demás escenarios. En Ferreira et al (2001), estudio del
que también participa Carvalho, se realiza la expansión del sistema de distribución y su
reconfiguración, lo interesante de este modelo es que es aplicado a un sistema de media
tensión compuesto por 54 subestaciones y 8.964 nodos, tardando sólo 28 minutos.
Finalmente se debe mencionar el trabajo de Díaz-Dorado (2002, 2003) por su aplicabilidad a
un sistema real, si bien únicamente realiza el trazado de la red, recibiendo como dato de
entrada la ubicación de subestaciones, transformadores y consumos y no considera la
dimensión temporal del problema, sí incluye en el análisis la topología vial, esto es, que el
trazado de la red se realiza sólo sobre las calles de la zona en estudio. También se debe
señalar que en este trabajo se aborda el problema de los alimentadores de respaldo para darle
más seguridad a la red de distribución de media tensión. Esta metodología fue aplicada a un
caso real con 3 subestaciones, 242 transformadores y 1.852 nodos tardando 60.000
iteraciones en encontrar la solución final.
La utilización de esta meta-heurística ha sido abordada ampliamente por los investigadores
en planificación de sistemas de distribución y como gran acierto se encuentra su aplicación a
redes de tamaño real.
 19

En resumen, y tomando en consideración los estudios antes señalados, es posible afirmar que
las metodologías basadas en programación matemática han sido abandonadas por los
investigadores para abordar el tema de la planificación de sistemas de distribución, ello dada
su imposibilidad de resolver problemas cercanos a la realidad, y en contrapartida, han
seguido el camino del desarrollo y aplicación de meta-heurísticas, que si bien no permiten
encontrar el óptimo, representan una muy buena aproximación a la solución de problemas
reale
3. METODOLOGIA DESARROLLADA

3.1 Antecedentes Generales

Considerando la revisión bibliográfica realizada, es posible inferir que las técnicas de

programación matemáticas no son adecuadas para resolver problemas de planificación de
sistemas de distribución, ello debido a que sólo son capaces de resolver ejercicios de tamaño
reducido (Gonen y Foote, 1981, Ponnavaikko et al, 1987, Gönen y Ramírez-Rosado, 1986,
Vaziri et al, 2001), y en caso de abordar problemas de mayor envergadura, los tiempos de
ejecución crecen exponencialmente con el tamaño de la entrada (Paiva et. al. 2005). Por lo
cual la planificación de sistemas de distribución, a partir de la década de los 90 ha sido
ampliamente explorada a través de técnicas meta-heurísticas, que permiten responder
problemas de mayor dimensionalidad (Peco, 2001, Ferreira et al, 2001, Díaz-Dorado 2002,
Díaz-Dorado 2003), con la desventaja de no ser capaces de encontrar el óptimo de la función
objetivo que caracteriza al problema en cuestión. No obstante, se debe tener siempre presente
que en la mayoría de las ocasiones en ingeniería se buscan buenas soluciones, dado que las
óptimas son imposibles de conseguir.
De la revisión también es posible constatar, que si bien los investigadores que utilizan
técnicas meta-heurísticas abordan problemas de mayor dimensionalidad en comparación con
los que utilizan técnicas de programación matemática, en la mayoría de los casos tales
aumentos de tamaño no representan, en absoluto, problemas reales y en el mejor de los casos
resuelven problemas reales de dificultad media, en zonas donde no existe gran cantidad de
consumos (Ramírez-Rosado y Bernal-Agustín, 1998, Míguez et al, 2002, Ramírez-Rosado y
Domínguez-Navarro, 2004). Excepciones a esto, lo constituyen los estudios de Díaz-Dorado
(1999) y de Peco (2001) en los que realmente se resuelven problemas de gran tamaño,
aplicables a provincias completas de España, sin embargo, el modelo de Peco, que muestra
una optimización completa tanto del sistema de media tensión como del de baja tensión, no
realiza la ubicación de los transformadores, sino que los considera como datos de entrada al
problema, por lo que la resolución en términos generales hace referencia a la elección de la
ruta óptima en baja tensión y a la ruta y
 21

respaldo correspondientes en media tensión, desconociendo la relación existente entre

ubicación del transformador y la red asociada al mismo, siendo su principal acierto la
incorporación del trazado vial como restricción de la optimización, de forma tal que las redes
asociadas a un determinado transformador no crucen por zonas prohibidas, sino que respeten
el callejero. Por otro lado, el modelo de Díaz-Dorado (1999), incorpora en el algoritmo la
ubicación óptima de transformadores, y si bien realiza la optimización conjunta de la red de
baja tensión con la de media tensión, la relación que se establece entre ambas es a través de
simplificaciones, así al planificar la red de baja tensión, se asume que la red de media tensión
está dada por el árbol de mínima expansión, lo que constituye una simplificación relevante,
pero que permite una aproximación a la resolución del problema. Su mayor falencia es que
no manifiesta explícitamente la posibilidad de considerar la restricción vial, de hecho en una
investigación posterior basada en el estudio en cuestión, queda de manifiesto la ausencia de
la topología vial como restricción a la solución del problema (Díaz-Dorado, 2003).

En el contexto señalado, la presente investigación seguirá en la línea de la optimización de

sistemas reales, pero esta vez considerando la interacción que se produce entre los centros de
transformación y la red, respetando la topología vial de la zona a optimizar. Se debe reiterar
el interés regulatorio de contar con un modelo de planificación que pueda optimizar el
sistema de distribución únicamente considerando la ubicación y el tamaño de las cargas, es
decir que sea capaz de trazar la red, calcular las capacidades óptimas de los conductores
asociados a ella, obtener la ubicación y capacidad de subestaciones y transformadores. A este
tipo de planificación se le conoce como “greenfield planning”, caracterizándose por una
gran complejidad, dada por el enorme número de variables de decisión y por la gran cantidad
de consumos a suministrar (tamaño elevado de la entrada), siendo este precisamente el
problema que busca resolver esta investigación. Sin embargo, considerando la enormidad de
variables involucradas en el problema, se abordará sólo lo referente a la planificación de
redes de distribución eléctrica en su componente de baja tensión, ello debido a que representa
un problema en sí mismo, que no ha sido lo suficientemente abordado. De la revisión
bibliográfica muy pocos se refieren al tema de la planificación de baja tensión, ya sea en
forma independiente o de manera conjunta (Peco 2001, Paiva et. al.
 22

2005), lo que lo convierte en un tema de gran interés a resolver y que además podría ser
utilizado en trabajos futuros, como una componente de un modelo que aborde íntegramente
la planificación tanto en media como en baja tensión.
También al igual que en los dos estudios citados, dada la gran cantidad de variables a
abordar, se considera un modelo de solución estático, es decir, la planificación del sistema
tomará en cuenta sólo una etapa de análisis, en la cual, se utilizarán las demandas
pronosticadas para el último año del horizonte de planificación, con lo que el conjunto de
inversiones a realizar no presentará un cronograma de actividades, por tanto no responde a la
pregunta ¿cuándo invertir?, sino que supone que todas las obras necesarias deben ser
construidas en el mismo instante, es decir al inicio del período de planificación.
Con las consideraciones anteriores el modelo a resolver puede representarse mediante la
siguiente formulación matemática (Díaz-Dorado, 1999), siendo la ecuación (3.1) la función
objetivo que incluye los costos fijos y variables de los transformadores y de la red de baja
tensión, la ecuación (3.2) garantiza el equilibrio de flujo en los nodos del sistema, mientras
que las ecuaciones (3.3) y (3.4) limitan la capacidad de los transformadores y conductores,
respectivamente, a sus valores máximos nominales, las ecuaciones (3.7), (3.8) y (3.9)
garantizan que las caídas de tensión no pasen de un valor determinado y finalmente la
3
ecuación (3.12) fuerza la radialidad de la red .
π g ϖ y  λ f c x
min ∑∑ ik ik ik ik  ∑ ∑ ijk ijk ijk ijk  (3.1)
i∈Trafos k ∈TT  i  ( i , j )∈R k ∈TC  i , j 

∑ yi  ∑ ∑  x jik −
xijk   bik ∀i ∈ N (3.2)
k ∈TT  i
 j∈N k ∈TC  i , j 

0≤ ≤ π V ∀i ∈ N ,∀k ∈TT
yik ik ik (i) (3.3)
0≤ ≤λ U
xijkik 
ijk

ijk∀(i , j ) ∈ R , ∀k ∈TC (i , j) (3.4)
∀i ∈ N ,∀k
π ∈ 0,1 ∈TT (i) (3.5)

3
Garantiza radialidad siempre y cuando no existan nodos de bifurcación, en cuyo caso se deben utilizar métodos
heurísticos que rompan los enmallamientos que se pueden producir, el método más utilizado se conoce como
load splitting, en el cual se determina el nodo de la malla al que llega potencia por dos ramas, en cuyo caso se
divide el nodo y las ramas que salen de él, repartiendo de manera adecuada la carga.
 23

ijk  
λ ∈ 0,1 ∀(i , j ) ∈ R ,∀k ∈TC (i , j) (3.6)

G
(vi  Dij ) − (v j  D ji )  ∑ ijk  x jik − xijk  ∀(i , j ) ∈ R (3.7)
k ∈TC  i , j 

0≤ ≤ D (1− λij ) ∀(i , j ) ∈

Dij R (3.8)
min
V ≤ v ∀i ∈
N (3.9)
i

π ≤ 1 ∀i ∈
0≤ ∑ ik N (3.10)
k ∈TT ( i )

λ
0≤ ∑ ijk ≤ 1 ∀(i , j ) ∈ R (3.11)
k ∈TT ( i )

N− π = λ
∑∑ ik ∑ ∑ ijk ∀i ∈ N , ∀(i , j ) ∈ R (3.12)
k ∈TT ( i ) i∈N k ∈TC ( i , j ) ( i , j )∈R

El detalle de las variables es el siguiente:

• N: número de nodos de la red.
• R: conjunto de ramas factibles.
• TT(i) : conjunto de tipos de transformadores posibles de instalar en el nodo i.
• TC(i) : conjunto de posibles tipos de conductores a instalar en la rama (i,j).
• λijk : variable binaria que indica si existe la rama entre los nodos (i,j)
utilizando el conductor tipo k.
• πik : variable binaria que indica si existe un transformador del tipo k instalado
en el nodo i.
• xijk : variable real que representa el modulo de la potencia que cruza por la rama
(i,j) a través del conductor tipo k.
• yik : variable real que indica el modulo de la potencia que inyecta el
transformador tipo k instalado en el nodo i.
• gik : costo fijo del transformador tipo k instalado en el nodo i.
• ωik : costo por unidad transformada en el transformador tipo k del nodo i.
• vi : módulo de la tensión en el nodo i.
 24

≤ Dij : variable de holgura4 asociada a las caídas de tensión en el nodo i producto

del flujo que viene desde el nodo j.
≤ Gij : variable de proporcionalidad que relaciona el flujo entre el nodo i y el
nodo j, con la caída de tensión en el nodo i producto del flujo que se mueve
desde j.
• D: máxima variación de caída de tensión permitida.
≤ Vmin : menor modulo de voltaje permitido en el ejercicio de planificación.

3.2 Breve Explicación de la Metodología Desarrollada

Para resolver el modelo señalado y en atención a su imposibilidad de solucionarlo vía
programación matemática se presenta una metodología heurística que será explicada paso a
paso, siguiendo su aplicación tomando como ejemplo real Macul, comuna de Santiago de
chile , compuesta de 20.215 consumos, repartidos en una superficie de 12,9 kilómetros
cuadrados.
Como ya se ha hecho referencia, encontrar el óptimo para un problema de estas dimensiones,
es imposible de realizar en un tiempo razonable, al menos con las restricciones
computacionales presentes en la actualidad. Por lo cual se propone una meta-heurística, cuyo
corazón está constituido por tres técnicas principales, por una técnica de cluster denominada
k-means que será importante para la determinación de la ubicación de los transformadores y
las redes asociadas a ellos, por una técnica llamada diagramas de Voronoi, que permitirá
realizar una asignación inteligente de los consumos, y finalmente por una meta-heurística de
optimización denominada búsqueda tabú, mediante la cual, se podrán mejorar las soluciones
encontradas.

3.3 ¿Cómo abordar el problema?

Dado un conjunto de nodos, representados por su ubicación en el plano cartesiano, se desea

conocer el número de redes, configuración y diseño, asociada a cada transformador, es decir
en primer término se requiere crear subconjuntos de consumos que sean abastecidos
 25

por un mismo transformador para luego trazar su red. Por ejemplo, si se tienen diez nodos, se
pueden realizar 1.023 subconjuntos distintos, donde cada subconjunto es abastecido por un
único transformador. Ello de acuerdo a la siguiente expresión:

10 10 10 10
=
10 10
10!
+ + ... + ∑ =∑ = 210 − 1 = 1.023

1 2 10 i 1 i i1 i !10 − i !

Además, si se considera que al interior de cada grupo el transformador puede tomar

cualquiera de las posiciones, entonces se tiene:

10 10 10 10 10 10 10!
1⋅ +2 ⋅ + ... + 10⋅ =∑i⋅ = ∑i ⋅ = 5.120

1 2 10 i 1 i i1 i !10 − i !

Por lo tanto, para un caso sencillo de 10 nodos, existen 5.120 posibles soluciones a evaluar.
No obstante, se debe señalar que tal número constituye una cota superior para el conjunto de
soluciones factibles, dado que muchos de los subconjuntos, producto de una determinada
configuración de los consumos, no tienen sentido práctico, debido a que están constituidos
por nodos que se encuentran alejados.
 26

10

[m] 6

1
1 2 3 4 5 [m] 6 7 8 9 10

Figura 3.1: Ejemplo 10 nodos

En la figura anterior se puede apreciar claramente que no todos los subconjuntos son viables,
de hecho sólo aquellas combinaciones que agrupan nodos vecinos son factibles de analizar.
Por lo cual, para conocer en forma aproximada el número de combinaciones factibles, se
procede a limitar las agrupaciones a aquellas que están conectadas por medio de arcos
pertenecientes a la triangulación de Delaunay, de acuerdo a la siguiente figura.

10

[m] 6

1 2 3 4 5 [m] 6 7 8 9 10

Figura 3.2: Triangulación de Delaunay para el ejemplo de 10 nodos

 27

Es decir sólo las agrupaciones, que contengan nodos unidos a través de los arcos señalados
en la figura serán consideradas, con lo que se limitan los subconjuntos a los casos vecinos. Se
debe señalar brevemente, que la triangulación de Delaunay se refiere a aquella, en que cada
circunferencia circunscrita a cada triángulo de la red no contiene ningún vértice perteneciente
5
a otro triángulo de la red , identificando como consumos (nodos) vecinos a quienes se
encuentran unidos por una arista de un polígono de la triangulación. Realizando esto, se
6
obtiene que el número de subconjuntos posibles para la configuración utilizada como
ejemplo, es del orden de 4.300 casos, menor a los 5.120 iniciales. Si se quieren restringir aún
más los casos posibles, se pueden evaluar únicamente las combinaciones que se producen
entre cada nodo y sus nodos más cercanos (conectados por una única arista), con lo que el
7
número de casos factibles es de 197. Dicha cantidad no constituye un número elevado de
combinaciones, por lo que podría ser resuelto sin inconvenientes por un método tradicional
de programación matemática. No obstante el problema que se busca resolver en el presente
trabajo, tiene una dimensionalidad mayor, de hecho considerando los 20.215 consumos se
20215
tendría como cota superior casi infinitas combinaciones (2 -1).

5
La triangulación de Delaunay constituye el dual del diagrama de Voronoi, ambos serán explicado es detalle en
el capítulo 5.
6
Subconjuntos factibles dados por aquellas combinaciones que representan un subgrafo de la triangulación de
Delaunay.
7
La triangulación de Delaunay depende de la distribución espacial de los consumos y por tanto el número de
subconjuntos posibles variará de un caso a otro dependiendo de tal o cual configuración.
 28

12000

11000

10000

9000
[m]

8000

7000

6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m]
x 104

Figura 3.3: ejemplo Ubicación de los consumos comuna de Macul

Si se consideran únicamente las combinaciones posibles entre cada nodo y sus vecinos
(calculados a través de la triangulación de Delaunay, y acotados a no más de tres elementos
por grupo), se tienen 242.483 combinaciones posibles, lo que ratifica que el problema en
cuestión no puede ser resuelto a través de técnicas convencionales. Surgiendo
inevitablemente la siguiente pregunta, ¿Cómo abordar el problema?.
La estrategia propuesta para conseguirlo esta basada en la técnica conocida como “Dividir y
Conquistar”, que básicamente consiste en resolver subproblemas del mismo tipo que el
problema principal pero de menores dimensiones, es decir, dividir Macul en zonas de menor
tamaño donde cada una de ellas representa un subproblema, de manera de disminuir el
número de combinaciones al resolver problemas con menos consumos (la dificultad del
problema crece exponencialmente con la entrada), con lo cual la suma de las combinaciones
posibles en cada subproblema es mucho menor que el total de combinaciones del problema
completo, lográndose de esta manera afrontar de forma razonable el problema en cuestión.
Específicamente los pasos fundamentales de esta técnica son:
 29

1. Plantear el problema de manera que pueda ser descompuesto en k problemas distintos,

del mismo tipo que el problema principal, pero de menor tamaño. Por tanto si el tamaño
de la entrada es n, entonces el tamaño de cada subproblema, denotado por nk, debe
cumplir que 0≤ nk ≤ n, este proceso se denomina división.
2. Cada subproblema se debe resolver en forma independiente. Lo interesante de esta parte
del procedimiento es que abre la posibilidad para realizar cada uno de los subproblemas
en forma paralela, utilizando distintos computadores para cada uno de ellos, con lo que es
posible obtener importantes ahorros en los tiempos de ejecución.
3. Finalmente se deben combinar las soluciones obtenidas en el paso dos para así lograr la
solución del problema global.

Por tanto, la forma de solucionar el problema en cuestión es dividir la zona de gran tamaño a
planificar, en zonas regulares de menor tamaño, para después aplicar a cada una de esas mini-
zonas, un proceso de optimización, que se denomina proceso de micro-optimización, luego
para combinar cada una de las soluciones y encontrar los ahorros, producto de ver el
problema en forma global, se realiza un proceso denominado macro-optimización, en
particular se desarrollan dos metodologías base de macro-optimización, una basada en
diagramas de Voronoi y otra basada en la búsqueda tabú, para finalmente mostrar la
combinación de ambas y los ahorros correspondientes que se producen. En los siguientes
capítulos se explicarán en detalle cada una de las alternativas mencionadas, que se ilustran en
el siguiente esquema:
 30

Figura 3.4: Diagrama simplificado del algoritmo propuest

 31

4. PROCESO DE MICRO-OPTIMIZACION

4.1

Tal y como se señaló en el capítulo anterior la división en mini-zonas permite acercarse a la

solución del problema, ya que logra disminuir el número de variables involucradas y el gran
número de combinaciones que se producen entre ellas. Este capítulo se concentra en el
desarrollo de la metodología propuesta para la optimización de cada mini-zona, manteniendo
la misma función objetivo y restricciones del problema completo, esto es, buscando la
ubicación y capacidad de transformadores, la topología de la red asociada a cada uno de
ellos, el tipo de conductor para cada tramo de la red, respetando las restricciones viales, las
caídas de tensión, la radialidad de la red, todo ello en el marco de la minimización de la
inversión en transformadores y conductores más los costos asociados a las pérdidas.

La metodología desarrollada puede ser aplicada a cualquier mini-zona de tamaño n x m, en

particular, para entender el algoritmo se mostrará la aplicación para mini-zonas de 500
metros x 500 metros. Una vez que el procedimiento completo sea revisado, se realizará el
proceso de micro-optimización para distintos tamaños de mini-zonas, de forma que sea
posible apreciar el efecto de tal elección en el resultado final.
 32

12000

11000

10000
[m]

9000

8000

7000

3.6 3.7 3.8 3.9 4 4.1

[m]
x 104

Figura 4.1: División en mini-zonas

Para cada una de las zonas señaladas en la figura anterior, se requiere agrupar los consumos
asignando un transformador a cada agrupación, de manera tal que se evite realizar la
enumeración completa de todas las posibles alternativas (subconjuntos), es decir se debe
conseguir una agrupación inteligente de los consumos, la forma propuesta para lograrlo es a
través de un algoritmo de búsqueda local combinado con análisis de cluster. Para comprender
8
la técnica empleada, se realizará una pequeña reseña referente al análisis de cluster para
luego explicar el algoritmo propuesto.
4.2 Análisis de Cluster

El análisis de cluster es una técnica estadística multivariante, cuyo objetivo es dividir un

conjunto de elementos en grupos, de manera que las características de los elementos
pertenecientes a un mismo grupo sean muy similares entre sí, situación denominada cohesión
interna, y las características de elementos pertenecientes a distintos grupos sean diferentes,
situación conocida como aislamiento externo del grupo. Para conocer tal similitud se hace
necesaria la existencia de medidas que indiquen el grado de parecido,

8
Para mayor información refiérase al anexo C
 33

medidas de proximidad, o diferencia, medidas de distancia, que existen entre dos elementos
que se quieren agrupar.
En particular, la técnica de cluster que se empleará en el presente trabajo, es el algoritmo de
k-means, que permite clasificar un conjunto de n datos en k subconjuntos, donde la cantidad
de grupos a formar, k, es un dato de entrada del algoritmo. Éste, en términos sencillos está
compuesto por los siguientes pasos:

1. Elección de k datos de los n a agrupar, estos constituyen los k centroides iniciales. Se

calculan las distancias de los datos a cada uno de los centroides. Cada dato es
asignado al centroide más cercano, formándose k grupos.
2. Para cada uno de los grupos se calcula el nuevo centroide como el valor medio de
todos los datos asignados a él.
3. Se repite el proceso 2 y 3 hasta que se satisface un criterio de convergencia
determinado.

La medida de distancia utilizada por el algoritmo corresponde a la distancia euclidiana, dada

por:

d (x ,  X ) = x −  X 2
= (x −  X )T ⋅ (x −  X )T (4.1)
Donde:
• d: distancia euclidiana.
• x: vector de posiciones de los datos.
• X : valor medio de los datos (centroide).

El criterio de parada está dado por el mínimo entre un número máximo de iteraciones
permitidas y la variación de la distorsión entre dos iteraciones sucesivas. El número máximo
de iteraciones es un dato de entrada al algoritmo y dependerá de la convergencia presentada
en el problema a resolver. En tanto que la distorsión es la suma de todas las distancias a su
respectivo centroide.
 34

D (i ) = ∑ ∑ x − µi 2
(4.2)
i 1 x∈Ci

Donde:
• D(i) : distorsión al finalizar la iteración i.
• k: número de clusters.
• Ci : cluster i-ésimo.

9
De la expresión anterior se desprende que el criterio de parada será D (n ) − D (n + 1) ≤ ε
A modo de ejemplo en la figura (4.2) se emplea la técnica para crear tres subconjuntos
utilizando como criterio la cercanía entre los nodos, en la iteración 1 se parte con la
ubicación aleatoria de los tres centros, señalados mediante triángulos, a cada uno se le
asignan los nodos más cercanos (identificados en la figura por un mismo color), para luego
mover tales centros al centroide del subconjunto, dicho proceso se repite, en este caso
durante 12 iteraciones, dado que más iteraciones no presentan mejoras a la solución, lo que
se aprecia claramente en la tabla 4.1.

Tabla 4.1: Evolución de la distorsión en el caso de ejemplo

Distorsión
Iteración
(Km)
Inicial 5230
1 4957
2 4504
3 3775
4 3459
5 3226
6 2966
7 2752
8 2633
9 2615
10 2611
11 2609
12 2609

9
Con ε, definido por el planificador, no obstante usualmente está entre 0.5 % y 1%.
 35

Se debe notar que entre la iteración 11 y 12 no existe variación de la distorsión, de no haberse

logrado la convergencia el algoritmo se detiene cuando se alcanza un número máximo de
iteraciones, el cual en este trabajo es de 200 iteraciones.

8100 8100

8050 8050

8000 8000

7950
Iteración 1 7950
Iteración 3
[m] [m]
7900 7900
7850 7850

7800 7800

7750 7750

7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85

[m] 4
x 10 [m] x 10
4

8100 8100

8050 8050

8000 8000

7950
Iteración 5 7950
Iteración 7
[m] [m]
7900 7900

7850 7850

7800 7800

7750 7750

7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85

[m] 4
x 10 [m] x 10
4

8100 8100

8050 8050

8000 8000

7950
Iteración 9 7950
Iteración Final
[m] [m]
7900 7900

7850 7850

7800 7800

7750 7750

7700 7700
3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85 3.805 3.81 3.815 3.82 3.825 3.83 3.835 3.84 3.845 3.85

[m] 4
x 10 [m] x 10
4

Figura 4.2: Ejemplo de aplicación de k-means

 36

4.3 Metodología de Micro-Optimización

Del apartado anterior se desprende que k-means permite una elección inteligente de
subconjuntos, de hecho si los datos de entrada están dados por los consumos y los centroides
representan a los transformadores, se puede realizar una buena ubicación de los mismos, sin
necesidad de aumentar los tiempos de ejecución, situación que si se produce probando todas
las combinaciones. Sin embargo, ¿es suficiente sólo con k-means para realizar la ubicación
óptima de transformadores y red asociada?. La respuesta es no, ello dado que k-means por si
mismo no entrega el número de transformadores, sino que sólo agrupa las cargas en un
número elegido a priori de subconjuntos, y no incluye la relación que existe entre los
consumos asignados a un transformador con el mismo, a través de la red que los conecta, ni
menos aún respeta las restricciones geográficas, con lo que consumos cercanos pero
imposibles de conectar son indiferentes para k-means.
En Moreno et al. (2006) se realiza una aproximación a la determinación de un parque óptimo
de transformadores para una zona determinada. Mediante esta técnica de cluster, no obstante,
en tal trabajo se realiza únicamente la ubicación de los transformadores, que son elegidos
previamente a través de una optimización vía programación matemática, con lo que se
disocia la ubicación del transformador de su elección, es decir, existe la posibilidad que
transformadores que son óptimos para una determinada carga puntual, puede que ya no lo
sean cuando la carga a satisfacer está distribuida en el plano, dado que tal asignación no
consideró las restricciones viales, existencia de caminos para trazar la red, ni los costos
asociados a la topología de la misma, situaciones todas que hacen posible dudar de la bondad
de la elección realizada por separado de la ubicación. Es por ello que en el presente trabajo se
busca optimizar la red de baja tensión sin disociar la elección de la capacidad y ubicación de
un transformador con su trazado y por tanto con el costo de su red asociada.
El algoritmo propuesto consiste básicamente en un procedimiento de descenso en donde para
cada mini-zona se comienza con la ubicación de un transformador, después se calcula el
costo de la red asociada, que respeta la topología vial, y el costo del transformador que
satisface la demanda, luego se realiza el mismo procedimiento para el caso de dos
transformadores, así sucesivamente hasta que se encuentra el óptimo. El supuesto que
 37

sustenta la metodología es que en la medida que aumenta el número de transformadores en

una mini-zona, disminuye el costo asociado a la red y aumenta el costo de transformación,
situación que hace posible encontrar un mínimo. Al final del presente capítulo se mostrará la
validez real de dicho supuesto.

Figura 4.3: Proceso de micro-optimización para una mini-zona

El diagrama de flujo simplificado del algoritmo propuesto se muestra en la figura (4.3), antes
de explicar en detalle cada una de sus etapas, se deben especificar los supuestos empleados,
en primer término es necesario establecer que el período de estudio a planificar corresponde a
15 años, la elección de este horizonte se debe por un lado a la necesidad de realizar una
planificación de largo plazo y por otro a un interés comparativo, dado que el estudio
10
regulatorio conocido en Chile como VAD utiliza el mismo período, con lo cual es

10 VAD: Valor agregado de distribución, que busca remunerar a la distribuidora por los costos en que
incurre al llevar la energía que compra a los generadores hasta los consumidores finales. Como la distribución
constituye un monopolio natural, es la autoridad quien debe fijar tal valor, el que posteriormente será traspasado
mediante tarifa a los consumidores. Tal fijación se realiza cada 4 años y consiste en determinar cuales son los
costos de una empresa distribuidora ficticia, empresa modelo, que presta eficientemente el servicio en la misma
zona de concesión, o una similar, que la distribuidora regulada. Es importante señalar que: “El concepto que
está detrás de la definición de la empresa modelo, corresponde a la simulación de una situación de
competencia, cuando aparece un nuevo prestador del servicio con costos y tecnologías actuales,
 38

posible contrastar los resultados obtenidos mediante esta metodología con los obtenidos en el
último estudio tarifario. Es por esta necesidad de comparación que se utilizarán los datos de
costos del último informe de VAD, realizado el año 2004, es decir se tomará tal año como
punto de partida del horizonte de planificación, teniendo presente siempre que tal estudio
considera tanto el crecimiento horizontal, aparición de nuevos centros de consumos, como el
crecimiento vertical de la demanda, aumento en el consumo de los clientes ya existentes. Por
el contrario, en el presente trabajo sólo se considera el crecimiento en el consumo de energía
y potencia de los clientes existentes a lo largo del horizonte de estudio. Otra consideración
que se debe tener en cuenta es que en la investigación aquí expuesta, sólo se realiza la
optimización de la red de baja tensión suponiendo que toda la distribución se realiza
mediante redes aéreas, en tanto que el estudio de VAD considera además redes de
distribución subterráneas en aquellos lugares donde la empresa regulada las posee, por tanto
los resultados obtenidos finalmente no serán del todo comparables, pero sí permitirán
observar la bondad de la solución encontrada, realizando un cotejo con los costos en redes
aéreas, número de transformadores empleados, largo de red utilizada, capacidad de
transformación instalada, entre otros parámetros relevantes de comparación.
Para fines del estudio y mostrar la metodología desarrollada se supone un crecimiento
uniforme en toda el área de concesión de 2,75 % en la demanda de potencia, con lo que
aparece un nuevo supuesto, éste es, asumir que es posible conocer la demanda máxima
coincidente de cada uno de los consumos asignados a un mismo transformador, lo cual en
distribución eléctrica de baja tensión es una tarea complicada que sólo puede ser resuelta de
manera aproximada, debido a que casi la totalidad de los clientes conectados a la red de baja
tensión sólo poseen medidores de energía con lo que no es posible contar con un historial de
demanda que permita realizar proyecciones mediante métodos predictivos clásicos. Debido a
que tal proyección es una tarea en si misma que depende de múltiples variantes, tales como
uso de suelo, crecimiento económico, proyectos inmobiliarios, gestión de la demanda, entre
otros, no será resuelta en el presente trabajo cuyo objetivo es plantear una metodología
adecuada al problema de planificación de redes de baja tensión y por tanto

cuya eficiencia le permite acceder al mercado o bajar los precios, de forma tal que los prestadores
existentes deben adaptarse al nuevo precio de equilibrio o simplemente desaparecer” (CNE, 2003).
 39

11
se adoptará la solución propuesta por Inecon en el estudio de VAD 2004 (Systep e Inecon
2004), la que consiste básicamente en la determinación de una función del factor de carga
que depende del número de clientes que pertenecen a una determinada agrupación, de tal
manera que conocida la energía que consume una agrupación de clientes sea posible
determinar la potencia máxima coincidente de dicho grupo y con ello dimensionar en forma
óptima las instalaciones. Esta metodología es adecuada dado que las lecturas disponibles son
en esencia de energía, siendo datos confiables, en tanto la curva de factor de carga es una
aproximación que se obtuvo de una muestra representativa de 2000 transformadores que
poseen tanto lectura de energía como de potencia. Así realizando subconjuntos de entre esos
2000 clientes, a través de simulaciones de Montecarlo, fue posible la construcción de la
12
expresión para el factor de carga , señalada en la ecuación (4.3), con la cual es posible,
conociendo la energía, calcular la demanda máxima coincidente para cualquier conjunto de
clientes.
Referente a los supuestos relacionados con la demanda se debe indicar que las cargas se
asumieron del tipo (P + j Q), con un factor de potencia idéntico para todos los consumos de
0,93 inductivo.

