Application of Equilibrium Optimizer Algorithm For Optimal Power Flow With High Penetration of Renewable Energy - En.es

energías
Artículo
Aplicación del algoritmo EquilibriumOptimizer para un flujo de

energía óptimo con alta penetración de energía renovable
Khaled Nusair 1, * y Lina Alhmoud 2
1
Departamento de Protección y Medición, Compañía Nacional de Energía Eléctrica, Amman 11181, Departamento de Ingeniería Eléctrica de
2
Jordania, Facultad de Tecnología de Ingeniería de Hijjawi, Universidad de Yarmouk, Irbid 21163, Jordania; lina.hmoud@yu.edu.jo
* Correspondencia: khalednusair2016@yahoo.com
Recibido: 18 de octubre de 2020; Aprobado: 15 de noviembre de 2020; Publicado: 19 de noviembre de 2020
Resumen: En las últimas décadas, el mercado de la energía en todo el mundo se ha remodelado para adaptarse a la alta penetración de los
recursos energéticos renovables. Aunque las fuentes de energía renovable han traído varios beneficios, incluido el bajo costo de operación de
las plantas de energía eólica y solar fotovoltaica, y la reducción de los riesgos ambientales asociados con los recursos de energía
convencionales, han impuesto una amplia gama de dificultades en la planificación y operación del sistema eléctrico. Naturalmente, el fl ujo de
potencia óptimo (OPF) clásico es un problema no lineal. La integración de recursos de energía renovable con generadores de energía térmica
convencionales aumenta la dificultad del problema de OPF debido a la naturaleza incierta e intermitente de estos recursos. Para abordar la
complejidad asociada con el proceso de integración de recursos energéticos renovables en los sistemas de energía eléctrica clásicos, Se
utilizan dos funciones de distribución de probabilidad (Weibull y lognormal) para pronosticar la producción de energía voltaica de la energía
eólica y solar fotovoltaica, respectivamente. El fl ujo de energía óptimo, incluida la energía renovable, se formula como un problema de un solo
objetivo y de múltiples objetivos en el que se consideran muchas funciones objetivas, como minimizar el costo del combustible, las emisiones, la
pérdida de energía real y la desviación de voltaje. La generación de energía real, el voltaje de bus, las relaciones de los cambiadores de tomas
de carga y los valores de los compensadores de derivación se optimizan bajo las restricciones de varios sistemas de energía. Este documento
tiene como objetivo resolver el problema de OPF y examina el efecto de los recursos de energía renovable en las funciones objetivo
mencionadas anteriormente. Un modelo combinado de sistema eólico integrado IEEE 30-bus, sistema solar fotovoltaico integrado IEEE 30-bus,
y el sistema híbrido eólico y solar fotovoltaico integrado IEEE 30-bus se realiza utilizando la técnica del optimizador de equilibrio (EO) y otros
cinco métodos de búsqueda heurística. Una comparación de los resultados estadísticos y de simulación de EO con otras técnicas de
optimización mostró que EO es más eficaz y superior y proporciona el valor de optimización más bajo en términos de generación de energía
eléctrica, pérdida de potencia real, índice de emisión y desviación de voltaje.
Palabras clave: pérdida de potencia activa; costo de generación; índice de emisión; fl ujo de potencia óptimo; algoritmo del optimizador de equilibrio;
sistema solar fotovoltaico y eólico; sistema de energía híbrido
1. Introducción
1.1. Antecedentes
La urgente necesidad de reducir el costo de combustible de las unidades de generación de energía convencionales y minimizar los gases de
efecto invernadero emitidos por los generadores de energía térmica ha llevado a varias empresas de energía eléctrica a apostar por la utilización de
recursos energéticos renovables. Además, las tecnologías avanzadas de recursos energéticos renovables han contribuido de manera significativa a
que se conviertan en los más
Energias 2020, 13, 6066; doi: 10.3390 / en13226066 www.mdpi.com/journal/energies

Energias 2020, 13, 6066 2 de 35
recursos económicos y ecológicos. La integración de energía eólica y solar fotovoltaica en ubicaciones adecuadas y ajustes apropiados de
las variables de las redes eléctricas convencionales puede tener un impacto significativo en el desempeño del control y operación del
sistema eléctrico.
Para hacer que el modelado de energía eólica y solar fotovoltaica sea más preciso y realista, se utilizó la función de distribución de probabilidad de
Weibull para pronosticar la velocidad del viento [ 1 , 2 ], mientras que la función de distribución de probabilidad logarítmica normal se utilizó para imitar la
naturaleza intermitente de la irradiancia solar en [ 3 , 4 ].
1.2. Revisión de literatura
Numerosas publicaciones en la literatura estudiaron el problema del fl ujo de energía óptimo (OPF) para sistemas que consisten en
plantas de generación de energía convencional y energía renovable. Los métodos de optimización deterministas, estocásticos o híbridos se
utilizan ampliamente para abordar los problemas asociados con una mayor penetración de energía renovable no despachable, controles
avanzados como dispositivos FACTS y mercados de electricidad desregulados.
Se utilizan varias técnicas de optimización convencionales para resolver el problema de OPF. Por ejemplo, se propuso la
programación no lineal continua (PNL) [ 5 ]. La principal ventaja de NLP es que se aplica fácilmente para resolver sistemas de energía a
gran escala, pero no considera todos los componentes del sistema. Un formato cuadrático cónico extendido [ 6 ] se presenta para resolver el
despacho económico y disminuir la pérdida real de energía. Además, se propone el algoritmo de punto interior predictor-corrector (PCIP)
para adaptar el OPF a la resolución de problemas de programación no lineal [ 7 ]. La programación cuadrática (QP) se utiliza para derivar
una fórmula de pérdida basada en el fl ujo de potencia incremental. Las principales ventajas de QP son que no requiere el cálculo de los
pasos de gradiente, es más preciso que la programación lineal y no lineal, y QB también es aplicable en problemas de malas condiciones [ 8
]. La programación cuadrática secuencial (SQP) se utiliza para abordar OPF a gran escala; también depende de transformar el problema
original en una secuencia de un subproblema restringido linealmente aplicando un Lagrangiano aumentado [ 9 ]. La programación lineal
entera mixta (MILP) está adaptada para minimizar las pérdidas de transmisión y las salidas reactivas del generador. MILP puede
proporcionar la forma más precisa de representar el sistema de energía con un parámetro de control discreto. Sin embargo, el principal
inconveniente de MILP es la presencia de una fuerte compensación entre la precisión del sistema y la manejabilidad del problema [ 10 ].
Aunque estos métodos tienen excelentes características de convergencia, tienen varios inconvenientes, incluido el no encontrar la solución
global debido a la falta de convexidad y enfrentar dificultades al manejar los problemas con funciones objetivas discontinuas y no
diferenciables.
Recientemente, los algoritmos de optimización metaheurística han recibido mucha atención debido a la flexibilidad, la ausencia de
derivación y la evitación de óptimos locales. Por lo tanto, los métodos de optimización de uno o varios objetivos superan las deficiencias
atribuidas a las técnicas clásicas. Se examina un algoritmo de búsqueda gravitacional (GSA) para encontrar la solución óptima para sistemas
OPF e IEEE de 30 y 57 buses. Uno de los méritos más importantes de GSA es la constante gravitacional que tiene la capacidad de ajustar la
precisión de la búsqueda para acelerar el proceso de solución. Otra ventaja, GSA es un método sin memoria, pero puede funcionar de manera
efectiva de manera similar a los algoritmos con memoria [ 11 ]. El costo básico del combustible, el perfil de voltaje, la estabilidad del voltaje y el
costo cuadrático no uniforme se minimizan y optimizan mediante un algoritmo de evolución diferencial (DE). Este enfoque tiene varios
beneficios, incluida la codificación simple, el manejo discreto de enteros, la convergencia rápida y la identificación de soluciones óptimas [ 12 ]. El
método de optimización basado en agujeros negros se utiliza para abordar el problema de OPF para los sistemas eléctricos de bus IEEE 30 y
59 bus argelino; la simplicidad y el aspecto libre de parámetros son los dos principales beneficios de este método sobre las técnicas de
optimización conocidas [ 13 ]. El problema de OPF restringido para IEEE 30-bus, 57-bus y 118-bus se optimiza mediante un algoritmo de
enjambre de polillas [ 14 ]. Se discute un OPF multiobjetivo para minimizar el costo de generación y la contaminación ambiental utilizando una
función de pertenencia difusa para elegir una solución de compromiso de las soluciones óptimas de Pareto [ 15 ]. El costo de combustible, la
desviación de voltaje y la pérdida de potencia real se minimizan como un problema de OPF multiobjetivo utilizando un algoritmo de búsqueda
gravitacional [ dieciséis ]. Un algoritmo de optimización basado en el aprendizaje de la enseñanza modificado (MTLBO) agregó una estrategia de
mutación wavelet autoadaptable y un agrupamiento difuso. MTLBO proporciona una
Energias 2020, 13, 6066 3 de 35
wavelet autoadaptable para mejorar la capacidad de búsqueda, la diversidad y la velocidad de convergencia. Además, se aplica un método de
toma de decisiones difuso para clasificar la solución de acuerdo con su importancia. Finalmente, se incluye una selección de población inteligente
para seleccionar la población de las próximas iteraciones de los algoritmos [ 17 ]. Se propone un híbrido de optimización evolutiva difusa y de
enjambre para minimizar el costo de la generación de energía activa y las pérdidas de energía reales [ 18 ].
Se presenta una colonia de abejas modificadas (MABC) de base difusa para resolver OPF discretos utilizando un número entero
mixto no lineal multiobjetivo. Además, está comprobado que MABC es más eficaz para encontrar la exploración de búsqueda global que la
colonia de abejas original y tampoco se degrada al resolver los sistemas de energía de mayor dimensión [ 19 ]. La emisión, las pérdidas
reales de energía y la desviación de voltaje se minimizan como un OPF multiobjetivo utilizando un algoritmo competitivo imperialista
modificado multiobjetivo. Esta nueva técnica es fuerte, eficaz y rápida en comparación con el algoritmo competitivo imperialista original [ 20 ].
La optimización del enjambre de partículas y el algoritmo de salto de rana cambiada se hibridan para resolver OPF utilizando las
restricciones del generador, como las zonas prohibidas y el efecto de punto de válvula. Este método puede aumentar con éxito la diversidad
de la población generadora agregando cuatro estrategias dominantes para mover a cada individuo del enjambre existente [ 21 ]. Se propone
un algoritmo caótico de optimización de malezas invasivas para resolver el problema de OPF con curvas de costos de combustible no
uniformes y no convexas. Se abordaron las dificultades a las que se enfrenta el algoritmo original de optimización de malas hierbas
invasivas para alcanzar una solución óptima. Además, este método es más estable y adecuado para OPF no lineal [ 22 ]. La optimización de
lluvia de ideas (BSO) y la optimización de enseñanza-aprendizaje (TLBO) se hibridan para minimizar el costo de combustible de las
unidades de generación térmica; este método supera a TLBO y BSO, debido a un principio de autoevolución que se aplica al parámetro de
control y una mayor capacidad de memoria durante sus etapas intermedias [ 23 ]. Un algoritmo de optimización híbrido se basa en la
programación cuadrática secuencial (SQP) para generar una población inicial. Luego, una evolución diferencial (DE) tomó esa población
para encontrar la solución óptima de manera más efectiva y se utilizó para minimizar el costo de combustible con el punto de válvula y las
pérdidas reales de la línea de transmisión, los resultados desfavorables de DE que incluyen estancamiento y convergencia prematura
pueden ser evitado al beneficiarse del impresionante papel de SQP en relajar las variables discretas del sistema [ 24 ].
En los últimos años se ha realizado un esfuerzo creciente y considerable para resolver y modelar el problema de la OPF, incluidas
las fuentes de energía renovables. En [ 25 ]. Se utiliza un método híbrido llamado algoritmo de enjambre de polillas y algoritmo de búsqueda
gravitacional para resolver el problema de OPF, incluida la energía eólica [ 26 ]. El método de estimación de dos puntos modificado se utiliza
para resolver el OPF probabilístico que incorpora energía eólica y solar fotovoltaica [ 27 ]. Los sistemas híbridos de energía eólica
fotovoltaica se optimizan mediante el método de transformación sin perfume, que puede realizar OPF probabilísticos con alta precisión y
menos tiempo de cálculo [ 28 ]. El OPF, incluido el viento, se optimiza mediante una optimización de enjambre de partículas basada en la
borrosidad. Un conjunto difuso modeló la demanda de carga prevista y la velocidad del viento [ 29 ].
Además, OPF que incorpora energía eólica se optimiza mediante un algoritmo híbrido llamado mosca dragón híbrida con optimización
del enjambre de partículas envejecidas [ 30 ]. La evolución diferencial adaptativa con un método de manejo de restricciones adecuado se aborda
en OPF, incluidos el viento y el solar. La previsión de energía eólica y solar fotovoltaica se modela utilizando funciones de distribución de
probabilidad lognormal y de Weibull [ 4 ]. Un despacho óptimo de energía reactiva con energía solar fotovoltaica y su impacto en la minimización
de las pérdidas reales de energía se aborda utilizando el algoritmo de Jaya para resolver este problema [ 31 ]. Un método de optimización
externa de población multiobjetivo restringido en [ 32 ] se presenta para minimizar el costo del combustible y las emisiones en presencia de
fuentes de energía renovables. Un algoritmo de optimización de lobo gris (GWO) en [ 33 ] se propuso ajustar los parámetros de un compensador
en serie controlado por tiristores y direccionar el OPF, incluida la energía eólica y solar. Una optimización de colonia de abejas artificial mejor
guiada en [ 1 ] era encontrar el escenario óptimo de generación de energía convencional y renovable.
Energias 2020, 13, 6066 4 de 35
1.3. Contribución y organización del papel
En el presente trabajo, un optimizador de equilibrio [ 34 ], que es un método de optimización novedoso inspirado en el control del
modelo de balance de masa de volumen para estimar estados de equilibrio y dinámicos, se utiliza para demostrar su desempeño en la
resolución del problema OPF. Se implementa en (i) sistema IEEE 30-bus, (ii) sistema eólico IEEE 30-bus integrado, (iii) sistema solar
fotovoltaico integrado IEEE 30-bus, y (iv) híbrido eólico y solar fotovoltaico integrado IEEE 30-bus sistema. La minimización de la pérdida de
potencia real, la minimización del costo total de las unidades generadoras y la minimización del índice de emisión se consideran las
funciones objetivas del problema OPF. Las funciones de distribución de probabilidad de Weibull y lognormal se utilizan para modelar la
velocidad del viento y la irradiancia solar para pronosticar la potencia de salida de los sistemas eólicos y solares fotovoltaicos. Además, con
el objetivo de llenar el vacío en la literatura, Este artículo investiga el impacto de la presencia de solo viento o solo energía solar fotovoltaica
o ambos en la mejora de las funciones objetivas del problema OPF. Además, se utiliza un análisis estadístico completo para la técnica del
optimizador de equilibrio (EO) y otras técnicas de optimización.
El resto de este artículo está organizado de la siguiente manera: la formulación del problema de OPF se describe en la Sección 2 . Luego, se
presenta un modelo matemático de plantas fotovoltaicas eólicas y solares en la Sección 3 . Sección 4
presenta la técnica del optimizador de equilibrio (EO) y su implementación para resolver el problema de OPF. Sección 5 presenta los sistemas de
prueba y los parámetros de entrada de los sistemas de prueba y los métodos de optimización. Los resultados de la simulación se explican en la
sección 6 . Finalmente, Sección 7 saca la conclusión de este trabajo.
2. Formulación de problemas de OPF
2.1. Estructura general de OPF
Generalmente, OPF apunta a minimizar algunas funciones objetivas. F o es la función objetivo a minimizar, y h y gramo son las
limitaciones de igualdad y desigualdad en la red del sistema eléctrico;
OPF se puede expresar como [ 14 , 35 ]:
Minimizar F o ( x, u)
sujeto a gramo( x, u) ≤ 0 (1)
h ( x, u) = 0
X es un vector de estado de variables dependientes que incluye la potencia real del generador de swing ( PAG GRAMO 1),
( V L yo ) es la magnitud del voltaje de los buses de carga, ( Q GRAMO yo ) es la potencia reactiva del generador en yo th autobús y ( S l)
yo
es la carga del yo th línea de transmisión. X se puede expresar de la siguiente manera [ 14 , 35 ]:
x = [P GRAMO 1, V L 1,. . . , V L npq, Q GRAMO 1,. . . , Q GRAMO NG, S l 1,. . . , S l n] T (2)

