CD 12663

ESCUELA POLITÉCNICA NACIONAL
FACULTAD DE INGENIERÍA ELÉCTRICA Y

ELECTRÓNICA
DESARROLLO DE UNA HERRAMIENTA COMPUTACIONAL PARA

LA PLANIFICACIÓN OPERATIVA DE CORTO PLAZO DE
SISTEMAS ELÉCTRICOS DE POTENCIA EN BASE AL
ALGORITMO DEL LOBO GRIS
TRABAJO DE INTEGRACIÓN CURRICULAR PRESENTADO COMO

REQUISITO PARA LA OBTENCIÓN DEL TÍTULO DE INGENIERA ELÉCTRICA
ROSSY ALEJANDRA CONSTANTE MOYA
rossy.constante@epn.edu.ec
DIRECTOR: HUGO NEPTALÍ ARCOS MARTÍNEZ
hugo.arcos@epn.edu.ec
DMQ, octubre 2022

CERTIFICACIONES
Yo, Rossy Alejandra Constante Moya declaro que el trabajo de integración curricular aquí
descrito es de mi autoría; que no ha sido previamente presentado para ningún grado o
calificación profesional; y, que he consultado las referencias bibliográficas que se incluyen
en este documento.
Rossy Alejandra Constante Moya
Certifico que el presente trabajo de integración curricular fue desarrollado por Rossy
Alejandra Constante Moya, bajo mi supervisión.
HUGO ARCOS MARTÍNEZ

DIRECTOR
I
DECLARACIÓN DE AUTORÍA
A través de la presente declaración, afirmamos que el trabajo de integración curricular aquí

descrito, así como el (los) producto(s) resultante(s) del mismo, son públicos y estarán a
disposición de la comunidad a través del repositorio institucional de la Escuela Politécnica
Nacional; sin embargo, la titularidad de los derechos patrimoniales nos corresponde a los
autores que hemos contribuido en el desarrollo del presente trabajo; observando para el
efecto las disposiciones establecidas por el órgano competente en propiedad intelectual, la
normativa interna y demás normas.
ROSSY ALEJANDRA CONSTANTE MOYA
DR. HUGO ARCOS MARTÍNEZ
II
DEDICATORIA
Con mucho amor para mis padres, Roberto y Silvia, por su apoyo y entrega incondicional
durante todo este proceso de formación académica.
A mis hermanos Tito y Sammi, por su motivación pese a la distancia.
A toda mi familia, especialmente a mis abuelitos y primas.
A mis amigos de la universidad y del baloncesto.
III
AGRADECIMIENTO
A Dios por cada una de sus bendiciones durante este largo caminar.
A mis padres (R&S) por su ejemplo de constancia y cordialidad.
A mis hermanos (R&S) por sus ocurrencias e infinitos acolites.
A mi familia por todas las palabras de motivación.
A todos mis amigos quienes hicieron que la experiencia dentro y fuera de la universidad
sea única. Gracias por siempre estar Paito, Darío, Isidro.
A la Escuela Politécnica Nacional, sobre todo a la FIEE por la formación personal y

académica brindada. Mención especial al doctor Hugo Arcos por su guía en el desarrollo
de este trabajo.
IV
ÍNDICE DE CONTENIDO
CERTIFICACIONES ...............................................................................................I
DECLARACIÓN DE AUTORÍA .............................................................................. II
DEDICATORIA ..................................................................................................... III
AGRADECIMIENTO ............................................................................................ IV
RESUMEN .......................................................................................................... VII
ABSTRACT ........................................................................................................ VIII
1 DESCRIPCIÓN DEL COMPONENTE DESARROLLADO ............................... 1
1.1 Objetivo general ............................................................................................ 2
1.2 Objetivos específicos .................................................................................... 2
1.3 Alcance ................................................................................................ 2
1.4 Marco teórico ................................................................................................ 3
1.4.1 Generación eléctrica ............................................................................... 3
1.4.2 Despacho económico de generación ...................................................... 3
1.4.3 Despacho hidrotérmico de corto plazo .................................................... 4
1.4.4 Costo de operación de las centrales térmicas ......................................... 4
1.4.5 Restricciones de operación de centrales térmicas .................................. 8
1.4.6 Costo de operación de las centrales hidroeléctricas ............................... 8
1.4.7 Restricciones de operación de centrales hidroeléctricas ....................... 10
1.4.8 Formulación del problema de despacho hidrotérmico de corto plazo .... 11
1.4.9 Algoritmo del lobo gris (GWO) .............................................................. 16
2 METODOLOGÍA ............................................................................................ 20
2.1 Lenguaje de programación Python ............................................................. 20
2.2 Modelación de los parámetros del Sistema de Potencia ............................. 21
2.3 Implementación del Algoritmo de Lobo Gris orientado al despacho
económico hidrotérmico .................................................................................... 22
3 RESULTADOS, CONCLUSIONES Y RECOMENDACIONES ....................... 30
3.1 Resultados .............................................................................................. 30
3.1.1 Sistema de prueba: 14 Barras IEEE ...................................................... 30
3.1.2 Resultados del sistema de prueba 14 Barras IEEE ............................... 31
3.1.3 Comparación de resultados obtenidos del algoritmo de lobo gris (GWO)
con Algoritmos Genéticos (AG) y Enjambre de Partículas (PSO) .................. 35
3.1.4 Sistema de prueba: 39 Barras IEEE ..................................................... 37
V
3.1.5 Resultados del sistema de prueba 39 Barras IEEE ............................... 39
3.1.6 Comparación de resultados obtenidos del algoritmo de lobo gris (GWO)
con Algoritmos Genéticos (AG) y Enjambre de Partículas (PSO) .................. 43
3.2 Conclusiones .............................................................................................. 45
3.3 Recomendaciones ...................................................................................... 46
4 REFERENCIAS BIBLIOGRÁFICAS............................................................... 47
5 ANEXOS ....................................................................................................... 49
ANEXO I. DATOS DEL SISTEMA 14 BARRAS IEEE ....................................... 49
ANEXO II RESULTADOS DEL DESPACHO ECONÓMICO HIDROTÉRMICO
DEL SISTEMA DE 14 BARRAS IEEE CON GWO ............................................ 51
ANEXO III. DATOS DEL SISTEMA 39 BARRAS IEEE ..................................... 52
ANEXO IV RESULTADOS DEL DESPACHO ECONÓMICO HIDROTÉRMICO
DEL SISTEMA DE 39 BARRAS IEEE CON GWO ............................................ 55
VI
RESUMEN
El problema del despacho económico hidrotérmico consiste en encontrar el esquema

idóneo de generación que permita que los costos de producción asociados al uso de
combustibles y agua sean mínimos. El siguiente Trabajo de Integración Curricular presenta
el desarrollo de una herramienta de software en lenguaje de programación Python para
llevar a cabo el despacho económico a través de la técnica heurística del lobo gris que
busca minimizar el costo de generación hidrotérmica y así dar solución al problema de
planeamiento operativo de corto plazo en los sistemas eléctricos de potencia.
La función objetivo está representada por los costos de operación de las centrales térmicas
y las restricciones operativas del sistema como son límites de producción, restricciones de
arranque y parada, tiempo de funcionamiento. Además de considerar los límites de
almacenamiento de embalses, caudales y volúmenes de seguridad para los sistemas
hidroeléctricos. La complejidad del problema se redujo con el modelamiento sin pérdidas
del sistema de transmisión (modelo uninodal) y la aproximación lineal de la función objetivo.
La herramienta fue probada en los sistemas de prueba de 14 y 39 barras de IEEE donde

como resultados se obtuvieron las potencias de generación de cada central para todo el
periodo de planeamiento (24 horas) y los costos de operación del sistema. Estos valores
fueron validados con trabajos previamente presentados y contrastados con dos algoritmos
de optimización que son que son algoritmos genéticos (GA) y enjambre de partículas
(PSO).
PALABRAS CLAVE: Algoritmo de Lobo Gris (GWO), despacho económico de corto plazo,
Python.
VII
ABSTRACT
Hydrothermal economic dispatch problem reaches out the ideal generation scheme that
allows the production costs associated with the use of fuel and water to be minimized. The
following Curricular Integration Work presents the development of a software tool in Python
programming language to carry out the economic dispatch through the heuristic technique
of the Gray Wolf Optimizer that seeks to minimize the cost of hydrothermal generation and
thus provide a solution to the problem of short-term operational planning in electric power
systems.
The objective function is represented by the operating costs of the thermal power plants
and the operating constraints of the system such as production limits, start-up and shutdown
constraints, and operating time. In addition to considering reservoir storage limits, flow rates
and safety volumes for hydroelectric systems. The complexity of the problem was reduced
with lossless modeling of the transmission system (uninodal model) and linear
approximation of the objective function.
The tool was tested on the IEEE 14 and 39-bus test systems where the results were
obtained are the generation powers of each plant for the whole planning period (24 hours)
and the operating costs of the system. These values were validated with previously
presented works and contrasted with two optimization algorithms which are Genetic
Algorithms (GA) and Particle Swarm Optimizer (PSO).
KEYWORDS: Gray Wolf Optimizer, short-term economic dispatch, Python.
VIII
1 DESCRIPCIÓN DEL COMPONENTE DESARROLLADO
La tarea de planificar el abastecimiento continuo de generación eléctrica implica resolver
problemas asociados al despacho de energía y optimización de recursos para atender la
demanda, buscando siempre la maximización de beneficios para el sistema eléctrico en su
conjunto. En un sistema hidrotérmico, la operación de las centrales hidroeléctricas y
térmicas depende de la cantidad de agua y combustibles fósiles disponibles, de la
capacidad de reserva y de las restricciones de cada unidad generadora. Normalmente, por
los costos de producción asociados a cada tipo de generación, se prefiere atender los
requerimientos de la demanda con los sistemas hidroeléctricos, sin embargo, existe la
necesidad técnica de complementar el despacho con generación térmica, para así brindar
un adecuado soporte de las condiciones eléctricas del sistema y garantizar el
abastecimiento continuo de energía.
La programación de la operación de un sistema de potencia se basa en la planificación en

un horizonte dado, que puede ser largo, mediano y corto plazo. Se busca encontrar la
combinación ideal de centrales hidroeléctricas y termoeléctricas cumpliendo con la
minimización de los costos asociados en el horizonte de largo plazo de la operación.
Actualmente, el problema de despacho económico hidrotérmico es tratado a través de
métodos clásicos, sin embargo, al ser un problema de optimización no lineal y no convexo,
aplicar técnicas heurísticas se convierte en una alternativa a los métodos de optimización
exactos tradicionales. El problema de optimización guarda relación con la minimización de
la función objetivo de costos de operación, compuesta por funciones cuadráticas o
polinomiales, sujeta a restricciones propias de cada sistema, por ejemplo, límite de
almacenamiento de embalses, tiempo de recorrido del agua, volumen de descarga a las
turbinas y volúmenes de seguridad para los sistemas hidroeléctricos. Mientras que para los
sistemas térmicos se considera restricciones por límite de producción, restricciones de
toma de carga y arranque, restricciones de parada y disminución de carga entre otras.
Se plantea el desarrollo de un modelo matemático en base al algoritmo del lobo gris (GWO)
que sea capaz de dar solución al problema de planeamiento operativo de corto plazo en
los sistemas eléctricos de potencia. GWO, es una técnica heurística cuya implementación
algorítmica se basa en el fenómeno de cacería de los lobos grises. A través de un proceso
iterativo se encuentra de manera pronta y óptima las soluciones al problema planteado,
cumpliendo los rangos establecidos por las restricciones operativas del sistema. Tras
adaptar el algoritmo al problema de planeación operativa de corto plazo, la herramienta
desarrollada se pondrá a prueba en el sistema de 39 barras de la IEEE.
1
1.1 Objetivo general
Desarrollar una herramienta computacional en lenguaje Python basada en el algoritmo del

lobo gris (GWO) que permita encontrar una solución óptima al problema del despacho
económico hidrotérmico de corto plazo.
1.2 Objetivos específicos
1. Analizar y plantear el problema de planeamiento operativo de corto plazo en

sistemas hidrotérmicos a través de un modelo de optimización.
2. Desarrollar el modelo del algoritmo GWO en lenguaje de programación Python
aplicado a la solución del problema del despacho económico hidrotérmico.
3. Validar la herramienta creada a través de la aplicación en el sistema de prueba 39
barras de la IEEE.
4. Contrastar los resultados obtenidos de tres herramientas computacionales en base
a técnicas heurísticas que son algoritmos genéticos (GA), algoritmo del lobo gris
(GWO) y en el algoritmo de enjambre de partículas (PSO).
1.3 Alcance
Como primera fase se tiene la recopilación y revisión bibliográfica en lo referente al sustento

