Entre las consecuencias del cambio climático se encuentran el aumento de la temperatura y cambios en los patrones de caída de lluvia que traen períodos de sequía más largos. Esto crea limitaciones en la administración de los embalses de las plantas hidroeléctricas, restringiendo en algunos casos la cantidad de energía eléctrica generada. El objetivo de esta investigación consiste en resolver el problema de optimización multiobjetivo que busca minimizar la producción de energía eléctrica de plantas hidroeléctricas con bajo caudal de entrada y, a la vez, minimizar el racionamiento eléctrico debido a esa baja producción. Al ser objetivos contrapuestos entre sí, se hizo necesario aplicar las metodologías de resolución de problemas de optimización multiobjetivo entre las que se encuentran los algoritmos genéticos. El modelo matemático se construyó considerando las condiciones operativas de los embalses de las plantas hidroeléctricas bajo estudio, tomando en cuenta sus cotas de operación mínima, las cuales son incluidas en las restricciones del modelo. Se utilizó el algoritmo genético de clasificación no dominado II para obtener el frente de Pareto, el cual resultó compuesto por un total de 78 soluciones no dominadas, las que fueron útiles para administrar los embalses considerados, a la hora de máxima demanda. En definitiva, se recomienda utilizar otros algoritmos de optimización multiobjetivo para efectos de comparación, seleccionando los indicadores idóneos para evaluar el desempeño de cada algoritmo empleado, además de incorporar restricciones de costos monetarios y ambientales al modelo.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Referencias
Agencia Internacional de Energía. (2021). Climate Impacts on Latin American Hydropower. France: IEA.
Ahmad, M., Beddu, S., Itam, Z., & Ismail Alanimi, F. (2019). State of the Art Compendium of Macro and Micro Energies. Advances in Science and Technology Research Journal, 88-109. https://doi.org/10.12913/22998624/103425.
Al Shidhani, T., Ioannou, A., & Falcone, G. (2020). Multi-Objective Optimisation for Power System Planning Integrating Sustainability Indicators. MDPI Energies, doi:10.3390/en13092199.
Coello Coello, C., Lamont, G., & Van Veldhuizen, D. (2007). Evolutionary Algorithms for Solving Multi-Objective Problems. New York, USA: Springer.
Emmerich, M., & Deutz, A. (2018). A tutorial on multiobjective optimization: fundamentals and evolutionary methods. Natural Computing, 585-609. https://doi.org/10.1007/s11047-018-9685-y.
Gujarati, D., & Porter, D. (2010). Econometría. México, D. F.: McGraw-Hill/Interamericana Editores, S.A. DE C.V.
Hojjati, A., Monadi, M., Faridhosseini, A., & Mohammadi, M. (2018). Application and comparison of NSGA-II and MOPSO in multi-objective optimization of water resources systems. Journal of Hydrology and Hydromechanics, 323-329. DOI: 10.2478/johh-2018-0006.
Huang, G., Tan, M., Meng, Z., Yan, J., Chen, J., & Qu, Q. (2023). Hydropower Scheduling with Power Load Prediction: Optimizing Energy Efficiency and Navigation Performance. Research Square, DOI: https://doi.org/10.21203/rs.3.rs-2959078/v1.
Hussain, A., & Kim, H.-M. (2021). Evaluation of Multi-Objective Optimization Techniques for Resilience Enhancement of Electric Vehicles. MDPI Electronics, https://doi.org/10.3390/electronics10233030.
Jena, C., Guerrero, J., Abusorrah, A., & Al-Turk, Y. (2022). Multi-Objective Generation Scheduling of Hydro-Thermal System Incorporating Energy Storage With Demand Side Management Considering Renewable Energy Uncertainties. IEEE Access, 52343-52357. Digital Object Identifier 10.1109/ACCESS.2022.3172500.
Karami, F., & Dariane, A. (2022). A review and evaluation of multi and many-objective optimization: Methods and algorithms. Global Journey of Ecology, 104-119. DOI: https://dx.doi.org/10.17352/gje.000070.
Li, F.-F., & Qiu, J. (2015). Multi-Objective Reservoir Optimization Balancing Energy Generation and Firm Power. Energies, 6963-6976. doi:10.3390/en8076962.
López, M. (11 de Febrero de 2024). ¿Qué pasa con los fenómenos de El Niño y La Niña y cómo esto afecta a Venezuela? Efecto Cocuyo, págs. Recuperado de: https://efectococuyo.com/cambio-climatico/que-pasa-con-los-fenomenos-de-el-nino-y-la-nina-venezuela/.
Marcelino, C., Leite, G., Delgado, C., de Oliveira, L., Wanner, E., Jiménez-Fernández, S., & Salcedo-Sanz, S. (2021). An efficient multi-objective evolutionary approach for solving the operation of multi-reservoir system scheduling in hydro-power plants. Expert Systems With Applications, https://doi.org/10.1016/j.eswa.2021.115638.
National Oceanic and Atmospheric Administration. (8 de Febrero de 2024). EL NIÑO/SOUTHERN OSCILLATION (ENSO) DIAGNOSTIC DISCUSSION. Climate Prediction Center, pág. Recuperado de: https://www.cpc.ncep.noaa.gov/products/analysis_monitoring/enso_advisory/ensodisc.shtml.
Okoye, G., Kassem, Y., & Gökçekuş, H. (2023). Assessing the impacts of climate change on hydropower generation and the power sector in Nigeria. China Petroleum Processing and Petrochemical Technology, 1-15.
REN21. (2023). Global Status Report - Renewables 2023. París: REN21 Secretariat.
Sun, X., Luo, J., & Xie, J. (2018). Multi-Objective Optimization for Reservoir Operation Considering Water Diversion and Power Generation Objectives. MDPI Water, doi:10.3390/w10111540.
Wei, N., Yang, F., Lu, K., Xi, J., & Zhang, S. (2022). A Method of Multi-Objective Optimization and Multi-Attribute Decision-Making for Huangjinxia Reservoir. MDPI Applied Sciences, https://doi.org/10.3390/app12136300.
Yeung, D., & Zhang, Y. (2023). Bi-Objective Optimization: A Pareto Method with Analytical Solutions. Applied Mathematics, 57-81. https://doi.org/10.4236/am.2023.141004.
Zhou, E., Liu, X., Meng, Z., Yu, S., Mei, J., & Qu, Q. (2023). Optimizing Hydropower Station Scheduling: A Multi-Objective Real-Time Approach. Scientific Reports, DOI: https://doi.org/10.21203/rs.3.rs-3009681/v1.
Zitzler, E., Laumanns, M., & Bleuler, S. (2004). A Tutorial on Evolutionary Multiobjective Optimization. En X. Gandibleux , M. Sevaux, K. Sörensen, & V. T’kindt, Metaheuristics for Multiobjective Optimisation (págs. 3-37). Berlin: Springer. https://doi.org/10.1007/978-3-642-17144-4_1.