En el ámbito de los sistemas eléctricos, la determinación óptima de la ubicación y capacidad de la generación distribuida (GD) es un desafío recurrente. Este artículo explora una metodología basada en algoritmos genéticos multiobjetivo (AGM) para abordar esta problemática.

Justificación del Estudio

La integración de GD en las redes de distribución eléctrica ofrece beneficios significativos, como la mejora de la eficiencia energética y la reducción de pérdidas en la transmisión. Sin embargo, una planificación inadecuada en cuanto a la ubicación y dimensionamiento de estas fuentes puede generar inconvenientes operativos. Por lo tanto, la selección precisa de la posición y la capacidad de la GD es crucial para garantizar la estabilidad y eficiencia de la red.

Herramientas y Referencias

La simulación y el desarrollo de este modelo se han realizado utilizando el software MATLAB. La investigación se ha basado en un documento de referencia titulado "Tienda del Propietario Documento Escrito", del cual se ha replicado la metodología central.

Metodología Implementada en el Código

1. Construcción del Modelo de Red de Distribución

   Se inicia definiendo los parámetros fundamentales de la red, como el número de nodos y ramas. Posteriormente, se construye la matriz de admitancia nodal (Ybus), esencial para el análisis de las características eléctricas de la red.

   
   % Definición de parámetros de la red
   numNodos = 33;
   numRamas = 32;
   
   % Construcción de la matriz de admitancia nodal
   % 'datosRamas' contendría la información detallada de las ramas
   Ybus = construirYbus(numNodos, numRamas, datosRamas);
   
   

2. Análisis de Pérdidas en la Red Antes y Después de la Integración de GD

   Se calcula la pérdida de potencia activa en la red antes de la conexión de la GD. Luego, se simula la conexión de una fuente de GD en un nodo específico con una capacidad determinada, actualizando la matriz Ybus. Finalmente, se recalcula la pérdida de potencia activa para evaluar el impacto de la GD.

   
   % Cálculo de pérdidas antes de la integración
   perdidasPre = calcularPerdidaPotencia(Ybus, datosCargaPre);
   
   % Simulación de la integración de GD
   nodoGD = 10; % Nodo de conexión asumido
   capacidadGD = 100; % Capacidad asumida en kW
   
   YbusActualizado = conectarGD(Ybus, nodoGD, capacidadGD);
   
   % Cálculo de pérdidas después de la integración
   perdidasPost = calcularPerdidaPotencia(YbusActualizado, datosCargaPost);
   
   

3. Formulación del Modelo Multiobjetivo de Ubicación y Capacidad

   El modelo se enfoca en optimizar tres objetivos clave: minimización de las pérdidas de red, minimización de la capacidad instalada de GD y maximización de la estabilidad de voltaje en los nodos.

   
   function [valoresObjetivos] = funcionesObjetivo(variablesDecision, Ybus, datosCarga)
      % variablesDecision contiene la ubicación y capacidad de la GD
   
      ubicacion = variablesDecision(1);
      capacidad = variablesDecision(2);
   
      % Cálculo de pérdidas de red
      perdidas = calcularPerdidaPotencia(Ybus, datosCarga, ubicacion, capacidad);
   
      % Costo de capacidad de la GD
      costoCapacidad = capacidad;
   
      % Índice de estabilidad de voltaje
      estabilidadVoltaje = calcularEstabilidadVoltaje(Ybus, ubicacion, capacidad);
   
      % Se minimizan pérdidas y costo de capacidad, se maximiza estabilidad de voltaje
      % Para maximizar, se utiliza el negativo del índice de estabilidad
      valoresObjetivos = [perdidas, costoCapacidad, -estabilidadVoltaje];
   end
   
   

   La función funcionesObjetivo toma como entrada las variables de decisión (ubicación y capacidad) y calcula los valores correspondientes a cada objetivo. Note que el índice de estabilidad de voltaje se presenta negado, ya que los algoritmos genéticos suelen estar orientados a la minimización, y buscamos maximizar la estabilidad.

4. Resolución mediante Algoritmo Genético Multiobjetivo

   Se configuran los parámetros del AGM, como el número de variables de decisión, los límites inferior y superior para cada variable (ubicación y capacidad). Luego, se invoca la función gamultiobj, proporcionando la función objetivo y los parámetros. Esto permite obtener las soluciones óptimas de ubicación y capacidad, así como la frontera de Pareto, que ilustra el compromiso entre los diferentes objetivos.

   
   % Parámetros del algoritmo genético
   numVariables = 2; % Ubicación y Capacidad
   limitesInferiores = [1, 0]; % Nodo mínimo 1, capacidad mínima 0
   limitesSuperiores = [numNodos, 1000]; % Nodo máximo 'numNodos', capacidad máxima 1000 kW
   
   opcionesGA = optimoptions('gamultiobj', 'PopulationSize', 50, 'Generations', 100);
   
   % Ejecución del algoritmo genético multiobjetivo
   [solucionesOptimas, valoresFrentePareto] = gamultiobj(...
      @(vars) funcionesObjetivo(vars, Ybus, datosCarga), ...
      numVariables, [], [], [], [], limitesInferiores, limitesSuperiores, [], opcionesGA);
   
   

Esta implementación proporciona un enfoque robusto para la selección de la ubicación y capacidad de la generación distribuida, ofreciendo una visión detallada de las posibles soluciones a través de la frontera de Pareto.