Imprimir este artículo
Transcripción
Imprimir este artículo
Ajuste coordinado de un conjunto de compensadores estáticos de reactivos utilizando algoritmos genéticos multiobjetivos. Manuel Sosa Rios1 , Enrique Chaparro Viveros2 Facultad Politécnica - UNE. Ciudad del Este - Paraguay 1 [email protected], 2 [email protected] Resumen El presente trabajo describe un algoritmo de ajuste coordinado de los parámetros de un conjunto de Compensadores Estáticos de Reactivos (CER), instalados en un determinado Sistema Eléctrico de Potencia (SEP), con el objetivo de minimizar simultáneamente: la inversión financiera total para la adquisición de los CER, el máximo desvı́o de tensión en el SEP y la pérdida total de potencia activa. Los parámetros considerados en el procedimiento de ajuste de cada compensador corresponden a la tensión de referencia del regulador automático de tensión asociado y a los valores mı́nimo y máximo de potencia reactiva que el compensador es capaz de inyectar. El método de ajuste coordinado está basado en Algoritmo Genético (AG), debido a la comprobada eficacia del AG en la optimización global de problemas tecnológicos complejos y de gran porte. Para minimizar simultáneamente los tres objetivos descriptos, el AG se ha adaptado para resolver problemas de optimización multiobjetivo, obteniéndose un AG MultiObjetivo (AGMO). Se han implementado dos métodos de AGMO: a) suma ponderada de las funciones objetivos, y b) utilización de reglas de dominancia de Pareto. Este último AGMO genera una familia de soluciones óptimas, y no una única solución, siendo ésta su principal caracterı́stica atrayente con relación al AGMO basado en suma ponderada. Para validar el método propuesto, se ha realizado una simulación dinámica de algunos escenarios de operación crı́ticos preestablecidos del SEP en estudio, a fin de evaluar el desempeño dinámico de dos CER ajustados. Descriptores: compensador estático de reactivos, ajuste coordinado, algoritmo genético multiobjetivo. Abstract This paper describes a coordinated tuning algorithm of a set of Static Var Compensators (SVC) parameters, that are installed in a determined Electric Power System (EPS); with the objective of simultaneously minimizing: the total financial investment in the SVC acquisition, the EPS maximum voltage deviation, and the total active power loss. The parameters considered in the tuning procedure of each compensator are the reference voltage of the associated automatic voltage regulator, and the minimum and maximum reactive powers that the compensator is able to inject. The coordinated tuning method is based on Genetic Algorithm (GA), given the proven robustness of this technique for performing global optimization of complex technological large-scale problems. In order to simultaneously minimize the threefold objective, the GA was adapted for solving multi-objective optimization problems, obtaining a Multi-Objective GA (MOGA). This was performed by means of two methods: a) weighted sum of objective functions, and b) using the Pareto dominance rules. The latter MOGA generates a family of optimal solutions, which is its most appealing characteristic when comparing to MOGA based on weighted sum. The proposed method validation was carried out by performing a dynamic simulation of some pre-established critical EPS operating scenarios with the adjusted SVC parameters. Keywords: static var compensator, coordinated tuning, multi-Objective genetic algorithms. 39 1. Introducción. La coordinación del ajuste de los parámetros del CER, considerando diversos escenarios de operación en régimen permanente; permite operar a los SEP con un óptimo perfil de tensión ante diversas perturbaciones y cercanos a sus lı́mites de sobrecarga. Además de requerir menor inversión financiera para el dimensionamiento y localización, los CER se caracterizan por su rapidez de respuesta ante variaciones de carga y/o cambio brusco de topologı́a [1]. Los CER pertenecen a la familia de los dispositivos FACTS [2], los cuales están siendo utilizados ampliamente para el control y amortiguación rápida de la oscilación de tensión de sistemas, mejorando el desempeño operacional y la estabilidad de tensión de