UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA

UN MODELO DE EXPANSIÓN ÓPTIMA DE LA RED DE 500

KV DEL SISTEMA ELÉCTRICO PERUANO

TESIS

PARA OPTAR EL TÍTULO PROFESIONAL DE:

INGENIERO ELECTRICISTA

PRESENTADO POR:

JORGE HANS ALAYO GAMARRA

PROMOCIÓN
2008 - II

LIMA – PERÚ
2010
UN MODELO DE EXPANSIÓN ÓPTIMA DE LA RED DE 500
KV DEL SISTEMA ELÉCTRICO PERUANO
DEDICATORIA:

Este trabajo lo dedico con mucho cariño para mi

madre, quien siempre me incentiva a dar lo mejor
de mí.
 SUMARIO

En el presente trabajo, se desarrolla un modelo computacional para obtener una red de

transmisión de largo plazo basándose en técnicas de optimización. El objetivo de la
planificación consiste fundamentalmente en encontrar el equipamiento que debe ser
instalado en la red para tener una operación adecuada en el futuro. La metodología consiste
en formular el problema de la planificación como un problema de optimización donde se
minimiza los costos de inversión sujeto a las ecuaciones de la red y los criterios de
planificación.
Primero, se revisan los principios de la planificación de sistemas de transmisión.
Asimismo, se presenta el modelamiento matemático del problema y los principales
algoritmos de solución basados en programación lineal. Luego, en base a los algoritmos
presentados se implementa el algoritmo de Villasana - Garver en Matlab. Finalmente, se
aplica el algoritmo implementado a un caso simplificado del sistema peruano para obtener
una red troncal de largo plazo de 500 kV.
 ÍNDICE

PROLOGO.................................................................................................................................1
CAPITULO I
INTRODUCCIÓN
1.1 Justificación de la tesis ......................................................................................................4
1.2 Objetivos de la tesis...........................................................................................................5
1.3 Alcances de la tesis............................................................................................................5
CAPÍTULO II
PRINCIPIOS DE PLANIFICACIÓN DE SISTEMAS DE TRANSMISIÓN Y
SELECCIÓN DE LA METODOLOGÍA DE PLANIFICACIÓN
2.1 Los objetivos de la planificación de sistemas de trasmisión .............................................6
2.2 Criterios de planificación de sistemas de transmisión.......................................................7
2.3 Metodologías utilizadas en la planificación de sistemas de transmisión...........................9
2.4 Principales herramientas para la evaluación de los criterios de planificación ................12
2.5 La metodología basada en técnicas de optimización como alternativa de solución........16
CAPÍTULO III
LA PLANIFICACIÓN BASADA EN TÉCNICAS DE OPTIMIZACIÓN Y
SELECCIÓN DEL ALGORITMO DE SOLUCIÓN
3.1 La planificación de sistemas de transmisión mediante técnicas de optimización ...........18
3.1.1 El modelamiento matemático ..........................................................................................19
3.1.2 Los modelos matemáticos existentes...............................................................................21
3.1.3 Los algoritmos de solución..............................................................................................23
3.2 El modelo híbrido y el algoritmo de Villasana - Garver como alternativa de solución ..31
CAPÍTULO IV
DESARROLLO Y VERIFICACIÓN DEL MODELO COMPUTACIONAL EN
MATLAB
4.1 El Matlab como herramienta de desarrollo......................................................................33
4.2 Modificaciones al modelo híbrido para su implementación en Matlab...........................34
4.3 Implementación del algoritmo Villasana – Garver en Matlab ........................................37
4.4 Verificación del algoritmo de Villasana - Garver en sistemas de prueba .......................38
4.4.1 El sistema de Garver de 6 barras .....................................................................................39
4.4.2 El sistema IEEE de 24 barras ..........................................................................................39
4.4.3 El sistema Brasileño Sur..................................................................................................40
CAPÍTULO V
APLICACIÓN: DESARROLLO DE UNA RED DE 500 KV DEL SISTEMA
PERUANO
5.1 Una breve descripción de la situación actual del sistema eléctrico peruano ...................42
5.2 Consideraciones para el caso simplificado del sistema de transmisión peruano............45
5.3 Descripción de los casos de estudio ................................................................................47
5.4 Resultados del algoritmo de Villasana - Garver a los casos de estudio ..........................48
5.5 Selección de los refuerzos en la red de transmisión para el año 2017.............................57
CONCLUSIONES Y RECOMENDACIONES ....................................................................59
ANEXO A
LISTADO DE SÍMBOLOS ....................................................................................................61
ANEXO B
DATOS DE LOS SISTEMAS DE PRUEBA.........................................................................63
ANEXO C
DATOS DE LOS CASOS DE ESTUDIO DEL SISTEMA PERUANO .............................70
BIBLIOGRAFÍA .....................................................................................................................78
 PROLOGO

La planificación de sistemas de transmisión utilizando técnicas de optimización es un área

de investigación muy importante dentro de los sistemas de potencia. En este trabajo se
recoge los principales desarrollos en esta área y se presentan de una manera simple, con la
principal motivación de dar a conocer el tema a los estudiantes de ingeniería y personas
ligadas al sector eléctrico. Asimismo, se implementa un modelo de expansión de redes de
transmisión con el fin de mostrar el camino para implementar dichas herramientas
computacionales. Luego se aplica el modelo a un caso simplificado el sistema peruano para
observar el desempeño del modelo con un problema actual del sistema peruano y mostrar
las ventajas de esta metodología.
Con respecto a la elaboración de este trabajo, deseo agradecer de manera muy especial a
mi asesor: el ingeniero Jose Koc Rueda, por su invalorable ayuda y por la exigencia
durante la elaboración del presente trabajo. Asimismo deseo agradecer al doctor Rubén
Romero Lázaro, quien ha efectuado un trabajo admirable dentro del área de planificación
de sistemas de transmisión y cuya investigación ha sido clave para el desarrollo del
presente trabajo.
 CAPITULO I
INTRODUCCIÓN

La planificación de largo plazo de un sistema de transmisión es un problema clásico de la

ingeniería eléctrica que ha tomado gran importancia en los sistemas eléctricos de hoy en
día. El objetivo consiste fundamentalmente en encontrar los equipos que deben ser
instalados en la red para tener una operación adecuada en el futuro.
Existen diversas metodologías que se han propuesto para solucionar el problema. El
primer intento de solución consistía en evaluar directamente alternativa por alternativa
hasta hallar la mejor de entre todas las opciones, sin duda, un gran esfuerzo computacional.
A medida que avanzaron las investigaciones en el tema, surgieron metodologías más
sofisticadas que permiten identificar las alternativas de planificación más atractivas sin
necesidad de un esfuerzo computacional exhaustivo. La aplicación de técnicas de
optimización, microeconomía, teoría de toma de decisiones bajo incertidumbre y teoría de
confiabilidad son algunas de las herramientas utilizadas para resolver el problema [1].
En la actualidad, la metodología basada en técnicas de optimización ha surgido como la
principal metodología para obtener alternativas de planificación económicamente
atractivas [2]. Países como Estados Unidos, España, Australia, Singapur, Colombia, Costa
Rica y otros países, han adoptado el uso de técnicas de optimización en la planificación de
sus sistemas eléctricos [3, 4]. Esta metodología formula el problema de la planificación
como un problema de optimización donde se minimiza los costos de inversión sujeto a las
ecuaciones de la red y los criterios de planificación, recurriendo a la teoría de la
investigación de operaciones para obtener soluciones [5]. La ventaja de las técnicas de
optimización con respecto a las demás metodologías es que reduce enormemente la
identificación de las alternativas de planificación más atractivas, permitiendo el estudio de
un gran número de alternativas y escenarios.
Desde el punto de vista de la optimización, el modelo ideal del problema de la
planificación corresponde a un problema de programación no lineal entera mixta, y hasta el
momento no existe ninguna técnica de solución que asegure obtener el óptimo global para
 3

sistemas de gran tamaño. No obstante, mediante simplificaciones pueden obtenerse

soluciones bastante aproximadas [5].
Los primeros trabajos comenzaron con modelos linealizados del problema y se plantearon
los llamados algoritmos heurísticos como técnica de solución. Los algoritmos heurísticos
son algoritmos que evalúan alternativas paso a paso, en cada paso resuelven un problema
de programación lineal y en base a un índice o indicador se selecciona la adición más
atractiva para la red, y así sucesivamente hasta que no se necesite más adiciones en la red
[6].
Posteriormente se aplicaron técnicas de solución basadas en algoritmos de optimización
clásica entre las que se incluyen la descomposición de Benders y el algoritmo Branch and
Bound. Dichos algoritmos pueden hallar soluciones óptimas pero a costa de grandes
simplificaciones en el modelamiento matemático. Asimismo estos algoritmos presentan
problemas de convergencia y requieren de un gran esfuerzo computacional, aun para
sistemas pequeños [6].
En la actualidad, las investigaciones se concentran en la aplicación de los llamados
algoritmos metaheurísticos. En esta categoría se encuentran los algoritmos genéticos, la
búsqueda Tabú, GRASP, Simulated Annealing, Colonia de hormigas, etc. Los algoritmos
metaheurísticos se caracterizan por ser algoritmos aproximados de optimización que
realizan una búsqueda “inteligente” tomando decisiones basándose en la emulación de
procesos de la naturaleza para explorar el espacio de soluciones. Dichos algoritmos suelen
ser muy eficientes; sin embargo, aun no han sido adoptados completamente y continúa
siendo un área en investigación [6].
En la práctica, los algoritmos heurísticos son los más aceptados por las empresas de
transmisión eléctrica [5]. El uso de algoritmos heurísticos es muy atractivo debido a la
soluciones económicamente competitivas que se obtienen, con un pequeño esfuerzo
computacional. Aunque matemáticamente hablando no se puede garantizar encontrar el
plan de expansión óptimo, los resultados obtenidos son útiles desde el punto de vista
referencial. Pues bien, se debe recordar que los modelos matemáticos son una
simplificación de la realidad para poder tomar decisiones. Usualmente, los resultados
obtenidos sirven como un indicador de las adiciones más atractivas y se complementan
tomando en cuenta otros análisis.
En el presente trabajo, se implementa una herramienta computacional para obtener una red
de transmisión de largo plazo utilizando técnicas basadas en programación lineal. Se revisa
 4

el modelamiento matemático del problema y los principales algoritmos de solución

basados en programación lineal. Luego, se implementa el algoritmo de Villasana – Garver
en Matlab, un software matemático que permite la implementación rápida de programas
prototipos [7]. El algoritmo de Villasana – Garver es un algoritmo heurístico que se
caracteriza por mantener un compromiso entre el modelamiento de las restricciones
económicas y de las restricciones técnicas del problema. Asimismo el algoritmo de
Villasana – Garver mantiene un buen compromiso entre el modelamiento matemático y la
técnica de solución. Finalmente, se aplica la herramienta implementada para hallar una red
troncal de 500 kV de un caso simplificado del sistema de transmisión peruano tomando
como año horizonte el año 2017.
1.1 Justificación de la tesis
Desde el punto de vista practico, el desarrollo de un modelo computacional para hallar una
red de largo plazo representa una necesidad actual del sector eléctrico peruano.
Actualmente, la demanda de electricidad en el sistema peruano esta experimentando un
crecimiento rápido. Ante este crecimiento, el Ministerio de Energía y Minas se encuentra
licitando una serie de refuerzos en la red de transmisión que incrementarían el nivel de
tensión a 500 kV [8]. Este hecho lleva a pensar en una red referencial de 500 kV de largo
plazo que resulte más eficiente que realizar adiciones pensadas a corto plazo. Aunque el
objetivo de este trabajo no es resolver el problema de planificación del país, constituye la
principal motivación de este trabajo el desarrollo de una herramienta computacional para la
planificación con miras a ser aplicada en el sistema peruano. Asimismo, la planificación
basada en técnicas de optimización no ha sido un tema muy investigado en el Perú, pese a
ser una técnica moderna adoptada en muchos países. Dentro de las investigaciones por
parte de peruanos es destacable el trabajo del Dr. Rubén Romero cuya mayor parte de su
investigación ha sido desarrollada en el extranjero. En este trabajo se realiza una revisión
de la teoría básica de la planificación basada en técnicas de optimización con la motivación
de dar a conocer este tema entre los estudiantes de ingeniería, investigadores, y personas en
general ligadas al sector eléctrico peruano.
Desde el punto de vista académico, en este trabajo se propone un modelo que extiende el
modelamiento básico existente en la literatura especializada. Como se vera mas adelante,
los modelos básicos formulan con el supuesto de que las adiciones tienen la misma
capacidad y reactancia que la de los caminos existentes; dado que para el caso peruano se
desea plantear una red en 500 kV con configuración base en 220 kV, en este trabajo se
 5

extiende la formulación del modelo para tomar en cuenta adiciones con capacidad y
reactancia diferente a la de los caminos existentes.
1.2 Objetivos de la tesis
Los objetivos del presente trabajo son los siguientes:
• Implementar un modelo computacional basado en la programación lineal que permita
obtener una red de transmisión óptima de largo plazo.
• Aplicar el modelo desarrollado para obtener una red troncal de 500 kV de largo plazo
de un caso simplificado del sistema peruano.
1.3 Alcances de la tesis
Los alcances del presente trabajo son los siguientes:
• Revisar los principios de la planificación de sistemas de transmisión.
• Revisar la metodología de planificación basada en técnicas de optimización y los
algoritmos de solución que utilicen la programación lineal.
• Implementar el algoritmo de Villasana – Garver en Matlab versión 7.0 utilizando su
toolbox de optimización (función “linprog”).
• Modificar el modelo híbrido para que se adapte al caso peruano.
• Validar el modelo y algoritmo implementado en Matlab mediante los siguientes
sistemas de prueba: sistema de Garver, sistema IEEE de 24 barras, y el sistema Sur
Brasileño.
• Elaborar un caso de estudio simplificado del sistema peruano en base a los datos de
demanda, generación y proyectos del plan referencial de electricidad 2008 – 2017 del
Ministerio de Energía y Minas.
• Aplicar el algoritmo de Villasana - Garver para obtener una red troncal de 500 kV de
largo plazo del sistema de transmisión peruano que considera como año horizonte el año
2017.
Asimismo se debe tomar en cuenta que el presente trabajo no tiene los siguientes alcances:
• Desarrollar un optimizador como CPLEX, GAMS, etc.
• Obtener la solución al problema de planificación del sistema peruano; el resultado es
mas bien una aplicación académica del modelo y no es un estudio detallado de la
planificación de la transmisión del país.
 CAPÍTULO II
PRINCIPIOS DE PLANIFICACIÓN DE SISTEMAS DE TRANSMISIÓN Y
SELECCIÓN DE LA METODOLOGÍA DE PLANIFICACIÓN

La planificación de sistemas de transmisión constituye una de las grandes ramas de la

ingeniería eléctrica. En este capítulo, se presenta los aspectos más relevantes de esta
interesante área. Se discute la planificación de sistemas de transmisión desde el punto de
vista conceptual, y se revisa los objetivos, criterios y metodologías existentes. Además, en
base a la revisión de las metodologías de planificación existentes en este capitulo se
selecciona la metodología de planificación a desarrollar en los siguientes capítulos.
2.1 Los objetivos de la planificación de sistemas de trasmisión
La energía eléctrica juega un rol muy importante en la sociedad. La calidad del servicio, el
costo de la energía y la seguridad son algunos de los atributos deseables en un sistema
eléctrico. Al planificar un sistema de transmisión resulta difícil optimizar tales atributos al
mismo tiempo, siendo necesario establecer un compromiso aceptable de dichos atributos.
Debido a esta necesidad, resulta de vital importancia definir que objetivos y características
debe tener el sistema de transmisión para considerarse como bien planificado.
Los objetivos de un sistema de transmisión definen la misión del sistema de transmisión y
nos dan una idea de que es lo que se quiere lograr al planificar un sistema de transmisión.
Los objetivos básicos de un sistema de transmisión son los siguientes [1]:
• Proveer capacidad adecuada para satisfacer la demanda
Este objetivo consiste en que el sistema de transmisión debe estar diseñado y operar con
suficiente reserva para satisfacer la demanda de tal modo que los valores nominales de los
equipos de generación, los elementos de transmisión, y límites de tensiones de operación
no sean violados.
• Preservar la seguridad del sistema
Este objetivo consiste en que el sistema de transmisión debe ser diseñado para mantener
segura las condiciones de operación de tal forma que la recuperación después de
contingencias probables sea alcanzada sin necesidad de rechazar carga. Como contingencia
 7

más probables se asume la falla o pérdida de un elemento del sistema de potencia.

