Rrvrsrx Ixorxrrax UC, Voi. 18, No.

2, Aoosro 2011 44 - 54
M etodos de soluci on aplicados al problema de coordinaci on
hidrot ermica a corto plazo
Agustn Marulanda

, Mara Artigas, Jorge Vilchez

Departamento de Potencia, Escuela de Ingeniera El ectrica, Facultad de Ingeniera, Universidad del Zulia, Maracaibo,
Venezuela.
Resumen.-
El uso eciente de los recursos energ eticos es uno de los aspectos fundamentales en la operaci on de los sistemas
el ectricos de potencia, generalmente la energa disponible proviene de generadores de diversas fuentes primarias,
como combustibles f osiles y energa hidr aulica. Para lograr una correcta administraci on de los recursos energ eticos
es necesario elaborar programas de generaci on para todas las unidades de generaci on. Este trabajo describe las
t ecnicas de optimizaci on m as importante utilizadas en el problema de coordinaci on hidrot ermica a corto plazo,
por medio de la recopilaci on y clasicaci on de las publicaciones cientcas de mayor impacto internacional
en los ultimos 50 a nos. As, los m etodos de optimizaci on utilizados para resolver el problema de coordinaci on
hidrot ermica se clasican en cl asicos y metaheursticos. Los primeros abarcan desde los tradicionalescomo: lista
de prioridad, programaci on din amica, hasta los m as sosticados como relajaci on lagrangiana, mientras que los
segundos contemplan nuevas tendencias en la b usqueda por alcanzar el optimo global, entre los cuales destacan:
B usqueda tab u, recocido simulado, algoritmos gen eticos y enjambre de partculas.
Palabras clave: Coordinaci on hidrot ermica, corto plazo, optimizaci on, sistemas de potencia.
Solution methods applied to the shortterm hydrothermal coordination
problem
Abstract.-
The ecient use of energy resources is one of the key aspects in the operation of electrical power systems, the
available energy generally comes from dierent sources like fossil fuels and hydropower. To achieve ecient
management of energy resources is necessary to develop generation programs among dierent types of generation
units. This paper describes the most important optimization techniques used in the short-term hydrothermal
coordination problem, through the collection and classication of specialized literature in the last 50 years. Thus,
the optimization methods used for solving the hydrothermal coordination problem are classied into classic and
metaheuristics. The rst covers from the traditional methods such as the priority list, dynamic programming, even
the most sophisticated method as Lagrangian relaxation, while the second provides for new trends in the search
to reach the global optimum, among which are: Tabu search, simulated annealing, genetic algorithms and particle
swarm.
Keywords: Hydrothermal coordination, Short term, optimization, power electrical systems.
Recibido: mayo 2010

Autor para correspondencia

Correo-e: amarulanda@fing.luz.edu.ve (Agustn
Marulanda)
Aceptado: junio 2011
1. INTRODUCCI

ON
El uso eciente de los recursos energ eticos es
uno de los aspectos prioritario en la operaci on de
Revista Ingeniera UC
A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54 45
los sistemas el ectricos de potencia. Especialmente
en los sistemas hidrot ermicos, donde el suministro
de energa el ectrica est a supeditado a la dispo-
nibilidad de recursos hdricos y a la capacidad
de almacenamiento de energa, as como a la
producci on nacional de combustibles f osiles (gas,
carb on y fueloil).
Para lograr una administraci on eciente de
los recursos energ eticos disponibles, resulta fun-
damental la elaboraci on de los programas de
generaci on sobre de manera de minimizar los
costos y asegurar la conabilidad del suministro.
Evidentemente, la programaci on de la generaci on
para sistemas hidrot ermicos es un problema es-
toc astico que debe adaptarse a las caractersticas
particulares de cada sistema.
La coordinaci on hidrot ermica busca una distri-
buci on entre la generaci on t ermica e hidr aulica,
para satisfacer una demanda de energa el ectrica
en un periodo denido. Esta coordinaci on entre
la generaci on t ermica e hidr aulica, debe realizarse
con ciertos criterios para obtener el menor costo
posible de generaci on y cumplir con las limita-
ciones t ecnicas de las centrales. Adem as, se debe
tomar en consideraci on los periodos de estudio;
los cuales tpicamente se dividen en corto y largo
plazo.
El problema a corto plazo tiene por objetivo
determinar el arranque y parada de las centrales
t ermicas, as como la potencia generada por las
centrales t ermicas e hidr aulicas durante el hori-
zonte temporal. Por otro lado, con la coordinaci on
hidrot ermica a largo plazo se pretende desarrollar
una estrategia de operaci on de uno a cinco a nos. La
elaboraci on de esta estrategia debe tomar en cuenta
predicciones de consumo, diferentes escenarios
hidrol ogicos, variaciones anuales y estacionales
de las reservas hidr aulicas, los valores y costos
esperados de generaci on t ermica, factores de in-
disponibilidad de cada unidad y las probabilidades
de escasez de energa.
Se puede pensar en el problema de coordinaci on
hidrot ermica como un problema de despacho
econ omico cl asico, donde adem as de tomar en
cuenta las centrales t ermicas, se incluyen las cen-
trales hidr aulicas, los acoplamientos temporales
y se modelan otras variables relacionadas con el
entorno energ etico del sistema de potencia.
La coordinaci on hidrot ermica a corto plazo es
un problema de optimizaci on matem atica combi-
natorial y determinista, en el cual se desprecia
todo tipo de incertidumbres (en la disponibilidad
de los equipos, en la demanda y en las aportaciones
hidr aulicas), ya que en estos horizontes temporales
las previsiones apenas dieren de la realidad [1].
Adem as,es usual no incluir la red de transporte en
los modelos a corto plazo debido a la complejidad
que introduce y porque consideraciones de este
tipo no suelen afectar las decisiones de arranque
y parada de las centrales [1]. De esta manera,
se simplica el modelo de la red de energa
el ectrica de forma que se considera uninodal; toda
la demanda del sistema se representa en un nodo,
con el cual se desprecia el sistema de transporte y
por consiguiente las p erdidas.
La soluci on adecuada de este problema puede
signicar importantes ahorros a la operaci on de
los sistemas el ectricos, desde la d ecada de 1950
se han planteado alternativas de soluci on que
combinan m etodos de optimizaci on tradicionales
con t ecnicas empleadas en el campo de la inteli-
gencia articial, pasando por m etodos heursticos.
La mayora de estos m etodos de soluci on est an
basados en una descomposici on del problema
en dos subproblemas: el arranque y parada de
las unidades t ermicas (unit commintment) y la
programaci on de las centrales hidr aulicas. En la
mayora de los m etodos empleados, la soluci on se
obtiene por medio de un proceso iterativo con la
soluci on de los dos subproblemas [2].
Los m etodos de optimizaci on utilizados se
pueden clasicar en: m etodos cl asicos y m etodos
metaheursticos. Los primeros, que buscan y
garantizan un optimo local, incluyen la progra-
maci on lineal, lineal entera mixta, din amica, entre
otros. Por otro lado, los m etodos metaheursticos
tienen mecanismos especcos para alcanzar el
optimo global aunque no garantizan su alcance,
entre los que destacan: B usqueda tab u, recocido
simulado y algoritmos gen eticos. A continuaci on
se hace un resumen de los m etodos m as impor-
tantes utilizados en la resoluci on del problema de
coordinaci on hidrot ermica a corto plazo.
Revista Ingeniera UC
46 A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54
2. LISTA DE PRIORIDAD
La lista de prioridad ordena a las centrales
de generaci on de acuerdo a su costo medio de
producci on a potencia m axima [3]; de esta forma
las centrales de menor costo ocupan las primeras
posiciones de la lista. Las centrales se acoplan o
desacoplan para cumplir las restricciones de carga
del sistema siguiendo el orden establecido en la
lista. Este m etodo se emplea unicamente en la
soluci on del problema de la programaci on horaria
de centrales t ermicas, donde no toma en cuenta los
costos de arranque y parada de las centrales.
Este m etodo heurstico es muy sencillo y f acil
de implementar. Requiere poca memoria y poco
tiempo de c alculo. Sin embargo, al no tener en
cuenta la variaci on del costo con la potencia
producida o los costos de arranque y parada de
las centrales, no puede garantizar la optimalidad
de la soluci on encontrada. Adem as, este m etodo
requiere el empleo de reglas heursticas para la
consecuci on de una soluci on posible.
3. PROGRAMACI

