REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

RNPS 2487 • ISSN 2708-3411
Vol. 4 • Nro. 4 • oct-dic 2024 • e232

Algoritmos evolutivos aplicados a la gestión
de las unidades generadoras de la microred

eléctrica de Cayo Coco

Evolutionary algorithms applied to the management of the generating
units of the Cayo Coco electrical microgrid

Yoan Martinez-Lopez
yoan.martinez@reduc.edu.cu • https://orcid.org/0000-0002-1950-567X

Miguel Bethencourt-Mayedo
betamiguel00@gmail.com • https://orcid.org/0000-0001-8873-6802

Julio Madera-Quintana
julio.madera@reduc.edu.cu • https://orcid.org/0000-0001-5551-690X

UNIVERSIDAD DE CAMAGÜEY, CUBA

Jahiro Sutherland

jahiro.sutherland@up.ac.pa • https://orcid.org/0000-0003-4700-3818

CENTRO REGIONAL UNIVERSITARIO DE COLÓN. UNIVERSIDAD DE PANAMÁ

Recibido: 2023-11-06 • Aceptado: 2023-12-25

RESUMEN
La computación evolutiva (EC), como rama de la inteligencia computacional, se aplica a la
resolución de problemas de optimización de toda índole. En los últimos años ha ganado
especial atención la utilización de estos algoritmos evolutivos (EA) en el marco de las redes
eléctricas, la predicción de la demanda eléctrica y la relación demanda-generación constituyen
un problema de optimización combinatoria ideal para la aplicación de estos algoritmos. En la
microrred (MR) eléctrica de Cayo Coco, constituida por grupos electrógenos de combustible,
aerogeneradores y paneles solares fotovoltaicos. La asignación de unidades de generación en
esa red se gestiona únicamente a partir de la experiencia de los operadores del despacho de
carga, sin ningún modelo que asegure el mínimo de costo de operación. En este artículo se
propone un EA para determinar la asignación de potencia de cada unidad generadora de las
microrredes eléctricas de Cayo Coco, de manera que se obtenga un mínimo costo de
operación, con el cumplimiento de las restricciones del sistema en cuestión. Los resultados
muestran que el EA propuesto constituye una herramienta útil y puede considerarse un paso
de avance hacia un sistema automatizado, que garantice un funcionamiento óptimo y estable
del sistema eléctrico nacional.

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

Palabras clave: algoritmos evolutivos, algoritmos de estimación de distribuciones,
gestión de recursos energéticos, micro redes eléctricas de Cayo Coco.

ABSTRACT

Evolutionary Computation (EC) is a branch of Computational Intelligence that is applied to all
kind of optimization problems, in recent years the use of these Evolutionary Algorithms (EA)
has gained special attention, due to his use in smart electrical networks, the prediction of the
electrical demand and the demand-generation relationship, constituting an ideal
combinatorial optimization problem for the application of these algorithms. In the electrical
microgrid of Cayo Coco, made up of fuel generator sets, wind turbines and photovoltaic solar
panels. The configuration of generation units is managed only based on the experience of the
load dispatch operators, without any model that ensures the minimum cost of operation. In
the following paper, an EA is proposed to determine the power precision of each generating
unit of the electrical microgrids of Cayo Coco, such that a minimum cost of operation is
obtained, with compliance with the restrictions of the system in question. The results show that
the proposed EA constitutes a useful tool and may be considered a step forward towards an
automated system that guarantees an optimal and stable operation of the national electricity
system.

Keywords: evolutionary algorithm, estimation of distribution algorithm, energy resource
management, electrical microgrids of Cayo Coco.

INTRODUCCIÓN
La inteligencia artificial ha sido utilizada como elemento de la transformación digital, en diferentes áreas,

donde múltiples aplicaciones evidencian su utilidad (Bello et al., 2020; Castro & Alonso, 2022; López et al., 2022;
Martínez López et al., 2020). Por otra parte, las redes eléctricas son el medio que permite a la sociedad moderna
continuar avanzando en su desarrollo técnico, económico y social (Barrientos et al., 2007). Para garantizar una
trasmisión de la energía eléctrica hacia los consumidores, con eficiencia, calidad e integrando los desarrollos en las
tecnologías de la información y la comunicación, se han modernizado esas redes (Llamo et al., 2020). Esta evolución
ha dado lugar a las redes inteligentes, las cuales buscan un nuevo concepto de sistemas eléctricos con una avanzada
configuración, autoadministrada con eficiencia, confiabilidad y seguridad mayores (Dileep, 2020; Omitaomu & Niu,
2021). Esto tiene en cuenta la incorporación de forma suave y sostenida de las formas de generación renovables, con
control automático y modernas tecnologías de las comunicaciones (Dileep, 2020).

