I

ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE INGENIERÍA
ELÉCTRICA Y ELECTRÓNICA

UBICACIÓN ÓPTIMA DE EQUIPOS DE COMPENSACIÓN REACTIVA.

APLICACIÓN AL SISTEMA NACIONAL INTERCONECTADO ECUATORIANO

TESIS PREVIA A LA OBTENCIÓN DEL TÍTULO DE INGENIERO ELÉCTRICO

ROBERTO JAVIER VEINTIMILLA NICOLALDE

robertoveint_ec@hotmail.com

DIRECTOR: Ing. JULIO GÓMEZ

jgomez@cenace.org.ec

Quito, junio de 2009

 II

DECLARACIÓN

Yo ROBERTO JAVIER VEINTIMILLA NICOLALDE, declaro bajo juramento que el

trabajo aquí descrito es de mi autoría; que no he presentado previamente por
ningún grado o calificación profesional; y, que he consultado las referencias
bibliográficas que se incluyen en este documento.

A través de la presente declaración cedo mis derechos de propiedad intelectual

correspondientes a este trabajo, a la Escuela Politécnica Nacional, según lo
establecido por la Ley de Propiedad Intelectual, por su Reglamento y por la
normatividad institucional vigente.

______________________________________
ROBERTO JAVIER VEINTIMILLA NICOLALDE
 III

CERTIFICACIÓN

Certifico que el presente trabajo fue desarrollado por ROBERTO JAVIER

VEINTIMILLA NICOLALDE, bajo mi supervisión.

________________________
Ing. Julio Gómez.
DIRECTOR DEL PROYECTO
 IV

DEDICATORIA

El presente trabajo es dedicado en primer plano y con mucho cariño a mis padres,
que con esfuerzo y dedicación me han brindado los mejores estudios y han sabido
conducirme hacia la verdad, el bien y buenas costumbres durante toda mi vida,
siendo un ejemplo de coraje, valor y responsabilidad. Este trabajo es dedicado
también en memoria al amigo Doc. Pablo Oñate que demostró ser no solo un
director de tesis, sino un amigo como pocos.
 V

AGRADECIMIENTOS

Un sincero agradecimiento a la Corporación CENACE que me permitió realizar mi

tesis en sus instalaciones y bajo la guía de sus profesionales, agradezco también
de una manera especial a todo el equipo de la Dirección de Planeamiento, amigos
que aplacaron las dudas de mi tesis con significativo conocimiento, así como en mi
aprendizaje personal. Agradezco también al Ing. Julio Gómez director de tesis que
gracias a su guía y enseñanzas no solo permitió la culminación de esta tesis, sino
llevarme a incursionar hacia campos laborales que los estudiantes comúnmente
no los divisamos, por último agradezco también al profesional y amigo Ing.
Santiago Espinosa que fue un apoyo importante para mi tesis.
 1

1. INTRODUCCIÓN

Resumen

Uno de los principales problemas en el sistema nacional interconectado

ecuatoriano es el de bajos voltajes, en diferentes condiciones de demanda,
específicamente en demanda media y máxima, ocasionado por la falta de
generación en los nodos de la red, caída de voltaje en las líneas de transmisión, o
falta de equipos de compensación reactiva.

El objetivo central de este proyecto, es presentar un algoritmo capaz de

determinar la ubicación óptima de equipos de compensación reactiva en un
sistema eléctrico para solucionar el problema de bajas tensiones, procurando
mantenerlos en un rango específico conforme establecen los requerimientos de
calidad y estabilidad de la red eléctrica.

1.2 OBJETIVOS

• Proponer una metodología de planificación que permita determinar la

ubicación óptima de equipos de suministro de potencia reactiva en base a
un proceso de optimización que minimiza los costos de inversión.
• Establecer criterios de optimización en la expansión de potencia reactiva
tomando en cuenta criterios económicos, técnicos y parámetros de calidad
y seguridad.
• Validar la metodología propuesta para un caso base de un sistema eléctrico
de 7 barras con problemas de bajos voltajes.
 2

• Validar la metodología propuesta en el sistema nacional interconectado

ecuatoriano, considerando varios escenarios de demanda y condiciones
hidrológicas.
• Comparar los resultados obtenidos con el plan de expansión elaborado por
la Empresa Nacional de Transmisión.

1.3 ALCANCE

Se desarrollará una metodología capaz de resolver el problema concerniente a la

expansión de potencia reactiva considerando criterios técnicos, económicos y
parámetros de calidad y seguridad. Esta metodología será aplicada al sistema
nacional interconectado ecuatoriano, considerando un escenario lluvioso debido a
que los problemas de baja tensión se presentan precisamente en esta condición
de operación, en diferentes condiciones de demanda. Además, se demostrará la
eficiencia, flexibilidad y ventajas del algoritmo.

1.4 JUSTIFICACIÓN DEL PROYECTO

El objetivo de la planificación de expansión del suministro de potencia reactiva en

un sistema eléctrico de potencia, consiste en determinar la instalación de nuevas
fuentes o equipos de producción de potencia reactiva que permitan el control de la
tensión para conseguir una explotación económica y segura ante diferentes
escenarios operativos.

La implementación de reactivos en Ecuador ha sido un problema relevante en el

sistema eléctrico de potencia durante los últimos años, tanto en la ubicación,
implementación y tamaño óptimo de los mismos, por tal motivo se ha visto
conveniente el estudio y formulación de un algoritmo capaz de ayudar en la
solución de este asunto, de manera técnica y económica.
 3

Este estudio será una importante ayuda para la Planificación de Expansión

Potencia Reactiva, al proporcionar una herramienta alternativa o complementaria,
a la metodología o modelo de expansión utilizado por la empresa de transmisión
ecuatoriana.

1.5 DESCRIPCIÓN DEL TRABAJO

Mediante un algoritmo de optimización, se selecciona la magnitud requerida de los

módulos de capacitores y la adecuada ubicación en la red del sistema eléctrico,
necesarios para mantener las tensiones en los nodos de la red dentro del rango de
calidad y seguridad permitidos en el sistema. Esta tarea se realiza con el
optimizador GAMS, que por su buen desempeño y programación amigable, se
consideró la mejor opción.

Se ha fraccionado este trabajo en las siguientes etapas:

• Elaboración del algoritmo de optimización que incluye el flujo de potencia
activa y reactiva, que determina la ubicación de valores estándar de
módulos de capacitores, a fin de controlar el voltaje en las barras que lo
necesiten.
• Se prueba y evalúa el algoritmo en un sistema eléctrico base, de siete
barras y con problemas de baja tensión.
• Se elabora la base de datos del Sistema Nacional Interconectado con todos
sus componentes de red y unidades de generación, para ser utilizado con el
algoritmo.
• Se conforma la base de datos de los módulos de capacitores disponibles en
el mercado, así como los costos de inversión de los mismos, y que
constituyen las variables de decisión del algoritmo.
• Se aplica el algoritmo para el sistema nacional interconectado, con los
despachos de generación para los períodos de hidrología favorable,
manteniendo fija la potencia activa.
 4

• Se analizan y evalúan los resultados, a fin de validar la aplicación del

algoritmo propuesto en el sistema nacional interconectado.
 5

2. MARCO TEÓRICO

2.1 PROGRAMACIÓN LINEAL

2.1.1 INTRODUCCIÓN

La programación matemática es una potente técnica de modelado usada en la

solución de problemas de optimización. Cuando se trata de resolver un problema
de este tipo, la primera etapa consiste en identificar las posibles decisiones que
pueden tomarse, lo que lleva a identificar las variables del problema.
Normalmente, las variables son de carácter cuantitativo y se buscan los valores
que optimizan la función objetivo. En la segunda etapa, se determina qué
decisiones resultarían admisibles. Esto conduce a un conjunto de restricciones
que definen el espacio de solución del problema en cuestión. En la tercera etapa,
se calcula el costo/beneficio asociado a cada decisión admisible. El proceso
determina el conjunto de todos estos elementos que definen el problema de
optimización.
La programación lineal (PL), ampliamente utilizada en aplicaciones de la
ingeniería, la economía, la gestión, y muchos otros trata exclusivamente con
funciones objetivo y restricciones lineales.
Para cualquier problema de programación lineal (PPL), se requiere identificar
cuatro componentes básicos:
a. El conjunto de datos.
b. El conjunto de variables involucradas en el problema, junto con sus respectivos
dominios de definición (valores admisibles que pueden tomar las variables).
c. El conjunto de restricciones lineales del problema que definen el espacio o
región de soluciones admisibles.
d. La función objetivo lineal que debe ser optimizada (minimizada o maximizada).
 6

2.1.2 FORMULACIÓN DEL PROBLEMA Y SOLUCIÓN (PROBLEMA DE

PROGRAMACIÓN LINEAL).

La forma más general de un problema de programación lineal (PPL) consiste en

minimizar o maximizar una función objetivo, sujeta a un conjunto de restricciones:

Z = f ( x) = ∑ j =1 C j x j
n
(2.1.1)
Sujeto a

∑
n
j =1
a ij x j = bi , i = 1,2.... p − 1

∑
n
j =1
a ij x j ≥ bi , i = p......q − 1 (2.1.2)

∑
n
j =1
a ij x j ≤ bi , i = q.......m

Lo que distingue un problema de programación lineal de cualquier otro problema

de optimización es que todas las funciones que en él intervienen son lineales.
La función lineal en (2.1.1) se denomina función objetivo o función de costo, y es
la función a optimizar. Obsérvese que en el conjunto de restricciones (2.1.2), se
presentan todas las posibles alternativas en lo que se refiere a los operadores que
relacionan los dos términos de las restricciones lineales.

Ejemplo 2.1.1 (solución única). Considérese el siguiente problema de

programación lineal. Maximizar
Z=3x1+x2
Sujeto a
− x1 + x 2 ≤ 2
x1 + x 2 ≤ 6
x1 ≤3
2 x1 − x 2 ≤ 4 (2.1.3)
− x2 ≤ 0
− x1 − x 2 ≤ −1
− x1 ≤0

La figura 2.1.1 muestra la región factible (área sombreada), donde la solución se

alcanza en el punto P, que se encuentra en una curva de nivel de costo en la
 7

dirección de incremento del valor de Z, en el vértice extremo de la región de

factibilidad. P es por tanto la intersección de las rectas: x1 + x 2 = 6 y x1 = 3
En ese punto, la función objetivo alcanza el máximo valor: Z = 12.

P = (3,3)

Ejemplo 2.1.2 (soluciones múltiples). Si la función objetivo del ejemplo 2.1.1 se

cambia por la función

Z = x1 + x 2
Las curvas de nivel de costo son paralelas a una de las restricciones (la segunda).

En este caso, el óptimo se alcanza en todos los puntos de la arista

correspondiente del politopo (polígono multidimensional), como se muestra en la
figura 2.1.2. Cualquier punto del segmento de línea recta entre los puntos
(2,4) T y (3,3) T , es solución del problema y el valor máximo de la función objetivo es
Z=6.

1
Figura 2.1.2 : Ilustración gráfica de un problema de programación lineal con soluciones múltiples.

1
Figura tomada de la referencia bibliográfica
 8

Ejemplo 2.1.3 (solución no acotada). Considérese el siguiente problema de

programación lineal (PPL) en el que se maximiza
Z=3x1+x2 (2.1.4)

Sujeto a
− x1 + x1 ≤ 2
− x2 ≤ 0
(2.1.5)
− x1 − x 2 ≤ −1
− x1 ≤0
Este problema tiene una solución no acotada, porque como se muestra en la
figura 2.1.3, la región factible no está limitada en la dirección de crecimiento de la
función objetivo.

2
Figura 2.1.3 : Ilustración gráfica de un problema de programación lineal con región de factibilidad y
solución no acotada

2.1.3 TEORIA DE DUALIDAD Y ANALISIS DE SENSIBILIDAD

Durante el desarrollo inicial de la programación lineal se descubrió el concepto de

dualidad, que reveló que asociado a todo problema de programación lineal, existe
otro problema llamado dual. Las relaciones entre el problema dual y el original
(llamado primal) son extremadamente útiles en una gran variedad de situaciones.
Por ejemplo la solución óptima del problema dual es la que proporciona los precios
sombra del recurso (mide el valor marginal del recurso, es decir la tasa a la que la

2
Figura tomada de la referencia bibliográfica
 9

función objetivo puede aumentar si se incrementa la cantidad que se proporciona

de cada recurso)
Un papel clave que juega la teoría de dualidad es la interpretación y realización del
análisis de sensibilidad, que constituye una parte muy importante en los estudios
de programación lineal. Dado que algunos o todos los valores de los parámetros
que se emplean en un determinado problema son estimaciones iniciales de
condiciones futuras, es necesario investigar el efecto que se tendría sobre la
solución óptima en caso de que ocurrieran otras condiciones. Aún más, ciertos
valores de estos parámetros pueden representar decisiones importantes, en cuyo
caso su elección debe ser el tema más importante de la investigación y, por
supuesto, se estudia a través del análisis de sensibilidad.