l
dónde npq y norte l son el número de buses PQ y líneas de transmisión. S l y norte l son la carga de líneas de transmisión y el número de
líneas de transmisión, respectivamente.
tu es un vector que consta de variables de control, ( PAG GRAMO yo ) es la potencia real de todos los generadores excluyendo
generador de oscilación, V GRAMO yo ) es la magnitud del voltaje de los generadores, ( TS) es la derivación del transformador y ( Q C) es el condensador de derivación. tu
se puede expresar de la siguiente manera [ 14 , 35 ]:
u = [P GRAMO 2,. . . , PAG GRAMO NG, V GRAMO 1,. . . , V GRAMO NG, Q C 1,. . . , Q CN C , TS 1,. . . , TS norte T] T (3)
dónde, NG, N C y norte T son el número de generadores, compensador shunt VAR y transformadores, respectivamente.
2.2. Funciones objetivas de OPF
Aquí, los primeros cuatro casos se ocuparon de la resolución de OPF de objetivo único y el último abordó el OPF de objetivos múltiples.
Energias 2020, 13, 6066 5 de 35
• Caso 1: minimización de la pérdida de potencia real
Debido a la presencia de la resistencia inherente a las líneas de transmisión, el objetivo de esta función es minimizar las pérdidas
de potencia activa y se expresa como [ 14 , 35 ]:
nl
2
F o ( x, u) = P pérdida = ∑ GRAMO q ij
()
( V yo
2
+ V j - 2 V yo V j porque δ ij)) (4)
q=1
dónde GRAMO q (ij) es la conductancia de q th línea de transmisión, y V yo y V j son la magnitud del voltaje de los buses terminales de la línea de
transmisión.
• Caso 2: minimización del índice de emisión
En el presente caso, el objetivo es reducir la emisión de gases nocivos de las unidades de generación térmica, y los coeficientes de
emisión de gases de los generadores térmicos se dan en la Tabla 1 . La emisión en toneladas por hora (t / h) se puede describir
mediante [ 14 , 35 ]:
NG
2) ∗ 0.01 + ω mi( µ iP Gi)]
F o ( x, u) = E = ∑ [( α yo + β yo PAG GRAMO yo + γ yo PAG GRAMO yo yo (5)
yo = 1
dónde α, β, γ, ω y µ son los coeficientes de emisión y G1, G2, G3, G4, G5 y G6 representan generadores de energía térmica en los buses
1, 2, 5, 8, 11 y 13, respectivamente, como se indica en la Tabla 1 .
Tabla 1. Coeficientes de emisión de las unidades generadoras de energía térmica [ 14 , 35 ].
Generador Autobús α β γ ω µ
G1 1 4.091 - 5.554 6,49 0,0002 2.857

G2 2 2.543 - 6.047 5.638 0,0005 3.333
G3 5 4.258 - 5.094 4.586 0,000001 8
G4 8 5.326 - 3,55 3.38 0,002 2
G5 11 4.258 - 5.094 4.586 0,000001 8
G6 13 6.131 - 5.555 5.151 0,00001 6.667
• Caso 3: Minimización del costo del combustible básico La relación entre el costo del combustible ($ / h) y la energía generada a partir de
las unidades generadoras térmicas se puede dar aproximadamente por la relación cuadrática y se expresa como [ 14 , 35 ]:
NG
F o ( x, u) = FC = ∑ una yo + segundo yo PAG GRAMO yo + C 2 yo PAG GRAMO yo (6)
yo = 1
dónde una yo, segundo yo, C yo son el coeficiente de costo de los generadores térmicos y estos coeficientes se proporcionan en la Tabla 2 .
Tabla 2. Coeficientes de coste de los generadores térmicos [ 14 , 35 ].
Generador Autobús una segundo C
G1 1 0 2 0,00375
G2 2 0 1,75 0.0175
G3 5 0 1 0.0625
G4 8 0 3,25 0,00834
G5 11 0 3 0,025
G6 13 0 3 0,025
• Caso 4: Minimización de la desviación de voltaje
El índice de desviación de voltaje es la desviación acumulada de todos los buses de carga del valor nominal de
Energias 2020, 13, 6066 6 de 35
unidad. También juega un papel importante en el mantenimiento de la calidad del voltaje y la seguridad de las conexiones eléctricas.
red eléctrica Este caso se expresa como [ 14 , 35 ] :(
)
NL
F o ( x, u) = VD = ∑ | V L pag - 1 | (7)
p=1
• Caso 5: Minimización del costo básico del combustible, índice de emisión, desviación de voltaje y las pérdidas reales de energía.
El objetivo de este caso es reducir el costo de combustible cuadrático, las pérdidas de transmisión de potencia activa, el índice de emisión
ambiental y el índice de desviación de voltaje simultáneamente. Se puede definir de la siguiente manera [ 14 , 35 ]:
F o ( x, u) = FC + λ pag × PAG pérdida + λ enfermedad venérea × VD + λ mi × mi (8)
dónde λ pag, λ enfermedad venérea y λ mi son factores de peso y se supone que son 22, 21 y 19, respectivamente, como en [ 14 ].
2.3. Restricciones
Las limitaciones de OPF generalmente se clasifican en [ 14 , 35 ]:
1. Restricciones de igualdad
Las restricciones de igualdad de OPF generalmente se representan mediante las ecuaciones de flujo de carga:
norte
PAG GRAMO yo - PAG re yo = V yo ∑ segundo

V k ( GRAMO ik porque θ ik + segundo ik pecado θ ik) (9)
k=1
norte
Q GRAMO yo - Q re yo = V yo V k ( GRAMO ik pecado θ ik - segundo ik porque θ ik)

∑ segundo (10)
k=1
dónde PAG re yo , Q re yo , norte SEGUNDO, y θ ik son la demanda de carga activa y reactiva, el número de buses y la diferencia de ángulo entre el
bus i y k, respectivamente. GRAMO ik y segundo ik son la conductancia de transferencia y susceptancia.
2. Restricciones de desigualdad
Puede ser de fi nido por límites operativos en el equipo del sistema de energía, carga de transmisión y voltaje de los buses de
carga.
a) Limitaciones de las unidades generadoras de energía térmica y renovable
V GRAMO estoy dentro ≤ V GRAMO yo ≤ V GRAMO yo, max yo = 1,. . . , norte (11)
PAG GRAMO estoy dentro ≤ PAG GRAMO yo ≤ PAG GRAMO yo, max yo = 1,. . . , norte (12)
Q GRAMO estoy dentro ≤ Q GRAMO yo ≤ Q GRAMO yo, max yo = 1,. . . , norte (13)
(b) Restricciones de la configuración de la toma del transformador
TS k, min ≤ TS k ≤ TS k, máximo k = 1,. . . , norte T (14)
(c) restricciones del compensador de derivación
Q C, j, min ≤ Q C ≤ Q C, j, máximo j = 1,. . . , norte C (15)
(d) Restricciones de los voltajes en los buses de carga
V Lr, min ≤ V Lr ≤ V Lr, máx. r = 1,. . . , norte L (dieciséis)

Energias 2020, 13, 6066 7 de 35
(e) Limitaciones de la carga de la línea de transmisión
S lv ≤ S lv, max v = 1,. . . , norte l (17)
2.4. Manejo de restricciones
Para declinar las soluciones inviables de OPF y mantener las variables dependientes dentro de los rangos permitidos, se modeló
una función de penalización y se agregó a las funciones objetivo definidas en la Sección 2.2 [ 14 , 35 ].
NG NL nl
Lim 2 + KQ∑ ( Q Soldado americano - Q Gi) Lim 2 + KV∑ ( V Li - V Li) Lim 2 + KS∑ ( S li - S Lim
pena = K pag( PAG GRAMO 1 - PAG GRAMO 1)
Li) 2 ( 18)
yo = 1 yo = 1 yo = 1
dónde K Q, K pag, K V y K S son los valores de los factores de penalización asociados con la generación de energía reactiva, la generación de energía real del
generador oscilante, los voltajes del bus de carga y el fl ujo de las líneas de transmisión.
Se supone que son 100, 100, 100 y 100.000, respectivamente [ 14 , 36 ], y X Lim es el valor del límite violado de variables dependientes ( X). Es
igual a X max en caso de x> x max o X min en caso de x <x min.
3. Modelos matemáticos de las unidades generadoras de energía eólica y solar
3.1. Unidades de energía eólica
3.1.1. Modelo incierto y de potencia de turbinas eólicas
La velocidad del viento de las turbinas eólicas sigue la función de distribución de probabilidad de Weibull. La característica de la
potencia de salida generada por la turbina eólica es una variable aleatoria que depende de la velocidad del viento. La función de distribución
de probabilidad de Weibull con factor de forma adimensional ( k)
y factor de escala ( C) se usa para modelar el viento s (pipí) d F v ( v). La velocidad del viento ( F v ( v)) puede ser expresado
matemáticamente como [ 1 , 2 , 37 , 38 ]:
kv k - 1
f v(v) = × mi - ( v c) k (19)
cc
La energía eléctrica generada • por una turbina eólica es el resultado de convertir la energía cinética de
viento. La potencia de salida real de w turbinas ind PAG () w ( v)) se puede presentar como [ 1 , 2 , 37 , 38 ]:
•• 0 v <v en y v> v afuera

•• (-
vv en
PAG
w( v) = • PAG wr v en ≤ v ≤ v r (20)
•• vr - v en
•
PAG wr v r < v ≤ v afuera
dónde ( PAG wr), ( v en), ( v afuera) y ( v r) son la potencia nominal de la turbina eólica, la velocidad del viento de corte de la turbina eólica, la velocidad del
viento de corte y la velocidad del viento nominal, respectivamente.
3.1.2. Cálculo del costo directo, subestimado y sobrestimado de la energía eólica El costo directo de la planta de
energía eólica puede definirse como [ 4 , 39 - 41 ]:
C w, j ( PAG ws, j) = gramo j PAG ws, j (21)
dónde gramo j es el coeficiente de costo directo de la planta eólica.
La función de costo se sobreestima porque la energía generada real de la turbina eólica es

menor que la potencia estimada por ecuaciones matemáticas. El costo de sobreestimación se utiliza para revertir
Energias 2020, 13, 6066 8 de 35
los requisitos cuando la potencia de salida estimada de la turbina eólica es mayor que la potencia de salida real. Coste de reserva para el j th
La turbina eólica se puede definir como [ 4 , 39 - 41 ]:
C Rw, j ( PAG ws, j -

∫ PAG wav, j) = K Rw, j ( PAG ws, j - PAG wav, j)
PAG ws, j (22)
= Rw,
Kj ( PAG ws, j - PAG w, j) F w ( PAG w, j) dP w, j
0
dónde K Rw, j, PAG wav, j, PAG ws, j y F w (P) son el coeficiente de costo de reserva perteneciente a la j th turbina eólica, la potencia real
w, j
disponible de la misma planta, la potencia estimada del j th turbina eólica y la función de densidad de probabilidad de energía eólica para j th turbina
eólica.
La función de subestimación del costo de la turbina eólica se debe a que no usa toda la energía que se genera a partir de la turbina
eólica. En otras palabras, cuando la potencia generada por el aerogenerador es mayor que la potencia estimada, se aplica la función de
costo de subestimación como penalización por desperdiciar el excedente de energía. El costo de la penalización por j th La turbina eólica se
puede definir como [ 4 , 39 - 41 ]:
C Pw, j ( PAG wav, j ∫ - PAG ws, j) = K Pw, j ( PAG wav, j - PAG ws, j)
PAG wr, j (23)

