Il problema di Load Flow, tradizionalmente inteso, prevede la soluzione di un numero potenzialmente elevato di equazioni di tipo non lineare. La sua soluzione è stata ottenuta all’inizio degli anni ’60 del secolo scorso, mediante l’algoritmo di Newton-Raphson, impiegato ancora con notevole successo. Negli anni successivi è stato proposto il problema del load flow ottimo, ossia del calcolo dei flussi di potenza attiva e reattiva, in modo da ottimizzare una funzione obiettivo che, tipicamente, consisteva nel costo di produzione delle centrali, ovvero nelle perdite di potenza attiva nella rete. Quest’elaborato propone, invece, l’utilizzo del Load Flow Pessimo, ricercando le condizioni peggiori e non più quelle ottime. Prendendo in esame alcune configurazioni possibili, si considera, dunque, il problema della determinazione delle condizioni di esercizio che danno luogo alle più elevate (o più contenute) correnti di cortocircuito. Esse sono necessarie per stabilire il “potere d’interruzione” degli “organi di manovra”; valutare gli sforzi elettrodinamici che esse provocano sulle varie parti dei componenti degli impianti; consentire la corretta taratura dei dispositivi di protezione (relè) che servono per rilevare il guasto e a provocare l’apertura degli interruttori. La differenza fondamentale tra il load flow ottimo e quello pessimo consiste, tuttavia, nel fatto che quest’ultimo richiede di mettere in conto, oltre alle variabili continue tipiche anche del load flow ottimo (tensioni in modulo e fase, potenze attive e reattive ecc.), anche variabili discrete (come lo stato operativo di linee e trasformatori ed il rapporto di trasformazione di questi ultimi). Ciò comporta che gli algoritmi analitici classici dovrebbero essere sostituiti da metodi enumerativi di tipo branch-and-bound che, tuttavia, risultano estremamente complessi e non del tutto affidabili nella ricerca delle condizioni di ottimo. Nel presente lavoro si è preferito fare uso di algoritmi di tipo genetico ed il suo contenuto è così riassunto: -Il Capitolo 1 contiene un’introduzione all’elaborato. -Il Capitolo 2 descrive il Load Flow Ottimo: le grandezze in gioco e i loro limiti operativi, attraverso vincoli di uguaglianza e di disuguaglianza; la classificazione delle variabili ad esso relative (variabili di controllo, di stato, di uscita); le funzioni obiettivo da massimizzare o minimizzare per trovare le condizioni ottime; una panoramica storica sui progressivi sviluppi avuti negli anni e la classificazione dei vari algoritmi implementati. -Il Capitolo 3 ha l’intento di spiegare i motivi della scelta di utilizzo del Load Flow Pessimo, descrivendone il processo generale di risoluzione e l’aspetto normativo relativo al “Calcolo delle correnti di cortocircuito nei sistemi trifasi in corrente alternata” (Norma Italiana CEI 11-25). -Il Capitolo 4 presenta le caratteristiche dell’Algoritmo genetico, utilizzato per la risoluzione dei calcoli di Load Flow Pessimo. Vengono descritti: il problema di competizione; le strategie di ricerca; la motivazione biologica a cui s’ispira; gli esempi presenti in natura; le tipologie di codifica più utilizzate; gli operatori genetici (selezione, incrocio e mutazione); le differenze rispetto ai metodi tradizionali; alcune applicazioni pratiche; i principi di funzionamento; alcune varianti (procedura elitaria e procedura non elitaria, algoritmo micro-genetico). -Il Capitolo 5 propone l’analisi dei risultati ricavati dal programma relativo all’algoritmo genetico per il calcolo delle correnti di cortocircuito massime e minime, con le differenti procedure utilizzate mediante l’impiego dell’ambiente di calcolo MATLAB. -Il Capitolo 6, infine, riporta le considerazioni conclusive riguardanti l’intero elaborato e l’efficacia dell’algoritmo genetico nella risoluzione del problema del Load Flow Pessimo.