El análisis de sensibilidad trata de interpretar como cambiaría la solución óptima

de un problema lineal si se cambia algún coeficiente c j , aij o la cantidad de

recursos bi . En muchos casos, los cambios son directamente predecibles de los

valores de las variables del problema dual.

Considerando el siguiente problema primal:

n
Max Z = ∑ c j x j (2.1.6)
j =1

sujeto a :
n

∑a
j =1
ij x j ≤ bi para i = 1,2,..m
(2.1.7)
xj ≥ 0 para j = 1,2...n

Se investiga el efecto de hacer cambios en los valores de los parámetros c j , aij ó

bi en el modelo.

Si la solución óptima del problema lineal cambia cuando se hacen modificaciones

pequeñas en los parámetros, el problema lineal es sensible.
 10

Si la variación en algún parámetro c j , aij ó bi causa cambios grandes en la

solución, se dice que la solución es inestable con respecto al parámetro.

La dualidad en programación lineal

Dado un modelo o problema lineal determinado, se puede definir otro modelo
lineal que permitirá obtener propiedades interesantes del primero y que será su
dual. La solución del modelo dual permite obtener interesantes resultados,
relativos al análisis de sensibilidad de los términos independientes.

Ejemplo 2.1.5 (problemas primal y dual del carpintero). Un carpintero modesto

fabrica dos tipos de mesas de madera. Cada mesa del tipo 1 necesita 4 horas de
mecanizado primario (preparación de piezas) y 4 horas de mecanizado secundario
(ensamblado y barnizado). Análogamente, cada mesa del tipo 2 necesita 3 horas
de mecanizado primario y 7 horas de mecanizado secundario.

Tabla 2.1.1 Datos para el problema del carpintero

Disponibilidad
Tipo de Mesa de horas
máquina por día
Mecanizado Primario 4 3 40
Mecanizado Secundario 4 7 56
Beneficio (dólares) 70 90

Las disponibilidades diarias de mecanizados primario y secundario son

respectivamente de 40 y 56 horas-máquina. La venta de una mesa del tipo 1
reporta un beneficio de 70 dólares, mientras que la venta de una mesa del tipo 2
de 90 dólares. Estos datos se resumen en la tabla 2.1.1. El objeto de este
problema es determinar el número de mesas de cada tipo que han de producirse
diariamente para maximizar el beneficio obtenido. Este problema puede
formularse como un problema de programación lineal que maximiza
Z = 70 x1 + 90 x 2
 11

Sujeto a
4 x1 + 3 x 2 ≤ 40
4 x1 + 7 x 2 ≤ 56 (2.1.8)
x1 , x 2 ≥0

Donde x1 y x2 son las cantidades diarias de mesas a fabricar de los tipos 1 y 2

respectivamente. La solución óptima de este problema, como se observa en la
figura 2.1.4, establece que han de producirse diariamente 7 y 4 mesas de los tipos
1 y 2 respectivamente, lo que da lugar a un beneficio de 850 dólares. Este
resultado indica que ambos recursos de mecanizado (primario y secundario) están
plenamente utilizados porque las restricciones relacionadas con ellos están ambas
activas. Por otra parte, considérese que quiere aumentarse el beneficio diario.
Para ello es necesario aumentar la capacidad productiva. Considérese que la
capacidad de mecanizado secundario puede aumentarse cada día de 56 a 72
horas de máquina. ¿Como afecta esta ampliación de capacidad a los beneficios
diarios? La solución puede obtenerse resolviendo el siguiente problema en el que
se maximiza
Z = 70 x1 + 90 x 2
Sujeto a
4 x1 + 3x 2 ≤ 40
4 x1 + 7 x 2 ≤ 72
x1 , x 2 ≥0
(2.1.9)

En este caso la solución óptima

es x1 = 4 y x2 = 8 con un beneficio
máximo diario de 1000 dólares.
Esta solución indica que el
beneficio diario crece en 150
dólares y la capacidad de
mecanizado secundario crece en
72-56 = 16 horas máquina. El
 12

aumento de la función objetivo es 1000-850/16=150/16=75/8 dólares. Crece al

crecer la capacidad de mecanizado secundario en 1 hora, y se denomina
sensibilidad o precio sombra (también precio dual) de la capacidad de mecanizado
secundario. En general el precio sombra de una restricción proporciona el cambio
en el valor de la función objetivo como resultado de un cambio unitario en el
término independiente de la restricción, suponiendo que el resto de parámetros del
problema permanecen inalterados.
En muchos problemas de programación lineal los precios sombra son tan
importantes como la solución del problema, ya que proporcionan información
sobre el efecto en la función objetivo de cambios en los recursos disponibles. Los
precios sombra pueden obtenerse resolviendo el problema dual.

El problema dual del problema del carpintero (2.1.8) se formula a continuación.

Minimizar Z = 40 y1 + 56 y 2
Sujeto a
4 y1 + 4 y 2 ≥ 70
3 y1 + 7 y 2 ≥ 90 (2.1.10)
y1 , y 2 ≥0

La solución óptima de este problema es y1 = 65/8, y2 = 75/8, y el valor óptimo de la

función objetivo es 850. Obsérvese que y1 y y2 son los precios sombra de las
capacidades de mecanizado primario y secundario, respectivamente, y que los
valores óptimos de la función objetivo de (2.1.8) y (2.1.10) coinciden. El problema
dual (2.1.10) puede interpretarse de la siguiente manera. Considérese que el
objetivo es vender tiempo de mecanizado primario y secundario y supóngase que
de esta forma se obtienen al menos el mismo nivel de beneficios que haciendo
mesas. En esta situación vender tiempo de mecanizado y hacer mesas han de ser
actividades igualmente lucrativas. Las variables y1 y y2 representan los precios de
venta de una hora de mecanizados primario y secundario respectivamente. Para
preservar la competitividad del negocio, el beneficio diario ha de minimizarse, esto
es minimizar la función 40y1 + 56y2, donde 40 y 56 representan respectivamente la
disponibilidad diaria en horas de mecanizado primario y secundario
 13

respectivamente. Las restricciones (2.1.10) establecen que el costo de las horas

de mecanizado primario y secundario para producir una mesa de cada tipo no
debe superar el beneficio que se obtiene por venta de la misma; y que los precios
son cantidades no negativas.

2.1.4 RESOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL

Los economistas de la antigua Unión Soviética fueron los primeros en aplicar las
técnicas de la programación lineal en la organización y planificación de la
producción. Sin embargo, fue durante la Segunda Guerra Mundial cuando la
programación lineal adquirió importancia. La Fuerza Aérea de los Estados Unidos
creo el proyecto SCOOP (Scientific Computation of Optimal Programs) dirigido por
G. B. Dantzig. El método más conocido para resolver problemas de programación
lineal, el método simplex, es debido a Dantzig, quien lo introdujo en 1947.
Método Simplex
El método simplex emplea un proceso iterativo que inicia en un punto extremo
factible, normalmente el origen, y se desplaza sistemáticamente de un punto
extremo factible a otro, hasta que se alcanza el punto óptimo.
El método Simplex es un método secuencial de optimización y puede ser
empleado, tanto para maximizar como para minimizar una función de costo.

Procedimiento del Método Simplex

- Construcción de la primera tabla: En la primera columna de la tabla aparecerá lo

que se llamará base, en la segunda el coeficiente que tiene en la función objetivo
cada variable que aparece en la base (se llamará a esta columna Cb), en la
tercera el término independiente de cada restricción (P0), y a partir de ésta
columna aparecerán cada una de las variables de la función objetivo (Pi). Para
tener una visión más clara de la tabla, se incluirá una fila en la que se pondrá cada
uno de los nombres de las columnas. En ésta tabla se incluirá dos nuevas filas:
una que será la que liderará la tabla donde aparecerán las constantes de los
coeficientes de la función objetivo, y otra que será la última fila, donde tomará
valor la función objetivo. La tabla final 2.1.2 tendrá tantas filas como restricciones.
 14

Tabla 2.1.2
C1 C2 ... Cn
Base Cb P0 P1 P2 ... Pn
Pi1 Ci1 bi1 a11 a12 ... a1n
Pi2 Ci2 bi2 a21 a22 ... a2n
... ... ... ... ... ... ...
Pim Cim bim am1 am2 ... Amn
Z Z0 Z1-C1 Z2-C2 ... Zn-Cn

Los valores de la fila Z se obtienen de la siguiente forma: El valor Z0 será el de

sustituir Cim en la función objetivo (y cero si no aparece en la base). El resto de
columnas se obtiene restando a este valor el del coeficiente que aparece en la
primera fila de la tabla.
Se observará al realizar el método Simplex, que en esta primera tabla, en la base
estarán las variables de holgura.
- Condición de parada: Se comprobará si se debe dar una nueva iteración o no, en
función de si en la fila Z aparece algún valor negativo. Si no aparece ninguno, es
que hemos llegado a la solución óptima del problema.
- Elección de la variable que entra: Si no se ha dado la condición de parada, se
debe seleccionar una variable para que entre en la base en la siguiente tabla. Para
ello se fijan los valores estrictamente negativos de la fila Z, y el menor de ellos
será el que de la variable entrante.
- Elección de la variable que sale: Una vez obtenida la variable entrante, se
obtiene la variable que sale, sin más que seleccionar aquella fila cuyo cociente
P0/Pj sea el menor de los estrictamente positivos (teniendo en cuenta que sólo se
hará cuando Pj sea mayor de 0). La intersección entre la columna entrante y la fila
saliente determinará el elemento pivote.
- Actualización de la tabla: Las filas correspondientes a la función objetivo y a los
títulos permanecerán inalterados en la nueva tabla. El resto deberá calcularse de
dos formas diferentes:
• Si es la fila pivote cada nuevo elemento se calculará:
Nuevo Elemento Fila Pivote = Elemento Fila Pivote actual / Pivote.
 15

• Para el resto de elementos de filas se calculará:

Nuevo Elemento Fila = Elemento Fila Pivote actual - (Elemento
Columna Pivote en la fila actual * Nuevo Elemento Fila).

Ejemplo 2.1.7
Maximizar Z = f ( x, y ) = 3 x + 2 y
Sujeto a :
2 x + y ≤ 18
(2.1.12)
2 x + 3 y ≤ 42
3 x + y ≤ 24
x≥0yy≥0
Se consideran las siguientes fases:
1. Convertir las desigualdades en igualdades
Se introduce una variable de holgura por cada una de las restricciones del tipo ≤,
para convertirlas en igualdades, resultando el sistema de ecuaciones lineales:
2x + y + r = 18
2x + 3y + s = 42
3x +y + t = 24
2. Igualar la función objetivo a cero
- 3x - 2y + Z = 0
3. Escribir la tabla inicial simplex
En las columnas aparecerán todas las variables básicas del problema y las
variables de holgura/exceso. En las filas se observa, para cada restricción las
variables de holgura con sus coeficientes de las igualdades obtenidas, y la última
fila con los valores resultantes de sustituir el valor de cada variable en la función
objetivo, y de operar tal como se explicó en la teoría para obtener el resto de
valores de la fila:
 16

Tabla I . Iteración nº 1
3 2 0 0 0
Ventrada
Base Cb P0 P1 P2 P3 P4 P5
P3 0 18 2 1 1 0 0
P4 0 42 2 3 0 1 0
P5 Vsale 0 24 3 1 0 0 1
Z 0 -3 -2 0 0 0

4. Condición de parada
Cuando en la fila Z no existe ningún valor negativo, se ha alcanzado la solución
óptima del problema. En tal caso, se ha llegado al final del algoritmo. De no ser
así, se ejecutan los siguientes pasos.