= K Pw, d ( PAG w, j - PAG ws, j) F w ( PAG w, j) dP w, j
PAG ws, j
th turbina eólica y PAG wr, j es el calificado

dónde K Pw, j es un coeficiente que representa el costo de penalización de la j
potencia de salida que se genera a partir del j th turbina eólica. Como se muestra en la sección 3.1.2 , el costo total de
turbinas de energía eólica C W T) se puede describir de la siguiente manera:
norte
C TW= ∑ w C w, j ( PAG ws, j) + C Rw, j ( PAG ws, j - PAG wav, j) + C Pw, j ( PAG wav, j - PAG ws, j) (24)
j=1
dónde norte w es el número de aerogeneradores.
3.2. Unidades de energía solar
3.2.1. Modelo incierto y de potencia de plantas solares fotovoltaicas
La irradiancia solar se puede modelar mediante la función de distribución de probabilidad logarítmica normal debido a su naturaleza incierta y
estocástica. La distribución de probabilidad logarítmica normal es una función de la irradiancia solar (G) con media µ y desviación estándar σ, se
puede expresar matemáticamente como [ 3 , 4 ]:
2
1 - lnx
( - µ)
F GRAMO( G) = √ Exp( ) G> 0 (25)
GRAMO σ 2 π 2σ2
La función principal de los sistemas fotovoltaicos es la potencia delConvierte la irradiancia solar en energía eléctrica. La salida n de irradiancia se
puede estimar como [ 4 , 39 ]:
sistema fotovoltaico ( PAG s ( GRAMO)) como functio •

•• GRAMO 2
• PAG sr para 0 < G< RC
GRAMO
std c
PG
s () = • (26)
•• GRAMO
PAG sr GRAMO std para GRAMO ≥ R C
dónde GRAMO std representa la irradiancia solar en un entorno estándar, R C es un cierto punto de irradiancia, y PAG sr es la potencia de salida
nominal que se genera a partir del sistema fotovoltaico solar.
Energias 2020, 13, 6066 9 de 35
3.2.2. Cálculo del costo directo, subestimado y sobrestimado de la energía solar fotovoltaica El costo directo de la planta de
energía solar se puede definir como [ 4 , 39 ]:
C s, k ( PAG ss, k) = h k PAG ss, k (27)
dónde h k es un coeficiente que representa el coste directo de la planta solar fotovoltaica.

El mismo caso que en el sistema de energía eólica, el sistema de energía solar implica una sobreestimación y
costo de subestimación debido a su potencia de salida incierta. Coste de reserva por sobreestimación de k th El sistema solar fotovoltaico es [ 4 , 39 ]:
C Rs, k ( PAG ss, k - PAG sav, k) = K Rs, k ( PAG ss, k - PAG sav, k)
= K Rs, k ∗ F s ( PAG sav, k < PAG ss, k) ∗ (28)
[ PAG ss, k - E (P sav, k < PAG ss, k)]
dónde K Rs, k es un coeficiente que representa el costo de reserva perteneciente a k th sistema fotovoltaico solar, PAG sav, k es la potencia real
disponible de la misma planta, F s ( PAG sav, k <P ss, k) es la probabilidad de que ocurra una escasez de energía solar que la energía programada ( PAG ss,
k) y E (P sav, k < PAG ss, k) es la expectativa de energía solar

Energía fotovoltaica debajo PAG ss, k.
En el caso de la subestimación de k th sistema fotovoltaico solar, el costo de la penalización se da como [ 4 , 39 ]:
C Ps, k ( PAG sav, k - PAG ss, k) = K Ps, k ( PAG sav, k - PAG ss, k)
= K Ps, k ∗ F s ( PAG sav, k> PAG ss, k) ∗ (29)
[ E (P sav, k> PAG ss, k) - PAG ss, k]
dónde K Ps, k es un coeficiente que representa el costo de la penalización correspondiente a k th sistema fotovoltaico solar, F s ( PAG sav, k < PAG ss, k)
es la probabilidad de un excedente de energía solar que la energía programada ( PAG ss, k) y E (P sav, k < PAG ss, k) es el
expectativa de energía solar fotovoltaica por encima PAG ss, k. Como se explica en la Sección 3.2.2 , el costo total de la energía solar fotovoltaica
plantas C PV T) consta de tres términos (costo directo, subestimación y sobreestimación) y puede ser
dado de la siguiente manera [ 4 , 39 ]:
norte PAG
C TPV= ∑V C s, k ( PAG ss, k) + C Ps, k ( PAG sav, k - PAG ss, k) + C Rs, k ( PAG ss, k - PAG sav, k) (30)
k=1
dónde norte PV es el número de plantas solares fotovoltaicas.
4. EO propuesta
4.1. Inspiración y modelo matemático
La principal inspiración para este algoritmo es la ecuación de balance de masa dinámica que describe la conservación de la masa
que entra, sale o genera en un volumen de control. Esta ecuación es una ecuación diferencial ordinaria de primer orden y se describe
como sigue [ 34 ]:
corriente continua
V (31)
dt = QC eq - QC + G
dónde V corriente continua

dt es la tasa de cambio de masa en volumen, ( V), C es la concentración dentro del volumen ( V),
V es el volumen de control, Q es el caudal volumétrico que entra y sale del volumen de control, C eq es la concentración en un estado de
equilibrio, y GRAMO es la tasa del generador de masa dentro del volumen de control.
Energias 2020, 13, 6066 10 de 35
librium) estado de ecuación ( 31 ) que se reformula en función de

() Después de alcanzar el equi constante (
Q
V, que se llama tasa de rotación λ = Q V. Las siguientes ecuaciones se derivan de la Ecuación ( 31 )
para resolver (C) en función del tiempo ( t) [ 34 ]:
corriente continua
(32)
V
∫ λ CC eq - λ C + G = re ∫ t t
corriente continua
= dt (33)
C0λ C eq - λ C + GRAMO t0
V
(34)
( F = e - λ ( t - t)0) GRAMO
C = C eq + C 0 - C eq F + 1 - F) (35)
λV(
dónde F es un término exponencial para ayudar a EO a tener un equilibrio entre explotación y exploración,
t 0 es la hora de inicio inicial, y C 0 es la concentración inicial.
La ecuacion ( 35 ) introduce tres reglas para actualizar la concentración de cada partícula.
La concentración de equilibrio es el primer término que se describe como una de las mejores soluciones hasta ahora elegidas al azar del
grupo de equilibrio. La diferencia entre la concentración de una partícula y el estado de equilibrio es el segundo término que ayuda a las
partículas a explorar globalmente el dominio. El término final se denomina tasa de generación que actúa principalmente como explotador o
refinador de soluciones [ 34 ].
4.2. La interacción entre cada término y el patrón de búsqueda y la definición de los términos de la EO
4.2.1. Inicialización y evaluación de funciones
En primer lugar, el proceso de optimización comienza con la población inicial. La ecuacion ( 36 ) describe
el proceso de concentración inicial que depende del número de partículas y dimensiones que se inicializan en el espacio de búsqueda de
forma aleatoria uniforme [ 34 ].
C yo
inicial = C min + rand yo ( C max - C min) (36)
dónde C inicial
yo
es el vector de concentración inicial del con partícula, C min es el valor mínimo para el
dimensiones, C max es el valor máximo para las dimensiones y rand yo es un vector aleatorio que varía entre cero y uno. Después de eso, la
función de aptitud de las partículas se evalúa y luego se resuelve para
determinar las condiciones de equilibrio.
4.2.2. Grupo de equilibrio y candidatos ( C Eq)
El óptimo global de EO está representado por el estado de equilibrio. Al principio, no existe información sobre el estado de equilibrio,
pero se identifican candidatos de equilibrio para proporcionar un dominio de búsqueda para las partículas. Hay cinco candidatos al
equilibrio como se indica en la ecuación ( 37 ). Cuatro de ellas son las mejores partículas determinadas hasta ahora durante el proceso de
optimización y la última es la media aritmética de las cuatro partículas mencionadas anteriormente. El objetivo principal de los primeros
cuatro candidatos es mejorar la capacidad de exploración, mientras que el quinto candidato mejora la explotación [ 34 ]
→ -→ -→ -→
C avg = ({ - C eq 1) + C eq 2) + C eq 3) + C eq 4)) / 4} (37)
-→ -→ -→ -→ -→
C eq, piscina = C eq 1), C eq 2), C eq 3), C eq 4), C ( Cra) (38)
Energias 2020, 13, 6066 11 de 35
4.2.3. Término exponencial ( F)
El término exponencial (F) ayuda a EO a tener un equilibrio aceptable entre exploración y explotación. Refiriéndonos a la ecuación ( 34
), el tiempo (t) en la Ecuación ( 34 ) depende de la iteración
( Iter) y se describe de la siguiente manera [ 34 ] :(
( )
) Iter
una 2 Maxiter
t= 1 - Iter (39)
Max iter
Con el propósito de convergencia, t 0 en la ecuación ( 10 ) se propone reducir la velocidad de búsqueda como

así como mejorar la capacidad de exploración y explotación de EO [ 34 ].
-→ )
1 → λ t]
t0=- → en - una 1 firmar( - r - 0,5) [1 - mi - (40)
λ
→ - 0,5)
dónde una 1 y una 2 son valores constantes para controlar la capacidad de exploración y explotación, firmar( - r
es un factor que determina la dirección de exploración y explotación y r es un vector aleatorio rangos

entre cero y uno.
4.2.4. La tasa de generación ( GRAMO)
La tasa de generación tiene como objetivo proporcionar la solución exacta mejorando la capacidad de explotación de EO y puede describirse
como [ 34 ]:
-→ -→ →
k (t - t 0)
G= GRAMO 0 mi −− (41)
Después de suponer que k = λ, la ecuación de tasa de generación se actualizó de la siguiente manera [ 34 ]:
-→ -→ -→
G=G0F (42)
)
-→ −−
GRAMO 0 = GCP C mi q −− -λ C (43)
{ → (- → → →
−− → 0,5 r,1 r 2 ≥ GP
GCP = (44)
0, r 2 ≥ GP
dónde r 1 y r 2 son un número aleatorio entre los parámetros de control. cero y uno, GCP es la tasa de generación
El parámetro de control de la tasa de generación (GCP) depende principalmente de la probabilidad de generación (GP) que de fi ne el número
de partículas del término de generación para actualizar sus estados.
Estado del estado del arte que EO en GP = 0,5; EO puede lograr un buen equilibrio entre exploración y
explotación. La regla de actualización de EO se da como:
-→ (
-→ - → (- → - →) - → GRAMO → )
C = C eq + C - C eq F + -→ 1 −− F (45)
λV
El segundo y tercer términos de la ecuación ( 45 ) puede incrementar la variación y así ayudar a EO a mejorar
explorar en caso de tener signos iguales o disminuir la variación y ayudar a EO en búsquedas locales en caso de tener signos opuestos [ 34
].
4.2.5. Ahorro de memoria de partículas
Esto puede ayudar a que cada partícula rastree sus coordenadas en el espacio. Ayuda a EO en la capacidad de explotación y evita
quedar atrapado en los mínimos locales [ 34 ].
Energias 2020, 13, 6066 12 de 35
4.3. Implementación de EO para resolver el problema de OPF
La EO propuesta se aplica para resolver el problema de OPF, incluidas las unidades de generación de energía eólica y solar fotovoltaica. El siguiente
pseudocódigo y diagrama de flujo que se muestran en la Figura 1 Explique los pasos de la aplicación de EO para el problema OPF.
1. Defina las variables de control y dependientes y sus límites, así como la función objetivo de fi nida en la Sección 2.2 [ 34 ].
2. Recolectar y leer los datos de entrada del sistema eléctrico bajo prueba, tales como datos de líneas de transmisión, transformadores,
compensador shunt VAR, cargas y unidades de generación.

3. Calcule la potencia de salida estimada de las unidades de generación de energía solar fotovoltaica y eólica, como se define y explica en la
Sección 3 [ 34 ]. Inicializar las poblaciones de la partícula [ 34 ].
4.
5. Asigne un gran número a la aptitud de los candidatos al equilibrio y sea a1 = 2; a2 = 1; GP = 0.5 [ 34 ]. Realice el ciclo while principal
6. como el siguiente [ 34 ]:
(a) Mientras (iteración actual (Iter) <número máximo de iteraciones (Max-iter)) (b) Para i = 1: número de
partículas (n)
(c) Encuentre el valor de aptitud del yo th partícula
yo. Si la aptitud ( C i) < aptitud C eq 1) luego Sustituir ( C eq 1) con ( C yo)

y aptitud C eq 1)
con aptitud C yo)
ii. De lo contrario, si está en forma ( C i)> aptitud C eq 1) y aptitud C i) < aptitud C eq 2) luego Sustituir ( C
eq 2) con ( C yo) y aptitud C eq 2)
con aptitud C yo)
iii. De lo contrario, si está en forma ( C i)> aptitud C eq 1) y aptitud C yo)
> aptitud ( C eq 2) y aptitud C i) < aptitud C eq 3) luego Sustituir ( C eq 3) con

( C yo) y aptitud C eq 3)
con aptitud C yo)
iv. De lo contrario, si está en forma ( C i)> aptitud C eq 1) y aptitud C i)> aptitud C eq 2) y aptitud C i)> aptitud C eq 3) y aptitud C i) < aptitud
C eq 4) entonces
Sustituir ( C eq 4) con ( C yo) y aptitud C eq 4) con aptitud C yo)
(re) Terminara si )
(mi) Fin - ( F-o)→
7. Encuentra el C promedio según la ecuación ( 37 ).