El desarrollo económico y social de Cuba impone la necesidad del uso de fuentes renovables de energía, para
la generación de energía eléctrica. Las fuentes renovables de energía más atractivas son la hidráulica, eólica, solar y
biomasa, las cuales desempeñan un papel importante debido a los altos precios de los combustibles fósiles y al
cambio climático, por el uso excesivo de combustibles convencionales que generan gases de efecto invernadero
(Casimiro et al., 2019; Gutiérrez et al., 2022).

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

La operación de sistemas eléctricos tiene como principal objetivo minimizar los costos de operación, sujeto a
las restricciones de red y operación. Para ello se deberán desarrollar modelos matemáticos del sistema eléctrico. La
predicción de la demanda de electricidad es el requisito previo fundamental para lograr el objetivo de la gestión
sostenible de la energía, y la operación económica y segura de los sistemas de energía modernos (Mejía & Gonzales,
2019).

Una microrred (MR) no es más que una red eléctrica integrada, que utiliza fuentes de energía distribuida (en
su mayoría renovables) y, en ocasiones, dispositivos de almacenamiento de energía para suministrar la demanda en
forma local. Normalmente, la MR opera conectada al sistema eléctrico de la empresa suministradora, pero con la
capacidad de autoabastecerse y operar de forma aislada cuando sea necesario, para aumentar la confiabilidad de
suministro a la carga local. La interconexión de varias microrredes constituye una red inteligente de energía,
convirtiéndose en una estrategia en varios países para enfrentar los retos del desarrollo sostenible. Las microrredes
pueden componerse de unidades de generación con combustibles fósiles (petróleo, gas natural, etc.), integradas con
unidades renovables como turbinas eólicas, paneles solares fotovoltaicos, hidrogeneradores, etcétera.

Las microrredes (MR) eléctricas sin conexión a la red de distribución —también llamadas microrredes
aisladas— requieren un estudio de la viabilidad técnico-económica que permita identificar la variante de suministro
eléctrico y despacho energético más conveniente para las condiciones existentes (Berenguer et al., 2022). La
asignación de unidades de generación constituye un problema de optimización de carácter discreto, sujeto a
restricciones operacionales (Vasconcellos et al., 2023). Como regularidad de los modelos estudiados, la función que
se va a optimizar representa los costos totales de operación de las unidades, entre los que se consideran los costos
por concepto de combustible, mantenimiento, reparaciones y de las emisiones contaminantes. Como restricciones
del problema se tienen en cuenta los límites de generación de cada unidad (capacidad mínima y máxima) y el balance
de potencia, en cuanto a que la energía generada debe satisfacer la demanda real. Sin embargo, ninguno de los
modelos encontrados en la literatura se ajusta a las características de la microrred eléctrica aislada de Cayo Coco
(Vasconcellos et al., 2023). Por eso el objetivo de este trabajo es determinar la asignación de potencia de cada unidad
generadora de la microrred eléctrica aislada de Cayo Coco, constituida por grupos electrógenos de combustible,
aerogeneradores y paneles solares fotovoltaicos, ante la presencia de una demanda de carga horaria prevista, de
forma tal que se obtenga un costo mínimo de operación, con el cumplimiento de las condiciones del sistema en
cuestión (Vasconcellos et al., 2023).

Uno de los principales objetivos de la operación económica de sistemas eléctricos de potencia, es minimizar
los costos de operación, sujeto a las restricciones de red y operación. Para ello se desarrollan modelos matemáticos
del sistema eléctrico, como los modelos de las centrales eléctricas-térmicas, de la red y la demanda (Vasconcellos et
al., 2023). El fundamento del problema de la operación económica se basa en el conjunto de características de
entrada-salida de las máquinas generadoras. En condiciones normales de operación, el propósito del sistema
eléctrico es satisfacer la potencia demandada. La demanda que se debe satisfacer, por su parte, debe ser
pronosticada previamente para la toma de decisiones, con vistas a desarrollar una estrategia óptima para la mejora
de la economía y la sociedad en su conjunto. La predicción de la demanda de electricidad es el requisito previo
fundamental para lograr el objetivo de la gestión sostenible de la energía, y la operación económica y segura de los
sistemas de energía modernos (Vasconcellos et al., 2023). En los últimos años, las predicciones de la demanda de
energía eléctrica comienzan a ganar atención en las empresas generadoras y comercializadoras de energía.

