PDF version - Politechnika Śląska, Wydział Elektryczny
Transkrypt
PDF version - Politechnika Śląska, Wydział Elektryczny
ELEKTRYKA Zeszyt 4 (228) 2013 Rok LIX Artur PASIERBEK, Marcin POŁOMSKI, Radosław SOKÓŁ Politechnika Śląska w Gliwicach PORÓWNANIE WYBRANYCH ALGORYTMÓW OPTYMALIZACJI ROZPŁYWU MOCY W SYSTEMIE ELEKTROENERGETYCZNYM Streszczenie. Artykuł przedstawia wybrane algorytmy wyznaczania optymalnego rozpływu mocy w systemie elektroenergetycznym. Dokonano implementacji tych algorytmów i przeprowadzono eksperymenty numeryczne dla wybranych przypadków testowych stanu systemu elektroenergetycznego. Słowa kluczowe: optymalizacja, rozpływ mocy, system elektroenergetyczny A COMPARISON OF SELECTED OPTIMAL POWER FLOW ALGORITHMS Summary. The paper presents several optimal power flow algorithms. The selected algorithms have been implemented and tested, and a number of numerical experiments were performed for given power system states. Keywords: optimization, power flow, power system 1. WPROWADZENIE Zadanie optymalizacji rozpływu mocy w systemie elektroenergetycznym (ang. optimal power flow, OPF) polega na poszukiwaniu punktu pracy systemu optymalnego z punktu widzenia zadanej funkcji celu, przy jednoczesnym spełnieniu wszystkich zadanych ograniczeń technicznych [3, 7]. Zadanie OPF należy do grupy zadań programowania nieliniowego. Opracowano wiele metod rozwiązania zadania OPF bazujących na różnych algorytmach numerycznych, jednak ich skuteczność i wydajność jest w dużym stopniu uzależniona od wielkości rozpatrywanego systemu. Ze względu na dużą liczbę elementów (węzłów i linii) składających się na system elektroenergetyczny (SEE), układ równań stanowiący podstawę procesu optymalizacyjnego osiąga bardzo duże rozmiary. Powoduje to konieczność stosowania dedykowanych algorytmów optymalizacyjnych, przystosowanych do operowania na macierzach rzadkich. A. Pasierbek, M. Połomski, R. Sokół 68 Do praktycznie stosowanych metod numerycznych znajdujących zastosowanie w zadaniu OPF zalicza się metody: gradientu sprzężonego (ang. conjugate gradient, CG), Broydena-Fletchera-Goldfarba-Shanno (BFGS), punktu wewnętrznego (ang. interior point, IP), ewolucyjne. Metody gradientu sprzężonego charakteryzują się wysoką czasochłonnością ze względu na konieczność obliczania macierzy Hessego w każdym kroku optymalizacji. Alternatywną, godną uwagi metodą jest algorytm BFGS, należący do grupy metod quasi-Newtonowskich [1, 2]. W ostatnich latach szczególnie często wykorzystywane są też implementacje metody punktu wewnętrznego wraz z jej wariantami, należące obecnie do grupy najbardziej wydajnych algorytmów optymalizacyjnych dla problemów wielkiej skali [8, 9]. Wspomniane wyżej metody poszukują wyłącznie optimum lokalnego. Możliwość poszukiwania optimum globalnego daje metoda ewolucyjna [4, 5]. W niniejszym artykule Autorzy opisali wyżej wymienione metody w aspekcie zastosowania do zadania OPF oraz przedstawili wyniki przeprowadzonych eksperymentów numerycznych, przy użyciu autorskich implementacji tych algorytmów. 2. ZADANIE OPTYMALIZACJI ROZPŁYWU MOCY W SYSTEMIE ELEKTROENERGETYCZNYM Poszukiwanie optymalnego rozpływu mocy w systemie elektroenergetycznym wymaga znalezienia minimum pewnej funkcji celu, najczęściej formułowanej jako sumaryczny koszt bilansowania zapotrzebowania, przy jednoczesnym spełnieniu wszystkich ograniczeń (w tym ograniczeń wynikających z równań bilansu mocy czynnej i biernej w węzłach systemu oraz ograniczeń technicznych). 2.1. Ogólna postać funkcji celu Funkcję celu można aproksymować krzywą drugiego stopnia [6]: Ng f x ai Pi i 1 g 2 bi Pi ci , g gdzie: x – wektor zmiennych zadania optymalizacji zawierający zmienne stanu (moduły i kąty napięć węzłowych) i zmienne sterujące (moce czynne i bierne generowane w węzłach wytwórczych), Porównanie wybranych algorytmów… 69 Pi(g) – moc czynna generowana przez jednostkę wytwórczą i, Ng – liczba węzłów wytwórczych, ai, bi, ci – współczynniki charakterystyki kosztów wytwarzania i-tego węzła wytwórczego. Sformułowane powyżej zagadnienie optymalizacyjne stanowi zadanie programowania nieliniowego [10] z ograniczeniami równościowymi i nierównościowymi, które można zapisać: min f ( x) , x przy h ( x) 0 , g ( x) 0 , gdzie: f – funkcja celu zadania optymalizacji, h(x) – wektor ograniczeń równościowych, zawierający równania bilansu mocy czynnej i biernej w węzłach systemu, g(x) – wektor ograniczeń nierównościowych, wynikający z technicznych właściwości urządzeń służących do wytwarzania i przesyłu energii elektrycznej. 2.2. Funkcja celu z funkcją kary Powyżej przedstawione zostały ogólne postaci funkcji celu oraz funkcji ograniczeń. Poszczególne metody optymalizacji wymagają wprowadzenia specyficznych dla nich modyfikacji funkcji celu oraz ograniczeń. W szczególności, metody gradientu sprzężonego oraz BFGS wymagają uwzględnienia w ramach funkcji celu również ograniczeń równościowych i nierównościowych [10]. K x f x g ( x) g min W g min , g max , g ( x) 0 g ( x) g max 2 1 Nh 2 1 Ng h x W gimin , gimax , gi x , i 2 μ i 1 2 μ i 1 dla g g min dla g min g g max , dla g g max gdzie: μ – parametr modyfikowany w procesie optymalizacji, μ → 0, h(x) – wektor ograniczeń równościowych, h(x) = 0, g(x) – wektor ograniczeń nierównościowych. A. Pasierbek, M. Połomski, R. Sokół 70 3. METODY OPTYMALIZACJI ROZPŁYWU MOCY W poniższym rozdziale zostały opisane poszczególne, zbadane przez Autorów, metody wyznaczania optymalnego rozpływu mocy w systemie elektroenergetycznym. 3.1. Metoda gradientu sprzężonego Metoda gradientu sprzężonego należy do grupy metod poszukiwania minimum funkcji wielu zmiennych bez ograniczeń. Ograniczenia równościowe i nierównościowe można uwzględnić przez włączenie ich do funkcji celu, np. w sposób opisany w punkcie 2.2. W metodzie gradientu sprzężonego nowy kierunek poszukiwań minimum funkcji jest tak wybierany, aby był sprzężony do wszystkich poprzednich. Proces obliczeń przebiega w kilku krokach. W pierwszym kroku określa się punkt startowy oraz początkowy kierunek wyszukiwania rozwiązania, zależny od gradientu funkcji celu w punkcie startowym. Następnie modyfikuje się wektor stanu, uwzględniając wyznaczony kierunek oraz współczynnik długości kroku α, przy którego wyznaczeniu uwzględnia się bieżącą wartość funkcji celu: xi 1 xi di . W kolejnym etapie wyznacza się gradient funkcji w nowym punkcie i na jego podstawie ocenia, czy wynik został osiągnięty z zadaną dokładnością. Jeżeli nie, to kierunek poszukiwań jest modyfikowany, z uwzględnieniem wyznaczonej wartości gradientu oraz współczynnika długości kroku β: d i 1 K x i 1 d i 1 di . W eksperymencie numerycznym przyjęte zostało wyznaczanie współczynnika β według wzoru Fletchera-Reevesa [1]. 3.2. Metoda Broydena-Fletchera-Goldfarba-Shanno W stosunku do metody gradientu sprzężonego, w metodzie Broydena-FletcheraGoldfarba-Shanno (BFGS) aproksymuje się funkcję celu w punkcie kwadratowym rozwinięciem Taylora: f x0 x f x0 f x0 x 12 xT Vx T Wymagana w tym rozwinięciu odwrotność macierzy Hessego nie jest obliczana wprost w każdej iteracji, lecz iteracyjnie jest modyfikowane jej przybliżenie V [2]: Vk 1 Vk γ Tk δk Vk γ k γ δ 2 T k k δ k δTk δk γ Tk Vk Vk γ k δTk , γ Tk δk Porównanie wybranych algorytmów… 71 δ k x k 1 x k , γ k f x k 1 f x k . 3.3. Metoda punktu wewnętrznego Minimum lokalne funkcji celu dla zadania programowania nieliniowego, w postaci: ng min f (x) k ln( zi ) , x i 1 h( x) 0 , przy g ( x) z 0 , z 0, określone jest przez punkt stacjonarny funkcji Lagrange’a i muszą być zachowane warunki optymalności Karusha-Kuhna-Tuckera [10], stąd muszą być spełnione następujące zależności: Zπ k e g ( x) z k 0 y L ( y , k ) x f ( x) ( x h(x)) T λ ( x g( x)) T π h(x) gdzie: e = [1, 1,...1]T, Z = diag[zi; i = 1,..., ng], λ – wektor mnożników Lagrange’a, odpowiadający ograniczeniom równościowym, π – wektor mnożników Lagrange’a, odpowiadający ograniczeniom nierównościowym, y = [z, π, x, λ]T. W metodzie interior point rozwiązuje się w każdym kroku iteracyjnym następujący układ równań [9,10]: L (y , ) y 2 y k k k y L (y k , k ) gdzie: Δy = [Δz, Δπ, Δx, Δλ]T – wektor kierunku poszukiwań, 2 y L – macierz Jacobiego funkcji wektorowej y L . W procesie iteracyjnym, w k-tym kroku, wyznacza się nowe wartości zmiennych wektora y, biorąc przy tym pod uwagę długości kroków kp min{1, min{ zi / zi z 0 }} dla zmiennych i prymarnych x, z oraz kd min{1, min{ i / i 0 }} dla zmiennych dualnych λ oraz π, natoi miast wartości współczynników γ oraz μ ustala się następująco: (0,1) , k 1 z Tk π k / ng . A. Pasierbek, M. Połomski, R. Sokół 72 Jeżeli dla przyjętych wartości dokładności w k-tej iteracji spełnione są warunki zbieżności, to kryterium zbieżności algorytmu metody IP zostaje osiągnięte i działanie algorytmu przerwane. 3.4. Metoda ewolucyjna Metody ewolucyjne symulują działanie naturalnych mechanizmów ewolucji i selekcji organizmów żywych w zastosowaniach numerycznych [4]. Dzięki wykorzystaniu w ich implementacji losowości można zaliczyć je do kategorii metod optymalizacji globalnej [5]. W metodzie ewolucyjnej w zastosowaniu OPF przyjmuje się wektor stanu, opisujący napięcia i fazy we wszystkich węzłach systemu oraz moce generowane w węzłach wytwórczych: x U x x [1 , 2 ,..., N w , U1 , U 2 ,..., U N w , P1( g ) , P2( g ) ,..., PN( gg ) ]T Pg x W każdym kroku realizacji algorytmu rozpatrywana jest „populacja”, składająca się z n „osobników”, z których każdy jest opisany jednym wektorem stanu. Jakość każdego osobnika jest następnie oceniana przez wyznaczenie bilansu rozpływu mocy dla zadanych mocy generowanych w węzłach wytwórczych. Funkcja jakości uwzględnia koszt generacji mocy oraz stopień zbilansowania systemu: N f ( x) a i Pi ( g ) i 1 2 bi Pi ( g ) c i d B gdzie: d – współczynnik wagowy, B – bilans mocy w systemie. Osobniki w ramach populacji są następnie porządkowane w rosnącej kolejności wartości funkcji jakości. Część populacji o najgorszej jakości (największych wartościach funkcji jakości) jest odrzucana, a pozostałe są powielane, z uwzględnieniem pseudolosowych zmian w części wektora stanu x odpowiadającej mocom generowanych w węzłach wytwórczych („mutacje”). Proces ten jest iteracyjnie powielany aż do momentu uzyskania osobnika o satysfakcjonującej jakości. Metoda ewolucyjna cechuje się sporym potencjałem ze względu na globalny charakter optymalizacji. Możliwe jest również łatwe zrównoleglenie obliczeń wykorzystujących ten algorytm. Porównanie wybranych algorytmów… 73 4. EKSPERYMENT NUMERYCZNY W celu wykazania poprawności działania przedstawionych w artykule algorytmów optymalizacji oraz wyznaczenia czasów obliczeń, przeprowadzono testy numeryczne dla zbioru wybranych systemów testowych, których statystyki przedstawiono w tabeli 1. Uzyskane wyniki zostały zamieszczone w tabeli 2. Tabela 1 Statystyki systemów testowych używanych w eksperymentach numerycznych Liczba węzłów Nw 9 13 30 57 118 300 2383 Liczba węzłów wytwórczych Ng 3 5 6 7 54 69 327 Liczba węzłów odbiorczych No 6 8 24 50 64 231 2056 Liczba linii Nl 9 18 41 80 186 411 2896 Tabela 2 Wyniki optymalizacji System testowy Średni czas itera- Liczba iteracji cji — Wartość funkcji Czas obliczeń ms celu s — Metoda gradientu sprzężonego (CG), wariant Fletchera-Reevesa 9 166 0,390 0,065 5 435,96 13 318 0,470 0,149 15 430,07 30 906 0,500 0,453 604,67 57 13 200 1,456 19,217 3 187,53 118 nie osiągnięto zbilansowania systemu 300 nie osiągnięto zbilansowania systemu 2383 nie osiągnięto zbilansowania systemu Metoda Broydena-Fletchera-Goldfarba-Shanno (BFGS) 9 22 1,410 0,031 5 441,78 13 134 0,580 0,078 16 975,70 30 61 1,000 0,063 604,73 57 197 4,840 0,953 3 247,72 118 220 2,305 0,507 29 831,66 300 nie osiągnięto zbilansowania systemu A. Pasierbek, M. Połomski, R. Sokół 74 cd. tabeli 2 nie osiągnięto zbilansowania systemu 2383 Metoda interior point 9 11 1,300 0,015 5 296,69 13 14 1,714 0,024 15 325,31 30 13 4,600 0,061 576,89 57 15 5,667 0,085 3 176,45 118 18 19,500 0,351 29 660,69 300 29 43,000 1,247 719 725,08 2383 40 384,600 15,387 1 862 367,03 Metoda ewolucyjna 9 2000 0,9 1,8 9 425,01 13 2000 1,2 2,4 18 583,85 30 2000 2,6 5,2 612,42 57 2000 7,1 14,2 3 734,635 118 3000 11 33 24 161,12 300 — 19 nie osiągnięto zbilansowania systemu 2383 — 190 nie osiągnięto zbilansowania systemu 5. PODSUMOWANIE Algorytm gradientu sprzężonego sprawdza się dla systemów elektroenergetycznych, składających się od kilku do kilkudziesięciu węzłów. W przypadku systemów o liczbie węzłów przekraczającej 50 uzyskuje się znaczący wzrost czasu realizacji procesu optymalizacji. Przy wzroście liczby węzłów powyżej 100 niemożliwe było uzyskanie zbilansowania badanych systemów testowych. Predestynuje to tę metodę do niewielkich systemów testowych. Algorytm BFGS charakteryzuje się zauważalnie krótszym czasem obliczeń i skaluje się do systemów o liczebności węzłów przekraczającej 100. Niestety, w przypadku systemów składających się z 300 i więcej węzłów metoda ta nie pozwala uzyskać zbilansowania systemu. W przypadku algorytmu ewolucyjnego, nie każdy proces optymalizacyjny kończył się znalezieniem stanu systemu o sumarycznej mocy generowanej pokrywającej zapotrzebowanie i straty SEE. Nie każdy wynik optymalizacji wystarczający pod względem mocy generowanej dawał też poprawny stan systemu, możliwy do zbilansowania. Dużą rolę gra tutaj losowość leżąca u podstaw działania algorytmów ewolucyjnych. Zwiększenie pewności obliczeń realizowanych z ich wykorzystaniem wymaga dalszych badań. Porównanie wybranych algorytmów… 75 Wyniki uzyskiwane z wykorzystaniem algorytmów ewolucyjnych wykazują pewne przekroczenia napięć węzłowych oraz mocy. Przekroczenia są na poziomie 10 -7 jednostek względnych w przypadku generowanych mocy czynnych oraz na poziomie 10-2 jednostek względnych w przypadku napięć węzłowych i mocy biernej. Dla systemów testowych liczących 300 i więcej węzłów nie uzyskano też wyniku umożliwiającego pokrycie zapotrzebowania mocy systemu, umożliwiającego jego zbilansowanie. Metody ewolucyjne cechują się długim czasem realizacji procesu optymalizacji. Dalsze badania mogą prowadzić do skrócenia czasu obliczeń. Za najbardziej wydajną i niezawodną metodę można uznać algorytm interior-point. Z jego wykorzystaniem możliwe było przeprowadzenie optymalizacji wszystkich badanych systemów testowych i w każdym przypadku uzyskano zbilansowanie systemu. Algorytm ten charakteryzuje się również najkrótszymi czasami obliczeń oraz najmniejszą liczbą realizowanych iteracji dla wszystkich badanych przypadków. Również uzyskane wyniki (wartość funkcji celu) były najlepsze spośród wszystkich metod. Co prawda, metoda ewolucyjna pozwoliła w kilku przypadkach uzyskać niższe wartości funkcji celu, jednak następowało to kosztem występowania przekroczeń dopuszczalnych poziomów napięć i mocy. BIBLIOGRAFIA 1. Baron B., Pasierbek A.: Porównanie wydajności algorytmów gradientu sprzężonego i quasi-Newtonowskiego BFGS w zagadnieniu optymalizacji rozpływu mocy w systemie elektroenergetycznym. Zeszyty Naukowe Elektryka, zeszyt 3 (211), Gliwice 2009. 2. Baron B., Pasierbek A., Kraszewski T., Połomski M., Sokół R.: Zastosowanie quasiNewtonowskiej metody BFGS do optymalizacji rozpływu mocy w systemie elektroenergetycznym. Konferencja „Zastosowania Komputerów w Elektrotechnice”, Poznań 2009, s. 91-92. 3. Dommel H., Tinney W.: Optimal Power Flow Solutions. IEEE Transactions on Power Apparatus and Systems 1968. 4. Goldberg D. E.: Algorytmy genetyczne i ich zastosowania. Wydawnictwo NaukowoTechniczne, Warszawa 2003. 5. Houck C. R., Joines J. A., Kay M. G.: A Generic Algorithm for Function Optimization: A MATLAB Implementation. Technical Report NCSU-IE-TR-95-09, North Carolina State University, Raleigh, NC 1995. 6. Korab R.: Optymalizacja operatorstwa przesyłowego w krajowym systemie elektroenergetycznym. Wydawnictwo Politechniki Śląskiej, Gliwice 2011. 76 A. Pasierbek, M. Połomski, R. Sokół 7. Kremens Z., Sobierajski M.: Analiza systemów elektroenergetycznych. Wydawnictwa Naukowo-Techniczne, Warszawa 1996. 8. Quintana V. H., Torres G. L.: Introduction to interior-point methods. IEEE PICA, Santa Clara, CA, 1999. 9. Torres G. L., Quintana V. H.: An interior-point method for nonlinear optimal power flow using voltage rectangular coordinates. “IEEE Transactions on Power Systems” 1998, vol. 13, no. 4, p. 1211-1218. 10. Wit R.: Metody programowania nieliniowego. Wydawnictwa Naukowo-Techniczne, Warszawa 1986. Dr inż. Artur Pasierbek, Dr inż. Marcin Połomski Politechnika Śląska, Wydział Elektryczny Instytut Elektrotechniki i Informatyki ul. Akademicka 10 44-100 Gliwice e-mail: [email protected] [email protected] Dr inż. Radosław Sokół Politechnika Śląska, Wydział Elektryczny Instytut Metrologii, Elektroniki i Automatyki ul. Akademicka 10 44-100 Gliwice e-mail: [email protected]