Uso Del Particle Swarm Optimization Para Optimizar

El Despacho Econmico En El Sistema IEEE 30

Nodos Con Fuentes De Generacin Distribuida.
Edwin Rivas Trujillo,
IEEE Senior Member.
Faculty of Engineering
Universidad Distrital Francisco Jos
de Caldas
Bogot D.C., Colombia
erivas@udistrital.edu.co
Luis Felipe Gaitan,
IEEE Student Member.
Faculty of Engineering
Universidad Distrital Francisco Jos
de Caldas
Bogot D.C., Colombia
luis.f.g@ieee.org
Juan David Gomez,
IEEE Student Member.
Faculty of Engineering
Universidad Distrital Francisco Jos
de Caldas
Bogot D.C., Colombia
juan.d.g@ieee.org

AbstractEste articulo presenta una aplicacin del Particle
Swarm Optimization (PSO) en la optimizacin del flujo de
potencia en un sistema IEEE de 30 nodos, el cual tiene algunos
nodos con generacin distribuida. En primer lugar se presenta el
modelo matemtico usado para la optimizacin de los costos de
generacin de electricidad, posteriormente se aplica este modelo
matemtico a un caso de estudio compuesto por un sistema IEEE
de 30 nodos. Los resultados obtenidos por PSO se comparan con
otros mtodos de optimizacin, demostrando as que el costo y las
prdidas obtenidas para el sistema de 30 nodos son menores que
los valores arrojados por otros mtodos. Posteriormente se aplica
el mismo modelo para el mismo sistema de potencia con presencia
de generacin distribuida en algunos de sus nodos.
Keywords Optimal Power Flow; Particle Swarm
Optimization; Generacin Distribuida.
I. INTRODUCTION
Optimal Power Flow (OPF), es uno de los problemas que
ms ha sido tratado en el anlisis de los sistemas de potencia. En
1962 Carpentier [1] introduce las ecuaciones del flujo de
potencia en la formulacin del Economic Dispatch (ED) [2].
Existen diferentes mtodos de optimizacin, para poder resolver
el despacho econmico de las unidades de generacin de un
sistema de potencia. Los mtodos basados en tcnicas de
inteligencia artificial presentan la ventaja de poder manejar
varias restricciones encontrando mltiples soluciones para el
problema de optimizacin realizando una misma simulacin y
por lo tanto en muchas ocasiones, se puede encontrar el ptimo
global [36].
II. PARTICLE SWARM OPTIMIZATION
De acuerdo a [3] [4] Particle Swarm Optimization (PSO), fue
desarrollado por James Kennedy y Russell Eberhart en 1995,
donde introducen el concepto de optimizacin de funciones no
lineales, con el fin de entender los comportamientos sociales. En
1998 Russell y Shi, modifican el proceso de optimizacin
agregando el parmetro del factor de inercia, el cual se encarga
de balancear la bsqueda global y local de las partculas, si el
valor de inercia es menor a 0.8, encontrar el mnimo local
rpido pero puede que no sea la mejor solucin porque tiene un
rea de bsqueda reducido, si es mayor a 1.2 se asemeja a un
mtodo de bsqueda global que intenta explorar nuevas reas
para encontrar el ptimo global pero va a necesitar ms
iteraciones para terminar el proceso, y si el valor de inercia se
encuentra entre 0.8 y 1.2 tiene una mayor probabilidad de
encontrar el ptimo global a un costo intermedio de
iteraciones. [5].
El principal objetivo de este trabajo es realizar la
optimizacin del costo de combustible sujeta a las restricciones
de tensin y potencia en cada uno de los nodos utilizando PSO.
En [2] sealan que las ecuaciones que se deben cumplir a fin
de desarrollar el problema son las siguientes:
Funcin de costo total del combustible:
( ) = =1 ( ) (1)
Potencia activa con la funcin cuadrtica de costo
2
( ) = + + (2)
Donde ( ) es el costo de la produccin total en $/hr
( ) es la funcin costo de combustible de unidad i en $/hr
son los coeficientes del costo de combustible de
unidad i
es la potencia real entregada de unidad i en MW.
La funcin cuadrtica de costo consta de 3 coeficientes, a, b y
c, donde a representa todos los costos en funcin de la
eficiencia, b representa los costos que son proporcionales a la
potencia generada y c representa los costos que se tienen
incluso cuando no hay generacin.
Las restricciones que deben cumplirse son las siguientes: [2]
La potencia generada debe ser la misma que la potencia
demandada ms las prdidas.
=1 = + (3)
=1 es la demanda total del sistema
=1 es la produccin total del sistema
es la potencia demandada
 son las prdidas del sistema en MW 11 0.02500 3.00 0 10 30
es el nmero de generadores en el sistema.
13 0.02500 3.00 0 12 40
Los lmites de generacin se restringen de la siguiente manera:


Los coeficientes aplican en la ecuacin cuadrtica de
y son la potencia mnima y mxima en la isima
minimizacin del costo de combustible y los resultados
unidad de generacin.
obtenidos por los distintos autores se resumen de la Tabla 2 a la
Tabla 3. Los resultados obtenidos por PSO se listan en la ltima
III. FUNCIONAMIENTO DE PSO casilla para poder hacer la comparacin mostrando as que el
costo y las prdidas obtenido por PSO para el sistema de 30
PSO consiste en una cantidad fija de partculas que se
nodos es menor que los valores obtenidos por otros mtodos.
mueven por un espacio de bsqueda determinado, con cierta
posicin y cierta velocidad, siendo cada una de estas partculas TABLA 2. DATOS OBTENIDOS POR DIFERENTES AUTORES EN EL SISTEMA IEEE
una posible solucin. Se realiza la optimizacin con respecto a 30 NODOS (GA, MGA, GA-MGA, TABU, GAF OPF).
la funcin objetivo en el que y cada partcula sabe cul es su
GA- GAF
mejor posicin obtenida en el proceso y es llamada Personal Nodo GA MGA
MGA
Tabu
OPF
Best (Pbest); y as mismo, las dems partculas conocen cul es
PG1 175.2708 180.1945 183.7565 176 174.96
la mejor posicin obtenida por el grupo y es llamada Global Best
(Gbest) [6]. Estos valores se utilizan para calcular los nuevos PG2 54.00526 48.13875 46.7759 48.76 50.353
valores de velocidad de las partculas en la siguiente iteracin. PG5 19.4533 21.56847 21.2341 21.56 21.451
El clculo de la velocidad y posicin est dado por las siguientes
ecuaciones: [2] PG8 12.77906 12.30196 15.7582 22.05 21.176

Ecuacin de velocidad PG11 16.12452 15.35001 10.7189 12.44 12.667

PG13 15.11279 15.13691 14.409 12 12.11
( + 1) = () + 1 ( ()) + 2 ( ()) (4)
Costo
803.2197 801.9229 800.4869 802.2 802
Ecuacin de posicin ($/h)
Prdidas 9.3457 9.2906 9.2226 9.45 9.323
( + 1) = () + ( + 1) (5)
Siendo, i el nmero de la partcula, k el ndice de tiempo
discreto, v la velocidad de la isima partcula, x la posicin de la TABLA 3. DATOS OBTENIDOS POR DIFERENTES AUTORES EN EL SISTEMA IEEE
isima partcula, p la mejor posicin encontrada en la isima 30 NODOS (GA OPF, RGA, EP, GA FUZZY, GA-MGA) VS PSO.
partcula y G la mejor posicin encontrada por el enjambre. GA RG GA GA-
Adicionalmente cuentan con nmeros aleatorios en el intervalo Nodo EP PSO
OPF A fuzzy MGA
[0,1] aplicados a la isima partcula. [2] PG1 175.64 174 173.84 178.17 183.7565 173.2858

Cada una de las partculas cambia de posicin a la siguiente PG2 48.941 46.8 49.998 45.16 46.7759 48.0386
modificando su velocidad por medio de la ecuacin de posicin
hasta que se llegue al nmero de iteraciones deseadas. PG5 21.176 22 21.386 20.65 21.2341 21.3114

PG8 22.647 23.9 22.63 21.29 15.7282 24.476

Para realizar el PSO se usa el programa Matlab tomando
como base Particle Swarm Optimization Toolbox [7]. Este fue PG11 12.431 11 12.928 15.16 10.7189 12.354

desarrollado por Brian Birge en 2005 y recibi una actualizacin PG13 12 14.5 12 12 14.409 12
en 2006 y, a pesar de no haber recibido ninguna actualizacin en
Costo
10 aos, sigue siendo un referente en varios trabajos y ($/h)
802.38 804 802.62 801.21 800.4869 798.3464
herramientas de investigacin. [8] [9] [10] [11] [12]
Prdidas 9.439 8.84 9.39 9.03 9.2226 8.0658
La informacin de la conformacin total del sistema se
encuentra en [13]. La demandad total del sistema es de 283.4
MW. Los lmites de tensin estn entre 0.95 y 1.05 p.u. Los IV. USO DEL PSO PARA OPTIMIZAR EL DESPACHO ECONMICO EN
coeficientes y lmites de potencia que se han aplicado en el EL SISTEMA DE IEEE 30 NODOS CON FUENTES DE GENERACIN
sistema se muestran en la Tabla 1: DISTRIBUIDA

TABLA 1 COEFICIENTES Y POTENCIAS SISTEMA IEEE 30 NODOS. El sistema IEEE de 30 nodos corresponde a una red elctrica
del medio este de los Estados Unidos (Nueva Inglaterra), tiene 6
Generador a b c Pmin Pmx generadores, 41 lneas de transmisin; 7 transformadores; y
1 0.00375 2.00 0 50 200
tiene una demanda del sistema de 283.4 MW y 126.2 MVAr [25]
[27]. Se simulo este sistema de potencia con los datos que se
2 0.01750 1.75 0 20 80 encuentra en [72]. A este sistema de potencia se le agregan 5
5 0.06250 1.00 0 15 50 generadores en los nodos sealados en la Sistema IEEE de 30
Nodos Modificado.. Estos nuevos generadores, presentes en el
8 0.00834 3.25 0 10 35 sistema, siempre estarn entregando el total de su generacin
disponible, ya que se busca que la totalidad de su capacidad sea condicin. Los coeficientes usados para los sistemas de 14 y 30
tenida en cuenta a la hora de realizar la optimizacin del nodos se muestran en la Tabla 4 y la Tabla 5.
despacho econmico.
TABLA 4 COEFICIENTES PARA EL SISTEMA IEEE 14 NODOS

Fig. 1. Sistema IEEE 30 nodos original Generador a b c Pmin Pmax

1 0.005 2.45 105 10 160
2 0.005 3.51 44.1 20 80
3 0.005 3.89 40.6 20 50
10 0.002 2.50 0 1 9
11 0.002 2.50 0 1 3.5
12 0.002 2.50 0 1 6.1

13 0.002 2.50 0 1 13.5

14 0.002 2.50 0 1 14.9

TABLA 5 COEFICIENTES PARA EL SISTEMA IEEE 30 NODOS

Generador a b c Pmin Pmax

1 0.0038 2.00 0 50 200
2 0.0175 1.75 0 20 80
5 0.0625 1.00 0 15 50
8 0.0083 3.25 0 10 35
11 0.0250 3.00 0 10 30
Fig. 2. Sistema IEEE de 30 Nodos Modificado. 13 0.0250 3.00 0 12 40

23 0.0020 1.40 0 1 3.2

24 0.0020 1.40 0 1 8.7

26 0.0020 1.40 0 1 3.5

29 0.0020 1.40 0 1 2.4

30 0.0020 1.40 0 1 10.6

Para realizar las simulaciones se han establecido tres

. En este escenario de operacin, estn activados los nodos con
Con el propsito de lograr que los generadores alternativos
siempre estuvieran a plena carga se ajustaron los valores de los
coeficientes a, b y c; de tal manera que, al realizar el proceso de
optimizacin, el algoritmo garantizaba que estos generadores
estuvieran despachando al 100% de su capacidad haciendo que
el despacho de los generadores convencionales se ajustara a esa
escenarios
A. Escenario convencional
En este escenario de operacin, solo estn activados los
nodos de carga, los cuales tienen asociados las cargas tipo spot
presentes en el sistema de potencia original..
B. Escenario alternativo
En este escenario de operacin, solo estn los nodos que tienen
asociados los nuevos generadores del sistema.
C. Escenario generacin distribuida
carga como los nuevos generadores del sistema.
Las variaciones de potencia y precio de los generadores
convencionales en el sistema de 14 nodos se muestran en la
Figura 41 y la Figura 42.
TABLA 6. RESULTADOS OBTENIDOS PARA EL SISTEMA DE 30 NODOS SISTEMA La inclusin de GD en el sistema trae una reduccin
ALTERNATIVO
considerable en la generacin y por lo tanto en el costo de los
Sistema 30 nodos generadores convencionales, aunque hay que tener en cuenta
Convencional Alternativo
que la GD no siempre puede estar a plena carga debido al
carcter aleatorio de los mismos.
Gen P (MW) $/MWh Gen P (MW) $/MWh
Los resultados obtenidos en este estudio son para GD de forma
G1 173,3735 460,9688 G1 112,0854 271,9107 general, pero se podra realizar el modelamiento de los
G2 48,0005 124,3217 G2 36,9187 88,4601
diferentes tipos de GD que podran entrar en el sistema para
tener un clculo ms especfico.
G5 21,2204 65,2798 G5 19,3311 42,6868
Fig. 3. Variacin de potencia por generador.
G8 24,3824 84,1772 G8 27,9493 97,3189
G11 12,4963 41,3928 G11 18,5998 64,4482
200
G13 12,0000 39,6000 G13 16,1541 54,9862
180
G23 3,2000 4,5005 160
140

