Este trabajo presenta la aplicación de un Algoritmo Evolutivo Flexible (AEF) a la solución del problema de la planificación de la operación de sistemas hidrotérmicos de potencia; se ha considerado la planificación para intervalos mensuales con horizontes de 1 y 30 años. El método se aplicó a un sistema cuya central hidroeléctrica tiene las mismas características que la central Paute-Molino del Ecuador, el complejo generador de energía eléctrica mas importante del país. Aunque el problema es de naturaleza estocástica, en este trabajo será considerado como determinado, puesto que se conoce con certeza el valor de la variable de entrada al sistema: el caudal afluente al reservorio; este dato se tomó del registro histórico de caudales medidos en la estación hidrológica situada a la entrada del embalse Amaluza. Los resultados se compararon con aquellos obtenidos por GAMS* y otros dos métodos evolutivos clásicos: algoritmos genéticos y estrategias evolutivas. Los resultados muestran que el método AEF es idóneo para resolver esta clase de problemas de optimización; para el caso del horizonte de un año, la respuesta obtenida por el AEF fue la más próxima al valor referencial obtenido por GAMS; además, el numero de iteraciones necesarias para converger al valor mínimo fue menor en el caso del AEF que en los otros dos métodos evolutivos. En el caso del horizonte de los 30 años, las políticas óptimas obtenidas por los métodos AEF y Algoritmos Genéticos fueron muy similares entre sí, y muestran el mismo comportamiento temporal que el caudal afluente al reservorio de la central, como debe ocurrir en una central de paso.
Abstract
This article presents the application of a Flexible Evolutionary Algorithm (FEA) to the problem of hydrothermal power system operations planning; horizons of 1 and 30 years were considered. The method was applied to a system with a hydroelectric power plant of similar characteristics to Paute-Molino, the most important electric energy generation complex in Ecuador. Though in principle this problem is stochastic, here it was treated as deterministic because the input variable: the affluent flow to the reservoir was known with certainty; data were obtained from the historical records of flows measured at the hydrologic station at the Amaluza reservoir. Results were compared with those obtained from GAMS* and two other classic evolutionary algorithms: genetic algorithms and evolutionary strategies. These show that FEA is a valid method to solve optimization problem of this kind; for the 1 year horizon case, the cost of the optimal operating policy was the best approximation to the reference value calculated by GAMS. Also the number of iterations necessary to converge to the minimum value was lower in the case of FEA than with the other two methods. In the case of the 30-year horizon, the optimal policies calculated by the FEA and the Genetic Algorithm methods were also very similar. In both cases, the temporal behavior of the optimal policies and the input flow to the reservoir were similar, as it should be for a bypass power plant.