Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes

Introducción: Las redes eléctricas tradicionales están migrando a nuevas configuraciones de redes inteligentes, que traen retos operacionales y de planeación. Con miras a avanzar en estos retos se propone resolver un problema de optimización usando programación en elementos de redes distribuidas int...

Full description

Autores:: García-Guarín, Pedro Julián
Cantor-López, Julián
Cortés-Guerrero, Camilo
Guzmán-Pardo, María Alejandra
Rivera, Sergio

Tipo de recurso:: Article of journal

Fecha de publicación:: 2019

Institución:: Corporación Universidad de la Costa

Repositorio:: REDICUC - Repositorio CUC

Idioma:: spa

id	RCUC2_48849d7b3f0f8f20de2b9d1f661d973a
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/12216
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes
dc.title.translated.eng.fl_str_mv	Implementation of the VNS-DEEPSO algorithm for the energy dispatch in smart distributed grid
title	Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes
spellingShingle	Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes heuristic algorithms renewable energy optimization intelligent network electric vehicles algoritmos heurísticos energía renovable optimización smart grid vehículos eléctricos
title_short	Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes
title_full	Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes
title_fullStr	Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes
title_full_unstemmed	Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes
title_sort	Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes
dc.creator.fl_str_mv	García-Guarín, Pedro Julián Cantor-López, Julián Cortés-Guerrero, Camilo Guzmán-Pardo, María Alejandra Rivera, Sergio
dc.contributor.author.spa.fl_str_mv	García-Guarín, Pedro Julián Cantor-López, Julián Cortés-Guerrero, Camilo Guzmán-Pardo, María Alejandra Rivera, Sergio
dc.subject.eng.fl_str_mv	heuristic algorithms renewable energy optimization intelligent network electric vehicles
topic	heuristic algorithms renewable energy optimization intelligent network electric vehicles algoritmos heurísticos energía renovable optimización smart grid vehículos eléctricos
dc.subject.spa.fl_str_mv	algoritmos heurísticos energía renovable optimización smart grid vehículos eléctricos
description	Introducción: Las redes eléctricas tradicionales están migrando a nuevas configuraciones de redes inteligentes, que traen retos operacionales y de planeación. Con miras a avanzar en estos retos se propone resolver un problema de optimización usando programación en elementos de redes distribuidas inteligentes. Objetivo: El problema de optimización consiste en administrar el despacho energético de una red inteligente para optimizar los recursos disponibles, considerando la incertidumbre de energías renovables, viajes planeados de vehículos eléctricos, el pronóstico de carga y los precios del mercado. Metodología: Se propuso utilizar un ensamble entre dos métodos heurísticos. El algoritmo VNS (Variable Neighborhood Search) y el DEEPSO (Differential Evolutionary Particle Swarm). Resultados: El algoritmo VNS-DEEPSO fue evaluado en una competencia de “Smart Grids” con otros algoritmos con un valor de 18.21, siendo 7 % mejor que el segundo algoritmo clasificado en la competencia. Conclusiones: El algoritmo VNS-DEEPSO fue ganador entre 9 algoritmos metaheurísticos que solucionaron el problema, este problema tenía un mayor incremento de dificultad debida a la incertidumbre generada por factores ambientales, pronóstico de carga, viajes en vehículos eléctricos y el mercado de precios. Acorde a los resultados, el algoritmo VNS-DEEPSO demostró ser el más eficiente en minimizar los costos operacionales y maximizar los ingresos de la red inteligente.
