Evolutionary Learning Based Optimization for Solving Non-convex Optimal Power Flow Problems: A Modern Teaching–Learning-Based Optimization Algorithm

Das Stromnetz ist eine riesige, empfindliche Maschine, die Angebot und Nachfrage in dem Moment ausgleichen muss, in dem ein Lichtschalter umgelegt wird. Um dieses System sicher und kostengünstig am Laufen zu halten, muss das komplexe Rätsel des optimalen Leistungsflusses gelöst werden. Ingenieure müssen entscheiden, wie viel Elektrizität jede Kraftwerksanlage genau erzeugen soll, welche Spannung an den Leitungen aufrechterhalten werden muss und wie die Transformatoren anzupassen sind, während sie gleichzeitig sicherstellen, dass das System nicht unter seinem eigenen Gewicht zusammenbricht. Die Herausforderung besteht darin, dass die Kosten der Stromerzeugung selten eine gerade Linie sind; es ist eine zackige, unebene Landschaft voller Hügel und Täler, die durch die physikalischen Realitäten der Brennstoffverbrennung und die mechanischen Grenzen der Ausrüstung verursacht werden. Traditionelle mathematische Werkzeuge haben oft Schwierigkeiten, dieses raue Gelände zu durchqueren, da sie in lokalen Senken stecken bleiben und den wahren Tiefpunkt verpassen, an dem das System am effizientesten arbeitet.

Um diese schwierige Landschaft zu navigieren, haben sich Forscher Methoden zugewandt, die von der Natur und menschlichem Verhalten inspiriert sind. Eine solche Methode, die als „Teaching-Learning-Based Optimization“ bezeichnet wird, ahmt ein Klassenzimmer nach, in dem ein Lehrer Wissen teilt, um die durchschnittliche Punktzahl der Schüler zu erhöhen, und Schüler voneinander lernen. Obwohl dieser Ansatz leistungsstark ist, kann er sich manchmal zu schnell mit einer guten Lösung zufriedengeben und die beste Lösung, die tiefer im Suchraum verborgen liegt, übersehen. In einer kürzlich durchgeführten Studie schlug ein Team von Forschern aus Jordanien, dem Irak und dem Iran einen neuen, robusteren Algorithmus namens „Evolutionary Learning Based Optimization“ vor. Sie nahmen das Klassenzimmer-Modell und fügten eine Ebene der evolutionären Strategie hinzu – eine Technik, die gezielte, zufällige Mutationen einführt, um die Suche lebendig zu halten und zu verhindern, dass das System stecken bleibt. Durch die Verschmelzung des strukturierten Lernens eines Klassenzimmers mit der adaptiven Zufälligkeit der Evolution schufen sie ein Werkzeug, das darauf ausgelegt ist, die absolut besten Einstellungen für Stromnetze zu finden, selbst wenn das Problem verdreht und nicht glatt ist.

Die Forscher testeten ihren neuen Algorithmus an einer Reihe von Standard-mathematischen Herausforderungen, den sogenannten CEC2014-Benchmarks, die darauf ausgelegt sind, schwierig und täuschend zu sein. In diesen Simulationen übertraf die neue Methode den ursprünglichen klassenbasierten Algorithmus und andere populäre Optimierungstechniken konsequent. Sie fand bessere Lösungen schneller und mit größerer Stabilität, was bewies, dass die Hinzufügung des evolutionären Schritts dem System half, lokale Fallen zu verlassen und den gesamten Suchraum gründlicher zu explorieren. Das Team wandte dieses Werkzeug dann auf reale Stromnetzmodelle an, speziell auf die IEEE 30-Bus- und 57-Bus-Testnetzwerke, die kleine und mittelgroße elektrische Systeme repräsentieren. Sie ließen den Algorithmus mehrere kritische Probleme gleichzeitig lösen: die Reduzierung der Brennstoffkosten, die Senkung schädlicher Emissionen, die Minimierung der als Wärme verlorenen Leistung während der Übertragung und die Stabilisierung der Spannungswerte.

In jedem getesteten Szenario auf dem 30-Bus-Netz lieferte der neue Algorithmus überlegene Ergebnisse. Bei der Aufgabe, die Brennstoffkosten zu minimieren, erreichte er Kosten von 800,4791 Dollar pro Stunde, ein Wert, der niedriger ist als das, was die ursprüngliche Teaching-Learning-Methode und andere etablierte Algorithmen erreichen konnten. Wenn das Problem komplexer wurde, etwa durch die Einbeziehung verschiedener Arten von Brennstoffquellen oder die Notwendigkeit, Kosten gegen Emissionen und Leistungsverluste abzuwägen, fand die neue Methode weiterhin die effizientesten Einstellungen. Beispielsweise fand der Algorithmus in einem Test, bei dem das Ziel darin bestand, sowohl Brennstoffkosten als auch Leistungsverluste gleichzeitig zu reduzieren, eine Lösung, die Geld sparte und gleichzeitig das System stabil hielt. Die Forscher testeten den Algorithmus auch auf dem größeren 57-Bus-Netzwerk, das sieben Generatoren und signifikant mehr Variablen umfasst. Während die Arbeit angibt, dass optimale Lösungen für dieses größere Netzwerk im Vergleich zu früheren Artikeln ermittelt wurden, wurden die spezifischen numerischen Ergebnisse für die 57-Bus-Brennstoffkosten im bereitgestellten Text nicht aufgeführt.

Die Studie untersuchte auch, wie sich der Algorithmus im Zeitverlauf verhält. In den Simulationen zeigte die neue Methode einen stetigen und schnellen Rückgang des Fehlers, was bedeutet, dass sie schnell gute Lösungen fand und diese dann bis zur nahezu perfekten Genauigkeit verfeinerte. Im Gegensatz zu anderen Methoden, die stark schwanken oder stagnieren könnten, bevor sie die beste Antwort erreichen, behielt dieser Algorithmus einen konsistenten Pfad zum Optimum bei. Die Forscher verifizierten diese Ergebnisse, indem sie die Simulationen dreißig Mal für jedes Problem durchführten, um sicherzustellen, dass die Ergebnisse kein glücklicher Zufall waren. Die Daten zeigten, dass der neue Ansatz nicht nur genauer, sondern auch zuverlässiger war und konsistent die bestmöglichen Einstellungen für die Variablen des Stromnetzes fand.

Durch die Kombination des sozialen Lernens eines Klassenzimmers mit der evolutionären Kraft der Mutation haben die Forscher ein Werkzeug geschaffen, das die unordentliche, nicht-lineare Realität von Stromsystemen besser handhabt als viele bestehende Methoden. Die Arbeit zeigt, dass Ingenieure durch eine sorgfältige Balance zwischen der Notwendigkeit, neue Möglichkeiten zu erkunden, und der Notwendigkeit, bekannte gute Lösungen zu verfeinern, Wege finden können, das Stromnetz kostengünstiger und sauberer zu betreiben. Die Ergebnisse legen nahe, dass dieser hybride Ansatz ein wertvolles Asset für die zukünftige Stromnetzplanung sein könnte und einen Weg bietet, die komplexen Abwägungen zwischen Kosten, Effizienz und Umweltauswirkungen zu navigieren, ohne sich in der mathematischen Unregelmäßigkeit des Problems zu verlieren.