Aplicación Práctica / Practical Issues

Planificación y Diseño Automático Óptimo de Grandes Redes Eléctricas

de Distribución: Aplicación al Centro Histórico de Quito

M. García-Sanz1 M. Otorongo2

University y CoDyPower LLC

1

E-mail: mario@codypower.com

Empresa Eléctrica de Quito, EEQ

2

E-mail: mrotorongo@hotmail.com

Resumen Abstract

El presente trabajo describe la herramienta
computacional desarrollada por CoDyPower
(CDP) para la planificación automática óptima
de grandes redes eléctricas de distribución.
El objetivo principal es el diseño de redes
eléctricas que minimicen el coste económico de
la instalación y operación. La función de coste
a optimizar tiene en cuenta el número y tipo de
subestaciones, la longitud y tipo de conductores,
la instalación de líneas aéreas o subterráneas
y los costes de operación y pérdidas en un
horizonte temporal dado. La optimización
considera la geometría de las calles, los catálogos
de transformadores y cables disponibles para el
proyecto, las restricciones de distancias, caídas
de tensión, corrientes y potencias máximas.
Debido al carácter computacional NP-hard
del problema, el software aplica estrategias
de inteligencia artificial y de estadística,
fraccionando el problema en etapas de macro
y micro optimización. Con ello se encuentra
un camino viable de cálculo en tiempos de
computación accesibles. Además, los algoritmos
propuestos son capaces de encontrar soluciones
multi-circuito para cada transformador. El
presente trabajo muestra también la aplicación
del software CDP al diseño y planificación de
las redes eléctricas de distribución de baja y
media tensión del Centro histórico de Quito, con
unos 20.000 usuarios. Los resultados obtenidos
cumplen todas las especificaciones y reducen en
aproximadamente un 40% el coste inicialmente
estimado.
This paper introduces the computer program
developed by CoDyPower (CDP) for automatic
planning of large electrical distribution
networks. The main objective is the design of
electrical networks that minimize the economic
cost of the installation and operation. The cost
function to be optimized takes into account
the number and type of transformers, the
longitude and type of cables, the type and cost of
overhead/underground lines, and the operating
costs in a given time window. The optimization
deals with the street geometry and the catalog of
available transformers and cables. It considers
distance constraints, voltage and current limits
and maximum power. Due to the NP-hard
character of the computational problem, the
software applies artificial intelligent strategies
and statistics. It splits the problem into macro
and micro optimization sub-tasks, finding a
feasible calculation technique for a practical
computational time. Moreover, the proposed
algorithms are able to find multi-circuit
solutions per transformer. The CDP software
is applied to the automatic planning of the low
and medium voltage electrical distribution
networks for the Historic Center of Quito, with
about 20,000 consumers. The achieved solution
meets all the specifications and reduces by 40%
approximately the initial estimated cost.

Palabras clave—Redes eléctricas de distribución, Index terms— Electrical distribution networks,

Planificación óptima, Inteligencia artificial, Optimum planning, Artificial intelligence,
Ciencias de la computación. Computer science.

Recibido: 21-10-2015, Aprobado tras revisión: 24-12-2015.

Forma sugerida de citación: García-Sanz, M. y Otorongo, M. (2016). “Planificación y Diseño Automático
Óptimo de Grandes Redes Eléctricas de Distribución: Aplicación al Centro Histórico de Quito”. Revista
Técnica “energía”. No 12, Pp. 157-166.
ISSN 1390-5074.

