Curso de doctorado

Analisis estatico de
sistemas de energa electrica
OPF
Lugar del OPF
OPF

Control secundario
P/f (Q/V)


Control primario
Governor AVR
SISTEMA
SCADA
Z
o
n
a

c
r
e
c
i
e
n
t
e
Unit Comitment
CONTROL
T

d
e
c
r
e
c
i
e
n
t
e
Formulacin General



Minimizar f(x)

sujeto a h (x) = 0

g(x) 0





f y h son funciones no lineales

g incluye funciones no lineales, cotas
OPF La funcin objetiva



1) Criterio econmico

f ( x) = C
i
i =1
N
G

(P
Gi
)


donde N
G
es el nmero de generadores, P
Gi
la potencia
activa generada por el generador i, C
i
, (P
Gi
) una
funcin de coste no lineal.

2) Criterio ecolgico

f ( x) = E
i
i =1
N
G

(P
Gi
)

E
i
es una funcin que da el nivel de polucin del
generador i.

3) Prdidas

f ( x) = P
Gi
i =1
N
G

4) Perfil de tensiones

f ( x) = (V
i
i =1
N

V
ri
)
2


donde N es el nmero de nudos del sistema y V
Ri
un
perfil de referencia.
OPF Restricciones de igualdad - 1


~
P +jQ
Di Di
jB
V
P +jQ
~
P +jQ
G +jB
jB
P +jQ
Gi
Gi
i
ij
ij
sj
Gj Gj
Dj
i
i
V i
Dj
si



Son las ecuaciones del flujo de cargas

OPF Restricciones de igualdad - 2




P
Gi
P
Gi
P
pi
= G
ii
V
i
2
V
i
G
ik
cos(
i

k
) + B
ik
sen(
i

k
) | |
k
i

P
Gi
Q
Gi
Q
Di
= B
ii
V
i
2
V
i
G
ik
sen(
i

k
) + B
ik
cos(
i

k
) | |
k
i

donde

i
conjunto de nudos conectados al i

G
ii
= G
ik
k
i

B
ii
= B
si
_ + B
ik
k
i

Una ecuacin como esta para cada nudo del sistema
OPF Restricciones de desigualdad


1) Lmites de generacin de potencia activa para todos
los generadores

P
Gi
P
Gi
PGi

2) Lmites de generacin de potencia reactiva para todos
los generadores

Q
Gi
Q
Gi
Q
Gi


3) Restricciones de magnitud de tensin para todos los
nudos

V
i
V
i
Vi

4) Restricciones de flujos de potencia

Tij T
ij
(
i
,
j
,
i
,
j
) Tij

5) Restricciones de ngulo

i

j
| |

i

j

i

j
| |
En este problema son parmetros:

i
, G
ij
, B
ij
, B
si
, P
Di
, P
Di
P
qi
, Pqi , Q
qi
, Q
qi
, V
i
, Vi , Tij ,
i

j
| |


En conclusin

OPF es

Funcin de optimizacin esttica

Errores entre computacin e implementacin

- Errores de medida
- Errores de modelo
- Variacin de parmetros

i
, P
Di
, Q
Di


Controles secundario y primaria llevan al sistema
entre soluciones "ptimas"
Comentarios



1. La salida del OPF arroja, en particular, los valores de
las potencias de los generadores P
Gi
y de sus tensiones
V
Gi
, as como de su reactiva generada Q
Gi
. Estos
valores son los que se pasan a los controles ms
rpidos (variables de control)



2. Existen otras variables y restricciones que se pueden
incluir en un OPF. De particular importancia son las
tomas de los transformadores t
i
. Un problema es que
son variables discretas. En general se tratan como
continuas.

