Mejorado algoritmo genético para el equilibrio de fases en redes de distribución trifásicas: un enfoque de optimización maestro-esclavo
Autores: Montoya, Oscar Danilo; Molina-Cabrera, Alexander; Grisales-Noreña, Luis Fernando; Hincapié, Ricardo Alberto; Granada, Mauricio
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Mejorado algoritmo genético para el equilibrio de fases en redes de distribución trifásicas: un enfoque de optimización maestro-esclavo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Redes eléctricas
Optimización
Algoritmo genético
Pérdidas de energía
Equilibrio de carga
Costos operativos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
Este documento aborda el problema de equilibrio de fases en redes eléctricas trifásicas con configuración radial desde la perspectiva de la optimización maestro-esclavo. La etapa maestra corresponde a una versión mejorada del algoritmo genético de Chu y Beasley, que se basa en el operador de mutación multipunto y la generación de soluciones utilizando una distribución normal gaussiana basada en los esquemas de exploración y explotación del algoritmo de búsqueda de vórtices. La etapa maestra se encarga de determinar la configuración de las fases mediante una codificación entera. En la etapa esclava, se utilizó un flujo de potencia para redes de distribución desequilibradas basado en la versión trifásica del método de aproximación sucesiva para determinar los costos de pérdidas diarias de energía. El objetivo del modelo de optimización es minimizar los costos operativos anuales de la red considerando las curvas de potencia activa y reactiva diarias. Los resultados numéricos de una versión modificada del alimentador de prueba de 37 nodos del IEEE demuestran que es posible reducir los costos operativos anuales de la red en aproximadamente un 20% mediante un equilibrio óptimo de carga. Además, los resultados numéricos demostraron que la versión mejorada del CBGA es al menos tres veces más rápida que el CBGA clásico, esto se obtuvo en el caso de carga máxima para un alimentador de prueba compuesto por 15 nodos; además, la versión mejorada del CBGA fue diecinueve veces más rápida que el algoritmo de búsqueda de vórtices. Otras comparaciones con el algoritmo seno-coseno y el optimizador de agujero negro confirmaron la eficiencia del método de optimización propuesto en términos de tiempo de ejecución y valores de función objetivo.
Descripción
Este documento aborda el problema de equilibrio de fases en redes eléctricas trifásicas con configuración radial desde la perspectiva de la optimización maestro-esclavo. La etapa maestra corresponde a una versión mejorada del algoritmo genético de Chu y Beasley, que se basa en el operador de mutación multipunto y la generación de soluciones utilizando una distribución normal gaussiana basada en los esquemas de exploración y explotación del algoritmo de búsqueda de vórtices. La etapa maestra se encarga de determinar la configuración de las fases mediante una codificación entera. En la etapa esclava, se utilizó un flujo de potencia para redes de distribución desequilibradas basado en la versión trifásica del método de aproximación sucesiva para determinar los costos de pérdidas diarias de energía. El objetivo del modelo de optimización es minimizar los costos operativos anuales de la red considerando las curvas de potencia activa y reactiva diarias. Los resultados numéricos de una versión modificada del alimentador de prueba de 37 nodos del IEEE demuestran que es posible reducir los costos operativos anuales de la red en aproximadamente un 20% mediante un equilibrio óptimo de carga. Además, los resultados numéricos demostraron que la versión mejorada del CBGA es al menos tres veces más rápida que el CBGA clásico, esto se obtuvo en el caso de carga máxima para un alimentador de prueba compuesto por 15 nodos; además, la versión mejorada del CBGA fue diecinueve veces más rápida que el algoritmo de búsqueda de vórtices. Otras comparaciones con el algoritmo seno-coseno y el optimizador de agujero negro confirmaron la eficiencia del método de optimización propuesto en términos de tiempo de ejecución y valores de función objetivo.