• Preservar la integridad del sistema
Este objetivo consiste en que el sistema de transmisión debe ser diseñado y operar de tal
forma que ante una contingencia extrema (más severas pero menos probables) no se
desintegre el sistema de potencia. En estos casos se deben adoptar medidas de emergencia
como el rechazo de carga.
• Limitar la extensión de una falla en el sistema de potencia
Este objetivo señala el problema de las incontroladas salidas de equipos en cascada y
expansión de sus efectos a sistemas vecinos. Entonces se requiere que el sistema de
transmisión sea diseñado con suficiente protección y operado con suficiente reserva para
confinar la propagación de una perturbación.
• Promover una rápida restauración
Este objetivo reconoce el hecho de que no existe una confiabilidad del 100% y que la
continuidad del servicio no puede ser alcanzada de forma económica. Luego el sistema de
transmisión debe ser diseñado y operado de tal forma que pueda restaurarse rápidamente
después de un colapso.
Las características de un sistema bien planificado definen los atributos que debe tener el
sistema de transmisión para poder lograr los objetivos del mismo. Generalmente un
sistema “bien planificado” es tan ideal como inusual. La mayoría de sistemas ha crecido de
alguna manera “casual” desde pequeñas redes formadas en la primera mitad del siglo XX
hasta los grandes sistemas interconectados actuales.
Sin embargo, las características de un sistema bien planificado pueden ser alcanzadas en el
largo plazo. Las principales características de un sistema de transmisión bien planificado
son [1]:
• La adecuada capacidad de transmisión e interconexión para condiciones normales y de
contingencias.
• El balance de los elementos del sistema de potencia en términos de su tamaño y
capacidad.
• Una configuración flexible del sistema para permitir el mantenimiento del sistema.
• La protección debe proveer una rápida discriminación.
2.2 Criterios de planificación de sistemas de transmisión
Los criterios de planificación son los requisitos que debe cumplir un sistema de
transmisión de manera que este opere adecuadamente. La necesidad de cuantificar que tan
 8

bien planificado esta un sistema de transmisión lleva a definir tales criterios. Dichos
criterios pueden agruparse en dos clases: los criterios determinísticos y los criterios
probabilísticos.
Los criterios determinísticos se enfocan principalmente en los eventos que pueden ocurrir
en un sistema de potencia. Una vez identificados estos eventos se deben evaluar los riesgos
que pueden ocasionar y las consecuencias de estos eventos, incluyendo la duración de las
condiciones de falla. Los criterios determinísticos son formulados de tal modo de que la
operación diaria sea en lo mínimo posible afectada por los disturbios frecuentes.
Asimismo, se formulan criterios determinísticos para operar en condiciones extremas para
los disturbios más severos pero menos probables.
La mayoría de los criterios determinísticos varían de acuerdo al sistema de cada país [9].
Muchos de estos criterios han ido tomando forma en base a las tradiciones de
planificación, e instituciones técnicas internacionales como la IEEE y CIGRE [9]. En la
tabla 2.1 se muestra los criterios determinísticos usados en el sistema eléctrico peruano
[10].
Tabla 2.1 Criterios determinísticos de planificación en el Sistema Peruano

Por otro lado, los criterios probabilísticos se basan en la medición de la frecuencia y

duración de los eventos que tienen efectos inaceptables en el sistema y en el consumidor.
Luego, los criterios probabilísticos pueden expresar las mejoras de la confiabilidad de
forma cuantitativa por añadir refuerzos en la red de transmisión [11].
A fin de cuantificar la confiabilidad, los criterios probabilísticos se formulan en base a
índices. Los índices pueden ser divididos en índices del sistema e índices de consumidores.
Mientras los índices del sistema se enfocan en el desempeño del sistema, los índices de los
consumidores miden el impacto en los consumidores. En la tabla 2.2 se muestra algunos
índices del sistema utilizados en la planificación de sistemas de transmisión [1].
 9

Tabla 2.2 Índices probabilísticos del sistema

Índices anuales básicos

Frecuencia de corte de carga F = ∑ Fi (año −1 )

Horas de corte de carga D = ∑ Fi .Di (h / año)

Corte de carga C = ∑ Fi .C i ( MW / año)

Esperado de energía no servida E = ∑ Fi .Di .C i ( MWh / año)

Fi : Frecuencia del evento i (años-1),

Di : Duración del evento i (h),

Ci : Carga en MW reducida por el evento i (MW),

i : Todos los eventos para los cuales C i > 0

Los índices de los consumidores se formulan a partir del costo asociado al consumidor por
tener un sistema confiable. En la figura 2.1 se muestra una grafica del costo asociado a los
consumidores en función al tiempo de interrupción en un sistema de potencia [11].

Figura 2.1 Costo asociado al consumidor

2.3 Metodologías utilizadas en la planificación de sistemas de transmisión
Se entiende por una metodología de planificación como el camino utilizado para
determinar la configuración futura de una red de transmisión. Existen diversas
metodologías que se han propuesto para solucionar el problema de la planificación. El
 10

primer intento de solución consistía en evaluar directamente alternativa por alternativa

hasta hallar la mejor de entre todas las opciones lo que implicaba un gran esfuerzo
computacional. A medida que avanzaron las investigaciones en el tema, surgieron
metodologías más eficaces. A continuación se presenta las principales metodologías
utilizadas en la planificación de sistemas de transmisión.
2.3.1 Metodología de evaluación directa de alternativas
La evaluación directa de alternativas es una metodología bastante simple. La metodología
consiste en evaluar directamente las opciones disponibles y seleccionar aquellas que
cumplan con los criterios de planificación [1]. En la figura 2.2 se muestra el esquema de la
metodología.

Figura 2.2 Enfoque de alternativas

Este método es ideal para sistemas donde las opciones son limitadas y los costos
involucrados son pequeños. En esta metodología, se analizan las posibles opciones usando
generalmente modelos DC para asegurar la convergencia. La característica esencial de esta
metodología es la selección periódica de las alternativas desde un punto de vista tanto
técnico como económico, evitando las dificultades de estudiar alternativas que no son
competitivas. No obstante, su principal desventaja es que resulta demasiado tedioso cuando
el periodo de planificación es muy amplio ya que las opciones crecen sustancialmente y
puede convertirse en una tarea no factible.
2.3.2 Metodología basada en técnicas de optimización
Una metodología atractiva consiste en obtener los refuerzos de una red de transmisión
directamente a través de técnicas de optimización. Para obtener un plan óptimo y al mismo
 11

tiempo reducir la cantidad de trabajo en analizar varias alternativas, se han desarrollado

varios métodos de optimización para automatizar el proceso de planificación. Básicamente,
la metodología consiste en expresar el problema de la planificación en un problema de
optimización en donde se minimiza los costos de inversión sujeto a las ecuaciones de la red
de transmisión y los criterios de planificación [1].
Las metodologías basadas en técnicas de optimización se apoyan en la teoría de la
investigación de operaciones para obtener soluciones. Para tal fin se han aplicado varias
técnicas de optimización entre las más importantes están la programación lineal, la
programación entera, la programación dinámica, algoritmos genéticos, algoritmos
evolutivos, Búsqueda Tabú.
2.3.3 Metodología basada en escenarios
En el pasado, la estabilidad económica y las facilidades de una economía de escala
permitían una atmósfera más predecible para la planificación de un sistema de transmisión.
Sin embargo, en la actualidad las incertidumbres ligadas a las condiciones futuras son
bastante grandes. La metodología basada en escenarios consiste en considerar escenarios
que reflejen los posibles futuros que se pueden dar y así tomar en cuenta las incertidumbres
involucradas en la planificación [11]. En esta metodología, se desarrollan varios escenarios
alternativos para luego aplicarse un análisis de decisión para seleccionar el plan más
robusto. Los escenarios pueden ser seleccionados en base a los casos más probables o a los
casos extremos. Finalmente, una vez obtenidos los planes de expansión, se aplica un
criterio de decisión para seleccionar el mejor plan. Los criterios de decisión mas usados
son el criterio de mínimo costo esperado, el criterio minimax o de mínimo arrepentimiento
y el criterio de Laplace, todos ellos tomados de la teoría de toma de decisiones bajo
incertidumbre.
2.3.4 Metodología de evaluación de múltiples objetivos
Tradicionalmente la selección del mejor plan se ha efectuado de modo de obtener un plan
de mínimo costo. Sin embargo al planificar un sistema de transmisión existen otros
objetivos como la confiabilidad, minimizar el costo de operación, etc. Entonces, la
minimización de un solo objetivo no es suficiente. La metodología de evaluación de
múltiples objetivos consiste en tomar en cuenta múltiples objetivos para seleccionar un
plan de transmisión [12]. Para evaluar múltiples objetivos se consideran funciones de
utilidad ampliamente utilizadas en la teoría económica. La función de utilidad expresa el
grado de satisfacción que se obtiene con cada alternativa. Los distintos atributos se
 12

combinan en una función de utilidad como se muestra en la ecuación 2.1.

U = a × cos to + b × confiabilidad (indice) + ... (2.1)
En esta metodología, la alternativa que maximiza la utilidad representa la mejor
alternativa.
2.3.5 Metodología de Compromiso – Riesgo (Trade off – Risk)
Como se mencionó anteriormente, es necesario considerar muchos objetivos al momento
de seleccionar una alternativa de planificación. Esto se torna difícil cuando existen
objetivos que presentan conflictos entre sí. Debido a que no se pueden optimizar todos los
atributos al mismo tiempo, es necesario establecer un compromiso entre dichos atributos.
El Compromiso – Riesgo es una metodología que permite optimizar atributos conflictivos
[13]. Esta metodología reconoce el hecho de que no se puede favorecer un objetivo sin
perjudicar otro; por lo tanto, los planes mas atractivos son aquellos que satisfacen un
balance entre todos los objetivos (óptimo en el sentido de Pareto).
En la metodología, se obtiene una solución de compromiso para cada posible futuro y
finalmente se elige el plan que resulte más robusto para todos los escenarios, utilizando la
teoría de toma de decisiones.
2.3.6 Metodología basada en el flujo de potencia probabilístico
Esta metodología se basa en el cálculo de índices probabilísticos a partir del flujo de
potencia probabilístico. El flujo de potencia probabilístico consiste en el flujo de potencia
que considera las funciones de densidad de probabilidad de las cargas y a partir de estas
halla los índices probabilísticos mediante la simulación de Montecarlo [11]. Se aplica un
flujo de potencia probabilístico por separado para cada alternativa, y se calculan los
índices probabilísticos. La alternativa que tenga los mejores índices probabilísticos
representa la mejor alternativa.
2.4 Principales herramientas para la evaluación de los criterios de planificación
La evaluación de un plan de transmisión se traduce en verificar si se cumplen los criterios
de planificación para las alternativas propuestas. Dichos estudios evalúan los principales
atributos de un sistema de transmisión como la capacidad, la seguridad, la confiabilidad,
etc. En esta sección se describe brevemente las principales herramientas para la evaluación
de los criterios de planificación.
2.4.1 El flujo de potencia
El flujo de potencia es la herramienta básica para determinar el estado de una red en
régimen estacionario. El problema consiste en determinar el ángulo y magnitud de la
 13

tensión en cada barra de la red, y determinar el flujo de potencia activa y reactiva en la red.
Las ecuaciones del flujo de potencia son de carácter no-lineal, por lo que se tiene que
recurrir a métodos iterativos para resolver tales ecuaciones. En un estudio de flujo de
potencia se resuelven flujos de potencia para varias condiciones de la red: máxima, media,
y mínima demanda; considerando escenarios típicos de despacho. De los resultados
obtenidos se pueden verificar si para alguna condición de la red existen sobrecargas en los
equipos o tensiones fuera de los límites permitidos [14].
2.4.2 El análisis de contingencias
El análisis de contingencias es una herramienta que permite evaluar la seguridad con la que
se opera un sistema. El objetivo es determinar si existe alguna condición insegura en la red
después de la perdida de un elemento en el sistema de transmisión [14]. En la figura 2.3 se
muestra un pequeño sistema en donde se presenta un ejemplo de una condición insegura.

Figura 2.3 Condición insegura de una red

Para evaluar el estado de la red después de la salida de un elemento se pueden utilizar los
flujos de potencia; sin embargo, esto demandaría un gran esfuerzo computacional. En la
práctica se usan algoritmos simplificados que permite evaluar la seguridad de la red de
forma más eficiente. Las técnicas utilizadas en la evaluación de la seguridad de la
operación de una red son el flujo de potencia DC y el uso de factores de distribución.
2.4.3 Análisis de estabilidad de tensión
La estabilidad de tensión es la capacidad de un sistema eléctrico de potencia para mantener
tensiones estacionarias aceptables en todas las barras del sistema bajo condiciones
normales de operación y después de haber sido sometido a una perturbación. Un sistema
ingresa a un estado de inestabilidad de tensión cuando una perturbación provoca una
progresiva e incontrolable caída en la tensión [15].
El análisis de estabilidad de tensión consiste en hallar el margen de potencia activa y
 14

reactiva que tiene un área para alcanzar el colapso de tensión. Se considera que un área
alcanza la inestabilidad de tensión cuando por aumento de la demanda las tensiones
lleguen a valores cercanos al estado de emergencia.
2.4.4 Análisis de la estabilidad transitoria
La estabilidad transitoria es la capacidad del sistema eléctrico de potencia de mantener el
sincronismo cuando es sometido a severas perturbaciones. La respuesta del sistema
involucra grandes excursiones de los ángulos del rotor de los generadores del sistema. La
estabilidad en este caso depende tanto de las condiciones iniciales de operación del sistema
como de la severidad de la perturbación [15]. En la figura 2.4 se muestra el
comportamiento del ángulo del rotor de un generador para un caso estable y un caso
inestable.

Figura 2.4 Casos estable e inestable del ángulo del rotor

El análisis de estabilidad transitoria tiene por objetivo mostrar el efecto de los elementos de
control y la dinámica de las máquinas sobre el sistema en general luego de presentarse una
contingencia simulada. De los resultados, se puede verificar si el comportamiento del
sistema es transitoriamente estable o inestable.
2.4.5 Análisis de la estabilidad de pequeña perturbación
La estabilidad de pequeña perturbación es la capacidad de un sistema eléctrico de potencia
para mantenerse en sincronismo ante pequeñas perturbaciones inherentes a la operación del
sistema. Las ecuaciones diferenciales que describen un sistema de potencia son de carácter
no-lineal; sin embargo, debido a que se tratan de pequeñas perturbaciones se puede
linealizar las ecuaciones del sistema alrededor de un punto de operación [15].
Del análisis de estabilidad de pequeña señal, se obtienen los valores y vectores propios del
sistema. La parte real del vector propio será una medida del amortiguamiento del sistema
ante perturbaciones. El objetivo del estudio de estabilidad dinámica es verificar si los
 15

vectores propios del sistema son estables o inestables para una determinada condición de
operación.
2.4.6 Evaluación de la confiabilidad
La confiabilidad de un sistema es la probabilidad de la operación satisfactoria del mismo
durante un periodo de tiempo. Luego, la confiabilidad denota la capacidad para
suministrar un adecuado servicio eléctrico con pocas interrupciones sobre un determinado
periodo. Mediante el análisis de la confiabilidad, se puede verificar si se cumplen los
criterios probabilísticos de planificación. Existen dos enfoques para analizar la
confiabilidad de un sistema de transmisión: el método de enumeración de contingencias y
la simulación de Montecarlo [11].
El método de enumeración de contingencias consiste en una selección y evaluación
sistemática de los disturbios. Para una determinada condición precontingencia se
selecciona y se simula una contingencia para determinar si la contingencia causa
inmediatamente problemas en el sistema. En la figura 2.5 se muestra el esquema el método
de enumeración de contingencias.

