Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes
DOI:
https://doi.org/10.17981/ingecuc.15.1.2019.13Palabras clave:
algoritmos heurísticos, energía renovable, optimización, smart grid, vehículos eléctricosResumen
Introducción: Las redes eléctricas tradicionales están migrando a nuevas configuraciones de redes inteligentes, que traen retos operacionales y de planeación. Con miras a avanzar en estos retos se propone resolver un problema de optimización usando programación en elementos de redes distribuidas inteligentes.
Objetivo: El problema de optimización consiste en administrar el despacho energético de una red inteligente para optimizar los recursos disponibles, considerando la incertidumbre de energías renovables, viajes planeados de vehículos eléctricos, el pronóstico de carga y los precios del mercado.
Metodología: Se propuso utilizar un ensamble entre dos métodos heurísticos. El algoritmo VNS (Variable Neighborhood Search) y el DEEPSO (Differential Evolutionary Particle Swarm).
Resultados: El algoritmo VNS-DEEPSO fue evaluado en una competencia de “Smart Grids” con otros algoritmos con un valor de 18.21, siendo 7 % mejor que el segundo algoritmo clasificado en la competencia.
Conclusiones: El algoritmo VNS-DEEPSO fue ganador entre 9 algoritmos metaheurísticos que solucionaron el problema, este problema tenía un mayor incremento de dificultad debida a la incertidumbre generada por factores ambientales, pronóstico de carga, viajes en vehículos eléctricos y el mercado de precios. Acorde a los resultados, el algoritmo VNS-DEEPSO demostró ser el más eficiente en minimizar los costos operacionales y maximizar los ingresos de la red inteligente.
Descargas
Citas
M. Tuballa and M. Abundo, “A review of the development of Smart Grid technologies,” Renewable and Sustainable Energy Reviews, vol. 59, no. 1, pp. 710–725, Jun. 2016. Doi: https://doi.org/10.1016/j.rser.2016.01.011
F. Lezama, J. Soares, Z. Bale, J. Rueda, S. Rivera and I. Elrich, “2017 IEEE competition on modern heuristic optimizers for smart grid operation: Testbeds and results,” Swarm and Evolutionary Computation, vol. 44, no. 1, pp. 420–427, Feb. 2019. Doi: https://doi.org/10.1016/j.swevo.2018.05.005
O. Dzobo, A. M. Shehata and C. L Azimoh, “Optimal economic load dispatch in smart grids considering uncertainty”. In AFRICON, 2017 IEEE., Cape Town, South Africa, Sept. 18–20, 2019, pp. 1277–1282. Doi: https://doi.org/10.1109/AFRCON.2017.8095666
F. Lezama, J. Soares, Z. Bale and J. Rueda, “WCCI 2018 Competition Evolutionary Computation in Uncertain Environments: A Smart Grid Application. Test bed: Optimal scheduling of distributed energy resources considering uncertainty of renewables, EVs, load forecast and market prices,” in Proc. IEEE WCCI, Rio de Janeiro, Brazil, Jul. 8–13, 2018, pp. 1–19. Available in: http://www.gecad.isep.ipp.pt/WCCI2018-SG-COMPETITION/
Y. Jin and J. Branke, “Evolutionary Optimization in Uncertain Environments—A Survey,” IEEE Trans. Evol. Comput., vol. 9, no. 3. pp. 303–317, Jun. 2005. Doi: https://doi.org/10.1109/TEVC.2005. 846356
M. Gendreau and J.-Y. Potvin, “Handbook of Metaheuristics,” vol. 2, Switzerland: Springer Science+Business Media, 2010. Doi: https://doi.org/10.1007/978-1-4419-1665-5
Y. Zhao, J. Cao, X. Lai, C. Yin and T. Chen, “Ensemble based constrained-optimization extreme learning machine for landmark recognition,” 2015 34th Chinese Control Conference (CCC), Hangzhou, China, 28–30 Jul. 2015, pp. 3884–3889. Doi: https://doi.org/10.1109/ChiCC.2015.7260239
S. Hui and P. N. Suganthan, “Ensemble and Arithmetic Recombination-Based Speciation Differential Evolution for Multimodal Optimization,” in IEEE Transactions on Cybernetics, vol. 46, no. 1, pp. 64–74, Jan. 2016. Doi: https://doi.org/10.1109/TCYB.2015.2394466
X. Li, S. Ma and Y. Wang, “Multi-Population Based Ensemble Mutation Method for Single Objective Bilevel Optimization Problem,” in IEEE Access, vol. 4, no. 1, pp. 7262–7274, Oct. 2016. Doi: https://doi.org/10.1109/ACCESS.2016.2617738
V. Miranda and R. Alves, “Differential Evolutionary Particle Swarm Optimization (DEEPSO): A Successful Hybrid,” 2013 BRICS Congress on Computational Intelligence and 11th Brazilian Congress on Computational Intelligence, Ipojuca, Brazil, 8–11 Sept. 2013, pp. 368–374. Doi: https://doi.org/10.1109/BRICS-CCI-CBIC.2013.68
D. G. Mayer, B. P. Kinghorn and A. A. Archer, “Differential evolution – an easy and efficient evolutionary algorithm for model optimisation,” Agricultural Systems, vol 83, no. 3, pp. 315–328, Mar. 2005. Doi: https://doi.org/10.1016/j.agsy.2004.05.002
F. Marini and B. Walczak, “Particle swarm optimization (PSO). A tutorial,” Chemometrics and Intelligent Laboratory Systems, vol 149, Part B, pp. 153–165, Dec. 2015. Doi: https://doi.org/10.1016/j.chemolab.2015.08.020
P. Hansen and N. Mladenović, “Variable neighborhood search: Principles and applications,” European Journal of Operational Research, vol. 130, no. 3, pp. 449–467, May. 2001. Doi: https://doi.org/10.1016/S0377-2217(00)00100-4
E. Vargas, L. Macedo, P. Bueno and R. Romero, “A VNS algorithm for the design of supplementary damping controllers for small-signal stability analysis,” International Journal of Electrical Power & Energy Systems, vol. 94, no. 1, pp. 41–56, Jan. 2018. Doi: https://doi.org/10.1016/j.ijepes.2017.06.017
R. Brandl, P. Kotsampopoulos, G. Lauss, M. Maniatopoulos, M. Nuschke, J. Montoya and D. Strauss-Mincu, “Advanced Testing Chain Supporting the Validation of Smart Grid Systems and Technologies,” in 2018 IEEE Workshop on Complexity in Engineering, Florence, Italy, Oct. 10–12, 2018. pp. 1–6. Doi: https://doi.org/10.1109/CompEng.2018.8536223
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2019 INGE CUC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos publicados son de exclusiva responsabilidad de sus autores y no reflejan necesariamente las opiniones del comité editorial.
La Revista INGE CUC respeta los derechos morales de sus autores, los cuales ceden al comité editorial los derechos patrimoniales del material publicado. A su vez, los autores informan que el presente trabajo es inédito y no ha sido publicado anteriormente.
Todos los artículos están bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional.
English
Español (España)
