Optimización heurística en el diseño de parques eólicos

Heuristic Optimization in the Eolic Park Design

##plugins.themes.bootstrap3.article.main##

Julían Cantor
Sergio Rivera
Resumen
La optimización del costo de la energía por medio de la ubicación de turbinas en el diseño de parques eólicos es un problema que en las últimas dos décadas ha tomado importancia y que para resolverlo se han aplicado metaheurísticas de alto nivel. En el presente artículo, se detalla un modelo de parque eólico y se destaca la importancia del diseño óptimo de parques eólicos proponiendo la mejor ubicación de las turbinas en un layout. El layout hace referencia a la discretización del terreno de búsqueda en una cuadricula por medio de un arreglo de coordenadas cartesianas para su posterior codificación en una cadena binaria: un uno representa una turbina a instalar en la posición indicada y un cero indica lo contrario. De esta manera, en este artículo se muestran las diferentes metaheurísticas aplicadas para resolver este problema y como estas han tenido mejores resultados que técnicas empíricas utilizadas tradicionalmente. Por otro lado, se introduce una metaheurística de alto nivel basada en la caza de la larva de la hormiga león (Ant Lion Optimizer) y se muestra una técnica derivada de este trabajo que utiliza variables binarias (Binary Ant Lion Optimizer). Por último, se introduce un problema de diseño de parque eólico. Este problema utiliza un evaluador del costo de la energía que cuenta con modelos de la distribución del viento, del efecto estela y de la función de costos. Este problema se estudió para determinar el menor costo por medio de heurísticas de bajo nivel y por medio de metaheurísticas; se encontró que el mejor resultado se daba al utilizar el algoritmo de variables binarias con heurísticas de bajo nivel.
Palabras clave

Descargas

Los datos de descargas todavía no están disponibles.

##plugins.themes.bootstrap3.article.details##

Biografía del autor/a / Ver

Julían Cantor, Universidad Nacional de Colombia,

Ingeniero Electricista, Bogotá, Colombia,

Sergio Rivera, niversidad Nacional de Colombia

Doctor en Ingeniería, Instituto de Energía Eléctrica, Universidad Nacional de San Juan; Postdoctorado Asociado, Massachusetts Institute of Technology, Cambridge, USA; Profesor, U, Bogotá, Colombia,
Referencias

Bilbao, M., Alba, E. 2009. Ga and pso applied to wind energy optimization. Master’s thesis, Universidad Nacional de la Patagonia Austral, Universidad de Málaga.

Blum, C., 2005. Ant colony optimization: Introduction and recent trends. Physics of Life Reviews, 2(4):353–373. https://doi.org/10.1016/j.plrev.2005.10.001

Cantor, J., 2016. Optimización en el diseño de parques eólicos aplicando técnicas heurísticas y metaheurísticas. Dirigida por Sergio Rivera, tesis pregrado, Universidad Nacional de Colombia.

Coss, R., 1981. Análisis y evaluación de proyectos de inversión. Editorial Limusa, Lima.

Eroglu, Y., Ulusam, S., 2012. Design of wind farm layout using ant colony algorithm. Renewable Energies, 44:53–62. https://doi.org/10.1016/j.renene.2011.12.013

Gallego, R., Toro, E., Escobar, A., 2015. Técnicas Heurísticas y Metaheurísticas. Editorial UTP, Pereira, Colombia.

Gradya, S., Hussainia, Y., Abdullahb, M., 2004. Placement of wind turbines using genetic algorithms. Renewable Energies, 30(2):259–270. https://doi.org/10.1016/j.renene.2004.05.007

IRENA., 2016. International renewable energy agency: Wind power technology brief.

Kennedy, J., Eberhart, R., 2009. Particle swarm optimization. Master’s thesis, Universidad Nacional de la Patagonia Austral, Universidad de Málaga.

Kusiak, A., Song, Z., 2010. Design of wind farm layout for maximum wind energy capture. Renewable Energies, 35(3):685–694.https://doi.org/10.1016/j.renene.2009.08.019

Mirjalili, S., 2015. The ant lion optimizer. Advances in Engineering Software, 83:80–98. https://doi.org/10.1016/j.advengsoft.2015.01.010

Mirjalili, S., Mirjalili, S. M., Yang, X. S., 2014. Binary bat algorithm. Neural Computing and Applications, 25(3):663–681. https://doi.org/10.1016/j.advengsoft.2015.01.010

Mosetti, G., Poloni, C., Diviacco, B., 1994. Optimization of wind turbine positioning in large windfarms by means of a genetic algorithm. Wind Engineering and Industrial Aerodynamics, 51(1):105–116. https://doi.org/10.1016/0167-6105(94)90080-9

Rivera, S., Gutiérrez, J., 2017. Benchmark functions optimization using binary biogeography-based optimization with aleatory-mixed migration (bbbo-amm) and binary ant-lion optimizer (balo). under review.

Saavedra-Moreno, B., Salcedo-Sanz, S., Paniagua-Tineo, A., Prieto, L., Portilla-Figueras, A., 2011. Seeding evolutionary algorithms with heuristics for optimal wind turbines positioning in wind farms. Renewable Energies, 36(11):2838–2844.https://doi.org/10.1016/j.renene.2011.04.018

Samorani, M., 2013. Handbook of Wind Power Systems. The Wind Farm Layout Optimization Problem. Springer Verlag Berlin Heidelberg, New Delhi, India.

WFLO., 2015. Wind farm layout optimization competition. Consultado en 2015.

https://www.irit.fr/windcompetition/2015/#home

Sistema OJS - Metabiblioteca |