3. Existen tambin OPFs desacoplados


Objetivos Coste generacin
Deslastre carga
# acciones control
Polucin
Prdidas de transporte
Perfil de tensiones
Mrgenes de reactiva
# acciones control
# fuentes reactiva


Controles

Generacin (MW)
Intercambios (MW)
Tomas phase-shifters
Flujos HVDC
Deslastre

Generacin (V)
SVC (MVAr)
Condensadores/Reactancias
Transformadores
Nuevas fuentes


Restricciones

Equilibrio P
Lmites control
Angulos tensiones
Flujo activa
Reserva (MW)
Generacin rea

Equilibrio Q
Lmites control
Magnitud tensiones
Lmites generacin
Flujos reactiva
Reserva (MVAr)


4. Es posible generalizar la formulacin de forma que se
incluyan posibles contingencias: funcin preventiva


5. Las OPFs pueden tambin utilizarse en otras tareas
(por ejemplo, planificacin)
Optimalidad: Las condiciones de Karush-Kahn-Tucker

El problema original

min f(x)

s.a. h(x) = 0

g(x) 0


El Lagrangiano

L( x, , ) = f ( x) +
T
h(x) +
T
g( x)

TEOREMA (KKT): x* es optimizador

*, *
L
x
x*, *, *
= 0
L

x*, *, *
= 0

i
g
i
( x*) = 0 ; 0


, : multiplicadores de Lagrange
variables duales
precios sombra
precios spot (en la prctica)

Significado: es lo que mejora la solucin cuando se
relaja la restriccion asociada


Ejemplo


Sea
i
el multiplicador asociado a

P
Gi
P
Di
G
ii
{ V
i
2
V
i
V
k
G
ik
cos(
i

k
) + B
ik
sen(
i

k
) | |
k
i
= 0

Si hago que P
Di
P
Di
1 , relajo la restriccin en 1, y por
tanto el valor de f(x) en el nuevo ptimo habr mejorado
en
i



Si f(x) es el coste econmico,
i
es el coste del MW
adicional en el nudo i: hecho importante en el anlisis
econmico.

i
g
i
( x
*
) = 0 significa que

i
= 0

g
i
(x
*
) = 0



El problema con las restricciones de desigualdad es que
son, esencialmente, de naturaleza combinatoria.


No es fcil determinar, a priori, qu restricciones van a
estar activas.
Otra dificultad es que nos gustara tener un problema
convexo:

f ( x) es convexo

h( x) = 0 no es (normalmente) convexo

Por tanto es posible que se converja a una solucin local
no-ptima.

En general se confa en que Dios proteja la inocencia.
Problemas de implantacin



Demasiados controles

Problemas de infactibilidad

- Solucin til
- Identificacin rpida de la infactibilidad
- Cuando infactible alteracin del OPF
- Prioridades

Interaccin con otros controles

Aspectos dinmicos

Controles discretos
Mtodos de solucin



2 Clases


Clase A: Flujo de cargas separado del algoritmo de
optimizacin


Clase B: Flujo de cargas integrado en el algoritmo
de optimizacin

Mtodos de clase A




Flujo de cargas
AC
Optimizacin
lineal cuadrtica
Actualizacin de
variables de control


Mtodos de clase B




Problema de
Optimizacin
Condiciones
KKT
Solucin iteractiva
de las condiciones
de optimalidad
no lineales
Mtodos clase A-1
El mdulo FC


P

V

t
qi
i
P
Q
G
B

V

T

qi
Di
Di
ij
ij
i
ij
JACOBIANO = LDU
Flujo de cargas



Mtodos clase A-2
El mdulo de optimizacin


V

T

i
P

V

t
ij
i
Gi
Optimizacin lineal o
cuadrtica
JACOBIANO = LDU

Gi

Mtodos clase A-3


Programacin lineal sucesiva 1

min f ( x) = C
i
i=1
Nq

( P
Gi
)

s.a. h( x) = 0 flujo de carg as

g( x) 0


(i) Divido x en variables de control u y variables
dependientes y


x = u, y
{ }
u = P
Gi
, v
Gi
, t
i
{ }
y = V
Di
, T
ij
,...
{ }
Mtodos clase A-4


Programacin lineal sucesiva 2

(ii) Sea u
k


(iii) Resuelvo y
k
del flujo de cargas

h(u
k
,y
k
) = 0

El jacobiano dle flujo de cargas J aparece en la ltima
iteracin del flujo de cargas