Figura 2.5 Método de enumeración de contingencias

La simulación de Montecarlo se basa en la premisa de que los componentes del sistema de
potencia fallan de manera aleatoria. La simulación de Montecarlo consiste en generar
aleatoriamente diversos estados del sistema y a medida que el número de estados crece se
 16

pueden calcular los índices de confiabilidad a partir de la muestra generada.

En la figura 2.6 se muestra el ejemplo de una simulación de Montecarlo utilizada para
hallar la probabilidad de obtener “sello” en el lanzamiento de una moneda.

Lanzamiento de una moneda

1,2

1
Probabilidad de sello

0,8

0,6

0,4

0,2

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Número de lanzamiento

Figura 2.6 Convergencia de la simulación de Montecarlo

En cuanto a cual de los enfoques es el mejor, el método de enumeración de contingencias
es capaz de ver eventos severos en gran detalle, pero no puede visualizar diversas
condiciones de operación; mientras que el método de Montecarlo es capaz de visualizar las
condiciones de operación en gran detalle, pero desde el punto de vista computacional no es
posible capturar con precisión el impacto de las más severas pero infrecuentes
contingencias [1]. En la práctica ambos enfoques se complementan.
2.5 La metodología basada en técnicas de optimización como alternativa de solución
En la actualidad, la metodología basada en técnicas de optimización ha surgido como la
principal metodología para obtener alternativas de planificación económicamente
atractivas. Países como Estados Unidos, España, Australia, Singapur, Colombia, Costa
Rica y otros países, han adoptado el uso de técnicas de optimización en la planificación de
sus sistemas eléctricos [2]. La ventaja de las técnicas de optimización con respecto a las
demás metodologías es que simplifica enormemente la identificación de las alternativas de
planificación económicamente más atractivas, permitiendo el estudio de un gran número de
alternativas y escenarios. Sin duda, la principal diferencia y desventaja de la planificación
basada en técnicas de optimización con otras metodologías es que concibe la expansión de
la red en base al mínimo costo sin tomar en cuenta otros objetivos como la confiabilidad o
la minimización de riesgos ante escenarios adversos. No obstante, las técnicas de
 17

optimización han sido utilizadas en estudios de planificación como una herramienta para
generar propuestas atractivas en costos y así reducir el número de alternativas a analizar.
Luego de tener un conjunto reducido de candidatos, generalmente se complementa el
estudio con otras metodologías como la evaluación escenarios, compromiso – riesgo, etc.
Por las razones expuestas, en este trabajo se desarrolla la metodología basada en técnicas
de optimización; y se concluye que es la herramienta computacional ideal para identificar
alternativas de solución al problema de planificación de sistemas de transmisión.
 CAPÍTULO III
LA PLANIFICACIÓN BASADA EN TÉCNICAS DE OPTIMIZACIÓN Y
SELECCIÓN DEL ALGORITMO DE SOLUCIÓN

Desde las primeras investigaciones de la planificación basada en técnicas de optimización

hasta la actualidad, las técnicas de solución han ido evolucionando gradualmente
permitiendo la obtención de soluciones más cercanas al óptimo global [6]. Los modelos y
algoritmos existentes presentan una serie de ventajas y desventajas entre sí, pues
generalmente existe un compromiso entre el modelamiento matemático y la técnica de
solución. Esto implica que el obtener una solución muy precisa requiere una técnica de
solución bastante compleja [5].
La selección de un modelo y algoritmo de solución depende del grado de exactitud que se
requiere. La mayoría de investigaciones académicas se concentra en obtener la solución
óptima global; no obstante, lo que generalmente en la práctica se requiere es una
herramienta que sirva como un indicador de las adiciones más atractivas para luego tomar
en cuenta otros análisis. En este capitulo, se revisa el modelamiento matemático del
problema, y los principales modelos y algoritmos existentes. En base a esta revisión se
selecciona el algoritmo de solución para ser implementado en un programa computacional.
3.1 La planificación de sistemas de transmisión mediante técnicas de optimización
El objetivo de la planificación de la expansión basada en técnicas de optimización consiste
en determinar un plan de expansión de mínimo costo que satisfaga los criterios operativos
para una determinada proyección de demanda y un plan de expansión de la generación en
particular. Este problema es abarcado desde dos enfoques: un enfoque estático, que indica
donde hacer los refuerzos en la red para un año horizonte; y un enfoque dinámico, que
indica donde y cuando hacer las adiciones en la red para un periodo de estudio. En la
práctica el enfoque estático ha sido el más trabajado. En este trabajo, solo se aborda el
enfoque estático del problema.
Como todo problema de optimización el problema puede dividirse en dos etapas: el
modelamiento matemático y la técnica escogida para resolver el modelo matemático [16].
 19

A continuación se presenta el modelamiento matemático del problema y los modelos

existentes en la literatura especializada, para luego presentar las principales técnicas de
solución.
3.1.1 El modelamiento matemático
Un modelo es una representación simplificada de la realidad. El término “simplificada” es
la palabra más importante en esta definición, pues el poder de un modelo se deriva de la
omisión de los detalles irrelevantes y la capacidad de enfocarse en los rasgos más
esenciales. Como se vera mas adelante, el modelamiento matemático de la planificación
toma supuestos simplificados e incluso omite ciertas restricciones para poder resolver el
problema.
Los modelos para la planificación existentes en la literatura especializada tienen
consideraciones similares para el modelamiento. Primero se ilustra una aplicación práctica
que permita revisar el modelamiento de manera general para luego presentar cada uno de
los modelos existentes, para esto se debe considerar a lo largo del presente capítulo el
listado de símbolos del anexo A. Considérese el sistema mostrado en la figura 3.1.

Figura 3.1 Representación de un sistema de tres barras

El sistema consta de la red actual o red base, la demanda y la capacidad de generación para
un escenario futuro. Las líneas punteadas representan los caminos posibles entre los cuales
se pueden adicionar líneas de transmisión. Las variables nij representan el número de

adiciones necesarias entre las barras i-j, siendo nij un número entero mayor a cero. Cada

camino tiene un respectivo coste asociado el cual esta dado por cij y cada nodo tiene el

ángulo θ i asociado. El numero de circuitos existentes en la red base en el camino ij esta

dado por nij0 . Entonces, el objetivo consiste en determinar que numero de adiciones nij se
 20

necesita por cada camino, de manera que se minimice el costo de inversión total y se
cumplan con las restricciones impuestas por la red. Luego, la función objetivo esta dada
por la ecuación 3.1
Minimizar c12 .n12 + c13 .n13 + c 23 .n 23 ⇒ Minimizar ∑c il .nij (3.1)

Para modelar las restricciones de la red se utilizan las leyes de Kirchhoff tomadas del flujo
de potencia DC [17]. En la figura 3.2 se muestra las leyes de Kirchhoff.

Figura 3.2 Leyes de Kirchhoff

Las variables f ij representan el flujo total por el camino ij , considerando las líneas

existentes y las futuras adiciones. Luego, las restricciones de la primera Ley de Kirchhoff
están dadas por la ecuación 3.2.
− f 12 − f13 + g 1 = d 1 − 1 − 1 0   f 12   g1   d1 
− f 23 + f 12 + g 2 = d 2 ⇒  1 0 − 1  f 13  +  g 2  = d 2  ⇒ [S ][ f ] + [g ] = [d ] (3.2)
+ f 23 + f 13 + g 3 = d 3  0 1 1   f 23   g 3   d 3 

A la matriz que multiplica el vector de flujos se le conoce como matriz de incidencia de la

red, denominada matriz [S ] . Asimismo, se adopta el supuesto de que las adiciones tienen
la misma capacidad y reactancia que la de los caminos existentes. Entonces si la reactancia
de las líneas del camino ij esta dada por γ ij y la suceptancia existente del camino esta

dada por γ ij0 , las restricciones de la segunda ley de Kirchhoff están dadas por la ecuación

3.3.
f 12 = (γ 120 + γ 12 .n12 )(θ1 − θ 2 )
( )
f 13 = (γ 130 + γ 13 .n13 )(θ1 − θ 3 ) ⇒ f ij = γ ij0 + γ ij .nij (θ i − θ j ) (3.3)
f 23 = (γ 0
23 + γ 23 .n 23 )(θ 2 − θ 3 )
 21

Como criterio de planificación, se adopta que el sistema no debe tener sobrecargas en

condiciones normales. Generalmente no se modela otros criterios debido a lo complejo que
resulta su implementación. Entonces si el límite del flujo en una línea del camino ij esta

dado por f ij , las restricciones de flujos están dadas por la ecuación 3.4.

f 12 ≤ f12 (n120 + n12 )

f 13 ≤ f 13 (n130 + n13 ) ⇒ f ij ≤ f ij .(nij0 + nij ) (3.4)
f 23 ≤ f 23 (n 23
0
+ n 23 )

Finalmente, se modelan las restricciones de la capacidad de generación en cada barra, si el

limite de la capacidad de generación esta dado por g i y se resume en la ecuación 3.5.

g1 ≤ g1
g 2 ≤ g 2 ⇒ gi ≤ gi (3.5)
g3 ≤ g3
Ordenando las expresiones anteriores, el problema queda formulado como sigue:
Minimizar ∑c
(i , j )
ij .nij (3.6)

Sujeto a:
[S ][ f ] + [g ] = [d ]
f ij = (γ ij0 + γ ij .nij )(θ i − θ j )

f ij ≤ f ij (nij0 + nij )

0 ≤ gi ≤ gi

0 ≤ nij , nij : Número entero

Esta es la forma general del problema. Mas adelante se vera que los modelos existentes
adoptan las consideraciones tomadas para este ejemplo, a continuación se presenta los
modelos matemáticos existentes en la literatura especializada.
3.1.2 Los modelos matemáticos existentes
Los modelos existentes en la literatura especializada se derivan del modelo deducido en
líneas arriba. En general, existen tres modelos para resolver el problema [18]: el modelo de
transportes, el modelo híbrido y el modelo DC.
A continuación se presenta cada modelo; antes se debe considerar el listado de símbolos
del anexo A.
 22

• El modelo de transportes
El modelo de transportes fue la primera propuesta sistemática para modelar el problema,
introducido por L.L. Garver. El modelo de transportes solo toma en cuenta la primera ley
de Kirchhoff para modelar la red, es decir que se debe conservar el balance de potencias en
cada barra. El modelo esta dado por [5]:
Minimizar ∑c
(i , j )
ij .nij (3.7)

Sujeto a:
[S ][ f ] + [g ] = [d ]
(
f ij ≤ f ij nij0 + nij )
0 ≤ gi ≤ gi

0 ≤ nij ≤ nij

nij : Número entero

• El modelo híbrido
El modelo híbrido considera que el conjunto de circuitos existentes deben cumplir ambas
leyes de Kirchhoff. Sin embargo, el conjunto de circuitos de las adiciones solamente
necesita cumplir la primera ley de Kirchhoff. El modelo esta dado por [5]:
Minimizar ∑c
(i , j )
ij .nij (3.8)

Sujeto a:
[S ][ f ] + [B][θ ] + [g ] = [d ]
θ i − θ j ≤ ϕ ij ∀(i, j ) ∈ Ω1

f ij ≤ f ij .nij ∀(i, j ) ∈ Ω 2

0 ≤ gi ≤ gi

0 ≤ nij

γ ij . , [B ] : matriz de suceptancias
f ij
nij : Número entero, ϕ ij =

Ω1 : Conjunto de circuitos existentes, Ω 2 : Conjunto de circuitos de las adiciones.

• El modelo DC
El modelo DC es una generalización del modelo híbrido y de transportes, siendo el modelo
 23

ideal para representar el problema de la planificación. Este modelo implementa las dos
leyes de Kirchhoff para todos los circuitos tanto de los existentes como de las adiciones. El
modelo esta dado por [5]:
Minimizar ∑c
(i , j )
ij .nij (3.9)

Sujeto a:
[S ][ f ] + [g ] = [d ]
f ij = (γ ij0 + γ ij .nij )(θ i − θ j )

f ij ≤ f ij (nij0 + nij )

0 ≤ gi ≤ gi

0 ≤ nij

nij : Número entero

Como se vera mas adelante, la selección del modelo esta íntimamente ligado con la técnica
de solución a utilizar. Por ejemplo, el modelo de transportes corresponde a un problema de
programación lineal entera mixta, mientras que el modelo DC corresponde a un problema
de programación no lineal entera mixta. A continuación se revisa los principales
algoritmos de solución.
3.1.3 Los algoritmos de solución
Los algoritmos de solución son las técnicas utilizadas para resolver los problemas de
optimización planteados en los modelos vistos anteriormente. El modelo ideal del
problema de la planificación corresponde a un problema de programación no lineal entera
mixta, y hasta el momento no existe ninguna técnica de solución que asegure obtener el
óptimo global para sistemas de gran tamaño. No obstante, mediante simplificaciones
pueden obtenerse soluciones bastante aproximadas. Los algoritmos de solución están
clasificados en tres categorias: algoritmos heurísticos, algoritmos de descomposición
matemática y algoritmos metaheurísticos [19]. A continuación se describe cada uno de
ellos y se presentan algunos de los principales algoritmos existentes.
a). Los algoritmos heurísticos
Los algoritmos heurísticos se caracterizan por ser algoritmos cuyo procedimiento es paso a
paso. En cada paso se formula un problema de programación lineal, relajando las variables
enteras al permitir que tomen valores continuos [19]. En cada iteración se añade una línea a
la red base y la red obtenida se le llama configuración corriente. A partir de la solución del
 24

problema de programación lineal, se escoge el camino más atractivo por medio de un

índice de sensibilidad. A continuación, se presentan los principales algoritmos heurísticos.
• El algoritmo de Garver
Esta fue la primera propuesta sistemática para resolver el problema de la expansión óptima
de la transmisión. El algoritmo de Garver utiliza un modelo de transportes como modelo
para resolver el problema de la planificación. En la figura 3.3 se muestra
esquemáticamente el algoritmo de Garver.
La idea básica es considerar que los nij pueden tomar valores continuos para convertir el

problema de programación no lineal en un simple problema de programación lineal [5]. En

cada iteración se resuelve el problema de programación lineal para la configuración base y
se selecciona la adición que presente mayor flujo relativo a su capacidad nominal. El
índice de selección esta dado por la ecuación 3.10.
indice = nij . f ij (3.10)

Desde el punto de vista de la optimización, el algoritmo de Garver es un algoritmo

heurístico ya que no se garantiza encontrar la configuración óptima global. Generalmente
el algoritmo es bueno en sistemas pequeños, pero para sistemas grandes la solución puede
ser distante de la configuración óptima.

