SavedAdd your journal

Journals / Ordu Üniversitesi Bilim ve Teknoloji Dergisi / 2025 / Cilt: 15 Sayı: 2

Dynamic Optimal Power Flow for Renewable Energy Sources Integrated Power Systems

Yenilenebilir Enerji Kaynakları Bulunan Güç Sistemleri için Dinamik Optimal Güç Akışı

Rıdvan Erkoç(YOZGAT BOZOK ÜNİVERSİTESİ)0000-0002-8718-6527
Tuncay Altun(Milli İstihbarat Akademisi)0000-0003-1499-3384
Pages
304–326
Publication Date
2025-12-27
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The developed algorithms were validated using IEEE 9-14-30-57 bus test systems.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In energy generation, transmission and distribution processes of power systems, in addition to ensuring system reliability, minimizing energy costs is also extremely important.
📊
Key Findings & Data:To achieve this, optimizing power flow in the relevant processes emerges as a significant problem to be addressed.
💡
Conclusion & Impact:The developed algorithms were validated using IEEE 9-14-30-57 bus test systems.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:deterministik · dinamik optimal güç akışı · sezgisel

Abstract

In energy generation, transmission and distribution processes of power systems, in addition to ensuring system reliability, minimizing energy costs is also extremely important. To achieve this, optimizing power flow in the relevant processes emerges as a significant problem to be addressed. Optimal Power Flow (OPF) problems exhibit a nonlinear characteristic due to the variables in the formulation and their multiplication with other variables. Solving nonlinear problems is challenging and complex. Furthermore, the penetration of renewable energy sources, which introduce uncertainties into power systems, makes these problems even more complicated. Since renewable energy depends on natural conditions, it has a volatile generation behavior. Solving the OPF problem in a static manner may not produce a feasible solution for systems that include renewable energy sources with variable generation. Therefore, such systems need to be analyzed dynamically. The dynamic and nonlinear nature of the problem, along with the inclusion of numerous variables, increases its complexity and makes it harder to solve. To address these challenges, various deterministic and heuristic nonlinear programming techniques need to be utilized. This study deals with the solution of the OPF problem, which includes renewable energy, over multi-period using a deterministic method, Fmincon Sequential Quadratic Programming (SQP) and heuristic methods such as Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). The outcomes of the dynamic OPF problem considering renewable energy resources was analyzed in terms of speed, stability, and performance. The developed algorithms were validated using IEEE 9-14-30-57 bus test systems.

Özet

Güç sistemlerinin enerji üretim, iletim ve dağıtım süreçlerinde, sistem güvenilirliğinin sağlanmasının yanında enerji maliyetlerinin en aza indirilmesi de son derece önemlidir. Bunun için ilgili süreçlerde güç akışının optimum şekilde gerçekleştirilmesi çalışılması gereken bir problem olarak karşımıza çıkmaktadır. Optimal güç akışı (OGA) problemleri formülasyon içerisinde bulunan değişkenlerin kendileri ve diğer değişkenlerle olan çarpımlarından dolayı doğrusal olmayan bir karakteristik göstermektedir. Doğrusal olmayan problemlerin çözümü zor ve karmaşıktır. Bununla birlikte güç sistemlerine belirsizlikler barındıran yenilenebilir enerji kaynaklarının penetrasyonu problemleri daha karmaşık hale getirmektedir. Yenilenebilir enerji doğa koşullarına bağlı olduğundan dalgalı üretim yapısına sahiptir. OGA probleminin statik olarak çözülmesi degişken üretim gösteren yenilenebilir enerji kaynaklarının dahil edildiği sistemler için uygulanabilir çözüm üretemeyebilir. Bu nedenle, bu tür sistemlerin dinamik bir şekilde incelenmesi gerekmektedir. Problemin dinamik ve doğrusal olmayan yapısı ile çok fazla değişken içermesi problemi karmaşıklaştırmakta ve çözümü zorlaştırmaktadır. Bu problemlerin çözümünde deterministik ve sezgisel olmak üzere doğrusal olmayan çeşitli programlama teknikleri geliştirilmesi gerekmektedir. Bu çalışma, yenilenebilir enerji içeren OGA probleminin çoklu zaman diliminde, deterministik bir yöntem olan Fmincon sıralı ikinci dereceden programlama (SIP) ve sezgisel yöntemler olan genetik algoritma (GA) ile parçacık sürü optimizasyonu (PSO) kullanılarak çözümünü ele almaktadır. Çalışmada bu üç yöntem ile OGA problemi çözülerek yöntemlerin hız, kararlılık ve performans değerlendirmesi yapılmıştır. Yenilenebilir enerji kaynaklarının çözüm üzerindeki etkisi incelenmiştir. Geliştirilen çözümler IEEE 9-14-30-57 bara test sistemleri kullanılarak test edilmiştir.

🔖

Cite This Article

Erkoç, R., Altun, T. (2025). Dynamic Optimal Power Flow for Renewable Energy Sources Integrated Power Systems. Ordu Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 15 Sayı: 2, 304–326. https://doi.org/10.54370/ordubtd.1708934

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (27)

  1. Akbari, B., & Sansavini, G. (2023). Adaptive robust AC optimal power flow considering intrahour uncertainties. Electric Power Systems Research, 216, 109082. https://doi.org/10.1016/j.epsr.2022.109082
  2. Akdag, O. (2022). A Improved Archimedes Optimization Algorithm for multi/single-objective Optimal Power Flow. Electric Power Systems Research, 206, 107796. https://doi.org/10.1016/j.epsr.2022.107796
  3. Altun, T., Madani, R., Yadav, A. P., Nasir, A., & Davoudi, A. (2020). Optimal Reconfiguration of DC Networks. IEEE Transactions on Power Systems, 35(6), 4272–4284. https://doi.org/10.1109/tpwrs.2020.2994962
  4. Bakır, H. (2024). Dynamic fitness-distance balance-based artificial rabbits optimization algorithm to solve optimal power flow problem. Expert Systems with Applications, 240, 122460. https://doi.org/10.1016/j.eswa.2023.122460
  5. Basu, M. (2023). Dynamic optimal power flow for isolated microgrid incorporating renewable energy sources. Energy, 264, 126065. https://doi.org/10.1016/j.energy.2022.126065
  6. Elattar, E. E., & ElSayed, S. K. (2019). Modified JAYA algorithm for optimal power flow incorporating renewable energy sources considering the cost, emission, power loss and voltage profile improvement. Energy, 178, 598–609. https://doi.org/10.1016/j.energy.2019.04.159
  7. Ember. (2024). Global Electricity Review 2024. https://ember-energy.org/latest-insights/global-electricity-review-2024/
  8. Guvenc, U., Duman, S., Kahraman, H. T., Aras, S., & Katı, M. (2021). Fitness–Distance Balance based adaptive guided differential evolution algorithm for security-constrained optimal power flow problem incorporating renewable energy sources. Applied Soft Computing, 108, 107421. https://doi.org/10.1016/j.asoc.2021.107421
  9. Hasanien, H. M., Alsaleh, I., Ullah, Z., & Alassaf, A. (2024). Probabilistic optimal power flow in power systems with Renewable energy integration using Enhanced walrus optimization algorithm. Ain Shams Engineering Journal, 15(3), 102663. https://doi.org/10.1016/j.asej.2024.102663
  10. IRENA. (2024). Renewable capacity statistics 2024. In International Renewable Energy Agency. Lin, S. Y., & Chen, J. F. (2013). Distributed optimal power flow for smart grid transmission system with renewable energy sources. Energy, 56, 184–192. https://doi.org/10.1016/j.energy.2013.04.011
  11. Liu, J., Wang, L., Jiao, T., Yang, W., Xu, R., Wu, K., & Ha, H. (2024). Multi-period voltage stability-constrained optimal power flow with uncertainties. Applied Energy, 369, 123522. https://doi.org/10.1016/j.apenergy.2024.123522
  12. Lorca, Á., & Sun, X. A. (2018). The Adaptive Robust Multi-Period Alternating Current Optimal Power Flow Problem. IEEE Transactions on Power Systems, 33(2), 1993–2003. https://doi.org/10.1109/tpwrs.2017.2743348
