A branch-exchange genetic algorithm for optimal reconfiguration in smart grids

Modern smart grids can take advantage of artificial intelligence techniques for a more efficient and reliable operation. This thesis focuses on the problem to reconfigure a medium voltage distribution network to optimize a given fitness function. First of all, a formalization of the optimization problem and a description of all the needed tools are provided, together with the characterization of the IEEE test networks used to perform simulations. After that, it is given an overview of the methods already existing in literature for the solution of the reconfiguration problem, concentrating on branch exchange (BE) and genetic algorithm (GA), for which simulation results are provided. The main contribution of this work is the proposal of a method based on an enhanced genetic algorithm which exploits the branch exchange technique in the operators creating the initial population and the mutation children. Only feasible radial networks are generated with this strategy. Moreover, populations having variable sizes are formed so to compute the power flow for each different candidate network only once. The approach is, hence, validated with reference to the active power losses minimization on the IEEE 33 and 69 buses networks, also including distributed generation (DG). The proposed method is then used for optimal restoration in case of unavailability of lines and/or buses. The algorithm realizes an intelligent exploration of the space of solutions and an efficient exploitation of the computational time. The results show a very fast convergence which make the proposed approach suitable both for planning and real time operations. After that, the proposed method is applied to find the optimum network configuration which minimizes the energy losses of the system over a day. In order to do so, typical power profiles in time have been injected in the nodes of the test networks, including residential, industrial, commercial load profiles, photovoltaic generation and power profiles of charging stations for electric vehicles. The results are then compared to the ones obtained by minimizing the active power losses in the same networks where, conversely, the average power is injected in every bus; although the evident difference in the approaches, the latter still gives reasonable results. This thesis is supported by the IEEE Power and Energy Society and Schneider Electric under the “IEEE – PES Italy Scholarship Award (IPISA) Fund”. The final part of the work is dedicated to an overview of Schneider Electric's Advanced Distribution Management Systems and shows how the proposed algorithm can find a suitable implementation is such platform.

Con l'avvento della digitalizzazione, le moderne smart grids possono sfruttare algoritmi di intelligenza artificiale per garantire un esercizio del sistema elettrico sempre più efficiente ed affidabile. La presente tesi si concentra sul problema di riconfigurare una rete di distribuzione in media tensione, ottimizzando una funzione obiettivo assegnata. Nella prima parte, il problema di ottimizzazione viene formalizzato, vengono descritti gli strumenti necessari per lo sviluppo dei successivi algoritmi e vengono presentate le reti test utilizzate per le varie simulazioni. In seguito, viene fornita una panoramica dei metodi esistenti in letteratura per la risoluzione di tale problema, concentrandosi sul branch exchange (BE) e sull'algoritmo genetico (GA), per i quali sono riportati i risultati delle simulazioni effettuate. Il contributo principale della tesi è quello di sviluppare un metodo innovativo per la risoluzione del problema della riconfigurazione di rete; l'approccio proposto è basato su un algoritmo genetico che utilizza la tecnica del branch exchange negli operatori di mutazione e di generazione della popolazione iniziale. Inoltre, le varie popolazioni vengono create con dimensione variabile, in modo da calcolare il power flow per ogni rete generata dall'algoritmo soltanto una volta. Il metodo, dunque, è impiegato per minimizzare le perdite di potenza attiva nelle reti test dell'IEEE a 33 e 69 nodi, includendo anche la presenza di generazione distribuita. Successivamente, esso viene utilizzato per trovare la configurazione di rete a perdite minime anche nel caso di indisponibilità di linee e/o nodi, fuori servizio per via di guasti o manutenzioni. L'algoritmo realizza un'esplorazione molto intelligente dello spazio delle soluzioni e sfrutta in modo efficiente il tempo computazionale richiesto. I risultati mostrano una convergenza molto rapida; per questo motivo l'algoritmo proposto rappresenta un valido strumento da impiegarsi sia in applicazioni in tempo reale, sia in fase di pianificazione della rete. In seguito, lo stesso algoritmo viene utilizzato per trovare la configurazione di rete che minimizza le perdite di energia nel corso di un giorno medio. Per fare ciò, ad ogni nodo delle due reti test vengono associati profili di potenza tipici: carichi industriali, residenziali, commerciali, generazione da impianti fotovoltaici e profili di ricarica di stazioni per veicoli elettrici. I risultati sono poi confrontati con quelli ottenuti dalla minimizzazione delle perdite in potenza, considerando in ogni nodo la potenza media dei rispettivi profili utilizzati; nonostante l'evidente differenza nei due metodi, l'approccio con la potenza media mostra comunque risultati ragionevoli. La presente tesi è corroborata dal supporto di IEEE Power and Energy Society e Schneider Electric, come risultato della vincita della borsa di studio “IEEE – PES Italy Scholarship Award (IPISA) Fund”. La parte finale del lavoro è dedicata agli Advanced Distribution Management Systems sviluppati da Schneider Electric e mostra come l'algoritmo proposto trovi una valida applicazione in tale contesto.