Оптимизация топологии сети с ВИЭ-генерацией на основе модифицированного адаптированного генетического алгоритма

В статье представлен разработанный авторами адаптивный генетический алгоритм, позволяющий оптимизировать топологию электрической сети с распределенной генерацией на основе биоинспирированных методов. Объекты исследования – 15-узловая схема электрической сети с фотоэлектрическими станциями и 14-узловая дополненная схема IEEE с источниками распределенной генерации (три ветровые и две фотоэлектрические станции). Моделирование режимов электроэнергетических систем выполнено с использованием находящейся в открытом доступе библиотеки Pandapower для языка программирования Python. Рассмотрены три типа электрической нагрузки потребителей, отражающие характер потребления электроэнергии в узлах реальных электроэнергетических систем, приведены результаты численных исследований. В предложенном генетическом алгоритме применены две различные функции скрещивания, функции мутации, отбора лучших индивидов и массовой мутации (полного обновления популяции). В конце каждой итерации работы алгоритма выводятся статистические зависимости, характеризующие его работу: лучшая (минимальные потери) и средняя приспособленность в популяции, список лучших индивидов на протяжении всех итераций и т. д. Верификация производилась в сравнении с результатами, полученными методом полного перебора возможных радиальных конфигураций системы, и показала, что разработанный генетический алгоритм обладает быстрой сходимостью, высокой точностью и способен корректно работать при различных конфигурациях схем электрических сетей, структурах генерации и нагрузки. Алгоритм может применяться совместно с системами прогнозирования ВИЭ-генерации на сутки вперед при планировании режимов работы энергообъединений с целью минимизации издержек на покрытие потерь электроэнергии и улучшения качества отпускаемой электроэнергии.

1. Zhu, Y. An Improved Genetic Algorithm for Power Grid / Y. Zhu, X. Guo, J. Li // 2009 Fifth International Conference on Information Assurance and Security. Ottawa, 2009. P. 455–458. https://doi.org/10.1109/IAS.2009.86.

2. Dongmei, Z. Reactive Power Optimization by Genetic Algorithm Integrated with Reduced Gradient Method / Z. Dongmei, W. Pei, Z. Xu // 2014 IEEE Workshop on Advanced Research and Technology in Industry Applications (WARTIA). 2014. P. 838–841. https://doi.org/10.1109/WARTIA.2014.6976403.

3. Zhang, J. Reactive Power Optimization of Distribution Network Based on an Improved Genetic Algorithm / J. Zhang, T. Huang, H. Zhang // 2005 IEEE/PES Transmission & Distribution Conference & Exposition: Asia and Pacific. Dalian, 2005. P. 1–4. https://doi.org/10.1109/TDC.2005.1546960.

4. Bramm, A. Optimal Reconfiguration of Distribution Network with Solar Power Plants / A. Bramm, S. Eroshenko // 2021 Ural-Siberian Smart Energy Conference (USSEC). Novosibirsk, 2021. P. 1–5. https://doi.org/10.1109/USSEC53120.2021.9655718.

5. Фурсанов, М. И. Совершенствование методики расчета установившихся режимов городских электрических сетей с учетом потребительских энергоисточников / М. И. Фурсанов, А. А. Золотой // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2019. Т. 62, № 6. С. 514–527. https://doi.org/10.21122/1029-7448-2019-62-6-514-527.

6. Smart Grids [Electronic Resource] // IEA. Mode of access: https://www.iea.org/reports/ smartgrids. Date of access: 01.03.2021.

7. Renewable Capacity Statistics 2020 [Electronic Resource] / International Renewable Energy Agency (IRENA). 2021. Mode of access: https://irena.org/-/media/Files/IRENA/Agency/Publication/2020/Mar/IRENA_RE_Capacity_Statistics_2020.pdf. Date of access: 01.03.2021.

8. Strategic Planning of Renewable Energy Sources Implementation Following the Country-Wide Goals of Energy Sector Development / A. Khalyasmaa [et al.] // 2020 International Conference on Smart Technologies in Computing, Electrical and Electronics (ICSTCEE). 2020. P. 433–438. https://doi.org/10.1109/ICSTCEE49637.2020.9277484.

9. Microgrid Development for Remote Residential Customers Power Supply / A. Khalyasmaa [et al.] // 2020 International Conference on Smart Technologies in Computing, Electrical and Electronics (ICSTCEE). 2020. P. 186–190. https://doi.org/10.1109/ICSTCEE49637.2020.9276813.

10. Aburiyana, G. An Overview of Forecasting Techniques for Load, Wind and Solar Powers / G. Aburiyana, M. E. El-Hawary // 2017 IEEE Electrical Power and Energy Conference (EPEC). 2017. P. 1–7. https://doi.org/10.1109/EPEC.2017.8286192.

11. Jurj, D. I. Overview of Electrical Energy Forecasting Methods and Models in Renewable Energy / D. I. Jurj, D. D. Micu, A. Muresan // 2018 International Conference and Exposition on Electrical And Power Engineering (EPE), Iasi, 18–19 October 2018. P. 87–90. https://doi.org/10.1109/ICEPE.2018.8559807.

12. Solar Power Prediction Based on Satellite Images and Support Vector Machine / H. S. Jang [et al.] // IEEE Transactions on Sustainable Energy. 2016. Vol. 7, Iss. 3. P. 1255–1263. https://doi.org/10.1109/TSTE.2016.2535466.

13. Фурсанов, М. И. Об управлении режимами городских электрических сетей в условиях SMART GRID / М. И. Фурсанов, А. А. Золотой // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2018. Т. 61, № 1. С. 15–27. https://doi.org/10.21122/1029-7448-2018-61-1-15-27.

14. Bioinspired Optimization Methods and Their Applications: 9th International Conference, BIOMA 2020, Brussels, November 19–20, 2020. Proceedings / under ed. B. Filipič [et al.]. Springer Nature Switzerland, 2020. 322 p. (Lecture Notes in Computer Science, vol. 12438). https://doi.org/10.1007/978-3-030-63710-1.

15. Immanuel, S. D. Genetic Algorithm: An Approach on Optimization / S. D. Immanuel, U. K. Chakraborty // 2019 International Conference on Communication and Electronics Systems (ICCES). 2019. P. 701–708. https://doi.org/10.1109/ICCES45898.2019.9002372