Indonesian J ournal of Ele c trical Engin eering and  Computer Sci e nce   Vol. 1, No. 3,  March 20 16, pp. 480 ~ 4 8 9   DOI: 10.115 9 1 /ijeecs.v1.i3.pp48 0-4 8 9        480     Re cei v ed O c t ober 1 7 , 201 5; Revi se d Febru a ry 18, 2 016; Accepte d  February 2 7 , 2016   A Comprehensive Study on Specifying an Intelligent  Approa ch to Solve Network Reconfiguration Problem      Mahmoud Reza Sha kara m i*, Sina Khajeh Ahmad  Attari, Farha d  Namdari   Dep a rtment of Electrical E ngi neer ing, L o rest an Un iversit y ,   Dan e shg ah Str eet, 712 34-9 8 6 53, Khorram a b ad, Loresta n, Iran   e-mail: sh akar ami.mr@lu.ac.i r        A b st r a ct   T h is pa per pr e s ents an  ap pro a ch b a se d on  bio geo gra phy- base d  o p ti mi z a tion (BBO) al g o rith m t o   solve th e distri butio n netw o rk  reconf ig urati o n (DNR) pr obl em for  mi ni mi zi ng activ e  pow er loss. Also it  is   de mo nstrated t hat w i th cons id erin g  the  natur e of reco nfig ur ation pro b le m, amon g  the inte llig ent  a l g o rith ms,   BBO appro a ch  could res u lt the best  p e rfor ma nce. One o f  the remark a b le a d va ntage s of this study is   compari ng s e ven d i fferent  intell ig ent a l g o rith ms  i n  so lving  netw o rk  reconfi gur ati on pr obl e m .  T h is  comparis on,  n o t only  inc l u d e s  final  fitness  i n  opti m i z a t i on process, but  a l so  cons id ers n u mber  of functi on   eval uatio n (NF E ). T he effecti v eness  of the  BBO me tho d  has  be en tes t ed o n  tw o dif f erent d i stributi o n   systems a nd the obta i n ed si mu lati on resu lts are compar e d  w i th Genetic algor ith m  (GA), Particle sw ar m  opti m i z at ion (P SO), Artificial bee c o lo ny (A BC), Grav itatio nal s earch  alg o rith m (GSA), T e chnic a l l ear nin g   base d   opti m i z a t ion (T LBO)  an d C u ckoo  a l go rithm (CA) . T h e co mparis on  r e sults s how  th at BBO a ppro a c h   can be a n  effici ent and  pro m is ing  meth od for  solvin g DN R pr obl e m s.    Ke y w ords : Di stributio n n e tw ork reco nfig uration, P o w e r  l o ss, Biog eo gr aphy-B ase d  Optimi z a ti on (B BO),  Nu mb er of function eva l u a tio n         1. Introduc tion  Due to op erating at low volt age, dist ributi on  syste m  co ntribute s  a la rge amo unt of power  losse s . Also  by increa sin g  the total n e twork  l oad,  the requi red  cu rre nt will  increa se. Su ch   scena rio  will cau s e  som e  voltage profile red u ctio n  a nd po we r system losse s  [1, 2]. Consid ering   the above m entione d pro b lems, impl e m enting radi al  distri bution  system re co nfiguratio n, is one  of the effective and efficien t technique s to dist rib u tion netwo rk lo sses re du ction,  voltage profile   improvem ent, load  co nge st ion ma nag em ent an d  syst e m  reli ability e nhan cem ent.  The el ect r ica l   energy is deli v ered  directly  from th e int e rmedi at e tran sform e r sub s tations to  con s ume r s th rou gh  the distri butio n netwo rks  whi c h a r e  al ways o p e r ate  with radi al structu r e s . Op erating i n  ra dial  config uratio n redu ce s  th e sho r t-circuit current  si gnificantly. The re storatio n of t he net wo rk f r o m   faults i s  p e rfo r med  thro ugh  the  cutting/cl osin g ma ni pu lations of el e c tri c al  swit ch  pairs lo cate d  on   the loops, consequ ently. Therefo r e, there are m any switche s  on the distribution  syst em.  