Hybrid Optimization Strategy for Optimal Location and Sizing of DG in Distribution Networks

Estrategia de optimización híbrida para ubicación y dimensionamiento óptimo de GD en redes de distribución

  • Walter Gil-González Universitaria Pascual Bravo. Medellín
  • Oscar Danilo Montoya Universidad Distrital Francisco José de Caldas
  • Luis Fernando Grisales-Noreña Institución Universitaria Pascual Bravo https://orcid.org/0000-0002-1409-9756
  • Carlos Alberto Ramírez Vanegas Universidad Tecnológica de Pereira
  • Alexander Molina Cabrera Universidad Tecnológica de Pereira https://orcid.org/0000-0003-2448-2174
Palabras clave: Chu-Beasley genetic algorithm, distributed generation, hybrid optimization, master–slave algorithm, optimal power flow, radial distribution networks (en_US)
Palabras clave: Algoritmo genético Chu-Beasley, generación distribuida, optimización híbrida, algoritmo maestro-esclavo, flujo de potencia óptimo, redes de distribución radial (es_ES)

Resumen (en_US)

Objective: In this paper, is present a hybrid optimization methodology for the optimal location and sizing of distributed generators (DGs) in electrical distribution networks. We propose a mixed-integer nonlinear problem (MINLP) model for the mathematical formulation, whose objective function is the minimization of power losses due to the Joule effect in conductors. The constraints we considered include active and reactive power balance, voltage regulation, percentage of penetration of DGs into the distribution network, and total DGs allowed in such network.

Methodology: To solve the MINLP model, we employed a master–slave strategy that uses the Chu-Beasley genetic algorithm (CBGA) and the optimal power flow (OPF) model as the master and slave algorithms, respectively. This hybrid technique helps to reduce the complexity of the MINLP model by eliminating binary variables through the master algorithm and then solving the resulting Nonlinear problem (NLP), which corresponds to the OPF model, using a classical interior-point method available in MATLAB’s fmincon toolbox.

Results: We tested the efficiency and robustness of the proposed methodology in 33- and 69-node radial distribution networks. The results show its high performance in terms of power loss reduction and final sizing of DGs

Conclusions: The results obtained in the test systems under analysis reveal that there is a direct and proportional relationship between technical losses, the percentage of distributed generation penetration, and the number of generators available.

Resumen (es_ES)

Objetivo: En este documento, se presenta una metodología de optimización híbrida para la ubicación y el tamaño óptimos de generadores distribuidos (DG) en redes de distribución eléctrica. Se propone un modelo de problema no lineal de enteros mixtos (MINLP) para la formulación matemática, cuya función objetivo es la minimización de las pérdidas de potencia debido al efecto Joule en los conductores. Las restricciones incluyen el equilibrio de potencia activa y reactiva, regulación del voltaje, el porcentaje de penetración de las DG en la red de distribución y las DG totales permitidas en dicha red.

Metodología: Para resolver el modelo MINLP, se emplea una estrategia maestro-esclavo que utiliza el algoritmo genético Chu-Beasley (CBGA) y el modelo de flujo de potencia óptimo (OPF) como algoritmos maestro y esclavo, respectivamente. Esta técnica híbrida ayuda a reducir la complejidad del modelo MINLP al eliminar las variables binarias a través del algoritmo maestro y luego resolver el problema no lineal resultante (PNL), que corresponde al modelo OPF, utilizando un método clásico de punto interior disponible en la caja de herramientas fmincon de MATLAB

Resultados: Se prueba la eficiencia y la solidez de la metodología propuesta en redes de distribución radial de 33 y 69 nodos. Los resultados muestran su alto rendimiento en términos de reducción de pérdida de potencia y dimensionamiento final de DG

Conclusiones: Existe una relación directa y proporcional entre las pérdidas técnicas, el porcentaje de penetración de generación distribuida y el número de generadores disponible.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Walter Gil-González, Universitaria Pascual Bravo. Medellín

Doctor en Ingeniería, Magíster en Ingeniería Eléctrica, Ingeniero Electricista. Docente Ocasional de Tiempo Completo, Institución Universitaria Pascual Bravo. Medellín, Colombia

Oscar Danilo Montoya, Universidad Distrital Francisco José de Caldas

Doctor en Ingeniería, Magister en Ingeniería Eléctrica, Ingeniero Electricista. Docente asistente Facultad de Ingeniería–Universidad Distrital Francisco José de Caldas. Bogotá D.C

Luis Fernando Grisales-Noreña, Institución Universitaria Pascual Bravo

Doctor en Ingeniería Automática, Magíster en Ingeniería Eléctrica, Ingeniero Electricista. Docente de catedra, Institución Universitaria Pascual Bravo, Grupo GIIEN. Medellín, Colombia

Carlos Alberto Ramírez Vanegas, Universidad Tecnológica de Pereira

Magíster en Ingeniería Eléctrica, Ingeniero Electricista. Docente Universidad Tecnológica de Pereira

Alexander Molina Cabrera, Universidad Tecnológica de Pereira

Doctor en Ingeniería, Magister en Ingeniería Eléctrica, Ingeniero Electricista. Decano facultad de ingeniería Universidad Tecnológica de Pereira

Referencias

Balamurugan, K., Srinivasan, D., & Reindl, T. (2012). Impact of Distributed Generation on Power Distribution Systems. Energy Procedia, 25, 93–100. https://doi.org/10.1016/j.egypro.2012.07.013

Chu, P. C., & Beasley, J. E. (1997). A genetic algorithm for the generalised assignment problem. Computers & Operations Research, 24(1), 17–23. Research, 24(1), 17-23.

https://doi.org/10.1016/S0305-0548(96)00032-9

Ellabban, O., Abu-Rub, H., & Blaabjerg, F. (2014). Renewable energy resources: Current status, future prospects and their enabling technology. Renewable and Sustainable Energy Reviews, 39, 748–764. https://doi.org/10.1016/j.rser.2014.07.113

Gil-González, W., Montoya, O. D., Holguín, E., Garces, A., & Grisales-Noreña, L. F. (2019). Economic dispatch of energy storage systems in dc microgrids employing a semidefinite programming model. Journal of Energy Storage, 21, 1–8. https://doi.org/10.1016/j.est.2018.10.025

Gómez-Expósito, A., Conejo, A. J., & Cañizares, C. (2017). Electric energy systems: analysis and operation. CRC press. https://doi.org/10.1201/9781420007275

Grisales-Noreña, L. F., Gonzalez Montoya, D., & Ramos-Paja, C. A. (2018). Optimal sizing and location of distributed generators based on PBIL and PSO techniques. Energies, 11(4), 1018. https://doi.org/10.3390/en11041018

Hernandez, J. A., Velasco, D., & Trujillo, C. L. (2011). Analysis of the effect of the implementation of photovoltaic systems like option of distributed generation in Colombia. Renewable and Sustainable Energy Reviews, 15(5), 2290–2298. https://doi.org/10.1016/j.rser.2011.02.003

Jain, N., Singh, S. N., & Srivastava, S. C. (2014). PSO based placement of multiple wind DGs and capacitors utilizing probabilistic load flow model. Swarm and Evolutionary Computation, 19, 15–24. https://doi.org/10.1016/j.swevo.2014.08.001

Kansal, S., Kumar, V., & Tyagi, B. (2013). Optimal placement of different type of DG sources in distribution networks. International Journal of Electrical Power & Energy Systems, 53, 752–760. https://doi.org/10.1016/j.ijepes.2013.05.040

Kansal, S., Kumar, V., & Tyagi, B. (2016). Hybrid approach for optimal placement of multiple DGs of multiple types in distribution networks. International Journal of Electrical Power & Energy Systems, 75, 226–235. https://doi.org/10.1016/j.ijepes.2015.09.002

Kaur, S., Kumbhar, G., & Sharma, J. (2014). A MINLP technique for optimal placement of multiple DG units in distribution systems. International Journal of Electrical Power & Energy Systems, 63, 609–617. https://doi.org/10.1016/j.ijepes.2014.06.023

Keane, A., & O’Malley, M. (2005). Optimal allocation of embedded generation on distribution networks. IEEE Transactions on Power Systems, 20(3), 1640–1646. https://doi.org/10.1109/TPWRS.2005.852115

Kefayat, M., Ara, A. L., & Niaki, S. A. N. (2015). A hybrid of ant colony optimization and artificial bee colony algorithm for probabilistic optimal placement and sizing of distributed energy resources. Energy Conversion and Management, 92, 149–161. https://doi.org/10.1016/j.enconman.2014.12.037

Mahmoud, K., Yorino, N., & Ahmed, A. (2016). Optimal Distributed Generation Allocation in Distribution Systems for Loss Minimization. IEEE Transactions on Power Systems, 31(2), 960–969. https://doi.org/10.1109/TPWRS.2015.2418333

MATLAB. (n.d.). fmincom (2019). https://doi.org/10.1109/TPWRS.2015.2418333

Montoya, O. D., Grajales, A., Garces, A., & Castro, C. A. (2017). Distribution systems operation considering energy storage devices and distributed generation. IEEE Latin America Transactions, 15(5), 890–900. https://doi.org/10.1109/TLA.2017.7910203

Sahoo, N. C., & Prasad, K. (2006). A fuzzy genetic approach for network reconfiguration to enhance voltage stability in radial distribution systems. Energy Conversion and Management, 47(18–19), 3288–3306. https://doi.org/10.1016/j.enconman.2006.01.004

Su, X. (2017). Master–slave control for active suspension systems with hydraulic actuator dynamics. IEEE Access, 5, 3612–3621. https://doi.org/10.1109/ACCESS.2017.2672598

Sultana, S., & Roy, P. K. (2016). Krill herd algorithm for optimal location of distributed generator in radial distribution system. Applied Soft Computing, 40, 391–404. https://doi.org/https://doi.org/10.1016/j.asoc.2015.11.036 https://doi.org/10.1016/j.asoc.2015.11.036

Sun, H., Guo, Q., Zhang, B., Guo, Y., Li, Z., & Wang, J. (2015). Master–Slave-Splitting Based Distributed Global Power Flow Method for Integrated Transmission and Distribution Analysis. IEEE Transactions on Smart Grid, 6(3), 1484–1492. https://doi.org/10.1109/TSG.2014.2336810 https://doi.org/10.1109/TSG.2014.2336810

Cómo citar
Gil-González, W., Montoya, O. D., Grisales-Noreña, L. F., Ramírez Vanegas, C. A., & Molina Cabrera, A. (2020). Estrategia de optimización híbrida para ubicación y dimensionamiento óptimo de GD en redes de distribución. Tecnura, 24(66), 47 - 61. https://doi.org/10.14483/22487638.16606
Publicado: 2020-10-01
Sección
Investigación

Artículos más leídos del mismo autor/a