DESPACHO ECONÓMICO DE GENERACIÓN

TERMOELÉCTRICA EN EL PERU
Universidad Nacional de San Antonio Abad del Cusco,
Escuela Profesional de Ingeniería Eléctrica
Arias Cjuno, Walter 164109@unsaac.edu.pe
Auccapuma Quispe, Aldair Raul 144316@unsaac.edu.pe
Maldonado Valdez, Dayana 103527@unsaac.edu.pe
Medrano Mamani, Hugo Anderson 141489@unsaac.edu.pe

RESUMEN: En La producción de electricidad está

asociada a factores técnicos inherentes a cada proceso Keywords: Economic Dispatch, Iterative Lambda,
de conversión de energía y también a los factores Lagrange Multipliers, Incremental Cost, Thermoelectric
económicos que genera, cuanto menos costoso es Generation, Jacobian.
producir electricidad, más se puede producir. Más,
conocer más y más usuarios, es decir, satisfaga las
necesidades de energía del sistema a un costo reducido. 1. INTRODUCCIÓN:
Esto se convirtió en una tarea importante para los La energía eléctrica se ha convertido en un elemento
operadores de la SEP, conocida como Oficina de esencial para el desarrollo de cualquier país, utilizada
Desarrollo Económico. En este trabajo se presentan dos indispensable en aplicaciones en diferentes rubros. Este
métodos de distribución económica, cada uno con su tipo de energía se genera en grandes cantidades en puntos
propia fórmula para considerar la pérdida de potencia precisos y luego se transmite económicamente a grandes
que existe durante la transmisión de potencia en la red distancias a los centros de consumo, donde se convierte,
eléctrica. Los métodos tomados son iterativos, lo que utiliza y aplica. Por su importancia se busca de que los
ayuda a determinar la penalización a aplicar a los procesos seas más eficientes y confiables en todo este
generadores luego de aumentar las pérdidas en el proceso. La energía eléctrica en las centrales térmicas se
sistema eléctrico; En ambos casos, es necesario conocer obtiene mediante la conversión de combustibles fósiles
primero la solución de la corriente de carga del sistema. (gas natural, carbón o petróleo) y fuentes de clorhidrato de
Los resultados obtenidos para un sistema de prueba azufre. El ciclo termodinámico es esencialmente un
muestran que el método Lambda iterativo proporciona proceso de baja eficiencia. La producción máxima de las
menores costos operativos con un menor número de grandes centrales eléctricas modernas es de más del 0%,
iteraciones, lo que representa ahorros económicos y mientras que las pequeñas pueden tener menos
computacionales. productividad. En el caso de las centrales térmicas
convencionales, los precios de los combustibles son
Palabras clave: Despacho Económico, Lambda iterativo, elevados, además de la operación y mantenimiento de las
Multiplicadores de Lagrange, Costo Incremental, referidas centrales. Es decir, el costo de generar
Generación Termoeléctrica, Jacobiano. electricidad en este tipo de centrales es sustancial, por lo
que se convierte en un factor muy importante cuando se
ABSTRACT: In Electricity production is associated with considera que contribuye a las necesidades energéticas del
technical factors inherent in each energy conversion sistema. El enrutamiento de los ahorros de energía se
process and also with the economic factors it generates, realiza en base al costo de cada estación generadora, con
the less expensive it is to produce electricity, the more it el objetivo de proveer la carga dentro de los límites de
can be produced. More, know more and more users, that operación normal de los componentes del SEP. En este
is, meet the energy needs of the system at a reduced cost. artículo se analizan los métodos de distribución del ahorro
This became an important task for the operators of the
SEP, known as the Office of Economic Development. In
this work, two economic distribution methods are
presented, each one with its own formula to consider the
power loss that exists during the transmission of power in
the electrical network. The methods taken are iterative,
which helps to determine the penalty to apply to
generators after increasing losses in the electrical system; teniendo en cuenta la pérdida de potencia en el sistema.
In both cases, it is necessary to first know the solution of
the system charging current. The results obtained for a Fig. 1 muestra el proceso de costo de producción de una
test system show that the iterative Lambda method central termoeléctrica.
provides lower operating costs with a lower number of
iterations, which represents economic and computational
savings.
2. MARCO TEÓRICO
2.1. Despacho económico de generación
El despacho económico de generación es una tarea
importante en la gestión de sistemas modernos de energía,
el cual tiene como objetivo, asignar para cualquier
condición de carga en el sistema, la salida de potencia a
cada central de generación (y a cada unidad de generación Fig. 3 Esquema de una central termoeléctrica a gas
dentro de una misma planta), haciendo énfasis en la
coordinación y disminución de los costos de generación 2.3. Funcion de costos
eléctrica en todas las plantas generadoras operativas El modelo económico de la central termoeléctrica se
dentro del sistema. Así, si se conoce el flujo de cargas en expresa por el costo de la cantidad de combustible a
un SEP, es posible hallar la potencia activa y reactiva que emplearse para abastecer la potencia demandada, la
tendría que aportar cada planta generadora para cumplir potencia eléctrica que demanda el sistema es la entrada de
con la demanda de potencia, en este caso sin tomar en la función y aquel costo corresponde a la salida de la
cuenta el costo de operación. función, además se toma en cuantas restricciones como
En la Figura 2 se muestra el esquema de trabajo del por ejemplo los límites máximos y mínimos de
despacho económico (DE), en donde se presenta una producción de los generadores y demás elementos de una
demanda determinada de potencia, el proceso de DE central térmica.
analiza los costos de cada generador, y como respuesta
ordena la cantidad de potencia que cada uno de los Figura 4. Curva entrada-salida para una
generadores ha de producir para que se cumpla la unidad generadora térmica
condición de despacho al menor costo satisfaciendo la
demanda. La

