Tesis (2014) - Planeamiento de Sistemas de Distribución de Energía Eléctrica Con Generacion Distribuida Utilizando Búsqueda Tabú

PLANEAMIENTO DE SISTEMAS DE DISTRIBUCIÓN DE
ENERGÍA ELÉCTRICA CON GENERACIÓN DISTRIBUIDA

UTILIZANDO BÚSQUEDA TABÚ
ANDRÉS CAMILO SANTACRUZ CABRERA
CHRISTIAN CAÑAVERAL OSORIO
Programa de Ingeniería Eléctrica
Facultad de Ingenierías
Universidad Tecnológica de Pereira
Pereira, 2014
PLANEAMIENTO DE SISTEMAS DE DISTRIBUCIÓN DE
ENERGÍA ELÉCTRICA CON GENERACIÓN DISTRIBUIDA
UTILIZANDO BÚSQUEDA TABÚ
ANDRÉS CAMILO SANTACRUZ CABRERA
CHRISTIAN CAÑAVERAL OSORIO
Proyecto de grado para optar al título de Ingeniero Electricista
Director: Harold Salazar Isaza, PhD.
Co-director: Carlos Arturo Saldarriaga Cortes, MSc.
Programa de Ingeniería Eléctrica
Facultad de Ingenierías
Universidad Tecnológica de Pereira
Pereira, Junio de 2014

Nota de aceptación
_________________________________
_________________________________
_________________________________
_________________________________
_________________________________
Firma del presidente del jurado
_________________________________
Firma del jurado

DEDICATORIA
“A mi familia y en especial a mi madre, por su esfuerzo y por el
constante apoyo brindado a lo largo de mi formación personal
y profesional. A mi compañero Christian por el trabajo
realizado en el presente proyecto”. Andrés.
“A mis padres y hermanos por su paciencia y apoyo. A Andrés Santacruz
mi compañero, por tanto tiempo de trabajo y dedicación en este proyecto.
A Laura, Alex y a todos mis compañeros de estudio, por compartir
Tantas experiencias”. Christian.

Agradecimientos.
A los profesores Harold Salazar y Carlos Saldarriaga, por compartirnos sus

conocimientos, por su acompañamiento, por su constante apoyo, sus
orientaciones, su colaboración y por ser los guías en la realización del presente
trabajo.
A todos los profesores del programa de Ingeniería Eléctrica de la Universidad

Tecnológica de Pereira, por los conocimientos adquiridos, por permitirnos crecer
tanto académica como personalmente y por contribuir en nuestra formación
profesional.
A nuestros compañeros del grupo de investigación Geovanny y Juan Guillermo,

así como al profesor Ricardo Hincapié por su colaboración en las diferentes
etapas de este proyecto.
Tabla de Contenido.
1. Introducción.………………………………………………………………….. 1
2. Descripción del problema…………………………………………………… 3
2.1. Función objetivo………………………………................................... 4
2.2. Restricciones…………………………………………………………... 6
2.3. Modelo matemático……………………………………………………. 8
3. Búsqueda tabú (Tabú Search-TS)…………………………………………. 10
3.1. Introducción a las técnicas heurísticas y metaheurísticas………… 10
3.1.1. Generalidades de problemas de optimización matemática.. 10
3.1.2. Algoritmos heurísticos…………………………………………. 11
3.1.3. Técnicas metaheurísticas…………………………………….. 12
3.2. Generalidades de Tabu Search……………………………………… 13
3.2.1. Introducción a TS………………………………………………. 13
3.2.2. Configuración inicial…………………………………………… 14
3.2.3. Codificación y vecindad………………………………………. 14
3.2.4. Listas tabú y criterios de aspiración…………………………. 15
3.3. Memorias y estrategias de Tabu Search……………………………. 17
3.3.1. Memorias de corto y largo plazo……………………………... 17
 Memoria de corto plazo……………………………………. 17
 Memoria de largo plazo……………………………………. 17
 Memoria basada en frecuencia…………………………… 18
 Estrategia de intensificación………………………………. 18
 Estrategia de diversificación………………………………. 19
3.3.2. Oscilación estratégica…………………………………………. 19
3.3.3. Encadenamiento de trayectorias…………………………….. 19
4. TS aplicado al planeamiento de la distribución con GD…………………. 22
4.1. Generalidades………………………………………………………….. 22
4.2. Algoritmo esclavo……………………………………………………… 24
4.3. Algoritmo maestro……………………………………………………... 25
4.3.1. Lista de configuraciones élite para generación
(SEs y GDs)……………………………………………………. 26
4.3.2. Algoritmo heurístico constructivo para obtener la
configuración inicial de alimentadores………………………. 28
4.3.3. Maestro…………………………………………………………. 29
4.3.4. Post-optimización……………………………………………… 32
5. Resultados numéricos………………………………………………………. 33
5.1. Sistema de prueba I – 12 nodos……………………………………... 33
5.1.1. Descripción del sistema……………………………………….. 33
5.1.2. Resultados……………………………………………………… 35
5.1.3. Análisis de resultados…………………………………………. 38
5.2. Sistema de prueba II – 54 nodos…………………………………….. 39
5.2.1. Descripción del sistema……………………………………….. 39
5.2.2. Resultados……………………………………………………… 41
 Etapa 1………………………………………………………. 41
 Etapa 2………………………………………………………. 43
5.2.3. Análisis de resultados…………………………………………. 45
 Análisis………………………………………………………. 45
 Comparación con otros algoritmos……………………….. 46
6. Conclusiones…………………………………………………………………. 49
7. Bibliografía……………………………………………………………………. 51
8. Anexos………………………………………………………………………… 53
8.1. Anexo 1: Datos sistema de prueba I………………………………… 53
8.2. Anexo 2: Datos sistema de prueba II………………………………... 56
Índice de Figuras.
Figura 1. Mecanismo de transición de TS……………………………….............. 16
Figura 2. Diagrama de bloques Tabu Search……………………………………. 21
Figura 3. Diagrama de bloques del algoritmo……………………………………. 23
Figura 4. Codificación para alimentadores……………………………………….. 30
Figura 5. Sistema de prueba 12 nodos…………………………………………… 34
Figura 6. Discretización curva de duración de carga……………………………. 35
Figura 7. Propuesta de planeamiento sistema de prueba 12 nodos………….. 37
Figura 8. Sistema de prueba 54 nodos…………………………………………… 40
Figura 9. Propuesta de planeamiento sistema 54 nodos, etapa I…….............. 42
Figura 10. Propuesta de planeamiento sistema 54 nodos, etapa II……..…….. 44

Índice de Tablas.
Tabla 1. Niveles de carga………………………………………………….............. 34
Tabla 2. Parámetros algoritmo de TS sistema de prueba 12 nodos…………... 35
Tabla 3. Relación de costos propuesta de planeamiento sistema 12 nodos…. 37
Tabla 4. Parámetros algoritmo de TS sistema de prueba 54 nodos, etapa 1… 41
Tabla 5. Costos propuesta de planeamiento sistema 54 nodos, etapa 1……... 42
Tabla 6. Parámetros algoritmo de TS sistema de prueba 45 nodos, etapa 2… 43
Tabla 7. Costos propuesta de planeamiento sistema 54 nodos, etapa 2……... 44
Tabla 8. Relación de costos sistema de prueba 2 (Millones de dólares)……… 47

Índice de Ecuaciones.
Ecuación 1. Función objetivo del problema…….……………………….............. 4
Ecuación 2. Costo de alimentadores……………………………………………... 5
Ecuación 3. Costo de subestaciones…………………………………………..…. 5
Ecuación 4. Costo de generadores distribuidos……………………………….… 5
Ecuación 5. Costos operativos……………………………………………..……... 6
Ecuación 6. Restricción balance de potencia nodal…………………………..… 7
Ecuación 7. Restricción límite de corriente………………………………..……... 7
Ecuación 8. Restricción capacidad máxima subestaciones…………….……… 7
Ecuación 9. Restricción capacidad máxima generadores…..………….……… 7
Ecuación 10. Restricción límites de tensión en los nodos…..………….……… 7
Ecuación 11. Restricción número de subestaciones por nodo..……….……… 7
Ecuación 12. Restricción número de generadores por nodo…………...……… 7
Ecuación 13. Restricción número de alimentadores por tramo de red……..… 7
Ecuación 14. Restricción de radialidad……………………..…………….……… 7
Ecuación 15. Modelo matemático de optimización………..…………….……… 9
Ecuación 16. Modelo general de un problema de optimización………..……… 11
Ecuación 17. Función objetivo modelo matemático flujo de potencia óptimo... 24
Ecuación 18. Restricciones modelo matemático flujo de potencia óptimo…… 25

1. Introducción.
El planeamiento de la expansión de los sistemas de distribución es de vital

importancia para el análisis de sistemas eléctricos, pues permite encontrar la
topología más adecuada y económica que se adapte a criterios técnicos y
operativos, a través de la utilización de diversos modelos y técnicas matemáticas
exactas y no exactas. Cada vez el análisis de dichos sistemas se vuelve más
complejo, pues se deben incorporar una mayor cantidad de variables con el fin de
acercarse más a lo que sucede en los sistemas reales: aspectos como la
coordinación de protecciones, la necesidad de utilización de energías limpias para
la generación de energía, los impactos en los niveles de confiabilidad y regulación
de tensión en la red, la contribución en los niveles de pérdidas de potencia, entre
otras situaciones pueden ser consideradas en el análisis, según sea la finalidad
del modelo de planeamiento.
Un aspecto importante a considerar es la utilización de generación distribuida (GD)

con fines tan diversos como abastecer parte de la demanda de la red, aumentar
confiabilidad, mejorar perfiles de tensión, minimizar los niveles de pérdidas, entre
otras. “En particular el término GD se entiende como la utilización de generadores
instalados en el territorio próximo a las cargas y conectados a las redes de
distribución. Dichas unidades pueden ser convencionales o no convencionales”
[1]. Las unidades de GD convencionales pueden utilizar como materia prima
combustibles fósiles, mientras que las unidades no convencionales reúnen las
denominadas energías renovables tales como la eólica, la solar térmica, la solar
fotovoltaica, la biomasa, mareomotriz, undimotriz, entre otras. La GD a partir de
energías alternativas presenta además la ventaja de disminuir los índices de
contaminación ambiental y mejorar la calidad de vida de las personas [2].
Debido a las ventajas que trae consigo la GD mencionadas anteriormente, se hace

necesario que dentro del modelo de planeamiento de los sistemas de distribución
se incluyan éstas unidades y que el planeamiento de las mismas se realice a la
par con el resto de elementos del sistema, con el fin de minimizar los costos de
inversión y operativos a lo largo del periodo o periodos de planeamiento. El
planeamiento puede ser orientado a minimizar los costos totales del plan de
expansión para el sistema, los cuales incluirían costos de inversión en nuevos
alimentadores, subestaciones (SEs) y unidades de GD, costos de repotenciación
1
de elementos existentes en la red tales como alimentadores, SEs o GDs y costos
asociados a las pérdidas de energía del sistema. “El horizonte de planeamiento
hace referencia el tiempo considerado para efectuar la expansión del sistema;
dentro de este tiempo se considera el crecimiento de la demanda existente, así
como la aparición de nuevos centros de consumo” [1]. Además, el planeamiento
puede ser considerado en un solo periodo proyectando las demandas hasta el
final del horizonte de planeamiento (mono etapa) o dividiendo el horizonte de
planeamiento y la proyección de la demanda en varios sub-periodos de tiempo
(multietapa). El planeamiento multietapa presenta la ventaja de que se reduce el
error presente en la predicción de la demanda en largos periodos de tiempo.
En este trabajo se presenta una metodología de solución al problema de

planeamiento de sistemas de distribución con penetración de GD, implementada a
través de un algoritmo de búsqueda tabú (TS), el cual proporcionará soluciones
factibles de buena calidad para el problema en cuestión.
En el capítulo 2 se presenta una descripción del modelo matemático que tiene el

problema de optimización no lineal entero mixto que representa el problema de
planeamiento con generación distribuida. Se presenta la función objetivo que se
requiere minimizar, la cual viene dada por una función de costos y se presentan
además las restricciones técnicas y operativas del problema. En el capítulo 3, se
realiza una descripción de los principales elementos de TS, enfatizando en los
elementos de la técnica que se utilizan para implementar el algoritmo que dará
solución al problema. Posteriormente, en el capítulo 4 se realiza una descripción
de cómo se implementó el algoritmo de TS al problema del planeamiento de
sistemas de distribución con GD. Después, en el capítulo 5 se realiza una
descripción de los sistemas de prueba que se utilizaron para probar el rendimiento
del algoritmo, así como de los resultados obtenidos y el análisis de los mismos.
Finalmente, en el capítulo 6 se presentan las conclusiones obtenidas a partir de la

aplicación del algoritmo implementado a los sistemas de prueba. La bibliografía y
los anexos correspondientes a los valores técnicos de los sistemas de prueba se
muestran en los capítulos 7 y 8, respectivamente.
2
2. Descripción del Problema.
El planeamiento de sistemas de distribución consiste en determinar los