β
Fc (%) = α ⋅ Clientes −δ si Clientes ≤ 500 (4.3)
40% en otro caso
Donde:
• Fc : factor de carga del grupo de clientes
• Clientes: número de clientes de la agrupación.
• α : 0,1687
• β : 0,1577
• δ : 6,3314%.

11 Ingenieros y Economistas Consultores SA www.inecon.cl

12 En este trabajo se supondrá como correcto el trabajo de ajuste de factor de carga realizado por Inecon en
“Estudio para el Cálculo de las Componentes de Costo del Valor Agregado de Distribución (VAD), Área Típica
1: Chilectra” (Systep e Inecon, 2004)
 40

También se debe constatar que al tratarse de una planificación desde cero el único dato de
entrada lo constituye la demanda de los consumos y su posición, la cual corresponde a la
ubicación georreferenciada de cada uno de los medidores de la mini-zona en cuestión. Sin
embargo la sola ubicación de los consumos no es suficiente, dado que consumos que de
acuerdo a su distancia se encuentran cercanos, podrían estar separados por un accidente
geográfico que no permita la asociación entre ellos. Otra situación posible es que existan
consumos al interior de una zona urbana, que pertenezcan al mismo subconjunto pero que
sean imposibles de unir dado que no existe red vial que los conecte. Para evitar tales
situaciones se propone considerar el trazado vial en el proceso de optimización, por lo cual se
requiere conocer la georreferenciación de todas las calles, o tramos de calles, que pertenecen
a la mini-zona, y la pertenencia de cada uno de los consumos a una única calle, de esta forma
será posible asociar consumos que puedan ser conectados y se evitará el paso a través de
zonas prohibidas.
Por lo cual, como etapa previa al proceso de micro-optimización, se debe realizar para cada
una de las mini-zonas el trazado vial, la asignación de los consumos, y la determinación de la
conectividad vial.

4.3.1 determinación de la red vial

La necesidad de esta etapa previa, tal y como ya se mencionó, surge del objetivo de lograr
una agrupación posible de los consumos, de forma que las asignaciones propuestas por la
metodología sean replicables en la realidad. Para ello se debe considerar que para toda la
zona en análisis se posee una base de datos con la posición de los consumos y la demanda de
energía de cada uno de ellos, que pueden ser fácilmente ingresados a la metodología. Sin
embargo, con las calles sucede algo más engorroso, dado que los datos disponibles de ellas,
13
corresponden a una cobertura de ARCVIEW , es decir corresponden a una representación
vectorial de las calles en un sistema de información geográfica (SIG), entendiendo un SIG
como un sistema basado en computador capaz de trabajar con datos georreferenciados, en el
cual se realiza la entrada, gestión, manipulación, análisis y salida de dichos datos

13 Paquete de programas SIG que trabaja con representaciones vectoriales de cada objeto geográfico ya
sea a través de puntos, líneas, o polígonos.
 41

(Aronnof, 1995), debido a tal situación, el acceso a las coordenadas de las calles no es
inmediato, dado que su representación está en el formato de poli-líneas (representación
vectorial) y no como una sucesión de puntos, no obstante, tal representación vectorial, esta
implícitamente basada en la sucesión de tramos, por ende, en este trabajo los datos señalados
se consiguieron con la creación de un programa en Avenue, lenguaje de programación propio
de ARCVIEW 3.2, mediante el cual se pudo obtener la posición inicial y final de cada tramo
que compone una misma calle. Situación que se puede apreciar en la figura (4.4), donde se
muestra el trazado vial para una mini-zona, en ella los puntos representan a los consumos y
los asteriscos representan los vértices de los tramos de calles obtenidos desde la cobertura en
ARCVIEW.

7300

7250

7200
[m]

7150

7100

7050

3.785 3.79 3.795 3.8 3.805 3.81

[m] 4
x 10

Figura 4.4: Trazado vial para una mini-zona

Una vez que se conoce la topología vial es de suma importancia, para garantizar que la red de
baja tensión se trace a través de ella, conocer a que calle pertenece cada consumo, para
conseguir este objetivo se toma como supuesto, que cada consumo esta asociado al tramo de
calle más cercano, asignación que es realizada con el procedimiento general que se explica a
continuación:
 42

1. Se calcula la ecuación de la recta para todos los tramos de la mini-zona,

almacenando los vértices que unen un tramo y su ecuación correspondiente.
Recuérdese que dados dos vértices (X1,Y1) y (X2,Y2) , la recta que los une es:

Y2 − Y1 ⋅  X − X 1  + Y1 (4.4)
Y=

X 2 − X1

Para los casos en que la pendiente es infinita, es decir en aquellos donde el tramo es

paralelo al eje Y (X2=X1), se modificó la posición de uno de los vértices en tan sólo
unos centímetros, de forma que no se indefiniese la función (ecuación 4.4). Además
en los casos en que existe redundancia de información, esto es cuando los tramos, no
representan intersecciones de calles, sino que simplemente son divisiones en una
misma cuadra, se muestrearon tales vértices de manera obtener la misma información
en un número menor de tramos, con lo que se disminuye el número de ecuaciones a
calcular y por ende el tiempo de iteración de la metodología. Ejemplo típico de esto,
lo constituyen las rotondas en que la información disponible asigna tramos cada un
metro, ya que se trata de emular una circunferencia mediante polígonos regulares con
sobre 100 aristas, no obstante tal exceso de información es en la práctica irrelevante,
por lo que se opta aproximar tales rotondas por decágonos regulares.

2. Se calcula la distancia entre todos los consumos y todos los tramos de calles, a través
de la ecuación que determina la distancia entre un punto y una recta. Los
cálculos aprovechan el ordenamiento matricial de los datos, con lo que es posible
obtener, sin necesidad de un proceso iterativo, una matriz en que el elemento dij,
indica la distancia entre la recta que representa al tramo i y el consumo j.
3. Se asigna cada consumo a su tramo más cercano. Se debe tener presente que la
distancia calculada indica la distancia perpendicular entre el consumo y la recta, si se
denomina como proyección del consumo sobre la recta, al punto en la recta en el que
se mide tal distancia, se consideran como candidatos factible de asignación, aquellos
tramos en que la proyección del consumo sobre la recta pertenece a un
 43

tramo, es decir que se encuentre contenido entre el vértice inicial y final sobre los que
se traza dicho tramo. Con lo que se garantiza que los consumos sean asignados al
tramo de recta más cercano, situación real, lo que no necesariamente coincide con la
recta más cercana. Por lo tanto cada consumo es asignado al tramo de calle factible
más cercano de acuerdo a la distancia euclidiana que los separa.

Con el procedimiento anterior es posible determinar una buena aproximación sobre la

pertenencia de un consumo a una determinada calle, lo que será de gran utilidad a la hora de
trazar la red. En la figura 4.5 se observa la aplicación del procedimiento a una mini zona, en
ella los puntos representan a los consumos y las cruces a sus proyecciones sobre el trazado de
las calles.

7160

7150
7250

7140

7200 7130
[m] [m]
7120
7150
7110

7100
7100
7090

7050 7080

7070
3.785 3.79 3.795 3.8 3.805 3.798 3.8 3.802 3.804
4 4
x 10 x 10
[m] [m]

Figura 4.5: Asignación de los consumos a una calle

Por tanto ahora será posible trazar la red de baja tensión soslayando los accidentes
geográficos, dado que se asume que el trazado vial también los evita, así será imposible
trazar una red a través de un cerro, dado que no existirá calle que lo atraviese, sino que por
 44

el contrario, será rodeado por la red vial, con esto no sólo se considera la distancia como
parámetro de trazado de la red sino que se utiliza la distancia de comunicación sobre un grafo
determinado (red vial), es decir la distancia vial que une un punto A y B, lo que no
necesariamente coincide con la distancia a campo traviesa entre ambos puntos, logrando
obtener mayor información y por ende una mejor aproximación para resolver el problema
real.
Sin embargo, aún queda un problema importante a resolver en esta etapa previa, el cual esta
dado por evitar asociar en un mismo subconjunto elementos que en la práctica no puedan ser
unidos, debido a la ausencia de red vial que los conecte. En este caso es necesario señalar,
que la zona que se busca planificar es eminentemente urbana, no obstante la metodología
propuesta puede resolver indistintamente zonas de abastecimiento rural y urbanas, y por
cierto una mezcla de ambas. La única distinción al respecto es que si en una mini-zona no
existe trazado vial, lo que probablemente corresponderá a una zona rural, la distancia a
utilizar será simplemente la distancia a campo traviesa, por lo que el problema en discusión
no tiene cabida, ya que cualquier subconjunto será posible. Situación que no ocurre cuando si
existe red vial, caso típicamente urbano, en el que el trazado no puede pasar por zonas
edificadas y debe entonces respetar a cabalidad el callejero, es decir se unirán en una misma
red sólo aquellos consumos que puedan ser comunicados a través de la red vial. Para evitar
entonces la asignación a priori de cargas no comunicadas, se divide cada mini-zona en islas
viales, donde cada isla vial corresponde al conjunto tramos de red conectados en que es
posible acceder a cualquiera de los tramos de la isla desde cualquier tramo de ella mediante
una sucesión de tramos intermedios que los unen.
En términos matemáticos, sea el trazado vial en la mini-zona un grafo G (V, E) no orientado,
con V el conjunto de vértices y E el conjunto de arcos (vértices y tramos de la red vial
14
respectivamente). El grafo se asume no orientado , puesto que para efectos de la red
eléctrica, no es de importancia conocer el sentido de las calles. De acuerdo a la teoría de
grafos se tienen las siguientes definiciones:

14Grafo no orientado, también denominado grafo no dirigido es un par G=(V,E), con V conjunto finito de
vértices y E conjunto de arcos, donde un arco es un par no ordenado (u,v) con u,v pertenecientes a V y u distinto
de v.
 45

• Se dice que entre los vértices vo y vk existe un recorrido de longitud k si existe una

sucesión de vértices y aristas de la forma {(vo, v1), (v1, v2), (vi, vi+1), …, (vk-1, vk)}.
• Se denomina camino de longitud k entre los vértices u y v pertenecientes a V, a un
recorrido de longitud k desde el vértice u al vértice v que tiene k aristas diferentes
entre sí.
• Si existe un camino P desde u hasta v se dice que v es alcanzable desde u mediante
P.
• Se dice que el grafo es conexo si dos vértices cualquiera pertenecientes a V están
conectados por un camino de longitud k, con k: {1,...,E}.
• La relación, u es alcanzable desde v y v es alcanzable desde u, sobre el conjunto de
los vértices V del grafo es una relación de equivalencia. Las clases de equivalencia
son el conjunto de vértices sobre los que se puede establecer entre todos sus vértices
la relación de equivalencia y finalmente las componentes conexas de G, son todos los
grafos (subconjuntos del grafo principal) generados a partir de las clases de
equivalencia.

A modo de ejemplo en la figura 4.6 se presenta un grafo en donde es posible observar tres
componentes conexas, una está demarcada por una circunferencia, otra por un rectángulo, y
la tercera corresponde al resto del grafo que no se encuentra delimitado.
 46

8550

8500

8450

8400
8350
[m]
8300

8250

8200
8150

8100

8050

3.88 3.89 3.9 [m] 3.91 3.92

4
x 10

Figura 4.6: Componentes conexas de la red vial

De la figura y de las definiciones anteriores se desprende que el número de islas viales al

interior de una mini-zona es igual al número de componentes conexas del grafo que
representa a la red vial al interior de dicha mini-zona, donde cada una de tales islas
constituye una red conexa. Por lo tanto el ejercicio a realizar consiste precisamente en
determinar el número y estructura de cada componente conexa, denominada en este trabajo
isla vial. Para ello se realiza una algoritmo constructivo, se encuentra en primer término la

matriz de tramos coincidentes, cuya variable Xij, indica si el tramo i con el tramo j tienen un
vértice en común, el valor uno indica que sí existe vecindad y el valor cero indica la no
existencia de vértices comunes, posteriormente se comienza en un arco cualquiera del grafo
total, y por medio de la matriz de tramos comunes se identifican los tramos vecinos, los
cuales pertenecen claramente a la misma isla vial, luego se incorporan progresivamente los
vecinos de los vecinos encontrados, y así sucesivamente hasta que no es posible incluir más
vecinos, de esta manera se construye una isla (subgrafo conexo), si todos los tramos (arcos)
de la mini-zona son incluidos implica que la red vial de la mini-zona es conexa, de lo
contrario se elige un vértice que no pertenezca a la isla encontrada y se vuelve a realizar el
procedimiento, secuencia que se repite hasta que no queden tramos sin asignar.
 47

Una vez que se tienen las islas viales, y teniendo en consideración que todos los consumos al
interior de cada una de ellas son posibles de comunicarse a través de la red vial, se debe
incorporar una pequeña modificación al algoritmo propuesto en el diagrama de flujo de la
figura 4.3 (referente a la micro-optimización), esta es que en vez de realizar la metodología
para cada mini-zona se realizará para cada isla de cada mini-zona, con lo cual se evita la
asignación de consumos entre zonas sin conectividad vial, con esta consideración se puede
comenzar con el análisis de cada una de las etapas ahí señaladas. Considérese que el
algoritmo parte con la asignación de i transformadores, en particular con i igual a uno.

4.3.2 Ubicación y asignación de los transformadores

La ubicación preliminar de los transformadores se realiza vía k-means sin la consideración de

la red vial de cada isla, sino que únicamente en atención a la distancia euclidiana de los
consumos, tal como se observó en la explicación de k-means, el algoritmo parte con la
ubicación de los centros en cualquier posición, elegidos aleatoriamente entre los consumos,
con lo cual no se garantiza obtener siempre una misma solución, para minimizar tal efecto, se
usan tres lanzamientos, es decir se realiza la ubicación de i centros tres veces para así escoger
el caso de menor distorsión.

Tabla 4.2: Menor distorsión por número de lanzamientos

Nº de Distorsión Nº de Distorsión
Lanzamientos Total (Km) Lanzamientos Total (Km)
1 409132 10 396566
2 402308 11 397209
3 396766 12 405501
4 397964 13 401698
5 397355 14 398206
6 400994 15 394098
7 392883 16 385206
8 390408 17 392108
9 386930 18 388492
10 395619 19 396934

La elección particular de tres lanzamientos se debe por un lado a reconocer la naturaleza no

determinística del método k-means, y con ello asumir que un único lanzamiento no entrega
 48

necesariamente la mejor respuesta, y por otro no incrementar sin necesidad los tiempos de
ejecución, dado que se podrían, en el extremo, realizar cientos de lanzamientos para así elegir
con mayor probabilidad una mejor elección, con un tiempo de ejecución también cientos de
veces mayor. No obstante de la tabla 4.2, donde se muestra la menor distorsión total para 300
mini-zonas cuando se realizan distintos lanzamientos, se puede observar que no existen
grandes beneficios en realizar para cada ubicación de centros un número superior a 3
lanzamientos, por lo que se elige dicho número en virtud que representa un buen mix entre
calidad de la solución y tiempo de ejecución asociado.
Una vez que se realiza la ubicación preliminar de los transformadores, estos de acuerdo a la
metodología ya planteada, referente a la asignación de las calles, son re-ubicados en la calle
más cercana, de forma que también su conexión a los consumos asociados respete la
topología de la red vial de su mini-zona correspondiente.
Luego de esto, al conocerse ya la ubicación sobre la red vial de cada transformador y sus
consumos asociados, se asigna considerando la tasa de crecimiento de la demanda la
capacidad de cada uno de ellos, siguiendo los siguientes pasos:
1. Se calcula la demanda media que debe satisfacer el transformador en el año base, esto
es, se suman las energías de cada uno de los consumos asignados al transformador y
se divide por el número de horas del período (8760 horas).
2. Se obtiene el factor de carga a partir de la expresión (4.3) considerando el número de
clientes asociados al transformador.
3. Se obtiene la demanda máxima coincidente (Dmax) de los consumos para el año
base, a partir de la demanda media (Dm) y del factor de carga (Fc)

F  D m ⇒ D  Dm (4.5)
c D max
max Fc
4. Se asigna el menor transformador capaz de abastecer la evolución de la demanda
máxima coincidente a lo largo del horizonte de estudio.

Si no existe un transformador capaz de satisfacer la demanda de sus consumos asociados, es

decir uno de los i transformadores cubre una demanda superior a la que es capaz de
 49

15
entregar el mayor transformador disponible , entonces se vuelve a realizar el proceso de k-
means, pero esta vez con i+1 ubicaciones, proceso que se realiza hasta que todas las
localizaciones tienen asignado un transformador (capacidad de transformación).
Por tanto al finalizar el proceso se tiene la ubicación y capacidad de cada transformador más
la ubicación de cada uno de los consumos que deben abastecer. El siguiente paso es
determinar la topología y costos de la red de baja tensión que los conecta con las cargas que
deben suministrar, por lo que es necesario calcular el costo de los conductores empleados y el
costo de las pérdidas asociadas a la red.

4.3.3 Trazado de red

El criterio empleado para obtener el trazado de la red se basa primordialmente en la distancia

que existe entre los consumos, además, con el fin de incorporar la incidencia del flujo en la
red, el transformador se moverá a una nueva ubicación una vez que la red óptima sea
escogida, de manera de estar aproximadamente en un nodo donde la red se encuentre
equilibrada, es decir que la diferencia entre los flujos que salen de él no sea considerable. Es
por esto que el trazado de la red consistirá básicamente en trazar el árbol de mínima
expansión con raíz en la ubicación del transformador. Entendiéndose a tal árbol como el
16
grafo no dirigido de menor distancia que conecta todos los nodos sin generar ningún ciclo
(grafo acíclico), y siendo la raíz del árbol el único vértice del grafo que no tiene un arco que
lo preceda.
Se debe señalar que el problema del árbol de mínima expansión es un problema clásico de
optimización combinatorial. Fue formulado por primera vez en 1926 por Boruvka,
precisamente en un problema de electrificación, luego de ello esta modelación ha sido
aplicada para enfrentar numerosos problemas en variadas áreas como telecomunicaciones,
sistemas de transporte, entre otros, a través de procedimientos que han permitido su solución,
los cuales debido a su complejidad algorítmica hacen del árbol de mínima expansión un
problema del tipo P, es decir, tales algoritmos resuelven el problema en tiempo polinomial.
Estos fueron desarrollados en forma casi paralela por Kruskal (1956) y

15 La tabla con las capacidades y costos de los transformadores disponibles se muestra en el Anexo D
16 En un grafo no dirigido un camino {V0, V1, V3, …, VK} forma un ciclo si V0=VK y los Vi son distintos
 50

Prim (1957), ambos corresponden a algoritmos voraces, lo que significa que en cada
iteración escogen la mejor alternativa para ese instante sin considerar los pasos futuros.
Considerando un grafo G (V, E) donde cada arco E tiene un peso (valor) asociado, que en el
caso en cuestión corresponde a la distancia que existe entre los nodos que comunica el arco,
el algoritmo de Kruskal se puede resumir en los siguientes pasos:

1. Se marca el arco con menor peso. Si hay más de uno se escoge cualquiera de ellos.
2. De los arcos que quedan, se marca el que tenga menos peso, nuevamente si hay más
de uno se escoge cualquiera de ellos.
3. Repetir el paso 2 siempre y cuando el arco escogido no forme un ciclo con los ya
marcados.
4. El algoritmo termina cuando existen n-1 arcos marcados, siendo n el número de
nodos del grafo.

En tanto el algoritmo de Prim se puede resumir como sigue:

1. Se marca un nodo cualquiera como nodo de partida, denominado raíz del árbol, con
lo que se inicializa.
2. Se agrega al árbol aquel vértice que este conectado a cualquier vértice del árbol por el
arco de menor peso.
3. Se repite el paso 2 siempre que el arco que se incluye conecte un vértice que
pertenece al árbol con uno que aún no pertenece a él.
4. El proceso termina cuando todos los vértices pertenecen al árbol.

Dado que ambos algoritmos presentan la misma complejidad O(n log n), con n el número de
vértices (tamaño de la entrada), se opta arbitrariamente, por utilizar el algoritmo de Prim en
el trazado de la red en atención a su fácil implementación computacional. En la figura
siguiente se puede apreciar su aplicación para un transformador y sus cargas asociadas.
 51

7300

7250
7280

7200 7260
[m] [m]
7240
7150

7220
7100

7200

7050
7180

3.785 3.79 3.795 3.8 3.805 3.81 3.793 3.794 3.795 3.796 3.797 3.798 3.799
4 4
[m] x 10 [m] x 10

Figura 4.7: Árbol de mínima expansión

Sin embargo, en ella es fácilmente apreciable que la aplicación directa del Algoritmo de Prim
no respeta las zonas prohibidas dado que se observan cruces a través de las zonas urbanas
(entre calles), lo que se evita si se considera el trazado vial como restricción para el trazado
de la red de baja tensión. Por lo tanto para guiar el camino del algoritmo se utilizan las
proyecciones de los consumos sobre las calles en vez de su posición real, guardando siempre
la distancia desde los consumos a su proyección ya que esta constituye una aproximación a la
longitud de los empalmes a emplear. Sin embargo, tal información si bien permite que
consumos que pertenecen a una misma calle queden conectados, no garantiza que no existan
cruces en zonas distintas a las esquinas, por lo cual se incluyen nodos auxiliares que permitan
señalar de mejor manera las rutas posibles del algoritmo, estos nodos son los vértices de los
tramos de calle, lo que ayuda a garantizar bifurcaciones sólo en las intersecciones de tramos,
y otros nodos extras en aquellos tramos que si bien pertenecen a la mini-zona no poseen
consumos de manera de permitir las uniones de consumos a través de tramos que no los
poseen. En términos sencillos el algoritmo empleado es:
 52

1. Se inicializa el árbol con la posición del transformador (raíz del árbol).

2. Se agrega al árbol aquel nodo aún no incluido, real o auxiliar, que esté más cercano a
cualquiera de los nodos del árbol, siempre y cuando tal nodo pertenezca al mismo
tramo.
3. Se repite el paso 2 hasta que todos los nodos del tramo son incluidos.
4. Se agrega al árbol aquel nodo aún no incluido, real o auxiliar, más cercano a los
vértices del conjunto de tramos ya incluidos que pertenezca a un tramo vecino,
definiendo tramo vecino a aquel que comparte un vértice con el tramo en cuestión.
5. Se repite el paso 2 y 3 para el nuevo tramo incluido.
6. Se repite el paso 4 y 5 hasta que todas las proyecciones de los consumos sobre los
tramos de calle, sean agregados, situación que hace que el algoritmo finalice.

Del paso 6 se desprende que el criterio de parada no esta dado por el uso de todos los nodos,
reales (proyecciones de los consumos) y auxiliares, con lo que posiblemente caminos que
sigue el algoritmo a través de nodos auxiliares no conectan nodos reales Para soslayar tal
efecto se lleva a cabo un proceso de poda, en que todos aquellos nodos auxiliares que no
entregan información, es decir que sólo sirvieron para ampliar el espacio de búsqueda, pero
que finalmente no conectaron nodos reales son eliminados, de manera de tener únicamente el
17
árbol de mínima expansión en que todas las hojas del árbol son nodos reales. Ejemplo del
trazado de la red se presenta en la figura 4.8.

17 Si (u, v) es el último arco en el camino desde la raíz del árbol hasta el vértice v, entonces se dice que u
es el padre de v y v es hijo de u. La raíz es el único nodo del árbol que no tiene padre. Un nodo sin hijo se
denomina hoja y el resto de los nodos se denominan nodos internos.
 53

7400
7300
7350

7300 7250
[m]
7250 [m]
7200 7200
7150

7100 7150

7050

7000 7100

6950

6900 7050
3.84 3.85 3.86 3.87 3.88 3.89 3.84 3.845 3.85 3.855 3.86
[m] 4 [m] 4
x 10 x 10

Figura 4.8: Trazado de la red de baja tensión

Si bien en la figura anterior, se aprecia claramente el trazado de la red de baja tensión

respetando la topología vial, y que la posición del transformador se ubica aproximadamente
en el centroide de la red, lo que ayuda a garantizar una buena solución, dado que de esta
manera los flujos se reparten en forma equilibrada, tal situación no es garantizable para todos
los casos, debido a que la elección del centroide se realiza en la etapa de k-means, sin la
consideración vial, sino que de acuerdo a la cercanía de consumos pertenecientes a una
misma isla de una mini-zona determinada, con lo cual la proyección de dicho centroide sobre
el tramo de calle más cercano, no necesariamente coincide con el centroide de línea de la red
de baja tensión trazada (situación que si ocurre en la figura 4.8). Es decir en tal ubicación no
se produce el mejor equilibrio entre los flujos que salen del transformador, razón por la cual
se realiza la reubicación de los transformadores mediante el equilibrio de la red, metodología
descrita a continuación.

Equilibrio de red

En esta sub-etapa se lleva a cabo la re-localización de cada uno de los transformadores desde
su posición inicial dada por la proyección del centroide calculado con k-means sobre el tramo
de red más cercano, a una nueva posición en que los flujos que salen desde el transformador
sean lo más parecidos posibles, ello en virtud de que es imposible equilibrar totalmente la red
(flujos iguales por todas las ramas que salen del transformador), dado que
 54

para disminuir el espacio de búsqueda constituido por cualquier posición (x, y) perteneciente
a la red, se consideran como ubicaciones factibles del transformador sólo aquellos nodos
incluidos en la red, ya sea se trate de consumos o de nodos auxiliares, por tanto el equilibrio
total de la red puede que no pertenezca al conjunto de posiciones factibles.

Para llevar a cabo el equilibrio en cuestión, se propone un algoritmo iterativo, puesto que no
existe una metodología directa para encontrarlo, de hecho se debe hacer notar que el
centroide de una figura compuesta por tramos no necesariamente pertenece a la figura, sino
que puede ubicarse externo a ella, lo que no garantiza encontrar el equilibrio de red buscado.
La metodología propuesta se basa en el hecho que un movimiento del transformador, del que
se supone salen dos ramas, desde su posición inicial hacia el nodo hijo de la rama de mayor
flujo, hará que tal flujo disminuya en P y por tanto la rama de menor flujo aumentará en P.
El algoritmo simplificado es el siguiente:

1. Se calculan los flujos que salen por ambas ramas del transformador. Se define
equilibrio como el valor absoluto de la diferencia entre los flujos.
2. Se ubica el transformador en el nodo hijo con mayor flujo.
3. Se revisa el número de ramas que salen desde la nueva posición
Si el número de ramas es 2
3.1. Se calculan los flujos que salen por ambas ramas
3.2. Se repiten los pasos 2 y 3 hasta que el equilibrio no disminuya más.
Si el número es mayor que 2
3.4 Se parte desde los hijos de la nueva posición, la que no se considera factible, y se
realiza el proceso 3, siempre y cuando por la rama se mejore el equilibrio
4. El proceso finaliza cuando no es posible seguir ningún camino de la red que mejore el
equilibrio. Nótese que si un camino empeora el equilibrio, no se continúa la búsqueda
a través de él, con lo que no se revisan todas las ubicaciones sino sólo las que están
en la dirección del descenso.
 55

[m] [m]
7950
7250
7900
7200
7850

7150
7800

7100
7750

7050
7700

3.785 3.79 3.795 3.8 3.805 3.81 3.8 3.805 3.81 3.815 3.82
4 4
[m] x 10 [m] x 10

Figura 4.9: Equilibrio de red

En la figura 4.9 se muestra la aplicación del algoritmo de equilibrio para dos redes, en ellas el
triángulo de mayor tamaño representa la posición inicial del transformador, mientras que el
triángulo de menor tamaño corresponde a la posición de equilibrio de la red, los nodos no
asignados corresponden a los nodos auxiliares no utilizados en el trazado de la red (producto
del proceso de poda). Se debe destacar que el equilibrio de red incorpora mejoras en la
solución final, puesto que disminuye los costos producto de una mejor asignación de los
conductores, de hecho el ahorro producto de su incorporación oscila entre 1,5% a 3%
respecto a la solución que no incorpora el equilibrio. Por ejemplo, en una corrida del modelo
para la comuna de Macul, considerando mini-zonas de 500 por 500 metros, se obtiene un
18
costo de 1.906.194.901 pesos si no se considera el equilibrio, en cambio al incluirlo, el
nuevo costo es de 1.820.926.206 pesos, lo que representa un ahorro de 4,47 %, no obstante el
incremento en el tiempo de ejecución para este ejemplo es de 114 %, aumentando desde 3,05
minutos a 6,55 minutos. Por lo que, evidentemente, existe un trade off entre tiempo de
ejecución y calidad de la solución, el que se vuelve más importante en la medida que la zona
a optimizar crece, situación que se analizará en detalle al finalizar el

18 Los datos presentados en este párrafo corresponden a valores promedio obtenidos a partir de 20
corridas distintas del modelo. Para más detalles refiérase a la sección Iteraciones y Resultados del presente
capítulo.
 56

presente capítulo, una vez que todas las etapas del proceso de micro-optimización se
encuentren explicitadas.

