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

La red eléctrica es una máquina vasta y delicada que debe equilibrar la oferta y la demanda en el instante en que se acciona un interruptor de luz. Mantener este sistema funcionando de forma segura y económica requiere resolver un rompecabezas complejo conocido como flujo de potencia óptimo. Los ingenieros deben decidir exactamente cuánto debe generar cada planta de energía, qué voltaje mantener en las líneas y cómo ajustar los transformadores, todo ello asegurando que el sistema no colapse bajo su propio peso. El desafío es que el costo de generar energía rara vez es una línea recta; es un paisaje accidentado e irregular lleno de baches y valles causados por las realidades físicas de la combustión de combustible y los límites mecánicos del equipo. Las herramientas matemáticas tradicionales suelen tener dificultades para navegar este terreno accidentado, quedándose estancadas en depresiones locales y perdiendo de vista el punto más bajo real donde el sistema opera con mayor eficiencia.

Para navegar este difícil paisaje, los investigadores han recurrido a métodos inspirados en la naturaleza y el comportamiento humano. Uno de estos métodos, llamado optimización basada en la enseñanza y el aprendizaje, imita un aula de clases donde un profesor comparte conocimientos para elevar el puntaje promedio de los estudiantes, y los estudiantes aprenden unos de otros. Si bien este enfoque es poderoso, a veces puede conformarse con una buena solución demasiado rápido, perdiendo de vista la mejor solución oculta más profundamente en el espacio de búsqueda. En un estudio reciente, un equipo de investigadores de Jordania, Irak e Irán propuso un nuevo algoritmo más robusto llamado optimización basada en el aprendizaje evolutivo. Tomaron el modelo del aula y le añadieron una capa de estrategia evolutiva, una técnica que introduce mutaciones aleatorias calculadas para mantener viva la búsqueda y evitar que el sistema se quede estancado. Al combinar el aprendizaje estructurado de un aula con la aleatoriedad adaptativa de la evolución, crearon una herramienta diseñada para encontrar los ajustes óptimos para las redes eléctricas, incluso cuando el problema es retorcido y no uniforme.

Los investigadores probaron su nuevo algoritmo en una serie de desafíos matemáticos estándar conocidos como pruebas de referencia CEC2014, que están diseñados para ser difíciles y engañosos. En estas simulaciones, el nuevo método superó consistentemente al algoritmo original basado en la enseñanza y a otras técnicas de optimización populares. Encontró mejores soluciones de forma más rápida y con mayor estabilidad, demostrando que la adición del paso evolutivo ayudó al sistema a escapar de trampas locales y a explorar el espacio de búsqueda de manera más exhaustiva. El equipo aplicó luego esta herramienta a modelos de redes eléctricas del mundo real, específicamente a las redes de prueba IEEE de 30 y 57 barras, que representan sistemas eléctricos pequeños y medianos. Le pidieron al algoritmo que resolviera varios problemas críticos a la vez: reducir el costo del combustible, disminuir las emisiones nocivas, minimizar la cantidad de energía perdida en forma de calor durante la transmisión y mantener estables los niveles de voltaje.

En cada escenario probado en la red de 30 barras, el nuevo algoritmo entregó resultados superiores. Cuando se le encargó minimizar los costos de combustible, logró un costo de 800.4791 dólares por hora, una cifra inferior a la que el método de enseñanza y aprendizaje original y otros algoritmos establecidos podrían alcanzar. Cuando el problema se volvió más complejo, involucrando múltiples tipos de fuentes de combustible o la necesidad de equilibrar el costo con las emisiones y las pérdidas de potencia, el nuevo método continuó encontrando los ajustes más eficientes. Por ejemplo, en una prueba donde el objetivo era reducir tanto los costos de combustible como las pérdidas de potencia simultáneamente, el algoritmo encontró una solución que ahorraba dinero mientras mantenía la estabilidad del sistema. Los investigadores también probaron el algoritmo en la red más grande de 57 barras, que incluye siete generadores y significativamente más variables. Aunque el artículo indica que se obtuvieron soluciones óptimas para esta red más grande y se compararon con artículos previos, los resultados numéricos específicos para los costos de combustible de la red de 57 barras no fueron incluidos en el texto proporcionado.

El estudio también analizó cómo se comporta el algoritmo a lo largo del tiempo. En las simulaciones, el nuevo método mostró un descenso constante y rápido del error, lo que significa que encontró buenas soluciones rápidamente y luego las refinó hasta casi la perfección. A diferencia de otros métodos que podrían fluctuar salvajemente o estancarse antes de alcanzar la mejor respuesta, este algoritmo mantuvo un camino constante hacia el óptimo. Los investigadores verificaron estos hallazgos realizando las simulaciones treinta veces para cada problema para asegurar que los resultados no fueran solo un golpe de suerte. Los datos mostraron que el nuevo enfoque no solo era más preciso, sino también más confiable, encontrando consistentemente los mejores ajustes posibles para las variables de la red eléctrica.

Al combinar el aprendizaje social de un aula con el poder evolutivo de la mutación, los investigadores han creado una herramienta que maneja la realidad desordenada y no lineal de los sistemas de potencia mejor que muchos métodos existentes. El trabajo demuestra que, al equilibrar cuidadosamente la necesidad de explorar nuevas posibilidades con la necesidad de refinar las soluciones conocidas que son buenas, los ingenieros pueden encontrar formas de operar la red eléctrica de manera más económica y limpia. Los resultados sugieren que este enfoque híbrido podría ser un activo valioso para la futura planificación de sistemas de potencia, ofreciendo una forma de navegar los complejos compromisos entre costo, eficiencia e impacto ambiental sin perderse en la rugosidad matemática del problema.