los SEP bajo estudio. En la referencia [3], el AG ajusta los parámetros del CER, el cual fue modelado como fuente variable de potencia reactiva. Considerando esta alternativa, se ha implementado un algoritmo AG de ajuste coordinado de los parámetros del CER, considerando diversos escenarios de operación crı́tica del SEP. En el presente trabajo, además de la máxima y mı́nima potencia reactiva que inyecta el compensador: Qmin y Qmax ; la tensión de referencia VREF fue considerada como parámetro del regulador automático de tensión del CER. Los escenarios de operación considerados se refieren a cambios de topologı́a del sistema en régimen permanente, tales como la desconexión de importantes lı́neas de transmisión, y parada brusca de generadores. El AG, es un algoritmo meta-heurı́stico de optimización utilizado ampliamente en problemas tecnológicos de gran porte debido a su comprobada eficacia en la optimización global [4]. El AG trabaja con una población de posibles soluciones, las cuales van siendo modificadas por operadores probabilı́sticos de transición en dirección a la solución óptima global. La dirección de búsqueda es guiada por una función matemática, Función de Evaluación Global o Fitness, que representa el desempeño del SEP, y cuyo valor numérico lo define cada solución de aquella población. En este trabajo, el ajuste coordinado de parámetros de un conjunto de compensadores estáticos fue planteado como un Problema de optimización Multi-Objetivo (PMO), en el que se pretende minimizar simultáneamente tres objetivos: la inversión financiera total en la adquisición de un determinado número de compensadores estáticos, el máximo desvı́o de tensión y la pérdida de potencia activa total del correspondiente SEP. La inversión financiera para adquirir un determinado CER es directamente proporcional a su capacidad de compensación reactiva medida en MVAr. Para optimizar simultáneamente diversas funciones objetivos, el AG, descripto en [4], fue adaptado para resolver PMOs obteniéndose un AG MultiObjetivo (AGMO). Fueron desarrollados dos mecanismos de adaptación del AG [5]: a) suma ponderada de las funciones objetivo; y, b) aplicación de las reglas de dominancia de Pareto. Este último AGMO difiere del primero en la generación de una familia de soluciones óptimas, y no una única solución, al final del proceso de optimización. Para realizar la validación fueron ajustados los parámetros de dos CERs, utilizando el procedimiento de ajuste propuesto, localizados en un determinado SEP y considerando diversos escenarios de operación en régimen permanente. Luego fue realizada la simulación dinámica del escenario de operación más crı́tico para validar el desempeño de los compensadores ajustados. 2. Modelo del compensador estático de reactivos. El modelo del CER considerado en el presente estudio, se describe gráficamente en la Fig. 1, en donde se representa al compensador por bancos de capacitores y reactores maniobrables por tiristores [6]. Se describe, también la representación del CER en régimen permanente, con las dos regiones de operación. Fig. 1. Compensador estático de reactivos. Ajuste coordinado de un conjunto de compensadores estáticos de reactivos utilizando algoritmos genéticos multiobjetivos. En la representación de la Fig. 1, bCER es la susceptancia en derivación del CER y determina cuanta potencia reactiva será inyectada al sistema [7]. Cuando el CER opera en la región de control el valor de bCER varı́a linealmente, pero es un valor fijo cuando opera fuera de los limites reactivos. En la Fig. 2 se presenta la curva caracterı́stica del CER que establece la relación entre la tensión de la barra controlada1 y la inyección de potencia reactiva del compensador [6]. Se describe además la ecuación que representa la inyección de potencia reactiva, ecuación (2.1), y los valores lı́mites de inyección de potencia reactiva, ecuación (2.2), los cuales determinan la capacidad de compensación reactiva del CER. Fig. 2. Caracterı́sticas de tensión versus potencia reactiva inyectada. En la Fig. 2, el sı́mbolo Vk0 se refiere a la tensión de referencia del CER instalado en la barra controlada k. Las expresiones, Vkmin y Vkmax se refieren, respectivamente, al valor mı́nimo y máximo de la tensión que se podrı́a esperar en la barra controlada, y están asociados a su vez, a la máxima y a la mı́nima potencia reactiva que el compensador es capaz de inyectar. Considerando las expresiones matemáticas descriptas, se establece la expresión matemática del balance de potencia reactiva en la barra k, de la siguiente manera: QG,k + nX CER 2 bCER,p · Vk,p − QL,k − p=1 = QG,k + X Qkj j∈Ωk nX CER p=1 QCER,p − QL,k − X Qkj j∈Ωk =0 (2. 