Implementación de co-simulación de un sistema de distribución de MT/BT en plataforma de simulación en tiempo real

(1)

Presentado a

LA UNIVERSIDAD DE LOS ANDES

FACULTAD DE INGENIER´

IA

DEPARTAMENTO DE INGENIER´

IA EL´

ECTRICA Y ELECTR ´

ONICA

Para obtener el t´ıtulo de

INGENIERO ELECTR ´

ONICO

por

Diego Fernando G´

omez Saza

IMPLEMENTACI ´

ON DE CO-SIMULACI ´

ON DE UN SISTEMA DE

DISTRIBUCI ´

ON DE MT/BT EN PLATAFORMA DE SIMULACI ´

ON

EN TIEMPO REAL

Sustentado el 04 de Enero de 2016 frente al jurado:

Composici´

on del jurado

- Asesor: Gustavo Andr´es Ramos L´opez PhD, Profesor Asociado, Universidad de Los Andes - Jurados : Mario Alberto R´ıos Mes´ıas PhD, Profesor Titular , Universidad de Los Andes

(2)

Agradecimientos

Agradezco, en primer lugar a la Universidad de los Andes con todos y cada uno de sus miembros y, más concretamente, a Gustavo Andrés Ramos López por la oportunidad ofrecida de realizar un proyecto acorde a la propuesta establecida y en función de los avances y estudios en torno a la automatización de sistema de distribución.

En segundo lugar, agradezco a mi familia y amigos por el apoyo brindado en el transcurso de mis estudios de pregrado en los programas de ingenier´ıa el´ectrica e ingenier´ıa electr´onica.

(3)

Tabla de contenido

1 Introducci´on 1

1.1 Descripción de la problemática y justificación del trabajo . . . 1

1.2 Alcance y productos finales . . . 2

1.3 Objetivos . . . 3

1.3.1 Objetivo General . . . 3

1.3.2 Objetivos Espec´ıficos . . . 3

2 Marco teórico, conceptual e histórico 4 2.1 Marco Teórico . . . 4

2.1.1 Algoritmos Gen´eticos . . . 6

2.1.2 Procesos Evolutivos . . . 8

2.1.3 Teor´ıa de Grafos . . . 10

2.2 Marco Conceptual . . . 11

2.3 Marco Hist´orico . . . 13

3 Definición y especificación del trabajo 15 3.1 Definición . . . 15

3.2 Especificaciones . . . 15

4 Metodolog´ıa del trabajo 17 4.1 Plan de trabajo . . . 17

4.2 B´usqueda de informaci´on . . . 17

4.3 Alternativas de desarrollo . . . 18

5 Trabajo realizado 20 5.1 Descripci´on del Resultado Final . . . 26

5.2 Trabajo computacional . . . 26

6 Validaci´on del trabajo 28 6.1 Metodolog´ıa de prueba . . . 28

6.2 Validaci´on de los resultados del trabajo . . . 28

6.3 Evaluaci´on del plan de trabajo . . . 30

7 Discusi´on 33 8 Conclusiones y trabajos futuros 34 8.1 Conclusiones . . . 34

8.2 Trabajo Futuros . . . 35

Referencias 35

(4)

A Resumen Ejecutivo 38

(5)

´

_{Indice de figuras}

2.1 Dispositivo de simulaci´on de tiempo real CompactRIO . . . 5

2.2 Arquitectura hardware de la CompactRIO . . . 5

2.3 Ejemplo de selecci´onRoulette wheel . . . 7

2.4 Diagrama de flujo de la programaci´on gen´etica [5] . . . 8

2.5 Ejemplo de grafo G . . . 10

2.6 Esquema de sistema de distribuci´on [12] . . . 11

2.7 Estructura y funciones de la automatizaci´on de sistemas de distribuci´on [13] . . . 13

5.1 Sistema de distribuci´on de energ´ıa IEEE 123 nodos . . . 21

5.2 Sistema de distribuci´on de energ´ıa IEEE 123 nodos con generadores distribuidos . . . . 23

5.3 Diagrama de flujo de algoritmo genético de recombinación aleatoria + evolución difer-encial con múltiples vectores objetivos . . . 24

5.4 Divisi´on de tareas en los programas LabVIEW y DSSimPC para el centro de control . . 24

5.5 M´aquina de estados y control de la comunicaci´on de las dos CompactRIO . . . 25

6.1 Interfaz gr´afica del centro de control para el escenario de validaci´on . . . 30

6.2 Interfaz gr´afica del sistema de potencia para el escenario de validaci´on . . . 31

6.3 Configuración óptima del sistema para la condición de parada de 200COP . . . 32

A.1 M´aquina de estados y control de la comunicaci´on de las dos CompactRIO . . . 40

(6)

´

_{Indice de tablas}

1.1 Algoritmos de optimizaci´on . . . 2

2.1 Informaci´on de un sistema de distribuci´on [12] . . . 12

4.1 Cronograma de trabajo . . . 18

5.1 Nodos con menor regulaci´on de voltaje . . . 22

5.2 Funciones de los estados presentados en la figura (5.5) . . . 25

A.1 Resultados del desempe˜no de los algoritmos de optimizaci´on . . . 39

(7)

Cap´ıtulo 1

Introducci´

on

El estudio de la simulación de sistemas de distribución en tiempo real ha atra´ıdo la atención sobre las plataformas de procesamiento necesarias para garantizar una simulación con gran velocidad y efi-ciencia. Estas plataformas deben garantizar la convergencia de la simulación en un corto intervalo de tiempo. La principal caracter´ıstica de este tipo de dispositivos es que tengan la capacidad de operar de manera combinacional para ejecutar todos los bloques del sistema al mismo tiempo. De esta manera, implementar este tipo de simulaciones sobre FPGA ser´ıa de gran utilidad para optimizar el tiempo de simulación.

La importancia de realizar simulaciones en tiempo real sobre este tipo de dispositivos es la capacidad de simular escenarios de operación de sistemas de potencia de gran tamaño y observar como var´ıa el comportamiento de este tipo de sistemas ante posibles cambios en la configuración de los elementos que componen la red. Tener la facilidad de simular estos sistemas permite detectar problemas sobre el sistema f´ısico, optimizar sus parámetros y hacer cambios de dispositivos sin modificar y/o interrumpir la operación de la red real.

Además, este tipo de elementos permite impulsar la unión de los algoritmos de control sobre redes de distribución a tal punto de reconfigurar un sistema y optimizar diferentes parámetros de la red. Esta aplicación también permite impulsar la implementación de sistemas haciendo uso dehardware in the loop (HITL). Este concepto da una aproximación sobre la unión de simulaciones de sistemas en conjunto con dispositivos reales para observar la operación de estos elementos de manera directa.

1.1 Descripci´

on de la problem´

atica y justificaci´

on del trabajo

En la operación óptima de los sistemas de potencia, se debe determinar la configuración más eficiente de los equipos para buscar el escenario que garantice pérdidas m´ınimas de potencia. Para realizar la búsqueda de este escenario, se deben evaluar diferentes configuraciones de la red, alternativas de conexión y variación de parámetros de los elementos. Sin embargo, no es posible evaluar estos escenar-ios en el sistema real. De esta manera, se requiere de un medio de simulación en donde se determine el escenario apropiado de operación del sistema. Este medio de simulación debe estar en la capacidad de evaluar una gran cantidad de escenarios, encontrar el escenario de operación deseado y aplicarlo al sistema de distribución en un tiempo apropiado.

Este medio de simulación se debe desarrollar sobre un equipo de simulación en tiempo real. El concepto de tiempo real consiste en la ejecución de hilos de tareas de una manera más rápida y determin´ıstica que la simulación convencional en medios de cómputo. Esta simulación se desarrolla en hardware sobre arquitecturas basadas en FPGA. La solución consiste en una simulación en tiempo real de un algoritmo

(8)

de optimización de múltiples objetivos con un sistema de distribución. Las dos partes se simulan en plataformas hardware diferentes para realizar una simulación más real.