cambios necesarios en el sistema para atender la demanda creciente.
“El estudio del crecimiento de la demanda requiere una proyección de las cargas
de acuerdo con características como el tipo de carga y alimentador respectivo, así
como el crecimiento particular de la zona donde se ubica la carga, teniendo en
cuenta también aspectos económicos como crecimiento del producto interno bruto,
aumento de la población y por ende del consumo. Este análisis se realiza usando
herramientas estadísticas y de predicción” [3]. En este trabajo se considera que se
cuenta con la estimación de la demanda a lo largo del periodo de planeamiento. El
problema de planeamiento de sistemas de distribución convencional se enfoca en
minimizar los costos de inversión y de operación de la red eléctrica a lo largo del
periodo de planeamiento. En éste caso, adicional al problema de planeamiento
convencional, se incluye en el modelo la planificación óptima de los sistemas de
generación distribuida, los cuales estarán inmersos en la red de distribución y
ayudaran en parte a suplir la demanda de energía de la misma. La topología
encontrada como solución debe satisfacer una serie de restricciones técnicas y
operativas; éstas se detallan más adelante.
El modelo considera que se parte de una red existente, por lo que además de
costos de inversión en nuevos elementos, se tienen costos de repotenciación de
las unidades existentes. De esta forma, se tendrán costos de inversión y
repotenciación asociados a las unidades de generación distribuida, las
subestaciones y los alimentadores de la red. Por otra parte, se consideran los
costos operativos de la red, esto es, los costos asociados a las pérdidas de
energía inherentes a cualquier red eléctrica. En términos matemáticos, el
planeamiento de sistemas de distribución con penetración de generación
distribuida se considera un problema de programación no lineal entero-mixto. El
modelo matemático a utilizar, se toma de la referencia [4] y se adapta para el caso
específico del problema a solucionar.
3
2.1. Función objetivo.
La función objetivo corresponde a minimizar los costos de inversión,

repotenciación y operativos del planeamiento de la red de distribución con
penetración de generadores distribuidos. Dicha función se muestra en la ecuación
1. La función objetivo tiene cuatro componentes, asociados a alimentadores ( C 1t ),
subestaciones SE’s ( C 2t ), generadores distribuidos GD’s ( C 3t ) y pérdidas en las
líneas ( C 4t ), respectivamente.
OF    (t 1) nT  C1t  C 2t  C 3t  C 4t 
nS
(1)
t 1
En donde:
nS : Número de periodos de planeamiento
 : Factor de descuento
nT : Duración de cada periodo de planeamiento en años
El factor beta (  ) es un factor que permite traer a valor presente los costos
obtenidos para las inversiones en valor futuro, pues cuando el periodo de
planeamiento está dividido por etapas, la inversión para las etapas diferentes a la
primera se hacen una vez haya transcurrido el tiempo de las etapas anteriores.
En las ecuaciones (2), (3) y (4) se muestran los costos asociados a alimentadores,
SEs y GDs respectivamente, los cuales corresponden a los tres primeros términos
de la ecuación (1). En general cada una de las ecuaciones (2), (3) y (4) tiene dos
componentes que poseen una doble sumatoria cada uno. El primer componente
corresponde a la instalación de nuevos elementos (N: nuevo) mientras que el
segundo está asociado con el aumento en la capacidad de elementos existentes
(R: repotenciación).
4
n  líneas n  tipos n  líneas n  tipos
propuestas líneas existentes líneas
C1t   
1 1
(CN  A . N  A )   
1 1
(CR  A . R  A ) (2)
n  SEs n  tipos n  SEs n  tipos

propuestas SEs existentes SEs
C 2t   
1 1
(CN  SE . N  SE )   
1 1
(CR  SE . R  SE ) (3)
n  GDs n  tipos n  GDs n  tipos

propuestos GDs existentes GDs
C 3t   
1 1
(CN GD . N GD )   
1 1
(CR GD . R GD ) (4)
En las tres ecuaciones anteriores los sub índices A, SE y GD corresponden a

“alimentadores”, “subestaciones” y “generadores distribuidos”, respectivamente.
De igual forma, los sub índices N y R corresponden a “elemento nuevo” y
“repotenciar elemento existente”, respectivamente. Además, la letra C hace
referencia al costo de inversión o repotenciación de alguno de los elementos,
mientras que la letra  representa una variable binaria la cual toma el valor de “1”
si el elemento existe en la configuración bajo análisis y un valor de “0” si el
elemento no está presente en dicha configuración.
De igual forma en las ecuaciones (2), (3) y (4), la primera sumatoria de cada uno
de los dos componentes está asociada con la localización del elemento en el
sistema (topología) mientras que la segunda sumatoria está asociada con la
capacidad del mismo. Para ejemplificar, se explica el primer término dando por
hecho que los otros dos tienen una forma muy similar: el primer término de la
ecuación (2) corresponde al costo de instalación de nuevos alimentadores,
mientras que el segundo término corresponde al costo de repotenciar
alimentadores existentes; en ambos términos, la primera sumatoria hace
referencia a la ubicación de dichos alimentadores en el sistema y la segunda
sumatoria corresponde a la capacidad de cada uno de esos alimentadores.
Finalmente, la ecuación (5) muestra los costos variables, correspondientes a las

pérdidas de energía de la red. Las tres sumatorias hacen referencia al número de
5
niveles de carga de la demanda, el total de líneas existentes y el número de
periodos de planeamiento, respectivamente.
n  niveles n  líneas n  periodos de

de c arg a planeamiento  V V 2 
C 4t   nT    3 APt  LDl  nT  Rij  
i
 Zij
j
 ( N  A   R  A ) 
 (5)
1 1 1
 
En donde:
APt : Precio promedio anual de la energía en la etapa t ($/MW-h)
LDl : Número total de horas al año del nivel de carga l
Rij : Resistencia asociada al alimentador i-j
Vi : Tensión del nodo i
V j : Tensión del nodo j
Z ij : Impedancia asociada al alimentador i-j
 N  A ,  R  A : Variables binarias asociadas a la existencia de un

alimentador (nuevo o repotenciado)
2.2. Restricciones.
El problema de planeamiento tiene diferentes restricciones técnicas y operativas.
Para modelos de planeamiento, se suele discretizar la capacidad de los
elementos, de manera que cada capacidad representa un tipo diferente de
elemento. Las restricciones del problema vienen dadas por el balance de potencia
nodal en todos los nodos de la red, la capacidad máxima de corriente de los
alimentadores, la máxima capacidad de las subestaciones y los generadores
distribuidos instalados en la red (mostradas en las ecuaciones (6), (7), (8) y (9)
respectivamente). La ecuación (10) representa la restricción asociada a los límites
de voltaje en los nodos. La ecuación (11) garantiza que sólo un tipo de
subestación pueda localizarse en cada nodo y la ecuación (12), garantiza que solo
6
un tipo de generador sea instalado en cada nodo. Adicionalmente, la ecuación (13)
garantiza que solamente un conductor sea instalado en cada sección de la red.
Finalmente, se debe incluir una restricción que garantice la radialidad de la red de
distribución; dicha restricción es representada por la ecuación (14).
n
SGi  S Di  S Ni   Sij , i (6)
j 1
Vi  V j
 I Conductor
max
.ij , ij (7)
Zij
Ssi  Ssmax
i
, Si (8)
SGi  SGmax
i
, Gi (9)
Vi min  Vi  Vi max , i (10)
  N  SE i 
  R  SEi  1, SEi (11)
  N GD i 
  R GDi  1, GDi (12)
  NAi 
  R  Ai  1,  Ai (13)
# Líneas 1  # Nodos (14)
7
En donde:
SGi : Potencia aparente generada en el nodo i
S Di : Potencia aparente demandada en el nodo i
S Ni : Potencia aparente neta en el nodo i
S ij : Potencia aparente que fluye por el alimentador ij
max
IConductor .ij
: Corriente máxima que soporta el conductor ij
S si : Potencia aparente que inyecta la subestación Si
Ssmax
i
: Potencia aparente máxima que puede inyectar la subestación Si
SGi : Potencia aparente que inyecta el generador Gi
SGmax
i
: Potencia aparente máxima que puede inyectar el generador Gi
Vi min : Tensión mínima permitida en el nodo i
Vi max : Tensión máxima permitida en el nodo i
 N  SE ,  R  SE : Variables binarias asociadas a la existencia de una

i i
subestación (nueva o repotenciada)
 N GD ,  R GD : Variables binarias asociadas a la existencia de un generador

i i
distribuido (nuevo o repotenciado)
2.3. Modelo matemático.

El modelo matemático para el problema de planeamiento de sistemas de
distribución con generación distribuida se muestra a continuación:
8
OF    (t 1) nT  C1t  C 2t  C 3t  C 4t 
nS
min (15)
t 1
s.a.
n
SGi  S Di  S Ni   Sij
j 1
Vi  V j
 I Conductor
max
.ij
Z ij
S si  S smax
i
SGi  SGmax
i
Vi min  Vi  Vi max
  N  SE i 
  R  SEi  1
  N  GD i   R GDi  1 
  NAi 
  R  Ai  1
# Líneas  1  # Nodos
9
3. Búsqueda Tabú (Tabu Search-TS).
Un problema de optimización consiste en minimizar o maximizar una función

objetivo, sujeto a un conjunto de restricciones. Dependiendo de la naturaleza de la
función objetivo, las restricciones y las variables de decisión del problema se
puede tornar más sencilla o más compleja la técnica de solución empleada para el
mismo. Búsqueda tabú (Tabu Search-TS) es una técnica metaheurística que
permite dar solución a problemas de programación no lineal enteros-mixtos, con
tiempos de cómputo razonables y con valores de buena calidad para la función
objetivo. Esta estrategia metaheurística está basada en conceptos de la
inteligencia artificial y la memoria adaptativa, y se basa en la premisa de que se
obtiene más información de un movimiento determinístico realizado a una región
poco promisoria del espacio de soluciones, que de un movimiento aleatorio
realizado a una región de buena calidad. TS implementa diferentes estrategias
tales como el uso de las memorias de largo y corto plazo, estrategias de
intensificación, diversificación, oscilación estratégica y encadenamiento de
trayectorias, entre otras. A continuación se dará una introducción a las técnicas
metaheurísticas para después pasar a analizar de manera más detallada el
proceso de TS.
3.1. Introducción a las técnicas heurísticas y

metaheurísticas.
3.1.1. Generalidades de los problemas de optimización matemática.
“Se puede decir que un problema de optimización matemática consiste en

encontrar un punto que minimice o maximice el valor de una función f(x), conocida
como función objetivo, con la condición de que x esté dentro de un conjunto A,
definido por medio de igualdades y desigualdades matemáticas” [5]. De manera
general y según la nomenclatura descrita anteriormente, se puede representar un
problema de optimización matemática como sigue:
10
{ (16)
Según la forma que tomen la función objetivo y las restricciones de igualdad y/o
desigualdad, el problema de optimización puede ser clasificado como lineal o no
lineal. Además de eso, según la naturaleza de las variables de decisión, el
problema se puede clasificar como continuo, entero o mixto. Así, se pueden tener
problemas lineales-continuos, lineales-enteros, no lineales-continuos, no lineales-
enteros, lineales-enteros mixtos y no lineales-enteros mixtos, siendo éstos últimos
los que presentan mayor complejidad matemática para su solución.
Los problemas combinatoriales mixtos o con variables de decisión mixtas son

aquellos donde algunas variables asumen valores enteros y otras, valores reales.
Dichos problemas presentan el fenómeno de explosión combinatorial, que significa
que cuando crece el número de variables de decisión del problema, el número de
soluciones así como el esfuerzo computacional (tiempo de cálculo y cantidad de
memoria requerida en el proceso) para resolverlo, crece de forma exponencial.
Al enfrentarnos a un problema práctico o de la vida real, aparecen diferentes tipos

de complejidad que puede estar relacionada con distintos aspectos. La
complejidad se puede encontrar en el modelamiento del problema, la metodología
de solución del mismo o en la implementación del modelo en un sistema de
cómputo. Sin embargo no todos los problemas combinatoriales son tan complejos
de resolver. De hecho, los problemas combinatoriales se pueden dividir en dos
grupos: problemas de tipo P, para los que existen algoritmos con esfuerzo
computacional de tipo polinomial para encontrar su solución óptima y los tipo NP,
para los cuales no se conocen algoritmos con esfuerzo computacional polinomial
en su solución [6].
3.1.2. Algoritmos heurísticos.
Debido a la gran complejidad matemática que presentan algunos problemas

prácticos, aparecen técnicas como las heurísticas o metaheurísticas, para tratar de
dar solución a los problemas de optimización de tipo combinatorial con tiempos de
cómputo razonables. Cabe aclarar que aunque dichos algoritmos no garantizan la
obtención del óptimo global del problema, si encuentran óptimos locales de buena
calidad con esfuerzos computacionales relativamente pequeños.
11
Un algoritmo heurístico es por lo tanto, “una estrategia de búsqueda de soluciones
que utiliza un conjunto de procedimientos simples muchas veces basados en el
sentido común, que encuentran soluciones de buena calidad de manera simple y
rápida. Las técnicas heurísticas, avanzan en cada paso del proceso, hacia la
mejor solución vecina y cuando no encuentran un mejor vecino, finalizan el
proceso de búsqueda” [6]. Lo anterior establece la principal diferencia entre las
técnicas heurísticas y metaheurísticas, debido a que las heurísticas por su
naturaleza, conducen el algoritmo a regiones absorbentes donde quedan
atrapadas, y no poseen mecanismos que les permitan escapar de éstas, mientras
que las metaheurísticas tienen definidas estrategias claras para escapar de las
mismas.
Los algoritmos heurísticos pueden clasificarse en: algoritmos constructivos,

algoritmos de descomposición y división, algoritmos de reducción, algoritmos de
manipulación del modelo y algoritmos de búsqueda a través de vecindad. Se hace
énfasis en los algoritmos constructivos y los de búsqueda por vecindad, pues
serán los utilizados para resolver el problema de planeamiento.
 Algoritmos constructivos: Consisten en ir adicionando,

generalmente uno a uno, componentes individuales de la solución
hasta encontrar una configuración factible. Se puede decir que paso
a paso seleccionan la propuesta que produce mayor beneficio en
dicho paso.
 Algoritmos de búsqueda por vecindad: “Éstos inician el proceso a