función de costo puede ser una expresión lineal,

polinómica de segundo o tercer orden, o una función
constante a trozos.
Fig. 2 Esquema del Despacho Económico
2
𝐹(𝑃𝑔𝑖 ) = 𝑎𝑃𝑔𝑖 + 𝑏𝑃𝑔𝑖 + 𝑐 [$/ℎ]

2.2. Generación termoeléctrica

Las centrales térmicas consumen carbón, Fuelóleos o 2.4. Costo incremental
gas natural. En estas plantas, la energía de la combustión El costo adicional en [$/h] necesarios para generar 1
de carbón, Fuelóleos o gas natural se utiliza para convertir [MW] adicional de potencia, se lo conoce como costo
el agua en vapor. La central térmica está formada por una incremental, denotado por λ.
caldera y una turbina que acciona el generador. Para cada El costo incremental se determina al medir la pendiente de
combustible utilizado, el equipo de la planta y la la curva de costos, es decir, la curva de costo incremental
configuración del son diferentes. es la derivada de la curva de costo con respecto a la
Las instalaciones termoeléctricas se pueden configurar potencia de generación, de tal manera que, si la curva de
en diferentes ciclos termodinámicos costos es una función cuadrática, la curva de costo
incremental será una función lineal.
como ciclo Brayton, correspondiente al uso de la
turbina de gas; el ciclo de Rankine se conoció en como el
ciclo de vapor ordinario; Ciclo diésel, utilizando
combustible líquido en motores de combustión interna; y el
ciclo Otto, que también utiliza combustible líquido en
bujías o motores alternativos de chispa o bujía. Función de costo cuadrática:
 2
𝐹(𝑃𝑔𝑖 ) = 𝑎𝑃𝑔𝑖 + 𝑏𝑃𝑔𝑖 + 𝑐 [$/ℎ] La función objetivo (FO) en el DES es minimizar el costo
total (FT) para alimentar a la carga teniendo como
Función de costo incremental: restricción que la suma de las potencias generadas debe
ser igual a la carga del sistema. Esta restricción es
𝑑𝐹𝑖 conocida como Balance de Potencia [11], además de los
𝜆𝑖 = = 2𝑎𝑃𝑔𝑖 + 𝑏 [$/𝑀𝑊ℎ] límites máximos y mínimos de generación dados en las
𝑑𝑃 𝑔𝑖 curvas de capacidad de los generadores sincrónicos.
Esto parte del hecho de que los generadores
2.5. Despacho económico simplificado termoeléctricos necesitan de un determinado lapso de
tiempo para su puesta en marcha, y también para su
Para comprender este concepto, se puede parada y reanudación, esto hace difícil que se los pueda
suponer que existen dos unidades de generación sacar de generacion facilmente.
en una o más plantas de un sistema. La salida de
potencia de la planta es provista por la suma de
las potencias que generan cada una de sus dos P1
unidades, y cada unidad produce energía eléctrica
a un costo incremental específico para cada una,
siendo uno de estos costos más alto que el otro. F1

Entonces, se puede suponer que la unidad que P2

tiene el costo incremental mayor transfiere parte
de su carga de potencia a la unidad de menor
F2
costo, esa reducción de carga en la unidad más
costosa da como resultado una disminución en el
costo de producción, y este costo disminuido es Pload
mayor al costo que se incrementa en la segunda PN
unidad por la toma de esa carga. Ya que los costos
incrementales de las unidades son funciones de las
N
potencias generadas, el proceso de transferencia
de carga de una unidad a otra puede continuar
hasta alcanzar el punto en el cual los costos Figura 5. Ngen unidades termogeneradoras
incrementales de las unidades sean iguales. comprometidas a cubrir la carga Pload