5. Condición de entrada y salida de la base

A. Primero saber la variable que entra en la base. Para ello se escoge la
columna de aquel valor que en la fila Z sea el menor de los negativos. En
este caso sería la variable x (P1) de coeficiente - 3.
Si existiesen dos o más coeficientes iguales que cumplan la condición
anterior (caso de empate), entonces se optará por aquella variable que sea
básica.
La columna de la variable que entra en la base se llama columna pivote (en
color verde)
B. Una vez obtenida la variable que entra en la base, se deduce cual será la
variable que sale. Para ello se divide cada término independiente (P0) entre
el elemento correspondiente de la columna pivote, siempre que el resultado
sea mayor que cero, y se escoge el mínimo de ellos.
En nuestro caso: 18/2 =9, 42/2 =21 y 24/3 =8
Si hubiera algún elemento menor o igual a cero no se realiza dicho
cociente, y en caso de que todos los elementos de la columna pivote fueran
de ésta condición se tendría una solución no acotada y se termina el
problema.
 17

El término de la columna pivote que en la división anterior dé lugar al

menor cociente positivo, (el número 3), ya que el número de menor cociente
(es el 8), indica la fila de la variable de holgura que sale de la base, t (P5).
Esta fila se llama fila pivote (en color verde).
Si al calcular los cocientes, dos o más son iguales (caso de empate), se
escoge aquella que no sea variable básica (si es posible).
C. En la intersección de la fila pivote y columna pivote se tiene el elemento
pivote, 3.
6. Encontrar los coeficientes de la nueva tabla.
Los nuevos coeficientes de la fila pivote, t (P5), se obtienen dividiendo todos los
coeficientes de dicha fila entre el elemento pivote, 3, que es el que hay que
convertir en 1.
A continuación mediante la reducción gaussiana se hace ceros los restantes
términos de su columna, con lo que se obtiene los nuevos coeficientes de las otras
filas incluyendo los de la función objetivo Z.
También se puede hacer de la siguiente manera:

Fila del pivote:

Nueva fila del pivote = (Vieja fila del pivote) / (Pivote)

Resto de las filas:

Nueva fila = (Vieja fila) -(Coeficiente de la vieja fila en la columna de la variable

entrante) x (Nueva fila del pivote)

Una vez calculada la fila del pivote (fila de x (P1) en la Tabla II):

Vieja fila de P4 42 2 3 0 1 0
- - - - - -
Coeficiente 2 2 2 2 2 2
x x x x x x
Nueva fila pivote 8 1 1/3 0 0 1/3
= = = = = =
Nueva fila de P4 26 0 7/3 0 1 -2/3
 18

Tabla II . Iteración nº 2
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P3 0 2 0 1/3 1 0 -2/3
P4 0 26 0 7/3 0 1 -2/3
P1 3 8 1 1/3 0 0 1/3
Z 24 0 -1 0 0 1

Se puede observar que no se ha alcanzado la condición de parada, ya que en los

elementos de la última fila, Z, hay un elemento negativo, -1. Hay que repetir el
proceso:
A. La variable que entra en la base es y (P2), por ser la variable que
corresponde a la columna donde se encuentra el coeficiente -1.
B. Para calcular la variable que sale, se divide los términos de la última
columna (P5) entre los términos correspondientes de la nueva columna
pivote: 2/ 1/3=6, 26 / 7/3 =78/7 y 8 / 1/3 =8
y como el menor cociente positivo es 6, se tiene que la variable que sale es
r (P3).
C. El elemento pivote, que ahora hay que hacer 1, es 1/3.
Operando de forma análoga a la anterior se obtiene la tabla:

Tabla III . Iteración nº 3

3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 6 0 1 3 0 -2
P4 0 12 0 0 -7 1 4
P1 3 6 1 0 -1 0 1
Z 30 0 0 3 0 -1
 19

Como en los elementos de la fila Z hay un valor negativo, -1, significa que no se
ha llegado todavía a la solución óptima. Hay que repetir el proceso:
A. La variable que entra en la base es t (P5), por ser la variable que
corresponde al coeficiente -1
B. Para calcular la variable que sale, se divide los términos de la última
columna (P5) entre los términos correspondientes de la nueva columna
pivote: 6/-2=-3 , 12/4 =3, y 6/1 =6
y como el menor cociente positivo es 3, se tiene que la variable que sale es
s (P4).
C. El elemento pivote, que ahora hay que hacer 1, es 4.
Se obtiene la tabla:
Tabla IV . Iteración nº 4
3 2 0 0 0
Base Cb P0 P1 P2 P3 P4 P5
P2 2 12 0 1 -1/2 0 0
P5 0 3 0 0 -7/4 0 1
P1 3 3 1 0 -3/4 0 0
Z 33 0 0 5/4 0 0

Se observa que en la última fila todos los coeficientes son positivos, por lo tanto se
cumple la condición de parada, habiéndose obtenido la solución óptima.
La solución óptima viene dada por el valor de Z en la columna de los valores
solución, en este caso: 33. En la misma columna se puede observar el punto
donde se alcanza, observando las filas correspondientes a las variables de
decisión que han entrado en la base: (x,y) = (3,12)

2.2 PROGRAMACION ENTERA MIXTA

2.2.1 INTRODUCCIÓN

Sus pioneros fueron Wagner (1950) y Manne (1959). Tradicionalmente estos

modelos se han considerado como subclases de la programación lineal, sin
 20

embargo, las variables de decisión que aparecen en ellos sólo toman valores
enteros, por lo que realmente deben considerarse como problemas de
programación entera. El número de modelos lineales enteros y sus métodos de
solución es en la actualidad bastante extenso, lo que ha llevado a hacer una
selección considerando aquellos que tienen una amplia utilización en problemas
de optimización.

Un aspecto notable de los métodos de solución de los problemas de tipo

combinatorio, es la complejidad computacional. Un enfoque primitivo de resolución
consiste en evaluar cada posible solución, es decir, cada una de las
combinaciones de valores enteros para las variables del problema. En este caso
incluso en un problema pequeño como podría ser con diez variables y diez valores
para cada variable tendría un número grande (diez mil millones) de posibles
soluciones, lo que hace necesario el desarrollo de métodos de solución
inteligentes. Estos se han dirigido por una parte hacia los "métodos exactos", es
decir, aquellos que conducen a una solución óptima exacta para el problema
combinatorio empleando técnicas que reduzcan la búsqueda de soluciones (caso
del método simplex). Por otra parte, se han propuesto un buen número de
"métodos heurísticos", sin una base matemática formal, pero que, basados
esencialmente en la intuición, conducen a una solución próxima a la óptima y lo
que es más deseable, en una cantidad razonable de tiempo. Más concretamente,
lo hacen en tiempo polinomial, frente a muchos métodos exactos para problemas
combinatorios que lo hacen en tiempo exponencial, siendo por tanto poco
aplicables éstos últimos a problemas de gran tamaño.

Si el modelo considera que todas las variables son enteras, se trata de un

problema de Programación Lineal Entera Pura; si se necesita que algunas de las
variables de decisión sean números enteros, se tiene un problema de
Programación Lineal Entera Mixta.

En algunas aplicaciones, se tiene que todas las variables toman valores de cero o
uno, en estos casos se trata de Programación Lineal Entera Binaria; si se requiere
 21

que solamente algunas de las variables tomen valores de cero o uno, se tiene un
problema de Programación Lineal Entera Binaria Mixta.

Para resolver problemas de Programación Lineal Entera, se utilizan varios

algoritmos como son: Ralph Gomory, Ramificación y Acotamiento, Enumeración
Exhaustiva o Enumeración Explícita, Enumeración Implícita, Aditivo de Egon Balas
y Algoritmos Heurísticos.

En Programación Lineal Entera Pura algunos de los algoritmos de solución que se

emplean son: Método de Plano de Corte, Algoritmo Fraccional de Gomory,
Algoritmo Entero Puro de Gomory, Método de Ramificación y Acotamiento y el
Algoritmo de Land – Doig, entre otros. Para Programación Lineal Entera Binaria
algunos de los utilizados son: Método de Ramificación y Acotamiento, Método
Aditivo de Egon Balas, Método Lexicográfico, Método de Lemke y Spielberg,
Distancia de Hamming y Retículos y Método de Trubin. En Programación Lineal
Entera Mixta se usan el Algoritmo Entero Mixto de Gomory, el Algoritmo de Land –
Doig, Método de Benders.

2.3 PROGRAMACIÓN NO LINEAL

2.3.1 INTRODUCCIÓN

El desarrollo de la programación lineal es uno de los avances científicos más

importantes de mediados del siglo XX, su impacto desde 1950 ha sido
extraordinario. En la actualidad es una herramienta de uso normal que ha
ahorrado miles o millones de Dólares a muchas compañías o negocios, incluyendo
empresas medianas en los distintos países industrializados del mundo; su
aplicación a otros sectores de la sociedad se está ampliando con rapidez.
 22

2.3.2 FOMULACIÓN MATEMÁTICA DEL PROBLEMA

El problema de programación no lineal (PPNL), se puede formular como sigue.

Minimizar
Z = f ( x1 ,...x n )
Sujeto a
h1 ( x1 ,...x n ) = 0
....
.....
.....
hl ( x1 ,...x n ) = 0
g l ( x1 ,...x n ) ≤ 0
....
.....
.....
g m ( x1 ,...x n ) ≤ 0
El modelo anterior se puede formular de una forma compacta como:

Minimizar
Z = f (x) (2.3.1)
sujeto a
h( x) = 0
(2.3.2)
g ( x) ≤ 0

Donde x es el vector de las variables de decisión, f es la función objetivo, h(x) y

g(x) son, respectivamente, las restricciones de igualdad y desigualdad. Para que
este problema sea propiamente no lineal, al menos una de las funciones
involucradas en su formulación debe serlo. Cualquier vector x que satisface las
restricciones se denomina solución factible, y el conjunto de todas las soluciones
factibles se denomina región factible.
Los problemas de optimización no lineal son más difíciles de resolver que los
problemas lineales.
La teoría de la optimización y los métodos computacionales para estos problemas
se denomina optimización no lineal diferenciable. Se han desarrollado
 23

generalizaciones del concepto de diferenciabilidad para poder abordar problemas

más generales de optimización.

2.3.3 CONDICIONES NECESARIAS DE OPTIMALIDAD

2.3.3.1 Diferenciabilidad

La propiedad de diferenciabilidad permite caracterizar los extremos locales

(mínimos o máximos), proporcionando condiciones necesarias para la optimalidad
de una solución. Se centrará la atención en la búsqueda de mínimos, ya que los
máximos pueden ser obtenidos a partir de la relación:
Maximizarx∈S f ( x ) = − Minimizarx∈S − f ( x )
∀x∈conjunto de puntos S

DEFINICIONES:

a) Mínimo global. Una función f(x) tiene un mínimo global en el conjunto de

puntos S en el punto x*, si y sólo si f(x*) ≤ f(x) para todo x en S.
b) Mínimo local. Una función f(x) tiene un mínimo local sobre el conjunto S en el
_ _
punto x , si y sólo si existe un número positivo ε cumpliendo f ( x ) ≤ f(x)
_
para todo x en S tal que 0 ≤ x − x ≤ ξ

c) Diferenciabilidad. Se dice que f es diferenciable en x si las derivadas

parciales ∂f / ∂xi, i = 1, . ., n, existen, y

f ( y ) − f (x ) − ∇ f ( x ) (y − x ) = 0
T
lim
y→ x y−x
El gradiente de f en x es el vector definido por
 ∂ f (x ) ∂ f (x ) 
T

∇ f ( x ) =  ,..., 
 ∂ f (x1 ) ∂ f ( x n ) 
d) Función continuamente diferenciable. Una función f se denomina
_
continuamente diferenciable en x si todas sus derivadas parciales son continuas
_
en x . En este caso la función también es diferenciable.
 24

3
Figura 2.3.1 :Una función con tres mínimos locales y dos globales

2.3.3.2 Condiciones de Karush–Kuhn–Tucker

El resultado teórico más importante en el campo de la programación no lineal es el

que lleva a las llamadas condiciones de Karush, Kuhn, y Tucker. Estas
condiciones deben ser satisfechas por la solución óptima de cualquier problema
lineal y la mayoría de los problemas no lineales. Constituyen la base para el
desarrollo de muchos algoritmos computacionales y proporcionan un criterio de
parada para muchos otros, permitiendo establecer cuando ha sido alcanzado un
óptimo local restringido.
En los problemas diferenciables de optimización no restringida la condición
necesaria para que una solución sea un mínimo local es que se anule el gradiente.
Por el contrario, esta propiedad no es cierta para problemas diferenciables
restringidos. Las condiciones de Karush–Kuhn–Tucker generalizan la condición
necesaria desarrollada para problemas no restringidos a los problemas con
restricciones.
_
e) Condiciones de Karush–Kuhn–Tucker (CKKT). El vector x satisface las
CKKT para PPNL si existe un par de vectores λ y µ tales que

3
Figura tomada de la referencia bibliográfica
 25

l m
∇f ( x) + ∑ λ k ∇hk ( x) + ∑ µ j ∇g j ( x) = 0 (2.3.3)
k =1 j =1

hk ( x) = 0, k = 1,..., l (2.3.4)
g j ( x) ≤ 0, j = 1...., m (2.3.5)
µ j g j ( x) = 0, j = 1,..., m (2.3.6)
µ j ≥ 0, j = 1,..., m (2.3.7)

Los vectores µ y λ se denominan multiplicadores de Kuhn–Tucker. La condición

(2.3.6) es conocida con el nombre condición de complementariedad, la condición
(2.3.7) requiere la no negatividad de los multiplicadores, y es llamada condición de
factibilidad dual, y (2.3.4)–(2.3.5) se denominan condiciones de factibilidad primal.
Considérese el caso de una restricción de igualdad (figura 2.3.2). Satisfacer la
restricción equivale a moverse a lo largo de la curva definida por esta restricción.
Las curvas de nivel de la función objetivo son de tal forma que el valor de la
función objetivo decrece cuando se lleva a cabo un desplazamiento a lo largo de
esta curva según las direcciones de la figura 2.3.2

4
Figura 2.3.2 : Ilustración de las condiciones de Karush-Tucker para el caso de una restricción de
igualdad y dos variables.
Como conclusión, el mínimo (local) se alcanza en un punto en el que el gradiente
de la función objetivo y el de la restricción son linealmente dependientes. Esto es
lo que representan las condiciones de optimalidad de primer orden (figura 2.3.2).