El problema de determinar cuánto debe generar cada central y dentro de ella cada generador, para satisfacer
una demanda determinada al mínimo costo de generación, se denomina despacho económico de carga o asignación
de unidades de generación. El primer paso es estudiar el problema de la asignación potencia, sin considerar la red de

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

transporte —es decir, la potencia generada debe ser igual a la potencia demandada, que es conocida— y es lo que
se conoce como despacho económico sin pérdidas. Para lograr satisfacer una demanda determinada al mínimo costo
de generación, se hace necesario la implementación de métodos que permitan optimizar la operación de las
máquinas generadoras. Entre estos métodos está el de generar, a diferentes porcentajes de generación, de manera
tal que el costo de combustible total sea mínimo. El empleo de técnicas basadas en métodos de optimización no
formales, que simplifican el modelo matemático para minimizar el esfuerzo computacional y agilizar la obtención de
resultados para lograr un uso racional del combustible en las plantas, ha sido una de las direcciones en las que se ha
trabajado en los últimos años.

En Cuba, el sector residencial representa aproximadamente 50 % del consumo de energía a nivel de país. Por
eso, los horarios de mayor demanda se registran entre las 17:00 horas y las 21:00 horas; el sistema de tarifas
eléctricas establece, para sus principales clientes, mayores costos de la energía consumida en este período de tiempo,
considerado «horario pico». Por su parte, los sistemas eléctricos de potencia (SEP) son operados bajo dos tipos de
restricciones: de carga y de operación. En las restricciones de carga se requiere que la demanda de los consumidores
debe ser satisfecha, mientras que las restricciones de operación requieren que las variables del sistema (por ejemplo,
flujos en las líneas de trasmisión y tensiones nodales) deben estar dentro de los límites aceptables (Vasconcellos et
al., 2023).

La función de asignación de unidades de generación es asignar la potencia que debe generar cada una de las
plantas de generación disponibles, de manera que el costo total de operación sea mínimo y se satisfagan las
condiciones de restricciones de red y operación. Del número total de generadores del sistema se supone que existen
N unidades, conectadas al sistema y en operación; el objetivo del problema es encontrar una política de operación
óptima para estas N unidades. Un aspecto importante al asignar las unidades de generación, es asegurar la calidad
de suministro eléctrico, que resulta la normalización mediante reglas que fijan niveles, parámetros básicos, forma de
onda, armónicos, niveles de distorsión armónica, interrupciones, etc. (Vasconcellos et al., 2023). Esta problemática
plantea que los sistemas eléctricos requieren de procedimientos para la asignación de unidades de generación en
función de la demanda que se desea cubrir, basados en minimizar los gastos de operación del sistema en su conjunto.
No siempre los procedimientos de optimización que se emplean actualmente resultan adecuados para los fines
propuestos, con la consideración del carácter discreto y no lineal de los modelos que representan la problemática
(Vasconcellos et al., 2023).

Los métodos actuales para la asignación de las unidades de generación en la red eléctrica de Cayo

Coco, limitan o no garantizan el uso de los sistemas de generación al menor costo posible. Por lo tanto, se tiene
como objetivo obtener un modelo basado en la optimización para la asignación de unidades de generación en la red
eléctrica de Cayo Coco (Vasconcellos et al., 2023), con el empleo de técnicas de optimización, en particular los
algoritmos evolutivos (Martínez, Madera et al., 2019; Martínez et al., 2021; Rodríguez, Aranda et al., 2022).

Al usar los EA sobre el modelo matemático del problema en cuestión, asegurará un costo mínimo de operación.
Uno de los principales objetivos de la operación económica de sistemas eléctricos de potencia es minimizar los costos
de operación, sujeto a las restricciones de red y operación. El fundamento del problema de la operación económica
se basa en el conjunto de características de entrada-salida de las máquinas generadoras (Rodríguez, Lezama et al.,
2022) (Vasconcellos et al., 2023).

