Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   1 ,  Jan uar y   201 9 ,   pp.  361 ~ 367   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 1 .pp 361 - 367          361       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   A modifi ed bact erial fo ra ging al gorithm b ased opti mal re active  power di spatch       P.   Lo kender   Reddy,  G.   Yes uratnam   Depa rtment  o f  E le c tri c al E ngin eering,   Univ ersity   col l ege   of   Eng in ee ring ,   Os m ani a   Univer sit y ,   H y d era bad ,   Ind ia        Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A pr   22 , 201 8   Re vised  N ov   2 0,   2018   Accepte d  Nov   2 7 , 201 8       Thi s  article  d esc ribe s  an  appr o ac h  for  op ti m al  react iv e  powe r  dispat c h   proble m   using  a  Modifie d  Bacte ria l  Foraging  Al gorit hm .   Modifi ed  bac t erial   fora ging  al gori th m   int roduc es  a  d iffe ren ti a l  evol ut ion  oper at or   in  c hemotaxi s   to  over come  tu m ble   failure   in  t um ble   step  a nd  ac c el e rates  the  c onver gence   spee d  of  the  ori gina l   oper a tor.  I n  the  new  al gor it hm   cha o ti c   d ynamics  are  used  to  gen erate   ini tial  popu la t io n  to  hav e  uni for m   distri buti on.   T he  proposed   new  al gorit hm   is  appl ie d  to  Optimal  rea c ti ve  po wer  dispat ch  pr oble m   with   two  obje c ti ve  fu nct ions;  m ini m izati on  of  r ea l   po wer  loss  and  vol ta ge  st abi l i t y   L - inde x .   The   ob je c ti ve  func ti ons   are   m ini m iz ed  b y   opti m all y   ch oosing  the   cont rol  var ia bl es   such  as  gene rator  exc itati ons ,   t ap  positi ons  of  on - loa d  ta p   cha nging  tra nsf orm ers  and  sw it ch ed  var   co m pensa tors.   Th e  proposed  appr oac h  has  be en  eva lu at ed  on   an  IEE E  30  bus  standa rd  te st  sy stem.  Th e  per form anc e  of   t he  proposed  a lg orit hm   is  compare d  with  oth er  e volut ion a r y   computat ion  al g orit hm s  in  the   lit era tur e  and  the   e ffe ctiven ess  of  t he  proposed   al gorit hm   is de m onstrat ed   Ke yw or d s :   Chaotic   dynam ic s     Chem otaxis  enh a nc e d  ba ct erial   forag i ng alg or i thm   Diff e re ntial   m utati on   OLTC   Op ti m al  reacti ve  pow er  disp at c h   Shun t ca pacit ors   Vo lt age  d e viati on s     Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .     Al l   rights re serv ed .   Corres pond in g  Aut h or :   P.L ok e nder Re dd y ,   Re search  schol ar, De par tm ent of Elect rical  E ng i neer i ng ,   Un i ver sit y coll ege  of Engine e rin g,   Osm ania Un i ver sit y ,   Hyde rab a d, I ndia .   ph:   +91 - 40 - 27098628   Em a il :  lok end e r.p@ uceou.e du ,   rat nam gy20 03@ gm ai l.co m       1.   INTROD U CTION     The  pr im ary  obj ect iv e  of   En erg y  c ontr ol  c entre   is   to  m ain ta in  t he  pow er  syst em   in  a  secu re  a nd   sta ble  sta te   by   co ntinuo us ly   m on it or ing  the   powe r  flo ws  i n  the   li nes  a nd  vo lt age   m agn it ud e s  at   the   bu s es.  Vo lt age  va riat ion s   are  du e  t o  the  i m balance   of   reacti ve  power   ge ner at e d  and   c ons um ed  by  the  no de.   The se  vo lt age  var ia ti on s  ca n  be  co r rected  by  co - or din at ed  c on t ro l   of   volt age/rea ct ive  power   co ntr ol  dev ic es  s uch   as   gen e rato r  excit at ion s,  on - loa d  ta p  changin g  trans form ers  a nd   s witc ha ble  sh unt  V AR  co m pen sat ing   de vices.   The  com plexity   of   powe r  sys tem   op erati o n  is  increasin g  da y  by  day  because   of   grow i ng   dem and   an d  w it ho ut   m at ching   gen e rati on   a nd  tra nsm issi on   facil it ie s  resu lt ing  transm issi on   as   well   as  ge nerat ion   op e rated   wit h  sm a ll er  safety   m arg ins.   U nde r  these   co ndit ion s ,  it   is  gr eat   chall enge  to   optim iz e  th e  po wer  syst em   and   e nsure   the sec ur it y.   Op ti m al   Re active  P ow e r  Dis patch  ( ORPD)   pro blem   is  a   non  li near  optim iz at ion   prob le m   with   m ul ti ple  obj ect ives  an d  c on st r ai nts.  This  pro blem   has  been   so lve d  by  a  nu m ber   of   co nve ntion al   op ti m izati on   te chn iq ues  s uc h  as  L in ear  program m ing   (L P) ,  Non  li nea r  pro gr am m ing   ( NLP),  Qu a drat ic   program m ing   et c .   are  re porte d  in   the  li te ratu re  [1 - 6].   