4
, 6´ Figura tomada de la referencia bibliográfica
 26

Ahora se considerará el caso de una restricción de desigualdad (figura 2.3.3), que

separa el plano IR2 en dos regiones. En una de ellas la restricción es satisfecha,
mientras que en la
otra no lo es. La
región factible incluye
esta región y la curva
que define su
frontera. Si el mínimo
de la función objetivo
se alcanza en el
interior de la región
6´
factible, la restricción Figura 2.3.3 : Ilustración de las condiciones de Karush-Tucker
para el caso de una restricción de desigualdad dos variables.
no está activa y el
correspondiente multiplicador vale cero (figura 2.3.3). Por el contrario, si el mínimo
se alcanza en la frontera, la restricción está activa. En este caso, el problema es
equivalente al obtenido al exigir que la restricción se satisfaga con igualdad.
Además, estos vectores tienen sentidos opuestos debido a que la función objetivo
aumenta cuando uno se mueve hacia el interior de la región mientras que la
restricción tiende a ser negativa y por tanto a disminuir. El multiplicador es
entonces positivo o cero. Esto es lo que establecen las condiciones de optimalidad
en esta situación.
La figura (2.3.4) ilustra de forma análoga las condiciones KKT para el caso de dos
restricciones de desigualdad y dos variables.
 27

Figura 2.3.45: Ilustración de las condiciones de Karush-Tucker para el caso de dos

restricciones de desigualdad y dos variables.

2.3.3.3 Convexidad

Debido a que la diferenciabilidad es un concepto local (sólo depende de los

valores que toma la función en un entorno del punto) esta propiedad permite
caracterizar los mínimos locales, sin embargo no es posible emplearla para
caracterizar los mínimos globales del PPNL. Por ese motivo, para poder
caracterizar los mínimos globales, se añade una nueva exigencia a las funciones
que definen el PPNL. La propiedad de convexidad de las funciones permite
garantizar que todo óptimo local del PPNL también lo es global.

f) Función convexa. Sea f : S → IR, donde S es un conjunto no vacío de IRn. La

función f se dice que es convexa en S si para cualquier par de puntos x1 y x2, y
cualquier escalar λ que cumpla 0 ≤ λ ≤ 1, se tiene

f (λ x1 + (1 − λ) x2≤ λ f(x1) + (1 − λ)f(x2). (2.3.8)

Si la desigualdad se satisface estrictamente en (2.3.8), se dice que f es

estrictamente convexa. Similarmente, una función f es cóncava si se cumple la
relación (2.3.8) con la desigualdad inversa, esto es, si la función (− f ) es convexa.
La figura 2.3.5 muestra tres ejemplos, uno de una función convexa, otro, de una
cóncava; y otro, de una función que no es ni cóncava ni convexa.

5
Figura tomada de la referencia bibliográfica
 28

6
Fig. 2.3.5 : Funciones convexas, cóncava y ni convexa ni cóncava

En forma resumida, se dice que una función es convexa si la recta que une dos
puntos cualesquiera de la curva, siempre está por encima de la curva. Y una
función es cóncava si la recta que une dos puntos cualesquiera de la curva,
siempre está por debajo de la curva.

2.3.4 MÉTODOS DE RESOLUCIÓN DEL PROBLEMA

Si la función objetivo f es lineal y el espacio restringido es un politopo (polígono

multidimensional), el problema es de programación lineal y puede resolverse
utilizando alguno de los conocidos algoritmos de programación lineal.

Si la función objetivo es cóncava (problema de maximización), o convexa

(problema de minimización) y el conjunto de restricciones es convexo, entonces se
puede utilizar el método general de optimización convexa

66
Figura tomada de la referencia bibliográfica
 29

Existe una variedad de métodos para resolver problemas no convexos. Uno de

ellos consiste en utilizar formulaciones especiales de problemas de programación
lineal. Otro método implica el uso de técnicas de ramificación y poda, cuando el
problema se divide en subdivisiones a resolver mediante aproximaciones que
forman un límite inferior del costo total en cada subdivisión. Mediante
subdivisiones sucesivas, se obtendrá una solución cuyo costo es igual o inferior
que el mejor limite inferior obtenido por alguna de las soluciones aproximadas.
Esta solución es óptima, aunque posiblemente no sea única. El algoritmo puede
ser parado antes, con la garantía de que la mejor solución será mejor que la
solución encontrada en un porcentaje acotado. Ello se utiliza en concreto en
problemas importantes y especialmente difíciles, y cuando el problema cuenta con
costos inciertos o valores donde la incertidumbre puede ser estimada en un grado
de fiabilidad apropiado.

Las condiciones de Karush-Kuhn-Tucker proporcionan las condiciones necesarias

para que una solución sea óptima.

Todas estas soluciones, se han reducido a algoritmos computacionales los

mismos que se mencionaran seguidamente.

2.3.5 MÉTODOS COMPUTACIONALES PARA PROGRAMACIÓN NO LINEAL

En general, los métodos de solución generan una sucesión de puntos cuyo límite
es una solución del problema bajo estudio. Para asegurar la convergencia, se
debe suponer que el PPNL es un problema convexo diferenciable. No obstante, en
la práctica, estos algoritmos son aplicables incluso cuando no se satisfacen estas
condiciones de convergencia.
El criterio de parada se basa, usualmente, en las condiciones de optimalidad de
KKT. Cuando un punto de la sucesión generada las satisface con una cierta
tolerancia, el procedimiento se detiene y el punto correspondiente se considera
como un mínimo local.
 30

Los problemas de optimización con restricciones se resuelven convirtiéndolos en

otros equivalentes sin restricciones. Estos métodos de optimización con
restricciones se desarrollan sobre la base de que existen algoritmos para la
resolución de los problemas sin restricciones que, son un caso especial de los
problemas con restricciones donde el dominio de definición es S=IR n.
Los problemas de optimización con restricciones se pueden resolver usando
fundamentalmente las siguientes familias de métodos:
1. Métodos duales: que resuelven el problema dual en lugar del primal.

2. Métodos de penalizaciones: que transforman el problema con restricciones en

una sucesión de problemas sin restricciones. Las restricciones se introducen en la
función objetivo mediante la llamada función de penalización–barrera y un
adecuado parámetro de penalización.

3. Método de los multiplicadores o del Lagrangiano aumentado: éste es un método

de penalizaciones (cuadráticas), en el que en lugar de incorporar las restricciones
en la función objetivo se añaden a la función Lagrangiana.

4. Métodos de direcciones factibles: esta clase de métodos extiende los algoritmos

de direcciones de descenso analizados en la sección anterior al caso de
problemas con restricciones. En este contexto se fuerza a las direcciones de
búsqueda, además de ser de descenso, a que den lugar a desplazamientos dentro
de la región factible.

5. Métodos de programación cuadrática secuencial: que resuelven una sucesión

de problemas cuadráticos que aproximan iterativamente al problema original.

Ejemplos

Ejemplo bidimensional

La intersección de la línea con el espacio de restricciones

representa la solución
 31

Un problema sencillo puede definirse por las restricciones:

x1 ≥ 0
x2 ≥ 0
x12 + x22 ≥ 1
x12 + x22 ≤ 2
Con una función objetivo a maximizar
f(x) = x1 + x2
Donde x = (x1, x2)

Ejemplo tridimensional

La intersección de la superficie superior con el espacio

de restricciones en el centro representa la solución
Otro problema simple se define por la restricciones: x12 − x22 + x32 ≤ 2
x12 + x22 + x32 ≤ 10
Con una función objetivo a maximizar
f(x) = x1x2 + x2x3

Donde x = (x1, x2, x3)

Los ejemplos ilustrados presentan la solución del problema no lineal de forma

general, el interesado puede consultar la teoría básica y las formas de solución de
la programación no lineal en las referencias que son mencionadas en esta tesis

2.4. ACTIVIDADES DEL SISTEMA ELÉCTRICO.

El conjunto de actividades involucradas en un sistema eléctrico se sintetiza en la
Figura 2.4
 32

Figura 2.4 Contexto general de actividades en los

sistemas de producción de energía eléctrica

El ambiente del sistema eléctrico se refiere a los subsistemas parciales o

actividades específicas de la industria eléctrica: generación, transmisión,
distribución y comercialización. El ambiente del alcance se vincula con el objetivo
de la actividad a desarrollar, que puede incorporar exigencias al suministro de
energía eléctrica: físicas, técnicas, económicas, medioambientales, etc. El
ambiente de tiempo se relaciona con el periodo que abarca la actividad a
desarrollar: planificación, programación y operación.

El crecimiento de la infraestructura eléctrica se vincula a la Planificación de la

expansión del sistema eléctrico, que investiga su evolución futura y alcanza
horizontes de hasta 30 años. Por otro lado, es tarea de la Operación del sistema
eléctrico la decisión de la puesta en servicio de instalaciones de generación,
transmisión y distribución a efectos de atender la demanda en cada instante, en
forma técnica y al menor costo posible. La planificación y análisis operativo de
largo, mediano y corto plazo, puede extenderse hasta un horizonte de cinco años.

La gestión de combustibles y de los aportes hidrológicos, etc., es de vital

importancia en la planificación y programación operativa para atender las
necesidades de los consumidores de energía eléctrica.
 33

2.4.1 PLANIFICACIÓN DE LA EXPANSIÓN DEL SISTEMA ELÉCTRICO

Esta actividad determina el crecimiento o expansión de la infraestructura eléctrica,

que permita mantener la continuidad del suministro eléctrico. Los indicadores
principales para la planificación de la expansión, es la evolución futura de la
potencia máxima y del consumo de energía eléctrica que serán demandados por
los consumidores. Por lo tanto, se requiere conocer la evolución de la demanda y
consumo esperados en el tiempo: pronóstico de mediano y largo plazo.

Los períodos de análisis alcanzan varios años hacia el futuro (2 a 20 años) y son
escenarios de demanda esencialmente aleatorios.

El objetivo fundamental es prever un sistema de generación que permita satisfacer

la demanda máxima de potencia y consumo de energía eléctrica, con las debidas
reservas para garantizar niveles mínimos de confiabilidad, como también un
sistema de transmisión y distribución que posibilite el transporte de la energía
desde los centros de generación hasta los consumidores, al menor costo posible
(eficiencia).

2.4.2 PROGRAMACIÓN DE LA OPERACIÓN

La Programación de la Operación de los Sistemas Eléctricos de Potencia es un

problema de optimización. El objetivo es determinar el programa de generación de
menor costo operativo, que debe abastecer la demanda y las pérdidas
correspondientes considerando las mejores condiciones técnicas y la calidad del
producto.

El problema es complejo, desde el punto de vista matemático y de su dimensión.

No puede ser representado y resuelto como un único y gran problema. Para su
solución se utiliza una técnica de descomposición temporal, que coordina una
serie de sub-problemas con diferentes escalas de tiempo y nivel de detalle en la
representación del sistema eléctrico.
 34

La cantidad de sub-problemas en los cuales se divide la Programación de la

Operación difiere en función del sistema eléctrico, del nivel de decisión y del
horizonte de influencia.

Una de las posibles divisiones empleada para sistemas eléctricos hidrotérmicos,

consiste de tres segmentaciones, las cuales establecen una cadena coordinada de
solución como la mostrada en la figura 2.4.1

Programación de la Operación de largo y mediano plazo

DATOS:
- pronósticos anuales de demanda y energía disponible
- contratos anuales de compra de energía
- parque de generación disponible
- red de transporte simplificada
PERIODO ANALIZADO: 1 a 3 años
INTERVALO DE CÁLCULO: 1 semana
RESULTADOS:
- energía disponible semanal
- parque disponible semanal
- valores esperados de costos/precios

Programación de la Operación de corto plazo

DATOS:
- pronósticos semanales de demanda y energía disponible
- contratos semanales de compra de energía
- parque disponible semanal
- red de transporte simplificada
PERIODO ANALIZADO: 1 a 7 días
INTERVALO DE CÁLCULO: de 1 a 24 horas
RESULTADOS:
- energía disponible para el intervalo de cálculo
- predespacho del parque generador
- precios indicativos de mercado/locales
- restricciones de la red de transporte
- requerimientos de potencia reactiva

Programación de la Operación de muy corto plazo

DATOS:
- demanda cada 15 o 30 minutos
- contratos de compra de energía
- predespacho del parque generador
- red de transporte detallada
PERIODO ANALIZADO: rango de horas a 1 día
INTERVALO DE CÁLCULO: de 15 a 30 minutos
RESULTADOS:
- despacho del parque generador
- control de tensión y reactivo
- precios de mercado

Figura 2. 4.1 [11]

 35

Este es un procedimiento jerárquico y secuencial de optimizaciones consecutivas.

Cada sub-problema realiza la optimización dentro del espacio definido por el nivel
superior y determina los límites o espacio de solución del nivel inferior.

