Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 5

Investigation of Load Variant Under Power Distribution Network Reconfiguration Using EPSO Algorithm

Badanie wariantu obciążenia w ramach rekonfiguracji sieci dystrybucyjnej przy użyciu algorytmu EPSO

10.15199/48.2024.05.22

nr katalogowy: 148607
10.15199/48.2024.05.22

Streszczenie

Recently, the power loss issue has emerged as a critical challenge, causing significant disruptions in the nation's infrastructure, economy, and daily lives of its citizens. Despite being a rapidly developing country with a growing demand for electricity, frequent instances of power loss and interruption have resulted in severe consequences such as reduced productivity, financial losses, compromised public safety, and increased inconvenience to individuals and businesses. Due to that reason, this study proposes the Evolutionary Particle Swarm Optimization (EPSO) algorithm which is a hybrid optimization technique that combines the principles of Evolutionary Programming (EP) and Particle Swarm Optimization (PSO) to solve optimization problems by reducing the power losses under Distribution Network Reconfiguration (DNR). Moreover, the consideration of load variants involved in DNR while validating the voltage profile improvement with the best load weightage has been made concurrently. A detailed performance analysis is carried out on IEEE 33-bus test systems to demonstrate the effectiveness of the proposed method. Through simultaneous optimization, it was found that power loss reduction was achieved after conducting power DNR in a radial network connection. Furthermore, the test result also indicated that the EPSO algorithm produced better results in terms of convergence time compared to the conventional PSO algorithm.

Abstract

Ostatnio problem utraty mocy stał się krytycznym wyzwaniem, powodującym znaczne zakłócenia w krajowej infrastrukturze, gospodarce i codziennym życiu obywateli. Pomimo tego, że jest to kraj szybko rozwijający się o rosnącym zapotrzebowaniu na energię elektryczną, częste przypadki utraty i przerw w dostawie energii powodują poważne konsekwencje, takie jak zmniejszenie produktywności, straty finansowe, zagrożenie bezpieczeństwa publicznego oraz zwiększone niedogodności dla osób fizycznych i przedsiębiorstw. Z tego powodu w niniejszym badaniu zaproponowano algorytm Evolutionary Particle Swarm Optimization (EPSO), który jest hybrydową techniką optymalizacji, która łączy w sobie zasady programowania ewolucyjnego (EP) i optymalizacji roju cząstek (PSO) w celu rozwiązania problemów optymalizacyjnych poprzez zmniejszenie strat mocy w warunkach Rekonfiguracja sieci dystrybucyjnej (DNR). Co więcej, równolegle uwzględniono warianty obciążenia związane z DNR podczas walidacji poprawy profilu napięcia przy najlepszym obciążeniu. Szczegółowa analiza wydajności jest przeprowadzana na systemach testowych IEEE 33-bus, aby wykazać skuteczność proponowanej metody. Dzięki jednoczesnej optymalizacji stwierdzono, że redukcję strat mocy uzyskano po przeprowadzeniu zasilania DNR w promieniowym połączeniu sieciowym. Ponadto wynik testu wskazał również, że algorytm EPSO dał lepsze wyniki pod względem czasu zbieżności w porównaniu z konwencjonalnym algorytmem PSO.

