Funciones analíticas a partir de un modelo estocástico de las extracciones de una presa hidroeléctrica después de la temporada de lluvias

O.A. De la Cruz-Courtois, D. Guichard, M.L. Arganis Juárez

Resumen

El presente trabajo tiene como objetivo el planteamiento de ecuaciones estocásticas para la resolución de los niveles de embalse de un sistema hidroeléctrico que opera en cascada a través de 2 presas, en los meses posteriores a la época de lluvias, específicamente, los meses de noviembre y diciembre. A partir de los modelos de control markovianos se establecen el espacio de estados, el espacio de acciones, el kernel de transición y las funciones de ganancia y costo, para luego proponer una función objetivo que maximice una ecuación de optimalidad mediante variables continuas. Como resultado se determinan ecuaciones de los beneficios esperados en unidades energéticas de GW-hora, así como un modelo de políticas óptimas basado en estados continuos. En conclusión, se obtiene un conjunto de funciones analíticas que dependen de la época del año y los volúmenes actuales de cada uno de los embalses, para así determinar la mejor política de decisión para obtener el mayor beneficio de energía sin poner en riesgo la seguridad de la población por posibles derrames y minimizando déficits.


Palabras clave

modelo de control Markoviano; espacio de estados continuos; espacio de acciones; energía; sistema hidroeléctrico

Texto completo:

PDF

Referencias

Abolghasemi, R.H. 2008. Optimization of the Kootenay river hydroelectric system with a linear programming model. Master Thesis, University of Canada, Canada.

Ailing, Li. 2004. A study on the large-scale system descomposition-coordination method used in optimal operation of a hydroelectric system. Water International, 29(2), 228-231. https://doi.org/10.1080/02508060408691772

Alegría, A. 2010. Política de operación óptima del sistema de presas del Río Grijalva. Efectos de la curva guía. Tesis de Maestría, Universidad Nacional Autónoma de México, México.

Arganis, M.L., Domínguez, R., Cisneros-Itube, H., Fuentes-Mariles, G. 2008. Syntetic sample generation of monthly inflows into two dams using the modified Svanidze method. Hydrological sciences journal, 53(1), 130-141. https://doi.org/10.1623/hysj.53.1.130

Ahmad, A., El-Shafie, A., Razali, S.F.M., Mohamad, Z.S. 2014. Reservoir optimization water resources: a review. Water Resources Management, 28(11), 135-146. https://doi.org/10.1007/s11269-014-0700-5

Barros, T.L.M, Tsai, F.T.C., Yang, S., Lopes, J.E.G., Yeh, W.W.G. 2003. Optimization of larg-scale hydropower system operations. Journal of Water Resources Planning and Management, 129(3), 178-188. https://doi.org/10.1061/(ASCE)0733-9496(2003)129:3(178)

Bertsekas, D.P. 1995. Dynamic Programming and Optimal Control. Prentice-Hall, Massachusetts, USA.

Butcher, W.S. 1971. Stochastic dynamic programming for optimal reservoir operation. Journal of the American Water Resources Association, 71(11), 143-158. https://doi.org/10.1111/j.1752-1688.1971.tb01683.x

Crichigno, J., Talavera, F. 2012. Enrutamiento multicast utilizando optimización multiobjetivo. Ingeniería y Ciencia, 4(7), 87-111.

De la Cruz-Courtois, O., Guichard, R., Arganis, M. 2018. Políticas de operación óptima de presas para generación hidroeléctrica con modelos markovianos y variable continua. Pakbal, 44(3), 12-25.

Domínguez, R., Arganis, M. 2001. Revisión de las políticas de operación de las presas Angostura y Malpaso en el río Grijalva. Informe de la Comisión Federal de Electricidad, CDMX, México.

Domínguez, R., Arganis, M., Carrizosa, E. 2006. Determinación de avenidas de diseño y ajuste de los parámetros del modelo de optimización de las políticas de operación del sistema de presas del Río Grijalva. Informe de Comisión Federal de Electricidad, Universidad Nacional Autónoma de México, México.

Eschenbach, E.A., Magee, T., Zagona, E., Goranflo, M., Shane, R. 2001. Goal programming Decision Support System for Multiobjective Operation of Reservoir Systems. Journal of Water Resources Planning and Management, 127(2), 108-120. https://doi.org/10.1061/(ASCE)0733-9496(2001)127:2(108)

García, V., 1992. Aprovechamientos hidroeléctricos y de bombeo. Trillas. CDMX, México.

Hernández-Lerma, O., Laserre, J. 1991. Discrete-Time Markov Control processes. Basic optimality criteria, Springer, New York, USA.

Labadie, J.W. 2004. Optimal Operation on Multireservoir Systems: State-of-the-art Review. Journal of Water Resources Planning and Management, 130(2), 93-111. https://doi.org/10.1061/(ASCE)0733-9496(2004)130:2(93)

Labadie, J.W., Lee, J.H. 2007. Stochastic optimization of multireservoir systems via reinforcement learning. Water Resources Research, 43 W11408. https://doi.org/10.1029/2006WR005627

Mendoza-Pérez, A., Jasso-Fuentes, H., De la Cruz-Courtois, O. 2016. Constrained Markov decision processes in Borel spaces: from discounted to average optimality. Springer Berlin Heidelberg, 84(3), 489-525. https://doi.org/10.1007/s00186-016-0551-3

Quitana F, F. 1981. Aplicaciones de la Programación Dinámica a la Operación de Presas. Tesis. Universidad de Sonora, Sonora, México.

Rani, D., Moreira, M.M. 2010. Simulation-Optimization Modeling: A Survey and Potential Application in Reservoir Systems Operation. Water Resources Management, 24, 1107-1138. https://doi.org/10.1007/s11269-009-9488-0

Rincón, L. 2012. Introducción a los procesos estocásticos. Universidad Nacional Autónoma de México, México.

Sánchez, C.E., Andreu A.J. 2002. Expansión óptima de sistemas de recursos hídricos superficiales: Aplicación a un sistema real en España. In 11 Congreso Intern. de Métodos Numéricos en Ingeniería y Ciencias Aplicadas (Vol 1).

Sánchez, C.E., Wagner, G.A., 2003. Determinación de reglas de operación óptima para dos embalses, utilizando un algoritmo genético. Universidad Autónoma de Coahuila, México.

Sánchez, C.E., Wagner, G.A., 2004. Modelo numérico para la operación óptima de un hidrosistema de aguas superficiales. Instituto Mexicano de Tecnología del Agua, 15(2), 23-38.

Kumar, V., Yadav, S.M. 2018. Optimization of reservoir operation with a new approach in evolutionary computation using TLBO and Jaya Algorithm. Water Resources Management, 32, 4375-4391. https://doi.org/10.1007/s11269-018-2067-5

Yakowitz, S.J. 1982. Dynamic Programming Applications in Water Resources. Water Resources Research, 18(4), 673-696. https://doi.org/10.1029/WR018i004p00673

Wurbs, R.A. 1993. Reservoir-System Simulation and Optimization Models. Journal of Water Resources Planning and Management, 116(1), 52.70. https://doi.org/10.1061/(ASCE)0733-9496(1993)119:4(455)

Abstract Views

446
Metrics Loading ...

Metrics powered by PLOS ALM




Esta revista se publica bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.

Universitat Politècnica de València

Fundación para el Fomento de la Ingeniería del Agua

e-ISSN: 1886-4996  ISSN: 1134-2196

https://doi.org/10.4995/ia