En condiciones normales de operación, el propósito del sistema eléctrico es satisfacer la potencia demandada,
más las pérdidas en la red, con un estado de funcionamiento normal. Este propósito ha de cumplirse, desde el punto

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

de vista económico, al menor costo posible. La demanda que se va a satisfacer debe ser pronosticada previamente
para la toma de decisiones, con vistas a desarrollar una estrategia óptima para la mejora de la economía y la sociedad
en su conjunto (Rodríguez, Lezama et al., 2022).

La predicción de la demanda de electricidad es el requisito previo fundamental para lograr el objetivo de la
gestión sostenible de la energía, y la operación económica y segura de los sistemas de energía modernos. El problema
de determinar cuánto debe generar cada central y dentro de ella cada generador, para satisfacer una demanda
determinada al mínimo costo de generación, se denomina despacho económico de carga o asignación de unidades
de generación. El primer paso es estudiar el problema de la asignación potencia sin considerar la red de transporte
(es decir, la potencia generada debe ser igual a la potencia demandada, que es conocida), lo que se conoce como
despacho económico sin pérdidas (Rodríguez, Lezama et al., 2022).

Como restricciones del problema de asignación de unidades de generación, se tienen en cuenta los límites de
generación de cada unidad (capacidad mínima y máxima) y el balance de potencia, en cuanto a que la energía
generada debe satisfacer la demanda real. Las técnicas preferidas para resolver este problema están basadas en la
inteligencia artificial. Sin embargo, ninguno de los modelos encontrados en la literatura se ajusta a las características
de la red eléctrica aislada de Cayo Coco y, por otra parte, permite su funcionabilidad, a partir de un software basado
en un algoritmo genético simple de altas prestaciones. Anteriormente, la asignación de unidades de generación en
esa red solo se gestionaba a partir de la experiencia de los operadores del despacho de carga, sin ningún modelo que
asegurara el mínimo de costo en la operación (Vasconcellos et al., 2023).

Determinar la asignación de potencia de cada unidad generadora de la microrred eléctrica aislada de Cayo
Coco, constituida por grupos electrógenos de combustible, aerogeneradores y paneles solares fotovoltaicos, ante la
presencia de una demanda de carga horaria prevista, de manera que se obtenga un mínimo costo de operación, con
el cumplimiento de las condiciones de las unidades y del sistema en cuestión en cuanto a la regulación de potencia
(Vasconcellos et al., 2023).

METODOLOGÍA
Para este trabajo se empleó un enfoque de optimización con solución de metaheurísticas evolutivas, en la

solución del modelo matemático para la demanda de energía. El uso de algoritmos de inteligencia artificial en la
gestión de microrredes eléctricas tiene varios beneficios, como la optimización de la gestión de la red, la predicción
de la demanda de energía, la detección de fallas, la automatización del control de la red, la mejora de la eficiencia
del sistema, la reducción de la complejidad, la integración de fuentes de energía renovable, la mejora de la calidad
del servicio y la reducción de los costos de mantenimiento. Además, la implementación de la inteligencia artificial
(IA) en la gestión de la red eléctrica es una tendencia actual en la industria eléctrica, ya que permite una gestión más
eficiente, segura y sostenible de la red. A continuación, se explican algunas técnicas:

• Algoritmo genético (AG): es una técnica de optimización inspirada en la teoría de la evolución de Darwin. Los AG
simulan la evolución natural de una población de posibles soluciones a un problema de optimización, con el
objetivo de encontrar la mejor solución posible. Los AG se basan en la idea de codificar las soluciones en una
cadena de bits o cromosomas, que representan los genes de una población. Estos cromosomas se combinan y
mutan para producir nuevas soluciones, que se evalúan en función de su aptitud o capacidad para resolver el
problema. En cada iteración del algoritmo se seleccionan los cromosomas más aptos para reproducirse y
provocar una nueva generación. La selección se realiza mediante algún criterio de selección, como la ruleta de
selección o el torneo de selección. Luego, se aplican operadores de cruce y mutación para generar nuevos

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

cromosomas, que se agregan a la población. Este proceso se repite hasta que se alcanza una solución
satisfactoria o se agota el tiempo o el número de iteraciones establecido. Los AG son ampliamente utilizados en
la resolución de problemas de optimización, como la asignación de recursos, la planificación de la producción,
el diseño de circuitos y la programación de horarios, entre otros (Holland, 1992; Mirjalili & Mirjalili, 2019; Srinivas
& Patnaik, 1994).