partir de una configuración inicial factible o infactible y, usando un
mecanismo de transición adecuado, pasan a una solución “vecina”
de la solución actual. Generalmente se realiza hasta cumplir una
condición de parada. Siempre se almacena además la mejor
solución encontrada hasta el momento (incumbente), que será la
respuesta una vez terminado el proceso. Todo vecino es obtenido a
partir de una configuración x usando una operación elemental, las
cuales entran a definir el tamaño de la vecindad” [6].
12
3.1.3. Técnicas metaheurísticas.
Las técnicas metaheurísticas de optimización parten de los algoritmos heurísticos

como los explicados anteriormente, pero se diferencian de los mismos en
aspectos fundamentales como los siguientes: la codificación puede ser más
eficiente y más genérica considerando soluciones factibles e infactibles, los
indicadores de desempeño son más complejos y pueden ser adaptativos, la
estructura de vecindad puede variar en forma y tamaño, generalmente se trabajan
con un conjunto de soluciones, entre otras. Las principales técnicas
metaheurísticas usadas para la solución de problemas en la actualidad son
búsqueda tabú (TS), algoritmos genéticos, recocido simulado, colonia de hormigas
y enjambre de partículas, teniendo cada una rendimientos diferentes según el tipo
de problema a solucionar. Cabe resaltar que no es posible saber de antemano
cual técnica resultará mejor para un problema específico, por lo que se hace
necesario comparar el rendimiento de distintas técnicas de solución frente a un
mismo problema. En éste trabajo, se pretende comparar el rendimiento del
algoritmo de TS implementado frente al algoritmo genético planteado en [4] para el
problema de planeamiento de sistemas de distribución con generación distribuida.
3.2. Generalidades de Tabu Search.
3.2.1. Introducción a la búsqueda tabú.
“Búsqueda tabú es una técnica metaheurística fundamentada en conceptos de la

inteligencia artificial y la memoria adaptativa, la cual basada en una técnica
heurística de búsqueda local, explora configuraciones alrededor de una vecindad
con el propósito de evitar que el proceso quede atrapado en un óptimo local”[6].
Esta técnica explora a través de todo el espacio de soluciones basándose en
movimientos determinísticos, diferenciándose en esto de otros tipos de
metaheurísticas como algoritmos genéticos o recocido simulado, los cuales se
basan algunas veces en movimientos probabilísticos.
“Para evitar que el proceso vuelva a regiones anteriormente exploradas y se

presente el fenómeno de ciclaje, TS clasifica los movimientos anteriores como
“movimientos tabú” y prohíbe que ese movimiento o alguno de sus atributos
puedan volver a ser efectuados durante un número n de iteraciones posteriores.
La técnica se diferencia principalmente de una técnica heurística en dos aspectos”
[6]:
13
a) Cuando se encuentra en la configuración actual, se permite el paso a la
mejor configuración vecina o a la que produzca menos degradación en la
función objetivo. Esto quiere decir que se permite que empeore la función
objetivo, por lo que se evita quedar atrapado en óptimos locales.
b) El conjunto de vecinos (vecindad) no es estático. Así, la técnica produce

una estructura de vecindad, la cual varía dinámicamente tanto en estructura
como en tamaño a lo largo del proceso, permitiendo así una búsqueda
eficiente e inteligente.
3.2.2. Configuración inicial.
Se puede partir con una única o con varias configuraciones iniciales y existen
diferentes maneras de llegar a una configuración inicial para el algoritmo a
implementar. Dicha configuración puede ser obtenida de forma aleatoria o como
es común en problemas relacionados con sistemas eléctricos de potencia,
utilizando un algoritmo heurístico. Una buena configuración inicial proporciona un
mejor rendimiento del algoritmo y reduce el esfuerzo computacional mientras que
una mala configuración inicial puede llevar a un mayor esfuerzo de cómputo; con
éste fin, se debe procurar que la configuración inicial esté en una región de buena
calidad en el espacio de soluciones
3.2.3. Codificación y vecindad.
“La codificación se define como una forma consistente de representar una

propuesta de solución de un problema en el espacio de soluciones de dicho
problema” [6]. Se debe resaltar que cuando el modelo matemático del problema es
muy complejo, prácticamente no existe relación entre las variables de decisión y la
estructura de una codificación eficiente.
En la búsqueda local, dada una configuración x, se define la vecindad de x como

N(x), que corresponde al conjunto de todas las configuraciones x’ N(x), donde x’
es un vecino de x, y que pueden ser obtenidas por la aplicación de un mecanismo
de transición a partir de x. A partir de la configuración actual, se debe pasar a la
configuración vecina que presente la mayor disminución (para un problema de
minimización) en la función objetivo. Un procedimiento repetitivo de ésta estrategia
permite que el algoritmo finalice cuando no existe ninguna configuración vecina
14
que produzca una disminución en la función objetivo, lo que indica la presencia de
un óptimo global. El mecanismo de transición de TS se muestra en la figura1.
3.2.4. Listas tabú y criterios de aspiración.
TS posee una o varias estructuras que tienen la misma codificación de la

configuración actual x, para almacenar la información de los atributos que han
cambiado o no durante el proceso de búsqueda. Basado en la información que
proporciona dicha estructura, se pueden tomar decisiones en el futuro. Estas listas
tabú pueden ser explicitas o por atributos: explicitas donde se guarda toda la
configuración y por atributos cuando solo se tienen en cuenta algunas
características de una configuración, presentando facilidad de almacenamiento,
verificación y manipulación.
Finalmente, está el criterio de aspiración, cuya finalidad es proporcionar una

mayor flexibilidad al proceso. “En éste caso, una configuración que posee atributos
prohibidos puede tener la prohibición anulada si esa configuración satisface un
criterio de aspiración. Con lo anterior se intenta relajar la rigidez de las listas tabú
que almacenan los atributos prohibidos” [6].
15
Figura 1: Mecanismo de transición en TS
16
3.3. Memorias y Estrategias de Tabu Search.
3.3.1. Memorias de corto y largo plazo.
Un algoritmo de TS completo utiliza todas o una combinación de técnicas de

exploración y de memoria avanzadas integradas de las formas más variadas.
Algunas de ellas son: memoria de corto y largo plazo, estrategias de
intensificación, diversificación, oscilación estratégica, encadenamiento de
trayectorias y lista de configuraciones de élite, entre otras.
 Memoria de corto plazo: En la memoria de corto plazo, los

elementos de la configuración que han cambiado recientemente son
clasificados como prohibidos (tabú activos) o en estado tabú durante
un número determinado de iteraciones. Este número es almacenado
en la memoria de corto plazo y es conocido como “duración tabú”.
Varias posiciones o atributos de la configuración pueden estar
prohibidas y la “duración tabú” puede o no ser variable a lo largo del
proceso. Esta una característica que previene que la técnica no se
quede atrapada en ciclos haciendo que el proceso de búsqueda sea
inteligente. “La idea básica de la memoria basada en hechos
recientes es evitar volver a configuraciones ya visitadas y a aquellas
configuraciones que comparten los atributos tabú-activos; ésta última
parte puede representar un problema porque se pueden eliminar
configuraciones muy atractivas del vecindario. El criterio de
aspiración entra a resolver parcialmente ésta limitante” [3], [6].
 Memoria de largo plazo: La incorporación de una estrategia de

largo plazo entrega al algoritmo TS una sofisticación adicional para
que el desempeño sea más eficiente. Lo que quiere decir que
además de la memoria de corto plazo, se incorpora una estrategia
adicional, la memoria de largo plazo. Algunas estrategias
relacionadas con la memoria de largo plazo son: memoria basada en
frecuencia, estrategia de intensificación y estrategia de
diversificación.
17
 Memoria basada en frecuencia: Consiste en almacenar la
información del número de veces que un atributo en una
configuración fue escogido para generar o participar en la formación
de nuevas configuraciones.” La información de la memoria basada en
frecuencia puede ser utilizada para aplicar estrategias de
intensificación o diversificación basándose en la frecuencia de
permanencia de un atributo, penalizando o incentivando
configuraciones con determinados atributos” [6], [3]. Existen dos tipos
de memoria basada en frecuencia:
o Frecuencia de transición: que guarda el número de veces

que un atributo fue retirado o adicionado para formar nuevas
configuraciones.
o Frecuencia de residencia o permanencia: que guarda el
número de veces que un atributo permanece en las nuevas
configuraciones.
 Estrategia de intensificación: “La estrategia de intensificación se

basa en la modificación de las reglas de elección para favorecer
movimientos en la búsqueda de nuevas configuraciones, utilizando la
información acumulada en el proceso de búsqueda” [7]. En otras
palabras, lo que se hace es cambiar la forma como se construye el
conjunto reducido de candidatos N*(X), nuevo vecindario de x. Con
esto se puede regresar a regiones atractivas para realizar una
búsqueda más intensa.
La intensificación tiene como objetivo reducir el número de

alternativas a ser evaluadas para concentrarse en regiones
determinadas. Puede ser implementada de formas diferentes:
o Eliminando o incorporando nuevos vecinos en la configuración

actual, comúnmente considerando configuraciones de élite o
configuraciones que tengan esos atributos como vecinos.
o Modificando la caracterización de la configuración vecina, lo

que se obtiene al redefinir el vecindario N(X).
o Retornando a regiones atractivas para hacer una búsqueda

más intensa en la vecindad.
18
o Realizando intensificación por descomposición, donde se
agregan restricciones sobre atributos, estructuras o partes del
problema para disminuir el espacio de búsqueda.
 Estrategia de diversificación: La estrategia de diversificación

consigue llevar la búsqueda a nuevas regiones. Se basa en la idea
de que la modificación de las reglas de selección tiene como
consecuencia la selección de atributos que no fueron utilizados
frecuentemente. Se cambia la forma como se construye el conjunto
de vecindad N(X), incorporando vecinos constituidos por atributos
que fueron poco usados. De este modo, al agregar estos nuevos
atributos en las configuraciones, la búsqueda se traslada a nuevas
regiones probablemente no visitadas [3].Por buscar configuraciones
en el espacio de soluciones poco visitadas, los resultados pueden
llevar mejoras significantes.
3.3.2. Oscilación estratégica.
“La oscilación estratégica es un excelente mecanismo para realizar una

interacción entre diversificación e intensificación a mediano o largo plazo. Esta
técnica opera cuando se ha logrado un nivel crítico, en el que un algoritmo de TS
normalmente se detendría. Así, antes de parar después de lograr un nivel crítico,
se pueden cambiar las reglas de selección de nuevas configuraciones candidatas
para pasar a una región fuera del límite del nivel crítico. Una vez pasado el nivel
crítico, se cambian nuevamente la regla de selección de configuraciones
candidatas tanto en el alejamiento como en el retorno al nivel crítico, por lo que se
produce un movimiento oscilatorio alrededor del nivel crítico” [6].
El uso de ésta técnica presenta varias ventajas: primero, permite la ejecución de

movimientos que son menos complejos que otros que podrían ser ejecutados.
Segundo, el movimiento fuera de la vecindad permite el retorno por diferentes
direcciones descubriendo oportunidades para mejorar la función objetivo que no
son fácilmente alcanzables cuando la búsqueda es más limitada. Otra ventaja es
que permite descubrir buenas soluciones para condiciones de perturbación, donde
las restricciones pueden ser ligeramente ajustadas [8].
19
3.3.3. Encadenamiento de trayectorias.
Esta estrategia permite encontrar nuevas configuraciones usando trayectorias que

“interconectan” configuraciones elite. “En ella se selecciona una configuración elite
denominada configuración base y otra u otras denominadas configuraciones guía.
Así, se pueden obtener nuevas configuraciones a partir de la configuración base
incorporando atributos presentes en las configuraciones guía. Las configuraciones
así obtenidas pueden ser usadas para intensificación o diversificación
dependiendo de la cantidad de atributos incorporados en la configuración base. La
idea de ésta estrategia es obtener configuraciones construidas por atributos de
alta calidad, pertenecientes a configuraciones de alta calidad” [6].
Desde una orientación espacial, “el proceso de generar combinaciones lineales de

un conjunto de solución de referencia puede ser caracterizado como generar
trayectorias entre y más allá de las soluciones, donde las soluciones de cada
trayectoria también sirven como fuentes para generar trayectorias adicionales” [9].
Un diagrama de bloques de algoritmo de búsqueda tabú básico se muestra en la