teórico necesario para la realización del trabajo de integración curricular. Esta investigación
enfocará su atención a definir y formular el problema de la planificación operativa y
despacho económico a corto plazo de los sistemas hidrotérmicos. Parte fundamental de
esta etapa es definir el modelo matemático del problema de optimización.
La segunda fase consiste en una familiarización con el entorno de Python y la revisión del
algoritmo del lobo gris (GWO). Esto incluye consulta de comandos, librerías y códigos
afines en este lenguaje que agiliten la programación de la herramienta computacional.
Asimismo, se busca adaptar y vincular el algoritmo de optimización del lobo gris al problema
del despacho económico hidrotérmico planteado en la primera fase. Se complementa con
la evaluación de técnicas de ajuste y convergencia que permitan conseguir soluciones
óptimas en tiempos de simulación más cortos.
En la tercera fase, ya con la herramienta programada en lenguaje Python, tras cumplir los
límites de ajuste y convergencia, se implementará como caso de prueba al sistema de 39
barras de la IEEE a fin de comprobar el funcionamiento del modelo de optimización
desarrollado. Además, a manera de validación se presentará una comparación de
2
resultados con otras dos técnicas heurísticas que serán, algoritmos genéticos (GA) y
enjambre de partículas (PSO).
1.4 Marco teórico
1.4.1 Generación eléctrica
Un sistema eléctrico de potencia común se compone de cuatro etapas, estas son:

generación, transmisión, distribución y consumidor. La generación es el proceso de
transformación de energía primaria a energía eléctrica a través de unidades de generación,
pudiendo clasificarlas en renovables y no renovables. La radiación solar, el viento, el agua,
geotermia, biomasa están dentro de energías limpias, mientras que los combustibles
fósiles, gas natural, carbón y la energía nuclear componen las no renovables.
En el caso de Ecuador, el recurso hídrico es el que más aporta a la generación de energía,

seguido de la generación termoeléctrica. De acuerdo al último informe presentado por
CENACE, en 2020, se alcanzó una producción neta de energía de 24.168,66 GWh de
generación hidroeléctrica y 2.159,64 GWh de generación termoeléctrica. Se conoce
también que entre empresas públicas y privadas se cuenta con 159 unidades de
generación hidroeléctrica y 126 unidades de generación termoeléctrica.
1.4.2 Despacho económico de generación
Un componente importante en la operación de los sistemas de potencia es el factor

económico. Independientemente del tipo de generación, cada unidad tiene asociada costos
de producción que dependen de la tecnología y recursos que emplea. El despacho
económico de generación trata de minimizar el costo de generación de energía de las ‘n’
centrales y consecuentemente disminuir el precio del kilovatio hora (KWh). Esta operación
económica se plantea como un problema de optimización que busca obtener el valor de
potencia de salida de cada unidad generadora al menor costo posible de acuerdo al
horizonte de planificación.
Se distinguen tres modelos de planificación para el despacho económico: largo, mediano

y corto plazo. La importancia de la planificación radica en mantener un equilibrio entre la
oferta y demanda, por lo que el objetivo del despacho económico a corto plazo es
determinar el esquema de generación menos costoso que permita el abastecimiento de la
demanda en cada hora del día.
3
Modelo de
•Información de Corto Plazo •Potencia a
la red, curva de entregar por
costo de cada •Horizonte cada central en
central, diario. cada hora.
restricciones de •Etapa horaria
operación, etc.
Entrada Salida
Figura 1.1 Modelo del despacho económico de corto plazo. [1]
1.4.3 Despacho hidrotérmico de corto plazo
El despacho hidrotérmico consiste en un problema de optimización que espera encontrar

un punto de equilibrio entre la generación hidráulica y térmica, donde los costos de
operación sean mínimos para abastecer la demanda de manera óptima, en un horizonte
de planificación dado. Se tiene como objetivo decidir el uso adecuado de agua disponible
en los embalses para que haya mayor generación hidroeléctrica disminuyendo así los
costos de combustibles de las unidades termoeléctricas y conseguir un menor aporte de
generación térmica. A la par se deben respetar las restricciones de operación de cada
central y del sistema.
1.4.4 Costo de operación de las centrales térmicas
El despacho económico hidrotérmico, al tratar de minimizar una función objetivo de costos,

se considera un problema de optimización no lineal y no convexo. Su complejidad radica
en el tamaño del sistema, el número de centrales térmicas e hidroeléctricas, las variables
de decisión, la disponibilidad de recursos y la demanda energética. La solución de este
problema puede realizarse mediante el uso de técnicas heurísticas que permitan alcanzar
respuestas de óptima calidad en intervalos cortos de procesamiento.
La coordinación hidrotérmica de corto plazo debe considerar tanto las características

operativas de las plantas hidroeléctricas como térmicas. En la programación hidráulica, los
recursos hídricos son los principales a tomar en cuenta pues por su naturaleza estocástica
no es posible conocer con exactitud la cantidad de agua que llegará a los embalses
(incertidumbre de caudales). También están los límites y eficiencia de las turbinas, límite
de almacenamiento de embalses, tiempo de recorrido del agua, volumen de descarga a las
4
turbinas y volúmenes de seguridad. En este caso los costos del recurso primario no se
definen como variables de decisión, pues el agua se encuentra disponible en la naturaleza
y los costos de inversión de la central no son considerados en análisis operativos. Por otro
lado, en la programación térmica la función de costos, generalmente cuadrática, se la debe
plantear considerando los costos variables de producción, operación y el costo del
combustible. También se debe tomar en cuenta la capacidad máxima y mínima de cada
unidad generadora.
El problema del despacho económico está ligado a la función de costos de las unidades
térmicas, por lo que es importante conocer la relación entre el costo y la potencia de salida
que se representa con curvas de entrada y salida. Por lo general estas funciones son de
segundo o mayor orden y también exponenciales, sin embargo, para simplificar el problema
se trata de hacer aproximaciones con funciones lineales a trozos. A continuación, se
detallan los principales costos de operación que se asocian a los sistemas térmicos.
- Costo de encendido y apagado
El costo de partida relaciona la cantidad de combustible necesario a usarse en la caldera

a temperatura y presión ideal para operar la turbina. De igual forma se vinculan los costos
por operación y mantenimiento. En el arranque de una unidad termoeléctrica el tiempo es
una variable importante pues, el costo de poner en marcha una unidad fría en comparación
a una previamente apagada involucra más recursos.
𝐶𝑒𝑛𝑐 = 𝐶0 (1 − 𝑒 −𝜙𝑡 )
Ecuación 1.1. Ecuación del costo de encendido de una unidad térmica.
Donde,
𝐶0 , es el costo de partida en frío

𝜙, la razón de enfriamiento de la unidad.
Esta relación se puede representar a través de la siguiente curva
5
Figura 1.2 Costo de encendido en función del tiempo de apagado. [2]
Los costos de parada de las unidades térmicas se los considera independientes del tiempo
de operación la misma, por lo que se los incluye dentro de los costos de operación y
mantenimiento.
- Curva de entrada y salida
También conocida como curva de costos de combustible, es la que permite determinar los
costos totales de operación y el valor de las variables duales asociadas a la demanda
(costo de la energía de corto plazo). Típicamente esta curva se la modela como una función
cuadrática y está en función de la potencia despachada y el precio del combustible.
𝐶𝐶(𝑃𝑡) = 𝑎𝑃𝑡 2 + 𝑏𝑃𝑡 + 𝑐
𝑐𝑜𝑛 𝑃𝑡𝑚í𝑛 ≤ 𝑃𝑡 ≤ 𝑃𝑡𝑚á𝑥
Ecuación 1.2. Ecuación de los costos de combustibles
Figura 1.3 Curva de costo de combustible.
Para disminuir la complejidad del problema para la representación de la curva de costos

de combustible se usa una aproximación lineal por tramos que se describe a continuación.
6
- Costos de combustible
Generalmente la curva de costos de combustibles es la más importante a considerar pues

representa el consumo horario de producir determinado nivel de potencia. En la figura 4 se
representa la función cuadrática y su respectiva aproximación con funciones lineal a trozos
con diferentes pendientes.
Figura 1.4 Curva entrada /salida de combustible. [3]
Esta aproximación lineal es de tipo no convexa, pues la función de costos de combustible

de las unidades térmicas es del mismo tipo, lo que brinda una solución óptima real. La
curva de entrada y salida de combustible se representa a través de la siguiente ecuación
𝐶𝐶𝑖𝑡 (𝑝) = ∑ 𝐶𝑘 𝜆𝑘
𝑘=1
Donde
𝜆𝑘 ≥ 0, 𝑘 = 𝑎, . . . . . . . . . , 𝐾.
Ecuación 1.3. Modelo de curva de costos lineal a trozos.
Otra característica de la curva de costos, se ve en su desfase de partida lejos del origen,

por lo que es necesario incluir una variable binaria que condicione si la unidad se encuentra
encendida (𝛼 = 1), caso contrario (𝛼 = 0), si se encuentra apagada. Con ello los límites
de potencia quedan restringidos a través de 𝑃𝑡𝑚𝑖𝑛 𝑖 𝛼 ≤ 𝑝𝑖 ≤ 𝑃𝑡𝑚𝑎𝑥 𝑖 𝛼.
7
1.4.5 Restricciones de operación de centrales térmicas
- Límites técnicos de operación
Para garantizar el funcionamiento correcto de las unidades térmicas se debe considerar

una potencia de salida mínima. Por lo general este valor se encuentra entre el 20% y 50%
de la potencia máxima si la central usa carbón, mientras que para las alimentadas con gas
natural o petróleo el valor oscila entre el 10% y 30%.
- Tiempos mínimos de operación y apagado
Debido al trabajo que implica poner en marcha las unidades térmicas hasta llegar a
temperaturas iguales en toda la unidad, especialmente en la turbina, es que se debe
garantizar un tiempo mínimo de espera tanto para apagarlas y/o volverlas a encender. Con
ello se pretende cumplir los límites técnicos y controlar la fatiga de los materiales.
- Rampas de potencia
Las unidades térmicas tienen la limitación de efectuar cambios progresivos de temperatura

por lo que se emplea rampas de toma de carga para modelar la adición o sustracción de
carga.
- Disponibilidad de combustible
La limitación del combustible se asocia al abastecimiento de materia prima o su falta de

reserva. Se puede considerar una limitación el precio variable del combustible o los
contratos take or pay.
1.4.6 Costo de operación de las centrales hidroeléctricas
Al ser el agua un recurso disponible para la generación hidroeléctrica, dicha disponibilidad

se traduce en un proceso estocástico por lo que puede tener diferentes valores a cada
instante, variando así también su ‘costo de agua’ asociado. Sin embargo, no se considera
un problema de optimización con respecto a esta variable.
Con respecto al volumen se usa la siguiente expresión cuadrática que relaciona el flujo del
embalse con la potencia suministrada:
𝑄 = 𝑎𝑃2 + 𝑏𝑃 + 𝑐
Ecuación 1.4. Flujo del embalse en función de la potencia. [4]
Se conoce que el volumen es el producto del flujo por el tiempo y el tiempo se calcula en
horas, el volumen se expresa como:
8
𝑉 = 𝑎𝑃2 + 𝑏𝑃 + 𝑐
Ecuación 1.5. Función del volumen del embalse
Por lo que esta expresión sería el volumen de agua gastado por un embalse entregando
una potencia determinada durante una hora. Esta relación es similar a la del costo de
combustible de las unidades térmicas. La principal diferencia está en que mientras en las
unidades térmicas el consumo total no varía durante el periodo, para las unidades
hidroeléctricas este cálculo debe hacerse por hora teniendo en cuenta la restricción de la
diferencia de volumen final e inicial, pues el combustible es un recurso fijo para las
termoeléctricas mientras que en las hidroeléctricas el volumen del embalse depende del
flujo del afluente.
𝑉𝑖 = 𝑎𝑃2 + 𝑏𝑃 + 𝑐 + 𝑓𝑙𝑢𝑗𝑜 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎
Ecuación 1.6. Volumen de agua gastado por un embalse en una hora
Para cada hora se realiza el cálculo ya que el volumen aumenta o disminuye de forma
dinámica en función de la potencia usada en la hora anterior, además de comprobar que
el volumen requerido no exceda el valor máximo.
𝑉𝑖 = 𝑉𝑖−1 + 𝑓𝑙𝑢𝑗𝑜 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 − 𝑓𝑙𝑢𝑗𝑜 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎
Ecuación 1.7. Volumen de agua considerando la hora anterior
A continuación, se muestra la relación entre los costos asociados al agua en función al

agua almacenada al final de un periodo en sistemas hidrotérmicos.
Figura 1.5 Curva de costos inmediatos y futuros de operación en función del agua
almacenada [2]
9
El costo inmediato de operación se relaciona con los costos de la generación térmica
durante el periodo de análisis, por ello la curva sigue una función cuadrática. Entonces si
el agua almacenada al final del periodo es menor, se usó menos generación térmica y el
costo inmediato es menor. Por otro lado, el costo futuro de operación se asocia a la
generación térmica de mediano y largo plazo, si hay mayor agua almacenada el costo
futuro es decreciente.
1.4.7 Restricciones de operación de centrales hidroeléctricas
- Cotas máximas y mínimas del embalse
Para las centrales hidroeléctricas la capacidad de almacenamiento es un factor importante

