Otimização multiobjetivo híbrida para o fluxo de potência ótimo com controle de variáveis discretas utilizando busca tabu e programação não linear

Abstract

Neste trabalho, apresenta-se uma metodologia de otimização híbrida para resolver o problema de Fluxo de Potência Ótimo Multiobjetivo, considerando os objetivos conflitantes de custo de geração, perdas de potência ativa e emissão de poluentes. A abordagem proposta emprega uma estratégia de decomposição mestre-escravo, na qual a meta-heurística Busca Tabu Multiobjetivo é responsável por otimizar as variáveis de controle discretas (taps de transformadores e compensadores shunt), que definem a topologia operacional do sistema. Para cada configuração discreta candidata, um subproblema de Programação Não Linear é resolvido pelo solver Knitro, através de uma interface com a linguagem de modelagem AMPL, para determinar o estado ótimo das variáveis contínuas. A eficácia da metodologia foi validada nos sistemas-teste NESTA IEEE 30(modificado) , 118 e 300 barras, cujos modelos incorporam parâmetros mais realistas que os casos tradicionais. Os resultados demonstram a capacidade do algoritmo em gerar frentes de Pareto robustos e bem distribuídos, compostos por centenas de soluções não dominadas. A comparação dos pontos extremos do frente com soluções obtidas por otimização mono-objetivo PNL inteiro misto revelou uma excelente aderência, validando a precisão da abordagem híbrida. A ferramenta computacional desenvolvida constitui um valioso instrumento de apoio à decisão, fornecendo aos operadores do sistema um conjunto diversificado de soluções ótimas de compromisso entre os critérios econômicos, técnicos e ambientais.

This work presents a hybrid optimization methodology to solve the Multi-objective Optimal Power Flow problem, considering the conflicting objectives of generation cost, active power losses, and pollutant emissions. The proposed approach employs a masterslave decomposition strategy, in which the Multi-objective Tabu Search metaheuristic is responsible for optimizing the discrete control variables (transformer taps and shunt compensators), which define the operational topology of the system. For each candidate discrete configuration, a Nonlinear Programming subproblem is solved by the solver Knitro, through an interface with the AMPL modeling language, to determine the optimal state of the continuous variables. The effectiveness of the methodology was validated on the NESTA IEEE 30(altered), 118 e 300-bus test systems, whose models incorporate more realistic parameters than traditional cases. The results demonstrate the algorithm’s ability to generate robust and well-distributed Pareto fronts, composed of hundreds of non-dominated solutions. The comparison of the front’s extreme points with solutions obtained by mono-objective Mixed Integer NLP optimization revealed an excellent adherence, validating the accuracy of the hybrid approach. The developed computational tool constitutes a valuable decision-support instrument, providing system operators with a diverse set of optimal trade-off solutions among economic, technical, and environmental criteria.