ON DIN

AMICA
La programaci on din amica surge en los a nos
1950, como producto de los trabajos de investiga-
ci on del matem atico Richard Bellman en el area
de problemas de decisi on multietapa [4]. Es un
enfoque general para la soluci on de problemas en
los que es necesario tomar decisiones en etapas
sucesivas. La soluci on de problemas mediante
esta t ecnica se basa en el llamado principio de
optimalidad enunciado por Bellman en 1957 [5]:
En una secuencia de decisiones optima toda
subsecuencia ha de ser tambi en optima.
Para que un problema ser abordado por esta
t ecnica ha de cumplir dos condiciones. La soluci on
del problema debe alcanzarse a trav es de una
secuencia de decisiones, una en cada etapa y dicha
secuencia de decisiones debe cumplir el principio
de optimalidad [6].La t ecnica de programaci on
din amica ha sido desarrollada con exito en el
despacho econ omico de centrales t ermicas, en la
soluci on pr actica del problema de unit commitment
y en la soluci on del problema de coordinaci on
hidrot ermica [3], donde se caracteriza por la
denici on de etapas y de estados.
En el caso de la programaci on de centrales
t ermicas, la programaci on din amica busca el
espacio de soluciones que contiene la soluci on
optima del estado de arranque o parada de las
unidades de generaci on. Los periodos de estudios
son conocidos como las etapas del problema de
programaci on din amica, tpicamente cada etapa
representa una hora de operaci on. La combinaci on
de las unidades de generaci on en un periodo
es conocida como los estados del problema de
programaci on din amica. En cada etapa se dene
una serie de estados (resulta util la representaci on
gr aca en un diagrama de estados). Cada nodo
asociado a una etapa del diagrama de estados,
representa un posible estado en el que se puede
encontrar el sistema en la etapa considerada. Las
posibles transiciones de un estado, en cierta etapa,
a otro estado, en una etapa posterior, se representan
mediante echas entre estos estados.
A pesar de que la programaci on din amica
permite modelar la no linealidad y no convexidad
del problema hidrot ermico, por su naturaleza
combinatorial, su aplicaci on directa resulta poco
pr actica debido a las dimensiones matem aticas
del problema y el excesivo tiempo computacio-
nal necesario para obtener una soluci on cercana
al optimo [7]. Esto se debe a la naturaleza
enumerativa del m etodo,debido a que el tiempo
computacional se expande exponencialmente con
el tama no del problema y lo eleva a un nivel que se
convierte poco pr actico usarlo [8] y [9].
En la pr actica, muchas estrategias heursticas,
como el esquema de lista de prioridad, se han
introducido para limitar la b usqueda din amica para
sistemas el ectricos de gran tama no y reducir as el
tiempo computacional. En [10], [11] y [12] se
presentan variantes de la programaci on din amica
por medio de t ecnicas heursticas, mientras que
en [13] se presenta una t ecnica que combina la
programaci on din amica con aproximaci on suce-
siva para resolver el problema de coordinaci on
hidrot ermica.
4. PROGRAMACI

ON LINEAL
La programaci on lineal es quiz as la t ecnica
de programaci on matem atica m as ampliamente
Revista Ingeniera UC
A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54 47
aplicada, en su estado m as simple busca el
valor optimo de una funci on objetivo de tipo
lineal mientras satisface un grupo de restricciones
lineales. En sistemas el ectricos de potencia, ha
tenido mucho exito en areas como la programaci on
de la generaci on y minimizaci on de p erdidas.
El primer algoritmo dise nado para el problema
de programaci on lineal fue el algoritmo simplex,
propuesto por Dantzig en 1947 para resolver
problemas de planicaci on de la Fuerza A erea de
Estados Unidos [14].
En [15] se describe un programa para optimizar
la generaci on hidroel ectrica de Australia, donde
los autores hacen uso de la linealizaci on por
tramos para convertir las funciones no lineales,
tpicas del problema de coordinaci on hidrot ermica,
en restricciones lineales.
Durante los ultimos a nos se han producido
avances signicativos en la programaci on lineal
por el desarrollo por parte de Karmarkar [16] de un
m etodo de punto interior para resolver problemas
de programaci on lineal.
4.1. M etodo de Punto Interior
Propuesto por Karmarkar, en 1984,el m etodo de
punto interior es un algoritmo cuya complejidad
computacional es de tipo polinomial, que compite
frente al m etodo simplex para resolver problemas
de programaci on lineal de gran tama no, como el
problema de coordinaci on hidrot ermica. Muchas
han sido las mejoraspropuestas al algoritmo ori-
ginal, la variante m as utilizada es el algoritmo
primaldual con barrera logartmica propuesto por
Meggido [17] en 1989.
El m etodo de puntos interiores es un proceso
iterativo que a partir de un punto inicial x
0
dentro
de la regi on factible sigue una trayectoria que
alcanza la soluci on optima (x

