APLICACIÓN DEL ALGORITMO METAHEURÍSTICO OPTIMIZACIÓN

EVOLUTIVA POR ENJAMBRE DE PARTÍCULAS (EPSO) A LA ALTERNATIVA

DE ASIGNACIÓN DE ENERGÍA ELÉCTRICA: MINIMIZACIÓN DE PAGOS
FINALES (PCM).

OSCAR JAVIER MUÑOZ SARMIENTO

UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERÍAS FISICO – MECÁNICAS
ESCUELA DE ESTUDIOS INDUSTRIALES Y EMPRESARIALES
BUCARAMANGA
2011
 APLICACIÓN DEL ALGORITMO METAHEURÍSTICO OPTIMIZACIÓN
EVOLUTIVA POR ENJAMBRE DE PARTÍCULAS (EPSO) A LA ALTERNATIVA
DE ASIGNACIÓN DE ENERGÍA ELÉCTRICA: MINIMIZACIÓN DE PAGOS
FINALES (PCM).

OSCAR JAVIER MUÑOZ SARMIENTO

Trabajo de Grado para optar al título de

INGENIERO INDUSTRIAL

DIRECTOR
PhD. HENRY LAMOS DÍAZ

UNIVERSIDAD INDUSTRIAL DE SANTANDER

FACULTAD DE INGENIERÍAS FISICO – MECÁNICAS
ESCUELA DE ESTUDIOS INDUSTRIALES Y EMPRESARIALES
BUCARAMANGA
2011
3
4
 Al Señor Jesús
Quien en su amor me permito tener a mi lado unos magníficos padres, un gran
hermano, excelentes amigos y la Mujer más maravillosa del mundo “Marcelita”.

5
 Agradecimientos.

Al Ingeniero Juan Fernando, por su constante apoyo.

Al doctor Henry Lamos, por su orientación y dedicación.

A la Escuela de Estudios Industriales y Empresariales y a cada uno de sus docentes.

.

6
 TABLA DE CONTENIDO

INTRODUCCIÓN. .................................................................................................. 14

1. OBJETIVOS .................................................................................................... 16

1.1 OBJETIVO GENERAL. ............................................................................. 16

1.2 OBJETIVOS ESPECÍFICOS. .................................................................... 16

2. MARCO TEORICO. ......................................................................................... 17

2.1 FORMULACIÓN MATEMÁTICA DEL CRITERIO DE ASIGNACIÓN BCM.

17

2.2 FORMULACIÓN MATEMÁTICA DEL CRITERIO DE ASIGNACIÓN PSMP.

19

2.3 SISTEMA DE LIQUIDACIÓN ADOPTADO MUNDIALMENTE (PAB Ó

PSMP). ............................................................................................................... 21

2.4 TEORÍA DE SUBASTAS .......................................................................... 22

2.4.1 NATURALEZA DE LAS SUBASTAS .................................................. 23

2.4.2 Formas de subasta............................................................................. 24

2.5 DESCRIPCIÓN DEL PROBLEMA ............................................................ 26

2.6 SITUACIÓN ACTUAL. .............................................................................. 27

2.7 COMPLEJIDAD COMPUTACIONAL DEL PROBLEMA. .......................... 27

2.8 CONCEPTO DE HEURÍSTICA Y META-HEURÍSTICA. ........................... 28

2.8.1 Búsqueda tabú. (TS) .......................................................................... 29

2.8.2 Estrategias evolutivas (EE). ............................................................... 31

2.8.3 Optimización de Enjambre de Partículas. (Particle Swarm Optimization

PSO.) 33

7
 2.8.4 Optimización Evolutiva de Enjambre De Partículas (Evolutionary
Particle Swarm Optimization EPSO) ............................................................... 37

3. DISEÑO DE LA SOLUCIÓN............................................................................ 42

3.1 DESCRIPCIÓN DE LA ASIGNACIÓN PCM ............................................. 42

3.1.1 Restricciones ...................................................................................... 44

3.2 ESTRATEGIAS DE SOLUCIÓN ............................................................... 45

3.3 DESCRIPCIÓN DETALLADA DEL ALGORITMO EPSO –

EVOLUTIONARY SELF-ADAPTING PSO PARA LA PROGRAMACIÓN
BINARIA. ............................................................................................................ 47

3.4 APLICACIÓN DEL ALGORITMO EPSO AL TIPO DE ASIGNACIÓN DE

ENERGÍA (PCM). ............................................................................................... 48

4. RESULTADOS NUMÉRICOS. ........................................................................ 51

5. CONCLUSIONES ............................................................................................ 55

6. RECOMENDACIONES ................................................................................... 57

7. REFERENCIAS BIBLIOGRÁFICAS: ............................................................... 58

8. BIBLIOGRAFÍA ............................................................................................... 60

ANEXOS ................................................................................................................ 62

8
 LISTA DE TABLAS

Tabla 1: Bloque de ofertas ..................................................................................... 20

Tabla 2 Resultado de la minimización BCM .......................................................... 21
Tabla 3: Resultado de la minimización PCM ......................................................... 21
Tabla 4: Pago incurrido mediante el esquema de liquidación PSMP asignando
mediante BCM ....................................................................................................... 26
Tabla 5: Permutaciones posibles de acuerdo al número de participantes y periodos
de tiempo. .............................................................................................................. 28
Tabla 6: Ejemplo de asignación de energía para una sola hora ............................ 46
Tabla 7: Escenarios de demanda ejemplo 1 .......................................................... 51
Tabla 8: Bloque de ofertas ejemplo 1 .................................................................... 52
Tabla 9 Comparación de los resultado obtenidos por los algoritmos TS, PSO y
EPSO Para el ejemplo 1 ........................................................................................ 53

9
 LISTA DE ILUSTRACIONES

Ilustración 1: Subasta Tipo Oferta.......................................................................... 23

Ilustración 2: Subasta Tipo Demanda .................................................................... 24
Ilustración 3: Subastas Tipo Doble ........................................................................ 24
Ilustración 4 Concepto de la modificación de un punto de búsqueda en PSO.
Fuente: Kwang Y. Lee and Mohamed A. El-Sharkawi. “MODERN HEURISTIC
OPTIMIZATION TECHNIQUES”.Theory And ApplicationsToPowerSystems ........ 36
Ilustración 5 Concepto de la modificación de un punto de la búsqueda en EPSO.
Fuente: Rolando M. Pringles, Vladimiro Miranda y Francisco Garcés. Expansión
Óptima del Sistema de Transporte Implementando EPSO .................................... 41
Ilustración 6 Diagrama de flujo algoritmo EPSO binario, Fuente Autor .................. 49
Ilustración 7: Comportamiento durante las iteraciones de los algoritmos TS, PSO y
EPSO Para el ejemplo 1 ........................................................................................ 53

10
 LISTA DE ANEXOS

Anexo 1. Pasos para el uso del software desarrollado en MATLAB…………….64

Anexo 2. Implementación en MATLAB del algoritmo optimización evolutiva de

enjambre de partículas (EPSO) propuesto…………………………………………..73

11
 RESUMEN

TITULO: APLICACIÓN DEL ALGORITMO METAHEURÍSTICO

OPTIMIZACIÓN EVOLUTIVA POR ENJAMBRE DE PARTÍCULAS
(EPSO) A LA ALTERNATIVA DE ASIGNACION DE ENERGIA
ELECTRICA: MINIMIZACIÓN DE PAGOS FINALES (PCM)*.

AUTOR: OSCAR JAVIER MUÑOZ SARMIENTO**

PALABRAS CLAVES: Operador del Mercado, Generadores, Subasta, Ofertas, Esquemas

de pago, Complejidad computacional, Meta-heurística.

DESCRIPCIÓN

Actualmente muchos de los mercados de energía mayorista en el mundo operan en un esquema

de subasta, bajo la coordinación del ―Operador del Mercado‖. Este se encarga de recibir las ofertas
de los participantes y realizar la asignación correspondiente para suplir la demanda. Esta subasta
se realiza a partir de ciertos criterios que suelen minimizar la asignación, teniendo en cuenta lo
ofertado por cada participante. Una vez terminado la asignación, sigue la liquidación a cada agente
generador, para esto se utiliza un esquema de pago uniforme, ya que bajo la rama de teoría de
juegos, se ha comprobado que este incentiva a los generadores a reducir sus ofertas, lo cual
implica directamente una reducción en los pagos como resultado de la asignación.

Al asignar según las ofertas de los generadores y luego liquidar los pagos de una manera
uniforme, evitaría obtención de menores costos en el consumidor final de la energía eléctrica. Para
cubrir este problema varias investigaciones proponen un criterio de asignación de energética, que
tiene en cuenta el precio marginal del sistema, lo que lo hace estar más afín al esquema de
liquidación uniforme, este criterio de minimización es conocido como minimización de pagos
finales, pero su implementación no ha sido factible ya que conlleva a tiempos de ejecución muy
prolongados, y además su complejidad hace que los agentes generadores opongan cierta
resistencia a la implementación del mismo.

Este trabajo presenta la implementación del algoritmo meta-heurístico, Optimización Evolutiva de

Enjambre de Partículas , como herramienta para la solución al problema de asignación de energía
eléctrica, con el fin de minimizar los tiempos de ejecución, ya que históricamente comparando los
resultados obtenidos al utilizar EPSO con respecto a otros métodos meta-heurísticos como
Búsqueda Tabú, Recocido Simulado, Estrategias Evolutivas, entre otros, se obtiene una mejor
calidad en sus optimizaciones.

_____________________
* Proyecto de Grado. ** Facultad de Ingenierías Físico-Mecánicas. Escuela de Estudios
Industriales y Empresariales. Ph.D. Henry Lamos Diaz.

12
 SUMARY

TITLE: IMPLEMENTATION OF ALGORITHM EVOLUTIONARY

PARTICLE SWARM OPTIMIZATION (EPSO) TO THE POWER
ASSIGNMENT ALTERNATIVE: PAYMENT COST MINIMIZATION
(PCM)*.

AUTHOR: OSCAR JAVIER MUÑOZ SARMIENTO**

KEYWORDS: Market Operator, Generator, Auction, Bids, payment schemes,

computational complexity, Meta-heuristics.