157
 Edición No 12, Enero 2016
1. INTRODUCCIÓN
La planificación de una red eléctrica de
distribución tiene como objetivo principal el
diseño óptimo de las instalaciones necesarias
para suministrar energía eléctrica a un conjunto
de cargas distribuidas en un área geográfica dada.
Ello conlleva la selección del número y ubicación
geográfica de los centros de transformación, del
tipo y número de transformadores, del tipo y
longitud de cables necesarios para conectar los
consumidores a los centros de transformación, y
de la obra civil necesaria para la instalación. El
diseño debe también respetar los límites de caída
de tensión y las máximas distancias, potencias y
corrientes permitidas. La optimización del diseño
se define en términos económicos, incluyendo los
costes de instalación y operación de la red eléctrica
en un horizonte de tiempo dado.
La red eléctrica de distribución tiene
habitualmente una topología radial, desde los
centros de transformación a los consumidores en
su parte de baja tensión, o desde las subestaciones a
los centros de transformación en su parte de media
tensión [1], [2]. Los algoritmos de planificación
pueden aplicarse a ambos problemas.
El problema de optimización comporta una
gran complejidad debido al crecimiento no-
polimonial del tiempo de cálculo con el número de
usuarios de la red. El enorme número de posibles
combinaciones y soluciones hace que los algoritmos
de planificación planteados en la literatura para
grandes redes utilicen habitualmente algoritmos
heurísticos. En particular, diversos autores han
propuesto métodos de algoritmos genéticos con
formulaciones multi-objetivo [3], algoritmos
evolutivos [4]-[5], estrategias fuzzy [6], métodos
de búsqueda Tabú [7], de colonia de hormigas [8],
y de métodos estadísticos de tipo cluster [9].
El presente trabajo describe la herramienta
computacional desarrollada por CoDyPower
(CDP) para la planificación automática óptima de
redes eléctricas de distribución [10]. El objetivo
principal es la búsqueda de un diseño de red eléctrica
que minimice el coste económico del proyecto
completo, teniendo en cuenta el número, ubicación
geográfica y tipo de subestaciones, la longitud y
tipo de conductores, la instalación de líneas aéreas
o subterráneas y los costes de operación y pérdidas
en un horizonte temporal dado. La optimización
considera la geometría de las calles, los catálogos
158
de transformadores y cables disponibles, y las
restricciones de distancias, caídas de tensión y
corrientes y potencias máximas.
El trabajo detalla también la aplicación del
nuevo software al proyecto coordinado por la
Empresa Eléctrica de Quito (EEQ) de diseño de
la red eléctrica de distribución de baja y media
tensión del Centro Histórico de Quito (CHQ).
2. MÉTODO DE PLANIFICACIÓN
ÓPTIMA
La herramienta computacional de diseño
óptimo de redes eléctricas de distribución CDP
está concebida para calcular de modo automático el
diseño de grandes redes eléctricas de distribución.
Esta sección resume el método de optimización
desarrollado, incluyendo (2.1) la descripción de los
objetivos y principales dificultades a resolver, (2.2)
la función de coste a minimizar, (2.3) el conjunto
de restricciones de cálculo del problema, y (2.4)
los métodos computacionales aplicados.
2.1. Objetivos
El objetivo principal de la herramienta CDP
es la búsqueda de un diseño de red eléctrica
que minimice el coste económico del proyecto
completo, incluyendo los costes de instalación y de
operación.
El problema computacional del cálculo es de
tipo NP-completo: NP es el acrónimo en inglés
de non-deterministic polynomial time (“tiempo
polinomial no determinista”). Ello significa que no
existe un algoritmo capaz de encontrar soluciones
óptimas en un tiempo polinomial. En otras palabras,
el tiempo necesario para encontrar una solución
óptima crece con el número de variables de modo
más rápido que un polinomio.
La herramienta computacional CDP de diseño
óptimo de redes eléctricas de distribución trata
de modo práctico el carácter NP-completo del
caso. Para ello aplica la estrategia computacional
“divide-and-conquer”, dividiendo el problema
en dos etapas: macro-optimización y micro-
optimización. Con ello se encuentra un camino
viable de búsqueda de sub-óptimos/óptimos en
tiempos de computación accesibles.
La herramienta es aplicable a topologías
eléctricas en forma radial o de árbol, donde el flujo
de potencia circula unidireccionalmente desde un
nodo raíz (centro de transformación) hacia los
García-Sanz et al./ Planificación y Diseño Automático Óptimo de Grandes Redes Eléctricas de Distribución: Aplicación al Centro histórico de Quito

usuarios. Supone también una con red trifásica costes fijos representados por la inversión
equilibrada en sus fases. necesaria en cada uno de los conductores,
realizada al inicio del período de estudio;
2.2. Función de coste y (b) los costes variables, representados
por los costes asociados a las pérdidas de
El objetivo final de la herramienta energía y potencia, que dependen de la
computacional es encontrar un diseño de la red corriente que circula por cada conductor, y
eléctrica de distribución que minimice la función que se producen durante todo el horizonte
de coste CTotal, tal que, de estudio. Para poder sumar los costes
que se producen en los distintos años se
CTotal = recurre al valor actual neto (VAN), también
  CCTi +   conocido como valor presente. En él se
   
  CobraCivili +   incluyen los costes de inversión y operación
    de cada tipo de conductor, la depreciación,
nmz  ni C +   (1)
∑  ∑ 
perdTrafi

miniZonas  islas     
 el valor residual de los conductores, la tasa
=j 1 =  i 1  ncir  nt  Cconductoresxx +     de descuento, que identifica el riesgo del
∑ ∑     
 circuitos  tramos  C perdLinxx   proyecto, y la tasa de impuesto. Así, el valor
 = 
  k 1 =  xx 1 k  i  j
actual neto de un determinado conductor c
por km (VANcondc,km) es una función que varía
donde se tienen cinco sumatorios anidados: con respecto a la corriente que lo atraviesa,
tal que,
a)para todas las mini-zonas propuestas por
la macro-optimización: j = 1,2,… nmz = VAN condc ,km CosteCondcondc ,km +
b) para todas las islas de cada mini-zona: i =  CosteCondcondc ,km 
CLc ( 1 − tasaImp) −   tasaImp − valorR yy
1,2,…ni Ym  vidaDep  yy (2)
c) para los todos circuitos de cada isla: k = anos ∑
(1 + rate) yy
1,2,…ncir yy =0

d) para los tramos de cada circuito: xx =

1,2,…nt Todos los tramos (xx = 1,2,… nt) del circuito
e) para los todos años en el horizonte de k tienen el mismo tipo de conductor c. Una vez el
estudio: yy = 1,2,… Ym algoritmo de optimización elija el tipo de conductor
c para el circuito k, el coste de los conductores del
y donde se definen cinco variables principales: tramo xx se calcula multiplicando el valor actual
neto del conductor c por km (VANcondc,km) por
· CCT_i = coste completo del centro de la longitud en km del tramo xx, tal que:
transformación (CT) de la isla i [$]. Incluye
el coste de los transformadores del CT, el C
conductores _ xx = VAN condc , km × longKM tramo ( xx ) (3)
coste de toda la aparamenta eléctrica del
CT y el coste de la obra civil necesaria para
albergar el CT. Los algoritmos seleccionan La expresión (2) del valor actual neto del
el CT más apropiado del catálogo de CTs conductor c por km (VANcondc,km) tiene las siguientes
definido en el fichero de entradas. variables:
· CobraCivil_i = coste de la obra civil de la isla
i [$]. Puede ser de carácter subterráneo o CosteCondcondc,km: es la inversión inicial
aéreo. Incluye las obras, zanjas, postes, para el conductor tipo c por km. Se calcula
etc, requeridos para unir los consumidores multiplicando el coste por km del tipo de
con el CT de la isla. Esta variable no conductor por el número de cables nCab de
incluye los conductores eléctricos. Si se este tipo seleccionados por el algoritmo para
traza un grafo que una el CT con todos sus el circuito.
consumidores, el coste de la obra civil se
calcula multiplicando la distancia (km) de nCab: es el número de cables seleccionados por
dicho grafo por el coste unitario ($/km) de el algoritmo para el circuito. Esta limitado por
la obra civil. el valor introducido en el fichero de entradas,
· Cconductores_xx = coste de los conductores del de modo que 1 ≤ nCab ≤ nCaMaxR.
tramo xx [$]. Se tienen en cuenta: (a) los