Figura 3.3 Esquema del algoritmo de Garver

 25

• El algoritmo de mínimo esfuerzo

El algoritmo de mínimo esfuerzo es un algoritmo heurístico constructivo que utiliza un
modelo DC. Al igual que el algoritmo de Garver en este algoritmo se adiciona un circuito
en cada paso del algoritmo. El modelo matemático usado es ligeramente diferente del
presentado. El modelo usado esta dado por [6] la ecuación 3.11.
Minimizar ∑r i (3.11)

Sujeto a:
[B][θ ] + [g ] + [r ] = [d ]
0 ≤ gi ≤ gi

0 ≤ ri ≤ d i

En el modelo se considera generación ficticia ri en cada barra de carga. La solución final

de las variables de generación ficticias deben ser cero. En la figura 3.4 se muestra
esquemáticamente el algoritmo de mínimo esfuerzo.

Figura 3.4 Esquema del algoritmo de mínimo esfuerzo

Para seleccionar el camino más atractivo se debe elegir el circuito a ser adicionado según
el siguiente indicador de sensibilidad:
 26

SI ijme = ∆Z ij = −
1
(θ i − θ j )2 γ ij (3.12)
2
El circuito mas atractivo será el que tiene mayor valor absoluto de SI ijme . La justificación

del indicador es que la solución del problema mostrado es equivalente a la solución

obtenida del flujo de carga DC.
Finalmente, es posible que una adición no sea necesaria por haberse efectuado una adición
más importante posteriormente. Para esto, se simula la salida de todas las adiciones por
orden decreciente de costos y se eliminan las adiciones cuyas salidas no ocasionen
sobrecargas en la red.
• El algoritmo Villasana-Garver
Este algoritmo usa dos redes eléctricas superpuestas: una red eléctrica que corresponde a
los circuitos existentes, lo que se llama la configuración corriente; y una red artificial o
ficticia de todos los caminos que pueden ser adicionados los circuitos.
La idea fundamental del algoritmo es que el sistema eléctrico debe intentar resolver el
problema de operación usando solo los circuitos existentes de la configuración corriente y
solo recurrir a los circuitos artificiales cuando los circuitos existentes sean insuficientes
para resolver el problema de operación. En la figura 3.5 se muestra esquemáticamente el
algoritmo de Villasana-Garver [20].

Figura 3.5 Esquema del algoritmo Villasana Garver

 27

En cada paso se debe verificar que se cumplan las condiciones de operación. Si la

configuración corriente no puede operar adecuadamente entonces se adiciona un circuito
identificado por el circuito artificial que tiene mayor flujo de potencia y luego actualizar la
configuración corriente, el proceso acaba cuando los valores de nij sean iguales a cero.

Finalmente, es posible que una adición no sea necesaria por haberse efectuado una adición
más importante posteriormente. Para esto, se simula la salida de todas las adiciones por
orden decreciente de costos y se eliminan las adiciones cuyas salidas no ocasionen
sobrecargas en la red.
b). Los algoritmos de optimización clásica
Los algoritmos de optimización clásica son aquellos algoritmos que encuentran la solución
óptima usando un procedimiento de cálculo que resuelve directamente la formulación
matemática del problema [19]. Estos algoritmos tienen la ventaja de poder encontrar el
óptimo global del problema de expansión óptima; sin embargo, presentan problemas de
convergencia básicamente debido a la no linealidad del problema. Los algoritmos
existentes dentro de esta categoría son el algoritmo de Branch and Bound y la
descomposición de Benders. A continuación, se explica cada uno de ellos.
• El algoritmo de “Branch and Bound”
El algoritmo “Branch and Bound” resuelve problemas de programación entera mixta
resolviendo una secuencia ordenada de problemas de programación lineal que se obtienen
relajando las restricciones de integralidad y añadiendo restricciones adicionales [16]. Estas
restricciones permiten separar la región factible en subregiones complementarias. En la
figura 3.6 se muestra el esquema del algoritmo “Branch and Bound”.
El procedimiento “Branch and Bound” establece inicialmente cotas inferior y superior del
valor óptimo de la función objetivo; conforme avanza el algoritmo, se acota más la
solución hasta obtener el óptimo global. En la figura 3.6 se muestra esquemáticamente el
algoritmo “Branch and Bound”.
El algoritmo “Branch and Bound” guarda las soluciones parciales obtenidas de las
ramificaciones efectuadas y cuando ya no es posible ramificar mas se elige la mejor
solución de las soluciones parciales.
Usando el Algoritmo de Branch and Bound es posible resolver el problema de la expansión
óptima usando el modelo de transportes [5]; no obstante, los principales inconvenientes del
algoritmo Branch and Bound son: el gran esfuerzo computacional requerido y que solo es
aplicable al modelo de transportes [6].
 28

Figura 3.6 Algoritmo Branch and Bound

• La descomposición de Benders
Otra estrategia para encontrar la configuración óptima es usar técnicas de descomposición
matemática como la descomposición de Benders. La descomposición de Benders es útil
cuando existen variables de complicación [21], como por ejemplo variables enteras.
Considérese el siguiente problema:
Minimizar a ( x) + b( y ) (3.13)
Sujeto a: c( x) ≤ 0
d ( x, y ) ≤ 0
En donde b es una función lineal arbitraria y las “ x ” son las variables complicantes.
Entonces si se asume que las variables “ x ” toman un valor fijo x * el problema toma de la
expresión 2.14.
Minimizar b( y ) (3.14)

Sujeto a: d ( x * , y ) ≤ 0
Entonces se puede hallar fácilmente las variables y . Luego, se puede mejorar las variables
x , y repetir sucesivamente el proceso hasta encontrar la solución óptima. A continuación,
se define la función α ( x) que expresa los costos de las variables “ y ” en función de las
variables dada por la expresión 3.15.
 29

α (x) = Mínimo y b( y ) (3.15)

Sujeto a: d ( x, y ) ≤ 0
El problema original queda expresado por la ecuación 3.16.
Minimizar a ( x) + α ( x) (3.16)
Sujeto a: c( x) ≤ 0
Es posible aproximar la función α ( x) por tramos lineales. Considérese la figura 3.7. Como

se aprecia la función α ( x) siempre será mayor o igual que la recta tangente en el punto x *
en donde la pendiente de esta recta esta dada por 3.17:
∆b
λ= (3.17)
∆x
Las pendientes λ , son las sensibilidades (variables duales) de la función objetivo con
respecto a las x . Entonces el problema original queda expresado de la siguiente forma:
Minimizar a( x) + α ( x) (3.18)
Sujeto a: c( x ) ≤ 0

α ≥ b( y * ) + λT ( x − x * )
En la figura 3.7 se muestra gráficamente como se aproxima la función α ( x) .

Figura 3.7 Aproximación lineal de la función “ α ( x) ”

La función objetivo tiene como cota superior a ( x * ) + b( y * ) y como cota inferior a la

solución hallada de minimizar a ( x) + α ( x) . Luego, a medida que se hacen las iteraciones
la función α ( x) es aproximada por tramos lineales y se converge a la solución optima.
Es factible usar la descomposición de Benders para resolver el problema de la expansión
óptima usando un modelo de transportes. La principal ventaja de utilizar la
descomposición de Benders es que simplifica de sobremanera el esfuerzo computacional
requerido para encontrar la solución optima [6].
 30

c). Los algoritmos metaheurísticos

A partir de la década de los noventa, se empezaron aplicar los algoritmos metaheurísticos a
la planificación de sistemas de transmisión. En esta categoría se encuentran los algoritmos
génicos, la búsqueda Tabú [22], GRASP, Simulated Annealing, etc. [6]. Los algoritmos
metaheurísticos se caracterizan por ser algoritmos aproximados de optimización que
realizan una búsqueda “inteligente”, tomando decisiones basándose en la emulación de
procesos de la naturaleza para explorar el espacio de soluciones.
Los algoritmos metaheurísticos son atractivos por las siguientes características: Facilidad
de encontrar soluciones optimas para sistemas pequeños y medianos, y capacidad de
encontrar soluciones óptimas para sistemas complejos. Sin embargo, aun no han sido
adoptados completamente y continúa siendo un área en investigación.
Es difícil determinar cual es el mejor algoritmo, ya que los algoritmos metaheurísticos son
algoritmos no determinísticos. No obstante, dentro de los algoritmos mencionados, la
experiencia de las investigaciones realizadas indica que el Tabu Search es el algoritmo con
el que se ha obtenido mejores resultados [6]. A continuación, se describe este algoritmo de
Tabu Search.
• Tabu Search
El algoritmo Tabu Search (Búsqueda Tabu) fue postulado por Fred Glover en la década de
los ochenta. El algoritmo Tabu Search es un algoritmo metaheurístico usado para controlar
un algoritmo heurístico de búsqueda local. El Tabu Search toma la premisa de que la
resolución de un problema puede ser considerada inteligente si esta incorpora una memoria
adaptativa y una exploración sensible [6]. La idea de la exploración sensible esta inspirada
en el supuesto de que una mala elección realizada por una estrategia proporciona más
información que una buena decisión realizada al azar. Entonces se puede utilizar la
información de una mala elección para no volver a visitar esa configuración y una buena
elección para mejorar la propia estrategia. Para mostrar como se aplican estos principios
considérese el siguiente problema dado por 3.19.
Minimizar: C ( x) = 20 x1 + 25 x 2 − 30 x3 − 45 x 4 + 40 x5 (3.19)
Sujeto a:
x1 + x 2 − x3 + x 4 + x5 ≥ 1

x1 + x 2 − x 4 − 2 x5 ≥ 2

− x 2 + x 4 + x5 ≤ 1
 31

x 2 + x3 + x5 ≤ 2 , x j = {0,1}

Como estrategia se considera una penalización de 70 por incumplir las dos primeras
restricciones y de 100 por incumplir las dos ultimas restricciones. Además, se considera
como un movimiento el cambiar un uno por un cero o viceversa. Para guardar información
de los caminos recorridos se toma en cuenta una lista “Tabu” con los movimientos no
permitidos. Luego, se parte de la solución inicial x0 = (1,0,0,0,1) , con un costo de 60 y con
la lista Tabu vacía, entonces los movimientos son:
x1 = 0 → x = (0,0,0,0,1) → C ( x) = 40
x 2 = 1 → x = (1,1,0,0,1) → C ( x) = 85
x3 = 1 → x = (1,0,1,0,1) → C ( x) = 30

x 4 = 1 → x = (1,0,0,1,1) → C ( x) = 115
x5 = 0 → x = (1,0,0,0,0) → C ( x) = 90
Del vecindario de soluciones, el movimiento 3 representa la mejor opción. Esta solución
no se encuentra en la lista Tabu por lo que es valida, luego se debe actualizar la nueva lista
Tabu con el vector (1, 0, 0, 0, 1) C(x)=60 y se debe actualizar la solución actual con el
vector (1, 0, 1, 0, 1). Este procedimiento se efectúa hasta encontrar la solución óptima o
cumplir algún criterio de parada.
3.2 El modelo híbrido y el algoritmo de Villasana - Garver como alternativa de
solución
Luego de haber revisado los modelos existentes y las principales técnicas de solución es
necesario seleccionar el modelo y el algoritmo de solución que se va a implementar. Como
se menciono anteriormente, la selección de un modelo y algoritmo de solución depende del
grado de exactitud que se requiere.
En este trabajo, se opta por implementar un algoritmo heurístico de solución: el algoritmo
de Villasana - Garver. Si la idea de implementar una herramienta computacional es para
generar adiciones atractivas que sean referenciales para el planificador, la sofisticación en
las técnicas de solución a utilizar y el encontrar el óptimo global no es un requisito
fundamental.
Debido a que este es un trabajo introductorio en el tema, no se implementó un algoritmo
metaheurístico (cuyas soluciones son más cercanas al óptimo global) por lo relativamente
complejo que resulta. Asimismo no se optó por un algoritmo de optimización clásica
debido al problema de convergencia que presentan estos algoritmos. Si se desea obtener los
 32

caminos más atractivos no se puede implementar un algoritmo que a veces “funcione” y a

veces no. La motivación para implementar un algoritmo heurístico es por que estos pueden
ser adaptados posteriormente en la implementación de un algoritmo metaheurístico como
por ejemplo el Tabu Search. Por las razones expuestas, se optó por utilizar un algoritmo
heurístico como una primera aproximación dejando la implementación de un algoritmo
metaheurístico para trabajos posteriores.
La razón de la selección del algoritmo de Villasana – Garver es porque dentro de los
algoritmos heurísticos presentados; el algoritmo de Villanasa – Gaver presenta claras
ventajas sobre el algoritmo de Garver y el algoritmo de mínimo esfuerzo [6]. El algoritmo
de Villasana – Garver presenta un compromiso entre las restricciones técnicas y
económicas del modelo utilizado. El algoritmo de Garver utiliza un modelamiento que
considera los costos de las adiciones pero no modela la red adecuadamente. El algoritmo
de mínimo esfuerzo modela bastante bien la red usando ambas leyes de Kirchhoff, pero no
toma en cuenta el costo de las adiciones. El algoritmo de Villasana – Garver modela con
ambas leyes de Kirchhoff los caminos de la configuración corriente, modela la primera ley
de Kirchhoff para las adiciones candidatas en cada iteración y toma en cuenta los costos de
las adiciones. En el siguiente capitulo, se detalla la implementación del algoritmo de
Villasana – Garver en Matlab.
 33

CAPÍTULO IV
DESARROLLO Y VERIFICACIÓN DEL MODELO COMPUTACIONAL EN
MATLAB

En este capitulo, se detalla la implementación del algoritmo de Villasana - Garver en

Matlab. Primero, se formula matricialmente el modelo híbrido para poder ser resuelto por
el optimizador de Matlab. Luego, se efectúan modificaciones al modelo para considerar
adiciones con capacidad y reactancia distinta de los caminos existentes, pues el modelo
híbrido sostiene que las adiciones tienen la misma capacidad y reactancia de las líneas de
los caminos existentes. Esta modificación resulta útil debido a que el sistema peruano
actual es de 220 kV y se requiere realizar adiciones con características de líneas en 500 kV;
con una mayor capacidad y una menor reactancia que las líneas de 220 kV. Por ultimo, se
presenta la estructura del programa computacional desarrollado y la validación del
programa con sistemas de prueba estándar, ampliamente utilizados en la literatura
especializada.
4.1 El Matlab como herramienta de desarrollo
Se utilizó el programa Matlab versión 7.0 para la implementación del algoritmo de
Villasana – Garver. Matlab es un software matemático que ofrece un entorno de desarrollo
integrado con un lenguaje de programación propio (lenguaje M), siendo muy utilizado en
universidades y centros de investigación y desarrollo [7].
En cuanto a las herramientas existentes para el desarrollo de modelos de planificación, se
pueden clasificar en: lenguajes de programación de propósito general, como C, Fortran;
lenguajes o entornos para cálculos numéricos / simbólicos, como Matlab, o Excel; y
sistemas de modelamiento (solvers); como CPLEX, GAMS o LINDO [12]. El uso de
lenguajes de propósito general tiene sentido cuando el tiempo de ejecución es crucial y
usualmente los algoritmos recurren a librerías de optimización. En el caso de los sistemas
de modelamiento o solvers, estos se enfocan en el modelamiento de problemas de
optimización y en analizar su solución; sin embargo, estos no utilizan algoritmos
heurísticos de optimización.
 34

La ventaja de utilizar Matlab frente a las demás opciones es la facilidad para trabajar con
vectores y matrices, lo que permite una rápida implementación de prototipos
computacionales [12]. Además, Matlab cuenta con una gran cantidad de librerías que
ofrecen facilidades de cálculo numérico muy superiores a los programas de propósito
general (C, Fortran). No obstante, el precio de estas asombrosas características de cálculo
es la velocidad del cálculo; por lo que los lenguajes de propósito general siguen en
vigencia, especialmente para el desarrollo de software comercial donde los tiempos de
ejecución son cruciales.
En este trabajo se optó por emplear Matlab por simplicidad y para aprovechar las rutinas
con las que este cuenta, rutinas que facilitan enormemente la implementación del algoritmo
de Villasana – Garver. Una vez desarrollado el prototipo en Matlab, la metodología
utilizada para implementar el programa puede ser fácilmente adecuada en otro programa o
solver.
4.2 Modificaciones al modelo híbrido para su implementación en Matlab
El Matlab posee una librería (toolbox) de optimización que permite resolver problemas de
programación lineal. Si se tiene un problema de programación lineal expresado de la forma
4.1 (la forma estándar de un problema de optimización):
Minimizar [ f ] .[x ]
t

Restringido a: (4.1)
Aeq.x = beq
A.x ≤ b
El problema puede resolverse en Matlab mediante la función “linprog” mostrada en 4.2.
x = linprog (f, A, b, Aeq, beq) (4.2)
La función “linprog” permite resolver problemas de programación lineal mediante el
Método de Puntos Interiores. Luego, resulta necesario adaptar el modelo híbrido para
adecuarse a la forma matricial. En base al modelo híbrido y la notación utilizada, se
definen las variables que debe hallar el optimizador en forma vectorial; estas variables
están dadas por los vectores de la expresión 4.3.