figura 2.
20
Figura 2: Diagrama de bloques Tabu Search
21
4. Tabu Search Aplicado al Planeamiento de
la Distribución con Generación Distribuida.
4.1. Generalidades.
Como se mencionó anteriormente, el modelo de optimización es un modelo de
programación no lineal entero-mixto. En éste trabajo y como suele hacerse
usualmente con éste tipo de problemas, dicho modelo se solucionará utilizando
técnicas metaheurísticas. Aquí se utilizó una metodología de maestro/esclavo
como estrategia de solución en la cual el maestro, representado a través de un
algoritmo de búsqueda tabú e implementado en Matlab®, propone una solución al
problema, la cual posteriormente es evaluada por el esclavo, implementado en
Gams®. En términos del problema, el maestro propone la topología para la red de
distribución de energía eléctrica, indicando además los diferentes tipos
correspondientes a las capacidades de cada elemento tales como subestaciones
(SE’s), generadores distribuidos (GD’s) o alimentadores. El maestro debe tener en
cuenta además todas las restricciones del problema de planeamiento tales como
regulación de tensión en los nodos, límites de corriente por las líneas, balances de
potencia, entre otras; la configuración generada por el mismo debe cumplir con
todas las restricciones detalladas en las ecuaciones 6 a 14. En términos
matemáticos el maestro fija todas las variables enteras del problema de
optimización tales como número y ubicación de los elementos, así como su
respectiva capacidad. Luego, teniendo la propuesta del maestro, el esclavo puede
entrar a calcular la función objetivo indicada por la ecuación 1. La estrategia de
maestro/esclavo será exitosa siempre y cuando el maestro sea capaz de proponer
diferentes topologías que alcancen los valores más bajos de la función objetivo a
través del proceso iterativo [4]. Por su nivel de complejidad, se explica primero el
esclavo y posteriormente se pasa a detallar el maestro. La estrategia
maestro/esclavo se muestra en un diagrama de bloques junto con el resto de la
estrategia que propone el algoritmo en la figura 3.
22
Figura 3: Diagrama de bloques del algoritmo
23
4.2. Algoritmo Esclavo.
Como se mencionó anteriormente, el algoritmo esclavo evalúa la propuesta del
maestro y calcula el valor de la función objetivo para una topología dada. Se debe
notar que los tres primeros términos de la función objetivo mostrada en la
ecuación 1 vienen dados en función de la topología propuesta para el sistema,
mientras que el cuarto término representa los costos operativos de la red eléctrica.
Dicho término puede ser calculado solucionando un flujo óptimo de potencia que
se deriva de la formulación matemática presentada en el capítulo 2. El flujo de
potencia óptimo, tomado de la referencia [4] e implementado en Gams, busca
minimizar las pérdidas de potencia activa de la red eléctrica sujeto a las
restricciones operacionales del sistema.
Para una topología dada por el maestro, el flujo de potencia óptimo encuentra
cual es la potencia que debe entregar cada subestación y cada generador
distribuido activos en la configuración bajo análisis, con el fin de que las pérdidas y
por tanto los costos operativos del sistema sean los más bajos posibles. El flujo
entrega además los valores para las tensiones nodales, las potencias activas y
reactivas que entrega cada subestación y cada generador distribuido, las pérdidas
del sistema y los valores de potencias activa y reactiva ficticias, éstas últimas
activadas solamente en caso de que la generación no sea capaz de suplir la
demanda o en caso de que la restricción de límites de capacidad de corriente sea
violada; en cualquiera de los dos casos mencionados, las potencias ficticias se
activan representando el valor que hace falta a la generación para poder
proporcionar la convergencia del flujo de potencia. Se debe aclarar además que el
algoritmo entrega los resultados antes mencionados para cada nivel de carga
analizado en el planeamiento. El modelo matemático para el flujo óptimo de
potencia (tomado de la referencia [4]), se muestra a continuación:
 
nL nS
min PLoss   real S Si  SGi
i l 1 t 1 (17)
s.a .
24
n
SGi  S Di  S Ni   Sij
j 1
Vi  V j
 I Conductor
max
.ij
Z ij
Ssi  Ssmax
i (18)
SGi  SGmax
i
Vi min  Vi  Vi max
4.3. Algoritmo Maestro.

Se puede notar en la figura 3 que previo a empezar las acciones del algoritmo
maestro, el que a su vez comanda las acciones del esclavo, se realizan una serie
de procedimientos los cuales son necesarios para el correcto funcionamiento del
algoritmo. Primero se leen las variables de entrada al problema tales como tipos y
capacidades de alimentadores, subestaciones (SEs) y generadores distribuidos
(GDs), las demandas de potencia nodales, las bases del sistema eléctrico, los
costos de cada uno de los elementos, entre otros. Segundo, se procede a realizar
un algoritmo de búsqueda tabú el cual va a proporcionar una lista de
configuraciones de generación (SEs y GDs) de buena calidad para ser analizadas
posteriormente. Tercero, se genera una configuración inicial para los
alimentadores del sistema en cada configuración de generación seleccionada
previamente, mediante el uso de un algoritmo heurístico constructivo. Una vez
implementados los tres pasos descritos anteriormente se puede dar inicio al
algoritmo maestro que proporcionará mediante un proceso iterativo la solución a la
propuesta de planeamiento. Los algoritmos implementados en los pasos dos y tres
se describen a continuación.
25
4.3.1. Lista de configuraciones élite para generación (SEs y GDs)
La obtención de ésta lista de configuraciones élite para SEs y GDs se hace con el
fin de simplificar el espacio de solución del problema y reducir el esfuerzo
computacional que empleará el maestro encontrando la solución al problema de
planeamiento. Esta metodología se adopta debido a que existen muchas posibles
combinaciones para SEs y GDs que no son capaces de satisfacer la demanda
total del sistema y además, muchas combinaciones que están
sobredimensionadas con respecto a la demanda total, satisfaciendo la misma pero
presentando sobrecostos en la función objetivo que resultan innecesarios en aras
de minimizar los costos totales de la propuesta de planeamiento.
La configuración inicial para dicho algoritmo puede ser aleatoria o bien puede ser
obtenida a partir de un algoritmo heurístico constructivo, basado en la premisa de
que se debe satisfacer la demanda de potencia activa del sistema y las pérdidas
del mismo, con el menor costo de inversión. El algoritmo emplea una metodología
clásica de búsqueda tabú, esto es: después de tener una configuración inicial se
obtiene una lista de configuraciones vecinas ordenadas de acuerdo a los costos
de inversión que represente cada propuesta; posteriormente el algoritmo debe
pasar a la mejor configuración vecina que no tenga un “tabú activo”. Siempre que
después de un determinado número de iteraciones definido previamente el
algoritmo no encuentre mejoras en la función objetivo, se debe aplicar un proceso
de diversificación, el cual viene dado por una topología diferente para iniciar con el
proceso de búsqueda. La codificación empleada para el algoritmo se muestra a
continuación:
SE1 SE2 SE3 GD1 GD2 GD3
[1 1 0 2 0 3]
El número correspondiente a cada elemento representa el tipo del mismo, que

viene directamente asociado a su capacidad de inyectar potencia a la red. Un
número mayor representa un GD o una SE de mayor capacidad; de igual forma,
un cero representa que ese elemento no está presente en la configuración bajo
análisis. En el ejemplo podemos observar que se encuentran activas las dos
primeras SEs con un tipo 1, así como los GDs 1 y 3 con tipos 2 y 3,
respectivamente. La SE 3 así como el GD 2 no están presentes en la propuesta de
generación que se muestra. Los tipos para los dos elementos van a variar desde 1
26
hasta el número de tipos diferentes disponibles para los mismos. Se tienen dos
criterios para generar el vecindario: incrementando en 1 el tipo de un único
elemento de los 6 disponibles en la configuración o reduciendo en 1 el tipo de un
elemento de la configuración. Esta propuesta de vecindario se toma de la
referencia [10], y se modifica según los requerimientos del problema bajo análisis.
El incremento y la reducción de un tipo para alguno de los elementos se realiza
siempre y cuando se esté dentro de los límites dados por el número de tipos
disponibles; en el ejemplo y teniendo un número máximo de tipos de GDs igual a
3, la sexta posición de la configuración no puede ser incrementada puesto que el
tipo máximo disponible para GDs es 3. De igual forma, las posiciones 3 y 5
correspondientes a la SE3 y el GD2 no pueden ser reducidos en un tipo, puesto
que el mínimo tipo permitido es el cero, representando la ausencia del elemento.
El vecindario para la configuración mostrada anteriormente, se muestra a
continuación haciendo énfasis en la posición que da origen a la configuración
vecina:
Siempre que se seleccione un vecino como se describió anteriormente, la posición

que se incrementó o se redujo en un tipo queda con un “tabú activo”, por lo que un
vecino que afecte la posición mencionada no podrá ser elegido en las iteraciones
siguientes mientras el atributo tabú permanezca activo. La única manera para que
un vecino que presenta tabú activo sea admitido es que éste pueda satisfacer el
criterio de aspiración, el cual en este caso corresponde a presentar una mejora en
la incumbente (mejor solución encontrada hasta el momento). Adicional a esto,
todos los vecinos que no sean capaces sobrepasar la demanda del sistema (más
un incremento asociado a las pérdidas) son descartados del proceso de selección.
Dicha estrategia se repite hasta que se cumpla un criterio de parada dado por
máximo número de iteraciones; al terminar el proceso se tendrán varias
27
configuraciones para la generación que son capaces de suplir el balance de
potencia y que poseen bajos costos. Al finalizar con el algoritmo, se obtienen
todas las permutaciones de posiciones posibles para cada configuración elite
encontrada en el proceso, obteniendo así configuraciones con igual función
objetivo e igual capacidad de generación, pero diferentes en cuanto a la ubicación
de los elementos en el sistema; lo anterior debido a que la ubicación de los
elementos tiene incidencia directa en la función objetivo.
Para dar por terminada la ejecución del algoritmo global, el maestro debe analizar
todas y cada una de las configuraciones propuestas para SEs y GDs con sus
respectivas permutaciones.
4.3.2. Algoritmo heurístico constructivo para obtener la configuración

inicial de alimentadores.
Luego de tener una configuración específica a analizar para SEs y GDs, se genera
una configuración inicial para los alimentadores, bajo la premisa de energizar
todos los nodos del sistema (así estos no tengan una demanda asociada),
manteniendo la radialidad propia de las redes de distribución. Es importante tener
todos los nodos correctamente conectados y garantizar la radialidad de la
configuración inicial, puesto que bajo ese mismo criterio se generará
posteriormente el vecindario para el algoritmo de búsqueda tabú que comanda el
maestro.
El algoritmo constructivo empieza energizando todos los nodos que estén

seguidos de una SE a partir de la línea que sale del nodo hacia la misma, esto
bajo la premisa de que se tendrá una mejor regulación de tensión así como un
nivel de pérdidas más bajo. Posteriormente y después de haber energizado todos
los nodos consecutivos a una SE, se energizan los nodos faltantes colocando
siempre la línea de menor longitud y de menor calibre que pueda energizar dichos
nodos, puesto que a menor longitud menores serán los costos de inversión en las
mismas. Durante todo el proceso se verifica que no se unan dos SEs entre sí, o
dos nodos previamente energizados, pues esto implicaría perder la radialidad del
sistema. Los pasos del algoritmo se muestran a continuación:
1) Elegir un nodo para ser energizado.

2) Si existe un alimentador que salga de una SE activa hacia el nodo
analizado, conectar dicho nodo a través de ese alimentador.
28
3) En caso de que no exista un alimentador que conecte directamente
el nodo con una SE, ir al paso 1 y colocar el nodo en una lista de
nodos pendientes por energizar. Si todos los nodos ya fueron
analizados ir al paso 4.
4) Seleccionar un nodo de la lista de nodos pendientes por energizar.
5) Conectar el nodo bajo análisis a través de la línea de menor longitud
que llegue a un nodo energizado y eliminar dicho nodo de la lista de
nodos pendientes. Si no hay ninguna línea que conecte el nodo con
uno ya energizado, ir al paso 6.
6) Dejar el nodo en lista de nodos pendientes e ir al paso 4.Si la lista de
nodos pendientes está vacía, terminar el proceso.
4.3.3. Maestro.
Después de obtener una configuración específica para la generación y la

configuración inicial para las líneas mediante la heurística constructiva, se inicia el
proceso iterativo del maestro. La codificación implementada para este problema se
basa en la referencia [11] y se adapta para el caso específico. Dicha codificación
se muestra en la figura 4, y se explica a continuación: en el vector de codificación
se organizan primero las líneas, segundo las SEs y tercero los GDs, sin importar
que los elementos estén activos o no en la iteración de análisis. El número
correspondiente a cada posición determina el tipo del elemento dentro del grupo
de capacidades disponibles; es decir el 2 debajo de la línea 1 representa un
alimentador del tipo 2, y así sucesivamente para todos los elementos. Un número
más grande siempre representa una mayor capacidad para el elemento así como
un cero representa que el elemento no está activo en esa configuración, es decir
las líneas 3, 5, 6, 7, 8,9,12, 14 así como la SE 2 y el GD 2 no se encuentran
presentes en la configuración que se muestra en la figura 4.
El número de tipos para una posición va desde cero (representando la ausencia

del elemento en la configuración) hasta el número máximo de tipos disponibles
para cada elemento. La codificación se hace de manera análoga a la que se hizo
para los GDs y SEs, teniendo incluida la codificación de generación hallada
anteriormente y la codificación para los alimentadores. El algoritmo maestro sólo
realizará cambios en la parte del vector correspondiente a los alimentadores,
estando la configuración para generación fija hasta que se tome otra configuración
de la lista de configuraciones élite de generación previamente definida.
29
Figura 4: Codificación para alimentadores
(Tomado de referencia [11])
L1 L2 L3 L4 L5 L6 L7 L8 L9 L10 L11 L12 L13 L14 L15 SE1 SE2 SE3 GD1 GD2
2 1 0 1 0 0 0 0 0 1 1 0 1 0 1 2 0 1 1 0
La propuesta de vecindario para una configuración específica de alimentadores se

toma de la referencia [12]. El proceso “consiste en sustituir una línea que está
conectada al sistema en la topología actual, por una línea que hace parte de un
conjunto de líneas que pueden ser construidas, manteniendo la topología radial
del sistema“. El proceso se divide en tres pasos:
1) Escoger una línea para ser eliminada de la configuración actual.