2.4.3 PROGRAMACIÓN DE LARGO PLAZO.

El objetivo de este primer eslabón de la cadena, es determinar la política de

operación del conjunto generador: térmico e hidráulico, de tal forma que el costo
dentro del período considerado sea el menor posible.

Las principales variables de decisión consideradas en el problema de optimización

son: la evolución plurianual de los embalses, la probabilidad de energía no
suministrada, la falla de equipos de generación y el valor esperado de la
generación térmica, todas con carácter aleatorio.

El horizonte de análisis de este sub-problema es típicamente de 2 a 5 años,

discretizado en pasos mensuales.

Los resultados obtenidos se utilizan principalmente en la planificación de la

expansión del sistema eléctrico, en los estudios de tarifas, en la política operativa
de los embalses, en la previsión de requerimientos de combustible y
presupuestos.

2.4.4 PROGRAMACIÓN DE MEDIANO PLAZO.

El marco de referencia constituye los resultados de la Programación de Largo

Plazo, representado por las funciones de costo futuro o cantidades esperadas de
producción de energía eléctrica desde los embalses.

En esta fase el nivel de detalle con que se modela o representa el sistema eléctrico
es mayor que en la Programación de Largo Plazo y se mantiene la particularidad
estocástica de la variable hidrológica.
 36

La Programación de Mediano Plazo alcanza un horizonte de uno a dos años, con

resolución mensual o semanal.

Como resultado de esta optimización se obtienen los valores esperados de algunas

variables operativas: los volúmenes de agua turbinados y vertidos, el valor del agua
y la evolución de los embalses.

2.4.5 PROGRAMACIÓN DE CORTO PLAZO.

En la Programación de Corto Plazo se consideran los resultados mensuales o

semanales obtenidos del eslabón anterior, como límites o espacio de solución para
los programas de despacho horario, que alcanzan un horizonte de hasta 168 horas.

El objetivo de ésta programación es determinar la potencia horaria de generación de

cada generador, tanto térmico como hidráulico, considerando las características
técnicas de las unidades de generación y la modelación eléctrica de la red Para
propósitos de análisis y decisión, se subdivide en la programación semanal y la
programación diaria.

Programación Semanal

La programación semanal es un proceso de programación de corto plazo, el

mismo que trata de utilizar en forma eficiente los recursos de producción y
transporte de energía eléctrica, cumpliendo sus restricciones operacionales. El
horizonte de estudio tiene un máximo de 168 horas y procura la solución de menor
costo de producción, atendiendo parámetros de calidad y seguridad.

La frecuencia de realización del despacho semanal es de una vez por semana con
reajuste diario en caso de haber desviaciones en el transcurso de la semana.
 37

Programación Diaria

Es el proceso mediante el cual se obtiene para un período de 24 a 48 horas el

programa horario de producción de los recursos de generación del Mercado
Eléctrico Mayorista (MEM) despachados centralmente. El despacho horario se
fundamenta en el criterio de operación de mínimo costo total.

2.5. POTENCIA REACTIVA EN UN SISTEMA DE POTENCIA.

2.5.1 INTRODUCCIÓN.

A medida que los sistemas eléctricos de potencia crecen, la compensación

reactiva se hace necesaria para lograr los niveles adecuados de tensión (calidad)
y capacidad de transmisión. La forma clásica de solucionar este problema es por
repetidos flujos de carga y análisis de un gran número de escenarios posibles.
Desde 1968, se empezó a estudiar una forma sistemática de solucionar el
problema, surgiendo diferentes metodologías, diferenciándose en los métodos
matemáticos utilizados, entre las más utilizadas se cita: la programación lineal, la
programación no lineal y recientemente los algoritmos genéticos.

2.5.2 EL PROBLEMA DE LA OPTIMIZACIÓN DE LA COMPENSACIÓN

REACTIVA EN SISTEMAS ELÉCTRICOS.

Para el apropiado control de la potencia reactiva es necesario prever la instalación

de equipos de compensación con la suficiente anticipación, considerando un
conjunto de escenarios futuros posibles. Dada la alta complejidad y dinámica de
los sistemas eléctricos, determinar el tipo, la ubicación y el dimensionamiento
conveniente de los dispositivos de compensación, hace dificultoso el análisis
simplificado, por la gran cantidad de soluciones factibles. También los análisis
deben asegurar una adecuada operación en el aspecto económico, de calidad y
seguridad.
 38

Una dificultad adicional es que los programas especializados para resolver este
tipo de problemas, no son accesibles a los profesionales y estudiantes, debido a
sus altos costos de adquisición y requerimiento de computadoras con
especificaciones especiales.

2.5.3 BENEFICIOS DE LA COMPENSACIÓN REACTIVA.

Entre los beneficios de una adecuada asignación de compensación reactiva se

encuentran:
• Reducción de pérdidas de transmisión.
• Mejora del perfil de tensiones (calidad).
• Mejorar la utilización de la capacidad de transmisión.
• Postergar inversiones por necesidades refuerzos.
• Aumento de los márgenes de reserva de potencia reactiva para enfrentar
eventuales perturbaciones. Mejora de confiabilidad.
• Minimizar costos de operación del sistema y evitar costosas restricciones al
despacho económico de generación.
• Mejora del margen de estabilidad estacionaria y transitoria del sistema.
Prevenir colapsos de tensión y mantener márgenes de seguridad.

2.5.4 EL BALANCE DE POTENCIA REACTIVA.

Para una adecuada generación y flujo de potencia reactiva se deben considerar:

• La variación de la tensión de generación.
• La variación de los taps en los transformadores.
• Conexión y desconexión de bancos de capacitores y reactores.
• Configuración de los compensadores estáticos (SVC)
• La configuración de la red y el despacho de generación.
 39

2.5.5 BANCOS DE CAPACITORES

Existe una infinidad de equipos de compensación reactiva en el mercado, no

siendo una tarea fácil seleccionar la mejor opción para controlar los problemas
asociados con la tensión, en particular debido al costo.

En la ANEXO 1 se presenta los módulos de bancos de capacitores utilizados en

el Ecuador, para diferentes niveles de tensión, en conjunto con la información de
sus costos de suministro, montaje y costo de inversión, tanto de implantación de
bahías (equipo de conexión y maniobra), como de los módulos de capacitores.
 40

3. PLANTEAMIENTO DEL PROBLEMA Y METODOLOGÍA

DE SOLUCIÓN
La información de partida es el despacho hidrotérmico y el correspondiente flujo
de potencia, que permiten determinar la presencia de problemas de tensión, a
causa de la ausencia o carencia de recursos para su solución, y que podrían ser
solucionados con la implementación de equipos de compensación reactiva
(capacitores), ubicados en algunos nodos de la red.

El algoritmo propuesto inicialmente se prueba y evalúa en un sistema eléctrico

base de 7 barras con problemas de voltaje, para luego aplicarlo en el sistema
nacional interconectado, en un escenario de demanda máxima e hidrología
lluviosa, en el cual se presentan y evidencian los mayores problemas de bajos
voltajes en la red

El algoritmo está diseñado para seleccionar y ubicar en forma óptima, módulos de

capacitores estándar que residen en una base de datos, de diversa capacidad de
suministro de reactivos y costo, el número de módulos de capacitores que
permiten controlar la tensión en un rango específico, mediante la minimización del
costo de inversión y un proceso iterativo de una serie de corridas de flujos de
potencia que el programa realiza, hasta encontrar el punto óptimo de operación y
de menor costo posible.

La información del flujo de potencia es el despacho de generación hidrotérmico,

cuyas magnitudes de potencia activa se mantienen fijas en cada máquina, a
excepción de la barra oscilante, con suficiente reserva para asumir las pérdidas
del sistema eléctrico. La potencia reactiva de los generadores puede variar entre
los límites de la curva de capabilidad. También se incluye la información completa
de todos los elementos y topología de la red eléctrica: líneas, transformadores,
barras, elementos de compensación.
 41

Los resultados se visualizan en una ventana suministrada por el programa

utilizado, en donde se presentan los módulos instalados en las barras con
problemas de voltaje.

3.1 SELECCIÓN DE CAPACITORES

3.1.1 FUNCIÓN OBJETIVO

La función objetivo a minimizar, es la suma de los costos de inversión en módulos

de capacitores, que sean seleccionados en las diferentes barras, a fin de
mantener los voltajes en los márgenes permitidos en un sistema eléctrico.

[ ]
J M
Minimizar Z = ∑∑ cij * u ij
j =1 i

Donde:
Z = función de costo a minimizar.

cij = costo del módulo de capacitores tipo i, ubicado en el nodo j.

u ij = variable binaria de decisión. Igual a “1”, si se invierte en el módulo de

capacitores. Igual a “0” en caso contrario.

j = índice de nodo de la red.
J= número total de nodos de la red
i = índice de tipos de módulos de capacitores.
M= número de tipos de módulos de capacitores factibles para ubicar en el nodo i.

La base de datos de costos y tipos de módulos de capacitores, se presenta en el

ANEXO 1. Información proporcionada por la empresa de transmisión ecuatoriana.
 42

3.1.4 RESTRICCIONES DEL PROBLEMA

Al problema de optimización están asociadas las restricciones de los límites de

operación de los elementos del sistema eléctrico y el balance de potencia activa y
reactiva en cada uno de los nodos. En este trabajo se representó una serie de
restricciones, tanto lineales como no lineales, caracterizando un típico problema
de programación no lineal, cuya solución será efectuada mediante una aplicación
especializada, denominada GAMS.
• Restricción de balance de potencia activa

El balance de potencia activa es la potencia neta inyectada ( Pi ) en cada uno de

los nodos de la red eléctrica, constituido por la potencia activa de generación ( Pgi ),

menos la potencia activa suministrada a la carga ( Pcari ) en la condición de

demanda y condición hidrológica analizada; menos los flujos de potencia activa

por las líneas conectadas al nodo respectivo y las pérdidas en las mismas.

Pi = g iiVi + Vi ∑ V j (g ij cos(θ i − θ j ) + bij sin(θ i − θ j ) ), i ∈ N

2

j∈N

Pgi − Pcari − g iiVi − Vi ∑ V j (g ij cos(θ i − θ j ) + bij sin(θ i − θ j ) ) = 0, i ∈ N

2

j∈N

Donde:
Pi = potencia activa neta que se inyecta en el nodo i.

Vi, Vj = módulos de tensión en el nodo i y el nodo j, respectivamente.

θi, θj = ángulo de la tensión en el nodo i y j, respectivamente.
gij = ij-ésimo elemento de la matriz de conductancia nodal.
bij = ij-ésimo elemento de la matriz de suceptancia nodal.
N = cantidad total de nodos del sistema.
Pgi = potencia activa de generación en el nodo i.

Pcar j = potencia activa de carga en el nodo i.

 43

• Restricción de balance de potencia reactiva

Esta fórmula de flujos de potencia nos permite tomar en cuenta tanto la potencia
reactiva que entra como lo que sale del nodo, y adjuntar el equipo de
compensación que posiblemente se va a instalar en los nodos.
El balance de potencia reactiva, será la potencia reactiva neta que se inyecta
directamente por generación ( Q gi ), menos la potencia suministrada por/hacia la

carga ( Qcari )en la condición de demanda y condición hidrológica analizada,

menos los flujos de potencia reactiva por las líneas conectadas al nodo respectivo
y las pérdidas en las mismas, más los capacitores existentes conectados en el
nodo y los que posiblemente van a ser conectados como resultado del proceso de
optimización.

Qi = −biiVi − ∑ Bcik *u ik + Vi ∑ V j (g ij sin(θ i − θ j ) − bij cos(θ i − θ j ) ), i ∈ N

M
2

k =1 j∈N

Q gi − Qcari + biiVi + ∑ Bcik *u ik − Vi ∑ V j (g ij sin(θ i − θ j ) − bij cos(θ i − θ j ) ) = 0, i ∈ N

M
2

k =1 j∈N

Donde:
Qi = potencia reactiva neta que se inyecta en el nodo i.
Vi, Vj = módulos de tensión en el nodo i y el nodo j.
θi, θj = ángulo de la tensión en el nodo i y j respectivamente.
gij = ij-ésimo elemento de la matriz de conductancia nodal.
bij = ij-ésimo elemento de la matriz de suceptancia nodal.
N = cantidad total de nodos del sistema.
Q gi = potencia reactiva de generación en el nodo i.

Qcari = potencia reactiva de carga en el nodo i.

Bcik = potencia reactiva del banco de capacitores en por unidad, tipo k,

ubicado en el nodo i.
 44

u ik = variable binaria de decisión. Igual a “1”, si se invierte en el módulo

de capacitores tipo k en el nodo i. Igual a “0” en caso contrario.

M= número de tipos de módulos de capacitores factibles para ubicar en el
nodo i.

• Restricciones de tensión

Esta restricción es fundamental en la modelación del sistema eléctrico, ya que la

potencia reactiva está estrechamente vinculada con esta restricción. En el Sistema
Nacional Interconectado Ecuatoriano, se tiene como rango de calidad de tensión
el rango entre 0.95 y 1.05 en pu.