DESCRIPTION

Currently the wholesale electricity markets in the world operate in an auction scheme, coordinated
by the market operator; this is responsible for receiving the bids of the participants and making an
appropriate assignment to supply the demand of a certain period of time. This auction is done
based on certain criteria that tend to minimize the assignation, taking into account each participant
bid. Once the assignment is completed, follows the liquidation of each agent generator that is
determinate by using a uniform payment scheme known as ―System Marginal Price‖ because
mathematical studies under the branch of game theory, has found that when using a uniform
payment scheme (pay at system marginal Price), the generators tend to reduce their bids, which
directly implies a reduction of payments as a result of the assignment.

At assign according to generators bids, and then settle the payments in a uniform manner, it might
avoid obtaining lower costs for the final consumer of electricity. To cover this problem several
researchers propose a power allocation criterion, which takes into account the system marginal
price, and makes it more consistent with the uniform payment scheme, the minimization criterion is
known as (Payment Cost Minimization), but its implementation has not been feasible because it
involves a very long run times, and also its complexity makes the agents oppose some resistance to
its implementation.

This paper presents the implementation of meta-heuristic algorithm, Evolutionary Optimization

Particle Swarm (EPSO), as a tool for solving the problem of energy assignment in order to minimize
the execution time because, historically, comparing results obtained using EPSO with respect to
meta-heuristics methods like Tabu Search, Simulated Annealing, Evolutionary Strategies, among
others, EPSO provides a better quality in their optimizations.

_____________________
* Graduation Project ** Ability of Engineerings Physique-Mechanical. Industrial and Business
Studies School. Ph.D. Henry Lamos Diaz.

13
 INTRODUCCIÓN.

La creación de mercados de energía eléctrica (bolsas de energía o ―pools‖) y el

desarrollo de sistemas de intercambios comerciales como se menciona en [1] y [2]
han creado nuevos mecanismos de selección de las ofertas realizadas por parte
de los generadores de energía (Plantas hidráulicas, térmicas, eólicas, entre
otras). El criterio de minimización de costos de oferta BCM (Bid Cost
minimization) y el criterio de minimización de pagos finales PCM (Payment Cost
Minimization) son ampliamente usados como modelos de asignación. Al BCM y
PCM utilizar ofertas de generación complejas1, hace que sus criterios matemáticos
caigan en la clase de optimización combinatoria. Por consiguiente, es necesario
construir algoritmos rápidos y eficientes para hallar una buena solución del
problema combinatorio.

El presente trabajo se realiza bajo la modalidad de ―Trabajo de investigación‖ con

el aval del grupo de investigación OPALO que centra sus procesos en la
Modelación para resolver problemas de Ingeniería Industrial. El proyecto es una
continuación del trabajo realizado por el Ingeniero electricista Juan Fernando
Rodríguez [3] de la Escuela de Ingeniería Eléctrica Electrónica y de
Telecomunicaciones de la Universidad Industrial de Santander, en donde
demuestra que las asignaciones realizadas a través de los modelos actuales no
permiten un mejor minimización del costo de energía eléctrica al consumidor, y
además plantea un algoritmo matemático que pretende mejorar la calidad de la
asignación energética actual.

Las herramientas heurísticas son una alternativa muy interesante para hallar
soluciones buenas de problemas combinatorios para instancias grandes. Estas

1
Son aquellas ofertas que separan los costos de arranque y parada de la oferta marginal.
2
El operador del mercado es un ente independiente de los generadores de energía, el cual entre sus principales actividades
esta en conocer el pronóstico de la demanda y la asignación de generadores para suplir la misma, en Colombia el único

14
herramientas incluyen la Computación Evolutiva, Recocido Simulado, Búsqueda
Tabú, Enjambre de Partículas, entre otras. El desarrollo de soluciones a través de
estos algoritmos heurísticos tiene ventajas importantes con respecto al tiempo de
computación.

En el presente trabajo se estudia e implementa un algoritmo evolutivo que se basa

en las reglas de movimiento del algoritmo Optimización de Enjambre de Partículas
(Particle Swarm Optimization PSO). El algoritmo se denomina Optimización
Evolutiva de Enjambre de Partículas (Evolutionary Particle Swarm Optimization
EPSO). La motivación de implementar EPSO como herramienta para la solución
al problema de asignación es la buena calidad de las soluciones que se obtienen
respecto a otros métodos meta-heurísticos, posicionando el método como una
opción importante cuando se pretende resolver problemas de optimización
complejos. El trabajo se presenta de la siguiente forma: en el capítulo II se realiza
una descripción del tipo de asignación que se utiliza generalmente en el mundo
(BCM) y la asignación (PCM) también se presenta un enfoque de teoría de
subastas y por último se presenta un descripción del algoritmo meta-heurístico
EPSO. En el capítulo III se desarrolla el modelo matemático PCM (Payment Cost
Minimization), se describen una estrategia para la solución, y por último se
muestra la aplicación del algoritmo EPSO para la solución del problema
combinatorio. En el capítulo IV se compara el método desarrollado usando
instancias resueltas a través de otros algoritmos en [3]. Por ultimo en los capítulos
V y VI se dan las conclusiones y recomendaciones de la presente investigación.

15
 1. OBJETIVOS

1.1 OBJETIVO GENERAL.

Hallar la solución al problema de minimización de pagos finales (―Payment Cost

Minimization‖, PCM) en la transacción de energía eléctrica en bolsas aplicando el
método meta-heurístico Optimización Evolutiva de Enjambre de Partículas
(―Evolutionary Particle Swarm Optimization‖, EPSO).

1.2 OBJETIVOS ESPECÍFICOS.

 Recopilar, seleccionar y organizar la Literatura existente concerniente

al método metaheurístico Optimización Evolutiva de Enjambre de
Partículas ó Evolutionary Particle Swarm Optimization EPSO y su
aplicabilidad en la Programación no lineal entera mixta.
 Plantear la función objetivo y restricciones a la alternativa de asignación
(Payment Cost Minimization PCM) en el esquema de liquidación (Pay at
Market Clearing Price Scheme PSMP) en subastas de energía eléctrica
en bolsas.
 Desarrollar un software en MATLAB aplicando el método meta-
heurístico (EPSO) al tipo de asignación PCM.
 Realizar experimentos numéricos que permitan medir la eficiencia del
software para la solución del problema de optimización de los pagos
finales PCM.
 Elaborar un documento que contenga la base teórica del método meta-
heurístico EPSO, resultados finales del software y conclusiones.

16
 2. MARCO TEORICO.

La mayor parte de los mercados de energía eléctrica se basan en subastas de

energía (Bolsas de Energía) realizadas por el operador del mercado 2, como medio
para decidir cuales generadores suplirán la energía demandada por los
distribuidores, dicha decisión se conoce como ―asignación energética‖ en la
actualidad existen dos criterios de asignación, ―Minimización de costos de oferta
(BCM)‖ y ―Minimización de Pagos Finales (PCM)‖, Además, el diseño de mercados
incluye diversas reglas y procedimientos para determinar los pagos y cobros
(liquidación) correspondientes a cada agente del mercado de acuerdo a su
operación.

Existen dos tipo de liquidación: ―pago según lo ofertado‖ PAB (―Pay-as- Bid‖) y
―pago al precio del mercado‖ PSMP (―Pay at System Marginal Price‖). En el PAB,
el valor del pago que cada generador recibe por la energía eléctrica generada es
el de su oferta3 en el momento de cierre de la subasta. Por el contrario, el PSMP
se basa en que todos los agentes son liquidados a un precio uniforme
independientemente del valor de sus ofertas. Este precio es conocido como el
precio del mercado o ―System Marginal Price‖–SMP– y se define como el valor de
la oferta marginal de generación (oferta más costosa de generación aceptada en
el momento de cierre de la subasta).

2.1 FORMULACIÓN MATEMÁTICA DEL CRITERIO DE ASIGNACIÓN BCM.

Considerando un mercado de energía con I participantes o generadores (donde

i=1,2,…, I), los cuales son necesarios para suplir la demanda energética de un

2
El operador del mercado es un ente independiente de los generadores de energía, el cual entre sus principales actividades
esta en conocer el pronóstico de la demanda y la asignación de generadores para suplir la misma, en Colombia el único
Operador del Mercado es XM(Expertos en Energía).
3
Un agente generador determina su oferta de precio considerando el precio de cada MW generado y sus costos de
arranque y parada.

17
serie de periodos ( donde L es la demanda en MW y t corresponde a intervalo
(1 ≤ t ≤ T) (por lo general T=24 refiriéndose a las 24 horas del día). El objetivo de
la asignación es la selección de generadores i,t
(donde si i,t
= 1 indica que el
generador i es seleccionado para la hora t y si i,t
= 0 lo contrario) y sus
correspondientes niveles de potencia ( ), para suplir la demanda de todos los
periodos de tiempo ( ).

Para ello, cada uno de los participantes presentan un solo bloque de ofertas, el
cual contiene la oferta marginal (precio de cada MW generado), sus niveles
de generación de potencia máxima y mínima para todos los periodos de tiempo
( , y sus costos de arranque y parada .

El costo que se incurre según el criterio de asignación BCM a un generador i en

una hora t, será su oferta marginal por la potencia asignada * , además se
debe tener en cuenta los costos de arranque y parada, pero estos solo son
pagados únicamente si se obliga al generador encenderse nuevamente para la
hora t, es decir que si en t-1 el generador i estaba apagado ( i,t-1
= 0) y en t se

decide que el generador i se encienda ( i,t

= 1) esto obliga a pagar el costo de
arranque y parada CAP, matemáticamente se puede ver con la siguiente
expresión i,t
( (donde es la negación de ). En resumen
la expresión matemática del pago al generador i en un tiempo t está dada por:

] i,t
(1)

Cabe resalta que debe estar restringido entre los limites de potencia máxima y
mínima de los generadores ( .

18
Por lo tanto el modelo asignación BCM que tiene como objetivo la minimización de
los costos según las ofertas de los generadores para así suplir la demanda cada
uno de los periodos t, se formula mediante la función de Costo Tota (TP).

{∑ ∑ ( ( )) }

Sujeto a:

2.2 FORMULACIÓN MATEMÁTICA DEL CRITERIO DE ASIGNACIÓN PSMP.

Este criterio no varía matemáticamente en una forma significativa con respecto a

la asignación BCM, su diferencia radica en que este minimiza conforme al precio
marginal del mercado el cual se determina con el valor de la oferta más costosa de
generación aceptada en el momento de cierre de la asignación.