Actualmente, se desarrollan diferentes plataformas hardware para realizar simulaciones de sistemas de potencia en tiempo real. El objetivo de estas investigaciones se centra en el desarrollo de plataformas de simulación de bajo costo en comparación con los equipos empleados normalmente en la industria para realizar esta tarea. Los desarrollos se centran en tarjetas y equipos con la capacidad de realizar simulaciones en hardware, permitiendo que la variación en los tiempos de simulación de iteraciones del mismo ciclo sea aproximadamente nula.

Dentro del problema de optimización, la automatización de los sistemas de distribución se desarrolla a partir de un objetivo de operación deseado de los sistemas de potencia. Esta automatización se centra en metodolog´ıas evolutivas tales como algoritmos genéticos, procesos evolutivos y técnicas basadas en teor´ıa de grafos. La automatización se realiza para mejorar la eficiencia de operación de la red de distribución. El controlador debe encargarse de realizar la evaluación de los diferentes escenarios de operación y encontrar un óptimo en base a una metodolog´ıa implementada para encontrar los escenarios de prueba.

1.2 Alcance y productos finales

El alcance esperado del proyecto consiste en la simulación de un algoritmo de optimización de múltiples objetivos en un dispositivo con la capacidad de realizar simulaciones en tiempo real en conjunto con la simulación de un sistema de distribución en un sistema operativo embebido en un segundo dispositivo. El producto final entregado como resultado del proyecto consiste en un controlador remoto de un sis-tema de distribución en tiempo real, desarrollando un esquema de comunicación de dos dispositivos, en uno se realiza la implementación de un algoritmo de optimización de múltiples objetivos y en el otro la simulación de un sistema de distribución.

El algoritmo de control implementado en tiempo real consiste en una combinación entre un algoritmo genético de recombinación aleatoria y una evolución diferencial con múltiples vectores objetivos. Se realizó la implementación de este algoritmo en base a una comparación entre diferentes técnicas de optimización evolutivas presentadas en la tabla (1.1). Se obtuvo que es el más eficiente en relación al tiempo de convergencia en diferentes escenarios de validación.

Tabla 1.1: Algoritmos de optimizaci´on

T´ecnica M´etodo

Recombinaci´on Aleatoria Algoritmo Gen´etico

Evoluci´on Diferencial con m´ultiples vectores objetivos Proceso Evolutivo

Evoluci´on Diferencial con ´unico vector objetivo Proceso Evolutivo

Recombinación aleatoria Combinación de Algoritmo Genético

+ Evoluci´on diferencial con ´unico vector objetivo y Proceso Evolutivo

Los objetivos de optimización del algoritmo corresponden a los costos de las pérdidas totales del sis-tema y del nivel de despacho de diferentes generadores distribuidos en la red. El sissis-tema seleccionado para realizar las pruebas y validación del proyecto corresponde al sistema IEEE 123 nodos.

(9)

La plataforma de simulación en tiempo real corresponde a dispositivos CompactRIO desarrollados por la empresa National Instruments. Estos dispositivos tienen la capacidad de ejecutar este tipo de simulaciones gracias a los sistemas operativos embebidos que contiene y a su arquitectura basada en FPGA. La comunicación de los dos dispositivos se realiza a partir del protocolo de comunicación TCP/IP, haciendo uso de una red local de internet. La simulación del sistema de distribución se debe realizar en conjunto con un programa capaz de dar órdenes al sistema, recibir la información del algoritmo, medir las variables del sistema y enviar esta información al equipo en donde se está ejecutando la optimización.

1.3 Objetivos

1.3.1 Objetivo General

Enlazar dos plataformas de procesamiento para realizar una simulación en tiempo real de un sistema de distribución. En una de las plataformas se debe realizar la simulación de la red, mientras en el segundo dispositivo se desarrollará un algoritmo para medir, monitorear y reconfigurar los parámetros de la red.

1.3.2 Objetivos Espec´ıficos

• Enlazar dos CompactRIO y realizar la comunicaci´on entre el algoritmo de control y el sistema de distribuci´on.

• Implementar la simulaci´on sobre un sistema de 123 nodos sobre la plataforma CompactRIO.

• Enlazar el algoritmo de control ya creado con el sistema de distribuci´on a partir de funciones y m´etodos que llamen al algoritmo por medio de un protocolo de comunicaciones.

(10)

Cap´ıtulo 2

Marco te´

orico, conceptual e

hist´

orico

2.1 Marco Te´

orico

La simulación en tiempo real consiste en la ejecución de ciclos de tareas con una variación de tiempo entre cada iteración aproximadamente nula. De esta manera, la simulación se realizará de una manera más determin´ıstica y con una mayor velocidad. La velocidad se encuentra asociada a la arquitectura que define el hardware del dispositivo. Una simulación en tiempo real se realizará con mayor velocidad que una simulación convencional debido a que la primera se realiza sobre hardware y la segunda sobre software.

Existen una gran variedad de dispositivos con la capacidad de realizar simulaciones en tiempo real. Entre ellos se encuentran los equipos de la familia Rio desarrollados por la empresa National Instru-ments. Dentro de esta familia, aquel que posee de mejores recursos para realizar una simulación más eficiente y práctica es la CompactRIO.

La CompactRIO es un controlador programable que tiene incorporado un módulo de simulación de tiempo real al contar dentro de su arquitectura con bloques de programación sobre una FPGA. Este dispositivo cuenta con los sistemas operativos de Windows y LabVIEW Real Time embebidos. El lenguaje de programación base corresponde al desarrollado por la misma empresa: lenguaje G. Este lenguaje se compila en el programa LabVIEW que viene instalado dentro de la CompactRIO, al igual que los módulos FPGA y los controladores para emplear las tarjetas de salidas y entradas análogas y digitales. Para implementar y utilizar la FPGA, se debe compilar el código en Xilinx u otro compilador de VHDL o Verilog disponible.

En la figura (2.1) se puede identificar el chasis de un dispositivo CompactRIO. Cuenta con un proce-sador de doble núcleo, un módulo de expansión con la capacidad de conectar 8 tarjetas de entradas y salidas análogas y digitales y una tarjeta Spartan-6 LX150 FPGA. El procesador de doble núcleo corre sistemas operativos en tiempo real y la tarjeta Spartan es la encargada de ejecutar los códigos desarrollados en LabVIEW sobre la FPGA, una vez se realiza la compilación del código en lenguaje VHDL o Verilog.

La arquitectura de simulación en tiempo real de la CompactRIO se puede observar con más detalle en la figura (2.2). En una primera etapa se cuenta con un sistema operativo simulado en tiempo real sobre el procesador del equipo. La comunicación de sistema operativo con la FPGA se realiza a través de un bus de alta velocidad. La FPGA tiene la posbilidad de interactuar con las tarjetas que se conectan

(11)

Figura 2.1: Dispositivo de simulaci´on de tiempo real CompactRIO

en el módulo de expansión de la CompactRIO haciendo uso de conversores y filtros de las señales de entrada. Finalmente, a las tarjetas se conectan sensores y actuadores dependiendo de la aplicación deseada.

Figura 2.2: Arquitectura hardware de la CompactRIO

En relación a las técnicas de control de sistemas de potencia, la automatización de los sistemas de distribución consiste en la programación de los elementos que componen la red para actuar de una manera determinada en un escenario de operación del sistema. Este tipo de automatización permite optimizar factores de la red en benefició del distribuidor, comercializador y consumidor de energ´ıa. Dentro de los objetivos que se desean optimizar en este tipo de aplicaciones se encuentran las pérdidas de potencia de los elementos del sistema, la cargabilidad de los dispositivos, el despacho de los gener-adores distribuidos y el consumo de energ´ıa reactiva. Esta optimización se realiza teniendo en cuenta restricciones tales como la regulación de voltaje en los nodos del sistema, el l´ımite de cargabilidad de los dispositivos en escenarios de operación normal y la equivalencia entre la potencia inyectada a la red y la suma de la potencia consumida y las pérdidas de la red. Además, en este tipo de trabajos se desea au-mentar la confiabilidad de la red al optimizar los indicadores de energ´ıa no suministrada a los usuarios.