) despu es de algunas
iteraciones, todos los puntos x
i
de la trayectoria
contin uan dentro de la regi on factible (puntos
interiores), y se encuentra una buena estimativa
de la soluci on optima despu es de las primeras
iteraciones [18].
En los ultimos a nos, los m etodos de puntos
interiores han sido ampliamente utilizados en
la soluci on de problemas de optimizaci on, y
algunos de sus conceptos ya se han aplicado
en la programaci on no lineal y programaci on
entera [19].
En 1996, Christoforodis [20] propone uno de
los primeros algoritmos de punto interior para el
problema de coordinaci on hidrot ermica basado en
predictor corrector primal-dual, donde demues-
tra que el m etodo de punto interior puede ser
utilizado con exito para resolver la coordinaci on
hidrot ermica en sistemas de gran tama no. En 1998,
Medina [21] presenta una comparaci on de los
m etodos de punto interior aplicados al problema
de coordinaci onhidrot ermica, donde concluyen
que los diferentes m etodos de punto interior
aplicados a la coordinaci on hidrot ermica son m as
r apidos que los basados en el m etodo simplex.
5. PROGRAMACI

ON LINEAL ENTERA
MIXTA
La programaci on lineal entera mixta (Mixed
Integer linear Programming, MILP) es una modi-
caci on de la programaci on lineal donde algunas
de las variables son enteras y pueden tomar valores
binarios (0/1). Esta caracterstica permite modelar
de forma m as adecuada el arranque y parada de las
unidades de generaci on.
En los ultimos a nos la programaci on lineal
entera mixta ha tenido un avance signicativo
enfocado en los algoritmos utilizados. Esto ha
permitido a nadir de forma m as f acil las restriccio-
nes del problema e incluir las no linealidades con
mayor exactitud, por medio de la aproximaci on
lineal por tramos [3]. Adem as, el uso de variables
enteras permite modelarla naturaleza discreta del
arranque y parada de las unidades de generaci on.
El problema a resolver puede ser bastante compli-
cado y la soluci on se puede obtener en un tiempo
razonable, sin p erdida de precisi on [22].
Asimismo, la revoluci on en los m etodos compu-
tacionales de optimizaci on ha hecho posible contar
con computadoras m as potentes y la mejora en
los algoritmos desarrollados, esto hace posible
resolver problemas que se pensaban irresolubles.
Aunado a esto, la aparici on de c odigos modernos
comerciales en programaci on lineal y entera, tales
como Cplex, Lindo, Osl y XpressMP, los cuales
son muchos m as poderosos que los algoritmos
Revista Ingeniera UC
48 A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54
que existan unos 20 a nos atr as; permiten resolver
problemas de mayor tama no con menores tiempos
computacionales.
En [23] y [24] se muestran desarrollos en pro-
gramaci on lineal entera mixta para la coordinaci on
de la generaci on hidr aulica a corto plazo, donde
se presentan modelos lineales a tramos de las
funciones no lineales de las unidades hidroel ectri-
cas y sus correspondientes restricciones din amicas
y discretas. Tambi en se presenta la formulaci on
detallada del problema de programaci on lineal
entera mixta para la coordinaci on hidrot ermica,
por medio del uso de programas modernos de
optimizaci on.
Tradicionalmente los problemas de programa-
ci on lineal entera mixta se han resuelto empleando
los m etodos de Bifurcaci on y acotaci on (branch
and bound) y la descomposici on de Benders.
5.1. Bifurcaci on y Acotaci on
La t ecnica de bifurcaci on y acotaci on es una
de las m as utilizadas para resolver los proble-
mas de programaci on entera mixta, propuesto
inicialmente por Land y Doig [25] en 1960 y
posteriormente modicado por Dakin [26] en 1965
y Driebeck [27] en 1966. Este m etodo halla la
soluci on optima de un problema entero mixto
enumerando ecientemente los puntos en la regi on
factible. El arbol de enumeraci on es la idea
b asica, el cual se forma por medio de un proceso
denominado bifurcaci on (branching).
Los modelos propuestos de programaci on entera
mixta, utilizan una funci on linealizada de costo
aun cuando se disponen de modelos de costos
m as precisos. Adem as, la t ecnica de bifuracaci on
y acotaci on s olo ha sido empleada en sistemas de
tama no moderado, debido a que los problemas de
gran tama no demanda un tiempo computacional
demasiado largo.
En 1978, Dillon [28] presenta un desarrollo
basado en el m etodo de bifurcaci on y acota-
ci on para el problema de programaci on entera,
con el cual resuelve la programaci on de las
centrales de generaci on. Otro trabajo interesante
lo presenta Christoforidis [29] en 1996, donde
aplica la t ecnica de bifurcaci on y acotaci on para
resolver el problema de coordinaci on hidrot ermica
al sistema de generaci on de Suiza. Sin embargo,
a pesar que Christoforidis demuestra que es
computacionalmente posible resolver problemas
de gran tama no utilizando programaci on entera
mixta,reconoce que el sistema el ectrico utilizado
no es lo sucientemente grande como para crear
dicultades computacionales al m etodo.
5.2. Descomposici on de Benders
El algoritmo de Benders es una de las t ecnicas
de descomposici on m as com unmente utilizadas en
sistemas de potencia, introducida por J. F. Benders,
el algoritmo de descomposici on permite resolver
problemas de programaci on lineal entera mixta de
gran tama no.
Para aplicar el m etodo se descompone elproble-
ma global (coordinaci on hidrot ermica a corto pla-
zo) en un problema maestro y un subproblema. El
problema maestro es un problema de optimizaci on
cuyas variables representan los acoplamientos de
las centrales t ermicas, se trata por lo tanto de un
problema de programaci on entera 0/1. Mientras
que en el subproblema, las variables enteras
(los acoplamientos de las centrales t ermicas) se
toman de la soluci on del problema maestro y
as el subproblema se ocupa s olo de determinar
la producci on de cada central. Por lo tanto, se
puede tratar como un problema de despacho
econ omico y utilizar cualquier algoritmo para
resolver el subproblema.El problema maestro y el
subproblema de despacho econ omico se resuelven
de forma iterativa hasta que la soluci on converja.
En cada iteraci on el problema maestro resuelve
un problema de programaci on entera, mediante
el cual se determinan los valores optimos de las
variables de acoplamiento de las centrales t ermi-
cas y se enva esta informaci on al subproblema
de despacho econ omico, luego el subproblema
resuelve un algoritmo de despacho econ omico
hidrot ermico. Resuelto el subproblema se enva un
conjunto de variable duales del despacho econ omi-
co al problema maestro, el maestro incorpora esta
informaci on generando un nuevo corte de Benders
en cada iteraci on.
La mayor dicultad al aplicar la descompo-
sici on de Benders al problema de coordinaci on
hidrot ermica a corto plazo es la determinaci on de
Revista Ingeniera UC
A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54 49
la soluci on del problema maestro, debido a que
este es un problema de programaci on entera 0/1
y presenta problemas en la soluci on de sistemas
el ectricos de tama no realista. Adem as, algunas
restricciones son difciles de manejar como lo son
las restricciones no lineales de tiempo de arranque
y parada de las centrales t ermicas, las cuales
generalmente son reemplazadas por restricciones
m as simples en el modelo [30].
Un buen ejemplo de esto se presenta en [31]
donde los autores aplican la descomposici on de
Benders a un sistema de 30 centrales hidro-
el ectricas y 20 t ermicas, en el cual sustituyen
las restricciones no lineales de tiempo mnimo
de funcionamiento y parada por una restricci on
lineal que s olo permite un m aximo de un arranque
por central y da. Este problema es abordado
por Alguacil y Conejo [32], donde modelan las
restricciones de arranque y parada de las centrales
t ermicas aplicado a un caso realista basado en el
sistema el ectrico de Espa na. El problema maestro
calcula el esquema de arranque y parada de las
centrales t ermicas, mientras que el subproblema
de Benders resuelve un ujo optimo de potencia
(optimal power ow,OPF). En [33] tambi en se
aplica la descomposici on de Bendersa trav es de
un problema maestro y un subproblema de OPF,
con la inclusi on de t ecnicas de aceleraci on para
reducir el n umero de iteraciones y el tiempo
computacional.
6. M