3) En la ecuación (2.3), QG,k y QL,k corresponden a la potencia reactiva generada y a la consumida en la barra controlada k, respectivamente. El sı́mbolo Ωk se refiere a todas las barras adyacentes a la barra k. Siendo Qkj el flujo de potencia reactiva de la barra k para la barra adyacente j. En la ecuación (2.3) se observa también la inyección de potencia reactiva del CER en el SEP. 1 En el presente trabajo, la barra controlada, o subestación controlada, corresponde a aquella en donde está instalado el Compensador Estático de Reactivos, y realiza un control local sobre el módulo de la tensión de la referida barra. 41 Ajuste coordinado de un conjunto de compensadores estáticos de reactivos utilizando algoritmos genéticos multiobjetivos. Para la inclusión de un conjunto de compensadores en el algoritmo de Flujo de Potencia, basado en el método de Newton-Raphson, el Jacobiano correspondiente se modifica adicionando nuevos componentes provenientes de la función de control de cada CER, fp |p ∈ {1, 2, ..., nCER } siendo nCER el número de compensadores considerados en el ajuste, y la variable de estado asociado con la inyección de potencia reactiva de cada CER, ∆xp = QCER,p , tal como se ilustra en la ecuación (2.4). La función de control adquiere diferentes representaciones matemáticas, conforme el CER esté operando en la región lı́mite capacitiva, inductiva o en la región lineal de control. Además, se muestran los residuos ∆y de las diferentes funciones de control. 3. Formulación matemática. El problema de ajuste coordinado de los parámetros del CER, fue puesto como un PMO, utilizándose el AG para la optimización simultánea de las funciones objetivos. 3.1. Estructura de la solución. La variable de decisión (individuo), que el AG ha de manipular y modificar para la minimización de las funciones objetivos considerados, es un vector de parámetros de cada compensador: x= 1 bVk0 Q1min Q1max p . . . Vk0 Qpmin Qpmax c 3.2. Funciones Objetivos donde ib ∈ {1, 2, . . . , nb}|nb, se refiere al número total de barras de carga (tipo PQ) existente en el SEP. Además, V y V esp corresponden al vector de tensiones nodales calculadas y especificadas, respectivamente; teniendo en cuenta todas las condiciones de operación crı́ticas consideradas para el ajuste coordinado. Los valores de las tensiones nodales calculadas provienen de la ejecución de un algoritmo de Flujo de Potencia realizado para cada escenario de operación preestablecido. En este trabajo, el algoritmo de Flujo de Potencia utilizado está basado en el método de Newton-Raphson. Entonces, considerando la ecuación (3.3) del vector de desvı́os de tensión, se escoge aquella componente que posee el mayor valor numérico. La tercera función objetivo F3 (x), se refiere a la pérdida de potencia activa total, calculada para el SEP en una determinada condición de operación. El valor numérico de dicha función objetivo se calcula de acuerdo a la siguiente expresión matemática: loss loss F3 =k ∆P1loss . . . ∆Pncop k∞ | ∆Piop = | ng X g=1 PG,g − nb X generadores; PL,ib |ng→num ng→num barras carga (34) ib=1 loss En la ecuación (3.4), ∆Piop es la pérdida total de potencia activa asociada a la condición de operación iop, donde iop ∈ {1, 2, . . . , ncop}|ncop, corresponde a la cantidad de escenarios de operación preestablecidos. 