PROYECTO DEL TRABAJO DE INICIACIÓN A LA INVESTIGACIÓN Pablo Martín Muñoz Tutor: Alejandro Sierra Propuesta de tribunal Alejandro Sierra Urrecho Manuel Alfonseca Luis Fernando Lago Título Aplicación de los algoritmos evolutivos a la planificación de la red de transporte de energía eléctrica. Análisis previo. Introducción La planificación de la red de transporte de energía eléctrica consiste en la definición y priorización de un conjunto de actuaciones futuras que abarcan: - Construcción de nuevas subestaciones, líneas y transformadores. - Repotenciación (aumento de capacidad de transporte) de líneas. - Instalación de elementos de compensación de reactiva (condensadores y reactancias) para control de tensiones. - Selección de configuraciones de subestaciones futuras y existentes, para garantizar que no se superan los valores máximos admisibles de corrientes de cortocircuito en los nudos de la red. En el caso concreto de España, la planificación está regulada en el título II del Real Decreto 1955/2000, considerando entre sus objetivos el mantenimiento de un adecuado nivel de conexión entre producción y demanda, así como garantizar la seguridad y calidad del suministro eléctrico al menor coste posible para los consumidores, todo ello de manera compatible con el respeto al medio ambiente. El proceso de la planificación de la red de transporte está sujeto a numerosas incertidumbres, relacionadas con la generación, la demanda, la incorporación al sistema de las instalaciones de transporte, retrasos en la obtención de licencias y permisos, restricciones medioambientales, aspectos sociales y políticos que promueven cambios regulatorios, cambios en la percepción de las instalaciones y el sistema eléctrico y las oposiciones locales o regionales a la construcción de nuevos elementos de la red. Además, por su cada vez mayor relación con la electricidad, en la planificación de la red de transporte deben considerarse las incertidumbres relacionadas con las infraestructuras gasistas así como la disponibilidad de gas para la generación de los ciclos combinados en las horas punta. Para planificar la red de transporte se han de abordar las siguientes etapas: - Adopción de una metodología y criterios de planificación. - Desarrollo de herramientas y algoritmos de planificación que cumplan con los criterios establecidos. - Aplicación de la metodología adoptada y obtención de resultados. Desde un punto de vista práctico, para poder contemplar las diferentes fuentes de incertidumbre es conveniente el empleo de modelos multiescenario, en los que se construyen multitud de escenarios resultados de la combinatoria de las variables que originan la incertidumbre, que posteriormente se evalúan para seleccionar los más adecuados. En este entorno multiescenario se seleccionarán aquellas alternativas de red de transporte que cumplan adecuadamente con un conjunto de requisitos (mínimos costes y pérdidas, máxima seguridad y fiabilidad) mediante la utilización algoritmos evolutivos. El gran tamaño del espacio de soluciones posibles unido a la complejidad de la evaluación de cada una de ellas, hace que el proceso de selección de escenarios óptimos sea inabordable con búsquedas exhaustivas clásicas. Por otro lado, la implementación de procesos automáticos que ayuden a mejorar las soluciones finales de forma iterativa, y que faciliten la selección no de una única alternativa óptima, sino de un conjunto de ellas que satisfagan razonablemente los diferentes requisitos (a menudo contrapuestos), supondría una inestimable ayuda para los planificadores de la red. Se señalan a continuación algunas de las ventajas de los algoritmos evolutivos [13]: -Se trata de algoritmos que trabajan con una población de soluciones, en lugar de con una única solución que se mejora paulatinamente. Esta característica puede resultar muy ventajosa cuando se necesitan soluciones alternativas a un mismo problema. -Tienen muy buen rendimiento cuando trabajan con escenarios complejos, que varían con el tiempo. -Son eficaces a la hora de evitar los óptimos locales. -Son adecuados para tratar problemas multi objetivo. -Flexibilidad: pueden ser aplicados a cualquier tipo de problema siempre y cuando se modele y adapte adecuadamente el problema a la estructura general del algoritmo evolutivo. Estado del arte La aplicación de los algoritmos genéticos a la solución de problemas relacionados con la planificación de