4.3.4 Selección óptima de conductores

Una vez que se conoce el trazado de la red de baja tensión asociada a cada uno de los
transformadores de la mini-zona, ya sea incluyendo o no el equilibrio de red, es necesario
conocer cuanto vale dicha ruta óptima, es decir se debe valorizar el trazado, en cuanto uso de
material y longitud del mismo. Del apartado anterior, se conoce la distancia existente entre
cada uno de los nodos y por ende la distancia de cada uno de los tramos que tienen asociado
algún tipo de conductor. El valor del conductor asociado a cada tramo dependerá del tipo de
material empleado y del flujo que por él atraviesa, por lo que es necesario llevar a cabo una
selección óptima de conductores, de manera que el conductor escogido para cada tramo
minimice los costos de inversión más pérdidas.
La selección óptima de conductores ha sido abordada en numerosas investigaciones (Adams
y Laughton, 1974, Wall et al, 1979, Tram y Wall, 1988, Mandal y Pahwda, 2002), siendo uno
de los procedimientos más usados en planificación el de separar el problema de selección del
resto de la red, esto es, elegir un conductor pseudo óptimo para cada uno de los tramos en
función exclusiva de los flujos que lo atraviesan y las variables eléctricas y económicas
relacionadas con el flujo en cuestión, sin considerar el efecto que tal elección tiene aguas
abajo de la red (Mandal y Pahwda, 2002). Dado que el procedimiento ya ha sido realizado y
no constituye un aporte original al problema de planificación, en el presente trabajo se opta
19
por usar los resultados obtenidos en el estudio de VAD del año 2004 (Systep e Inecon,
2004), no obstante tal metodología será igualmente presentada, de manera de constatar las
variables involucradas en el proceso de optimización de redes de baja tensión, en lo referente
a selección de conductores.
Antes de ello, para utilizar en forma directa tal metodología es fundamental conocer los
flujos de potencia que circulan por cada uno de los tramos, tarea que no es trivial, dada la
considerable cantidad de cargas involucradas en cada una de las redes, situación que hace

19El uso de los mismos valores se realiza para poder tener un marco comparativo que permita analizar los
resultados obtenidos en la investigación aquí propuesta.
 57

necesario realizar algún tipo de simplificaciones que permitan obtener buenas soluciones, sin
necesidad de resolver un algoritmo de flujo AC exacto para encontrar la respuesta, es decir
sin la utilización de herramientas tradicionales para flujos de potencias tales como los
métodos de descenso de Newton, Gauss, y simplificaciones de los mismos. En ellos la
20
componente matricial es relevante, y en el caso de redes de baja tensión el número de
cargas es elevado y por tanto la dimensión de las matrices involucradas en tales
procedimientos también lo son, situación que produce gastos excesivos de memoria y tiempo
de ejecución producto de la necesidad de invertir y trabajar con grandes matrices, tiempos
que afectan el ejercicio de planificación puesto que en el algoritmo propuesto se resuelven
miles de flujos de potencia, siendo conveniente aprovechar la característica radial de la red
de baja tensión, y realizar supuestos, cuya ejecución no incluye en la planificación más error
que el posible asociado a la proyección de la demanda.

Modelo de flujo de potencia

El elemento característico de las redes de baja tensión es su topología radial, por lo que en el
17
flujo de potencia hay una relación directa entre las cargas entre un nodo con su nodo padre
17
y con sus nodos hijos , sin existir intercambios entre nodos de un mismo padre, situación
que permite identificar y formular el problema en términos simples, a diferencia de lo que
sucede con redes enmalladas donde los flujos y voltajes en cada uno de los consumos inciden
en el resto de la red.
En el problema a resolver, las cargas están representadas por un modelo PQ, es decir se
asume que se conoce su potencia activa y reactiva, y por ende implícitamente su potencia
aparente, las cargas en su totalidad se consideran de naturaleza inductiva con un factor de
potencia de 0,93, además se considera que la red se encuentra equilibrada, supuesto que si
21
bien es difícil de adoptar en la operación de un sistema de distribución real, en el cual las
cargas asignadas a cada fase no se encuentran del todo bien distribuidas, en un ejercicio de
planificación se asume que se tomarán las medidas año a año para que la red si se encuentre
equilibrada, dado que ello implica mejoras en la operación del sistema y por tanto se asume

20 Las matrices son del tipo n x n, con n el número de nodos (cargas) conectados a la red.
 58

que en el largo plazo existen los incentivos suficientes para que la red se encuentre en dicho
estado, entonces al asumir el equilibrio se puede resolver la red trifásica de acuerdo a su
equivalente monofásico. En atención a lo mencionado, la primera ley de Kirchhoff en una red
radial esta dada por la ecuación 4.6 (Peco, 1999):
R

Si  Li  SLi  ∑Sk (4.6)

k 1

2 Si 2
Li  Ii ⋅ Zi  V 2 ⋅ Zi (4.7)
A(i )

Donde:
• Si: es la potencia aparente al comienzo del tramo i.
≤ Li : son las pérdidas en el tramo i.
≤ SLi : es la demanda aparente del nodo i.
• R: es el número de ramas que salen del nodo i.
≤ Zi : es la impedancia del tramo i.
≤ Ii : es la corriente que circula a través del tramo i.
≤ VA(i) : es el voltaje aguas arriba del nodo i.

Desarrollando la ecuación 4.7 se tiene que:

  P i 2  Q i2  2 ⋅  r  j ⋅ x ri ⋅ Pi 

 Qi2  j ⋅ xi ⋅ Pi 2  Qi2 
2
L  P i  j ⋅ Qi 2 ⋅ r  j ⋅ x
i V 2 i i V 2 i i V 2 2
A(i ) A(i ) A(i) A(i )
V

Con:
≤ Pi : es la potencia activa al comienzo del tramo i.
≤ Qi : es la potencia reactiva al comienzo del tramo i.
≤ ri : es la resistencia del tramo i.
≤ xi : es la reactancia del tramo i.
Reemplazando Li en la ecuación 4.6 y anotando las variables en su expresión compleja, se tiene que la
potencia aparente al principio del tramo i es:
j⋅ 
ri ⋅ Pi 2  Qi2  xi ⋅ Pi
2
 Qi
2
  (PL R

 j ⋅ QLi )  ∑ Pk  j ⋅ Qk 
PQ   j⋅ V 2 i
k 1
i i V 2 A(i )
A(i )

21 La operación se refiere a la actividad diaria de explotación de las redes de distribución, estos es

maniobras a ejecutar en caso de falla de algún componente, reconfiguración de redes, inyección adicional de
reactivos, etc.
 59

Igualando la parte real del lado derecho de la ecuación con la parte real del lado izquierdo, y
haciendo lo mismo con la parte imaginaría es posible obtener la expresión para la potencia
activa y reactiva, respectivamente, para una red de topología radial.

P 
2
ri ⋅ Pi  Qi
2
  PL  ∑PR

V 2 i k (4.8)
i A(i ) k 1

xi ⋅ 2 2 R

Q  Pi  Qi   QLi  ∑Qk (4.9)

i
 2

Donde
≤ PLi : es la demanda activa del nodo i.
≤ QLi : es la demanda reactiva del nodo i.

Las expresiones (4.8) y (4.9) por sí solas no son suficientes para determinar los flujos que
circulan a través de los distintos tramos de la red, debido a que no se conoce el voltaje aguas
arriba del tramo, por lo que es necesario encontrar una tercera relación que permita calcular |
2
VA(i)| en función de Pi y Qi, de tal forma de tener tres ecuaciones con tres incógnitas y así
resolver el sistema para encontrar las variables en cuestión. Sin embargo, puesto que se trata
de una red de distribución de baja tensión se puede realizar una simplificación importante, la
que consiste en despreciar los términos cuadráticos de las ecuaciones (4.8) y (4.9), ello dado
que en los sistemas de distribución las pérdidas de cada tramo son pequeñas en relación al
flujo que los atraviesa (Rudnick et al, 1997, Peco, 1999), de forma tal que al considerarse
2 2 2
como cero el valor de Pi + Qi , y suponiendo que VA(i) siempre es distinto de cero (para
que la función no se indefina), se tienen las siguientes ecuaciones simplificadas que fueron
utilizadas en el presente trabajo:

R
 P
Pi  PLi ∑ k (4.10)
k 1

R
 Q
Qi  QLi ∑ k (4.11)
k 1

En las cuales se puede apreciar la independencia tanto de los flujos activos como reactivos
del voltaje en los nodos, posibilitando de esta manera, un cálculo rápido y simplificado en
 60

el que partiendo desde los nodos extremos (hojas del grafo), se van agregando las demandas
aguas arriba, para así conocer los flujos en todos los arcos del grafo que representa la red de
baja tensión. Al implementar tal procedimiento se puede establecer el flujo que circula por
cada tramo. Nótese que las ecuaciones para la determinación del flujo son independientes del
tipo de conductor, no dependen de la impedancia de la línea, con lo que el procedimiento de
calcular los flujos para luego elegir el conductor es válido en el marco de los supuestos
realizados.

Metodología de selección de conductores

Para comprender la forma en que se realiza la selección, se deben tener presentes los
elementos fundamentales que en ella intervienen, por un lado se tienen los costos fijos
representados por la inversión necesaria en cada uno de los conductores que se realiza al
inicio del período de estudio, y por otro lado, los costos variables representados por los
costos asociados a las pérdidas de energía y potencia que dependen de la cantidad de
corriente que circula por cada conductor y que se producen durante todo el horizonte de
estudio, variando año a año producto del crecimiento de la demanda. En consideración a lo
anterior, para poder realizar una comparación entre los costos que se producen en los
distintos años, se recurre a la técnica tradicional de evaluación de proyectos, denominada
valor actual neto o también conocida como valor presente, en la que se incluyen, además de
22
los costos de inversión y operación de cada tipo de conductor , variables como la
depreciación y valor residual de los conductores y parámetros como la tasa de descuento, que
identifica el riesgo del proyecto, y la tasa de impuesto.
Así, el valor actual neto de un determinado conductor por unidad de longitud ($/km.) será
una función que varía con respecto a la corriente que lo atraviesa, siempre y cuando dicha
corriente no sobrepase sus límites térmicos, además se debe reiterar que el período de análisis
corresponde a 15 años y señalar que para el cálculo de la depreciación y el valor residual se
considera una vida útil de 30 años para los conductores.
Entonces la expresión para el valor actual neto de un conductor tipo i, VANi (I), será:

22 El listado de conductores disponibles con sus respectivos precios, se encuentra en el anexo D

 22
23
• Timp
61

⋅Tim
15 CL ⋅ (1 − Timp ) − Dep p
VAN i ( I ) = INVi,0 + ∑
i,k i ,k
 k (4.12)
k 0 1+ r
Donde
• INVi,0 : inversión inicial en un conductor del tipo i.
• CL(I)i,k : costo de pérdidas del conductor i en el año k para un valor de corriente I.
: tasa de impuestos que para efectos de la evaluación se consideró en 17 %.
• Depi,k : depreciación del conductor i en el año k.

Es importante explicitar la relación que existe entre las pérdidas y la corriente que los
atraviesa, tales relaciones y datos fueron obtenidos íntegramente del informe de VAD período
2004-2008 (Systep y Inecon, 2004):

“Se consideran las pérdidas de potencia y de energía del conductor. El cálculo se

realiza según las siguientes ecuaciones:

I2 ri
k ⋅ ⋅f
CPP i = ρ ⋅ ⋅ fcon 2exp⋅12
k p
1000
I2 ri
CPEi = ρ ⋅ k ⋅ ⋅ fcp ⋅ 8760
k e
1000
Donde
i
CPP k : Costo de pérdidas de potencia del conductor de tipo i el año k. [$]
i
CPE k : Costo de pérdidas de energía del conductor de tipo i el año k. [$]
 Ik : Corriente en el año k. [Amp]
fcon : Factor de coincidencia en alta tensión de las demandas presentes en la
punta del sistema (0,85).
fexp : Factor de expansión de las pérdidas de potencia en alta tensión, en
horas de punta del sistema eléctrico (1,016).
fcp : Factor de carga de las pérdidas

Considerando un factor de carga de 32% se calcula el factor de carga de las

pérdidas según:
fcp = fc1,5
Finalmente, el costo total de pérdidas se obtiene de la suma de costos de pérdidas
de energía y potencia”
 62

La ecuación (4.12) establece el VAN de un determinado conductor como función de la

corriente que circula por él, entonces, si por cierto tramo atraviesa un flujo P, que determina
implícitamente una corriente I, bajo un escenario determinado de crecimiento de demanda, se
evalúa la función de VAN de todos los conductores para tal corriente I, escogiéndose como
alternativa óptima, aquel conductor cuyo VAN sea el menor para dicha corriente. Así los
resultados obtenidos para la tasa supuesta de 2.75 % fueron:

Tabla 4.3: Resultado selección óptima de conductores

Corriente Corriente Sección Tipo de

Costo ($/km)
Mínima (A) Máxima (A) (mm2) Conductor
0 22 16 259.827 Cobre
23 25 35 331.750 Aluminio
26 41 50 404.400 Aluminio
42 87 120 658.161 Aluminio
88 131 240 1.496.998 Aluminio
132 625 300 1.874.000 Aluminio

Lo que es interpretado por el algoritmo de la siguiente manera, si la corriente que circula por
un tramo de la red se encuentra entre 0 y 22 A, entonces se utilizará un conductor de cobre de
2
16 mm en dicha sección, de igual manera se procederá para todos los tramos de la red en
concordancia con lo establecido en la tabla 4.3.

4.3.5 Cálculo de pérdidas de energía

De la etapa anterior, es posible conocer cual es el mejor conductor para un tramo a partir del
flujo que por él circula, dicha elección se realiza en atención exclusiva al tramo en análisis,
es decir sin la consideración de los tramos aguas abajo del tramo calculado, y por ende sin la
consideración de su acción en las caídas de tensión en el resto de la red. Por esta razón se
incorpora a la función objetivo el costo de las pérdidas de energía, que implícitamente
incorporan en el proceso de optimización las caídas de tensión, debido a que actúan como
una penalización a las caídas de voltaje (Sanhueza, 1994, Fawzi et al, 1983),
 63

dado que un incremento en ellas (disminución de los voltajes) implica un aumento de las
23
pérdidas y por ende de su costo final.
Para poder valorizar las pérdidas de energía se debe tener presente, que el ejercicio de
planificación considera demanda de potencia, y por tanto se tiene para cada red el valor de
las pérdidas de potencia coincidentes entre los consumos que son abastecidos por un mismo
transformador. Tales pérdidas de potencia constituirán el indicador fundamental para el
posterior cálculo de las pérdidas de energía, por lo que su determinación es de vital
24
importancia. Del desarrollo de la ecuación (4.7) se tiene que las pérdidas activas están
dadas por:

⋅

L = r i Pi
2
+ Qi2  (4.13)
ACTIVASi V 2
A(i)

De cuya ecuación se conoce el flujo activo y reactivo, puesto que fueron calculados en la
etapa anterior para cada tramo del trazado de la red, y además se conoce la resistencia, dado
que al realizar la elección del conductor, es posible determinar sus características técnicas en
función del tipo de conductor escogido y del largo del tramo de red, por lo que la única

variable desconocida es el voltaje aguas arriba del nodo i, VA(i). Para determinarla,
considérese la ecuación (4.14) que representa la aplicación de la ley de ohm a un tramo de
una red radial.

V A ( i ) = Vi + I i ⋅ Zi (4.14)
Recordando que tales variables constituyen cantidades fasoriales, entonces la expresión
cartesiana de la ecuación (4.14), donde el subíndice R representa la parte real y el subíndice I
la parte imaginaria, es:

V A ( i ) R + jV A ( i ) I = ViR + jViI  +  I iR + jI iI  ⋅ ri + jxi 

Despejando la parte real y la parte imaginaria para Vi, se tiene:

V =V −r I +x I
iR A(i)R i iR i iI (4.15)
23 Situación claramente apreciable en la ecuación (4.7) donde una disminución del voltaje genera una
aumento en las pérdidas.
24Las pérdidas activas son las que generan costos, dado que representan energía que se deja de vender producto
2
de su disipación en forma de calor (efecto joule I R)
 64

V =V −x I −r I
iI A(i)I i iR (4.16) i iI
2
De donde para determinar |Vi| basta con sumar los cuadrados de las ecuaciones (4.15) y
(4.16), obteniéndose la siguiente relación:

V
i
2
= V A2( i ) R + V A2( i ) I  +  I iR2 + I iI2 ri 2 + xi2  − 2ri  I iRV A ( i ) R + I iI V A ( i ) I  − 2xi  I iRV A ( i ) I − I iI VA ( i ) R 

V I Z
Vi 2 = A(i) 2 +i 2 ⋅i 2
− 2ri  I iRV A ( i ) R + I iI V A ( i ) I  − 2xi  I iRV A ( i ) I − I iI VA ( i ) R  (4.17)

No obstante la relación anterior está expresada en términos de corriente, toda vez que en la
etapa de selección óptima de conductores se calcularon los flujos de potencia, por lo es
necesario reescribirla en función de los datos disponibles. Para ello se utiliza el hecho que la
potencia compleja es el resultado del voltaje por el conjugado de la corriente, entonces
desarrollando y despejando la potencia activa y reactiva se tiene:

Pi + jQi = V A ( i ) R + jV A ( i ) I ⋅  I iR + jIiI 
=V I +V I
Pi A(i)R iR A ( i ) I iI (4.18)
Q =V I −V I
i A(i)I iR A ( i ) R iI
2 2 2
Reemplazando (4.18) en (4.17) y notando que |Ii| =|Si| / |VA(i)| , finalmente la expresión
para el voltaje es:

2 2 Pi 2 + Qi2  2 2
V ⋅ ri + xi − 2 ⋅ ri ⋅ Pi + xi ⋅ Qi 
V
Vi = A(i) + 2 (4.19)
A(i )

En virtud de la relación (4.17), es posible calcular la magnitud del voltaje en cualquier nodo,
siempre y cuando se conozca el voltaje en el nodo aguas arriba (nodo padre). Como el único
voltaje que se conoce a priori es el voltaje en el transformador (nodo raíz) y los parámetros
de flujo de potencia y impedancias del conductor ya fueron calculados en la etapa previa,
sólo basta con recorrer la red aguas abajo del transformador de manera de ir progresivamente
calculando todos los voltajes. Sin perjuicio de lo anterior la relación señalada puede ser
simplificada, dado que en ella el término cuadrático que depende de los parámetros de la
línea es marginal con respecto al término lineal, razón por la cual también se puede
despreciar, entonces la expresión implementada en el presente trabajo para el cálculo del
voltaje en los nodos es:
 65

V
Vi 2 = A(i )
2
− 2 ⋅ ri ⋅ Pi + xi ⋅ Qi  (4.20)

Al conocer el voltaje en los nodos, se pueden calcular las pérdidas de potencia activa de
acuerdo a la ecuación (4.13). Si durante todas las horas del año se tuviese la misma demanda,
25
bastaría con multiplicar las pérdidas, obtenidas a partir de (4.13), por 8760 horas y así
obtener las pérdidas de energía para un determinado año, sin embargo tal situación no ocurre,
puesto que el cálculo de pérdidas se realiza para el escenario de demanda máxima
coincidente de cada red. Para incorporar esta situación y dado que es imposible realizar un
cálculo para cada punto de demanda de la curva de carga, se opta por aproximar las pérdidas
de energía mediante las pérdidas medias de energía. Para lo cual se considerarán las
siguientes definiciones:
• Factor de carga, Fc, es la relación entre la potencia media de la curva de carga y la
potencia máxima, también denominada potencia punta. En (4.21) E es la cantidad de
energía consumida en el período T.
P
F = media
= ET (4.21)
C P P
punta punta

• Factor de carga de las pérdidas, Fp, es la relación entre las pérdidas medias
de energía y las pérdidas de potencia en el escenario de mayor demanda
(potencia de punta).
L
FP  media (4.22)

De esta forma las pérdidas medias de potencia serán FpLpunta, situación que hace necesario
estimar Fp, siendo interesante destacar la relación existente entre el factor de carga de las
26
pérdidas con el factor de carga , dada por:
F2 F  F (4.23)
c pc

En virtud que en este trabajo el factor de carga se supone conocido y depende del número de
consumos de la red, ecuación (4.3), bastaría entonces determinar la relación que permita

25 Número de horas de un año de 365 días

 66

calcular el factor de carga de las pérdidas a partir del factor de carga. Dicha relación a buscar
no es genérica, producto que depende de la curva de carga de los consumos a suministrar, no
obstante, existen investigaciones en que se analizan diferentes curvas de carga para obtener
ecuaciones que reflejen en forma aproximada el comportamiento común de tales factores
(Buller y Woodrow 1928, Gustafson y Baylor 1988, Gustafson y Baylor, 1989). En particular,
en esta investigación se utiliza una de las aproximaciones propuestas por Gustafson y Baylor
(1988), dada por:

F  0.08 ⋅ F  0.92 ⋅ F 2 (4.24)

P C C

Con lo que las pérdidas medias de energía el tramo i, Lenergía,i, serían:

L
ENERGÍAi

8760⋅F ⋅ L

P ACTIVASi
(4.25)

Como las pérdidas de energía representan energía que no se vende, pero que igualmente es
comprada por la distribuidora al generador, estas deben ser valorizadas al precio de venta de
27
energía del generador al distribuidor, el cual se consideró en 18,45 $/kWh (Synex, 2004).
Si además se considera que existe un crecimiento de la demanda, y por tanto pérdidas
distintas para cada uno de los años del horizonte de estudio, lo que implica costos distintos a
través del período, no es posible sumar tales costos de manera directa, sino que se debe
utilizar el método de valor actual neto, con lo que el costo de las pérdidas de energía es:

L ⋅ 1 g
C C ⋅
N T
ENERGÍA , i,0   j
PÉRDIDAS ENERGÍA ∑∑  
j (4.26)
i 1 j 1 1 r
Donde
≤ CPÉRDIDAS : costo total de las pérdidas de la red para todo el horizonte.
≤ CENERGÍA : costo unitario de energía.
≤ N : número de tramos de la red.
≤ T : número de años del horizonte de evaluación

26 Para un desarrollo completo de la relación entre el factor de carga y el factor de carga de las pérdidas
véase Gonen (1986) páginas 52-61.
 67

≤ g : tasa anual de crecimiento de las pérdidas.

≤ t : tasa de descuento anual.

4.3.6 Iteraciones y resultados

En virtud de las etapas anteriores es posible obtener el costo de los transformadores, el costo
de los conductores empleados en el trazado óptimo y el costo de las pérdidas para cada isla
perteneciente a una mini-zona. Sea entonces el costo total de una isla a planificar:
j

CT j , i  ∑ Ctrafok , i  Cred k , i  Cpérdidask ,i  (4.27)

k 1

Con
≤ CTj,i : costo total de j redes óptimas en la isla i.
≤ Ctafok,i : costo del k-ésimo trasformador ubicado óptimamente en la isla i.
≤ Credk,j : costo de la red óptima asociada al transformador k en la isla i.
≤ Cpérdidask,i : costo de las perdidas de la red óptima asociada al
transformador k en la isla i.

Considerando la ecuación 4.27 y producto que ya se conocen las distintas etapas que
intervienen en el proceso de micro-optimización es posible clarificar con más detalle el
algoritmo usado para encontrar las redes óptimas sobre una isla perteneciente a una mini-
zona determinada.

Se inicializa el contador en 0.
1. Si la carga puede ser suministrada por un único transformador (T=1) se ubica el
transformador en el centro de carga, en caso contrario se inicializa el algoritmo en el
paso 4.
2. Para dicha posición se calcula CT, siendo necesario calcular:
2.1 Ctrafo, a través de la asignación de capacidad
2.2 Cred, a partir del trazado óptimo y selección óptima de conductores.
 68

2.2.1 En caso de realizar el equilibrio de red, se recalcula el tamaño del

transformador.
2.3 Cpérdidas, mediante el cálculo de las pérdidas de energía
3. Se almacenan las variables relevantes que dieron origen a CT, ubicación, tamaño y
costo del transformador, trazado de la red, conexiones y conductores usados con sus
respectivos costos y costos de pérdidas de cada red. Al costo de red se le incorpora un
costo relacionado con los postes que se deben usar.
4. Se realiza la ubicación de (T+1) transformadores, utilizando el método de k-means.
5. Se repite el paso 2 para cada posición obteniéndose CT para el conjunto de
configuraciones de la isla.
6. Se realiza 3 siempre y cuando el costo total de la presente iteración sea menor al de la
iteración anterior.
7. El contador se aumenta en una unidad. Se repite 4-5-6 hasta que el CT de la iteración
actual es mayor que el CT de la iteración anterior, encontrándose un valle en la
función objetivo y por tanto determinando un mínimo en la función.
8. Se repite el paso 7 hasta que el contador llega a un número máximo, dicho número
representa el número de iteraciones adicionales que se realizan luego de encontrado el
primer mínimo de manera de ampliar el espacio de búsqueda. Finalmente se escoge la
28
alternativa que representa un menor costo .

A continuación se analizarán algunos resultados para comprender con mayor detalle el

algoritmo propuesto:

Relevancia de la búsqueda

Nótese que si el número máximo, denominado búsqueda, es igual a uno, significa entregar
como solución óptima para la isla el primer mínimo que se encuentra, es decir, determina el
número de transformadores y redes asociadas cuyo costo es menor que el que provoca la
adición de un nuevo transformador con su respectiva red. Si la búsqueda es mayor que uno,

28 Un ejemplo completo del algoritmo de micro-optimización se encuentra en el anexo E

 69

implica seguir buscando en el espacio de las soluciones durante (búsqueda-uno) iteraciones

extras, para finalmente quedarse con el menor de los costos obtenidos.
No obstante, en el procedimiento implementado finalmente se utiliza un alcance de uno, esto
se basa en el hecho que tras encontrar un mínimo, la incorporación de un transformador
29
adicional aumenta los costos por unidad de capacidad debido a las economías de escala que
existen en estos elementos y al aumento de capacidad instalada que necesariamente se
produce. Por ejemplo, si para una determinada isla se encuentra que el mínimo local se logra
con un transformador de tamaño M que abaste un conjunto de C clientes con un consumo de
energía E, un factor de carga Fc(C) y una demanda de potencia P, si luego se ubica un nuevo
transformador los clientes y la energía asociada se reparte entre dos elementos y por tanto se
cumple que:

C  C1  C2 (4.28)

E  E1  E2 (4.29)
Sin embargo, la potencia total que se debe suministrar es mayor que P, dado que tanto C1
como C2 son menores que C, y como el factor de carga disminuye con el descenso del
número de clientes, los factores de carga de C1 y C2 son menores que el factor de carga de
C, cumpliéndose que:

E E
1 1 1T 1T
Fc (C )  Fc (C1 ) ⇒  ⇒  (4.30)
Fc (C1 ) Fc (C ) Fc (C1 ) Fc (C)

E E
1 1 2T 2T
Fc (C )  Fc (C2 ) ⇒  ⇒  (4.31)
Fc (C 2 ) Fc (C ) Fc (C 2 ) Fc (C)
Sumando (4.31) y (4.32) se tiene:

E1 E2 (E1  E 2 ) E1 E2 E
T  T  T ⇔ T  T  T
(4.32)
Fc (C ) Fc (C ) Fc (C ) Fc (C ) Fc (C ) Fc (C)
1 2 1 2

Reemplazado de acuerdo a (4.21), entonces:

29 En el caso de los transformadores el costo por unidad de capacidad ($/kVA) disminuye en la medida que
aumenta el tamaño (capacidad) del transformador.
 70

PPP (4.33)
1 2

Por lo cual los transformadores deberán satisfacer una potencia de diseño mayor,
introduciendo un delta de costo adicional que se ve incrementado producto de las economías
de escala presentes en transformación, con lo que la suma del costo de ambas unidades será
mayor que el costo del transformador M. Costo que probablemente no se alcance a justificar
con la posible disminución en costos de redes, toda vez que se conoce que en la siguiente
iteración luego del mínimo, el costo total va en aumento. También se debe destacar que
iteraciones adicionales representan incrementos en costos computacionales y por ende
mayores tiempos de ejecución, lo que constituye un problema cuando la dimensionalidad de
la zona a optimizar aumenta.
En la tabla 4.4 se muestra el costo total de la red y el tiempo para distintos valores de
búsqueda, aplicados a la zona de análisis dada por la comuna de Macul.

