Libros · 2020
Optimización convexa : aplicaciones en operación y dinámica de sistemas de potencia
La optimización convexa tiene una fundamentación teórica sólida y un rango de aplicación amplio. Por tanto, estudiaremos primero el aspecto teórico antes de adentrarnos en sus aplicaciones. En general, los modelos de optimización convexa incluyen a los problemas de PL y algunos de PNL. Sin embargo, otros tipos de problemas pueden ser solucionados mediante las técnicas de optimización convexa usando aproximaciones adecuadas, esto dependerá del tipo de aplicación. El libro esta orientado a estudiantes de Ingeniería Eléctrica/Electrónica que tengan conocimientos básicos en álgebra lineal y cálculo multivariado. Un primer curso de programación lineal podría ser un complemento adecuado aunque no obligatorio, ya que el libro busca ser autocontenido, partiendo de conceptos tan básicos como el criterio de la derivada hasta terminar en metodologías avanzadas como suma de polinomios cuadráticos y programación semidefinida. Cada capítulo incluye demostraciones y ejemplos de aplicación, y finaliza con ejercicios y lecturas complementarias. Hemos optado por un número limitado tanto de ejercicios como de referencias bibliográficas con el objetivo de no saturar al estudiante con contenido innecesario o ejercicios repetitivos. En los primeros capítulos, dichos ejercicios son básicamente geométricos pero más adelante se presentan ejemplos y ejercicios orientados a los sistemas eléctricos. La estructura del libro busca una fundamentación teórica sólida con aplicaciones prácticas en Ingeniería Eléctrica. Se recomienda al estudiante hacer experimentos numéricos en diferentes lenguajes de modelado con el fin de adquirir intuición de los modelos. Citando al matemático Vladímir Arnold, «la matemática es una ciencia aplicada, simplemente es la ciencia en donde los experimentos son más baratos».
Full text 273 pages with text out of 274
Read the full thesis Record in the repository
Contents
- INTRODUCCIÓNp. 12
- PRIMERA PARTEp. 17
- FUNDAMENTACIÓN TEÓRICAp. 17
- CAPÍTULO UNOp. 18
- PRELIMINARES MATEMÁTICOSp. 19
- 1.1 Modelos de optimización matemáticap. 19
- 1.2 Sobre conjuntos y funcionesp. 21
- 1.3. Formas cuadráticasp. 24
- 1.4 Productos interiores y normasp. 26
- 1.5 Teoría básica de máximos y mínimosp. 30
- 1.6 Multiplicadores de Lagrangep. 31
- 1.7. Lecturas complementariasp. 33
- 1.8. Ejerciciosp. 33
- CAPÍTULO DOSp. 35
- PROGRAMACIÓN LINEALp. 36
- 2.1 Representación de problemas PLp. 36
- 2.2 Geometría de los problemas PLp. 38
- 2.3 Dualidad en problemas PLp. 41
- 2.4 Lecturas complementariasp. 33
- 2.5 Ejerciciosp. 33
- PROBLEMAS DE OPTIMIZACIÓN CONVEXAp. 46
- 3.1 Conjuntos convexosp. 46
- 3.1.1. Politoposp. 49
- 3.1.2. Bolasp. 50
- 3.1.3. Elipsoidesp. 50
- 3.1.4. Mapas no expansivosp. 51
- 3.1.5. Conos convexosp. 53
- 3.1.6. Suma de polinomios cuadráticosp. 53
- 3.2. Funciones convexasp. 54
- 3.3. Optimización convexap. 58
- 3.4. Unicidad de la solución y óptimo globalp. 61
- 3.5. Lecturas complementariasp. 33
- 3.6. Ejerciciosp. 33
- CAPÍTULO CUATROp. 66