(12)

La investigación en microrredes ha impulsado los desarrollos en técnicas de control de los sistemas de distribución. El objetivo de estas investigaciones consiste en automatizar dispositivos de protección, la sincronización de sistemas aislados en frecuencia y fase y la operación de los sistemas en modo isla al integrar generadores distribuidos con sistemas de almacenamiento de energ´ıa. Uno de los temas de in-vestigación consiste en la modificación de los parámetros de dispositivos y generadores, para optimizar las pérdidas de potencia del sistema y encontrar el despacho óptimo satisfaciendo las restricciones de voltajes y cargabilidad.

La evaluación del desempeño de los algoritmos de optimización se desarrolla a partir de la convergen-cia del algoritmo y la velocidad con la cual se acerca a un valor óptimo. Además, la capacidad del algoritmo de sobrepasar óptimos locales y de aprender del comportamiento del sistema, permite que la técnica de optimización sea mucho más efectiva en la implementación.

Dentro de los métodos que se utilizan para dar solución a problemas de optimización aplicados a redes de distribución de energ´ıa, se encuentran los algoritmos genéticos, los procesos evolutivos y las técnicas en base a teor´ıa de grafos.

2.1.1 Algoritmos Gen´

eticos

Los algoritmos genéticos son técnicas y procedimientos que simulan la evolución biológica. En palabras de Goldberg, “es un algoritmo de búsqueda adaptativo basado en la mecánica de la selección natural y de la genética natural. Los componentes principales de los algoritmos genéticos son la supervivencia del más apto y la variación de la información, se combinan en estructuras de secuencias aleatorias para construir un algoritmo de búsqueda comparable a algoritmos humanos” [6]. Las aplicaciones principales de los algoritmos genéticos son enmachine learning y en optimización. Es una alternativa de solución a los métodos heur´ısticos de búsqueda [6].

De manera general, los algoritmos genéticos son métodos adaptativos, usualmente empleados en prob-lemas de búsqueda y optimización de diferentes criterios y parámetros. Se basan en la reproducción sexual y en el principio de supervivencia del más apto [5]. La estructura de la solución y planteamiento del algoritmo consiste en una población inicial y aleatoria de individuos, cada uno de los individuos representa una posible solución del problema. Se realiza una evolución de los individuos partiendo de las teor´ıas de la selección natural de Darwin, y se adaptan a las condiciones y restricciones que se necesitan dentro de la solución para cada generación [5].

Los algoritmos genéticos son un componente fundamental de la computación evolutiva. Hacen parte integral del estudio de las bases y aplicaciones de diferentes técnicas heur´ısticas que se basan en el principio de la evolución natural. En conjunto, los algoritmos genéticos, las estrategias de evolución y la programación evolutiva componen la computación evolutiva [5].

En sus or´ıgenes, John Holland, en la década de los 60, desarrolló un método que imitaba en su fun-cionamiento a la selección natural. El método consistió en la creación de una población de soluciones definidas de forma similar a cromosomas. A cada cromosoma se le asocia un valor de ajuste,fitness, que define su validez como solución del problema. Además, el valor defitness de un cromosoma define la viabilidad de reproducción de ese individuo en la siguiente generación. Finalmente, bajo cierta probabilidad se le aplicarán mutaciones a cromosomas independientemente del valor de ajuste [5].

En base al algoritmo descrito anteriormente, se presenta a continuación los pasos de ejecución del proceso evolutivo definido por Holland en su definición inicial de algoritmo genético [11].

(13)

1. Inicializaci´on de poblaci´on deµindividuos aleatorios.

2. Asignaci´on defitness a cada individuo.

3. Selección deµ/2 pares de padres de la población actual para crear una nueva población.

4. Con una probabilidadPc, los hijos son formados a partir de un cruzamiento entre losµ/2 pares

de padres. Los hijos reemplazan a los padres en la nueva poblaci´on.

5. Con una probabilidadPm, se genera una mutaci´on en la nueva poblaci´on.

6. La nueva poblaci´on se define como la poblaci´on actual.

7. Si se satisface la condici´on de parada se detiene la ejecuci´on del algoritmo, de lo contrario siga al paso 3.

La selección de losµ/2 pares de padres, se realiza a partir del método de selecciónRoulette wheel. El método consiste en la partición de la ruleta en un número determinado de posibilidades, donde esta se dividirá en un conjunto de µ zonas definidas en un tamaño proporcional al fitness del individuo. Entre mayor sea elfitness de un individuo, mayor será la posibilidad de seleccionarlo como padre de la siguiente generación, siguiendo el principio de la supervivencia del más apto [11]. En la figura (2.3), se presenta un ejemplo simple del método de selección para una población 4 individuos.

Figura 2.3: Ejemplo de selecci´onRoulette wheel

Como se observa en la figura (2.3), la probabilidad de selección de cada individuo es proporcional al valor de ajuste y la posibilidad de escoger al mejor individuo de la población como padre de la siguiente generación es mayor. El proceso de cruce se desarrolla combinando la información de los padres en una generación de múltiples hijos.

En términos de implementación, la programación genética hace referencia al desarrollo de programas y funciones basados en algoritmos genéticos. La estructura de estos programas es explicada en el diagrama de flujo de la figura (2.4), en donde se identifica el proceso heur´ıstico que se emplea como solución de múltiples problemas [5].

En relación a la aplicación de los algoritmos genéticos en sistemas de ingenier´ıa, en [14], se describe el impacto del uso de esta técnica como soluciones prácticas y robustas. Como método de búsqueda, puede desarrollarse sobre escenarios complejos en donde otras técnicas no convergen. La ventaja de este algoritmo radica en un costo computacional bajo en el momento de la implementación. Esta caracter´ıstica de los algoritmos genéticos ha llevado a una amplia investigación y análisis del método heur´ıstico aplicado a diferentes problemas de ingenier´ıa.

(14)

Figura 2.4: Diagrama de flujo de la programaci´on gen´etica [5]

2.1.2 Procesos Evolutivos

Se definen como estrategias evolutivas aquellos procesos que se basan en la variaci´on de los compo-nentes de individuos de una poblaci´on para optimizar un objetivo. Existen varios procesos evolutivos que se adecuan y se implementan de acuerdo al problema que se desea solucionar [11].

La estrategia evolutiva desarrollada inicialmente por Ingo Rechenberg y Hans-Paul Schwefel consist´ıa en la definición de los componentes de cada individuo como una lista de número reales, los cuales son llamados las variables de objeto del problema. Adicionalmente, cada individuo posee parámetros de estrategia que definen las varianzas y covarianzas de las variables de objeto. Estos parámetros son empleados para controlar el comportamiento de la mutación [11].

En cada iteración,λdescendencias son generadas de una población de tamañoµ, donde normalmente el valor de λes siete veces el valor de µ. La recombinación genera un hijo y requiere de dos padres por cada variable de objeto y parámetro de estrategia en el hijo. Históricamente, los mismos padres

(15)

son usados para generar todas las variables de objeto en el hijo, después los padres son reelegidos por cada parámetro de estrategia. Los padres son seleccionados aleatoriamente de la población actual.

Una variedad de técnicas de recombinación están disponibles, pero los mejores resultados han sido observados definiendo cada variable de objeto en el hijo como la misma variable de objeto de uno de los padres y cada parámetro de estrategia en el hijo como el mismo valor del parámetro de los padres.

La mutación es el componente principal en las estrategias de evolución. Esta actúa como parámetro de estrategia y variable de objeto. Inicialmente, la mutación cambia los parámetros y las variables de objeto mutan de acuerdo a la distribución de probabilidad definida por la modificación del parámetro. La selección es determin´ıstica: los mejores µ individuos son tomados de la nueva descendencia λ o de la unión de los µ padres y de la descendencia λ. El último método de selección puede afectar la caracter´ıstica adaptativa del algoritmo a las condiciones del problema.

Los pasos de desarrollo del proceso evolutivo se enumera a continuaci´on [11].