ETODOS DE DESCOMPOSICI

ON
PRIMAL
Estos m etodos se basan en la descomposici on
del problema de coordinaci on de la generaci on
hidrot ermica en dos subsistemas, uno hidr aulico
y otro t ermico, con el prop osito de facilitar el
uso de t ecnicas de soluci on especcas en cada
subproblema. En el subproblema hidr aulico se
determina la producci on de las centrales hidr auli-
cas, mientras que en el subproblema t ermico se
calcula la producci on de cada central t ermica. Para
relacionar los dos subsistemas se denen unas
funciones de coordinaci on, las cuales expresan el
costo total del sistema en funci on de la producci on
hidr aulica. Adem as, se dene una funci on de
coordinaci on primal para cada periodo la cual
expresa el costo total de producci on en ese periodo
en funci on de la producci on hidr aulica del mismo.
En [34] se descompone el problema de coor-
dinaci on hidrot ermica a corto plazo en dos sub-
problemas; hidr aulico y t ermico. El subproblema
hidr aulico es formulado como un problema de
programaci on de ujo de red (Network Flow
Programming) no lineal y resuelto a trav es del
m etodo de gradiente reducido, mientras que el
subproblema t ermico lo resuelven utilizando al-
goritmo de despacho econ omico y coordinaci on
de centrales. El acoplamiento entre los dos sub-
sistemas se realiza por medio de la ecuaci on de
balance de energa. En [35] tambi en se utiliza la
programaci on de ujo de red para el subproblema
hidr aulico, en cambio el problema t ermico lo
resuelven por medio un ujo optimo de potencia.
Por otro lado, el trabajo reportado en [36] usa
una funci on de penalizaci on para descomponer el
sistema en hidr aulico y el ectrico. La soluci on de
ambos subproblemas se basa en divisi on de las
variables en b asicas (dependientes) y no b asicas
(independientes), tal como en el m etodo del
gradiente reducido.
7. RELAJACI