- CONDICIONES DE OPTIMALIDADp. 67
- 4.1. Condiciones de primer ordenp. 67
- 4.2 Condiciones de segundo ordenp. 73
- 4.3 Subgradientesp. 74
- 4.4. Solución de modelos en Pythonp. 78
- 4.5. Lecturas complementariasp. 33
- 4.6. Ejerciciosp. 33
- DUALIDADp. 82
- 5.1 Función dualp. 82
- 5.2. Relación entre el primal y el dualp. 87
- 5.3. Condiciones de KKTp. 92
- 5.3.1. Interpretación mecánica de las condiciones KKTp. 93
- 5.4. Análisis de sensibilidadp. 94
- 5.5. Lecturas complementariasp. 33
- 5.6. Ejerciciosp. 33
- SEGUNDA PARTEp. 98
- MODELOS DE OPTIMIZACIÓN CONVEXAp. 98
- CAPÍTULO SEISp. 99
- OPTIMIZACIÓN CÓNICAp. 100
- 6.1. Conos convexosp. 53
- 6.2. Programación semidenidap. 101
- 6.2.1. La traza, el determinante y el complemento de Shurp. 102
- 6.2.2. El cono de las matrices semidenidasp. 104
- 6.2.3. Dualidad en problemas SDPp. 107
- 6.3. Programación cónica de segundo orden SOCp. 108
- 6.3.1. Dualidad en problemas SOCp. 111
- 6.4. Lecturas complementariasp. 33
- 6.5. Ejerciciosp. 33
- CAPÍTULO SIETEp. 115
- MANEJO DE LA INCERTIDUMBREp. 116
- 7.1. Incertidumbre en problemas de optimizaciónp. 116
- 7.2. Optimización por escenariosp. 117
- 7.3. Espacio de incertidumbre como un politopop. 118
- 7.4. Espacio de incertidumbre como una bolap. 119
- 7.5. Conjunto convexo de incertidumbrep. 122
- 7.6. Robustez vs optimalidadp. 124
- 7.7. Restricciones probabilísticasp. 125
- 7.7.1. Incertidumbre en las restriccionesp. 125
- 7.7.2. Incertidumbre en la función objetivop. 126
- 7.8. Lecturas complementariasp. 33
- 7.9. Ejerciciosp. 33
- CAPÍTULO OCHOp. 129
- SUMA DE POLINOMIOS CUADRÁTICOSp. 53
- 8.1. Optimización en el espacio de los polinomosp. 130
- 8.2. Suma de cuadrados (SOS)p. 132
- 8.3. Equivalente semidenidop. 133
- 8.4. Dispersidad en problemas SOSp. 137
- 8.5. Solución de problemas polinomialesp. 141
- 8.7. Ejerciciosp. 33
- CAPÍTULO NUEVEp. 147
- APROXIMACIONES CONVEXASp. 148
- 9.1. Linealización y envolvente convexap. 148
- 9.2. Optimización convexa secuencialp. 149
- 9.4. Problemas binariosp. 152
- 9.5. Optimización polinomial usando linealizaciónp. 154
- 9.5.1. Aproximación SOS a problemas polinomialesp. 156
- 9.6. Jerarquía de Lasserrep. 158
- 9.6.1. El problema de la medida de un conjuntop. 158
- 9.6.2. Optimización sobre un espacio de medidap. 159
- 9.7. Lecturas complementariasp. 33
- 9.8. Ejerciciosp. 33
- TERCERA PARTEp. 165
- POTENCIAp. 165
- CAPÍTULO DIEZp. 166
- OPERACIÓN DE SISTEMAS DE POTENCIAp. 167
- 10.1. Despacho económico y despacho ambientalp. 167
- 10.2. Restricciones de capacidadp. 170
- 10.3. Flujo de carga óptimop. 171
- 10.4. Gestión de la demandap. 171
- 10.5. Plantas de potencia virtualesp. 173
- 10.7. Problemas binarios en sistemas eléctricosp. 176
- 10.9. Ejerciciosp. 33
- CAPÍTULO ONCEp. 181
- APROXIMACIÓN CONVEXA AL FLUJO DE CARGAp. 182
- 11.1. Problemas convexos en variable complejap. 182
- 11.2. Flujo de carga en redes de distribuciónp. 184
- CAPÍTULO DOCEp. 193
- DINÁMICA Y ESTABILIDAD DE SISTEMAS ELÉCTRICOSp. 194
- 12.1. Dinámica en sistemas eléctricosp. 194
- 12.2. Análisis de sistemas dinámicosp. 196
