(Optimization Methods Application to OPF in Electric Power Systems)

Translate and Editor By : Suparman

Membahas tentang :

A. Formulasi OPF B. Tujuan OPF C. Kendala OPF D. Metode Stochastic: GA, DE, CO, AC, PSO E. Keuntungan F. Aplikasi G. kesimpulan

A. Formulasi OPF 1. Secara umum masalah OPF dapat dirumuskan sebagai berikut:

Dimana :

u adalah himpunan variabel dikontrol dalam sistem;

x adalah variabel keadaan;

f (u, v) adalah fungsi skalar;

g (u, v) adalah vektor ketimpangan batas-batas fisik dan operasional dari sistem.

2. Permasalahan OPF Secara umum:

Masalah linear di mana tujuan dan kendala diberikan dalam bentuk linier dengan variabel

kontrol terus menerus.

Masalah nonlinier di mana baik tujuan atau kendala atau gabungan keduanya yang linear

dengan variabel kontrol terus menerus.

Masalah linier dan linier campuran bilangan bulat ketika variabel kontrol keduanya diskrit

dan kontinu.

Tergantung pada kendala yang berbeda model optimasi dapat diklasifikasikan:

0,

0,Subject to

,Minimise

xuh

xug

xuf

Model OPF

keamanan dibatasi OPF (SCOPF) Model

SCOPF dengan batasan stabilitas tegangan (SCOPF-VS)

OPF in Electric Power Systems

B. Tujuan Optimasition Power Flow

1. Tujuan OPF Secara umum:

Minimalkan Volt-ampere daya reaktif (Var) biaya:

C1 ∙ Qc atau (C0 + C1 ∙ Qc) ∙ x

Berikut C0 adalah biaya tetap ($ / jam), C1 adalah variabel biaya $ / (Mvar jam),

Qc yang baru diinstal sumber Var

Meminimalkan biaya Var dan kerugian daya nyata:

C1 (Qc) + C2 (Ploss) atau (C0 + C1 ∙ Qc) ∙ x + C2 (Ploss).

Berikut C2 (Ploss) mengungkapkan biaya kerugian daya nyata

Meminimalkan biaya Var dan biaya bahan bakar pembangkit:

jumlah biaya unit pembangkit individu

Berikut adalah generator umum kurva biaya-versus-MW sekitar dimodelkan sebagai

fungsi kuadrat, dan a0i, a1i, a2i adalah koefisien biaya

2. Objektif OPF Secara umum:

Minimalkan penyimpangan dari titik tertentu

biasanya didefinisikan sebagai jumlah tertimbang deviasi dari variabel

kontrol, seperti tegangan bus, dari nilai target mereka diberikan.

2

210 giigiiigii PaPaaPf

n

i

giiT PfC1

Tujuan terkait stabilitas tegangan

tujuan dapat meningkatkan tegangan stabilitas marjin statis (SM)

dinyatakan sebagai berikut:

di sini dan sedang beban MVA bus beban pada keadaan operasi normal dan tegangan

runtuhnya keadaan kritis

Multi-Tujuan (MO)

C. Kendala Konvensional OPF Secara umum: Kendala aliran daya

(keseimbangan daya aktif)

(keseimbangan daya reaktif)

Batas variabel kontrol

(batas pembangkit listrik aktif)

(PV batas tegangan bus)

(transformator batas perubahan tap)

(Var batas ukuran sumber)

Batas variabel negara

(batas pembangkit daya reaktif)

(PQ batas tegangan bus)

(batas aliran garis)

Kendala kesetaraan terdiri dari persamaan dinamis sistem.

kendala ketimpangan Kendala Rotor angle

i

critical

i

i

normal

i

i

critical

i

S

SS

SM

critical

iSnormal

iS

0, VPPP ligi

0, VQQQQ licigi

maxmin

gigigi PPP maxmin

gigigi VVV

maxmin

lll TTT

maxmin

cicici QQQ

maxmin

gigigi QQQ

maxmin

iii VVV

max

ll LFLF

01

i

sep

ing

i

i

COI ttPtd ngi ,...,1 Ttt m

cl ,

Batasi pada tegangan transien untuk setiap bus

Batasi pada osilasi daya untuk setiap saluran transmisi

D. Metode Optimisation Pawer Flow Secara umum:

Metode Tradisional:

Metode Stochastic: GA, DE, CO, AC, PSO

Metode iterasi Lambda

Metode Gradient

Metode Newton

Metode pemrograman linear

Metode titik interior

Metode Stochastik:

Algoritma genetika (GA)

Differential evolusi (DE)

Optimasi algoritma Chaos (COA)

Koloni semut (AC)

Particle Swarm optimasi (PSO)

metode lain

warna merah adalah metode yang dibahas dalam ringkasan

Pembahasan Metode

Algoritma genetika (GA)

Tahapan Metode

GA mulai dengan generasi dari sebuah populasi awal atau himpunan solusi acak

untuk masalah yang dihadapi.

Setiap solusi individu dalam populasi disebut kromosom atau tali merupakan solusi

yang layak.

nbjVVV j

m

jj ,...,1maxmin Ttt m

cl ,

nllSS l

m

l ,...,1max Ttt m

cl ,

Fungsi tujuan ini kemudian dievaluasi untuk individu-individu.

Jika string terbaik (atau string) memenuhi kriteria, proses berakhir, dengan asumsi

bahwa ini string yang terbaik adalah solusi dari masalah. Jika kriteria tersebut tidak

terpenuhi, penciptaan dimulai generasi baru, pasangan, atau individu yang dipilih

secara acak dan mengalami crossover dan mutasi operasi.

Individu-individu yang dihasilkan dipilih sesuai dengan kebugaran mereka untuk

produksi keturunan baru.

Keuntungan:

pencarian dari populasi poin, tidak satu titik. GA dapat menemukan titik optimal

secara global, karena perhitungan untuk setiap individu dalam populasi adalah

independen dari orang lain. GA memiliki kemampuan melekat komputasi paralel.

menggunakan kebugaran atau tujuan fungsi informasi secara langsung untuk arah

penelusuran, bukan turunan atau pengetahuan tambahan lainnya. GA sehingga

dapat menangani non-halus, fungsi non-kontinyu dan non-terdiferensialkan yang

merupakan masalah optimasi kehidupan nyata.

menggunakan aturan transisi probabilistik untuk memilih generasi. Mereka dapat

mencari area rumit dan tidak pasti untuk menemukan optimum global. GA lebih

fleksibel dan kuat daripada metode konvensional.

Differential evolusi (DE)

Tahapan Metode

Evolusi Diferensial adalah metode optimasi pencarian langsung stokastik.

Sebuah tugas optimasi terdiri dari D parameter dapat diwakili oleh nilai vektor real

D dimensi.

Seperti keluarga EA, DE juga tergantung pada generasi populasi acak awal, yang

kemudian ditingkatkan menggunakan seleksi, mutasi, dan crossover yang diulang

melalui generasi sampai kriteria konvergensi terpenuhi.

Elemen kunci membedakan Difrential Evolusi dari teknik berbasis populasi lain

adalah mekanisme mutasi diferensial. DE menambahkan perbedaan tertimbang

antara dua vektor populasi vektor ketiga.

Keuntungan:

Struktur sederhana, kemudahan penggunaan dan ketahanan.

Beroperasi pada format yang floating point dengan presisi tinggi.

Efektif untuk integer, diskrit dan dicampur optimasi parameter.

Penanganan fungsi tujuan tergantung non-terdiferensialkan, berisik dan / atau

waktu.

Efektif untuk masalah optimasi kendala nonlinier dengan fungsi penalti, dll

Optimasi algoritma Chaos (COA)

Tahapan Metode

Chaos matematis didefinisikan sebagai "ramdomness" yang dihasilkan oleh sistem

deterministik sederhana. Karena sistem yang deterministik, kekacauan menyiratkan

beberapa order ..

Meskipun tampaknya stokastik, berisi struktur yang sempurna.

Suatu sistem dapat membuat transformasi dari sistem periodik reguler ke sistem

yang kacau hanya dengan mengubah salah satu parameter pengendali.

Sebuah gerakan kacau bisa melalui setiap negara bagian di daerah tertentu sesuai

dengan keteraturan sendiri, dan setiap negara diperoleh hanya sekali.