H oweve r,   t hese  c onve ntion al   al gorithm s  hav e  s om e  lim it a ti on s  s uch  a s   diff e re ntiat ion  of  ob j ect ive  functi on  is  re qu i red   a nd  c urse  of   dim en tio nalit y.  T hese   lim i ta ti on s  c an  be  ov e rc om e  if  e vo l ution a ry  co m pu ta ti on   te chn iq ues  are  ada pted  beca us e  of  their  ap proac h  of   rand om  searc h  and   be gin   with   a  popula ti on   of   s olu ti ons  a nd  al so   no  di ff e ren ti al   inf or m at ion   is  re quire d.   T here  are  va rio us  evo l utio na ry  com pu ta ti on   te chn i qu e s  su c h  as  Partic le   Swa rm   op tim iz at i on   al go rithm ,  Gr a vitat ion al   s earch   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   361   –   367   362   al gorithm ,  Firefly   al go rithm ,  Diff e re ntial   evo luti on  al gorit hm ,  ant  colon y   al go rithm ,  BAT  al gorithm   et c.  are  repor te d  in  the   li te ratur e [ 7 - 11 ]  f or O R PD p r ob le m .     Ba ct erial   Fo ra ging  Algo rith m   (BFA )  is  one  of   the  popula ti on   ba sed  evo l ution a ry  com pu ta ti on   al gorithm s  wh ic h  is  pro posed   by  Passin o.   T his  al gorithm   i s  insp ir ed  by  f or a ging  strat e gy   of   E.c oli  bac te ria.   Th ough  ori gi na l  BFA  al go rithm   is  us ed  by  m any  exp e rts  i n  diff e ren t  fiel ds ,  it   has  s om e   dr a w backs  of   slow  conve rg e nce  s peed  an d  not  ta ken  into   acco un t  on  the   di ve rsity   of   popul at ion   wh ic h  ca n  easi ly   le ad  t o  th e   pr em at ur e  co nver ge nce  w he n  dim ension  increase s.  Yu a n  – ta o  Z ha ng  et   al .  [12 - 13 ]   pr op os e d  ad aptiv e   che m otaxis  ste p  set ti ng   an d  c hao ti c  pe rtu rb a ti on   in  each  c hem o  ta ct ic   to  i m pr ov e  the  ori gin al   BFA .  Fuqin g  Zha o  et   al .[   14 - 15]   pro posed  a  chm otaxis  enh a nce d  BF A  by  intr oducin g  diff e re ntial   m utati on   operato r  a nd   chao ti c  ope rator   in  c hem otaxis  ste p.   Na  Don g  et   a l.[16 ]   pr op os ed  c ha otic  PSO   al gorithm   by  intro duci ng   chaos  dynam ics  to  ge ner at e i ni ti al  p opulati on and c hao ti c  pe rturbati on i n  to  sw a rm  u pd at i on.    The  present  pa per  pro poses   a  Mo dified   Ba ct erial   Foragi ng  al go rithm   (MBFA)  w hich   util iz es  the   diff e re ntial   m ut at ion  operat or   to enhan ce t he t um ble step in  chem otaxis to  ov e rc om e tu m ble f ai lure  a nd  chaos   dynam ic s  to  gen erate  unif or m ly   distribu te d  i niti al   po pula ti on.  T he  pro pose d  al gorithm   is   app li ed  to  s olve   the   op ti m al   reacti ve  powe r  dis patch  with  t wo  ob j ect ives  m ini m iz at ion   of   real  powe r  los s  a nd  volt age  sta bili ty   L - ind e x.   T he  perform ance  of   t he   pro po se d  al gorithm   is  te sted   on  IEEE  30  bu s   sta ndar d  te st  syst e m   and   r esults  are  com par ed  with  oth e r  ev ol ution a ry  te chni qu es  a vaila ble  in  the  li te ratur e  on   this  pro bl e m .  T he  su pe ri or it y  of prop os e d  al gorithm  is d em on st rated.       2.   PROBLE M  F ORMUL ATI ON   The  pro po se d  al gorithm   is  a pp li ed   to  t wo  obj ect ive  f un ct ion s:  m ini m iz a ti on   of   real  power   l os s  a nd   vo lt age  stabil it y L - in dex.     2.1 .       Tr an smi ssion  l os s  obje ctive   (Plos s) :   The real   po wer l os s  of the  sys tem  can  be  calc ulate d  as  foll ows      = ∑ ( 2   = 1 − 2 − 2 cos ( − ) )      (1)     Wh e re     is  the   total   real  powe r   loss,       is  total   num ber   of  tra nsm issi on   li nes.       are  t he  vo lt a ge  m agn it ud e s  at   the  tw o  e nd s   of  the  K th   li ne .         are  the   volt ag e  an gles  at   the   two  en ds   of  the  K th   li ne .   Vo lt age   m agn it ud es  a nd  a ng l es  can  be  cal uc ulate d  f r om   t he  loa d  flo w  s olu ti on.    is  the   co nductance  of  the   K th   li ne.       2.2 .       Vo l tage  stabil ity  in dex ob jecti ve (Vs t ab il ity ):   Vo lt age  stabil it y L - in dex is c onside red as m easur e  to fin d v oltage sta bili ty.     L m ax =  m ax( L j )   (2)     L - in dex can  be  co m pu te d  a s     g 1 i j i ji j v v F 1 L     (3)     Wh e re  j   in dica te s  al l  the  load  bu s es.  v i   a nd   v j   are  vo lt age  m agn it udes  at   i th   an d  j th  bu se s  a nd  they   can   be  ta ken  from  load  f l ow.  