- 12.6. Lecturas complementariasp. 33
- 12.7. Ejerciciosp. 33
- CAPÍTULO TRECEp. 206
- CONTROL PREDICTIVO BASADO EN EL MODELOp. 209
- 13.1. La estrategia de receding horizonp. 207
- 13.4. Análisis de estabilidadp. 213
- CUARTA PARTEp. 216
- ALGORITMOS DE SOLUCIÓNp. 216
- CAPÍTULO CATORCEp. 217
- MÉTODO DEL GRADIENTEp. 218
- 14.1. Conceptos preliminaresp. 218
- 14.3. Método del gradiente con paso óptimop. 226
- CAPÍTULO QUINCEp. 231
- MÉTODO NEWTONp. 232
- 15.1. Método de Newtonp. 232
- CAPÍTULO DIECISÉISp. 244
- MÉTODO DE PUNTOS INTERIORESp. 245
- 16.1. Métodos de puntos interioresp. 245
- CAPÍTULO DIECISIETEp. 254
- MÉTODOS PROXIMALESp. 255
- 17.1. Métodos de proyecciónp. 255
- REFERENCIASp. 267
- ÍNDICE ALFABÉTICOp. 272
- ingenieríap. 13
- lineal entera mixta (PNLE)p. 14
- con un único óptimo globalp. 20
- Figura nro. 1.2. Ejemplo de una región plana en una función univariablep. 21
- Figura nro. 1.3. Comparación entre la normas 1, 2 eØen el planop. 29
- Figura nro. 1.4. Interpretación geométrica del multiplicador de Lagrangep. 33
- A,Bp. 34
- entre los nodos de producción (G) y los nodos de demanda (D)p. 38
- abierto con sus respectivas direcciones extremasp. 39
- forma Ax f bp. 39
- una combinación lineal de sus verticesp. 40
- espacio no convexo Bp. 47
- Figura nro. 3.2. Ejemplo de tres conjuntos denidos por una bola en el planop. 48
- convexosp. 49
- Figura nro. 3.4. Ejemplo de un cono convexo A y un cono no convexo Bp. 53
- optimización convexa sobre un espacio convexop. 61
- Teorema 4.1p. 69
- Figura nro. 4.3. Representación gráca para el análisis del ejemplo 1p. 71
- Figura nro. 4.4. Ejemplo de subgradiente en un punto yp. 75
- Figura nro. 4.8. Hiperplano de soporte del epígrafo de f como subgradiente de fp. 78
- Figura nro. 5.2. Diagrama esquemático del problema primal del ejemplo 5.4p. 87
- Figura nro. 5.3. Relación entre los problemas primales y dualesp. 88
- problema de optimización convexa con una variablep. 89
- de optimización no convexop. 91
- Figura nro. 5.6. Ejemplo de un sistema con una masa sobre un plano inclinadop. 94
- restricciones cuadráticas (QCQP), programación lineal (LP)p. 101
- visto como una transformación lineal de una bola unitariap. 104
- Figura nro. 7.1. Dominancia de Pareto en problemas de optimización robustap. 125
- A y Bp. 139
- SOSp. 140
- Figura nro. 9.1. Envolvente convexa asociada a un conjunto no convexop. 149
- de optimización polinomialp. 155
- restricciones de red con el modelo de transportesp. 170
- de control y resuelve problemas de optimización convexa en tiempo realp. 173
- Figura nro. 10.3. Micro-red en DC con medición centralizadap. 175
- complejop. 184
- innitop. 195
- dinámico autónomop. 197
- Figura nro. 12.3. Politopo de Newton asociado a la derivada de Vp. 201
- Figura nro. 13.1. Esquema básico de la estrategia de receding horizonp. 208
- y 15.4p. 234
- sobre el espacio nulo de Ap. 240
- Tabla nro. 1.1. Cotas en diferentes conjuntosp. 22
- Tabla nro. 10.1. Valores esperados de auencias y demandasp. 178
- ejercicio 1p. 179
- diferentes puntos de operaciónp. 180