GESTION DE LA CONGESTION OPTIMISÉE PAR DES CARAGUES GÉANTES À L'AIDE DE L'ALLOCATION DU CONTRÔLEUR DE FAITS SUR LES MARCHÉS DÉRÉGLEMENTÉS DE L'ÉLECTRICITÉ
DOI :
https://doi.org/10.59277/RRST-EE.2024.69.4.2Mots-clés :
Système électrique déréglementé, Congestion, Dispositifs flexibles de système de transmission de courant alternatif (FACTS), Optimiseur de carangue géante, Perte de puissanceRésumé
L’un des problèmes techniques découlant de la déréglementation est la congestion des lignes de transport. La taille et l'emplacement des contrôleurs FACTS tels que les compensateurs en série contrôlés par thyristors (TCSC) et les dispositifs de compensation statique VAR (SVC) affectent considérablement leur efficacité dans les problèmes de gestion de congestion. En tant que problème non linéaire, la localisation et le dimensionnement de ces appareils dans un réseau électrique sont difficiles. Pour résoudre ce problème, cet article présente la technique de placement optimal de FACTS à l'aide de l'algorithme d'optimisation de carangue géante (GTO) pour la gestion de la congestion (CM). Trois fonctions objectives sont prises en compte pour réduire la congestion, notamment la stabilité de la tension et l'élimination du coût global de la perte de puissance réelle. Pour déterminer le meilleur emplacement pour les appareils FACTS dans l'outil MATLAB R2020b, l'approche GTO suggérée est implémentée et discutée pour les systèmes IEEE 14 bus et IEEE 30 bus. Elle est également comparée aux approches GSA, BBO et ICSA existantes dans trois situations de chargement. D'après les résultats de la simulation, GTO a minimisé les coûts totaux et les pertes de puissance réelles mieux que les algorithmes existants, et GTO permet d'économiser des coûts nets élevés.
Références
(1) J. Morsali, K. Zare, M.T. Hagh, A novel dynamic model and control approach for SSSC to contribute effectively in AGC of a deregulated power system, International Journal of Electrical Power & Energy Systems, 95, pp. 239-253 (2018).
(2) A. Rabiee, H. Shayanfar, N. Amjady, Multiobjective clearing of reactive power market in deregulated power systems. Applied energy, 86, 9, pp.1555-1564 (2009).
(3) S. Dhundhara, Y.P. Verma, Capacitive energy storage with optimized controller for frequency regulation in realistic multisource deregulated power system, Energy, 147, pp.1108-1128 (2018).
(4) H. Besharat, S.A. Taher, Congestion management by determining optimal location of TCSC in deregulated power systems, International Journal of Electrical Power & Energy Systems, 30, 10, pp.563-568 (2008).
(5) S.S. Reddy, M.S. Kumari, M. Sydulu, Congestion management in deregulated power system by optimal choice and allocation of FACTS controllers using multi-objective genetic algorithm, In IEEE PES T&D 2010, pp. 1-7 (2010).
(6) M.T. Khan, A.S. Siddiqui, Congestion management in deregulated power system using FACTS device, International Journal of System Assurance Engineering and Management, 8, pp.1-7 (2017).
(7) M. Gitizadeh, M. Kalantar, A new approach for congestion management via optimal location of FACTS devices in deregulated power systems, In 2008 third international conference on electric utility deregulation and restructuring and power technologies, pp. 1592-1597 (2008).
(8) S. Sivakumar, D. Devaraj, Congestion management in deregulated power system by rescheduling of generators using genetic algorithm, In 2014 international conference on power signals control and computations (EPSCICON), pp. 1-5 (2014).
(9) A.S. Siddiqui, M.T. Khan, F. Iqbal, Determination of optimal location of TCSC and STATCOM for congestion management in deregulated power system, International Journal of System Assurance Engineering and Management, 8, pp.110-117 (2017).
