Application of Multi-Layer Particle Swarm Optimization Algorithm for ORPD in Renewable-Integrated Power Systems Incorporating FACTS Devices

Resumen Técnico: Aplicación de la Optimización de Enjambre de Partículas Multicapa para el ORPD en Sistemas de Potencia con Integración de Renovables

Definición del Problema
El artículo aborda el problema de la Distribución Óptima de Potencia Reactiva (ORPD, por sus siglas en inglés) en sistemas de potencia modernos caracterizados por una alta penetración de fuentes de energía renovables (RES), específicamente eólica y solar fotovoltaica. La integración de recursos basados en inversores introduce desafíos significativos, incluyendo la generación intermitente, la capacidad limitada de soporte de potencia reactiva y la mayor inestabilidad de voltaje. El problema de ORPD se formula como un desafío de optimización mixto, entero, no lineal y no convexo, destinado a minimizar dos objetivos distintos: las pérdidas de potencia activa ($P_{Loss}$) y la desviación total de voltaje de barra (TVD). El espacio del problema se complica aún más con la inclusión de dispositivos de Sistemas de Transmisión de CA Flexibles (FACTS) —específicamente, Compensadores de Serie Controlados por Tiristor (TCSC) y Desfasadores Controlados por Tiristor (TCPS)— que añaden variables de control no lineales (reactancia y ángulos de desfase) al espacio de decisión. El estudio busca determinar la configuración óptima de los voltajes de los generadores, los taps de los transformadores, los compensadores shunt y los parámetros de los FACTS, cumpliendo con estrictas restricciones de igualdad (flujo de potencia) y desigualdad (límites operativos).

Metodología
Para resolver este complejo problema de optimización, los autores proponen la aplicación de un algoritmo de Optimización de Enjambre de Partículas Multicapa (MLPSO). Este enfoque es una extensión avanzada del PSO estándar, diseñada para superar limitaciones tales como la convergencia prematura y las velocidades de búsqueda lentas en paisajes multimodales y de alta dimensionalidad.

• Estructura del Algoritmo: El MLPSO organiza el enjambre en una estructura jerárquica de múltiples capas (típicamente 3). Las partículas en las capas inferiores representan soluciones individuales, mientras que las partículas en las capas superiores representan sub-enjambres de la capa inferior. Esta jerarquía de tipo "escalera" facilita un equilibrio dinámico entre la exploración global (buscando diversas configuraciones de FACTS) y la explotación local (perfeccionando los perfiles de voltaje).
• Mecanismos de Búsqueda: El algoritmo emplea un cambio adaptativo entre variantes de búsqueda global y local basado en tasas de éxito. Utiliza una estrategia de búsqueda de vecindad (Búsqueda de Vecindad Local y Búsqueda de Vecindad Global) con una topología de anillo para mejorar la diversidad local y evitar óptimos locales.
• Modelado del Sistema: El estudio utiliza un sistema de prueba IEEE de 30 barras modificado. La integración de renovables se simula reemplazando el generador síncrono en la barra 8 por una planta Solar PV y los generadores en las barras 11 y 13 por parques eólicos de Generadores de Inducción Doblemente Alimentados (DFIG).
• Integración de FACTS: Se incorporan modelos de estado estacionario para TCSC y TCPS en las ecuaciones de flujo de potencia. Los TCSCs se modelan como elementos de reactancia variable, mientras que los TCPSs se modelan como relaciones de toma de corriente complejas con ángulos de desfase.
• Restricciones: La optimización está sujeta a restricciones que incluyen límites de voltaje/potencia reactiva de generadores, límites de voltaje de barras de carga, límites térmicos de líneas de transmisión, ajustes de taps de transformadores y límites operativos específicos para la reactancia de TCSC y los desfases de TCPS.