J
k
y
k
= A
k
u
k


Mtodos clase A-5


Programacin lineal sucesiva 3


(iv) Plantear el programa lineal

u
k +1
, y
k +1
Min
f
u
|
\
|
.
k
T
u
k +1
y
k
| |
s. a.
h
y
|
\

|
.
|
k
T
u
k+1
y
k
| |
+
h
u
|
\
|
.
k
T
u
k+1
u
k
| |
= 0

g
y
|
\

|
.
|
k
T
y
k+1
y
k
| |
+

g
v
|
\

|
.
|
k
T
u
k+1
u
k
| |
0



La primera restriccin se puede escribir

J
k
y
k+1
y
k
| |
A
k
u
k+1
u
k
| | = 0
Mtodos clase A-6


Programacin lineal sucesiva 4

En general la matriz Ak es sencilla, y las restricciones de
desigualdad tambin. Por tanto la matrixz de restricciones
es fcilmente factorizable

(v) Actualizo

u
k
u
k+1


y vuelvo a (ii) hasta convergencia
Mtodos clase A-7


Programacin lineal sucesiva 5

Ejemplo: Planificacin ptima de reactiva

min C
s. a. C = f
L
(V
g
, V
L
) + V
T
q
LN
q
Gi
q
Di
= q
i
(V
g
, V
L
) + q
LNi
q
Gi
q
Gi
q
Gi
V
Gi
V
Gi
VGi
V
Li
V
Li
VLi
q
LNi
q
LNi
q
LNi


donde q
i
es la ecuacin de balance de potencia reactiva
suponiendo flujos de activa dados;
f
L
la funcin de prdidas

u = V
Gi
, q
LNi
{ }

Mtodos clase A-8


Programacin lineal sucesiva 6

Ejemplo: Planificacin ptima de reactiva

El programa linealizado es


min C
s. a. C =
f
L
V
G
|
\

|
.
|
T
V
g
+
f
L
V
L
|
\

|
.
|
T
V
L
+ V
T
q
LN
q
G
q
P
= B
GD,G
V
G
+ B
GD, D
V
D
+ q
LN
q
G
q
G
q
G
V
G
V
G
V
G
V
L
V
L
V
L
q
LN
q
LN
q
LN

Mtodos clase A-9


Programacin lineal sucesiva 7

Ejemplo: Planificacin ptima de reactiva

Es posible considerar varios escenarios


min C =
j
C
j
j

s. a.
C
j
= f
L
j
V
g
j
, V
L
j
( )+V
T
q
LN
INST
q
LN
j
q
LN
INST
restricciones escenarios j






`

)

j = 1,..., M


Hay un conjunto de variables por escenario


x = x
1
, ..., x
M
, C
1
,..., C
M
, C, q
LN
INST
{ }

Mtodos clase A-10


Si la funcin objetivo se desarrolla hasta el segundo orden
(funcin objetivo cuadrtica y restricciones lineales) se
obtiene la programacin cuadrtica sucesiva.
Mtodos clase A-11



SLP

Fiable y rpido

Adecuado para tiempo real

Puede tener problemas de convergencia

Eficiente en

- Deteccin de infactibilidades
- Manejo de desigualdades
- Contingencias

Simplex/Punto interior

QLP

Robusto y fiable

Ms lento que SLP

Tiempo CPU sensible a nmero de restricciones

Adecuado para planificacin

Conjunto activo / Dual QP
Mtodos clase B-1

Intentan resolver de manera directa el problema
optimizacin:

min f(x)

s.a. h(x) = 0

g(x) 0


Ideas bsicas:

1. Las restricciones de igualdad pueden ser resueltas
eficientemente por procesos tipo Newton-Raphson.
2. Las restricciones de desigualdad no admiten un
tratamiento tan general y directo: diversos trucos.
Curso de doctorado
Analisis estatico de
sistemas de energa electrica
OPF - 2
Metodos clase B-1
Resuelven directamente el problema
min f(x)
s.a. h(x) = 0
g(x) 0
Ideas basicas:
Las restricciones de igualdad pueden ser resuel-
tas mediante un procedimiento del tipo Newton-
Raphson.
Para las restricciones de desigualdad no hay nin-
g un metodo general disponible: trucos.
UPCo 1
Metodos clase B-2
Considerese el problema con solamente restricciones
de igualdad:
min f(x)
s.a. h(x) = 0
Las condiciones KKT son:
L
x
= 0
L