8. Construya la piscina de equilibrio de acuerdo con la ecuación ( 38 ) [ 34 ].
9. En el caso de la iteración actual> 1, realice el ahorro de memoria [ 34 ].
10. Asignar t según la ecuación ( 39 ).
11. Haga el segundo bucle for de la siguiente manera: For i = 1:
número de partículas
(a) Seleccione un candidato del grupo de equilibrio al azar. (b) Cree los dos vectores
aleatorios ( λ y r).
(c) Construir F, GCP, G 0 y GRAMO según las ecuaciones ( 34 ) y ( 42 ) - ( 44 ), respectivamente [ 34 ]. (d) Actualice la concentración C según
la ecuación ( 45 )
Finaliza el segundo ciclo for.

12. Incrementa la iteración actual en uno. Finaliza el
13. ciclo while principal.
14. Extraer y analizar los resultados.
Energias 2020, 13, 6066 13 de 35
comienzo
Definir el control, las variables dependientes, su límite y la función objetivo objetivo.
Recopile y lea los datos de entrada del sistema de energía bajo prueba, como datos de líneas de transmisión, transformadores, compensador de derivación VAR,
cargas y unidades de generación
Calcule la potencia de salida estimada de las unidades de generación de energía solar fotovoltaica y eólica
Asigne un gran número a la aptitud de los candidatos al equilibrio y sea a1 = 2; a2 = 1; GP = 0.5
T=1
Inicializar las poblaciones de la partícula
Reemplazar valores violados con nuevos valores seleccionados Si las variables de control del sistema de potencia son
T=T+1
del rango permitido No dentro de los límites
si
Realice el flujo de potencia
Verifique la restricción de igualdad y las variables dependientes del sistema eléctrico
Evaluar la función de aptitud
No
Evaluar la función objetivo Compruebe el T <T max
si
Extraiga el grupo de equilibrio y actualice F y G
Actualizar la variable de control del sistema de potencia
Figura 1. Diagrama de flujo de implementación de EO para resolver problema OPF.
5. Sistemas de prueba y parámetros de control de los métodos de optimización
5.1. Descripción de los sistemas de potencia de prueba
• Sistema de prueba 1: sistema IEEE de 30 buses
El sistema IEEE 30-bus consta de seis generadores de energía térmica, como se presenta en la Figura 2 . Los datos sobre líneas de
transmisión, transformadores de cambio de tomas, compensadores AVR, limitaciones en los generadores y voltajes de carga, demanda de
potencia activa y reactiva se dan en [ 42 - 44 ]. Las especi fi caciones generales de este sistema se describen en la Tabla 3 .
Energias 2020, 13, 6066 14 de 35
Tabla 3. La especificación general de todos los sistemas de potencia de prueba.
Valores y detalles
Caracteristicas Prueba del sistema 1 [ 42 - 44 ] Prueba del sistema 2 Prueba del sistema 3 Sistema de prueba 4
Autobuses 30 30 30 30
Lineas de transmisión 41 41 41 41
Limitación de la tensión del generador Limitación [0,9–1,1] [0,9–1,1] [0,9–1,1] [0,9–1,1]
de la tensión de carga Generadores de energía [0,95–1,1] [0,95–1,1] [0,95–1,1] [0,95–1,1]
térmica 6 3 3 3
Plantas de energía eólica 0 2 0 5
Plantas de energía solar 0 3 5 0
Compensación Shunt VAR 9 9 9 9
Transformador con relación de derivación 4 4 4 4
Variables de control 24 28 28 28
Demanda de potencia activa y reactiva 283,4 MW, 126,2 Mvar 283,4 MW, 126,2 Mvar 283,4 MW, 126,2 Mvar 283,4 MW, 126,2 Mvar
Figura 2. escenario 1: sistema IEEE de 30 buses.
• Sistema de prueba 2: sistema híbrido eólico y solar fotovoltaico integrado IEEE 30-bus
Este sistema de potencia de prueba modificado se simula para mostrar su comportamiento en presencia de ambos vientos
Energias 2020, 13, 6066 15 de 35
y unidades generadoras de energía solar fotovoltaica, como se muestra en la Figura 3 . El sistema IEEE 30-bus se ha modificado
reemplazando las unidades generadoras de energía térmica en los buses 5, 11 y 13 por un generador eólico en el bus 11 y fotovoltaica solar
en los buses 5 y 13. Además, los nuevos generadores de energía solar fotovoltaica y eólica están construidos en el bus 24 y 30,
respectivamente. Las funciones objetivo definidas en
Sección 2.2 se modi fi can sumando la potencia de salida de las plantas solares fotovoltaicas ( PAG s ( GRAMO)) y la salida
energía de las plantas eólicas PAG w ( v)) dado en la sección 3 . Caso 3 y caso 5 descritos en la Sección 2.2 son
modi fi cado sumando el costo total de las plantas solares fotovoltaicas ( C PV
T) y el costo total de las plantas eólicas ( C w T)
definido en la sección 3 . La especificación de este sistema de energía híbrida se da en la Tabla 3 . Los datos de las plantas fotovoltaicas eólicas y
solares se describen en las tablas 4 y 5 , respectivamente.
Cuadro 4. Datos de la planta de energía eólica para el sistema de prueba 2.
Unidad Autobús No. de turbinas PAG wr [ MW] k C gramo yo [$ / MWH] K Rw, i [$ / MWH] K Pw, yo [$ / MWH] v en [ em] v afuera [ em] v r [ em]
1 11 12 2 2 9 1,7 2.8 1,7 4 25 13
2 30 12 2 2 10 1,7 2.8 1,7 4 25 13
Cuadro 5. Datos de la planta de energía solar para el sistema de prueba 2.
Unidad Autobús PAG sr [ MW] GRAMO std [ W / m 2] R C [ W / m 2] µ σ h k [$ / MWh] K Ps, k [$ / MWh] K Rs, k [$ / MWh]
1 5 24 800 170 6 0,6 1,55 3.2 1,30
2 13 30 800 170 6 0,6 1,45 3.1 1,45
3 30 30 800 200 6 0,6 1,60 3,0 1,30
Figura 3. Sistema híbrido eólico y solar fotovoltaico integrado IEEE 30-bus.

Energias 2020, 13, 6066 16 de 35
• Sistema de prueba 3: sistema de bus de 30 bus IEEE integrado fotovoltaico solar
Este sistema se modifica ubicando generadores solares fotovoltaicos en los buses 5, 11 y 13 en lugar de los generadores de energía
térmica. Además, se instalan dos nuevas unidades de generación de energía solar en los autobuses 24 y 30, como se muestra en la
Figura 4 . Las funciones objetivas definidas en la sección 2.2 son
modi fi cado sumando la potencia de salida de las plantas solares fotovoltaicas ( PAG s ( GRAMO)) dado en la sección 3 . Caso 3 y caso 5 descritos en
la Sección 2.2 se modi fi can sumando el costo total de las plantas solares fotovoltaicas
( C T)
PV
definido en la sección 3 . Los datos generales de este sistema y plantas solares fotovoltaicas se presentan en
Mesas 3 y 6 , respectivamente.
Cuadro 6. Datos de la planta de energía solar para el sistema de prueba 3.
Unidad Autobús PAG sr [ MW] GRAMO std [ W / m 2] R C [ W / m 2] µ σ h k [$ / MWh] K Ps, k [$ / MWh] K Rs, k [$ / MWh]
1 5 24 800 170 6 0,6 1,55 3.2 1,30
2 11 24 800 200 6 0,6 1,45 2.8 1,30
3 13 24 800 170 6 0,6 1,60 3.1 1,45
4 24 30 800 170 6 0,6 1,60 3,0 1,30
5 30 30 800 200 6 0,6 1,60 3,0 1,30
Figura 4. Sistema solar fotovoltaico integrado IEEE 30-bus.

Energias 2020, 13, 6066 17 de 35
• Sistema de prueba 4: sistema de bus de 30 IEEE integrado en el viento
En este sistema, el sistema IEEE 30-bus se modifica reemplazando las unidades generadoras de energía térmica en los buses 5,
11 y 13 por generadores eólicos. Además, se han agregado dos generadores de viento nuevo en los buses 24 y 30, como se ve en
la Figura 5 . Las funciones objetivo definidas en
Sección 2.2 se modifica sumando la potencia de salida de las plantas eólicas ( PAG w ( v)) dado en la sección 3 . Caso 3 y caso 5 descritos
en la Sección 2.2 se modi fi can sumando el costo total de las plantas eólicas
( C T)
w
definido en la sección 3 . Las especi fi caciones generales de este sistema y los datos de energía eólica
las plantas se dan en las tablas 3 y 7 , respectivamente.
Cuadro 7. Datos de la planta de energía eólica para el sistema de prueba 4.
Unidad Autobús No. de turbinas PAG wr [ MW] k C gramo yo [$ / MWH] K Rw, i [$ / MWH] K Pw, yo [$ / MWH] v en [ em] v afuera [ em] v r [ em]
1 5 12 2 2 9 1,65 2.6 1,5 4 25 13
2 11 12 2 2 10 1,60 2.6 1,5 4 25 13
3 13 12 2 2 9 1,60 2.6 1,5 4 25 13
4 24 15 2 2 10 1,65 2.6 1,5 4 25 13
5 30 15 2 2 9 1,70 2.6 1,5 4 25 13
Figura 5. Sistema de 30 buses IEEE integrado con viento.

Energias 2020, 13, 6066 18 de 35
5.2. Parámetros de control de métodos de optimización
El número de iteraciones, el tamaño de la población, los rangos de prueba y otros parámetros de los métodos de optimización se dan en la
Tabla 8 .
Cuadro 8. Valores de parámetros de control para métodos de optimización.
Algoritmo Parámetros Valores
Coeficiente de inercia (w) disminuyendo linealmente de 0,9 a 0,4

Número de agentes de búsqueda 50
MPSO [ 45 ] Número máximo de iteraciones 100
Factor de adaptación (C1, C2) Descrito en [ 45 ]
Coeficiente de aceleración (c1, c2) c1 = 1, c2 = 2
Factor de enseñanza Seleccionado al azar [1,2]

TLBO [ 46 ] Tamaño de la poblacion 50
Número máximo de iteraciones 100

TACPSO [ 45 ] Número máximo de iteraciones 100
Tamaño de la poblacion 50
MFO [ 47 ] Número máximo de iteraciones 100
Constante de forma (b) 1

AGPSO 1 [ 45 ] Número máximo de iteraciones 100
Valores constantes para controlar la exploración ( una 1) 2

Valores constantes para controlar la explotación ( una 2) 1
EO [ 34 ] Número de partículas de búsqueda 50
Número máximo de iteraciones 100
Probabilidad de generación 0,5
6. Resultados y discusión
El rendimiento y la eficacia del EO se verifican para resolver el problema de OPF mediante la realización de 20 ejecuciones de prueba
independientes para todos los casos discutidos en la Sección 2.2 . El EO [ 34 ] y otras cinco técnicas de optimización metaheurísticas: MFO [ 47 ],
TACPSO [ 45 ], AGPSO1 [ 45 ], TLBO [ 46 ] y MPSO [ 45 ] han sido probados en cuatro sistemas de prueba de potencia indicados en la Sección 5.1
. Todas estas técnicas de optimización se implementan en PC i7 de 2.8 GHz con 16 GB de RAM utilizando MATLAB 2017.
6.1. Discusión y análisis de las funciones objetivas de OPF
6.1.1. Minimización de la pérdida de energía real
El EO [ 34 ], TLBO [ 46 ], MPSO [ 45 ], MFO [ 47 ], AGPSO1 [ 45 ] y TACPSO [ 45 ] se implementan algoritmos en el sistema de prueba 1, el

sistema de prueba 2, el sistema de prueba 3 y el sistema de prueba 4 para la minimización de la pérdida de potencia real como se define en la
Sección 2.2 . Figura 6 a muestra las características de convergencia de la pérdida de potencia real producidas por la mejor solución del EO y otros
métodos de optimización para el sistema de prueba 1. Se observó que la mejor característica de convergencia es producida por el EO. Además,
la figura 6 b, c muestran los perfiles de voltaje y carga del sistema de prueba 1 para el caso 1. Está claro que el EO y otros métodos de
optimización obedecen los límites de voltaje de los buses y los límites de carga de las líneas de transmisión. Los resultados de EO y otras
técnicas para el sistema de prueba 1 se muestran en la Tabla 9 . Se puede observar que EO consigue la mínima pérdida de potencia real, pero
otras técnicas de optimización como TLBO y MFO
Energias 2020, 13, 6066 19 de 35
tienen menos costo de combustible a 967.24 $ / hr y 967.44 $ / hr, respectivamente. Además, otras técnicas tienen menos desviaciones de
voltaje al minimizar esta función objetivo. Sin embargo, está claro que la carga de líneas de transmisión para EO es saludable y menos que
otros métodos.
Cuadro 9. Resultados de EO y otros métodos del caso 1 para el sistema de prueba 1.
MFO TACPSO AGPSO1 TLBO EO MPSO
VD ( pu) 0.867649 0.898003 0.898362 0.87350728 0,917249 0,679794

FC ($ / h) 967.4482 967.6206 967.6485 967.2492825 967.5865 967.7676
PAG pérdida MW) 3.124412 3.100891 3.094156 3.108417583 3.087342 3.144079
E ( ton / h) 0.207299 0.207259 0.207266 0.207286164 0.207268 0.207273
Fo 3.124412 3.100891 3.094156 3.108417583 3.087342 3.144079
Mejora(%) 1,18 0,43 0,22 0,68 - 1,81
( una) Curvas comparativas de convergencia. ( segundo) Perfil de voltaje.
( C) Perfil de carga.
Figura 6. Perfiles comparativos de convergencia, voltaje y carga para el caso 1 para todos los sistemas de prueba.
Los perfiles de pérdida y carga que utilizan EO para todos los sistemas de prueba se muestran en la Figura 7 . El óptimo
Los (mejores) resultados obtenidos por el método EO para el sistema de prueba 1, el sistema de prueba 2, el sistema de prueba 3 y el sistema de prueba 4 se
tabulan en la Tabla 10 . De la figura 7 y mesa 10 , se observa que las pérdidas del sistema de prueba 2, el sistema de prueba 3 y el sistema de prueba 4 se
redujeron en un 23,6%, 31,52% y 33,32%, respectivamente, en comparación con el sistema de prueba 1. Además, se puede observar que la contribución de La
generación de energía del sistema de prueba 2 a partir de la generación de energía eólica, solar fotovoltaica y térmica son 15.05%, 33.01% y 51.93%,
respectivamente. Con respecto al sistema de prueba 3, la contribución de la generación de energía a partir de energía solar fotovoltaica y térmica son 53,33% y
46,66%, respectivamente. Además, las plantas de energía eólica del sistema de prueba 4 contribuyen
52,35% de la generación total de energía.