Si se aplica el mismo razonamiento para

sistemas con más de dos unidades, se plantea el La formulación matemática de la solución del DES es la
criterio en que, para tener un despacho óptimo siguiente:
de carga en la generación eléctrica, las
unidades deben operar con un mismo valor de 𝐹𝑇 = 𝐹1 + 𝐹2 + 𝐹3 + ⋯ + 𝐹𝑁 (5)
costo incremental. A esto se lo conoce como
Despacho Económico [8], el cual puede 𝑁
(6)
resolverse mediante un método de 𝐹𝑂: 𝑚𝑖𝑛 → 𝐹𝑇 = ∑ 𝐹𝑖(𝑃𝑔𝑖 )
optimización. 𝑖=1
S.A.:
𝑁
𝑑𝐹1 (7)
𝑃𝑙𝑜𝑎𝑑 − ∑ 𝑃𝑔𝑖 = 0
𝜆= = 𝑎1𝑃𝑔1 + 𝑏1
𝑑𝑃𝑔1 𝑖=1
𝑑𝐹2 𝑚𝑖𝑛 ≤
𝑃𝑔𝑖
𝑚𝑎𝑥
𝑃 𝑔𝑖 ≤ 𝑃 𝑔𝑖 (8)
𝜆= = 𝑎2𝑃𝑔2 + 𝑏2
𝑑𝑃𝑔2
2.6. Despacho económico con perdidas
En la Figura 5 se muestra un sistema con una cantidad Una vez comprendido el DES como un método rápido y
Ngen de generadores termoeléctricos, como entrada en simple de estimar la distribución de generación, en la
cada unidad se tiene la función de costo correspondiente práctica es necesario considerar a los SEP con sus
Fi, y a su salida se tiene la generación de potencia pérdidas de potencia en el sistema transmisión Ploss, como
eléctrica Pgi de cada unidad conectadas directamente a una se representa en la Figura 6, entonces el problema pasa a
única barra en la cual también se encuentra recibiendo ser nombrado Despacho Económico con Perdidas (DEP).
potencia una carga Pload. La suma de todas esas potencias
generadas alimenta la carga Pload, y el costo de generación En el caso del DES, el criterio de balance de potencia
(u operación) total es la suma de los costos individuales. debe asegurar que la generación cubra la carga, pero para
el caso de un sistema con pérdidas, el criterio de balance
de potencia dicta que la generación debe cubrir la
El despacho de generación en este potencia de carga y las pérdidas de potencia.
caso se lo conoce como Despacho Económico La función objetivo para este despacho se mantiene igual
Simplificado (DES), en el cual, se desprecia las pérdidas que en el anterior caso, pero son las restricciones las que
de potencia en el SEP.
se modifican. En la restricción de balance de potencia respecto a su propia función de costos, la potencia
ahora incluye a las pérdidas de transmisión generada y las perdidas totals del Sistema.

𝑑𝐹𝑖 1
𝑑𝑃𝑔𝑖 ( 1−𝑑𝑃𝑙𝑜𝑠𝑠 ) =𝜆
P1 𝑑𝑃𝑔𝑖

F1 Donde:
P2

RED DE
F2 TRANSMISIÓN
CON PÉRDIDAS
Pload

PN
En el factor de penalización se basa el DEP Como se
había mencionado anteriormente, en el criterio DEP, el
FN valor del costo incremental (λ) debe ser igual para todas
Figura 6. Ngen unidades térmicas cubriendo una carga Pload a las unidades de generación. Con el uso de las ecuaciones
través de una red de transmisión (13) y (17), se construye el sistema de ecuaciones en las
cuales las variables serán las potencias Pgi y un único
Por tanto, se muestra las expresiones matemáticas de las lambda o conocido como lambda del Sistema.
restricciones complementadas para el DEP [4].

