Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Artículo
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
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;
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
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
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
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 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.
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
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
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.
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
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 .
Generador Autobús α β γ ω µ
• 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 .
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
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.
)
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
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
1. Restricciones de igualdad
Las restricciones de igualdad de OPF generalmente se representan mediante las ecuaciones de flujo de carga:
norte
norte
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.
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)
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.
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 ]:
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
3.1.2. Cálculo del costo directo, subestimado y sobrestimado de la energía eólica El costo directo de la planta de
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 ]:
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)
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
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
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 ]:
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
C Rs, k ( PAG ss, k - PAG sav, k) = K Rs, k ( PAG ss, k - PAG sav, 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,
C Ps, k ( PAG sav, k - PAG ss, k) = K Ps, k ( PAG sav, 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
4. EO propuesta
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
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
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.
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
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
-→ )
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
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)
-→ -→ -→
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
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
].
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
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,
(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
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)
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)→
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 )
comienzo
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
T=1
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
No
Evaluar la función objetivo Compruebe el T <T max
si
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
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
térmica 6 3 3 3
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
• 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,
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
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]
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]
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.
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]
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.
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]
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 .
Tamaño de la poblacion 50
MFO [ 47 ] Número máximo de iteraciones 100
Constante de forma (b) 1
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.
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.
( 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
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
CW
T ($ / h)
141.4837171 499.7031241
C PV
T ($ / h)
303.9550435 465.3326895
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.
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
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
Cuadro 12. Ajustes óptimos de variables dependientes y de control para el caso 2 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
CW
T ($ / h)
108.3986993 514.4799085
C PV
T ($ / h)
414.4113463 511.4372144
( C) Perfil de carga.
Figura 8. Perfiles comparativos de convergencia, voltaje y carga para el caso 2 para todos los sistemas de prueba.
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.
Cuadro 13. Resultados de EO y otros métodos del caso 2 para el sistema de prueba 1.
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.
Cuadro 14. Resumen del análisis estadístico del caso 2 para el sistema de prueba 1.
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.
Cuadro 15. Resultados de EO y otros métodos del caso 3 para el sistema de prueba 1.
( C) Perfil de carga.
Figura 10. Perfiles comparativos de convergencia, voltaje y carga para el caso 3 para todos los sistemas de prueba.
Los resultados estadísticos arrojados por el EO y otras técnicas de optimización se dan en la Tabla dieciséis .
Cuadro 16. Resumen del análisis estadístico del caso 3 para el sistema de prueba 1.
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
Cuadro 17. Ajustes óptimos de variables dependientes y de control para el caso 3 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
CW
T ($ / h)
85.46692162 303.7549857
C PV
T ($ / h)
157.3822491 340.4995583
Figura 11. Costo total de las unidades generadoras del caso 3 para todos los sistemas de prueba que utilizan EO.
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
Cuadro 18. Ajustes óptimos de variables dependientes y de control para el caso 4 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
CW
T ($ / h)
164.0403370 522.3744597
C PV
T ($ / h)
143.7094792 295.9279591
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.
Cuadro 19. Resumen del análisis estadístico del caso 4 para el sistema de prueba 1.
( C) Perfil de carga.
Figura 13. Perfiles comparativos de convergencia, voltaje y carga para el caso 4 para todos los sistemas de prueba.
Cuadro 20. Resultados de EO y otros métodos del caso 4 para el sistema de prueba 1.
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.
( C) Perfil de carga.
Figura 14. Perfiles comparativos de convergencia, voltaje y carga para el caso 5 para todos los sistemas de prueba 1.
Cuadro 21. Resultados de EO y otros métodos del caso 5 para el sistema de prueba 1.
El análisis estadístico del EO y otros métodos para el sistema de prueba1 se muestra en la Tabla 22 . Como se muestra
Cuadro 22. Resumen del análisis estadístico del caso 5 para el sistema de prueba 1.
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
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
Cuadro 23. Ajustes óptimos de variables dependientes y de control para el caso 5 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
CW
T ($ / h)
144.7990782 453.0677743
C PV
T ($ / h)
309.4797989 382.2292034
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.
Abreviaturas
QP Programación cuadrática
SQP Programación cuadrática secuencial
MILP Programación lineal de enteros mixtos
TLBO Optimización basada en enseñanza-aprendizaje
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.
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
13. Bouchekara, H. Flujo de energía óptimo utilizando un enfoque de optimización basado en agujeros negros. Apl. Soft Comput.
14. Mohamed, AAA; Mohamed, YS; El-Gaafary, AA; Hemeida, AM Flujo de potencia óptimo utilizando el algoritmo de enjambre de polillas. Electr. Power
dieciséis. Bhattacharya, A .; Roy, P. Solución de fl ujo de potencia óptimo multiobjetivo utilizando un algoritmo de búsqueda gravitacional.
18. Kumar, S .; Chaturvedi, D. Solución óptima de fl ujo de energía usando optimización evolutiva difusa y de enjambre.
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
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,
24. Sivasubramani, S .; Swarup, K. Algoritmo de evolución diferencial basado en programación cuadrática secuencial para un problema de flujo de potencia
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
27. Aien, M .; Fotuhi-Firuzabad, M .; Rashidinejad, M. Flujo de potencia óptimo probabilístico en sistemas híbridos de energía eólica-fotovoltaica
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.
30. Shilaja, C .; Ravi, K. Flujo de energía óptimo usando el algoritmo híbrido DA-APSO en recursos de energía renovable.
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
35. Biswas, PP; Suganthan, PN; Mallipeddi, R .; Amaratunga, GA Soluciones de fl ujo de potencia óptimas que utilizan 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
38. Shargh, S .; Mohammadi-Ivatloo, B .; Seyedi, H .; Abapour, M. Flujo de potencia óptimo probabilístico multiobjetivo considerando la energía eólica
39. Biswas, PP; Suganthan, PN; Qu, BY; Amaratunga, GA Despacho de energía económico-ambiental multiobjetivo con energía eólica-solar-pequeña
40. Hu, F .; Hughes, KJ; Ma, L .; Pourkashanian, M. Despacho económico y de emisiones combinado considerando unidades de generación de energía
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.
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
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
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:
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
(http://creativecommons.org/licenses/by/4.0/).