• EDA celular (Estimation of Distribution Algorithm en inglés): es un tipo de algoritmo evolutivo que utiliza
modelos probabilísticos para representar la distribución de variables, en una población de soluciones de un
problema de optimización (Martínez, Madera et al., 2020; Martínez et al., 2016; Martínez et al., 2021). En un
EDA celular la población se divide en células o grupos de soluciones y se estima la distribución de probabilidad
conjunta de las variables de cada célula. Luego, se utilizan técnicas de muestreo para generar nuevas soluciones
a partir de las distribuciones de cada célula. La idea detrás de un EDA celular es que los modelos de distribución
permiten una exploración más efectiva del espacio de búsqueda de soluciones, ya que se pueden generar
soluciones más diversas y de mayor calidad. Además, el enfoque celular permite una mayor paralelización del
algoritmo, que lo hace adecuado para problemas de gran escala. En general, un EDA celular consta de tres pasos:
estimación de la distribución de probabilidad, generación de nuevas soluciones y selección de las soluciones más
aptas para formar la población de la siguiente generación. Estos pasos se repiten hasta que se encuentra una
solución satisfactoria o se alcanza un criterio de parada predefinido. Los EDA celulares se han utilizado con éxito
en una amplia variedad de problemas de optimización, como la programación de horarios, la asignación de
recursos, el diseño de circuitos, la planificación de la producción y la gestión de redes eléctricas, entre otros
(Martínez et al., 2021; Martínez, Rodríguez et al., 2020; Martínez, Rodríguez et al., 2019; Rodríguez, Lezama et
al., 2022).

• Modelos de asignación de unidades de generación: la asignación de unidades de generación constituye un
problema de optimización de carácter discreto, sujeto a restricciones operacionales. Las técnicas preferidas para
resolver este problema están basadas en la IA. Sin embargo, ninguno de los modelos encontrados en la literatura
se ajusta a las características de la red eléctrica aislada de Cayo Coco y, por otra parte, permite su funcionabilidad
a partir de un software basado en un algoritmo genético simple de altas prestaciones. Anteriormente, la
asignación de unidades de generación en esa red se gestionaba únicamente a partir de la experiencia de los
operadores del despacho de carga, sin ningún modelo que asegurara el mínimo de costo en la operación
(Vasconcellos et al., 2023).

• Construcción del modelo matemático: la codificación de las variables de decisión xij se realiza a partir de un
cromosoma, cuya cadena de genes representa la potencia que se va a despachar por cada unidad i en el horario
j (de la 1 a las 24 horas del día), por lo tanto, la longitud del cromosoma nvars se determina según la ecuación
(Vasconcellos et al., 2023):

�� = �� ∗ �� (1)

Donde n es el número de unidades de generación de la microrred y m es la cantidad de estados de carga.

[��ₒ] = [��11, ��12, : : : , ��1��, ��21, ��22, : : : , ��2��, ��1, ��2, : : : , ��] (2)

De esta forma, las variables de decisión quedarán representadas por la expresión anterior, siendo [��ₒ] el vector
columna de longitud nvars, cuyos elementos representan la cantidad de unidades de generación i en el horario

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

j. Como función de adaptación será considerado el costo total de generación de la microrred, representado por
la ecuación

�� = �� + ∑ ∑ [��(��) ∗ ��(��, ��)]��
��=1

��
��=1 + [��(��) ∗ ��(��) ∗ ��(��, ��)] (3)

Donde Kg es el costo del combustible (pesos) empleado en la generación, keo(i) es el costo específico de
explotación (pesos/kW) de las unidades i, Me(i) es el nivel de las emisiones de gases contaminantes (kg/kW) de
las unidades i, y kee(i) es el costo específico de las emisiones (pesos/kg) de las unidades i.

• Limitación del espacio de búsqueda: los valores de potencia xij que se van a despachar por cada unidad, deben
cumplir las restricciones siguientes (Vasconcellos et al., 2023):

[∑ ��1 ∑ ��2 ∑ ��3…
��
��=1 ∑ ��

��
��=1

��
��=1 ] = [��1 ��2��3 … �� ] (4)

Donde ∑ ��
��
��=1 es la suma de la capacidad de potencia que se va a generar (Kw) del total de las unidades i en el

horario j, Pj es la potencia de demanda de carga (Kw) en el horario j.

