Publicado

2014-05-01

Use of a multi-objective teaching-learning algorithm for reduction of power losses in a power test system

Uso de un algoritmo de enseñanza-aprendizaje multi-objetivo para la reducción de pérdidas de energía en un sistema de potencia de prueba

DOI:

https://doi.org/10.15446/dyna.v81n185.38309

Palabras clave:

Multi-objective evolutionary algorithm based on decomposition (MOEA/D), Multi-objective Teaching-learning algorithm, Optimal reactive power dispatch. (en)
Algoritmo evolutivo multi-objetivo basado en descomposición (MOEA/D), Algoritmo de enseñanza-aprendizaje multi-objetivo, Despacho óptimo de potencia reactiva (es)

Descargas

Autores/as

  • Miguel A Medina CINVESTAV del IPN Unidad Guadalajara
  • Juan M Ramirez CINVESTAV del IPN Unidad Guadalajara
  • Carlos A Coello CINVESTAV del IPN unidad Zacatenco
  • Swagatam Das Indian Statistical Institute - Electronics and Communication Sciences Unit
This paper presents a multi-objective teaching learning algorithm based on decomposition for solving the optimal reactive power dispatch problem (ORPD). The effectiveness and performance of the proposed algorithm are compared with respect to a multi-objective evolutionary algorithm based on decomposition (MOEA/D) and the NSGA-II. A benchmark power system model is used to test the algorithms' performance. The results of the power losses reduction as well as the performance metrics indicate that the proposed algorithm is a reliable choice for solving the problem.
Este artículo presenta un algoritmo de enseñanza-aprendizaje multi-objetivo basado en descomposición para resolver el problema del despacho óptimo de potencia reactiva (ORPD). La efectividad y el desempeño del algoritmo propuesto son comparados con respecto a un algoritmo evolutivo multi-objetivo basado en descomposición (MOEA/D) y con el NSGA-II. Un modelo de sistema de potencia de referencia se utiliza para probar el desempeño de los algoritmos. Los resultados de la reducción de las pérdidas de energía así como las métricas de desempeño indican que el algoritmo propuesto es una opción fiable para resolver el problema.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Yu, D. C., Fagan, J. E., Foote, B. and Aly, A. A. "An optimal load flow study by the generalized reduced gradient approach." Elect Power Syst Res, vol. 10 (1), pp. 47-53, January 1986.

Aoki K, Fan M. and Nishikori, A., "Optimal var planning by approximation method for recursive mixed integer linear programming." IEEE Trans Power Syst, vol. 3 (4), pp. 1741-1747, Nov. 1988.

Sousa V. A., Baptista E. C. and Costa, G. R. M., "Optimal reactive power flow via the modified barrier Lagrangian function approach." Elect Power Syst Res, vol. 84 (1), pp. 159– 164, March 2012.

Lo, K. L. and Zhu, S. P., "A decoupled quadratic programming approach for optimal power dispatch." Elect Power Syst Res, vol. 22 (1), pp. 47–60, September 1991.

Granda, M., Rider, M. J., Mantovani, J. R. S. and Shahidehpour., "A decentralized approach for optimal reactive power dispatch using a Lagrangian decomposition method." Elect Power Syst Res, vol. 89, pp. 148–156, August 2012.

Deb, K., Agrawal, S., Pratab, A. and Merayivan, T., "A fast and elitist multiobjective genetic algorithm: NSGA-II," IEEE Transactions on Evolutionary Computation, vol. 6 (2), pp. 182-197, April 2002.

Yoshida, H., Fukuyama, Y., Kawata, K., Takayama, S. and Nakanishi, Y., "A particle swarm optimization for reactive power and voltage control considering voltage security assessment." IEEE Trans. Power Syst. vol. 15, pp. 1232-1239, 2001.

Abou, A., Ela, E., Abido, M. and Spea, S. R., "Differential evolution algorithm for optimal reactive power dispatch." Electr. Power Syst. Res., vol. 81, pp. 458-64, 2011.

Khazali, A. and Kalantar, M., "Optimal reactive power dispatch based on harmony search algorithm." Electr. Power & Energy Syst., vol. 33, pp. 684-692, 2011.

Vlachogiannis, J. and Ostergard, J., "Reactive power and voltage control based on general quantum genetic algorithms." Expert Syst. Appl., vol. 36, pp. 6118-6126, 2009.

Li, H. and Zhang, Q., "Multiobjective optimization problems with complicate Pareto sets, MOEA/D and NSGA-II." IEEE Transactions on Evolutionary Computation, vol. 13 (2), pp. 284-302, April 2009.

Rao R. V, Savsani, V. J. and Vakharia, D. P., "Teaching-learning based optimization: A novel method for constrained mechanical design optimization problems." Computer-Aided Design, vol. 43 (3), pp. 303-315, Mar. 2011.

Miettinen, K., "Nonlinear Multiobjective Optimization." Kluwer Academic Publishers, Boston. Massachuisetts, 1999.

Kessel, P. and Glavitsch, H., "Estimating the Voltage Stability of a Power System." IEEE Transactions on Power Delivery, vol.1 (3), pp.346-354, July 1986.

System data (2006, December). Available from: .

Zitzler, E., Deb, K. and Thiele, L., "Comparison of Multiobjective Evolutionary Algorithm: Empirical Results." Evolutionary computation, vol. 8(2), pp. 173-195, summer 2000.

Schott, J. R., "Fault Tolerant Design Using Single and Multicriteria Genetic Algorithm Optimization." Master Thesis, Department of Aeronautics and Astronautics, Massachusetts Institute of Technology. May 1995.

Licencia

Derechos de autor 2014 DYNA

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.