Tabla 4.4: Variación del costo total con la búsqueda

Búsqueda Costo Total ($) Tiempo (min)

1 1.836.355.360 3,6
2 1.833.496.191 3,9
3 1.831.117.948 4,3
4 1.851.841.019 5,0
5 1.820.760.267 5,3
6 1.826.747.204 5,7
7 1.834.920.708 6,7
8 1.827.443.448 7,2
9 1.839.715.440 7,6
10 1.831.849.273 8,7
11 1.823.315.893 9,3
12 1.831.028.015 10,3
13 1.823.774.388 11,5
14 1.830.555.495 12,6
15 1.836.080.005 13,7

Donde es posible ratificar el hecho que incrementos en la búsqueda aumentan

considerablemente los tiempos de ejecución, sin implicar disminuciones apreciables en los
costos totales de la red, en efecto, el costo promedio de la tabla anterior es de
 71

$ 1.831.933.377, con una desviación estándar de $ 7.658.349 que representa sólo un 0,42 %
del costo promedio total, lo que no implica diferencias significativas entre los datos, siendo
las diferencias en costo atribuibles a la característica no determinística de la metodología
30
propuesta . Todo lo cual ratifica la decisión de realizar el diseño de la red en consideración
31
del primer mínimo encontrado en el proceso de optimización .

Efecto del equilibrio de red

Tal como ya se señaló, el equilibrio de red consiste en mover el transformador a un punto tal
que los flujos que salen por ambos extremos sean lo mas parecidos posibles, de manera de
incorporar indirectamente en el trazado de red, realizado en base a distancia, el flujo
circulante por cada conductor y así evitar que por un extremo del transformador se alimente a
gran parte de la red mientras que por la otra se abastezca una pequeña parte de ella, lo que
trae como resultado mover más energía por un lado transformador lo que implica secciones
mayores durante gran parte del trazado y por ende mayores costos. No obstante, se debe
recordar que la posición del transformador a partir de la cual se traza la red, no es realizada
arbitrariamente sino que a través de un proceso de cluster en que la posición esta dada por el
centro de carga del conjunto de consumos asociados a él, por lo que, en principio la red
debiese encontrarse equilibrada, pero dada la presencia de calles, que restringen el trazado de
ella, el punto de equilibrio de la configuración de baja tensión puede modificarse,
apareciendo entonces la necesidad de encontrarlo. Para conocer si la incorporación del
equilibrio de red, provoca mejoras a la optimización de la red, se analizan tres casos:
• Caso 1, sin equilibrio, en este no se realiza la reubicación de los transformadores a
través del equilibrio de red.
• Caso 2, con equilibrio en la etapa final, en que el equilibrio no se realiza en cada
iteración del algoritmo (sin el paso 2.2.1) sino que únicamente se equilibran y
recalculan costos una vez que se ha elegido la mejor configuración para la isla.

30
Para una mejor comprensión revisar el anexo referido a complejidad Algorítmica y el apartado de
Convergencia del presente capítulo.
31 En el anexo F se presentan, a modo de ejemplo, los resultados para algunas mini-zonas, notando en
ellos el comportamiento creciente del costo total con la adición de un nuevo transformador, luego de haber
encontrado el mínimo.
 72

• Caso 3, con equilibrio, se realiza el algoritmo señalado, incorporando en cada

iteración el equilibrio de la red.

32
Para los tres casos en cuestión se realizaron 20 ejecuciones del algoritmo , denominadas
lanzamientos, obteniéndose los siguientes costos y tiempos de ejecución promedios:

Tabla 4.5: Efecto del equilibrio de red

Costo Total Tiempo

($) (min)
Caso 1 1.906.194.901 3,05
Caso 2 1.833.157.697 3,56
Caso 3 1.820.926.206 6,55

Se observa que la inclusión del equilibrio de red implica reducciones de costo promedio de
73 y 85 millones de pesos en el caso 2 y 3 respectivamente, tal relación de ahorro se
encuentra presente en todos los lanzamientos ejecutados, situación que se puede apreciar en
la figura 4.10.

MM ($)
1.940
1.920
1.900
1.880
1.860
1.840
1.820
1.800
1.780
1.760
1.740
1 2 3 4 5 6 7 8 9 10 11
12 13 14 15 16 17 18 19 20

Lanzamientos

Caso 1 Caso 2 Caso 3

Figura 4.10: Efecto de la inclusión del equilibrio en la optimización

32 El resumen de las ejecuciones del algoritmo se encuentran en el Anexo G.

 73

Es posible constatar además, que el tiempo de ejecución del caso 3, es el doble que el tiempo
de ejecución del caso 1, con un ahorro en costo de 4,47 %, en tanto que el tiempo de
ejecución del caso 2 es tan sólo un 16 % superior al caso en que no se realiza equilibrio, pero
con un ahorro comparable al caso 3 de 3,98 %, razón por la cual, en beneficio de la eficiente
ejecución del algoritmo con miras a su aplicación en un zona de mayor tamaño como
Santiago, se opta por incluir el equilibrio de red sólo en la etapa final, dado que presenta
ahorros importantes en un tiempo de ejecución menor.

Convergencia

Cabe recordar que el problema a resolver de acuerdo a su complejidad algorítmica

corresponde a un problema del tipo NP-completo, y por tanto la solución aquí propuesta no
es capaz de resolver el problema mediante un algoritmo determinístico, entendiéndolo
básicamente como aquel que entrega la misma la solución cada vez que es ejecutado. En
cambio, lo hace a través de un procedimiento con una parte no determinística, en particular la
componente no determinística del algoritmo propuesto se presenta en la formación de los
cluster para la ubicación de los transformadores. De hecho, en el apartado referente a tal
tema, fue posible constatar la distorsión que se produce en k-means para distintos
lanzamientos, distorsión que era similar, pero no igual, por lo que se tomó como decisión
dejar como ubicación el resultado que presentará menor distorsión al ejecutarse tres veces el
procedimiento de cluster, para un número determinado de transformadores. En efecto,
producto de dicha componente no determinística, los resultados de la optimización también
son distintos cada vez que se ejecuta el procedimiento, lo que en apariencia podría restarle
confiabilidad, pero ¿Qué tan distintos son los costos para cada lanzamiento?, en la tabla 4.6
se presentan los resultados para 20 ejecuciones de la metodología. En ella es posible apreciar
la similitud tanto en tiempo de ejecución como en costo total entre los distintos lanzamientos
o ejecuciones de la metodología propuesta, de donde se obtiene un costo total promedio de $
1.833.157.697 y un tiempo de ejecución promedio de 3,52 minutos, con desviaciones
estándar de $ 7.095.766 y 0,07 minutos. Es importante señalar que la desviación estándar de
los costos representa tan solo el 0,39 % del costo promedio total. Notando entonces, por un
lado la naturaleza no-determinística del algoritmo, al observar
 74

resultados distintos en cada ejecución, y por otro la pequeña dispersión de sus resultados,
permitiendo la toma de decisiones a través de ellos.

Tabla 4.6: Confiabilidad del algoritmo

Lanzamiento Costo Total ($) Tiempo (min)

1 1.829.211.042 3,62
2 1.828.334.867 3,57
3 1.832.120.157 3,52
4 1.833.232.594 3,52
5 1.843.371.158 3,62
6 1.820.042.332 3,59
7 1.831.159.158 3,54
8 1.835.060.121 3,56
9 1.838.797.878 3,43
10 1.840.474.314 3,54
11 1.820.073.227 3,43
12 1.839.395.779 3,59
13 1.837.076.387 3,47
14 1.839.113.483 3,42
15 1.827.007.437 3,41
16 1.833.870.373 3,54
17 1.831.409.165 3,46
18 1.837.760.035 3,68
19 1.838.682.217 3,47
20 1.836.962.215 3,57

Tamaño de la mini-zona

Este apartado tiene como objetivo estudiar el algoritmo propuesto, determinando el tamaño
de división que minimiza los costos, para así posteriormente utilizar dicho tamaño en la
optimización de Santiago. Por tanto se ejecuta el procedimiento considerando diferentes
tamaños posibles de mini-zonas.
Al realizar tal ejercicio se obtiene como resultado el gráfico presentado en la figura 4.10, que
muestra que para zonas de pequeño tamaño, inferiores a 200 x 200, tanto los tiempos de
ejecución como los costos totales son mayores que el resto de los casos, esto se debe a que en
mini-zonas pequeñas hay más posibilidades de instalar transformadores de menor tamaño
dado que se abastece un menor número de consumos, y producto de las economías de escala
en la capacidad de transformación se presentan mayores costos. Los tiempos
 75

mayores se explican debido a que la zona a optimizar debe ser dividida en un mayor número
de mini-zonas, con lo que el procedimiento debe ser ejecutado en más oportunidades. A partir
de las mini-zonas de 300 x 300 se observa un comportamiento bastante constante del costo
total y un aumento progresivo en los tiempos de ejecución. El tiempo adicional se produce
debido a que se aumenta el espacio de soluciones factibles al aumentarse el número de nodos
de una determinada mini-zona, con lo que el algoritmo tarda más tiempo en encontrar el
óptimo que se mantiene sin grandes variaciones mostrando la calidad del mismo. Los
33
menores tiempos se producen cuando la división es de 300 y 400 metros, en tanto que los
menores costos se producen cuando la división es de 500 y 600 metros, presentando el mejor
balance entre tiempo de ejecución y calidad de la solución la división en zonas de 500
metros, puesto que permite abarcar una zona mayor que las divisiones más rápidas y por ende
manejar un universo de soluciones factibles mayor en un tiempo ligeramente superior.

6.000 18
16
5.000
14

(min)
Costo (MM$)
4.000 12
10 Tiempo
3.000
8
2.000 6
4
1.000
2
- 0
50 80 100 200 300 400 500 600 700 800 900 1000 1100 1200 1300

Tamaño de la mini-zona

Costo Total Tiempo

Figura 4.11: Costo y tiempo total v/s tamaño de la mini-zona

33 Los datos de tiempo y costo para cada tamaño de división se encuentran en el Anexo
 76

5. PROCESO DE MACRO-OPTIMIZACION

En el capítulo 4 se realizó la optimización de cada una de las mini-zonas en que fue dividida
la región a planificar, sin embargo tal procedimiento constituye meramente una buena
aproximación a la solución del problema, dado que la división de la región es arbitraria y
responde sólo a una partición regular de la misma, dejando la posibilidad abierta a que
consumos pertenecientes a una mini-zona determinada pudiesen ser asignados y por ende
alimentados desde otra mini-zona aledaña a un menor costo. Para incorporar este efecto y
reconociendo que la solución puede ser mejorada, en este capítulo se aborda globalmente el
problema, en base a los resultados de la micro-optimización, sin olvidar que debido a la
dimensionalidad del mismo, su solución fue sólo posible gracias a la partición de él. Por
tanto la mirada global, apunta necesariamente a emplear el proceso de micro-optimización
como base de la solución.
En línea con lo anterior en este capítulo se proponen y desarrollan tres alternativas para
mejorar la solución encontrada, la primera se basa en los diagramas de Voronoi y busca la
creación de zonas irregulares a las cuales aplicarles el proceso de micro-optimización, de tal
forma que se garantice que cada consumo quede asociado con sus vecinos cercanos, la
segunda consiste en analizar si es más económico reemplazar redes vecinas por una única red
que satisfaga dichos consumos, procedimiento que es efectuado mediante enumeración
completa cuando la zona es pequeña y mediante búsqueda tabú cuando la dimensionalidad
del problema hace imposible la revisión de todas las combinaciones factibles. Finalmente, la
tercera es la aplicación secuencial de las dos anteriores.

5.1 Macro-Optimización Vía Diagramas de Voronoi

Para comprender la metodología propuesta se expone primero una breve reseña referente a la
definición y propiedades básicas de los diagramas de Voronoi, para posteriormente explicar
en detalle el procedimiento empleado, mostrando nuevamente su aplicación práctica para la
comuna de Macul.
 77

5.1.1 Diagramas de Voronoi

El concepto básico de los diagramas de Voronoi, dice relación con conocer la influencia que
realizan determinados elementos de un conjunto sobre el resto de los elementos del mismo.
La primera aproximación fue realizada en 1644 por Descartes, señalando que el sistema solar
consistía en vórtices, donde la materia giraba en torno a la estrella más cercana, situación que
producía polígonos convexos para cada área de influencia de las estrellas. No obstante, fue
hasta Dirichlet (1850) y Georgy Voronoi (1908), cuando se formalizó el concepto, el cual
además, con distinto nombre ha sido aplicado a varias ramas de la ciencia, tales como
geología, meteorología, denominándose polígonos de Theissen, y en física y química
conociéndose como regiones de Wigner-Seitz.
Conceptualmente un diagrama de Voronoi es el resultado de asociar todas las ubicaciones del
espacio euclidiano con el más cercano de los p puntos, del mismo espacio, elegidos como
centros. En términos matemáticos, sea P un conjunto de n puntos distintos en el espacio
euclidiano {p1,…, pi,..., pn}, denominados puntos generadores, un punto x del plano
pertenece al área de influencia del punto generador pi, denominada polígono de Voronoi, Vi,
si y solo si el punto x esta más cerca de pi que de cualquier otro punto generador. Esto es:

x− x−p

Vi = x / pi < j 
,∀ j ≠ i (5.1)

Por tanto, el diagrama de Voronoi representa al conjunto de todos los polígonos de Voronoi
{V1,…, Vi, ..., VN} del espacio euclidiano provocados por los puntos generadores {p1,…,
pi,..., pn} respectivamente.
 78

[y] 9

2 3 4 5 6 7 8 9
[x]

Figura 5.1: Diagrama de Voronoi para 30 centros

Entre sus definiciones y propiedades más importantes se cuentan:

1. Dos puntos generadores pi y pj son vecinos si comparten una arista. Una arista es la
bisectriz perpendicular del segmento que une pi con pj

2. Un vértice es un punto equidistante a tres generadores y es la intersección de tres

aristas.

3. Un polígono de Voronoi es convexo o no acotado.

4. Un polígono de Voronoi es no acotado si su punto generador pertenece a la
envolvente convexa del conjunto de puntos generadores.

5. Dentro del círculo con centro en un vértice de Voronoi y que pasa por tres puntos
generadores no puede existir ningún otro punto generador, y tal círculo constituye el
mayor de todos los círculos que puede construirse sin que contenga dentro a otro
generador distinto del tomado como centro del círculo.

6. Si se toma como centro de un círculo cualquier punto del plano y se traza una
circunferencia que pase por un solo punto generador, dicho punto es interior a una
región de Voronoi. Si toca exactamente a dos puntos generadores, separa exactamente
a dos regiones de Voronoi, por tanto pertenece a una arista. Si se puede dibujar una
circunferencia que toque a tres puntos generadores, es un vértice de Voronoi.
 79

Si bien este desarrollo, constituye una idea que formalmente va a cumplir un siglo, su difícil
implementación provocó que no se le brindara la atención merecida durante largo tiempo. Sin
embargo, en las últimas décadas, con el avance de la geometría computacional ha tomado
gran importancia, tanto en el campo de sus aplicaciones como en el campo de su propio
desarrollo algorítmico (Okabe et al, 1992). Su aplicación inmediata se da en problemas de
distancia, tales como encontrar el vecino más cercano, encontrar todos los vecinos más
cercanos, encontrar el mayor círculo vacío, esto es, dado un generador p encontrar el mayor
círculo que no contiene ningún punto indeseado, o en el caso del menor círculo, encontrar el
menor círculo que agrupa a un conjunto de n puntos en el plano. También se usa en cluster
geométrico y en robótica, donde se aplica a la planificación del movimiento (Yap, 1987).
Además, se debe destacar el trabajo de Akabane Kenichi et al. (2002), que utiliza esta
metodología en la ubicación de centros de control de calidad de potencia, en cuya ubicación
intervienen variables eléctricas tales como la caída de tensión y la demanda de corriente de
cada consumo, convirtiendo a esta técnica en una atractiva manera de afrontar la ubicación
óptima de transformadores.

5.1.2 Procedimiento de optimización vía Voronoi

En consideración a la característica de asignación de los diagramas de Voronoi, es posible

plantear, como hipótesis, que si a cada transformador se le asignan los consumos más
cercanos se obtendrán menores costos. No obstante, la planificación desde cero toma en
cuenta únicamente la posición de los clientes y por ende la asignación a través de Voronoi es
inviable, dado que no existen los centros iniciales para trazarlos, situación resuelta a través de
la micro-optimización que proporciona la planificación de la red y como subproducto la
ubicación de los transformadores, surgiendo entonces las posibilidad de utilizar tales
ubicaciones como centros de los polígonos de Voronoi, y para cada uno de ellos realizar el
proceso de micro-optimización con el objeto de planificar la red. En suma, se realiza el
mismo procedimiento de micro-optimización que se describió en el capítulo 4 pero esta vez
aplicado a zonas irregulares, de distinto tamaño y forma, dadas por los
 80

polígonos de Voronoi. Entonces, el algoritmo del proceso de macro-optimización propuesto

es:
1. Realizar el proceso de micro-optimización de la zona a planificar, esto es dividir la
región en mini-zonas y optimizar cada una de ellas. Obteniendo la ubicación de los
transformadores de distribución.
2. Construir el diagrama de Voronoi utilizando como puntos generadores la ubicación de
los transformadores.
3. Para cada polígono de Voronoi realizar el proceso de micro-optimización.

Si bien los diagramas de Voronoi poseen una definición sencilla y fueron enunciados hace
gran data, su aplicación a modelos de gran tamaño no está resuelta del todo, al menos en lo
que se refiere al problema de asignación de consumos en las zonas no acotadas. De hecho tal
como se puede apreciar en la figura 5.2 el diagrama de Voronoi realiza algunos polígonos
cuyos vértices están fuera de la zona de análisis (fuera del rectángulo indicado en la figura
5.2), entendiendo esta como la delimitada por los consumos de la zona de planificación, y por
polígonos que poseen un vértice ubicado en infinito (regiones no acotadas), representando
esto un problema a la hora de identificar que vértices de tramos de calle y que consumos
están incluidos en cada uno de ellos.
 81

x 10
4
3.5
14000
[m] [m]
3

Polígonos no 12000
2.5
acotados
2 10000

1.5
8000
Polígonos con vértices
1 exteriores
6000
0.5

0 4000
Polígonos interiores
-0.5
-1 0 1 2 3 4 5 3.2 3.4 3.6 3.8 4 4.2 4.4 4.6
4 4
[m] x 10 [m] x 10

Figura 5.2: Diagrama de Voronoi para la comuna de Macul

Para resolver tal inconveniente se propone una modificación al diagrama de Voronoi que
consiste en acotar las regiones que presentan vértices en infinito y alterar los polígonos que
presentan vértices fuera de la zona de análisis, de tal forma que todos los polígonos luego de
la modificación sean acotados y por ende posibilitar la correcta asignación de los consumos.

En primer término se procede a ejecutar el trazado de Voronoi, obteniendo zonas acotadas

interiores, zonas acotadas con vértices exteriores y zonas no limitadas, permaneciendo las
primeras inalterables en el proceso de modificación, las que se encuentran identificadas en la
figura 5.3. Luego de lo cual se define un polígono regular denominado polígono frontera
(polígono trazado en 5.3), cuyo vértice inferior está dado por el menor valor de la coordenada
x e y de entre todos los consumos a satisfacer, y el vértice extremo por la mayor coordenada
x e y de los mismos consumos, tal polígono sirve de cota para las siguientes dos etapas y
representa la zona a planificar.
 82

12000

11000

10000

[m]

9000

8000

7000

6000

3.5 3.6 3.7 3.8 [m] 3.9 4 4.1

4
x 10

Figura 5.3: Identificación zonas interiores diagrama de Voronoi

Modificación de zonas acotadas con vértices exteriores

De la figura 5.3 se desprende automáticamente que secciones del polígono frontera actúan de
aristas para las zonas de Voronoi que se desean acotar, y por ende el problema se resuelve
básicamente encontrando la intersección entre la arista del polígono frontera con la recta que
une el tramo que sale desde un vértice interior de la zona a limitar a un vértice fuera de dicha
zona, con lo que se obtiene un nuevo vértice del polígono, situación que se repite para otro
tramo, dado que el polígono es cerrado y convexo con lo que debe existir una arista desde el
exterior a la zona interior distinto al ya empleado, encontrando el otro vértice que permite
cerrar el polígono, y así eliminado todos aquellos vértices fuera de la frontera. Atención
especial reciben aquellos polígonos ubicados en las esquinas de la frontera, cuyos tramos que
salen de la zona lo hacen por distintas aristas de la frontera, y por tanto encontrar sólo los
vértices de intersección no resuelve la situación, ya que el tramo que une tales puntos podría
dejar fuera a consumos que sí pertenecen a la zona, para evitarlo se incluye como vértice del
nuevo polígono, el vértice del polígono frontera que se encuentra en la esquina próxima, con
lo que además de las dos aristas que se forman entre los vértices interiores y las aristas de la
frontera, se generan dos nuevas aristas entre tales
 83

puntos de intersección y el nuevo vértice incluido. Se logra entonces, la correcta asignación

de todos los consumos.

12000

11000

[m] 10000
9000

8000

7000

6000
3.5 3.6 3.7 3.8 3.9 4 4.1
[m] 4
x 10

Figura 5.4: Identificación y cierre de polígonos con vértices exteriores

Cierre de las zonas no acotadas

Este procedimiento es parecido al anterior con la salvedad que es imposible trazar una recta
entre un punto interior y el punto ubicado en infinito, puesto que no tiene definida una
posición real en el plano cartesiano, requiriendo un paso adicional para conseguirlo, lo
primero que se realiza es reconocer cuales son aquellos polígonos que no están acotados dado
que la delimitación entre ellos es la que se presenta difusa. Es imposible determinar la
pertenencia cuando el límite es una arista imaginaria que va desde un vértice que existe a otro
que no. Se debe notar además que los polígonos de Voronoi no acotados, en algún segmento
ya sea dentro de la zona a planificar o fuera de ella, son vecinos de otro polígono de Voronoi
no acotado, por lo que la separación entre ellos es fundamental para la correcta asignación de
pertenencia.
Tal límite entre zonas se establece teniendo presente que cada polígono, creado a partir de las
zonas no acotadas, debe agrupar a los puntos más cercanos a sus determinados centros, dado
en este trabajo por la ubicación de los transformadores. Siendo el desafío la definición
 84

de la separación que cumpla tal objetivo. Si se tuviesen sólo dos centros generadores, el
límite entre ambos vendría dado únicamente por una recta perpendicular al tramo que los
une, pero la existencia de más centros generadores hace que el trazado de Voronoi se
complique, complejidad que aumenta con el número de centros. Sin embargo, como la
asignación conflictiva depende únicamente de ambos polígonos y los demás polígonos de
Voronoi ya se encuentran trazados, es posible utilizar tal metodología pero considerando los
ya construidos, lo que se resume a continuación:
1. Se identifican los centros generadores de los polígonos no acotados, lo cuales se
34
consiguen generando la envolvente convexa de todos los centros generadores
(ubicaciones de todos los transformadores), ya que en ella, sus vértices coinciden con
los centros de las zonas no acotadas, y por tanto dos vértices consecutivos de la
envolvente convexa señalan dos zonas no acotadas que en alguna parte del espacio
presentan una arista común que debe ser definida.

n n
34 Un punto x ∈ R es combinación convexa de los puntos x1, …, xm ∈ R si existe α1, …, αn ∈ R, tal
que
m

x  α1 x1  α 2 x2  ...  α m xm con ∑α i  1, αi ≤ 0 ∀i  1,..., m

i1
La envolvente convexa de un conjunto A, es el conjunto de todas las combinaciones convexas de puntos de A
m m
Envolvente  z ∈ R n , z  ∑ α i xi , ∑α i  1, xi ∈ A, αi ≤ 0 ∀ i  1,..., m
i 1 i1
 85

11500

11000

10500

10000

9500

9000

8500
[m]
8000

7500

7000

3.6 3.7 3.8 [m] 3.9 4 4.1

4
x 10

Figura 5.5: Envolvente convexa de los centros generadores

2. En cada segmento, dado por la unión de dos vértices consecutivos de la envolvente

convexa, se identifica la recta perpendicular al punto medio de dicho segmento, lo
que divide al plano en dos partes. Tal recta pasa por el vértice común de los polígonos
no acotados, y por tanto la nueva arista va desde dicho vértice común al punto de
intersección entre la recta y la correspondiente arista del polígono frontera, siempre y
cuando el vértice común sea interior a la zona de planificación.
3. Con las nuevas aristas formadas más las aristas creadas en la etapa anterior, se cierran
los polígonos no acotados, teniendo nuevamente atención con lo que sucede en los
polígonos ubicados en las esquinas de la frontera. Básicamente en cada polígono se
toma la sucesión de vértices interiores, y aquellos vértices que coinciden con aristas
ya trazadas, a través de la envolvente convexa o del acotamiento de polígonos con
vértices reales exteriores, se unen a los nuevos vértices dados por el fin de la arista
(intersección de la arista con el polígono frontera), de manera de cerrar el polígono y
eliminar los vértices del polígono exteriores a la zona de planificación.
 86

Resultados del procedimiento vía Voronoi

Con los procedimientos anteriores es posible acotar en forma determinística cada uno de los
polígonos, permitiendo la asignación unívoca entre consumos y transformadores, en virtud de
lo cual, cada uno de los polígonos de Voronoi puede representar una mini-zona a optimizar,
conteniendo un conjunto de cargas y un trazado vial determinado.
A modo de ejemplo, se considera como caso base, la ubicación de 284 transformadores con
una capacidad total de 54 MVA, obtenidos a partir del proceso de micro-optimización, cuyo
costo total, incluida la red y las pérdidas, es de $1.837.274.567, se tiene el siguiente diagrama
de Voronoi para la comuna de Macul.

11500
11000

10500

10000

[m] 9500

9000

8500

8000

7500

7000
3.6 3.7 3.8 [m] 3.9 4 4.1
4

x 10

Figura 5.6: Diagrama de Voronoi para una solución de la micro-optimización

Es posible apreciar que la zona de planificación queda dividida en mini-zonas irregulares, y

cada una de ellas representa una agrupación de consumos cercanos. Una vez que se tiene la
nueva asignación de consumos a cada zona, se procede a realizar la misma metodología
expuesta en el capítulo 4, con el fin disminuir los costos encontrados con dicho
procedimiento. Sin embargo, en un primer análisis, esto no sucede tan claramente,
 87

obteniéndose un costo de $ 1.832.819.289, ligeramente inferior al caso base, para 375

transformadores y redes con una capacidad instalada de 54 MVA. Es decir, aparecen más
transformadores cuya capacidad promedio es menor, ello debido a que las nuevas mini-zonas
son en promedio más pequeñas que las zonas de 500 x 500 utilizadas en la micro-
optimización, con lo cual nace la pregunta ¿qué sucede si se aumenta la dimensionalidad de
los polígonos irregulares?. Para responder esta interrogante, se requiere en primer término
aumentar el tamaño de los polígonos de Voronoi sin perder la información obtenida desde la
micro-optimización, vale decir, sin desconocer que la ubicación de los transformadores
obtenidos corresponden a una correcta relación entre capacidad de transformación, redes y
consumos abastecidos, por lo cual se propone que los puntos generadores del diagrama de
Voronoi sean sólo algunas de las ubicaciones determinadas en el proceso previo. Tales
ubicaciones corresponden a la de todos los transformadores que son superiores a una
determinada cota, entre mayor es la cota menor es el número de transformadores que
satisfacen la restricción y por tanto es menor el número de puntos generadores, lo que
determina polígonos de Voronoi de mayor tamaño. En la tabla 5.1 se presenta el resultado de
aplicar la metodología propuesta para distintos valores de cota y por tanto para distinto
número de polígonos.

Tabla 5.1: Aplicación diagrama de Voronoi

Capacidad
Número de Número de Tiempo
Cota (kVA) Costo Total ($) Instalada
Polígonos Trafos (min)
(MVA)
10 252 1.832.819.289 375 54,33 3,19
15 238 1.825.087.305 363 54,40 3,09
30 228 1.822.069.744 356 54,06 3,10
45 221 1.815.174.431 354 53,86 3,08
75 211 1.804.476.363 336 53,22 2,93
100 203 1.789.638.270 331 52,86 3,03
150 183 1.773.583.766 301 52,50 2,90
300 100 1.765.329.035 229 47,48 3,22
500 15 2.366.757.645 113 41,16 21,24

Se puede observar que en la medida que aumenta el tamaño de la cota y por ende el tamaño
de los polígonos, se produce un mayor ahorro con respecto al caso base, en el caso en que
 88

la cota es de 500 kVA sólo existen 15 polígonos y por ende la zona que cubre cada uno de
ellos es mayor, lo que trae consigo mayores tiempo de ejecución y un empeoramiento de la
solución al incrementarse los costos relacionados con las pérdidas. Los mayores ahorros en el
caso analizado se producen tomando como cota 300 kVA y son en promedio del orden de 4
%.