Calcoli di load flow pessimo mediante algoritmi genetici

SCANDALE, ARMANDA
2015/2016

Abstract

Il problema di Load Flow, tradizionalmente inteso, prevede la soluzione di un numero potenzialmente elevato di equazioni di tipo non lineare. La sua soluzione è stata ottenuta all’inizio degli anni ’60 del secolo scorso, mediante l’algoritmo di Newton-Raphson, impiegato ancora con notevole successo. Negli anni successivi è stato proposto il problema del load flow ottimo, ossia del calcolo dei flussi di potenza attiva e reattiva, in modo da ottimizzare una funzione obiettivo che, tipicamente, consisteva nel costo di produzione delle centrali, ovvero nelle perdite di potenza attiva nella rete. Quest’elaborato propone, invece, l’utilizzo del Load Flow Pessimo, ricercando le condizioni peggiori e non più quelle ottime. Prendendo in esame alcune configurazioni possibili, si considera, dunque, il problema della determinazione delle condizioni di esercizio che danno luogo alle più elevate (o più contenute) correnti di cortocircuito. Esse sono necessarie per stabilire il “potere d’interruzione” degli “organi di manovra”; valutare gli sforzi elettrodinamici che esse provocano sulle varie parti dei componenti degli impianti; consentire la corretta taratura dei dispositivi di protezione (relè) che servono per rilevare il guasto e a provocare l’apertura degli interruttori. La differenza fondamentale tra il load flow ottimo e quello pessimo consiste, tuttavia, nel fatto che quest’ultimo richiede di mettere in conto, oltre alle variabili continue tipiche anche del load flow ottimo (tensioni in modulo e fase, potenze attive e reattive ecc.), anche variabili discrete (come lo stato operativo di linee e trasformatori ed il rapporto di trasformazione di questi ultimi). Ciò comporta che gli algoritmi analitici classici dovrebbero essere sostituiti da metodi enumerativi di tipo branch-and-bound che, tuttavia, risultano estremamente complessi e non del tutto affidabili nella ricerca delle condizioni di ottimo. Nel presente lavoro si è preferito fare uso di algoritmi di tipo genetico ed il suo contenuto è così riassunto: -Il Capitolo 1 contiene un’introduzione all’elaborato. -Il Capitolo 2 descrive il Load Flow Ottimo: le grandezze in gioco e i loro limiti operativi, attraverso vincoli di uguaglianza e di disuguaglianza; la classificazione delle variabili ad esso relative (variabili di controllo, di stato, di uscita); le funzioni obiettivo da massimizzare o minimizzare per trovare le condizioni ottime; una panoramica storica sui progressivi sviluppi avuti negli anni e la classificazione dei vari algoritmi implementati. -Il Capitolo 3 ha l’intento di spiegare i motivi della scelta di utilizzo del Load Flow Pessimo, descrivendone il processo generale di risoluzione e l’aspetto normativo relativo al “Calcolo delle correnti di cortocircuito nei sistemi trifasi in corrente alternata” (Norma Italiana CEI 11-25). -Il Capitolo 4 presenta le caratteristiche dell’Algoritmo genetico, utilizzato per la risoluzione dei calcoli di Load Flow Pessimo. Vengono descritti: il problema di competizione; le strategie di ricerca; la motivazione biologica a cui s’ispira; gli esempi presenti in natura; le tipologie di codifica più utilizzate; gli operatori genetici (selezione, incrocio e mutazione); le differenze rispetto ai metodi tradizionali; alcune applicazioni pratiche; i principi di funzionamento; alcune varianti (procedura elitaria e procedura non elitaria, algoritmo micro-genetico). -Il Capitolo 5 propone l’analisi dei risultati ricavati dal programma relativo all’algoritmo genetico per il calcolo delle correnti di cortocircuito massime e minime, con le differenti procedure utilizzate mediante l’impiego dell’ambiente di calcolo MATLAB. -Il Capitolo 6, infine, riporta le considerazioni conclusive riguardanti l’intero elaborato e l’efficacia dell’algoritmo genetico nella risoluzione del problema del Load Flow Pessimo.
2015
Pessimal load flow calculations by genetic algorithms
File in questo prodotto:
Non ci sono file associati a questo prodotto.

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/18469