3.3. Operadores Probabilı́sticos del AG En el PMO considerado, serán minimizadas simultáneamente tres funciones objetivos. La primera función objetivo F 1(x), corresponde a la inversión financiera para la adquisición del conjunto de compensadores estáticos; el valor numérico es calculado a través de la siguiente ecuación: ncer X F2 =k V − V esp k∞ = max{| Vib − Vibesp |} (3 3) (3 1) Como se indica en (3.1), x ∈ <3×p , siendo tres los parámetros de cada compensador: tensión de referencia Vk0 , potencia reactiva máxima Qmax , y potencia reactiva mı́nima Qmin . Para la representación del vector de parámetros en el AG, fue utilizada la codificación real. F1 = La segunda función objetivo F 2(x), está asociada con el máximo desvı́o de tensión, y el cálculo del valor numérico correspondiente se realiza de la siguiente manera: |(Qmax − Qmin )j | El operador utilizado fue el operador de selección tipo ruleta. Para el intercambio de parámetros entre cada par de individuos fue utilizado el cruzamiento aritmético, y la probabilidad de cruzamiento, pc = 0,6. La probabilidad de aplicación de mutación, que altera de forma aleatoria una componente de un individuo seleccionado en cada generación, es constante e igual a pm = 0, 05. j=1 = ncer X 4. Metodologı́a del ajuste propuesto. βj CQCER,j (3 2) j=1 donde CQCER,j , corresponde a la capacidad máxima del j-ésimo CER, medida en MVAr; y βj representa las unidades monetarias/MVAr para el correspondiente compensador. Fueron desarrollados dos procedimientos de ajuste coordinado, basados en el AG. Ambos procedimientos adaptan el AG tradicional descripto en [4] para PMO. Esa adaptación resulta en un AGMO. Cada AGMO desarrollado difiere del otro en el cálculo del Fitness. 42 Ajuste coordinado de un conjunto de compensadores estáticos de reactivos utilizando algoritmos genéticos multiobjetivos. 4.1 AGMO basado en las reglas de dominancia de Pareto Considerando el Problema de Ajuste Coordinado en estudio, las reglas de dominancia de Pareto se describen de la siguiente manera [5]: i) Fij (xi ) ≤ Fij (xj ) | i y j ∈ {1, 2, . . . , N }, donde i 6= j y N es el tamaño de la población de soluciones que el AG estará manipulando; ii) 3 k | Fij (xi ) < Fij (xj ). Las reglas de dominancia de Pareto se aplican sobre cada solución de la población; tal que cada solución es comparada con el resto de la población para determinar el número de soluciones que son mejores que aquella que está siendo analizada. El número de soluciones que son mejores que una determinada solución establece el ı́ndice de dominancia de esa solución. Entonces, el ı́ndice de dominancia de una solución define si ella es óptima o no. Ası́, soluciones con ı́ndice de dominancia igual a cero (domina = 0) son considerados soluciones óptimas [5]. En la Fig. 3 se describe el pseudocódigo del AGMO basado en las reglas de dominancia de Pareto (AGDP). Figura 3. Pseudocódigo del AGDP y evaluación del Fitness, F(x) El valor numérico de F(x) de cada individuo, esta relacionado con el ı́ndice de dominancia correspondiente. Antes de la evaluación de cada solución, se realiza la ejecución del un algoritmo de Flujo de Potencia basado en el método de NewtonRaphson, con el cual se determinan las funciones objetivos F2(x) y F3(x). El valor numérico de F1(x) es definido por el AG a través de los operadores genéticos, con el valor de Qmin y Qmax asociado a cada solución. ción de F(x), permaneciendo el resto del algoritmo igual al AG tradicional descripto en [4]. Los coeficientes en (4.1) son factores de normalización, tal que aij = cij /Fijmax , donde ij ∈ {1, 2, 3}, y Fijmax se refiere al máximo valor de la función objetivo en la generación actual, mientras que el coeficiente cij es un número real tal que ck ≥ 1. Dichos factores se utilizan para evitar que ciertos objetivos dominen sobre otros provocando convergencia prematura [5]. 4.2. AGMO basado en la suma ponderada de objetivos. 4.3. Cálculo de la población inicial del AG. En el AGMO basado en la suma ponderada de las funciones objetivos consideradas (AGSP), el Fitness F(x) de cada individuo se evalúa de la siguiente manera: F (x) = a1 · F1 (x) + a2 · F2 (x) + a3 · F3 (x) (4 1) Por lo tanto, la única modificación para obtener el AGSP, radica en el procedimiento de evalua- Inicialmente son generados de forma aleatoria, N −GQ−V individuos. Siendo GQ−V los individuos obtenidos de forma determinı́stica a través de la curva de sensibilidad Q − V . Dicha curva se obtiene de la ecuación matricial del balance de potencia del algoritmo de Flujo de Potencia basado en el método Newton-Raphson [6] para un incremento de potencia reactiva y manteniendo invariante la potencia activa (∆P = 0). 