11500

11000

10500

10000

[m]
9500

9000

8500

8000

7500

7000
3.7 3.8 [m] 3.9 4
4
x 10

Figura 5.7: Diagrama de Voronoi generado por transformadores de 300 kVA

Caso simplificado

Si bien se pudo constatar que la división adecuada en polígonos regulares incluye ahorros al
proceso de micro-optimización, se tiene que los tiempos de ejecución aumentan
considerablemente, ya que en total se realizan dos procesos de micro-optimización más la
generación del diagrama de Voronoi, por lo que el proceso completo al menos duplica los
tiempos de ejecución, situación relevante si se busca aplicar la metodología completa a una
zona de mayor tamaño, en donde duplicar el tiempo puede significar llegar a las 10 horas de
proceso, restándole efectividad a la metodología global. Para soslayar este problema e
incorporar el hecho que el uso del diagrama de Voronoi produce mejoras en la solución se
 89

propone realizar una primera ubicación aproximada de los transformadores, de manera de

evitar la primera etapa de micro-optimización, y trazar el diagrama de Voronoi para la cota
adecuada de la nueva configuración y luego aplicar el proceso no simplificado a las nuevas
zonas irregulares.
El procedimiento simplificado consiste en no determinar la influencia de la red ni de la
conectividad de la red vial en la asignación del número de transformadores y de la capacidad
de los mismos, sino que únicamente tomar en cuenta la cantidad de consumo a abastecer, la
potencia de diseño necesaria y la capacidad de los transformadores disponibles para abastecer
dicha demanda. El algoritmo simplificado queda dado por:

1. Se divide la zona de planificación en zonas regulares de 500 x 500 metros.

2. Para cada mini-zona:
2.1 Se calcula la potencia de diseño de la mini-zona bajo el supuesto que es
suministrada por un único transformador.
2.2 Para la potencia de diseño se asigna el menor transformador que es capaz
de suministrarla (tomando en consideración el crecimiento de la
demanda). Si no existe un transformador dentro del dominio factible que
es capaz de hacerlo, se asigna el de mayor capacidad. Se define como
demanda no satisfecha el delta entre la potencia de diseño y la capacidad
del transformador instalado.
2.3 Si la demanda no satisfecha es cero se pasa a 3, en caso contrario se pasa a
2.2, definiendo al potencia de diseño como la demanda no satisfecha.
3. Una vez que se conoce el número de transformadores esos son ubicados a través
del mismo algoritmo de cluster utilizado en el capítulo 4, por lo que la ubicación
queda dada por el centro de carga de los consumos asociados a cada cluster.
4. Para cada cluster se calcula la potencia de diseño y se asigna el transformador
óptimo correspondiente.

Con esta metodología se obtiene una ubicación preliminar de los transformadores en tan sólo
10 segundos, la que si bien no corresponde a una ubicación necesariamente factible
 90

dado que no se está considerando el costo de las redes y la conectividad vial, si incorpora una
primera aproximación a la agrupación de los consumos a través de los clusters formados, y
así se consiguen puntos generadores en forma rápida que incluyen la información acerca de
los centros de carga. Al realizar el mismo procedimiento que en el apartado anterior, dejando
como puntos generadores a los mayores a una determinada cota, se obtienen los resultados
presentados en la tabla 5.2.

Tabla 5.2: Aplicación diagrama de Voronoi al caso simplificado

Capacidad
Número de Número de Tiempo
Cota (kVA) Costo Total ($) Instalada
Polígonos Trafos (min)
(MVA)
10 102 1.760.168.472 255 48,48 2,86
15 101 1.760.628.472 260 48,56 2,84
30 99 1.755.170.145 264 48,16 2,87
45 99 1.758.860.082 257 48,11 2,84
75 97 1.764.630.418 263 48,40 2,86
100 97 1.763.638.774 259 48,13 2,85
150 97 1.757.196.385 261 48,20 2,85
300 88 1.780.345.629 254 47,35 3,00
500 68 1.764.515.664 240 47,68 3,53

Se aprecia que la variación del costo total producto de la elección de la cota es menor que en
el caso no simplificado, esto se debe que al no considerarse como restricción la topología
vial, no existen componentes conexas al interior de cada polígono que obliguen a optimizar
cada una de ellas de manera independiente, lo que necesariamente implica la presencia de al
menos un transformador por cada componente conexa o isla vial que se produce, llevando
esto a un mayor número de transformadores de menor tamaño. Como en este caso tal
situación no ocurre, el transformador a utilizar siempre será el que pueda abastecer mayor
cantidad de carga, dado que por economías de escala es lo que conviene, y por tanto el
número de tafos pequeños es menor, con lo que para las distintas cotas el número de puntos
generadores no varía considerablemente, manteniéndose nuevamente ahorros del orden de 4
%. Es decir, el procedimiento simplificado no altera la calidad de la solución y mejora los
tiempos de ejecución al eliminar la necesidad de realizar dos veces el proceso de micro-
optimización.
 91

5.2 Macro-Optimización Vía Búsqueda Tabú

En la metodología desarrollada, explicada en extenso en el capítulo 4, se sostiene que la

optimización de una red de baja tensión de gran tamaño, se puede llevar a cabo con buenos
resultados y en un tiempo razonable si la región a planificar se divide en regiones de menor
dimensión, denominadas en este trabajo mini-zonas, donde en cada una de ellas, se realiza el
proceso de micro-optimización de manera independiente, teniendo como ventaja disminuir la
dimensionalidad del problema y con ello los tiempos de ejecución, sin embargo, como
probable desventaja surge la posibilidad de pérdida de información, que se produce al
realizar la división de la zona a planificar, tal pérdida no significa que elementos
desaparezcan o se eliminen, sino que se refiere a la ceguera del algoritmo frente a cercanías y
relaciones entre elementos que pertenecen a distintas mini-zonas vecinas.
La figura 5.8 es un acercamiento a la división planteada en la figura 4.1, donde se puede
apreciar que no necesariamente el mejor resultado se obtendrá de la división en mini-zonas,
de hecho los consumos de la mini-zona 4 podrían ser repartidos entre las mini-zonas 2 y 3 y
eventualmente presentar un menor costo global.

8800 1 2 8700 1 2
[m] [m] 8650
8600
8600

8400 3 8550

8500

8200 4 8450

8400
8000
8350 3
5 6 4
7800 8300
3.88 3.9 3.92 3.94 3.96 3.9 3.91 3.92 3.93 3.94 3.95
4 4
[m] x 10 [m] x 10

Figura 5.8: Desventaja de la división en mini-zonas

 92

Para poder incorporar el efecto positivo de la interrelación entre las distintas mini-zonas, sin
perder las ventajas de dividir el problema, se formula una metodología que luego de la
aplicación del proceso de micro-optimización, tiene como hipótesis, en base a lo señalado, la
posibilidad de mejorar la solución encontrada si se analizan las relaciones entre zonas
vecinas, mediante la búsqueda de ahorros al unir en una única red y por ende en un único
transformador redes vecinas alimentadas desde transformadores distintos. Por tanto, la
necesidad inmediata que surge, es realizar tales agrupaciones de la mejor forma posible con
atención a la naturaleza combinatoria del problema. De hecho, tal como se analizó en el
capítulo 3, si se buscan agrupaciones posibles entre 10 consumos, distribuidos
uniformemente en el plano se tienen del orden de 1000 casos, los que crecen en la medida
que aumenta el número de nodos a asociar, por ejemplo, si se tienen 200 ubicaciones
6 200
distribuidas uniformemente en el plano, es posible agruparlas en 1,60x10 (2 -1)
subconjuntos, no obstante muchos de ellos no tienen sentido práctico, producto que asocian
redes que no son vecinas entre sí.
Para lograr una buena aproximación a la vecindad entre redes y con esto a las combinaciones
posibles, se propone el uso de la triangulación de Delaunay, la que también será utilizada
para la recombinación de redes, por lo que a continuación se realiza una breve descripción de
esta metodología y su relación con los ya explicados polígonos de Voronoi.

5.2.1 Triangulación de Delaunay

Una triangulación, básicamente corresponde a una subdivisión de una determinada área en

triángulos, es decir, dado un conjunto de puntos en el plano P, una triangulación de P se
define como una familia maximal de triángulos interiores disjuntos cuyos vértices son los
puntos de P y en cuyo interior no hay ningún punto de P. Se dice que una triangulación T1 es

mejor que T2 cuando el menor ángulo de los triángulos de T1 es mayor que el menor de los

ángulos de los triángulos de T2, por tanto la mejor combinación será aquella que maximiza el
ángulo mínimos de los triángulos.
En particular, una triangulación de P es una triangulación de Delaunay si y sólo si la
circunferencia circunscrita de cualquier triángulo de T no contiene puntos de P. Con ello, los
triángulos formados tenderán a maximizar sus ángulos mínimos y las aristas conectarán
 93

nodos cercanos, siempre y cuando no se intersecten entre sí. Por tanto la triangulación de
Delaunay no es otra cosa que el grafo dual del diagrama de Voronoi, en que las aristas
corresponden a la unión de los puntos generadores que comparten un eje de Voronoi y a la
unión de puntos generadores vecinos ubicados en zonas no acotadas. Entre sus propiedades
se cuentan:
• Cada triángulo posee como vértices a los puntos generadores del diagrama de
Voronoi.
• La frontera corresponde a la envolvente convexa de los puntos generadores.
• Maximiza el mínimo ángulo, por lo que constituye la mejor triangulación dado que
genera los triángulos más equiláteros posibles.

A continuación se presenta, a modo de ejemplo, la triangulación de Delaunay para 30 puntos

generadores distribuidos uniformemente en una región de 100 por 100 metros.

100

90

80

70

60
[m]
50

40

30

20

10

0
0 10 20 30 40 50 60 70 80 90 100

[m]

Figura 5.9: Ejemplo de la triangulación de Delaunay

Con esta técnica se busca entonces disminuir el número de combinaciones factibles, dado que
es posible conocer cuales son las redes vecinas, a través de las aristas de la
 94

triangulación, y con ello evitar analizar aquellas combinaciones entre redes alejadas. De esta
forma los subconjuntos de n elementos entre los m disponibles se realizarán sólo entre
aquellos que estén conectados mediante el grafo definido a través de la teselación en
cuestión, lo que dependerá de la distribución de los consumos en el plano, por lo que es
imposible determinar una expresión analítica para el número total de combinaciones. No
obstante, es factible para cada distribución espacial, construir las combinaciones que
cumplan la restricción de vecindad. Así, para una localización de 10 consumos es posible
realizar 800 subgrupos, número que se incrementa exponencialmente con el tamaño de la
entrada, de hecho 15 consumos producen 25.248 combinaciones, 16 consumos generan
52.141 subconjuntos, 17 ubicaciones provocan 102.509 subgrupos y 18 localizaciones tienen
35
214.063 combinaciones . En estos casos se calcularon todas las posibles combinaciones de
los m datos de entrada en subconjuntos de 1 hasta m, siempre y cuando estuviesen
comunicados por aristas de la triangulación. Si ahora sólo se consideran todos los posibles
grupos de 2 y 3 elementos que cumplan con la teselación se tiene:

2
35 Cada grupo corresponde a una distribución uniforme de los n elementos en una superficie de 10.000m ,
se debe señalar que los subconjuntos indicados que representan las combinaciones posibles son el resultado de
un caso particular de n elementos, por lo que los números señalados no son generales pero brindan igualmente
un indicador del orden de magnitud de las combinaciones factibles.
 95

3500 500
450
3000
400

Triangulaciones
Combinaciones 2500 350
2000 300
250
1500 200
1000 150
100
500
50
0 0

101

133
149
165
181
197

213
117
21
37
53
69
85
5

Nodos Distribuidos Uniformemente

Número de Combinaciones Número de Triangulaciones

Figura 5.10: Aumento de la triangulación producto del aumento en la entrada

En este caso el número de combinaciones crece linealmente con el tamaño de redes a

combinar, producto que, como se aprecia en el mismo gráfico, el número de triángulos que se
forma con la adición de un nuevo nodo en la red también se incrementa casi linealmente, y
como la conexión esta limitada por las aristas de los triángulos de la teselación, buscando
sólo combinaciones de dos y tres elementos, es fácil notar que las combinaciones de dos
elementos sin repetición corresponden necesariamente a las aristas de la triangulación que
dependen del número de triángulos formados y los conjuntos de tres elementos corresponden
por un lado los triángulos de la teselación más aquellos formados por aristas que parten de un
mismo vértice pero que pertenecen a triángulos distintos, en virtud de lo cual al considerar
sólo combinaciones de dos y tres elementos el factor que hace aumentar el número de
combinaciones al incrementar el tamaño de la entrada es la formación de un nuevo triángulo
en la teselación y como su comportamiento es lineal con el número de nodos también lo será
el número de combinaciones de dos y tres elementos formadas a partir de él, toda vez que se
está suponiendo una distribución espacial uniforme de los nodos.

De donde, si se asume como supuesto que las recombinaciones se realizarán sólo uniendo de
dos y de tres redes con sus respectivos transformadores, de todas maneras las
 96

combinaciones para la zona de análisis continúan siendo elevadas. Como referencia para el
caso de 200 redes se tienen del orden de 3000 combinaciones, además si se considera que
cada combinación implica un nuevo cálculo de conductores, posición y tamaño del nuevo
transformador, pérdidas y flujos por la nueva red, el problema de combinación se vuelve
inmanejable a través de técnicas convencionales de optimización, por lo cual se proponen dos
vías de acción. Por un lado, reconocer la utilidad de dividir un problema de gran dimensión
en problemas menores, situación que queda en evidencia en el capítulo 4, y por tanto dividir
la zona de planificación en vecindarios, siendo cada uno de ellos independientes y buscando
al interior de ellos la mejor recombinación posible. Por otro lado, es asumir que el problema
debe ser abordado en forma global de manera de buscar la mejor reagrupación posible, lo
cual sin duda no puede ser resuelto en forma determinística por lo que se recurre al uso de
una meta-heurística que ayude a encontrar una buena solución para el problema, no
necesariamente la óptima, para lo cual se utiliza la técnica conocida como búsqueda tabú.

5.2.2 Resolución mediante vecindarios

Esta metodología consiste en aprovechar las ventajas de dividir el problema principal en

problemas más pequeños, reducción del número de combinaciones factibles, y de realizar una
agrupación inteligente de las distintas redes a través de los polígonos de Voronoi, para lo cual
se eligen como puntos generadores aquellos transformadores con capacidad instalada
superior a una determinada cota, por ejemplo 300 kVA, y cada polígono de Voronoi incorpora
al resto de los transformadores más cercanos, lo que implica asociar al mismo polígono la red
correspondiente a cada uno de los transformadores agrupados, formando de esta manera
distintos vecindarios, agrupaciones de redes, a los que se les realizará el proceso de macro-
optimización basado en la unión de redes. Tal proceso, en atención a que la división del
problema trae consigo una disminución considerable de los casos factibles, realiza la
recombinación mediante enumeración completa, esto es que cada una de las combinaciones
posibles al interior de un vecindario será revisada, escogiendo el conjunto de combinaciones
que produzca más ahorro con respecto al caso base. Se debe tener presente que la referencia a
conjunto de combinaciones indica que la solución final
 97

encontrada para cada vecindario corresponde a una combinación de combinaciones que

producen ahorro, siempre y cuando dichas combinaciones no presenten redes comunes. Por
ejemplo, sean A, B, C, D y E redes de un mismo vecindario, si se toman todas las
combinaciones posibles se tiene:
≤ Grupos de 1 red : A-B-C-D-E
≤ Grupos de 2 redes : AB-AC-AD-AE-BC-BD-BE-CD-CE-DE
≤ Grupos de 3 redes : ABC-ABD-ABE-ACD-ACE-ADE-BCD-BCE-BDE-CDE
≤ Grupos de 4 redes : ABCD-ABCE-ABDE-ACDE-BCDE
≤ Grupos de 5 redes : ABCDE

Con lo que la solución final será la mejor combinación de los grupos anteriores, con el
cuidado de no utilizar en la solución final más de una vez la misma red. Así por ejemplo una
posible solución final puede ser A-BE-CD.
Para evitar trabajo innecesario y no evaluar la totalidad de las combinaciones, se opta por
realizar la evaluación sólo en aquellas combinaciones factibles, definiendo la factibilidad en
forma secuencial, y por ende cuando una combinación satisface la secuencia, se considera
como candidata para formar parte en la combinación final. Entonces:
1. Serán combinaciones factibles en etapa 1 todas aquellas combinaciones del
vecindario que se encuentren conectadas por al menos dos vértices del polígono de
Voronoi o análogamente por una arista de la triangulación de Delaunay del vecindario
correspondiente, esto con el fin de evitar que la combinación entre redes se
superponga a alguna red que no pertenece a la combinación, y así evitar la
duplicación de redes sobre una zona determinada.
2. Serán combinaciones factibles en etapa 2 todas aquellas combinaciones factibles en
etapa 1, que no producen componentes conexas en la representación de grafo de la
red vial, es decir sólo serán factibles aquellas combinaciones que se encuentren
comunicadas a través de la red vial sin la formación de islas viales, ya que ello
implicaría la necesidad de al menos un transformador por cada isla formada, situación
que se aleja del objetivo de combinar redes para disminuir los costos.
 98

3. Serán combinaciones factibles todas aquellas combinaciones factibles en etapa 2, que

al realizarse tal combinación el costo total es menor que la suma de los costos totales
de cada una de las redes que forman la combinación. Por tanto, las combinaciones
factibles serán en resumen, las realizadas entre vecinos conectados vialmente que
generen ahorros con respecto a la no realización de la combinación.

Una vez que se conoce el ahorro que se produce con cada una de las combinaciones factibles,
se debe proceder a combinarlas a fin de encontrar la solución final. Siguiendo con el ejemplo,
luego del análisis de factibilidad, las combinaciones podrían ser:
≤ Grupos de 1 red : A-B-C-D-E
≤ Grupos de 2 redes : AB-AD-BC- BE-CE
≤ Grupos de 3 redes : ABD-ACD-BDE-CDE
≤ Grupos de 4 redes : ABDE
≤ Grupos de 5 redes : (Combinación no factible)

De esta forma las combinaciones finales factibles serían:

• ABDE-C
• ABD-CE
• ABD-C-E
• ACD-BE
• ACD-B-E
• DCE-AB
• DCE-A-B
• AB-CD-E
• AD-BC-E
• AD-BE-C
• AD-CE-B
• AD-B-C-E
• BC-A-D-E
 99

• BE-A-C-D
• CE-A-B-D
Como se conoce el ahorro de cada combinación factible, la solución final vendrá dada por
aquella que agrupe de mejor forma las combinaciones anteriores, de manera que produzca el
mayor ahorro posible, dicho procedimiento es realizado mediante enumeración completa. El
inconveniente de la metodología descrita es que se permiten todas las agrupaciones, siendo
altamente probable que muchas de ellas no produzcan ahorros e igualmente generen
aumentos en los tiempos de ejecución, ello producto que las combinaciones de varias redes
implican la optimización de una zona mayor, con lo que el tiempo de procesamiento crece, y
también lo hace necesariamente el tamaño de la red de distribución, aumentando en exceso
las pérdidas asociadas, y por tanto incrementado los costos en relación al caso en que todas
las redes se mantienen independientes. De hecho como se muestra en la tabla 5.3, en que la
cota se estableció en 300 kVA, si se permiten agrupaciones de dos, tres, hasta nueve redes,
escogiendo nueve como cota superior dado que corresponde al máximo número de redes al
interior de un vecindario, se tiene que un aumento en el número de elementos a combinar
provoca un aumento en el tiempo de ejecución con un incremento menor en el ahorro
asociado.

Tabla 5.3: Ahorro v/s número de combinaciones con cota en 300 kVA

Número de redes a
Ahorro ($) Tiempo (min)
combinar
2 46.093.449 2,07
3 48.673.315 3,14
4 48.759.939 3,73
5 49.265.430 4,18
6 49.744.881 4,47
7 50.246.559 4,55
8 50.246.559 4,54
9 50.246.559 4,55

Es más, si se analiza el caso de 500 kVA, se observa que el aumento en el número de

elementos a combinar incrementa los tiempos de ejecución, esto se debe a que como
 100

existen menos puntos generadores el tamaño del polígono es mayor y por tanto el número de
redes al interior de un vecindario también es mayor, con lo cual el número de combinaciones
de n elementos crece, probándose más casos y por ende consumiendo más tiempo en su
solución. En efecto, para el caso de cota en 500 kVA se obtiene que, si se realizan
combinaciones de dos elementos se logra un ahorro de $ 67.335.440 en un tiempo de 4
minutos. Al aumentar a tres los elementos a combinar en cada vecindario, el tiempo crece a
10 minutos con un ahorro que aumenta a tan sólo $ 74.643.055, si el número es 4 el ahorro es
de $ 74.935.026, manteniéndose casi inalterable, en un tiempo de 33 minutos. Se debe
señalar además, que para un incremento adicional al mencionado fue imposible lograr la
convergencia, toda vez que el número de combinaciones era elevado, puesto que uno de los
vecindarios posee 52 redes, lo que da un número de combinaciones posibles de 2.598.960,
haciendo inmanejable la búsqueda de una solución.
De lo anterior es posible deducir que el incremento de combinaciones si bien aumenta los
ahorros también produce mermas en la velocidad de solución del problema, por lo que se
necesita encontrar una forma de producir ahorros relevantes pero sin la necesidad de tiempos
extremos de ejecución. Para evitar tal problema, se propone la utilización cíclica del
procedimiento planteado, pero sólo considerando combinaciones de dos redes, ello con el fin
de comparar sólo casos que toman menos tiempo ya que abordan una zona de planificación
menor y además son más probables de generar ahorros que las combinaciones entre un
número superior de redes. El algoritmo propuesto es:

1. Dividir la zona de planificación en vecindarios a través del diagrama de Voronoi

2. Para cada vecindario realizar todas las combinaciones posibles de dos elementos.
2.1 Determinar todas las combinaciones factibles y el ahorro que producen.
3. Combinar las redes factibles de manera de originar la solución final.
4. Actualizar la red incluyendo las combinaciones realizadas.
5. Repetir pasos anteriores hasta que no existan ahorros en la recombinación de redes.

El desarrollo cíclico de la metodología anterior, se explica en que si bien las combinaciones

de dos redes son más probables que sean factibles, ello no garantiza que combinaciones de
 101

más de dos redes no lo sean, por lo cual al permitir que la nuevas redes formadas, puedan
seguir combinándose ya sea con redes nuevas o con redes no combinadas en la etapa anterior,
implícitamente rescata el hecho de la posibilidad de combinaciones entre un número superior
de ellas, pero evitando la evaluación de todas las combinaciones posibles, lo que implica un
ahorro en tiempos de ejecución.
Utilizando este procedimiento se obtienen lo siguientes resultados.

Tabla 5.4: Ahorros por la recombinación de redes

Tiempo
Cota (kVA) Ahorro ($)
(min)
10 0 0,09
15 3.975.755 0,44
30 9.568.937 0,62
45 15.351.388 0,77
75 19.462.245 1,03
100 25.966.288 1,18
150 43.120.248 2,29
300 53.915.232 6,62
500 76.392.742 16,25

Donde además es posible notar que los ahorros aumentan en la medida que la cota utilizada
para la creación de los vecindarios también crece, ello es debido a que el número de
polígonos que cubre la zona de planificación disminuye, con lo cual cada vecindario agrupa a
un mayor número de redes. En este escenario entonces es válido preguntar por que no
ampliar al máximo la zona de análisis, es decir utilizar un único vecindario que incluya todas
las redes a combinar. Tal como se mencionó, dicho problema, al ser de una complejidad
combinatoria elevada, será resuelto mediante búsqueda tabú en la siguiente sección.

5.2.3 Resolución mediante búsqueda tabú

De manera de comprender el procedimiento propuesto, se realizará una pequeña reseña

acerca de la búsqueda tabú, para posteriormente explicar la forma en que fue aplicada al
problema de combinación de redes, incluyendo la formulación y los resultados encontrados.
 102

Búsqueda tabú

La búsqueda tabú constituye una meta-heurística, es decir un algoritmo heurístico de

optimización, genérico e independiente del problema a optimizar, que se adapta con
pequeñas modificaciones a la resolución de un problema determinado. Entendiéndose por
algoritmo heurístico a un proceso simple, que supone la obtención de una buena solución, no
necesariamente óptima, de un modo relativamente fácil y rápido en problemas de alta
complejidad (NP, NP-completos). Fue propuesta por Fred Glover en la década de los 80, y
desde esa fecha ha sido utilizada con éxito en una gran variedad de problemas tales como
planificación de maquinarias, diseño de topología de redes, reconocimiento de patrones,
asignación de rutas, localización y asignación de recursos, es decir, en una multitud de
problemas de optimización combinatorial (Glover, 1995).

Básicamente la búsqueda tabú consiste en un algoritmo iterativo que explora el espacio de

soluciones sin entramparse necesariamente en un óptimo local, para ello se permiten
movimientos que empeoran la solución, a la vez que los últimos movimientos se almacenan
en una lista, y no pueden ser realizados en las siguientes iteraciones (lista tabú), de forma de
evitar ciclos durante el proceso de optimización, es decir, la búsqueda tabú es una
combinación de búsqueda local con memoria de corto plazo. Otro elemento a considerar,
además de la lista tabú tendiente a evitar ciclos, es el denominado criterio de aspiración, el
cual consiste en que si alguno de los movimientos prohibidos almacenados en la lista tabú,
cumple una determinada condición, típicamente si mejora la solución, puede ser liberado y
utilizado en el proceso de optimización, fenómeno conocido como olvido estratégico. En
virtud de lo anterior y considerando que X es el conjunto de todas las posibles soluciones, x
cualquier solución, N(x) el conjunto de todas las soluciones vecinas a x (N(x) ⊂ X), T la lista
tabú, el algoritmo simplificado es:

1. Se elije una solución factible inicial x, con x ∈ X, inicializándose la mejor solución

en x* : = x, e inicializando el contador k y la lista tabú.
2. Si N(x)-T = vacío, pasar a 4. En otro caso se toma la solución n(x), considerando la
siguiente subrutina:
 103

a. Se evalúan todas las soluciones de N(x), ordenándose de mejor a peor.

b. Se escoge la mejor solución n1(x) ∈ N(x)
c. Si n1(x) ∉ T, entonces n(x)=n1(x). En otro caso, si n(x) es mejor que
* *
x (criterio de aspiración), entonces n(x)=n1(x). Si n(x) no es mejor que x ,
entonces elegir la segunda mejor solución de N(x) y repetir c.
3. x = n(x). Si x mejora la solución entonces x* : = x
4. Si el número de iteraciones es máximo ó N(x)-T = vacío ó la solución no mejora
luego de un número determinado de iteraciones, entonces finaliza. Sino actualiza T
= [T; x], k=k+1 y se retorna a 2.

Del algoritmo se desprende que su elemento fundamental es la lista tabú, y en particular, lo

es la elección del tamaño de la lista, es decir, el número máximo de movimientos que serán
considerados prohibidos. Así una lista de tamaño N garantizará que no se van a crear ciclos
de largo inferior a N. La elección de este parámetro es un dato de entrada al problema, y
normalmente la forma de implementarlo es a través de una lista circular, en la cual el último
movimiento se pone al principio de la lista y el último elemento de la lista, si es que ésta se
completa, es liberado de la prohibición.
Esta meta-heurística constituye una herramienta poderosa que ha sido ampliamente utilizada,
en particular, en el sector eléctrico ha sido empleada en planificación de la expansión de
redes de transmisión (Da Silva et al, 2001, Wen y Chang, 1997) en localización óptima de
condensadores (Huang et al, 1996), por mencionar sólo alguna de sus aplicaciones.

Combinación de redes vía búsqueda tabú.

El objetivo de la búsqueda tabú en este trabajo, es entregar una buena combinación entre
redes, de manera de disminuir los costos obtenidos del proceso de micro-optimización. En la
siguiente figura se muestra un conjunto de redes, demarcadas por la envolvente convexa que
engloba a todos los consumos de cada una de ellas, y donde los puntos más grandes,
representan la posición del transformador, indicando algunas zonas que al unirse
posiblemente constituirían mejoras a la función objetivo, observando además, que si un
 104

transformador es utilizado en una combinación ya no puede ser utilizado en otra, por lo que
la elección del conjunto de mejores combinaciones no es trivial, toda vez que el número de
combinaciones posibles aumenta exponencialmente con el número de transformadores.

[y]

[x]

Figura 5.11: Posibilidad de combinación de redes

Así lo que se busca es el mejor mix entre las posibles combinaciones, siempre y cuando cada
red combinada sea utilizada en una única combinación, lo que se representa de acuerdo a la
siguiente estructura:

1 1 2 1 2 4 4

En donde el largo de la estructura representa el número de redes totales en el área de análisis,

la posición en la estructura identifica a una determinada red, y el valor al interior de la
estructura indica la combinación utilizada, es decir en la solución mostrada se tienen 20 redes
a combinar, en que las redes 2-3-5 se unen a través de la combinación 1, las redes 4-7 lo
hacen mediante la combinación 2, las redes 13-14 son mezcladas por la combinación 4. Para
conseguir tal resultado el algoritmo propuesto es el siguiente:
 105

1. Se realiza la triangulación de Delaunay tomando como vértices la posición de los

transformadores.
2. Se realizan todas las posibles combinaciones de transformadores y redes asociadas,
siempre y cuando se encuentren conectadas por una arista de la triangulación y exista
conexión vial entre las redes (sin generación de componentes conexas).
3. Para cada combinación se calcula el ahorro que se produce al realizarla, en caso de no
existir ahorro la combinación deja de ser factible.
4. Se ordenan de mayor a menor las combinaciones factibles, de acuerdo al ahorro que
producen.
5. Se inicializa la solución escogiendo como valor inicial la combinación que produce el
mayor ahorro de la lista anterior (Mejor Movimiento)
6. Se escoge la siguiente mejor combinación (mejor ahorro)
a. Si la nueva combinación no une redes que ya han sido incluidas en la
solución, se adiciona a ella.
b. Si la nueva combinación utiliza al menos una red que pertenece a la solución
actual, se agrega la nueva combinación (empeoramiento de la solución y/o
aumento del espacio de búsqueda) y se eliminan de la solución todas aquellas
combinaciones anteriores que involucren redes contenidas en la nueva
combinación. Las combinaciones eliminadas pasan a la lista tabú, y por tanto
no pueden ser utilizadas hasta que salgan de ella (el número de iteraciones que
permanecen en la lista, se denomina largo tabú y es definido a priori).

