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

Sintesi Tecnica: Applicazione della Multi-Layer Particle Swarm Optimization per l'ORPD in Sistemi di Potenza Integrati con Rinnovabili

Definizione del Problema
Il documento affronta il problema dell'Optimal Reactive Power Dispatch (ORPD) nei moderni sistemi elettrici caratterizzati da un'elevata penetrazione di fonti di energia rinnovabile (RES), specificamente eolico e solare PV. L'integrazione di risorse basate su inverter introduce sfide significative, tra cui la generazione intermittente, la capacità limitata di supporto della potenza reattiva e l'aumento dell'instabilità della tensione. Il problema ORPD è formulato come una sfida di ottimizzazione mista intera, non lineare e non convessa, volta a minimizzare due obiettivi distinti: le perdite di potenza attiva di trasmissione ($P_{Loss}$) e la deviazione totale della tensione ai nodi (TVD). Lo spazio del problema è ulteriormente complicato dall'inclusione di dispositivi Flexible AC Transmission Systems (FACTS)—nello specifico Thyristor-Controlled Series Capacitors (TCSC) e Thyristor-Controlled Phase Shifters (TCPS)—che aggiungono variabili di controllo non lineari (reattanza e angoli di sfasamento) allo spazio decisionale. Lo studio mira a determinare le impostazioni ottimali per le tensioni dei generatori, i cambi di presa dei trasformatori, i compensatori shunt e i parametri FACTS, rispettando rigorosi vincoli di uguaglianza (flusso di potenza) e di disuguaglianza (limiti operativi).

Metodologia
Per risolvere questo complesso problema di ottimizzazione, gli autori propongono l'applicazione di un algoritmo Multi-Layer Particle Swarm Optimization (MLPSO). Questo approccio è un'estensione avanzata dello standard PSO, progettata per superare i limiti come la convergenza prematura e la lentezza della velocità di ricerca in paesaggi multidimensionali ad alta dimensionalità e multi-modali.

• Struttura dell'Algoritmo: L'MLPSO organizza lo sciame in una struttura gerarchica di più livelli (tipicamente 3). Le particelle nei livelli inferiori rappresentano singole soluzioni, mentre le particelle nei livelli superiori rappresentano sottoschiami del livello sottostante. Questa gerarchia "a scala" facilita un equilibrio dinamico tra esplorazione globale (ricerca di diverse configurazioni FACTS) ed esplorazione locale (perfezionamento dei profili di tensione).
• Meccanismi di Ricerca: L'algoritmo impiega uno switching adattivo tra varianti di ricerca globale e locale basato sui tassi di successo. Utilizza una strategia di ricerca di vicinato (Ricerca di Vicinato Locale e Ricerca di Vicinato Globale) con una topologia ad anello per migliorare la diversità locale ed evitare gli ottimi locali.
• Modellazione del Sistema: Lo studio utilizza un sistema di prova IEEE 30-bus modificato. L'integrazione delle rinnovabili è simulata sostituendo il generatore sincrono al bus 8 con un impianto Solare PV e i generatori ai bus 11 e 13 con parchi eolici a Doppia Alimentazione Indotta (DFIG).
• Integrazione FACTS: I modelli di stato stazionario per TCSC e TCPS sono incorporati nelle equazioni del flusso di potenza. I TCSC sono modellati come elementi di reattanza variabile, mentre i TCPS sono modellati come rapporti di presa complessi con angoli di sfasamento.
• Vincoli: L'ottimizzazione è soggetta a vincoli che includono i limiti di tensione/potenza reattiva dei generatori, i limiti di tensione dei bus di carico, i limiti termici delle linee di trasmissione, le impostazioni dei cambi di presa dei trasformatori e i limiti operativi specifici per la reattanza TCSC e gli sfasamenti TCPS.

Contributi Chiave

1. Nuova Applicazione dell'Algoritmo: Il documento introduce l'algoritmo MLPSO al dominio specifico dell'ORPD in sistemi integrati con rinnovabili dotati di molteplici dispositivi FACTS (TCSC e TCPS), una combinazione non ampiamente coperta dalla letteratura precedente.
2. Analisi Completa degli Scenari: Lo studio valuta quattro scenari distinti per valutare l'impatto dei dispositivi FACTS:
   • Caso 1: ORPD senza FACTS.
   • Caso 2: ORPD con due TCSC.
   • Caso 3: ORPD con due TCSC e un TCPS.
   • Caso 4: ORPD con tre TCSC e tre TCPS.
3. Analisi di Robustezza e Sensibilità: Gli autori conducono estese analisi post-ottimizzazione, inclusa la sensibilità ai livelli di penetrazione delle rinnovabili (dal 20% al 100%), la robustezza sotto l'incertezza della generazione stocastica (simulazione Monte Carlo), la sensibilità al posizionamento e alla dimensione dei FACTS, e l'analisi di contingenza di sicurezza N-1 (guasti alle linee).
4. Valutazione della Sicurezza Dinamica: Lo studio valuta l'impatto delle impostazioni ottimizzate sulla stabilità transitoria, analizzando la deviazione dell'angolo del rotore, il tempo critico di distacco (CCT) e la risposta in frequenza a seguito di guasti gravi e perdita di generazione.

Risultati
L'algoritmo MLPSO è stato testato sul sistema IEEE 30-bus modificato e confrontato con Real-Coded Genetic Algorithm (RCGA), Differential Evolution (DE) e Biogeography-Based Optimization (BBO).

• Metriche di Prestazione: In tutti i quattro casi e per entrambi gli obiettivi ($P_{Loss}$ e TVD), l'MLPSO ha costantemente superato gli algoritmi di riferimento.
  • Nel Caso 4 (il più complesso), l'MLPSO ha raggiunto una perdita di potenza minima di 3,6125 MW e una TVD di 0,0513 p.u., rappresentando miglioramenti dello 0,6–1,6% nelle perdite e del 3,9–9,7% nella deviazione di tensione rispetto ai migliori metodi concorrenti.
  • L'algoritmo ha dimostrato una convergenza più rapida e una maggiore stabilità nel trovare gli ottimi globali rispetto ai benchmark.
• Impatto dei FACTS: L'inclusione dei dispositivi FACTS ha ridotto significativamente le perdite di potenza e le deviazioni di tensione. Il posizionamento ottimale di TCSC e TCPS vicino ai bus delle rinnovabili (linee 27, 28, 36) ha prodotto i risultati migliori, con i TCSC che operano in modalità capacitiva per compensare la carica induttiva delle linee.
• Robustezza: Sotto 1000 scenari Monte Carlo con input eolici e solari incerti, le soluzioni MLPSO sono rimaste entro i limiti accettabili (intervalli di confidenza al 95%: $P_{Loss}$ [3,52, 3,78] MW; TVD [0,0489, 0,0553] p.u.).
• Stabilità Dinamica: Le impostazioni ottimizzate dei FACTS hanno migliorato significativamente la stabilità transitoria. Nei test di contingenza, il sistema ottimizzato tramite MLPSO ha mostrato la più bassa ampiezza del primo sbalzo, il più rapido smorzamento delle oscillazioni e una superiore ripresa della frequenza (frequenza nadir di 59,68 Hz rispetto a 59,52 Hz nel caso base) rispetto alle impostazioni euristiche o non ottimizzate.

Significatività e Rivendicazioni
Il documento sostiene che il framework MLPSO proposto fornisce una soluzione robusta ed efficace per la gestione della potenza reattiva nei futuri sistemi elettrici dominati dalle rinnovabili. Integrando meta-euristiche avanzate con i dispositivi FACTS, il metodo affronta le doppie sfide dell'intermittenza delle rinnovabili e della stabilità del sistema. Gli autori affermano che il loro approccio offre una riduzione delle perdite e un miglioramento del profilo di tensione superiori rispetto agli algoritmi evolutivi esistenti.

Lo studio conclude che, sebbene l'algoritmo MLPSO dimostri un potenziale significativo per supportare operazioni di rete sicure ed efficienti, i risultati richiedono un'ulteriore verifica prima di una vasta promozione industriale. Il lavoro evidenzia la necessità di tecniche di ottimizzazione avanzate per gestire la natura non lineare e multi-obiettivo dei moderni sistemi di potenza con alta penetrazione di rinnovabili e integrazione FACTS.