F j i   can  b e  obt ai ned   from  the  Y bus m at rix  as  foll ow s     L G LL LG GL GG L G V V    Y Y Y Y I I   (4)     Re arr a ng i ng th e ab ov e  equati on w e  g et       G L GG GL LG LL G L V I    Y K F Z I V     (5)   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       A mo difi ed  bac te rial foragin g alg or it hm  ba se d op ti m al re act iv e p ower  d is patc h  ( P. Lo ke nd er Red dy )   363   Wh e re  I G ,  I L   a nd   V G ,  V L  i nd i cat e  cur re nts  and   vo lt age s  of   the  gen e rato r  a nd   loa d  buses .  F LG  =  -   [Y LL ] - 1 [Y LG ]  are  the  re qu i r ed  val ues.   T he   L - in dex   val ues  f or   a  give n  loa d  co nd i ti on   are  c om pu te d  f or  al l  t he  loa d  bu s ses.T he  ra nge  of  L - i nd e x  value  is   0 - 1.   A s  it   is  cl os e r  to   zer o,   it   i nd ic at es  bette r   sta bili ty   and  the  im pr ove d  syst e m   secur it y.  As  it   ap pro aches  1,   it   in di cat es  cl os er  t o  volt age  c ollapse.  Stabil it y  ind e x  L j   m us t  no t  be   vio la te d  the  m axim u m   lim i t  for  a ny  of   t he   load   bu se s.  A n  L - in de x  value  a way  f r om  1  an d  cl os e  t o  ze ro  ind ic at es a n  im pro ved syst em   secur it y. S o ( 1 - L j )  in dicat es th e m arg in of sta bili ty .     2.3 .       + Constr aint s   The  t wo  ob j e ct ive  f un ct io ns  are   m ini m ized   by  op ti m ally  choosin g  t he  th ree  co ntr ol  va riables;   Transf or m er tap  set ti ngs,  Ge ne rator excit at io ns  sett in gs  a nd  Sw it cha ble VA R com pen sat in g  set ti ngs.   The  c onstrai nts  on th e se c on tr ol v a riables  are  g ive n  a s.      t ij m in   ≤ t ij   ≤ t ij m a x , i Є T    V i m in   ≤ V i  ≤  V i m a x , i Є N g    (6)   Q ci m in  ≤ Q ci   ≤ Q ci max , i Є N qc     Wh e re  t ij   rep re sents  the  ta p  set ti ng   of   tra nsfo rm er  con nec te d  betwee n  i - j   buses,  N g   is  the  set   of   generat or   bu s es,  V i   re pr esents  the  ge ne rator   bus  volt age  of  i th   bu s,   Q ci   rep re sents   the  reacti ve  powe r  com pen s at ion   capaci ty   of   i th   bu s  a nd  N qc   is   the  set   of   loa d  buses  with  r eact ive  powe r  su pp or t.  T he re   are  two  de pe nd e nt   var ia bles,  reacti ve  po wer  outp ut  of  t he  gen e r at or s  a nd  vo lt a ge  of  al l  load   buses,   w hich   wi ll   be  ef fected   duri ng   op ti m iz ation .  So   the  co ns tr ai nts  on   these   dep e nd e nt  va riables  nee d  to  be  co ns ide r ed  w hile  per f or m ing  op ti m iz ation . T hey are  g i ve n as:     Q gi m in  ≤ Q gi   ≤ Q gi m ax , i Є N g     V i m in   ≤ V i  ≤  V i m a x , i Є N L   (7)     Q gi   re pr ese nts  t he  reacti ve   po wer   ge ner at e d  by  the  i th   ge nerat or .  V i   is  the  vo lt age   m agn it ud e  at   l oad   bus   i  and  N L   is  nu m be r o f  loa d b us es.   The  co ns trai nts  on   co ntr ol  va riables  are  ad j ust ed  to  their  lim it s,  if  they  exceed ,  be fore   determ ining  the  obj ect ive  f un ct io ns.  The  const raints  on  dep e ndent  va ri ables  are  dealt   by  us in g  pe nalty   factor   m et ho d.  By  consi der i ng thi s ob j ect ive f un ct ion s c ha ng e   as foll ows.      = ∑ ( 2  = 1 − 2 − 2 cos ( − ) + 1 ∑ ( ( −  ) (  −  ) ) 2 +   2 ∑ ( (  −   ) (   −   ) ) 2   = 1 = 1     (8)       L max = ma x   ( ) + 1 ∑ ( ( −  ) ( − ) ) 2 + 2 ∑ ( (  −   ) (  −  ) ) 2   = 1 = 1   (9)     1 ,   2            .  ,     can  be  e xpres s ed  as      = {  , >     , <    ,  ℎ      = {   ,  >       ,  <    min  ,  ℎ      (10)       3.   MO DIFIE D  B AC TE RIA L  F ORAGI NG A LGORIT HM   3.1 .       Ch em o t ax is  insuffic ie nt   of Origin al  BFA   In  the  ori gin a l  al gorithm ,  search   be gins  with  popula ti on  of  bacte ria,   w her e   each   bacteria   is  a   po te ntial   so luti on   of   the  opti m iz at ion   pr obl e m .  The  popu l at ion   is  conve rg e d  towa r ds   op ti m al  so luti on   by  fo ll owin g  the   f or a ging  strat e gy   of  b act eria. T his  pr ocess  c onsist s  of   c hem otaxis,  reprod uction  a nd  el im inati on  and   disp e rsion.   Che m otaxis  ste p  si m ulate s  the  m ov em ent  of   E.co li   bacteria   through  tum bling   an d  swim m ing   via  fla gella .  Chem otact ic   m o vem ent  is  con t inu e d  un ti l  a  ba ct eria  goes  in   the  directi on  of   posit ive  nu t rient   gr a dient  i.e.  increasi ng   the   fitness .  It  is  achieved  th r ough  tum bling   an d  swim m ing .  