Distri bution  netwo rk  reconfigur ation  (DNR) i s  th e p r o c e s s  of alteri ng t he top o logi cal  arrang ement  of distributio n  feeder s by changi ng the  status  (op en/ clo s ed ) of se ctionali z ing  a n d   tie switche s  with taking  consi deration  on syst em  constraints u p on sati sfying the distributi o n   netwo rk o perators’  (DNO s) obje c tives. Many studie s  have been i n vestigate d  to solve network  reconfigu r atio n problem s  usin g differe nt tec hni que s for th e la st two  de ca des. Exten s i v e   resea r ch  works have  bee n explo r ed  in  the a r ea  of  reco nfiguratio n of radi al  di stributio n  system  (RDS).  Referenc e [3] firs tly reported a method  f o r di stri butio n sy stem  re config uratio n  to   minimize line  losse s. The  structu r e of the me thod  wa s based o n  formulated  the problem  as  integer mixe d non-li nea r  optimizatio n probl em an d   solving it by a discrete b r an ch -an d -b o und  techni que.  Referen c e  [4]  pre s ente d   a  new he uri s tic app ro ach  of  bran ch  ex cha nge to  redu ce the   power lo sse s  of distrib u tion sy stems  based up on  the dire ction  of the bran ch p o we r flo w s.   Referen c e  [5 ] develop ed   a b r an ch  exchang e m e tho d  in  which  lo ss redu ction   is a c hi eved   b y   excha nge o p e ration th at correspon ds t o  the sele ctio n of a pair of  swit che s , one  for openi ng  and   the other for closi ng, so  that the resu lting  network has lower li ne losses while rem a ining  con n e c ted  a nd radial.  Re feren c e [6]  i n trodu ce d g e netic  algo rith m (GA )  fo r reco nfiguratio n of  RDS with  co nsid erin g loss minimizatio n . A  method based on a shuffled frog l eapin g  algorit hm  (SFLA) h a s b een stu d ied t o  minimize the co st of  power lo ss a nd p o we r of dist ri buted ge ne ra tors  [7]. A discrete artificial  be e col ony (DA B C) h a s  pro p o se d to optim ize the  distri b u tion net work [8].  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752    IJEECS  Vol.  1, No. 3, March 20 16 :  480 – 489   481   A method b a s ed  on h a rm onic  se arch  algorith m  (H SA) wa s inv e stigate d  for  DNR p r obl e m  to  minimize po wer l o ss [9]. A new meth o d  based  on  a dapted a n t colony optimization (AACO) is   prop osed for  minimization  of real p o wer loss re co nfig uration [1 0]. The p r op ose d  algo rithms  and   method s for  netwo rk  re co nfiguratio n problem, ge nerally, can be  cla ssifie d  int o  two follo wi ng   main cla s se s:     Heu r isti c alg o rithm s  [3-5] ,  such a s  d i screte b r a n ch-and -b oun d tech niqu e  and  swit ch  excha nge al g o rithm.     Intelligent alg o rithm s  [6–10 ], such a s  GA , SFLA, DABC, HSA, AACO.  Among the s e  algorithm s,  heuri s tic  algo rithms a r e all  gree dy sea r ch alg o rithm s . These   method s a r e  easy to  be  impleme n te d and  appli e d on the  problem s  with high  sea r ch ing  efficien cy, but generally cannot  converge to the gl obal optimu m  solutio n  in  the large - scale  distrib u tion n e tworks. Intelligent gro up  algorith m s  ca n dire ct sea r chin g pro c e s s to the glob al  optimum at the pro bability  of one hund red pe rcent  in theory. But they all inevitably involve a   large n u mb er of computati on req u ireme n ts  and  really  have variou s control p a ra meters.  In  this  pap er an  a p p r oa ch  based on bio geog rap h y-b a se d  o p timization (BBO) algorith m   is p r op osed  to solve  the  distrib u tion  n e twork  re co n f iguration  (DNR) p r o b lem  for mi nimizi ng  active po we r losses. Th e  significant a d vantage  of  this study i s  comp arin g seven diffe re n t   heuri s tic al g o rithm s  in solving netwo rk re co nf igu r ation pro b le m. This com pari s on, not only  inclu d e s  final  fitness in  op timization  pro c e ss,  but al so con s ide r s n u mbe r  of fun c tion  evaluati on  (NFE ). The  effectivene ss  of the BBO app roa c h h a s  be en carried  ou t on two diffe rent distri butio n  netwo rks an d the obtain ed simul a tio n  results  are  compa r ed  with Geneti c  algorithm (GA),  Particle  swa r m optimizatio n (PSO ), Artificial be e col ony  (ABC), Gravitational  sea r ch  al gorit hm  (GSA), Te ch nical l earnin g  ba sed  op timization  (T LBO) a nd  Cu ckoo al go rithm (CA).  By  comp ari ng th e si mulation  result s, it is d e mon s tr ate d   that BBO ap p r oa ch  ca n  be  an  efficient  a nd  promi s in g method for sol v ing DNR problem s in  compa r ison with the six other mentio n ed  intelligent alg o rithm s .  The re st of the pape r is formed as f o llow:  Sectio n 2 depict s probl em formulation.  Mean while,  Section  3  re pre s ent s th e  propo se d  bi ogeo gra phy-based  optimi z ation  (BBO ) for  solving  net work reconfigu r ation  proble m . The   sim u lation results  are sho w n  and discri be d  in  se ction 4 an d  finally concl u si on  are dra w n in sectio n 5.      2.   Formulati on of the Pr oblem    2.1.   Po w e r Fl o w  M e th od   Duri ng net wo rk reconfigu r ation, the po wer fl o w  anal ysis shoul d b e  perfo rmed.  For ea ch  prop osed  co nfiguratio n, the po we r flo w  an alys i s  should b e  imp l emented to  evaluate the  nodal   voltage, po wer lo ss of  sy stem a nd  cu rrent of  ea ch  bran ch. In  thi s   se ction, forward/ba ckwa rd  sweep te chni que ha s b e e n  sele cted i n  this study  d ue to seve ral  advantage s  e.g. Needi ng  low  memory, high computational performance, simple  st ructure, high conv ergence capability [11].    2.2. Po w e r Fl o w  F o rmulation  In this study, the obje c tive function i s  de sc ribe d for re al power lo sses minimi zati on:    L O b je c t i v e F u n c tio n m in P     Whi c h the ex act real p o we r losse s  are o b tained by th e followin g  eq uation:     bb NN Li j i j i j i j i j j i 11 P[ a ( P P Q Q ) b ( Q P Q P ) ]   (1)     Whe r e     ij ij i j ij R ac o s ( ) VV     and    ij ij i j ij X b sin( ) VV    Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     A Com p rehe nsi v e Study o n  Specifyi ng  an Intelligent  Appro a ch to Solve …   (Ma h m oud RS)  482 ij ij i j Z R   j X   are the comp onent s of impedan ce mat r i x  and Nb is th e numbe r of buses [12].     2.3. Po w e r Fl o w   Con s tr aints   The co nst r ain t s of objective  function are as follo ws:     The limitation  of voltage    mi n i ma x VV V    (2)     Whe r e V min  a nd V max  indicate the mi ni mum a nd m a ximum pe rmi ssi ble volta g e (±5%) an d  V i  is   the voltage at bus i.      Feede r capa bility limits:    im a x b r 0 I I ; i 1 , 2 , ..., N    (3)     Whe r e N br  is  numbe r of di stributio n sy stem bra n che s .  The radial nature of  dist ribution network  must be mai n tained an d al so all loa d s m u st be served .    2.4. Procedu r es   In this se ction  a four  step s algorith m  is p r es ented fo r checkin g  the r adial topol og y of trial   solutio n s. Th e method ste p s are as foll ows:  Step 1: Initialize a conn ect ed matrix of the loop  di stri bution net work A(a,a )  with  a is the num b e r   of buse s  of the distrib u tion  netwo rk. Ea ch  entry in matrix A is define d  as bel ow:   A(i,j)=1, A(j,i)=1, if node i is co nne cted t o  node j.   A(i,j)=0, A(j,i)=0, if node i n o t conn ecte d to node j.  Initialize a set  of power b u ses B=[bu s 1  , bus 2  ,…, bus k ], with k is the numbe r of buse s  in   the distrib u tio n  netwo rk.   