1. Poblaci´on actual deµindividuos aleatorios.

2. Asignaci´on defitness a cada individuo.

3. Generación deλnuevas descendencias por recombinación de la población actual.

4. Lasλdescendencias son mutadas.

5. Asignaci´on defitness a lasλdescendencias.

6. Una nueva poblaci´on deµindividuos es seleccionada.

7. La nueva poblaci´on se define como la poblaci´on actual.

8. Si se satisface la condici´on de parada se detiene el algoritmo, de lo contrario, contin´ue en el paso 3.

Una de las técnicas de optimización que se emplean en gran variedad de aplicaciones y que pertenece a esta familia de algoritmos es el proceso de Evolución Diferencial [15]. Consiste en la definición de una población NP (soluciones candidatas). Esta población estará compuesta por vectores xi,g =

(x1i,g, x2i,g, x3i,g, ...., xDi,g) S, donde i = 1,2, ..., N P y S corresponde al espacio de b´usqueda del

problema. Cadaxji,g corresponde a una variable de decisi´on y el valor de g define la generaci´on de

la cual hace parte el vector. Una vez inicializados, los vectores pasan por operaciones de mutación, recombinación y selección en cada una de las generacionesg.

• Inicializaci´on: Se deben definir con anterioridad los l´ımites inferiores y superiores del valor que puede tomar cada una de las variables de decisi´on: xi

j ≤xji,1≤xsj. Despu´es, se selecciona con

aleatoriedad el valor de cada variable de decisi´on perteneciente al intervalo [xi j, xsj].

• Mutación: Para cada vector xi,g perteneciente a la población en la generación g, se crea un

vector mutadovi,g= (v1i,g, v2i,g, v3i,g, ...., vDi,g) empleando diferentes estrategias de mutaci´on.

Las técnicas que se emplean en este tipo de algoritmos corresponden a la mutación con único y múltiples vectores objetivos, y se desarrollan a partir de las siguientes ecuaciones.

vi,g=xr1,g+F(xr2,g−xr3,g)

(16)

Donder1, r2 yr3 son enteros aleatorios y mutuamente diferentes generados en el rango [1, N P]. F es un factor entre [0,∞) que escala el nivel de mutaci´on y xbest,g corresponde al vector con el

mejor valor de fitness de la generaci´ong.

• Recombinación: Consiste en la generación de una nueva población a partir de los vectoresxi,gy

los correspondientes vectores mutadosvi,g. Se generan los vectoresui,g= (u1i,g, u2i,g, u3i,g, ...., uDi,g)

en base a la siguiente metodolog´ıa:

uji,g =

vji,g si (randj[0,1]≤CR)||(j =jrand))

xji,g dlc

Dondej= 1,2,...,D,CRes el coeficiente de recombinaci´on con un valor en el rango [0,1) yjrand

es un entero aleatorio en el rango de [1,NP].

• Selección: Se define la nueva generación a partir de la comparación del valor de fitness de cada vector de pruebaui,g y su correspondientexi,g.

xi,g+1=

ui,g si f itness(ui,g)< f itness(xi,g)

xi,g dlc

Se deben repetir las ´ultimas tres operaciones hasta alcanzar el objetivo o condici´on de parada del algoritmo.

2.1.3 Teor´ıa de Grafos

Un grafo se define como la unión de un conjunto de vértices (V) a través del grupo de aristas (E). La definición consiste en que un grafo G = (V, E) satisface la relación E ⊆ [V]2_{, donde E}

corre-sponde a dos elementos contenidos en V [4]. Un ejemplo simple de un grafo correcorre-sponde al sistema G= ([1,2,3,4,5,6,7],[(1,2),(1,5),(2,5),(3,4),(5,7)]), donde la representaci´on gr´afica del sistema se presenta en la figura (2.5).

Figura 2.5: Ejemplo de grafo G

A este tipo de esquemas se le asigna un peso a cada una de las aristas en relación a la aplicación. La teor´ıa de grafos es ampliamente utilizada en problemas de optimización para determinar el costo m´ınimo de ir entre dos puntos de un grafo. Existen gran variedad de algoritmos empleados para atender este problema, ejemplos de estas técnicas son los algoritmos deAnt Colony,Prim,Kruskal yDijkstra. El objetivo de estas técnicas, implementados con diferentes metodolog´ıas, consiste en encontrar los mejores caminos que componen un sistema a partir del peso o costo asociado a cada una de las aristas y de la dirección de las mismas.

(17)

2.2 Marco Conceptual

Para el desarrollo de la automatización de un sistema de distribución de energ´ıa, es necesario identificar inicialmente el esquema de un sistema de distribución. Los componentes principales de este sistema son [12]:

1. Generador trif´asico primario

2. Ramificaciones trifásicas, bifásicas y monofásicas

3. Reguladores de voltaje

4. Transformadores en l´ıneas

5. Bancos de capacitancias

6. Transformadores de distribuci´on

7. Acometidas

8. Cargas trifásicas, bifásicas y monofásicas

En la figura (2.6), se observa la representación gráfica de un sistema de distribución de energ´ıa. Los parámetros de estos dispositivos se definen como las variables objeto del problema de optimización dentro de la automatización de la red.

Figura 2.6: Esquema de sistema de distribuci´on [12]

Para realizar el proceso de automatización, es necesario identificar la información que se debe conocer de los diferentes dispositivos para aplicar un algoritmo de control al sistema. Estos parámetros se

(18)

presentan en la tabla (2.1), donde cada dato se emplea para tomar decisiones sobre el sistema en la búsqueda de una operación más eficiente.

Tabla 2.1: Informaci´on de un sistema de distribuci´on [12]

Elemento Datos

L´ıneas Ubicaci´on

Distancias

Tama˜nos de los conductores

N´umero de fases

Transformadores de distribuci´on Ubicaci´on

Potencia nominal [kVA]

Esquema de conexi´on de fases

Transformadores de l´ınea Ubicaci´on

Potencia nominal [kVA]

Esquema de conexi´on

Capacitancias Ubicaci´on

Potencia nominal [kvar]

Reguladores de voltaje Ubicaci´on

Tipo (monof´asico/trif´asico)

Switches Ubicaci´on

Estado de operaci´on normal (abierto/cerrado)

El término de automatización de sistemas de distribución es usado para definir la aplicación de la comunicación, optimización y sistemas inteligentes para mejorar el desempeño y eficiencia de una red durante diferentes escenarios de operación. El objetivo de la automatización consiste en incrementar la eficiencia, calidad del servicio y la seguridad de los sistemas de potencia [13]. En detalle, los objetivos de la automatización son:

• Eficiencia: Una de las funciones de la automatización de sistemas de distribución consiste en minimizar las pérdidas debidas a la reconfiguración y restauración a partir de la re-ubicación de fusibles, interruptores y cargas para un desempeño óptimo durante estados de sobre carga.

• Confiabilidad y calidad: Para garantizar que el sistema es confiable y con un valor de riesgo aceptable, se busca minimizar el número de interrupciones del servicio de los usuarios. El nivel de riesgo se define a partir de datos históricos de los tipos y duración de fallas en el sistema y la función de la automatización del sistema de distribución corresponde a minimizar los indicadores de energ´ıa no suministrada a los usuarios.

• Seguridad: Es garantizada integrando almacenamiento de energ´ıa, generadores distribuidos o dis-positivos FACT. El objetivo es reducir lossag de voltaje y eliminar los harm´onicos que puedan generar baja calidad de potencia e inestabilidad por la incorporaci´on de los generadores distribui-dos en el sistema.

(19)

Las funciones y la estructura de la automatización de los sistemas de distribución se pueden identificar en la figura (2.7), donde se detallan las acciones que se aplican al sistema para alcanzar un objetivo en particular. Los objetivos corresponden a las condiciones de transición entre las acciones que se desean aplicar sobre el sistema.

Figura 2.7: Estructura y funciones de la automatizaci´on de sistemas de distribuci´on [13]

2.3 Marco Hist´

orico

Dentro de las diferentes aplicaciones de la automatización de los sistemas de distribución de energ´ıa, han sido empleados una gran variedad de técnicas y métodos de optimización entre algoritmos genéticos, procesos evolutivos y teor´ıa de grafos. La reconfiguración de la red, la restauración del sistema y la eficiencia óptima corresponden a unos de los muchos objetivos que se pueden alcanzar en la operación normal del sistema. Las técnicas implementadas en [17], [16] y [18] se desarrollan para alcanzar estos objetivos.

Los algoritmos corresponden a la familia de métodos basados en teor´ıa de grafos. [16] y [17] se imple-mentaron sobre un sistema con 16 nodos y la reconfiguración y la restauración del sistema corresponden a los problemas que se desean solucionar. Los resultados alcanzados con los algoritmos corresponden a una disminución en el flujo de potencia en las l´ıneas del sistema, de esta manera a una baja en las pérdidas de la red. En el caso del algoritmo de Kruskal, se programa para realizar una restauración ´

optima del servicio haciendo uso de las impedancias de las l´ıneas como los pesos de decisi´on en el algoritmo.

El algoritmo de Prim se implementa para realizar una reconfiguración de la red para alcanzar una optimización de las pérdidas del sistema. El algoritmo puede alcanzar este objetivo bajo la restricción de la regulación de voltaje en los nodos, manteniendo un control sobre este parámetro. Finalmente, la metodolog´ıa propuesta se aplicó también a la restauración del sistema y los resultados alcanzados son

(20)

mejores en eficiencia y alcance que la t´ecnica de Kruskal.

El algoritmo de la colonia de hormigas que se desarrolla en [18], se implementó sobre el sistema IEEE 33 nodos, un sistema con 70 nodos y uno con 135 nodos. En los tres sistemas, se alcanza una config-uración óptima de la red al minimizar las pérdidas en las l´ıneas. El método puede ser implementado para funciones de optimización de múltiples objetivos al modificar en pequeños parámetros el algoritmo.

Los algoritmos de Kruskal y de Prim fueron empleados para diseñar un algoritmo de reconfiguración en [9]. El objetivo consiste en la minimización de pérdidas de potencia aparente del sistema y del indicador de energ´ıa no suministrada ITG (´ındice de discontinuidad trimestral por grupo de calidad). El algoritmo se desarrolló sobre un sistema base de 33 nodos y 37 barras. Al aplicar la optimización para el objetivo de pérdidas de potencia aparente, se redujeron las pérdidas en un 32.4%.

Este tipo de metodolog´ıas se desarrollan para la aplicación e implementación en los sistemas inteligentes que serán la base las futuras redes de distribución. Para la combinación de los algoritmos de opti-mización con estos sistemas, es necesario desarrollar simulaciones con un tiempo de ejecución m´ınimo y probar diferentes alternativas para garantizar la operación óptima y eficiente de la red. Estas simulaciones se deben desarrollar sobre dispositivos que tengan la capacidad de operar en tiempos determin´ısticos. Dos aplicaciones de este tipo de simulaciones se desarrollan en [7] y [1]. En estos trabajos se presentan la simulación de aplicaciones de HVDC sobre dispositivos CompactRIO. El ob-jetivo es evaluar diferentes modelos y el desempeño de sistemas de potencia en medios de simulación más óptimos y de bajos recursos. Estos dispositivos se deben adaptar a los algoritmos de optimización para desarrollar el control de los sistemas de potencia de una manera más eficaz al probar diferentes escenarios y encontrar la mejor configuración.

Para la construcción de este tipo de algoritmos de optimización de múltiples objetivos, se debe identi-ficar que cada uno de los parámetros que se desean minimizar tiene un costo independiente asociado con una solución individual óptima correspondiente al parámetro. Si las soluciones de los objetivos son muy diferentes, las funciones objetivos son definidas como conflictivas entre ellas. Para este tipo de proble-mas, se debe considerar que lo óptimo de la solución radica en que ninguna puede ser definida mejor que las otras con respecto a todas las funciones objetivo del problema. Estas soluciones óptimas se conocen comosoluciones óptimas de Pareto. De esta manera, para considerar el nivel de optimización de la función objetivo, se debe identificar que en la frontera de las soluciones óptimas de Pareto, este nivel puede generar que uno o varios objetivos tomen valores desproporcionados en relación a su op-eración normal [3]. Si todos los objetivos de la solución son importantes para el comportamiento del sistema, se debe identificar la solución de Pareto que le asigna el peso correspondiente a la aplicación a cada una de las variables objetivo.

Los siguientes conceptos definen si el conjunto de soluciones corresponden a un óptimo local o global de Pareto [3], definiciones similares a las de óptimo local y global de un problema de optimización mono variable:

• _{Optimo local de Pareto:}´ _{Si para cada miembro de} _x _{contenido en}_{P, no existe una soluci´}_on y que satisfaceky−xk_∞ ≤, donde corresponde a una cantidad m´ınima mayor que cero y predominante sobre los miembros deP, entonces las soluciones alrededor de P constituyen un ´

optimo local de Pareto.

• Optimo global de Pareto:´ Si no existe una solución en el espacio de búsqueda que domine cualquier miembro enP, entonces las soluciones alrededor de P constituyen un óptimo global de Pareto.

(21)

Cap´ıtulo 3

Definici´

on y especificaci´

on del

trabajo

3.1 Definici´

on

La evaluación de diferentes escenarios de operación de un sistema de distribución para encontrar una configuración óptima y garantizar la eficiencia del sistema no se puede realizar sobre el sistema de potencia real. Estas evaluaciones se deben desarrollar sobre un medio de simulación con la capacidad de trabajar con una velocidad apropiada para evaluar los escenarios suficientes que permitan encontrar la configuración de la red con el comportamiento deseado. As´ı, la forma de generar dichos escenarios en simulación debe seguir una metodolog´ıa que garantice la ubicación de una configuración óptima.

Este tipo de simulaciones se deben desarrollar en escenarios de fallas y contingencias de diferentes equipos del sistema para conocer con anterioridad el deslastre de carga que se debe efectuar, las pro-tecciones que se deben activar y la restauraci´on ´optima del servicio.

Los dispositivos sobre los cuales se realice la simulación deben ser capaces de operar en tiempo real. Es-tos equipos deben ser de bajo costo y no estar sobredimensionados para la labor que se desea efectuar. En el caso de la CompactRIO, es un dispositivo con la capacidad de evaluar escenarios de operación en sistemas de distribución de gran tamaño sin la necesidad de emplear los dos núcleos de procesamiento que posee. Además, puede correr la simulación del sistema y realizarlo de manera remota.

Las ventajas de estas aplicaciones se observan en la optimización de la operación de la red real. Los costos de operación y de mantenimiento serán mucho menores y la capacidad de simular el sistema de distribución en tiempo real permite conocer con anterioridad el comportamiento que se debe observar en la red. Adaptar el sistema de distribución al perfil de carga de los usuarios, realizando la simulación para determinadas horas del d´ıa, conociendo con anterioridad el consumo promedio de las cargas.

3.2 Especificaciones

Las restricciones de la simulación en tiempo real de los sistemas de distribución están asociados a la capacidad de cómputo de los dispositivos empleados y a la dimensión del sistema de potencia que se desea simular.

En relación a las funciones de los equipos de simulación, se tienen las siguientes especificaciones para la aplicación deseada:

(22)

• Evaluación de un número apropiado de escenarios para encontrar una configuración que garantice la operación eficiente del sistema.

• Ejecución de una metodolog´ıa de optimización de múltiples objetivos. Los objetivos que se desean optimizar corresponden a las pérdidas del sistema y al nivel de despacho de generadores distribuidos.

• Simulación de un sistema de distribución de manera remota para obtener resultados más precisos.

• Simulación independiente del controlador y el sistema de distribución para realizar una aproxi-mación a la conexión centro de control - sistema de potencia.

(23)

Cap´ıtulo 4

Metodolog´ıa del trabajo

Para alcanzar el objetivo del proyecto, se realizó inicialmente la implementación del algoritmo de con-trol. El algoritmo está basado en la técnica de optimización de múltiples objetivos que combina el algoritmo genético de recombinación aleatoria y la evolución diferencial con múltiples vectores obje-tivos. Para realizar la simulación del algoritmo sobre la CompactRIO, es necesario implementar la técnica de optimización sobre LabVIEW.

Después, se definieron las acciones que se implementar´ıan en cada uno de los dispositivos en conjunto con las señales que realizar´ıan las transiciones entre las acciones. De esta manera, se implementó sobre la primera CompactRIO el algoritmo de optimización y las funciones de comunicación de entrada y salida de información. En la segunda CompactRIO, se desarrollaron funciones similares de comuni-cación y la programación necesaria para organizar la información que se env´ıa y se recibe del sistema de distribución.