ON LAGRANGIANA
La t ecnica de relajaci on Lagrangiana es uno
de los procedimientos m as utilizados para resol-
ver el problema de coordinaci on hidrot ermica a
corto plazo, en los ultimos a nos. Esta t ecnica
se empez o a utilizar a nales de los a nos 70 y
principios de los 80 en la resoluci on del problema
de coordinaci on hidrot ermica como herramienta
de ayuda, para generar cotas inferiores, en los
algoritmos debifurcaci on y acotaci on [37].
La relajaci on lagrangiana es una t ecnica ma-
tem atica para resolver problemas de optimizaci on
con restricciones. La idea b asica del algoritmo
es utilizar multiplicadores de Lagrange para re-
lajar los requerimientos de demanda y reserva
del sistema el ectrico. As, este nuevo problema
(llamado problema dual) se puede descomponer
en un subproblema por cada central t ermica y un
subproblema por cada cuenca hidr aulica. Luego,
los multiplicadores se ajustan en forma iterativa a
Revista Ingeniera UC
50 A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54
su nivel m as alto, el llamado problema dual [38].
Es decir, gracias a la aplicaci on del m etodo de la
relajaci on lagrangiana se pasa de la resoluci on de
un problema muy complejo y de gran tama no a
la resoluci on de muchos problemas de peque no
tama no y estructuras homog eneas; esto permite
modelar en forma m as detalla cada central de
generaci on y aplicar a cada subproblema la t ecnica
de optimizaci on que m as se adapte a su estructura.
En optimizaci on, si el problema primal es
convexo, entonces la soluci on optima del pro-
blema primal coincide con la soluci on optima
del problema dual. Adem as, la resoluci on de
este ultimo es m as f acil que la resoluci on del
problema primal. Sin embargo, la relajaci on de
las restricciones causa una diferencia entre la
soluci on primal y la soluci on dual, llamado error
de dualidad. Por consiguiente, la soluci on optima
dual raras veces satisface las restricciones de
reserva rodante y balance de potencia. Por lo
tanto, es necesario buscar una soluci on sub optima
factible cercana al punto optimo dual.La relajaci on
lagrangiana permite resolver de forma iterativa los
subproblemas y actualizar los multiplicadores de
lagrange de acuerdo a la amplitud de la violaci on
de las restricciones de reserva rodante y balance de
potencia [39].
La t ecnica b asica del m etodo consiste en los
siguientes pasos: Resolver el problema dual, ob-
tener una soluci on factible del problema primal y
calcular el despacho econ omico para satisfacer la
demanda. El paso 3 es un despacho econ omico
multiperiodo, cuya soluci on est a ampliamente
referenciada en la literatura [3]. Mientras que para
resolver el paso 2 la aplicaci on de t ecnicasheursti-
cas ha sido exitosas para obtener una soluci on
primal factible. La complejidad del algoritmo
radica en el paso 1,el cual requiere resolver
un problema de maximizaci on no diferenciable.
En la literatura se reportan varias t ecnicas para
resolver el problema dual, en [40] se presenta
un desarrollo interesante basado en el m etodo de
planos secantes (cutting planes) el cual incorpora
control adaptativo sobre la regi on factible.
A principios de los a nos noventa, comienzan a
aplicarse t ecnicas de lagrangiano aumentado [41]
y [42]. Esta t ecnica se basa en la denici on y
resoluci on de un problema en el que no s olo
se dualizan las restricciones, sino que tambi en
se introducen penalizaciones cuadr aticas con el
objetivo de forzar la factibilidad del problema
primal.
8. M

ETODOS METAHEUR

ISTICOS
Los m etodos de optimizaci on metaheursticos
adquieren importancia a partir de 1980, suelen ins-
pirarse en procesos de optimizaciones naturales,
tales como la teora de la evoluci on, el templado
de metales o el comportamiento de las colonias
de hormigas, entre otros. El t ermino heurstico
est a relacionado con la tarea de resolver problemas
inteligentemente utilizando la informaci on dispo-
nible, en el ambito de la inteligencia articial
se usa el t ermino para describir una clase de
algoritmos que aplicando el conocimiento propio
del problema y t ecnicas realizables, se acercan a
la soluci on de problema en un tiempo razonable.
El t ermino metaheurstica, introducido por Fred
Glover [43] en 1986, se reere a estrategias para
dise nar o mejorar los procedimientos heursticos
con miras a obtener un alto rendimiento. Estos
m etodos se pueden clasicar en constructivos,
evolutivos y de b usqueda.
Los m etodos constructivos van incorporando
elementos a una estructura inicialmente vaca que
representa la soluci on, un ejemplo de este m etodo
lo es Greedy Randomized Adaptative Search Pro-
cedures (GRASP). Los m etodos evolutivos consis-
ten en generar, seleccionar, combinar y reemplazar
un conjunto de soluciones, entre los m as repre-
sentativos se encuentran los algoritmos gen eticos.
Mientras que los m etodos de b usquedas parten de
una soluci on inicial y realizan procedimientos de
b usquedas, la B usqueda Tab u (Tabu Search) y el
Templado Simulado (Simulated annealing) son las
t ecnicas m as utilizadas.
8.1. B usqueda Tab u
La b usqueda tab ues un m etodo iterativo para
hallar un conjunto de soluciones factibles con las
cuales se minimiza la funci on objetivo, dise nada
para problemas de optimizaci on combinacional.
Provee una forma para resolver problemas de
Revista Ingeniera UC
A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54 51
optimizaci on con mnimo local; cuando se alcanza
un optimo local el algoritmo se ajusta a una
nueva direcci on de b usqueda para prevenir que el
algoritmo quede atrapado en ese optimo local. Para
mejorar la eciencia del m etodo se suele combinar
con otros algoritmos de optimizaci on.
En forma general, consiste en clasicar ciertos
movimientos como prohibidos o tab u para evitar
que se caiga en ciclos durante la b usqueda y
se dene un conjunto de vecindad, N(s), para
cada soluci on, S . El algoritmo empieza desde
una soluci on inicial, S
0
, y se mueve en forma
iterativa a la mejor soluci on en la vecindad,
N(s), aunque un movimiento individual empeore
la funci on objetivo. Con la nalidad de prevenir
ciclos, el algoritmo no regresar a a ninguna de las
soluciones que hayan sido visitadas durante los
ultimos k pasos; estos k pasos corresponden a la
lista tab u [44].
8.2. Recocido Simulado
El recocido simulado (simulated annealing)
es una t ecnica de optimizaci on combinacional
que se basa en el proceso fsico de tratamiento
t ermico de materiales. En el recocido un metal
es llevado a elevados niveles energ eticos, hasta
que alcanza su punto de fusi on. Luego es enfriado
en forma gradual hasta alcanzar un estado s olido
de mnima energa, previamente denido. Por su
naturaleza, este algoritmo debe ser formulado
como un descenso a valle en el que la funci on
objetivo es el nivel energ etico.
En el algoritmo del recocido simulado el n ume-
ro de iteraciones usadas es an alogo al nivel de
temperatura, en cada iteraci on se genera una
soluci on candidata. Si esta soluci on es la mejor,
entonces esta es aceptada y usada para generar
una nueva soluci on candidata, si esta es una
soluci on peor que la anterior, es aceptada cuando
su probabilidad de aceptaci on (distribuci on de
Boltzmann) sea mayor que un n umero aleatorio
entre 0 y 1. En la pr oxima iteraci on, la temperatura
se reduce de acuerdo a una funci on de sistema
de estados. Entonces, la soluci on deteriorada es
aceptada con una probabilidad cada vez menor a
trav es de las iteraciones. El proceso de soluci on
contin ua hasta que se alcance el n umero m aximo
de iteraciones o se consiga la soluci on optima [45].
En [46] se desarrolla un algoritmo para la
coordinaci on hidrot ermica a corto plazo basado en
la t ecnica de recocido simulado. En el algoritmo
se explica la incorporaci on de las restricciones
de balance de potencia, descarga de agua, lmite
de los embalses y las restricciones de los lmites
de operaci on de los generadores hidr aulicos y
t ermicos.
8.3. Algoritmos Gen eticos
Los algoritmos gen eticos fueron introducidos
por John Holland [47] en la d ecada de los setenta,
es esencialmente un algoritmo de b usqueda de
soluciones pr oximas a la optima basado en la
gen etica y el mecanismo de selecci on natural
que se maniesta entre individuos que compiten
en un mismo ambiente. Los individuos mejores
adaptados al ambiente tienden a transmitir su
informaci on gen etica a las futuras generaciones y
as perpetuar sus habilidades.
Las tres principales operaciones asociadas con
los algoritmos gen eticos son la reproducci on, el
cruzamiento y la mutaci on. El m etodo comienza
con la creaci on de un conjunto de estructuras
codicadas llamadas cromosomas (soluciones)
que componen la poblaci on inicial, el criterio
que valora la calidad de cada cromosoma es
el entregado por el tnees; este corresponde a
la evaluaci on de cada individuo mediante la
funci on objetivo. Conocida la calidad de los
individuos de la poblaci on estos son sometidos
a un proceso de selecci on donde los individuos
mejores adaptados tienen mayores posibilidades
de ser elegidos como padres para el intercambio de
informaci on gen etica llamado cruzamiento. Luego
un porcentaje de los individuos generados en el
cruzamiento (hijos) son sometidos a un proceso
aleatorio donde se genera un cambio en el cro-
mosoma, conocido como mutaci on. Este proceso
de mutaci on proporciona mayor diversidad en los
individuos de la poblaci on.
Completados los procesos de cruzamiento y
mutaci on, se genera la nueva poblaci on que
reemplaza a la poblaci on original. Esto debe
ser repetido hasta cumplir con alg un criterio de
Revista Ingeniera UC
52 A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54
convergencia denido en el problema, cada uno de
estos ciclos se conoce como generaci on.
La ventaja del uso de algoritmos gen eticos es
la gran exibilidad en el modelo. Sin embargo,
requieren un elevado tiempo de c alculo y ello
implica que para sistemas el ectricos de tama no
realista resultan a un poco competitivos con otros
procedimientos. En [48] se presenta un algoritmo
gen etico aplicado a la soluci on del problema de
coordinaci on a corto plazo, mientras que en [49]
y [50] los autores combinan el algoritmo gen etico