(10) K. Paul, P. Sinha, S. Mobayen, F.F. El-Sousy, A. Fekih, A novel improved crow search algorithm to alleviate congestion in power system transmission lines, Energy Reports, 8, pp.11456-11465 (2022).
(11) J. Srivastava, N.K. Yadav, Rescheduling‐based congestion management by metaheuristic algorithm: Hybridizing lion and moth search models, International Journal of Numerical Modelling: Electronic Networks, Devices and Fields, 35, 2, p.e2952.
(12) K. Paul, N. Kumar, P. Dalapati, Bat algorithm for congestion alleviation in power system network, Technology and Economics of Smart Grids and Sustainable Energy, 6, pp.1-18 (2021).
(13) A. Sharma, and S.K. Jain, Gravitational search assisted algorithm for TCSC placement for congestion control in deregulated power system, Electric Power Systems Research, 174, p.105874 (2019).
(14) S.R. Salkuti, S.C. Kim, Congestion management using multi-objective glowworm swarm optimization algorithm, Journal of Electrical Engineering & Technology, 14, pp.1565-1575 (2019).
(15) M.M. Kumar, A. Alli Rani, A.V. Sundaravazhuthi, A computational algorithm based on biogeography‐based optimization method for computing power system security constrains with multi-FACTS devices, Computational Intelligence, 36, 4, pp.1493-1511 (2020).
(16) M. Dashtdar, M. Najafi, M. Esmaeilbeig, Calculating the locational marginal price and solving optimal power flow problem based on congestion management using GA-GSF algorithm, Electrical Engineering, 102, 3, pp.1549-1566 (2020).
(17) J. Mahadevan, R. Rengaraj, A. Bhuvanesh, Application of multi-objective hybrid artificial bee colony with differential evolution algorithm for optimal placement of microprocessor-based FACTS controllers, Microprocessors and Microsystems, p.104239 (2021).
(18) K. Guerraiche, A.B. Abbou, L. Dekhici, Intelligent fault detection and location in electrical high-voltage transmission lines. Revue Roumaine des Sciences Techniques—Série Électrotechnique Et Énergétique, 69, 3, 269-276 (2024).
(19) F. Rafique, L. Fu, M.H.U. Haq, R. Mai, Automatic features extraction by transfer learning for transmission line protection: transfer learning for transmission lines protection, Revue Roumaine Des Sciences Techniques—Série Électrotechnique Et Énergétique, 68, 4, 339-344 (2023).
(20) S. Arockiaraj, B.V. Manikandan, A. Bhuvanesh, Fuzzy logic controlled Statcom with a series compensated transmission line analysis, Revue Roumaine Des Sciences Techniques—Série Électrotechnique Et Énergétique, 68, 3, pp.307-312 (2023).
(21) A.J. Gnana Malar, S. Sellamuthu, M. Ganga, N. Mahendran, S. Hoseinzadeh, A. Ahilan, Power system planning and cost forecasting using hybrid particle Swarm-Harris Hawks optimizations, Journal of Electrical Engineering & Technology, 19, 2, 1023-1031 (2024).
(22) C.S. Sabitha, H.K. Kalidindi, Deep learning based wearable device for older people monitoring system, International Journal of Data Science and Artificial Intelligence, 2, 1, 13-19 (2024).
(23) F. Ahmad, Enhancement of the Voltage Profile for an IEEE-14 Bus System by Using FACTS Devices, Applications of Computing, Automation and Wireless Systems in Electrical Engineering: Proceedings of MARC 2018 (pp. 1243-1257), Springer, Singapore. (2019)
(24) P.P. Biswas, P. Arora, R. Mallipeddi, P.N. Suganthan, B.K. Panigrahi, Optimal placement and sizing of FACTS devices for optimal power flow in a wind power integrated electrical network, Neural Computing, and Applications, 33, pp .6753-6774 (2021).
(25) M.H. Sulaiman, Z. Mustaffa, Optimal placement and sizing of FACTS devices for optimal power flow using metaheuristic optimizers, Results in Control and Optimization, 8, p.100145 (2022).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2024
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