pues así se previene el desperdicio de recursos o la mala operación de la central, por lo
que se debe respetar el nivel útil mínimo y máximo del embalse.
- Dinámica hidráulica propia de cada embalse
Describe una relación del volumen en el embalse en función del caudal de entrada, también
se considera el vertimiento, filtración y evaporación del embalse a los que se añade una
variable de decisión que modela la descarga de la planta hidroeléctrica. Todo esto para el
periodo de programación.
- Existencia de series hidráulicas
Algunos sistemas se componen de cadenas de centrales, por lo que es necesario tomar

en cuenta el recurso disponible aguas arriba y el tiempo en que llega el agua de un embalse
a otro, pues de ello dependerá la descarga a la última unidad o planta hidroeléctrica.
- Criterios por coordinación hidrotérmica de mediano y largo plazo
La curva de costos futuros de operación establece los criterios de coordinación de mediano

y largo plazo que involucran las cotas máximas y mínimas que debe tener cada embalse
durante el periodo de programación de corto plazo.
- Usos alternativos del agua
En algunos casos no todo el recurso hídrico se destina a la generación de energía, se suele

ocupar ramales para agricultura, procesos industriales, fines turísticos, irrigación, incluso
caudales mínimos para la conservación del entorno ecológico.
10
1.4.8 Formulación del problema de despacho hidrotérmico de corto plazo
El despacho económico hidrotérmico se presenta como un problema de optimización para

obtener el costo mínimo de generación en la operación de un sistema integrado por
generación hidroeléctrica y térmica, a través de una función objetivo. Se consideran las
diversas restricciones técnicas de las unidades de generación y el balance generación
carga del sistema. A continuación, se presenta la formulación del problema.
1.4.8.1 Función objetivo
Los costos asociados a cada unidad termoeléctrica están compuestos por los costos totales
de operación que incluyen el costo del combustible y los costos de arranque y parada en
toda la planificación operativa.
𝑇 𝐺
𝑚𝑖𝑛𝐶𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ (𝐹𝑔 (𝑃𝑔,𝑡 ) + 𝐶𝑎𝑔 × 𝑌𝑔,𝑡 + 𝐶𝑝𝑔 × 𝑊𝑔,𝑡 )
𝑡=1 𝑔=1
Ecuación 1.8. Función objetivo a minimizar en el problema de optimización
Donde:
𝐺, g-unidades de generación térmica
𝑇, t-consideraciones de tiempo de análisis
𝐹𝑔 (𝑃𝑔,𝑡 ), Función de costos de combustible de las unidades térmicas
𝐶𝑎𝑔, Costo de arranque total por unidad térmica
𝐶𝑝𝑔 , Costo de parada total por unidad térmica
𝑌𝑔,𝑡 𝑦 𝑊𝑔,𝑡 , Estado de la unidad, variable binaria asociada a los estados: arranca 1, no
arranca 0
Como se describió en la ecuación 1.2 la función de costo de combustibles de las unidades

térmicas se representa con una función polinomial de grado dos.
2
𝐹𝑔 (𝑃𝑔,𝑡 ) = 𝑎𝑔 𝑃𝑔,𝑡 + 𝑏𝑔 𝑃𝑔,𝑡 + 𝑐𝑔
Ecuación 1.9. Función de costos cuadrática
Donde:
𝑃𝑔,𝑡 , Potencia generada por la central g en el periodo t
𝑎𝑔 , 𝑏𝑔 , 𝐶𝑔 , Coeficientes de costos de combustible de las g-unidades térmicas
11
Sin embargo, para el desarrollo del trabajo se usa la siguiente aproximación lineal, donde
se incluye la variable 𝑈𝑔,𝑡 , de tipo binaria para indicar el estado de operación de cada unidad
térmica, en operación toma el valor de 1, y en parada el valor de 0.
𝐹𝑔 (𝑃𝑔,𝑡 ) = 𝑎𝑔 𝑃𝑔,𝑡 + 𝑏𝑔 𝑈𝑔,𝑡
Ecuación 1.10. Función de costos lineal
1.4.8.2 Restricciones
Cada sistema está sujeto a un conjunto de restricciones de acuerdo a la naturaleza de su

operación. A continuación, se detallan las restricciones consideradas en la programación
del problema de optimización.
1.4.8.2.1 Restricción de balance de potencia
De acuerdo a la primera ley de Kirchhoff se debe considerar el balance de carga en cada

uno de los periodos de optimización. Sin considerar pérdidas, la generación total debe ser
igual a la demanda total. Sin embargo, para que el modelo de optimización se aproxime a
un sistema real, se incluye en la propuesta, un modelo de carga ficticia que emule las
pérdidas.
Figura 1.6 Diagrama uninodal del sistema
Por lo tanto, la restricción del balance de carga queda representada como:
𝐺 𝐻
∑ 𝑃𝑔,𝑡 + ∑ 𝑃ℎ,𝑡 = 𝑃𝐷,𝑡
𝑔=1 ℎ=1
Ecuación 1.11. Restricción asociada al balance de potencia
12
Donde:
𝑃𝑔,𝑡 , Potencia generada por la central térmica g en el intervalo t
𝑃ℎ,𝑡 , Potencia generada por la central hidroeléctrica h en el intervalo t
𝑃𝐷,𝑡 , Potencia de Demanda de la carga en el periodo t
1.4.8.2.2 Restricciones Técnicas en Sistemas Térmicos
- Restricción del límite de producción
Para garantizar la operación correcta de las unidades de generación termoeléctricas, cada

una de ellas no puede sobrepasar sus límites de potencia máxima y mínima. A esta
restricción se suma la variable binaria (𝑈𝑔,𝑡 ), asociada al estado de operación de cada
unidad térmica.
𝑃𝑔𝑚í𝑛 𝑈𝑔,𝑡 ≤ 𝑃𝑔,𝑡 ≤ 𝑃𝑔𝑚á𝑥 𝑈𝑔,𝑡
Ecuación 1.12. Restricción de límites de producción
- Restricción de arranque y subida
La potencia generada por el generador 𝑔 en un periodo 𝑡, menos la potencia generada en

el periodo anterior 𝑡 − 1, debe ser menor o igual a la suma de: la potencia máxima de
subida si el generador está en línea (𝑈𝑔,𝑡−1 = 1) en el periodo 𝑡 − 1, más la potencia
máxima de arranque si el generador arranca (𝑌𝑔,𝑡 = 1) en el periodo 𝑡. Siendo 𝑅𝑠𝑔 y 𝑅𝑎𝑔 las
rampas de subida y arranque de los 𝑔 generadores en un periodo de tiempo determinado.
𝑃𝑔,𝑡 − 𝑃𝑔,𝑡−1 ≤ 𝑅𝑠𝑔 𝑈𝑔,𝑡−1 + 𝑅𝑎𝑔 𝑌𝑔,𝑡
Ecuación 1.13. Restricción de rampa de arranque y subida
- Restricción de parada y bajada
Dado que en esta vez se analiza el caso en el que un generador se encuentra operando y
se desea disminuir o detener la generación, el periodo empleado es el periodo actual 𝑡,
para la variable binaria 𝑈𝑔,𝑡 . En esta restricción, la potencia generada por el generador 𝑔
en un periodo 𝑡 − 1, menos la potencia generada en el periodo 𝑡, debe ser menor o igual a
la suma de la potencia máxima de bajada si el generador está en línea (𝑈𝑔,𝑡 = 1), más la
potencia máxima de parada si el generador está parado (𝑊𝑔,𝑡 = 1). Siendo 𝑅𝑏𝑔 y 𝑅𝑝𝑔 las
rampas de bajada y parada de los 𝑔 generadores en un periodo de tiempo determinado.
13
𝑃𝑔,𝑡−1 − 𝑃𝑔,𝑡 ≤ 𝑅𝑏𝑔 𝑈𝑔,𝑡 + 𝑅𝑝𝑔 𝑊𝑔,𝑡
Ecuación 1.14. Restricción de rampa de parada y bajada
- Lógica binaria de operación
Por otra parte, se deben considerar las restricciones funcionales como es la potencia
máxima y mínima de funcionamiento ya mencionada en la ecuación 1.2. Con respecto a
las restricciones lógicas de acoplamiento de cada unidad térmica se tiene que:
1. Si la unidad térmica está acoplada en el periodo (t-1) y también acoplada en el

periodo (t), la unidad ya estuvo operando en (t-1).
2. Si la unidad térmica está acoplada en el periodo (t-1) y desacoplada en el
periodo (t), la unidad paró en (t).
3. Si la unidad térmica está desacoplada en el periodo (t-1) y acoplada en el
periodo (t) entonces se ha efectuado el arranque en (t)
4. Si la unidad térmica está desacoplada en el periodo (t-1) y también desacoplada
en el periodo (t) entonces no se ha efectuado el arranque.
𝑈𝑔,𝑡 − 𝑈𝑔,𝑡−1 = 𝑌𝑔,𝑡 − 𝑊𝑔,𝑡
𝑌𝑔,𝑡 + 𝑊𝑔,𝑡 ≤ 1
Ecuación 1.15. Restricción de lógica binaria de operación
1.4.8.2.3 Restricciones Técnicas en Sistemas Hidroeléctricos
Se describen las ecuaciones de manera similar a los sistemas térmicos con la diferencia
que en los sistemas hidroeléctricos no se incluye la variable binaria de operación o no
operación.
- Restricción del límite de producción
Para esta restricción, el límite se establece por la cantidad de potencia mecánica que puede
entregar el generador, es decir valores de potencia máximos y mínimos dentro de los
márgenes de operación segura.
𝑃ℎ𝑚í𝑛 ≤ 𝑃ℎ,𝑡 ≤ 𝑃ℎ𝑚á𝑥
Ecuación 1.16. Restricción del límite de generación
- Restricción de subida
Las centrales hidroeléctricas se caracterizan por generar un máximo de producción, por lo

no pueden sobrepasar dicho límite al pasar de un periodo de tiempo determinado al
14
siguiente. En la siguiente desigualdad se describe esta restricción de potencia con la
variable 𝑅𝑠ℎ que es la rampa de subida de la h-unidad hídrica.
𝑃ℎ,𝑡 − 𝑃ℎ,𝑡−1 ≤ 𝑅𝑠ℎ
Ecuación 1.17. Restricción de rampa de subida
- Restricción de bajada
De la misma forma las centrales hidroeléctricas presentan un mínimo de producción por lo

que es necesario incluir en la formulación la restricción del límite de disminución de
potencia, siendo 𝑅𝑏ℎ la rampa de bajada de la h-unidad hídrica.
𝑃ℎ,𝑡−1 − 𝑃ℎ,𝑡 ≤ 𝑅𝑏ℎ
Ecuación 1.18. Restricción de rampa de bajada
- Restricción del volumen de embalse máximo y mínimo
Las hidroeléctricas de pasada, embalse y bombeo son los tipos de unidades generadoras
hidroeléctricas. En las de pasada se aprovecha la fluencia y velocidad del agua para
generar energía, con la limitante de no tener almacenamiento de agua. En las unidades de
embalse se tiene la capacidad de almacenamiento y en ciertos casos para reducir el costo
de operación del sistema se usa la energía de reserva. Finalmente, las de bombeo que se
caracterizan por tener un contraembalse aguas abajo que sirve de reservorio de bombeo.
En cada una es necesario considerar los límites máximos y mínimos de volumen de agua
dentro el embalse, por lo que la restricción de cotas de embalse se representa en la
ecuación 1.19.
𝑉ℎ𝑚í𝑛,𝑡 ≤ 𝑉ℎ,𝑡 ≤ 𝑉ℎ𝑚á𝑥,𝑡
Ecuación 1.19. Restricción de volumen máximo y mínimo
- Restricción de balance hidráulico
Dependiendo el tipo de sistema es imprescindible hacer uso eficiente de los embalses, es

así que se proponen dos escenarios: con embalses acoplados o dependientes aguas arriba
e independientes hidrológicamente.
Embalse independiente
𝑉ℎ,𝑡 = 𝑉ℎ,𝑡−1 + 3600𝑟ℎ,𝑡 − 𝑞ℎ,𝑡 − 𝑠ℎ,𝑡 [3]
Ecuación 1.20. Restricción embalse independiente
Donde:
15
𝑟ℎ,𝑡 , Tasa de afluencia neta para el periodo t
𝑞ℎ,𝑡 , Caudal a través de la turbina en el periodo t
𝑠ℎ,𝑡 , Derrame en el periodo t
Embalse dependiente aguas arriba
𝑉ℎ,𝑡 = 𝑉ℎ,𝑡−1 + 3600𝑟ℎ,𝑡 − 𝑞ℎ,𝑡 − 𝑠ℎ,𝑡 + ∑(𝑞ℎ𝑎,𝑡−𝑡𝑇𝐷 − 𝑠ℎ𝑎,𝑡−𝑡𝑇𝐷 ) [3]
Ecuación 1.21. Restricción embalse dependiente aguas arriba
Donde:
𝑞ℎ𝑎,𝑡 , Caudal aguas arriba a través de la turbina en el periodo t
𝑠ℎ,𝑡 , Derrame aguas arriba en el periodo t
𝑡𝑇𝐷 , Desfase temporal entre la unidad aguas arriba y la h-unidad hidroeléctrica
- Restricción del caudal turbinado
El caudal turbinado en determinado periodo de tiempo no puede exceder el caudal máximo