Step 2: Rea d  the t r ial  so lution  whi c h i s  a  set of tie - switch es tha t  need  to  ch eck a nd m o d i fy  A(i,j)=0, A(j,i)=0 if the swit ch on the br a n c h from n ode  I to node j is a tie-switch.   Step 3: Evaluate all load s as bel ow:   If node n   B  and A(m,n)  = 1, with  m = 1, 2, …, le n g th(B)   and   n = m + 1, m + 2, …, b then  the  node n i s  mo ved to B, B = B + [node n] and A(m,n ) =0 , A(n,m)=0.    Step 4: If matrix A is a zero matrix and array  B is equal to the number of bu se s, then the trial  solutio n  ca n be co nsi dere d  as a  radial netwo rk confi guratio n.      3.   Bioge ogra p h y  Theor y     3.1. Based T h eor y   Biogeog rap h y  Based Opti mization  (BBO) app ro ach  is based on  biogeo gra p h y  theory  [13]. In the scien c e  of bio geog rap h y, a habitat is   an  ecol ogi cal a r ea that is liv ed by pa rticu l ar  plant o r   ani mal  spe c ie s and  ge og ra phi-cally i s ol ated from ot her habitat s .  Each h abit a t is   orga nized  by Habitat Suit ability Index  (HSI).  G eog raphi cal a r ea s, which  are  well  suite d   as  resi den ce s fo r biologi cal  speci e s a r e sa id to hav e a high HSI. Fe ature s  that correlate with  HIS  inclu de rainfa ll, diversity of vegetation,  divers ity of t opog rap h ic f eature s , lan d  area, tem p e r a-  ture, etc. If each  of the feature s  is  assi gned a val ue,  HSI is a fun c tion of the s e  values. Ea ch  of  these fe ature s  that characterize   habita b ility is kno w n  as Suitability  Index Variab les (SIV). SI Vs  are the i ndep ende nt varia b les  while  HSI are the de pend ent vari able s . Habita ts with hig h   HSI  have the l a rg e pop ulation  and h a ve hig h  emig ration   rate  μ ,  simply  by virtue of a  larg e nu mbe r  of   spe c ie s that  migrate to  ot her  habitat s . The immi grati on rate  λ  is l o w for t hose h abitats  whi c h  are   alrea d y satu rated with  sp e c ie s. On the  other h and, h abitats  with lo w HSI h a ve h i gh immig r ati on  rate  λ , low emigration rat e   μ  due to sparse p opula t ion. The val ue of HIS, for low  HSI ha bitat,  may increa se with the i n flux of spe c i e s from othe r ha bitats a s  suitability of  a habitat i s  the   function of its biological diversity. Ho wev e r, if  HSI does not increa se and re main s low, spe c ie s in  that habitat go extinct and  this leads to  additional im migratio n. For the sa ke of simplicity, it  is  safe to a s su me a line a r  relation ship b e twee n habit a ts HIS, its i mmigratio n a nd emig ration  rate.  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752    IJEECS  Vol.  1, No. 3, March 20 16 :  480 – 489   483   These rates  are  sam e  for all the habit a ts an d dep end up on th e numb e r of  spe c ie s in t he  habitats.     Figure  1 d e p i cts th e relati onship s  bet ween fitne s s of  habitat s  (sp e c ie s), e m igration rate   μ  and immig r ation rate  λ .  E is the po ssi ble maxim u m value of  emigration ra te and S is t h e   numbe r  of  speci e s in  the  habitat,  whi c h  rel a tes to  fitness. S max  is the  maxi mum number of  spe c ie s that can be supp ort ed by the hab itat. S 0  is the equilibrium value.            Figure 1. Specie s model of  a single h abi tat      3.2. Propose d  Method S t eps   This  study p r opo sed  an a ppro a ch ba sed on BBO   algorith m  whi c h i s  inve stig ated to   determi ne the  netwo rk  re co nfiguratio n ap plied to  re du ce power lo sses of  the di stribution sy ste m .  