V min i ≤ Vi ≤ V max i; i = 1,..., N (3.2.2)

Donde:
V min i = valor mínimo de voltaje.
V max i = valor máximo de voltaje.
Vi = valor de voltaje en el nodo.
i = 1,..., N = número de nodos.

• Restricción de potencia reactiva en los generadores

Esta restricción es determinada por la capacidad máxima y mínima de reactivos

que pueden entregar los generadores en el sistema dependiendo de su curva de
capabilidad. La información de la potencia reactiva mínima y máxima de los
generadores es ingresada al programa desde un archivo Excel.

Qmin j ≤ Q j ≤ Qmax j ∀j (3.2.7)

Donde:

Qmin j = potencia reactiva mínima para el generador j.

 45

Qmax j = potencia reactiva máxima para el generador j.

J = Índice de generadores.

• Restricción de las variables binarias

Las variables binarias, que toman solamente valor “0” o valor “1”, representan la
decisión de invertir en determinado módulo de capacitores en un nodo específico
de la red, que permite cumplir los parámetros de calidad definidos o rango de
variación de tensión.

Además, en el presente modelo se utiliza una restricción de las variables binarias

que garantiza la selección de uno y solo un único módulo de capacitores en cada
barra, de la siguiente manera.

∑u k =1
ik ≤1 ∀i

Donde:

uik = variables binarias ligadas al módulo tipo k en el nodo i.

i = índice de nodos.
M= número de tipos de módulos de capacitores factibles para ubicar en el nodo i.

3.1.5 INFORMACIÓN GENERAL

A continuación se detalla la información adicional requerida por el modelo

matemático: las constantes, los indicadores de conteo, las tablas que son leídas
por el programa o direcciones para llamar desde el programa hacia alguna
dirección en el equipo utilizado, etc.
 46

• Escalares y constantes

Nb= número de barras

Ng= número de generadores
Nl= número de líneas.
Nt= número de transformadores
Sbase= potencia base (100 MVA)
Pi= /3.141592654/
Nnex= número de elementos de transmisión
Nnex= Nl+Nt;

• Indicadores

j= Índice de generadores.
i= índice de nodos.
k= índice de nexos de transmisión.
Inod= características de nodos.
Ilin= características de líneas.
Igen= características de generadores.

• Tablas

Table Nodo(i,Inod)= tabla con parámetros de los nodos.

Table Nexo(k,Ilin) = tabla con parámetros de las líneas.
Table Gen(j,Igen) = tabla con parámetros de los generadores.

• Variables
Pg(j)= potencias activas de generación.
Qg(j)= potencias reactivas de generación.
V(i) = módulos de las tensiones nodales.
 47

delta(i)= ángulos de las tensiones nodales.

Bc(i) = equipos de compensación reactiva en pu.
z = costo de capacitores por MVAr.

• Variables binarias

u(i)1-u10(i)= variables binarias asociadas a los módulos de capacitores.

• Restricciones
Pg(j)= potencia activa de las máquinas.
Qg.lo(j)= límite inferior de potencia reactiva de la máquinas.
Qg.l(j)= valores de potencia reactiva de la máquinas.
Qg.up(j)= límite superior de potencia reactiva de la máquinas.
V.lo(i)= límite inferior de voltaje.
V.l(i)= nivel de voltaje.
V.up(i)= límite superior de voltaje.
delta.l(i)= ángulo de tensiones nodales.

• Ecuaciones
o Función Objetivo

[ ]
J M
Z = ∑∑ cij * u ij
j =1 i

o Restricciones
V min ≤ Vn ≤ V max; n = 1,..., N Limites de voltaje
_
Pmin osc ≤ p osc ≤ P max osc Límite de potencia activa en la barra

oscilante
 48

Qmin j ≤ Q j ≤ Qmax j ∀j Límites de potencia reactiva

Bcik Potencia reactiva del modulo de

capacitores tipo k en pu, ubicado en el

nodo i .
M

∑u
k =1
ik ≤1 ∀i Restricción de variables binarias

Pgi − Pcari − g iiVi − Vi ∑ V j (g ij cos(θ i − θ j ) + bij sin(θ i − θ j ) ) = 0, i ∈ N

2

j∈N

Q gi − Qcari + biiVi + ∑ Bc ik *u ik − Vi ∑ V j (g ij sin(θ i − θ j ) − bij cos(θ i − θ j ) ) = 0, i ∈ N

M
2

k =1 j∈N

Balance de Potencia activa y Balance de

Potencia reactiva
 49

4. CASOS Y ANÁLISIS DE RESULTADOS

4.1 SISTEMA ELÉCTRICO DE PRUEBA

Para evaluar el algoritmo y la programación, se realizaron pruebas en un sistema

eléctrico base de 7 barras, con problemas de voltaje. Se corrieron flujos de
potencia para verificar las condiciones previas de tensiones, para después
comparar con las condiciones que se alcanzan con la ubicación de los módulos de
capacitores. El resultado esperado es que los voltajes en todos los nodos se
encuentren dentro del rango especificado de calidad de tensión: 0.95 a 1.05 pu. El
diagrama del sistema eléctrico de prueba, se presenta en el ANEXO 2, y tiene la
siguiente información:

• Características de los nodos

Barra de Vnom Vmin Vini Vmax Dini Pcar Qcar

Conexión (KV) (KV) (KV) (KV) (rad) (MW) (MVAr)
n1 230 218.5 229 241.5 0 150 60
n2 230 218.5 219 241.5 -4.183 50 10
n3 230 218.5 222 241.5 -3.519 50 10
n4 138 131.1 132 144.9 -5.32 50 10
n5 138 131.1 134 144.9 -4.307 50 80
n6 138 131.1 131 144.9 -9.486 100 30
n7 138 131.1 137.4 144.9 -6.887 100 30

Donde:
Num: Numero de barra (n1..n7)
Vnom: Voltaje nominal
Vmin: Voltaje mínimo
Vmax: Voltaje máximo
Dini: Angulo inicial de la tensión nodal
Pcar: Potencia activa de carga
 50

Qcar: Potencia reactiva de carga

• Características de las líneas

Nexos entre líneas Nini Nfin R(ohm) X (ohm)
x1 1 2 0.03 0.05
x2 1 3 0.03 0.05
x3 4 6 0.07 0.1099
x4 6 7 0.0599 0.1
x5 5 7 0.07 0.1099
x6 2 4 0 0.02
x7 3 5 0 0.02

Donde:

X1..X7: numeración de los elementos de la red

Nini : nodo inicial
NFin: nodo Final
R : resistencia de la línea
X : reactancia de la línea

• Características de los generadores

Pgmax Pgini Pgmin Qgmax Qgini Qgmin

Generadores Ncon (MW) (MW) (MW) (MVAr) (MVAr) (MVAr)
g1 1 700 454 50 129 59.79 -50
g3 7 30 30 30 20 20 -50
g2 7 88 88 88 122 10 -10

Donde:
Ncon: nodo de conexión
Pgmax: potencia activa de generación máxima
Pgini: potencia activa de generación inicial
Pgmin: potencia activa de generación mínima
Qgmax: potencia reactiva de generación máxima
 51

Qgini: potencia reactiva de generación inicial

Qgmin: potencia reactiva de generación mínima
G1..G3: generadores despachados en el sistema

• Características de los módulos de capacitores

Barra de Bc0 Bc1 Bc2 Bc3 Bc b1 b2 b3

Conexión (MVAr) (MVAr) (MVAr) (MVAr) (MVAr) (Cent) (Cent) (Cent)
n1 0 12 25 81 0 0.0121 0.0221 0.0321
n2 0 12 25 81 0 0.0221 0.0321 0.0421
n3 0 12 25 81 0 0.0131 0.0231 0.0331
n4 0 12 25 81 0 0.0121 0.0221 0.0321
n5 0 12 25 81 0 0.0256 0.0356 0.0456
n6 0 12 25 81 0 0.0278 0.0378 0.0478
n7 0 12 25 81 0 0.0156 0.0256 0.0356

Donde:

n1..n7: Nodos numerados

Bc0..Bc3: valores de capacitores estándar en MVArs.
Bc : valor de capacitores iniciales colocados inicialmente en el sistema eléctrico
b1..b3: costo asociado a los módulos de capacitores en dólares.

Estas tablas son leídas por el programa como datos de entrada.

4.1.1 CASO BASE DE PRUEBA

Se corre un flujo de potencia sin límites de voltaje y permitiendo al algoritmo ubicar

capacitores en caso necesario. Para evidenciar las barras que presentan
problemas de tensión. Los resultados obtenidos son los siguientes:
 52

Tabla4.1 Tabla 4.2

Barra de Barra de Bc
conexión V(pu) conexión (MVAr)
n1 1.02963575 n1 0
n2 0.9706484 n2 0
n3 0.97067679 n3 0
n4 0.97005197 n4 0
n5 0.96636576 n5 0
n6 0.9404121 n6 0
n7 1.01404815 n7 0

Tabla 4.3
Generadores Qmin(pu) Q(pu) Qmax(pu)
g1 -0.5 1.29 1.29
g2 -0.1 1.20 1.22
g3 -0.5 0.2 0.2

Tabla 4.4

Generadores Pmin(pu) P(pu) Pmax(pu)

g1 0.5 4.54529699 7
g2 0.88 0.88 0.88
g3 0.3 0.3 0.3

Se puede apreciar en la tabla 4.1 que existe un problema de voltaje en la barra 6,

con un valor menor a 0.95 pu. También en la tabla de capacitores (Tabla 4.2) no
se despliega ningún valor de reactivos porque no se permitió la ubicación de
módulos de capacitores; y en la tabla 4.3 y tabla 4.4 se muestran los valores de
potencia activa y reactiva que producen los generadores para este caso.

4.1.2 CASO 1 DE PRUEBA

En el sistema eléctrico de prueba, se limita la variación de tensión en los nodos al

rango de 0.95 a 1.05, permitiendo al algoritmo ubicar capacitores en caso
necesario. Los resultados obtenidos se exhiben a continuación:
 53

Tabla 4.5 Tabla 4.6

Barra de Barra de
conexión V(KV) conexión Bc(MVAr)
n1 1.03860 n1 0
n2 0.98020 n2 0
n3 0.98012 n3 0
n4 0.97957 n4 0
n5 0.97578 n5 0
n6 0.95 n6 0
n7 1.02262 n7 0

La tabla 4.5 muestra los voltajes que se alcanzan en esta nueva corrida del
algoritmo. En este caso de prueba todavía no se ubican módulos de capacitores
como lo indica la Tabla 4.6, ya que se ha utilizado casi el 100% de la potencia
reactiva de las máquinas y es suficiente para mantener las tensiones en el rango
especificado. Un resultado similar se obtiene con un rango de tensión de 0.96 a
1.04, con la diferencia que se ocupa la totalidad de la potencia reactiva de las
máquinas.

4.1.3 CASO 2 DE PRUEBA

Se permite la ubicación de capacitores en valores requeridos por el sistema

eléctrico, sin considerar módulos discretos de potencia reactiva, es decir, de
manera continua y sin variables binarias. Además, se limita el rango de tensión de
0.97 a 1.05 pu, el sistema requiere de capacitores para el control de tensión, que
son ubicados por el algoritmo en las barras 6 y 7, con los siguientes valores:
Tabla 4.7 Tabla 4.9
Barra de V Barra de Bc
conexión (pu) conexión (MVAr)
n1 1.05 n1 0
n2 0.99445085 n2 0
n3 0.9937562 n3 0
n4 0.99463693 n4 0
n5 0.99004096 n5 0
n6 0.97 n6 5.6492501
n7 1.03934673 n7 0.0096573
 54

En la Tabla 4.7 se observa que los voltajes efectivamente están entre los límites
definidos, además que ha subido el valor de todos los voltajes debido a la
conexión de capacitores en los nodos 6 y 7 (Tabla 4.9).

4.1.4 CASO 3 DE PRUEBA

En este caso de prueba, se prueba el algoritmo con las variables binarias, que
facultan la ubicación de módulos estándar de capacitores, en las barras de la red
que permiten corregir las falencias de tensión, además se realiza la minimización
de los costos, es decir la ubicación de capacitores con el menor costo posible que
remedia los problemas de tensión. Los resultados después de activar dichas
variables son los siguientes:

Tabla 4.10 Tabla 4.11

Barra de V Barra de Bc
conexión (pu) conexión (MVAr)
n1 1.04890464 n1 0
n2 0.99360044 n2 0
n3 0.99465197 n3 0
n4 0.99391898 n4 0
n5 0.99184156 n5 0
n6 0.97 n6 0
n7 1.04578202 n7 12

Se esperaba que el programa ubique el capacitor o capacitores estándar en una

de las barras 6 o 7, con los antecedentes de corridas anteriores. Sin embargo, lo
hizo en la barra 7 con un capacitor de 12MVAr como se aprecia en la Tabla 4.11,
subiendo los voltajes aledaños así como en la barra propia. Esta opción se estima
que es la mejor, porque entre las barras 6 y 7 existe una diferencia de precio
considerable, como se visualiza en la Tabla 4.12, aunque parezca mejor opción
ubicar en la barra 6, ya que allí está el requerimiento de mayor valor de
 55

capacitores, no lo es, ya que el costo involucrado es muy alto, con esto se cumple
la condición de minimizar costos de la función objetivo.

Tabla 4.12
Barra de Bc1 b1
conexión (MVAr) (Cent)
n1 12 0.0121
n2 12 0.0221
n3 12 0.0131
n4 12 0.0121
n5 12 0.0256
n6 12 0.0278
n7 12 0.0156

La siguiente figura, presenta el gráfico de tensiones nodales para este caso de

análisis.
 56

Con esta serie de análisis se concluye que el algoritmo funciona correctamente

ubicando capacitores al menor costo por lo tanto puede ser utilizado en un sistema
eléctrico real.

4.2 APLICACIÓN EN EL SISTEMA NACIONAL INTERCONECTADO

Luego de la validación del algoritmo en el sistema eléctrico de prueba, se aplica a

un modelo de gran escala como es el sistema nacional interconectado
ecuatoriano. Conforme la metodología utilizada, se realizará flujos de potencia
previos, a fin de determinar las barras con problemas de voltaje.

El escenario de estudio es un despacho económico, en condiciones de demanda

máxima e hidrología lluviosa, en el cual se presentan los problemas de bajos
voltajes, porque la generación no está distribuida uniformemente, y se localiza en
mayor cantidad en las centrales hidráulicas que están en puntos extremos de la
red eléctrica, por lo tanto los nodos alejados de las barras de generación sufrirán
depresión de voltaje.

La información de entrada es la potencia activa de cada máquina obtenida del

despacho de generación, siendo solo la barra oscilante la que pueda tener holgura
en su generación, a fin de absorber las perdidas del sistema. El Gráfico 4.1
muestra esta distribución.
En el Gráfico 4.2 se presenta la potencia reactiva de los generadores que ingresa
como dato de entrada, sin embargo, esta variable tiene una banda de oscilación,
debido a que primero se utiliza la potencia reactiva de las máquinas y en caso
necesario el algoritmo procedería a la implementación de módulos de capacitores
en las barras por medio de las variables binarias de decisión y minimización del
costo de inversión.
En el Gráfico 4.3 y Gráfico 4.4 se presenta los datos de la potencia activa y
reactiva de carga respectivamente, en demanda máxima.
También ingresaran como datos de entrada lo referente a la resistencia y
reactancia de las líneas y demás elementos de la red eléctrica.
 57

Grafico 4.1

Grafico 4.2
 58

Grafico 4.3

Grafico 4.4
 59

Con la información completa del sistema nacional interconectado, se realiza las

primeras corridas de flujo de potencia con los límites relajados, para encontrar las
falencias de voltaje en las barras. En el Grafico 4.5 se puede apreciar las barras
donde los valores de tensión están por debajo de las bandas de voltaje permitidas.
Se podría anticipar que la implementación de módulos de capacitores, se
realizaría en estas barras o cerca de ellas, para elevar su voltaje.
El Grafico 4.6 muestra la potencia reactiva de las máquinas después de la primera
corrida, efectuada sin restricción de voltaje, es decir solo regida por el balance de
potencia reactiva, común en cualquier flujo de potencia.
 60

Fig. 4.5
 61

Fig. 4.6
 62

4.2.1 ANALISIS DE RESULTADOS

En esta sección se realiza el análisis de los resultados obtenidos por el algoritmo,

circunscrito a la aplicación en el sistema nacional interconectado ecuatoriano,
verificando que la instalación de capacitores sea óptima, es decir que eleve las
barras al voltaje deseado con el menor costo de inversión posible.
Analizaremos primero la distribución de capacitores que el algoritmo encontró para
solucionar el problema de voltajes en las barras.
La Figura 4.9 muestra los siguientes módulos de capacitores estándar (Tabla
4.13): 2 bancos de 25MVAr para 138KV, 2 módulos de 1 banco de 25 MVAr cada
uno, y 2 bancos de 30 MVAr, que posteriormente se demostrará que fueron
instalados en las barras con problemas de voltaje o cerca de ellas, a fin de subir la
tensión a las bandas permitidas.

Tabla 4.13
Barras MVAr
Milagro138 50
PomasquiEq138 25
San Idelfonso138 25
Trinitaria138 60

La Figura 4.10 muestra las tensiones nodales en todo el sistema eléctrico,

después de la instalación de los capacitores en las barras mencionadas,
permaneciendo entre los límites máximos y mínimos, registrando como tensión
más baja 0.95 en pu, que constituye uno de los objetivos de este trabajo. Cabe
indicar que las barras de tensión controlada que sobrepasan la banda máxima de
tensión, que son las barras de Machala Power unidad 1 y 2 y Molino Unidad 3 no
están en el gráfico.
En gráficos posteriores se analizará la importancia de la posición de estos
capacitores en el sistema nacional interconectado ecuatoriano, ya que se
encuentran de manera céntrica a las barras con problemas.
 63

En la Figura 4.13 se muestra una comparación entre los voltajes anteriormente

fuera de rango y los nuevos voltajes, observando en algunos una gran diferencia,
ya que en estos el capacitor está muy cerca.

A continuación se analizará la importancia de la ubicación de estos capacitores,

caso por caso.

En la Figura 4.14 se muestra el capacitor instalado en la barra de Milagro 138 con

2 bancos de 25 MVAr, que se encuentra en la zona sureste del Ecuador. Asociada
a esta barra se encuentran algunos nodos mencionados anteriormente como fuera
de rango, y se analizará cada uno.
- BabahoyoT13.8, Babahoyo69 y Babahoyo138 están conectados a la barra
Milagro 138, en la que se encuentra el capacitor; por consiguiente, el voltaje
sube a los límites en estas barras.
- Cuenca69, se encuentra conectada a la barra de Molino y esta última a la barra
de Milagro, en conclusión cercana y susceptible a subir su voltaje debido al
capacitor mencionado.
- Loja 69, y Loja 138 se encuentran conectadas a la barra Cuenca 138, la
subestación nombrada anteriormente por lo tanto susceptible a subir su voltaje.
- La barra Monay 69 está conectada a la barra Cuenca 69 mencionada
anteriormente, por lo tanto también sube su voltaje por cercanía.
Esta serie de análisis permite concluir que el capacitor instalado en la barra
Milagro 138, ayuda notablemente a estabilizar los voltajes bajos en sus niveles
normales.

En la Figura 4.15 se presenta el capacitor instalado en la barra de Pomasqui 138,

con 1 banco de 25 MVAr, que se encuentra en la zona norte del Ecuador.
Asociada a esta barra se encuentran algunos nodos mencionados anteriormente
como fuera de rango, y se analizará cada uno de ellos.
- Esmeraldas69 casi llega al límite de voltaje tolerado; está conectado a la barra
de Santo Domingo y esta última a la barra de Santa Rosa, esta última con la
 64

barra Vicentina que se conecta a la barra Pomasqui 138 donde se encuentra el

capacitor. Esta barra no necesitó de mucha potencia reactiva para nivelar su
voltaje.
- Ibarra34.5, Ibarra69, Ibarra138, Ibarra13.8T1, Ibarra13.8T2, Ibarra13.8T3,
Ibarra138_T e Ibarra69_MOV, se encuentran todas en la subestación Ibarra,
conectada a la barra Pomasqui 138, por consiguiente estas barras son
afectadas por cercanía con el capacitor.
- PomasquiEq23 está conectada directamente en la barra Pomasqui 138, por lo
tanto elevará su voltaje.
- Vicentina46 está conectada a Vicentina 138 y esta última a Pomasqui 138,
estando en la cercanía del capacitor y elevando el voltaje de la barra.
- Carmen6.9 está conectada a Santa Rosa 138 y esta última a Vicentina 138, y
esta última a Pomasqui 138, aumentado el voltaje de la barra por cercanía.
Esta serie de análisis permite concluir que el capacitor instalado en la barra de
Pomasqui 138, ayuda notablemente a la estabilización de los voltajes bajos en el
área norte.

En la Figura 4.16 se presenta el capacitor instalado en la barra de San Idelfonso

138, con 1 banco de 25 MVar, está en la zona suroeste del Ecuador. Asociada a
esta barra se encuentran algunos nodos mencionados anteriormente como fuera
de rango, que serán analizados individualmente.
- San Idelfonso138 tiene al capacitor en su propia barra, por consiguiente su
voltaje se elevará.
- Machala69, Machala138 y MachalaATQ13.8están conectadas a la barra San
Idelfonso 138 que posee el capacitor mencionado e incrementan su tensión.
- Machala Power138, Machala Power13.8U1, Machala Power13.8U2 y
MachalaG13.8, están conectadas a la barra San Idelfonso 138, por lo tanto su
voltaje es susceptible a elevarse a los niveles requeridos.
Esta serie de análisis nos lleva a concluir que el capacitor instalado en este sector
ayuda notablemente a la estabilización de los voltajes bajos a sus niveles
normales, en las barras cercanas.
 65

En la Figura 4.17 se presenta el capacitor instalado en la barra de Trinitaria 138

con 2 bancos de 30 MVAr, está en la zona oeste del Ecuador, asociada a esta
barra se encuentran algunos nodos mencionados anteriormente como fuera de
rango y se analizará cada uno de ellos.
- Emelec Salitral13.8AT2 se encuentra en la subestación Salitral y está
conectada a la subestación Pascuales, que está conectada con Trinitaria 230 y
esta última a Trinitaria 138 donde está ubicado el capacitor. Por lo tanto el
voltaje será elevado debido al capacitor conectado en las cercanías de la barra
con falencia de tensión.
- Policentro69 está conectado a la subestación Pascuales y como anteriormente
mencionamos está conectada a la estación que tiene el capacitor; por lo tanto,
es beneficiada por el capacitor y eleva su voltaje.
- Santa Elena13.8 Santa Elena69 y Santa Elena138 están conectadas a la
subestación Pascuales y esta última a la subestación que tiene el capacitor.
Nuevamente estas barras serán beneficiadas por el capacitor ubicado en la
cercanía de la zona con falla de voltaje.
Esta serie de análisis nos lleva a concluir que el capacitor instalado en este sector
ayuda notablemente a la estabilización de los voltajes bajos a sus niveles
normales.

En la Figura 4.18 se presenta la potencia reactiva de los generadores luego de la

instalación de capacitores, se aprecia que los valores se aproximan al valor límite
en algunos generadores y en la mayoría ya están en su capacidad máxima, por tal
motivo el algoritmo instala capacitores debido a la deficiencia de potencia reactiva.

Como se puede apreciar, el algoritmo ubica los módulos de capacitores en las

barras donde se obtiene los mayores beneficios en incremento de tensión
localmente y en las barras cercanas, cumpliendo con los requerimientos
específicos del sistema eléctrico. Cabe indicar, que en el algoritmo se puede
 66

utilizar otros rangos de calidad de tensión, así como introducir restricciones

adicionales.

Fig. 4.9
 67

Fig. 4.10
 68

Fig. 4.13
 69

Fig. 4.14

Fig. 4.15
 70

Fig. 4.16

Fig. 4.17
 71

Fig. 4.18
 72

En La Figura 4.19 se presenta los costos de cada uno de los capacitores utilizados
para este caso en miles de dólares y en la Figura 4.20 el costo total de inversión
en miles de dólares.

Fig. 4.19

Fig. 4.20
 73

5. CONCLUSIONES Y RECOMENDACIONES

• La metodología presentada, permite ubicar en forma óptima, módulos de

potencia reactiva, en base a un proceso de optimización que minimiza el
costo de inversión en módulos estándar de capacitores, considerando
criterios económicos, técnicos y restricciones de calidad y seguridad.

• La metodología propuesta se validó con un sistema eléctrico de prueba de

7 barras y con un escenario de problemas de bajos voltajes, obteniendo
buenos resultados, que cumplieron el objetivo principal de mantener las
tensiones de los nodos dentro del rango de calidad de voltaje.

• La metodología y algoritmo se aplicó al sistema nacional interconectado,

con la red eléctrica del plan de expansión de transmisión 2008-2017,
establecido por la empresa Transelectric en mayo del 2008, obteniendo
buenos resultados, ya que según La empresa de transmisión los
capacitores deberían implementarse en el sur del país, específicamente en
las subestaciones Pascuales y Dos Cerritos entre otros, y en el norte del
país. El algoritmo de este proyecto de tesis, ubica los módulos de
capacitores en las subestaciones Trinitaria, San Idelfonso y Milagro
situadas precisamente en el sur del país; y en la subestación Pomasqui al
norte, confirmando la veracidad del algoritmo.

• La implementación de módulos de capacitores para el suministro de

potencia reactiva, se debe realizar cuando se agota la potencia reactiva de
los generadores, según su curva de capabilidad; a la vez que se varían los
taps de los transformadores hasta su máximo valor.

