UNIVERSIDAD NACIONAL DEL CENTRO DEL

PERU

FACULTAD DE INGENIERÍA ELÉCTRICA Y

ELECTRÓNICA

ANÁLISIS DE SISTEMAS DE POTENCIAS II

FLUJO ÓPTIMO DE POTENCIA

ALUMMNO:

TORRES RIVERA Antonio Ricardo

CATEDRÁTICO:

TORRES MAYTA Pedro Nicolas

SEMESTRE:
VIII

2020
 FLUJO ÓPTIMO DE CARGA

1. INTRODUCCIÓN. -

El flujo óptimo de cargas, más conocido por OPF (Optimal Power Flow), problema fundamental tanto en actividades de
planificación como la propia operación del sistema eléctrico.
A diferencia del flujo de carga convencional, cuyo objetivo consiste en determinar el estado del sistema tomando como datos
de partida las potencias generadas y consumidas en todos los nudos, así como el estado de los equipos de control
(transformadores, reactancias, condensadores, etc.), un flujo óptimo de cargas permite resolver las ecuaciones del sistema
eléctrico y obtener los valores de determinadas variables de control que optimizan un objetivo concreto, cuantificado éste en
forma de una función escalar de las variables del problema.
El principal objetivo del estudio de FPO es determinar los ajustes óptimos de un conjunto de variables de control de un
sistema de potencia, con la finalidad de minimizar o maximizar una función objetivo mientras se satisfacen un conjunto de
restricciones de igualdad y desigualdad, las cuales corresponden a las características físicas, de operación y seguridad de
una determinada red eléctrica, garantizando así la factibilidad, confiabilidad y seguridad del sistema

2. MARCO TEORICO. -

El estudio de los Flujos de Potencia Óptimos (FPO) es un problema de optimización no lineal, no convexo, estático restringido
y de gran envergadura, debido a que se requiere resolver un conjunto de restricciones de carácter no lineal describiendo la
operación óptima y segura del sistema de potencia. El problema de FPO puede ser caracterizado por tres partes principales:
la función objetivo, los controles y las restricciones. La formulación matemática en general es la siguiente:
Optimizar la función objetivo escalar
𝑓(𝑢, 𝑥) sujeto a : 𝑔(𝑢, 𝑥) = 0
ℎ(𝑢, 𝑥) ≥ 0
Donde:
𝑓(𝑢, 𝑥) : Función objetivo a optimizar
𝑔(𝑢, 𝑥) : Conjunto de restricciones de igualdad no lineales de un vector de argumentos x y u.
ℎ(𝑢, 𝑥) : Conjunto de restricciones de desigualdad no lineales de un vector de argumentos x y u.
𝑥 : Contiene un vector de variables de estado (dependientes).
𝑢 : Contiene un vector de variables de control (independientes).
Dado que el problema de FPO es de carácter no convexo puede existir más de una solución (óptimo local), haciendo que la
búsqueda del óptimo global sea vuelva compleja o incluso imposible de localizar. Sin embargo, algunas veces es posible
determinar el óptimo global. En comparación con los problemas convexos, el encontrar el óptimo de la solución resulta de
manera más sencilla, asegurando que el punto mínimo o máximo encontrado es el punto óptimo global de la región factible

2.1 Formulación Clásica de un Estudio de Flujos de Potencia Óptimo

De esta manera, se puede hacer énfasis a la formulación clásica de los FPO, donde el sistema de potencia es modelado
como un conjunto de nodos (N), conectados a determinado número de líneas o ramas (L). Los generadores de control son
localizados como un subconjunto del sistema de nodos (G). La función objetivo de dicha formulación busca minimizar el costo
de operación de potencia real, donde los costos de operación de cada generador generalmente es una función del tipo
cuadrática de la potencia real de salida. La formulación clásica se describe como:

𝑚𝑖𝑛 ∑ 𝐶𝑖 (𝑃𝑖𝐺 )
𝑖=𝐺
𝑃𝑖 (𝑉, 𝜃) = 𝑃𝑖𝐺 − 𝑃𝑖𝐿 ∀ 𝑖 ∈ 𝑁,
𝑄𝑖 (𝑉, 𝜃) = 𝑄𝑖𝐺 − 𝑄𝑖𝐿 ∀ 𝑖 ∈ 𝑁,
𝑃𝑖𝐺𝑚𝑖𝑛 ≤ 𝑃𝑖𝐺 ≤ 𝑃𝑖𝐺𝑚𝑎𝑥 ∀ 𝑖 ∈ 𝐺,
𝑄𝑖𝐺𝑚𝑖𝑛 ≤ 𝑄𝑖𝐺 ≤ 𝑄𝑖𝐺𝑚𝑎𝑥 ∀ 𝑖 ∈ 𝐺,
𝑉𝑖𝑚𝑖𝑛 ≤ 𝑉𝑖 ≤ 𝑉𝑖𝑚𝑎𝑥 ∀ 𝑖 ∈ 𝑁,
𝜃𝑖𝑚𝑖𝑛 ≤ 𝜃𝑖 ≤ 𝜃𝑖𝑚𝑎𝑥 ∀ 𝑖 ∈ 𝑁,

Donde los términos de las restricciones 𝑃𝑖 (𝑉, 𝜃) y 𝑄𝑖 (𝑉, 𝜃), corresponden a las ecuaciones características de los flujos de
Potencia. Los superíndices min y max en las ecuaciones representas respectivamente los limites inferiores y superiores
de la restricción.
Las ecuaciones mencionas anteriormente de flujos de potencia, son expresadas de la siguiente manera:
𝑁

𝑃𝑖 = 𝑉𝑖 ∑ 𝑉𝑗 (𝐺𝑖𝑗 cos(𝜃𝑖 − 𝜃𝑗 ) + 𝐵𝑖𝑗 𝑠𝑒𝑛(𝜃𝑖 − 𝜃𝑗 )) 𝑖 = 1, … , 𝑁

𝑗=1

𝑄𝑖 = 𝑉𝑖 ∑ 𝑉𝑗 (𝐺𝑖𝑗 sen(𝜃𝑖 − 𝜃𝑗 ) − 𝐵𝑖𝑗 𝑐𝑜𝑠(𝜃𝑖 − 𝜃𝑗 )) 𝑖 = 1, … , 𝑁

𝑗=1

𝑃𝑖 = 𝑉𝑖 ∑ 𝑉𝑗 𝑌𝑖𝑗 cos(𝜃𝑖 − 𝜃𝑗 − 𝛿𝑖𝑗 ) 𝑖 = 1, … , 𝑁

𝑗=1

𝑄𝑖 = 𝑉𝑖 ∑ 𝑉𝑗 𝑌𝑖𝑗 sen(𝜃𝑖 − 𝜃𝑗 − 𝛿𝑖𝑗 ) 𝑖 = 1, … , 𝑁

𝑗=1
 Donde las expresiones:

̂𝑖 = 𝑉𝑖 ∠𝜃𝑖 : Es la forma polar de la tensión.

𝑉

𝑌𝑖𝑗 = 𝐺𝑖𝑗 + 𝑗 𝐵𝑖𝑗 : Es la admitancia en coordenadas rectangulares.

𝑌̂𝑖𝑗 = 𝑌𝑖𝑗 ∠𝜃𝑖 : Es la admitancia en coordenadas polares.