[

��1

��

��2
��

⋮
��

��]

≤ [

��11 ��12 ⋯ ��1��
��21 ��22 ⋯ ��2��
⋯ ⋯ ⋯ ⋯
��1 ��2 ⋯ ��

] ≤ [

��1
��

��2
��

⋮
��

��

] (5)

Siendo ��
�� la potencia mínima en (kw) de la unidad i, ��

��es la potencia máxima en (kw) de launidad i, por lo
que se obtiene como modelo general la minimización del costo de la generación de la microrred eléctrica y
sujeto a las restricciones establecidas en las ecuaciones anteriores

��(��(��, ��)) (6)

A continuación se presentan los datos de un estudio realizado sobre el despacho de la demanda eléctrica
(Vasconcellos et al., 2023), los cuales se visualizan en la tabla 1.

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

Tabla 1. Datos para el despacho de demanda

Unidades generadoras P min (kW) P max (kW) Costo mant. Emisiones Costo emis.
Fuel 1 0 3850 0.05 0.8 0.12
Fuel 2 0 3480 0.05 0.8 0.12
Fuel 3 0 3480 0.05 0.8 0.12
Fuel 4 0 3480 0.05 0.8 0.12
Fuel 5 0 640 0.05 0.8 0.12

Diesel 1 0 1880 0.04 0.8 0.1
Diesel 2 0 1880 0.04 0.8 0.1
Diesel 3 0 1880 0.04 0.8 0.1
Diesel 4 0 1880 0.04 0.8 0.1
Diesel 5 0 1880 0.04 0.8 0.1
Eólico 1 0 1300 0.03 0 0
Eólico 2 0 1300 0.03 0 0
Solar 1 0 2500 0.02 0 0
Total 0 29430 17% 9695 53%

RESULTADOS Y DISCUSIÓN

Luego de evaluar los EDA celulares, teniendo en cuanta el modelo anterior, se obtuvo la tabla 2, donde CB es
el costo del combustible, en pesos por día; CE es el costo de explotación, en pesos por día; CEm es el costo de las
emisiones, en pesos por día; CT es el costo total de la generación y TO es el tiempo de optimización. Las soluciones
del EDA celular tienen una ligera ventaja con respecto al algoritmo genético, como se puede apreciar en la tabla 2.

Tabla 2. Desempeño de los algoritmos evolutivos en la optimización del despacho de la demanda eléctrica

Algoritmo CB CE CEm CT TO
AG

(Vasconcellos et
al., 2023)

8.84E+4 1.62E+03 1.41E+4 9.10E+4 3.2294

EDA Celular

8.76E+4 1.27E+3 2.22E+3 9.10E+4 0.21

Utilizando los resultados de los EDA celulares para la optimización de los parámetros iniciales para el
pronóstico de la demanda eléctrica, se obtuvieron los resultados que se muestran en las tablas 3 y 4.

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

Tabla 3. Resultados de aplicar la optimización de los parámetros iniciales del pronóstico de la demanda eléctrica (potencia por horarios)

Unidades Potencia por horarios (kW)

Horas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Fuel 1 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123 123

Fuel 2 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111

Fuel 3 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111

Fuel 4 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111

Fuel 5 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20

Diesel 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Diesel 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Diesel 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Diesel 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Diesel 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Eólico 1 29 29 31 30 31 32 29 30 27 28 29 32 32 33 31 31 31 32 33 32 31 31 31 31

Eólico 2 29 29 31 30 31 32 29 30 27 28 29 32 32 33 31 31 31 32 33 32 31 31 31 31

Solar 1 0 0 0 0 0 0 8 16 31 54 61 64 63 60 53 46 39 23 16 8 0 0 0 0

Total 534 534 538 536 538 540 542 552 561 586 595 604 603 602 591 584 577 563 558 548 538 538 538 538

Demanda 7119 6742 6528 6366 6196 6208 6806 7402 8580 8801 8473 8498 9396 8934 9162 9015 9047 9695 9315 8919 8691 8663 7425 7148

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

Tabla 4. Resultados de aplicar la optimización de los parámetros iniciales del pronóstico de la demanda eléctrica (cargabilidad)