T he  che m otaxis  m ov e m ent o f  t he bact erium  can be  represe nted  as     ( , , ) = ( , , ) + ( )   ɸ ( ) , ɸ ( ) = ∆ ( ) √ ∆ ( ) ∆ ( )     ( 11)     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   361   –   367   364   Her e   i (j , k, l)   r epr ese nts  t he  po sit io n  vecto r  of   i th   bacte rium   fo r   the  j th   c hem o ta xis  ste p,  k th   reprod uction  st ep  an d  l th   el i m i nation  disp e rsa l  ste p.   c(i)  is  ste p  siz e  ta ken   in  the  ra ndom   directi on   spe ci fied  by   the  tum ble.  ɸ ( )   is  directi on  a ngle   ta ke n  by  t um ble  at   j th  ste p.  If  the  fitness   at   ( + 1 , , )   is  bette r   tha n  the   fitness  at   ( , , )   then   the  bacteri um  ta kes   an oth e r  few  ste p  siz es  c(i)  i n  th at   di r ect ion   s pecifie d  by  s wim   le ng th .  If  the   fi tness  at   ( + 1 , , )   is  no t  bette r  t han  the   fitness  at   ( , , )   then   bacteri um   do e s  not  go  for   swim ,   it   find s  ano t her   directi on  thr ough  t um ble.  But  this  will   aff ect   t he   al gorithm   becau se  m any  a  ti m es  i t   m ay   no t  fi nd  be tt er  posit ion.  It  slo ws  dow n  the  al gorithm   search   s peed  a nd  m ay   set tl e  at   local   opti m um .  In  this  way  ori gi nal  c hem otact i c  ste p  of  BF A   can n ot  ef fecti vely   sta bili se  the  sea rc hing  proces s.  In  ord er  to   i m pr ove  the   c hem otaxis,  di fferent  m easur es   are  t o  be  ta ke n  to   sti m ulate   the  sta ti c  ind i vi du al   baterium   to  do  extra m ov em e nt.      3.2 .       Diff ere nti al   Ev olut io n  op er ator   The  f ollow i ng  diff ere ntial   evo l ution   op e ra tor  is  sel ect ed  by  con side rin g  the  par am eter   set ti ng   of   BFA.       = ( , , ) + (  ( , , ) − 2 ( , , ) + 1 ( , , ) − 3 ( , , ) )     (12)     wh e re d   ref e rs t o  the d im ension   of  s olu ti on.  ( , , )   represents t he   po sit io n  ve ct or o f  i th   bacteri um  f or  the  j th   chem otaxis  ste p,   k th   reprod uc ti on   ste p  a nd  l th   el i m inati on   disp e rsal  ste p.     re pr ese nts  i th   bacterium   duri ng  diff e re ntial   m utati on   .     is  the   global  be st  of   the  so l utio ns ,  1 , 2 ,  3   are  t hr ee  i ndividu al   bacteri a   that  are   ra ndom ly   cho sen   f r om   the  w ho le   gro up.  F   is  the   dif fer e ntial   fa ct or   w ho s e  r an ge  is  [ 0.2  –   0.9].  By   us in g  t he  in f orm ation   of  be st  ind i vidual  i n  the   c urren t  popula ti on ,   th e  sp ee d  of  th e  over   al l  sea rch  is   acce le rat ed.   Be sides,  by  ta kin g  f ull  adv a nt age  of   the  in f or m at ion   of   ot her   in div id ual s  in  the  po pul at ion ,   degra dation  of   ind i vidual  di m ention  is  pr e ven te d  a nd   t he   pro bab il it y  of   the  in div id ual  trap ped   i n  to   the  local   op ti m al  is red uc ed.     3.3 .       Inc or po r at in g   Chaoti c  D ynamic s  int o i nitial p opul ati on   Since  it   giv es   the  un if or m   distrib ution   functi on   in  the  i nter val  [0 ,  1],   the  te nt  m ap  is  cho se n  in    this  pap e r.   T he   chao ti c  dyna m ic s  of   the  te nt  m ap  is  us ed  fo r  ge ner at in g  init ia l  po pu la t ion .  T he  te nt  m ap  is  def i ned b y ,         + 1 = ( 1 − 2 | − 0 . 5 | )   = 1 , 2 , −   −   − .     (13)     wh e re    de no te s   the  th   cha os   var ia ble  an d    denotes  t he  c ha os   it erati on  num ber .  Set    =   0  a nd  gen e rate    chaos  va riable s  by  ( @).  T hen  i= 1,2,  -   -   -   N,   gen e rate  N   po pu la ti on  of   i niti al   bacteria .  T he n   the  c ha os   va riable   , i=1,2,   -   -   , N i s m app ed  i n  to   the the  searc h r ang e  of  descisi on v a riable  by  the foll owin g  e qu at io n.          =  , + (  , −  , )   = 1 , 2 , −   −   −   (14)     Wh e re     is i th   ba ct eria of  j th   des ci sion   var ia ble.    ,   is m ini m u m  l i m it  o n  j th   desci sion va riable a nd   ,   is m axi m u m   lim it  o n  j th   desci sion va riable.       3.4 .       Algori thm ic   St ep s for  ORP D   w ith  m od ifie d  BFA   To  a pply  BFA al gorithm , th e fo ll owin g  ste ps ha ve  to  b e  foll ow e d.   Step  1:    Re ad  the  syst em  d at a. Set the  p a ram et ers  of   the BF A.   Step  2:     Ch oo se  init ia l pop ulati on   of  ba ct eria wit h  c ha otic dynam ic s of tent m ap  ( 13 - 14).   Step  3:    Elim inati on  d is per si on lo op, l =l +1,   k=0.   