(𝑞𝑔𝑚á𝑥 ) y mínimo (𝑞𝑔𝑚í𝑛 ) permitido por la turbina. Para este trabajo no se considera los
parámetros de volumen ni forma de embalse, ni el tipo de turbina, que involucra el cálculo
del caudal ya que se asume que la altura de los embalses es constante.
𝑞𝑔𝑚í𝑛 < 𝑞𝑔,𝑡 < 𝑞𝑔𝑚á𝑥
Ecuación 1.22. Restricción de caudal turbinado
1.4.9 Algoritmo del lobo gris (GWO)
El despacho económico hidrotérmico es considerado un problema de optimización de

naturaleza discontinua, multimodal y no convexa, por lo que los algoritmos heurísticos se
presentan como una buena alternativa de solución. Dichos algoritmos incorporan
mecanismos de búsqueda que, a través de iterar y evaluar, calculan nuevas soluciones
candidatas, basándose en el éxito de las soluciones anteriores [7]. Dentro de los algoritmos
de optimización inspirados en el comportamiento colectivo de ciertas especies se
encuentra el del lobo gris (GWO), por sus siglas en inglés (Grey Wolf Optimizer), el cual
fue desarrollado en 2014 por el australiano Seyedali Mirjalili.
El GWO imita el mecanismo de caza y la jerarquía de liderazgo de los lobos grises en su

hábitat, quienes se encuentran al inicio de la cadena alimenticia, por lo general en grupos
de 5 a 12 individuos. De forma similar a los otros optimizadores, GWO utiliza una población
inicial aleatoria para evaluar la función objetivo y luego encontrar los óptimos globales a
través de un modelo matemático siguiendo los tres pasos principales de la caza: buscar la
16
presa, rodearla y atacarla. De acuerdo a su comportamiento existe una división jerárquica
donde se evidencia 4 grupos: los lobos alfa (𝛼), beta (𝛽), delta (𝛿) y omega (𝜔). Los dos
primeros son los que intentan atraer al resto de los agentes de búsqueda hacia la presa,
siendo ellos la solución óptima del problema. Para determinar los líderes y reconstruir la
jerarquía social, GWO actualiza la posición de todos los lobos en cada iteración, incluyendo
los lobos líderes [8].
La posición de los lobos se actualiza con las siguientes ecuaciones
𝐷 = |𝐶𝑋𝑝(𝑡) − 𝑋(𝑡) |
𝑋 = 𝑋𝑝(𝑡) − 𝐴𝐷
Ecuación 1.23. Modelo matemático de acorralamiento
Donde:
𝐷, representa la distancia entre la posición de la presa y el lobo que la rodea
𝑡, representa el número de iteración
𝐴 𝑦 𝐶, son vectores aleatorios
𝑋𝑝(𝑡) , representa la ubicación de la presa
𝑋(𝑡) , representa la posición actual del lobo
Simultáneamente los valores de 𝐴 𝑦 𝐶 se los determina de acuerdo a:
𝐶 = 2𝑟2
𝐴 = 2𝑎𝑟1 − 𝑎
2𝑡
𝑎 =2−
𝑇
Ecuación 1.24. Vectores aleatorios de posición
Los vectores 𝑟1 𝑦 𝑟2 son creados con valores aleatorios entre [0,1]. Por otro lado, el valor
de 𝑎, se calcula a través de la iteración actual (𝑡) y el número total de iteraciones (𝑇)
generando valores que decrementan linealmente de 2 a 0. Estos parámetros son
importantes ya que a través de 𝐴 𝑦 𝐶 conjuntamente con todas las ubicaciones entre los
puntos obtenidos según los valores de 𝑟1 𝑦 𝑟2 , los lobos pueden aprovechar todas las
regiones cercanas a la presa. Cuando encuentran a su objetivo, el mejor lobo posicionado
(alfa) intenta guiar a los demás cazadores hacia la presa. Dependiendo el caso, los lobos
17
beta y delta pueden también ayudar a alfa a dirigir a los demás y así aumentar su influencia
en el grupo. Por lo tanto, los tres mejores agentes basados en su fitness deben ser
almacenados en cada iteración para atraer al resto de agentes hacia la presa [9]. Los
demás lobos deben actualizar su distancia respecto a los mejores agentes de acuerdo a:
𝐷𝛼 = |𝐶1 𝑋𝛼 − 𝑋(𝑡) |
𝐷𝛽 = |𝐶2 𝑋𝛽 − 𝑋(𝑡) |
𝐷𝛿 = |𝐶3 𝑋𝛿 − 𝑋(𝑡) |
Ecuación 1.25. Actualización de distancia
Donde:
𝑋𝛼 , 𝑋𝛽 , 𝑋𝛿 , muestran la posición de los líderes
𝐶1 , 𝐶2 , 𝐶3 , vectores randómicos de acuerdo a 𝑟2
𝑋(𝑡) , vector de posición actual del lobo en cada iteración
Con respecto a estas distancias, los lobos se mueven hacia los líderes de la siguiente
manera
𝑋1 = |𝑋𝛼 − 𝐴1 𝐷𝛼 |
𝑋2 = |𝑋𝛽 − 𝐴2 𝐷𝛽 |
𝑋3 = |𝑋𝛿 − 𝐴3 𝐷𝛿 |
Ecuación 1.26. Posición de los tres mejores lobos
Finalmente, para encontrar la posición para la siguiente iteración se emplea la ecuación

1.27 que se describe como el promedio de los tres mejores agentes de búsqueda.
𝑋1 + 𝑋2 + 𝑋3
𝑋(𝑡+1) =
3
Ecuación 1.27. Posición siguiente del lobo
Este procedimiento se lo resume gráficamente en la siguiente figura donde se detalla el

movimiento de los lobos de acuerdo a cierta ubicación de la presa.
18
Figura 1.7 Descripción del movimiento de los lobos [8]
Se debe tomar en cuenta que el vector 𝐴, está dentro del intervalo [−2𝑎, 2𝑎] y el valor
máximo de 𝑎 es 2 en la primera iteración y disminuye linealmente a 0 en la última iteración.
Como se mencionó antes, los valores de 𝐴 𝑦 𝐶 son importantes para dictaminar la acción
de los lobos pues si |𝐴| > 1 𝑦 |𝐶 | < 1 el GWO se comporta solo de manera exploratoria,
obligando incluso a buscar otra presa, mientras que si |𝐴| < 1 𝑦 |𝐶 | > 1 existe mayor
certeza en aprovechar la posición para atacar y cazar. En todas las iteraciones, el vector
aleatorio 𝐶 puede definir la caza o la exploración por lo que se debe asegurar que el valor
no decremente a 0 para evitar que el GWO se estanque y llegue con facilidad al óptimo
local.
19
2 METODOLOGÍA
El problema de despacho económico hidrotérmico representa un punto neurálgico dentro
de la operación de los sistemas de potencia, ya que se busca el óptimo esquema de
generación de manera que los costos de producción de las centrales térmicas sean
minimizados. Los métodos heurísticos se presentan como una alternativa muy llamativa
para la solución de dicho problema de optimización, por lo que a través de una herramienta
computacional programa en lenguaje Python se propone encontrar la solución del problema
de DEHT.
En este trabajo plantea el algoritmo de lobo gris que pertenece al grupo de metaheurísticas
de inteligencia de enjambre, como solución al problema de despacho económico. Dicha
técnica tiene gran potencial para conseguir soluciones óptimas en tiempos cortos de
simulación, ya que al ser un método exploratorio permite realizar una búsqueda a nivel
global y en regiones con características no uniformes.
2.1 Lenguaje de programación Python
Actualmente Python es uno de los lenguajes de programación más utilizados en el mundo

por su licencia de código abierto. Se lo define como un software de cómputo para distintas
áreas como la ingeniería y ciencia, ya que es un lenguaje combina propiedades de
diferentes paradigmas de programación, que permite desarrollar programación orientada a
objetos, imperativa e incluso funcional [10]. Una de las ventajas del programa es que ha
implementado toda su librería estándar en el lenguaje C, haciendo que su sintaxis sea
legible con el usuario y por ende sus funciones primitivas bastante eficientes. A ello se
suma que cuenta con una librería estándar bastante completa, a la que se puede añadir
variedad de paquetes y módulos como NumPy, SciPy, Pyomo que llegan a ser
comparables con las funciones disponibles en Matlab, lo que convierte a Python en una
herramienta que permite modularizar los programas y reutilizar los códigos, traduciéndose
en otra ventaja.
Cada librería trabaja de forma independiente entre sí, sin embargo, pueden enlazarse entre
sí en caso de requerir sus funciones. Esta disponibilidad de herramientas reduce los
tiempos computacionales, lo que resulta conveniente en la programación el despacho
económico hidrotérmico y el tiempo de convergencia de los optimizadores. A continuación,
se detallan las librerías empleadas en el trabajo.
- Pypower
20
Es un solver que permite calcular flujos de potencia óptimos a través del método de Newton
Raphson y Newton Raphson Desacoplado Rápido. Al ser una adaptación de MATPOWER
también permite resolver problemas de simulación y optimización de sistemas de potencia
en estado estacionario. Una de sus ventajas es que incluye una lista de casos de prueba.
Por ejemplo, para ejecutar un flujo de potencia está el caso del sistema de 14 barras de
IEEE, lo que en el presente trabajo se considera como el ejercicio de prueba del algoritmo.
- NumPy
Se conoce como la herramienta fundamental para cálculo científico y numérico en Python,
de ahí su abreviatura de Python Numérico. Se usa para realizar operaciones y sus matrices
(arrays) facilitan el almacenamiento y manipulación de datos a comparación de las otras
estructuras de datos incorporadas en Python. Las matrices de NumPy son la
representación estándar para los datos numéricos y permiten una implementación eficiente
de los cálculos numéricos ya que permite vectorizarlos, evita la copia de datos en la
memoria y minimiza el número de operaciones.
- Pandas
Esta librería proporciona herramientas para visualización de datos permitiendo que Python
sea un entorno de análisis de datos potente y productivo. Una función importante que tiene
es el DataFrame, estructura de datos bidimensional orientada a columnas con etiquetas de
fila y columna. Al combinarse con Numpy, proporciona sofisticadas funcionalidades de
indexación, corte y división de datos, la selección de subconjuntos de datos entre otras.
- Matplotlib
Es la biblioteca más popular de Python que para obtener visualizaciones estáticas y
animadas de datos en 2D y 3D. con un entorno iterativo que permite acercarse a una
sección del gráfico y desplazarse por él mediante la barra de herramientas de la ventana.
2.2 Modelación de los parámetros del Sistema de Potencia
A través de los módulos que cuenta la librería Pypower se puede modelar una red y ejecutar
su flujo de potencia. Como paso preliminar, se debe introducir toda la información con
respecto a los elementos que componen dicho sistema, por lo que con la versatilidad de
Numpy se definen matrices para las barras, líneas, generadores, demanda y para las
centrales térmicas e hidroeléctricas cada uno de sus parámetros. A continuación, se
describe los componentes de los sistemas, que numéricamente están detallados en los
Anexos I y III.
21
El primer elemento son las barras, por lo que se necesita especificar su tipo, recalcando
que solo se colocan valores en las barras de carga, se añade también a la matriz el valor
del voltaje de referencia y los límites mínimos y máximos de voltaje en las barras. Luego
están los generadores, donde se define el número de barra al que se encuentran
conectados, así mismo los límites mínimos y máximos de potencia activa y reactiva, y el
voltaje de generación. El siguiente elemento son las líneas donde se establece las barras
de conexión (inicio/fin), también los valores que se usan para el flujo que son resistencia,
reactancia, susceptancia, finalmente al array se suma la cargabilidad de la línea.
Por otro lado, se crean matrices para cada tipo de generación. Para las centrales
hidroeléctricas es necesario incluir los datos de influjos naturales, volumen de
almacenamiento, caudal mínimo y máximo y el respectivo valor binario para determinar si
las centrales están conectadas en serie hidráulica, al igual que la condición de rampas;
otro valor importante es la eficiencia de cada central. Para las unidades térmicas los
parámetros que se incluyen son las potencias tanto de subida y bajada, las potencias de
arranque y parada, los costos de arranque y parada que se consideran dentro de las
restricciones técnicas de operación. Se incluye en otra matriz los coeficientes de costos de
generación para cada generador. Finalmente, para la demanda se crea una matriz que
modela el horizonte de planificación, es decir 24 horas con su respectivo valor asociado a
cada hora, generando así la curva de demanda horaria.
Tras haber modelado el sistema se ejecuta un flujo de potencia a través de una herramienta
de PyPower permite conocer los valores de voltaje y ángulo para un instante determinado
y estos resultados se comparan con los sistemas de prueba de DIgSILENT. El objetivo de
correr el flujo de potencia es validar la modelación del sistema en Python, dando apertura
a que en próximos trabajos se consideren las pérdidas.
2.3 Implementación del Algoritmo de Lobo Gris orientado al

despacho económico hidrotérmico
Antes de introducir el GWO al despacho económico se presenta un ejemplo ilustrativo que

muestra el proceso de iteración del optimizador descrito en la sección 1.4.9. La técnica
heurística del lobo gris está basada en la creación aleatoria de posibles soluciones que
compongan una población inicial. Dichos valores deben estar dentro de los rangos
definidos por las restricciones del problema a optimizar y mientras el algoritmo va iterando,
dichas soluciones se van perfeccionando y actualizando por la intervención de operadores
propios del método. En este caso particular, están representados por 𝑟1 , 𝑟2 , 𝐴 𝑦 𝐶 los cuales
22
guían a seguir explorando el espacio de búsqueda hasta llegar a soluciones óptimas
globalmente factibles con gran celeridad.
A continuación, se presenta la minimización de la función de Binh y Korn (1997) a través

de GWO.
𝑓(𝑥1 , 𝑥2 ) = min[(𝑥1 − 5)2 + (𝑥2 − 2)2 ]
Ecuación 1.28. Función de prueba
Paso 1: Inicialización de la población