sistemas de potencia comenzó a principios de los años 80, aunque hasta la década de los 90 no se han obtenido resultados satisfactorios con problemas de cierta complejidad [1]. Como dato indicativo, entre 1990 y 1999 se publicaron en la revista IEEE PES Transactions un total de 68 artículos relacionados con heurísticas modernas aplicadas a problemas de planificación, lo que da una idea del interés científico que existe en la actualidad por este asunto. Las áreas en las que más se ha trabajado han sido las siguientes: -Operación y planificación de las redes de distribución. -Planificación de las redes de transporte. -Planificación de la gestión de la energía reactiva. -Programación y planificación y de la generación. -Despacho económico. -Previsión de demanda. En una búsqueda en la misma revista del IEEE entre los años 2000 y 2006 se han encontrado un total de 11 artículos muy relacionados con la aplicación de algoritmos evolutivos en problemas de planificación de sistemas de potencia, que se citan en el apartado de bibliografía [2] – [12]. Objetivo El objetivo principal de este Trabajo de Iniciación a la Investigación es la preparación y adaptación del esquema general de un algoritmo evolutivo, para que pueda ser empleado en diversos problemas reales de planificación de la red de transporte de energía eléctrica. Metodología La aplicación de los algoritmos evolutivos al problema de la planificación de la red de transporte de energía requiere de un análisis y conocimiento previo detallado para conseguir una buena implementación y para evitar en la medida de lo posible algunos inconvenientes como los siguientes: -Su funcionamiento depende en gran medida de la representación o codificación de las soluciones candidatas del problema a resolver. -Existe una fuerte influencia de la función de evaluación elegida, así como del resto de parámetros del algoritmo. -Convergencia prematura, especialmente con poblaciones pequeñas. Como resultado de este análisis previo se pretende definir los elementos que constituyen el algoritmo evolutivo, tal y como se ha citado en los objetivos: -Representación de los individuos. -Definición de funciones: función de evaluación (Fitness), selección de progenitores, recombinación, mutación, selección de supervivientes. -Definición de la condición de parada del algoritmo. Bibliografía [1] Koichi Nara, ‘State of the Arts of the Modern Heuristics Application to Power Systems’, 07803-5935-6/00/$10.00 © 2000 IEEE. [2] Xiuli Wang, Xi fan Wang, Yubin Mao, ‘Improved genetic algorithm for optimal multistage transmission system planning’, 0-7803-7173-9/01/$10.00 © 2001 IEEE. [3] Patricia Teixeira Leite, ‘Energetic Operation Planning Using Genetic Algorithms’, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 17, NO. 1, FEBRUARY 2002 [4] M . SkokD, ‘Genetic algorithm and gis enhanced long term planning of large link structured distribution systems’, Proceedings of the 2002 Large Engineering Systems Conference on Power Engineering, 02002 IEEE, 0-7803-7520-3 [5] J D Pilgrim, ‘Genetic algorithms for optimal reactive power compensation on the national grid system’, 0-7803-7519-X/02/$17.00 © 2002 IEEE [6] Zang Ruhiua , ‘Optimal reliability of composite power systems using genetic algorithms’, 2002 [7] S. Kato, ‘Study of daily peak load forecasting by structured representation on genetic algorithms or function fitting’, 2002 [8] Ioannis G. Damousis, ‘Network-constrained economic dispatch using real-coded genetic algorithm’, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 18, NO. 1, FEBRUARY 2003 [9] Patricia Teixeira Leite, ‘Genetic Operators Setting for the Operation Planning of Hydrothermal Systems’, Proceedings of the VII Brazilian Symposium on Neural Networks (SBRN’02)0-7695-1709-9/02 $17.00 © 2002 IEEE [10] A. Pahwa, ‘Intelligent computational methods for power systems optimization problems’, 0-7803-7989-6/03/$17.O O 02003 IEEE [11] G. Celli, ‘A multi-objective formulation for the optimal sizing and siting of embedded generation in distribution networks’, 2003 IEEE Bologna PowerTech Conference, June 23-26, Bologna, Italy [12] Gianpietro Granelli, ‘A genetic algorithm-based procedure to optimize system topology against parallel flows’, IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 21, NO. 1, FEBRUARY 2006 [13] David Fogel, ‘Evolutionary computation: toward a new philosophy of machine intelligence’, John Wiley & Son, 2006.