Unidades Cargabilidad (%)
Horas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Fuel 1 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Fuel 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Fuel 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Fuel 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Fuel 5 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Diesel 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Diesel 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Diesel 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Diesel 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Diesel 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Eólico 1 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 2 2 2 3 2 2 2 2 2
Eólico 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 2 2 2 3 2 2 2 2 2
Solar 1 0 0 0 0 0 0 0 1 1 2 2 3 3 2 2 2 2 1 1 0 0 0 0 0

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

CONCLUSIONES
En este trabajo se propone el uso de un algoritmo evolutivo (EA) para determinar la asignación de potencia de cada
unidad generadora de las microrredes eléctricas de Cayo Coco, con el objetivo de minimizar el costo de operación
del sistema. Los resultados experimentales muestran que el EA propuesto, en particular el EDA celular, es una
herramienta útil y efectiva para resolver este tipo de problemas de optimización. La asignación de unidades de
generación en una red eléctrica constituye un problema de optimización combinatoria ideal para la aplicación de los
algoritmos evolutivos, debido a que se requiere encontrar la combinación óptima de unidades generadoras que
satisfagan la demanda eléctrica con un costo mínimo de operación. Además, el hecho de que la microrred eléctrica
de Cayo Coco se gestione solo a partir de la experiencia de los operadores del despacho de carga, sin ningún modelo
que asegure el mínimo de costo de operación, destaca aún más la necesidad de optimización automatizada. En
conclusión, este artículo muestra que el uso de un EA, en particular el EDA celular, puede considerarse un paso de
avance hacia un sistema automatizado que garantice el funcionamiento óptimo y estable del sistema eléctrico
nacional. La aplicación de la computación evolutiva en la optimización de redes eléctricas y la predicción de la
demanda eléctrica, es un campo prometedor de investigación que puede contribuir significativamente.

REFERENCIAS
Barrientos, A. F., Olaya, J., & González, V. (2007). Un modelo spline para el pronóstico de la demanda de

energía eléctrica. Revista Colombiana de Estadística, 30(2): 187-202.

Bello, R., Lorenzo, M. M. G., Ramón Hernández, A., Bello García, B., Bello García, M., Caballero, Y., Madera
Quintana, J., Rodríguez, Y., Filiberto, Y., & Martínez, Y. (2020). Una mirada a la inteligencia artificial frente a la COVID-
19 en Cuba. Revista Cubana de Transformación Digital, 1(3): 27-36.

Berenguer, F. A. O., Mercado, P. E., & Molina, M. G. (2022). Evaluación de la degradación de almacenadores
electroquímicos en microrredes eléctricas mediante el método de conteo Rainflow. 2022 IEEE Biennial Congress of
Argentina (ARGENCON),

Casimiro Rodríguez, L., Casimiro González, J. A., Suárez Hernández, J., Mart -Martín, G. J., & Rodríguez
Delgado, I. (2019). Índice de aprovechamiento de fuentes renovables de energía, asociadas a tecnologías apropiadas
en fincas familiares en Cuba. Pastos y Forrajes, 42(4): 253-261.

Castro, C. B. M., & Alonso, J. A. V. (2022). Métodos y técnicas de Machine Learning e Inteligencia Artificial
para el enfrentamiento al fraude en las Telecomunicaciones: Técnicas de minería de datos aplicadas a las gestión del
fraude. Revista Cubana de Transformación Digital, 3(4): e182-e182.

Dileep, G. (2020). A survey on smart grid technologies and applications. Renewable energy, 146, 2589-2625.

Gutiérrez, R. P., Gómez, M. d. C. E., Cardoso, E. L. B., & Romero, O. R. (2022). Transición energética en Cuba:
experiencias del proyecto Fuentes Renovables de Energía como apoyo al desarrollo local. Avances, 24(3): 256-271.

Holland, J. H. (1992). Genetic algorithms. Scientific american, 267(1): 66-73.

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

Llamo Laborí, H. S., Santos Fuentefria, A., & Pérez Martínez, M. (2020). Propuesta didáctica de una maqueta
interactiva para explicar el comportamiento de las líneas de transmisión de energía eléctrica. Modelling in Science
Education and Learning, 13(2): 5-20.

López, Y. M., Yanes, L. G., & Quintana, J. M. (2022). Aplicación de metaheurísticas en el ordenamiento del
transporte urbano en Camagüey. Revista Cubana de Transformación Digital, 3(2): e171-e171.