Energias 2020, 13, 6066 20 de 35
Cuadro 10. Ajustes óptimos de variables dependientes y de control para el caso 1 para todos los sistemas de prueba que utilizan EO.
Parámetros Min Max Prueba del sistema 1 Prueba del sistema 2 Prueba del sistema 3 Sistema de prueba 4
PG2 (MW) 20 80 79.9983006 72.14028714 48.22886744 51.07651611

PG5 (MW) 15 50 49.9982627 49,99945385 49,97347066 49.98470056
PG8 (MW) 10 35 34.99453958 26.20234283 34.77838714 34.92764479
PG11 (MW) 10 30 29.99984469 29.42347144 29,97517159 29.67713532
PG13 (MW) 10 40 39.99027741 25.72695297 29.69711674 39.69895071
PG24 (MW) 10 30 18.61010237 27.4148297 15.73782289
PG30 (MW) 10 40 13.58641689 15.23102984 14.35575851
V1 (pu) 0,95 1.1 1.061430345 1.033582214 1.037749499 1.056224426
V2 (pu) 0,95 1.1 1.057379791 1.027683624 1.032739079 1.051241045
V5 (pu) 0,95 1.1 1.037622078 1,003632229 1.013755431 1.032812731
V8 (pu) 0,95 1.1 1.044007621 1.015022765 1.02707043 1.045463882
V11 (pu) 0,95 1.1 1.073279794 1.063216144 0,999050197 1.042867188
V13 (pu) 0,95 1.1 1.051619936 1.034701938 1.044856898 1.020563172
V24 (pu) 0,95 1.1 1.024480465 1.009002895 1.020352939
V30 (pu) 0,95 1.1 1.022453184 1.018925985 1.040981535
QC10 (MVAr) 0 5 4.287709826 4.782286758 2.62406261 3.612693403
QC12 (MVAr) 0 5 2.093601675 0.000803534 0,986423834 2.416935212
QC15 (MVAr) 0 5 3.996488379 1.898614523 0,206692775 3.600783886
QC17 (MVAr) 0 5 4.136235738 4.356883849 2.716911629 0,342465282
QC20 (MVAr) 0 5 4.495134896 3.354513668 4.692404829 3.296807199
QC21 (MVAr) 0 5 5.000000000 0.046094293 2.038284465 0.872744865
QC23 (MVAr) 0 5 3.197386977 4.967912056 4.957773966 4.740324068
QC24 (MVAr) 0 5 4.806462479 4.536993047 3.79952116 3.698494945
QC29 (MVAr) 0 5 2.461175597 0,21865228 4.63994E - 05 3.927880442
T11 (pu) 0,9 1.1 1.055740955 1.015687471 1.020034326 1.0962353
T12 (pu) 0,9 1.1 0.924042761 0,951998195 0,957069803 0.900424717
T15 (pu) 0,9 1.1 0,988530694 0,989254661 1.094558386 0,991494831
T36 (pu) 0,9 1.1 0,975749345 0,977273155 1.010207101 1.010623787
PG1 (MW) 50 200 51.50611659 50.08572807 50.22954768 50.01396753
QG1 (MVAr) - 20 150 - 5.485983591 - 1.712627012 - 9.408754457 - 4.363894439
QG2 (MVAr) - 20 60 7.574416698 7.129014137 3.920290677 9.504062082
QG5 (MVAr) - 15 62,5 21.13271229 17.01446382 19.68757038 20.6489489
QG8 (MVAr) - 15 48 26.41312254 26.16274206 28.52016815 33.06577869
QG11 (MVAr) - 10 40 19.21231862 19.38101083 0.13383456 18.93870787
QG13 (MVAr) - 15 44 2.247530335 8.029799729 33.49981989 - 2.320248965
QG24 (MVAr) - 15 44 3.105401958 3.720374455 2.56415683
QG 30 (MVAr) - 15 44 0,296246809 2.993820748 1.368798025
VD ( pu) 0,917249187 0.367181831 0,252949566 0.482190403
FC ($ / h) 967.5864625 417.7815499 358.1435956 368.1354088
PAG pérdida MW) 3.087341565 2.374755583 2.128420834 2.072496662
E ( ton / h) 0.20726839 0.09655031 0.09111361 0.091202895
TC ($ / h) 863.2203104 823.476285 867.8385329
CW
T ($ / h)
141.4837171 499.7031241
C PV
T ($ / h)
303.9550435 465.3326895
F o ( MW) 3.087341565 2.374755583 2.128420834 2.072496662

Energias 2020, 13, 6066 21 de 35
( una) Per fi l de pérdida. ( segundo) Perfil de carga.
Figura 7. Perfiles de pérdida y carga del caso 1 para todos los sistemas de prueba que utilizan EO.
Los resultados estadísticos (el mejor, el peor, la media y la desviación estándar) de la pérdida de potencia real para el EO y otras
técnicas de optimización se dan en la Tabla 11 . Como se muestra en la tabla 11 , el mejor mínimo, la desviación estándar y la media son el
resultado del EO.
Cuadro 11. Resumen del análisis estadístico del caso 1 para el sistema de prueba 1.
Mejor Peor Media Desarrollo estándar
MFO 3.124412 3.469255 3.313791 0.115148

TACPSO 3.100891 3.495604 3.162984 0.119564
AGPSO1 3.094156 3.558659 3.136808 0.175963
TLBO 3.108418 3.271804 3.200392 0.057571
EO 3.087342 3.131426 3.089549 0.013218
MPSO 3.144079 3.417325 3.202598 0.080901
Como se esperaba, la adición y la ubicación de los recursos de energía renovable en el sistema de energía tienen un impacto significativo en la
reducción de la pérdida de energía real.
6.1.2. Minimización del índice de emisión
En este caso, el índice de emisión de fi nido en la Sección 2.2 fue minimizado para todos los sistemas de prueba. Figura 8 Demuestra
las características de convergencia, los perfiles de pérdida y los perfiles de carga para la minimización de emisiones utilizando EO y otros
métodos. Se puede notar en la figura. 8 a que el EO tiene las curvas de convergencia más suaves y rápidas en comparación con otras
técnicas, así como la Figura 8 b, c que muestra que no hay violación en los límites de voltaje de los autobuses y los límites de carga de las
líneas de transmisión. Como podemos ver en la Tabla 13 y la Figura 8 c que EO puede lograr la menor pérdida de potencia real y la menor
carga de las líneas de transmisión mientras minimiza esta función objetivo, pero otros métodos de optimización pueden obtener menos
desviaciones de voltaje en comparación con EO.
Los mejores resultados (óptimos) obtenidos usando el EO para todos los sistemas de prueba para el caso 2 se muestran en la Tabla 12 . Como podemos
ver en la Figura 9 y mesa 12 ese índice de emisión se redujo en un 55,54% para el sistema de prueba 2, el sistema de prueba 3 y el sistema de prueba 4 en
comparación con el sistema de prueba 1. En este caso, la contribución de la generación de energía de las centrales eólicas para el sistema de prueba 2 y el
sistema de prueba 4 es del 12,25% y 54,12% de la generación total, respectivamente. Además, la contribución de la generación de energía de la energía solar
fotovoltaica para el sistema de prueba 2 y el sistema de prueba 3 es del 41,69% y el 53,93% de la generación total, respectivamente.
Energias 2020, 13, 6066 22 de 35
PG2 (MW) 20 80 67.52765352 47.15393481 46.93784062 46.74579811

PG5 (MW) 15 50 49.99976843 49.99997692 48.55695793 49.63943974
PG8 (MW) 10 35 34.99979715 34.99785564 35.00000000 34.99981323
PG11 (MW) 10 30 30.00000000 13.08937369 24.11263394 28.93951933
PG13 (MW) 10 40 39.99994042 39,97364116 38.90979918 31.15977654
PG24 (MW) 10 30 29.67649489 20.72363213 13.68967898
PG30 (MW) 10 40 22.06349364 22.1793691 32.00183302
V1 (pu) 0,95 1.1 1.061391900 1.035577033 1.017785294 1.007633877
V2 (pu) 0,95 1.1 1.055299891 1.03014784 1,009596473 0,99225379
V5 (pu) 0,95 1.1 1.036061646 0.975474909 0,982885915 0,966515297
V8 (pu) 0,95 1.1 1.042336524 0,994262522 0,996877809 0.970873143
V11 (pu) 0,95 1.1 1.056098162 0,99155371 1.066472978 1.018197794
V13 (pu) 0,95 1.1 1.061630874 1.045591502 1.053301428 0,990382535
V24 (pu) 0,95 1.1 0,994310052 1.023161602 1.006430427
V30 (pu) 0,95 1.1 0,976743321 0,962066536 0,995194145
QC10 (MVAr) 0 5 4.194820255 0,691891638 0,00000000 2.28917862
QC12 (MVAr) 0 5 0.527663733 3.89808945 4.781805725 0,003693677
QC15 (MVAr) 0 5 4.925786364 0.093781976 4.681393138 3.767863825
QC17 (MVAr) 0 5 4.982842903 2.766984513 4.998326488 4.887538377
QC20 (MVAr) 0 5 4.671024822 4.426843395 4.610963598 5.000000000
QC21 (MVAr) 0 5 4.976075346 1.329009086 4.940763823 2.759967479
QC23 (MVAr) 0 5 2.74762835 3.54838243 0,002439547 4.271161763
QC24 (MVAr) 0 5 4,992557282 0.606928317 0,970384621 2.50397663
QC29 (MVAr) 0 5 2.088379542 4.949034272 0.000438444 2.957731038
T11 (pu) 0,9 1.1 1.045594251 0,951879814 0,938502294 0,940072546
T12 (pu) 0,9 1.1 0,921878284 0,962206441 1.096587454 0,919312335
T15 (pu) 0,9 1.1 1.00248085 1.099174642 1.018026147 1.023627655
T36 (pu) 0,9 1.1 0.972355171 0,92579926 1.099689643 1.060629423
PG1 (MW) 50 200 64.09434175 50.00003511 50.00023516 50,00000501
QG1 (MVAr) - 20 150 - 5.544691231 0.054641352 - 1.33241509 18.58616272
QG2 (MVAr) - 20 60 6.45002148 47.44923402 4.202024706 1.97952536
QG5 (MVAr) - 15 62,5 21.67156016 - 1.442938766 13.43474762 19.83503047
QG8 (MVAr) - 15 48 27.29675405 23.11453954 7.583267029 12.95707181
QG11 (MVAr) - 10 40 11,72500454 - 6.137543909 13.66528344 1.654000716
QG13 (MVAr) - 15 44 9.840166661 39.23629311 21.68524583 6.151027816
QG24 (MVAr) - 15 44 1.089772208 24.29742231 20.10756016
QG 30 (MVAr) - 15 44 - 13.49116551 0.162345045 0,721702425
VD ( pu) 0.90040310 0,298468513 0.404641642 0.391340877
FC ($ / h) 944.2808599 354.7638857 354.038595 353.3864113
PAG pérdida MW) 3.22150126 3.554805885 3.020468191 3.775864192
E ( ton / h) 0,204818699 0.091061921 0.091060623 0.091060048
TC ($ / h) 877.5739313 865.4758094 867.8663197
CW
T ($ / h)
108.3986993 514.4799085
C PV
T ($ / h)
414.4113463 511.4372144
F o ( ton / h) 0,204818699 0.091061921 0.091060623 0.091060048

Energias 2020, 13, 6066 23 de 35
Figura 9. Índice de emisión total (ton / h) del caso 2 para todos los sistemas de prueba que utilizan EO.
Energias 2020, 13, 6066 24 de 35
Mesa 13 presenta los resultados del EO y otros métodos para el sistema de prueba 1 con la minimización del índice de emisión. Por
ejemplo, la función objetivo del caso 2 para EO fue 0.204819 ton / h en comparación con 0.204862 ton / hy 0.204885 ton / h para MFO [ 47 ]
y TLBO [ 46 ] algoritmos, respectivamente.
VD ( pu) 0,702001 0.856848 0,921129 0.541768425 0.900403 0,661504

FC ($ / h) 944.3434 944.6554 944.3977 944.6873755 944.2809 944.4382
PAG pérdida MW) 3.356033 3.286856 3.235581 3.336091467 3.221501 3.267419
E ( ton / h) 0.204862 0.204839 0,204823 0.204854728 0.204819 0.204833
F o ( ton / h) 0.204862 0.204839 0,204823 0.204854728 0.204819 0.204833
Mesa 14 resume los resultados estadísticos del presente caso. Se puede encontrar en la tabla 14 que el EO proporciona la mejor, la
desviación estándar y la mediana más pequeñas que otros métodos.
Mejor Peor Media Std Dev
MFO 0.204862 0.204997 0,20495 4.15 × 10 - 5