= 0
donde el lagrangiano es:
L(x, ) = f(x) +
T
h(x)
UPCo 2
Metodos clase B-3
Las condiciones KKT son el sistema de ecuaciones
f(x)
x
+
h(x)
x
T
= 0
h(x) = 0
Este es un sistema de ecuaciones no lineales que pue-
den ser resueltas utilizadas el metodo de Newton-
Raphson.
UPCo 3
Metodos clase B-4
El metodo de Newton-Raphson para resolver el sis-
tema de ecuaciones
F(x) = 0
es la iteracion
x
k+1
= x
k

F
x

1
|
x
k
f(x
k
)
o

F
x

|
x
k
x
k+1
= f(x
k
)
UPCo 4
Metodos clase B-5
Aplicado al sistema KKT queda:

H
k
J
T
k
J
k
0

x
k+1

k+1

f
x
|
x
k
J
T
k

k
h(x
k
)

donde
H
k
=

2
f(x)
x
2
+

2
h
i
(x)
x
2

|
x
k
,
k
J
k
=

h(x)
x

|
x
k
UPCo 5
Metodos clase B-6
Puntos signicativos:
La matriz J
k
no es mas que el jacobiano del ujo
de cargas.
H
k
es tambien cuasivaca.
La matriz de la iteracion de Newton es sime-
trica. Esto permite utilizar metodos especiales
de resolucion del sistema lineal.
UPCo 6
Metodos clase B-7
Las condiciones de primer orden de KKT se cumplen
no solamente en el mnimo coste, sino tambien en el
maximo o en los llamados puntos de silla. A pesar
de todo, la iteracion funciona porque:
1. El punto inicial no suele estar muy lejos del op-
timo.
2. Existen modicaciones del metodo de Newton
que solamente convergen al optimo.
UPCo 7
Metodos clase B-8
El tratamiento de las desigualdades puede hacerse de
dos formas:
1. Metodos de conjunto activo de restricciones.
2. Modicacion de la funcion objetivo.
UPCo 8
Metodos clase B-9
Para entender los metodos de conjunto activo de res-
tricciones se puede partir de las condiciones comple-
tas de KKT:
L
x
= 0
L