Step  4:    Re producti on l oop:  k=k + 1, j = 0.   Step  5:    Chem otaxis lo o p:  j = j +1 , C he ck  the  b act e ria  for  the  constrai nts.    Step  6:    Get  the  fitness   value  of   ob j e ct ive  fu ncti on s   (8 - 9)   f r om  NR  load  flow   s olu ti on.  Per f orm   tu m ble  by   add i ng  ra ndom   vector   t o  th e  bacteria .  Ca l culat e  the  fitn ess,  if  it   is  bet te r  than  previ ous,  perf or m   swim   fo r  swim   siz e  oth erw ise   us e  dif fe ren ti al   m utati o n  ope rato r  to  update  posit on  of   bacteria .  If  the  m axi m u m   nu m ber   of chem otact ic  ste ps   (N c )  is  re ached g o  t o ne xt step , other w ise  go to st ep 5  and c on ti nue .   Step  7:    So rt  the  bacter ia   accord i ng   t o  their  fitness .   Rem ov e  the  worst  half  of   the  popula ti on  and   rep la ce   them   with  the  best  half.   I f  m axim u m   nu m ber   of   re pro duct ion   ste ps   (N re )  is  reached   go   t o  ne xtstep  ot he rw ise   go to st ep 4 a nd c on ti nue.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       A mo difi ed  bac te rial foragin g alg or it hm  ba se d op ti m al re act iv e p ower  d is patc h  ( P. Lo ke nd er Red dy )   365   Step  8:     Elim inate   the  bacteria   with  new   on e  wit h  the  probabi li ty   of   P ed   i.e  if  a  rand om  nu m ber   is  gr eat er  than  P ed .  If   m a xim u m   nu m ber   of   el im inati on   an d  dis per si on   ste ps   is  rea ched   go  to  ne xt   ste p  oth er wis e  go   to   ste p 3 a nd cont inu e.   Step  9:     Pr i nt the res ults.       4.   RESU LT S  AND DI SCUS S ION   The  pro posed   m od ifie d  Ba ct eri al   Foragi ng  al gorithm   is  app li ed   to  t he   ORP D  pro blem   with  two  obj ect ive  funct ion s ,  m ini m iz a ti on   of  real  po wer   lo ss   (P l oss)  an d  volt age   sta bili ty   L - ind ex   (V sta bili ty).   T he  evo l ution  is  ca rr ie d  out  on  st and a r d  IE EE  30  bus  te st  syst e m .  Syst e m   data  and   i niti al   set ti ng s  are  a da pted  from  [ 17 ] . It  c on sist s  of  30 buses,  41 bra nc hes,   6 ge ner at ors,  4  ta p  set ti ng  tran s form ers  and 9 swit cha bl e VAR  com pen sat ing  so urces .  Bus es   1,2,5, 8,1 1  a nd  13  a re  gen e rator   buses.   Re ac ti ve  powe r  s ou rces  a re  instal l ed  at   bu s es  10, 12,  15,   17,  20,  21,  23,  24  an d  29.   Branch e s  (6 - 9),  (6 - 10),   ( 4 - 12)  an d  ( 28 - 27)  are  e qu i pp e d  with   OLTC  tra nsfo r m ers.   The   volt ages  of   ge ner a tor  bu s es  an d  load  buses  ha ve  be en  c onstr ai ned   within  li m it s   betwee n  0.9 5p .u   a nd   1.1 p.u.  Op e rati ng  ra nge  of   al l  OLTC s  is  range   f rom   0. 9  to  1.1.  The  ra nge  of  c apacit or   banks  is co ns i de red bet ween 0  MVAr t o 5 M VAr.    Table  1  s hows   the  sim ulati on   resu lt s  for  P loss  obj ect ive .   The   Pro posed   MB FA   al gori thm   red uce d  the  powe r  loss   from   base  value  5.8 12  M W  to  4.5 978  M W,   wh ic h  in dicat es  20 %  re duct ion   from   the  base   value.  T her e  is   al so   0.006  M W  re duct io n  of  po wer   l os s  i n  com par iso n  w it h  AL O  al go rithm   wh ic h  is  l ow est   a m on g  oth e r  e vo l ution a ry  co m pu ta ti on   al gorithm s  pr esent ed  in  th e  ta ble   for  com par is on.  T her e  is  al s o  0.1 1  M W   re duct io n  of  powe r  l oss   in  c om par iso n  with  t he  bas ic   BF  al gorith m .  The  pro pos ed  al gorithm   i s  al so  giv in g  a  6%  r edu ct io n  of  L m ax   value   f or  P lo ss   obj ect ive   in   com par ison  with  BA   w hic h  i s  lo west  am ong  t he  al gorithm s f rom   li te ratur e.       Table  1 .   C om par isi on   of sim ulati on  r es ults  f or Ploss  ob j ect ive     in itial   BA [ 1 8 ]   GW O  [ 1 8 ]   ABC  [ 1 8 ]   ALO  [ 1 8 ]   HDESA   [ 1 9 ]   GAFGP [ 2 0 ]   BFA   MBFA   VG1   1 .05   1 .1   1 .1   1 .1   1 .1   1 .07 4 4   1 .05 5   1 .1   1 .09 8   VG2   1 .04   1 .09 4   1 .09 3 8   1 .09 7 1   1 .09 5 3   1 .07 2 4   1 .04 2   1 .09 5 6   1 .09 4 6   VG5   1 .01   1 .07 4   1 .07 3 7   1 .08 6 6   1 .07 6 7   1 .04 8 6   1 .03 5   1 .06 8   1 .07 9 8   VG8   1 .01   1 .07 6   1 .07 9 7   1 .08   1 .07 8 8   1 .49 8   1 .03 6   1 .07 6 1   1 .08 1 7   VG1 1   1 .05   1 .1   1 .1   1 .08 5   1 .1   1 .06 9 2   1 .08 5   1 .1   1 .09 6 5   VG1 3   1 .05   1 .1   1 .09 4 4   1 .1   1 .1   1 .00 3 8   1 .06 4   1 .09 5 3   1 .1   T6 - 9   1 .07 8   0 .95   0 .98   1 .07   1 .01   1 .03 7 5   0 .95 3 6   1 .01 9 5   1 .04 5 9   T6 - 10   1 .06 9   1 .03   0 .97   0 .95   0 .99   0 .99 3 8   0 .90 6 7   0 .98 4 8   0 .90 5 2   T4 - 12   1 .03 2   0 .99   1 .02   1 .02   1 .02   0 .97 5   0 .99 9   1 .02 8 3   0 .97 5 9   T28 - 27   1 .06 8   0 .97   0 .99   1 .01   1   1 .04 3 8   0 .96 6 2   0 .94 9 3   0 .96 8 8   QC1 0   0   5   2   5   4   0 .01 1   0 .03 8 7 1   4 .01 6 9   3 .59 0 2   QC1 2   0   0   5   0   2   0 .03 3   0 .04 1 5 1   1 .97 9 2   4 .53 8 6   QC1 5   0   5   4   2   4   0 .04 6 5   0 .04 8 1 2   0   3 .53 2 5   QC1 7   0   5   4   5   3   0 .03 5   0 .03 7 3 5   3 .02 2 2   4 .54 5 3   QC2 0   0   0   4   4   2   0 .03 3 5   0 .04 6 1 7   2 .92 5 3   4 .89 7 4   QC2 1   0   0   0   5   4   0 .01 8   0 .04 8 2 8   2 .03 7 5   1 .25 4 6   QC2 3   0   0   5   4   3   0 .00 7   0 .03 7 8 1   1 .03 8 7   4 .47 2 4   QC2 4   0   5   3   5   5   0 .01 7   0 .04 5 1 2   4 .00 3 5   4 .91 4 6   QC2 9   0   0   3   4   5   0 .01 5 5   0 .02 6 9   2 .04 0 1   1 .31 9 6   Plos s   4 .81 2   4 .62 8   4 .61 1   4 .61 1   4 .59   5 .12 9   5 .16 9   4 .69 4   4 .58 4   L m ax   0 .17 1 6   0 .12 4 7   0 .13 0 3   0 .13 2 6   0 .13 0 7   NR   NR   0 .11 8 9   0 .11 7 6       All  the  si m ul at ion s  are  do ne  in  MATL AB  R200 9b   so ft war e  on  a   per s on al   co m pu te r  with  config ur at io n  i 3  process or,  C PU   1.9 GH z  an d  4G B  R AM.  30  in dep e nden t  runs  wer e   ex ecuted  a nd  bes t,  w or s t   and   m ean  valu es  of   opti m a l  so luti ons  are  presente d.   T he  ob ta ine d  res ult s  of   pro posed  Mod ifie d  BFA   are   com par ed  with  basic  BF A  and   oth e r  sta ndar dard  e vo l ution a ry  al gorithm s  in  the  li t eratur e  su c h  a s  Ba t  al gorithm   (BA) ,  G rey  w olf  op ti m iz ation   ( G WO ) ,  A rtific ia l  Be e  colony   (A BC ),   A nt  Loin   O pti m i zat ion   (A L O),  Hy br i d  dif fer e ntial   E voluti on  an d  Si m ulate d  Ann eal ing   ( HDES A) ,  Ge netic   Algorithm   based  Fu zzy   Go al   Pro gr am m ing   ( G AF G P )  a nd Gravita ti on al   Searc h O pti m iz at ion  ( G SO )  alg or it hm .   Table  2  t he  si m ula ti on   re su lt s  f or  V sta bili ty  ob j ect ive.  The   Pro po se d  MB FA   al gorithm   red uce d  th e   powe r  l os s  fro m   base  value  0.171 6  to  0.1139,  w hich  i nd i cat es  33 %  re duct ion   from   the  base  value.   Ther e  i s   al so   2%  of  r edu ct io n  of  L m a x   value  fro m   ALO   al gor it h m   wh ic h  is  lowest  am on g  oth e r  ev olut ion ary   al gorithm s  pr e sented   in  t he  ta ble  f or  c om par ison.  T he  pro pose d  al gorit hm  al so   offe red  3%   re du ct i on  f r om   the   basic  BFA .  Fi gure  1  s hows  t he  co nver ge nc e  of   B FA   a nd  MB FA   al gorit hm s  fo r  100  it erati on s   f or   P loss   and   V stabilit y   ob j ect ives.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   361   –   367   366   Table  2.   C om par isi on of sim ulati on  r es ults  f or V sta bili ty  o bj ect iv e     in itial   BA [ 1 8 ]   GW O  [ 1 8 ]   ABC  [ 1 8 ]   ALO  [ 1 8 ]   GSO [ 2 1 ]   BFA   MBFA   VG1   1 .05   1 .09 7   1 .09 6 5   1 .08 2 9   1 .09 9 2   1 .1   1 .05 9 1   1 .09 9 7   VG2   1 .04   1 .09 3   1 .08 0 7   1 .07 3   1 .09 4 8   1 .1   1 .05 6 9   1 .09 8 9   VG5   1 .01   1 .04 9   1 .06 9 3   1 .07 5 9   1 .09 7 5   1 .1   1 .04 0 9   1 .07 8 3   VG8   1 .01   1 .07 1   1 .06 2 4   1 .07 4 4   1 .09 9 7   1 .1   1 .08 9 3   1 .04 8 4   VG1 1   1 .05   1 .06   1 .09 7 7   1 .1   1 .09 7 9   1 .1   1 .06 3 7   1 .09 6 5   VG1 3   1 .05   1 .09 7   1 .09 2 7   1 .08 0 4   1 .1   1 .1   0 .96 7 4   1 .09 1 3   T6 - 9   1 .07 8   1 .09   0 .96   1 .03   1 .04   0 .9   0 .97 9 4   0 .94 1 6   T6 - 10   1 .06 9   0 .9   1 .01   0 .92   0 .95   0 .9   0 .96 5 4   1 .05 8   T4 - 12   1 .03 2   1 .1   0 .97   0 .92   0 .98   0 .9   0 .90 5 9   0 .98 8 4   T28 - 27   1 .06 8   0 .93   0 .94   0 .97   0 .97   1 .01 9 5 3 8   0 .93 2 5   0 .94 5 3   QC1 0   0   3   2   5   5   5   3 .02 8 7   5   QC1 2   0   4   1   5   3   5   3 .99 4   5   QC1 5   0   3   1   5   3   5   3 .02 7 6   5   QC1 7   0   5   2   4   4   5   1 .89 5 3   5   QC2 0   0   5   2   5   3   5   1 .93 9 5   4 .97 6 3   QC2 1   0   0   1   3   2   5   3 .98 0 1   4 .94 5 6   QC2 3   0   0   4   4   1   5   4 .01 3 1   5   QC2 4   0   0   4   4   2   5   4 .02 3 6   4 .97 6 8   QC2 9   0   3   4   5   4   5   4 .03 3 3   4 .94 3   Plo ss   4 .81 2   5 .07 4 8   4 .82 6 9   4 .96 8 8   4 .86 9 3   6 .66 0 2 5 8   6 .65 2   4 .95 4   L m a x   0 .17 1 6   0 .11 9 1   0 .11 8   0 .11 6 1   0 .11 6 1   0 .11 6 0 7   0 .11 7 4   0 .11 3 7           Figure  1.   