ALGORITMOS EVOLUTIVOS EN

PROBLEMAS DE INGENIERA ELCTRICA

Dr.- Ing. Pal Vsquez M.

DIRECTOR DE PLANIFICACIN
CONSEJO NACIONAL DE ELECTRICIDAD CONELEC

ESPOL
Guayaquil, Julio 2010

CONTENIDO

Problemas Combinatorios

Mtodos Matemticos
Solvers disponibles
Algoritmos Evolutivos
Algoritmo Propuesto
Ejemplo Numrico
Aplicaciones

PROBLEMAS COMBINATORIOS
Ubicacin ptima de Capacitores
Diseo de Topologa de Circuitos Impresos
Diseo de Almacenamiento de Energa
Diseo de Horarios en Grandes Universidades
Planificacin de Expansin de SEP

Calibracin protecciones en grandes SEP

MTODOS MATEMTICOS

MTODOS MATEMTICOS

Decisiones en campos operativo y gerencial tradicionalmente

se resuelven con mtodo del gradiente.
Forma y propiedades de la funcin objetivo deben conocerse.
Espacio de soluciones factibles debe ser convexa.
FO y restricciones diferenciables.
Solucin puede quedar atrapada en ptimos locales.
nica solucin al problema

SOLVERS DISPONIBLES
GAMS.
XPRESS.
GOSET.
Solver Excel.
Optimtool - Matlab

ALGORITMOS EVOLUTIVOS
Mtodos
gradiente.

simulativos

libres

Uso de ideas e inspiraciones de

la evolucin natural y adaptacin
para
resolver
problemas
combinatorios
Capaces de manejar complejos
espacios de solucin y FO.
Algoritmos Genticos, Simulated
Annealing, Algoritmos Evolutivos,
PSO, EPSO
No garantizan optimalidad pero
en lugar de una, encuentran
varias soluciones satisfactorias.

ALGORITMO PROPUESTO
Generation
of P0

Evaluation
of OF

Ranking
Individuals

Population
of
Solutions

NO

desempeo de las soluciones.

Un individuo representa el estado

del sistema a lo largo del tiempo.

Is a better
solution?

YES
End

La funcin objetivo mide el

Determine
E, W, S
Apply
Search
Operations
Generation
of Pi

Algoritmo basado en poblacin

adaptiva con intercambio
informacin entre individuos.

de

ALGORITMO PROPUESTO

Codificacin Individuos

t0

t1

t(p+1)

L1

L2

L3

L4

Ln

L1

L2

L3

L4

Ln

L1

L2

L3

L4

Ln

INDIVIDUAL

ALGORITMO PROPUESTO
Poblacin Inicial y Mecanismos de Seleccin

Parents = P - W = E + S

E = 0.05P

Parents 2W

W = 0.2P
W

ALGORITMO PROPUESTO
Operaciones de Bsqueda. Recombinacin
z-point Crossover

z=2

Random Reproduction
Iai

x=a

L1a

L2a

L3a

Ln-1a

Lna

Iai

L1b

L 2b

L3b

L 4b

Lnb

Ibi

L1b

L2b

L3b

Ln-1b

L nb

Ibi

Ici+1

Ln-1b

Lnb

L3a

Ln-1a

Lna

Ici+1

L1b

L2b

L 3b

L1a

L2a

Idi+1

Lna

L4a

L3a

L2a

L 1a

L 1a

L 2b

L3b

L4a

Lna

Ici+1=u.Iai+(1-u).Ibi ; i = offspring number

u(1, i ) binary uniform distribution of probability function
u1xn

u(1, i )

[0, 1];

u(Parents )

a, b

z = unidrnd(n/2)

x = u([a,b])

ALGORITMO PROPUESTO
Operaciones de Bsqueda. Mutacin
z
a

L1ai

L2ai

Mutation
L3ai

L4ai

Lnai

L1ai

f(L2i)

