TELKOM NIKA , Vol.9, No.1, April 2011,  pp. 1~8   ISSN: 1693-6 930   accredited by D G HE (DIKTI ), Decree No: 51/Dikti/Kep/2010   ¢     1     Re cei v ed Jan   18 th , 2011; Revi sed Ma r 9 th , 2011; Acce pted Apr 1 st , 2011   Generator Contribution Based Congestion Management  using Multiobjective Genetic Algorithm      Sa w a n Sen* 1 , Pri y anka Ro y 2 , Abhijit  Chakrabarti 3 , Samarjit Sengupta 4  1,2 EE Department,  T e chno In dia, Kolk ata, India   3 EE Departme n t, Bengal E ngi neer ing a nd Sc ienc e Univ ersit y , Shi bpur, Ind i a  4 Departme n t of Appli ed Ph ysi cs,  Kolkata, W e st Benga l, Ind i a   e-mail: se n_sa w a n @r ed iffmai l.com* 1 , roy _ priy an@r ediffmail.com 2 ,   a_chakr a b o rti55@ ya ho o.co m 3 , samarsgp@rediffmai l.co m 4       Abs t rak                      Manaje m e n   kon ges ti  adal ah  sa la h  satu  fungs i   utama  op era t or  sistem  p a da  in dustri  d a ya   terstrukturisasi  sela ma ko nti gens i tak terd uga. Maka la h ini  me ngus ulk an seb u a h  metoda  ma na je me n   kong esti men g gun aka n  alg o ri thma  gen etik  muti- obj ek  ber basis ko ntribus i pe mb angk it. Pada a l g o ritma  ini,   rugi-ru gi r e a l   dan  reaktif  di opti m as i  me n ggu nak an  mo del  al iran  day a o p ti mal  da n ko ntribus i d a r i   pe mb angk it ya ng ru gi-ru gi ny a di opti m alka n  ada la h d i kalk ulasi. P a d a  l e v e l ke du a, jal u r  yang   men g a l ami  kong esti d iid en tifikasi d e n g a n   ind e ks b e b an  berl ebi h ya ng   dius ulka n se la ma  konti g e n si,  da n j a lur  terse but   dilo ng gark an d eng an kontri b u si bar u dari  pe mb angk it, yang  mer upak a n  kelu aran d a r i algor itma ya ng  dike mban gka n . Metoda yan g   dire ncan aka n  me ng ga mb ar k an infor m asi te rkait ma na je men kon gesti u n tuk  me mini malka n   biay a inv e stasi ,  tanpa i n stala s i pira nti ekste r nal d an  untuk  me maksi ma lk an kes e ja htera a n   konsu m en d e n gan  meng hi nd ari p e mbatas a n  be ban t anp a men gaki batk an pr ofil teg a nga n dar i sist e m   sede mikia n  h i n gga r ugi  siste m  total tero pti m a s i.  Siste m  bus  IEEE 30  dig u n a k an u n tuk  me n d e m o n strasika n   keefektifan  dari  meto de yan g   dius ulka n.     Ka ta k unc i : al gorit ma  ge neti k , ind e ks  beb a n  b e rle b i h , jar i nga n  daya  ter egu lasi, k onti g ensi,  mana je men   kong esti       A b st r a ct                      Cong estion  ma nag e m e n t  is  one  of  t he key functio n s of system operator  in  the  r e structured  p o w er  ind u stry duri n g  unex pected c ontin ge n cy. T h is pap er pro p o s es a metho d  for gen erator c ontrib u tion  bas e d   cong estio n  ma nag e m ent us in g multio bj ectiv e  ge netic  a l g o r ithm. In the  al gorith m , b o th r eal  and r eactiv e   losses  h a ve b een opti m is ed usin g  opti m al pow er  flow   mo del a nd th e co ntributi ons of t he g ener ators  w i th  those  opti m is e d  l o sses  are  ca lculat ed. On  se cond  lev e l, th e  cong ested  li ne s are  id entifi e d  by th e  prop os e d   overl oad in g in dex (OI) durin g cont in ge ncy  and thos e li n e s are rel i ev e d  w i th the ne w  contributio n  of  gen erators, w h ich is  the  o u tco m e  of th e  dev e l op ed  al gorith m . T h e p l a nne d  meth od  de pi cts the i n for m a t io n   relate d to cong estion  ma nag e m e n t to min i mi z e  the i n ve st ment cost, w i thout installi ng a n y external d e vi ces  and to  maxi mi se the cons u m er w e lfar e b y  avoid i ng  a n y  load curta i l m ent w i t hout affecting the v o lt age  profile of the system  as  well as the optim is ed total sy stem   loss. IEEE 30 bus system  is used to  de mo nstrate th e effectiven ess  of the meth od.      Ke y w ords : cong estio n  ma nag e m ent, co nting ency, der egu late d pow er netw o rk, genetic a l g o rith m,   overl oad in g ind e x        1. Introduc tion   The b a si c  req u irem ent of p o we r n e two r k is  to m eet th e dem and  even in  co nting ent stat e   of the  system .  