publishDate	2019
dc.date.accessioned.none.fl_str_mv	2019-03-07 00:00:00 2024-04-09T20:15:15Z
dc.date.available.none.fl_str_mv	2019-03-07 00:00:00 2024-04-09T20:15:15Z
dc.date.issued.none.fl_str_mv	2019-03-07
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0122-6517
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11323/12216
dc.identifier.url.none.fl_str_mv	https://doi.org/10.17981/ingecuc.15.1.2019.13
dc.identifier.doi.none.fl_str_mv	10.17981/ingecuc.15.1.2019.13
dc.identifier.eissn.none.fl_str_mv	2382-4700
identifier_str_mv	0122-6517 10.17981/ingecuc.15.1.2019.13 2382-4700
url	https://hdl.handle.net/11323/12216 https://doi.org/10.17981/ingecuc.15.1.2019.13
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.ispartofjournal.spa.fl_str_mv	Inge Cuc
dc.relation.references.spa.fl_str_mv	M. Tuballa and M. Abundo, “A review of the development of Smart Grid technologies,” Renewable and Sustainable Energy Reviews, vol. 59, no. 1, pp. 710–725, Jun. 2016. Doi: https://doi.org/10.1016/j.rser.2016.01.011 F. Lezama, J. Soares, Z. Bale, J. Rueda, S. Rivera and I. Elrich, “2017 IEEE competition on modern heuristic optimizers for smart grid operation: Testbeds and results,” Swarm and Evolutionary Computation, vol. 44, no. 1, pp. 420–427, Feb. 2019. Doi: https://doi.org/10.1016/j.swevo.2018.05.005 O. Dzobo, A. M. Shehata and C. L Azimoh, “Optimal economic load dispatch in smart grids considering uncertainty”. In AFRICON, 2017 IEEE., Cape Town, South Africa, Sept. 18–20, 2019, pp. 1277–1282. Doi: https://doi.org/10.1109/AFRCON.2017.8095666 F. Lezama, J. Soares, Z. Bale and J. Rueda, “WCCI 2018 Competition Evolutionary Computation in Uncertain Environments: A Smart Grid Application. Test bed: Optimal scheduling of distributed energy resources considering uncertainty of renewables, EVs, load forecast and market prices,” in Proc. IEEE WCCI, Rio de Janeiro, Brazil, Jul. 8–13, 2018, pp. 1–19. Available in: http://www.gecad.isep.ipp.pt/WCCI2018-SG-COMPETITION/ Y. Jin and J. Branke, “Evolutionary Optimization in Uncertain Environments—A Survey,” IEEE Trans. Evol. Comput., vol. 9, no. 3. pp. 303–317, Jun. 2005. Doi: https://doi.org/10.1109/TEVC.2005. 846356 M. Gendreau and J.-Y. Potvin, “Handbook of Metaheuristics,” vol. 2, Switzerland: Springer Science+Business Media, 2010. Doi: https://doi.org/10.1007/978-1-4419-1665-5 Y. Zhao, J. Cao, X. Lai, C. Yin and T. Chen, “Ensemble based constrained-optimization extreme learning machine for landmark recognition,” 2015 34th Chinese Control Conference (CCC), Hangzhou, China, 28–30 Jul. 2015, pp. 3884–3889. Doi: https://doi.org/10.1109/ChiCC.2015.7260239 S. Hui and P. N. Suganthan, “Ensemble and Arithmetic Recombination-Based Speciation Differential Evolution for Multimodal Optimization,” in IEEE Transactions on Cybernetics, vol. 46, no. 1, pp. 64–74, Jan. 2016. Doi: https://doi.org/10.1109/TCYB.2015.2394466 X. Li, S. Ma and Y. Wang, “Multi-Population Based Ensemble Mutation Method for Single Objective Bilevel Optimization Problem,” in IEEE Access, vol. 4, no. 1, pp. 7262–7274, Oct. 2016. Doi: https://doi.org/10.1109/ACCESS.2016.2617738 V. Miranda and R. Alves, “Differential Evolutionary Particle Swarm Optimization (DEEPSO): A Successful Hybrid,” 2013 BRICS Congress on Computational Intelligence and 11th Brazilian Congress on Computational Intelligence, Ipojuca, Brazil, 8–11 Sept. 2013, pp. 368–374. Doi: https://doi.org/10.1109/BRICS-CCI-CBIC.2013.68 D. G. Mayer, B. P. Kinghorn and A. A. Archer, “Differential evolution – an easy and efficient evolutionary algorithm for model optimisation,” Agricultural Systems, vol 83, no. 3, pp. 315–328, Mar. 2005. Doi: https://doi.org/10.1016/j.agsy.2004.05.002 F. Marini and B. Walczak, “Particle swarm optimization (PSO). A tutorial,” Chemometrics and Intelligent Laboratory Systems, vol 149, Part B, pp. 153–165, Dec. 2015. Doi: https://doi.org/10.1016/j.chemolab.2015.08.020 P. Hansen and N. Mladenović, “Variable neighborhood search: Principles and applications,” European Journal of Operational Research, vol. 130, no. 3, pp. 449–467, May. 2001. Doi: https://doi.org/10.1016/S0377-2217(00)00100-4 E. Vargas, L. Macedo, P. Bueno and R. Romero, “A VNS algorithm for the design of supplementary damping controllers for small-signal stability analysis,” International Journal of Electrical Power & Energy Systems, vol. 94, no. 1, pp. 41–56, Jan. 2018. Doi: https://doi.org/10.1016/j.ijepes.2017.06.017 R. Brandl, P. Kotsampopoulos, G. Lauss, M. Maniatopoulos, M. Nuschke, J. Montoya and D. Strauss-Mincu, “Advanced Testing Chain Supporting the Validation of Smart Grid Systems and Technologies,” in 2018 IEEE Workshop on Complexity in Engineering, Florence, Italy, Oct. 10–12, 2018. pp. 1–6. Doi: https://doi.org/10.1109/CompEng.2018.8536223
dc.relation.citationendpage.none.fl_str_mv	154
dc.relation.citationstartpage.none.fl_str_mv	142
dc.relation.citationissue.spa.fl_str_mv	1
dc.relation.citationvolume.spa.fl_str_mv	15
dc.relation.bitstream.none.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/download/1984/2077 https://revistascientificas.cuc.edu.co/ingecuc/article/download/1984/2100 https://revistascientificas.cuc.edu.co/ingecuc/article/download/1984/2375
dc.relation.citationedition.spa.fl_str_mv	Núm. 1 , Año 2019 : (Enero - Junio)
dc.rights.spa.fl_str_mv	INGE CUC - 2019
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	INGE CUC - 2019 http://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf text/html application/xml
dc.publisher.spa.fl_str_mv	Universidad de la Costa
dc.source.spa.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/view/1984
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/2dc2fa23-46bb-4d3c-8595-b81b0211133c/download
bitstream.checksum.fl_str_mv	2eff5573be253a383546f427538f8ad3
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1811760803037052928
spelling	García-Guarín, Pedro JuliánCantor-López, JuliánCortés-Guerrero, CamiloGuzmán-Pardo, María AlejandraRivera, Sergio2019-03-07 00:00:002024-04-09T20:15:15Z2019-03-07 00:00:002024-04-09T20:15:15Z2019-03-070122-6517https://hdl.handle.net/11323/12216https://doi.org/10.17981/ingecuc.15.1.2019.1310.17981/ingecuc.15.1.2019.132382-4700Introducción: Las redes eléctricas tradicionales están migrando a nuevas configuraciones de redes inteligentes, que traen retos operacionales y de planeación. Con miras a avanzar en estos retos se propone resolver un problema de optimización usando programación en elementos de redes distribuidas inteligentes. Objetivo: El problema de optimización consiste en administrar el despacho energético de una red inteligente para optimizar los recursos disponibles, considerando la incertidumbre de energías renovables, viajes planeados de vehículos eléctricos, el pronóstico de carga y los precios del mercado. Metodología: Se propuso utilizar un ensamble entre dos métodos heurísticos. El algoritmo VNS (Variable Neighborhood Search) y el DEEPSO (Differential Evolutionary Particle Swarm). Resultados: El algoritmo VNS-DEEPSO fue evaluado en una competencia de “Smart Grids” con otros algoritmos con un valor de 18.21, siendo 7 % mejor que el segundo algoritmo clasificado en la competencia. Conclusiones: El algoritmo VNS-DEEPSO fue ganador entre 9 algoritmos metaheurísticos que solucionaron el problema, este problema tenía un mayor incremento de dificultad debida a la incertidumbre generada por factores ambientales, pronóstico de carga, viajes en vehículos eléctricos y el mercado de precios. Acorde a los resultados, el algoritmo VNS-DEEPSO demostró ser el más eficiente en minimizar los costos operacionales y maximizar los ingresos de la red inteligente.Introduction: Traditional electric networks are migrating to new configurations of intelligent networks, which bring operational and planning challenges. In order to advance in these challenges, an optimization problem is proposed to solve in the programming of intelligent network elements. Objective: The optimization problem consists of managing the energy dispatch of an intelligent network to optimize the available resources, considering the uncertainty of renewable energies, planned trips of electric vehicles, cargo forecast and market prices. Methodology: It was proposed to use an assembly between two heuristic methods. The VNS algorithm (Variable Neighborhood Search) and the DEEPSO (Differential Evolutionary Particle Swarm). Results: The value obtained by the VNS-DEEPSO algorithm was 18.21, being 7 % better than the second algorithm classified in the competition. Conclusions: The VNS-DEEPSO algorithm was the winner among 9 metaheuristic algorithms that solved the problem. This problem has a greater increase in difficulty due to the uncertainty generated by weather conditions, load forecast, planned EV´s trips, and market prices. According to the results, the VNS-DEEPSO algorithm proved to be the most efficient in minimizing operational costs and maximizing the revenues of the intelligent network.application/pdftext/htmlapplication/xmlspaUniversidad de la CostaINGE CUC - 2019http://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/ingecuc/article/view/1984heuristic algorithmsrenewable energyoptimizationintelligent networkelectric vehiclesalgoritmos heurísticosenergía renovableoptimizaciónsmart gridvehículos eléctricosImplementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentesImplementation of the VNS-DEEPSO algorithm for the energy dispatch in smart distributed gridArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Inge CucM. Tuballa and M. Abundo, “A review of the development of Smart Grid technologies,” Renewable and Sustainable Energy Reviews, vol. 59, no. 1, pp. 710–725, Jun. 2016. Doi: https://doi.org/10.1016/j.rser.2016.01.011F. Lezama, J. Soares, Z. Bale, J. Rueda, S. Rivera and I. Elrich, “2017 IEEE competition on modern heuristic optimizers for smart grid operation: Testbeds and results,” Swarm and Evolutionary Computation, vol. 44, no. 1, pp. 420–427, Feb. 2019. Doi: https://doi.org/10.1016/j.swevo.2018.05.005O. Dzobo, A. M. Shehata and C. L Azimoh, “Optimal economic load dispatch in smart grids considering uncertainty”. In AFRICON, 2017 IEEE., Cape Town, South Africa, Sept. 18–20, 2019, pp. 1277–1282. Doi: https://doi.org/10.1109/AFRCON.2017.8095666F. Lezama, J. Soares, Z. Bale and J. Rueda, “WCCI 2018 Competition Evolutionary Computation in Uncertain Environments: A Smart Grid Application. Test bed: Optimal scheduling of distributed energy resources considering uncertainty of renewables, EVs, load forecast and market prices,” in Proc. IEEE WCCI, Rio de Janeiro, Brazil, Jul. 8–13, 2018, pp. 1–19. Available in: http://www.gecad.isep.ipp.pt/WCCI2018-SG-COMPETITION/Y. Jin and J. Branke, “Evolutionary Optimization in Uncertain Environments—A Survey,” IEEE Trans. Evol. Comput., vol. 9, no. 3. pp. 303–317, Jun. 2005. Doi: https://doi.org/10.1109/TEVC.2005. 846356M. Gendreau and J.-Y. Potvin, “Handbook of Metaheuristics,” vol. 2, Switzerland: Springer Science+Business Media, 2010. Doi: https://doi.org/10.1007/978-1-4419-1665-5Y. Zhao, J. Cao, X. Lai, C. Yin and T. Chen, “Ensemble based constrained-optimization extreme learning machine for landmark recognition,” 2015 34th Chinese Control Conference (CCC), Hangzhou, China, 28–30 Jul. 2015, pp. 3884–3889. Doi: https://doi.org/10.1109/ChiCC.2015.7260239S. Hui and P. N. Suganthan, “Ensemble and Arithmetic Recombination-Based Speciation Differential Evolution for Multimodal Optimization,” in IEEE Transactions on Cybernetics, vol. 46, no. 1, pp. 64–74, Jan. 2016. Doi: https://doi.org/10.1109/TCYB.2015.2394466X. Li, S. Ma and Y. Wang, “Multi-Population Based Ensemble Mutation Method for Single Objective Bilevel Optimization Problem,” in IEEE Access, vol. 4, no. 1, pp. 7262–7274, Oct. 2016. Doi: https://doi.org/10.1109/ACCESS.2016.2617738V. Miranda and R. Alves, “Differential Evolutionary Particle Swarm Optimization (DEEPSO): A Successful Hybrid,” 2013 BRICS Congress on Computational Intelligence and 11th Brazilian Congress on Computational Intelligence, Ipojuca, Brazil, 8–11 Sept. 2013, pp. 368–374. Doi: https://doi.org/10.1109/BRICS-CCI-CBIC.2013.68D. G. Mayer, B. P. Kinghorn and A. A. Archer, “Differential evolution – an easy and efficient evolutionary algorithm for model optimisation,” Agricultural Systems, vol 83, no. 3, pp. 315–328, Mar. 2005. Doi: https://doi.org/10.1016/j.agsy.2004.05.002F. Marini and B. Walczak, “Particle swarm optimization (PSO). A tutorial,” Chemometrics and Intelligent Laboratory Systems, vol 149, Part B, pp. 153–165, Dec. 2015. Doi: https://doi.org/10.1016/j.chemolab.2015.08.020P. Hansen and N. Mladenović, “Variable neighborhood search: Principles and applications,” European Journal of Operational Research, vol. 130, no. 3, pp. 449–467, May. 2001. Doi: https://doi.org/10.1016/S0377-2217(00)00100-4E. Vargas, L. Macedo, P. Bueno and R. Romero, “A VNS algorithm for the design of supplementary damping controllers for small-signal stability analysis,” International Journal of Electrical Power & Energy Systems, vol. 94, no. 1, pp. 41–56, Jan. 2018. Doi: https://doi.org/10.1016/j.ijepes.2017.06.017R. Brandl, P. Kotsampopoulos, G. Lauss, M. Maniatopoulos, M. Nuschke, J. Montoya and D. Strauss-Mincu, “Advanced Testing Chain Supporting the Validation of Smart Grid Systems and Technologies,” in 2018 IEEE Workshop on Complexity in Engineering, Florence, Italy, Oct. 10–12, 2018. pp. 1–6. Doi: https://doi.org/10.1109/CompEng.2018.8536223154142115https://revistascientificas.cuc.edu.co/ingecuc/article/download/1984/2077https://revistascientificas.cuc.edu.co/ingecuc/article/download/1984/2100https://revistascientificas.cuc.edu.co/ingecuc/article/download/1984/2375Núm. 1 , Año 2019 : (Enero - Junio)PublicationOREORE.xmltext/xml2805https://repositorio.cuc.edu.co/bitstreams/2dc2fa23-46bb-4d3c-8595-b81b0211133c/download2eff5573be253a383546f427538f8ad3MD5111323/12216oai:repositorio.cuc.edu.co:11323/122162024-09-17 12:46:16.433http://creativecommons.org/licenses/by-nc-nd/4.0INGE CUC - 2019metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co

Implementación del algoritmo VNS-DEEPSO para el despacho de energía en redes distribuidas inteligentes

Publicaciones similares