7. Se disminuye en uno el contador de la lista tabú, para cada combinación en ella

incluida. Sí para una determinada combinación el contador llega a cero, significa que
puede dejar la lista tabú y por tanto es agregada nuevamente a la lista de
combinaciones factibles.
8. Se ordena de mayor a menor la lista actual de combinaciones factibles.
9. Se vuelve al paso 5. El proceso se detiene si:
a. Se alcanza el número máximo de iteraciones
b. La lista de soluciones factibles es vacía.
 106

Aplicando la metodología propuesta, en forma iterativa tal como se explicó en el caso de

macro-optimización por vecindarios, es posible obtener un ahorro de $ 78.054.181,
representando un 4 % del costo del caso base, en un tiempo de 19 minutos. Observándose
que existe una leve mejoría con respecto a la recombinación basada en vecindarios,
mostrando un ahorro 2 % superior al mejor ahorro señalado en la Tabla 5.3.
A modo de ejemplo a continuación se presentan dos figuras, la primera representa la salida
del proceso de micro-optimización (252 redes), en tanto que la segunda indica la salida del
proceso de macro-optimización (190 redes), en ambos casos los transformadores están
indicados por un punto y los consumos asociados a cada red están encerrados a través de su
envolvente convexa.

12000

11000

10000

[m]
9000

8000

7000

6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m] 4
x 10

Figura 5.12: Configuración de redes producto de la micro-optimización

 107

12000

11000

10000

[m]

9000

8000

7000

6000
3.6 3.653.7 3.753.8[m] 3.853.9 3.95 4 4.05 4.1
4
x 10

Figura 5.13: Configuración de redes producto de la macro-optimización

5.3 Macro-Optimización: Diagramas de Voronoi y Búsqueda Tabú

Considerando las bondades de las dos metodologías propuestas, en este algoritmo finalmente
se propone la realización secuencial de ellas. De tal forma de incluir la asociación inteligente
producto del diagrama de Voronoi y la incorporación de información adicional y de mejora
de la función objetivo a través de la recombinación de redes gracias a la búsqueda tabú. Por
tanto la secuencia recomendada de aplicación sería la siguiente:

1. Micro-optimización simplificada, sin las restricciones viales ni consideración de la

red eléctrica.
2. Trazado del diagrama de Voronoi tomando como puntos generadores la ubicación de
los transformadores obtenidas en el paso anterior.
3. Micro-optimización completa y detallada para cada uno de los polígonos de Voronoi.
 108

4. Macro-optimización de recombinación entre todas las redes obtenidas luego del

proceso de micro-optimización.

Con esta solución se presentan los mayores ahorros con respecto al caso base dado por la
aplicación exclusiva del proceso de micro-optimización explicado en el capítulo 4, en efecto
el ahorro total es de $ 135.972.397 (197 redes) representando un descuento de 7.4 % respecto
del caso base.

12000

11000

10000
[m]

9000

8000

7000

6000
3.6 3.65 3.7 3.75 3.8 3.85 3.9 3.95 4 4.05 4.1
[m] 4
x 10

Figura 5.14: Configuración de redes luego de la macro-optimización secuencial

 109

6. EJEMPLO DE PLANIFICACION OPTIMA

Este capítulo ilustra la aplicabilidad de la metodología propuesta a la planificación de una

zona de gran tamaño, en particular se mostrará la posibilidad de acción de los distintos
mecanismos sobre los consumos de baja tensión, tomando como ejemplo Santiago de chile
36
suministrados por CHILECTRA en la Región Metropolitana , abasteciendo del orden de
2
1.300.000 clientes distribuidos en una superficie aproximada de 2.118 km . Se debe recordar
que los datos de demanda utilizados como base del estudio corresponden a datos actualizados
a diciembre del año 2003, ello producto que el estudio tarifario 2004, tomó como base dicha
fecha y por ende las comparaciones con tales resultados sólo son posibles si se toma la
misma referencia. A tal fecha, la compañía distribuidora contaba con 9.333 kilómetros de
redes de baja tensión, 20.285 transformadores de distribución con una capacidad total
instalada de 2.456 MVA suministrando un total de 3.917 GWh, correspondientes a consumos
37
de energía de los clientes conectados a través de la red de baja tensión .
En esta sección sólo se mostrarán los resultados finales obtenidos, con una breve explicación,
puesto que la metodología corresponde a lo explicado en extenso en los capítulos anteriores,
mostrándose la aplicación de cada procedimiento a la totalidad de la zona de concesión de
CHILECTRA.

6.1 Aplicación del Proceso de Micro-Optimización

Este procedimiento reviste gran importancia puesto que corresponde a la estructura

fundamental de todas las metodologías propuestas, ya que los procesos de macro-
optimización la utilizan como dato de entrada.

36 La zona de análisis incluye a la ciudad de Santiago, capital de Chile, con una población al 31 de
diciembre del 2003 de 5.3 millones de habitantes.
37 Las ventas totales de energía para el año 2003 fueron de 8.696 GWh, repartiéndose 3.917 GWh a
clientes de baja tensión y 4.779 GWh a clientes de media tensión.
 110

Del capítulo 4 fue posible encontrar que un tamaño adecuado para la zona de análisis era de
500 x 500 metros. También se pudo mostrar que en el proceso iterativo asociado a la micro-
optimización, al encontrar un valle en la función de costo se está, con alta probabilidad, en
presencia de un mínimo global. Además se observó que en la metodología propuesta, el
equilibrio de red sólo es significativo al finalizar el proceso iterativo, todas conclusiones que
son aplicadas a la micro-optimización del Gran Santiago. Así, la división de la zona a
planificar se muestra en la siguiente figura.

4
x 10
7

4
[m]

0
0 1 2 3 4 5 6
[m]
x 104

Figura 6.1: División en mini-zonas del gran Santiago

 111

Existe un total de 3103 mini-zonas a optimizar, las que para 10 lanzamientos del algoritmo,
tabla 6.1, entregan un costo promedio de $ 71.027.164.452 en un tiempo de ejecución
38
promedio de 168,3 minutos correspondientes a 2,8 horas .

Tabla 6.1: Micro-optimización del gran Santiago

Lanzamiento Costo Total ($) Tiempo (min)

1 70.973.285.445 173,5
2 71.158.531.278 167,8
3 70.921.325.234 167,6
4 70.951.990.818 167,6
5 71.098.651.683 167,3
6 71.067.957.121 168,9
7 70.972.409.405 167,4
8 71.003.831.236 167,0
9 71.014.399.273 167,4
10 71.109.263.030 168,7

De tales simulaciones, es posible obtener que el largo promedio de la red de baja tensión es
7.828 Km, que se utilizan 12.039 transformadores con una capacidad total instalada en baja
tensión de 2.861 MVA, con pérdidas de energía para el año base de 54.142 MWh.
Si bien, la red trazada corresponde sólo a una red área de baja tensión, y por tanto no
reconoce las zonas subterráneas del área de planificación, ni tampoco su relación directa con
la red de distribución de media tensión, es posible cotejar, de todas formas, el orden de los
resultados obtenidos, con los estudios de VAD realizados en la fijación tarifaria utilizada
como referencia, de manera de comprobar la coherencia de las salidas obtenidas. Por
ejemplo, en el caso de las pérdidas para el año inicial, en donde se ve reflejado tanto el
trazado como el tipo de conductores seleccionados, se tiene que en el estudio encargado por
la empresa distribuidora, en adelante estudio de la distribuidora (Systep e Inecon, 2004), las
pérdidas corresponden a 75.312 MWh y en el estudio encargado por la Comisión Nacional de
Energía, en adelante estudio de la CNE (Synex, Mercados Energéticos y Jadresic Consulting,
2004), ascienden a un valor de 35.580 MWh, ubicándose el resultado aquí

38 La tabla completa para todos los lanzamientos, con el desglose de costos e infraestructura se presenta en
el
 112

obtenido entre ambos valores. En cuanto a los kilómetros de red, el resultado obtenido es
menor tanto al estudio de la distribuidora como al estudio de la CNE, cuyos valores son
9.050 km y 9.075 km respectivamente, este hecho no debe ser explicado por si sólo, sino que
debe considerarse lo que sucede con los transformadores. En el estudio de la distribuidora el
número óptimo es de 7.247 y en el estudio de la CNE es de 8.416 unidades, por lo tanto, con
la metodología propuesta se obtiene un resultado absolutamente coherente, toda vez que el
39
número de transformadores obtenido es mayor y el largo de red es menor que en los
estudios citados, situación que acontece dada la división arbitraria de la gran zona de
planificación en mini-zonas de optimización, en las cuales al respetar el tendido vial y por
ende al no trazar redes entre zonas no vialmente conectadas, se fuerza a que en cada isla vial
de cada una de las mini-zonas, exista al menos un transformador.

6. Ejemplo de la Aplicación del Proceso de Macro-Optimización

Para evitar el posible exceso de transformadores y eventuales costos extras asociados a la

división arbitraria del área de análisis, se desarrollaron metodologías adicionales para realizar
una fragmentación inteligente del problema, tomando como ejemplo el Gran Santiago.
Debido a que la comparación es con respecto al proceso de micro-optimización y tal
metodología es no determinística, se tomará como base un lanzamiento particular de la
metodología, para que en los procesos de macro-optimización la referencia sea la misma. En
suma, los resultados para dicho lanzamiento con un tiempo de ejecución de 167 minutos, son:

≤ Costo total : $ 70.973.296.670

≤ Costo total + pérdidas : $ 79.981.055.629
• Número de transformadores : 12.052 unidades
≤ Largo de red : 7.822 kilómetros
≤ Capacidad instalada : 2.859 MVA.

Anexo H
39En las redes de distribución se tiene que los transformadores con sus redes asociadas tienen una relación
inversamente proporcional, en el caso extremo si cada consumo tuviese su propio transformador la red de
distribución de baja tensión sería cero.
113

PAGINA DEJADA EN BLANCO PARA CREAR EXPECTATIVA EN EL LECTOR

 PAGINA DEJADA EN BLANCO PARA CREAR EXPECTATIVA EN EL LECTOR

113
 114

[m]

[m]

[m]

[m]

Figura 6.2: Redes del caso base: micro-optimización

 115

6.2.1 Metodología basada en diagrama de Voronoi

Se realiza el trazado del diagrama de Voronoi, considerando como puntos generadores de los
polígonos, a la ubicación de los transformadores obtenidos en la etapa de micro-
optimización, para luego aplicar a cada nueva mini-zona irregular el proceso de micro-
optimización completo. Se debe recordar que los mejores resultados se obtuvieron cuando los
puntos generadores correspondían a aquellos asociados a transformadores superiores a 300
kVA, y por tanto en esta aplicación, se emplea tal condición como ejemplo base para elaborar
los polígonos de Voronoi de Santiago. Con ello, en la figura 6.2, es posible apreciar la
aplicación de esta técnica para la zona en cuestión.
Con esta metodología se obtuvo un costo menor que el caso base, arrojando los siguientes
resultados:

≤ Costo total : $ 70.098.342.446

≤ Costo total + pérdidas : $ 78.133.902.585
• Número de transformadores : 11.966 unidades
≤ Largo de red : 8.210 kilómetros
≤ Capacidad instalada : 2.895 MVA.

Lo que constituye una mejora de 2,31 % (aproximadamente dos mil millones de pesos) con
respecto al caso base considerando las pérdidas. Para clarificar los resultados, se aplicó el
mismo procedimiento, pero ahora considerando como centro de los polígonos a aquellos
transformadores superiores a 500 kVA, obteniendo lo siguiente:

≤ Costo total : $ 69.384.475.120

≤ Costo total + pérdidas : $ 78.256.523.843
• Número de transformadores : 11.355 unidades
≤ Largo de red : 8.347 kilómetros
≤ Capacidad instalada : 2.869 MVA.
 116

En ambos casos, es posible apreciar una disminución en el costo total, asociado a la mejor
asignación de los consumos, lo que se traduce en un menor número de transformadores y por
consiguiente un mayor largo de red. Se debe señalar que los tiempos de simulación fueron de
179 y 252 minutos respectivamente, sin considerar el tiempo requerido por el caso base.
 117

4
x 10

[m]
3

0
0 1 2 3 4 5
4
[m] x 10
4
x 10
1.5

1.4

1.3

[m] 1.2

1.1

0.9

0.8

0.7

3.4 3.6 3.8 4 4.2 4.4

4
[m] x 10

Figura 6.3: Diagrama de Voronoi aplicado a Santiago

6.2.2 Metodología simplificada basada en diagrama de Voronoi

Se desarrolló el diagrama de Voronoi pero sin utilizar el proceso de micro-optimización para

la generación de los polígonos, sino que las ubicaciones generadoras provienen de un proceso
de micro-optimización simplificado, que no considera ni el trazado de la red ni el trazado vial
y sólo incluye en el análisis la demanda y la elección y ubicación del
 118

trasformador adecuado, ello con el fin de evitar los 167 minutos asociados al caso base. De
esta forma, el procedimiento simplificado requiere sólo 14 minutos para su ejecución, luego
de lo cual se realiza el diagrama de Voronoi y se aplica el procedimiento de micro-
optimización completo para cada uno de los polígonos formados.
Al igual que en el caso anterior, se consideraron como puntos generadores las ubicaciones de
aquellos transformadores, que de acuerdo al procedimiento de micro-optimización
simplificado son superiores a 300 kVA y luego a 500 kVA, con lo cual, los resultados para el
primer caso son:

≤ Costo total : $ 70.505.021.797

≤ Costo total + pérdidas : $ 78.722.075.399
• Número de transformadores : 11.815 unidades
≤ Largo de red : 8.261 kilómetros
≤ Capacidad instalada : 2.892 MVA.

Y para el caso de 500 kVA son:

≤ Costo total : $ 70.337.529.277

≤ Costo total + pérdidas : $ 78.729.180.328
• Número de transformadores : 11.447 unidades
≤ Largo de red : 8.292 kilómetros
≤ Capacidad instalada : 2.874 MVA.

Si bien, en ambos casos los ahorros no superan el 2%, se debe señalar la ventaja en tiempo
que esta metodología brinda, toda vez que sólo demora 170 y 240 minutos, respectivamente,
sin necesidad de los 167 minutos adicionales del caso base.
 119

6.2.3 Metodología basada en vecindarios

Este procedimiento busca incorporar las posibles economías producto de unir redes vecinas,
esto es, hacer que zonas aledañas que tienen su propio transformador y red sean unidas de
manera de suministrarlas a través de un único transformador con sólo una red asociada, para
ello se divide la zona en vecindarios utilizando los polígonos de Voronoi, para luego en cada
uno de los vecindarios encontrar la mejor combinación de redes, de forma de lograr una
disminución en el costo total.
Entonces, cada uno de los vecindarios está formado por todas las redes que quedan al interior
de un polígono de Voronoi, los que son creados tomando como puntos generadores la
ubicación de todos los trasformadores del caso base, cuya capacidad sea superior o igual a
500 kVA. Aplicando como ejemplo tal procedimiento, se obtienen 4.103 vecindarios para
Santiago, tal como se aprecia en la figura 6.4, en particular, en su figura inferior es posible
notar como cada vecindario (polígonos convexos de líneas gruesas), contiene un conjunto de
redes a combinar (polígonos convexos de líneas delgadas).
Así, en cada vecindario se encuentra la mejor combinación, es decir la que produce mayores
ahorros, entre las redes que lo componen. Siendo el ahorro final, la sumatoria de los ahorros
producidos en cada uno de los vecindarios. De esta forma, el ahorro total obtenido, con
respecto al caso base, es de $ 2.824.076.757 lo que representa un ahorro de 3,53 %,
ejecutándose el procedimiento en 178 minutos. El resumen de los resultados obtenidos es el
siguiente:

≤ Costo total : $ 67.338.746.724

≤ Costo total + pérdidas : $ 77.156.978.872
• Número de transformadores : 9.357 unidades
≤ Largo de red : 8.187 kilómetros
≤ Capacidad instalada : 2.741 MVA.
 120

[m]

[m]

[m]

[m]

Figura 6.4: Creación de vecindarios para la recombinación de redes

 121

6.2.4 Metodología basada en búsqueda tabú y único vecindario

Al igual que en el caso anterior se buscan las economías producto de la unión de redes
aledañas, pero esta vez sin la realización de vecindarios, sino que buscando la mejor
combinación de entre todas las redes que se obtienen luego del proceso de micro-
optimización. Dada la gran cantidad de combinaciones posibles, se opta por la heurística
búsqueda tabú para conseguirlo. Además, para disminuir el espacio de búsqueda de la
solución, que en este caso constituye encontrar el conjunto de mejores combinaciones entre
redes, se evitan aquellos casos en que se busca unir redes alejadas o separadas por alguna red
intermedia, para ello se realiza la triangulación de Delaunay, entre todas las redes del caso
base, representadas por su transformador asociado. Esta triangulación, para el caso de
Santiago se presenta en la figura 6.5.
 122

[m]

Aristas de la Triangulación de Delaunay

[m]

Figura 6.5: Triangulación de Delaunay para Santiago

De esa manera, sólo se consideran como redes factibles a combinar, aquellas que
inicialmente se encuentran unidas a través de aristas de la triangulación (ver 5.2.2),
reduciendo considerablemente el espacio de búsqueda al combinar únicamente redes vecinas.

40
Con este procedimiento y requiriendo un tiempo de ejecución de 254 minutos, se
obtuvieron los siguientes resultados:

≤ Costo total : $ 65.463.843.208

≤ Costo total + pérdidas : $ 76.041.409.699
• Número de transformadores : 8.404 unidades

40 Este tiempo incluye sólo el requerido para la realización de la metodología de macro-

optimización, sin considerar el tiempo necesario para la realización del caso base que entrega las redes
iniciales.
 123

≤ Largo de red : 8.746 kilómetros

≤ Capacidad instalada : 2.664 MVA.

De donde se obtiene un ahorro de $3.939.645.930, que representa una disminución de 4,93 %

con respecto al caso base.

6.2.5 Metodología secuencial Voronoi-búsqueda tabú

La metodología aquí señalada busca aprovechar la utilización de mini-zonas irregulares y los

ahorros que se producen al combinar redes, para lo cual se realiza secuencialmente sobre
Santiago la aplicación de los polígonos de Voronoi y luego sobre las redes ahí resultantes, el
proceso de recombinación.
Se hace necesario responder a la siguiente interrogante, ¿Qué metodología de Voronoi y que
metodología de recombinación de redes utilizar?. Frente a lo primero, para el procedimiento
de mini-zonas irregulares se opta por el proceso de Voronoi simplificado, ello por el ahorro
de tiempo que involucra, puesto que los puntos generadores de los polígonos no provienen
del proceso de micro-optimización (167 minutos) sino de una simplificación del mismo (14
minutos), y así sólo se requiere de un única aplicación de la metodología de micro-
optimización (170 minutos) sobre las mini-zonas irregulares formadas en el proceso
simplificado. Respecto a la recombinación de redes se utiliza la metodología de macro-
optimización basada en búsqueda tabú, la cual es aplicada sobre un único gran vecindario
representado por la totalidad de Santiago. Esta elección es producto que presenta mayores
ahorros que la metodología de macro-optimización basada en vecindarios. Por lo tanto, el
proceso aquí ejecutado es el siguiente:

1. Micro-optimización Simplificado (14 minutos)

2. Micro-optimización Completa (170 minutos)
3. Macro-optimización de búsqueda tabú con único vecindario (207 minutos)
 124

Al realizar esta aplicación secuencial se obtiene un ahorro final de $ 4.901.118.462 que

representa una disminución de 6,13 % con respecto al caso base. Los resultados obtenidos
son:

≤ Costo total : $ 64.422.594.684

≤ Costo total + pérdidas : $ 75.079.937.167
• Número de transformadores : 7.686 unidades
≤ Largo de red : 8.935 kilómetros
≤ Capacidad instalada : 2.625 MVA.
 125

PLANIFICACION DE REDES DE DISTRIUBUCION GREENFIELD

7.1

La principal contribución de la presente investigación está dada por el desarrollo de una

metodología capaz de dar respuesta al problema de planificación de redes de distribución,
cuando ésta es del tipo greenfield planning, es decir cuando los únicos datos de entrada son
la ubicación y el consumo de los clientes. Este procedimiento busca minimizar el costo de
inversión en transformadores y conductores más el costo de pérdidas, entregando como
resultado el costo, capacidad y ubicación de los transformadores de distribución, el costo y
tipo de los conductores utilizados y el trazado de las redes asociadas a cada transformador.
En la sección referida al Estado del Arte, se pudo constatar que el problema en cuestión ha
sido abordado ampliamente, inicialmente a través de herramientas tradicionales de
programación matemática, con las cuales sólo era posible enfrentar problemas de tamaño
reducido. En la medida que los problemas a resolver fueron aumentando de tamaño, dichas
metodologías perdieron poder de resolución, dando paso al uso de heurísticas, mediante las
cuales, si bien, no se garantiza la obtención del óptimo global, es posible obtener buenas
soluciones a problemas complejos de gran tamaño. Es en esta línea, que la presente tesis
aborda la planificación de redes de distribución, logrando resolver la optimización del gran
Santiago, el cual abastece a cerca de 1.300.000 clientes distribuidos en una superficie
2
aproximada de 2.118 km .
Esta metodología muestra la aplicabilidad del procedimiento “Dividir y Conquistar”, en
cuanto Santiago fue dividido en zonas de menor tamaño, disminuyendo considerablemente la
característica combinatoria del problema, y optimizando en forma independiente cada una de
las mini-zonas, con lo cual se logró encontrar solución al problema en tan sólo 167 minutos.
Tiempo que podría mejorar, toda vez que es posible aplicar proceso paralelos en su solución,
por ejemplo, si el problema es dividido en n mini-zonas, n/2 podrían ser realizadas en un
computador y las otras n/2 en otro computador, en forma simultánea. Como la optimización
entre mini-zonas es independiente, el tiempo de ejecución podría ser disminuido
aproximadamente a la mitad y así los tiempos disminuirían progresivamente en
 126

la medida que se incorporan nuevas estaciones de trabajo a la resolución del problema, lo que
constituye un acierto de la metodología de micro-optimización propuesta.
Del proceso de optimización realizado sobre cada mini-zona (micro-optimización), fue
posible constatar la relación existente entre el número de transformadores y la red asociada a
cada transformador, observando que un análisis acoplado entre la red y el transformador
permite encontrar una combinación óptima de ellos, es decir un mix capaz de minimizar para
cada mini-zona el costo de transformación, conductores y pérdidas. Siendo posible mostrar,
que dicho óptimo se obtiene en el mínimo del primer valle, que se encuentra en la curva de
costo total, la cual indica el costo de inversión más pérdidas en función del número de
transformadores instalados, donde tal costo se obtiene de la elección y ubicación óptima de i
transformadores (vía cluster), y donde para cada uno de ellos se determina la red óptima,
tanto en trazado como en elección de conductores. Así al realizar la metodología para
innumerables lanzamientos fue posible mostrar, que si al instalar un transformador adicional,
i+1 transformadores, existía un incremento en el costo total, entonces el mínimo esta dado
por la instalación óptima de i transformadores con sus respectivas redes asociadas, situación
que permite disminuir los tiempos de ejecución, al acotar el espacio de búsqueda, ya que
elimina la necesidad de encontrar los costos que se obtendrían con la instalación de un
número mayor a i+1 transformadores. En efecto, al realizar la metodología sobre la comuna
de Macul, para distintos valores de búsqueda, entendiendo ésta como el número de
iteraciones adicionales, luego del primer valle encontrado en la curva de costos totales, no
fue posible encontrar una mejoría significativa en el costo final. Es decir, el aumento del
espacio de búsqueda no trajo consigo la disminución de costos, y por tanto no hubo presencia
de nuevos mínimos en cada mini-zona.

También es importante destacar, la consideración de la red vial a la hora de realizar el

trazado, ya que esto por un lado evita el paso de redes a través de accidentes geográficos,
donde no existen redes viales (cerros, mesetas, etc.), y por otro lado permite la determinación
correcta de las redes, al considerar la conectividad real existente entre los distintos consumos,
logrando así su correcta valorización y posterior consideración en la curva de costo total.
 127

El procedimiento aquí propuesto si bien es no determinístico, es decir para los mismos

valores cada vez que es ejecutado no entrega necesariamente los mismos resultados, sí
presenta resultados bastantes similares cada vez que es empleado, valores cuya desviación no
debiese afectar al planificador en las diversas decisiones a tomar. Es así como para 20
lanzamientos de la metodología sobre la comuna de Macul, la desviación estándar del costo
total sólo representa el 0,39 % del costo promedio total para todas las ejecuciones, y en el
caso de Santiago para 10 ejecuciones representa el 0,11 % del costo promedio total,
permitiendo concluir la consistencia de sus resultados para la toma de decisiones.
En consideración, a la forma de solución planteada en la metodología de micro-optimización,
se puede inferir inmediatamente que tal mecanismo, al no considerar las posibles ventajas de
combinar zonas vecinas, puede ser perfeccionado. De esta investigación, se pudo mostrar que
tal perfeccionamiento se puede dar a través de dos caminos, uno mediante la agrupación de
consumos cercanos a través de los polígonos de Voronoi y otro mediante la recombinación de
redes vecinas. Para una mejor visualización de las conclusiones, se presenta a modo de
ejemplo el resumen de las metodologías de macro-optimización aplicadas a Santiago.

41
Tabla 7.1: Metodologías de macro-optimización sobre Santiago .
Micro-Optimización Macro-Optimización
Unión de Polígonos de
Diagrama de Diagrama de Unión de Redes vía Voronoi y
Caso Base Voronoi Redes vía
Voronoi Búsqueda Búsqueda
simplificado Vecindarios
Tabú Tabú
Costo total (MM$) 70.973 70.098 70.505 67.338 65.463 64.422
Costo total + pérdidas
79.981 78.133 78.722 77.156 76.041 75.079
(MM$)
Número de
12.052 11.966 11.815 9.357 8.404 7.686
Transformadores (#)
Largo de Red (Km) 7.822 8.210 8.261 8.187 8.746 8.935
Capacidad Instalada
2.859 2.895 2.892 2.741 2.664 2.625
(MVA)
Tiempo de Ejecución
167 346 184 345 421 391
(min)

41 Las metodologías de Macro-Optimización incluyen el tiempo requerido para la Micro-Optimización,

puesto que esta constituye su input. Sólo el procedimiento “Diagrama de Voronoi simplificado”, prescinde del
tiempo adicional, puesto que emplea como input un proceso simplificado.
 128

Mediante la utilización de los polígonos de Voronoi, fue posible agrupar a los consumos por
su característica de cercanía y con ello lograr una reducción de costos al aplicar sobre cada
polígono el proceso de micro-optimización, con lo cual se obtuvo para el caso de Macul un
ahorro cercano al 4 % y para el caso de Santiago uno de 2 % con respecto al proceso de
micro-optimización respectivo. Es importante mencionar que los polígonos se forman a partir
de puntos generadores, probándose en la presente investigación que estos pueden provenir de
la ubicación de los transformadores, ya sean obtenidos del proceso de micro-optimización o
de un proceso simplificado (sin consideración de la red), con el consecuente ahorro de
tiempo, en el caso de Santiago se cambia una ejecución de 176 minutos por una de 14
minutos, a los polígonos así obtenidos se les aplica, de igual forma, el proceso de micro-
optimización completo.
En cuanto a la recombinación de redes vecinas, esta metodología encuentra economías al
suministrar mediante una única red y por ende bajo un único transformador, a redes aledañas,
siempre y cuando esto sea posible. Abordándose el problema desde dos perspectivas, una
mediante la división de la zona de planificación en vecindarios, y en cada uno de ellos,
analizar las posibilidades de combinación, y otra, sin la realización de división, sino que
determinando las combinaciones factibles en toda la zona de planificación a través de la
búsqueda tabú. Tanto en el caso de Macul como su posterior aplicación a Santiago, fue
posible constatar la ventaja que presenta el análisis de un único vecindario, puesto que evita
la no consideración de combinaciones entre redes que pertenecen a vecindarios distintos. Así,
para el caso de Santiago, al utilizar vecindarios se obtuvo un ahorro de 3,5 % y en el caso de
un único vecindario el ahorro creció a un 4,9 %, sin embargo se debe señalar que la
metodología de mayor ahorro, al poseer un espacio de búsqueda mayor, requiere más tiempo
en su ejecución, necesitando 76 minutos adicionales para encontrar la solución.

Se debe constatar, que el mejor resultado obtenido se produce al realizar la aplicación

secuencial del diagrama de Voronoi y la recombinación de redes a través de un sólo
vecindario. Con lo que es posible aprovechar tanto el abastecimiento de grupos de consumos
cercanos entre sí como los ahorros que se producen al unir redes vecinas en una
 129

única red. De hecho el ahorro obtenido con este procedimiento en serie es de 7,4 % para el
caso de Macul y de 6,1 % para el caso de Santiago.
Finalmente, y en relación a la validez de los resultados encontrados, se debe considerar que
la presente investigación sólo determinó redes aéreas, y en cambio los estudios de referencia
para el gran Santiago, dados por los estudios de VAD 2004-2008, tanto de la empresa
distribuidora como de la autoridad consideran además redes subterráneas, por lo que un
parangón directo no es posible, pero sí lo es la verificación del orden de los resultados
obtenidos. En efecto, el número de transformadores y kilómetros de red extraídos del
42
modelo son 7.686 unidades y 8.935 km, respectivamente, tales valores para los estudios de
referencia son de 7.247 unidades y 9.050 km para el estudio de la distribuidora y de 8.416
unidades y 9.075 km para el estudio de la autoridad. Lo que ratifica la bondad de la
metodología propuesta.
No se debe perder de vista, que el principal acierto de la metodología planteada, más allá de
los resultados numéricos, que pueden variar de acuerdo a la definición de precios y/o
expectativas de crecimiento, es la certeza de resolver un problema de gran tamaño, con la
consideración conjunta de redes y transformadores sobre una red vial que permite
determinadas conexiones, con lo cual el problema es solucionado sin la necesidad de
excesivas simplificaciones, en un tiempo razonable, toda vez que un ejercicio de
planificación en ningún caso necesita ser resuelto en forma instantánea. En particular, es el
planificador quien puede optar discretamente por el tiempo requerido en la solución, de
hecho el resultado de la micro-optimización para Santiago se consigue entre 167 y 170
minutos, siendo voluntad del planificador realizar el proceso de macro-optimización para la
disminución de costos, etapa que toma cerca de 200 minutos en ejecutarse. Por tanto, en tan
sólo tres horas es posible obtener una primera buena aproximación a la planificación desde
cero de una zona de gran tamaño, lo que representa la gran ventaja de la división en mini-
zonas y de la metodología desarrollada.