Donde 𝑃𝑖 y 𝑄𝑖 son las potencias activa y reactiva inyectada en cada nudo, es decir , potencia neta, generada menos
consumida, en el nudo:

𝑃𝑖 = 𝑃𝐺𝑖 − 𝑃𝐶𝑖 𝑄𝑖 = 𝑄𝐺𝑖 − 𝑄𝐶𝑖

2.2 Función Objetivo

Entre los aspectos menos desarrollados del flujo de carga esta la formulación de la función objetivo 𝑓. Es a menudo difícil
describir el mejor estado de operación de un sistema de potencia por una simple función escalar. Por esta razón, para
cada problema de optimización, se hará una selección diferente de la función objetivo.
Para el caso en que se desee minimizar los costos de generación en centrales térmicas, la función objetivo empleada es
el sumatorio de cada una de las funciones “costo” de combustible de las unidades. Matemáticamente puede ser
representada de la siguiente manera:

𝑓(𝑥, 𝑢) = ∑𝑖 𝐾𝑖 (𝑃𝐺𝑖 )
donde 𝑘𝑖 son los costos de producción para generar la potencia 𝑃𝐺𝑖
𝑠
Generalmente las funciones costo de combustible son curvas polinómicas, cuya representación gráfica se presenta a
continuación:

Donde 𝐶 es el consumo de combustible en 𝐾𝑐𝑎𝑙 ⁄ℎ𝑜𝑟𝑎, que pueden traducirse a $⁄ℎ𝑜𝑟𝑎, y 𝑃𝐺 es la potencia generada.
Estas curvas se obtienen experimentalmente midiendo la cantidad de combustible por hora que se consume para una
potencia fija de generación, con lo que se consigue un punto de la curva. Estas curvas también se denominan curvas de
entrada-salida. En prácticas de despacho comunes, todas las curvas costo se las aproxima de acuerdo al tipo de
precisión que se quiere obtener. Para cada compañía el tipo de aproximación depende del cálculo de despacho preferido
y de la exactitud requerida. En el presente análisis se asumirá que las curvas de costo de la función objetivo son de
segundo orden, es decir se tiene lo siguiente:
𝑁𝐺

𝑓(𝑢, 𝑥) = ∑(𝑎𝑖 + 𝑏𝑖 𝑃𝐺𝑖 + 𝑐𝑖 𝑃𝐺2𝑖 )

𝑖=1
En que NG representa el número de generadores. Esta será la función objetivo que se tratará de minimizar para el caso
de un despacho económico.
Cuando se desea realizar una minimización de las pérdidas en un sistema de potencia, se asume que las potencias de
generación permanecen fijas, excepto para la barra de oscilación(Slack) cuya generación de potencia activa va a ser
minimizada, lográndose con esto reducir las pérdidas en el sistema. Esta función objetivo es una función explicita de
únicamente aquellos voltajes de barras que están directamente conectados a la barra de oscilación por un elemento de
transmisión. Por tanto, la función objetivo que se utilizara es:
𝑓 = 𝑃𝐺1 (𝑉, 𝜃)
Esta formulación de la función objetivo se fundamenta en el hecho de que la barra de oscilación(Slack) es asignada para
que matemáticamente tomo en cuenta las pérdidas de la red. Esta es una práctica común en los flujos de carga.
Algunas de las funciones objetivo empleadas en un estudio de FPO son:
 Minimizar el costo de generación.
 Minimizar las pérdidas de transmisión de potencia activa.
 Minimizar las pérdidas de transmisión de potencia reactiva.
 Minimizar el costo por interrupción de carga.
 Minimizar el número de reprogramación de los controles.
 Minimizar emisiones contaminantes por parte de los generadores térmicos.
2.3 Variables
Cada barra en un sistema de potencia está caracterizada por cuatro variables: P, Q, V y θ, de las cuales dos son
especificadas y las otras dos deben ser encontradas. Dependiendo de cuales variables son especificadas, las barras o
nodos pueden ser divididas en tres tipos:
1. Barra de Oscilación(Slack) en la cual V y θ son especificadas.
2. Barras de carga en las que se especifican P y Q.
3. Barras de Generación o de Voltaje controlado en las cuales P y V son especificadas.
De las variables mencionadas anteriormente se puede hacer la siguiente clasificación:

2.3.1 Variables de Control

El vector de estado [𝒙] está constituido por las incógnitas del problema de flujo de carga que son V y θ en las barras de
carga y θ en las barras de generación:
𝑉 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑏𝑎𝑟𝑟𝑎
{
𝜃 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎
𝜃 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑏𝑎𝑟𝑟𝑎
[𝒙] = {
𝑄 𝑑𝑒 𝑔𝑒𝑛𝑒𝑟𝑎𝑐𝑖𝑜𝑛
𝑃 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑏𝑎𝑟𝑟𝑎
{
[𝑄 𝑑𝑒 𝑜𝑠𝑐𝑖𝑙𝑎𝑐𝑖𝑜𝑛 ]
Una vez obtenidos estos elementos, será sencillo encontrar los elementos restantes constituido por las potencias
reactivas de las barras de generación y las potencias activa y reactiva en la barra de oscilación.

2.3.2 Variables de Estado

El vector [𝒖] constituye el grupo de variables que van a ser optimizadas a través de la rutina de optimización:
𝑃 𝑒𝑛 𝑐𝑎𝑑𝑎 𝑏𝑎𝑟𝑟𝑎
{
𝑉 𝑑𝑒 𝑐𝑎𝑟𝑔𝑎
𝑒𝑛 𝑐𝑎𝑑𝑎 𝑏𝑎𝑟𝑟𝑎
[𝒖] = 𝑉 {
𝑑𝑒 𝑔𝑒𝑛𝑒𝑟𝑎𝑐𝑖𝑜𝑛
𝑒𝑛 𝑡𝑟𝑎𝑓𝑜𝑠
[ 𝑡𝑎𝑝 { 𝐿𝑇𝐶 ]
Su continuo proceso hacia los valores óptimos, hará que varíen todas las otras variables del sistema. Por esta razón,
para cada nuevo valor que tome un grupo de parámetros de control, será necesario la evaluación del flujo de carga. Hay
que anotar que, en el caso de control de voltaje en la barra de oscilación, a pesar de la variación de este hacia un valor
optimo, el Angulo que actúa como referencia para todo el sistema permanecerá fijo a 0°.

2.4 Restricciones de Igualdad

Al definir el problema de optimización no lineal restringido, se manifestó que la función objetivo estaba sujeta a
restricciones de igualdad. Estas restricciones implican la solución del flujo de carga que básicamente consiste en
satisfacer las leyes de Kirchhoff, es decir, la suma algebraica de todos los flujos de un nodo debe ser igual a cero, y la
suma algebraica de todos los voltajes en una malla deber ser igual a cero.
Al resolver el flujo de carga se habrán conseguido dos propósitos:
 Satisfacer las restricciones de igualdad impuestas en la formulación del problema.
 Obtener puntos de arranque que servirán como tales en el proceso de optimización.

Por el momento es suficiente con dejar establecido cuales son las restricciones de igualdad y el papel que desempeñan
en la solución del problema, que consiste en resolver un flujo de carga por el método de Newton-Rapson, cuya solución
implicará haber satisfecho las restricciones de igualdad.