S.A.:
𝑁
𝑃𝑙𝑜𝑎𝑑 + 𝑃𝑙𝑜𝑠𝑠 − ∑ 𝑃𝑔𝑖 = 0
𝑖=1 3.2. Modelo de despacho hidrotérmico
El despacho hidrotérmico es un plan que busca coordinar
𝑃𝑚𝑖𝑛 ≤ 𝑃𝑔𝑖 ≤ 𝑃𝑚𝑎𝑥 de la mejor manera posible el parque generador del sistema
𝑔𝑖 𝑔𝑖 eléctrico. Todos los generadores del sistema deben ser
programados para un horizonte definido de manera que en
cada etapa del horizonte cada uno contribuya de manera
3. MÉTODOS DE SOLUCIÓN DEL DESPACHO ECONÓMICO óptima en el abastecimiento de la demanda.
CON PÉRDIDAS
El modelo a utilizar para la solución del problema
3.1. Método Lambda iterativo planteado es el SDDP.
La función de Lagrange o conocida como 3.3. Modelo SDDP
Lagrangiano de la ecuación (11), se construye al
relacionar los costos totales FT añadido al balance
de potencia Ø con el costo incremental λ que es El SDDP (Programación Dinámica Dual Estocástica, en
denominado también como multiplicador de español) es un modelo de despacho hidrotérmico
Lagrange, y corresponde al costo incremental estocástico con representación de la red de transmisión
efectivo, para los sistemas en los que se considera para estudios de operación de sistemas eléctricos de largo,
las pérdidas de potencia en la transmisión. mediano y corto plazo.
El modelo calcula la política de operación de mínimo
𝑓 = 𝐹𝑇 + 𝜆Ø
costo de un sistema hidrotérmico, tomando en
consideración los siguientes aspectos:
Si se desea encontrar el valor mínimo de la función de
Lagrange, cual es la función objetivo del DEP, se toma la • Detalles operativos de las centrales hidroeléctricas;
derivada de la función de Lagrange con respecto a cada
uno de potencias generadas individuales y se iguala a cero • Detalles operativos o comerciales de las centrales
la ecuación, de modo que se obtiene una ecuación en la térmicas;
que están involucradas tanto la derivada de las pérdidas de • Considera la incertidumbre hidrológica;
potencia como la derivada de la función de costos, las dos • Considera la red de transmisión en forma detallada;
con respecto a la potencia de cada unidad de generación y • Representa la demanda de energía por bloque y por
también el término del costo incremental. barra a etapas mensuales o semanales;
• Representa el mercado spot y los contratos de energía.
𝑑𝑓 𝑑𝐹𝑖 𝑑𝑃𝑙𝑜𝑠𝑠 Además, presenta características particulares que
= − 𝜆 (1 − ) facilitan su utilización en el ingreso y salidas de
𝑑𝑃𝑔𝑖 𝑑𝑃𝑔𝑖 𝑑𝑃𝑔𝑖 información y en el desarrollo de la programación para
=0 los diferentes horizontes de análisis (largo, mediano y
corto plazo).
Si se ordena esta ecuación, da como resultado la ecuación
del costo incremental para cada unidad de generación, con
4. APLICACIÓN DEL METODO DE SOLUCION A probabilidad asociada, se debe utilizar un criterio de
UN DETERMINADO SISTEMA ELECTRICO decisión
para elegir entre distribuciones de probabilidad. En este
Se presenta la formulación de problemas de optimización caso se utiliza el valor esperado. La formulación del
estocástica, el manejo del riesgo en la toma de decisiones y problema es el siguiente:
el modelamiento de las fuentes de energía renovables.
Sujeto a:
4.1. Optimización estocástica: E ≥ Ds +r s
La optimización estocástica permite resolver problemas de Reemplazando los valores se obtiene el siguiente
decisión cuando no se conocen de antemano todos los equivalente determinístico.
parámetros asociados ya que estos son aleatorios. La forma
más sencilla del problema y que es de interés para nuestro
propósito es la formulación de dos etapas. En una primera
etapa se deciden las variables de decisión antes de conocer Sujeto a:
la realización del escenario y por ello que no dependen del E ≥ 90+r 1 (5)
escenario, mientras que en una segunda etapa ocurren los E ≥ 100+ r 2 (6)
escenarios y se deciden las variables de recurso que son
variables que se ajustan a la realización de cada escenario.
E ≥ 105+ r 3 (7)
Luego, cada escenario tiene una probabilidad asociada y E , r 1 ,r 2 , r 3 ≥0
(8)
partir de un criterio de decisión que puede ser el valor La solución se puede obtener las técnicas conocidas de
esperado se puede llevar la formulación a un equivalente programación lineal y es de E=120. En general un
determinístico. problema de optimización estocástica de dos etapas se
Para mostrar lo anterior considérese el ejemplo mostrado formula de la
en la Figura 1, se desea saber cuánto de energía se debe siguiente manera:
almacenar de tal forma que se abastezca una demanda de
energía que tiene tres posibles escenarios: puede tomar el t t
Min c x + E ξ [q ξ y ξ ]
valor de 90 MWh con probabilidad de 0,5, 100 MWh con
probabilidad de 0,4 y 120 MWh con probabilidad de 0,1.
El costo de almacenar la energía es de 5$/MWh. Luego se 4.2. Manejo del riesgo
desea minimizar el costo de almacenar esta energía. La función objetivo de un problema de optimización
La principal restricción de este problema es que la energía estocástica es una variable aleatoria con cierta distribución
almacenada debe ser mayor o igual a la que será de
demandada, no obstante, si se escoge un valor fijo de probabilidad para cada decisión. Para poder elegir entre
energía almacenada E (ej. 110 MWh) no siempre se distribuciones se utiliza un criterio que las condense en un
cumplirá la restricción en todos los escenarios; es por ello número. El criterio más común es utilizar el valor
que se debe incluir una variable de recurso que se debe esperado y
ajustar a cada escenario en la segunda etapa. En este caso tiene sentido cuando el proceso de decisión se repite
se consideró incluir una variable que represente la energía muchas
no suministrada y esta energía no suministrada tiene un veces. No obstante, el valor esperado de una distribución
costo asociado de 20$/MWh. Luego la restricción queda no
expresada de la siguiente forma: toma en cuenta la varianza del resultado y no tiene mucho
sentido cuando la decisión se toma una única vez.
Suponga que tiene que elegir entre las distribuciones de
probabilidades mostradas en la Figura 2; estas representan
los
retornos de dinero para tres determinadas decisiones. Si se
utiliza el valor esperado se debería elegir la distribución
de color azul; no obstante, esta distribución tiene una
varianza muy grande. Una persona adversa al riesgo
elegiría la distribución de color rojo ya que a pesar que
tiene menor valor esperado, tiene una gran probabilidad
de obtener un retorno igual al esperado.

