IEEE Power & Energy Magazine - Spanish - March/April 2021 - 78

GRD, 3) activos de generación y 4) activos de transmisión
de las áreas de control vecinas. Dado que el GRT del área
de control dada desconoce los requerimientos de mantenimiento específicos de los puntos 2) a 4), proponemos que los
GRD, las empresas de generación y los GRT vecinos envíen
una lista de ventanas de mantenimiento preferidas, así como
periodos de bloqueo en que no sea posible realizar trabajos
de mantenimiento para sus activos.
Como se indica en la figura 10, el envío de preferencias
puede habilitarse a través de un portal al que todas las partes
involucradas puedan acceder. Luego se determina la mejor
ventana de mantenimiento para cada activo garantizando al
mismo tiempo la seguridad de la red en caso de contingencias
y satisfaciendo tanto como sea posible las preferencias enviadas. De esta manera, el equipo de planificación operativa
del GRT obtiene automáticamente el programa de mantenimiento que minimiza la necesidad de tomar medidas correctivas contra la inseguridad de la red. Este es un enfoque pragmático dispuesto entre la práctica industrial actual, en que los
propietarios de activos de generación y distribución envían
programas de mantenimiento fijos al GRT, y los enfoques
académicos idealizados, en que se cooptimizan los activos
de generación y transmisión con distintas propiedades. La
figura 11 presenta una ilustración del enfoque previsto para
la integración de la programación del mantenimiento y el
manejo de congestiones, y lo contrasta con la práctica actual.
Desde un punto de vista matemático, es un problema de
optimización complejo debido a la presencia de variables
de decisión enteras (programas de mantenimiento, medidas
correctivas topológicas, etcétera) y distintas no linealidades, especialmente si se utiliza un modelo de flujo eléctrico
de CA a fin de reflejar violaciones de tensión. Además, es
un problema a gran escala debido a los cientos y miles de
nodos y líneas de transmisión, y la consideración de múltiples
escenarios de contingencia. Por otra parte, como lo revela el
análisis de algunos eventos históricos de la red, a veces es
importante incluir modelos para la red de distribución en el
estudio, lo que también aumenta el tamaño del problema. Es
prácticamente imposible resolver un problema de optimización a gran escala, de enteros mixtos, no lineal y no convexo
de forma completamente óptima en un tiempo razonable y
con recursos informáticos realistas. No obstante, para aplicaciones prácticas, una buena solución viable que satisfaga
las restricciones temporales e informáticas sería suficiente.
En la literatura científica se han propuesto distintos
métodos para optimizar la programación del mantenimiento
de los activos de generación y transmisión de la red eléctrica (de forma separada, secuencial o conjunta). Los métodos para resolver el programa de enteros mixtos resultante
generalmente pueden clasificarse en programación matemática, enfoques heurísticos y combinaciones de ambos. Los
primeros enfoques de programación matemática se basaban
en la programación dinámica que, sin embargo, resultaba
no ser escalable debido a la maldición de la dimensión. La
mayoría de los enfoques recientes se apoyan en modelos de
78	

ieee power & energy magazine 	

programas de enteros mixtos de ramificación y acotamiento
que a menudo son mejorados con técnicas de descomposición (principalmente la descomposición de Benders o la relajación lagrangiana). Dichos enfoques normalmente utilizan
un modelo de flujo eléctrico de CC linealizado, dando así
como resultado programas lineales de enteros mixtos. Se ha
aplicado una gran variedad de heurísticas en el problema de
programación del mantenimiento, como algoritmos genéticos, optimización por enjambre de partículas, recocido
simulado, búsquedas cuckoo, algoritmos de electro-búsqueda, etcétera.
Creemos que se necesita un enfoque híbrido para abordar
de manera eficiente este problema a escala, lo que combina
elementos de la optimización matemática, optimización
heurística, inteligencia artificial y aproximaciones adaptadas en base a la experiencia operativa. Un ejemplo de
enfoque híbrido sería aplicar primero una heurística para
proporcionar un conjunto de soluciones viables iniciales y
luego utilizarlas para inicializar algoritmos de ramificación
y acotamiento ejecutados en paralelo a fin de obtener lo
óptimo a nivel local en el área de soluciones viables iniciales. Dicho enfoque combinaría la robustez de la heurística en
la exploración eficiente de un espacio de búsqueda vasto y no
convexo con la garantía de la programación matemática de
arrojar soluciones óptimas a nivel local.
Otra posibilidad sería utilizar heurísticas para las variables discretas y programación matemática para las continuas,
lo que se podría hacer en dos pasos o de forma iterativa. Por
ejemplo, se podría utilizar la optimización heurística hasta
que las variables discretas converjan y luego cambiar a la
optimización basada en gradientes para las variables continuas restantes. O se podría descomponer el problema en
una optimización de bucles externos sobre las decisiones de
mantenimiento enteras (resueltas con heurísticas) y una optimización de bucles internos sobre las medidas correctivas
(básicamente, un flujo eléctrico óptimo con restricciones de
seguridad [SCOPF, por sus siglas en inglés] resuelto con programación matemática).
Las aproximaciones adaptadas apuntan a reducir el
tamaño y/o la complejidad del problema de optimización
incorporando experiencia operativa y conocimientos sobre el
sistema. Idealmente, un SSD de nivel industrial para la integración de la programación del mantenimiento y el manejo
de congestiones combinaría múltiples enfoques que han
demostrado un buen rendimiento en la literatura, como filtrado de contingencias, compresión de la red y linealización
adaptativa. Los dos primeros normalmente se implementan
de forma simultánea, donde el filtrado de contingencias selecciona las contingencias que se espera que sean vinculantes en
la solución óptima, y la compresión de la red reduce el tamaño
de cada red posterior a contingencias. Se podría emplear la
linealización adaptativa para simplificar las ecuaciones de
flujo eléctrico de las líneas seleccionadas en formulaciones
que utilicen un modelo de red de CA. Por ejemplo, las líneas
con violaciones frecuentes de N−1 o de tensión en los nodos
marzo/abril 2021
IEEE Power & Energy Magazine - Spanish - March/April 2021

Table of Contents for the Digital Edition of IEEE Power & Energy Magazine - Spanish - March/April 2021