Co nverg e nce  of BF A  a nd MB FA f or P loss   an d V sta bilit y   ob j ect ives       Table  3  sho w s  su m m ary  of   the  pe rfo rm a nce  of   both  t he  al gorit hm s.   It  cl early   shows  the  out   perform ance  of   the  pro po s ed  al gorithm   for  both  the  obj ect ives .  Ge ner al ly   evo l ution a ry  com pu ta ti on   al gorithm s  are  ra ndom   in  na ture  t hey  va ry   fro m   on e   r un  to  a no t her  r un.  B ut  the   sta nd a r d  dev ia ti on  value   sh ows  that the   pro po se d  al gor it h m  is  m or e c on sist a nt whic h  is  ver y m uch d esi ra ble in   pract ic al  ap plica ti on s .       Table  3.   Su m m ary o f  BF A  a nd MB F A per form ance     BFA   MBFA     BFA   MBFA   Plo ss  bes t   4 .69 4   4 .58 4   L m ax  bes t   0 .11 7 4   0 .11 3 7   Plo ss  worst   5 .13 8   4 .70 6   L m ax   wo rst   0 .12 5 8   0 .11 7 3   Plo ss   m ean   4 .90 6   4 .63 8   L m ax   m ean   0 .12 1 2   0 .11 4 8   Plo ss  ST D   0 .11 6 9   0 .04 2   L m ax  S TD   0 .00 2 2   0 .00 1 1       5.   CONCL US I O NS   Re act ive  powe r  op ti m iz ation  with  a  Mod ifie d  Ba ct erial   Fo r agi ng   al go rithm   fo r  two  obj ect ives;  m ini m iz at ion   of  r eal   po wer  lo ss  an d  volt age   sta bili ty   L -   in de x  is  pro pose d .   The   propose d  al gorithm   is  te ste d  on  I EEE  30  bu s  te st  sys tem .  Si m ulati on   res ults  ob ta ine d  by   the  pr opos e d  MB FA   are  com par ed  with  ori gin al   BFA  a nd   al so   with  oth er   po pula r  te chi nuqu es  w hich  a re  re ported  i n  the  r ecent  sta te   of  a rt  li te ratur es  a nd  it   is  dem on strat ed   that  the re  is  si gnific ant  im pr ovem ent  in  bot h  obj ect ives   in   com par iso n  w it h  ori gin al   B F A  a nd  al so   giv in g  bet te r  resu lt s  in  com par ison   with  oth e r   al gorithm s.  The  resu l ts  al so   dem on strat e  that  add it ion   of   0 20 40 60 80 100 4 . 5 5 5 . 5 6 6 . 5 7 7 . 5 N u m b e r   o f   I t e r a t i o n s R e a l   P o w e r   L o s s   ( M W ) 0 20 40 60 80 100 0 . 1 1 0 . 1 1 5 0 . 1 2 0 . 1 2 5 0 . 1 3 0 . 1 3 5 0 . 1 4 0 . 1 4 5 0 . 1 5 N u m b e r   o f   I t e r a t i o n s V o l t a g e   S t a b i l i t y   I n d e x   ( L m a x )     B FA M B FA Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       A mo difi ed  bac te rial foragin g alg or it hm  ba se d op ti m al re act iv e p ower  d is patc h  ( P. Lo ke nd er Red dy )   367   diff e re ntial   m utati on   an d  cha os   dynam ic s  i m pr ov e d  the   ori gin al   BF A  al goritm   to  a  co ns ide rab le   de gree  a nd   with c onsist en cy . S o t he p rop os e d  al gorithm  is su it able  f or   Energy C on tr ol  Center.       REFERE N C ES   [1]   J.Qiu  and  S.M.Shahi dehpour ,   “ A  new  approach  for  minimizing  p ower  losses  and   improving  vol ta ge  profil e , ”  IE E E   Tr ans.  On P owe r Sy stems ,   vo l. 2 ,   no. 2 ,   Ma y   1987 ,   pp . 287 - 295   [2]   Bansil al,  D.  Th ukar am,  K.  Par tha sara th y ,   “ Optimal  reac ti v e  power  dispatc h   algorit hm  for  vol tag e  stabil i ty  improve ment , ”  I nt.   Journal  o f  E l ec tri cal   Powe r a nd  Ene rgy   Syst e ms   18  (7)  (1996)   461 - 468.   [3]   D.  Thuka ram,  K.  Partha sara th y ,   H .   P.  Khin cha ,   Nar endr an at h  Udupa  and   A.  Bansil a l,   “ Vol tage   stabil i ty  improve ment:   ca se  studie s o f  Ind i an  power  ne tworks ,”  Elec tri c Po wer  Syste ms   Re s earc h,   vo l. 44 ,   19 98,   pp . 35 - 44.   [4]   J.Z . Zhu  and  X. F.Xiong,   “ Optimal  reac ti v e  po wer  cont rol  using  modifi ed  inte rior  point   method ,”  Elec tric   Po wer  Syste ms   Re sear c h,   vol . 66,   2003,   pp. 187 - 192.   [5]   Thuka ram  Dhadba nja n ,   G.  Yesurat nam,   “ Compar ison  of  O pti mum   Re activ e  Powe r  Sche d ule   wit h  Differ ent  Objec t iv es  Us in g  LP  Techni que ”,   Int ern ationa l  Journal  of  Emerg ing  El e ct r ic   Pow er  S y stems ,   200 6,   Volum e  7,   Iss ue  3,   Arti cle  4   [6]   Abraha m   Lomi,   D  Thuka r am,   “ Optimum  React i ve   pow er  d ispatc h  for  All ev ia ti on  o f  Vo l tage   De vi at ions ”  TE LKOM NIK A   (Tele comm unic at ion   Com puti ng   Elec tron ic s  and Control ) ,   vol   10,   No.2, June  2012 ,   pp . 