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

Yoan  Martinez-Lopez; Miguel  Bethencourt-Mayedo; Julio  Madera-Quintana; Jahiro  Sutherland

Autores/as

Yoan Martinez-Lopez Universidad de Camagüey
Miguel Bethencourt-Mayedo Universidad de Camagüey
Julio Madera-Quintana Universidad de Camagüey
Jahiro Sutherland CENTRO REGIONAL UNIVERSITARIO DE COLÓN. UNIVERSIDAD DE PANAMÁ

Palabras clave:

algoritmos evolutivos, algoritmos de estimación de distribuciones, gestión de recursos energéticos, microredes eléctricas

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.

Citas

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.

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.

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.