Tesis Aplicación Del Algoritmo Metaheurístico Optimización Evolutiva Por Enjambre de Partículas (Epso) A La Alternativa de Asignación de Energía Eléctrica Minimización de Pagos Finales (PCM)
Tesis Aplicación Del Algoritmo Metaheurístico Optimización Evolutiva Por Enjambre de Partículas (Epso) A La Alternativa de Asignación de Energía Eléctrica Minimización de Pagos Finales (PCM)
Tesis Aplicación Del Algoritmo Metaheurístico Optimización Evolutiva Por Enjambre de Partículas (Epso) A La Alternativa de Asignación de Energía Eléctrica Minimización de Pagos Finales (PCM)
DIRECTOR
PhD. HENRY LAMOS DÍAZ
5
Agradecimientos.
6
TABLA DE CONTENIDO
INTRODUCCIÓN. .................................................................................................. 14
1. OBJETIVOS .................................................................................................... 16
7
2.8.4 Optimización Evolutiva de Enjambre De Partículas (Evolutionary
Particle Swarm Optimization EPSO) ............................................................... 37
3. DISEÑO DE LA SOLUCIÓN............................................................................ 42
5. CONCLUSIONES ............................................................................................ 55
6. RECOMENDACIONES ................................................................................... 57
8. BIBLIOGRAFÍA ............................................................................................... 60
ANEXOS ................................................................................................................ 62
8
LISTA DE TABLAS
9
LISTA DE ILUSTRACIONES
10
LISTA DE ANEXOS
11
RESUMEN
DESCRIPCIÓN
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.
_____________________
* Proyecto de Grado. ** Facultad de Ingenierías Físico-Mecánicas. Escuela de Estudios
Industriales y Empresariales. Ph.D. Henry Lamos Diaz.
12
SUMARY
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.
_____________________
* Graduation Project ** Ability of Engineerings Physique-Mechanical. Industrial and Business
Studies School. Ph.D. Henry Lamos Diaz.
13
INTRODUCCIÓN.
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.
15
1. OBJETIVOS
16
2. MARCO TEORICO.
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
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 .
] 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:
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)
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:
20
En la tabla 2, se puede observar el resultado de la asignación BCM que tiene en
cuenta la liquidación tipo PAB.
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.
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).
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.
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.
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.
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).
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.
28
ya que cuando el valor de esta crece, el problema rápidamente se vuelve más
complejo.
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.
(5)
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:
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.
(6)
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
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.
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.
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).
( ) ( )
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).
Por otro lado, existen estudios [5] realizados en sobre la influencia de los ratios de
aprendizaje en los que se recomienda valores de .
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:
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.
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.
(10).
( ) (11).
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).
(13).
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.
41
3. DISEÑO DE LA SOLUCIÓN.
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 .
{( )}
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
] 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
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:
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
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.
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.
( ) ) (21)
47
Es por esto que se utiliza la función sigmoide para convertir la expresión de la
velocidad en una probabilidad.
(22)
(22)
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.
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
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.
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
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
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
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
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.
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.
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,
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:
2 Carga de datos:
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).
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.
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.
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.
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.
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