2.5 Restricciones de Desigualdad

Una vez definidas las restricciones de igualdad, se imponen las limitaciones en el funcionamiento de los equipos del
sistema. Esto se realiza a través de la asignación de límites a las variables [𝒖] y [𝒙]. Dependiendo de la variable a la cual
se está restringiendo, las restricciones se desigualdad se clasifican en Paramétrica y Funcional.
 Las restricciones de desigualdad paramétrica corresponden a los valores o límites permisibles que pueden
tomas los parámetros de control, esto es:
𝑢𝑚𝑖𝑛 < 𝑢 < 𝑢𝑚𝑎𝑥
Estas restricciones de desigualdad de los parámetros de control pueden ser fácilmente manipuladas,
asegurándose que el algoritmo de ajuste no envié a ningún parámetro fuera de los límites permisibles. En caso
de que alguno o algunos de los parámetros en una iteración vayan a salirse de los limites, simplemente se
coloca a 𝑢 en su límite correspondiente, es decir
𝑣𝑖𝑒𝑗𝑜
𝑢𝑖𝑚𝑎𝑥 , 𝑠𝑖 𝑢𝑖 + ∆𝑢 > 𝑢𝑖𝑚𝑎𝑥
𝑣𝑖𝑒𝑗𝑜
𝑢𝑖𝑛𝑢𝑒𝑣𝑜 = {𝑢𝑖𝑚𝑖𝑛 , 𝑠𝑖 𝑢𝑖 + ∆𝑢 < 𝑢𝑖𝑚𝑖𝑛
𝑣𝑖𝑒𝑗𝑜
𝑢𝑖 + ∆𝑢 , 𝑝𝑎𝑟𝑎 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Los casos más frecuentes suceden con los límites de potencia real de los generadores, límites de tensión en la
barra de oscilación y generación y variación del tap en los trafos LTC
 Las restricciones de desigualdad funcional ℎ(𝑢, 𝑥) ≤ 0, en las cuales los limites superior e inferior de las
variables dependientes [𝒙] son un caso frecuente , es decir:
𝑥𝑚𝑖𝑛 < 𝑥 < 𝑥𝑚𝑎𝑥
Donde [𝒙] es una función de [𝒖].
 Esto sucede con los límites de Tensión mínimo y máximo en una barra de carga, o con las limitaciones de
Potencia reactiva en una barra de generación.
La manipulación de este tipo de restricciones es diferente a la anterior. Las restricciones de desigualdades
paramétrica caen en la clasificación de los llamados límites “estrictos”, mientras que las desigualdades de
restricciones de desigualdad funcional caen en la clasificación de límites “suaves”.
2.6 Métodos para la solución de un problema de Flujos de Potencia Óptimos

Dadas las complejidades del problema de FPO al tratar de simular el mayor número de restricciones del sistema eléctrico
de potencia y numerosas funciones objetivo se han optado por realizar mejoras a las primeras técnicas que se utilizaron
para resolver el problema de FPO (técnicas convencionales) donde cada una contiene determinadas características
matemáticas y requerimientos computacionales. Incluso se han adaptado nuevos algoritmos denominadas como técnicas
de inteligencia artificial, estas técnicas presentan a continuación:

 Técnicas convencionales:  Técnicas de Inteligencia:

-Programación Cuadrática -Secuencial. -Algoritmo Genético.
-Método del Gradiente Reducido -Programación Evolutiva.
Generalizado. -Redes Neuronales Artificiales.
-Programación Lineal Sucesiva. -Teoría de Conjuntos Difusos.
-Método de Newton. -Optimización por Colonia de Hormigas
-Método de Punto Interior. -Optimización por Enjambre de
-Método de Multiplicadores de Lagrange. Partículas

Método de Multiplicadores de Lagrange.

El problema consiste en ajustar los parámetros de control de modo que se minimicen las pérdidas del sistema. Usando el
Método de optimización clásico de los multiplicadores de lagrange el mínimo de la función objetivo sujeta a las
restricciones de igualdad se puede encontrar introduciendo una variable auxiliar 𝜆 para cada restricción y minimizando la
función lagrangeana irrestricta.
𝑙(𝑥, 𝑢) = 𝑓(𝑥, 𝑢) + [𝜆]𝑇 [𝑔(𝑥, 𝑢)]
Al aplicar las condiciones de optimalidad de Larush Kuhn-Tucker se obtiene el siguiente sistema:
𝜕𝑙 𝜕𝑓 𝜕𝑔 𝑇
[ ] = [ ] + [ ] [𝜆] = 0
𝜕𝑥 𝜕𝑥 𝜕𝑥