Contribuciones Clave

1. Aplicación de un Algoritmo Novedoso: El artículo introduce el algoritmo MLPSO al dominio específico de ORPD en sistemas integrados con renovables equipados con múltiples dispositivos FACTS (TCSC y TCPS), una combinación que no ha sido ampliamente cubierta en la literatura previa.
2. Análisis Exhaustivo de Escenarios: El estudio evalúa cuatro escenarios distintos para analizar el impacto de los dispositivos FACTS:
   • Caso 1: ORPD sin FACTS.
   • Caso 2: ORPD con dos TCSCs.
   • Caso 3: ORPD con dos TCSCs y un TCPS.
   • Caso 4: ORPD con tres TCSCs y tres TCPSs.
3. Análisis de Robustez y Sensibilidad: Los autores realizan análisis post-optimización extensos, incluyendo la sensibilidad a los niveles de penetración renovable (20% a 100%), la robustez bajo la incertidumbre de generación estocástica (simulación de Monte Carlo), la sensibilidad a la ubicación y dimensionamiento de FACTS, y el análisis de contingencia de seguridad N-1 (cortes de línea).
4. Evaluación de Seguridad Dinámica: El estudio evalúa el impacto de las configuraciones optimizadas en la estabilidad transitoria, analizando la desviación del ángulo del rotor, el tiempo crítico de despeje (CCT) y la respuesta de frecuencia tras fallas severas y pérdida de generación.

Resultos
El algoritmo MLPSO fue probado en el sistema modificado IEEE de 30 barras y comparado contra el Algoritmo Genético de Código Real (RCGA), la Evolución Diferencial (DE) y la Optimación Basada en Biogeografía (BBO).

• Métricas de Desempeño: A través de todos los cuatro casos y ambos objetivos ($P_{Loss}$ y TVD), el MLPSO superó consistentemente a los algoritmos de referencia.
  • En el Caso 4 (el más complejo), el MLPSO logró una pérdida de potencia mínima de 3.6125 MW y un TVD de 0.0513 p.u., lo que representa mejoras de 0.6–1.6% en pérdidas y 3.9–9.7% en desviación de voltaje sobre los mejores métodos competidores.
  • El algoritmo demostró una convergencia más rápida y una mayor estabilidad en la búsqueda de óptimos globales en comparación con los referentes.
• Impacto de los FACTS: La inclusión de dispositivos FACTS redujo significamente las pérdidas de potencia y las desviaciones de voltaje. La ubicación óptima de los TCSCs y TCPSs cerca de las barras de renovables (líneas 27, 28, 36) arrojó los mejores resultados, con los TCSCs operando en modo capacitivo para compensar la carga inductiva de las líneas.
• Robustez: Bajo 1000 escenarios de Monte Carlo con entradas inciertas de viento y solar, las soluciones de MLPSO se mantuvieron dentro de límites aceptables (intervalos de confianza del 95%: $P_{Loss}$ [3.52, 3.78] MW; TVD [0.0489, 0.0553] p.u.).
• Estabilidad Dinámica: Las configuraciones optimizadas de FACTS mejoraron significativamente la estabilidad transitoria. En las pruebas de contingencia, el sistema optimizado por MLPSO exhibió la menor amplitud de la primera oscilación, el amortiguamiento más rápido de las oscilaciones y una recuperación de frecuencia superior (nadir de frecuencia de 59.68 Hz frente a 59.52 Hz en el caso base) en comparación con los ajustes heurísticos o no optimizados.

Significancia y Reivindicaciones
El artículo afirma que el marco MLPSO proporciona una solución robusta y efectiva para gestionar la potencia reactiva en las redes futuras dominadas por renovables. Al integrar meta-heurísticas avanzadas con dispositivos FACTS, el método aborda los desafíos duales de la intermitencia renovable y la estabilidad del sistema. Los autores sostienen que su enfoque ofrece una minimización de pérdidas y una mejora del perfil de voltaje superiores a los algoritmos evolutivos existentes.

El estudio concluye que, si bien el algoritmo MLPSO demuestra un potencial significativo para apoyar operaciones de red seguras y eficientes, los hallazgos requieren una mayor verificación antes de su promoción industrial generalizada. El trabajo destaca la necesidad de técnicas de optimización avanzadas para manejar la naturaleza no lineal y multiobjetivo de los sistemas de potencia modernos con alta penetración de renovables e integración de FACTS.