  13. MathWorks. (n.d.). Choosing the Algorithm. Retrieved May 2, 2025, from https://www.mathworks.com/help/optim/ug/choosing-the-algorithm.html
  14. Meirinhos, J. L., Rua, D. E., Carvalho, L. M., & Madureira, A. G. (2017). Multi-temporal Optimal Power Flow for voltage control in MV networks using Distributed Energy Resources. Electric Power Systems Research, 146, 25–32. https://doi.org/10.1016/j.epsr.2017.01.016
  15. Open Power System Data. (2020). National generation capacity. Zenodo. https://doi.org/10.25832/national_generation_capacity/2020-10-01
  16. Pullaguram, D., Madani, R., Altun, T., & Davoudi, A. (2022). Optimal Power Flow in AC/DC Microgrids With Enhanced Interlinking Converter Modeling. IEEE Journal of Emerging and Selected Topics in Industrial Electronics, 3(3), 527–537. https://doi.org/10.1109/jestıe.2022.3145747
  17. Sayed, A. R., Wang, C., Anis, H. I., & Bi, T. (2023). Feasibility Constrained Online Calculation for Real-Time Optimal Power Flow: A Convex Constrained Deep Reinforcement Learning Approach. IEEE Transactions on Power Systems, 38(6), 5215–5227. https://doi.org/10.1109/tpwrs.2022.3220799
  18. Silver, E. A. (2004). An overview of heuristic solution methods. Journal of the Operational Research Society, 55(9), 936–956. https://doi.org/10.1057/palgrave.jors.2601758
  19. T.C. Cumhurbaşkanlığı. (2023). On İkinci Kalkınma Planı (2024-2028) [Resmî plan]. https://www.resmigazete.gov.tr/eskiler/2023/11/20231101m1-1-1.pdf
  20. T.C. Enerji ve Tabii Kaynaklar Bakanlığı. (2022). Türkiye Ulusal Enerji Planı (2020-2035) [Rapor]. https://enerji.gov.tr//Media/Dizin/EIGM/tr/Raporlar/TUEP/T%C3%BCrkiye_Ulusal_Enerji_Plan%C4%B1.pdf
  21. T.C. Enerji ve Tabii Kaynaklar Bakanlığı. (2024). Enerji Bilgi Merkezi – Elektrik. https://enerji.gov.tr/bilgi-merkezi-enerji-elektrik
  22. Türkiye Cumhuriyeti. (2021). Paris Anlaşması (Birleşmiş Milletler İklim Değişikliği Çerçeve Sözleşmesi Taraflar Konferansı 21. Oturumu, Paris, 2015) [Milletlerarası andlaşma]. In T.C. Cumhurbaşkanlığı.
  23. Türkiye Elektrik İletim A.Ş. (2024). Türkiye Elektrik Üretim-İletim İstatistikleri. https://www.teias.gov.tr/turkiye-elektrik-uretim-iletim-istatistikleri
  24. William. F. Tinney, C. E. H. (1967). Power Flow Solution by Newton’s Method. IEEE Transactions on Power Apparatus and Systems, PAS-86(11), 1449–1460. https://doi.org/10.1109/tpas.1967.291823
  25. Woo, J. H., Wu, L., Park, J. B., & Roh, J. H. (2020). Real-Time Optimal Power Flow Using Twin Delayed Deep Deterministic Policy Gradient Algorithm. IEEE Access, 8, 213611–213618. https://doi.org/10.1109/access.2020.3041007
  26. Yang, L., Xu, Y., Sun, H., & Wu, W. (2022). Tractable Convex Approximations for Distributionally Robust Joint Chance-Constrained Optimal Power Flow Under Uncertainty. IEEE Transactions on Power Systems, 37(3), 1927–1941. https://doi.org/10.1109/tpwrs.2021.3115521
  27. Zimmerman, R. D., Murillo-Sanchez, C. E., & Thomas, R. J. (2011). MATPOWER: Steady-State Operations, Planning, and Analysis Tools for Power Systems Research and Education. IEEE Transactions on Power Systems, 26(1), 12–19. https://doi.org/10.1109/tpwrs.2010.2051168