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

A rede elétrica é uma máquina vasta e delicada que deve equilibrar oferta e demanda no instante em que um interruptor é acionado. Manter este sistema funcionando de forma segura e barata exige a resolução de um quebra-cabeça complexo conhecido como fluxo de potência ótimo. Engenheiros devem decidir exatamente quanto de eletricidade cada usina deve gerar, qual voltagem manter nas linhas e como ajustar transformadores, tudo isso enquanto garantem que o sistema não colapse sob o próprio peso. O desafio é que o custo de geração de energia raramente é uma linha reta; é uma paisagem irregular e acidentada, repleta de altos e baixos causados pelas realidades físicas da queima de combustível e pelos limites mecânicos dos equipamentos. As ferramentas matemáticas tradicionais frequentemente lutam para navegar por esse terreno acidentado, ficando presas em depressões locais e perdendo o ponto mais baixo real onde o sistema opera com maior eficiência.

Para navegar por essa paisagem difícil, pesquisadores recorreram a métodos inspirados na natureza e no comportamento humano. Um desses métodos, chamado otimização baseada em ensino-aprendizagem, imita uma sala de aula onde um professor compartilha conhecimento para elevar a pontuação média dos alunos, e os alunos aprendem uns com os outros. Embora essa abordagem seja poderosa, ela pode, às vezes, contentar-se com uma boa solução rápido demais, perdendo a melhor solução escondida mais profundamente no espaço de busca. Em um estudo recente, uma equipe de pesquisadores da Jordânia, Iraque e Irã propôs um novo algoritmo mais robusto chamado otimização baseada em aprendizado evolutivo. Eles pegaram o modelo da sala de aula e adicionaram uma camada de estratégia evolutiva, uma técnica que introduz mutações aleatórias e calculadas para manter a busca viva e evitar que o sistema fique estagnado. Ao misturar o aprendizado estruturado de uma sala de aula com a aleatoriedade adaptativa da evolução, eles criaram uma ferramenta projetada para encontrar as configurações absolutas melhores para redes elétricas, mesmo quando o problema é retorcido e não suave.

Os pesquisadores testaram seu novo algoritmo em uma série de desafios matemáticos padrão conhecidos como benchmarks CEC2014, que são projetados para serem difíceis e enganosos. Nessas simulações, o novo método superou consistentemente o algoritmo original baseado em ensino-aprendizagem e outras técnicas de otimização populares. Ele encontrou soluções melhores, mais rapidamente e com maior estabilidade, provando que a adição da etapa evolutiva ajudou o sistema a escapar de armadilças locais e a explorar o espaço de busca de forma mais completa. A equipe então aplicou essa ferramenta a modelos de redes elétricas do mundo real, especificamente as redes de teste IEEE 30-bus e 57-bus, que representam sistemas elétricos de pequeno e médio porte. Eles pediram ao algoritmo para resolver vários problemas críticos simultaneamente: reduzir o custo do combustível, diminuir as emissões nocivas, minimizar a quantidade de energia perdida como calor durante a transmissão e manter os níveis de voltagem estáveis.

Em cada cenário testado na rede de 30-bus, o novo algoritmo entregou resultados superiores. Quando incumbido de minimizar os custos de combustível, alcançou um custo de 800,4791 dólares por hora, uma figura inferior à que o método de ensino-aprendizagem original e outros algoritmos estabelecidos poderiam alcançar. Quando o problema se tornou mais complexo, envolvendo múltiplos tipos de fontes de combustível ou a necessidade de equilibrar custo versus emissões e perdas de potência, o novo método continuou a encontrar as configurações mais eficientes. Por exemplo, em um teste onde o objetivo era reduzir tanto os custos de combustível quanto as perdas de potência simultaneamente, o algoritmo encontrou uma solução que economizava dinheiro enquanto mantinha o sistema estável. Os pesquisadores também testaram o algoritmo na rede maior de 57-bus, que inclui sete geradores e significativamente mais variáveis. Embora o artigo indique que soluções ótimas para esta rede maior foram obtidas e comparadas com artigos anteriores, os resultados numéricos específicos para os custos de combustível da rede de 57-bus não foram incluídos no texto fornecido.

O estudo também observou como o algoritmo se comporta ao longo do tempo. Em simulações, o novo método mostrou um declínio constante e rápido no erro, o que significa que encontrou boas soluções rapidamente e depois as refinou para quase a perfeição. Ao contrário de alguns outros métodos que podem flutuar drasticamente ou estagnar antes de atingir a melhor resposta, este algoritmo manteve um caminho consistente em direção ao ótimo. Os pesquisadores verificaram essas descobertas executando as simulações trinta vezes para cada problema para garantir que os resultados não fossem apenas uma sorte fortuita. Os dados mostraram que a nova abordagem não era apenas mais precisa, mas também mais confiável, encontrando consistentemente as melhores configurações possíveis para as variáveis da rede elétrica.

Ao combinar o aprendizado social de uma sala de aula com o poder evolutivo da mutação, os pesquisadores criaram uma ferramenta que lida com a realidade desordenada e não linear dos sistemas de potência melhor do que muitos métodos existentes. O trabalho demonstra que, ao equilibrar cuidadosamente a necessidade de explorar novas possibilidades com a necessidade de refinar soluções conhecidas como boas, os engenheiros podem encontrar maneiras de operar a rede elétrica de forma mais barata e limpa. Os resultados sugerem que esta abordagem híbrida pode ser um ativo valioso para o planejamento futuro de sistemas de energia, oferecendo uma maneira de navegar nos complexos compromissos entre custo, eficiência e impacto ambiental sem se perder na rugosidade matemática do problema.