42 Considerando como modelo final a la metodología que presenta un menor costo total, es
decir al procedimiento secuencial de diagrama de Voronoi y Recombinación Tabú de redes.
 130

7.2 VISUALIZAION PARA UN FUTURO

La optimización de una red de distribución eléctrica de gran tamaño constituye un problema

de gran complejidad, que no puede ser resuelto a través de métodos determinísticos, por lo
que necesariamente para su resolución se requieren de simplificaciones y aproximaciones,
situación que se ha podido constatar a lo largo del presente trabajo. Bajo esta perspectiva,
siempre existen posibilidades de mejora para lograr una visión real de la empresa modelada y
con ello dar una señal justa de precios tanto a consumidores como a la empresa regulada, por
lo que se proponen las siguientes líneas de investigación para continuar el trabajo aquí
planteado:

• Consideración dinámica del ejercicio de planificación: Dentro de los supuestos de

desarrollo del algoritmo se encuentra la consideración estática del problema, lo que
significa determinar en el año base las instalaciones que abastecerán la demanda
durante todo el horizonte de estudio, ello producto que el crecimiento de la demanda
considerado es pequeño y por tanto si conductores y transformadores fueron
diseñados óptimamente para dicha tasa, son capaces de soportar el incremento de
demanda durante todo el período. Sin embargo si la tasa hubiese sido mayor, en la
práctica se requerirían instalaciones adicionales de refuerzo, ya sea nuevos
transformadores con la consiguiente re-configuración de la red y/o ampliaciones de
las secciones de la misma, efectos que no se encuentran incluidos en la metodología
propuesta. A fin de garantizar la generalidad de modelo sería importante realizar la
optimización dinámica, es decir indicar cuando deben ser llevadas a cabo las
inversiones, situación que aumenta la complejidad del problema dado que incluye la
relación inter-temporal de las decisiones, pero que constituiría un aporte en la
planificación de sistemas de distribución.
• Consideración conjunta de la red de media tensión: Otro desarrollo importante y
desafiante es la realización de la optimización de la red de distribución completa, esto
es considerando tanto la media como la baja tensión. Así, un sistema con una red de
media tensión predominante, presenta un alto número de transformadores de
 131

distribución y una red de baja tensión pequeña, en cambio una compañía con una red
de baja tensión dominante, posee transformadores de mayor capacidad y por ende un
menor número de ellos, lo que genera una mayor red de baja tensión. Existiendo una
multitud de posibles soluciones entre ambos casos, por lo que resulta fundamental
preguntarse acerca de la combinación óptima entre media tensión y baja tensión,
relación que al desacoplar el problema no es considerada, lo que hace una línea
atractiva de investigación la solución conjunta del problema de planificación de
sistemas de distribución.
• Consideración de las instalaciones de generación distribuida: La irrupción de medios
de generación que inyectan su energía directamente sobre el sistema de distribución,
hace que surjan nuevas interrogantes con respecto a como considerar su efecto en el
valor de una empresa distribuidora. Por ejemplo, se hace necesario considerar quien
se hará cargo de las instalaciones necesarias para acceder a la generación distribuida.
Instalaciones tales como equipos de control, protecciones, refuerzo de alimentadores,
entre otros, deben ser debidamente remunerados, ya sea por el generador distribuido o
por la tarifa regulada.
Otro punto, es considerar las ventajas en la regulación de tensión y disminución de
pérdidas que trae consigo la generación distribuida, con lo cual, el valor presente del
costo de las pérdidas, necesariamente es menor si es que existen proyectos de
generación distribuida en la zona de planificación, haciéndose necesario,
posiblemente, a la hora de determinar las tarifas, conocer cuales son los posibles
lugares de generación distribuida y el tipo de instalaciones necesarias, de manera de
descontar tales ahorros de la tarifa y por ende no remunerar a la empresa distribuidora
por costos inexistes. En suma, al crecer la generación distribuida, se vuelve no
despreciable su consideración en la planificación de las redes de distribución, puesto
que son éstas, las encargadas de evacuar su energía, y las que asumen sus eventuales
costos y/o ahorros.

Se debe recalcar que el problema de planificación de redes de distribución, está abierto tanto
a su solución como modelación. Día a día los sistemas crecen en tamaño y en
 132

normativas, por lo que las variables involucradas también lo hacen, lo cual conlleva a que los
investigadores constantemente exploren nuevas formas de planteamiento y rutas alternativas
de solución, en virtud de lo cual los trabajos futuros propuestos y la metodología aquí
desarrollada, sólo buscan ser un aporte y no agotan, en absoluto, la exploración a la solución
del complejo problema enfrentado.
 133

BIBLIOGRAFIA

Adams, R.N y Laugton, M.A. (1974). Optimal Planning of Power Network Using Mixed
Integer Programming. IEE Proceedings, 121(2), 139-147.

Akabane, K., Nara, K., Mishima, Y. y Tsuji, K. (2002, junio). Optimal Geographical
Allocation of Power Quality Control Centres by Voronoi Diagram. Documento
presentado en 14th Power Systems Computation Conference, Sevilla, España.

Anders, G.J., Vainberg, M., Horrocks, D.J., Foty, S.M. y Motlis, J. (1993). Parameters
Affecting Economic Selection of Cable Sizes. IEEE Transactions on Power Delivery,
8(4), 1661-1667.

Aoki, K., Nara, K., Satoh, T., Kitagawa, M. y Yamanaka, K. (1990). New Approximate
Optimization Method for Distribution System Planning. IEEE Transactions on Power
Systems, 5(1), 126-132.

Berg, S.V. y Tschirhart, J. (1988). Natural monopoly Regulation: Principles and

Practice. Cambridge: Cambridge University Press.

Brauner, G. y Zobel, M. (1994). Knowledge Based Planning of distribution Networks.

IEEE Transactions on Power Systems, 9(2), 942-948.

Buller, F. y Woodrow, C. (1928). Load Factor-Equivalent Hour Value Compared.

Electrical World, 92(2), 59-60.

Carvalho, P.M.S., Ferrerira, L.A.F.M, Lobo, F.G. y Barruncho, L.M.F. (2000).

Distribution Network Expansion Planning Under Uncertainty: A Hedging Algorithm in an
Evolutionary Approach. IEEE Transactions on Power Delivery, 15(1), 413-416.

Crawford, D. M. y Holt, S.B. (1975). A Mathematical Optimization Technique for

Locating and Sizing Distributions Substations, and Deriving Their Optimal Service.
IEEE Transactions on Power Apparatus and System, 94(2), 230-235.
 134

Chang, H.C. y Kuo, C.C. (1994). Network Reconfiguration in Distribution Systems

Using Simulated Annealing. Electric Power System Research, 29, 227-238.

Comisión Nacional De Energía. (2003). Bases para el cálculo de las componentes de

costo del valor agregado de distribución. Santiago, Chile: Ministerio de Economía.

Da Silva, E.L., Areiza, J.M., De Oliveira, G.C. y Binato, S. (2001). Transmission

Network Expansion Planning Under a Tabu Search Approach. IEEE Transactions on
Power Systems, 16(1), 62-68.

Díaz-Dorado, E., Cidras, J. y Miguez, E. (2002). Application of Evolutionary Algorithms

for the Planning of Urban Distribution Networks of Medium Voltage. IEEE
Transactions on Power Systems, 17(3), 879-883.

Díaz-Dorado, J.P. (1999). Herramientas para la planificación de redes de baja

tensión y media tensión urbanas. Ph.D. tesis, Departamento de Ingeniería Eléctrica,
Universidad de Vigo, España.

Díaz-Dorado, E., Cidras, J. y Miguez, E. (2003). Planning of Large Rural Low voltage
Networks Using Evolution Strategies. IEEE Transactions on Power Systems, 18(4),
1594-1600.

Dorigo, M., Maniezzo, V. y Colorni, A. (1996). The Ant System: Optimization by a

Colony of Cooperating Agents. IEEE Transaction on Systems, Man and
Cybernetics-Part B: Cybernetics, 26(1), 29-41.

Ferreira, L.A.F.M., Carvalho, P.M.S., Jorge, L.A., Grave, S.N.C y Barruncho, L.M.F. (2001).
Optimal Distribution Planning by Evolutionary Computation – How to Make it Work.
Transmission and Distribution Conference and Exposition IEEE/PES, 469-475.

Fawzi, T.H., Ali, K.F. y El-Sobki, S.M. (1983). A New Planning Model for Distribution
Systems. IEEE Transactions on Power Apparatus and System, 102(9), 3010-3017.
 135

Garey, M.R. y Jonson, D.S. (1979). Computers and Intractability: A Guide to the
Theory of NP- Completeness. Nueva York: Freeman.

Glover, F. y Kochenbeger, G. editors. (2003). Handbook of Metaheuristics. EE.UU.:

Kluwer Academic Publishers.

Glover, F. (1995). Tabu Search Fundamentals and Uses. Technical Report, Graduate
School of Business, University of Colorado.

Gómez, J.F, Khor, H.M., De Oliverira, P.M., Ocque, L., Yusta, J.M., Villasana R. y
Urdaneta, J. (2004). Ant colony system Algorithm for the Planning of Primary
Distribution Circuits. IEEE Transactions on Power Systems, 19(2), 996-1004.

Gonen, T. (1986). Electric Power Distribution System Engineering. Nueva York:

McGraw-Hill.

Gonen, T. y Foote, B.L. (1981). Distribution System Planning Using Mixed Integer
Programming. IEE Proceedings, 128(2), 70-79.

Gonen, T. y Ramírez-Rosado, I.J. (1986). Review of Distribution System Planning

Models: A Model for Optimal Multistage Planning. IEE Proceedings 133(7), 397-408.

Gordon, A.D. (1981). Classification. Londres: Chapman and Hall.

Goswami, S.K. (1997). Distribution system Planning using branch exchange technique.
IEEE Transactions on Power Systems. 12(2), 718-723.

Gustafson, M.W. y Baylor, J.S. (1988). The Equivalent Hours Loss Factor Revisited.
IEEE Transactions on Power Systems, 3(4), 1502-1508.

Gustafson, M.W. y Baylor, J.S. (1989). Approximating the System Loss Equation. IEEE
Transactions on Power Systems, 4(3), 850-855.

Hindi, K.S. y Brameller, A. (1977). A Design of Low Voltage Distributions Networks:

A Mathematical Programming Method. IEE Proceedings, 124(1), 54-58.
 136

Hsu, Y. y Chen, J.L. (1990). Distributions Planning Using a Knowledge-based Expert

System. IEEE Transactions on Power Delivery, 5(3), 1514-1519.

Huang, Y.C., Yang, H.T. y Huang C.L. (1996). Solving the Capacitor Placement Problem
in a Radial Distribution System Using Tabu Search Approach. IEEE Transactions on
Power Systems, 11(4), 1868-1873.

Khator, S. y Leung, L. (1997). Power Distribution Planning: A Review of Models and

Issues. IEEE Transactions on Power Systems. 12(3), 1151-1159.

Lee, K.Y. y El-Sharkawi, M.A. editors. (2004). Modern Heuristic Optimization

Techniques with Applications to Power Systems. EE.UU.: IEEE Power Engineering
Society.

Lo, K.L., y Nashid, I. (1996). Interactive Expert System for Optimal Design of Electricity
Distribution Systems. IEE Proceedings, Generation, Transmission and Distribution.
143(2), 151-156.

Mandal, S. y Pahwa, A. (2002). Optimal Selection of Conductors for Distribution

Feeders. IEEE Transactions on Power Systems. 17(1), 192-197.

Masud, E. (1974). An iterative Procedure for sizing and timing distribution substations
using optimizations techniques. IEEE PES Winter Meeting, pp.1281-1286.

Miguez, E., Cidras, J, Diaz-Dorado, E. y Garcia-Dornelas, J.L. (2002). An Improve

Branch Exchange Algorithm for Large Scale Distribution Network Planning. IEEE
Transactions on Power Systems, 17(4), 931-936.

Miranda, V., Ranito, J.V. y Proenca L.M. (1994). Genetic algorithms in Optimal
Multistage Distribution Network Planning. IEEE Transactions on Power Systems,
9(4), 1927-1923.
 137

Montagnon, F.M., (1999). Planificación de la Expansión de Sistemas Eléctricos vía

algoritmos Genéticos. M.Sc. tesis, Departamento de Ingeniería Eléctrica, Pontificia
Universidad Católica de Chile.

Moreno, J., Moreno, R., Mocarquer, S. y Rudnick, H. (2006, noviembre).

Determinación de un Parque Óptimo de Transformadores para una Empresa
Modelo de Distribución. Documento presentado en III Congreso Internacional de la
Región Andina IEEE, Quito, Ecuador.

Nara, K., Satoh, T., Kuwabara, H., Aoki, K., Kitagawa M. y Ishihara, T. (1992).
Distribution System Expansion Planning by Multistage branch Exchange. IEEE
Transactions on Power Systems, 7(1), 208-214.

Nara, K., Hayashi, Y., Muto, S. y Tuchida, K. (1998). New Algorithm for Distributions
feeders Expansion Planning in Urban Area. Electric Power Systems Research, 46(3),
185-193.

Nara, K., OmI, H. y Mishima, Y. (2002, junio). Optimal Configuration of Power

Delivery System for Customized Power Supply Services. Documento presentado en 14th
Power Systems Computation Conference, Sevilla, España.

Okabe A., Boots, B. y Sugihara, K. (1992). Spatial Tessellations: Concepts and

Applications of Voronoi Diagrams. Chichester, Reino Unido.: John Wiley & Sons.

Paiva, P.C., Khor, H.M., Dominguez-Navarro, J.A., Yusta, J.M. y Urdaneta A.J. (2005).
Integral Planning of Primary – Secondary Distribution Systems Using Mixed Integer
Linear Programming. IEEE Transactions on Power Systems, 20(2), 1134-1143.

Papadimitriu, C.H. y Steiglitz, K. (1998). Combinatorial Optimization: Algorithms and

Complexity. Nueva York: Dover Publications Inc.
 138

Peco, J.P. (2001). Modelo de Cobertura Geográfica de una Red de Distribución de

Energía Eléctrica. Ph.D. tesis, Departamento de Electrotecnia y Sistemas, Escuela
Técnica Superior de Ingeniería, Universidad Pontificia Comillas de Madrid, España.

Ponce De Leao, M.T. y Matos, M.A. (1995). Distribution planning with fuzzy loads.
International Transactions in Operational Research, 2(3), 287-296.

Ponnavaikko, M., Rao, K. y Venkata S.S. (1987). Distribution System Planning through a
Quadratic Mixed Integer Programming Approach. IEEE Transactions on Power
Delivery, 2(4), 1157-1163.

Ramírez-Rosado, I.J. y Gonen, T. (1991). Pseudo-dynamic Planning for Expansion of

Power Distribution systems. IEEE Transactions on Power Systems, 6(1), 245-254.

Ramírez-Rosado, I.J. y Bernal-Agustín, J. (1998). Genetic Algorithms Applied to the

Design of Large Power Distribution Systems. IEEE Transactions on Power Systems,
13(2), 696-703.

Ramírez-Rosado, I.J. y Bernal-Agustín, J. (2001). Reliability and Cost Optimization for

Distribution Network Expansion Using and Evolutionary Algorithm. IEEE Transactions
on Power Systems, 16(1), 111-118.

Ramírez-Rosado, I.J. y Domínguez-Navarro, J.A. (2004). Possibilistic Model Based on

Fuzzy Sets for the Multiobjetive Optimal planning of electric Power Distribution
Networks. IEEE Transactions on Power Systems, 19(4), 1801-1810.

Ramírez-Rosado, I.J. y Domínguez-Navarro, J.A. (2006). New Multiobjective Tabu

Search algorithm for Fuzzy Optimal Planning of Distribution Systems. IEEE
Transactions on Power Systems, 21(1), 224-233.

Rudnick, H., Sanhueza, R. y Harnisch, I. (1997). Reconfiguration of Electric Distribution

Systems. Revista Facultad de Ingeniería, Universidad de Tarapacá, Chile, 4, 41-48.
 139

Sanhueza, R. (1994). Planificación de la Expansión de un Sistema de Distribución

vía Algoritmo de Descomposición de Benders. M.Sc. tesis, Departamento de
Ingeniería Eléctrica, Pontificia Universidad Católica de Chile, Chile.

Sanhueza, R., Rudnick, H. (1995, noviembre). Un algoritmo de descomposición para

la planificación multi años de sistemas eléctricos de distribución. Documento
presentado en Congreso Chileno de Ingeniería Eléctrica, Punta Arenas, Chile.

Singh, K., Philpott, A. y Wood, K. (2005). Dantzig-Wolfe Decomposition for Solving

Multistage Stochastic Capacity Planning Problems. University of Auckland, New
Zealand.

Systep e Inecon. (2004). Estudio para el Cálculo de las Componentes de Costo del
Valor Agregado de Distribución (VAD), Área Típica 1: Chilectra. Santiago, Chile:
Autor.

Synex, Mercados Energéticos y Jadresic Consulting. (2004). Estudio de Costos de

Componentes del Valor Agregado de Distribución (VAD), Área 1. Santiago, Chile:
Autor.

Temraz, H.K. y Salama, M.M.A. (2002). A Planning Model for Sitting, Sizing and
Timing Distribution Substations and Defining the Associate Service Area. Electric
Power Systems Research, 62(2), 145-151.

Tram, H.N. y Wall, L. (1988). Optimal Conductor Selection in Planning Radial

Distribution Systems. IEEE Transactions on Power Systems, 3(1), 200-206.

Thompson, G.L. y Wall, D.L. (1981). A Branch and Bound Model for Choosing Optimal
substation Locations. IEEE Transactions on Power Apparatus and System, 100(5),
2683-2687.
 140

Vaziri, M., Tomosovic, K., Bose, A. y Gonen, T. (2001). Distribution Expansion Problem:
Formulation and Practicality for a Multistage Globally Optimal Solution. PES Winter
Meeting, 3, 1461-1466.

Wall, D., Thomson, G. y Northcote-Green, J. (1979). An optimization Model for Planning

Radial Distributions Networks. IEEE Transactions on Power Apparatus and
Systems, 98(3), 1061-1065.

Wen, F. y Chang, C.S. (1997). Transmission Network Optimal Planning Using the Tabu
Search Method. Electric Power System Research, 42, 153-163.
 141

ANEXOS
 142

ANEXO A: COMPLEJIDAD ALGORITMICA

Para comprender la complejidad algorítmica y en particular lo relacionado con el tipo de

problemas NP-completos, a los que se hace referencia en la presente tesis, se deben tener
43
presentes algunas definiciones básicas .
Un algoritmo es una secuencia ordenada de pasos (conjunto de reglas) que conduce a la
resolución de cualquier instancia de un problema específico. Esta secuencia debe ser precisa,
es decir el algoritmo debe expresarse sin ambigüedad, debe ser determinista, o sea todo
algoritmo debe responder del mismo modo ante las mismas condiciones, y finalmente debe
ser finita, esto es, debe finalizar en un número finito de pasos.
Otro concepto que se debe tener presente es el de complejidad algorítmica, el cual se refiere a
los recursos computacionales, que son necesarios para ejecutar un algoritmo en función de
los datos de entrada del problema, específicamente la complejidad se define como el número
de operaciones elementales requeridas en función de la entrada, para resolver el problema en
cuestión. Muchas veces encontrar a cabalidad el número de operaciones necesarias es un
proceso complejo y que no entrega demasiada información, ello dado a que el algoritmo
puede tener un determinado escenario en que no se utilicen todos sus pasos (mejor caso) y
otro en que todas las etapas sean utilizadas (peor caso), por lo cual se suele determinar la cota
superior de la complejidad de un algoritmo O(n), denominado orden de crecimiento, como el
número de operaciones requeridas en el peor de los casos para solucionar un problema cuyo
tamaño de datos en la entrada es n.

En términos matemáticos, sean F y G funciones definidas en el conjunto de los números

naturales, entonces F, G: N N, se establece que el orden de crecimiento de G es menor o
igual que el de F, lo que escribe como G=O(F), si existe una constante k > 0, tal que G(n) ≤
k F(n) para todo n perteneciente a N (con n suficientemente grande, dado que no importa lo
que suceda para valores pequeños). Por ejemplo:

G(n)  45 ⋅ n2  7 ⋅ n  n ⋅ log(n)  1 ⇒ G  O(n2 ) (A.1)

43 Para más información ver Papadimitriu y Steiglitz (1998)

 143

La jerarquía de ordenes en forma creciente es O(1) ⊂ O(log(n)) ⊂ O(n) ⊂ O(nlog(n))

n
⊂ O(n2) ⊂ O(n3) ⊂ O(2n) ⊂ O(n!) ⊂ O(n ), de manera aclaratoria, se debe tener en
cuenta que O(F) no es una única función sino que es un conjunto de funciones, que acotan
superiormente la complejidad del algoritmo. Con esta definición de complejidad es posible
saber cuando un algoritmo F es más eficiente que otro G para resolver un mismo problema,
si F=O(G) pero G ≠ O(F) se dice que F es más eficiente que G.
El estudio de la complejidad algorítmica ha llevado a los investigadores a clasificar los
algoritmos en los siguientes grupos:
• Problemas de clase P (Polynomial time): Son aquellos problemas para los cuales
existe un algoritmo que se encuentra acotado en forma polinomial, es decir que en el
peor de los casos existe una función polinomial con el tamaño n de las entradas,
k
que limita superiormente la ejecución del algoritmo, del tipo O(n ). Ejemplos
clásicos de este tipo de problemas son el problema del camino mínimo, que consiste
en encontrar el menor camino desde un vértice origen al resto de los vértices, y el
problema del ciclo de euler, que consiste en encontrar un ciclo que pase por cada arco
de un grafo sólo una vez.
• Problemas de clase NP (Nondeterministic Polynomial time): Un problema es NP si y
sólo si puede resolverse mediante un algoritmo no determinístico en tiempo
polinomial, entendiendo como algoritmo no determinístico aquel que escoge en
forma arbitraria un determinado curso de acción cada vez que se le presentan una
serie de alternativas posibles. Es decir, que los problemas de clase NP son
verificables en tiempo polinomial, ellos es, que dada una solución factible para el
problema, encontrada luego de una secuencia de elecciones, se puede verificar que es
correcta en un tiempo polinomial del tamaño de la entrada, por tanto presenta una
etapa de elección dominada por cierta arbitrariedad y una etapa de comprobación. La
clase P es un subconjunto de la clase NP ya que se podría construir un algoritmo que
resolviera los problemas de la clase P, con las mismas dos etapas que se usan en los
problemas de la clase NP, sin embargo, el problema es que existen soluciones
acotadas polinomialmente para todos los problemas P, pero no para todos los de la
 144

clase NP. Para que ambas clases fuesen iguales todos los problemas NP deberían ser
k
del tipo O(n ), situación que a la fecha es un problema abierto.
• Problemas de clase NP-Completos: Un problema es NP-completo si todos los
problemas de la clase NP pueden reducirse a él, representan los problemas más
difíciles de la clase NP y posiblemente no forman parte de los problemas de
complejidad P (afirmación que aún no ha sido probada ni desmentida), dado que de
existir una solución polinómica para un problema NP-completo entonces todos los
problemas de NP también la tendrían. Ejemplos de este tipo de problemas son, el
problema del camino máximo, dado dos vértices de un grafo encontrar el camino de
mayor distancia que los une, y el problema del ciclo hamiltoniano, que consiste en
encontrar un ciclo simple que contiene a cada vértice del grafo.
 145

ANEXO B: DESCRIPCION DE META-HEURISTICAS

Para entender que es una meta-heurística, el primer paso es comprender el término heurística,
vocablo que etimológicamente proviene del griego heuriskein que significa encontrar o
descubrir. En la actualidad dicho término se comenzó a utilizar con los inicios de la
inteligencia artificial, específicamente representan mecanismos sencillos que permiten
resolver problemas difíciles (NP, NP-completos), de manera relativamente fácil y rápida,
encontrando una buena solución para ellos, pero sin garantizar la obtención de una solución
óptima. Estas técnicas se pueden clasificar en heurísticas de:
• Construcción: algoritmos que van agregando componentes a una solución parcial,
hasta que se logra obtener una solución que cumple todas las restricciones y que no es
posible mejorar.
• Mejora: algoritmos que parten de una solución inicial factible, y buscan en la
vecindad de la solución, algún cambio posible, de manera que la solución actual
mejora, los cambios se realizan hasta que se cumple un determinado número de
iteraciones o cuando ya no se producen mejorías. En este tipo de algoritmos, mención
especial, merece el intercambio de ramas (Branch – Exchange) en la planificación de
sistemas de distribución, en particular, en lo referente a la formación de redes
radiales, el que consiste en la adición de un tramo de red, de manera que se forme un
ciclo en el trazado, para posteriormente quitar la mejor rama que elimine tal ciclo.

• Descomposición: algoritmos que dividen el problemas principal en subproblemas de

tamaño y dificultad menor, que luego de resolverlos al ir uniéndolos permiten tener
una solución al problema mayor, la técnica más conocida de descomposición es la
heurística divide y vencerás.
• Reducción: algoritmos que consisten en identificar ciertas condiciones que debe
poseer la solución final, de forma de acotar el espacio de búsqueda, haciendo más
fácil el proceso de optimización.
 146

Otro mecanismo heurístico que no se ciñe necesariamente a la clasificación anterior, y que en

la mayoría de las oportunidades actúa como complemento de algún otro procedimiento, es el
denominado sistema experto, el cual consiste en emular el conocimiento que tienen los
expertos humanos frente a un determinado problema, conocimiento que es representado por
un conjunto de reglas del tipo IF-THEN, las cuales son aplicadas por el computador para
resolver el problema en cuestión.
La característica de los heurísticos anteriores, es que su utilización e implementación va a
depender fuertemente del problema que buscan resolver, lo cual constituye una falencia, dado
el esfuerzo adicional que ello significa, no obstante en el último tiempo, han aparecido
algoritmos heurísticos que, en términos generales, son genéricos e independientes del
problema de optimización que intentan resolver, a este tipo de metodologías se les conoce
como meta-heurísticas. En particular Glover et al. (2003) las define como:
“Las meta-heurísticas son métodos que integran de diversas maneras,
procedimientos de mejora local y estrategias de alto nivel para crear un proceso capaz de
escapar de óptimos locales y realizar una búsqueda robusta del espacio de búsqueda. En su
evolución, estos métodos han incorporado diferentes estrategias para evitar la convergencia a
óptimos locales, especialmente en espacios de búsqueda complejos.”

Siendo sus principales ventajas, la versatilidad, esto es que son necesarias pequeñas
modificaciones para adaptar las meta-heurísticas a la resolución de distintos problemas, y la
aplicabilidad eficaz, es decir, que se puede aplicar a problemas difíciles encontrando buenas
soluciones en tiempos razonables. Su principal desventaja, es que no se puede conocer la
calidad de la solución encontrada, por tanto, no se puede saber que tan cerca se encuentra el
resultado encontrado del óptimo global del problema.
A continuación se explicarán brevemente las características fundamentales de las meta-
heurísticas que han sido citadas a lo largo de este trabajo, de forma de aclarar los aspectos
relevantes de los algoritmos genéticos, las colonias de hormiga, el temple simulado
(Simulated Annealing) y la búsqueda tabú.
 147

B.1 Algoritmos Genéticos

Esta meta-heurística se basa en la teoría de la evolución de las especies, en la que se sostiene

que con el paso de las generaciones, sólo los genes de los individuos mejor adaptados
permanecen en el tiempo, mientras que la información de aquellos individuos que no se
pudieron adaptar desaparece junto con ellos. De esta manera, las especies logran adaptarse a
los cambios del ambiente y producto de la reproducción, sobrevivir a través de los años.

Tomando en cuenta esta optimización natural de las especies, los investigadores han aplicado
el mismo procedimiento para resolver diversos problemas de optimización, para ello, se debe
crear una población inicial, compuesta por un número determinado de individuos, donde cada
uno de ellos representa una solución al problema, cada individuo (solución factible) se
encuentra codificado en un vector de unos y ceros (emulando la cadena de ADN), la bondad
de una solución está dada por una función denominada fitness, que típicamente representa la
evaluación del individuo en la función objetivo a optimizar, o en el inverso de dicha función.
Luego de esto, para que exista modificación al material genético, es decir para que aparezca
una nueva población de soluciones y se siga el proceso de evolución natural, se realizan lo
siguientes procedimientos:
• Selección: este operador determina que individuos forman parte de una nueva
población, dicha elección se realiza, la mayoría de las veces en forma elitista,
considerando a los n mejores individuos de una población, de acuerdo a su función de
fitness. Otra forma de selección es asignando una determinada probabilidad de
selección en función del fitness de cada individuo, en la selección proporcional, la
probabilidad de escoger a un individuo para que forme parte de la nueva generación
es directamente proporcional a su valor de fitness. También se realiza selección por
torneo, en donde se escogen aleatoriamente dos individuos de la población, y se deja
para la nueva población el de mejor fitness, esta situación se repite hasta que se
seleccionan los n individuos de la nueva generación.
• Cruce: este operador emula el proceso reproductivo de las especies, es decir, recoge
la información de dos individuos para generar uno nuevo, por tanto se crea una
 148

nueva solución a partir de dos soluciones ya existentes. Es importante mencionar, que

no todos los individuos de una generación se cruzan, sino que como parámetro de
control se establece una probabilidad de cruce, la que típicamente es superior a 0,7.
Existen varias formas de realizar este procedimiento, por ejemplo en el cruce de
punto simple, se escoge aleatoriamente una posición del vector que describe a un
individuo. Sea X la posición y N el largo del vector, el hijo 1 estará compuesto por la
información que va desde la posición uno a la posición X del padre 1 más la
información del padre 2 que va desde la posición X hasta la posición N,
análogamente el hijo 2 tendrá X información del padre 2 y N-X información del padre
1.