159
 Edición No 12, Enero 2016

CLc: es el coste por km de las pérdidas anuales
del conductor c en el año yy para un valor de
corriente I. Responde a la siguiente expresión:
CLc CPEc + CPPc
=
(4)
Donde CPEc: es el coste por km de las pérdidas de
energía del conductor tipo c el año yy, [$]:
La Fig. 1 muestra el cálculo de VAN
realizado por el software de optimización para
cada conductor c, a partir de un catálogo de seis
conductores, y en función de la corriente I que los
atraviesa. La figura muestra también el caso óptimo
(envolvente de mínimos) para cada intervalo de
corriente.
VAN de cada conductor y Envolvente de minimos (K$/Km)

180
(5)
160
CPPc es el coste por km de las pérdidas de

Valor Actual Neto (K$/Km)

140
potencia del conductor tipo c el año yy, [$]:
120

100
(6) 80

y siendo: 60

Tabla 1: Parámetros 40

Precio de la energía en factor CPE, [$/

roE 20
kWh]. 0 100 200 300
Intensidad (A)
400 500 600

roP Precio de potencia en CPP, [$/(kW mes)].

Figura 1: VAN de cada conductor y envolvente de mínimos
Corriente que atraviesa conductor tipo c
Icyy
[A]. · CperdLin_xx = coste de las pérdidas de energía de
rckm Resistencia (ohm/km) del conductor tipo c.
las líneas del tramo xx para todo el horizonte
temporal de estudio [$]. Las pérdidas de
Factor de carga para pérdidas de energía. potencia activa LactPower,xx (por efecto Joule)
fc1
CPEc se calcula como fc1 = fcbaseexp1. para cada tramo xx son,
Factor de carga para pérdidas de potencia.
fc2
Lenergía,xx se calcula: fc2 = ap1 fcbase + ap1 fcbase2.
Factor de expansión de pérdidas de potencia
fexp
en alta tensión, en horas punta.
(8)
Factor de coincidencia en alta tensión de las
fcon
demandas presentes en la punta del sistema.

rate: es la tasa de descuento (discount rate). (9)

tasaImp: es la tasa de impuestos (tax rate).
vidaDep: es el horizonte de tiempo en años para
el cálculo de la depreciación del conductor y el
valor residual.
Ym: es el número de años de cálculo.
valorRyy: es el valor residual del conductor al
final del horizonte de cálculo, en el último año
(año Ym).
Se calcula según la siguiente expresión:
año 0 to Ym − 1 → valorR yy = 0
= año (8760 horas), y por el factor de carga fc2, ya
año = Ym → valorR yy =
(7)
CosteCondcondc ,km × Ym
CosteCondcondc ,km −
vidaDep
Donde:
LactPower,xx son kW, Rxx es la resistencia monofásica
tramo xx en ohmios. Una vez elegido el tipo de
conductor c, esta se calcula multiplicando rckm
por longitud de tramo en km. Ss1f, Ps1f, Qs1f son las
potencias aparente, activa y reactiva monofásicas
en el nodo s respectivamente, al comienzo del
tramo xx: Ss3f es la potencia aparente trifásica en el
nodo s, VsLN es el voltaje línea-neutro monofásico
en el nodo s, VsLL es el voltaje línea-línea trifásico
en el nodo s. Multiplicando las pérdidas de potencia
activa LactPower,xx (kW) por el número de horas del
que el sistema no está al 100% de carga durante
todas las horas del año, sino un porcentaje de horas
del mismo según fc2, se tiene que las pérdidas
medias de energía el tramo xx, Lenergía,xx, son:

160
García-Sanz et al./ Planificación y Diseño Automático Óptimo de Grandes Redes Eléctricas de Distribución: Aplicación al Centro histórico de Quito
Lenergia , xx = 8760 fc2 LactPower , xx
donde fc2 es el factor de carga para pérdidas
de potencia. La expresión Lenergía,xx se calcula como
fc2 = ap1 fcbase + ap1 fcbase2.
Las pérdidas de energía Lenergía,xx representan
energía que no se vende. Sin embargo esa energía
es comprada igualmente por la distribuidora al
generador. Por tanto, estas deben ser valoradas
al precio de venta de energía del generador
al distribuidor. Si se considera que existe un
crecimiento de la demanda, y por tanto pérdidas
distintas para cada uno de los años del horizonte
de estudio, entonces se debe utilizar el método
de valor actual neto para contabilizar todas las
pérdidas al mismo coste actual, con lo que el coste
de pérdidas de energía CperdLin_xx para el tramo xx es:
donde:
CperdLin_xx: es el coste total de las pérdidas de las
líneas en el tramo xx para todo el horizonte de
estudio (Ym años) [$].
· CostEn: es el coste unitario de la energía [$/
kWh].
nt: el número de tramos del circuito (xx =
1,2… nt).
Ym: años del horizonte de estudio (yy =
1,2,… Ym).
gg: es la tasa anual de crecimiento de las
pérdidas.
rate: es la tasa de descuento anual.
Lenergia,xx: pérdidas de energía anuales del
tramo xx el año base [kW], calculadas según
(10).
· CperdTraf_i: es el coste de las pérdidas en
el transformador de la isla i para todo el
horizonte de estudio (Ym años) [$]. Se
calculan según las ecuaciones (12) a (14).
NLLi es el factor de pérdidas de vacío del
transformador en % por kVA nominal,
LLi es el factor de pérdidas en carga del
transformador i en %, FC es el factor
de carga por unidad del transformador
(típicamente 0.30).
(10)
(12)
PerdVacioTrafoi = (13)
[kWh/año]
PotNominalTrafoi (kVA) × NLLi /100 × 8760
PerdCargaTrafoi =
[kWh/año]
(14)
FC 2 × PotActTrafoi (kW) × LLi /100 × 8760
2.3. Restricciones
El problema de optimización del diseño de la
red eléctrica de distribución busca la minimización
de la función de coste CTotal descrita en la sección
anterior, sujeta a un conjunto de restricciones en
distancias máximas, tensiones mínimas, corrientes
máximas, número de cables por circuito, potencia
instalada y obra civil. Todos los circuitos de la red
eléctrica deben cumplir la restricción de distancia
máxima entre el centro de transformación y la
punta final del circuito (15). Todos los nodos de
(11) la red eléctrica deben cumplir la restricción en
tensión (16), donde vnodo es la tensión de nodo y vMin
la restricción. vMin se calcula a partir de la tensión
del secundario del trafo y el porcentaje máximo
de caída de tensión permitido. Todas las ramas
de la red eléctrica deben cumplir la restricción
en intensidad (17), donde iMax depende del tipo de
conductor y número de conductores por fase y está
definida en amperios por fase.
distancia_CT_puntaCircuito ≤ dMax (15)
vnodo ≥ vMin (16)
irama ≤ iMax (17)
A la vez de asegurar el cumplimiento de
las tres restricciones anteriores (dMax, vMin, iMax),
los algoritmos de optimización tratan también
de minimizar la potencia instalada. Como la
potencia disponible en el catálogo de centros de
transformación es discreta (por ejemplo trafos
de 50, 100, 150, 200, 250, 300, 350, 400, 500,
630 y 750 kVA), será necesario buscar las islas
solución (clusters de usuarios asociados a cada
isla, teniendo en cuenta también los coeficientes de
simultaneidad) que más se ajusten a esos números
discretos, y cumpliendo:
potenciaIsla ≤ potenciaCT (13)
161
 Edición No 12, Enero 2016
Finalmente los algoritmos de optimización
tratan también de minimizar la obra civil a ejecutar.
En cada isla se busca maximizar el ahorro de la
longitud de obra civil, tal que:
ahorro de obra civil = distInstalacion – distCalles
2.4. Métodos computacionales
El software de optimización CDP utiliza
métodos de agrupamiento o formación de clusters
K-means [11], algoritmos de cálculo de árbol
de distancias mínimas de tipo Dijkstra y Prim
[12],[13], y técnicas de inteligencia artificial. Los
algoritmos de Dijkstra son más lentos, pero pueden
dar mejores resultados en ciertas condiciones. Los
algoritmos de Prim son más rápidos, y son muchas
veces suficientes. Debido a las múltiples iteraciones
del software de optimización, los algoritmos de
Dijkstra y Prim se aplican en diversas ocasiones
dentro de cada bucle de micro-optimización.
3. DISEÑO ÓPTIMO DE LA RED
ELÉCTRICA DEL CENTRO
HISTÓRICO DE QUITO
El software CDP se aplicó a la planificación y
diseño óptimo de las redes eléctricas de distribución
de baja y media tensión del Centro histórico de
Quito (CHQ), en coordinación con la Empresa
Eléctrica de Quito (EEQ). Las Figs. 2 y 3 muestran
los pasos realizados en las etapas de macro y micro
optimización.
3.1. Macro-optimización. CHQ, caso baja
tensión
Los algoritmos de macro optimización
encontraron una división óptima del CHQ en 19
mini-zonas (Fig. 2).
Figura 2: Solución Macro-Optimización, CHQ baja tensión
162
3.2. Micro-optimización. CHQ, caso baja
tensión
Posteriormente los algoritmos de micro
optimización estudiaron cada mini-zona,
(19) dividiéndolas en islas o clusters de usuarios
asociados a cada centro de transformación (CT). La
solución final de la red de baja tensión del CHQ se
muestra en la Tabla 2 y las Figs. 3 y 4. Para un total
de 20.000 clientes, agrupados en 3091 usuarios, y
un conjunto de 721 calles con 45.7 km lineales, el
software de optimización encuentra una solución
de 130 centros de transformación, con una longitud
de obra civil necesaria de 35.59 km y una longitud
de circuitos eléctricos de 42.15 km. El coste total
del proyecto, de acuerdo con la función de coste
(1) y para un horizonte de 25 años de operación es
de 18.09 millones de dólares (M$). Esta cantidad
se divide en 9.62 M$ para los CTs, 5.72 M$ para
los circuitos eléctricos, y 2.4 M$ y 0.33 M$ para
las pérdidas en las líneas y los transformadores
respectivamente. El diseño obtenido cumple las
restricciones y reduce en un 40% las estimaciones
de coste iniciales.
Tabla 2: Solución CHQ, baja tensión
* Longitudes en metros, Potencias en KVA y Costes en dólares
USA año 2014
La Fig. 3 muestra la visión general sobre
el plano del CHQ y la ubicación de los 130 CT
de baja tensión encontrados por el software de
optimización.
García-Sanz et al./ Planificación y Diseño Automático Óptimo de Grandes Redes Eléctricas de Distribución: Aplicación al Centro histórico de Quito