43 Ajuste coordinado de un conjunto de compensadores estáticos de reactivos utilizando algoritmos genéticos multiobjetivos. La ecuación (4.2) se aplica para la obtención de la cantidad de potencia reactiva necesaria en una barra de carga para que la tensión en la misma se mantenga en 1 p.u., en una determinada condición de operación. Este procedimiento es utilizado también para localizar, en determinadas barras (barras controladas), el grupo de compensadores estáticos. El procedimiento determinı́stico, descripto en la ecuación (4.2), fue aplicado también para la estimación óptima de los parámetros del conjunto de compensadores estáticos considerados en la población inicial del AG, definiendo diferentes valores para la tensión de referencia de cada CER del conjunto considerado. Ası́, el conjunto GQ−V ayudará al AGMO correspondiente para una convergencia rápida hacia la solución óptima. 5. Análisis de los resultados numéricos. Para validar los procedimientos de ajuste propuestos fue considerado el sistema IEEE14 [8], pa- En la Tabla 1 se describen los escenarios de operación para el ajuste coordinado propuesto. Los escenarios de operación se refieren no solamente a la desconexión de alguna Lı́nea de Transmisión (LT), sino también a la parada de un de- ra localizar y ajustar los parámetros de dos compensadores estáticos. 5.1. Ambiente computacional. Los algoritmos de ajuste coordinado basados en AG: el AGSP y el AGDP fueron programados en software especializado para cálculo técnico. También fue implementado el algoritmo de Flujo de Potencia, basado en el método de NewtonRaphson, y modificado el Jacobiano para incluir el modelo de CER. Las simulaciones dinámicas fueron realizadas en el programa de simulación dinámica de sistemas de potencia ANATEM [9]. 5.2. Sistema IEEE14. El SEP considerado para validar el algoritmo de ajuste coordinado propuesto se denomina IEEE14 (Fig. 4). Se trata de un SEP utilizado tradicionalmente para estudios de estabilidad dinámica y está formado por 14 barras, 2 generadores sı́ncronos, y 3 compensadores sı́ncronos [8]. terminado generador. Las restricciones del espacio de búsqueda se describen en la ecuación (5.1). En el presente trabajo, las barras controladas son las barras PQ 13 y 14. 44 Ajuste coordinado de un conjunto de compensadores estáticos de reactivos utilizando algoritmos genéticos multiobjetivos. 5.3. Resultados numéricos obtenidos. Se han realizado 5 ejecuciones del AGSP para diferentes arreglos de los pesos en el cálculo del Fitness, el cual se ha efectuado través de la ecuación (4.1). En la Tabla 2 se muestran los mejores resultados de ajuste coordinado. En la Tabla 2, los parámetros ajustados del CER instalado en la barra 13 se muestran en las columnas 4, 5 y 6, y los parámetros ajustados del compensador instalado en la barra 14 se muestran en las columnas 7, 8 y 9. Las últimas columnas muestran los valores obtenidos para las funciones objetivos. El mejor ajuste coordinado obtenido por el AGSP corresponde a la fila 6 (sombreada) debido a que presentó el menor valor para la capacidad del grupo de CER (F1 ). La Tabla 3 muestra la familia de soluciones óptimas obtenidas por el AGDP, en una única ejecución. El tiempo de computación requerido fue de aproximadamente 53 s. En la Tabla 3, los parámetros ajustados del CER instalado en la barra 13 se encuentran en las columnas 2, 3 y 4, mientras que los parámetros ajustados del compensador instalado en la barra 14 se presentan en las columnas 5, 6 y 7. El mejor conjunto de parámetros ajustados corresponde a la solución de la fila 1, debido a que presentó la menor compensación de reactivos necesaria para mantener la estabilidad de tensión en régimen permanente. Incluso esta solución es mejor que el mejor conjunto de parámetros optimizados por el AGSP. 45 Ajuste coordinado de un conjunto de compensadores estáticos de reactivos utilizando algoritmos genéticos multiobjetivos. En la Tabla 4, se presentan los resultados de Flujo de Potencia para diferentes condiciones de operación, antes y después de ser ajustado el conjunto de compensadores considerados. Los parámetros ajustados de cada compensador corresponden a la solución de la fila 1 obtenida por el AGDP, en la Tabla 3. Para validar el desempeño dinámico del compensador, es necesario un modelo dinámico del regulador automático de tensión del CER. Para ello se selecciona el modelo simple de primer orden [9], presentado en la Figura 5, en la cual también se muestran los valores estándares de los parámetros dinámicos del regulador. Por otro lado, la Figura 6 muestra el desempeño dinámico para la condición de operación más crı́tica (escenario 5 de la Tabla 1) del sistema IEEE14, con el mejor conjunto de parámetros ajustados por el AGDP (solución 1). La Figura 6 (a) muestra la simulación dinámica de la quinta condición de operación sin los CER instalados en el SEP, mientras que la Figura 6 (b) muestra esta misma situación pero con los CER instalados y debidamente ajustados por la metodologı́a propuesta. Para representar dinámicamente la quinta condición de operación, la LT 6 − 13 se desconecta al primer segundo de la simulación. Luego, a los 2 s la LT 9 − 14 queda fuera de servicio, como se muestra en la Figura 6. Se observa en la Figura 6 (a) un bajo perfil de tensión, menor al lı́mite in- ferior considerado de 0,95 p.u. para las barras 13 y 14, después de la aplicación del evento descrito. Sin embargo, en la Figura 6 (b) se aprecia como el conjunto de compensadores ajustados restaura estos valores de tensión. 46 Ajuste coordinado de un conjunto de compensadores estáticos de reactivos utilizando algoritmos genéticos multiobjetivos. 6 Conclusiones. Se observa que el AGDP posee una mayor capacidad de búsqueda combinatorial que el AGSP, por lo que generó una mejor respuesta que el algoritmo basado en suma ponderada. Además, produce una familia de soluciones óptimas en una única ejecución del algoritmo; sin embargo, comparativamente requiere mayor tiempo computacional debido al proceso de clasificación de las soluciones óptimas realizadas en cada iteración. El ajuste coordinado de los parámetros de un conjunto de CER establece un perfil de tensión aceptable para una operación normal en todas las barras de carga, considerando diversas condiciones crı́ticas de operación, comparándolo con el perfil obtenido en ausencia de los CER, que genera un bajo perfil de tensión inaceptable para una operación normal del SEP. Igualmente, considerando una contingencia simple, la metodologı́a propuesta de ajuste coordinado amortigua rápidamente las oscilaciones de tensión. Referencias bibliográficas [3] S. Gerbex, R. Cherkaoui, A. J. Germond, ?Optimal Location of Multi?Type FACTS Devices in a Power System by Means of Genetic Algorithm?, IEEE Transactions on Power Systems, Vol. 16, No. 3, pp. 537 ? 544, August 2001. [4] D. E. Goldberg, Genetic Algorithms in Search Optimization and Machine Learning, Addison ? Wesley Publishing Company, Inc., 1989. [5] C. A. C. Coello, G. B. Lamont, D. A. Van Veldhuizen, Evolutionary Algorithms for Solving Multi-Objective Problems. 2nd Edition, Springer Science+Bussines Media, New York, NY, USA, 2007. [6] P. Kundur, Power System Stability and Control, Mc Graw Hill, Inc., 1993. [7] H. Ambriz-Perez, E. Acha, and C.R. FuerteEsquivel, .Advanced SVC Models for NewtonRaphson Load Flow and Newton Optimal Power Flow”, IEEE Transactions on Power Systems, vol.15, Issue 1, pp. 129 136, February 2000. [1] M. Moghavvemi, M. O. Faruque, “Effects of FACTS Devices on Static Voltage Stability”, TENCON 2000, Proceedings, Vol. 2, pp. 357 362, September 2000. [8] http://www.ee.washington.edu/research/pstca/. Base de Datos de Sistemas Eléctricos de Potencia de la Universidad de Washington. [2] L. Gyugi, ?Power Electronics in Electric Utilities: Static Var Compensators?, Proceedings of the IEEE, Vol. 76, No. 4, April 1988. [9] Programa ANATEM: ANÁlise de Transitórios EletroMecânicos. Manual do Usuário. V10.04.02. CEPEL ? Rio de Janeiro, Brasil. 47
Documentos relacionados
Ajuste robusto del compensador estático de reactivos usando
Reglas de Dominancia de Pareto se aplican sobre cada solución de la población. De esa manera, cada solución es comparada con el resto de la población, de tal forma a determinar el número de so...
Más detalles