con la lista de prioridad y el m etodo iterativo de
lambda, respectivamente, para resolver la coordi-
naci on hidrot ermica de sistemas de tama no medio.
8.4. Enjambre de Partculas
La t ecnica de optimizaci on de Enjambre de
Partculas (Particle Swarm) es una de las m as
recientes t ecnicas de optimizaci on estoc astica,
introducida por Kennedy y Eberhart [51] en 1995
como una alternativa a los algoritmo gen eticos.
Est a inspirada en el comportamiento social ob-
servado en grupos de individuos a partir de la
interacci on de estos entre s y con el entorno, tales
como parvada de p ajaros, enjambre de insectos y
banco de peces.
B asicamente, la metaheurstica de enjambre de
partculas consiste en un algoritmo iterativo ba-
sado en una poblaci on de individuos denominada
enjambre, en la que cada individuo, partcula,
se dice que sobrevuela el espacio de decisi on en
busca de soluciones optimas.
El algoritmo de enjambre de partculas, como
cualquier algoritmo metaheurstico, provee una
poblaci on inicial en la cual cada partcula cambia
en el tiempo su posici on o estado. Cada partcula
vuela alrededor de un espacio de b usqueda multi-
dimensional. Durante el vuelo, cada partcula ajus-
ta su posici on de acuerdo a su propia experiencia y
las experiencias de las partculas vecinas, haciendo
uso de la mejor posici on encontrada por el y sus
vecinos [52].
En [53] y [54] se presentan algoritmos de
enjambre de partculas aplicados a la coordinaci on
hidrot ermica a corto plazo, donde se estudia el
efecto en el optimo global de la selecci on de
distintas partculas y se comparan los resultados
con num ericos con diferentes t ecnicas de soluci on,
respectivamente. Mientras que [55] compara los
resultados obtenidos al aplicar diferentes desa-
rrollos del m etodo de enjambre de partculas
con los m etodos de programaci on evolutiva y
algoritmo gen etico, donde se demuestra que todos
los algoritmos de enjambre de partculas tienen la
habilidad de alcanzar una soluci on cercana a la
global.
9. CONCLUSIONES
En este trabajo se presenta una revisi on del
estado del arte de los m etodos de soluci on apli-
cados al problema de coordinaci on hidrot ermica
a corto plazo. Los m etodos considerados se han
clasicados en dos grupos; los m etodos cl asicos
que abarcan la mayora de las tendencias y
los m etodos metaheursticos que representa un
nuevo enfoque para resolver los problemas de
optimizaci on y obtener una soluci on factible para
la coordinaci on hidrot ermica. La mayora de los
m etodos descritos han sido presentados con sus
principales ventajas y desventajas, el m etodo
adecuado para resolver el problema depende de
la naturaleza del mismo y el nivel de complejidad
con el cual se ha represente el sistema. Es evidente
que la b usqueda pormejorar los m etodos existentes
y la de desarrollar nuevas t ecnicas, representa un
areaabierta e interesante de investigaci on.
Referencias
[1] Noemi Jimenez, N. (1998) Coordinaci on Hidrot ermi-
ca en el Corto Plazo mediante T ecnicas de Relajaci on
Lagrangiana, Universidad de M alaga-E.T.S. de Inge-
nieros Industriales, Tesis Doctoral. M alaga-Espa na.
[2] Garcia-Gonz alez, J. y Castro, G.A. (2001), Short-
Term Hydro Scheduling With Cascaded And Head-
Dependet Reservoirs Based On Mixed-Integer Linear
Programming, 2001 IEEE Porto Power Tech Confe-
rence.
[3] Wood, A.J. y Wollenberg, B. F. (1996), Power
Generation, Operation and Control, John Wiley and
Sons Inc,New York.
[4] Dreyfus, S.(2002). Richard Beelman on the Birth of
Dinamic Programmig. Operations Research, Vol. 50.
No. 1, pp. 4851.
[5] Bellman, R. (1972). Dynamic Programming. Prin-
ceton University Press, Princeton, Sexta edici on. New
Jersey.
Revista Ingeniera UC
A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54 53
[6] Guerequeta, R. y Vallecillo A. (2000). T ecnicas de
Dise no de Algoritmos. Servicio de publicaciones de
la Universidad de M alaga, segunda edici on, M alaga.
[7] Ferrero, R.W., Rivera, J.F., y Shahidehpour, S.M.
(1998). A Dynamic Programming Two-Stage Al-
gorithm for Long-Term Hydrothermal Scheduling of
Multireservoir Systems. IEEE Transactions on Power
Systems, Vol. 13. No. 4. pp. 15341540.
[8] Ouyang, Z., y Shahidehpour, S.M., (1991) An Inte-
lligent Dynamic Programming For Unit Commitment
Application. IEEE Transactions on Power Systems,
Vol. 6. No. 3, pp.12031209.
[9] Tang, J. y Luh, P:B. (1989). Hydrothermal Scheduling
Via Extenden Dierential Dynamic Programming
AndMixed Coordination. IEEE Transactions on Po-
wer Systems, Vol. 4. No. 3, pp.10501056.
[10] Pang, C.K., y. Chen, H.C. (1976). Optimal Short-Term
Thermal Unit Commitment. IEEE Transactions on
Power Apparatus and Systems,Vol. PAS-95. No. 4, pp.
13361342.
[11] Pang, C.K , Sheble, G.B. y Albuyeh, F. (1981).
Evaluation of dynamic programming based methods
and multiple area representation for thermal unit com-
mitments. IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-100. No. 3, pp. 12121219.
[12] Snyder, W.L, Powell, H.D. y Rayburn, J.C. (1987). Dy-
namic Programming Approach to Unit Commitment.
IEEE Transactions on Power Apparatus and Systems,
Vol. PWRS-2 No. 2, pp. 339349.
[13] Yang, J.S. y. Chen, N. (1995). Short-Term Hy-
drothermal Coordination Using Multi-Pass Dynamic
Programming. IEEE Transactions on Power Systems,
Vol.10 No.4. pp. :20212028.
[14] Dantzig, G.B. (2202). Linear Programming. Opera-
tions Research, Vol. 50, No. 1, pp. 4247.
[15] Piekutowski, M.R.,. Litwinowcz, T. y. Frowd, R.J.
(1994). Optimal Short-Term Scheduling for a Large-
Scale Cascaded Hydro System. IEEE Transactions on
Power Systems,Vol. 9. No. 2, pp.805811.
[16] Karmarkar, N. (1984). A New Polynomial-Time Al-
gorithm for Linear Programming. Combinatorica,Vol.
4, pp.373395.
[17] Meggido, N. (1989), Pathway to the Optimal Set in
Linear Programming, en Progress in Mathematical
Programming: Interior Point and Related Methods,
Springer Verlag, New York,pp. 131158.
[18] Wright, S. J. (1997), Primal-Dual Interior-Point
Methods, SIAM, Philadelphia.
[19] Farhat, I.A.,y El-Hawary, M.E. (2009), Interior Point
Methods Applications in Optimum Operational Sche-
duling of Electric Power Systems, IET Generation,
Transmission & Distribution, Vol. 3. No. 11, pp. 1020-
1029.
[20] Christoforodis, M., Aganagic, M., Awobamise, B.,
Tong, S and Rahimi, A.E. (1996) Long-Term/Mid-
Term Resource Optimization of a Hydro-Dominant
Power System Using Interior Point Method. IEEE
Transactions on Power System, Vol.11, No.1, pp. 287-
294.
[21] Medina, J., Quintana, V.H., Conejo A. y Perez-Thoden,
F. (1998). A Comparison of Interior-Point Codes for
Medium-Term Hydro-Thermal Coordination.IEEE
Transactions on Power Systems, Vol. 13, No. 3, pp.
836-843.
[22] Chang, G. W. y Waight, J. G. (1999). A Mixed Integer