Por lo tanto el costo incurrido según el criterio de asignación PCM que se realiza a
un generador i en una hora t, ya no vendrá a ser su oferta marginal por la potencia
asignada * . Si no por el contrario es necesario saber cual fue la oferta más
costosa aceptada para el periodo de tiempo t ( .

{( )} (3)

Entonces el pago que se realiza a un generador estará dado por la ecuación

* . Por otro lado las demás condiciones como el pago de los costos de

19
arranque y parada y las restricciones de generación y cumplimiento de la
demanda se mantienen igual. Por lo tanto el modelo asignación PCM tiene como
objetivo la minimización de los pagos liquidados según PSMP para así suplir la
demanda en cada uno de los periodos t y este se formula mediante la función de
Pago Tota (TP).

{∑ ∑ ( ( )) }

Sujeto a:

Para aclarar las diferencias de los conceptos expuestos se describe un sencillo

ejemplo en donde se supone que para una determinada hora se requieren 100
MW, en la tabla 1 se muestran 5 generadores con sus correspondientes limites de
generación, sus ofertas marginales, y sus costos de arranque y parada.

Tabla 1: Bloque de ofertas

demanda del sistema = 100 MW
Pmin Pmax $/MW CAP
genrador 1 5 50 10 0
genrador 2 5 40 20 0
genrador 3 0 10 65 50
genrador 4 5 60 30 1800

20
En la tabla 2, se puede observar el resultado de la asignación BCM que tiene en
cuenta la liquidación tipo PAB.

Tabla 2 Resultado de la minimización BCM

P(MW) mo($/MW) P*mo (P*mo)*CAP
genrador 1 50 10 500 500
genrador 2 40 20 800 800
genrador 3 10 65 650 700
genrador 4 0 30 0 0
Costo total $ 2.000,00

En la tabla 3, se puede observar el resultado de la asignación PCM que tiene en

cuenta la liquidación tipo PSMP.

Tabla 3: Resultado de la minimización PCM

Oferta más costosa seleccionada (π) = $ 30
P(MW) mo($/MW) P*π (P*π)*CAP
genrador 1 50 10 500 500
genrador 2 40 20 800 800
genrador 3 0 65 0 0
genrador 4 10 30 300 2100
Costo total $ 3.400,00

2.3 SISTEMA DE LIQUIDACIÓN ADOPTADO MUNDIALMENTE (PAB Ó

PSMP).

Según el ejemplo anterior se podría determinar que el esquema de liquidación

más eficiente es el PAB ya que el resultado de su asignación fue el más
económico, pero esto se debe al tipo de ejemplo que se utilizo. En la realidad al
utilizar el tipo de liquidación PAB influye en las ofertas marginales que envían los
participantes, ya que estos al tener la certeza de que serán liquidados según su
oferta marginal, los incentiva a enviar ofertas marginales altas para así obtener

21
mejor utilidad. Pasa totalmente lo contrario al utilizar el tipo de liquidación PSMP,
ya que el participante sabe que no importa la oferta marginal que envíe, este será
liquidado al precio de la oferta más costosa, por lo cual en su afán de finalizar
dentro de la asignación final envía una oferta marginal lo más pequeña posible,
que por lo general es muy cercana a su costo marginal. Esto genera al momento
de asignar, menores pagos en comparación al método de liquidación PAB. Razón
por la cual se adoptó en la mayoría de los países el sistema de liquidación PSMP.

Por otro lado la dinámica de los participantes del mercado a establecer sus
objetivos y decisiones estratégicas dependiendo de las decisiones de los demás
participantes, se conoce como teoría de juegos4,y sirve como base para el estudio
de los comportamientos estratégicos de los participantes. En [4] utilizando el
Equilibrio de Nash5 para el concepto de la solución de los juegos, se obtienen
resultados de pruebas realizadas en donde se demuestran que los pagos
incurridos la minimizar liquidando PAB son mayores en comparación a la
liquidación PSMP.

2.4 TEORÍA DE SUBASTAS

La teoría de las subastas es una rama de la teoría de juegos que estudia el

comportamiento de los participantes en las subastas, así como diversas
posibilidades o tipos de estos mecanismos.

La subasta es la negociación de un mecanismo económico definido por una serie

de reglas para especificar la forma de determinar un ganador o ganadores y

4
La Teoría de Juegos es una teoría matemática que estudia las características generales de situaciones competitivas de
manera formal y abstracta. Además, otorga una importancia especial a los procesos de toma de decisiones de los
adversarios
5
Los equilibrios de Nash (definidos por John Forbes Nash) forman parte de la teoría de juegos y son muy empleados en la
economía, se definen como una manera de obtener una estrategia óptima para juegos que involucren a dos o más
jugadores. La idea que se persigue con este tipo de equilibrios es verificar un conjunto de estrategias, por las cuales ningún
jugador se beneficie cambiando su estrategia mientras los otros no cambien la suya. Este concepto hizo su aparición por
primera vez cuando Nash lo enunció en su conferencia ―Non CooperativeGames‖ de 1950.

22
cuánto se les debe pagar. Una característica notable de las subastas es la
presencia de información asimétrica, lo que hace que la caracterización de este
mecanismo se torne necesaria, ya que los diferentes tipos de subastas pueden
conducir a conclusiones diferentes.
Las subastas pueden ser definidas en cuanto a su naturaleza (oferta, demanda, o
doble), la forma en cómo se presentan las ofertas (abierta o cerrada) y el método
de determinación del precio de cierre (precio de primera o segunda).

2.4.1 NATURALEZA DE LAS SUBASTAS

Es determinado por el papel desempeñado por los diferentes grupos de

participantes (compradores y vendedores) en la subasta. Esta característica le
permite diferenciar las subastas como oferta, demanda, o doble.

Oferta: Los vendedores ofrecen un bien que el comprador tiene la intención de

comprar al precio más bajo. El precio de la subasta es determinado por los
vendedores. El demandante puede fijar un precio máximo, por encima del cual las
mercancías no se compran, por ultimo gana el participante que hace la oferta más
baja.

Ilustración 1: Subasta Tipo Oferta

23
Demanda: Donde los compradores hacen una oferta para comprar un bien o
servicio que el vendedor tiene la intención de ofrecer al mejor postor. Gana el
participante que hace la oferta más alta de la demanda, siempre que su oferta sea
mayor que el precio mínimo estipulado por el vendedor.

Ilustración 2: Subasta Tipo Demanda

Doble: Donde son necesarios varios vendedores y compradores al mismo tiempo.

El precio de cierre está en función de las reglas de las subasta (ya sea pago al
precio de oferta o pago a la oferta más costosa aceptada en la subasta). La
subasta doble se caracteriza por la presencia o ausencia de agentes identificados,
es decir, los participantes pueden negociar entre sí o través de un subastador.

Ilustración 3: Subastas Tipo Doble

2.4.2 Formas de subasta

La forma de una subasta establece la característica que determina cómo se hacen

las pujas, estas se dividen en abierta o cerrada.

24
Abierta: el precio de los bienes subastados se determina a través de un proceso
dinámico de creación de la oferta ganadora. Este proceso dinámico se puede
producir de forma ascendente o descendente.
 Ascendente: en el que el precio es constantemente elevado por el
subastador a petición de los ofertantes, los cuales van abandonando a
medida que el precio se vuelve demasiado alto. Esto continúa hasta que
queda sólo un postor que gana la subasta al último precio. Esta subasta
permite que el valor de oportunidad de cada participante se enfrente a los
demás. Un fuerte argumento en favor del uso de la subasta ascendente, es
su simplicidad estratégica, ya que los participantes no requieren de
complejas consideraciones para determinar su estrategia. Pero hay algunos
aspectos negativos relacionados con este tipo de la subasta, uno de ellos
es la naturaleza de la subasta en tiempo real, produciendo los costos de
transacción relativamente altos en comparación con la subasta cerrada.
 Descendente: en el que el precio comienza a un nivel suficientemente alto
para disuadir a todos los licitadores y se reduce progresivamente hasta que
un ofertante indica que está dispuesto a comprar al precio actual. La
subasta holandesa exige una evaluación del mercado y el valor de los
bienes subastados.

Cerrada: En el que los concursantes ponen su oferta en un sobre cerrado y, todos

al mismo tiempo, se la entregan al subastador. Los sobres se abren y gana el
concursante con la puja más alta o baja (dependiendo de la naturaleza de la
subasta), el pago se puede definir mediante reglas denominadas precios de cierre.

Precio de cierre: En una subasta, el precio de cierre se puede definir como

uniformes o discriminatorio.
 Uniforme: Este es el tipo más comúnmente utilizado en la subasta para la
venta de la electricidad. En una subasta uniforme, todos los ganadores se
pagan el mismo precio, independientemente del valor de sus ofertas. El

25
 precio pagado a todas las unidades admitidas es igual al precio de oferta
más costosa aceptada al finalizar la subasta.
 Discriminatorias: Cada participante ganador es pagado al monto de su
oferta.

Con lo anterior el problema de la asignación energética está clasificado en la

teoría de subastas, como una subasta de naturaleza doble con la presencia de un
agente subastador, que en el sector eléctrico se le conoce como el operador del
mercado, y su forma de subasta es cerrada con liquidación de precio uniforme.
Como ya se mencionó en la sección 2.3, este precio uniforme se liquida según
PSMP que trae menores costos que PAB.

2.5 DESCRIPCIÓN DEL PROBLEMA

El problema actual radica en que aunque se adopto el sistema de liquidación tipo

PSMP mundialmente, la asignación se sigue realizando mediante la función
objetivo BCM (ecuación 2). Es decir se asigna teniendo en cuenta las ofertas de
los generadores pero al final se hacen los pagos de una manera uniforme
mediante PSMP. En la tabla 4 podemos ver el resultado de la asignación BCM
teniendo en cuenta la liquidación PAB pero además se le agrega el pago real
incurrido con el esquema de liquidación PSMP.

Tabla 4: Pago incurrido mediante el esquema de liquidación PSMP

asignando mediante BCM
Oferta más costosa seleccionada (π) = $ 65
P(MW) mo($/MW) P*mo (P*mo)*CAP P*π (P*π)*CAP
genrador 1 50 10 500 500 3250 3250
genrador 2 40 20 800 800 2600 2600
genrador 3 10 65 650 700 650 700
genrador 4 0 30 0 0 0 0
Total PAB $ 2.000,00 Total PSMP $ 6.550,00

26
Se puede observar que aunque aparentemente el algoritmo busca un mínimo a
pagar ($2.000), el pago incurrido real es mayor ($6.550) y este a su vez es mayor
que el resultado obtenido utilizando el algoritmo que asigna según el esquema de
liquidación PSMP ($3.400 tabla 3).