Finalmente, se realizó la validación de las funciones de comunicación y de la técnica de optimización al observar que la información que se env´ıa/recibe de la primera CompactRIO corresponde a la infor-mación que se recibe/env´ıa de la segunda CompactRIO, y que el valor de la función objetivo que se desea optimizar siempre toma valores menores o iguales al valor de la iteración anterior. Además, se observa que el algoritmo de optimización cumple con la restricción de voltaje en los nodos del sistema y que el valor de los generadores es coherentes con los costos definidos para cada una de las máquinas s´ıncronas.

4.1 Plan de trabajo

El cronograma de trabajo que se sigui´o para alcanzar el objetivo del proyecto, se defini´o en base a las tareas fundamentales y que componen la ruta cr´ıtica del mismo. De esta manera, se presenta en la tabla (4.1) el plan de trabajo dividido en las tareas necesarias para alcanzar el objetivo del proyecto, las fechas l´ımites de las tareas y el tiempo que se dispone para desarrollar cada una de ellas.

Se realizaron reuniones semanales para evaluar los avances del proyecto, atender dudas sobre la res-oluci´on de las etapas del proyecto y la presentaci´on de los resultados.

4.2 B´

usqueda de informaci´

on

Las fuentes de información para dar solución al problema fueron bases de datos de trabajos e in-vestigaciones realizadas con anterioridad. Se revisaron art´ıculos con enfoque investigativo en temas relacionados con la automatización de los sistemas de distribución de energ´ıa. En trabajos como [2], [3],

(24)

Tabla 4.1: Cronograma de trabajo

Tarea Tiempo

Número Descripción Fecha Inicio Fecha Final D´ıas 1 Simulación del algoritmo de optimización en

CompactRIO. 27/07/2015 23/08/2015 27

2 Simulaci´on del sistema de distribuci´on en

CompactRIO. 24/08/2015 20/09/2015 27

3 Desarrollo de las,funciones y est´andar del

protocolo de comunicaciones. 21/09/2015 18/10/2015 27

4

Enlace de dos CompactRIO, representado la conexi´on entre un sistema de MT/BT y el centro de control.

19/10/2015 1/11/2015 13

5 Elaboraci´on,de documento, conclusiones y

descripci´on de resultados 2/11/2015 14/11/2015 12

[8], [10], [19] y [20], se identificaron las técnicas de optimización normalmente empleadas en este tipo de aplicaciones, la definición y estructura de dichas técnicas, la implementación y resultados en diferentes sistemas y las bases para formular nuevos algoritmos de control de los futuros sistemas de distribución. Además, se consultaron libros gu´ıa que fueron estudiados en cursos de la carrera. Finalmente, se revisaron trabajos de grado realizados en la universidad, en donde se desarrollaron aplicaciones en tiempo real sobre dispositivos CompactRIO. Las aplicaciones corresponden a simulaciones de sistemas de alta tensión, en donde se programó una acción de control o un efecto del control en una simulación en tiempo real.

La selección de información consistió en un filtrado de investigaciones sobre algoritmos genéticos, pro-cesos evolutivos y teor´ıa de grafos aplicados a la reconfiguración de sistemas de distribución. Además, detectar en dichos trabajos los objetivos que se desean optimizar y las restricciones del problema. Se seleccionaron técnicas de las tres familias en base a los algoritmos implementados con poca frecuencia en este tipo de aplicaciones.

Para el desarrollo del proyecto de grado fueron fundamentales cursos de la carrera en donde se de-sarrollaron investigaciones en aspectos importantes del trabajo. El tema central de optimización y la aplicación a la automatización de redes de energ´ıa se estudiaron con anterioridad.

Finalmente, el apoyo del asesor en relación al seguimiento de actividades y avances en el transcurso del semestre fue fundamental para culminar con éxito los objetivos propuestos. Tutoriales desarrollados por estudiantes de doctorado del grupo de Potencia y Energ´ıa y la disponibilidad para atender dudas, aceleraron la ejecución de las tareas de la tabla (??), permitiendo destinar un mayor tiempo a la revisión y análisis de los resultados.

4.3 Alternativas de desarrollo

La disponibilidad de recursos defin´ıa a la CompactRIO como más favorable candidato al seleccionarla como la base del proyecto. Su capacidad de computo, la arquitectura del hardware y la posibilidad de contar con sistemas operativos en donde los recursos computacionales empleados son m´ınimos, per-miten definir a la CompactRIO como la correcta alternativa de solución ante el problema de simulación en tiempo real.

Sin embargo, tambi´en se contaba con la posibilidad de emplear un segundo dispositivo en la simulaci´on del algoritmo de control. Un equipo de la empresa Opal-RT, pod´ıa definirse como alternativa para la

(25)

simulación del algoritmo de optimización. Cabe aclarar que la simulación del sistema de distribución era posible de efectuar únicamente en un dispositivo CompactRIO, debido a la instalación previa de los programas necesarios para realizar dicha simulación. Sin embargo, el algoritmo de control podr´ıa ser implementado con la condición que la simulación se desarrollara sobre hardware en una aplicación de tiempo real. De esta manera, la decisión de optar por una segunda CompactRIO o por el Opal-RT para la implementación de la técnica de optimización, depend´ıa de la facilidad de comunicación entre los dos dispositivos y de la complejidad de desarrollo de la técnica. As´ı, se definió a LabVIEW como mejor candidato para el desarrollo de la automatización del sistema, hacer la comunicación entre los dos equipos desde el mismo software y la posibilidad de realizar pruebas dentro de un solo dispositivo al contar en la CompactRIO con dos tarjetas de red.

Con respecto a la optimización del sistema, se plantearon diferentes alternativas en relación a las técnicas de optimización aplicadas a la automatización de sistemas de distribución. Entre las técnicas observadas en trabajos de investigación, se identificaron metodolog´ıas implementadas para la opti-mización de un único objetivo. Diferentes trabajos no consideraban restricciones que favorecen las regulaciones de una red de energ´ıa de MT/BT.

Las alternativas identificadas corresponden a algoritmos basados en teor´ıa de grafos que optimizaban las pérdidas del sistema a partir de la reconfiguración de la red. Sin embargo, en ninguna de las aplicaciones se observaba un análisis en conjunto con la generación distribuida ni se consideraba una reconfiguración de los parámetros de los elementos que componen el sistema. Para este tipo de apli-caciones, es recomendable trabajar con algoritmos evolutivos en lugar de teor´ıa de grafos.

Se seleccionó el algoritmo genético de recombinación aleatoria y la evolución diferencial debido a que son técnicas eficientes para resolver problemas complejos de optimización y son fácilmente de imple-mentar. Además, las técnicas propuestas permiten trabajar con gran facilidad problemas de múltiples objetivos de optimización, definiendo como restricción la regulación del voltaje en los nodos del sistema y la cargabilidad de los elementos.

(26)

Cap´ıtulo 5

Trabajo realizado

Para alcanzar los objetivos propuestos se desarrollaron los siguientes pasos en la resolución del problema de optimización de múltiples objetivos en tiempo real:

1. Definición de la función objetivo del problema de optimización como los costos asociados a las pérdidas de potencia en la red y el costo de despacho de los generadores distribuidos en el sistema.

2. Definición de las variables objeto del problema. Estas variables corresponden a los parámetros que se van a modificar para alcanzar el objetivo presentado. En este caso, se modifican los taps de los reguladores, el encendido y apagado de condensadores, el estado de switches, la activación de generadores renovables y el nivel de despacho de los generadores s´ıncronos.

3. Simulación de Montecarlo del sistema base IEEE 123 nodos, cambiando las variables objeto de reguladores, condensadores y switches que componen el sistema original. Esta simulación se realiza para detectar los nodos con menor regulación de voltaje en la mayor cantidad de escenarios posibles de operación.

4. Ubicaci´on de los generadores distribuidos, en los nodos con menor regulaci´on de voltaje.

5. Programación de la técnica de optimización: algoritmo genético de recombinación aleatoria y la evolución diferencial de múltiples vectores objetivo.

6. Programación de las funciones de comunicación y sincronización de los dispositivos CompactRIO.

7. Simulación de la técnicas de optimización aplicada al sistema de distribución IEEE 123 nodos modificado en los pasos anteriores.

8. Obtenci´on de resultados de la funci´on objetivo del problema planteado.

Se presenta a continuaci´on la explicaci´on del trabajo desarrollado para cada uno de los pasos indicados anteriormente.