𝜕𝑙 𝜕𝑓 𝜕𝑔 𝑇
[ ] = [ ] + [ ] [𝜆] = 0
𝜕𝑢 𝜕𝑢 𝜕𝑢

𝜕𝑙
[ ] = [𝑔(𝑥, 𝑢)] = 0
𝜕𝜆
En donde se observa:
𝜕𝑔 𝑇
 En la primera ecuación se aprecia la matriz Jacobiana transpuesta [ ] y queda disponible después de correr
𝜕𝑥
un flujo de carga por el método de Newton.
 En la última ecuación aparecen las ecuaciones de flujo de carga, la cual es satisfecha para cualquier flujo de
carga factible.
 La derivada parcial de la función objetivo respecto a los parámetros de control es conocida como gradiente. El
vetor gradiente indica la dirección de máximo crecimiento de la función objetivo. En este caso el gradiente
𝜕𝑔 𝑇
es [ ] .
𝜕𝑢
 Las tres expresiones son no lineales y solamente se pueden resolver mediante un método iterativo.

3. CONCLUSIONES. -

 Una gran ventaja del Flujo de Potencias Optimo es que se centra tanto en el despacho de Potencia Activa como
en el despacho de la Potencia Reactiva, siendo este último un factor muy importante para una notable reducción
de las pérdidas en el sistema como también para la reducción de la carga de las Líneas de Transmisión.
 Se puede resaltar la gran importancia que se centra en la elección de los parámetros de restricciones que se
utilizara para la obtención de un Flujo Optimo de Potencia, ya que de estos dependerán que la aplicación del
análisis posteriormente realizado al sistema real sea correcta o se convierta en un gran inconveniente.
 El objetivo de la obtención de un Flujo de Potencia Optimo es el de minimizar tanto los costos de generación de
las centrales, como también reducir las pérdidas del sistema. Sin embargo, un punto a tomar en consideración
es el costo de los equipos necesarios para efectos de medición y comunicación para hacer efectivo este objetivo,
por lo que implicara realizar un estudio de costos/beneficio respecto a la automatización en un centro de
despacho.

4. BIBLIOGRAFIA. –
 Sistemas Eléctricos de Potencia, (A. Gómez Expósito/J. L. Matinez Ramos/J. A. Rosendo Macías/E. Romero
Ramos/J. M. Riquelme Santos), [CAPITULO 11].
 ESCUELA SUPERIOR POLITECNICA DE LITORAL, Despachos de Potencia Activa y Reactiva en un Sistema
de Potencia Utilizando un Flujo de Carga Optimo (Antonio Ycaza Morla), Guayaquil-Ecuador.
 Universidad EAFIT, Flujo de potencia optimo usando el método del gradiente para reducción de pérdidas en
sistemas de potencia (Jesús María López Lezama & Luis Alfonso Gallego Pareja), Medellín-Colombia.
 APLICACIÓN PRACTICA

1. Los dos generadores del sistema eléctrico representado en la figura suministran una de manda de 1700MW
en el nudo 4.
Las curvas de costes de los 2 generadores son las siguientes:
𝐶1 (𝑃𝐺1 ) = 350 + 4𝑃𝐺1 + 0.0010𝑃𝐺21 $⁄ℎ 500 ≤ 𝑃𝐺1 ≤ 2000
𝐶3 (𝑃𝐺3 ) = 400 + 5𝑃𝐺3 + 0.0015𝑃𝐺23 $⁄ℎ 200 ≤ 𝑃𝐺3 ≤ 1000
Determinar el despacho económico de ambos generadores mediante un flujo de cargas óptimo.
Las tensiones deben mantenerse en todo caso entre 0.95 y 1.05 en p.u.