Linear Programming based Hydro Unit Commitment.
En IEEE Power Engineering Society Summer Meeting.
Vol. 2, pp. 924928.
[23] Chang, G.W., Aganagic, M., Waight, J.G., Medina, J.,
Burton, T., Reeves, S. y Christoforisdis, M. (2001).
Experiences with Mixed Integer Linear programming
Based Approach on Short-Term Hydro Scheduling.
IEEE Transactions on Power Systems, Vol. 16. No. 4,
pp. 743749.
[24] Simoglou, C.K., Biskas, P.N., y Bakirtzis, A.G. (2009).
A MILP Approach to the Short term Hydrothermal
Self-scheduling Problem En IEEE Power Tech Proc-
cedings 2009, pp 1-8.
[25] Land, A.H. y Doig, A.G. (1960). An Automatic
Method For Solving Discrete Programming Problems.
Econometrica, Vol. 28. No. 3, pp. 497520.
[26] Dakin, R.J. (1965). A Tree Search Algorithm for
Mixed Integer Programming Problems. Computer
Journal, Vol. 8. No. 3, pp. :250255.
[27] Driebeck, N.J. (1966). An Algorithm for the Solution
of Mixed Integer Programming Problems. Manage-
ment Science, Vol. 8. No. 7. pp. 576-587.
[28] Dillon, T.S., Edwin, K.W., Kocks, H.D., y Taud, R.J.
(1978). Integer Programming Approach to the Pro-
blem of Optimal Unit Commitment with Probabilistic
Reserve Determination. IEEE Transactions on Power
Apparatus and Systems, Vol. PAS-97. No. 6, pp. 2154
2166.
[29] Christoforidis, M., Awobamise, B, Frowd, R.. y
Rahimi, F. (1996). Short-Term Hydro Generation and
Interchange Contract Scheduling for Swiss Rail. IEEE
Transactions on Power Systems, Vol. 11. No. 1, pp.
274280.
[30] Salam, S. (2007) Unit Commitment Soluci on Met-
hods. World Academy of Science Engineering and
Technology. Vol. 35. pp.320325.
[31] Habibollahzadeh, H. y Bubenko, J.A. (1986). Appli-
cation of Decomposition Techniques to Short-Term
Operation Planning of hidrothermal Power System.
IEEE Transactions on Power Systems, Vol. PWRS1.
No. 1, pp. 4147.
[32] Alguacil, N. y Conejo, A. (2000). Multiperiod
Optimal Power Flow Using Benders Decomposition.
IEEE Transactions on Power Systems, Vol.15. No. 1,
pp. 1962001.
[33] Sifuentes, W. y Vargas, A. (2007). Hydrothermal
Scheduling Using Benders Decomposition: Accele-
Revista Ingeniera UC
54 A. Marulanda et al. / Revista Ingeniera UC, Vol. 18, No. 2, Agosto 2011, 44-54
rating Techniques. IEEE Transactions on Power
Systems. Vol. 22. No. 3, pp. 13511359.
[34] Brannlund, H., Sjelvgren, D. y Andersson, N. (1986).
Optimal Short Term Operation Planning of a Large
Hydrothermal Power System Based on a Nonlinear
Network Flow Concept. IEEE Transactions on Power
Systems, Vol. PWRS-1. No. 4, pp. 7581.
[35] Luo, G.X., Habibollahzadeh, H. y Semlyen,
S.A.(1989). Short-Term Hydro-Thermal Dispach
Detailed Model and Solutions. IEEE Transactions on
Power Systems. Vol. 4. No. 4, pp. 14521462.
[36] Franco, P., Carvalho, M. y Soares, S. (1994). A Net-
work Flow Model for Short Term Hydro-Dominated
Hydrothermal Scheduling Problems. IEEE Transac-
tions on Power Systems. Vol. 9. No. 2, pp. 10161022.
[37] Lauer, G.S., Sandell, N.R., Bertsekas, D.P. y Posbergh,
T.A. (1982). Solution of Large-Scale Optimal Unit
Commitment Problems. IEEE Transactions on Power
Apparatus and Systems. Vol. PAS101. No. 1, pp.79
86.
[38] Yan, H., Luh, P.B., Guan, X. y Rogan, P.M. (1993).
Scheduling of Hydrothermal Power Systems. IEEE
Transactions on Power Systems. Vol. 8. No. 3, pp.
13581365.
[39] Salam, M.S., Nor, K.M., yHamdan, A.R. (1998).
Hydrothermal Scheduling Based Lagrangian Relaxa-
tion Approach to Hydrothermal Coordination. IEEE
Transactions on Power Systems. Vol. 3. No. 1, pp. 226-
235.
[40] Jim enez, N.y Conejo, A.J. (1999). Short-TermHydro-
Thermal Coordination by Lagrangian Relaxation:
Solution of the Dual Problem. IEEE Transactions on
Power Systems. Vol. 14 No.1 , pp. 89-95.
[41] Wang, C. y Shahidehpour, S.M. (1995), Short-Term
Generation Scheduling with Transmission and Envi-
ronmental Constraints Using an Aumented Lagrangian
Relaxation. IEEE Transactions on Power Systems.
Vol. 10. No. 3, pp. 1294-1301.
[42] Rodrigues, R.N., Da Silva, E.L., Finardi, E.C. y Taki-
gawa F.Y. (2011) Solving the Short-Term Scheduling
Problem of Hydrothermal Systems via Lagrangian
Relaxation and Augmented Lagrangian.Mathematical
Problems in Engineering. vol. 2012, Article ID856178,
pp. 1-18.
[43] Glover, F. (1986). Future Paths for Integer Program-
ming and Links to Articial Intelligence. Computer
and Operations Research, Vol. 13. No. 5, pp. 533549.
[44] Xaiomin, B. y Shahidehpour, S. (1996). Hydro-
Thermal Scheduling by Tabu search and Decomposi-
tion Method. IEEE Transactions on Power Systems.
Vol. 11. No. 2, pp. 968974.
[45] Wong, K., Fan, B., Chang, C. y Liew, A. (1995).
Multi-Objetive Generation Dispatch using Bi-
Criterion Global Optimization. IEEE Transactions on
Power Systems. Vol. 10. No. 4, pp. 18131819.
[46] Wong, K. y Wong, Y. (1994). Short-term Hy-
drothermal Scheduling part. I. Simulated Annealing
Approach. IEEE Procceding Generation, Transactions
and Distribution. Vol. 141. No. 5, pp. 497501.
[47] Holland, J.H. (1975). Adaptation in Natural and
Articial Systems. University of Michigan Press,
Michigan.
[48] Chen, P.H. y Chang, H.C. (1996). Genetic Aided
Scheduling of Hydraulically Coupled Plants in Hydro-
Thermal Coordination. IEEE Transactions on Power
Systems. Vol. 11. No. 2, pp. 975981.
[49] Zoumas, C.E., Bakirtzis, A.G., Theocharis, J.B. y
Petridis, V. (2004). A Genetic Algorithm Solution
Approach to the Hydrothermal Coordination Problem.
IEEE Transactions on Power Systems. Vol. 19. No. 2,
pp. 13561364.
[50] Senthil, V., y Mohan, M.R. (2011). A Genetic
AlgorithmSolution to the Optimal Short-TermHydrot-
hermal Scheduling, International Journal of Electrical
Power & Energy Systems, Vol. 33. No. 4, pp. 827-835.
[51] Kennedy, J. y Eberhart, R.C. (1995). Particle Swarm
Optimization. In Proceedings of IEEE International
Conference on Neural Networks. Vol. IV, pp. 1942
1948.Piscataway, NJ.
[52] Titus, S. y Ebenezer, A. (2007). Hydrothermal
Scheduling Using an Improved Particle Swarm Opti-
mization Technique Considering Prohibited Operating
Zones. International Journal of Soft Computing. Vol.
2. No. 2, pp. 313319.
[53] Samudi, C., Das, G.P., Ojha, P.C., Sreeni, T.S. y
Cherian, S. (2008). Hydro-Thermal Scheduling Using
Particle Swarm Optimization. En IEEE/PES Trans-
mission and Distribution Conference and Exposition,
2008, Vol. 21, pp. 15.
[54] Hota, P.K., Barisal, A.K., y Chakrabarti, R. (2009).
An Improved PSO Technique for Short-term Optimal
Hydrothermal Scheduling, Electric Power Systems
Research, Vol. 79, No. 7. Pp. 1047-1053.
[55] Yu, B., Yuan, Xy Wang, J. (2007). Short-TermHydro-
Thermal Scheduling Using Particle Swarm Optimiza-
tion Method. Energy Conversion and Management.
Vol. 48. No. 7, pp. 19021908.
Revista Ingeniera UC