1. Definición de las función objetivo del problemas de optimización

Para la optimización de múltiples objetivos, se desea minimizar el costo de las pérdidas de potencia del sistema IEEE 123 nodos y determinar el despacho óptimo de generadores distribuidos ubicados en diferentes puntos de la red para minimizar los costos en generación. De esta manera, se define la función objetivo de Pareto (5.1) al combinar las dos metas en la misma expresión de costos.

min(A1∗

N X

i=1

(P_i2+Q2_i) +A2∗(h

T

·g)) (5.1)

(27)

Como se observa en la ecuación (5.1), con cada iteración del algoritmo, se desea minimizar los costos de las pérdidas de potencia activas y reactivas en cada uno de losN elementos que componen el sistema de distribución, en este caso, se minimizan los costos de las pérdidas de los transformadores, conden-sadores, switches y l´ıneas de distribución. Además, dentro de la misma función, se suma el costo de generación de las máquinas s´ıncronas incorporadas dentro del sistema asociados a un vector de pesos h. Este vector de pesos le dará prioridad a los generadores que tengan un menor valor asociado para hacer más pequeña la función objetivo. Finalmente, los valores deA1 yA2son los valores que definen

los costos de pérdidas y generación para minimizar este parámetro.

Las soluciones que se evalúan dentro de la función de costos deben cumplir con la restricción de reg-ulación de voltaje en los nodos del sistema. Los voltajes por unidad se deben encontrar dentro del rango 0,96 y 1,04 pu para todos los nodos que hacen parte del sistema de potencia.

2. Definici´on de las variables objeto del problema

Para el problema de optimización de múltiples objetivos, se seleccionaron como variables objeto del algoritmo lostapsde 6 reguladores que componen el sistema, el estado de operación de 4 condensadores ubicados en diferentes nodos de la red, el encendido/apagado de 7 l´ıneas de reconfiguración, el nivel de despacho de 5 generadores distribuidos en el sistema y la utilización de 10 generadores renovables.

3. Simulaci´on de Montecarlo

La simulación de Montecarlo consiste en una simulación de eventos estocásticos de un sistema para analizar la probabilidad de ocurrencia y la salida de cada evento. En este caso, se desea realizar una simulación de Montecarlo del sistema de distribución IEEE 123 nodos presentados en la figura (5.1), variando aleatoriamente el nivel detapsde los reguladores, el encendido/apagado de los condensadores y el estado de los switches disponibles de reconfiguración. Estos parámetros corresponden al sistema original para detectar los nodos con menor regulación de voltaje y ubicar los generadores distribuidos a lo largo de la red.

(28)

Los resultados de la simulación de Montecarlo se presentan en la tabla (5.1). La simulación permite identificar el número de ocasiones en el cual dicho nodo estuvo dentro de los 50 nodos con menor regulación de voltaje para los escenarios de operación que se evaluaron del sistema de distribución.

Tabla 5.1: Nodos con menor regulaci´on de voltaje Nodo Eventos/Repeticiones

n 93 469

n 108 431

n 81 357

n 78 259

n 72 221

n 105 186

n 61s 163

n 27 158

n 67 144

n 450 137

n 94 122

n 610 108

n 110 107

n 104 106

n 65 105

En los nodos con mayor número de repeticiones se ubican los generadores s´ıncronos que todo el tiempo se encuentran inyectando potencia el sistema, mientras que en los demás nodos se establecen los gen-eradores eólicos y los paneles fotovoltaicos que se activarán y desactivarán en función del objetivo de minimización.

4. Ubicaci´on de los generadores distribuidos

En la figura (5.2), se puede identificar el sistema de distribución IEEE 123 nodos modificado a partir de los resultados de la simulación de Montecarlo. En este sistema, se puede observar la conexión de los generadores s´ıncronos y el interruptor asociado para activar y desactivar la inyección de potencia de cada generador renovable.

5. Programación de la técnica de optimización

El algoritmo que se presenta en la figura (5.3), consiste en el flujo de información y procedimiento que se debe seguir para aplicar el algoritmo genético de recombinación aleatoria, en combinación con la evolución diferencial con múltiples vectores objetivos al sistema de distribución de la figura (5.2).

El algoritmo consiste en la inicialización de la generación de manera aleatoria. A esta generación se le aplica un proceso de mutación y luego de recombinación con múltiples vectores objetivos correspon-dientes a la generación anterior. Se env´ıa la información de los vectores de prueba al sistema, se mide la información necesaria para calcular la función objetivo y se revisa la restricción de la regulación de voltaje en los nodos del sistema. Si se cumple, se continúa con el algoritmo, si no, se vuelve a inicializar la generación aleatoria.

Una vez cumplida la restricción de regulación de voltaje, se selecciona los padres de la siguiente gen-eración como los mejores individuos de la generación anterior. Se revisa si se cumple la condición de

(29)

Figura 5.2: Sistema de distribuci´on de energ´ıa IEEE 123 nodos con generadores distribuidos

parada del algoritmo. Si no se cumple, se define el vector de genes de manera aleatoria para hacer el cruzamiento de los individuos, se encuentra una nueva población a partir de los padres definidos, se aplica la acción de mutación, se recombinan con múltiples vectores objetivos, se env´ıa la información al sistema, se miden las variables para calcular la función objetivo para cada individuo y se revisa el cumplimiento de la restricción de voltajes de los nodos. Si se cumple, se definen los nuevos padres como los mejores individuos de la población creada y se compara de nuevo con la condición de parada, si no se cumple, se retorna a realizar de nuevo los genes de recombinación aleatoria, la evolución diferencial y el algoritmo genético.

6. Programación de las funciones de comunicación y sincronización de los dispositivos CompactRIO

Para realizar una correcta programación de los dos dispositivos y llegar al resultado deseado de sim-ulación en tiempo real, se presenta en la figura (5.4) las etapas de la simulación que se realizarán en LabVIEW y las tareas que se deben ejecutar en DSSimPC para la CompactRIO que simula el centro de control.

El proceso que se observa en la figura (5.4) muestra que las acciones del controlador para el algoritmo observado en la figura (5.3) se desarrollan en LabVIEW. Las etapas de Inicialización, Mutación y Recombinación se deben desarrollar para generar los escenarios que se desean evaluar en el sistema de distribución. Del sistema, se miden las variables necesarias para calcular el valor de la función objetivo para cada uno de los escenarios evaluados. Finalmente, este cálculo se emplea para la selección de los mejores escenarios y repetir el ciclo de simulación hasta alcanzar una configuración que permita una operación eficiente de la red. El resultado de este proceso, una vez se alcanza un escenario de operación óptimo, es enviado al segundo dispositivo.

La programación y sincronización de las acciones que se deben ejecutar en los dos dispositivos se pre-sentan en la figura (5.5). En este proceso, se puede identificar la máquina de estados que controla las acciones efectuadas en cada una de los CompactRIO y el orden de ejecución de las tareas. En la

(30)

Figura 5.3: Diagrama de flujo de algoritmo genético de recombinación aleatoria + evolución diferencial con múltiples vectores objetivos

Figura 5.4: Divisi´on de tareas en los programas LabVIEW y DSSimPC para el centro de control

tabla (5.2), se identifican las tareas que se deben ejecutar en cada uno de los estados asociados a un dispositivo. La referencia para los dispositivos empleados corresponde a CRIO1 y CRIO2, en relaci´on a la m´aquina de estados presentada.

En la figura (5.5), se observa un primer estado A. Este estado se ejecuta en el dispositivo CRIO1 y en él, se crean los escenarios de operación que se desean evaluar en el sistema de distribución. Los esce-narios se crean a partir de la técnica de optimización de múltiples objetivos presentada en el diagrama de flujo de la figura (5.3). Estos escenarios se evalúan en la simulación del sistema y la solución óptima es enviada a la CRIO2. Se comunican los dos CompactRIO a través de un protocolo TCP/IP de una red de internet. En este caso la CRIO1 será el servidor y la CRIO2 el cliente de la comunicación. Se env´ıa desde la CRIO1 la solución del algoritmo simulado en este dispositivo en co-simulación con el sistema simulado.