TACPSO 0.204839 0.205089 0.204943 9.14 × 10 - 5
AGPSO1 0,204823 0.204999 0.204921 5.14 × 10 - 5
TLBO 0.204855 0.204931 0.204892 2,43 × 10 - 5
EO 0.204819 0.204878 0.204834 1,78 × 10 - 5
MPSO 0.204833 0.20497 0,204934 5.44 × 10 - 5
6.1.3. Minimización del costo total de unidades generadoras
Las características de convergencia comparativa, los perfiles de carga y los perfiles de pérdida para el sistema de prueba 1 para el
EO y otras técnicas de optimización se presentan en la Figura 10 . Como se observa en la Figura 10 , los perfiles de voltaje y carga se
mantienen dentro de los rangos aceptables y el EO proporciona las mejores características de convergencia en comparación con otros
métodos. Los resultados óptimos del EO y otras técnicas para el sistema de prueba 1 se resumen en la Tabla 15 . De la tabla 15 , el EO
conduce a un costo total de generadores de 800,4486 $ / hr, que es mejor que el costo total obtenido por los otros métodos comparados.
De la figura 10 b, c, se puede encontrar que a pesar de que EO puede obtener el valor mínimo del costo total de generación de energía, la
carga de las líneas de transmisión es mayor que otros métodos y la desviación de voltaje de EO es mayor que otras técnicas de
optimización.
VD ( pu) 0,740965 0.845878 0,761669 0.811019872 0.865075 0.877139

FC ($ / h) 800.8283 800.5201 800.5595 800.616176 800.4486 800.5346
PAG pérdida MW) 9.134902 9.02898 9.040104 8.97569702 9.041464 9.059254
E ( ton / h) 0.366492 0.366315 0.365967 0.363482104 0.367478 0.366949
F o ($ / h) 800.8283 800.5201 800.5595 800.616176 800.4486 800.5346

Energias 2020, 13, 6066 25 de 35
Los resultados estadísticos arrojados por el EO y otras técnicas de optimización se dan en la Tabla dieciséis .
MFO 800.8283 802.8078 801.5102 0,72899

TACPSO 800.5201 804.0448 800.6766 1.305504
AGPSO1 800.5595 802.1145 800.7023 0.453581
TLBO 800.6162 802.225 800.8366 0.471362
EO 800.4486 800.646 800.4793 0.057894
MPSO 800.5346 804.6442 801.1155 1.810857
De la tabla 17 y figura 11 , se puede observar que el costo total de las unidades generadoras para prueba
El sistema 2, el sistema de prueba 3 y el sistema de prueba 4 disminuyeron en un 3,54%, 3,47% y 2,91%, respectivamente, en comparación con el sistema de
prueba 1. En este caso, como se muestra en la Tabla 17 ; la contribución de la generación de energía de las centrales eólicas para el sistema de prueba 2 y el
sistema de prueba 4 es del 9,58% y el 35,68% de la generación total, respectivamente. Además, la contribución de la generación de energía solar fotovoltaica
para el sistema de prueba 2 y el sistema de prueba 3 son el 21,33% y el 41,17% de la generación total, respectivamente.
Energias 2020, 13, 6066 26 de 35
PG2 (MW) 20 80 48.74605575 45.18712121 21.21838812 38.17119779

PG5 (MW) 15 50 21.4315437 15.00195728 15.40668673 19.095538
PG8 (MW) 10 35 21.18353338 29.97018297 15.60913424 10.08641797
PG11 (MW) 10 30 11.52952165 13.07275916 29.402226 20.7452611
PG13 (MW) 10 40 12.0107829 19.71387022 30.51540057 17.9328134
PG24 (MW) 10 30 27.19702311 26.3304831 25.32965431
PG30 (MW) 10 40 14.74139467 17.72178713 20.28023584
V1 (pu) 0,95 1.1 1.081191705 1.022713246 1.02314065 1.059255936
V2 (pu) 0,95 1.1 1.063110135 1,006065736 1.008766945 1.043719467
V5 (pu) 0,95 1.1 1.032684857 0,956733982 0,961917138 1.009460201
V8 (pu) 0,95 1.1 1.036543249 0,994159517 0,985269141 1.02095678
V11 (pu) 0,95 1.1 1.097591909 1.012587735 1.049992902 1.0845661
V13 (pu) 0,95 1.1 1.051244633 1.054638289 1.011514979 1.046208927
V24 (pu) 0,95 1.1 1.035583887 1.011800496 1.043496784
V30 (pu) 0,95 1.1 0,950000000 0,996591531 1.048407181
QC10 (MVAr) 0 5 2.971616423 3.739491269 4.902790106 0,325756054
QC12 (MVAr) 0 5 0,655177618 4.809891924 1.662706176 3.06145818
QC15 (MVAr) 0 5 3.197516308 0,002648509 0,249875162 3.301750446
QC17 (MVAr) 0 5 4.723716655 3.279961844 1.827574807 1.707154585
QC20 (MVAr) 0 5 3.650622268 0.917150962 1.107119341 0,418013886
QC21 (MVAr) 0 5 5.000000000 4.948708899 2.08610321 4.893042007
QC23 (MVAr) 0 5 2.498554056 4.535914953 4.240774401 3.58924067
QC24 (MVAr) 0 5 4.985418463 5.000000000 0,00000000 1.169769378
QC29 (MVAr) 0 5 2.584313587 4.144114834 4.95463484 1,500067393
T11 (pu) 0,9 1.1 1.027284076 1.048412041 1.099843892 0,985023037
T12 (pu) 0,9 1.1 0,971275895 0.90000000 0,922169184 0,989956238
T15 (pu) 0,9 1.1 0,972373363 1,002944153 1.006664961 0,991751478
T36 (pu) 0,9 1.1 0,9815263 1.059841992 0,944073975 0.971316876
PG1 (MW) 50 200 177.5400261 125.374001 133.7249716 138.0708394
QG1 (MVAr) - 20 150 - 0.570024945 - 0.833938199 - 5.669301771 - 1.647701957
QG2 (MVAr) - 20 60 19.80925666 13.30674022 30.0465083 18.91158888
QG5 (MVAr) - 15 62,5 25.58480054 6.160576051 11.07617293 21.00268292
QG8 (MVAr) - 15 48 23.28431397 23.75265502 14.5584729 21.65678972
QG11 (MVAr) - 10 40 25.55139519 8.157153402 35.09222447 19.52230631
QG13 (MVAr) - 15 44 1.335643081 21.55072062 12.13070192 7.287213883
QG24 (MVAr) - 15 44 22.34214251 15.27252587 8.101017671
QG 30 (MVAr) - 15 44 - 5.331414964 - 8.278410983 - 1,403218975
VD ( pu) 0.865074691 0.312619858 0,288839815 0,653856503
FC ($ / h) 800.4486031 529.3973749 432.2815387 473.5571537
PAG pérdida MW) 9.041463508 6.858309749 6.529077621 6.311958209
E ( ton / h) 0.367478227 0.141650437 0.159248156 0.163097259
TC ($ / h) 772.2465456 772.7810970 777.3121394
CW
T ($ / h)
85.46692162 303.7549857
C PV
T ($ / h)
157.3822491 340.4995583
F o ($ / h) 800.4486031 772.2465456 772.7810970 777.3121394

Energias 2020, 13, 6066 27 de 35
Figura 11. Costo total de las unidades generadoras del caso 3 para todos los sistemas de prueba que utilizan EO.
6.1.4. Minimización de la desviación de voltaje
Figura 12 demuestra los perfiles de voltaje para todos los sistemas de prueba para este caso usando EO. La solución óptima obtenida por EO para el
sistema de prueba 1, el sistema de prueba 2, el sistema de prueba 3 y el sistema de prueba 4 se tabulan en la Tabla 18 . Como se muestra en la figura 12 y mesa 18
, la presencia de recursos de energía renovable mejora los perfiles de tensión y redujo la desviación de tensión para el sistema de prueba 2, el sistema de prueba
3 y el sistema de prueba 4 en un 22,46%, 37,39% y 29,61%, respectivamente, en comparación con el sistema de prueba 1. Además , se puede observar que la
contribución a la generación de energía del sistema de prueba 2 proveniente del viento, la energía solar fotovoltaica y la generación de energía térmica son
17.57%, 17.87% y 64.54%, respectivamente. Con respecto al sistema de prueba 3, la contribución de la generación de energía a partir de energía solar
fotovoltaica y térmica son 34,69% y 65,30%, respectivamente. Además, las plantas de energía eólica del sistema de prueba 4 aportan el 55,34% de la generación
total de energía.
Figura 12. Perfiles de voltaje del caso 4 para todos los sistemas de prueba que utilizan EO.
Energias 2020, 13, 6066 28 de 35
PG2 (MW) 20 80 70.18121441 35.84850999 73.22346542 42.82238053

PG5 (MW) 15 50 25.52703119 20.27116158 33.56379457 47.02961201
PG8 (MW) 10 35 28.87890546 17.61889372 18.04097353 33.85695266
PG11 (MW) 10 30 29.30401557 24.63092203 10.13966121 14.67013887
PG13 (MW) 10 40 27,92172576 15.28698582 21.57955174 39.93831108
PG24 (MW) 10 30 16.34156919 10.07569951 28.44997135
PG30 (MW) 10 40 26.43024961 24.9797807 28.73744876
V1 (pu) 0,95 1.1 1.009811989 1.032801388 1.022207169 1.012647301
V2 (pu) 0,95 1.1 1,003153500 1.026505843 1.020581934 1.004121334
V5 (pu) 0,95 1.1 1.015213206 1.016105476 1.019877057 1.020275353
V8 (pu) 0,95 1.1 1.008124785 0,993094249 0,998231049 1,001227396
V11 (pu) 0,95 1.1 1.038640051 1.003641057 1.02134836 0,99563608
V13 (pu) 0,95 1.1 1.005894818 1.02703208 0,996453698 1.022325949
V24 (pu) 0,95 1.1 1.013528762 1.014235434 1.018656779
V30 (pu) 0,95 1.1 1.002929877 0,993533496 0,998414844
QC10 (MVAr) 0 5 4.999434200 1.057601365 4.449085771 1.224696754
QC12 (MVAr) 0 5 4.602398118 2.55410853 4.99999823 2.663316679
QC15 (MVAr) 0 5 4.960424711 4.999607248 1.610176653 3.415934203
QC17 (MVAr) 0 5 0.01181544 0,217347144 1.996228043 0.019033266
QC20 (MVAr) 0 5 4.996883927 4.92956648 4.978309396 4.994054795
QC21 (MVAr) 0 5 4.956429831 1.646590977 0.034134918 4.819904248
QC23 (MVAr) 0 5 4.972309922 0,427048793 1.956957345 1.039869954
QC24 (MVAr) 0 5 4.980435681 2.406207968 4.614781826 0,613094925
QC29 (MVAr) 0 5 2.520824595 1.71349761 3.890942901 3.740081954
T11 (pu) 0,9 1.1 1.056622635 1.012874303 1.035801681 1.002332018
T12 (pu) 0,9 1.1 0.901402975 0,900602964 0.902285005 0.901103808
T15 (pu) 0,9 1.1 0,981060937 1.013218403 0,960787866 0,998733169
T36 (pu) 0,9 1.1 0,966944023 0.987755959 0,989855906 0,98143194
PG1 (MW) 50 200 108.1160533 133,9296827 97.60688393 51.45175998
QG1 (MVAr) - 20 150 - 19.10239902 - 19.59757178 - 19.11821266 - 0.518817877
QG2 (MVAr) - 20 60 - 14,85253038 31.85856685 18.90601653 - 16.64972076
QG5 (MVAr) - 15 62,5 57.49581183 49.60698522 51.42002978 56.50571855
QG8 (MVAr) - 15 48 45.23093447 11.80532985 26.14354452 31.44056819
QG11 (MVAr) - 10 40 20.12674964 2.380585374 10.62092072 - 1.914317997
QG13 (MVAr) - 15 44 - 1.74441538 13.80317636 - 8.465359993 10.55389137
QG24 (MVAr) - 15 44 14.86630972 15.99035449 13,88576475
QG 30 (MVAr) - 15 44 - 4.888937122 - 7.68659143 - 7,960636408
VD ( pu) 0.088397534 0.08005165 0.064632335 0.07266919
FC ($ / h) 848.7795548 480.1984844 514.2584395 339.455916
PAG pérdida MW) 6.528945889 6.957974748 5.809810669 3.556575273
E ( ton / h) 0.240505607 0.155665569 0.119726864 0.091393798
TC ($ / h) 787.9483007 810.1863986 861.8303756
CW
T ($ / h)
164.0403370 522.3744597
C PV
T ($ / h)
143.7094792 295.9279591
F o ( pu) 0.088397534 0.080051650 0.064632335 0.07266919
Está claro en la tabla 19 ; el mejor mínimo, la desviación estándar y la mediana se obtienen mediante el EO.
FromFigure 13 , el voltaje y los perfiles de carga para este caso para todos los métodos de optimización obedecen
restricciones de voltaje en los buses de carga y la carga de la línea de transmisión. También se puede observar que la característica de
convergencia EO supera a las características de convergencia de otros métodos. Los resultados de EO y otros métodos para el sistema
de prueba 1 se dan en la Tabla 20 . De la figura 13 b, c y tabla 20 , se puede ver que EO alcanza el índice de emisión mínimo minimizando la
función objetivo de
Energias 2020, 13, 6066 29 de 35
desviación de voltaje. Además, EO y MFO pueden obtener la pérdida de potencia real más baja a 6.528 MW y
5.965 MW, respectivamente. Sin embargo, MPSO, TLBO, TACPSO y ACPSO1 obtienen un menor costo de combustible en comparación con EO.
MFO 0.100862 0.137899 0.117452 0.011555

TACPSO 0.092725 0.177792 0.116202 0.025827
AGPSO1 0.102816 0.144276 0.131944 0.015650
TLBO 0.103244 0.152343 0.112717 0.015185
EO 0.088398 0.097568 0.092814 0,002809
MPSO 0.093414 0.202628 0.124612 0.038641
VD ( pu) 0.100862 0.092725 0.102816 0.103243 0.088398 0.093414

FC ($ / h) 901.7397 852.0642 834.1079 829.58791 848.7796 841.3429
PAG pérdida MW) 5.965677 9.980964 7.492151 8.391654 6.528946 7.564352
E ( ton / h) 0.248497 0.359732 0.273799 0.337325 0.240506 0.275282
F o ( pu) 0.100862 0.092725 0.102816 0.103243 0.088398 0.093414

Energias 2020, 13, 6066 30 de 35
6.1.5. Caso 5: Minimización del costo total de las unidades generadoras, desviación de voltaje, pérdida de potencia real e índice de
emisión
Está claro en la Figura 14 que el EO tiene las mejores características de convergencia en comparación con los otros algoritmos de
optimización y los perfiles de voltaje y carga para todos los rangos de algoritmos dentro de los límites permitidos. Los resultados de EO y otros
métodos para el sistema de prueba 1 de este caso se muestran en la Tabla 21 . Está claro en la Figura 14 b, c y tabla 21 que mientras EO logra
el valor mínimo de desviación de voltaje y costo de combustible en comparación con otros métodos, otras técnicas de optimización obtienen
valores más bajos de índice de emisión y pérdida de potencia real que EO.
Figura 14. Perfiles comparativos de convergencia, voltaje y carga para el caso 5 para todos los sistemas de prueba 1.
VD ( pu) 0.312222 0.301092 0.2979 0.292001838 0.291525 0.315655

FC ($ / h) 832.131 833.4427 831.8455 831.251448 829.9924 833.2358
PAG pérdida MW) 5.569804 5.471244 5.542919 5.575077257 5.604236 5.490564
E ( ton / h) 0.250434 0.249973 0.251339 0,252691258 0.253454 0,249919
F o ($ / h) 965.9816 964.8825 964.8211 964.8363202 964.2232 965.4054
El análisis estadístico del EO y otros métodos para el sistema de prueba1 se muestra en la Tabla 22 . Como se muestra
en la tabla, el EO da el mejor mínimo, la mediana y la desviación estándar.