ver la restricción de tensión vMin = 220 (1-0.05) =

Red completa. Proyeccion de usuarios en calles (.), nUsuarios = 3091
x 10
6
Ubicacion de CT (D) en isla, nCT = 130, #glo. 209 voltios, y las tensiones de todos los nodos de
9.9764 T110
T128T127 dicho circuito 3. Todos los nodos cumplen con la
T101T126
9.9762
T40 T49 T61
T39
T97 T112
T111 T122
T130
T129
T120T123
restricción. Se observa también la potencia activa
T31 T51
P (kW) y la potencia reactiva Q (kVAr) de cada
T88T102
9.976 T34
T36 T50 T72 T89 T98 T103T124
T63 T90T119 T115T125
T41 T48 T79 T71 T84
T29 T52 T62 T57 T107
9.9758 T28 T32
T27
T42 T67T58
T37
T73 T68 T92T91 T109T116
T117
T100T121 nodo del circuito.
9.9756 T65T75 T81 T85 T108
Distancia [m]

T30 T43
T64 T99 T106
T33 T44 T76 T80T95 T83
T35 T38 T59T69 T105
9.9754 T46
T54 T74

9.9752
T47
T45
T66 T82 T96
T56 T78 T77 T86 T93
T87 T104
T113
T118
T114 La Fig. 7 muestra el resultado obtenido en el
T53 T55 T94
CHQ, mini-zona 16, isla 1, circuito 3. Se ve la
T60 T70 T23
T12T15 T14T21
T10 T20 T25T26
9.975 T11 T17 T16T18 T22

9.9748
T13
T4 T5
T19
T9 T8
T7
T24
restricción en intensidad iMax = 260 A (para el tipo
9.9746
T6
de conductor seleccionado), y las corrientes de
T2 T3
9.9744
T1
los tramos del circuito 3. Todos cumplen con la
7.76 7.765 7.77 7.775 7.78 restricción.
Distancia [m] 5
x 10

Figura 3: Solución CHQ, baja tensión, 130 islas (CTs)

MZ:16. nIslas = 19. nTramos CT-P = 68. distMax CT-P = 200 m. #loc.

96
La Fig. 4 presenta las longitudes de obra civil 200
137
y de conductores asociados a cada isla (Figura 161
168 36
40
462 456 56
4a), los costes totales de cada isla (Figura 4b), 203

Longitud tramos CT-Punta (m)

139130
150
los costes de los centros de transformación y los 327
30 319
16 2
35

283
circuitos eléctricos asociados a cada isla (Figura 395
424 99
14
106
194
184302 129
420 3929
4c), y las pérdidas en cada isla en un horizonte de 100
138
323 91354 384 426
110 108 52 206
439
269 437
69 445
25 años (Figura 4d). 423 264
260
33 61
344
141
123
265
65 48 431
154
50 338 89
343
305 193
Long. Ob=35593, Circ=42152 m Coste Total = 18093.7 k$ 26 68
1500 300 133
Long. obra y conduct. [m]

101
Coste islas [K$]

1000 200
0
111 111 1112 222 2333 444 5556 666 7777 788 889 9991010
101010
1010
1111
121212
1313
1414
151515
1616
1717
181818
1919

500 100 0 10 20 30 40 50 60
Tramos CT-Punta

0 0
0 50 100 150 0 50 100 150
Figura 5: Mini-Zona 16, Islas de 1 a 19. Representación de las
CT=9620.0, Circ+Ob=5721.9 K$ Lin=2415.5, Traf=336.3 K$/25yr distancias CT – punta_circuito de todos los circuitos
150 80
Coste CT, Circ+Obra [K$]

Coste perdidas isla [K$]

60
100 MZ:16. Isla:1. Circuito:3. tipoCond: 4. nCond: 1. #loc.
40 220
50
V. volt

20 215

0 0 210
0 50 100 150 0 50 100 150 vMin

Numero isla, #glo. Numero isla, #glo. T1 v111 414 118 332 98 333 413 334 335 v112 422 421 420

80
Figura 4: Solución CHQ, baja tensión. Longitudes y costes 60
P. kW

40
20
Respecto a las restricciones impuestas a los 0

algoritmos de búsqueda de óptimos (sección 2.3), T1 v111 414 118 332 98 333 413 334 335 v112 422 421 420

a continuación se detallan los resultados de algunas 30

mini-zonas representativas. La Fig. 5 muestra el

Q. kVAr

20

resultado obtenido en el CHQ, mini-zona 16, islas 10

de 1 a 19. Se representa la restricción dMax = 200 m 0

T1 v111 414 118 332 98 333 413 334 335 v112 422 421 420
y las distancias “CT a punta de circuito”. Todos los nodos
circuitos cumplen con la restricción.
Figura 6: Mini-Zona 16, Isla 1, Circuito 3. Representación de
la tensión de cada nodo y su restricción vMin = 209 volt
La Fig. 6 muestra el resultado obtenido en el
CHQ, mini-zona 16, isla 1, circuito 3. Se puede