- Número de lobos: 12
- Número de iteraciones: 3
Paso 2: Inicialización de los operadores

𝑟1 , 𝑟2 , valores aleatorios entre [0,1], para el ejemplo se han asignado los siguientes valores.
𝑟1 = 𝑟𝑎𝑛𝑑() = 0,705
𝑟2 = 𝑟𝑎𝑛𝑑() = 0,59
El valor de 𝑎, se calcula a través de la iteración actual 𝑡 y el número total de iteraciones 𝑇.
2𝑡
𝑎 =2−
𝑇
2(1)
𝑎 =2−
3
𝑎 = 1,33
Paso 3: Cálculo de la aptitud de cada miembro de la población

Se proponen valores aleatorios para 𝑥1 , 𝑥2 y se evalúan en la ecuación 1.28 obteniendo los
siguientes resultados:
Tabla 2.1. Evaluación de la función objetivo
Lobo 𝑥1 𝑥2 𝑓(𝑥1 , 𝑥2 )
1 4,0698 3,0173 1,9001
2 4,0487 2,6051 1,2710
3 4,6492 3,0427 1,2103
4 5,4633 3,6633 2,9813
5 5,6096 3,5901 2,9001
6 4,6582 3,0302 1,1781
7 4,7476 3,3369 1,8509
8 4,2452 2,6600 1,0054
9 4,9026 3,2497 1,5712
23
10 4,5201 2,9588 1,1495
11 4,1136 2,5382 1,0754
12 5,0927 3,1546 1,3418
Se escogen los tres mejores valores que ahora serán conocidos como 𝑋𝛼 , 𝑋𝛽 , 𝑋𝛿
Tabla 2.2. Mejores agentes de búsqueda
𝑥1 𝑥2 𝑓(𝑥1 , 𝑥2 )
𝛼 4,7372 3,3048 1,7716
𝛽 4,8148 3,4931 2,2636
𝛿 5,9444 3,4433 2,9750
Paso 4: Empieza el lazo ‘while’ para 𝑡 < 𝑇 (máximo número de iteraciones)
Lazo ‘for’ para cada agente de búsqueda, actualizar distancia y nueva posición, los
valores de 𝐴 𝑦 𝐶 se obtienen con la ecuación 1.24.
Primera iteración
Cálculo de distancias
𝐷𝛼 = |𝐶1 𝑋𝛼 − 𝑋(𝑡) |
𝐷𝛼 = |2 ∙ 𝑟𝑎𝑛𝑑() ∙ [4.7372 , 3.3048] − [6.1686 , 4.4100] |
𝐷𝛽 = |𝐶2 𝑋𝛽 − 𝑋(𝑡) |
𝐷𝛽 = |2 ∙ 𝑟𝑎𝑛𝑑() ∙ [4.8148 , 3.4931] − [6.1686 , 4.4100]|
𝐷𝛿 = |𝐶3 𝑋𝛿 − 𝑋(𝑡) |
𝐷𝛿 = |2 ∙ 𝑟𝑎𝑛𝑑() ∙ [5.9444 , 3.4433] − [6.1686 , 4.4100]|
𝐷𝛼 0.5109 , 0.2498
𝐷
[ 𝛽 ] = [0.6203 , 0.5153 ]
𝐷𝛿 2.2130 , 0.4451
Ahora se calculan las posiciones
𝑋1 = |𝑋𝛼 − 𝐴1 𝐷𝛼 |
𝑋1 = [4.7372 , 3.3048] − (2𝑎 ∙ 𝑟𝑎𝑛𝑑() − 𝑎)[0.5109 , 0.2498]
24
𝑋2 = |𝑋𝛽 − 𝐴2 𝐷𝛽 |
𝑋2 = [4.8148 , 3.4931] − (2𝑎 ∙ 𝑟𝑎𝑛𝑑() − 𝑎)[0.6203 , 0.5153]
𝑋3 = |𝑋𝛿 − 𝐴3 𝐷𝛿 |
𝑋3 = [5.9444 , 3.4433] − (2𝑎 ∙ 𝑟𝑎𝑛𝑑() − 𝑎)[2.2130 , 0.4451]
𝑋1 4.2351 , 3.0593
[𝑋2 ] = [4.2051 , 2.9866]
𝑋3 3.7691 , 3.0058
𝑋1 + 𝑋2 + 𝑋3
𝑋(𝑡+1) =
3
𝑋(1,∶) = [4.0698 , 3.0173]
Con este valor se empieza a generar la nueva población y se da paso a la siguiente

iteración. Se utilizan las mismas ecuaciones, sin embargo, se actualizan los vectores
aleatorios 𝑟1 , 𝑟2 y los operadores 𝐴 𝑦 𝐶.
Segunda iteración
Tabla 2.3. Evaluación de la función objetivo con la nueva posición
1 4,0698 3,0173 1,9001
2 4,0487 2,6051 1,2710
3 4,6492 3,0427 1,2103
4 5,4633 3,6633 2,9813
5 5,6096 3,5901 2,9001
6 4,6582 3,0302 1,1781
7 4,7476 3,3369 1,8509
8 4,2452 2,6600 1,0054
9 4,9026 3,2497 1,5712
10 4,5201 2,9588 1,1495
11 4,1136 2,5382 1,0754
12 5,0927 3,1546 1,3418
𝑥1 𝑥2 𝑓(𝑥1 , 𝑥2 )
𝛼 4,2452 2,6600 1,0054
𝛽 4,1136 2,5382 1,0754
𝛿 5,0927 3,1546 1,3418
25
Tercera iteración
Tabla 2.5. Evaluación de la función objetivo con la nueva posición
1 4,4838 2,7843 0,8816
2 4,5634 2,8257 0,8725
3 4,5899 2,8395 0,8730
4 4,7486 2,9400 0,9467
5 4,6340 2,8684 0,8881
6 4,5957 2,8445 0,8767
7 4,5830 2,8366 0,8738
8 4,5787 2,8339 0,8729
9 4,5750 2,8321 0,8730
10 4,5724 2,8306 0,8727
11 4,5703 2,8295 0,8727
12 4,5696 2,8291 0,8727
𝑥1 𝑥2 𝑓(𝑥1 , 𝑥2 )
𝛼 4,5634 2,8257 0,8725
𝛽 4,5696 2,8291 0,727
𝛿 4,5760 2,8321 0,8730
Como se pudo observar los mejores agentes 𝑋𝛼 , 𝑋𝛽 , 𝑋𝛿 , son los valores óptimos para que
la función objetivo tenga un valor mínimo. Es importante detallar también que este ejemplo
de aplicación, mientras el número de iteraciones sea mayor, los valores de 𝑥1 𝑦 𝑥2 cumplen
las restricciones (0 ≤ 𝑥1 ≤ 5 𝑦 0 ≤ 𝑥2 ≤ 3).
Paso 5: Encuentra 𝑋𝛼
Finalmente, el valor de 𝑋𝛼 es el que representa la menor distancia posible entre el lobo y
la presa, por lo que representa el valor óptimo.
En la siguiente figura se muestra el diagrama de flujo que describe el algoritmo GWO.
26
iAlgoritmo Lobo Gris
Inicializar la población de lobos 𝑋 (𝑖 = 1,2, … 𝑛)

Inicializar los vectores 𝑎, 𝐴 𝑦 𝐶
Evaluar la población y seleccionar los mejores agentes
de búsqueda (𝑋𝛼 , 𝑋𝛽 , 𝑋𝛿 )
While No
𝑡<𝑇
Sí
For cada agente de búsqueda
Ecuaciones 1.25, 1.26 y 1.27
Actualizar 𝑎, 𝐴 𝑦 𝐶
Calcular el fitness de los agentes de búsqueda
Actualizar 𝑋𝛼 , 𝑋𝛽 , 𝑋𝛿
𝑡 =𝑡+1
𝑋𝛼
Figura 2.1 Diagrama de flujo algoritmo GWO

Si se orienta el algoritmo al despacho hidrotérmico, las posiciones de los lobos,
seleccionadas como mejores agentes de búsqueda (𝛼, 𝛽, 𝛿), son las potencias de
generación tanto para las centrales hidroeléctricas y termoeléctricas. Con esos valores
optimizados se logra minimizar la función de costos del problema de despacho económico
hidrotérmico de corto plazo planteado.
A continuación, se detalla la secuencia de programación del GWO para el problema de

despacho hidrotérmico.
- Inicialización de la población (agentes de búsqueda)
27
Como antecedente se propone una población inicial de 30 generaciones por demanda. A
través de prueba y error se determina que si usa una población menor no se logra una
buena convergencia del algoritmo y por ende los resultados no son los óptimos; por otro
lado, si se supera las 1000 el tiempo computacional crece y lo que se busca son tiempos
cortos de optimización. Definido esto, se generan aleatoriamente los valores iniciales de
potencia generada por cada unidad, tomando en cuenta ya la restricción de límites mínimos
y máximos de potencia de cada central térmica e hidráulica. Para ello se usan dos lazos
iterativos, el primero que se compone del horizonte de planificación, es decir las 24 horas
del día y el segundo que involucra el número de casos operativos generados por hora.
Asimismo, se inicializan los vectores 𝑎, 𝐴 𝑦 𝐶 a través de la ecuación 1.24, aquí también
están involucrados valores aleatorios pues 𝑟1 𝑦 𝑟2 son vectores rándomicos entre [0,1].
- Cálculo de restricciones
Cada unidad de generación tiene sus restricciones técnicas de acuerdo a su tipo de

operación, por lo que la población inicial (potencia de generación) debe cumplir los límites
de valores máximos y mínimos para ser considerados agentes de búsqueda. Luego de ello
se debe cumplir, para el caso de las centrales hidroeléctricas las restricciones del volumen
de embalse y el caudal turbinado con sus respectivos límites de embalse. A la par, se
verifica el estado de las centrales térmicas a través de las restricciones de límite de
producción, las restricciones de arranque y parada y las rampas de subida y bajada, se
concluye con la restricción de la lógica binaria de operación. Las potencias que cumplan
estas restricciones pasan a ser evaluadas en la función objetivo.
- Identificación de las tres mejores posiciones
Para lograr alcanzar el menor costo, se procede con la evaluación del vector posición de
los agentes de búsqueda. Se seleccionan las tres primeras mejores soluciones de toda la
población de lobos evaluada y se les asigna la denominación de alfa (𝛼), beta (𝛽) y delta
(𝛿) por lo que estos agentes de búsqueda permiten tener un conocimiento mayor de la
ubicación más cerca al punto óptimo y de ser necesario permite realizar el cálculo de
mejores posiciones candidatas que ayuden a lograr un acorralamiento más estrecho de la
presa a través de las iteraciones.
- Actualización de posiciones
Con este conjunto de soluciones óptimas es necesario que el resto de población actualice
su valor y haya mejor convergencia, por lo que con las ecuaciones 1.25 y 1.26 se conocen
las primeras tres mejores posiciones en la iteración 𝑡 actualizadas. Obtenidos los valores
28
de 𝑋1 , 𝑋2 , 𝑋3 se promedia estos valores para obtener la nueva posición, con la que se inicia
la próxima iteración. Se actualizan también los operadores y se repite el proceso.
- Verificación de restricciones
Cuando se haya terminado el proceso es necesario volver a verificar las restricciones de

balance de potencia y las restricciones técnicas de cada unidad para garantizar que 𝑋𝛼
es el óptimo.
- Resultados
Finalmente se despliega en el DataFrame las potencias de generación de cada unidad de

todo el horizonte de planificación para abastecer la demanda con el menor costo.
29
3 RESULTADOS, CONCLUSIONES Y RECOMENDACIONES
3.1 Resultados
3.1.1. Sistema de prueba: 14 Barras IEEE
Se escogió el sistema de 14 barras de IEEE para validar el algoritmo, este sistema consta
de cinco unidades de generación de las cuales dos son termoeléctricas y tres son
hidroeléctricas de embalse. Los generadores hidroeléctricos se conectan a las barras 1, 2
y 3, mientras que los generadores termoeléctricos se conectan a las barras 6 y 8. Los datos
de los demás elementos que componen al sistema se encuentran detallados en tablas en
el Anexo I. El generador hidroeléctrico conectado a la barra 3 (ver Figura 3.2) se encuentra
aguas abajo de los generadores 1 y 2, lo que se conoce como concatenación hidráulica.
Figura 3.1. Sistema de prueba 14 Barras IEEE
Se presenta a continuación la curva de demanda a la debe satisfacer el despacho de

generación del sistema IEEE de 14 barras.
30
Curva de Demanda
600.00
Demanda [MW]
500.00
400.00
300.00
200.00
100.00
Horas
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Figura 3.2. Demanda en un horizonte de planificación horario
3.1.2 Resultados del sistema de prueba 14 Barras IEEE
Los resultados que se presentan se obtuvieron bajo la consigna de un sistema uninodal,

es decir, sin considerar las pérdidas en su sistema de transmisión.
Despacho hidrotérmico GWO

