⚡ electrical engineering

Exact and Evolutionary Algorithms for Sequential Multi-Objective Transmission Topology Planning

Dit artikel presenteert een exacte blokenumeratie-algoritme en een op maat gemaakte NSGA-III evolutionaire heuristiek om het sequentiële meerdoelstelsel voor transmissietopologieplanning op te lossen, en toont aan dat de exacte methode de volledige Pareto-front voor realistische Nederlandse netgegevens efficiënt berekent, terwijl deze fungeert als een ground-truth-benchmark voor toekomstige benaderingen.

Oorspronkelijke auteurs: Job Groeneveld, Miguel Muñoz, Jan Viebahn, Alessandro Zocca

Gepubliceerd 2026-05-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Job Groeneveld, Miguel Muñoz, Jan Viebahn, Alessandro Zocca

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorm, hoog-risico spel voor van elektrische Tetris.

In dit spel zijn de "blokken" elektriciteit die door hoogspanningslijnen stroomt, en het "bord" is het nationale elektriciteitsnet. Het doel is om te voorkomen dat de blokken te hoog opstapelen (wat gevaarlijke overbelastingen veroorzaakt), terwijl je strikte regels volgt over hoe de blokken zich kunnen verplaatsen.

Dit artikel behandelt een specifieke versie van dit spel: Hoe moet een netbeheerder de verbindingen in zijn netwerk in de komende 24 uur herschikken om stroomuitval en overbelasting te voorkomen, terwijl kosten en inspanning laag blijven?

Hier is de uiteenzetting van het verhaal van het artikel, met eenvoudige analogieën:

Het Probleem: Het Net staat onder druk

Zie het elektriciteitsnet als een druk autosysteem. Onlangs zijn er steeds meer "auto's" (elektriciteit uit wind- en zonneboerderijen) aan de wegen toegevoegd. Maar de wegen zijn niet snel genoeg verbreed. Dit veroorzaakt file (congestie).

Als een weg te vol raakt, kan deze oververhitten en breken. Om dit op te lossen, hebben beheerders meestal twee keuzes:

Zet wat auto's uit: Vertel windparken om de productie te stoppen (dit kost geld en verspilt groene energie).
Herleid het verkeer: Open en sluit schakelaars in de transformatorstations om de vorm van het wegennet te veranderen, zodat het verkeer soepeler kan stromen.

Het artikel richt zich op Optie 2. De uitdaging is dat je niet alleen de wegen één keer kunt veranderen; je moet voor elk uur van de volgende dag een nieuw wegenplan opstellen. En je moet vier concurrerende doelen in evenwicht brengen:

Veiligheid: Houd de zwaarste verkeersbelasting zo laag mogelijk (zodat geen lijnen breken).
Eenvoud: Maak het wegennet niet te ingewikkeld (minder open schakelaars).
Inspanning: Verander het wegenplan niet te vaak (het schakelen van versnellingen slijt de machines).
Stabiliteit: Probeer het "standaard" wegenplan zo veel mogelijk te behouden, en verander het alleen wanneer het absoluut noodzakelijk is.

De Oplossing: Twee Verschillende Aanpakken

De auteurs hebben twee verschillende "spelers" gebouwd om dit 24-uurs planningspuzzel op te lossen.

Speler 1: Het "Blok"-algoritme (De Perfecte Planner)

Stel je voor dat je een puzzel probeert op te lossen, maar je beseft dat de puzzelstukken niet elke seconde hoeven te veranderen. Als het verkeer licht is van 02:00 tot 04:00 uur, heb je geen nieuw plan nodig voor 02:01, 02:02, enzovoort. Je kunt gewoon hetzelfde plan houden voor dat hele tijdblok.

Het Blok-algoritme maakt gebruik van deze truc. In plaats van elk uur afzonderlijk te controleren, groepeert het uren in "blokken" waarin het plan hetzelfde blijft.

Hoe het werkt: Het probeert systematisch elke mogelijke combinatie van deze tijd-blokken en wegindelingen.
Het Resultaat: Het vindt de perfecte lijst van alle mogelijke "beste" plannen. In wiskundige termen vindt het het "Pareto-front". Dit betekent dat het de beheerder elke mogelijke afweging laat zien: "Als je maximale veiligheid wilt, is dit het plan. Als je minder wilt schakelen, is dit het plan. Als je een balans wilt, is dit het plan."
Snelheid: Verrassend genoeg, hoewel er miljoenen mogelijkheden zijn, lost dit algoritme, door slim met tijd te groeperen, een volledige dagplanning op in minder dan 3 minuten.

Speler 2: Het Evolutionair Algoritme (De Proef-en-Fout Verkenner)

Deze speler is als een biologische evolutiesimulatie.

Hoe het werkt: Het begint met een willekeurige menigte van 1.000 verschillende plannen. Het laat ze "paren" (onderdelen van twee plannen combineren) en "muteren" (willekeurig een onderdeel van een plan veranderen). Het houdt de beste plannen en gooit de slechte weg, en herhaalt dit proces keer op keer.
Het Doel: Om uiteindelijk een reeks goede plannen te "evolueren" die lijken op de perfecte lijst.
Het Resultaat: Het komt dichtbij de perfecte lijst, maar mist sommige van de allerbeste opties. Het is als een wandelaar die probeert de hoogste piek te vinden in een mistig berggebied; ze kunnen een hoge piek vinden, maar ze missen misschien de absolute hoogste omdat ze de hele kaart niet kunnen zien.

De Showdown: Wie won?

De auteurs testten beide spelers met echte data van het Nederlandse elektriciteitsnet (TenneT) op een dag waarop het net onder extreme stress stond.

De Perfecte Planner (Blok-algoritme) won. Het vond de volledige lijst van 83 "perfecte" afwegingsstrategieën in minder dan 3 minuten.
De Verkenner (Evolutionair Algoritme) werd tweede. Het vond enkele goede strategieën, maar miste de allerbeste. Specifiek slaagde het er niet in om plannen te vinden die het net 100% veilig hielden zonder lijnen over te belasten, terwijl de Perfecte Planner er meerdere vond.

De Grote Conclusie

Het artikel beweert dat voor dit specifieke type elektriciteitsnetprobleem, je niet hoeft te gokken of "slimme" AI-benaderingen hoeft te gebruiken. Omdat het probleem een speciale "blok"-structuur heeft (plannen blijven hetzelfde voor stukken tijd), kun je het exacte, perfecte antwoord eigenlijk zeer snel berekenen.

Waarom is dit belangrijk?

Voor Netbeheerders: Ze hebben nu een hulpmiddel dat hen een compleet menu van perfecte opties biedt om uit te kiezen, in plaats van slechts een gok.
Voor Toekomstig Onderzoek: Deze "Perfecte Planner" dient nu als de "Gouden Standaard" (of grondwaarheid). Elke nieuwe AI- of machinelearning-methode die in de toekomst wordt ontwikkeld, kan tegen deze lijst worden getest om te zien of deze echt goed is of gewoon geluk heeft.

Kortom: De auteurs vonden een manier om een complex, 24-uurs elektriciteitsnetpuzzel perfect en direct op te lossen, en bewezen dat soms de "brute force"-methode, wanneer slim uitgevoerd, beter is dan de "slimme" gokmethode.

Technische Samenvatting: Exacte en Evolutionaire Algoritmen voor Sequentiële Multi-Doelstelling Transmissietopologieplanning

Probleemformulering
Het artikel behandelt de dag-tot-dag transmissietopologieplanning als een sequentieel, multi-doelstelling optimalisatieprobleem. Het doel is om een reeks nettopologieën over een 24-uurs horizon (24 tijdstappen) te bepalen om netcongestie te beheersen. Het probleem wordt gedefinieerd door vier operationele doelstellingen die de besluitvormingscriteria van een werkelijke Transmissiesysteembeheerder (TSO) weerspiegelen, en die allemaal geminimaliseerd moeten worden:

Worst-case lijnbelasting ( $LF_1$ ): De maximale capaciteitsbenutting van elke transmissielijn onder $N-1$ beveiligingscontingenties over de volledige horizon.
Topologische diepte ( $d$ ): Het maximale aantal extra busbalken dat wordt gecreëerd door busbalkkoppelaars te openen (knooppuntverdeling) ten opzichte van de referentietopologie (alle koppelaars gesloten) op enig tijdstip.
Aantal schakelacties ( $w$ ): Het totale aantal topologiewijzigingen (schakelingen) uitgevoerd over de periode van 24 uur.
Benutting van niet-referentie topologieën ( $z$ ): Het aantal tijdstappen waarin het netwerk opereert in een configuratie die verschilt van de standaardreferentietopologie.

De studie maakt gebruik van echte operationele data van het Nederlandse hoogspanningsnet, beheerd door TenneT TSO, met focus op een dag met hoge congestie waarbij de referentietopologie onder $N-1$ -condities frequent een belasting van meer dan 100% bereikt.

Methodologie
De auteurs stellen twee complementaire algoritmen voor en vergelijken deze: een exacte enumeratiemethode en een op maat gemaakte evolutionaire heuristiek.

Het Blok-algoritme (Exacte Methode):
- Kernconcept: Dit algoritme maakt gebruik van de temporale blokkstructuur van haalbare strategieën. In plaats van elke tijdstap onafhankelijk te evalueren, partitioneert het de 24-uurs horizon in aaneengesloten, niet-overlappende intervallen (blokken) waarin de topologie constant blijft.
- Mechanisme: Het enumerateert systematisch alle mogelijke blokkconfiguraties, toewijzingen van referentietopologieën en diepteniveaus. Door vooraf stroomwaarden te berekenen voor alle beschikbare topologieën per tijdstip, evalueert het algoritme combinaties van blokken om het volledige Pareto-front te identificeren.
- Complexiteit: Voor vaste operationele grenzen voor maximale diepte ( $d_{max}$ ) en maximaal schakelaantal ( $s_{max}$ ) groeit het aantal evaluaties polynomiaal met de planningshorizon. Het algoritme filtert strategieën op basis van niet-gedomineerde sortering, gebruikmakend van het feit dat drie van de vier doelstellingen discrete gehele getallen zijn om Pareto-optimale oplossingen efficiënt te identificeren.
Multi-Doelstelling Evolutionair Algoritme (MOEA):
- Kader: Gebaseerd op NSGA-III, geselecteerd vanwege de effectiviteit bij problemen met veel doelstellingen (vier doelstellingen).
- Representatie: Gebruikt directe variabele-lengte codering waarbij elk gen de topologie voor een specifieke tijdstap vertegenwoordigt.
- Initialisatie: Past een "structuurgeleide" bemonsteringsstrategie toe in plaats van uniforme willekeurige initialisatie. Het genereert initiële populaties door specifieke schakelaantallen en topologische dieptes in evenwicht te brengen om diversiteit in de relevante doelstellingsruimte-dimensies te waarborgen.
- Variatie: Gebruikt $k$ -punt crossover (met $k=2$ ) om temporale coherentie te behouden en random-reset mutatie om haalbaarheid binnen de set van beschikbare topologieën voor elke tijdstap te waarborgen.

Belangrijkste Bijdragen

Formalisatie: Het probleem wordt formeel gedefinieerd als een sequentiële multi-doelstelling optimalisatie met vier specifieke TSO-relevante doelstellingen, verdergaand dan enkelvoudige doelstellingen of geïsoleerde tijdstapformuleringen.
Exacte Enumeratie: De ontwikkeling van het "blok-algoritme", dat het volledige Pareto-front berekent voor een dag met werkelijke congestie in minder dan drie minuten. Het biedt een ground-truth benchmark voor deze probleemklasse.
Op Maat Gemaakte Heuristiek: Het ontwerp van een gespecialiseerd MOEA met structuurgeleide initialisatie en probleem-specifieke variatie-operatoren, geëvalueerd tegen het exacte front met behulp van Inverted Generational Distance Plus (IGD+) en een nieuwe multi-front dekking-maatstaf.
Empirische Validatie: Een vergelijkende studie met TenneT-data die aantoont dat exacte enumeratie computationeel haalbaar is en evolutionaire zoektocht overtreft in het herstellen van de volledige set van optimale strategieën.

Resultaten

Prestaties van het Blok-algoritme: De exacte methode slaagde erin het volledige Pareto-front te enumereren, waarbij 83 unieke punten in de doelstellingsruimte werden geïdentificeerd (die 163.807.652 verschillende strategieën vertegenwoordigen). Het bleek dat het bereiken van $LF_1 < 100\%$ (volledige $N-1$ -beveiliging) vereist dat de referentietopologie volledig wordt verlaten tijdens de uren met congestie en dat er wordt gewerkt met hogere topologische dieptes.
Prestaties van het MOEA: Het evolutionaire algoritme convergeerde naar het Pareto-front, maar slaagde er niet in de exacte set oplossingen te herstellen.
- De best presterende configuratie (populatiegrootte 1.621, mutatiesnelheid 0,10) herstelde slechts ongeveer 6% van de unieke Pareto-optimale punten die door het blok-algoritme waren gevonden.
- Het MOEA had moeite om oplossingen te vinden met $LF_1 < 100\%$ , die wel door de exacte methode werden geïdentificeerd.
- De dekking was bijzonder laag voor strategieën die veel niet-referentie topologieën omvatten (extreme regio's van de zoekruimte).
Vergelijking: Hoewel het MOEA snelle initiële convergentie toonde (binnen 5 minuten), platte het af en kon het de volledigheid van het blok-algoritme niet evenaren. Het vermogen van het blok-algoritme om alle haalbare strategieën te enumereren, stelde het in staat om trade-offs te identificeren die door de heuristiek werden gemist.

Betekenis en Beweringen
Het artikel beweert dat de combinatorische complexiteit van het optimaliseren van topologische strategieën over een 24-uurs horizon, vaak als onoplosbaar ervaren, exact en efficiënt kan worden opgelost door gebruik te maken van de temporale blokkstructuur van het probleem.

Besluitvormingsondersteuning: Het blok-algoritme biedt TSO's een compleet menu van Pareto-optimale strategieën, waardoor operators acties kunnen selecteren op basis van specifieke dagelijkse prioriteiten (bijvoorbeeld het minimaliseren van schakelingen versus het maximaliseren van beveiliging).
Benchmarking: Het exacte front dient als een rigoureuze ground-truth benchmark voor het evalueren van toekomstige heuristische en leer-gebaseerde methoden.
Haalbaarheid: De studie toont aan dat exacte enumeratie niet alleen theoretisch mogelijk is, maar ook praktisch uitvoerbaar voor real-world, sterk gecongesteerde netscenario's, wat de aanname uitdaagt dat heuristieken strikt noodzakelijk zijn voor dergelijke problemen.

De auteurs erkennen beperkingen, waaronder het gebruik van DC-stroomvloei-benaderingen, deterministische voorspellingen en de afhankelijkheid van vooraf berekende datasets. Zij suggereren dat toekomstig werk stochastische formuleringen, robuuste optimalisatie en de toepassing van imitatielearning om de bottleneck van vooraf berekening te omzeilen, zou kunnen omvatten. Echter, binnen het bestek van de studie wordt het blok-algoritme gepresenteerd als de voorkeursmethode vanwege zijn exactheid, snelheid en volledigheid.