Słowa kluczowe

Keywords

Bibliografia

1 Małgorzata ŁATKA, Marek NOWAK,”Comparative analysis of the indicators that concern power supply interruptions for electricity consumers for the selected distribution systems,” Przegląd Elektrotechniczny R.96, NR 1/2020, pp. 31 – 34 2 S.K.B.PradeepKumar Ch, Dr. G. Balamurugan, Dr. Y. Butchi raju,” Network Reconfiguration with Optimal allocation of Capacitors and DG units for Maximizing DISCOs Profit in a Restructured Power Market”, R. 98 NR 12/2022, pp. 187-193 3 Network Reconfiguration Based on NoisyNet Deep Q-Learning Network,” IEEE Access, vol. 9, 2021, doi: 10.1109/ACCESS.2021.3089625 4 Rafei, A. Y. Abdelaziz, and F. Jurado, “Scenario-based network reconfiguration and renewable energy resources integration in large-scale distribution systems considering parameters uncertainty,” Mathematics, vol. 9, no. 1, 2021, doi: 10.3390/math9010026 5 Y. Gao, W. Wang, J. Shi, and N. Yu, “Batch-Constrained Reinforcement Learning for Dynamic Distribution Network Reconfiguration,” IEEE Trans Smart Grid, vol. 11, no. 6, 2020, doi: 10.1109/TSG.2020.3005270 6 S. Rasheed, M. Gupta, and A. R. Abhyankar, “Feeder Voltage Dependent Distribution Network Reconfiguration for Loss Reduction,” in 2018 20th National Power Systems Conference, NPSC 2018, 2018. doi: 10.1109/NPSC.2018.8771851 7 Y. Gao, J. Shi, W. Wang, and N. Yu, “Dynamic distribution network reconfiguration using reinforcement learning,” in 2019 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids, SmartGridComm 2019, 2019. doi: 10.1109/SmartGridComm.2019.8909777 8 B. Canizes, B. Mota, P. Ribeiro, and Z. Vale, “DemandResponse Driven by Distribution Network Voltage Limit Violation: A Genetic Algorithm Approach for Load Shifting,” IEEE Access, vol. 10, 2022, doi: 10.1109/ACCESS.2022.3182580 9 A. Uniyal and S. Sarangi, “Optimal network reconfiguration and DG allocation using adaptive modified whale optimization algorithm considering probabilistic load flow,” Electric Power Systems Research, vol. 192, 2021, doi: 10.1016/j.epsr.2020.106909 10 M. Mahdavi, K. Schmitt, and F. Jurado, “Robust Distribution Network Reconfiguration in the Presence of Distributed Generation Under Uncertainty in Demand and Load Variations,” IEEE Transactions on Power Delivery, 2023, doi: 10.1109/TPWRD.2023.3277816 11 M. Gautam, N. Bhusal, M. Benidris, and S. J. Louis, “A Spanning Tree-based Genetic Algorithm for Distribution Network Reconfiguration,” in 2020 IEEE Industry Applications Society Annual Meeting, IAS 2020, 2020. doi: 10.1109/IAS44978.2020.9334819 12 M. Esmaeili, M. Sedighizadeh, and M. Esmaili, “Multi-objective optimal reconfiguration and DG (Distributed Generation) power allocation in distribution networks using Big Bang-Big Crunch algorithm considering load uncertainty,” Energy, vol. 103, 2016, doi: 10.1016/j.energy.2016.02.152 13 M. Cikan and B. Kekezoglu, “Comparison of metaheuristic optimization techniques including Equilibrium optimizer algorithm in power distribution network reconfiguration,” Alexandria Engineering Journal, vol. 61, no. 2, 2022, doi: 10.1016/j.aej.2021.06.079. 14 H. Hamour, S. Kamel, H. Abdel-Mawgoud, A. Korashy, and F. Jurado, “Distribution network reconfiguration using grasshopper optimization algorithm for power loss minimization,” in 2018 International Conference on Smart Energy Systems and Technologies, SEST 2018 - Proceedings, 2018. doi: 10.1109/SEST.2018.8495659 15 S. A. Adegoke and Y. Sun, “Power system optimization approach to mitigate voltage instability issues: A review,” Cogent Engineering, vol. 10, no. 1. 2023. doi: 10.1080/23311916.2022.2153416 16 A. A. ElDesouky, E. M. Reyad, and G. A. Mahmoud, “Implementation of boolean PSO for service restoration using distribution network reconfiguration simultaneously with distributed energy resources and capacitor banks,” International Journal of Renewable Energy Research, vol. 10, no. 1, 2020, doi: 10.20508/ijrer.v10i1.10473.g7881 17 An improved optimization algorithm for network skeleton reconfiguration after power system blackout,” Tehnicki vjesnik - Technical Gazette, vol. 22, no. 6, 2015, doi: 10.17559/tv20151026084850 18 H. L. Cortez, J. C. P. Broma, and G. V. Magwili, “Optimal Placement and Sizing of Hybrid Solar-Wind Distributed Generation in Distribution Network using Particle Swarm Optimization Algorithm,” in International Conference on Electrical, Computer, and Energy Technologies, ICECET 2022, 2022. doi: 10.1109/ICECET55527.2022.9873080 19 W. T. Huang et al., “A two-stage optimal network reconfiguration approach for minimizing energy loss of distribution networks using particle swarm optimization algorithm,” Energies (Basel), vol. 8, no. 12, 2015, doi: 10.3390/en81212402 20 T. J. Cheng, C. T. Hsu, R. Korimara, Y. Der Lee, and Y. R. Chang, “Particle swarm optimization application on a micro grid for energy savings,” Microsystem Technologies, vol. 24, no. 1, 2018, doi: 10.1007/s00542-016-3152- 21 T. D. Patel And A. G. Acharya, “Minimize Power Loss Using Particle Swarm Optimization Technique,” International Journal Of Electrical Engineering & Technology , vol. 10, no. 2, 2019, doi: 10.34218/ijeet.10.2.2019.007 22 H. Shan, Y. Sun, W. Zhang, A. Kudreyko, and L. Ren, “Reliability Analysis of Power Distribution Network Based on PSO-DBN,” IEEE Access, vol. 8, 2020, doi: 10.1109/ACCESS.2020.3007776 23 Y. Merzoug, B. Abdelkrim, and B. Larbi, “Distribution network reconfiguration for loss reduction using PSO method,” International Journal of Electrical and Computer Engineering, vol. 10, no. 5, 2020, doi: 10.11591/IJECE.V10I5.PP5009-5015 24 N. F. Napis, M. F. Sulaima, R. M. A. R. A. Arif, A. F. A. Kadir, and M. F. Baharom, “A power distribution network restoration via feeder reconfiguration by using EPSO for losses reduction,” J Theor Appl Inf Technol, vol. 79, no. 2, 2015 25 M. F. Sulaima, M. N. M. Nasir, N. H. Shamsudin, M. Sulaiman, and W. M. Dahalan, “Implementation of modified EPSO technique in 69kV distribution network reconfiguration for losses reduction,” International Journal of Engineering and Technology, vol. 7, no. 2, 2015 26 W. M. Dahalan, A. G. Othman, M. R. Zoolfakar, P. Z. M. Khalid, and Z. I. Rizman, “Optimum dnr and dg sizing for power loss reduction using improved meta-heuristic methods,” ARPN Journal of Engineering and Applied Sciences, vol. 11, no. 20, 2016 27 J. J. Jamian, M. W. Mustafa, H. Mokhlis, and M. N. Abdullah, “Comparative study on Distributed Generator sizing using three types of Particle Swarm Optimization,” in Proceedings - 3rd International Conference on Intelligent Systems Modelling and Simulation, ISMS 2012, 2012. doi: 10.1109/ISMS.2012.71 28 M. Usman, A. Amin, M. M. Azam, and H. Mokhlis, “Optimal under voltage load shedding scheme for a distribution network using EPSO algorithm,” in Proceedings - 2018, IEEE 1st International Conference on Power, Energy and Smart Grid, ICPESG 2018, 2018. doi: 10.1109/ICPESG.2018.8384525

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-5 , nr katalogowy 148607 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-5 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-5

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma