Algorithmic Approaches for Optimal Placement of Flexible Resources in Distribution Networks

Abstract

Este trabajo investiga la colocación y dimensionamiento óptimos de la Generación Distribuida (GD) en redes de distribución de energía utilizando varios algoritmos metaheurísticos. Introduce un método novedoso para optimizar la Capacidad de Alojamiento, ayudando a los Operadores del Sistema de Distribución (DSO) a mejorar la planificación a largo plazo y retrasar la necesidad de actualizaciones de la red. El estudio establece una herramienta común de referencia para probar varios algoritmos, incluyendo la Optimización por Enjambre de Partículas (PSO), el Algoritmo Genético (GA), el Optimizador del Lobo Gris (GWO), la Evolución Diferencial (DE), el Algoritmo de Optimización del Coyote (COA) y la Colonia de Abejas Artificial (ABC). Los resultados indican que PSO es el método más efectivo para mejorar la estabilidad y eficiencia de la red, ya que minimiza consistentemente los costos y mejora los perfiles de voltaje, siendo una opción confiable para la optimización de GD. GWO también se identifica como una fuerte alternativa debido a su eficiencia computacional y consistencia. Nuevos algoritmos, como COA, muestran potencial para uso futuro. Se realizan mejoras a PSO para evitar la rápida convergencia hacia óptimos locales y promover una exploración más amplia del espacio de búsqueda mediante la adición de un peso de inercia dinámico. El estudio también destaca el potencial de enfoques híbridos y la necesidad de abordar condiciones dinámicas de la red. A pesar de la efectividad de estos algoritmos, persisten desafíos como la escalabilidad y el ajuste de parámetros.

This paper investigates the optimal placement and sizing of Distributed Generation (DG) in power distribution networks using various metaheuristic algorithms. It introduces a novel method for optimizing Hosting Capacity, which helps Distribution System Operators (DSOs) improve long-term grid planning and delay the need for grid upgrades. The study establishes a common benchmarking tool to test several algorithms, including Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Grey Wolf Optimizer (GWO), Differential Evolution (DE), Coyote Optmization Algorithm (COA), and Artificial Bee Colony (ABC). The results indicate that PSO is the most effective method for enhancing grid stability and efficiency as it consistently minimizes costs and improves voltage profiles, making it a reliable choice for DG optimization. GWO is also identified as a strong alternative due to its computational efficiency and consistency. New algorithms, such as COA, show promise for future use. Enhancements are made to PSO to prevent quick convergence to local optima and promote broader search space exploration by adding dynamic inertia weight. The study also highlights the potential of hybrid approaches and the need to address dynamic grid conditions. Despite the effectiveness of these algorithms, challenges such as scalability and parameter adjustment remain.