2) Los vecinos resultarán de adicionar todos los posibles alimentadores
que permitan energizar el nodo o tramo de red que quedó
desconectado después de realizar el paso 1.
3) Realizar los pasos 1) y 2) para todas las líneas existentes en la
configuración actual. El vecindario será la unión de los vecindarios
resultantes para cada línea.
Una vez definido el vecindario para una configuración específica, se pasa a

seleccionar el vecino, el cual pasará a ser la configuración actual en la siguiente
iteración. Los vecinos se organizan de menor a mayor de acuerdo a su función
objetivo, y se debe seleccionar el vecino que posea una mejor función objetivo y
30
que no posea un atributo tabú activo. Para evitar tomar en cuenta vecinos que
presenten algún grado de infactibilidad, siempre que dichas infactibilidades se
presenten, se penaliza la función objetivo de dicha configuración, agregando un
incremento a los costos totales de la propuesta de planeamiento. Otras
restricciones como la de radialidad, número máximo de conductores por tramo de
red y número máximo de SEs o GDs por nodo, se encuentran inmersas en la
codificación de la propuesta de planeamiento.
Con el fin de reducir el esfuerzo computacional que emplea el algoritmo, el tipo

más adecuado para los alimentadores se obtiene a partir de un índice de
sensibilidad para cada conductor. El tipo más adecuado se selecciona de acuerdo
a dos tipos de costos: los costos fijos que sólo dependen del calibre del conductor
y la longitud del mismo, y los costos variables que dependen de la potencia que
transporta la línea. Por lo anterior, se corre un flujo de potencia para saber cuál es
la corriente por un alimentador específico y se selecciona el calibre con corriente
nominal inmediatamente superior a la que circula por el alimentador.
El atributo tabú utilizado para el proceso fue prohibir que una línea que acaba de
ingresar, pueda ser retirada de la topología durante el número de iteraciones que
dure el tabú. La duración del tabú debe ser ajustada según el tamaño del sistema
de prueba. El número de iteraciones que un atributo permanece prohibido debe ir
reduciéndose a medida que avanzan las iteraciones y de igual forma, cada línea
que vaya siendo adicionada en una iteración adquiere el atributo tabú activo. La
única manera de que un vecino que posee un tabú activo pueda ser tenido en
cuenta en la iteración bajo análisis, es que dicho vecino satisfaga el criterio de
aspiración, que en nuestro caso corresponde a lograr mejorar la función objetivo
de la incumbente (mejor configuración factible encontrada hasta el momento),
caso en el cual el vecino pasaría a ser la nueva configuración incumbente del
proceso.
La estrategia de diversificación se da en el proceso al cambiar la configuración de

generación, pues se genera un cambio “drástico” en los costos totales de la
propuesta de planeamiento. El cambio generado en la función objetivo al sustituir
unas líneas por otras no representa un gran cambio en los costos totales de la
propuesta.
La lista de configuraciones elite del proceso reúne las mejores topologías

encontradas durante el proceso iterativo y tiene un tamaño especificado
previamente. Siempre que se encuentre una configuración con mejor función
31
objetivo que la última configuración de la lista de configuraciones élite, la
configuración que se encuentra ubicada en la última posición, será reemplazada
por la que mejora la función objetivo. El criterio de parada para el algoritmo que
intercambia alimentadores viene dado por máximo número de iteraciones sin
modificar la incumbente del proceso. Después de esto, se pasa a diversificar
tomando una nueva topología para la generación y volviendo a repetir el proceso.
4.3.4. Post-optimización.
El proceso de post-optimización se realiza para todas las configuraciones que se

encuentran dentro de la lista de configuraciones élites resultantes después de
finalizar el proceso iterativo. El proceso se divide en dos partes:
Primero, se desconectan todos los alimentadores que poseen un flujo de potencia

nulo, debido a que alimentan nodos sin carga y no son absolutamente necesarios
para energizar otros nodos con carga. Con lo anterior, se logra reducir la función
objetivo debido a que se reducen los costos de inversión en alimentadores. La
estrategia se toma de la referencia [3].
Segundo y enfocado a reducir los costos operativos de cada configuración, se

modifican los calibres de los conductores que están conectados a las SEs, debido
a que son los que transportan la mayor corriente y por tanto, presentan mayor
cantidad de pérdidas de energía. Para cada línea que parte de una SE activa, se
busca mediante la ejecución de varios flujos de potencia, ajustar el calibre más
adecuado para el conductor bajo análisis, buscando siempre una mejora en la
función objetivo.
El calibre solo será modificado si el incremento en los costos de inversión o

repotenciación de alimentadores sumado a la reducción que se produce en los
costos operativos al aumentar el calibre, genera una disminución en la función
objetivo inicial para la configuración bajo análisis.
32
5. Resultados numéricos.
5.1. Sistema de prueba I - 12 nodos.
5.1.1. Descripción del sistema.
El sistema de prueba se muestra en la figura 5.Éste cuenta con cuatro diferentes

tipos de líneas correspondientes a distintos calibres, así como dos tipos diferentes
de subestaciones (SEs) que se asocian a distintas capacidades. Además, se
tienen cinco tipos de generadores distribuidos (GDs) con diferentes capacidades
cada uno. El sistema está compuesto por un conjunto de 12 nodos, 16 líneas de
las cuales 3 son líneas existentes del tipo 1 y 13 son líneas propuestas, una SE
existente de tipo 1 en el nodo 10, dos SEs propuestas en los nodos 11 y 12,
además de cuatro GDs propuestos los cuales se ubican en los nodos 2, 6, 8 y
9.Los datos correspondientes a demandas eléctricas, valores técnicos del sistema,
parámetros y costos de líneas, tipos y costos de SEs y GDs se muestran en el
anexo 1.
Las SEs poseen costos ligados a la inversión en nuevas unidades y costos

asociados a repotenciar las unidades existentes. Los GDs únicamente poseen
costos asociados a la inversión en nuevas unidades, puesto que se considera que
inicialmente la red de distribución a planificar no posee penetración de generación
distribuida. Tanto para GDs como para SEs se asume un factor de potencia
constante típico en sistemas de distribución de 0.85 en atraso, pues en ambos
casos los diferentes tipos de unidades vienen dados por su capacidad de potencia
activa. A cada nodo del sistema se asocia una demanda de potencia activa y
reactiva, teniendo sin demandas de potencia los nodos en donde se encuentran
ubicadas las subestaciones.
En cuanto a las líneas, se tienen costos asociados a la repotenciación de

alimentadores existentes y costos de inversión para nuevos alimentadores. En
ambos casos, los costos vienen dados por unidad de longitud. Además, para cada
tipo de línea se especifica su capacidad máxima de corriente, su resistencia y su
reactancia inductiva por unidad de longitud.
La red de distribución tiene un nivel de tensión de 13.2 KV y se tiene asociado un
costo de la energía de 250 $/kW-h. Los límites de tensión permitidos se
33
consideran de 0.95 y 1.05 en por unidad (pu). El modelo de planeamiento es a una
sola etapa, en un periodo de 3 años. El factor de descuento β utilizado para traer
los costos de pérdidas a valor presente es 0.9961.
N10 N1 N2
N5
N4 N11
N3 N6
N12
N8
N7 N9
Figura 5 - Sistema de prueba 12 nodos
Como es común, mientras se planea las redes de distribución de energía, se

realizará una discretización de la curva de duración de carga. Los distintos niveles
de carga utilizados se toman como porcentajes de la demanda máxima con una
duración de horas por año específica. Los datos correspondientes a la curva de
duración de carga se relacionan en la tabla 1. Además de eso, la curva se muestra
en la figura 6:
Niveles de carga
Porcentaje de Duración de carga Porcentaje de duración
carga (%) (horas/año) de carga (%)
100 1095 12.5
60 5475 62.5
30 2190 25
Tabla 1– Niveles de carga
34
Figura 6– Discretización curva de duración de carga
5.1.2. Resultados.
Después de aplicar la técnica de optimización planteada al sistema bajo análisis,

se obtuvieron diferentes topologías con valores de función objetivo de buena
calidad, aprovechando la lista de configuraciones élites que proporciona búsqueda
tabú (BT). Los parámetros de entrada al algoritmo de BT implementado se
presentan en la tabla 2:
Duración tabú líneas 4

Número de configuraciones élite 10
Iteraciones para diversificar líneas 15
Iteraciones máximas líneas 20
Duración tabú generadores 3
Iteraciones máximas generadores 50
Número de configuraciones de
generaciónTablaxx – Niveles de carga130
a analizar
Tabla 2 – Parámetros del algoritmo de búsqueda
Tabú para el sistema de 12 nodos
35
Se debe tener presente que el algoritmo se divide en dos partes: la primera
(parámetros de la tabla 2 en azul) que busca configuraciones económicas de
buena calidad para las topologías de generadores y subestaciones; la segunda
(parámetros de la tabla 2 en verde), que realiza la búsqueda de las
configuraciones más adecuadas para los alimentadores para cada configuración
de generadores-subestaciones encontrada en la primera parte.
El parámetro de duración tabú líneas hace referencia al número de iteraciones que

permanece prohibido cierto atributo de una configuración de alimentadores
después de que ingresa o sale de la misma. El número de configuraciones élite
determina la dimensión de la lista de mejores configuraciones encontradas por el
algoritmo, en la cual la número uno (incumbente) será al final de la ejecución del
programa, la solución al problema de planeamiento. El parámetro iteraciones para
diversificar líneas hace referencia al número máximo de iteraciones sin mejorar la
función objetivo que tienen lugar antes de efectuar el proceso de diversificación, el
cual viene dado por una topología diferente para subestaciones y generadores
distribuidos. El parámetro iteraciones máximas líneas representa el número de
iteraciones que se dan a lo sumo antes de que el algoritmo aplique el mecanismo
de diversificación. Por otra parte, los tres últimos parámetros de la tabla 2
corresponden a parámetros del algoritmo que entrega las configuraciones de
generación para ser evaluadas: iteraciones máximas generadores corresponde al
número máximo de iteraciones que tienen lugar en el algoritmo antes de que se
aplique el mecanismo de diversificación para topologías de generación y duración
tabú generadores hace alusión al número de iteraciones que permanece prohibido
un atributo de una configuración de generación desde el momento en el que
cambia, hasta cuándo puede volver a ser utilizado.
A continuación se presentan los resultados de la metodología aplicada al sistema

de prueba. La topología con el costo total más bajo encontrada por el algoritmo se
muestra en la figura 7, mientras que los costos relacionados a la misma se
muestran en la tabla 3. El tiempo de ejecución del programa fue de 14329.48
segundos (3.98 horas), con un procesador de 1.8 GHz y 2 GB de memoria RAM.
36
N10 N1 N2
(3) N5
N4 N11
N3 N6
N12
N8
N7
N9
(2)
Figura 7 – Solución al problema de planeamiento sistema de prueba

12 nodos
Costos totales de la propuesta de planeamiento

sistema de prueba 1 (Miles de millones de pesos)
Costo de alimentadores
0.148
(nuevos o repotenciados)
Costo de subestaciones
0
(nuevas o repotenciadas)
Costo de generadores distribuidos 1.1
Costos operativos (pérdidas) 1.846
Costos totales 3.094
Tabla 3 – Relación de costos propuesta de
planeamiento sistema de prueba 1
37
5.1.3. Análisis de resultados.
En la figura 7 se observa la solución del problema de planeamiento. La topología

encontrada es de tipo radial y las tensiones nodales permanecen dentro de los
límites permitidos, al igual que las corrientes que circulan por las líneas, la
potencia circulante por las mismas y las capacidades máximas de generadores y
subestaciones. La configuración posee una única subestación instalada del tipo 1
en el nodo 10; se tienen nueve líneas para alimentar las demandas de potencia,
de las cuales ocho son del tipo 1 y tan sólo una es del tipo 3 (línea que une los
nodos 10-3).Existen además generadores distribuidos del tipo 1 ubicados en los
nodos 2 y 8, y un generador del tipo 2 en el nodo 9. Aunque dentro de la ejecución
del algoritmo no se descartan para ser tenidos en cuenta como posibles nodos de
paso que permitieran energizar otros nodos, los nodos 11 y 12 se encuentran
aislados porque no poseen una demanda de potencia activa ni reactiva asociada a
ellos.
Las subestaciones propuestas ubicadas en los nodos 11 y 12 no hacen parte de la

solución al problema de planeamiento, debido a que es posible alimentar la
demanda con la subestación existente en el nodo 10 y algunos generadores
distribuidos. La subestación existente se conserva en su tipo inicial, por lo que no
representa costos ni de repotenciación ni de inversión en la función objetivo.
Aunque es posible alimentar la demanda con dicha subestación y tres
generadores distribuidos del tipo 1, en la solución aparece un generador del tipo 2;
lo anterior se debe a que al incrementar la capacidad de generación en los GDs,
las pérdidas de potencia activa en el sistema y los costos operativos asociados a
las mismas disminuyen. En éste caso la disminución en los costos operativos es
mayor que el costo que representa repotenciar una de las unidades generadoras,
razón por la que se presenta la topología mostrada.
Por último, se puede observar que las líneas presentes en la solución son en su
mayoría las de menor longitud que pueden energizar los nodos; éste
comportamiento era de esperarse, pues los costos en las líneas son directamente
proporcionales a su longitud. El sistema no posee una segunda etapa de
planeamiento, por lo que la topología mostrada es la propuesta final al final del
horizonte de planeamiento.
38
5.2. Sistema de prueba II – 54 nodos.
5.2.1. Descripción del sistema.