Figura 1. REPRESENTACIÓN DEL PROBLEMA DE

DOS ETAPAS CON TRES ESCENARIOS

E ≥ Ds +r s
Entonces se debe minimizar los costos de almacenamiento
sumado al costo del racionamiento, pero dado que este
costo total es una variable aleatoria con una distribución
de
 ambos tipos de centrales en un conjuntoΩ de generadores
eólicos y solares.
Luego, se discretizan las distribuciones de probabilidad de
la producción en un conjunto de escenarios, a cada
escenario le corresponde una producción y una
probabilidad asociada. Nótese que la producción no
depende de la etapa porque en cada etapa se tiene la
misma distribución de probabilidad. En el caso de las
centrales solares, en los bloques de mínima y máxima su
producción es cero y en el bloque de media tiene una
producción bastante regular tal y como se muestra en la
Figura 3.

Figura 2. DISTRIBUCIONES DE PROBABILIDAD En el caso de las centrales eólicas, la distribución

probabilística del viento es aproximadamente una
En ese sentido, debido a sus propiedades matemáticas, el distribución Weibull. No obstante, ya que se cuentan con
CVaR ha surgido como una alternativa ideal para datos históricos, a partir del histograma se puede asociar
modelizar la aversión al riesgo [6]. El CVaR se define niveles de producción a escenarios con una respectiva
como la esperanza condicional del costo tal que este sea probabilidad, ver Figura 4.
mayor a un umbral llamado Value-at-Risk (VaR). Luego, se modeliza la producción de las fuentes
renovables por un parámetro que depende del
escenario; en el modelo basta con incluirlo en el balance
El VaR se define como el mínimo costo de tal forma que
la probabilidad de que el costo exceda este valor es menor de potencias en cada nodo, como se verá en la siguiente
a un nivel de confianza β. sección.

Para distribuciones discretas el CVaR se puede definir por

el siguiente problema de optimización:

Donde Ω es el conjunto de escenarios futuros Cs es el

costo asociado a cada escenario, α es una variable que
representa
+¿ ¿
el VaR, β es el nivel de confianza y el operador
[t ] se define de la siguiente manera:

El problema de minimización se puede reescribir de la

siguiente manera utilizando una variable auxiliarh Us . Fig3. SERIE DE TIEMPO DE LA PRODUCCIÓN DE LA
CENTRAL TÉRMICA DE MAJES

Luego, para utilizar el CVaR basta con incorporar utilizar

la función objetivo (17) y añadir las restricciones (18) y
(19) dentro del conjunto de restricciones del problema
original [9]

4.3. Modelamiento de las fuentes renovables

Las fuentes de energía renovables se caracterizan por ser
intermitentes y tener una producción aleatoria. Para el
caso de las centrales hidráulicas con embalses estas
permiten almacenar energía y tienen un tratamiento
aparte. No obstante, en el caso de las centrales eólicas y
solares, se tiene que despachar lo que se produzca en el Fig. 4 . HISTOGRAMA DE LA PRODUCCIÓN DE LA
momento y esta producción es una variable aleatoria; dado CENTRAL EÓLICA CUPISNIQUE EN EL BLOQUE DE
que el único parámetro es la producción, se puede agrupar MÍNIMA
 5. DESCRIPCION DEL MODELO
Σ fji, t,d,c - Σ fij,t,d,c + Σ gk,t,d,c (24)
El modelo propuesto es la extensión estocástica del jiϵΩNi ijϵΩNi
modelo PERSEO [3] que incluye en la función objetivo el
criterio CVaR [6] y considera fuentes de energía + Σ kh. qh,t,d,c + Σ gz,t,d,s
renovables como la eólica y solar. La red hidráulica está
hϵΩHi zϵΩzi
representada por un conjunto de embalses, reservorios,
puntos de interés y generadores hidráulicos. El volumen = di,t,d — ri,t,d,c
de agua va de un elemento hacia otro a través de
trayectorias. La red eléctrica está representada por un Ecuación de flujos en las líneas
conjunto de nodos y líneas.
∀ijϵΩL, ∀tϵΩT, ∀dϵΩB, ∀sϵΩS:
El problema se formuló como un modelo estocástico en
dos etapas en donde en la primera etapa se debe decidir la
política de almacenamiento de la energía, mientras que en ƒij,t,d,c = 100. bij (8i,t,d,c − 8j,t,d,c )
la segunda etapa la producción de las unidades térmicas e (25)
hidráulicas, así como el racionamiento de demanda y las
variables asociadas se ajustan a las condiciones de cada
escenario. La formulación matemática corresponde al Límites de capacidad de las líneas
equivalente determinístico del problema luego que se ∀AxjΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :
definieron las variables de cada etapa; se utilizó la
nomenclatura expuesta al ij principio del trabajo, la |fij,t,d,c | ≤ f Nas (26)
formulación se detalla a continuación.
La función objetivo del modelo propuesto consiste en el Límites de capacidad de los generadores hidráulicos
valor esperado de los costos en todos los escenarios
∀AxjΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :
sumado al CVaR multiplicado por un factor que permite
variar el grado de aversión al riesgo; luego, sí. y=0
0 ≤ k h q h tds≤ gmax (27)
solamente se toma en cuenta el valor esperado. h