Keuntungan:

The ergodicity, keteraturan dan harta stokastik hakiki, kekacauan membuat

optimasi kacau untuk mendapatkan solusi optimal secara global.

Chaos Optimation Algorithm dapat lebih mudah melepaskan diri dari minima lokal

daripada yang dapat algoritma optimasi stokastik lainnya.

Koloni semut (AC)

Tahapan Metode

Koloni semut buatan memiliki beberapa memori, untuk menemukan jalan

terpendek melalui penyampaian informasi dan bekerja sama satu sama lain di

antara individu.

Jalur optimal diikuti oleh semut ditentukan oleh gerakan mereka dalam domain

waktu diskrit.

Keputusan semut bergerak dari keadaan sekarang ke keadaan berikutnya

didasarkan pada dua ukuran: panjang jalan yang menghubungkan untuk yang

berikutnya, dan ukuran keinginan (tingkat feromon).

Setiap agen menghasilkan jalan selesai dengan memilih negara berikutnya pindah ke

sesuai dengan aturan keadaan transisi probabilistik. Aturan ini mencerminkan

preferensi agen untuk pindah jalur pendek yang menghubungkan keadaan saat ini

ke negara berikutnya.

Keuntungan:

memiliki keuntungan lebih GA mendekati saat grafik mungkin berubah secara

dinamis, karena algoritma koloni semut dapat dijalankan terus menerus dan

beradaptasi dengan perubahan secara real time.

Particle Swarm optimasi (PSO)

Tahapan Metode

Dalam PSO, setiap solusi potensial diberikan kecepatan acak, dan solusi potensial,

yang disebut partikel, terbang melalui ruang masalah dengan mengikuti partikel

terbaik saat ini.

Tidak seperti lainnya EA, PSO mampu berkembang menuju optimum global dengan

kecepatan acak dengan mekanisme memori dan memiliki kinerja pencarian global

yang lebih baik dengan konvergensi lebih cepat.

Semua partikel menggunakan informasi yang berkaitan dengan partikel yang paling

sukses dalam rangka untuk memperbaiki diri, sedangkan di GA, solusi buruk dibuang

dan hanya yang baik disimpan

keuntungan:

menarik dari sudut pandang implementasi dan ada parameter lebih sedikit untuk

menyesuaikan.

setiap partikel mengingat nilai sebelumnya terbaik bagi dirinya sendiri serta

lingkungan terbaik, sehingga ia memiliki kemampuan memori yang lebih efektif

daripada GA.

lebih efisien dalam mempertahankan keragaman kawanan.

memiliki sebanding atau bahkan lebih unggul kinerja pencarian untuk beberapa

masalah optimasi keras dengan tingkat konvergensi yang lebih cepat dan stabil.

tidak sensitif terhadap titik awal dan bentuk fungsi tujuan

E. Aplikasi DE teknik untuk memecahkan kekuatan / tegangan masalah kontrol reaktif di Nigeria kotak (MINLP). Pendekatan berbasis PSO untuk masalah optimasi daya reaktif di Heilongjiang sistem tenaga (masalah optimasi campuran diskrit kontinu nonlinier). Metode yang didasarkan pada PSO untuk daya reaktif dan kontrol tegangan (VVC) dirumuskan sebagai MINLP mempertimbangkan tegangan penilaian stabilitas Kansai Electric System.

F. Kesimpulan

Masalah OPF dapat diselesaikan dengan algoritma optimasi klasik seperti LP, NLP, atau

MINLP.

Karena non-linear dari sistem tenaga, LP kehilangan akurasi karena asumsi linier.

Pertimbangan algoritma nonlinier dan variabel integer akan membuat waktu berjalan lebih

lama dan algoritma mungkin kurang kuat.

Baru algoritma berdasarkan pencarian heuristik dan cerdas seperti EA, PSO dan ACO dapat

menangani variabel integer sangat baik, tetapi membutuhkan lebih investigasi mengenai

kinerja pada sistem yang berbeda.

Hasil penelitian menunjukkan bahwa metode yang diusulkan dapat berhasil diterapkan pada sistem tenaga praktis, tetapi potensi metaheuristik untuk memberikan solusi yang memuaskan untuk sistem tenaga listrik skala besar belum dibuktikan.