Martínez López, Y., Madera, J., Mahdi, G. S. S., & Rodríguez González, A. Y. (2020). Cellular estimation
bayesian algorithm for discrete optimization problems. Revista Investigación Operacional, 41(7): 1010-1018.

Martínez López, Y., Madera, J., Rodríguez González, A. Y., & Barigye, S. (2019). Cellular estimation Gaussian
algorithm for continuous domain. Journal of Intelligent & Fuzzy Systems, 36(5): 4957-4967.

Martínez López, Y., Madera Quintana, J., & Leguen de Varona, I. (2016). Algoritmos evolutivos con
estimación de distribución celulares. Revista Cubana de Ciencias Informáticas, 10, 159-170.

Martínez López, Y., Rodríguez González, A. Y., Madera, J., Mayedo, M. B., & Lezama, F. (2021). Cellular
estimation of distribution algorithm designed to solve the energy resource management problem under uncertainty.
Engineering Applications of Artificial Intelligence, 101, 104231.

Martínez López, Y., Rodríguez González, A. Y., Quintana, J. M., Mayedo, M. B., Moya, A., & Santiago, O. M.
(2020). Applying some EDAs and hybrid variants to the ERM problem under uncertainty. Proceedings of the 2020
Genetic and Evolutionary Computation Conference Companion,

Martínez López, Y., Rodríguez González, A. Y., Quintana, J. M., Moya, A., Morgado, B., & Mayedo, M. B.
(2019). CUMDANCauchy-C1: a cellular EDA designed to solve the energy resource management problem under
uncertainty. Proceedings of the Genetic and Evolutionary Computation Conference Companion,

Martínez López, Y., Oquendo Ferrer, H., Caballero Mota, Y., Guerra Rodríguez, L. E., Junco Villegas, R.,
Benítez Cortés, I., Rodríguez González, A., & Madera Quintana, J. (2020). Aplicación de la investigación de operaciones
a la distribución de recursos relacionados con la COVID-19. Retos de la Dirección, 14(2): 86-105.

Mejía Vásquez, E. J., & Gonzales Chávez, S. (2019). Predicción del consumo de energía eléctrica residencial
de la Región Cajamarca mediante modelos Holt-Winters. Ingeniería Energética, 40(3): 181-191.

Mirjalili, S., & Mirjalili, S. (2019). Genetic algorithm. Evolutionary Algorithms and Neural Networks: Theory
and Applications, 43-55.

Omitaomu, O. A., & Niu, H. (2021). Artificial intelligence techniques in smart grid: A survey. Smart Cities,
4(2): 548-568.

Rodríguez González, A. Y., Aranda, Á. R., Álvarez Carmona, M. Á., Pacheco, Á. D., López, Y. M., & Quintana,
J. M. (2022). Algoritmos celulares basados en estimación de las distribuciones, una herramienta para manejar los
recursos energéticos.

Rodríguez González, A. Y., Lezama, F., Martínez López, Y., Madera, J., Soares, J., & Vale, Z. (2022).
WCCI/GECCO 2020 Competition on Evolutionary Computation in the Energy Domain: An overview from the winner
perspective. Applied Soft Computing, 125, 109162.

REVISTA CUBANA
DE TRANSFORMACIÓN DIGITAL

Algoritmos evolutivos aplicados a la gestión de las unidades
generadoras de la microred eléctrica de Cayo Coco

Martinez-Lopez, Y., Bethencourt-Mayedo, M.,
Madera-Quintana, J., Sutherland, J.

Srinivas, M., & Patnaik, L. M. (1994). Genetic algorithms: A survey. Computer, 27(6): 17-26.

Tuballa, M. L., & Abundo, M. L. (2016). A review of the development of Smart Grid technologies. Renewable
and Sustainable Energy Reviews, 59, 710-725.

Vasconcellos, D. E. B., Gil, E. S., Perdomo, D. G., & Torné, I. G. (2023). Asignación de unidades de generación
en microrredes eléctricas aisladas aplicando algoritmos genéticos: Unit commitment in isolated electric
microgridapplying genetic algorithms. Ingeniería Energética, 44(2): 10-10.

Vijayapriya, T., & Kothari, D. P. (2011). Smart grid: an overview. Smart Grid and Renewable Energy, 2(4):
305-311.

Este obra está bajo una licencia de Creative Commons Atribución-No Comercial 4.0 Internacional