α +1 ∀kcΩG , ∀tcΩT , ∀dcΩB , ∀scΩ S :

min ∑ πs*Cs+ y ( ∑πs *us) ………… (20)
(1− β) 0 ≤ gk tds≤ gk
max
(28)
sϵΩS sϵΩS

Las restricciones son las siguientes: Límites del racionamiento en cada nodo:
∀AxjΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :
Ecuaciones del CVaR:
∀scΩS 0 ≤ r itds ≤ d itd (29)

us ≥ 0 (21)
Balance de volumen de agua en los puntos de interés:
us ≤ Cs — α (22) ∀AxjΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :

Costo de operación asociado a cada escenario, que toma

en cuenta el costo de producción de los generadores
térmicos, la energía no suministrada, y el volumen de
riego no suministrado:
∀scΩS:

CS = Σ Σ Σ ck. g k,t,d,c (23)

tϵΩT dϵΩB kϵΩG
+ Σ Σ Σ λi. ri,t,d,c
(30)
tϵΩT dϵΩB iϵΩN Balance de volumen de agua en los embalses:
+ ΣΣ CF. qfy,t,c
∀AxjΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :
tϵΩT yϵΩRG0

Balance de potencia en cada nodo:

∀icΩN, ∀tcΩT, ∀dcΩB, ∀scΩS:
 ∀xyεΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :

max 36. τ d
0 ≤ q xy .t .d ≤ q xy (40)
10000
Restricciones de riego máximo en las trayectorias de riego

36. μt
(31) q xy . t . s ≤ q max
y
(41)
10000
Balance de volumen de agua en los reservorios:
∀xyεΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :
∀AxjΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :
36. τ d
q xy . t . d ≤ q max
y
10000
(42)

Restricciones de riego máximo en las trayectorias de riego

min 36. μt
q xy . t . s + qf y .t . s ≤q y (43)
(32) 10000
∀xyεΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :

min 36. μt
Balance de volumen de agua en los generadores q xy . t . d , s +qf y .t . s ≤q y
10000
hidráulicos
6. IMPLEMENTACIÓN DEL MODELO MATEMÁTICO
∀AxjΩ , ∀ejΩ , ∀εjΩB , ∀4ΩB :
Se ha realizado la construcción del modelo matemático en
Matlab, en el cual se aplica el metodo de resolución del
DEP, tanto con el método de Lambda Iterativo, en donde
se puede observer en la Figura 5. En este método se
obtiene los resultados del despacho económico con
pérdidas; y, adicional a esto se obtiene los valores del
despacho económico sin considerar las pérdidas del
sistema, estos últimos resultados se los determina para
efectos de comparación. Este método conlleva procesos
Límites de capacidad de los embalses: iterativos, los cuales buscan dar una respuesta casi óptima
aun SEP. La evaluación de cada proceso se la hace usando
min max
V u ≤ V u, t≤ V u (35) este método para definir el despacho económico de un
mismo sistema, y comparar resultados del despacho entre
otros aspectos, como por ejemplo el número de iteraciones
Límites de capacidad de los reservorios: que ocupa cada uno para su trabajo.
max
0 ≤ V m .t .d ≤ V m (36)

Volúmenes meta de los embalses:

ini fin
V m . t=V m , V m . T+1 =V m (37)

Volúmenes meta de los reservorios

V m . t ,1 =V m .t , D+1 (38)

Límites de capacidad de las trayectorias:

max 36. μ t
0 ≤ q xy .t .s ≤ q xy (39)
10000
 8. IMPLEMENTACIÓN Y RESULTADOS

La formulación matemática del modelo propuesto,

presentada en la sección anterior, fue implementada
utilizando el lenguaje de modelamiento algebraico OPL y
fue resuelto con el solver CPLEX Versión 12.4.6.La
utilización de un lenguaje de modelamiento algebraico
permitió formular casi literalmente el modelo presentado
en la sección anterior, separando los datos del modelo
matemático de modo que este puede ser modificado
fácilmente sin las restricciones que presentaría un
software rígido con un número máximo de nodos,
escenarios, etc.