• En este trabajo se demostró la estrecha relación y dependencia entre el

voltaje y la potencia reactiva, siendo esta última la responsable de subir o
 74

bajar el voltaje. Como se presentó en los resultados, los capacitores

elevaron el voltaje a los niveles establecidos, y se ubicaron en lugares
cercanos a los problemas.

• Como se pudo apreciar en los gráficos, los capacitores no se pueden

colocar al azar. Deben ser escogidos y ubicados en forma conveniente por
medio de un algoritmo de optimización, ya que sus beneficios no serán los
mismos al ser colocados en cualquier lugar, a la vez que el costo por
ubicación inadecuada probablemente será mayor.

• En condiciones como la estudiada en nuestro país (hidrología lluviosa en

demanda máxima), la utilización de capacitores se torna obligatoria ya que
no cuenta con suficiente infraestructura para el suministro y reserva de
potencia reactiva.

• En la condición estudiada: hidrología lluviosa y condición de demanda

máxima, la generación no es distribuida de manera uniforme, debido a que
las lluvias obligan a concentrar la producción de electricidad en las
centrales hidráulicas, ocasionando que las barras que están alejadas de
esta generación sufran depresiones de voltaje. En estas circunstancias, los
capacitores tienen que cumplir la función de elevar el voltaje a las bandas
especificadas.

• Las variables binarias son de gran ayuda para los diseños de modelos
matemáticos. En este trabajo, constituyen las variables de decisión, que
definen la selección de los módulos de capacitores estándar y la
correspondiente ubicación. Problemas que comúnmente no se podrían
resolver por métodos sencillos, son resueltos con la correcta utilización de
estas variables.
 75

• Debido a las funciones no lineales que se definieron, fue necesario recurrir

a la programación no lineal, regida por las condiciones de optimalidad de
Karush–Kuhn–Tucker (CKKT), que se explicaron en la sección del marco
teórico. Con su versatilidad, permitieron incluir de manera adecuada las
restricciones técnicas del sistema eléctrico.

• Los valores estandarizados de módulos de capacitores, disponibles en el

mercado, así como los costos de implementación, se tomaron del Plan de
expansión de transmisión 2008-2017, elaborado por la empresa de
transmisión ecuatoriana en mayo del 2008.

• Las variables de control para este algoritmo son los módulos de Voltaje que
en la programación los llamamos V. Para facilidad de análisis, los
resultados del algoritmo se presentaron mediante gráficos, evidenciando
quelas tensiones oscilan entre 0.95 y 1.05 en pu. La mayoría de barras con
falencia de tensión, se ubican la parte sur del país, debido a la escasa
generación hidráulica en la zona, donde precisamente el algoritmo ubica los
módulos de capacitores, permitiendo superar el problema con solvencia.

• Los algoritmos de este tipo no están al alcance de los estudiantes de

ingeniería, así como el acceso a la información del sistema eléctrico
ecuatoriano, condiciones que limitan o restringen su formación académica
en sistemas de potencia.

• Gracias a la facilidad en el manejo, programación amigable y excelentes

resultados, se recomienda utilizar este optimizador (GAMS), para diversas
aplicaciones de ingeniería y desarrollo de algoritmos.
 76

6. BIBLIOGRAFÍA

[1] Kundur, Prabha, “Power System Stability And Control”, Powertech Labs Inc.
British Columbia, Mc Graw Hill, Washington D.C.

[2] Granaghan, Mc, Dugan R, “Electrical Power System Quality”, Second

Edition, Mc Graw-Hill.

[3] Andreson, P.M, “Power System Control and Stability”, The Iowa state
University Press, Ames USA.

[4] Marcel Goic, “Modelamiento de Problemas de Programación Lineal”

con Variables Binarias.”, Universidad de Chile, Facultad de Ciencias
Físicas y Matemáticas.

[5] http://www.gams.com “Manuales con ejemplos aplicativos. PDF”.

[6] Manual de Usuario de GAMS (General Algebraic Modeling System).

[7] Chattopadhyay, D., “Application of General Algebraic Modeling System to

Power System Optimization,”
IEEE Trans. Power Systems 14(1), 15– 22 (Feb. 1999).
 77

7. ANEXOS

ANEXO 1
COSTO EN MILES DE DOLARES
BAHÍA DE CONEXIÓN PRINCIPAL CAPACITORES Y EQUIPO DE CONEXIÓN
Item Módulos SUMINISTRO O. CIVILES MONTAJE COSTO SUMINISTRO O. CIVILES MONTAJE COSTO COSTO TOTAL
CAPACITORES A 138KV
1 BANCO 3X25 MVAr 360 165 525 1041 270 1311 1836
2 BANCO 2X25 MVAr 360 165 525 694 180 874 1399
3 BANCO 1X25 MVAr 360 165 525 347 90 437 962
4 BANCO 1X25 MVAr Amplia - - - 347 90 437 437

5 BANCO 2X30 MVAr 360 165 525 774 180 954 1479
6 BANCO 1X30 MVAr Amplia - 387 90 477 477

CAPACITORES A 69KV
1 BANCO 2X12 MVAr 231.5 120 351.5 379 60 439 790.5
2 BANCO 1x12 MVAr 231.5 120 351.5 189.5 30 219.5 571
3 BANCO 1X12 MVAr Amplia - - - 189.5 30 219.5 219.5
4 BANCO 1x12 MVAr * 231.5 120 351.5 118 30 148 499.5
5 BANCO 1x6 MVAr * 231.5 120 351.5 70 30 100 451.5

CAPACITORES A 69KV (S/E en SF6)

1 BANCO 2X12 MVAr 412.5 75 487.5 379 60 439 926.5
2 BANCO 1x12 MVAr 412.5 75 487.5 189.5 30 219.5 707
3 BANCO 1X12 MVAr Amplia - - - 189.5 30 219.5 219.5

No se considera equipamiento que permita ampliación a futuro inmediato

 78

ANEXO 2

1
A

A
Amps

50 MW
2 Amps

10 Mvar 150 MW
60 Mvar 3 50 MW
10 Mvar

A
A

M VA
M VA

4
5

A 50 MW
A
80 Mvar
50 MW Amps
Amps
10 Mvar

Amps

6 7

100 MW 100 MW
30 Mvar 30 Mvar
 79

ANEXO 3
MANUAL DE USUARIO PARA EJECUTAR EL ALGORITMO DE LA
UBICACIÓN ÓPTIMA DE EQUIPOS DE COMPENSACIÓN REACTIVA PARA
EL SISTEMA NACIONAL INTERCONECTADO ECUATORIANO

1. El archivo Excel FLUJO.xls ubicado en la dirección C:\FLUJO, es el archivo

que lee el optimizador GAMS como datos de entrada, se indica que se debe
crear anteriormente el archivo FLUJO en la unidad C:, para pegar los datos
adjuntos, para la aplicación del algoritmo, este archivo contiene la
característica de líneas y trafos, (Figura 3.1), así como características de
Generadores, (Figura 3.2), condiciones de demanda escogida, módulos de
capacitores en pu y costos de capacitores, (Figura 3.3 y Figura 3.4).

Figura 3.1
 80

Figura 3.2

Figura 3.3
 81

Figura 3.4

2. Se abre el archivo desde GAMS, (Figura 3.5 y Figura 3.6), Ubicacion.gms

que es el algoritmo que ubica óptimamente capacitores en un sistema
eléctrico.

Figura 3.5 Figura 3.6

3. Una vez con el archivo en la dirección indicada, corremos el programa, con

el ícono del archivo con flecha roja (Figura 3.7), los datos se despliegan en
una extensión del programa como tablas adjuntas, (Figura 3.8).
 82

Figura 3.7
F
i
g
u
r
a

3
.
7

C
r
Figura 3.8
 83

NOTAS DE INSTALACIÓN:

• Una vez Instalado el optimizador GAMS, los archivos gdxviewer.exe,

gdxviewer.ini, Gdxxrw.exe, Xls2gms.exe y Gdxio.dll, que se encuentran
en el CD de Tesis, deben ser copiados y trasladados a C:\Archivos de
programa\GAMS20.7.

Variación dentro de la base de datos.

• El algoritmo es aplicable a cualquier base de datos correctamente

ingresada, la variación entre cada uno está en el número de componentes
en la topología de la red, como número de Generadores en el despacho,
cargas, transformadores etc. Esta variación se la realiza en las tablas
adjuntas de Excel, pero tiene repercusión en los límites que se declaran en
GAMS, ya que el programa lee los límites en la que está el área de
información, (Figura 3.9), y si se varía la base de datos es necesario variar
el rango de selección. De manera similar se debe variar el número de
componentes de red como generadores, líneas y barras, (Figura 3.10).

Figura 3.9
 84

Figura 3.10
 VI

Índice

1. INTRODUCCIÓN .............................................................................................................. 1
Resumen ............................................................................................................................. 1
1.2 OBJETIVOS ................................................................................................................. 1
1.3 ALCANCE ................................................................................................................... 2
1.4 JUSTIFICACIÓN DEL PROYECTO .......................................................................... 2
1.5 DESCRIPCIÓN DEL TRABAJO ................................................................................ 3
2. MARCO TEÓRICO ........................................................................................................... 5
2.1 PROGRAMACIÓN LINEAL ...................................................................................... 5
2.1.1 INTRODUCCIÓN ................................................................................................. 5
2.1.2 FORMULACIÓN DEL PROBLEMA Y SOLUCIÓN (PROBLEMA DE
PROGRAMACIÓN LINEAL). ...................................................................................... 6
2.1.3 TEORIA DE DUALIDAD Y ANALISIS DE SENSIBILIDAD ......................... 8
2.1.4 RESOLUCIÓN DE PROBLEMAS DE PROGRAMACIÓN LINEAL ............. 13
2.2 PROGRAMACION ENTERA MIXTA ..................................................................... 19
2.2.1 INTRODUCCIÓN ............................................................................................... 19
2.3 PROGRAMACIÓN NO LINEAL.............................................................................. 21
2.3.1 INTRODUCCIÓN ............................................................................................... 21
2.3.2 FOMULACIÓN MATEMÁTICA DEL PROBLEMA ....................................... 22
2.3.3 CONDICIONES NECESARIAS DE OPTIMALIDAD ..................................... 23
2.3.4 MÉTODOS DE RESOLUCIÓN DEL PROBLEMA .......................................... 28
2.3.5 MÉTODOS COMPUTACIONALES PARA PROGRAMACIÓN NO LINEAL
...................................................................................................................................... 29
Ejemplos ........................................................................................................................ 30
Ejemplo bidimensional........................................................................................... 30
Ejemplo tridimensional .............................................................................................. 31
2.4. ACTIVIDADES DEL SISTEMA ELÉCTRICO. ..................................................... 31
2.4.1 PLANIFICACIÓN DE LA EXPANSIÓN DEL SISTEMA ELÉCTRICO ........ 33
2.4.2 PROGRAMACIÓN DE LA OPERACIÓN ........................................................ 33
2.4.3 PROGRAMACIÓN DE LARGO PLAZO. ......................................................... 35
2.4.4 PROGRAMACIÓN DE MEDIANO PLAZO..................................................... 35
2.4.5 PROGRAMACIÓN DE CORTO PLAZO. ......................................................... 36
2.5. POTENCIA REACTIVA EN UN SISTEMA DE POTENCIA. ............................... 37
2.5.1 INTRODUCCIÓN. .............................................................................................. 37
2.5.2 EL PROBLEMA DE LA OPTIMIZACIÓN DE LA COMPENSACIÓN
REACTIVA EN SISTEMAS ELÉCTRICOS. ............................................................. 37
2.5.3 BENEFICIOS DE LA COMPENSACIÓN REACTIVA. ................................... 38
2.5.4 EL BALANCE DE POTENCIA REACTIVA. ................................................... 38
2.5.5 BANCOS DE CAPACITORES .......................................................................... 39
3. PLANTEAMIENTO DEL PROBLEMA Y METODOLOGÍA DE SOLUCIÓN ........... 40
3.1 SELECCIÓN DE CAPACITORES ........................................................................... 41
3.1.1 FUNCIÓN OBJETIVO ....................................................................................... 41
3.1.4 RESTRICCIONES DEL PROBLEMA ............................................................... 42
 VII

3.1.5 INFORMACIÓN GENERAL ............................................................................. 45

4. CASOS Y ANÁLISIS DE RESULTADOS ..................................................................... 49
4.1 SISTEMA ELÉCTRICO DE PRUEBA ..................................................................... 49
4.1.1 CASO BASE DE PRUEBA ................................................................................ 51
4.1.2 CASO 1 DE PRUEBA ........................................................................................ 52
4.1.3 CASO 2 DE PRUEBA ........................................................................................ 53
4.1.4 CASO 3 DE PRUEBA ........................................................................................ 54
4.2 APLICACIÓN EN EL SISTEMA NACIONAL INTERCONECTADO .................. 56
4.2.1 ANALISIS DE RESULTADOS.......................................................................... 62
5. CONCLUSIONES Y RECOMENDACIONES ............................................................... 73
6. BIBLIOGRAFÍA .............................................................................................................. 76
7. ANEXOS .......................................................................................................................... 77