257 - 264.   [7]   Moham ad  Khair uzz aman  Moha m ad  Za m ani ,   Ism ai l  Mus iri n,   Moham ad  Sabri  Om ar,   Saiful   I zwa n  Sulim an,   Nor   Azura   Md.  Gha ni,   Nur  Azw an   Moham ed  Kam ari   “ Gr avi tation al  Searc h  Al gor it hm  Based  Te c hnique   for  Vol t age  Stabi lity  Impr ove ment”  Indone si an  Journal  of  El ec tri cal   Engi n eer ing  and  Compu te r Sc ie n ce   ( IJEECS) ,   Vol  9,   No   1,   Janua r y   2018 ,   p p. 123 - 130.   [8]   Xiao  G,  Li u  H,   Zhou  Y,  Guo  Y  Resea rch   on   Cha oti c  Fir efly   al gor it hm   and  th e  a pp li c at ion  in  opt imal  r ea c ti ve   powe r  dispat ch’   TELK OM NIK A   (Te l e comm unic at ion Com puti ng  Elec t ronic s a nd   Contr ol) ,   2017 ;  15(1) :   93 - 100   [9]   Slim ani   L ,   Bou kti r  T,  Optimal  Pow er  Flow  Soluti on  of   Alger i a n  Elec tr ical  Ne t work  Us ing  Diffe ren t ia l   Evo lut i on   Alogorit hm ’,   TE LK OMNIKA   ( Te le communic a ti o n  Computing Elect ronics  and   Co ntrol) ,   2012;  10( 2):  199 - 210.     [10]   R  Katur i ,   G  Ye suratna m ,   A  Ja yal axmi,   “   BAT  al gorit hm   and  Ant  Colon y   Opt imiza ti on   base d   Optimal  Re acti ve  Pow er  Dispatc h  to  Im prove   V oltage  Stab il i t y ” E uropean  Journal   of  Engi n ee ring R ese arch  and  S c ie nc e  2  (6),  27 - 3 5,   2017   [11]   La xm i  Srivasta v a,   Him m at   Sing h,   “ Hy br id  m ult i - sw arm  par ti cl e  sw arm  opti m isat ion  base d  m ult i - obje c ti ve  re ac t iv e   power  dispatch” ,   IET Gene r .   Trans m .   Distrib ,   20 15,   Vol .   9 ,   Iss .   8 ,   pp .   727 – 739   [12]   Yuan  ta o  ZHAN G,  Chao  HU AN G  ‘An  improv ed  Ba ct er ia l   for agi ng  bas ed  app roa ch  to  Dat a  c l usteri ng”  Ar ti fi c ia l   Inte lligen ce Sci e nce   and Technol og y ,   2016 .   [13]   Yuan  ta o  ZHAN G,  Chao  HUANG   ‘A  Novel  Adapti ve  Cho at i c  Bacte ri al   f ora ging  Optimi za t ion  Algorit h m ”   DEStec h  tra nsa c ti ons on  Com put er  Sci ence  &   En gine er ing, Nove m ber   2016.   [14]   Faqing  Zha o,   X in  Jiang,   Chuk  Zha ng  and  Junbiao  W ang  “   A  Choat ic   Loc a l  Sear ch  Based  B ac t eri a l  Foragin g   Algorit hm   and  it s  Applic ation  t o  a  per m uta ti on   flow  Shop  Sc h edul ing  Problem ”  Inte rna ti on al   Journal  Com puter  Inte gra te d   Manu fac tur ing, 2015   [15]   Faqing  Zha o,   Xi n  Jiang,   Chuk  Zha ng  and  Junbiao  W ang  “ A  Ch mot axi s  Enha n ce d   Bac te r ia l  Foragi ng  Algorit hm   and  it s Appli ca t ion  i n  Job Shop Scheduling  Probl em”  Inte rn at ion al Journal   Com pute r   Inte gra te d   Manu fac tur ing, 2015   [16]   Na  Dong,  Xing  Fang,   Ai - guo W u,   “ A  Novel  Chaot ic   Pa rticle  Sw arm  Optimi za t ion  Algorit h m   for  Parking  Space  Guidanc e ”,   Mat hemati c al   Probl ems   in  Engi neering,   Hindawi  P ubli shing  Corpora ti on ,   Volum e  2016,   Artic l e  I D  5126808 ,   14   pag es   [17]   Le e ,   K.Y . ,   Park ,   Y.M. ,   and  Ori tz ,   J.L . ,   “ Optimal  R ea l   and   React iv e  Pow er  Dis pat ch ”,  Elec tr ic  Pow er  Resea rch ,   1984;  7;   201 - 21 9   [18]   Souhil  Mouass a,  Ta r ek  Boukti r   ,   Ahm ed.   Salhi,  “ Ant  li on  opti m iz er  for  solving  opti m al   re active  power  dispatch   proble m   in  pow e r  s y st ems ”,   Eng i nee ring   Scie n ce  and  T ec hnolo g y ,   an  In te rn at ion al  Journal  20  ( 2017 )  885 – 895   [19]   Farida   La ouaf i,  Ahce ne  Bouk ad oum ,   Sala h  Le u lmi  “ A  Hybrid  Formulati on  be t wee n  Dif fe ren tial  Ev o lut ion   an d   Simulat ed  Annealing  A lgorit hm s  for  Optimal  Re ac ti v e  Po w er  Dispatch ” ,   TE LK OMNIKA   ( T el e communic ation  Computing  E le c t ronics  and  Cont rol) ,   Vol  16,   No  2:  April   2018 ,   p p.   513 - 524 .   [20]   Biswas  P,  Pal  BB,  “ A  Tri le vel   Program m ing  Ap proa ch  to  Solve  Rea c ti ve  Pow er  Dispatc h  Proble m   U sing  Gene ti c   Algorit hm   Base d  Fuzz y   Go al   Pr o gra m m ing” ,   Pr oce ed ings o f the   48 th  annua l   conv ent ion   of  CS I, 2 014;  1:205 - 217 .     [21]   S.Dum an,   Y  So nm ez ,   U  Guvenc   ,   N  Yorukere n   “ Optimal  Rea ctive  Pow er  using  a  gra vitati on al   sea rch   al go rit hm ”   IET   Gen er Tra ns m ,   Distrib, 2012, vol   6 , iss 6, pp  5 63 - 576   Evaluation Warning : The document was created with Spire.PDF for Python.