The propo se d algorith m  st eps a r e pe rfo r med a s  follo w:    Step 1: Ente r the  bran ch  and l oad  dat a an d al so  o pen  switch es of  the syste m   (n etwo rk  reconfigu r atio n initial data)  and initial dat a of powe r  flow.   Step  2:   Initiali ze po pulatio n  size  rand oml y  and spe c ie s count p r oba b ility of each habitat.    Step 3: Evaluate the fitness for ea ch ind i vidual in pop ulation si ze.     Step 4: While  The terminati on crite r io n is not met do.    Step 5: Save  the best ha bitats in a temp ora r y array.    Step 6: For e a ch h abitat, map the HSI to numbe r of speci e s S,  λ  an d   μ .    Step 7: Probabilistically choose the immi gr ation i s land based on the immigration  rate  μ .    Step 8: Migra t e rando mly selecte d  SIVs  based on the  sele cted i s lan d  in Step 7.    Step 9: Mutate the worst h a lf of  the population a s  permutation algo rithm.    Step 10: Evaluate the fitness fo r ea ch in dividual in po pulation  size.    Step 11: Sort the popul atio n from be st to worst.    Step 12: Repl ace  worst wit h  best  ha bitat from temporary array.    Step 13: Go to step 3 for th e next iteration.    Step 14: end  while   The followi ng BBO param eters have been us ed, population  size  = 15 for IEEE-33 bus  test  sy stem and populati on size =  40  for  IEEE- 69 bus test  system, Habit a t Modifi cati on   Probability = 1, per gene i mmigrat ion Probability bounds  = [0, 1],  elitism param e ter = 4, step  size rel a ted to numerical integrat ion of probabilitie s = 1, maximum  λ  and  μ  ra te s  fo r  ea ch  isla nd  = 1 and Prob ability of mutation = 0.05.   To demo n strate the performance and e ffectiven ess  of the propo s ed BBO method, it is  applied to two s t andard I EEE 33,  69  bus tes t   s y s t ems .  The obtained  res u lt s of BBO met h od  impleme n tation are  com p ared  with so me of well-kn own intelli ge nt algorithm s includi ng Ge netic  algorithm  (GA), PSO, ABC, GSA,  T L BO an d  Cu cko o  alg o rithm  (CA). All th e  seven  me ntio ned   algorith m s  are implem ente d  on di st rib u t i on sy st ems.   S i mulat i on s  were devel op ed by MATL AB  R20 15a in 2  GHz, i3, personal compute r .  Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     A Com p rehe nsi v e Study o n  Specifyi ng  an Intelligent  Appro a ch to Solve …   (Ma h m oud RS)  484 4.   Simulation Resul t s an d Discus s io n    4.1. IEEE-33 Bus Test S y stem   The IEEE 33-bus di stributi on  system, includes 37  branches, 32 secti onali z ing switches  and  5 tie  switche s . T he li n e  an d lo ad  d a ta of thi s   sy stem  are  p r e s ente d  in  [14] . The  diag ra m of  this net work i s  sho w n in Fi gure  2. The t o tal active an d rea c tive po wer  of load s  in this net wo rk  are 3.7 15M W and 2.3 MVA r , re spe c tivel y , also re al  a nd re active p o we r lo sses f o r the initial  case   evaluated f r o m  load  flow  a r e 2 10.67 9  kW a nd 1 43.1 4  kVAr,  re spe c tively. The  si mulation  re su lts   of network  reconfigurat ion for the 33-bus  system obtaine d by  seven different  intelligent  algorith m s  wi th popul ation  size=15 a n d  100 ite r ati ons, a r e  sho w n in T able  1. It should  be  notice d  that, this  work e m p hasi z e s  o n  selectin g be st  method fo r solving net work reco nfigu r at ion  probl em an d the comp ari s on between  method s is  b a se d on both  minimum nu mber of fun c tion   evaluation s   a nd final  fitness, the r efore t he le as t  po ssible valu e of   popul ation  si ze th at  coul d  be   conve r ge d to the final answer i s  ch osen. Figure  3, 4 sho w  the  comp ari s on  of final fitness  conve r ge nce  of BBO ap p r oa ch  with  si x other  di fferent metho d s.  The  optimal  config uratio n o f   IEEE-33 bus  system  is  7–9–14–32–37 whi c h  i s  onl y obtained by  proposed BB O approach  and  Cu ckoo al go rithm (CA)  with 15 po pul ations. Also  the minimum  power lo ss is obtai ned  by  perfo rming B B O and cuckoo method s.       12 34 56 7 8 9 10 1 1 12 1 3 14 1 5 16 1 7 18 26 2 7 28 3 0 29 3 1 32 3 3 23 2 4 25 19 20 21 22     Figure 2. Single line diag ram of  33-b u s  dist rib u t i on t e st  sy st em       Figure 5 illust rates the  compari s on bet ween  the number  of funct i on evaluations  (NFE s)  of seven diffe rent alg o rith ms. The s e  NFEs are  obtai ned fro m  100  iteration s  for solving n e twork  reconfiguration problem f o r IEEE-33  Bus   and  150 iterations f o r I EEE-69 Bus  dis t ribution   system s. As  sho w n i n  Fig u re  5, the nu mber  of  funct i on evalu a tio n  for  CA is m u ch  gre a ter t han   BBO and th e other i n tell igent metho d s , therefo r e  i t  can b e  co nclu ded th at for this  spe c ific  probl em i.e. DNR, BBO appro a ch is be tter  than the other six intell igent method s.      Table 1. 33 -Bus System Result s on the  Different Met hod s  Metho d   Ope n  s w itches  Ploss (kW )   Initial 33,34,35,36, 37   210.84   BBO 7,9,14,32,37   139.55   Cuckoo 7,9,14,32,37   139.55   TLBO 8,9,28,32,33   147.91   PSO 7,11,14,28,3 6   143.15   GA  9,33,34,35,3 6   151.76   GSA  7,11,28,34,3 6   144.28   ABC 7,11,12,28,3 2   150.29   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752    IJEECS  Vol.  1, No. 3, March 20 16 :  480 – 489   485       Figure 3. Co mpari s o n  of 33-bu s sy stem  indice s for B B O, GA, PSO , ABC and TL BO in powe r   loss          Figure 4. Co mpari s o n  of 33-no de sy ste m  indi ce s for  BBO, GSA a nd Cu ckoo in  power lo ss      The po wer lo ss of the opti m um config u r ation  in co m pari s on  with power lo ss o f  initia l  config uratio n  is red u ced  from 210.6 79 kW  to 1 39.55 kW. Another  adva n tage of DNR is  improvin g voltage profile.  Figure 6 re p r esents th e voltage profil e of t he distribution  syste m   before a nd af ter netwo rk re config uratio n.    Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     A Com p rehe nsi v e Study o n  Specifyi ng  an Intelligent  Appro a ch to Solve …   (Ma h m oud RS)  486   Figure 5. Co mpari s o n  of numbe r of func tion evaluatio n (NFE ) for solving network   reconfigu r atio n probl em bet wee n  PSO, Cuckoo, GA, TLBO, ABC, GSA and BBO method s for  IEEE-33, 69 s y s t ems          Figure 6.   Voltage profile for the 33-Bu s syste m before and after reconfiguration       It should be n o ted that gre a ter NFE ca u s e more time consumin g and slo w  perfo rman ce   during optimiz ation proc es s .  For example c pu time c o ns umed during IEEE-33 bus   net work   reconfigu r atio n, was 6.0 5 s  fo r BBO approach and 1 7 .12s for  CA.    4.2. IEEE-69 Bus Test S y stem   The 69 -Bu s   distrib u tion  system, inclu d e s 6 9  no de s and 7 3  bra n ch es. Th ere  are 68   se ctionali z ing  switch es a n d  5 tie switches  an d the total loads are 3.802M W and 3.696 M VAr  [15]. The  dia g ram  of the  system i s  d epi cted i n   Fi gure 7. T he  ope n switche s  a r e 69,  70, 7 1 ,  72,  73. After performin g the propo sed reco nfigurat io n b a se d on BBO, switche s  20, 58, 61, 69, 7 1   are op ene d a nd the netwo rk lo sses a r e  redu ce d from  224.95 kW to 115.88  kW.  These n e two r k  config uratio n  and  po wer l o ss redu ction  are  only  o b tained  by u s i ng cucko o  a ppro a ch b u t with  greate r  NFE. The simul a tion re sults  of netwo rk  re co nfiguratio n for the  69-bu s system o b tai ned   by seven different intellig e n t algorithm s  with pop ulatio n size=40 an d 150 iteratio ns, are  sho w n in   Table 2.   