Lineas (Base 100 MVA)

𝑖 𝑗 R X B
1 2 0.0030 0.010 0.0
1 4 0.0050 0.050 0.0
2 3 0.0005 0.005 0.0
2 4 0.0010 0.005 0.0
3 4 0.0010 0.010 0.0

NODOS
𝑖 𝑉𝑖 𝜃𝑖 𝑃𝐶 𝑄𝐶 𝑃𝐺 𝑄𝐺
p.u. grados MW Mvar MW Mvar
1 1 0 1568.9 77.2
2 0.974 -7.280
3 1 -8.020 200 1052.9
4 0.946 -10.116 1700 800

RESOLUCIÓN:
A efectos de comparación, el despacho económico clásico de ambos generadores implica el siguiente reparto de la potencia:

𝐶𝐼1 = 𝐶𝐼2 = 𝜆
1700 = 𝑃𝐺1 + 𝑃𝐺2

𝑃𝐺1 = 1220 𝑀𝑊 𝑃𝐺2 = 480 𝑀𝑊

Lo que supone un coste marginal del sistema 𝜆 = 6.44 $⁄𝑀𝑊ℎ , y un coste total de generación de 9864 $⁄ℎ. A partir de los
parámetros de las líneas, se obtiene la matriz de admitancias nodales:

29.503 − 111.545𝑗 −27.523 + 91.743𝑗 0 −1.98 + 19.802𝑗

−27.523 + 91.735𝑗 85.786 − 482.071𝑗 −19.802 + 198.02𝑗 −38.461 + 192.308
𝛾=[ ]
0 −19.802 + 198.02𝑗 29.703 − 207.03𝑗 −9.901 + 99.001𝑗
−1.980 + 19.802𝑗 38.461 + 192.308𝑗 9.901 + 99.001𝑗 50.343 − 311.120𝑗

Eligiendo el nodo 1 como referencia para las fases, 𝜃1 = 0, las ecuaciones del sistema son las siguientes :
4

𝑃𝑖 = 𝑃𝐺𝑖 − 𝑃𝐶𝑖 = 𝑉𝑖 ∑ 𝑉𝑗 (𝐺𝑖𝑗 cos(𝜃𝑖𝑗 ) + 𝐵𝑖𝑗 𝑠𝑒𝑛(𝜃𝑖𝑗 )) 𝑖 = 1, … , 4

𝑗=1

𝑄𝑖 = 𝑄𝐺𝑖 − 𝑄𝐶𝑖 = 𝑉𝑖 ∑ 𝑉𝑗 (𝐺𝑖𝑗 sen(𝜃𝑖𝑗 ) − 𝐵𝑖𝑗 𝑐𝑜𝑠(𝜃𝑖𝑗 )) 𝑖 = 1, … , 4

𝑗=1

Donde las potencias generadas, tanto activa como reactiva, son variables a determinar, y las potencias consumidas son las
siguientes expresadas en p.u.:

𝑃𝐶𝑇 = [0 0 0 17]
𝑄𝐶𝑇 = [0 0 0 8]

Las tensiones nodales, en modulo y fase, excepto la fase del generador Slack , (𝜃1 = 0), constituyen asimismo variables del
problema; en concreto, son las variables de estado que, una vez conocidas, permiten calcular cualquier otra magnitud del sistema
eléctrico.
La función objetivo a minimizar en este caso es la suma de costes de los generadores:

𝐶 = 750 + 400𝑃𝐺1 + 100𝑃𝐺21 + 500𝑃𝐺3 + 15𝑃𝐺23

Con 𝑃𝐺1 y 𝑃𝐺3 expresados en p.u.. respecto a 100 MW.