2.6 SITUACIÓN ACTUAL.

La razón por la cual en la actualidad se utiliza el modelo de asignación BCM pero

se liquida según PSMP, se debe a que el modelo de asignación PCM es más
complejo de resolver matemáticamente, lo cual lleva a tiempos de computación
muy largos, ya que al ser π parte de la función objetivo, pero a su vez, el valor de
π solo se puede conocer al final de la asignación, se encuentran con un problema
de variables cruzadas lo cual hace de una estructura inseparable como se
menciona en [2], lo cual no permite que se resuelva con las mismas técnicas
utilizadas para la asignación tipo BCM, haciéndose necesaria la implementación
de otras técnicas que permitan encontrar un solución factible y cercana a la óptima
en tiempos más razonables.

2.7 COMPLEJIDAD COMPUTACIONAL6 DEL PROBLEMA.

El problema de asignación PCM se clasifica dentro de los problemas de tipo NP-

hard7, debido a que el número de posibles soluciones teniendo en cuenta el
número de participantes (I) y la cantidad de periodos de tiempo (T) es . Por lo
tanto, a mayor número de participantes y periodos el problema se vuelve
exponencialmente más complejo. El efecto que tiene la permutación de las

6 La teoría de la complejidad computacional es la rama de la teoría de la computación que estudia, de manera teórica, la
complejidad inherente a la resolución de un problema computable. Los recursos comúnmente estudiados son el tiempo
(mediante una aproximación al número y tipo de pasos de ejecución de un algoritmo para resolver un problema) y el espacio
(mediante una aproximación a la cantidad de memoria utilizada para resolver un problema)
7En teoría de la complejidad computacional, la clase de complejidad NP-hard (o NP-complejo, o NP-difícil) es el conjunto de los
problemas de decisión que contiene los problemas H tales que todo problema L en NP puede ser transformado polinomialmente
en H.

27
posibles asignaciones en relación con la cantidad de participantes y el número de
periodos de tiempo se observa en la tabla 5.

Razón por la cual, en el presente trabajo se desarrolla el algoritmo meta-heurístico

EPSO con el objetivo de resolver el problema de minimización de los pagos totales
(TP) al problema de asignación PCM.

Tabla 5: Permutaciones posibles de acuerdo al número de participantes y

periodos de tiempo.
I*T Numero de asignaciones posibles
1 2
2 4
5 32
10 1024
15 32768
20 1048576
30 1073741824
100 1,26765E+30
200 1,60694E+60
400 2,5822E+120
600 4,1495E+180

2.8 CONCEPTO DE HEURÍSTICA Y META-HEURÍSTICA.

La heurística trata de métodos exploratorios o algoritmos para resolver problemas,

las soluciones se buscan por aproximaciones sucesivas, para evaluar el progreso,
hasta que se resuelva el problema.

Estos son métodos que, aunque se hace la operación en forma algorítmica, el

progreso se logra mediante la evaluación puramente empírica de los resultados.
Las técnicas heurísticas se usan por ejemplo en problemas cuando la complejidad
del algoritmo de solución disponible es la función exponencial de algún parámetro,

28
ya que cuando el valor de esta crece, el problema rápidamente se vuelve más
complejo.

Una meta-heurística es un conjunto de conceptos que pueden ser utilizados para

definir y mejorar los métodos heurísticos que se pueden aplicar a un amplio
conjunto de problemas diferentes. En otras palabras, una meta-heurística puede
verse como un marco general algorítmico que se puede aplicar a diferentes
problemas de optimización con relativamente pocas modificaciones, para que
sean adaptadas a un problema específico

Las Meta-heurísticas se puede clasificar en:

 Meta-heurísticos de búsqueda: atraviesan el espacio de búsqueda teniendo
en cuenta, básicamente, la "vecindad" de la solución a la mano, que se
define como el conjunto de soluciones que se pueden obtener de la
aplicación de cualquier operador a la solución actual.
 Meta-heurísticas de construcción: definen meticulosamente el valor de cada
componente de la solución.
 Meta-heurística de relajación: simplifican el problema (creando un problema
relajado) y el uso de la solución como una guía para el problema original.
 Meta-heurísticas de evolución: hacen frente a una población de soluciones
que se desarrolla principalmente a través de la interacción entre sus
elementos

2.8.1 Búsqueda tabú. (TS)

Búsqueda tabú (TS) consiste en un procedimiento meta-heurístico utilizado para

gestionar algoritmos heurísticos que realiza una búsqueda local, proporcionando
medios para evitar quedar atrapado en soluciones óptimas locales. El nombre
tabú se relaciona con el hecho de que, para evitar volver a examinar ciertas áreas
del espacio de búsqueda que ya han sido explorados, el algoritmo convierte a

29
estas áreas en tabú (o prohibidas). Esto significa que durante un cierto período de
tiempo (tenencia tabú), la búsqueda no tendrá en cuenta la exanimación de las
alternativas que contiene rasgos que caracterizan a la solución de los puntos
pertenecientes a la superficie declarada tabú.

TS fue propuesto originalmente por Fred Glover en la década de 1980 y desde

entonces ha sido aplicado con éxito a una serie de problemas complejos en
ciencia e ingeniería. TS se desarrolló a partir de conceptos originalmente utilizados
en inteligencia artificial. A diferencia de otros enfoques combinatorios como el
algoritmo genético y recocido simulado, su origen no está relacionado con la
optimización de procesos biológicos o físicos, búsqueda tabú explora el espacio
de soluciones de una forma más agresiva. El algoritmos se inicializan con una
configuración (o un conjunto de configuraciones, cuando la búsqueda se realiza en
paralelo), y a partir de esta se define una estructura de vecindad, un nuevo
movimiento se hace entonces a partir de la mejor configuración en este vecindad
(es decir, en un problema de minimización, el algoritmo cambia a la configuración
que presenta el menor costo). Normalmente, sólo los vecinos más prometedores
son evaluados, de lo contrario el problema podría llegar a ser intratable. Por otro
lado los movimientos a configuraciones con mayores costos son permitidos dando
así la capacidad de moverse fuera de un óptimo local.

En general, los algoritmos TS resuelven problemas formulados de la siguiente

manera:

(5)

Donde x es una configuración (o variable de decisión), f, es la función objetivo, y X

es el espacio de búsqueda. TS resuelve un problema del tipo de la Ecuación (5),
en primer lugar aplicando una heurística de búsqueda local en el que, dada una

30
configuración de x (una solución), el vecindario de x se define como el conjunto de
todas las configuraciones x’ . Las condiciones requeridas para que x’ sea
un vecino de x define la estructura de la vecindad. El algoritmo de búsqueda local
encuentra él nuevo movimiento, el cual se determina mediante la selección de cual
x’ presenta el mayor decremento en la función objetivo. La repetición de este
procedimiento conduce finalmente a una solución óptima local. La búsqueda tabú
difiere del algoritmo heurístico de búsqueda local simplemente en por lo menos en
dos aspectos esenciales:

1. Son permitido movimientos que conducen a configuraciones para las cuales la

función objetivo es mayor que la solución actual.
2. El vecindario de x, es decir, N (x), no es estático, sino que puede cambiar tanto
en tamaño como en estructura. Un vecindario modificado N (x) se determina de
diferentes maneras, por ejemplo:
 Uso de una lista tabú, que contiene los atributos de las configuraciones que
están prohibidas.
 Uso de estrategias para reducir el tamaño de la vecindad con el fin de
acelerar la búsqueda local.
 Redefinición de N (x) durante el proceso de optimización, lo que
normalmente se hace con el fin de beneficiarse de las propiedades
específicas del problema.

2.8.2 Estrategias evolutivas (EE).

Las estrategias evolutivas (Estrategias de evolución - ES), son una clase de

algoritmos evolutivos utilizados principalmente para resolver problemas de
optimización. Fueron desarrollados por Rechenberg, Schwefel y Bienert en la
Universidad Técnica de Berlín alrededor de 1964. En un principio se trató de
problemas de optimización en mecánica de fluidos, y luego comenzó a tratar la
optimización de funciones de manera más general.

31
Los diferentes tipos de EE suelen denotarse como (a+b)-EE, donde indica que
este algoritmo trabaja con ―a‖ padres, y en cada iteración genera ―b‖ hijos y en
esencia son métodos estocásticos con pasos adaptativo, por lo que EE puede
definirse como algoritmos evolutivos enfocados hacia la optimización, teniendo
como características principales la utilización de una representación a través de
vectores reales, una selección determinística y operadores genéticos específicos
de cruce y mutación. Además, su objetivo fundamental consiste en encontrar el
valor real de un vector de N dimensiones.

Las EEs pueden dividirse en dos tipos: Estrategias Evolutivas Simples y

Estrategias Evolutivas Múltiples.

EEs Simples ó (1+1)-EE: Son consideradas como procedimientos estocásticos de

optimización paramétrica con paso adaptativo donde se hace evolucionar un solo
individuo usando únicamente la mutación como operador genético. Son
relativamente sencillas, y se denominan también EEs de dos miembros. Debido a
que evoluciona un solo individuo a la vez, no son consideradas estrictamente
como métodos evolutivos. A pesar de ser muy sencillas, son de gran utilidad
práctica y han sido utilizadas, con algunas mejoras, para resolver problemas
reales en diversas áreas. En si la regla de movimiento cada generación es
realizada alterando al padre agregando un ruido Gamusino de esta forma.

(6)

Donde es la el valor asumido de la variable i en la función objetivo en la

iteración t y N(0, ) es una variable aleatoria con distribución de Gauss (media 0 y
varianza ). Esta varianza puede variar en el transcurso de las iteraciones del
algoritmo (lo cual garantiza la convergencia).

32
Una forma sencilla de convergencia es hacer que varié dependiendo de cómo se
está comportando el algoritmo, es decir que si los éxitos por mutación son altos se
buscaría intensificar la búsqueda por cada iteración, lo cual se logra disminuyendo
el valor numérico de , pero si por el contrario no se están teniendo buenos
resultados por mutación, se pretendería diversificar la búsqueda, lo cual se logra
aumentando el valor de

Para optimizar la velocidad de convergencia, Rechenberg (1973) propone una

regla llamada la regla "de éxito 1/5‖. Que dice: la razón entre mutaciones exitosas
y el total de mutaciones es 1/5. Si es mayor, se incrementa la desviación estándar
(dividiendo entre 0.817), si es menor, se disminuye (multiplicando por 0.817). Por
último se determina un criterio de parada, ya sea un número máximo de
iteraciones en total, o un número máximo de iteraciones sin mejora en la función
objetivo, entre otros.

EEs Múltiples ó (µ+ )-EE: Surgen como respuesta a las debilidades de las EEs
simples, las cuales tienden a converger hacia subóptimos. En las EEs múltiples
existen múltiples individuos µ (población), y se producen en cada generación
varios nuevos individuos , usando tanto mutación como cruce. Se usa
normalmente el cruce promedio, el cual genera un único descendiente de dos
padres, promediando los valores de estos. En cuanto a los criterios de reemplazo,
siempre se usa un esquema determinístico, pudiéndose utilizar una estrategia de
inserción o de inclusión.

2.8.3 Optimización de Enjambre de Partículas. (Particle Swarm Optimization

PSO.)

Eberhart y Kennedy desarrollaron (PSO), basándose en la analogía de las

características del movimiento colectivo de bandadas de pájaros, cardúmenes de
peces, o enjambre de abejas. Cada uno de estos enfoques, diferentes unos de

33
otros, han traído una nueva perspectiva a la optimización, llamándola así la
inteligencia de enjambre, cuyo comportamiento grupal es complicado, sin importar
que las reglas de movimiento de cada individuo (agente) sean relativamente
simples.

PSO es una metodología nueva en computación evolutiva, que es similar al

Algoritmo Genético (GA) en donde el sistema se inicia con una población de
soluciones al azar a diferencia de otros algoritmos, sin embargo, cada solución
potencial (llamada partícula o agente) no convergen a un punto mediante
evolución si no por el contrario mediante movimientos. Al principio PSO tenía
como objetivo tratar los problemas de optimización no lineal con variables
continuas, luego PSO se amplió para manejar los problemas de optimización
combinatoria y con ambas variables, discretas y continuas, teniendo así la
capacidad de tratar eficientemente la programación no lineal entera mixta
(MINLP).

Un algoritmo PSO consiste en un proceso iterativo y estocástico que opera sobre

un cúmulo de partículas. La posición de cada partícula representa una solución
potencial al problema que se está resolviendo. Generalmente, una partícula i está
compuesta por cuatro vectores y tres valores de fitness (valor resultado de
determinada configuración en la función objetivo):

 El vector , almacena la posición actual (localización) de

la partícula i en el espacio de búsqueda.
 El vector , almacena la posición de la mejor
solución encontrada por la partícula i hasta el momento.
 El vector , almacena la posición de la mejor
solución encontrada por el enjambre hasta el momento.
 El vector de velocidad , almacena el gradiente
(dirección) según el cual se moverá la partícula.

34
  El valor de fitness_ almacena el valor de adecuación de la solución actual
(vector xi).
 El valor de fitness de almacena el valor de adecuación de la mejor
solución local encontrada hasta el momento (vector ).
 El valor de fitness de almacena el valor de adecuación de la mejor
solución global encontrada hasta el momento (vector ).

Con esto cada agente intenta modificar su posición. Esta modificación o regla de
movimiento (de una iteración k a una iteración k+1) puede ser representada
mediante la ecuación (7) y a su vez la velocidad de cada agente puede ser
modificada mediante la ecuación (8):

(7).
( ) ( )

Donde, w es la función de ponderación (peso), son los coeficientes de

ponderación y rand es un número aleatorio entre 0 y 1, La velocidad de un agente
se puede cambiar utilizando tres vectores que se muestran en la parte derecha de
la ecuación (8). El primero es el vector de la velocidad actual del agente y se le
conoce como inercia ya que la partícula tiende a moverse en la misma dirección.
El segundo se le conoce como memoria, ya que el agente tiende a devolverse a la
mejor posición que el mismo ha obtenido y el tercero se conoce como
cooperación debido a que todos los agentes tienden a ir a la mejor solución que ha
encontrado el enjambre, estos dos últimos vectores se utilizan para cambiar la
velocidad del agente. Sin el segundo y tercer vector, el agente seguiría en la
misma dirección hasta llegar al límite del espacio de búsqueda. Es decir que con
los dos últimos términos el agente trata de explorar nuevas áreas.

35
Además, la función de ponderación w, que está atada a la inercia del agente,
suele estar limitada a un cierto valor máximo y mínimo.

(9).

Donde es el peso inicial, es el peso final, es el número máximo

de iteraciones, e iter es el número de iteración actual. Como también se puede
observar, la ecuación (9) se encarga de disminuir la velocidad de los agentes a
medida que transcurren las iteraciones en la búsqueda de gbest, por lo tanto, al
inicio del procedimiento de búsqueda, la diversificación es muy ponderada,
mientras que al final del procedimiento de búsqueda la intensificación es muy
ponderada.

Por otro lado, existen estudios [5] realizados en sobre la influencia de los ratios de
aprendizaje en los que se recomienda valores de .

Ilustración 4 Concepto de la modificación de un punto de búsqueda en PSO.

Fuente: Kwang Y. Lee and Mohamed A. El-Sharkawi. “MODERN HEURISTIC
OPTIMIZATION TECHNIQUES”.Theory And ApplicationsToPowerSystems

36
La ilustración 4 (para un ejemplo en el caso bidimensional) muestra un concepto
de modificación de un punto de la búsqueda en PSO y como cada agente cambia
su posición actual mediante la integración de los vectores (inercia, memoria y
cooperación). El diagrama de flujo general de la PSO se describe como sigue:

Paso 1. Generación de las condiciones iniciales de cada agente.

La búsqueda inicial de puntos ( ) y velocidades ( ) de cada agente son por lo
general de forma aleatoria dentro del rango permitido. El punto de la búsqueda
actual se establece en pbest para cada agente. El mejor valor de pbest se
establece en gbest, y el número del agente con el mejor valor es almacenado.

Paso 2. Modificación de cada punto de la búsqueda.

El punto de la búsqueda actual de cada agente se cambia usando las ecuaciones
(7), (8) y (9).

Paso 3. Evaluación de los nuevos puntos de búsqueda de cada agente.

Se calcula el valor de la función objetivo para cada agente. Si el valor es mejor
que el pbest actual del agente, el valor pbest se remplazara por el valor actual. Si
el mejor valor de pbest es mejor que el gbest actual, gbest se sustituye por el
mejor valor y el número del agente con el mejor valor es almacenado.

Paso 4. Comprobación de la condición de salida.

Si el número de iteración actual alcanza el máximo número de iteración
predeterminado, el proceso de búsqueda termina. De lo contrario, el proceso
avanza al paso 2.

2.8.4 Optimización Evolutiva de Enjambre De Partículas (Evolutionary

Particle Swarm Optimization EPSO)

37
EPSO es un algoritmo de optimización meta-heurístico el cual se caracteriza por
combinar los planteamientos de los algoritmos Estrategias Evolutivas (EE) y
Optimización de Enjambre de Partículas (PSO). Por lo tanto EPSO esta
inspiración en la biología de la evolución de las especies mediante una selección
Darwinística y los comportamientos de distintos grupos de especies animales,
donde trata de imitar el movimiento colectivo o social de bandadas de aves,
cardúmenes de peces o enjambres de abejas como un conjunto de partículas que
evoluciona en el espacio de búsqueda motivado por tres factores: inercia, memoria
y cooperación.

El mecanismo del algoritmo EPSO se puede describir de la siguiente manera: para

una iteración dada existe un conjunto de soluciones o alternativas denominadas
agentes que al igual que en PSO cada uno de estos esta compuestos de los
siguientes atributos.

 El vector , almacena la posición actual (localización) de

la partícula i en el espacio de búsqueda.
 El vector , almacena la posición de la mejor
solución encontrada por la partícula i hasta el momento.
 El vector , almacena la posición de la mejor
solución encontrada por el enjambre hasta el momento.
 El vector de velocidad , almacena el gradiente
(dirección) según el cual se moverá la partícula.
 El valor de fitness_ almacena el valor de adecuación de la solución actual
(vector xi).
 El valor de fitness de almacena el valor de adecuación de la mejor
solución local encontrada hasta el momento (vector ).
 El valor de fitness de almacena el valor de adecuación de la mejor
solución global encontrada hasta el momento (vector ).

38
Cada partícula está definida por una posición en el espacio de búsqueda y una
velocidad . En un momento dado, hay al menos una partícula que tiene la mejor
posición en el espacio de búsqueda. La población de las partículas reconoce tal
posición ( ), entonces las partículas tienden a moverse en esa dirección,
además cada partícula es atraída a su mejor posición anterior ( ). Las
partículas se reproducen y evolucionan a lo largo de un número de generaciones
según los siguientes pasos.

REPLICACIÓN: cada partícula es replicada un número de r veces, dando lugar a

nuevas partículas iguales.
MUTACIÓN: los parámetros estratégicos (w) que afectan el movimiento de las
partículas son mutados.
REPRODUCCIÓN: de cada partícula se genera un sucesor según la regla de
movimiento de la partícula.
EVALUACIÓN: cada sucesor será evaluado con una función objetivo.
SELECCIÓN: por un torneo estocástico u otro proceso de selección, las mejores
partículas sobreviven para formar una nueva generación.

La regla de movimiento de las partículas (de una iteración k a la iteración k+1) es

la siguiente:

(10).
( ) (11).

En la ecuación (11) el símbolo * significa que esos parámetros presentaran una

evolución producto del proceso de mutación. En cuanto a los pesos (w) la regla de
mutación es:

39
Donde es el parámetro de aprendizaje, fijado externamente, el cual controla la
amplitud de las mutaciones, N(0,1) es una variable aleatoria con distribución de
Gauss (media 0 y varianza 1) y varía a medida que progresa el algoritmo de la
siguiente manera:

(12).

Además la mejor solución global es mutada de la siguiente manera.

(13).

Donde también es un parámetro de aprendizaje y este suele llamársele

también el cuarto parámetro estratégico. Este controla la amplitud del vecindario
de gbest donde es más probable encontrar la mejor solución global o al menos
una mejor solución que el gbest actual. El peso también es mutado acorde a la
regla de mutación general descrita anteriormente.