L3ai

L4ai

Lnai

z = unidrnd(n)
f(L2i) = unidrnd(L2i)

a = unifrnd(S);

Ii

Ii+1

ALGORITMO PROPUESTO
Operaciones de Bsqueda. Movimiento
Movement of a random decision variable
z=3

1;
j i e
i

0;

Lzi

Ln-1i

Lzj

Lzi

1;
j i e

L1i

L 2i

L3i

Ln-1i

L1i
+1

L2i
+2

L3i
+3

L(n-1)i

Lni
+n

Lzj
e

Lzi

Lzj
e

a = unifrnd(P E W);

Lni-e

Ii-e

Lni

Ii

Ii

Ii+1

1;

0
0

(i-e)

Ii-e

j i e
e

Lni

Ln-1

L2i

L3i
+

L3i-e

Lni

L2i-e

Ln-1i

L1i-e

L3i

L1i

Lni-e

L2i

(i-e)

L1i

L3i-e

L2i-e

L1i-e

Ln-1

Movement of a complete individual

j i e
i
n

0;

Lni

+(n-1)

Lnj
e

Lni

j i e
e

1;
j i e

Lnj
e

Lni

Lnj
e

Ii+1

0
0 ; n
0

a = unifrnd(P E W);

[1,2,..., n ]

EJEMPLO NUMRICO
PLANIFICACIN DE LA EXPANSIN DE LA TRANSMISIN
Referencia : Youseff, H.K.M., Dynamic TEP using a
constrained GA, ELSEVIER, Electrical Power and
Energy Systems 23, 2001
150MW 80MW
20MW
G1

240MW 40MVAr
60MW 10MVAr
5

40MW
10MW

Gi c0i c1i Pi c2i Pi 2 [$/h]

Di

MW
MVAr

peak

1
valley

1 year

G3

CO&M 800 km [$/year]

360MW
6

VOLL 100 [$/MWh]

60MW 10MVAr
240MW 40MVAr

r [r1 , r2 ,...rp 1 ] [%]

4

G6
600MW

1 - 5 year
6 - 10 year

40MW 6MVAr
160MW 24MVAr

Expansin de la Generacin y
Costos de Inversin con matrices
binaria y entera respectivamente

EJEMPLO NUMRICO
RESULTADOS
BEST INDIVIDUALS

OF [M$]

129,497

129,840

130.224

130.680

134.510

Total Expansion
Costs [M$]

Variable Costs
[M$]

Investment Costs
[M$]
16,001

113,496

129,497

18,555

111,285

129,840

18,555

111,669

130,224

20,257

110,423

130.680

20,648

113,820

134.510

EJEMPLO NUMRICO
MEJOR SOLUCIN
240MW 40MVAr

CG = 5314 $/h

0.96

7.5

150MW
80MW
18.86 $/MWh
56.52%

0.95 0

97.3%

40MW
3

1.03 3.2

17.44 $/MWh

9.26%
56%

0.96

290.6MW

2.5

5.26%

93.5%
240MW 40MVAr

2.6%

1.0 14
14.29 $/MWh
357.4MW

85%

0.90

160MW 24MVAr

EJEMPLO NUMRICO
SEGUNDA SOLUCIN
150MW
80MW
16.42 $/MWh

240MW 40MVAr

CG = 5189 $/h

0.98

8.1

60.15.52%

0.95 0

95%

40MW
3

3.4%

1.03 2.5
37.6%

16.10 $/MWh
268.4MW

0.99
72.7%

1.4

8.05%

240MW 40MVAr

6.8%

1.03 10
14.98 $/MWh
374.4MW

78.2%

0.93

160MW 24MVAr

2.3

COMENTARIOS FINALES
Variables de decisin en los AG se codifican en forma binaria.
No es necesario que los individuos de la Po sean candidatos factibles
Se han incorporado dos operaciones de movimiento. Carcter evolutivo.
A diferencia de los mtodos matemticos, es posible encontrar un conjunto
de soluciones factibles.