600.00
500.00
400.00
Potencia [MW]
300.00
200.00
100.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Pgh1 Pgh2 Pgh3 Pgt1 Pgt2 Pgen
Figura 3.3. Resultados de potencia generada por cada unidad de generación

mediante GWO para el sistema de 14 barras IEEE
Como se observa en la Figura 3.3, la central que mayor potencia entrega, es la

31
hidroeléctrica 1 (Pgh1) y básicamente sigue la curva de demanda excepto en la hora pico
de 17h00 a 21h00, esto se debe a que sus límites de potencia de generación son los más
altos y tiene gran capacidad de embalse. En horas de la tarde y noche incrementan su
entrega de potencia las unidades hidroeléctricas 2 y 3, las cuales se mantenían generando
su valor mínimo en las primeras horas del día (40 y 20 [MW] respectivamente). Se podría
decir que la demanda está básicamente abastecida con generación hidroeléctrica, excepto
en horas de demanda pico en las que es necesario el ingreso a operación de las centrales
térmicas Pgt1 y Pgt2, cuyo aporte se limita a ese intervalo de tiempo pues la central térmica
1 sale de operación después de trabajar una hora (18h00), mientras que la central térmica
2 se mantiene generando en su mínimo.
Al ser un sistema que no considera pérdidas se comprueba que la demanda es igual a la

potencia generada como se aprecia en la siguiente figura, estableciéndose que en el
ejemplo se cumple con la restricción de balance de potencia.
Potencia generada y Demanda

600
500
Potencia [MW]
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas
Pgen Demanda
Figura 3.4. Balance de potencia sistema de 14 barras IEEE
Otra forma de comparar la generación de las unidades térmicas e hidroeléctricas es través

de la potencia total que entregan. En la Figura 3.5 se presenta la suma de las potencias
generadas por las tres centrales hidroeléctricas, que son las que trabajan todo el tiempo y
cubren la mayor parte de la demanda, y la suma de las centrales térmicas que solo entran
a funcionar en la hora pico.
32
Generación total hidroeléctrica y térmica
600.00
Potencia [MW] 500.00
400.00
300.00
200.00
100.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas
Ptotalgh Ptotalgt
Figura 3.5. Potencia total generada por centrales hidroeléctricas y térmicas
Para validar el algoritmo se presenta su curva de convergencia construida en función de la

población definida. Los valores están en por unidad y como se puede apreciar, es una
curva suave asintótica hacia el valor óptimo a partir de una población de 60 individuos.
Convergencia GWO
1.09
1.08
1.07
Valor de FO [p.u]
1.06
1.05
1.04
1.03
1.02
1.01
1
0.99
0 20 40 60 80 100
Población
Figura 3.6. Convergencia del algoritmo del lobo gris para el sistema de 14 barras IEEE
Finalmente se presentan los resultados obtenidos a través de un solver de optimización

denominado GUROBI, presentado por la referencia [6] que permite validar los resultados
obtenidos con GWO.
33
Despacho hidrotérmico Gurobi Método A
600.00
500.00
Potencia [MW]
400.00
300.00
200.00
100.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Pgh1 Pgh2 Pgh3 Pgt1 Pgt2 Pgen
Figura 3.7. Potencia generada por cada unidad de generación mediante el software
Gurobi para el sistema de 14 barras IEEE
Al hacer la respectiva comparación de los resultados de potencia de la Figura 3.3 y Figura

3.7 se tiene que la central hidroeléctrica 1 (Pgh1) presentan el mismo comportamiento pues
siguen la curva de demanda. Las dos centrales que presentan mayor diferencia son la
central hidroeléctrica 2 y 3 (Pgh2 y Pgh3 respectivamente). En los resultados GWO se
mantienen generando su valor mínimo y solo aumentan su entrega de potencia en horas
de la tarde aproximadas a la hora pico (18h00); mientras que con el solver Pgh2 ya
aumenta el valor de potencia en las primeras horas de la mañana y al medio día 84 y 77
[MW] respectivamente. Por otro lado, Pgh3 aumenta su generación desde las 16h00 hasta
las 20h00 con el solver, mientras que con GWO solo incrementa a las 18h00 que es la hora
pico. En lo que respecta a las unidades termoeléctricas, con el solver la central térmica 1
Pgt1 no tiene participación, es decir no genera potencia, mientras que en GWO entra en
operación solo en la hora pico. La central térmica 2, con el solver genera potencia solo en
la hora pico, mientras que en GWO a partir de las 18h00 se mantiene entregando un valor
máximo 10 [MW].
Los costos operativos vinculados con costos de combustible y costos de arranque y parada
de las centrales térmicas, se presentan cuando entran en funcionamiento las centrales
térmicas, en este caso a la hora de demanda pico (18h00).
34
Costo de operación del sistema de 14 barras IEEE
1000.00
900.00
800.00
700.00
Dinero [$]
600.00
500.00
400.00
300.00
200.00
100.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Figura 3.8 Costos de operación del sistema 14 barras IEEE
3.1.3 Comparación de resultados obtenidos del algoritmo de lobo gris

(GWO) con Algoritmos Genéticos (AG) y Enjambre de Partículas
(PSO)
Uno de los objetivos de trabajo de integración curricular es contrastar los resultados
obtenidos por las tres herramientas computacionales basadas en técnicas heurísticas:
algoritmos genéticos (AG), algoritmo del lobo gris (GWO) y algoritmo de enjambre de
partículas (PSO). La variable de comparación será el consumo de agua en las centrales
hidroeléctricas dentro del horizonte de planificación y el costo total de generación.
Tabla 3.1. Resultados consumo de agua centrales hidroeléctricas para los diferentes
algoritmos
Consumo diario de
GWO AG PSO
agua en 𝑚3
Hidroeléctrica 1 11.706.595,24 11.680.000,00 11.672.000,00
Hidroeléctrica 2 2.468.938,78 2.485.714,29 2.487.428,57
Hidroeléctrica 3 1.121.670,33 1.126.153,85 1.131.692,31
Total 15.297.204,34 15.291.868,14 15.291.120,88
Los valores son similares para los tres métodos, obteniéndose en todos los casos valores
de consumo total de alrededor de 15.290.000,00 m 3. A continuación, se presenta una tabla
con los errores relativos porcentuales.
Tabla 3.2. Error relativo porcentual consumo de agua centrales hidroeléctricas
Error relativo porcentual consumo de agua AG PSO

35
Hidroeléctrica 1 0,227 0,296
Los métodos de optimización son comparables pues el porcentaje de error no alcanza el

1%, evidenciándose que la solución obtenida con la herramienta computacional
estructurada se ajusta a valores esperado para el sistema de 14 barras IEEE.
Finalmente, se presenta la comparación de los costos operativos obtenidos con cada uno
de los algoritmos heurísticos.
Tabla 3.3. Costos de operación diaria en base a los diferentes algoritmos
Costos totales GWO AG PSO

[$] 2.665,42 2.700,0 2.700,0
36
3.1.4 Sistema de prueba: 39 Barras IEEE
Con la herramienta computacional validada en el sistema de 14 barras se muestran los

resultados obtenidos en el sistema de 39 barras que es la finalidad del presente trabajo.
Este sistema es más robusto ya que se compone de 10 centrales de generación distribuidas
de la siguiente forma, 6 unidades hidroeléctricas en las barras 31, 32, 33, 34 y 35; y 4
unidades termoeléctricas en las barras 30, 37, 38 y 39. Los demás elementos que abarca
este sistema se encuentran detallados en el Anexo III.
Figura 3.8 Sistema de prueba 39 Barras IEEE
Se presenta a continuación la curva de demanda que debe ser cubierta por el despacho
de generación del sistema IEEE de 39 barras.
37
Curva de demanda
7000.00 Demanda [MW]
6000.00
5000.00
4000.00
3000.00
2000.00
1000.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Figura 3.9 Demanda en un horizonte de planificación horario
En la Figura 3.9 se puede observar que la curva de demanda se comporta de manera

creciente a partir de las 04h00 que es donde alcanza su valor mínimo de 3.792,0 [MW]. Se
mantiene durante el día con esa tendencia y al llegar la hora pico a las 19h00 alcanza su
punto máximo con un valor de 6.097,0 [MW].
Antes de establecer los resultados es importante detallar la concatenación hidráulica de las

unidades de generación hidroeléctrica. Como bien se aprecia en la Figura 3.10, la central
hidroeléctrica 1 (CH1) se encuentra aguas abajo de CH2 que a su vez está aguas abajo de
CH3 y CH4, y está última es la única central que no posee embalse por lo que su entrada
de agua es un flujo natural. Por otro lado, están la central CH6 que está aguas arriba de
CH5.
38
Figura 3.10. Concatenación y serie hidráulica del sistema 39 barras IEEE [5]
3.1.5 Resultados del sistema de prueba 39 Barras IEEE
De manera análoga al sistema de 14 barras, los resultados que se presentan se obtuvieron

bajo la consigna de un sistema uninodal sin considerar las pérdidas del sistema de
transmisión. Lo valores tabulados para cada unidad de generación se encuentran en el
Anexo IV.
Despacho hidrotérmico GWO

900
800
700
600
Potencia [MW]
500
400
300
200
100
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Pgh1 Pgh2 Pgh3 Pgh4 Pgh5

Pgh6 Pgt1 Pgt2 Pgt3 Pgt4
39
Figura 3.11. Resultados de potencia generada por cada unidad de generación mediante
GWO para el sistema de 39 barras IEEE
Al ser un sistema de gran robustez, la demanda obliga a que los dos tipos de generación
trabajen en conjunto desde las 00h00 para satisfacer los requerimientos de potencia. Se
evidencia también un patrón de comportamiento para las centrales hidroeléctricas Phg1,
Pgh2, Pgh3 y Pgh5, las que todo el tiempo están entregando su máximo valor de potencia.
La central hidroeléctrica Pgh4 empieza a despachar mayor potencia conforme transcurre
el día, este aumento de potencia entregada ocurre a partir de las 09h00. Por otro lado, el
comportamiento de las unidades termoeléctricas no es muy predictivo, sin embargo, las
centrales térmicas Pgt1 y Pgt4 limitan su aporte a las horas pico, pues transcurren la
madrugada y parte de la mañana sin generar, por lo que Pgt1 es la que menos aporta al
sistema. Las centrales que mayor potencia entregan son la Pgt2 y Pgt3 pues se mantienen
generando su valor máximo de potencia.
Para este sistema el algoritmo también cumple la restricción de balance de potencia, sin
considerar pérdidas, pues como detalla la Figura 3.12, la demanda es igual a la potencia
generada por todas las unidades.
Potencia generada y Demanda

7000
6000
Potencia [MW]
5000
4000
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas
Pgen Demanda
Figura 3.12. Balance de potencia sistema de 39 barras IEEE
A continuación, se presenta la comparación de la potencia total que entregan tanto las

unidades térmicas como hidroeléctricas.
40
Generación total hidroeléctrica y térmica
4500.00
4000.00
Potencia [MW] 3500.00
3000.00
2500.00
2000.00
1500.00
1000.00
500.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas
Ptotalgh Ptotalgt
Figura 3.13. Potencia total generada por centrales hidroeléctricas y térmicas
En la Figura 3.13, se evidencia que centrales hidroeléctricas a más de trabajar todo el

tiempo son las que cubren la mayor parte de la demanda. Sin embargo, debido a la gran
demanda del sistema, las unidades térmicas también funcionan todo el día con un aporte
menor. Su participación es más notoria en las horas demanda máxima y horas pico de la
mañana y noche. Pese a que están generando todo el día, siguen siendo de apoyo para
las hidroeléctricas evitando que se maximicen los costos.
Se valida el algoritmo a través de la Figura 3.14 que muestra la curva de convergencia en

función de la población definida. Su convergencia a la unidad se da a partir de los 95
individuos, el tiempo de simulación creció debido al aumento de unidades de generación y
los valores de demanda, recordando que en el sistema de 14 barras ya se llegaba a la
convergencia en la población 60.
41
Convergencia GWO
1.08
1.07
1.06
Valor de Fo [p.u]
1.05
1.04
1.03
1.02
1.01
1
0.99
0 10 20 30 40 50 60 70 80 90 100
Población
Figura 3.14. Convergencia del algoritmo del lobo gris para el sistema de 39 barras IEEE
Finalmente, la curva de los costos de operación toma valores las 24 horas del despacho
debido a la presencia de las unidades térmicas. Su valor máximo se registra en la hora pico
de la noche (19h00) que coincide con el valor máximo de demanda. Esta curva se
encuentra representada en la Figura 3.15.
Costo de operación del sistema de 39 barras IEEE

80000.00
70000.00
60000.00
50000.00
Dinero [$]
40000.00
30000.00
20000.00
10000.00
0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas
Figura 3.15 Costos de operación del sistema 39 barras IEEE
42
3.1.6 Comparación de resultados obtenidos del algoritmo de lobo gris
(GWO) con Algoritmos Genéticos (AG) y Enjambre de Partículas
(PSO)
La variable de comparación obtenida por las tres herramientas computacionales basadas
en los tres métodos heurísticos, es el consumo de agua en las centrales hidroeléctricas
dentro del horizonte de planificación y el costo total de generación.
Tabla 3.4. Resultados consumo de agua centrales hidroeléctricas para los diferentes
algoritmos
Consumo diario de
GWO AG PSO
agua en 𝑚3
Hidroeléctrica 1 22.957.333,33 22.848.000,00 22.848.000,00
Hidroeléctrica 2 32.640.000,00 32.640.000,00 32.640.000,00
Hidroeléctrica 3 28.000.571,43 27.977.142,86 27.977.142,86
Hidroeléctrica 4 15.148.000,00 14.977.500,00 15.154.500,00
Hidroeléctrica 5 30.080.615,38 30.129.230,77 30.129.230,77
Hidroeléctrica 6 20.764.800,00 20.811.200,00 20.849.600,00
Total 149.591.320,1 149.383.073,63 149.598.473,63
Los algoritmos que más se asemejan son GWO y PSO, sin embargo, los valores se
encuentran bastante próximos, por lo que de forma general se muestra un consumo total
de 149 000 000m3. Se presenta también una tabla con los errores relativos porcentuales,
a continuación.
Tabla 3.5. Error relativo porcentual consumo de agua centrales hidroeléctricas
Error relativo porcentual consumo de agua AG PSO

Los métodos de optimización son comparables pues el porcentaje de error máximo alcanza
el 1.62% siendo un valor aceptable que valida las tres herramientas computacionales de
solución para el despacho económico para el sistema de 39 barras IEEE.
43
Finalmente, se presenta la comparación de los costos de generación operativos obtenidos
con cada una de las técnicas heurísticas.
Tabla 3.3. Costos de operación de un día de operación en base a los diferentes

algoritmos
Costos totales GWO AG PSO

[$] 873.163,33 876.930,00 872.755,00
Pese a la gran similitud de costos entre el lobo gris (GWO) y enjambre de partículas (PSO),
se evidencia que el que mejor minimizó la función de costos fue el PSO que obtuvo un
menor costos de operación.
Finalmente se presenta la convergencia de los tres métodos, donde se evidencia que GWO
y PSO son métodos de optimización análogos pues casi se sobreponen las curvas, sin
embargo, el que converge más rápido es el enjambre de partículas.
Comparación de convergencias
1.09
1.08
1.07
Valor de FO [p.u]
1.06
1.05
1.04
1.03
1.02
1.01
1
0.99
0 10 20 30 40 50 60 70 80 90 100
Población
Convergencia PSO Convergencia AG Convergencia GWO
Figura 3.16 Comparación de la convergencia de los tres algoritmos
44
3.2 Conclusiones
- La herramienta de software implementada en lenguaje Python constituye una

contribución a la solución de problemas de despacho económico relacionados con
el planeamiento operativo de corto plazo. La metodología empleada para
solucionar el problema de optimización de la función de costos a través del
algoritmo del lobo gris hace factible su aplicación en sistemas hidrotérmicos de
cualquier tipo.
- Las técnicas heurísticas son una alternativa atractiva para resolver problemas de
optimización pues no se limitan por la linealidad o no linealidad de la función
objetivo ni por las restricciones que se considere. Por lo que el algoritmo de lobo
gris sigue una metodología en la que a través de iteraciones y tres mejores agentes
de búsqueda se perfeccionan las soluciones candidatas hasta converger en un
esquema de potencias generadas que represente el menor costo.
- Se validó el modelo y la herramienta computacional desarrollada en el sistema de

14 de IEEE con un trabajo previamente presentado (referencia 6) y se obtuvieron
valores similares de potencia despachada en cada unidad generadora. Con ese
antecedente se implementó el algoritmo programado en el sistema de 39 barras de
IEEE obteniendo respuestas óptimas de potencia y costos de generación mínimos.
En ambos sistemas predomina la generación hidroeléctrica, que incluso en algunos
casos logra cubrir completamente el despacho, mientras que la generación
termoeléctrica toma participación en las horas pico de demanda.
- Al contrastar los resultados con otros algoritmos heurísticos se determinó que la

técnica de enjambre de partículas (PSO) tuvo mayor precisión y menor costo de
operación pese a que se evalúo la misma función objetivo en los tres algoritmos,
lo que evidencia que los operadores juegan un papel importante en la creación de
soluciones candidatas a óptimas. Sin embargo, el tamaño y robustez del sistema
tiene injerencia pues los resultados de los costos en el sistema de 14 barras entre
PSO y AG fueron los mismos, mientras que para el sistema de 39 barras ya existe
diferencia, aunque GWO y PSO tuvieron valores similares.
45
3.3 Recomendaciones
- Se propone que para trabajos futuros se incluya las pérdidas del sistema de
transmisión en el problema de optimización del despacho económico hidrotérmico
mediante el algoritmo del lobo gris.
- Se recomienda probar la herramienta desarrollada en sistemas reales del SNI, para

validar los resultados de potencias de despacho y contribuir con el desarrollo
energético del país.
- Se sugiere mejorar los tiempos de cómputo de la herramienta propuesta ya que al

aumentar el número de poblaciones e iteraciones el algoritmo tarda en converger a
los valores óptimos de solución.
46
4 REFERENCIAS BIBLIOGRÁFICAS
[1] Pérez Mora, S. (2015). Optimización del despacho hidrotérmico en el corto plazo
basado en el modelo programación lineal entera mixta. Dspace.ups.edu.ec. Retrieved
01 February 2022, from https://dspace.ups.edu.ec/handle/123456789/8102.
[2] Sagás, E. M. G. (2001). Programación de la generación de corto plazo en sistemas

hidrotérmicos usando algoritmos genéticos. MsC Tesis, Universidad Técnica Federico
Santa María. Retrieved 01 February 2022, from
https://hrudnick.sitios.ing.uc.cl/paperspdf/Gil.pdf.
[3] Jiménez Avalo, D. A. X. (2014). Despacho hidrotérmico de potencia de corto plazo

considerando restricciones operativas y de seguridad en el sistema eléctrico peruano.
[4] Cardona, H. A., Burgos, M. A., González, J. W., Isaac, I. A., & López, G. J. (2012).
Aplicación en Matlab para la programación del despacho económico hidrotérmico
[5] Rueda Mayorga, C. A. (2021). Implementación de una herramienta computacional en

lenguaje Python para obtener las curvas de oferta de importación/ exportación de un
sistema eléctrico de potencia.122 hojas. Quito: EPN.
[6] Moscoso Vásconez, M. J. (2022). Despacho hidrotérmico de corto plazo: herramienta

computacional, en lenguaje Python, para la solución del problema de despacho
hidrotérmico de corto plazo considerando la red eléctrica con flujo óptimo de potencia
de corriente continua y el efecto de las pérdidas. 104 páginas. Quito: EPN.
[7] Lozada López, J. M. (2016). Sintonización de estabilizadores de sistemas de potencia

(PSS) del SNI ecuatoriano utilizando la metodología Mean-Variance Mapping
Optimization (MVMO).
[8] Merchán Guarango, P. S., & Uguña Quilli, M. F. (2019). Optimización de la topología
de un sistema de distribución residencial en bajo voltaje, aplicando el método GWO
(Grey Wolf Optimization), from http://dspace.ups.edu.ec/handle/123456789/18251
[9] Heidari, A. A., Ali Abbaspour, R., & Chen, H. (2019). Efficient boosted grey wolf
optimizers for global search and kernel extreme learning machine training. Applied
Soft Computing, 105521. doi:10.1016/j.asoc.2019.105521
47
[10] García-Guzmán, J.M., Vargas-Rodríguez, J.R., Ortega-Herrera, F.J y González-
Ponce, M. R (2017). Python como una alternativa factible en el análisis de sistemas
eléctricos de potencia. Revista de la Invención Técnica, Vol.1 No.1 10-18.
[11] McKinney, W. (2012). Python for data analysis: Data wrangling with Pandas, NumPy,
and IPython. " O'Reilly Media, Inc.".
[12] Vallejo Correa, P. E. (2021). Evaluación mediante indicadores clave de rendimiento

del despacho económico hidrotérmico resuelto por medio de técnicas heurísticas
(Bachelor's thesis) from http://dspace.ups.edu.ec/handle/123456789/20441
[13] S. Pinzón Masache and C. Barrera-Singaña, "Short-Term Hydrothermal Economic

Dispatch Applied on Hydraulic Coupled Power Plants Using Dynamic Programming,"
2020 IEEE ANDESCON, 2020, pp. 1-6, doi:
10.1109/ANDESCON50619.2020.9272182.
[14] C. Li, W. Wang and D. Chen, "Multi-objective complementary scheduling of hydro-

thermal-RE power system via a multi-objective hybrid grey wolf optimizer", Energy,
vol. 171, pp. 241-255, 2019. Available: 10.1016/j.energy.2018.12.213
[15] A. Azad, M. A. Rahaman, J. Watada, P. Vasant and J. Vintaned, "Optimization of the

hydropower energy generation using Meta-Heuristic approaches: A review", Energy
Reports, vol. 6, pp. 2230-2248, 2020. Available: 10.1016/j.egyr.2020.08.009
[16] López J.; Gallego L.; Mejía D.; "Despacho hidrotérmico mediante un método de punto
interior con variables canalizadas" Scientia Et Technica, vol. XIV, núm. 40, diciembre,
2008, pp. 19-24 Universidad Tecnológica de Pereira Pereira, Colombia
48
5 ANEXOS
ANEXO I. DATOS DEL SISTEMA 14 BARRAS IEEE
Tabla 5.1. Datos hidrológicos de las centrales hidroeléctricas
Volumen Volumen Volumen Caudal Caudal Influjos

Planta
inicial máximo mínimo mínimo máximo naturales
Hidroeléctrica
[𝐻𝑚3] [𝐻𝑚3] [𝐻𝑚3] [𝑚3/ℎ] [𝑚3/ℎ] [𝑚3/𝑠]
1 3,2 8 1,8 2300 25000 0,6944
2 3,5 7 1,1 1400 12000 0,7778
3 3,8 6 1,2 1100 14000 0,6111
Tabla 5.2. Datos de los generadores
Tipo Rampa
Voltaje Qmín Qmáx Pmín Pmáx Eficiencia 𝑏𝑔
Central de Up/Down
[p.u] [MVA] [MVA] [MW] [MW] [MWh/𝑚3] [$/MWh]
barra [MW]
GH_1 Slack 1,060 … … 30,0 290,0 30,0 0,012 12
GH_2 PV 1,045 -40,0 50,0 40,0 150,0 40,0 0,014 15
GH_3 PV 1,010 -40,0 50,0 20,0 110,0 30,0 0,013 10
GT_1 PV 1,070 -100,0 100,0 20,0 150,0 15,0 … 30
GT_2 PV 1,090 -100,0 100,0 10,0 100,0 20,0 … 35
Tabla 5.3. Datos de los transformadores en p.u en base 100 MVA
Relación
HV LV Límite
Transformador Barra i Barra j r [p.u] x [p.u] de
[kV] [kV] [MW]
Transf.
Trf_0004_0007 4 7 132,0 1.0 0.0 0,20912 0,978 200
Trf_0004_0009 4 9 132,0 33,0 0.0 0,55618 0,969 200
Trf_0005_0006 5 6 132,0 33,0 0.0 0,25202 0,932 200
Trf_0007_0008 7 8 11,0 1,0 0.0 0,17615 0,000 250
Trf_0007_0009 7 9 33,0 1,0 0.0 0,11001 0,000 200
49
Tabla 5.4. Datos de líneas en p.u base 100 MVA
Límite
Barra i Barra j r [p.u] x [p.u] b [p.u]
[MW]
1 2 0,01938 0,05917 0,0528 200
1 5 0,05403 0,22304 0,0492 110
2 3 0,04699 0,19797 0,0438 150
2 4 0,05811 0,17632 0,0374 200
2 5 0,05695 0,17388 0,0340 250
3 4 0,06701 0,17103 0,0346 200
4 5 0,01335 0,04211 0,0128 150
6 11 0,09498 0,19890 0,0000 150
6 12 0,12291 0,25581 0,0000 150
6 13 0,06615 0,13027 0,0000 120
9 10 0,03181 0,08450 0,0000 140
9 14 0,12711 0,27038 0,0000 150
10 11 0,08205 0,19207 0,0000 200
12 13 0,22092 0,19988 0,0000 110
13 14 0,17093 0,34802 0,0000 100
50
ANEXO II RESULTADOS DEL DESPACHO ECONÓMICO
HIDROTÉRMICO DEL SISTEMA DE 14 BARRAS IEEE CON GWO
Tabla 5.5. Resultados del despacho hidrotérmico mediante GWO
Hora Pgh1 Phg2 Pgh3 Pgt1 Pgt2
0 280.00 40.00 20.00 0.00 0.00