El sistema de prueba II se toma de la referencia [4] y se muestra en la figura 8.
Dicho sistema cuenta con cuatro tipos de alimentadores diferentes que
corresponden a calibres distintos, al igual que tres tipos diferentes de
subestaciones (SEs), tres tipos de generadores distribuidos (GDs) en la primera
etapa y cuatro tipos diferentes de GDs en la segunda etapa. En su primera etapa,
el sistema está compuesto por un conjunto de 23 nodos, 31 líneas de las cuales
11 son existentes y 20 son propuestas, dos SEs existentes del tipo 1 en los nodos
22 y 23, no posee subestaciones propuestas y tiene además dos GDs propuestos
en los nodos 6 y 18. En su segunda etapa, el sistema tiene 54 nodos, 72 líneas,
dos SEs existentes en los nodos 22 y 23, dos SEs propuestas en los nodos 53 y
54 además de tres GDs propuestos. El número de líneas, SEs y GDs existentes
así como sus capacidades y ubicación dentro del sistema para la segunda etapa,
dependerán de los resultados arrojados por el algoritmo para la primera etapa del
planeamiento. Los valores correspondientes a demandas nodales, valores
técnicos, parámetros, tipos y costos para elementos como líneas, SEs y GDs se
muestran en el anexo 2.
Las subestaciones tienen costos asociados a la repotenciación de elementos

existentes y a la inversión en nuevos elementos. En la primera etapa, los GDs sólo
poseen costos de inversión puesto que se parte del hecho de que no existe
penetración de generación distribuida al inicio de los periodos de planeamiento;
sin embargo, a diferencia del sistema de prueba de 12 nodos, para la segunda
etapa los GDs pueden ser repotenciados teniendo así dos componentes en los
costos de los mismos, asociados a inversión y repotenciación. Al igual que en el
sistema de prueba I, se asume para las SEs y GDs un factor de potencia
constante típico para sistemas de distribución de 0.85 en atraso. Se cuenta con la
información correspondiente a las demandas de potencia en cada etapa; las
demandas varían de una etapa a la otra y en nodos donde la carga era cero en la
primera etapa, puede presentarse carga en la siguiente etapa. Cada nodo viene
caracterizado por su demanda de potencia activa y reactiva, existiendo sin
embargo nodos que no poseen carga (20, 22 y 23 para la primera etapa y además
de dichos nodos, exceptuando el nodo 20 que adquiere carga, se agregan 34, 48,
51, 53 y 54 para la segunda etapa). En cuanto a las líneas, donde los costos
asociados vienen dados por unidad de longitud de los elementos, se tienen costos
39
asociados a la repotenciación de alimentadores existentes y de inversión en
nuevos alimentadores.
La red de distribución a planificar posee un nivel de tensión de 28 KV con un costo

de la energía de 250 $/kW-h. Los límites de tensión se acotan entre 0.95 pu y 1.05
pu. Los límites de capacidad de corriente vienen dados por el límite térmico de las
líneas, asociado a cada tipo de alimentador. El modelo de planeamiento es
multietapa y posee dos etapas en periodos de 5 años cada una, con el fin de
reducir el error en la predicción de la demanda. El factor de descuento β así como
la curva de duración de carga, corresponden a los mismos que fueron utilizados
para el sistema de prueba I y que se detallaron en la sección 5.1.1. Se debe
resaltar que para la segunda etapa se debe llevar a valor presente, además de los
costos operativos, los costos de inversión de todos los elementos, pues por ser un
planeamiento multietapa las inversiones para la segunda etapa se deben hacer en
el futuro, una vez finalice la primera etapa.
N26 N24 N1 N22

N27 N25 N3 N4 N5 N6
N28 N2 N7 N33
N31 N32 N8 N34 N35

N54
N29
N30
N10 N17 N53
N40 N41 N42
N36 N39
N46 N47
N43 N44
N45
N16
N37 N48 N49 N18
N52
N13 N50 N15 N51 N19
N36 N20
N12 N11 N14 N21
Figura 8 – Sistema de prueba de 54 nodos
40
5.2.2. Resultados
 Etapa 1
Los parámetros de entrada al algoritmo para el planeamiento de la primera

etapa se presentan en la tabla 4. Dicha etapa tiene un periodo de duración
de 5 años y corresponde a un sistema de 23 nodos. Se obtuvieron
diferentes configuraciones de buena calidad para la solución al problema de
planeamiento de sistemas de distribución con generación distribuida.

50
generación a analizar
tabú para el sistema de 54 nodos, primera etapa
Los parámetros de entrada al algoritmo tienen la misma interpretación que

en la sección 5.1.2, cuando se mostraron los resultados para el sistema de
prueba de 12 nodos; sin embargo, los valores son diferentes debido a las
diferencias presentadas entre los dos sistemas tales como tamaño de la
red, número de subestaciones que se pueden adicionar, número de
alimentadores propuestos, cantidad de generadores distribuidos
propuestos, entre otros.
A continuación se presentan los resultados de la mejor configuración

encontrada para el sistema de 54 nodos en su primera etapa de
planeamiento. La topología solución al problema de planeamiento se
presenta en la figura 9 mientras que los costos asociados a la misma se
muestran en la tabla 5. Al igual que en el sistema de prueba de 12 nodos, el
algoritmo se implementó en un procesador de 1.8 GHz y 2 GB de memoria
RAM .El tiempo de ejecución del programa fue de 4655.2 segundos (1.29
horas).
41
N26 N24 N1 N22
N27 N25 (2) (2) N3 N4 N5 N6 (2)
(2)
N28 N2 N7 N33
N31 N32 N8 N34 N35

N54
N29
N30
N10 N17 N53
N40 N41 N42
N36 N39
N46 N47
N43 N44
N45
N16
N37 N48 N49 N18
(2)
N52
N13 N50 N15 N51 N19
N36 N20
N12 N11 N23 N14 N21
Figura 9 – Solución al problema de planeamiento sistema de prueba 54

nodos, etapa 1

sistema de prueba 2, etapa 1
(Miles de millones de pesos)
2.8636
0
Tabla 5 – Relación de costos propuesta de planeamiento sistema de

prueba 2, etapa 1
42
 Etapa 2
Los parámetros de entrada al algoritmo para el planeamiento de la segunda

etapa del sistema de prueba II se presentan en la tabla 6. Dicha etapa tiene
un periodo de duración de 5 años y corresponde a un sistema de 54 nodos.
Para este caso, por ser parte de una metodología de planeamiento
multietapa, se debe partir desde la solución encontrada para el
planeamiento en la etapa 1. Así, se asume que la configuración inicial para
la segunda etapa del sistema es la topología mostrada en la figura 9.

50
generación a analizar
tabú para el sistema de 54 nodos, primera etapa
Los parámetros de entrada al algoritmo tienen la misma interpretación que

tenían para los dos casos anteriores y se detallan en la sección 5.1.2. Los
valores son diferentes debido a las diferencias presentadas entre los dos
sistemas y las dos etapas de planeamiento, principalmente debidas al
tamaño de la red y al número de elementos de la misma.
A continuación se presenta la solución al problema de planeamiento para el

sistema de 54 nodos en su segunda etapa. La topología más óptima
encontrada que da solución al problema de planeamiento se presenta en la
figura 10 mientras que los costos asociados a la misma se muestran en la
tabla 7. Se obtuvo un tiempo de ejecución del algoritmo de167.48 horas
(6.978días) utilizando el mismo procesador de los casos anteriores.
43
N26 N24 N1 N22
N27 N25 (2) (2) N3 N4 N5 N6
(2)
(2)
(2) N33
N28 N2 N7
(2)
N31 (2) N32 N8 N34 N35
N54
N29
(2)
N30 (2) (2)
N10 (4) N17 N53
N40 N41 N42
N36 N39
(2)
N46 N47
N43 N44
N45 (2)
N16
N37 N48 N49 N18
(2)
N52
N13 N50 N15 N51 N19
N36 (2) N20
N12 N11 N23 N14 N21

(3)
Figura 10 – Solución al problema de planeamiento sistema

de prueba 54 nodos, etapa 2

(Miles de millones de pesos)
7.0089
1.0787
Tabla 7 – Relación de costos propuesta de planeamiento

44
5.2.3. Análisis de resultados
 Análisis.
La solución a la primera y segunda etapas de planeamiento para el sistema

de prueba II se muestran en las figuras 9 y 10, respectivamente. Las
topologías encontradas por el algoritmo en ambos casos cumplen con las
restricciones del problema tales como tener una estructura radial, balances
de potencia nodal, tener una única subestación o generador en los nodos y
tener un solo alimentador en un tramo específico de la red. Adicionalmente,
se respetan los límites de tensión para todos los nodos así como los límites
de corriente por los alimentadores. La potencia entregada por
subestaciones y generadores distribuidos suple las demandas de potencias
activas y reactivas de todos los nodos en cada etapa, así como las pérdidas
del sistema. Aunque dentro de la ejecución del algoritmo no se descartan
para ser tenidos en cuenta como posibles nodos de paso que permitieran
energizar otros nodos o instalar GDs y SEs en ellos, el nodo51 se
encuentra aislado al final del proceso porque no posee una demanda de
potencia activa ni reactiva asociada. Los nodos 34 y 48 no poseen
demanda de potencia asociada, pero se utilizan como nodos de paso para
energizar otros nodos que se encuentran aguas abajo de los mismos en la
red de distribución.
Al final de la primera etapa, las subestaciones existentes en los nodos 22 y

23 se conservan del tipo 1; no se tenían subestaciones propuestas para
ésta etapa. Se instalan dos generadores distribuidos del tipo 2 en los nodos
6 y 18. Los alimentadores existentes que unen los nodos 22-1 y 22-3, que
inicialmente eran de tipo 1, pasan a ser de tipo 2. Se instalan 9 nuevos
alimentadores para energizar el sistema, de los cuales 8 son del tipo 1 y tan
sólo 1 es del tipo 2 (alimentador 2-22). Para la segunda etapa, las
subestaciones existentes en los nodos 22 y 23se conservan en tipo 1 y
adicionalmente, se instalan en los nodos 53 y 54 dos nuevas subestaciones
tipo 2 y 1, respectivamente. Se instalan además tres generadores
distribuidos tipo 3, 2 y 4 en los nodos 31, 36 y 45, respectivamente; los
generadores de los nodos 6 y 18 se conservan en tipo 2. Por otra parte,
para alimentar los nuevos nodos, se instalan con respecto a la topología del
final de la primera etapa, 23 nuevos alimentadores tipo 1 y 6 del tipo 2.
Además, el alimentador 23-11 que al final de la primera etapa era del tipo 1,
pasa a ser del tipo 2.
45
Se debe observar que todos los generadores distribuidos así como las
subestaciones propuestas al inicio de la primera etapa, se incorporaron con
distintas capacidades al sistema, al final de la segunda etapa. Las cuatro
subestaciones instaladas alimentan porciones de red independientes, es
decir que no se encuentran conectadas entre sí, debido a que se perdería la
condición de radialidad del sistema de distribución; además, se debe notar
que no se permiten redes aisladas alimentadas únicamente por
generadores distribuidos, debido a que la finalidad de los mismos es ayudar
a suplir las demandas de potencia así como las pérdidas del sistema, pero
nunca ser el suministro principal de energía de los diferentes circuitos.
Los generadores se encuentran en los nodos terminales de cada red,

característica que les permite mejorar los perfiles de tensión en los nodos
más alejados de las mismas, así como disminuir las pérdidas de potencia
del sistema (disminuir costos operativos). La inclusión de generadores
permite eliminar la necesidad de repotenciar algunos alimentadores, así
como de incrementar la capacidad de las subestaciones. En cuanto a las
líneas, siempre se busca el tipo más adecuado que permita distribuir la
potencia sin violar los límites térmicos del conductor así como reducir lo
más posible las pérdidas a través del mismo, situaciones con las cuales se
verá afectada positivamente la función objetivo (menores costos).
 Comparación con otros algoritmos.
Finalmente, se busca realizar una comparación de la técnica de solución

implementada en el presente trabajo para resolver el problema de
planeamiento de redes de distribución con penetración de generación
distribuida, con otros algoritmos implementados anteriormente en la
referencia [8] para solucionar el mismo problema. Con dicha intención se
realiza la tabla 8, donde se muestran los costos obtenidos para las dos
etapas del sistema de prueba II por separado y el costo total de la
propuesta de planeamiento, en millones de dólares (MUSD). Se considera
una tasa de cambio de 1 USD = 1816.94 pesos, ya que ésta fue la utilizada
en dicha referencia.
46
RELACIÓN DE COSTOS SISTEMA DE PRUEBA II (MUSD)
Etapa 1 Etapa 2 Total (Etapa 1 + Etapa 2)
Costo Costo Costo

1,5761 3,8575 5,4336
alimentadores alimentadores alimentadores
Costo Costo Costo

0 0,5937 0,5937
subestaciones subestaciones subestaciones
Costo generadores Costo generadores Costo generadores

0,4953 1,0255 1,5208
distribuidos distribuidos distribuidos
Costos operativos Costos operativos Costos operativos

0,9586 3,2589 4,2175
(pérdidas) (pérdidas) (pérdidas)
COSTOS ETAPA 1 3,0300 COSTOS ETAPA 2 8,7356 COSTOS TOTALES 11,7656
Tabla 8 – Relación de costos sistema de prueba 2 (Millones de dólares)
El paper correspondiente a la referencia [4] implementa tres algoritmos

diferentes para solucionar el problema de planeamiento de sistemas de
distribución y redes gas natural. Para este fin, evalúa tres casos diferentes:
el primero donde se realiza un planeamiento de los dos sistemas sin tener
generadores distribuidos; el segundo, donde se incorporan los generadores
pero se realiza un planeamiento separado de las dos redes y el tercero,
donde los generadores entran a ser las unidades vinculantes de los dos
sistemas y se realiza un planeamiento integrado de las mismas. Los casos
utilizados para realizar el proceso comparativo son el dos y el tres, puesto
que despreciando el planeamiento de la red de gas y considerando que la
misma es capaz de suplir la demanda de fluido requerida por las unidades
generadoras, presenta la misma estructura del problema analizado en el
presente documento.
El tercer algoritmo implementado en la referencia [4], el cual corresponde al

de mejor desempeño y el de mayor esfuerzo computacional, es un
algoritmo genético de Chu-Beasley. Los costos totales presentados para el
planeamiento de la red eléctrica (sin tomar en cuenta los costos de la red de
gas) en los casos 2 y 3 utilizando el algoritmo de Chu-Beasley, son de 9.36
47
y 9.82 MUSD, respectivamente. Adicionalmente, el tiempo de ejecución del
algoritmo para el caso 3 y la primera y segunda etapas del problema, fue de
1.9 y 5.9 días, respectivamente. Se observa que el costo total obtenido por
el algoritmo de búsqueda tabú implementado en el presente trabajo para el
sistema de prueba II (11.7656 MUSD) es superior a los costos obtenidos
para los casos 2 y 3 de la referencia [4]. Además, el tiempo de ejecución del
algoritmo de búsqueda tabú (1.29 horas y 6.98 días para las etapas 1 y 2
respectivamente) es inferior en la primera etapa pero superior en la
segunda en relación el caso 3 de la referencia.
De lo anterior se puede observar que el algoritmo de búsqueda tabú