163
 Edición No 12, Enero 2016

MZ:16. Usuarios: proyeccion en calles(.), nUsuarios = 462

6
MZ:16. Isla:1. Circuito:3. tipoCond: 4. nCond: 1. #loc. x 10 CT: ubicacion de CT (D) en isla, nCT = 19, #loc.
300
iMax 9.9762
int. amp

200 T15

100 T10
9.976 T11
0
T1-v111
v111-414
414-118118-332332-9898-333333-413413-334
334-335
335-v112
v112-422
422-421421-420 T12
T4
9.9758
T6

Distancia [m]
200 dMax T7
dist.acu. m

T17
100 9.9756 T2
T18
T13 T1
0
T1-v111T1-414T1-118 T1-332 T1-98 T1-333 T1-413 T1-334T1-335T1-v112T1-422T1-421 T1-420
9.9754 T16 T5
-3
x 10 T14 T19
4
R, X. Ohm

T3 T8
9.9752 T9
2

0
T1-v111 414-118118-332332-9898-333333-413413-334
v111-414 334-335
335-v112
v112-422
422-421421-420 7.772 7.7725 7.773 7.7735 7.774 7.7745 7.775 7.7755
ramas Distancia [m] 5
x 10

Figura 9: Mini-Zona 16. Resultado K-means/Voronoi: 19 islas

Figura 7: Mini-Zona 16, Isla 1, Circuito 3. Representación de
la intensidad, distancias e impedancias de cada tramo 203 c353 16 c222
339 V193
c167
103
Mini-Zona: 16. Isla = 1, CT(D), numUsuarios = 60, longObrCivI = 686.25 m V134

x 10 Arbol: nodos(• ),trazado(-),vertCalles(o),usuarios(x), Cost-Isla = 284.83 K$, #loc.

6

La Fig. 8 muestra el resultado obtenido en el 104

9.9756
V16 c8 V15423
c158
c221

V182 425424
CHQ, en la mini-zona 16, islas 1 a 19. La Fig. 8(a)
V234
V183
9.9756 c229 99 131 c105

detalla la potencia del CT seleccionado para la isla 9.9755

c273
419
c274
420
c275 337

336

en la primera columna (de los valores discretos 267

266

9.9755
V154
c128
V14 c7
138
V13
136c133
421
422
V112
335T1 V223

posibles del catálogo de CTs), y la potencia de V156 413 V133

137 418 327
334
c127 100 412 c272417 98
9.9755 416 c91 333 326

los usuarios pertenecientes a la isla en la segunda

Distancia [m]

c132 328
404 415 9
411 332 c207
97 414 329
9.9755 V153 118

columna, teniendo en cuenta los coeficientes de

c126V152 410 405 V267c271V111 331
330 c104
409 406 c270 325324
269 399
9.9755 c131 323
simultaneidad. Se ve que los resultados son muy
400 V222
c5 408 401 102 c269
407 c129 402 403
V10 V229
95 398
9.9754
razonables en todas las islas: la segunda columna
96
c130
V155
c6

es siempre menor y cercana a la primera lo más 9.9754 c208120 V132

V224 c210 397
V226 396
c217 c267

posible. La Fig. 8(b) muestra el ahorro de obra 9.9754 V12 c20965

393
394c211 395
V227
V225
civil en cada isla, que es la longitud del trazado 9.9754 c322
192
c111 392
391
c213 390
389
c103

necesario menos longitud del trazado de las calles 431 7.7735 7.774 7.7745
Distancia [m]
7.775
5

disponibles en la isla. x 10
V131
435 c233 63 353
430 437 c108
436
Figura 10: Mini-Zona 16, c4Isla 1. Representación del Árbol de
V291 V9
66 V8 110 c266
c216

La Fig. 9 representa los resultados conseguidos

429
distancias mínimasc320
obtenido con el Software de61 optimización
V240 c114 379
V138
V142 67 108 380 c109
352 c125

con los algoritmos K-means en la mini-zona 16, V290

68
c113 383 381
351
V139

72
con 462 usuarios. Los algoritmos proponen 19 Finalmente, la Fig. 10 muestra el resultado de
428 V141 109
c238
V144
62 382
c112 c118
107 V145
islas, con sus correspondientes centroides (CTs) generación de árbol de distancias mínimas obtenido
439 69 c319
V140
c119 350
c115

V143
c116
V146

y usuarios proyectados en las calles asociados. La

349
con el software de optimización. La raíz del árbol
V243 V262
V148
242
128 c264 c124

figura detalla los 19 centroides (CTs), la asignación 73 127 c263 348

está en T1, y tiene 9 ramas, que terminan en los

92 440 126 c120 347 c117
239 346
140 V157
241 345
238 174
de usuarios a cada centroide (clusters) en diferentes c337 74
nodos 138, 395, 420, 323, 327, 424, 96, 137 y 99.
237
441
V289 175
c318
173
V149 344

c121
V151
c123V147
c134
colores, y superpone también las zonas de atracción
442 75 V150

Esas ramas son los futuros circuitos, mostrados en

236 447 V288 172 c122 c265
443 176 V4 V263
446 177 c2

de Voronoi. lax 10
Fig.
6
6 11. MZ:16. Island:1. nCircuits:9. #loc.
V255 444
93 91
c338
445
c333 448
449
c332
190 178 V5