Las simulaciones se realizaron utilizando un computador

Dell Latitud E5420 con un procesador Intel Core i5 en
2.50GHz y 8GB de RAM. A continuación, se muestran
los casos analizados; los datos utilizados en las
simulaciones pueden ser solicitados por e-mail a los
autores.

8.1. Sistema de prueba de seis nodos

El sistema de seis nodos [10] se encuentra dentro de los

casos de ejemplo incluido en el modelo PERSEO. Para las
simulaciones, se consideró que todos los equipos
ingresaban dentro del periodo de análisis (de 12 meses).
Inicialmente, se simularon dos hidrologías por separado.
Los resultados se muestran en la Tabla 1.

Tabla 1. COMPARACIÓN DE RESULTADOS DEL

SISTEMA DE 6 NODOS
Hidrología Modelo Tiempo Costo $
H1 PERSEO 0.0166 s 49 415 740
H1 Propuesto 0.0156 s 49 415 740
Fig 5. Algoritmo del método lambda iterativo. H2 PERSEO 0.0166 s 44 098 657
H2 Propuesto 0.0156 s 44 098 657
7. ANÁLISIS DE RESULTADOS
Los resultados se analizan en relación a cuál de
los métodos muestra el despacho económico más En la Tabla 1 se puede observar que ambos modelos
eficiente, en este caso es el costo incremental el calculan el mismo costo de operación, tal como era
valor que dicta cual método logró obtener la esperado porque sus ecuaciones son idénticas cuando se
cantidad de potencia para cada generador a la cual analiza una sola hidrología. Cabe resaltar que en trabajos
el valor del costo fue menor que otro el método. anteriores se ha intentado replicar la misma solución del
Para el análisis de los métodos. modelo PERSEO obteniéndose resultados distintos [7] [8].
Se presenta dos SEP diferentes a los cuales se
aplica los algoritmos planteados anteriormente.

El primer ejercicio consiste en un SEP de cuatro

barras ilustrado en la Figura 6.
Los costos incrementales de cada generador son:

El modelo propuesto corresponde a un problema de

programación lineal que puede ser resuelto por un solver
comercial.
 Seguidamente, se utilizó el modelo propuesto y se Figura 6. VOLUMEN ALMACENADO EN LOS
simuló el caso con las dos hidrologías trabajadas EMBALSES PARA DOS ESCENARIOS Y PARA
anteriormente considerándolas con la misma probabilidad DISTINTOS GRADOS DE AVERSIÓN AL RIESGO
de ocurrencia y utilizando un nivel de confianza de ,β=
0,95. 8.2. Sistema peruano
Las simulaciones del sistema peruano se realizaron sobre
El primer resultado fue considerando un factor . γ=0, es
decir solamente se considera el valor esperado en la una configuración de 152 nodos; para un periodo de
función objetivo. El resultado fue comparado con el análisis de 12 meses.
promedio de las soluciones obtenidas considerando ambas Inicialmente, se simuló el Sistema Peruano para una
hidrologías por separado, ver Figura 5. La diferencia de hidrología y se comparó con los resultados del modelo
resultados muestra que, en general, utilizar el promedio de PERSEO. En la Tabla 3 se pueden observar que ambos
los resultados por separado de cada hidrología no minimiza modelos calculan el mismo costo de operación, tal como
el costo esperado, este es minimizado solamente cuando se esperado.
resuelven ambas hidrologías en el mismo problema de
optimización. Tabla 3. COMPARACIÓN DE RESULTADOS DEL
SISTEMA PERUANO
Hidrología Modelo Costo $
Figura 5. COMPARACIÓN DE RESULTADOS USANDO
EL PROMEDIO DE ESCENARIOS (PERSEO) Y H1 PERSEO 1 009 929 270
RESULTADO DEL MODELO ESTOCASTICO H1 Propuesto 1 009 929 270

En las siguientes simulaciones se varió el grado de En la Figura 7 se muestra la política de almacenamiento

aversión, obteniéndose los resultados que se muestran en para el embalse del Lago Junín obtenido por el modelo
la Tabla 2. Se observa que a medida que aumenta el grado propuesto.
de aversión al riesgo el costo esperado aumenta
ligeramente hasta que a partir del valor . γ=0,2 este ya no
aumenta más. El aumento se debe a que una persona
adversa al riesgo se cubre de los casos más críticos
almacenando más volumen de agua y utilizando más
generación térmica a costa de aumentar ligeramente el
valor esperado del costo.
de los casos más críticos almacenando más volumen de
agua y utilizando más generación térmica a costa de
aumentar ligeramente el valor esperado del costo.