Por último, es necesario imponer los distintos limites que se van a considerar en la solución:

 Potencias de los generadores:

5 ≤ 𝑃𝐺1 ≤ 20 2 ≤ 𝑃𝐺3 ≤ 10
 Tensiones:
0.95 ≤ 𝑉𝑖 ≤ 1.05 𝑖 = 1, … ,4

El problema de optimización a resolver consiste, por tanto, en minimizar la suma de los costes de generación, imponiendo las
distintas ecuaciones de igualdad (ecuaciones del sistema) y de desigualdad (Limites sobre las variables).
La solución óptima, obtenida mediante un algoritmo de optimización no lineal, se presenta en la siguiente figura y tablas:

NODOS Lineas (Base 100 MVA)

𝑖 𝑉𝑖 𝜃𝑖 𝑃𝐺 𝑄𝐺 𝑖 𝑗 𝑃𝑖𝑗 𝑃𝑗𝑖
p.u. grados MW Mvar 1 2 914 -889
1 1.05 0 1184 89
1 4 275 -271
2 1.028 -4.812
3 1.05 -4.812 557 927 2 3 -57 58
4 1.002 -7.277 2 4 946 -935
3 4 499 -494

El coste óptimo de generación resulta 10141 $⁄ℎ, y las pérdidas en el transporte 41 𝑀𝑊.
Cabe destacar el reparto óptimo de la generación obtenido teniendo en cuenta las perdidas en el sistema, pérdidas cuyo
económico es al mismo tiempo optimizado ajustando las tensiones de los generadores.
Los multiplicadores de Lagrange asociados a las ecuaciones del sistema eléctrico proporcionan una información muy útil para
cuantificar el coste del consumo según su localización en el sistema, también conocidos como precios nodales son los siguientes:

Ecuación Precio nodal Ecuación Precio nodal

$⁄𝑀𝑊ℎ $⁄𝑀𝑊ℎ
𝑃1 6.37 𝑄1 0
𝑃2 6.66 𝑄2 0.02
𝑃3 6.67 𝑄3 0
𝑃4 6.76 𝑄4 0.07

2. Considerar el sistema y parámetros del problema anterior, y determinar el despacho económico de ambos
generadores mediante un flujo de cargas óptimo imponiendo un límite sobre la potencia transportada por la línea
“2-4” de 900 MW.
RESOLUCIÓN:
En este caso, se desea limitar el flujo de potencia activa en la línea 2-4 a 900 MW. En la solución del problema anterior se observa
que el flujo de potencia activa en la línea 2-4 tras la optimización resulta ser 946 y 935 en el origen y extremo de la línea,
respectivamente.
Volviendo a resolver el problema de optimización del apartado anterior, imponiendo la restricción al flujo de potencia:

−9 ≤ 𝑃2,4 ≤ 9 𝑃2,4 = 𝑉2 𝑉4 {𝐺2,4 cos(𝜃2 − 𝜃4 ) + 𝐵2,4 𝑠𝑒𝑛(𝜃2 − 𝜃4 )} − 𝐺2,4 𝑉22

Se obtiene el estado mostrado en la siguiente figura y tablas:

NODOS Lineas (Base 100 MVA)

𝑖 𝑉𝑖 𝜃𝑖 𝑃𝐺 𝑄𝐺 𝑖 𝑗 𝑃𝑖𝑗 𝑃𝑗𝑖
p.u. grados MW Mvar
1 2 707 -680
1 0.959 0 957 -621
2 1.001 -5.271 1 4 248 -271
3 1.05 -4.927 795 1714 2 3 -220 225
4 0.978 -7.735 2 4 900 -891
3 4 573 -565
El coste de generación resulta ahora 10417 $⁄ℎ y las pérdidas en el transporte 52 𝑀𝑊, incrementándose ambos valores respecto
al caso anterior.
Por otra parte, obsérvese como las tensiones de los generadores se ajustan para minimizar el coste asociado a las perdidas en la
nueva situación.
Al igual que el coste de generación, los precios nodales se incrementan como resultado de la restricción impuesta, pasando a
valer:

Ecuación Precio nodal Ecuación Precio nodal

$⁄𝑀𝑊ℎ $⁄𝑀𝑊ℎ
𝑃1 5.91 𝑄1 0
𝑃2 4.98 𝑄2 -0.01
𝑃3 7.39 𝑄3 0
𝑃4 12.86 𝑄4 0.03