1500 9537 1715 4515 1489 1500 1515 4040 24532 4440 12040 4097 4000 4040 0 5000 10000 15000 20000 25000 30000 NFE IEEE-33 Bus IEEE-69 Bus Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752    IJEECS  Vol.  1, No. 3, March 20 16 :  480 – 489   487       Figure 7. Single line diag ram of  69-b u s  dist rib u t i on t e st  sy st em       Figure 8, 9  show th e com pari s on  between final  fitne ss  co nverg e n c e s  of BBO a ppro a ch  with six othe r different met hod s. The op timal c onfig uration of IEEE-69  b u s  syste m  only obtain ed  by pro p o s ed   BBO app roa c h an d Cucko o  algo rithm  (CA). But a s   shown in  Figu re 5, the  num ber  of functio n  ev aluation fo r  CA is mu ch  g r eater  th an B B O metho d  t herefo r e  it ca n be  co ncl u d e d   that for thi s   spe c ific probl em (DNR),  BBO  app roa c h i s   better  than the  oth e r  six intellig ent  method s.      Table 2. 69 -Bus System Result s on the  Different Met hod s  Metho d  Ope n   s w itches  P loss  (kW )   Initial 69,70,71,72, 73   224.95   BBO 20,58,61,69, 71   115.88   Cuckoo 20,58,61,69, 71   115.88   TLBO 20,45,58,64, 69   127.23   PSO 20,42,45,57, 64   128.89   GA  13,26,42,57, 71   133.69   GSA  14,22,57,69, 71   135.01   ABC 20,22,42,45, 57   138.54       Evaluation Warning : The document was created with Spire.PDF for Python.
IJEECS   ISSN:  2502-4 752     A Com p rehe nsi v e Study o n  Specifyi ng  an Intelligent  Appro a ch to Solve …   (Ma h m oud RS)  488     Figure 8. Co mpari s o n  of 69-bu s sy stem  indice s for B B O, GA, PSO , ABC and TL BO in powe r   loss          Figure 9. Co mpari s o n  of 69-Bu s syste m   indice s for B B O and Cu ckoo in po wer l o ss          Figure 10. Voltage profile f o r the 69 -Bus  system befo r e and after re config uratio n   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 25 02-4 752    IJEECS  Vol.  1, No. 3, March 20 16 :  480 – 489   489   Figure 10 shows  the voltage pr ofile  of the IEEE-69  bus   dis t ribution s y s t em before  and  after netwo rk reconfigu r atio n. As it can b e  see n   in Fig u re s 6, 10 net work reconfig uration n o t on ly  improve s  volt age  profile,  b u t also  red u ces th e d e viation of volta g e s . Th ese affe cts i n cre a se t he  distrib u tion sy stem po we r q uality.      5.  C o nc lu s i on   This pa pe r p r opo se s an a ppro a ch ba sed on bio geo grap hy-b ased  optimization  (BBO)  algorith m  to solve the di stribution net work  re c onfig u r ation (DNR) proble m  for redu cin g  acti ve   power l o sse s .  Voltage  profile imp r oveme n t after n e two r k  re co nfigura t ion is al so ill ustrate d  in  thi s   study. The m a in advanta g e  of this  stud y is com p a r in g seve n different intelligen ce al gorith m s in  solving network re co nfigu r ation  p r o b le m.  This co m pari s on i n cl u des fin a l fitne ss i n  optimi z ation   pro c e ss and numbe r  of  fu nction evalua tion  (NFE).  T he effectiven ess of the BB O app roa c h  has  been  teste d   on two diffe rent di stributi on n e tw o r ks and  the  obt ained  sim u la tion re sult s  are  comp ared wit h  Geneti c  al gorithm  (GA), PSO,  ABC, GSA, TLBO and Cucko o  algorithm  (CA).  Comp ari ng th e simulatio n  result s verifies that BBO approa ch  can b e  an efficient  and promi s in g   method fo r  solving  DNR pro b lem s  in  com pari s o n  with the  si x other m e n t ioned intelli gent  algorith m s.       