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

Het elektriciteitsnet is een enorme, delicate machine die vraag en aanbod op het moment dat een lichtschakelaar wordt omgezet, in balans moet houden. Het draaiende houden van dit systeem op een veilige en goedkope manier vereist het oplossen van een complexe puzzel die bekend staat als optimale stroomdoorstroming (optimal power flow). Ingenieurs moeten beslissen hoeveel elektriciteit elke elektriciteitscentrale precies moet opwekken, welk voltage ze op de lijnen moeten handhaven en hoe ze transformatoren moeten aanpassen, terwijl ze er tegelijkertijd voor zorgen dat het systeem niet onder zijn eigen gewicht bezwijkt. De uitdaging is dat de kosten van het opwekken van energie zelden een rechte lijn zijn; het is een grillig, ongelijkmatig landschap vol bulten en dalen, veroorzaakt door de fysieke realiteiten van het verbranden van brandstof en de mechanische beperkingen van de apparatuur. Traditionele wiskundige hulpmiddelen hebben vaak moeite om door dit ruwe terrein te navigeren, waarbij ze vastlopen in lokale dalen en het werkelijke laagste punt missen waar het systeem het meest efficiënt functioneert.

Om dit moeilijke landschap te navigeren, hebben onderzoekers zich gericht op methoden die geïnspireerd zijn door de natuur en menselijk gedrag. Een dergelijke methode, genaamd teaching-learning-based optimization, bootst een klaslokaal na waarin een leraar kennis deelt om het gemiddelde cijfer van de leerlingen te verhogen, en leerlingen van elkaar leren. Hoewel deze aanpak krachtig is, kan het soms te snel genoegen nemen met een goede oplossing, waardoor de beste oplossing die dieper in de zoekruimte verborgen ligt, wordt gemist. In een recente studie heeft een team onderzoekers uit Jordanië, Irak en Iran een nieuw, robuuster algoritme voorgesteld genaamd evolutionary learning based optimization. Ze namen het klaslokaalmodel en voegden daar een laag van een evolutionaire strategie aan toe, een techniek die willekeurige, berekende mutaties introduceert om de zoektocht levendig te houden en te voorkomen dat het systeem vastlovept. Door de gestructureerde leerervaring van een klaslokaal te combineren met de adaptieve willekeur van evolutie, creëerden ze een instrument dat ontworpen is om de absolute beste instellingen voor elektriciteitsnetten te vinden, zelfs wanneer het probleem verdraaid en niet-glad is.

De onderzoekers testten hun nieuwe algoritme op een reeks standaard wiskundige uitdagingen, bekend als CEC2014-benchmarks, die ontworpen zijn om moeilijk en misleidend te zijn. In deze simulaties presteerde de nieuwe methode consequent beter dan het oorspronkelijke klaslokaalgebaseerde algoritme en andere populaire optimalisatietechnieken. Het vond betere oplossingen sneller en met een grotere stabiliteit, wat bewees dat de toevoeging van de evolutionaire stap hielp om het systeem uit lokale vallen te trekken en de gehele zoekruimte grondiger te verkennen. Het team paste dit instrument vervolgens toe op echte elektriciteitsnetmodellen, specif으로 de IEEE 30-bus en 57-bus testnetwerken, die kleine en middelgrote elektrische systemen vertegenwoordigen. Ze vroegen het algoritme om verschillende kritieke problemen tegelijkertijd op te lossen: het verminderen van de brandstofkosten, het verlagen van schadelijke emissies, het minimaliseren van het energieverlies als warmte tijdens de transmissie, en het stabiel houden van de voltages.

In elk scenario dat getest werd op het 30-bus netwerk, leverde de nieuwe methode superieure resultaten. Wanneer de taak was om de brandstofkosten te minimaliseren, bereikte het een kostenpost van 800,4791 dollar per uur, een cijfer dat lager is dan wat de oorspronkelijke teaching-learning methode en andere gevestigde algoritmen konden bereiken. Wanneer het probleem complexer werd, met betrekking tot meerdere soorten brandstofbronnen of de noodzaak om kosten af te wegen tegen emissies en energieverliezen, bleef de nieuwe methode de meest efficiënte instellingen vinden. Bijvoorbeeld, in een test waarbij het doel was om zowel brandstofkosten als energieverliezen gelijktijdig te verminderen, vond het algoritme een oplossing die geld bespaarde terwijl het systeem stabiel bleef. De onderzoekers testten het algoritme ook op het grotere 57-bus netwerk, dat zeven generatoren en aanzienlijk meer variabelen bevat. Hoewel de publicatie aangeeft dat optimale oplossingen voor dit grotere netwerk werden verkregen en vergeleken met eerdere artikelen, werden de specifieke numerieke resultaten voor de 57-bus brandstofkosten niet opgenomen in de verstrekte tekst.

De studie onderzocht ook hoe het algoritme zich in de loop van de tijd gedraagt. In simulaties vertoonde de nieuwe methode een gestage en snelle daling van de fout, wat betekent dat het snel goede oplossingen vond en deze vervolgens verfijnde tot bijna perfectie. In tegen tegenstelling tot sommige andere methoden die wild kunnen fluctueren of kunnen stagneren voordat ze het beste antwoord bereiken, behield dit algoritme een consistente weg naar het optimum. De onderzoekers verifieerden deze bevindingen door de simulaties dertig keer voor elk probleem uit te voeren om er zeker van te zijn dat de resultaten niet slechts een gelukkige toevalstreffer waren. De gegevens toonden aan dat de nieuwe aanpak niet alleen nauwkeuriger was, maar ook betrouwbaarder, waarbij het consequent de best mogelijke instellingen voor de variabelen van het elektriciteitsnet vond.

Door de sociale leerervaring van een klaslokaal te combineren met de evolutionaire kracht van mutatie, hebben de onderzoekers een instrument gecreëerd dat de rommelige, niet-lineaire realiteit van energiesystemen beter aanpakt dan veel bestaande methoden. Het werk demonstreert dat door zorgvuldig een balans te vinden tussen de noodzaak om nieuwe mogelijkheden te verkennen en de noodzaak om bekende goede oplossingen te verfijnen, ingenieurs manieren kunnen vinden om het elektriciteitsnet goedkoper en schoner te exploiteren. De resultaten suggereren dat deze hybride aanpak een waardevol bezit kan zijn voor toekomstige planning van elektriciteitssystemen, waarbij een manier wordt geboden om de complexe afwegingen tussen kosten, efficiëntie en milieu-impact te navigeren zonder verdwaald te raken in de wiskundige ruwheid van het probleem.