= 0

i
g
i
(x) = 0 0
donde el lagrangiano es:
L(x, ) = f(x) +
T
h(x) +
T
g(x)
UPCo 9
Metodos clase B-10
Supongase que
i
= 0. Entonces g
i
(x) = 0. Es
decir, en el optimo, la restriccion puede tratarse como
si fuera de igualdad. Una restriccion de este tipo se
llama activa.
UPCo 10
Metodos clase B-11a
La idea basica de estos algoritmos es:
1. Seleccionar un conjunto de restricciones activas.
2. Resolver el problema de optimizacion con las res-
tricciones de igualdad y las restricciones de de-
sigualdad activas tratadas como restricciones de
igualdad.
3. Comprobar los multiplicadores
i
de las restric-
ciones activas. Si
i
> 0, es correcto. Si no
(
i
0) sacar la restriccion del conjunto de res-
tricciones activas.
UPCo 11
Metodos clase B-11b
4. Comprobar el signo de g
i
(x) de las restricciones
no activas. Si g
i
0, es correcto. Si no (g
i
> 0)
se incluye la restriccion en el conjunto de restric-
ciones activas.
5. Si ha habido cambios en el conjunto de restric-
ciones activas, se vuelve al punto 1.
UPCo 12
Metodos clase B-12
En las implantaciones practicas, la actualizacion del
conjunto de restricciones activas se hace en cada ite-
racion del proceso de Newton-Raphson, sin esperar
a la convergencia del proceso. Las reglas suelen ser
tambien algo mas complicadas.
Los procedientos de conjunto de restricciones activas
aplicados al OPF suele oscilar mucho.
UPCo 13
Metodos clase B-13
Existen dos tipos principales de procedimientos de
modicacion de la funcion objetivo:
1. Terminos de penalizacion.
2. Terminos de barrera.
UPCo 14
Metodos clase B-14
En los metodos de penalizacion se modica la funcion
objetivo a nadiendo un termino que depende de las
restricciones de desigualdad:
f(x) f(x) +
1
2
g(x)
T
diag(W)g(x)
El efecto del termino de penalizacion es intentar mi-
nimizar el valor de g.
UPCo 15
Metodos clase B-15
Los pesos W se deben actualizar durante el proceso
iterativo:
Si g
i
0 (restriccion en lmite o violada) W
i
grande (p.e. W
i
= 10
6
).
Si g
i
es claramente negativa, W
i
peque na (p.e.
W
i
= .0001 o 0).
El valor optimo de los pesos W
i
puede relacionarse
con las variables duales
i
. Para este valor, la solu-
cion del problema con penalizacion es la misma que
la del problema original. Errores en esta ponderacion
originan errores en la solucion.
UPCo 16
Metodos clase B-16
Estos metodos tienen dicultades en la regla de
determinacion de pesos, similares a los existentes
en la determinacion del conjunto de restricciones
activas.
El tiempo de ejecucion crece linealmente con el
tama no del problema.
Una implantacion informatica apropiada es cri-
tica.
UPCo 17
Metodos clase B-17
En los metodos de barrera se empieza por reformular
el problema:
min f(x)
s.a. h(x) = 0
g(x) + z = 0
z 0
Y ahora se modica la funcion objetivo:
min f(x)

i
ln z
i
s.a. h(x) = 0
g(x) + z = 0
z 0 esta implcito en el problema (los n umeros
negativos no tienen logaritmo). es un peso positivo.
UPCo 18
Metodos clase B-18
El efecto de la barrera es evitar que z sea nulo (el lo-
garitmo tiende a menos innito cuando el argumento
tiende a cero). Por tanto, para cualquier positivo
la solucion es factible.
UPCo 19
Metodos clase B-19
El lagrangiano del problema, considerando cons-
tante, es:
L = f(x)

i
ln z
i
+
T
h(x) +
T
(g(x) + z)
Y las condiciones KKT
L
x
= 0
L

= 0
L

= 0
L
z
= 0
UPCo 20
Metodos clase B-20
Estas ecuaciones son:
f
x
+
T
h
x
+
T
g
x
= 0
h(x) = 0
g(x) + z = 0
diag()z e = 0
UPCo 21
Metodos clase B-21
Estas ecuaciones se pueden resolver mediante la ite-
racion de Newton, que proporciona los incrementos
x
k+1
,
k+1
,
k+1
, z
k+1
. Sin embargo, ahora
es preciso asegurarse que z
k+1
> 0, y que > 0.
Por ello, la actualizacion tiene la forma
x
k+1
= x
k
+ x
k+1

k+1
=
k
+
k+1

k+1
=
k
+
k+1
z
k+1
= z
k
+ z
k+1
con lo bastante peque no. Debido a ello, es un
metodo de punto interior.
UPCo 22
Metodos clase B-22
Finalmente, hace falta actualizar . La idea es partir
de un valor elevado (p.e. = 1) e ir bajando a
uno peque no (p.e. = 0.000000001). No puede
llegar nunca a ser cero, por lo que las restricciones de
desigualdad nunca estaran al lmite (aunque pueden
estar muy proximas).
Una practica recomendada es:
= 2n
n

i=1

i
z
i
donde es un n umero entre 0.1 y 0.5
UPCo 23
Metodos clase B-23
Estos metodos permiten una implantacion e-
ciente de tecnicas de matrices cuasivacas.
Son mas rapidos que otros metodos no lineales.
Parecen ser robustos y ables, incluso con siste-
mas cargados.
Son recientes: se precisa de mas experiencia.
UPCo 24