La estructura de la ecuaciones (10) y (11) son muy parecidas a la regala de

movimiento de PSO (ecuaciones (7) y (8)), pero con respecto a EPSO no sólo se
ve en el comportamiento evolutivo de las partículas, sino también en los pesos que
afectan al movimiento de estas a medida que se avanza en el espacio de
búsqueda, es decir, los parámetros de ponderación en PSO que se definían
como en EPSO son remplazados por mutación de que se
caracteriza no por ser constantes sino por su carácter auto-adaptivos, permitiendo
ajustar automáticamente sus parámetros o comportamientos en respuesta a la
manera en que progresa la solución del problema. EPSO contiene dos
mecanismos (evolutivo y auto-adaptivo) actuando en secuencia, cada uno con su
propia probabilidad de producir no solo mejores individuos, sino también un

40
promedio grupal mejor. La evolución permite que en cada recombinación se
induzca un movimiento en dirección al óptimo, entonces, la selección que actúa
sobre una generación que es en promedio mejor que la precedente, produce una
nueva generación que será mejor que la primera generación de partículas. Que
sea auto-adaptivo suma otro interés al método, esta evita en gran medida la
necesidad de un ajuste fino de los parámetros iniciales del algoritmo, porque se
espera que el procedimiento aprenda (en el sentido evolucionario) las
características del espacio de búsqueda y corrija (autoajuste) los pesos en orden a
generar una adecuada tasa de progreso hacia el óptimo. Esta característica da
robustez al modelo. Esto significa, que independientemente de los valores
iniciales, el algoritmo converge al óptimo o un resultado próximo.

En resumen EPSO se mueve de manera similar que PSO mediante la suma de los
vectores de inercia, memoria y cooperación pero como lo muestra la ilustración 5,
cada uno de estos vectores en EPSO es ponderado de una forma evolutiva y
auto-adaptativa.

Ilustración 5 Concepto de la modificación de un punto de la búsqueda en

EPSO. Fuente: Rolando M. Pringles, Vladimiro Miranda y Francisco Garcés.
Expansión Óptima del Sistema de Transporte Implementando EPSO

41
 3. DISEÑO DE LA SOLUCIÓN.

3.1 DESCRIPCIÓN DE LA ASIGNACIÓN PCM

El problema de Minimización de los costos finales (Payment Cost Minimization-

PCM) consiste en determinar los generadores y los periodos de tiempo que suplen
la demanda energética en un día determinado.

considerando un mercado de energía con I participantes o generadores (donde

i=1,2,…,I), los cuales son necesarios para suplir la demanda energética de un
serie de periodos ( donde L es la demanda en MW y t corresponde al intervalo
( 1 ≤ t ≤ T ) (por lo general T=24 refiriéndose a las 24 horas del día), el objetivo de
la asignación es la selección de generadores i,t
(donde si i,t
= 1 indica que el
generador i es seleccionado para la hora t y si i,t
= 0 lo contrario) y sus

correspondientes niveles de potencia ( ), para suplir la demanda de todos los

periodos de tiempo ( ).

Para ello, cada uno de los participantes presentan un solo bloque de ofertas, el
cual contiene la oferta marginal (precio de cada MW generado), sus niveles
de generación de potencia máxima y mínima para todos los periodos de tiempo
( , y sus costos de arranque y parada .

Para determinar el costo que se incurre a un generador i en una hora t, y teniendo

en cuenta como se aclaro en la sección (3.3) que el criterio de asignación PCM se
basa en la oferta marginal del mercado, se hace necesario saber cuál fue la oferta
más costosa aceptada para el periodo de tiempo t ( .

{( )}

42
Además se debe tener en cuenta los costos de arranque y parada, pero estos solo
son pagados únicamente si se obliga al generador encenderse nuevamente para
la hora t, es decir que si en t-1 el generador i estaba apagado ( i,t-1
= 0) y en t se

decide que el generador i se encienda ( i,t

= 1) esto obliga a pagar el costo de
arranque y parada CAP, matemáticamente se puede ver con la siguiente
expresión i,t
( (donde es la negación de ). En resumen
la expresión matemática del pago al generador i en un tiempo t está dada por:

] i,t

Por lo tanto el modelo asignación PCM tiene como objetivo la minimización de los
pagos liquidados según PSMP para así suplir la demanda de cada uno de los
periodos t y se formula mediante la función de Pago Tota (TP).

{∑ ∑ ( ( )) }

Donde:
 = Pago Total que incurriría el sistema
 = Precio de bolsa o ―System Marginal Price‖-SMP en el período t resultado de
la subasta.
 = potencia asignada por el operador del mercado, como resultado de la
subasta de energía a la unidad de generación i en el periodo t
 = Costo de Arranque y parada del generador i
 = Valor de la función de encendido-apagado de la unidad i en el período t
determinado por el operador del mercado [0,1]
 = Negación del valor de la función de encendido-apagado de la unidad i
en el período t-1 determinado por el operador del mercado [0,1]

43
3.1.1 Restricciones

Las restricciones a las que pueda estar sujeto el problema de minimización,

dependen del grado de aproximación y detalle con el que se quiera modelar el
mecanismo de la subasta. De acuerdo con los alcances de esta investigación, se
estudiará un sistema en el que se consideran condiciones como la competencia
perfecta, una demanda completamente inelástica y conocida, condiciones de
trasmisión ideales (sin perdidas y sin restricciones de flujo por las líneas), y costos
de arranque constantes y completamente compensados. Para este caso las
restricciones asociadas a la función objetivo son las que se explican a
continuación.).

3.1.1.1 Balance de potencia.

La demanda en cualquier sistema eléctrico de potencia no es la misma para

cualquier hora, sino que va variando con respecto a las necesidades de los
usuarios. Tal característica hace necesario hacer el balance oferta-demanda en
los despachos de unidades de cada intervalo de tiempo. Al fin de cuentas, lo que
resulta es una restricción para la función objetivo que puede modelarse
matemáticamente con la siguiente ecuación:

Donde es la demanda requerida en el instante de tiempo t

3.1.1.2 Límites de generación máxima y mínima.

Por efectos de fabricación, características intrínsecas y clase de tecnología, cada

unidad de generación cuenta con unos límites mínimos y máximos fuera de los

44
cuales su operación no sería económicamente viable o seria físicamente
imposible, lo que se convierte en la siguiente restricción para la función objetivo:

Por lo tanto el modelo asignación PCM tiene como objetivo la minimización de los
pagos liquidados según PSMP para así suplir la demanda en cada uno de los
periodos t y este se formula mediante la función de Pago Tota (TP).

{∑ ∑ ( ( )) }

Sujeto a:

3.2 ESTRATEGIAS DE SOLUCIÓN

En el presente trabajo se pretende simplificar las iteraciones del meta-heurístico

haciendo una suposición que está atada a una característica intrínseca del
proceso de asignación, la cual consiste en que todos los generadores escogidos
para suministrar la energía requerida para cierto instante de tiempo t siempre
emitirán su potencia máxima, excepto un solo generador el cual emitirá lo restante
para suplir los requerimientos.

45
Se describe un ejemplo que permite aclarar los conceptos expuestos; suponiendo
que para una determinada hora se requieren 100 MW y se tienen 5 generadores
con sus correspondientes límites de generación

Tabla 6: Ejemplo de asignación de energía para una sola hora

Demanda = 100 MW
P min (MW) P max (MW)
GENERADOR 1 5 40
GENERADOR 2 3 35
GENERADOR 3 5 55
GENERADOR 4 15 20
GENERADOR 5 2 20

Una asignación factible sin importar si es la óptima, podría ser la potencia máxima
de los generadores 3, 4 y 5, los cuales aportaría en total 95 MW, y en cuanto a los
5 MW faltantes para cumplir los requerimientos de la demanda se escoge
cualquiera de los otros dos generadores faltantes.

Ahora bien, ya que siempre se utiliza la potencia máxima de los generadores

excepto uno, se podría eliminar las variables de decisión de potencia de la
función objetivo y remplazarla por , la cual es una constante intrínseca de
cada generador. Al efectuar este cambio también se estará asegurando el
cumplimiento de la restricción que controla la potencia asignada , para que no
exceda los limites de generación (es decir , esto debido a que
con esta suposición la potencia asignada siempre será la máxima de cada
generador si o en su defecto cero si . Una vez el meta-heurístico
termina una iteración, ajusta automáticamente las potencias para así cumplir la
demanda de marea exacta y evalúa la solución actual teniendo en cuenta todas
las restricciones del criterio de asignación PCM.

46
Como se puede observar las únicas variables de decisión son , por lo que el
problema que se tenía anteriormente de programación entera mixta (ecuación 19),
ahora solo se tiene un problema de programación binaria.

3.3 DESCRIPCIÓN DETALLADA DEL ALGORITMO EPSO –EVOLUTIONARY

SELF-ADAPTING PSO PARA LA PROGRAMACIÓN BINARIA.

En un espacio binario, una partícula puede parecer moverse cerca o lejos al

cambiar varios números de sus coordenadas binarias o bits, además la velocidad
que tiene esta partícula puede ser descrita por el numero de bits cambiados por
iteración, es por esto que una partícula con cero bits cambiados no se mueve,
mientras que esta se mueve lo más lejos posible al cambiar por completo todas
sus coordenadas binarias.

La solución a este dilema es la definición de la trayectoria, velocidad y movimiento.

Los cuales se pueden definir en términos de las probabilidades de cambio para
que una variable cambie de un estado al otro, es por esto que en el algoritmo
binario una partícula se mueve en cada una de sus coordenadas en un espacio
restringido de [0 1] dependiendo de su velocidad, donde cada V representa la
probabilidad de que una de las variables de decisión de la partícula tome
determinado valor. En otras palabras, si para una partícula la velocidad de una de
sus variable de decisión es V=0.20, entonces hay una probabilidad del veinte por
ciento de que esta variable tome el valor de 1, y un ochenta por ciento de
probabilidad de tomar el valor de 0.

Pero la velocidad en el algoritmo EPSO no está representada como una

probabilidad. En la sección 3.7.4, se muestra la velocidad se rige bajo la siguiente
ecuación.

( ) ) (21)

47
Es por esto que se utiliza la función sigmoide para convertir la expresión de la
velocidad en una probabilidad.

(22)

Y por último la regla de movimiento de la partícula de una iteración k a una

iteración k+1 está dada por la siguiente ecuación:

(22)

En resumen, el diagrama de flujo de EPSO binario es dado por la ilustración 6.

