Βελτιστοποίηση ροής ισχύος σε έξυπνο δίκτυο διανομής ηλεκτρικής ενέργειας με χρήση μεθόδων υπολογιστικής νοημοσύνης
Power flow optimization in smart grid using computational intelligence methods
Keywords
Αλγόριθμος σμήνους σωματιδίων ; Βέλτιστη ροή ισχύος ; Γενετικοί αλγόριθμοι ; Έξυπνα δίκτυα ; Μεταευρετικοί Αλγόριθμοι ; Συστήματα ηλεκτρικής ενέργειας ; Υπολογιστική νοημοσύνηAbstract
Τις τελευταίες δεκαετίες έχουν εδραιωθεί τα έξυπνα δίκτυα ηλεκτρικής ενέργειας, ικανά να ανταπεξέλθουν σε νέες ανάγκες όπως προκύπτουν από την αυξανόμενη διείσδυση των ανανεώσιμων πηγών, την εδραίωση των κατανεμημένων συστημάτων παραγωγής μικρότερης κλίμακας και την αλλαγή της ιδιότητας του καταναλωτή σε καταναλωτή - παραγωγό. Με τα προαναφερθέντα δεδομένα, ένα έξυπνο δίκτυο ηλεκτρικής ενέργειας πρέπει να αντιμετωπίσει διάφορα προβλήματα, ένα από τα οποία είναι το πρόβλημα της βέλτιστης ροής ισχύος. Στην παρούσα διπλωματική εργασία, αρχικά γίνεται μια ανασκόπηση στην υπολογιστική νοημοσύνη και στις μεταευρετικές μεθόδους και στην συνέχεια αναλύονται και συγκρίνονται διεξοδικά δύο δημοφιλείς μέθοδοι, οι γενετικοί αλγόριθμοι και ο αλγόριθμος βελτιστοποίησης σμήνους σωματιδίων (PSO). Στην συνέχεια, διατυπώνονται οι βασικές έννοιες και οι μαθηματικές σχέσεις για την κατανόηση του προβλήματος ροής ισχύος και φυσικά οι στόχοι που εξυπηρετούνται κατά τη βελτιστοποίηση της, όπως για παράδειγμα η μείωση των αποκλίσεων τάσεων και των απωλειών πραγματικής ισχύος. Τέλος, για την σύγκριση των δύο αλγόριθμων (PSO & GA) στο πρόβλημα βέλτιστης ροής ισχύος, χρησιμοποιούνται δύο benchmark δίκτυα (IEEE-69 & IEEE-123) και η σύγκριση αφορά στην απόδοση της καλύτερης βέλτιστης λύσης, την αξιοπιστία και το χρόνο απόδοσης της βέλτιστης λύσης.
Abstract
In recent decades, smart grids have been established, able to meet new needs as they emerge from the increasing penetration of renewable sources, the consolidation of small-scale distributed generation systems and the change of consumer status to consumer - producer. With the abovementioned facts, a smart grid has to face different problems, one of them being the problem of optimal power flow (OPF). Firstly, in this diploma thesis, a review of computational intelligence and metaheuristic methods is being accomplished, and subsequently, two popular algorithms, namely the genetic algorithm (GA) and the particle swarm optimization (PSO) algorithm are analyzed in more detail, and then compared with regard to their performance on the power flow optimization problem. Afterwards, the basic concepts, the mathematical equations, and of course the goal of the optimization problem are stated. Finally, two benchmark networks (IEEE-69 & IEEE-123) are used to compare the two algorithms (PSO & GA), and the comparison concerns the outcome of the best optimal solution, the reliability and the performance time of the optimal solution.