Tabla 2. RESULTADOS DEL SISTEMA DE 6 NODOS

PARA DOS ESCENARIOS Figura 7. VOLUMEN ALMACENADO EN EL LAGO
JUNIN PARA UN ESCENARIO
Grado de aversión  Costo esperado $
0 47 789 612 Seguidamente se simuló el Sistema Peruano para dos
0.1 47 791 204 hidrologías con la misma probabilidad para distintos
0.2 47 791 281 grados de aversión al riesgo. Los resultados se muestran
0.3 47 791 281 en la Tabla 4.

En la Figura 6 se puede observarla evolución del volumen Tabla 4. RESULTADOS DEL SISTEMA PERUANO
almacenado en los embalses para cada valor de , PARA DOS ESCENARIOS
quedando claro que los volúmenes almacenados varían
Grado de aversión  Costo esperado $
con la aversión al riesgo.
0 1 215 888 923
0.1 1 215 924 491
0.2 1 216 085 218
0.3 1 216 204 390

Al igual que en el sistema de seis nodos, para un grado de

aversión neutra al riesgo ( = 0) el costo esperado es
menor, a medida que aumenta el grado de aversión al
riesgo el costo esperado sube ligeramente, pero a su vez se
reduce la variabilidad del resultado. En la Figura 8 se
muestra la política de almacenamiento para el embalse del
Lago Junín obtenido por el modelo propuesto para
distintos grados de aversión del riesgo; se puede verificar
que para un mayor grado de aversión al riesgo se
 almacena mayor cantidad de agua en los primeros meses a [6] R. Tyrrell Rockafellar, Stanislav Uryasev, 2000,
diferencia del caso neutral al riesgo. “Optimization of conditional value-at-risk”, Journal of
Risk, 2 (3), April, pp. 493-517.
[7] Paredes M., 2012. Metodología para el planeamiento
de la operación de sistemas hidrotérmicos en mercados
eléctricos competitivos (en portugúes), Tesis de Maestría
de la Universidade Estadual Paulista (UNESP), São Paulo,
Brasil.
[8] Jimenez R., 2007. Desenvolvimiento de una
Metodología para la Coordinación Hidrotérmica de largo
plazo en mercados eléctricos competitive (en portugúes),
Tesis de Maestría de la Universidade Federal do
Maranhão
(UFMA),São Luis, Brasil.
[9] J.P.S. Catalão, H.M.J. Pousinho, J. Contreras, 2012,
“Optimal hydro scheduling and offering strategies
considering Price uncertainty and risk management”,
Energy, 37(1), January, pp. 237-244.
[10] OSINERG – Modelo Perseo, [acceso el 22.05.15],
Figura 8. VOLUMEN ALMACENADO EN EL LAGO link:
JUNIN PARA DOS ESCENARIOS Y PARA DISTINTOS http://www.osinerg.gob.pe/newweb/pages/GART/698.htm
GRADOS DE AVERSIÓN AL RIESGO , OSINERGMIN.

9. CONCLUSIONES

En el presente trabajo se muestra un modelo de

optimización estocástico de dos etapas (que incluye la
aversión
al riesgo a través del CVaR dentro de su función
objetivo), para el problema de coordinación hidrotérmica
de sistemas con fuentes intermitentes. El modelo
propuesto es la extensión estocástica del modelo Perseo
(SDDP), de forma que, para un solo escenario, ambos
modelos son equivalentes. Este modelo fue implementado
en el lenguaje de modelamiento algebraico OPL, lo que
facilita la implementación de variantes del mismo. Los
resultados del modelo fueron satisfactorios y se mostró
como el modelo realiza un adecuado tratamiento de las
incertezas a través de la formulación estocástica del
problema de optimización y la inclusión del manejo del
riesgo en la función objetivo.
Actualmente, se están implementando técnicas de
descomposición para la resolución del modelo propuesto
con el objetivo de reducción de tiempo de procesamiento
para la obtención de resultados.

10. REFERENCIAS

[1] M.V.F. Pereira, L.M.V.G. Pinto, 1985, “Stochastic

Optimization of a Multireservoir Hydroelectric System: A
Decomposition Approach”, Water Resources Research,
21 (6), June, pp.779-792.
[2] A. Botterud, Zhi Zhou, Jianhui Wang, R.J. Besa, H.
Keko, J. Sumaili, 2012, “Wind Power Trading Under
Uncertainty in LMP Markets”,IEEE Transactions on
Power System, 27 (2), May, pp. 894-903.
[3] Uribe M., 2006. Manual Técnico: Metodología del
Modelo Perseo, OSINERGMIN.
[4] PSR, 2012. SDDP – Manual de Usuario Versión
10.2.4, PSR.
[5] Kall P., 1994. Stochastic Programming, John Wiley,
Chichester, Inglaterra.