1 249.71 39.71 20.57 0.00 0.00
2 190.00 40.00 20.00 0.00 0.00
3 151.33 47.00 21.67 0.00 0.00
4 130.25 40.75 19.00 0.00 0.00
5 150.00 40.00 20.00 0.00 0.00
6 180.00 40.00 20.00 0.00 0.00
7 260.00 40.00 20.00 0.00 0.00
8 280.33 39.67 20.00 0.00 0.00
9 201.00 39.00 20.00 0.00 0.00
10 230.00 40.33 19.67 0.00 0.00
11 270.00 40.33 19.67 0.00 0.00
12 290.00 60.00 20.00 0.00 0.00
13 280.00 80.75 19.25 0.00 0.00
14 290.00 40.00 20.00 0.00 0.00
15 280.00 40.00 20.00 0.00 0.00
16 290.33 60.00 19.67 0.00 0.00
17 307.00 123.00 30.00 0.00 0.00
18 273.33 159.00 108.67 19.33 9.67
19 280.00 150.00 50.00 0.00 10.00
20 290.00 120.67 19.67 0.00 9.67
21 290.00 40.00 20.00 0.00 10.00
22 230.00 40.00 19.75 0.00 10.25
23 180.00 40.00 20.00 0.00 10.00
51
ANEXO III. DATOS DEL SISTEMA 39 BARRAS IEEE
Tabla 5.6. Datos hidrológicos de las centrales hidroeléctricas
Volumen Volumen Volumen Caudal Caudal Influjos

Planta
inicial máximo mínimo mínimo máximo naturales
Hidroeléctrica
[𝐻𝑚3] [𝐻𝑚3] [𝐻𝑚3] [𝑚3/ℎ] [𝑚3/ℎ] [𝑚3/𝑠]
1 2,10 4,00 0,80 9.900,00 42.000,00 0,50
2 3,50 6,00 1,10 16.500,00 57.000,00 0,58
3 3,20 8,00 1,80 13.000,00 49.000,00 0,78
4 0,00 0,00 0,00 4.000,00 32.000,00 0,72
5 2,50 5,00 1,20 15.000,00 53.000,00 0,56
6 4,00 7,00 1,50 9.800,00 41.000,00 0,61
Tabla 5.7. Datos de los generadores
Tipo Rampa
Voltaje Qmín Qmáx Pmín Pmáx Eficiencia 𝑏𝑔
Central de Up/Down
[p.u] [MVA] [MVA] [MW] [MW] [MWh/𝑚3] [$/MWh]
barra [MW]
GH_1 Slack 0,982 … … 150,0 595,0 150,0 0,015 12
GH_2 PV 0,9831 -240,0 560,0 200,0 680,0 200,0 0,012 10
GH_3 PV 0,9972 -240,0 560,0 200,0 680,0 200,0 0,014 10
GH_4 PV 1,0123 -180,0 420,0 70,0 595,0 70,0 0,016 15
GH_5 PV 1,0493 -240,0 560,0 200,0 680,0 200,0 0,013 10
GH_6 PV 1,0635 -210,0 490,0 150,0 595,0 150,0 0,015 12
GT_1 PV 1,03 -3.000 7.000 0 8500 120,0 … 40
GT_2 PV 1,0278 -210,0 490,0 150,0 595,0 30,0 … 30
GT_3 PV 1,0265 -300,0 700,0 250,0 850,0 20,0 … 25
GT_4 PV 1,0475 -500,0 600,0 0 850,0 20,0 … 35
52
Tabla 5.8 Datos de los transformadores en p.u. en base 100 MVA
Relación
HV LV Límite
Transformador Barra i Barra j r [p.u] x [p.u] de
[kV] [kV] [MW]
Transf.
Trf 12 - 11 12 11 345,0 138,0 0,0016 0,0435 1,0060 1.000,0
Trf 12 - 13 12 13 345,0 138,0 0,0016 0,0435 1,0060 700,0
Trf 06 - 31 6 31 345,0 16,5 0,0000 0,0250 1,0700 800,0
Trf 10 - 32 10 32 345,0 16,5 0,0000 0,0200 1,0700 300,0
Trf 19 - 33 19 33 345,0 16,5 0,0007 0,0142 1,0700 300,0
Trf 20 - 34 20 34 230,0 16,5 0,0009 0,0180 1,0090 1.000,0
Trf 22 - 35 22 35 345,0 16,5 0,0000 0,0143 1,0250 800,0
Trf 23 - 36 23 36 345,0 16,5 0,0005 0,0272 1,0000 300,0
Trf 25 - 37 25 37 345,0 16,5 0,0006 0,0232 1,0250 800,0
Trf 02 - 30 2 30 345,0 16,5 0,0000 0,0181 1,0250 700,0
Trf 29 - 38 29 38 345,0 16,5 0,0008 0,0156 1,0250 700,0
Trf 19 - 20 19 20 345,0 230,0 0,0007 0,0138 1,0600 1.000,0
53
Tabla 5.9. Datos de líneas en p.u base 100 MVA
Límite
Barra i Barra j r [p.u] x [p.u] b [p.u]
[MW]
1 2 0,0035 0,0411 0,6987 1
1 39 0,0010 0,0250 0,7500 1
2 3 0,0013 0,0151 0,2572 1
2 25 0,0070 0,0086 0,1460 1
3 4 0,0013 0,0213 0,2214 1
3 18 0,0011 0,0133 0,2138 1
4 5 0,0008 0,0128 0,1342 1
4 14 0,0008 0,0129 0,1382 1
5 6 0,0002 0,0026 0,0434 1
5 8 0,0008 0,0112 0,1476 1
6 7 0,0006 0,0092 0,1130 1
6 11 0,0007 0,0082 0,1389 1
7 8 0,0004 0,0046 0,0780 1
8 9 0,0023 0,0363 0,3804 1
9 39 0,0010 0,0250 1,2000 1
10 11 0,0004 0,0043 0,0729 1
10 13 0,0004 0,0043 0,0729 1
13 14 0,0009 0,0101 0,1723 1
14 15 0,0018 0,0217 0,3660 1
15 16 0,0009 0,0094 0,1710 1
16 17 0,0007 0,0089 0,1342 1
16 19 0,0016 0,0195 0,3040 1
16 21 0,0008 0,0135 0,2548 1
16 24 0,0003 0,0059 0,0680 1
17 18 0,0007 0,0082 0,1319 1
17 27 0,0013 0,0173 0,3216 1
21 22 0,0008 0,0140 0,2565 1
22 23 0,0006 0,0096 0,1846 1
23 24 0,0022 0,0350 0,3610 1
25 26 0,0032 0,0323 0,5130 1
26 27 0,0014 0,0147 0,2396 1
26 28 0,0043 0,0474 0,7802 1
26 29 0,0057 0,0625 1,0290 1
28 29 0,0014 0,0151 0,2490 1
1 2 0,0035 0,0411 0,6987 1
54
ANEXO IV RESULTADOS DEL DESPACHO ECONÓMICO
HIDROTÉRMICO DEL SISTEMA DE 39 BARRAS IEEE CON GWO
Tabla 5.10. Resultados del despacho hidrotérmico de centrales hidroeléctricas mediante

GWO
Horas Pgh1 Pgh2 Pgh3 Pgh4 Pgh5 Pgh6

0 595 680 680 304 680 595
1 595 680 680 248 680 495
2 595 680 680 242 680 454
3 595 680 680 244 680 385
4 595 680 680 242 680 375
5 595 680 680 244 680 379
6 595 680 680 245 680 406
7 595 680 680 242 680 410
8 595 680 680 342 680 595
9 595 680 680 442 680 595
10 595 680 680 495 680 595
11 595 680 680 516 680 595
12 595 680 680 532 680 595
13 595 680 680 528 680 595
14 595 680 680 534 694 597
15 595 680 680 528 673 590
16 595 680 680 515 680 595
17 595 680 680 537 647 557
18 595 680 680 505 680 595
19 595 680 680 587 680 595
20 595 680 680 564 680 595
21 595 680 680 531 680 595
22 595 680 680 492 680 595
23 595 680 680 440 680 595
55
Tabla 5.11. Resultados del despacho hidrotérmico de centrales térmicas mediante GWO
Horas Pgh1 Pgh2 Pgh3 Pgh4

0 0 0 814 0
1 0 0 632 0
2 0 0 590 0
3 0 150 402 0
4 0 150 390 0
5 0 150 398 0
6 0 150 424 0
7 0 150 430 0
8 0 150 732 0
9 0 252 850 0
10 0 438 850 238
11 0 595 850 281
12 0 595 850 405
13 0 595 850 355
14 0 595 848 325
15 0 601 850 365
16 0 578 850 250
17 0 510 816 242
18 120 410 850 240
19 240 595 850 595
20 120 595 850 534
21 0 595 850 388
22 0 400 850 240
23 0 160 808 240
56

CD 12663

Cargado por

Copyright:

Formatos disponibles

CD 12663

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CD 12663

Cargado por

Copyright:

Formatos disponibles

ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE INGENIERÍA ELÉCTRICA Y

DESARROLLO DE UNA HERRAMIENTA COMPUTACIONAL PARA

TRABAJO DE INTEGRACIÓN CURRICULAR PRESENTADO COMO

ROSSY ALEJANDRA CONSTANTE MOYA

DIRECTOR: HUGO NEPTALÍ ARCOS MARTÍNEZ

DMQ, octubre 2022

Rossy Alejandra Constante Moya

HUGO ARCOS MARTÍNEZ

A través de la presente declaración, afirmamos que el trabajo de integración curricular aquí

ROSSY ALEJANDRA CONSTANTE MOYA

DR. HUGO ARCOS MARTÍNEZ

A mis hermanos Tito y Sammi, por su motivación pese a la distancia.

A toda mi familia, especialmente a mis abuelitos y primas.

A mis amigos de la universidad y del baloncesto.

A mis padres (R&S) por su ejemplo de constancia y cordialidad.

A mis hermanos (R&S) por sus ocurrencias e infinitos acolites.

A mi familia por todas las palabras de motivación.

A la Escuela Politécnica Nacional, sobre todo a la FIEE por la formación personal y

El problema del despacho económico hidrotérmico consiste en encontrar el esquema

La herramienta fue probada en los sistemas de prueba de 14 y 39 barras de IEEE donde

KEYWORDS: Gray Wolf Optimizer, short-term economic dispatch, Python.

La programación de la operación de un sistema de potencia se basa en la planificación en

Desarrollar una herramienta computacional en lenguaje Python basada en el algoritmo del

1.2 Objetivos específicos

1. Analizar y plantear el problema de planeamiento operativo de corto plazo en

Como primera fase se tiene la recopilación y revisión bibliográfica en lo referente al sustento

1.4 Marco teórico

1.4.1 Generación eléctrica

Un sistema eléctrico de potencia común se compone de cuatro etapas, estas son:

En el caso de Ecuador, el recurso hídrico es el que más aporta a la generación de energía,

1.4.2 Despacho económico de generación

Un componente importante en la operación de los sistemas de potencia es el factor

Se distinguen tres modelos de planificación para el despacho económico: largo, mediano

Figura 1.1 Modelo del despacho económico de corto plazo. [1]

1.4.3 Despacho hidrotérmico de corto plazo

El despacho hidrotérmico consiste en un problema de optimización que espera encontrar

1.4.4 Costo de operación de las centrales térmicas

El despacho económico hidrotérmico, al tratar de minimizar una función objetivo de costos,

La coordinación hidrotérmica de corto plazo debe considerar tanto las características

- Costo de encendido y apagado

El costo de partida relaciona la cantidad de combustible necesario a usarse en la caldera

Ecuación 1.1. Ecuación del costo de encendido de una unidad térmica.

𝐶0 , es el costo de partida en frío

Esta relación se puede representar a través de la siguiente curva

- Curva de entrada y salida

𝐶𝐶(𝑃𝑡) = 𝑎𝑃𝑡 2 + 𝑏𝑃𝑡 + 𝑐

𝑐𝑜𝑛 𝑃𝑡𝑚í𝑛 ≤ 𝑃𝑡 ≤ 𝑃𝑡𝑚á𝑥

Ecuación 1.2. Ecuación de los costos de combustibles

Figura 1.3 Curva de costo de combustible.

Para disminuir la complejidad del problema para la representación de la curva de costos

Generalmente la curva de costos de combustibles es la más importante a considerar pues

Figura 1.4 Curva entrada /salida de combustible. [3]

Esta aproximación lineal es de tipo no convexa, pues la función de costos de combustible

Ecuación 1.3. Modelo de curva de costos lineal a trozos.

Otra característica de la curva de costos, se ve en su desfase de partida lejos del origen,

- Límites técnicos de operación

Para garantizar el funcionamiento correcto de las unidades térmicas se debe considerar

- Tiempos mínimos de operación y apagado

Las unidades térmicas tienen la limitación de efectuar cambios progresivos de temperatura