3.4 APLICACIÓN DEL ALGORITMO EPSO AL TIPO DE ASIGNACIÓN DE

ENERGÍA (PCM).

La motivación de emplear EPSO es la buena calidad de las soluciones que se

obtienen respecto a otros métodos Meta-heurísticos. En [6] los autores muestran
la superioridad de EPSO frente al algoritmo clásico PSO en varios problemas de
optimización de funciones de prueba (test functions). En [7] muestran una
aplicación de EPSO a sistemas de potencia, más precisamente a un problema de
minimización de pérdidas y control de tensión en redes de distribución. En el
trabajo comparan la eficiencia de EPSO con respecto al algoritmo de Recocido
Simulado y concluyen que EPSO encuentra una mejor solución en menos
iteraciones y muestra mayor robustez en los resultados. En [8] los autores
comparan a EPSO con tres variantes de algoritmos genéticos en el contexto de
una simulación de mercado multienergético con una plataforma de agentes
inteligentes, y definen un conjunto de agentes y se estudia uno en particular
(distribuidores), donde observan que en todos los escenarios simulados, los

48
agentes distribuidores equipados con el algoritmo EPSO se comportan de mejor
manera que los agentes que poseen cualquiera de las variantes de algoritmos
genético.

Determinar tamaño del enjambre (r)

Determinar el # máximo de iteraciones (m)
Iniciación de la soluciones iniciales (Xi)

pbest = X
gbest = min{f(Xi)}

i=1

W*i=Wi+tN(0,1)
gbest*=gbest+t’N(0,1)
Vi = W*iVi + W*i(pbest-Si)+W*i(gbest*-Si)
S(Vi)=1/(i+e^(-Vi))
X= 1, si rand() <= S(V)
X= 0, si rand() > S(V)

F(X)<pbest(i)

Pbest(i) = Xi
i=i+1

F(X)<gbest

gbest = Xi

i<r
K=k+1

K<m

FIN

Ilustración 6 Diagrama de flujo algoritmo EPSO binario, Fuente Autor

49
En [9] el autor presenta un problema de despacho clásico el cual no considera la
red de transmisión. Compara los resultados de EPSO con los de un método de
programación no lineal clásico, y con los resultados de dos modelos de
programación evolutiva (uno adaptivo y otro no adaptivo). En todos los casos
muestra que EPSO arroja mejores resultados y con menores desviaciones, es
decir, presenta mayor robustez.

50
 4. RESULTADOS NUMÉRICOS.

En esta sección se muestran un ejemplo que permite realizar una comparación

numérica un tanto más detallada entre los resultados numéricos obtenidos en [3].
Para su cálculo, fueron implementados los algoritmos Búsqueda Tabu (TS),
Optimización de Enjambre de Partículas (PSO) y por ultimo Optimización Evolutiva
de Enjambre de Partículas (EPSO) en la función objetivo descrita en la ecuación
(20) de la sección 4.2, en el sistema de programación MATLAB en un computador
personal Intel centrino-Core 2duo– 1.83 GHz.

En ambos ejemplos se consideran condiciones de competencia perfecta, una

demanda de energía inelástica y conocida a priori, se desprecian los servicios
complementarios, las restricciones del sistema de transmisión y las pérdidas, y se
asume que se utiliza un esquema de liquidación uniforme PSMP.

Ejemplo: Este ejemplo considera un sistema con 25 ofertas de diferentes

participantes y 24 escenarios de demanda. Cada situación de demanda se
presenta en la tabla 7. De igual forma el precio de las ofertas de costo marginal,
las restricciones de generación máxima y mínima de cada unidad, así como los
costos de arranque-parada para cada unidad, se muestran en la tabla 8

Tabla 7: Escenarios de demanda ejemplo 1

DEMAND DEMAND DEMAND
HORA A DEL HORA A DEL HORA A DEL
SISTEMA SITEMA SITEMA
1 30 13 455 9 55
2 34 14 350 10 57
3 35 15 300 11 58
4 37 16 200 12 59
5 40 17 350 21 190
6 42 18 320 22 180
7 45 19 240 23 170
8 47 20 200 24 160

51
 Tabla 8: Bloque de ofertas ejemplo 1
Hora 1-24
Oferta Min MW Max MW $/MW CAP
1 100 455 30 1200
2 60 350 34 1150
3 50 300 35 1100
4 30 200 37 1000
5 40 350 40 350
6 40 320 42 350
7 30 240 45 300
8 30 200 47 300
9 20 190 55 180
10 20 180 57 175
11 20 170 58 160
12 20 160 59 250
13 20 150 60 200
14 20 140 62 150
15 20 130 63 180
16 20 125 65 140
17 20 120 66 140
18 20 115 68 140
19 20 110 70 160
20 20 120 75 250
21 20 115 78 250
22 20 110 80 300
23 20 100 90 50
24 15 90 93 50
25 10 80 95 40

Como se hizo mención anteriormente, este ejemplo se corrió con tres diferentes
algoritmos (TS, PSO y EPSO), en la tabla 9 se pueden observar el costo total
incurrido después de 450 iteraciones en los tres algoritmos, al igual que en la
ilustración 7 se puede observar el comportamiento de cada uno durante todas la
iteraciones, con respecto al costo total incurrido en la asignación.

52
Tabla 9 Comparación de los resultado obtenidos por los algoritmos TS, PSO
y EPSO Para el ejemplo 1
Algoritmo Costo Total ($)
Búsqueda Tabú 396.740
PSO 411.905
EPSO 297.555

Ilustración 7: Comportamiento durante las iteraciones de los algoritmos TS,

PSO y EPSO Para el ejemplo 1

Cabe resaltar que cada iteración del algoritmo TS es más compleja

computacionalmente hablando, en comparación a una iteración del algoritmo PSO,
ya que con las característica del equipo computacional nombradas anteriormente
se realizan aproximadamente 100 iteraciones por segundo con el algoritmo PSO,
a diferencia de 0.5 iteraciones por segundo del algoritmo TS, esto se debe a que
cada iteración de TS requiere evaluar el valor de la función objetivo en todos los

53
vecinos (para este caso 600), en cambio en PSO, solo se requiere evaluar la
función objetivo en cada iteración, en el tamaño del cumulo de partículas (para
este caso 20).

54
 5. CONCLUSIONES

 Un cambio del sistema de asignación energética tipo BCM al sistema de

asignación PCM, generaría un ahorro en los costos de la energía eléctrica,
beneficiando de esta forma a los operadores del mercado, a los
distribuidores y por ende al consumidor final.

 La utilización del sistema de liquidación energética PSMP motiva a que los

participantes de la asignación energética reduzcan sus precios marginales
por MW generado.

 La eliminación de la parte real de la función objetivo de la asignación tipo

PCM, mejora la convergencia del algoritmo al disminuir la dificultad
computacional del algoritmo.

 El algoritmo EPSO muestra mejor convergencia en comparación con los

algoritmos Búsqueda Tabú y PSO, aunque requiere de un poco mas de
esfuerzo computacional que PSO.

 El algoritmo pude implementarse de manera exitosa en cualquier tipo de

programación, ya sea que contenga variables reales o enteras, y sin
importar si la estructura del problema es lineal o no lineal.

 El algoritmo EPSO implementado en el presente trabajo arroja buenos

resultados en el problema de asignación energética, ya que en
comparación con los resultados de investigaciones realizadas
anteriormente [3], se puede ver su superioridad.

55
 Para determinar la viabilidad de la aplicación de la PCM en sistemas reales,
es necesario realizar investigaciones, ya que el presente trabajo se tomó
como base los supuestos de competencia perfecta, demanda de energía
inelástica además se desprecian los servicios complementarios, las
restricciones del sistema de transmisión y las pérdidas.

56
 6. RECOMENDACIONES

 Es necesario ampliar el estudio a situaciones donde se consideren casos

de sistemas eléctricos reales, competencia imperfecta, se caracterice aún
más detalladamente la percepción del riesgo de los agentes generadores,
se contemple un horizonte de largo plazo y donde se analice la viabilidad
regulatoria que implicaría una implantación real de la alternativa PCM.

 Se recomienda que para trabajos futuros se trabaje de la mano con el

operador local de mercado energético colombiano (XM- Expertos en
energía, filial de ISA), haciendo énfasis en el potencial que presenta el tipo
de asignación PCM en cuanto a costos.

57
 7. REFERENCIAS BIBLIOGRÁFICAS:

[1] Joseph H. Yan, Gary A. Stern, Peter B. Luh, Feng Zhao, ―Payment versus bid-
cost minimization in ISO markets,‖ The Business scene -IEEE power & energy
magazine, Pag. 24, March/April 2008.
[2] Peter B. Luh, William E. Blankson, Ying Cheng, Joshep H. Yan. Gary A. Stern.
Shi-Chung Chang, Feng Zhao, ―Payment cost minimization auction for
deregulated electricity markets using surrogate optimization,‖ IEEE
Transactions on Power Systems, vol. 21.
[3] Juan Fernando Rodríguez y Rubén Darío Cruz, Member, IEEE. Alternativas de
Asignación en Subastas de Energía Eléctrica: Minimización de costos de
oferta VS Minimización de Pagos Finales.
[4] Bid Cost Minimization vs. Payment Cost Minimization: A Game Theoretic
Study of Electricity Markets Feng Zhao, Peter B. Luh, Fellow, IEEE, Ying Zhao,
Joseph H. Yan, Senior Member, IEEE, Gary A. Stern, and Shi-Chung Chang,
Member, IEEE.
[5] J. Kennedy, R. Eberhart, and Y. Shi. Swarm Intelligence. San Francisco:
Morgan Kaufmann Publishers, 2001.
[6] Vladimiro Miranda, and Nuno Fonseca, ―EPSO-Best-of-Two-Worlds Meta-
Heuristic Applied to Power System Problems,‖ in Proc. Of the IEEE congress
on Evolutionary Computation, June 2002, pp.1080-1085.
[7] Miranda V, Fonseca N. New evolutionary particle swarm algorithm (EPSO)
applied to voltage/var control. Proceedings of PSCC’02—Power System
Computation Conference. Seville, Spain, Butterworth-Heinemann; June 24–28;
2002.
[8] Naing Win Oo; and V. Miranda, ―Evolving agents in a market simulation
platform - a test for distinct meta-heuristics,‖ Proceedings of the 13th
International Conference onIntelligent Systems Application to Power Systems,
pp. 482–487, 6-10 Nov. 2005.

58
[9] V. Miranda, ―Evolutionary Algorithms with Particle Swarm Movements‖,
Proceedings of the 13th InternationalConference on Intelligent Systems
Application to Power Systems, pp 6-21, 6-10 Nov. 2005.

59
 8. BIBLIOGRAFÍA

Daniel Kirshen, Goran Strbac, ―Fundamentals of Power System Economics‖, John

Wiley & Sons, Ltd, 2004.

Feng Zhao, Peter B. Luh, Fellow, IEEE, Ying Zhao, Joseph H. Yan, Senior
Member, IEEE, Gary A. Stern, and Shi-Chung Chang, Member, IEEE Bid Cost
Minimization vs. Payment Cost Minimization: A Game Theoretic Study of Electricity
Markets.

G. A. Bassotti, F. Olsina Y F. Garces, ―Co-Optimización De Los Mercados De

Energía Y Reserva Considerando Restricciones Del Sistema De Transmisión‖. XIII
eriac décimo tercer encuentro regional iberoamericano de Cigrén.

J. Hernández, R. D. Cruz, G. Carrillo, ―Demanda Residual en la Monitorización de

los Precios de Oferta de Generación,‖ GISEL, Escuela de Ingenierías Eléctrica
Electrónica y Telecomunicaciones, universidad Industrial de Santander, Noviembre
de 2007.

J. Kennedy, R. Eberhart, and Y. Shi. Swarm Intelligence. San Francisco: Morgan

Kaufmann Publishers, 2001.

Joseph H. Yan, Gary A. Stern, Peter B. Luh, Feng Zhao, ―Payment versus bid-cost
minimization in ISO markets,‖ The Business scene -IEEE power & energy
magazine, Pag. 24, March/April 2008.

Juan Fernando Rodríguez y Rubén Darío Cruz, Member, IEEE. Alternativas de

Asignación en Subastas de Energía Eléctrica: Minimización de costos de oferta VS
Minimización de Pagos Finales.

Kwang Y. Lee and Mohamed A. El-Sharkawi. ―MODERN HEURISTIC

OPTIMIZATION TECHNIQUES‖. Theory and Applications to Power Systems.

Miranda V, Fonseca N. New evolutionary particle swarm algorithm (EPSO) applied

to voltage/var control. Proceedings of PSCC’02—Power System Computation
Conference. Seville, Spain, Butterworth-Heinemann; June 24–28; 2002.

60
Naing Win Oo; and V. Miranda, ―Evolving agents in a market simulation platform -
a test for distinct meta-heuristics,‖ Proceedings of the 13th International
Conference onIntelligent Systems Application to Power Systems, pp. 482–487, 6-
10 Nov. 2005.

Peter B. Luh, Fellow, IEEE, William E. Blankson, Student Member, IEEE, Ying
Chen, Student Member, IEEE, Joseph H. Yan, Gary A. Stern, Shi-Chung Chang,
Member, IEEE, and Feng Zhao, Student Member, IEEE Payment Cost
Minimization Auction for Deregulated Electricity Markets Using Surrogate
Optimization.

Peter B. Luh, William E. Blankson, Ying Cheng, Joshep H. Yan. Gary A. Stern. Shi-
Chung Chang, Feng Zhao, ―Payment cost minimization auction for deregulated
electricity markets using surrogate optimization,‖ IEEE Transactions on Power
Systems, vol. 21,

Rolando M. Pringles, Vladimiro Miranda y Francisco Garcés. Expansión Óptima

del Sistema de Transporte Implementando EPSO.VII Latin American Congress on
Electricity Generation & Transmission, October 24-27 2007, Paper C074

Said Mikki and Ahmed Kishk Particle swarm optimization: a physics-based

approach.

V. Miranda, ―Evolutionary Algorithms with Particle Swarm Movements‖,

Proceedings of the 13th InternationalConference on Intelligent Systems Application
to Power Systems, pp 6-21, 6-10 Nov. 2005.

Vladimiro Miranda, and Nuno Fonseca, ―EPSO-Best-of-Two-Worlds Meta-Heuristic

Applied to Power System Problems,‖ in Proc. Of the IEEE congress on
Evolutionary Computation, June 2002, pp.1080-1085.

61
ANEXOS

62
ANEXO 1. PASOS PARA EL USO DEL SOFTWARE DESARROLLADO EN
MATLAB

Este capítulo pretende dar a conocer el paso a paso para mangar el entorno
amigable del software generado en MATLAB para los tres diferentes tipos de
algoritmos (EPSO, PSO y TS), para el buen manejo de la aplicación y el desarrollo
de la misma.

1. Instalación:

Para poder correr el software es necesario tener instalado previamente MATLAB

versión 2007 o superior. Un ves se cumpla con este requisitos, se copia la carpeta,
PCM en el destiono que el usuario desee. Esta carpeta contiene el entorno
amigable y las funciones necesarias para el buen funcionamiento del software.

2 Carga de datos:

Una vez ubicada la carpeta ―PCM‖ en la extensión deseada es necesario abrir el

archivo Excel que se encuentra en esta carpeta, el cual contiene por defecto los
datos del ejemplo 1 del presente trabajo, en donde es necesario que en la hoja
uno se ingresen los datos de las ofertas de cada uno de los generadores y en la
hoja dos todos los escenarios de demanda.

63
Si el usuario desea ingresar nuevas ofertas y aumentar el número de participantes
y el número de periodos de la demanda esto es posible con solo agregar más filas
en el mismo orden en el archivo Excel.

3. Abrir Software:

Una vez ingresados los datos nos dirigimos a abrir la aplicación dando doble click
en el archivo ―portada.fig‖ donde se abrirá la siguiente ventana.

64
Seguido se escoge el tipo de algoritmo con el cual se desee realizar la asignación
al problema, ya sea Búsqueda Tabú (TS), Optimización de Enjambre de
Partículas (PSO) ó Optimización Evolutiva por Enjambre de Partículas (EPSO).

Al hacer click en el botón TS se obtiene la siguiente ventana:

El software trae por defecto el tamaño de la lista tabú de 100, la condición de

parada de 100 iteraciones máximas y con respecto al campo donde solicita el ―%

65
de generadores encendidos solución inicial‖ este como su nombre lo indica es
para escoger libremente si para la solución inicial, se desea que los generadores
estén encendidos o apagados y en qué porcentaje. Cada uno de estos valores
puede ser cambiado por el usuario.

Una vez se pone a correr el programa dando click en el botón ―INICIO‖ después de
un tiempo se obtiene en el campo inferior el costo incurrido y en la parte derecha
se encuentra la gráfica que denota el comportamiento del algoritmo atreves de
cada una de sus interacciones con respecto al costo total incurrido.

Para observar la asignación final se hace click en el botón ―ENTER‖ el cual se

encarga de guardar el resultado de la asignación en el archivo Excel que se
encuentra en la carpeta ―PCM‖ llamado ―Resultados.xls‖, el cual se debe abrir en
caso tal de querer visualizar los resultados.

66
Volviendo a la portada ahora se selecciona a la opción para realizar la asignación
utilizando el algoritmo PSO, una vez se hace click en el botón PSO, se obtendrá la
siguiente ventana:

El software trae por defecto valores preestablecidos los cuales pueden ser
cambiados por el usuario. Estos son los pesos mínimos y máximos concernientes
al factor de inercia del algoritmo PSO, la condición de parada (5000 iteraciones
máximas),el tamaño del enjambre (50 partículas), y una solución inicial de
porcentaje de generadores encendidos (%50).

67
Una vez se pone a correr el programa dando click en el botón ―INICIO‖ después de
un tiempo se obtiene en el campo inferior el costo incurrido y en la parte derecha
se encuentra la gráfica que denota el comportamiento del algoritmo atreves de
cada una de sus interacciones con respecto al costo total incurrido.

De igual manera para observar la asignación final se hace click en el botón

―ENTER‖ donde el guardara el resultado de la asignación en el archivo Excel que
se encuentra en la carpeta ―PCM‖ llamado ―Resultados.xls‖, el cual se debe abrir
en caso tal de querer visualizar los resultados.

Volviendo a la portada ahora se selecciona la opción para realizar la asignación

utilizando el algoritmo EPSO, una vez se hace click en el botón EPSO, se
obtendrá la siguiente ventana:

68
El software trae por defecto valores preestablecidos los cuales pueden ser
cambiados por el usuario. Estos son los pesos mínimos y máximos concernientes
al factor de inercia (W1), memoria (W2), cooperación (W3), y el variación del la
mejor solución (W4), del algoritmo PSO, además contiene al igual que PSO la
condición de parada de (100 iteraciones máximas), el tamaño del enjambre de (50
partículas), y una solución inicial de porcentaje de generadores prendidos (%50).

Una vez se pone a correr el programa dando click en el botón ―INICIO‖ y después
de un tiempo se obtiene en el campo inferior el costo incurrido, y en la parte
derecha se encuentra la gráfica que denota el comportamiento del algoritmo
atreves de cada una de sus interacciones con respecto al costo total incurrido.

69
De igual manera para observar la asignación final se hace click en el botón
―ENTER‖ cual guardara el resultado de la asignación en el archivo Excel que se
encuentra en la carpeta ―PCM‖ llamado ―Resultados.xls‖, el cual se debe abrir en
caso tal de querer visualizar los resultados.

Por último en la ventana ―portada‖ existe la opción de ―RESUMEN ―:

70
Es necesario que antes de solicitar el resumen, con anterioridad correr los 3
algoritmos señalados anteriormente, y así poder obtener una gráfica con el
comportamiento de los 3 algoritmos.

71
ANEXO 2. IMPLEMENTACIÓN EN MATLAB DEL ALGORITMO OPTIMIZACIÓN
EVOLUTIVA DE ENJAMBRE DE PARTÍCULAS (EPSO) PROPUESTO.

En este apéndice se implementa el algoritmo EPSO propuesto en el numeral3.3

para la resolución del problema. El programa utilizado para su implementación es
MATLAB. El programa principal queda de la siguiente manera:

72
73
La función ―fitness‖ resaltada en rojo en el código anterior hace referencia a una función
creada para evaluar la configuración de cada partícula del enjambre en la función objetivo,
y su estructura de código es la siguiente

74
75