Voltage Stability Assessment and Control of Power Systems using Computational Intelligence
The primary objective of this dissertation is the utilization of an integrated and effective framework for voltage stability assessment and control based on computational intelligence techniques. A method based on artificial neural network (ANN) was developed to estimate the voltage stability margin (VSM) of a power system in real time and used for initiating appropriate control actions. The developed ANN method should provide accurate estimation for any system condition. A new method for generating training samples for ANN was proposed in this dissertation in order to take correlation of loads at different locations and variation of control settings into consideration.
The next focus of this thesis is the development of a black-box optimization algorithm requiring minimum human intervention. The algorithm has to be capable of handling practical engineering optimization problems with complex cost characteristics, mixed-integer variables and a large number of constraints. An adaptive differential evolution namely JADE is extended in this thesis to consider variation of the population size namely JADE-vPS. The algorithm is featured by a parameter-free penalty approach to handle constraints. The results of benchmark problems for unconstrained optimization are very encouraging. For a voltage stability constrained optimal power flow problem, JADE-vPS outperforms the other counterparts in terms of robustness and quality of the solution.
The final investigation is emphasized on fitness approximation for computationally expensive optimization problems. For some engineering problems, the system states corresponding to a given set of inputs are determined by a time-consuming procedure, such as numerical integration methods. In evolutionary computation, this calculation must be repeated for a huge number of times. This makes the entire process sluggish and might be infeasible for real-time implementation. In this thesis, a few models that use ANN to approximate VSM during the optimization course for determining the optimal control variables of voltage stability constrained optimal reactive power dispatch problems.
Das Ziel dieser Dissertation ist die Entwicklung einer integrierten und effektiven Umgebung für die Stabilitätsbewertung und -regelung mit Hilfe von Computational Intelligence. Eine auf künstliche neuronale Netze (KNN) basierende Methode wurde entwickelt, zum Bewerten der Spannungsstabilitätsgrenze in Echtzeit. Diese wird verwendet um angemessen zu regeln. Diese KNN Methode liefert zuverlässige Abschätzungen für beliebige Netzzustände. Eine neue Methode zum Erzeugen von Trainingssets wurde in dieser Arbeit entwickelt, um die KNN zu trainieren. In dieser wurden die Zusammenhänge von unterschiedlichen Lastzuständen und verschiedenen Reglereinstellungen berücksichtigt.
Ein weiterer Schwerpunkt dieser Arbeit ist die Entwicklung eines Black-Box Optimierungsalgorithmus mit möglichst geringer Benutzerkommunikation. Dieser Algorithmus soll in der Lage sein, praktische Optimierungen durchzuführen, mit komplexen Kostenstrukturen, gemischt ganzzahligen Variablen und einer großen Zahl von Randbedingung. Dazu wurde JADE, eine adaptive differential evolution Technik, erweitert zu JADE-vPS, um unterschiedlich große Populationen behandeln zu können. Dieser Algorithmus ist in der Lage nur mit den Randbedingungen eine Aufgabe zu optimieren, ohne weitere Benutzereingaben. Die Ergebnisse für Benchmarkfunktionen ohne Randbedingungen sind sehr erfolgversprechend. Für die Spannungsstabilität, beschrieben durch den optimalen Lastfluss, sind die Ergebnisse von JADE-vPS besser als von anderen betrachteten Algorithmen, in Bezug auf Robustheit und Qualität der Ergebnisse.
Die abschließenden Untersuchungen fokussieren auf die Abschätzung der Fitness in rechenintensiven Optimierungsproblemen. Für einige Problemstellungen wird der Zusammenhang von Eingangsvariablen und Systemzustand durch eine zeitintensive Prozedure bestimmt, wie z.B. numerische Integration. In Evolutionstechniken müssen diese Berechnungen sehr häufig wiederholt werden. Daraus resultiert ein sehr langsamer Prozess, ungeeignet für Echtzeitanwendung. In dieser Arbeit werden einige Modelle vorgestellt die KNN verwenden um die Stabilitätsgrenze anzunähern, während des Optimierens der Regelungsvariablen unter Verwendung von Blindleistung als Randbedingung.
Vorschau
Zitieren
Zitierform:
Zitierform konnte nicht geladen werden.