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

La rete elettrica è una macchina vasta e delicata che deve bilanciare offerta e domanda nell'istante stesso in cui viene azionato un interruttore. Mantenere questo sistema in funzione in modo sicuro ed economico richiede la risoluzione di un complesso puzzle noto come flusso di potenza ottimale. Gli ingegneri devono decidere esattamente quanta elettricità debba generare ogni centrale elettrica, quale tensione mantenere sulle linee e come regolare i trasformatori, il tutto garantendo che il sistema non collassi sotto il proprio peso. La sfida è che il costo della generazione di energia è raramente una linea retta; è un paesaggio irregolare e accidentato, pieno di dossi e valli causati dalle realtà fisiche della combustione del carburante e dai limiti meccanici delle apparecchiature. Gli strumenti matematici tradizionali spesso faticano a navigare in questo terreno accidentato, rimanendo bloccati in avvallamenti locali e perdendo il punto più basso reale dove il sistema opera con la massima efficienza.

Per navigare in questo difficile paesaggio, i ricercatori si sono rivolti a metodi ispirati alla natura e al comportamento umano. Un metodo come questo, chiamato ottimizzazione basata sull'apprendimento insegnante-studente (teaching-learning-based optimization), imita un'aula in cui un insegnante condivide la conoscenza per alzare il punteggio medio degli studenti, e gli studenti imparano gli uni dagli altri. Sebbene questo approccio sia potente, a volte può accontentarsi di una buona soluzione troppo velocemente, mancando quella migliore nascosta più in profondia nello spazio di ricerca. In uno studio recente, un team di ricercatori provenienti da Giordania, Iraq e Iran ha proposto un nuovo algoritmo più robusto, chiamato ottimizzazione basata sull'apprendimento evolutivo (evolutionary learning based optimization). Hanno preso il modello della classe e vi hanno aggiunto uno strato di strategia evolutiva, una tecnica che introduce mutazioni casuali e calcolate per mantenere viva la ricerca e impedire al sistema di bloccarsi. Fondendo l'apprendimento strutturato di un'aula con la casualità adattiva dell'evoluzione, hanno creato uno strumento progettato per trovare le impostazioni migliori per le reti elettriche, anche quando il problema è contorto e non regolare.

I ricercatori hanno testato il loro nuovo algoritmo su una serie di sfide matematiche standard note come benchmark CEC2014, progettate per essere difficili e ingannevoli. In queste simulazioni, il nuovo metodo ha costantemente superato l'originale algoritmo basato sulla classe e altre popolari tecniche di ottimizzazione. Ha trovato soluzioni migliori più velocemente e con maggiore stabilità, dimostrando che l'aggiunta del passaggio evolutivo ha aiutato il sistema a sfuggire alle trappole locali ed esplorare l'intero spazio di ricerca in modo più approfondito. Il team ha poi applicato questo strumento a modelli di reti elettriche reali, specificamente alle reti di test IEEE 30-bus e 57-bus, che rappresentano sistemi elettrici di piccole e medie dimensioni. Hanno chiesto all'algoritmo di risolvere diversi problemi critici contemporaneamente: ridurre il costo del combustibile, abbassare le emissioni nocive, minimizzare la quantità di energia persa sotto forma di calore durante la trasmissione e mantenere stabili i livelli di tensione.

In ogni scenario testato sulla rete a 30 bus, il nuovo algoritmo ha fornito risultati superiori. Quando incaricato di minimizzare i costi del combustibile, ha raggiunto un costo di 800,4791 dollari l'ora, una cifra inferiore a quella che il metodo di insegnamento originale e altri algoritmi stabiliti potevano raggiungere. Quando il problema diventava più complesso, coinvolgendo diversi tipi di fonti di combustibile o la necessità di bilanciare costi e emissioni e perdite di potenza, il nuovo metodo continuava a trovare le impostazioni più efficienti. Ad esempio, in un test in cui l'obiettivo era ridurre sia i costi del combustibile che le perdite di potenza simultaneamente, l'algoritmo ha trovato una soluzione che risparmiava denaro mantenendo al contempo la stabilità del sistema. I ricercatori hanno inoltre testato l'algoritmo sulla rete più grande a 57 bus, che include sette generatori e significativamente più variabili. Sebbene il documento indichi che sono state ottenute soluzioni ottimali per questa rete più grande e confrontate con articoli precedenti, i risultati numerici specifici per i costi del combustibile della rete a 57 bus non sono inclusi nel testo fornito.

Lo studio ha anche esaminato come l'algoritmo si comporta nel tempo. Nelle simulazioni, il nuovo metodo ha mostrato un declino costante e rapido dell'errore, il che significa che ha trovato buone soluzioni rapidamente e poi le ha perfezionate fino quasi alla perfezione. A differenza di altri metodi che potrebbero fluttuare selvaggiamente o stallare prima di raggiungere la risposta migliore, questo algoritmo ha mantenuto un percorso coerente verso l'ottimo. I ricercatori hanno verificato questi risultati eseguendo le simulazioni trenta volte per ogni problema per garantire che i risultati non fossero solo un colpo di fortuna. I dati hanno dimostrato che il nuovo approccio era non solo più accurato, ma anche più affidabile, trovando costantemente le migliori possibili impostazioni per le variabili della rete elettrica.

Combinando l'apprendimento sociale di un'aula con il potere evolutivo della mutazione, i ricercatori hanno creato uno strumento che gestisce la realtà disordinata e non lineare dei sistemi elettrici meglio di molti metodi esistenti. Il lavoro dimostra che, bilanciando attentamente la necessità di esplorare nuove possibilità con la necessità di perfezionare le soluzioni già note, gli ingegneri possono trovare modi per gestire la rete elettrica in modo più economico e pulito. I risultati suggeriscono che questo approccio ibrido potrebbe essere una risorsa preziosa per la futura pianificazione dei sistemi energetici, offrendo un modo per navigare i complessi compromessi tra costo, efficienza e impatto ambientale senza perdersi nella rugosità matematica del problema.