[ ]
 nij  [ ]
 cij 
 [θ ]  [0] 
x= i , f = 
[ ]
 f ij   [0] 
(4.3)
   
[g i ]  [0] 
 35

La función objetivo esta dada por la ecuación 4.4.

Minimizar [ f ] .[x ]
t
(4.4)
Asimismo, se formula matricialmente las restricciones de balances en las barras por la
expresión 4.5.
[S ][ f ] + [Bactual ][θ i ] + [g i ] = [d i ] (4.5)
También se deben efectuar las modificaciones al modelo para poder tomar en cuenta
adiciones con diferente capacidad y reactancia a la de las líneas existentes. La
modificación que se propuso fue considerar cada línea como un camino diferente y para
cada camino debe evaluarse las restricciones individualmente. Escribiendo las restricciones
de desigualdad en forma matricial se tiene las ecuaciones de 4.6.
[ ]
− [I ]. nij ≤ [0] (4.6)

[I ].[θ ] ≤ [ϕ ]
ij ij

− [I ].[θ ] ≤ [ϕ ] ij ij

[I ].[ f ] − [diag ( f )].[n ] ≤ [0]

ij ij ij

− [I ].[ f ] − [diag ( f )].[n ] ≤ [0]

ij ij ij

[I ][. g i ] ≤ [g i ]
− [I ][. g i ] ≤ [0]

[I ] : Matriz identidad, [diag ( f ij )] : Matriz diagonal cuyos elementos son f ij .

ϕ ij = f ij / γ ij : Capacidad de un circuito ij dividida por su suceptancia.

[ ]
Asimismo, es necesario expresar la matriz θ ij en términos de las variables [θ i ] que son

las variables utilizadas en la función objetivo, para esto se define una matriz que se
denominara [Tem] .
[θ ] = [Tem][. θ ]
ij i (4.7)

La matriz [Tem] tiene un número de columnas igual al número de barras y el número de

filas igual al número de caminos existentes. Cada fila de la matriz [Tem] representa un
equipo entre las barras i − j , para un determinado equipo en la fila m se tiene que la
matriz [Tem] se construye mediante la expresión 4.8.

 n = i →1

Temmn =  n = j → −1 (4.8)
n ≠ i ≠ j → 0

 36

[ ]
Entonces las restricciones con el término θ ij quedan de la forma:

− [Tem][ [ ]
. θ i ] ≤ ϕ ij
[Tem][. θ ] ≤ [ϕ ]
(4.9)
i ij

Agrupando las ecuaciones anteriores, se expresa las restricciones en forma matricial, dado
por las expresiones 4.10 y 4.11.
 − [I ] [0] [0] [0]   [0] 
 [0] [Tem] [0] [0]   [ϕ ]
 [nij ] 
ij 

 [0] − [Tem] [0] [0]    [ϕ ij ]

[θ ]

[
 diag ( f ij ) ] [0] [I ] [0] . i  ≤  [0] 
[ f ]
(4.10)
[
 diag ( f ij ) ] [0] − [I ] [0]   ij   [0] 
 [g ] 
[I ]   i   [g i ]
 
 [0] [0] [0]
 [0] [0] [0] − [I ]  [0] 
  
[ ]
 nij 
 [θ ]
[[0] [B] [S ] [I ]]. i  = [d i ]
[ ]
 f ij 
(4.11)
 
[g i ]
Finalmente se obtiene el modelo de forma compacta dado por la expresión 4.12
Minimizar [ f ] .[x ]
t
(4.12)
Restringido a:
Aeq.x = beq
A.x ≤ b
Donde:
[ ]
 nij   cij  [ ]
 [θ ]  [0] 
• x=  i 
, f = 
[ ]
 f ij   [0] 
   
[g i ]  [0] 
• Aeq = [[0] [B] [S ] [I ]] , beq = [d i ]
 − [I ] [0] [0] [0]   [0] 
 [0] [Tem] [0] [0]  [ϕ ]
  ij 
 [0] − [Tem ] [0] [0]  [ϕ ij ]
•

[
A =  diag ( f ij ) ] [0] [I ] [0]  , b =  [0] 


[
 diag ( f ij ) ] [0] − [I ] [0]   [0] 
 [g i ]
   
 [0] [0] [0] [I ] 

 [0] [0] [0] − [I ]  [0] 
 
 37

Se debe notar que el modelo presentado es un modelo matricial general, que puede ser
utilizado por cualquier optimizador como CPLEX, GAMS, LINDO etc.
4.3 Implementación del algoritmo Villasana – Garver en Matlab
Para la implementación del algoritmo de Villasana – Garver se utilizó ficheros “m”,
utilizando el lenguaje de programación de Matlab. La entrada de datos para el programa se
implementó a través de tablas (matrices) que pueden ser copiadas desde Excel hacia el
“Workspace” del Matlab. Para desarrollar la herramienta computacional se empleó tres
rutinas: “mhybrid”, “makemx”, “makelp”. La implementación se reduce a direccionar los
datos de entrada para formar las matrices: f, A, b, Aeq, y beq. Una vez formadas estas
matrices, se recurre al comando “linprog” para resolver el correspondiente problema de
programación lineal.
Después de obtener la solución del problema de programación lineal se elige la adición
más atractiva y se actualiza la configuración de la red. Por ultimo se vuele a formar las
matrices f, A, b, Aeq, y beq para efectuar otra iteración y así sucesivamente hasta que no se
necesiten mas adiciones en la red. En las figuras 4.2, 4.3 y 4.4 se presentan la estructura de
las tres rutinas implementadas.

Figura 4.1 Estructura de la rutina “mhybrid”

 38

La rutina “mhybrid” es una rutina principal que recoge datos de la red, actualiza las
adiciones en la red, e imprime los resultados en pantalla. La rutina “makemx” es una
subrutina del la rutina principal que halla la matriz de admitancias. La rutina “makelp” es
una rutina que formula las matrices del modelo híbrido y ejecuta el comando “linprog”
para resolver el problema de programación lineal y se imprime en pantalla el camino más
atractivo. Finalmente, es posible que una adición no sea necesaria por haberse efectuado
una adición más importante posteriormente, para esto se simula la salida de todas las
adiciones por orden decreciente de costos mediante un programa de análisis de
contingencias y se eliminan las adiciones cuyas salidas no ocasionen sobrecargas en la red.

Figura 4.2 Estructura de la rutina “makemx”

Figura 4.3 Estructura de la rutina “makelp”

4.4 Verificación del algoritmo de Villasana - Garver en sistemas de prueba
Para verificar que el algoritmo de Villasana - Garver haya sido implementado (codificado)
correctamente se aplicó el programa a sistemas de prueba estándar ampliamente utilizados
en la literatura especializada [6, 17, 22, 23]. Los sistemas que se utilizaron fueron: el
sistema de Garver de 6 barras, el sistema IEEE de 24 barras, y el sistema Sur Brasileño de
46 barras. Los datos de los sistemas utilizados, así como las soluciones esperadas se
encuentran en el anexo B. Las soluciones esperadas por el algoritmo de Villasana - Garver
fueron suministradas por el Dr. Rubén Romero investigador del departamento de ingeniería
eléctrica de la UNESP (Universidade Estadual Paulista "Júlio De Mesquita Filho"). El
 39

programa fue ejecutado en un computador AMD Athlon de 1.48 GHz y 448 MB. A
continuación se presentan los resultados obtenidos para cada sistema.
4.4.1 El sistema de Garver de 6 barras
El sistema de Garver es un sistema de 6 barras, con una capacidad de generación de 760
MW. El sistema cuenta con una de barra de generación aislada. En la figura 4.4 se puede
apreciar la topología inicial del sistema de Garver. Los resultados obtenidos fueron:
n 2−6 = 4 , n3−5 = 1 , n 4−6 = 2 . Después de efectuar un análisis de contingencias se concluyo
que todas las adiciones eran necesarias. El costo de inversión obtenido fue de 200 dólares.
Los resultados concuerdan con la solución de las referencias [5, 20, 24].

Figura 4.4 Topología del sistema de Garver

4.4.2 El sistema IEEE de 24 barras
El sistema IEEE de 24 barras es un sistema de prueba de la IEEE diseñado para validar
técnicas de evaluación de la confiabilidad. El sistema consta de 24 barras, con una
generación de 8550 MW. En la figura 4.5 se puede apreciar la topología inicial del sistema
IEEE de 24 barras. Cada transformador de la red fue modelado por una reactancia, una
capacidad, y un costo asociado de forma similar al caso de una línea.
Los resultados obtenidos fueron: n1−5 = 1 , n3−24 = 1 , n6−10 = 1 , n7 −8 = 2 , n14−16 = 1 ,

n15−16 = 1 , n15−21 = 1 , n15−24 = 1 , n16−17 = 2 , n16−19 = 1 , n17 −18 = 1 , n1−8 = 1 , n6−7 = 1 .

 40

Después de un análisis de contingencias se determino que las adiciones n15−16 = 1 , n1−8 = 1

y n6−7 = 1 no eran necesarias. El costo de inversión obtenido fue de 390 000 dólares. Los
resultados concuerdan con la solución de la referencia [24].

Figura 4.5 Topología del sistema IEEE de 24 barras

4.4.3 El sistema Brasileño Sur
Este sistema consta de 46 barras, y una demanda total igual 6,880 MW. Este sistema
representa una muy buena prueba debido a que es un sistema de la vida real y es de tamaño
mediano. En la figura 4.6 se puede apreciar la topología inicial del sistema Sur Brasileño
de 46 barras. Los resultados obtenidos fueron: n 20−21 = 2 , n 42−43 = 1 , n6−46 = 1 , n 25−32 = 1 ,

n31−32 = 1 , n 28−31 = 1 , n31−41 = 1 , n 24−25 = 2 , n 40−41 = 1 , n5−6 = 2 . Después de un análisis de

 41

contingencias se determino todas las adiciones eran necesarias. El costo de inversión

obtenido fue de 166 041 dólares. Estos resultados coinciden con la solución de la
referencia [25, 26]. En conclusión, los resultados obtenidos para los tres sistemas de prueba
coincidieron con la solución esperada por el algoritmo de Villasana - Garver. De los
resultados obtenidos se concluyó que el algoritmo fue correctamente implementado.

Figura 4.6 Topología inicial del sistema Brasileño Sur de 46 barras

 42

CAPÍTULO V
APLICACIÓN: DESARROLLO DE UNA RED DE 500 KV DEL SISTEMA
PERUANO

En este capitulo, se aplica el algoritmo de Villasana – Garver implementado en Matlab a

un caso simplificado del sistema eléctrico peruano para obtener una red de 500 kV para el
año 2017. Primero, se describe brevemente la situación actual del sistema eléctrico
peruano. Luego, se presenta las consideraciones que se tomaron para simplificar el sistema
peruano. Asimismo se plantean los casos de estudio y se presentan los resultados
obtenidos por el modelo computacional.
5.1 Una breve descripción de la situación actual del sistema eléctrico peruano
El sistema eléctrico interconectado nacional (SEIN) consta de tres áreas claramente
definidas: Norte, Centro y Sur. Estas áreas se encuentran interconectadas por las líneas:
Paramonga – Chimbote (áreas Centro y Norte), y las líneas Mantaro – Cotaruse - Socabaya
(áreas Centro y Sur), como se muestra en la figura 5.1.
El área norte se caracteriza por ser un sistema en 220 kV de tipo radial. En esta área se
presentan problemas de tensión debido a su topología radial. Las centrales más importantes
en esta área son las centrales hidroeléctricas de Cañón del Pato, Carhuaquero, Gallito
Ciego, Cahua y la central térmica de Malacas (unidad TG4). Para el año 2009 la capacidad
de generación de esta área fue de 560 MW, la máxima demanda de esta área en el año
2009 fue aproximadamente de 630 MW. Esta área puede ser un área exportadora o
importadora de energía eléctrica dependiendo del despacho y la generación disponible en
el área.
El área Centro se caracteriza por ser un sistema enmallado en 220 kV. En esta área se
encuentra la mayor parte de la demanda del SEIN. Las centrales más importantes en esta
área son las centrales hidroeléctricas de Mantaro, Restitución, Huinco, Yuncan, Yaupi,
Chimay, Yanango y las centrales térmicas de Chilca, Kallpa, Ventanilla, Santa Rosa y
Aguaytía. Dentro de las centrales importantes se destaca la central de Mantaro que es la
central de mayor potencia efectiva del SEIN (700 MW).
 43

Figura 5.1 Sistema eléctrico peruano actual, año 2009 [8]

Asimismo, se destaca la central hidroeléctrica de Huinco que efectúa la regulación
secundaria del sistema. Para el año 2009 la capacidad de generación de esta área fue de
3300 MW, y la máxima demanda de esta área en el año 2009 fue aproximadamente de
2880 MW.
En la actualidad, la construcción del ducto del gas de Camisea ha impulsado la
construcción de centrales en la zona de Chilca y para el futuro esta zona se proyecta como
un polo energético muy importante del país. El área Centro generalmente importa energía
eléctrica a las áreas Norte y Sur.
El área Sur se caracteriza por ser un sistema principalmente en 138 kV con líneas largas
 44

(para un nivel de tensión de 138 kV) y cargas pequeñas lejanas entre sí. Las centrales más
importantes en esta área son las centrales hidroeléctricas de San Gabán, Machu Picchu,
Charcani y la central térmica de Ilo. Para el año 2009 la capacidad de generación de esta
área fue de aproximadamente 500 MW, y la máxima demanda de esta área en el año 2009
fue aproximadamente de 790 MW. El área Sur es un área importadora de electricidad, pues
la línea que interconecta el Centro con el Sur opera muy cerca de su límite de transmisión.
En conjunto la máxima demanda del SEIN del año 2009 fue de 4322 MW (incluyendo las
perdidas del sistema de transmisión). La generación de electricidad en el SEIN proviene
principalmente de recursos hídricos en un 65%, y el resto de la generación proviene de
centrales de gas natural, diesel y carbón en un 35%.
La red de transmisión actual se encuentra congestionada en ciertas zonas como la
interconexión entre el centro y el sur, la zona de Chilca y las líneas que conectan Mantaro
con la zona de Lima. El rápido crecimiento de la generación en la zona de Chilca ha
ocasionado que se planteen refuerzos en la red de transmisión para poder evacuar toda la
generación eléctrica de esta zona. Esto sumado a los refuerzos necesarios en las
interconexiones del centro con el norte y sur ha conllevado a aumentar el nivel de tensión a
500 kV con miras hacia una red principal en 500 kV en el futuro [8, 28].
En cuanto a los escenarios de generación y demanda en el futuro, se espera una demanda
de aproximadamente 8000 MW para el año 2017 (el doble de la demanda actual) y si se
sigue esta tendencia (tasa aproximada del 4% anual) se espera una demanda de 20 000
MW para el año 2040. Para la generación de electricidad, se ha previsto la construcción de
grandes centrales hidroeléctricas (con capacidades de alrededor de 1000 MW) localizadas
en la vertiente amazónica del centro y sur del país. Estas centrales formarían parte de un
convenio energético con Brasil según el cual se exportaría cierto porcentaje de la
electricidad producida a Brasil. En la figura 5.2 se puede apreciar las centrales cuya
construcción encuentra prevista por el convenio con Brasil. Entre las principales centrales
se encuentran la central de Paquitzapango, Inambari, Sumabeni y Urubamba [8].
Asimismo se han previsto otros proyectos en la costa del país como la instalación de
unidades térmicas en Chilca en una capacidad de hasta en 2000 MW viniendo a ser el
principal polo de generación de la costa centro. En la zona norte se espera la construcción
de las centrales de Olmos, Santa Rita y Quitaracsa. En la zona Sur se espera la
construcción de las centrales de Lluclla, Onocora, San Gabán II, Pucara y Santa Teresa;
entre las más importantes.
 45

Figura 5.2 Grandes centrales hidroeléctricas en principio comprendidas en el

convenio Perú – Brasil [8]
Como conclusión, el Perú esta experimentando un rápido crecimiento del sector energético
que supone pensar en una red referencial de 500 kV de largo plazo que permita sostener
todo este crecimiento.
5.2 Consideraciones para el caso simplificado del sistema de transmisión peruano
Para realizar la planificación de un sistema de transmisión es necesario hacer algunas
simplificaciones de modo que se modele las partes más representativas del sistema,
representando en lo posible el intercambio de potencia entre regiones. Para visualizar este
concepto, en la figura 4.3 se puede observar la representación simplificada de un sistema
de dos áreas. Para formular el modelo simplificado del SEIN se tomó en cuenta las
siguientes consideraciones:
• Se modeló los elementos de la red usando un sistema en pu. de 100 MVA base.
• Se modeló una región por una barra con una tensión de 1.0 pu.
 46

• Se modeló la generación de una región por un generador que entrega una potencia
activa equivalente a la generación total de la región.
• Se modeló la demanda de una región por una carga que consume una potencia
equivalente a la región.
• Se modeló únicamente la reactancia serie de las líneas, incluyendo la compensación
serie de ser el caso.
• Se seleccionó las regiones de tal manera que quedaron representadas las principales
subestaciones en 220 k V y 138 kV.
• Se seleccionó regiones que necesitaban ser representadas por la importancia de la
demanda en el sistema.
• Se seleccionó regiones que necesitaban ser representadas por la importancia de la
generación en el sistema.

Figura 5.3 Ejemplo de representación simplificada de dos áreas

Finalmente, tomando en cuenta lo anterior se formuló un caso simplificado del sistema
peruano como el que se muestra en la figura 5.4. En este esquema simplificado el área
Norte del SEIN esta representada por las barras de Chimbote Trujillo y Piura. El área Sur
esta representada por las barras de Socabaya, Montalvo Puno, Tintaya, Machupicchu,
Azangaro, y San Gabán. El área Centro se encuentra representada por el sistema enmallado
que comprende desde las barras de Paramonga y Cotaruse. Las líneas Paramonga –
Chimbote y Mantaro – Cotaruse – Socabaya son las interconexiones del área Centro con
las áreas Norte y Sur respectivamente.
 47

Figura 5.4 Esquema simplificado del SEIN para el año 2009.

5.3 Descripción de los casos de estudio
Se considero cuatro casos de estudio para aplicar el algoritmo de Villasana – Garver y
obtener una red de 500 kV para el año 2017. Los casos de estudio toman como años
horizonte los años 2017 y 2040, esto para poder seleccionar la red del año 2017 teniendo
 48

en cuenta como se vería la red en el año 2040. Los datos utilizados en los casos de
estudios fueron tomados de la lista de proyectos de generación, transmisión y la proyección
de demanda del Plan Referencial 2008-2017 del Ministerio de Energía y Minas MINEM
[8] y se pueden encontrar en el Anexo C. A continuación, se describen los cuatro casos de
estudio:
• Caso 1: Planificación del Sistema Interconectado Nacional (SEIN) año horizonte
2017 con adiciones en 220 kV y 500 kV. En este caso de estudio, se consideró una
demanda del SEIN de 8110 MW, se tomó como año base el año 2009. Además, se
considero como candidatos la lista de proyectos de transmisión del MINEM y se completo
la lista de candidatos con líneas con características similares a los caminos existentes.
• Caso 2: Planificación del Sistema Interconectado Nacional (SEIN) año horizonte
2017 con solo adiciones 500 kV. En este caso de estudio, se consideró una demanda del
SEIN de 8110 MW, se tomo como año base el año 2009. Se consideró como candidatos la
lista de proyectos de transmisión del MINEM y se completo la lista de candidatos con
líneas con características de 500 kV, es decir todas las nuevas adiciones se contemplaron
en un nivel de tensión de 500 kV.
• Caso 3: Planificación del Sistema Interconectado Nacional (SEIN) año horizonte
2040 con adiciones en 500 kV. En este caso de estudio, se consideró una demanda del
SEIN de 20000 MW, se tomo como año base el año 2009. Se consideró como candidatos la
lista de proyectos de transmisión del MINEM y se completo la lista de candidatos con
líneas con características de 500 kV.
• Caso 4: Planificación del Sistema Interconectado Nacional (SEIN) año horizonte
2040 con adiciones en 500 kV y diferente escenario de generación. En este caso de
estudio, se consideró una demanda del SEIN de 20000 MW, se tomo como año base el año
2009. Se consideró como candidatos la lista de proyectos de transmisión del MINEM y se
completo la lista de candidatos con líneas con características de 500 kV, a diferencia del
caso anterior aquí se consideró una ligera modificación en el escenario de generación del
caso anterior para observar la sensibilidad de los resultados. Finalmente, se implemento
una base de datos de los cuatro casos de estudio y se aplico el algoritmo de Villasana –
Garver a los cuatro casos.
5.4 Resultados del algoritmo de Villasana - Garver a los casos de estudio
A continuación se presentan los resultados obtenidos en cada caso de estudio. Para el
análisis del comportamiento de la red después de efectuar las adiciones propuestas por el
 49

algoritmo de Villasana – Garver se utilizo el programa Power World Simulator.

• Caso 1: Planificación del Sistema Interconectado Nacional (SEIN) año horizonte
2017 con adiciones en 220 kV y 500 kV.
Los resultados obtenidos por el programa se encuentran en la tabla 5.1.
Tabla 5.1 Resultados del primer caso de estudio
Numero de líneas por
Adiciones
adición
Chavarría – Ventanilla n 2−20 = 4

Chavarría – Santa Rosa n2−4 = 1

Chilca – Marcona n5−23 = 1

Chilca – San Juan n5− 26 = 2

Independencia – Ica n6−25 = 1

Zapallal – Ventanilla n9−20 = 3

Tintaya – Machupicchu n15−17 = 1

Trujillo – Piura n16−31 = 1

Carhuamayo – Paragsha n18−24 = 1

Puno – Azangaro n 29−30 = 1

Chilca – Zapallal n5 − 9 = 1

El costo total obtenido fue de 393 millones de dólares. Según los resultados se aprecia que
la mayor parte de los refuerzos en la red se ubican en la zona de Chilca, siendo las
principales líneas en 500 kV la línea Chilca - Zapallal y la línea Chilca – Marcona.
Obsérvese que en la zona de Lima el flujo llega hasta Zapallal y luego regresa a través de
adiciones en 220 kV hasta Chavarría y Santa Rosa.
• Caso 2: Planificación del Sistema Interconectado Nacional (SEIN) año horizonte
2017 con solo adiciones 500 kV.
Los resultados obtenidos por el programa se encuentran en la tabla 5.2. El costo total
obtenido fue de 447,97 millones de dólares. Se aprecia que los refuerzos son similares al
primer caso de estudio salvo por los refuerzos en la zona de Chilca. Además, si se
considera adiciones en 500 kV resulta más económico considerar los refuerzos entre San
 50

Juan – Santa rosa – Chavarría en vez de los refuerzos de Zapallal. Asimismo se obtuvo un
refuerzo en Mantaro - Independencia. En este escenario se obtuvo un costo de inversión
mayor debido a que los refuerzos en la zona Sur se efectuaron en 500 kV.
Tabla 5.2 Resultados del segundo caso de estudio
Numero de líneas por
Adiciones
adición
Chavarría – Santa Rosa n2−4 = 1

Mantaro – Independencia n3− 6 = 1

Santa Rosa – San Juan n 4−26 = 2

Chilca – San Juan n5− 26 = 2

Independencia – Ica n6−25 = 1

Tintaya – Machupicchu n15−17 = 1

Trujillo – Piura n16−31 = 1

Carhuamayo – Paragsha n18−24 = 1

Marcona – Ica n 23− 25 = 1

Puno – Azangaro n 29−30 = 1

• Caso 3: Planificación del Sistema Interconectado Nacional (SEIN) año horizonte

2040 con adiciones en 220 kV y en 500 kV.
Los resultados obtenidos por el programa se encuentran en la tabla 5.3. El costo total
obtenido fue de 2241 millones de dólares. Según los resultados obtenidos, se necesita
reforzar gran parte del sistema de 220 kV de la zona centro, debido a que las centrales
hidroeléctricas de Urubamba, Sumabeni, y Paquitzapango evacuarían toda su generación a
través de la barra de Mantaro. Es importante observar que para evacuar la generación de
estas centrales se necesitarían de cuatro líneas en 500 kV.
Asimismo, en la zona norte se observa que es necesario unir la zona de Piura con la central
hidroeléctrica de Manseriche a través de una línea en 500 kV.
Por otro lado, la central de hidroeléctrica de Inambari evacuaría su generación a través de
las barras de Caraveli y Montalvo, pues en esta barra se ubicaría gran parte de la demanda
del sur. Con respecto a la zona de Lima se debe considerar los refuerzos entre San Juan –
Santa rosa – Chavarría de manera similar al segundo caso de estudio.
 51

Tabla 5.3 Resultados del tercer caso de estudio

Numero de Numero de
Adiciones líneas por Adiciones líneas por
adición adición
Callahuanca – Chavarría n1−2 = 3 Montalvo – Caraveli n11− 21 = 2

Callahuanca – Pachachaca n1−13 = 3 Montalvo – Puno n11−29 = 1

Chavarría – Santa Rosa n2−4 = 1 Zapallal – Ventanilla n9−20 = 1

Chavarría – Ventanilla n 2−20 = 1 Pachachaca – Paramonga n14−19 = 1

Mantaro – Independencia n3− 6 = 1 Tintaya – Machupicchu n15−17 = 1

Mantaro – Pachachaca n3−13 = 4 Tintaya – Onocora n15−32 = 1

Mantaro – Cotaruse n3−22 = 1 Trujillo – Piura n16−31 = 1

Mantaro – Sumabeni –
n3−36 = 4 Carhuamayo – Paragsha n18−24 = 1
Paquitzapango
Santa Rosa – San Juan n 4−26 = 1 Caraveli – Inambari n 21−34 = 2

Chilca – San Juan n5− 26 = 3 Marcona – Ica n 23− 25 = 1

Independencia – Ica n6−25 = 1 San Juan – Pomacocha n 26−27 = 1

Oroya – Pachachaca n7 −13 = 1 Piura – Manseriche n31−33 = 2

Urubamba – Sumabeni –
Vizcarra – Paragsha n8−24 = 1 n35−36 = 1
Paquitzapango
Pachachaca – Pomacocha n13− 27 = 1 Zapallal – Paramonga n9−19 = 1

• Caso 4: Planificación del Sistema Interconectado Nacional (SEIN) año horizonte

2040 con adiciones en 220 kV y en 500 kV.
Los resultados obtenidos por el programa se encuentran en la tabla 5.4. El costo total
obtenido fue de 2281,5 millones de dólares. Los resultados obtenidos son prácticamente
idénticos al tercer caso de estudios, ya que el escenario de demanda era bastante similar.
Para este caso, solamente se obtuvo un refuerzo adicional a los obtenidos en el tercer caso
de estudio: la línea Montalvo – Socabaya. El costo se incremento en 40 millones con
respecto al tercer caso de estudio. Finalmente se efectuó un flujo de potencia para cada
caso de estudio.
 52

Tabla 5.4 Resultados del cuarto caso de estudio

Numero de Numero de
Adiciones líneas por Adiciones líneas por
adición adición
Callahuanca – Chavarría n1−2 = 3 Montalvo – Socabaya n11−12 = 1

Callahuanca – Pachachaca n1−13 = 3 Montalvo – Caraveli n11− 21 = 2

Chavarría – Santa Rosa n2−4 = 1 Montalvo – Puno n11−29 = 1

Chavarría – Ventanilla n 2−20 = 1 Pachachaca – Pomacocha n13− 27 = 1

Mantaro – Independencia n3− 6 = 1 Pachachaca – Paramonga n14−19 = 1

Mantaro – Pachachaca n3−13 = 4 Tintaya – Machupicchu n15−17 = 1

Mantaro – Cotaruse n3−22 = 1 Tintaya – Onocora n15−32 = 1

Mantaro – Sumabeni –
n3−36 = 4 Trujillo – Piura n16−31 = 1
Paquitzapango
Santa Rosa – San Juan n 4−26 = 1 Carhuamayo – Paragsha n18−24 = 1

Chilca – San Juan n5− 26 = 3 Caraveli – Inambari n 21−34 = 2

Independencia – Ica n6−25 = 1 Marcona – Ica n 23− 25 = 1

Oroya – Pachachaca n7 −13 = 1 San Juan – Pomacocha n 26−27 = 1

Vizcarra – Paragsha n8−24 = 1 Piura – Manseriche n31−33 = 2

Urubamba – Sumabeni –
Zapallal – Paramonga n9−19 = 1 n35−36 = 1
Paquitzapango
Zapallal – Ventanilla n9−20 = 1

En las figuras 5.5, 5.6, 5.7 y 5.8 se muestra los resultados de los flujos de potencia para
cada caso de estudio. Las adiciones en la red para cada escenario se muestran en color rojo
y representan el conjunto de líneas en total que debe ser adicionado en cada camino; es
decir, una adición puede representar mas de una línea dependiendo de los resultados que
se obtuvieron anteriormente. El diagrama de círculo (pie) en cada línea muestra el nivel de
potencia que transportan las líneas con respecto a su capacidad máxima; es notable
observar que en todos los casos de estudio se obtuvieron soluciones que eliminaban las
sobrecargas en la red de transmisión.
 53

Figura 5.5 Flujo de potencia para el resultado del primer caso de estudio
 54

Figura 5.6 Flujo de potencia para el resultado del segundo caso de estudio
 55

Figura 5.7 Flujo de potencia para el resultado del tercer caso de estudio
 56

Figura 5.8 Flujo de potencia para el resultado del cuarto caso de estudio
 57

5.5 Selección de los refuerzos en la red de transmisión para el año 2017

A continuación, en base a los resultados obtenidos en la sección anterior, se seleccionan los
refuerzos en la red para el año 2017. Los refuerzos fueron seleccionados tomando como
referencia la mayor parte de refuerzos obtenidos en el segundo caso de estudio y
considerando adiciones en la zona sur de 220 kV. En la figura 5.9 se muestra la red
propuesta para el año 2017.

Figura 5.9 Esquema propuesto del SEIN para el año 2017.

 58

Como parte de la selección de los refuerzos se aplico el flujo de potencia como

herramienta principal y se complemento el análisis con un cálculo del costo de inversión.
En la práctica para la selección de los refuerzos se utilizan otras herramientas como el
análisis de contingencias, confiabilidad, estabilidad, etc. [29]. En este trabajo, no se
efectúan dichos análisis debido a que no tendría significado aplicarlos al caso simplificado
que se ha planteado. En la zona sur se considero adecuado refuerzos en 220 kV por el nivel
de potencia que transportarían estas líneas, alrededor de 100 MW. En la zona de Lima se
considero los refuerzos del segundo caso de estudio, en donde se encontró que esta zona es
alimentada principalmente por la generación de Chilca, mientras que la zona de Ica –
Marcona es alimentada principalmente por la central del Mantaro mediante la línea
Mantaro - Independencia.
Además se considero una adición en 220 kV entre Trujillo y Piura. Con las adiciones
consideradas se obtiene una operación sin sobrecargas de la red. El costo total de la
inversión fue de 366, 8 millones de dólares.
Se recalca que los resultados pueden ser referenciales pero no representan la solución al
problema de planificación del país. Finalmente, se puede apreciar el algoritmo
implementado ha sido bastante útil para poder identificar las adiciones en la red para el
caso simplificado que se presento.
 CONCLUSIONES Y RECOMENDACIONES

De la presente tesis se obtuvieron las siguientes conclusiones:

• El objetivo de la planificación de un sistema de transmisión consiste en encontrar el
equipamiento que debe ser instalado en la red para tener una operación adecuada en el
futuro; para ello, el uso de técnicas de optimización ha surgido como la principal
metodología para identificar alternativas económicamente atractivas.
• La metodología de planificación basada en técnicas de optimización consiste en
formular el problema de la planificación como un problema de programación no lineal
entera mixta; no se conoce hasta la actualidad una técnica que asegure encontrar el óptimo
global para sistemas grandes, no obstante existen técnicas que permiten encontrar
soluciones bastante cercanas al óptimo global.
• La selección de un modelo y algoritmo de solución depende del grado de exactitud que
se requiere; si la idea de implementar una herramienta computacional es para generar
adiciones atractivas que sean referenciales para el planificador, una sofisticación de las
técnicas de solución a utilizar y la obtención del óptimo global no es un requisito
fundamental.
• En la actualidad el algoritmo Tabu Search permite obtener soluciones más cercanas al
óptimo global; no obstante, la importancia de los algoritmos heurísticos como el algoritmo
de Villasana - Garver radica en su simplicidad, su robustez y en que posteriormente estos
pueden ser utilizados por un algoritmo metaheurístico como el Tabu Search.
• El algoritmo de Villasana – Garver fue implementado con éxito en Matlab y se obtuvo
los resultados esperados con los sistemas de prueba de Garver, IEEE de 24 barras y el
sistema sur brasileño de 46 barras; además, se expresó matricialmente el modelo y se
extendió el modelo para permitir adiciones con características diferentes de las líneas de la
red existente.
• Para el caso del sistema peruano, se implementó un modelo simplificado que
representó las principales regiones del sistema eléctrico peruano y se presentó cuatros
 60

casos de estudio que permitieron obtener una visión general de los refuerzos mas
atractivos; en todos los casos de estudio se eliminó las sobrecargas, lo que confirma que
este algoritmo es una buena aproximación; luego, mediante los resultados de los cuatro
casos de estudio se obtuvo una propuesta de la red peruana para el año 2017.
Asimismo, del presente trabajo se desprenden las siguientes recomendaciones:
• Promover el uso de las técnicas de optimización en la planificación del sistema de
transmisión peruano.
• Adecuar el algoritmo de Villasana – Garver desarrollado en este trabajo para ser
utilizado por el algoritmo de Tabu Search y obtener soluciones de mejor calidad.
 ANEXO A
LISTADO DE SÍMBOLOS
 62

ij : Circuito entre las barras i e j

cij : Coste asociado al circuito entre las barras ij.

nij : Número de adiciones necesarias en el circuito ij.

f ij : Flujo de potencia activa total en el circuito ij.

f ij : Flujo máximo para la adición ij.

gi : Generación de potencia activa en la barra i.

nij0 : Número de líneas existentes en el circuito ij.

[S ] : Matriz de incidencia de la red.

[f ] : Vector de flujos en la red.
[g ] : Vector de generación en las barras.

gi : Capacidad máxima de generación en la barra i.

nij : Numero máximo de adiciones para el circuito ij.

γ ij : Suceptancia del los circuitos del camino entre ij.

γ ij0 : Suceptancia inicial del camino entre ij.

[B] : Matriz de suceptancias de la red

[θ ] : Vector de ángulos en las barras.
Ω1 : Conjunto de circuitos existentes.

Ω2 : Conjunto de circuitos de las adiciones.

ri : Generación ficticia en la barra i .

[r ] : Vector de generación ficticia en las barras.

ϕ ij = f ij / γ ij : Capacidad de un circuito ij dividida por su suceptancia.

[I ] : Matriz identidad.

[diag ( f )]
ij : Matriz diagonal cuyos elementos son f ij .

[0] : Matriz nula.

 ANEXO B
DATOS DE LOS SISTEMAS DE PRUEBA
 64

1. Datos del Sistema de Garver

A continuación se presentan los datos del sistema de prueba de Garver de 6 barras en las
tablas A1 y A2. Las reactancias se encuentran expresadas en pu en una base de 100 MVA.
La solución que se debe obtener por el algoritmo Villasana – Garver es n 2−6 = 4 , n3−5 = 1 ,

n 4−6 = 2 con una inversión total de 200 dólares, la solución es el optimo global.

Tabla A1. Datos de generación y demanda en las barras

Barra g i MW d i MW

1 50 80
2 0 240
3 165 40
4 0 160
5 0 240
6 545.1 0
Tabla A2. Datos de la red base y líneas candidatas
barra barra Limites Costo
ni0 x pu.
i j MW $
1 2 1 0.4 100 40
1 3 0 0.38 100 38
1 4 1 0.6 80 60
1 5 1 0.2 100 20
1 6 0 0.68 70 68
2 3 1 0.2 100 20
2 4 1 0.4 100 40
2 5 0 0.31 100 31
2 6 0 0.3 100 30
3 4 0 0.59 82 59
3 5 1 0.2 100 20
3 6 0 0.48 100 48
4 5 0 0.63 75 63
4 6 0 0.3 100 30
5 6 0 0.61 78 61
 65

2. Datos del sistema IEEE de 24 barras

A continuación se presentan los datos del sistema IEEE de 24 barras en las tablas A3 y A4.
Las reactancias se encuentran expresadas en pu en una base de 100 MVA. La solución que
se debe obtener por el algoritmo Villasana – Garver es n1−5 = 1 , n3−24 = 1 , n6−10 = 1 ,

n7 −8 = 2 , n14−16 = 1 , n15−21 = 2 , n15−24 = 1 , n16−17 = 1 , n16−19 = 1 , n17 −18 = 1 con un costo

total de 438 000, no es el optimo global, la mejor solución tiene un costo total de 390 000.
Tabla A3. Datos de generación y demanda en las barras
Barra g i MW d i MW Barra g i MW d i MW

1 576 324 13 1773 795

2 576 291 14 0 582
3 0 540 15 645 951
4 0 222 16 465 300
5 0 213 17 0 0
6 0 408 18 1200 999
7 900 375 19 0 543
8 0 513 20 0 384
9 0 525 21 1200 0
10 0 585 22 900 0
11 0 0 23 315.1 0
12 0 0 24 0 0
 66

Tabla A4. Datos de la red base y líneas candidatas

Limite Costo barra barra Limite Costo
i j ni0 x pu ni0 x pu
MW $ i j MW $
1 2 1 0.0139 175 3000 12 23 1 0.0966 500 134000
1 3 1 0.2112 175 55000 13 23 1 0.0865 500 120000
1 5 1 0.0845 175 22000 14 16 1 0.0389 500 54000
2 4 1 0.1267 175 33000 15 16 1 0.0173 500 24000
2 6 1 0.192 175 50000 15 21 2 0.049 500 68000
3 9 1 0.119 175 31000 15 24 1 0.0519 500 72000
3 24 1 0.0839 400 50000 16 17 1 0.0259 500 36000
4 9 1 0.1037 175 27000 16 19 1 0.0231 500 32000
5 10 1 0.0883 175 23000 17 18 1 0.0144 500 20000
6 10 1 0.0605 175 16000 17 22 1 0.1053 500 146000
7 8 1 0.0614 175 16000 18 21 2 0.0259 500 36000
8 9 1 0.1651 175 43000 19 20 2 0.0396 500 55000
8 10 1 0.1651 175 43000 20 23 2 0.0216 500 30000
9 11 1 0.0839 400 50000 21 22 1 0.0678 500 94000
9 12 1 0.0839 400 50000 1 8 0 0.1344 500 35000
10 11 1 0.0839 400 50000 2 8 0 0.1267 500 33000
10 12 1 0.0839 400 50000 6 7 0 0.192 500 50000
11 13 1 0.0476 500 66000 13 14 0 0.0447 500 62000
11 14 1 0.0418 500 58000 14 23 0 0.062 500 86000
12 13 1 0.0476 500 66000 16 23 0 0.0822 500 114000
12 23 1 0.0966 500 134000 19 23 0 0.0606 500 84000
 67

3. Datos del sistema Brasileño Sur

A continuación se presentan los datos del sistema Brasileño Sur en las tablas A5 y A6. Las
reactancias se encuentran expresadas en pu en una base de 100 MVA. . La solución que se
debe obtener por el algoritmo Villasana – Garver es: n 20−21 = 2 , n 42−43 = 1 , n6−46 = 1 ,

n 25−32 = 1 , n31−32 = 1 , n 28−31 = 1 , n31−41 = 1 , n 24−25 = 2 , n 40−41 = 1 , n5−6 = 2 con costo total
de 166041, no es el optimo global, la mejor solución tiene un costo total de 154420.
Tabla A5. Datos de generación y demanda en las barras
Barra g i MW d i MW Barra g i MW d i MW

1 0 0 24 0 478,2
2 0 443,1 25 0 0
3 0 0 26 0 231,9
4 0 300,7 27 54 0
5 0 238 28 730 0
6 0 0 29 0 0
7 0 0 30 0 0
8 0 72,2 31 310 0
9 0 0 32 450 0
10 0 0 33 0 229,1
11 0 0 34 221 0
12 0 511,9 35 0 216
13 0 185,8 36 0 90,1
14 944 0 37 212 0
15 0 0 38 0 216
16 1366 0 39 221 0
17 1000 0 40 0 262,1
18 0 0 41 0 0
19 773 0 42 0 1607,9
20 0 1091,2 43 0 0
21 0 0 44 0 79,1
22 0 81,9 45 0 86,7
23 0 458,1 46 599,1 0
 68

Tabla A6. Datos de la red base y líneas candidatas

Limite Costo barra barra Limite Costo
i j ni0 x pu ni0 x pu
MW $ i j MW $
1 7 1 0,0616 270 4349 44 45 1 0,1864 200 11924
1 2 2 0,1065 270 7076 19 32 1 0,0195 1800 23423
4 9 1 0,0924 270 6217 46 19 1 0,0222 1800 26365
5 9 1 0,1173 270 7732 46 16 1 0,0203 1800 24319
5 8 1 0,1132 270 7480 18 19 1 0,0125 600 8178
7 8 1 0,1023 270 6823 20 21 1 0,0125 600 8178
4 5 2 0,0566 270 4046 42 43 1 0,0125 600 8178
2 5 2 0,0324 270 2581 2 4 0 0,0882 270 5965
8 13 1 0,1348 240 8793 14 15 0 0,0374 270 2884
9 14 2 0,1756 220 11267 46 10 0 0,0081 2000 10889
12 14 2 0,074 270 5106 4 11 0 0,2246 240 14247
14 18 2 0,1514 240 9803 5 11 0 0,0915 270 6167
13 18 1 0,1805 220 11570 46 6 0 0,0128 2000 16005
13 20 1 0,1073 270 7126 46 3 0 0,0203 1800 24319
18 20 1 0,1997 200 12732 16 28 0 0,0222 1800 26365
19 21 1 0,0278 1500 32632 16 32 0 0,0311 1400 36213
16 17 1 0,0078 2000 10505 17 32 0 0,0232 1700 27516
17 19 1 0,0061 2000 8715 19 25 0 0,0325 1400 37748
14 26 1 0,1614 220 10409 21 25 0 0,0174 2000 21121
14 22 1 0,084 270 5712 25 32 0 0,0319 1400 37109
22 26 1 0,079 270 5409 31 32 0 0,0046 2000 7052
20 23 2 0,0932 270 6268 28 31 0 0,0053 2000 7819
23 24 2 0,0774 270 5308 28 30 0 0,0058 2000 8331
26 27 2 0,0832 270 5662 27 29 0 0,0998 270 6672
24 34 1 0,1647 220 10611 26 29 0 0,0541 270 3894
24 33 1 0,1448 240 9399 28 41 0 0,0339 1300 39283
33 34 1 0,1265 270 8288 28 43 0 0,0406 1200 46701
 69

Tabla A6. (Continuación) Datos de la red base y líneas candidatas

Limite Costo barra barra Limite Costo
i j ni0 x pu ni0 x pu
MW $ i j MW $
27 36 1 0,0915 270 6167 31 41 0 0,0278 1500 32632
27 38 2 0,208 200 13237 32 41 0 0,0309 1400 35957
36 37 1 0,1057 270 7025 41 43 0 0,0139 2000 17284
34 35 2 0,0491 270 3591 40 45 0 0,2205 180 13994
35 38 1 0,198 200 12631 15 16 0 0,0125 600 8178
37 39 1 0,0283 270 2329 46 11 0 0,0125 600 8178
37 40 1 0,1281 270 8389 24 25 0 0,0125 600 8178
37 42 1 0,2105 200 13388 29 30 0 0,0125 600 8178
39 42 3 0,203 200 12934 40 41 0 0,0125 600 8178
40 42 1 0,0932 270 6268 2 3 0 0,0125 600 8178
38 42 3 0,0907 270 6116 5 6 0 0,0125 600 8178
32 43 1 0,0309 1400 35957 9 10 0 0,0125 600 8178
42 44 1 0,1206 270 7934
 ANEXO C
DATOS DE LOS CASOS DE ESTUDIO DEL SISTEMA PERUANO
 71

En este anexo se detalla la información utilizada en la aplicación del algoritmo Villasana

Garver al caso simplificado del sistema peruano. Los valores en pu se encuentran sobre
una base de 100 MVA. Para el cálculo de costos de las líneas se considero que para una
línea en 220 kV tenia un costo de 0,236 millones de dólares por kilómetro y para una línea
en 500 kV tenia un costo de 0,38 millones de dólares por kilómetro.