Energias 2020, 13, 6066 31 de 35
Mejor Peor Media Desarrollo estándar
MFO 965.9816 970.7178 968.0071 1.616872

TACPSO 964.8825 968.5757 965.8415 1.251791
AGPSO1 964.8211 967.8093 965.6185 0.874411
TLBO 964.8363 968.0825 966.0087 1.105687
EO 964.2232 966.3464 964.5618 0,655197
MPSO 965.4054 978.9642 966.4455 4.054598
Está claro en la Figura 15 y mesa 23 que la función objetivo para este caso para el sistema de prueba 2, el sistema de prueba 3 y el sistema de prueba
4 se redujo en 3,90%, 7,77% y 7,84%, respectivamente, en comparación con el sistema de prueba 1. Se encuentra en la Tabla 23 que la pérdida de potencia
real para el sistema de prueba 2, el sistema de prueba 3 y el sistema de prueba 4 se redujo en un 30,94%, 20,75% y 46,06%, respectivamente, en
comparación con el sistema de prueba 1. Se puede observar en la Figura 15 que la contribución de la generación de energía eólica para el sistema de prueba
2 y el sistema de prueba 4 son el 15,67% y el 49,37% de la generación total de energía, respectivamente, mientras que la energía solar fotovoltaica aporta el
33,36% y el 44,69% de la potencia total para el sistema de prueba 2 y sistema 3, respectivamente. Además, se observa en la Tabla 23 ese índice de emisión
para el sistema de prueba 2, el sistema de prueba 3 y el sistema de prueba 4 se redujo en un 61,24%, 54,91% y 58,58%, respectivamente, en comparación
con el sistema de prueba 1.
( una) Per fi l de pérdida. ( segundo) Costo total de unidades generadoras.
( C) Índice de emisión total. ( re) Perfiles de voltaje.
Figura 15. Costo total de las unidades generadoras, índice de emisión total, perfiles de voltaje y pérdida del caso 5 para todos los sistemas de prueba.
Energias 2020, 13, 6066 32 de 35
PG2 (MW) 20 80 52.34900301 43.76198174 46.85392201 39.04580002

PG5 (MW) 15 50 31.41892625 25.13957863 41.57764325 49.63341394
PG8 (MW) 10 35 34.99720302 28.83722988 15.57308058 21.63539649
PG11 (MW) 10 30 26.95716205 27,72005416 28.54767347 26.5299306
PG13 (MW) 10 40 20.69034077 37.30220041 21.35593529 20.93782021
PG24 (MW) 10 30 33.41823981 19.87429698 27.03669094
PG30 (MW) 10 40 17.31391519 17.29441758 17.27175615
V1 (pu) 0,95 1.1 1.073302714 1.024270078 1.031881955 1.034535652
V2 (pu) 0,95 1.1 1.05933056 1.012773005 1.014838234 1.023955028
V5 (pu) 0,95 1.1 1.031867076 0,991186486 0,965629646 1,002922115
V8 (pu) 0,95 1.1 1.039079245 0,991138879 0,993005954 1.010973253
V11 (pu) 0,95 1.1 1.039336016 1.100000000 1.038730973 1.039568814
V13 (pu) 0,95 1.1 1.016224258 1.023619922 1.047631647 1.010922024
V24 (pu) 0,95 1.1 1.027240201 1.008908379 1.012804196
V30 (pu) 0,95 1.1 1.026258901 1.033487159 1.015369168
QC10 (MVAr) 0 5 1.42704702 0,24222794 5.00000000 3.367347878
QC12 (MVAr) 0 5 0.114983911 4.465905221 5.00000000 4.957438998
QC15 (MVAr) 0 5 2.71927269 0,00000000 1.436680682 3.38628092
QC17 (MVAr) 0 5 4.777257639 4.971408287 0,00000000 4.999449612
QC20 (MVAr) 0 5 4.891165116 4.864936873 5.00000000 4.836689278
QC21 (MVAr) 0 5 4.917867343 4.114355205 4.252301174 2.729537609
QC23 (MVAr) 0 5 4.944826897 4.912774176 0,00000000 1.224294666
QC24 (MVAr) 0 5 4.999139393 3.383242169 2.790571405 4.901232863
QC29 (MVAr) 0 5 2.36221935 0,622641699 5.00000000 0,478740405
T11 (pu) 0,9 1.1 1.098277898 1.041847001 0,996768732 1.070613035
T12 (pu) 0,9 1.1 0,937769396 0,906411875 1.061448786 0,920185016
T15 (pu) 0,9 1.1 1.02148431 0,939592837 0.983885511 0,995441894
T36 (pu) 0,9 1.1 1.002153866 0,991006369 0.904079564 0,993400466
PG1 (MW) 50 200 122.5915999 73.77703 96.76396309 84.33186618
QG1 (MVAr) - 20 150 0,44760914 4.980415704 11.6826979 - 1.350997342
QG2 (MVAr) - 20 60 13.45186855 10.12960773 16.17020662 8.009356413
QG5 (MVAr) - 15 62,5 22,96436543 30.2545861 - 0.480850004 19,94798351
QG8 (MVAr) - 15 48 25.09929462 4.325252485 25.37843413 24.0097914
QG11 (MVAr) - 10 40 20.42841833 39.34377358 16.58858651 20,9433804
QG13 (MVAr) - 15 44 4.484753294 - 4.510415315 19.67801235 1.913484758
QG24 (MVAr) - 15 44 - 1.505790029 2.129992746 2.949992903
QG 30 (MVAr) - 15 44 3.138390036 - 7.584798837 0,645488754
VD ( pu) 0,291524702 0.340717958 0,287869453 0.142747756
FC ($ / h) 829.9923878 378.7198323 401.6872426 364.5623372
PAG pérdida MW) 5.604235892 3.870229887 4.440932453 3.022674546
E ( ton / h) 0,253453881 0.098214148 0.114249163 0.104949647
TC ($ / h) 832.9987095 783.9164460 817.6301115
CW
T ($ / h)
144.7990782 453.0677743
C PV
T ($ / h)
309.4797989 382.2292034
F o ($ / h) 964.2232199 927.1649129 889.8329526 889.1206976
7. Conclusiones
En este estudio, se ha aplicado con éxito un nuevo método EO propuesto para resolver OPF de objetivo único y multiobjetivo con
turbinas eólicas integradas y generadores solares fotovoltaicos. Su rendimiento y eficacia se evaluaron en cuatro sistemas de energía, a saber:
sistema IEEE de 30 buses, sistema eólico integrado IEEE 30-bus, sistema solar fotovoltaico integrado IEEE 30 bus y sistema híbrido eólico y
solar fotovoltaico integrado IEEE 30 buses. Se han propuesto y realizado modelos realistas para las turbinas eólicas y los sistemas solares
fotovoltaicos.
Energias 2020, 13, 6066 33 de 35
por lo tanto, se han pronosticado con precisión las salidas de energía reales de las turbinas eólicas y las plantas de energía solar fotovoltaica. Por
lo tanto, se puede tomar una decisión correcta y eficiente para incluir las turbinas eólicas y las plantas de energía solar fotovoltaica en las
ubicaciones adecuadas. La simulación y los resultados estadísticos indican y aprueban que la EO [ 34 ] método supera a otras técnicas de
optimización, a saber: TLBO [ 46 ], MPSO [ 45 ], MFO [ 47 ], AGPSO1 [ 45 ] y TACPSO [ 45 ]. Nuestra investigación ha resaltado la importancia de la
ubicación adecuada de los recursos de energía renovable para mejorar las funciones objetivas del problema OPF. Además, la adición de turbinas
eólicas y energía solar fotovoltaica juega un papel integral en la mejora del rendimiento del sistema estándar de bus IEEE 30. Por ejemplo,
reducen significativamente el costo de combustible y las emisiones de los generadores de energía convencionales, además de minimizar la
pérdida real de energía y la desviación de voltaje.
Contribuciones de autor: Ambos autores han hecho contribuciones iguales a este trabajo. Todos los autores han leído y aceptado la versión publicada del
manuscrito.
Fondos: Esta investigación no recibió financiación externa.
Conflictos de interés: Los autores declaran no tener ningún conflicto de intereses.
Abreviaturas
OPF Flujo de potencia óptimo
PNL Programación continua no lineal

PCIP Algoritmo de punto interior predictor-corrector Optimización del
PSO enjambre de partículas
QP Programación cuadrática
SQP Programación cuadrática secuencial
MILP Programación lineal de enteros mixtos
TLBO Optimización basada en enseñanza-aprendizaje
GSA Algoritmo de búsqueda gravitacional
Delaware Algoritmo de evolución diferencial

MTLBO Enseñanza modificada algoritmo de optimización basado en el aprendizaje colonia de abejas
MABC modificada basada en difusos
BSO Optimización de lluvia de ideas

GWO Algoritmo de optimización del lobo gris Algoritmo
EO del optimizador de equilibrio
HECHOS Sistema de transmisión de corriente alterna flexible
Referencias
1. Roy, R .; Jadhav, H. Solución de flujo de energía óptima de un sistema de energía que incorpora energía eólica estocástica utilizando el algoritmo de colonia de
abejas artificial guiado por Gbest. En t. J. Electr. Power Energy Syst. 2015, 64, 562–578.
2. Shi, L .; Wang, C .; Yao, L .; Ni, Y .; Bazargan, M. Solución óptima de flujo de energía que incorpora energía eólica.
IEEE Syst. J. 2011, 6, 233–241.

3. Biswas, PP; Suganthan, PN; Mallipeddi, R .; Amaratunga, GA Despacho óptimo de energía reactiva con incertidumbres en la demanda de carga y
fuentes de energía renovable que adoptan un enfoque basado en escenarios.
Apl. Soft Comput. 2019, 75, 616–632.

4. Biswas, PP; Suganthan, P .; Amaratunga, GA Soluciones óptimas de flujo de energía que incorporan energía solar y eólica estocástica. Energy
Convers. Manag. 2017, 148, 1194–1207. Dommel, H .; Tinney, W. Soluciones óptimas de flujo de energía. IEEE Trans. Poder Appar. Syst. 1968, PAS-87,
5.
1866–1876.
6. Jabr, RA Flujo de potencia óptimo utilizando una formulación cuadrática cónica extendida. IEEE Trans. Power Syst. 2008,
23, 1000–1008.
7. Lin, WM; Huang, CH; Zhan, TS Una técnica híbrida de flujo de potencia óptimo de corriente-potencia. IEEE Trans. Power Syst. 2008, 23, 177-185.
8. Glavitsch, H .; Spoerry, M. Fórmula de pérdida cuadrática para el despacho reactivo. IEEE Trans. Poder Appar. Syst. 1983,
PAS-102, 3850–3858.
Energias 2020, 13, 6066 34 de 35
9. Burchett, R .; Happ, H .; Wirgau, K. Flujo de potencia óptimo a gran escala. IEEE Trans. Poder Appar. Syst. mil novecientos ochenta y dos,
PAS-101, 3722–3732.
10. Lobato, E .; Rouco, L .; Navarrete, M .; Casanova, R .; Lopez, G. Un flujo de potencia óptimo basado en LP para minimizar las pérdidas de
transmisión y los márgenes reactivos del generador. En Actas de las Actas de IEEE Porto Power Tech de 2001 (Cat. No. 01EX502), Oporto,
Portugal, 10-13 de septiembre de 2001; Volumen 3, 5p. Duman, S .; Güvenç, U .; Sönmez, Y .; Yörükeren, N. Flujo de potencia óptimo mediante el
11. algoritmo de búsqueda gravitacional.
Energy Convers. Manag. 2012, 59, 86–95.

12. El Ela, AA; Abido, M .; Spea, S. Flujo de potencia óptimo mediante algoritmo de evolución diferencial. Electr. Power Syst. Res. 2010, 80, 878–885.
13. Bouchekara, H. Flujo de energía óptimo utilizando un enfoque de optimización basado en agujeros negros. Apl. Soft Comput.
2014, 24, 879–888.
14. Mohamed, AAA; Mohamed, YS; El-Gaafary, AA; Hemeida, AM Flujo de potencia óptimo utilizando el algoritmo de enjambre de polillas. Electr. Power
Syst. Res. 2017, 142, 190-206.