POTENCIA
G24 8,7000 12,3314 120
100
G26 3,5000 4,9245 80
G29 2,4400 3,4279 60
40
G30 10,6000 15,0647 20
0
G1 G2 G5 G8 G11 G13
Conv 173.373 48.0005 21.2204 24.3824 12.4963 12.0000
TABLA 7. RESULTADOS OBTENIDOS PARA EL SISTEMA DE 30 NODOS SISTEMA
GD Alt 112.085 36.9187 19.3311 27.9493 18.5998 16.1541
Sistema 30 nodos G. D. 128.404 35.9846 20.6909 33.3931 22.5782 18.3961
Convencional G. Distribuida Fig. 4. Variacin de precio por generador.
Gen P (MW) $/MWh Gen P (MW) $/MWh
500
G1 173,3735 460,9688 G1 128,4042 319,4614
G2 48,0005 124,3217 G2 35,9846 85,6337 400
POTENCIA

G5 21,2204 65,2798 G5 20,6909 47,4480 300

G8 24,3824 84,1772 G8 33,3931 117,7829 200

G11 12,4963 41,3928 G11 22,5782 80,4790 100
G13 12,0000 39,6000 G13 18,3961 63,6487 0
G1 G2 G5 G8 G11 G13
G23 3,2000 4,5005
Conv 460.968 124.321 65.2798 84.1772 41.3928 39.6000
G24 8,7000 12,3314
Alt 271.910 88.4601 42.6868 97.3189 64.4482 54.9862
G26 3,5000 4,9245 G. D. 319.461 85.6337 47.4480 117.782 80.4790 63.6487
G29 2,4400 3,4279
VI. REFERENCIAS
G30 10,6000 15,0647

[1] J. F. Schutte, Particle Swarms in sizing and global optimization, Pret

Las variaciones de potencia y precio para el sistema de 30
nodos se muestran en la Figura 43 y la Figura 44
respectivamente.
V. CONCLUSIONES
PSO ha resultado ser efectivo en comparacin a los resultados
obtenidos por los algoritmos genticos en cuanto al costo total
de generacin y las prdidas del sistema.
Los coeficientes asociados al costo pueden aumentarse para
acercarse ms a las condiciones de operacin real, con el fin de
tener un clculo ms preciso de los precios.
[2] B. Birge, Mathworks, 2006. [En lnea]. Available:
https://www.mathworks.com/matlabcentral/fileexchange/7506-
particle-swarm-optimization-toolbox.
[3] M. A. ABIDO, Optimal Power Flow Using Tabu Search
Algorithm, 2001.
[4] S. Ashish, K. C. Devendra y K. S. A., Optimal Power Flow
Solution: a GA-Fuzzy System Approach, International
Journal of Emerging Electric Power Systems, vol. 5, n 2,
2006.
[5] G. David y R. Carlos, Formular las metaheursticas bsqueda [8] D. B. A. M. Yacine LABBI1, Artificial bee colony
Tab y recocido simulado para la simulacin del CVRP optimization for economic dispatch with valve point effect,
(capacitated vehicle routing problem), Bucaramanga, 2011. Front. Energy, vol. 8, n 4, p. 449, 2014.
[6] J. Yuryevich y K. P. Wong, Evolutionary programming based[9] R. Poli, A Field Guide to Genetic Programming, 2008.
optimal power flow algorithm, IEEE Transactions on Power
Systems, vol. 14, n 4, pp. 1245-1250, 1999.
[7] CREG, Comisin de regulacin de energa y gas, [En lnea].
Available:
http://www.creg.gov.co/cxc/secciones/que_es/que_es.htm.
[ltimo acceso: 19 02 2017].