tiene un mejor desempeño que el algoritmo genético de Chu-Beasley
planteado en [4] para sistemas de prueba relativamente pequeños,
debido a que encuentra soluciones óptimas de buena calidad y en tiempos
de computo mucho menores. Sin embargo, cuando el tamaño del sistema
crece y se acerca más a un sistema real, el desempeño del algoritmo
de búsqueda tabú es superado por el del algoritmo genético de Chu-
Beasley, pues utiliza aproximadamente el mismo tiempo de cómputo pero
encuentra soluciones con una función objetivo más grande que el algoritmo
de Chu-Beasley de la referencia.
Se debe además tener en cuenta que en la programación del algoritmo de

la referencia [4] se permite, para la segunda etapa de planeamiento, realizar
modificaciones sobre la topología de entrada al algoritmo tales como
cambiar la ubicación y dimensionamiento de generadores y alimentadores
resultado de la primera etapa, con el fin de optimizar la función global de
costos. Dicha estrategia no es considerada en el algoritmo de búsqueda
tabú implementado, pues éste asume que se debe partir de la red inicial e ir
adicionando nuevos elementos o aumentando la capacidad de elementos
existentes para entregar una solución al problema, pero no permite remover
o reducir la capacidad de elementos existentes.
De igual forma, se observa que aunque el algoritmo de búsqueda tabú no

superó los resultados obtenidos por el algoritmo genético de Chu-Beasley
en [4], es capaz de superar ampliamente los resultados
correspondientes a los otros dos algoritmos implementados en la
referencia, los cuales corresponden a una metodología clásica de
enjambre de partículas y otra de un algoritmo genético clásico.
48
6. Conclusiones.
 Se desarrolló un algoritmo de búsqueda tabú el cual permitiera encontrar

soluciones óptimas y de buena calidad para el problema de planeamiento
de sistemas de distribución con generación distribuida. El algoritmo tenía
como opciones la instalación de nuevos elementos tales como generadores
distribuidos, subestaciones o alimentadores así como la repotenciación de
elementos de ésta misma naturaleza existentes en la red.
 Se debe investigar sobre la penetración de la generación distribuida en los

sistemas de distribución de energía, pues éstos traen consigo ventajas tales
como mayor confiabilidad, mejoramiento de perfiles de tensión, reducción
en las pérdidas técnicas del sistema, reducción en costos correspondientes
a alimentadores o subestaciones, reducción en contaminantes para el
medio ambiente, entre otras.
 La GD también trae consigo grandes retos en aspectos tales como la

coordinación de protecciones, variaciones sobre la tensión de la red, niveles
de corto circuito o el mercado eléctrico, por lo que se hace necesario incluir
diferentes aspectos al momento de analizar y planificar la red.
 La inclusión de las unidades de generación distribuida junto con

alimentadores y subestaciones en el modelo de planeamiento permite tener
una menor inversión en los costos totales del sistema, pues desde el
principio se tiene en cuenta el impacto de las unidades de GD en la red, por
lo que el proceso iterativo permite ir optimizando el dimensionamiento y
ubicación de los mismos.
 Es importante realizar un adecuado planeamiento de las redes de

distribución, puesto que de no hacerse así, se pueden presentar diversas
situaciones tales como que los elementos queden sobredimensionados, se
incumplan las restricciones técnicas u operativas de los sistemas, entre
otras.
 La metodología implementada puede ser utilizada para un horizonte de

planeamiento mono etapa o uno que sea multietapa. El algoritmo presenta
rendimientos diferentes, encontrando soluciones de mejor calidad y en
49
menor tiempo para sistemas de prueba pequeños; a medida que el tamaño
del sistema crece, el costo computacional lo hace de manera exponencial.
 El algoritmo permite además la incorporación de distintos niveles de carga

para en análisis, realizando una discretización por periodos de tiempo de la
curva de duración de carga. Lo anterior permite un mayor acercamiento con
los sistemas reales, pues en los sistemas de distribución la demanda no es
constante en un periodo determinado de tiempo.
 El algoritmo heurístico constructivo implementado para la obtención de la

configuración inicial del problema resulta muy útil, pues permite que el
proceso iterativo de optimización se inicie desde un punto de buena calidad
en el espacio de soluciones del problema, permitiendo encontrar mejores
soluciones y en tiempos de cómputo más razonables para el sistema.
 Búsqueda tabú es una técnica metaheurística que presenta mejor

rendimiento que las metodologías de algoritmos genéticos clásica y
enjambre de partículas clásica para el problema de planeamiento de
sistemas de distribución implementados en la referencia [4]. Sin embargo,
se puede notar que el rendimiento del algoritmo genético de Chu-Beasley
implementado en la misma referencia es mejor que el obtenido con
búsqueda tabú.
 Como trabajos futuros, se pueden incluir la confiabilidad del sistema o el

mejoramiento de perfiles de tensión en el modelo de planeamiento, de tal
forma que se plantee un problema multiobjetivo el cual se enfoque en
minimizar los costos de inversión y operativos pero mejorando los niveles
de confiabilidad y niveles de tensión.
 Igualmente como trabajos futuros, se pueden considerar realizar el

planeamiento a través de una metodología que además de minimizar los
costos de inversión, procure reducir las emisiones de los niveles de CO2
emitidos por las unidades generadoras. Además, se puede realizar un
planeamiento integrado de sistemas de distribución de energía eléctrica con
sistemas de distribución de gas natural como el que se muestra en la
referencia [4], implementado a través de búsqueda tabú.
50
7. BIBLIOGRAFIA.
[1] C. Ponce, Planificación ópitima de la generación distribuida en redes de distribución de

energía eléctrica, Zaragoza, España: Tesis doctoral Universidad de Zaragoza, 2010.
[2] G. A. Restrepo, J. C. Angel, Utilización de algoritmos genéticos para la ubicación y

diomensionamiento óptimo de centrales de GD y su efecto sobre las pérdidas y perfiles de
tensión en redes de distribución, Pereira: Trabajo de grado para optar al título de
ingeniero electricista Universidad Tecnológica de Pereira, 2009.
[3] J. F. Franco, Planeamiento de sistemas de distribución usando búsqueda tabú, Pereira:

Tesis de maestría Universidad Tecnológica de Pereira, 2006.
[4] C. A. Saldarriaga, R. A. Hincapie y H. Salazar, «A Holistic Approach for Panning Natural

Gas ande Electricity Distribution Network,» Transactions On Power Systems IEEE, vol. 28,
nº Issue 4, 2013.
[5] H. M. Mora, Optimización no lineal y dinámica, Bogotá: UNILIBROS, Universidad

Nacional de Colombia, 2001
[6] R. A. Gallego, A. H. Escobar y E. M. Toro, “Técnicas metaheurísticas de optimización”,

Pereira: Taller de publicaciones Universidad Tecnológica de Pereira, Primera edición,
2010.
[7] Gallego, R., Escobar, A., Romero, R. “Técnicas de optimización combinatorial”,

Universidad Tecnológica de Pereira, 2006
[8] F. Glover, «Tabu Search, Part I,» ORSA Journal on Computing, vol. 1, nº 3, pp. 190-206,
1989.
[9] Fundamentals of scatter search and path relinking, Fred Glover-Manuel Laguna,
Control and Cybernetics, vol. 29, num. 3, pp. 653-684, 2000.
[10] Application of Tabu search to optimal placement of DG. K. Nara, Y. Hayashi, K. Ikeda,
T. Ashizaw, Conference: Power Engineering Society Winter Meeting IEEE. Columbus,
Ohio.2001, vol. 2 , pp. 918-923
51
[11] J.F. Franco, Pérez, R.A. Gallego. «Planeamiento de sistemas de distribución usando
búsqueda tabú», pp. 85-90. Scienta et Technica, mayo de 2007, UTP, no 34, vol. XIII
[12]B. R. Pereira, A. M. Cossi y J. R. Sanches, Planejamento de sistemas de distribuição de

energía elétrica a través de um modelo de programação não linear inteiro misto e busca
tabu, Ilha Solteira: Facultade de engenharia de Ilha Solteira, Universidade Estadual
Paulista, 2011.
52
Anexo 1 – Datos sistema de prueba I
I. Valores técnicos del sistema.
Vbase [kV] 13,2

Vmax [pu] 1,05
Vmin [pu] 0,95
Sbase [MVA] 10
Periodo de planeamiento [Años] 3
Costo Energía [$/Kw-h] 250
Tabla 1 – Valores técnicos sistema de prueba 1
II. Demandas de potencia nodal del sistema.
Nodo S [VA] P [W] Q [VAr]

1 4.123.105,63 4.000.000 1.000.000
2 4.123.105,63 4.000.000 1.000.000
3 1.581.138,83 1.500.000 500.000
4 4.123.105,63 4.000.000 1.000.000
5 3.298.484,50 3.200.000 800.000
6 4.123.105,63 4.000.000 1.000.000
7 5.700.877,13 5.500.000 1.500.000
8 4.123.105,63 4.000.000 1.000.000
9 4.123.105,63 4.000.000 1.000.000
10 0 0 0
11 0 0 0
12 0 0 0
Tabla 2 – Demandas nodales sistema de prueba 1
53
III. Datos líneas eléctricas.
Nodo Nodo N° Longitud R X

Existente Tipo
envío recibo elemento [Km] [Ohm/Km] [Ohm/Km]
10 1 1 1 1 1 0,8 0,45
1 2 1 1 2 0,6 0,8 0,45
10 3 1 1 3 1,3 0,8 0,45
3 4 0 0 4 0,2 0,8 0,45
1 5 0 0 5 0,3 0,8 0,45
2 6 0 0 6 0,5 0,8 0,45
3 7 0 0 7 0,2 0,8 0,45
7 8 0 0 8 0,25 0,8 0,45
6 9 0 0 9 0,4 0,8 0,45
10 5 0 0 10 1,5 0,8 0,45
11 4 0 0 11 0,7 0,8 0,45
11 5 0 0 12 0,6 0,8 0,45
11 6 0 0 13 0,8 0,8 0,45
12 8 0 0 14 0,7 0,8 0,45
12 9 0 0 15 0,9 0,8 0,45
12 11 0 0 16 0,9 0,8 0,45
Tabla 3 – Datos líneas sistema de prueba 1
IV. Datos costos líneas.
Costo Repotenciar Costo Inversión R X

Tipo Imáx [A]
[M$/Km] [M$/Km] [Ohm/Km] [Ohm/Km]
1 20 40 454,54 0,8 0,45
2 25 50 606,06 0,65 0,42
3 40 80 909,08 0,52 0,38
4 60 120 1893,94 0,4 0,34
Tabla 4 – Costos líneas sistema de prueba 1
54
V. Datos subestaciones.
Costo Repotenciar Costo Inversión

Tipo P [W] S [VA] Q [VAr]
[M$] [M$]
1 400 800 20000000 23529411,8 12394886,8
2 750 1200 30000000 35294117,6 18592330,2
Tabla 5 – Datos subestaciones sistema de prueba 1
VI. Datos generadores distribuidos.
Costo Inversión CAPACIDAD

S [VA] Q [VAr]
Tipo [M$] [W]
1 325 5250000 6176470,588 3253657,777
2 450 7500000 8823529,412 4648082,538
3 674 9860000 11600000 6110679,177
4 898 12000000 14117647,06 7436932,061
5 1022 16500000 19411764,71 10225781,58
Tabla 6 – Datos generadores sistema de prueba 1
55
Anexo 2 - Datos sistema de prueba II
I. Valores técnicos del sistema.
Vbase [kV] 28
Vmax [pu] 1,05
Vmin [pu] 0,95
Sbase [MVA] 10
Periodo de planeamiento 1 etapa [Años] 5
Periodo de planeamiento 2 etapa [Años] 5
Costo Energía [$/kW-h] 250
Tabla 7 - Valores técnicos sistema de prueba 2
II. Demandas de potencia nodal del sistema.

1 4.023.692 3.900.000 990.000
2 1.375.000 1.100.000 825.000
3 500.000 400.000 300.000
4 1.750.000 1.400.000 1.050.000
5 2.500.000 2.000.000 1.500.000
6 2.638.655 2.600.000 450.000
7 250.000 200.000 150.000
8 1.875.000 1.500.000 1.125.000
9 2.375.000 1.900.000 1.425.000
10 2.500.000 2.000.000 1.500.000
11 250.000 200.000 150.000
12 1.250.000 1.000.000 750.000
13 2.016.340 1.900.000 675.000
14 1.000.000 800.000 600.000
15 1.677.051 1.500.000 750.000
16 1.625.000 1.300.000 975.000
17 2.250.000 1.800.000 1.350.000
18 4.501.111 4.500.000 100.000
19 2.527.969 2.500.000 375.000
20 0 0 0
21 1.209.339 1.200.000 150.000
22 0 0 0
23 0 0 0
Tabla 8 -Demandas nodales 56

sistema de prueba 2, primera etapa
1 4.063.929 3.939.000 999.900
2 1.375.000 1.100.000 825.000
3 530.250 424.200 318.150
4 1.750.000 1.400.000 1.050.000
5 2.525.000 2.020.000 1.515.000
6 795.375 636.300 477.225
7 267.750 214.200 160.650
8 1.893.750 1.515.000 1.136.250
9 2.398.750 1.919.000 1.439.250
10 2.500.000 2.000.000 1.500.000
11 265.125 212.100 159.075
12 1.262.500 1.010.000 757.500
13 1.125.000 900.000 675.000
14 1.020.000 816.000 612.000
15 1.262.500 1.010.000 757.500
16 1.641.250 1.313.000 984.750
17 2.295.000 1.836.000 1.377.000
18 4.546.122 4.545.000 101.000
19 831.517 730.250 397.688
20 500.000 400.000 300.000
21 265.125 212.100 159.075
22 0 0 0
23 0 0 0
24 1.250.000 1.000.000 750.000
25 2.250.000 1.800.000 1.350.000
26 2.500.000 2.000.000 1.500.000
27 3.092.329 3.000.000 750.000
28 1.250.000 1.000.000 750.000
29 1.250.000 1.000.000 750.000
30 1.588.238 1.400.000 750.000
31 1.250.000 1.000.000 750.000
32 6.542.201 6.480.000 900.000
33 1.720.465 1.400.000 1.000.000
34 0 0 0
35 1.000.000 800.000 600.000
36 4.295.346 4.200.000 900.000
37 7.615.773 7.000.000 3.000.000
38 2.012.461 1.800.000 900.000
39 7.017.834 7.000.000 500.000
40 2.250.000 1.800.000 1.350.000
57
41 5.614.268 5.600.000 400.000
42 500.000 400.000 300.000
43 3.354.102 3.000.000 1.500.000
44 3.080.584 3.000.000 700.000
45 2.000.000 1.600.000 1.200.000
46 2.500.000 2.000.000 1.500.000
47 750.000 600.000 450.000
48 0 0 0
49 1.250.000 1.000.000 750.000
50 1.250.000 1.000.000 750.000
51 0 0 0
52 1.250.000 1.000.000 750.000
53 0 0 0
54 0 0 0
Tabla 9 -Demandas nodales sistema de prueba 2, segunda etapa
III. Datos líneas eléctricas.