15. Hazra, J .; Sinha, A. Flujo de potencia óptimo multiobjetivo utilizando optimización de enjambre de partículas. EUR. Trans. Electr. Poder 2011, 21, 1028–1045.
dieciséis. Bhattacharya, A .; Roy, P. Solución de fl ujo de potencia óptimo multiobjetivo utilizando un algoritmo de búsqueda gravitacional.
IET Gener. Transm. Distrib. 2012, 6, 751–763.

17. Shabanpour-Haghighi, A .; Sei fi, AR; Niknam, T. Una optimización basada en la enseñanza-aprendizaje modificada para un problema de flujo de
potencia óptimo multiobjetivo. Energy Convers. Manag. 2014, 77, 597–607.
18. Kumar, S .; Chaturvedi, D. Solución óptima de fl ujo de energía usando optimización evolutiva difusa y de enjambre.
En t. J. Electr. Power Energy Syst. 2013, 47, 416–423.

19. Khorsandi, A .; Hosseinian, S .; Ghazanfari, A. Algoritmo de colonia de abejas artificial modificado basado en una técnica difusa de objetivos
múltiples para un problema de flujo de energía óptimo. Electr. Power Syst. Res. 2013, 95, 206–213. Ghasemi, M .; Ghavidel, S .; Ghanbarian, MM;
20. Gharibzadeh, M .; Vahed, AA Flujo de potencia óptimo multiobjetivo considerando el costo, emisión, desviación de voltaje y pérdidas de potencia
utilizando algoritmo competitivo imperialista modificado multiobjetivo. Energía 2014, 78, 276–289.
21. Narimani, MR; Azizipanah-Abarghooee, R .; Zoghdar-Moghadam-Shahrekohne, B .; Gholami, K. Un enfoque novedoso para el fl ujo de potencia óptimo
multiobjetivo mediante un nuevo algoritmo de optimización híbrido que considera las limitaciones del generador y el tipo de multicombustible. Energía 2013,
49, 119-136.
22. Ghasemi, M .; Ghavidel, S .; Akbari, E .; Vahed, AA Resolver problemas de fl ujo de potencia óptimos no lineales, no suaves y no convexos utilizando
algoritmos caóticos de optimización de malezas invasivos basados en el caos. Energía 2014,
73, 340–353.
23. Krishnanand, K .; Hasani, SMF; Panigrahi, BK; Panda, SK Solución óptima de fl ujo de energía que utiliza un algoritmo basado en la
enseñanza-aprendizaje inclusivo y autoevolucionante. En Actas de la Conferencia Internacional sobre Inteligencia de Enjambres, Harbin, China,
12-15 de junio de 2013; Springer: Berlín / Heidelberg, Alemania, 2013.
24. Sivasubramani, S .; Swarup, K. Algoritmo de evolución diferencial basado en programación cuadrática secuencial para un problema de flujo de potencia
óptimo. IET Gener. Transm. Distrib. 2011, 5, 1149-1154.
25. Reddy, SS Flujo de energía óptimo con recursos de energía renovable, incluido el almacenamiento. Electr. Ing. 2017,
99, 685–695.
26. Shilaja, C .; Arunprasath, T. Flujo de potencia óptimo usando algoritmo de enjambre de polillas con algoritmo de búsqueda gravitacional considerando la
energía eólica. Future Gener. Computación. Syst. 2019, 98, 708–715.
27. Aien, M .; Fotuhi-Firuzabad, M .; Rashidinejad, M. Flujo de potencia óptimo probabilístico en sistemas híbridos de energía eólica-fotovoltaica
correlacionados. IEEE Trans. Red inteligente 2014, 5, 130-138.
28. Aien, M .; Rashidinejad, M .; Firuz-Abad, MF Flujo de potencia óptimo probabilístico en sistemas híbridos de energía eólica-fotovoltaica correlacionados: una
revisión y un nuevo enfoque. Renovar. Sostener. Energía Rev. 2015, 41, 1437–1446.
29. Liang, RH; Tsai, SR; Chen, YT; Tseng, WT Flujo de potencia óptimo mediante un enfoque de optimización de enjambre de partículas híbridas basado en la difusa. Electr.
Power Syst. Res. 2011, 81, 1466–1474.
30. Shilaja, C .; Ravi, K. Flujo de energía óptimo usando el algoritmo híbrido DA-APSO en recursos de energía renovable.
Procedia de energía 2017, 117, 1085–1092.
31. Das, T .; Roy, R .; Mandal, KK; Mondal, S .; Mondal, S .; Hait, P .; Das, MK Disparo de potencia reactiva óptima que incorpora energía solar
mediante el algoritmo Jaya. En Avance Computacional en Circuitos y Sistemas de Comunicación; Springer: Berlín / Heidelberg, Alemania, 2020;
págs. 37–48.
Energias 2020, 13, 6066 35 de 35
32. Chen, MR; Zeng, GQ; Lu, KD Despacho de emisiones económicas basado en optimización extrema de población multiobjetivo restringido que
incorpora recursos de energía renovable. Renovar. Energía 2019, 143, 277–294. Rambabu, M .; Nagesh Kumar, G .; Sivanagaraju, S. Flujo de
33. energía óptimo del sistema integrado de energía renovable que usa un compensador en serie controlado por tiristor y un algoritmo Gray-Wolf. Energias
2019, 12, 2215. Faramarzi, A .; Heidarinejad, M .; Stephens, B .; Mirjalili, S. Equilibrium optimizer: Un nuevo algoritmo de optimización. Knowl. Syst
34. basado. 2019, 195, 105190.
35. Biswas, PP; Suganthan, PN; Mallipeddi, R .; Amaratunga, GA Soluciones de fl ujo de potencia óptimas que utilizan un algoritmo de evolución
diferencial integrado con técnicas efectivas de manejo de restricciones. Ing. Apl.
Artif. Intell. 2018, 68, 81–100.

36. Shaheen, AM; El-Sehiemy, RA; Farrag, SM Resolución de un problema de flujo de potencia óptimo multiobjetivo mediante un algoritmo de evolución
diferencial inicializado forzado. IET Gener. Transm. Distrib. 2016, 10, 1634-1647.
37. Panda, A .; Tripathy, M. Security restringió la solución de flujo de energía óptimo del sistema de generación eólica-térmica utilizando un algoritmo de
búsqueda de bacterias modificado. Energía 2015, 93, 816–827.
38. Shargh, S .; Mohammadi-Ivatloo, B .; Seyedi, H .; Abapour, M. Flujo de potencia óptimo probabilístico multiobjetivo considerando la energía eólica
correlacionada y las incertidumbres de carga. Renovar. Energía 2016, 94, 10-21.
39. Biswas, PP; Suganthan, PN; Qu, BY; Amaratunga, GA Despacho de energía económico-ambiental multiobjetivo con energía eólica-solar-pequeña
hidroeléctrica estocástica. Energía 2018, 150, 1039–1057.
40. Hu, F .; Hughes, KJ; Ma, L .; Pourkashanian, M. Despacho económico y de emisiones combinado considerando unidades de generación de energía
convencional y eólica. En t. Trans. Electr. Energy Syst. 2017, 27, e2424.
41. Hu, F .; Hughes, KJ; Ingham, DB; Ma, L .; Pourkashanian, M. Modelo económico dinámico y de despacho de emisiones considerando la energía eólica
bajo la reforma del mercado energético: un estudio de caso. En t. J. Electr. Power Energy Syst.
2019, 110, 184-196.
42. Taha, IB; Elattar, EE Dimensionamiento óptimo de los recursos de energía reactiva para la mejora de las operaciones del sistema de energía basado en un
optimizador de lobo gris mejorado. IET Gener. Transm. Distrib. 2018, 12, 3421–3434. Alsac, O .; Stott, B. Flujo de carga óptimo con seguridad de estado estable. IEEE
43. Trans. Poder Appar. Syst. 1974,
PAS-93, 745–751.
44. Zimmerman, RD; Murillo-Sánchez, CE; Gan, D. MATPOWER: Un paquete de simulación de sistemas de potencia de MATLAB. Sistema de energía
manual Ing. Res. Center Ithaca NY 1997, 1, 8–38.

45. Mirjalili, S .; Lewis, A .; Sadiq, AS Grupos de partículas autónomos para la optimización del enjambre de partículas. Árabe. J. Sci. Ing. 2014, 39, 4683–4697.
46. Rao, RV; Savsani, VJ; Vakharia, D. Enseñanza: optimización basada en el aprendizaje: método de optimización para problemas continuos no
lineales a gran escala. Inf. Sci. 2012, 183, 1-15. Mirjalili, S. Moth- algoritmo de optimización de llama:
47. Un paradigma heurístico novedoso inspirado en la naturaleza.
Knowl. Syst basado. 2015, 89, 228–249.
Nota del editor: MDPI se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.
© 2020 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de acceso abierto distribuido bajo
los términos y condiciones de la licencia Creative Commons Attribution (CC BY)
(http://creativecommons.org/licenses/by/4.0/).

Application of Equilibrium Optimizer Algorithm For Optimal Power Flow With High Penetration of Renewable Energy - En.es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Application of Equilibrium Optimizer Algorithm For Optimal Power Flow With High Penetration of Renewable Energy - En.es

Cargado por

Copyright:

Formatos disponibles

energías

Aplicación del algoritmo EquilibriumOptimizer para un flujo de

Khaled Nusair 1, * y Lina Alhmoud 2

Recibido: 18 de octubre de 2020; Aprobado: 15 de noviembre de 2020; Publicado: 19 de noviembre de 2020

sistema solar fotovoltaico y eólico; sistema de energía híbrido

que se conviertan en los más

Energias 2020, 13, 6066; doi: 10.3390 / en13226066 www.mdpi.com/journal/energies

naturaleza intermitente de la irradiancia solar en [ 3 , 4 ].

1.2. Revisión de literatura

1.3. Contribución y organización del papel

presenta un modelo matemático de plantas fotovoltaicas eólicas y solares en la Sección 3 . Sección 4

2. Formulación de problemas de OPF

2.1. Estructura general de OPF

es la carga del yo th línea de transmisión. X se puede expresar de la siguiente manera [ 14 , 35 ]:

x = [P GRAMO 1, V L 1,. . . , V L npq, Q GRAMO 1,. . . , Q GRAMO NG, S l 1,. . . , S l n] T (2)

se puede expresar de la siguiente manera [ 14 , 35 ]:

2.2. Funciones objetivas de OPF

• Caso 1: minimización de la pérdida de potencia real

Tabla 1. Coeficientes de emisión de las unidades generadoras de energía térmica [ 14 , 35 ].

G1 1 4.091 - 5.554 6,49 0,0002 2.857

Tabla 2. Coeficientes de coste de los generadores térmicos [ 14 , 35 ].

Generador Autobús una segundo C

• Caso 4: Minimización de la desviación de voltaje

red eléctrica Este caso se expresa como [ 14 , 35 ] :(

ambiental y el índice de desviación de voltaje simultáneamente. Se puede definir de la siguiente manera [ 14 , 35 ]:

F o ( x, u) = FC + λ pag × PAG pérdida + λ enfermedad venérea × VD + λ mi × mi (8)

Las limitaciones de OPF generalmente se clasifican en [ 14 , 35 ]:

PAG GRAMO yo - PAG re yo = V yo ∑ segundo

Q GRAMO yo - Q re yo = V yo V k ( GRAMO ik pecado θ ik - segundo ik porque θ ik)

a) Limitaciones de las unidades generadoras de energía térmica y renovable

(b) Restricciones de la configuración de la toma del transformador

TS k, min ≤ TS k ≤ TS k, máximo k = 1,. . . , norte T (14)

(c) restricciones del compensador de derivación

Q C, j, min ≤ Q C ≤ Q C, j, máximo j = 1,. . . , norte C (15)

(d) Restricciones de los voltajes en los buses de carga

V Lr, min ≤ V Lr ≤ V Lr, máx. r = 1,. . . , norte L (dieciséis)

(e) Limitaciones de la carga de la línea de transmisión

S lv ≤ S lv, max v = 1,. . . , norte l (17)

2.4. Manejo de restricciones

3. Modelos matemáticos de las unidades generadoras de energía eólica y solar

3.1. Unidades de energía eólica

3.1.1. Modelo incierto y de potencia de turbinas eólicas

•• 0 v <v en y v> v afuera

viento de corte y la velocidad del viento nominal, respectivamente.

energía eólica puede definirse como [ 4 , 39 - 41 ]:

C w, j ( PAG ws, j) = gramo j PAG ws, j (21)

dónde gramo j es el coeficiente de costo directo de la planta eólica.

La función de costo se sobreestima porque la energía generada real de la turbina eólica es

C Rw, j ( PAG ws, j -

PAG wr, j (23)

th turbina eólica y PAG wr, j es el calificado

dónde norte w es el número de aerogeneradores.

3.2. Unidades de energía solar

3.2.1. Modelo incierto y de potencia de plantas solares fotovoltaicas

puede expresar matemáticamente como [ 3 , 4 ]:

sistema fotovoltaico ( PAG s ( GRAMO)) como functio •

energía solar se puede definir como [ 4 , 39 ]:

C s, k ( PAG ss, k) = h k PAG ss, k (27)

dónde h k es un coeficiente que representa el coste directo de la planta solar fotovoltaica.

= K Rs, k ∗ F s ( PAG sav, k < PAG ss, k) ∗ (28)

[ PAG ss, k - E (P sav, k < PAG ss, k)]

k) y E (P sav, k < PAG ss, k) es la expectativa de energía solar

En el caso de la subestimación de k th sistema fotovoltaico solar, el costo de la penalización se da como [ 4 , 39 ]: