Algoritmo de Optimización de Mapeo de Media Varianza Aplicado al Despacho Óptimo de Potencia Reactiva
##plugins.themes.bootstrap3.article.main##
Resumen
Introducción: El problema del despacho óptimo de potencia reactiva (DOPR) consiste en encontrar la configuración óptima de diferentes recursos de potencia reactiva para minimizar las pérdidas de potencia del sistema. El DOPR es un problema complejo de optimización combinatorial que involucra variables discretas y continuas, así como una función objetivo no lineal y restricciones no lineales.
Objetivo: En este artículo se busca comparar el desempeño del algoritmo de optimización de mapeo de media varianza (MVMO, por sus siglas en inglés) con otras técnicas reportadas en la literatura especializada aplicadas a la solución del DOPR.
Metodología: En el algoritmo MVMO se aplican dos enfoques diferentes de manejo de restricciones: penalización convencional de las desviaciones de las soluciones factibles y penalización por medio del producto de subfunciones que sirve para identificar cuándo una solución es óptima y factible. Se realizan simulaciones en sistemas de prueba IEEE de 30 y 57 barras.
Conclusiones: El algoritmo MVMO es efectivo para solucionar el DOPR. Los resultados evidencian que el algoritmo MVMO supera o iguala a varias técnicas reportadas en la literatura técnica en la calidad de soluciones. El manejo alternativo de restricciones propuesto para el MVMO reduce el tiempo de cálculo y garantiza tanto factibilidad como optimalidad de las soluciones encontradas.
Descargas
##plugins.themes.bootstrap3.article.details##

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial.
La Revista INGE CUC respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado. A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente.
Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.