Tabla B1. Red base del año 2009

Limite barra barra Limite barra barra Limite
i j X pu X pu X pu
pu i j pu i j pu
1 2 0,04712 1,8 8 24 0,12656 1,61 25 23 0,15692 1,26
1 2 0,04712 1,8 9 19 0,1589 1,55 26 5 0,036 3,12
1 13 0,07336 1,8 9 19 0,1589 1,55 26 5 0,0491 3,16
1 13 0,07336 1,8 9 20 0,019 1,78 26 5 0,0491 3,16
2 4 0,0087 1,61 9 20 0,0184 1,78 27 3 0,20247 1,61
2 4 0,0087 1,61 9 28 0,25218 1,61 27 26 0,11358 1,61
2 20 0,01092 1,78 10 30 0,4381 1,1 27 26 0,11358 1,61
2 20 0,01092 1,78 10 30 0,421 1,1 7 13 0,02274 1,37
2 20 0,01137 1,78 12 11 0,10827 2 7 18 0,04311 2
3 6 0,27075 1,61 12 11 0,10827 2 8 19 0,15159 1,61
3 6 0,27075 1,61 12 15 0,48125 1,1 28 3 0,07912 1,61
3 13 0,20223 1,61 12 22 0,10138 1,5 29 11 0,20187 1,02
3 13 0,20223 1,61 12 22 0,10138 1,5 30 29 0,30392 1
3 22 0,117 1,5 13 27 0,01391 1,61 31 16 0,4194 1,8
3 22 0,117 1,5 14 16 0,13 1,8 15 30 0,33009 2
3 27 0,20247 1,61 14 16 0,13 1,8 24 18 0,043 1,66
4 26 0,02683 2,05 14 19 0,219 1,5 5 6 0,16679 1,61
4 26 0,02683 2,05 14 19 0,219 1,5 6 25 0,05587 1,27
5 6 0,16679 1,61 15 17 0,49771 1 - - - -
 72

Tabla B3. Generación y demanda para el primer y segundos caso de estudio

Gen Load Gen Load
Área Barra Área Barra
MW MW MW MW
Callahuanca 1 240 300 Machupichu 17 186 80
Chavarría 2 0 900 Carhuamayo 18 325 0
Mantaro 3 1000 70 Paramonga 19 34 150
Santa Rosa 4 253 750 Ventanilla 20 492 200
Chilca 5 2300 150 Caraveli 21 0 0
Independencia 6 90 150 Cotaruse 22 0 120
Oroya 7 150 250 Marcona 23 0 400
Vizcarra 8 270 300 Paragsha 24 0 140
Zapallal 9 0 0 Ica 25 0 150
San Gabán 10 210 70 San Juan 26 0 1100
Montalvo 11 300 600 Pomacocha 27 0 0
Socabaya 12 770 500 Huayucachi 28 0 60
Pachachaca 13 200 0 Puno 29 0 70
Chimbote 14 380 350 Azangaro 30 0 50
Tintaya 15 130 150 Piura 31 600 350
Trujillo 16 180 700 - - - -
 73

Tabla B4. Listado de proyectos candidatos del primer caso de estudio

Limite Limite
i j X pu Km. Costo i j X pu Km. Costo
pu pu
1 2 0,04712 1,8 45,9 11 9 14 0,005 10 380 147
1 13 0,07336 1,8 72,6 17 9 19 0,1589 1,55 160 36
2 4 0,0087 1,61 8,46 3 9 20 0,019 1,78 18,02 6
2 20 0,01092 1,78 10,58 4 9 28 0,25218 1,61 244 56
3 6 0,27075 1,61 247,3 60 10 30 0,1586 1,7 160 37
3 13 0,20223 1,61 194,8 43 11 12 0,10827 2 106,7 25
3 21 0,01 10 400 83 11 21 0,05 10 380 63
3 22 0,117 1,5 294 68 11 29 0,20187 1,02 196,4 45
3 27 0,20247 1,61 192,2 44 12 15 0,1785 1,7 180 41
3 28 0,07912 1,61 76,6 17 12 22 0,10138 1,5 315 72
4 26 0,02683 2,05 26,37 6 13 27 0,01391 1,61 13,46 4
5 6 0,16679 1,61 164 38 14 16 0,0018 10 170 53
5 9 0,0012 10 94 52 14 19 0,219 1,5 221 48
5 23 0,00507 10 380 143 15 17 0,18842 1,7 190 42
5 26 0,0491 3,16 48,5 12 15 30 0,1685 1,7 170 38
6 25 0,05587 1,27 55,19 13 16 31 0,4194 1,8 216 47
7 13 0,02274 1,37 21,63 8 17 22 0,2023 1,8 204 35
7 18 0,04311 1,8 75,5 17 18 24 0,043 1,7 42,2 8
8 16 0,3 1,71 200 70 23 25 0,15692 1,26 155 37
8 19 0,15159 1,61 145,3 33 26 27 0,11358 1,61 112,2 26
8 24 0,12656 1,61 123,9 28 29 30 0,114 1,7 115 27
21 23 0,0028 10 220 87 - - - - - -
 74

Tabla B5. Listado de proyectos candidatos para el segundo caso de estudio

Limite Limite
i j X pu Km. Costo i j X pu Km. Costo
pu pu
1 2 0,00321 10 45,9 17,442 9 19 0,01117 10 160 60,8
1 13 0,00507 10 72,6 27,588 9 20 0,00126 10 18,02 6,8476
2 4 0,00059 10 8,46 3,2148 9 28 0,01704 10 244 92,72
2 20 0,00074 10 10,58 4,0204 10 30 0,01117 10 160 60,8
3 6 0,01727 10 247,3 93,974 11 12 0,00745 10 106,7 40,546
3 13 0,01360 10 194,8 74,024 11 21 0,05000 10 380 63
3 21 0,01000 10 400 83 11 29 0,01372 10 196,4 74,632
3 22 0,02053 10 294 111,72 12 15 0,01257 10 180 68,4
3 27 0,01342 10 192,2 73,036 12 22 0,02200 10 315 119,7
3 28 0,00535 10 76,6 29,108 13 27 0,00094 10 13,46 5,1148
4 26 0,00184 10 26,37 10,0206 14 16 0,00180 10 170 53
5 6 0,01145 10 164 62,32 14 19 0,01543 10 221 83,98
5 9 0,00120 10 94 52 15 17 0,01327 10 190 72,2
5 23 0,00507 10 380 143 15 30 0,01187 10 170 64,6
5 26 0,00339 10 48,5 18,43 16 31 0,01508 10 216 82,08
6 25 0,00385 10 55,19 20,9722 17 22 0,01425 10 204 77,52
7 13 0,00151 10 21,63 8,2194 18 24 0,00295 10 42,2 16,036
7 18 0,00527 10 75,5 28,69 23 25 0,01082 10 155 58,9
8 16 0,02095 10 300 114 26 27 0,00784 10 112,2 42,636
8 19 0,01015 10 145,3 55,214 29 30 0,00803 10 115 43,7
8 24 0,00865 10 123,9 47,082 21 23 0,00280 10 220 87
9 14 0,00500 10 380 147 - - - - - -
 75

Tabla B6. Generación y demanda del tercer caso de estudio

Gen Load
Área Barra Gen MW Load MW Área Barra
MW MW
Callahuanca 1 480 500 Paramonga 19 200 500
Chavarría 2 0 1800 Ventanilla 20 600 700
Mantaro 3 1800 200 Caraveli 21 0 0
Santa Rosa 4 700 1800 Cotaruse 22 0 200
Chilca 5 3000 300 Marcona 23 0 400
Independencia 6 200 300 Paragsha 24 0 400
Oroya 7 300 900 Ica 25 0 300
Vizcarra 8 300 800 San Juan 26 0 2500
Zapallal 9 0 0 Pomacocha 27 0 0
San Gabán 10 400 250 Huayucachi 28 0 100
Montalvo 11 700 1500 Puno 29 0 250
Socabaya 12 900 1500 Azangaro 30 0 120
Pachachaca 13 300 0 Piura 31 600 1200
Chimbote 14 600 800 Onocora 32 130 0
Tintaya 15 200 500 Manseriche 33 1600 0
Trujillo 16 800 2000 Inambari 34 1400 0
Machupichu 17 400 180 Urubamba 35 800 0
Sumabeni –
Carhuamayo 18 800 0 36 2800 0
Paquitzapango
 76

Tabla B7. Generación y demanda del cuarto caso de estudio

Gen Load
Área Barra Gen MW Load MW Área Barra
MW MW
Callahuanca 1 480 500 Paramonga 19 100 500
Chavarría 2 0 1800 Ventanilla 20 490 700
Mantaro 3 1800 200 Caraveli 21 0 0
Santa Rosa 4 700 1800 Cotaruse 22 0 200
Chilca 5 2950 300 Marcona 23 0 400
Independencia 6 200 300 Paragsha 24 0 400
Oroya 7 300 900 Ica 25 0 300
Vizcarra 8 300 800 San Juan 26 0 2500
Zapallal 9 0 0 Pomacocha 27 0 0
San Gabán 10 400 250 Huayucachi 28 0 100
Montalvo 11 700 1500 Puno 29 0 250
Socabaya 12 800 1500 Azangaro 30 0 120
Pachachaca 13 300 0 Piura 31 600 1200
Chimbote 14 600 800 Onocora 32 400 0
Tintaya 15 100 500 Manseriche 33 1600 0
Trujillo 16 700 2000 Inambari 34 1600 0
Machupichu 17 300 180 Urubamba 35 800 0
Sumabeni –
Carhuamayo 18 800 0 36 3000 0
Paquitzapango
 77

Tabla B8. Listado de proyectos candidatos para el tercer y cuarto caso de estudio
Limite Limite
i j X pu Km. Costo i j X pu Km. Costo
pu pu
1 2 0,00321 10 45,9 17,442 11 12 0,00745 10 106,7 40,546
1 13 0,00507 10 72,6 27,588 11 21 0,05000 10 380 63
2 4 0,00059 10 8,46 3,2148 11 29 0,01372 10 196,4 74,632
2 20 0,00074 10 10,58 4,0204 12 15 0,01257 10 180 68,4
3 6 0,01727 10 247,3 93,974 12 22 0,02200 10 315 119,7
3 13 0,01360 10 194,8 74,024 13 27 0,00094 10 13,46 5,1148
3 21 0,01000 10 400 83 14 16 0,00180 10 170 53
3 22 0,02053 10 294 111,72 14 19 0,01543 10 221 83,98
3 27 0,01342 10 192,2 73,036 15 17 0,01327 10 190 72,2
3 28 0,00535 10 76,6 29,108 15 30 0,01187 10 170 64,6
4 26 0,00184 10 26,37 10,0206 16 31 0,01508 10 216 82,08
5 6 0,01145 10 164 62,32 17 22 0,01425 10 204 77,52
5 9 0,00120 10 94 52 18 24 0,00295 10 42,2 16,036
5 23 0,00507 10 380 143 23 25 0,01082 10 155 58,9
5 26 0,00339 10 48,5 18,43 26 27 0,00784 10 112,2 42,636
6 25 0,00385 10 55,19 20,9722 29 30 0,00803 10 115 43,7
7 13 0,00151 10 21,63 8,2194 21 23 0,00280 10 220 87
7 18 0,00527 10 75,5 28,69 17 32 0,00366 10 187 71
8 16 0,02095 10 300 114 15 32 0,02030 10 104 40
8 19 0,01015 10 145,3 55,214 10 32 0,02352 10 120 46
8 24 0,00865 10 123,9 47,082 31 33 0,00581 10 450 171
9 14 0,00500 10 380 147 3 34 0,00581 10 450 171
9 19 0,01117 10 160 60,8 21 34 0,00561 10 415 158
9 20 0,00126 10 18,02 6,8476 34 35 0,00338 10 250 95
9 28 0,01704 10 244 92,72 35 36 0,00230 10 170 65
10 30 0,01117 10 160 60,8 3 36 0,00230 10 170 65
 BIBLIOGRAFÍA

[1] R.R Austria, B. P. Lam, F. S. Prabhakara, “Advanced Transmission Planning

Course Using Modern Analytical Tools”, Power Technologies Inc., 1996.

[2] PSR,” Long Term Transmission Planning Expansion Evaluation Tools”

[3] Red Eléctrica de España, “A new flexible Transmission Planning Methodology for
Liberalised Electricity Markets: Models and Implementation within the Spanish
Power System”.

[4] MMA, “Capacity expansion planning for the New Zealand electricity market”.
Report to TRANSPOWER, Octubre 2007.

[5] Rubén Romero, “Planejamento a Longo Prazo de Sistemas de Transmissão”, DEE –

FEIS – UNESP.

[6] Kwang Y. Lee and Mohamed A. El-Sharkawi, “Modern heuristic optimization

techniques theory and applications to power systems”, IEEE press 2008.

[7] Javier García de Jalon, José Ignacio Rodríguez, Jesús Vidal, “Aprenda Matlab 7.0
como si estuviese en primero”, Universidad Politécnica de Madrid, 2005.

[8] MINEM Dirección general de electricidad, “Plan referencial de electricidad 2008-

2017”

[9] CIGRE, “Network planning under a deregulated environment Apendix 2”, 2002.

[10] OSINERGMIN - GART, “Proyecto de propuesta al ministerio de energía y minas de

la norma: criterios y metodología para la elaboración del plan de transmisión”,
Diciembre 2007.

[11] Roy Billington, “Tutorial Course: Reliability Assessment in the New Electric Power
Utility Enviroment”, IEEE – ADESCON99, 1999.

[12] M. Oloomi Buygi, H. M. Shanechi, G. Balzer, and M. Shahidehpour, “Transmission

Planning Approaches in Restructured Power Systems”, IEEE transactions 2003.

[13] Enrique Crousillat, Hyde Merrill, “The Trade-off/Risk Method: A Strategic

Approach to Power Planning”, The Wolrd Bank, 1992.
 79

[14] Allen J. Wood, Bruce F. Wollenberg, “Power Generation Operation and Control
Second Edition”, John Wiley and Sons.

[15] Prahba Kundur, “Power System Stability and Control”, McGraw Hill, 1993.

[16] Antonio Conejo, Enrique Catillo, Pablo Pedregal, Ricardo García, Natalia Alguacil,
“Formulación y Resolución de Modelos de Programación Matemática en Ingeniería
y Ciencia”, Universidad de Castilla – La Mancha, 2002.

[17] Alcir José Monticelli, « Fluxo de carga em redes de energia eléctrica, capitulo II:
Fluxo de carga linearizado”, CEPEL, 1983.

[18] Marcos Rider, “Planejamento da Expansão de Sistemas de Transmissão Usando os

Modelos CC – CA e Técnicas de Programação Não – Linear, Tese de Doutorado”,
UNICAMP, 2006.

[19] Gerardo Latorre, Rubén Darío Cruz, Jorge Mauricio Areiza, Andrés Villegas,
“Classification of publications and models on transmission expansion planning”,
IEEE Transactions 2003.

[20] Villasana, R. Garver, L. Salon, Rensselaer Polytechnic Institute, “Transmission

Network Planning Using Linear Programming”, IEEE Transactions, Feb. 1985.

[21] Antonio Conejo, “Curso Internacional Modelos para la explotación óptima de

generación en un entorno competitivo, Capitulo I: Descomposición de Benders”,
COES - SUR, 1999.

[22] Edson Luiz da Silva, Jorge Mauricio Areiza Ortiz, Gerson Couto de Oliveira, and
Silvio Binato, “Transmission Network Expansion Planning Under a Tabu Search
Approach”, IEEE Transactions on Power Systems. Vol 6 Feb 2001.

[23] Daniel Kirchen, Goran Strbac, “Fundamentals of Power System Economics”, John
Wiley and Sons, 2004.

[24] I.G. Sánchez, R. Romero, J.R.S. Mantovani, A. Garcia b “Interior point algorithm
for linear programming used in transmission network synthesis”, Electric Power
Systems Research 76 (2005) 9–16.

[25] R.Romero, C Rocha, M. Mantovani, JRS Mantovani, “Evaluation of Hybrid Models

for Static and Multistage Transmission System Planning”, 106 Revista Controle &
Automação/Vol.18 no.1/Janeiro, Fevereiro e Março 2007.

[26] R.Romero, C Rocha, M. Mantovani, JRS Mantovani, “Analysis of heuristic

algorithms for the transportation model in static and multistage planning in network
expansion systems”, IEE Proc.-Gener. Transm. Distrib., Vol. 150, September 2003.

[27] Luis A. Gallego, Rubén Romero, Antonio Escobar, “Planeamiento De La Expansión

De Sistemas De Transmisión De Energía Eléctrica Considerando Contingencias”,
FEIS – UNESP.
 80

[28] Dirección de gestión de la red - ISA, Gerencia de operación - REP, “Plan de

Expansión del Sistema de Transmisión de REP”, REP, 2006.

[29] L.A.F. Manso, L.C. Resende, C.E. Sacramento, “Planejamento da expansão da

transmissão sob incertezas internas e externas”, XX snptee seminário nacional de
produção e transmissão de energia elétrica 2009.