Objetivo:

Este artículo presenta un análisis de diferentes metodologías de optimización, cuyo fin es realizar una comparación objetiva entre métodos de optimización metaheurística y convexa en redes de distribución con énfasis en la inclusión de generación distribuida (DG). Se utiliza el software MATLAB como herramienta para la implementación y la obtención de resultados. El objetivo es determinar el tamaño óptimo de las DG a integrar en las redes, con el fin de reducir las pérdidas de potencia activa (función objetivo).

Metodología:

A partir de la literatura especializada, se seleccionan las metodologías y se determinan las bases y condiciones para la implementación de las técnicas de optimización. En el caso de la programación cónica de segundo orden (SOCP), se realiza la relajación del problema de flujo de potencia óptimo (OPF) no lineal para utilizar optimización convexa. Luego, las estructuras de cada técnica se establecen y aplican en el software MATLAB. Debido al carácter iterativo de los métodos metaheurísticos, se recolectan los datos correspondientes a 100 compilaciones para cada algoritmo. Finalmente, mediante un análisis estadístico, se determinan las soluciones óptimas para la función objetivo en cada metodología y, con estos resultados, se comparan los diferentes métodos aplicados a las redes.

Resultados:

A partir del análisis de sistemas de 33 y 69 nodos, se demuestra que los métodos metaheurísticos son capaces de dimensionar DGs manera efectiva en sistemas de distribución y dan buenos resultados, similares y comparables a la SOCP en el problema OPF. El algoritmo genético (GA) mostró los mejores resultados para la implementación realizada, superando incluso a la SOCP.

Conclusiones:

Los métodos metaheurísticos demostraron ser algoritmos de alta eficiencia computacional y son adecuados para aplicaciones en tiempo real si se implementan en sistemas de distribución con condiciones correctamente definidas. Estas técnicas aportan ideas innovadoras porque no son algoritmos rígidos, lo que las convierte en métodos muy versátiles que pueden adaptarse a cualquier problema de optimización combinatoria y a cualquier software, dando resultados incluso a nivel de optimización convexa.