6x 10 MZ:16.
V297 Island:1. nCircuits:9.
450 V296179
189
#loc.
171

9.9756
x 10
MZ:16. potSobrante = 15.55 %
MZ:16.461Island:1. nCircuits:9. 188 #loc.
180
181
170
Ahorro obra civil = 79.50 %
9.9756 c254 451 187
c135
350 700 9.9756 182 424
84
85 94 452 c331 424 169
9.9756 460
419
186
424 425
9.9756 453
337 168
LongCalles = 25608 m. LongObraCivil = 5250 m

76 183
425 V158
Ptrafos = 2750 KVA, PdemanMax = 2323 KVA

419 c339 454 337 131

300 600 9.9756 462
419 99 420 185
425 6 131
9.9755 V166 420
455 337
421 184V295 336
9.9755 v13 99 459
420 421 422131 336
9.9755 c145 v13 99 421 456 422336 335
458

250 500 9.9755 v13 138

137 138 136
457 422
V258 v112 335 327
9.9755
V103 137 138 136 418 v112 335 413 413
c330
327
9.9755 137 136v156
v156
c256 418 v112 c340
333 334 327 326
9.9755 412
418 417 333 413 334
98
100 417 404 c258 98 326
9328
Distance [m]

200 400 9.9755 100 v156 412

416 404 415333 118
334V294 c329 V259
332 326 9328
Distance [m]

9.9755 100 412 411417 416404 415 98 332

414 3
9 28 329
Distance [m]

9.9755 411 97118

97 332414
c81
416
410 415405 329
9.9755 v153 411 410 405V257 118
V256c257 v111
c341
325
150 300 9.9755 v153 v152 410
97v267 414 v111399 399 331 325
401
329c136330
405 v267 v111 406 331 330
TT11 406
9.9755v153 v152 409 401 330 402
325
409 V102 v267 399
9.9755 408 331 400
V298
v152c143
400401c260 102 402 324 324
100 200 9.9755 409 c80 T 1 406 408 407
400
102 402 v222
v222 324403 323
9.9754 95 V101 96 408 407 102
9.9754 v10 95 398 v222 403 323
407 398
9.9754 v10 95 96 96 403 323
v10 398
v155
50 100 9.9754 v155 120 120
c79
9.9754 V165
9.9754 v155 120 397V100
v224 397 394
9.9754 v224
0 0 9.9754 v224 v226 394396
397
0 10 20 0 10 20 v226 394 396 c259395 V159
9.9754 c142v226 396
c137
Numero isla, #loc. Numero isla, #loc. 9.9754 395 V161c138V160
9.9754 395 c139
9.9754
7.7735 7.774 7.7745 V162
7.775
Figura 8: Mini-Zona 16, Islas 1 a 19. (a) Ajuste de potencia de V1 Figura 7.7735 11: Mini-Zona 7.77416, Isla 1. 7.7745 Representación
V164 c141
c140 de los 9
7.775
7.7735 7.774queDistance Distance 7.7745[m] V163 5
usuarios de isla a potencia de CTs, (b) Ahorro en obra civil Circuitos comienzan [m] en el CT7.775 T1 5
x 10
Distance [m] 5x 10
V254 x 10

164 c251
García-Sanz et al./ Planificación y Diseño Automático Óptimo de Grandes Redes Eléctricas de Distribución: Aplicación al Centro histórico de Quito

3.3. Solución CHQ, caso media tensión 4. CONCLUSIONES Y

RECOMENDACIONES
La solución de la red de media tensión del CHQ
se muestra en la Tabla 3 y la Fig. 12. El presente artículo ha descrito la herramienta
computacional desarrollada por CoDyPower
Tabla 3: Solución CHQ, media tensión (CDP) [10] para la planificación automática
óptima de grandes redes eléctricas de distribución.
Los algoritmos desarrollados minimizan una
función de coste que pondera el número, ubicación
geográfica y tipo de centros de transformación
y/o subestaciones, el tipo de transformadores,
la longitud y tipo de conductores, la instalación
de líneas aéreas o subterráneas y los costes de
operación y pérdidas en un horizonte temporal
dado. La optimización considera la geometría de
las calles, los catálogos de transformadores y cables
disponibles, las restricciones de distancias, caídas
de tensión, y corrientes y potencias máximas, y es
* Longitudes en metros, Potencias en KVA y Costes en dólares
USA año 2014
capaz de encontrar soluciones multi-circuito para
cada transformador.
Red completa. Proyeccion de usuarios en calles (.), nUsuarios = 130
6
x 10 Ubicacion de CT (D) en isla, nCT = 4, #glo.

9.9764
El software CDP se aplicó a la planificación
9.9762
y diseño óptimo de las redes eléctricas de
9.976 T4
distribución de baja y media tensión del Centro
9.9758 histórico de Quito, en coordinación con la
9.9756 T1
Empresa Eléctrica de Quito (EEQ). Los resultados
Distancia [m]

9.9754
T2 T3 obtenidos por los algoritmos cumplieron todas
9.9752
las especificaciones definidas y redujeron en un
9.975
40% el coste inicialmente estimado. Los buenos
9.9748

9.9746
resultados alcanzados indican que la herramienta
9.9744
puede aplicarse al cálculo óptimo de otras grandes
7.76 7.765 7.77 7.775 7.78
redes eléctricas de distribución de baja y de media
Distancia [m]
x 10
5
tensión.
Figura 12: Solución CHQ, media tensión. Visión general de las
4 islas (Subestaciones) y de los 130 centros de transformación AGRADECIMIENTOS