Existente Tipo
Envío Recibo elemento [Km] [Ohm/Km] [Ohm/Km]
22 1 1 2 1 2,81 0,2921 0,2466
22 3 1 2 2 2,18 0,2921 0,2466
3 4 1 1 3 3,12 0,3655 0,252
4 7 1 1 4 2,5 0,3655 0,252
4 5 1 1 5 3,12 0,3655 0,252
5 6 1 1 6 2,5 0,3655 0,252
1 9 1 1 7 3,43 0,3655 0,252
23 14 1 1 8 3,75 0,3655 0,252
23 11 1 1 9 2,81 0,3655 0,252
11 12 1 1 10 3,12 0,3655 0,252
14 21 1 1 11 3,12 0,3655 0,252
14 15 0 0 12 3,75 0,3655 0,252
15 16 0 0 13 2,81 0,3655 0,252
12 13 0 0 14 4,37 0,3655 0,252
17 8 0 0 15 4,68 0,3655 0,252
7 8 0 0 16 3,12 0,3655 0,252
1 2 0 0 17 3,12 0,3655 0,252
58
9 10 0 0 18 7,18 0,3655 0,252
18 19 0 0 19 2,5 0,3655 0,252
19 20 0 0 20 3,75 0,3655 0,252
20 21 0 0 21 2,18 0,3655 0,252
2 10 0 0 22 5,2 0,3655 0,252
2 17 0 0 23 6,5 0,3655 0,252
2 8 0 0 24 8,3 0,3655 0,252
2 22 0 0 25 4,5 0,3655 0,252
11 13 0 0 26 3,5 0,3655 0,252
13 16 0 0 27 8,1 0,3655 0,252
16 23 0 0 28 7,2 0,3655 0,252
15 23 0 0 29 3,6 0,3655 0,252
16 18 0 0 30 5 0,3655 0,252
18 21 0 0 31 7,6 0,3655 0,252
Tabla 10 -Datos líneas sistema de prueba 2, primera etapa

Existente Tipo
envío recibo elemento [Km] [Ohm/Km] [Ohm/Km]
22 1 1 2 1 2,81 0,2921 0,2466
22 3 1 2 2 2,18 0,2921 0,2466
3 4 1 1 3 3,12 0,3655 0,252
4 7 1 1 4 2,5 0,3655 0,252
4 5 1 1 5 3,12 0,3655 0,252
5 6 1 1 6 2,5 0,3655 0,252
1 9 1 1 7 3,43 0,3655 0,252
23 14 1 1 8 3,75 0,3655 0,252
23 11 1 1 9 2,81 0,3655 0,252
11 12 1 1 10 3,12 0,3655 0,252
14 21 1 1 11 3,12 0,3655 0,252
15 16 1 1 12 2,81 0,3655 0,252
7 8 1 1 13 3,12 0,3655 0,252
18 19 1 1 14 2,5 0,3655 0,252
2 10 1 1 15 5,2 0,3655 0,252
2 17 1 1 16 6,5 0,3655 0,252
2 22 1 2 17 4,5 0,3655 0,252
11 13 1 1 18 3,5 0,3655 0,252
15 23 1 1 19 3,6 0,3655 0,252
16 18 1 1 20 5 0,3655 0,252
14 15 0 0 21 3,75 0,3655 0,252
12 13 0 0 22 4,37 0,3655 0,252
59
17 8 0 0 23 4,68 0,3655 0,252
1 2 0 0 24 3,12 0,3655 0,252
9 10 0 0 25 7,18 0,3655 0,252
19 20 0 0 26 3,75 0,3655 0,252
20 21 0 0 27 2,18 0,3655 0,252
2 8 0 0 28 8,3 0,3655 0,252
13 16 0 0 29 8,1 0,3655 0,252
16 23 0 0 30 7,2 0,3655 0,252
18 21 0 0 31 7,6 0,3655 0,252
6 35 0 0 32 5 0,3655 0,252
8 34 0 0 33 3,75 0,3655 0,252
9 24 0 0 34 4,3 0,3655 0,252
9 29 0 0 35 4,68 0,3655 0,252
11 50 0 0 36 2,5 0,3655 0,252
13 48 0 0 37 3,75 0,3655 0,252
17 40 0 0 38 1,87 0,3655 0,252
18 52 0 0 39 3,12 0,3655 0,252
24 25 0 0 40 4,06 0,3655 0,252
25 26 0 0 41 2,5 0,3655 0,252
25 28 0 0 42 3,12 0,3655 0,252
26 27 0 0 43 3,12 0,3655 0,252
29 30 0 0 44 3,43 0,3655 0,252
30 31 0 0 45 2,81 0,3655 0,252
31 32 0 0 46 2,18 0,3655 0,252
32 8 0 0 47 2,81 0,3655 0,252
34 33 0 0 48 3,43 0,3655 0,252
34 35 0 0 49 3,12 0,3655 0,252
37 36 0 0 50 3,12 0,3655 0,252
37 48 0 0 51 4,06 0,3655 0,252
38 10 0 0 52 3,12 0,3655 0,252
40 41 0 0 53 2,18 0,3655 0,252
41 42 0 0 54 2,18 0,3655 0,252
43 38 0 0 55 1,87 0,3655 0,252
44 45 0 0 56 3,43 0,3655 0,252
45 39 0 0 57 4,06 0,3655 0,252
45 17 0 0 58 2,81 0,3655 0,252
46 16 0 0 59 2,5 0,3655 0,252
47 46 0 0 60 2,5 0,3655 0,252
47 18 0 0 61 3,75 0,3655 0,252
48 43 0 0 62 2,5 0,3655 0,252
49 44 0 0 63 3,12 0,3655 0,252
60
50 49 0 0 64 2,18 0,3655 0,252
51 14 0 0 65 3,43 0,3655 0,252
52 51 0 0 66 3,12 0,3655 0,252
53 42 0 0 67 2,5 0,3655 0,252
53 35 0 0 68 3,12 0,3655 0,252
53 47 0 0 69 3,12 0,3655 0,252
54 28 0 0 70 2,5 0,3655 0,252
54 29 0 0 71 3,75 0,3655 0,252
54 37 0 0 72 2,81 0,3655 0,252
Tabla 11 -Datos líneas sistema de prueba 2, segunda etapa
IV. Datos costos líneas.
Costo Repotenciar Costo Inversión R X

Tipo Imax [A]
[M$/Km] [M$/Km] [Ohm/Km] [Ohm/Km]
1 30 70 185,58 0,3655 0,252
2 70 135 391,77 0,1827 0,126
3 80 150 461,88 0,146 0,1233
4 100 180 577,35 0,0966 0,114
Tabla 12 – Costos líneas sistema de prueba 2
V. Datos subestaciones.
Costo Repotenciar Costo Inversión

Tipo [M$] [M$] Capacidad [W] S [VA] Q [VAr]
1 250 400 15000000 17647058,8 9296165,08
2 360 600 30000000 35294117,6 18592330,2
3 480 800 40000000 47058823,5 24789773,5
Tabla 13 – Datos subestaciones sistema de prueba 2
61
VI. Datos generadores distribuidos.
Costo
Tipo Inversión CAPACIDAD S [VA] Q [VAr]
[M$] [W]
1 325 3250000 3823529,41 2014169,1
2 450 5500000 6470588,24 3408593,86
3 600 7860000 9247058,82 4871190,5
Tabla 14 – Datos generadores sistema de prueba 2, primera etapa
Costo
Tipo Inversión CAPACIDAD S [VA] Q [VAr]
[M$] [W]
1 325 3250000 3823529,41 2014169,10
2 450 5500000 6470588,24 3408593,86
3 600 7860000 9247058,82 4871190,50
4 850 9500000 11176470,6 5887571,21
Tabla 15 – Datos generadores sistema de prueba 2, segunda etapa
62

Tesis (2014) - Planeamiento de Sistemas de Distribución de Energía Eléctrica Con Generacion Distribuida Utilizando Búsqueda Tabú

Cargado por

Copyright:

Formatos disponibles

Tesis (2014) - Planeamiento de Sistemas de Distribución de Energía Eléctrica Con Generacion Distribuida Utilizando Búsqueda Tabú

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis (2014) - Planeamiento de Sistemas de Distribución de Energía Eléctrica Con Generacion Distribuida Utilizando Búsqueda Tabú

Cargado por

Copyright:

Formatos disponibles

PLANEAMIENTO DE SISTEMAS DE DISTRIBUCIÓN DE

ENERGÍA ELÉCTRICA CON GENERACIÓN DISTRIBUIDA

ANDRÉS CAMILO SANTACRUZ CABRERA

CHRISTIAN CAÑAVERAL OSORIO

Programa de Ingeniería Eléctrica

Universidad Tecnológica de Pereira

ANDRÉS CAMILO SANTACRUZ CABRERA

CHRISTIAN CAÑAVERAL OSORIO

Proyecto de grado para optar al título de Ingeniero Electricista

Director: Harold Salazar Isaza, PhD.

Co-director: Carlos Arturo Saldarriaga Cortes, MSc.

Programa de Ingeniería Eléctrica

Universidad Tecnológica de Pereira

Pereira, Junio de 2014

Firma del presidente del jurado

Firma del jurado

“A mi familia y en especial a mi madre, por su esfuerzo y por el

constante apoyo brindado a lo largo de mi formación personal

y profesional. A mi compañero Christian por el trabajo

realizado en el presente proyecto”. Andrés.

“A mis padres y hermanos por su paciencia y apoyo. A Andrés Santacruz

mi compañero, por tanto tiempo de trabajo y dedicación en este proyecto.

A Laura, Alex y a todos mis compañeros de estudio, por compartir

Tantas experiencias”. Christian.

A los profesores Harold Salazar y Carlos Saldarriaga, por compartirnos sus

A todos los profesores del programa de Ingeniería Eléctrica de la Universidad

A nuestros compañeros del grupo de investigación Geovanny y Juan Guillermo,

Figura 1. Mecanismo de transición de TS……………………………….............. 16

Figura 2. Diagrama de bloques Tabu Search……………………………………. 21

Figura 3. Diagrama de bloques del algoritmo……………………………………. 23

Figura 4. Codificación para alimentadores……………………………………….. 30

Figura 5. Sistema de prueba 12 nodos…………………………………………… 34

Figura 6. Discretización curva de duración de carga……………………………. 35

Figura 7. Propuesta de planeamiento sistema de prueba 12 nodos………….. 37

Figura 8. Sistema de prueba 54 nodos…………………………………………… 40

Figura 9. Propuesta de planeamiento sistema 54 nodos, etapa I…….............. 42

Figura 10. Propuesta de planeamiento sistema 54 nodos, etapa II……..…….. 44

Tabla 1. Niveles de carga………………………………………………….............. 34

Tabla 2. Parámetros algoritmo de TS sistema de prueba 12 nodos…………... 35

Tabla 3. Relación de costos propuesta de planeamiento sistema 12 nodos…. 37

Tabla 4. Parámetros algoritmo de TS sistema de prueba 54 nodos, etapa 1… 41

Tabla 5. Costos propuesta de planeamiento sistema 54 nodos, etapa 1……... 42

Tabla 6. Parámetros algoritmo de TS sistema de prueba 45 nodos, etapa 2… 43

Tabla 7. Costos propuesta de planeamiento sistema 54 nodos, etapa 2……... 44

Tabla 8. Relación de costos sistema de prueba 2 (Millones de dólares)……… 47

Ecuación 1. Función objetivo del problema…….……………………….............. 4

Ecuación 2. Costo de alimentadores……………………………………………... 5

Ecuación 3. Costo de subestaciones…………………………………………..…. 5

Ecuación 4. Costo de generadores distribuidos……………………………….… 5

Ecuación 5. Costos operativos……………………………………………..……... 6

Ecuación 6. Restricción balance de potencia nodal…………………………..… 7

Ecuación 7. Restricción límite de corriente………………………………..……... 7

Ecuación 8. Restricción capacidad máxima subestaciones…………….……… 7

Ecuación 9. Restricción capacidad máxima generadores…..………….……… 7

Ecuación 10. Restricción límites de tensión en los nodos…..………….……… 7

Ecuación 11. Restricción número de subestaciones por nodo..……….……… 7

Ecuación 12. Restricción número de generadores por nodo…………...……… 7

Ecuación 13. Restricción número de alimentadores por tramo de red……..… 7

Ecuación 14. Restricción de radialidad……………………..…………….……… 7