Referen ces   [1]    Dah a la n WM, Mokhlis  H, Ah mad R, B a kar  AA, Mu sirin  I. Simulta neo us  Net w ork  Reco nfigur ation  a n d   DG Sizing Us ing Evo l uti ona r y  Pro g rammi ng an d Gen e tic Algor ithm to Minimiz e  P o w e r L o sses .  Arabi an Jo urna l for Science a nd Eng i n eeri n g . 2014; 39( 8): 6327- 38.   [2]    Rao GS, Obules h YP. Voltage Profi l e Improv em ent of Distributi o n  S y stem usi n g Distrib ute d   Generati n g  Un its.  Internatio n a l J ourn a l  of E l ectrical  a nd  C o mputer  En gin eeri ng (IJECE) . 201 3; 3( 3):   337.   [3]    Merlin A, Back  H.  Search for a mi ni mal-l o ss oper ating s pan ni n g  tree confi gurati on i n  an  urba n pow e r   distribution sys tem . InProc. 5th Po w e r S y stem Computatio n Conf., Cambridge, UK. 1975:  1-18.   [4]    Martín JA, Gil AJ. A ne w  h e u ristic a ppro a c h  for distri buti on s y stems l o ss reducti on.  Electric Power  System s Res e arch . 200 8; 78( 11): 195 3-8.    [5]    Civan lar S, Grain ger JJ, Yin  H, Lee SS. D i s tr ibutio n fee d e r reco nfigur ati on for l o ss red u ction.  IEEE   Trans. Pow e r Deliv ery . 198 8; 3(3).   [6]    Nara K, S h ios e  A, Kitaga w a  M, Ishihar a  T .  Implementa t ion of  ge netic  alg o rithm for  distrib u tio n   s y stems loss  minimum re-c o n figur ation.  IE EE T r ansactio n s on Pow e r Systems . 19 92; 7(3): 104 4-5 1 .   [7]    Arand ian B, H ooshm and  RA, Gholip our E.  Decre a sin g  act i vit y  c o st of a distrib u tion s y s t em compa n y  b y  r e confi gur ation a nd p o w e r  gener atio n co ntrol of  DGs b a sed o n  sh uffled frog l eap in g alg o rithm.   Internatio na l Journ a l of Electr ical Pow e r & Energy Syste m s . 2014; 61: 48- 55.   [8]    Aman MM, J a smon GB,  Bakar AH, M o khlis  H. Optimum n e t w ork  reconfi gur atio n bas ed  on   maximizati on  of s y stem lo a dab ilit y  usi ng  contin uati on p o w e r flo w  t h e o rem. Internati ona l jo urna l of   electric al po w e r & energ y  s y stems. 2014; 5 4 : 123-3 3 .   [9]    Rao RS, Ravindra K,  Satish K ,  Narasimh am  SV. Po w e r los s  minimiz a tion  in distri buti on s y stem us in g   net w o rk r e co n f igurati on  in t he pr es e n ce of  distrib u ted gen eratio n.  IEEE Transactions on Power   System s . 20 13 ; 28(1): 317-2 5 .   [10]    Rao RS, R a vi n d ra K, Satish K ,  Narasimh am  SV.  Po w e r los s  minimiz a tion  in distri buti on s y stem us in g   net w o rk r e co n f igurati on  in t he pr es e n ce of  distrib u ted gen eratio n.  IEEE Transactions on Power   System s . 20 13 ; 28(1): 317-2 5 .   [11]    Seda gh at M, Rokrok E, Ba k h s h ip our M. A N o vel Meth od B a sed o n  Bi oge o g rap h y -Base d   Optimizatio n   for DG Pla nni n g  in  Distrib utio n S y stem.  T E L K OMNIKA Indones ian  Jour n a l  of El ectrica l   Engi neer in g.   201 5; 15(1): 1- 3.   [12]   Kothari  DP . Power system  optim i z a t i on . In Computati o n a l Intelli ge nce a n d  Signa l Proces sing (CISP ) .   201 2: 18-2 1 .   [13]    Simon D. Bio g eogr aph y- bas e d  optimiz ation.   IEEE Transactions on Evolut ionary Com p utation . 20 08;   12(6): 70 2-1 3 .   [14]    Baran ME, W u  F F .  Net w o r k reconfi gur ati on  i n  d i stributi on s y stems fo r loss re ducti on a nd  lo ad   bal anci ng.  IEEE Transactions  on Power Delivery . 1989; 4( 2 ) : 1401-7.    [15]    Chia ng H D , Jean-J u mea u  R .  Optimal net w o rk rec onfi gur ations i n  distri butio n s y stem s. II. Solution   alg o rithms an d  numeric al res u lts.  IEEE Transactions on Power Delivery . 1 990; 5(3): 1 568 -74.     Evaluation Warning : The document was created with Spire.PDF for Python.