Para un total de 130 CTs encontrados para la red Los autores agradecen la colaboración del
de baja tensión, sobre el conjunto de las mismas ayuntamiento de Quito y de la Empresa Eléctrica
721 calles en 45.7 km, el software de optimización Quito (EEQ) en Ecuador, del Centro Nacional de
encuentra una solución de 4 subestaciones, con una Energías Renovables (CENER), Nasuvinsa, TyM
longitud de obra civil necesaria de 21.24 km y una asociados y el gobierno de Navarra en España,
longitud de circuitos eléctricos de 61.47 km. El y de CoDyPower LLC y Case Western Reserve
coste total del proyecto, de acuerdo con la función University en Estados Unidos.
de coste (1) y para un horizonte de 25 años de
operación es de 16.47 M$. Esta cantidad se divide REFERENCIAS BIBLIOGRÁFICAS
en 7.6 M$ para las subestaciones, 7.96 M$ para
los circuitos eléctricos, y 0.62 M$ y 0.29 M$ para [1] T. Gönen, Electric Power Distribution System
las pérdidas en las líneas y los transformadores Engineering. CRC Press, 2ª ed., 2008.
respectivamente. La Fig. 12 muestra los 130 centros
de transformación y la ubicación sobre el plano [2 T.A. Short, Electric power distribution
del CHQ de los 4 subestaciones de media tensión handbook. CRC Press, 2ª ed., 2014.
encontradas por el software de optimización.

165
 Edición No 12, Enero 2016
[3] I. J. Ramírez-Rosado and J. Bernal-Agustín,
“Genetic algorithms applied to the design
of large power distribution systems,” IEEE
Trans. Power Syst., vol.13, no.2, pp.696–703,
May 1998.
[4 E. Díaz-Dorado, J. Cidras, and E. Miguez,
“Planning of large rural low voltage networks
using evolution strategies,” IEEE Trans.
Power Syst., vol.18, no.4, pp.1594–1600,
Nov. 2003.
[5] M.H. Sepasian, H. Seifi, A.A. Foroud, S.H.
Hosseini, and E. M. Kabir, “A new approach
for substation expansion planning,” IEEE
Trans. Power Syst., vol.21, no.2, pp.997–
1004, 2006.
[6] I. J. Ramírez-Rosado and J. A. Domínguez-
Navarro, “Possibilistic model based on fuzzy
sets for the multi-objective optimal planning
of electric power distribution networks,”
IEEE Trans. Power Syst., vol.19, no.4,
pp.1801–1810, 2004.
[7] I. J. Ramírez-Rosado and J. A. Domínguez-
Navarro, “New multi-objective tabu search
algorithm for fuzzy optimal planning of
distribution systems,” IEEE Trans. Power
Syst., vol.21, no.1, pp.224–233, Feb.2006.
[8] J.F. Gómez, H.M. Khor, P.M. De Oliverira,
L. Ocque, J.M. Yusta, R. Villasana, and J.
Urdaneta, “Ant colony system algorithm for
the planning of primary distribution circuits,”
IEEE Trans. Power Syst., vol.19, no.2,
pp.996–1004, 2004.
[9] A. Navarro and H. Rudnick, “Large-Scale
Distribution Planning, Part I: Simultaneous
Network and Transformer Optimization”.
IEEE Trans. Power Systems, vol.24, no.2,
2009.
[10] http://codypower.com
[11] G. A. F. Seber, Multivariate Observations.
Wiley, 1984.
166
[12] E. W. Dijkstra, “A note on two problems
in connexion with graphs”. Numerische
Mathematik, vol. 1, pp. 269-271, 1959.
[13] R.C. Prim, “Shortest connection networks
and some generalizations”. Bell Systems
Technology Journal, vol. 36, pp. 1389-1401,
1957.
Mario García-Sanz.- Nació
en Pamplona, España. Doctor
en ingeniería eléctrica y
control (TECNUN). Es el
Catedrático inaugural (Maltz
Professor) en Innovación
Energética y Director del
Control and Energy Systems
Center en la Case Western Reserve University, en
Cleveland, Ohio, USA. Ha desarrollado más de
20 patentes industriales, 200 artículos científicos,
50 proyectos financiados por empresas y 2 libros
en Control robusto QFT y Energía eólica (CRC-
Press). Previamente fue investigador en el CEIT
y Catedrático en la UPNA (España), Visiting
Professor en UMIST (UK), Oxford University
(UK), NASA-JPL (USA) y ESA-ESTEC
(Holanda), Director de NATO-RTO Lecture series
y Fundador de CoDyPower LLC.
Manuel Otorongo
Cornejo.- Nació en Ambato,
Ecuador. Ingeniero eléctrico
en sistemas eléctricos de
potencia, Escuela Politécnica
Nacional, Master en redes/
telecomunicación en la
Universidad Técnica de
Ambato, culminó sus
estudios de economía en la Facultad de ciencias
económicas, Universidad Central del Ecuador. Ha
sido Presidente del Comité técnico nacional de
normalización para transformadores de distribución
(2002-2007, 2010-2011). Fue Jefe de Área y Jefe
de Sección en Empresa Eléctrica Ambato S.A.,
Especialista, Director y Gerente de Distribución en
Empresa Eléctrica Quito. Actualmente es Profesor
en la Universidad Técnica de Ambato. Sus áreas
de interés son la Planificación, Optimización y
Automatización de los Sistemas de Distribución.
Copyright of Revista Técnica Energía is the property of Centro Nacional de Control de
Energia CENACE and its content may not be copied or emailed to multiple sites or posted to
a listserv without the copyright holder's express written permission. However, users may
print, download, or email articles for individual use.