En el estado B se observa la primera tarea de la CRIO2. En esta etapa, se debe leer la informaci´on de entrada de la CRIO1, organizarla y enviarla al sistema de distribuci´on. Es necesario identificar que

(31)

Tabla 5.2: Funciones de los estados presentados en la figura (5.5)

Estado Funci´on

A Algoritmo de optimización. Obtención de la solución óptima para el sistema simulado.

B Env´ıo de la soluci´on ´optima a DSSimPC.

C Medición de las variables del sistema: Potencias y voltajes. D Cálculo del fitness de la solución óptima.

E Definici´on del nuevo vector objetivo en base a las mediciones del sistema de potencia.

en los dos dispositivos se ejecuta LabVIEW y DSSim PC para enviar la información a los sistemas de potencia y garantizar la correcta comunicación entre los dos dispositivos. En el estado C, se miden las variables de pérdidas de potencia y los voltajes en los nodos. Estos datos son necesarios para realizar el cálculo de la función objetivo y evaluar el cumplimiento de las restricciones de operación del sistema. Finalmente, en el estado D culminan las tareas de la CRIO2 para un ciclo de simulación. En este estado, se debe determinar el valor de la función objetivo para el escenario evaluado en el sistema. La información es organizada y enviada a la CRIO1.

En el estado E, se reciben los valores medidos en el sistema para ejecutar nuevamente el algoritmo de optimizaci´on.

Figura 5.5: M´aquina de estados y control de la comunicaci´on de las dos CompactRIO

Las CompactRIO se encuentran operando sobre Windows embebido. En cada una se realiza la co-simulación entre LabVIEW y DSSimPC. Para garantizar el correcto env´ıo de la información entre los dos dispositivos, se definieron estados de espera lectura/escritura entre los estados de la figura (5.5) para garantizar la correcta transmisión de la información.

7. Simulación de la técnicas de optimización aplicada al sistema modificado

La simulación de las técnicas de optimización en conjunto con el sistema de distribución, se realizó en una simulación conjunta entre los programas LabVIEW y DSSim PC. En LabVIEW se realizó la pro-gramación del esquema del algoritmo, se env´ıa la información al sistema y se miden los datos necesarios

(32)

para seguir con la ejecución de la técnica de optimización. En DSSim PC se recibe la información del algoritmo, se aplica la configuración de entrada y se env´ıan los datos necesarios para el cálculo de la función objetivo.

La comunicación entre los dos programas, se desarrolló en base a funciones de comunicación haciendo uso del protocolo TCP/IP. Este protocolo se crea de manera virtual en el mismo equipo, destinando un puerto a la unión de los dos programas. Se establecen intervalos de lectura y escritura dependiendo de la aplicación desarrollada y se ejecuta una simulación del sistema de distribución controlada en tiempo.

8. Obtenci´on de resultados

Para el algoritmo de optimización implementado, se grafica la evolución de la función objetivo en relación a las iteraciones del ciclo de simulación. Además, se observa la correcta sincronización de los dos dispositivos al visualizar en la interfaz la información que se env´ıa entre los dos dispositivos.

La sincronización de los dispositivos se realizó de manera correcta. La coordinación de las tareas en las dos CRIO permite obtener simulaciones de un sistema con mayor velocidad. Además, los cambios de los parámetros de la red y la reconfiguración de los dispositivos se prueban en ciclos de mayor rapidez, permitiendo evaluar muchos escenarios del sistema para seleccionar el escenario óptimo.

5.1 Descripci´

on del Resultado Final

La elaboración del proyecto se dividió en dos etapas: la implementación del algoritmo de optimización en un dispositivo de simulación en tiempo real y la sincronización del controlador y del sistema de distribución en la conexión entre dos CompactRIO.

En la implementación del controlador, se realizó la programación en LabVIEW del algoritmo genético de recombinación aleatoria y de la evolución diferencial con múltiples vectores objetivo.

En la sincronización de los dos dispositivos, se identificaron las tareas que se desarrollar´ıan en Lab-VIEW y en DSSimPC. Después, se dividieron estas tareas entre las dos CompactRIO y se programaron para garantizar un correcto desempeño de la simulación en tiempo real. Finalmente, se valida el tra-bajo observando que los valores de la función objetivo son menores o iguales al valor anterior para un perfil de carga constante, el cumplimiento de la restricción de voltaje para la solución óptima, el valor del despacho de los generadores s´ıncronos en relación a los costos asociados y que la información que se env´ıa entre los dispositivos se transmite sin errores en la comunicación.

5.2 Trabajo computacional

La técnica de optimización que se empleó en la resolución del problema del despacho óptimo de generadores distribuidos y de las pérdidas de potencia en los elementos del sistema, se seleccionó en base a tres criterios:

• Frecuencia de aplicación de la técnica en diferentes proyectos de investigación

• Simplicidad de programación de la técnica de optimización

(33)

Los algoritmos genéticos y los procesos evolutivos son metodolog´ıas que permiten resolver problemas de optimización con gran complejidad sin recurrir a grandes costos computacionales y con una progra-mación sencilla. El incremento de la aleatoriedad en los algoritmos permite tener una mayor diversidad en la búsqueda del óptimo del sistema.

En documentos e investigaciones realizadas sobre el futuro de los sistemas de distribución, las técnicas de automatización de las redes inteligentes giran en torno a las familias de técnicas explicadas en la sección de marco teórico (2). Los algoritmos iterativos permiten evaluar con gran eficiencia el com-portamiento de los sistemas de potencia, evaluar gran cantidad de escenarios y encontrar una solución ´

optima con un bajo costo computacional.

Finalmente, se seleccionó el protocolo TCP/IP para realizar la comunicación entre los dos dispositivos, debido a la disponibilidad de dos tarjetas de red en una CompactRIO. Esta caracter´ıstica permite desarrollar pruebas de comunicación en un solo equipo y evaluar la calidad de la red de comunicaciones para la aplicación en tiempo real.

(34)

Cap´ıtulo 6

Validaci´

on del trabajo

6.1 Metodolog´ıa de prueba

Para validar el algoritmo de optimización del sistema de distribución, se debe simular la técnica de control en conjunto con el sistema de potencia. En esta simulación, el valor de la función objetivo debe ser menor o igual al valor de la iteración anterior para un perfil de carga constante. Además, se debe evidenciar que el algoritmo converge a la condición de parada establecida y que la solución cumple con la restricción de voltaje.

En relación a las funciones de comunicación entre las dos CompactRIO, la validación del funcionamiento de dichas funciones consiste en observar que la información que se transmite entre los dos dispositivos se env´ıa/recibe sin modificación en los datos que se transmiten.

Finalmente, la validación de la simulación en tiempo real del algoritmo de optimización se puede iden-tificar en el tiempo necesario para encontrar la solución del problema de optimización. Este tiempo debe ser menor a un minuto, tiempo asignado para realizar el monitoreo del sistema de potencia.

El escenario de validación se establece para una condición de parada de 200COP. Los pesos de los generadores corresponden a 10, 4, 0.1, 7 y 0.5COP/Kva respectivamente. Finalmente, el valor del coeficiente de costo de pérdidas corresponde a 10COP/Kva. Los valores se seleccionaron para validar el funcionamiento de las técnicas de optimización y son parámetros de entrada que se pueden modificar para validaciones sobre problemas aplicados a situaciones reales.

Se realizaron las pruebas para un perfil de carga constante. La demanda del sistema es de 3,7Mva. La capacidad total de los generadores distribuidos instalados es de 3Mva. La potencia restante a los generadores activados para los escenarios de prueba debe ser aportada por la red principal.

6.2 Validaci´

on de los resultados del trabajo

En el escenario de validación definido en la sección anterior, se debe visualizar que la evolución de la función objetivo siempre toma valores menores o iguales en relación a la iteración anterior. Esto en función del perfil de carga constante con el cual se realizó la validación. Además, el cumplimiento de la condición de parada que garantiza la convergencia, la restricción de voltajes en la solución encon-trada y el valor de los generadores que garantiza unos costos m´ınimos al ser coherentes con el costo de generación asignado son validaciones que se deben realizar para garantizar el correcto funcionamiento del algoritmo y la conexión de las dos CompactRIO.