Padre 1: 1 0 0 1 1 0 1 1 Padre 2: 0 1 1 1 1 1 0 0
Si X es igual a 3, entonces:
Hijo 1: 1 0 0 1 1 1 0 0 Hijo 2: 0 1 1 1 1 0 1 1

Muy parecido al anterior, es el cruce de multi-punto, en que se eligen más posiciones

de cruce, y por tanto los hijos tendrán más de un tramo de información de cada padre.
Otro cruce importante, es el cruce uniforme, en que cada variable que conforma a los
nuevos individuos se seleccionada aleatoriamente y con igualdad de probabilidad
desde los padres.
• Mutación: este operador trata de emular los fenómenos aleatorios que se producen en
el proceso de evolución de las especies, modificando la estructura genética de los
individuos en forma aleatoria, cuyo objetivo es crear diversidad en la población, es
decir, en el caso de la solución de un problema de optimización ayuda a escapar de
óptimos locales. En términos prácticos lo que se realiza es cambiar el valor de uno de
los bit del individuo, es decir, si la posición escogida tiene un valor 1 se cambia por
un valor 0, no todos los elementos de un individuo son alterados, el parámetro
controlador es la probabilidad de mutación, la cual al igual que en la naturaleza es
pequeña, teniendo un valor del orden de 0,001 en la casi totalidad de los problemas
resueltos con esta metodología.
 149

Con la aplicación sucesiva de los procedimientos antes señalados se logra emular el proceso
de evolución de las especies, produciendo sucesivamente nuevas generaciones que toman lo
mejor de la generación anterior, el proceso termina cuando se cumple un número máximo de
iteraciones o cuando el fitness de los individuos ya no mejora.

B.2 Temple Simulado (Simulated Annealing)

Esta meta-heurística se inspira en el proceso físico de templar un metal, esto es reblandecer

un metal a una temperatura elevada para luego enfriarlo lentamente, de manera de lograr una
cristalización óptima. Para comprender la analogía en cuestión, se debe tener en
consideración que en un material cualquiera, todas las partículas que lo componen se
encuentran con diferentes niveles de energía de acuerdo a una cierta distribución estadística,
el menor de dichos niveles de energía se denomina estado fundamental y se presenta cuando
la temperatura es de 0º K (-273º C). Así, la modelación teórica del proceso, establece que si

un metal se encuentra en un estado Si con un nivel de energía Ei, al producirse una pequeña

perturbación al estado original, y generarse un nivel de energía Ej, el nuevo estado será Sj si

la diferencia entre Ej-Ei es menor o igual a cero (disminución de la energía producto de la

perturbación), en caso que esto no suceda, el sólido pasará al estado
  k ⋅T
Sj con probabilidad e− E
j
− E
i , donde k es la constante de Boltzman y T es la
temperatura del sólido, es decir, durante el proceso de enfriamiento el sólido podrá pasar a
estados superiores de energía con mayor probabilidad en la medida que la temperatura es
alta, a medida que la temperatura decrece, esta probabilidad es menor, llegando un momento
en que los saltos sólo se producen hacia escenarios de menor energía. Por tanto, la
probabilidad de que el sólido se encuentre en el estado Si con una energía Ei es:

P( XSi  ⋅e
− Ei (B.1)
1
) −E

k ⋅T
j

∑e k ⋅T

Teniendo en consideración lo anterior, se puede entender la analogía entre el proceso de

recocido o temple y la resolución de un problema de optimización combinatorial, señalando
las siguientes asociaciones, el estado Si representa una solución factible del problema, Ei es
 150

el valor de la función objetivo evaluada en la solución, y la temperatura representa la variable

de control, ella maneja la probabilidad de aceptación de una solución que empeora
localmente la solución encontrada hasta la fecha. Así, el algoritmo simplificado de esta meta-
heurística es:

1. Se comienza el algoritmo con una solución factible S=S1. Se inicializan los parámetros
de control, esto es la temperatura inicial T = To y No, que representa el número de
configuraciones que se probarán a temperatura To.
2. Para cada configuración de 1 a No
a. Se realiza un cambio a la solución actual, y se evalúa la función objetivo,
obteniéndose Ej.
b. Si la solución mejora, entonces la solución actual es la solución asociada a Ej,
es decir S=Sj.
c. Si la solución empeora, entonces la solución actual es la solución asociada a
 E  k ⋅T
Ej, es decir S=Sj. Si y solo si se cumple que e− j
− E
i > RANDOM
(0,1), de lo contrario la solución actual se mantiene S=S.
d. Se vuelve a 2 hasta que se realizan los No cambios.
3. Se determina si se cumple el criterio de parada. Sí se cumple, se finaliza el algoritmo,
sino se sigue con el paso 4. El criterio de parada suele ser un número determinado de
iteraciones, o un cierto número de iteraciones en que el valor de la función objetivo no
mejora.
4. Se determina To y No para la siguiente iteración y se vuelve al paso 2

Se observa que la dificultad principal, está en emular correctamente el proceso de

enfriamiento del metal, es decir en escoger una temperatura inicial y variarla en la medida
que avanza el proceso de optimización, ya que es dicha temperatura la que controla la
probabilidad de permitir empeoramientos en la solución, es decir la posibilidad de escapar de
mínimos locales, esta temperatura va disminuyendo, de manera de expandir en un comienzo
el espacio de búsqueda, mayor probabilidad de aceptar cambios a mayor temperatura, y de
refinar la solución al final del proceso, a menor temperatura existe menor
 151

probabilidad de permitir cambios que empeoran la solución. Los parámetros principales del
proceso de enfriamiento y que se deben determinar para poder realizar el algoritmo son, la

temperatura inicial To, la temperatura final Tf, el número de transiciones Nk a la temperatura

Tk, y la tasa de variación de la temperatura Tk+1=G(Tk) Tk. Si bien existen, en la literatura,

metodologías aproximadas para cada uno de estos parámetros, se debe señalar, que su
correcta selección dependerá del problema en cuestión, por lo que una adecuada
sintonización de tales parámetros es un problema complicado, que la mayoría de las veces se
resuelve a prueba y error, siendo ésta, la principal desventaja del Temple Simulado, dada su
alta sensibilidad a la elección de parámetros.

B.3 Colonias de Hormigas

Este enfoque de solución de problemas de optimización pertenece a la corriente denominada

de inteligencia colectiva. La idea básica es que un sistema compuesto de una multitud de
agentes que siguen reglas simples, al actuar en forma cooperativa, pueden lograr objetivos
complejos, situación que se visualiza cabalmente en las colonias de hormigas, en particular
en su proceso de recolección de comida, donde ellas parten de manera desordenada
(aleatoria) en busca de alimento, y con el paso del tiempo forman rutas óptimas para llegar a
ellos. Para entender tal comportamiento, se debe tener presente que las hormigas dejan un
rastro químico, liberación de feromonas, que puede ser detectado por el resto de las
hormigas, así la elección de un determinado camino se hace en función de la cantidad de
feromona que puede percibir en la ruta, es decir se escogerá con mayor probabilidad aquel
camino que contenga una mayor concentración de feromonas, de no existir feromona en la
rutas, la primera elección se realiza de manera aleatoria, con lo cual los caminos más
prometedores (menores distancias) entre el hormiguero y la fuente de alimento tendrán
mayor concentración de feromonas, ello dado a que los caminos más cortos son recorridos
más rápidamente y por tanto el retorno de dicha hormiga comienza antes, de esta forma el
camino más corto tendrá un nivel de feromona ligeramente mayor al resto de las rutas, con lo
que tal camino es elegido con mayor probabilidad por las demás hormigas de la colonia, este
proceso también es ayudado por el ambiente, dado que la feromona se evapora con el paso
del tiempo, con ello la feromona de los caminos menos
 152

prometedores disminuye progresivamente, porque son visitados cada vez por menos
hormigas. De esta forma, a la larga se consigue que toda la colonia se desplace por la ruta de
menor distancia para la recolección del alimento.

Figura B.1: Comportamiento de las hormigas

Su aplicación en optimización se realiza en problemas de grafos, en ellos cada hormiga

artificial tiene la misión de construir una solución del problema, cada adición a la solución
parcial construida, se realiza a través de una regla de decisión estocástica, que incluye
información heurística e información del resto de las hormigas. Luego de la construcción o
durante el proceso, las hormigas evalúan la solución y depositan feromona en las conexiones
utilizadas, que servirá de información para el resto de las hormigas artificiales. Además se
realiza la evaporación, es decir la eliminación de feromona en cada iteración del problema,
de manera de favorecer la exploración en nuevas zonas de búsqueda. Se debe señalar
también, que en el caso de las colonias artificiales de hormigas se aplican decisiones
globales, que permiten extraer información de la colonia completa, y tomar medidas que
favorezcan la resolución del problema, así se puede incluir la adición de feromona adicional
en el mejor camino encontrado en cada iteración. El pseudo-código de esta meta-heurística es
el siguiente:
1. Establecer la feromona inicial();
 153

2. Mientras (el criterio de término no esté satisfecho)

a. Crear las hormigas de una colonia();
b. Para (cada Hormiga de la colonia); {Mover
hormiga ( )} hasta completar ruta;
Mover hormiga ( )
Para (todo el vecindario factible)
Calcular probabilidades de movimiento;

τ ij α ⋅ ηij β ,k si j ∈ N
P (t) 
ij
∑τ il α ⋅ ηil β i

k
l∈Ni
Fin para

c. Actualizar feromona
d. Destruir hormigas
Fin mientras
3. Si se cumple criterio, entonces terminar. Típicamente el criterio de parada esta dado
por el número de colonias a evaluar, esto es por el número de veces que se repite el
paso 2.

Donde Pij es la probabilidad de pasar del nodo i al nodo j, τij es la feromona existente entre el
nodo i y el nodo j, ηij es la información heurística entre el nodo i y el j, esta información
típicamente es el inverso de la distancia (no necesariamente distancia euclidiana, sino que
k
una cierta métrica en el espacio de las propiedades) entre el nodo i y el nodo j, Ni es el
conjunto de nodos alcanzables desde el nodo i y que aún no han sido visitados por la hormiga
k. En tanto α y β constituyen parámetros que establecen un equilibrio entre la importancia de
la información heurística y de la información de la memoria dada por la cantidad de
feromona. Se debe señalar que la selección del movimiento y la actualización de la feromona,
dependerá de la estrategia escogida, así por ejemplo se puede incluir feromona sólo en el
mejor camino realizado por una hormiga de una colonia, o se puede actualizar entre cada
hormiga de una misma colonia, decisiones que dependerán del planificador. Al igual que en
la mayoría de los procedimientos heurísticos, se requiere de la
 154

toma de decisión sobre un cierto número de parámetros, de los que finalmente dependerá la
44
calidad de la solución encontrada.

B.4 Búsqueda Tabú

Dada la importancia de esta meta-heurística en el desarrollo de la presente tesis, las

características y aspectos fundamentales de su algoritmo, así como su ejecución y principales
supuestos se encuentran descritos en el cuerpo de este trabajo (ver 5.2.3 Resolución mediante
búsqueda tabú).

44 Para más información consultar Dorigo et al (1996)

 155

ANEXO C: ANALISIS DE CLUSTER

El análisis de cluster, también denominado análisis de conglomerados, es una técnica

estadística multivariante, cuyo objetivo es dividir un conjunto de elementos en grupos, de
manera que las características de los elementos pertenecientes a un mismo grupo sean muy
similares entre sí, situación denominada cohesión interna, y las características de elementos
pertenecientes a distintos grupos sean disímiles, situación conocida como aislamiento externo
del grupo. Para conocer tal similitud, se hace necesaria la existencia de medidas que indiquen
el grado de parecido o diferencia que existen entre dos elementos que se quieren agrupar,
estas medidas se pueden clasificar en medidas de proximidad y en medidas de distancia, las
primeras miden el grado de parecido entre dos objetos, de tal forma que entre mayor sea su
valor, mayor probabilidad existe que el método de cluster empleado los clasifique en el
mismo grupo, ejemplo de estas son los coeficientes de congruencia, de correlación, de
Jacard, de acuerdo simple, entre otros, en tanto que los segundos, miden el grado de
diferencia entre dos elementos de la muestra, por tanto entre mayor sea la medida, menor es
la probabilidad que la metodología los clasifique juntos, ejemplos de ésta son la distancia
euclidiana, la distancia métrica de Chebychev, la distancia manhatan, por mencionar algunas
(Gordon, 1981). Es importante señalar además, que las técnicas de cluster han sido abordadas
en dos grandes grupos:

C.1 Métodos Jerárquicos

Representan métodos sucesivos, en que durante una etapa, sólo uno de los elementos del
espacio a clasificar cambia de grupo. El algoritmo simplificado, suponiendo n objetos a
clasificar, es el siguiente:

1. Primero se calculan las distancias entre todos los pares de objeto, lo que equivale a
decir que se comienza el algoritmo con la existencia de n cluster {C1, ...,CN}.

2. Se buscan los dos cluster más cercano (de acuerdo a la medida de distancia
empleada), se unen y pasan a formar un único cluster.
3. Se repite el paso dos hasta que no quedan pares de comparación
 156

Existen varios tipos de enlaces para realizar las uniones entre dos cluster, las más usadas son:

• Enlace simple: considera la distancia entre los elementos más cercanos de ambos
cluster.
• Enlace promedio: considera la distancia promedio entre los elementos de ambos
cluster a combinar.
• Enlace completo: considera la distancia entre los elementos más alejados de ambos
cluster.

Este método, si bien realiza la clasificación completa, no indica el número de cluster

localizados, sino que dada la partición realizada, es el tomador de decisión, quién selecciona
el número de cluster adecuado a su interés. No obstante, cabe mencionar un criterio bastante
utilizado en esta toma de decisión, criterio de Mojena, basado en la distancia a la que se
forma cada grupo, denominada distancia de aglomeración, identificando aquellas iteraciones,
en que tales distancias presentan grandes variaciones, matemáticamente se tiene:


dj X  k ⋅σ X (C.1)
≤ dj : representa la distancia de aglomeración j.
• X: representa la media de las distancias de aglomeración.
≤ σX : representa la desviación estándar de las distancias de aglomeración.
• k: multiplicador, típicamente entre 2,5 y 3,5.

C.2 Métodos de Partición

Estos métodos clasifican al conjunto de datos en un número prefijado de grupos, de manera

que parten en una solución factible e iteran de acuerdo al algún criterio de búsqueda local. En
la presente investigación se utiliza, en particular, un tipo de técnica denominada k-meas,
cuyo algoritmo simplificado, considerando n elementos a clasificar es:
 157

1. Elección de k datos de los n a agrupar, estos constituyen los k centroides iniciales. Es

decir, un dato de entrada al algoritmo es el número de grupos a ubicar k.
2. Se calculan las distancias de los datos a cada uno de los centroides. Cada uno de los
datos es asignado al centroide más cercano, formándose k grupos
3. Para cada uno de los grupos se calcula el nuevo centroide como el valor medio de
todos los datos asignados a él.
4. Se repite el proceso 2 y 3 hasta que se satisface algún criterio de convergencia.

Se debe tener presente, que la distancia no representa necesariamente distancia espacial,

entendida como coordenadas (x,y) en el plano cartesiano de la geometría analítica, sino que
representa la distancia de los datos en el espacio de las propiedades y características de los
mismos. Es en este entendido, que la distancia más empleada a la hora de realizar k-means es
la distancia euclidiana, dada por:

d (x ,  X ) = x −  X 2
= (x −  X )T ⋅ (x −  X )T
(C.2)
• d: distancia euclidiana.
• x: vector de posiciones de los datos
• X : valor medio de los datos (centroide).

El criterio de parada, esta dado por el mínimo entre un número máximo de iteraciones y la
variación de la distorsión entre dos iteraciones sucesivas. El número máximo de iteraciones
es un dato de entrada al algoritmo y dependerá de la convergencia presentada en el problema
a resolver. En tanto, que la distorsión es la suma de todas las distancias a su respectivo
centroide.
k

D=∑ ∑ x − i 2 (C.3)
i 1 x∈Ci

Donde k es el número de cluster, Ci es el cluster i-ésimo, y el criterio de parada será

D (n + 1) ≤ D (n) (C.4)
 158

Este algoritmo presenta una mayor convergencia que el método jerárquico, y es utilizado en
problemas en que el número de datos a clasificar es elevado, siendo ocupado en temas tan
variados como la biología, la sociología, la física, entre otros (Gordon, 1981), teniendo como
gran desventaja la elección a priori del número de agrupaciones a realizar.
 159

ANEXO D: COSTO DE CONDUCTORES Y TRANSFORMADORES

Los costos usados tanto de transformadores como de conductores corresponden a valores a

diciembre del 2003, de manera que los resultados obtenidos puedan ser cotejados con la
última fijación tarifaria de distribución (VAD 2004-2008), no obstante constituyen entradas
al modelo y por tanto pueden ser modificados sin inconvenientes, teniendo sólo un carácter
referencial.

Tabla D.1: Listado de transformadores, capacidades y precios

Costo de
Costo Total
Capacidad KVA Precio ($) Instalación
($)
($)
5 420.264 57.987 478.251
10 631.350 76.141 707.491
15 751.673 86.488 838.161
30 941.840 102.843 1.044.683
45 1.145.144 120.327 1.265.471
75 1.396.163 141.914 1.538.077
100 1.564.892 178.793 1.743.685
150 1.912.722 208.706 2.121.428
300 2.921.638 295.473 3.217.111
500 3.999.705 388.187 4.387.892
750 11.697.880 1.097.123 12.795.003
1000 13.583.330 1.272.286 14.855.616

Tabla D.2: Listado de conductores de cobre desnudo

Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
16 259.827 1,12 121
25 416.532 0,732 168
35 527.742 0,523 205
70 1.118.166 0,261 325
12 1.892.592 0,152 462
 160

Tabla D.3: Listado de conductores de aluminio desnudo

Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
70 492.003 0,479 260
120 658.161 0,279 370
240 1.496.998 0,14 538
300 1.874.000 0,112 625

Tabla D.4: Listado de conductores de aluminio preensamblado

Resistencia
Sección (mm2) Precio ($/km) Capacidad (A)
(ohm/km)
25 262.001 1,166 260
35 331.750 0,829 370
50 404.400 0,583 538
70 695.201 0,415 625
 161

ANEXO E: APLICACION PROCESO DE MICRO-OPTIMIZACION

En este anexo se presenta un ejemplo detallado del proceso de micro-optimización aplicado a

una mini-zona, en este caso el número de islas de la mini-zona es uno, por lo que la topología
de la isla es equivalente a la topología de la mini-zona.

1. Datos de entrada: posición y consumo de los clientes.

9400

9350

9300

9250

[m] 9200
9150

9100

9050

9000

8950

8900
3.955 3.96 3.965 3.97 3.975 3.98 3.985 3.99 3.995
[m] 4
x 10

Figura E.1: Ubicación de consumos en una mini-zona.

2. Etapa Previa:
2.1 Trazado de Calles
2.2 Asignación de cada cliente a su calle más cercana
 162

9500

9400

9300

9200
[m]
9100

9000

8900

8800
3.94 3.95 3.96 3.97 3.98 3.99 4 4.01
[m] 4
x 10

Figura E.2: Trazado de calles y asignación de consumos

3. Proceso iterativo
3.1 Se comienza con un transformador en el centro de carga, se calcula el
transformador óptimo, el trazado y la red óptima, incluyendo las pérdidas, para
dicha ubicación, obteniéndose un costo total de $ 29.135.137
 163

9400

9300

9200
[m]
9100

9000

8900

3.94 3.95 3.96 3.97 3.98 3.99 4 4.01

4
[m] x 10

Figura E.3: Ubicación y red inicial

3.2 Se realiza el mismo procedimiento pero está vez ubicando dos transformadores
mediante k-means. De donde se obtiene un costo total de $ 22.571.818

3.3 Se repite 3.2 agregando en cada iteración un nuevo transformador hasta que el
costo total de la iteración actual sea mayor que el de la iteración anterior. Para
el caso de tres ubicaciones se tiene un costo total de $ 20.504.002, en tanto para
el caso de cuatro ubicaciones su costo total es de $ 21.049.672. Notando
entonces que en el caso de tres localizaciones se produce un mínimo (el costo
tanto en la iteración anterior como en la posterior es mayor).
 164

9400

9300

9200

9100

[m]
9000

8900

3.94 3.95 3.96 3.97 3.98 3.99 4 4.01

[m] 4
x 10

Figura E.4: Ubicación y red del primer mínimo encontrado

3.4 Si se encuentra un mínimo, se realizan B búsquedas adicionales, es decir se

repite 3.3 durante B iteraciones más, en este ejemplo se utiliza un valor de B
igual a tres, por lo tanto se realizan tres iteraciones posteriores a la iteración
cuatro, con lo que finalmente se prueban siete localizaciones para los
transformadores. El costo total en las etapas de búsqueda es $ 21.850.121, $
22.054.774 y $ 24.393.131 para las iteraciones cinco, seis y siete,
respectivamente. Notándose el comportamiento creciente de la función objetivo
luego de haber encontrado el mínimo (Figura E.6).
 165

9400

9300

9200
[m]
9100

9000

8900

3.94 3.95 3.96 3.97 3.98 3.99 4 4.01

[m] 4
x 10

Figura E.5: Ubicación y red en la última iteración

4. Elección del óptimo: Se escoge la red que tenga menor costo total, se debe señalar
que en términos generales el primer mínimo que se encuentra es el mínimo global de
la función costo total, tal y como se muestra en este ejemplo (ver Tabla E.1 y Figura
E.6)

Tabla E.1: Evolución de la función de costo total

Costo
Número de Costo Redes Costo Postes Costo Pérdidas
Transformadores Transformadores ($) ($) ($) Costo Total ($)
($)
1 4.387.892 6.682.436 6.169.980 11.894.829 29.135.137
2 6.434.222 6.186.815 5.901.720 4.049.061 22.571.818
3 6.364.284 5.493.175 6.438.240 2.208.303 20.504.002
4 8.485.712 4.788.479 6.348.820 1.426.661 21.049.672
5 10.229.397 4.468.437 5.633.460 1.518.827 21.850.121
6 11.217.596 3.858.079 5.722.880 1.246.199 22.044.754
7 12.377.930 4.343.621 6.259.400 1.412.181 24.393.131
 166

7
x 10 Evolucion Costo
3

[$]
2.5

2 Costo Trafos
Costo Red
Costo perdidas
1.5 Costo poste
Costo total

0.5

0
1 2 3 4 5 6 7
Número de Transformadores

Figura E.6: Evolución de la función objetivo

5. Equilibrio de Red: Una vez que se conoce la solución óptima se procede a

recalcularla considerando el equilibrio de la red.

9400

9300

9200
[m]
9100

9000

8900

3.94 3.95 3.96 3.97 3.98 3.99 4 4.01

4
[m] x 10

Figura E.7: Equilibrio de la red óptima

 167

Es decir, se reubican los transformadores al interior de su propia red, de tal forma

que los flujos que salen de él, lo hagan de la manera más simétrica posible. En la
figura anterior, la nueva ubicación para los transformadores esta dada por los
triángulos de mayor tamaño, con ello se procede a recalcular los conductores
óptimos y las pérdidas asociadas a la nueva ubicación, logrando un costo total final
de $ 19.403.014, manteniéndose constante el costo de transformadores y el costo de
postes, pero mostrando un ahorro en el costo de red y en el costo de las pérdidas,
dado que sus nuevos costos son de $ 4.789.200 y $ 1.811.290, respectivamente.

6. Datos de Salida, finalmente para cada mini-zona optimizada se obtiene:

o Ubicación, capacidad y costo de los transformadores usados.
o Trazado óptimo y conductores óptimos en la red asociada a cada
transformador.
o Evaluación de pérdidas de cada red.
o Asignación de clientes a cada transformador.
 168

ANEXO F: COSTO MINIMO EN LA OPTIMZACION DE UNA MINI-ZONA

En este anexo se muestra, a modo de ejemplo, el comportamiento típico de la evolución del

costo total en una mini-zona cuando se adiciona un nuevo transformador en el proceso
iterativo de la micro-optimización. Se observa en todos los casos de ejemplo, que luego de la
obtención del mínimo, la adición de un nuevo transformador incrementa el costo total. Por
tanto, se puede asumir que dado el problema y formulación propuesta, encontrar un mínimo
indica altas probabilidades de ser el mínimo global para el procedimiento iterativo
desarrollado. En consideración que se trata de un procedimiento heurístico que de todas
formas no garantizará el óptimo global del problema de planificación, se opta por tomar el
primer mínimo como resultado del proceso de micro-optimización y así evitar tiempos
innecesarios que se producen al ampliar el espacio de búsqueda.
 169

x 10
7
Evolucion Costo x 10
7
Evolucion Costo
3 8
Costo Trafos
[$] [$] Costo Red
7
2.5 Costo perdidas
Costo poste
6
Costo total
2 Costo Trafos
5
Costo Red
Costo perdidas
1.5 Costo poste 4
Costo total
3
1

0.5
1

0 0
1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10
Número de Transformadores Número de Transformadores
x 10
7
Evolucion Costo x 10
6
Evolucion Costo
2 16
[$] [$]
1.8
14
1.6
12
1.4

1.2 10
Costo Trafos Costo Trafos
1 Costo Red Costo Red
Costo perdidas 8
Costo perdidas
0.8 Costo poste Costo poste
Costo total 6
0.6 Costo total

0.4 4

0.2 2

0
1 2 3 4 5 6 7
Número de Transformadores 0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
x 10
6
Evolucion Costo
16 Número de Transformadores
x 10
7
Evolucion Costo
[$] 3
14
Costo Trafos [$]
12 Costo Red
2.5
Costo perdidas
Costo poste
10
Costo total Costo Trafos
2
Costo Red
8 Costo perdidas
1.5 Costo poste
6 Costo total

4 1

2
0.5

0
1 2 3 4 5 6 7
Número de Transformadores 0
1 2 3 4 5 6 7
Número de Transformadores

Figura F.1: Ejemplos de la evolución del costo total

 170

ANEXO G: RESULTADOS DE LA MICRO-OPTIMIZACION

En este anexo se presenta un resumen de las simulaciones llevadas a cabo en el proceso de
micro-optimización.

Tabla G.1: Simulaciones equilibrio de red

Lanzamiento Caso 1 Caso 2 Caso 3

1 1.915.868.486 1.819.211.042 1.814.417.744
2 1.913.864.348 1.828.334.867 1.814.401.933
3 1.906.295.104 1.832.120.157 1.809.303.832
4 1.898.273.931 1.833.232.594 1.823.131.953
5 1.880.259.698 1.843.371.158 1.833.629.354
6 1.915.533.246 1.820.042.332 1.825.299.580
7 1.915.392.226 1.831.159.158 1.810.900.718
8 1.906.087.288 1.835.060.121 1.835.284.128
9 1.912.671.177 1.838.797.878 1.823.501.787
10 1.897.075.493 1.840.474.314 1.818.447.722
11 1.909.780.204 1.820.073.227 1.814.360.503
12 1.894.187.485 1.839.395.779 1.823.147.005
13 1.902.515.472 1.837.076.387 1.817.932.071
14 1.901.192.837 1.839.113.483 1.824.850.808
15 1.905.007.141 1.827.007.437 1.819.594.060
16 1.899.845.910 1.833.870.373 1.810.123.631
17 1.918.636.374 1.831.409.165 1.834.507.060
18 1.923.085.978 1.837.760.035 1.820.942.119
19 1.908.678.780 1.838.682.217 1.818.704.757
20 1.899.646.844 1.836.962.215 1.826.043.357

Tabla G.2: Evolución de la solución para distintos tamaños de mini-zonas

Tamaño Costo Total ($) Tiempo (min)

50 5.142.173.463 16,05
80 3.460.282.100 8,83
100 2.938.271.479 6,73
200 1.994.601.112 3,47
300 1.831.187.098 2,91
400 1.844.106.829 3,10
500 1.820.611.695 3,51
600 1.812.085.048 3,71
700 1.844.859.332 4,40
800 1.849.453.227 5,24
900 1.886.337.132 6,60
1000 1.879.219.829 7,44
1100 1.984.453.927 8,92
1200 2.038.969.994 10,65
1300 2.008.777.457 15,37
 CONCLUSION
El proyecto que nos decidimos llevar a cabo, nuevo para nosotros pero tan amplio e importante
en el campo de la planificación de redes de distribución de energía eléctrica

En este trabajo nos hemos encontrado lo importante que es la planificación de redes de

distribución de energía eléctrica.
Se hizo énfasis en los factores geográficos y económicos que son analizados para la instalación de
una red de distribución y las complejas ecuaciones que se presentan en este proyecto

Por último, hemos aprendido mucho sobre la importancia y lo que significan para el desarrollo de
una comunidad, la planificación de una red de distribución en servicio optimo
otra cosa que salio a relucir en este proyecto fue el tema de flujo de potencia, un tema tanto
importante como complejo debido al uso de ecuaciones complejas

Gracias al Ingeniero Felix Cabral por Darnos a conocer este tema tan interesante

171