But the t r an smissio n  lo ss incurs  rou ghl y 3% to 5%  o f  the total p o w er ge ne ratio n ,  whi c h m a y b e  co nsi d e r ed  as  one  of th e majo r fa cto r s i n  de re gul ated po we r  system, i.e. lo ss   allocation m a y co nsi dera b ly affect th e compet itive po sition  of  the GE NCOs i n  the  p o we r  netwo rk.  Nev e rthele s s, it  seem s th at  most of th e  electri c al  ma rket s h a rdly ever  refle c t the  transmissio n loss in their spot pri c in g due to  the complicated a s pe cts of loss allocation [1].  Earlier researche r s have  d i scusse d diff erent  mod e ls  for l o ss  allo cation in  cl assical  method s.  It  can  be m o d e led by in cre m ental tra n smissi on lo ss (ITL)  co efficient [2], physical flo w -  ba sed  approa ch [3]. Bus impe da nce m a trix [4] or ba si c  ci rcuit theorie s [5 ] have been  use d  to tra c e  the  power flo w  o f  the network durin g catte ring the  dem a nd. Again efficient comp utation algo rith m  [6], load flow method [7], on line optimal  powe r  flow (OPF) tools [8 ] had been al so intro d u c ed  for   Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 9, No. 1,  April 2011 :  1 – 8   2 loss allocatio n . In other literat u r e [9] genetic alg o rit h m (GA) te chniqu e is also used fo r loss  tracin g. Although lo ss al locatio n  ca n  be en sured  but still no  bodie s  can  guarantee t hat  unexpe cted  situations  su ch as g ene rat o r fault, li ne  fault or trippi ng wo uld n o t happe n. In this  unprecede nte d  state, th e  loss allo catio n   may  cha n ge a nd  som e  ne w te chni que  has to  be  implemented  to maintain sys tem s e c u rity.    For the devel opment of the prop osed tech niqu e,  co ntingen cy like  tripping of line has to   be con s id ere d . In case of  any kind of line faul t of the power net work, the po wer, which had   flowed th rou gh the tripp e d  line, sho u l d  flow th ro ug h other exi s ting line s  to meet co nsu m er’ s   expectatio n  [ 10]. Thi s   cau s e s  the  po ssibility of othe r lin e b e com e s  overl oade d o r   con g e s ted.  Thus tran smi ssi on lo ss du ring po we r transmi ssi on a nd line co ng estion a r e th e most impo rtant  issue s  for d e reg u lated  p o we r environ ment, whe r e  spot p r ice is the mai n  con s id eratio n  for  con s um er  we lfare. He nce, a tran spa r e n t met hod fo r co nge stion  relief du ring  contin gen cy an d   allocating tra n smi ssi on lo ss bet wee n  all  of the in terested partie s  in   an eq uitable  and fair man ner  is  requi re d. T here  a r e  sev e ral  re se arch es i n  expl oitin g  the  rel e a s e e  of lin e ove r f l ow.  Con g e s tion   of line ca n b e  mana ged  by different  way e.g.  loa d  cu rtailment , econ omic l oad ma nag e m ent,  VAR s u pport  [11].  At this step, an esse ntial and challen g i ng ta sk is to develop a  sof t  computing  method,  whi c h optimi z e the total system lo ss  as well  as g enerate po wer sche dule  to minimize the  investment cost with  out  i n sta lling any  external  devi c es and to  m a ximise the  consumer welfare  by avoiding a n y load cu rtai lment for co n ges tio n  mana gement un de r deregul ated  environm ent.  In this pap er,  the basi c   co nce p t of GA based lo ss  o p timization i s  laid und er t he OPF  model  whe r e  loss i s  fun c tion of B-coef ficients fo r a c tive po we r  and  C-coeffi cient for  rea c ti ve   power. With  the optimise d  loss value s , the  gene rator co ntrib u tion also has been found  out  throug h thi s   p r opo se d m o d e l. In the  pa p e r, a n  ove r lo a d ing i ndex  (O I) ha s  also  be en p r o p o s ed  to   find out the conge sted l i nes for a n y type of  contingen cy. The gene ratio n  schedul e, with  optimize d  lo ss al so  ha s b een u s e d  to  relief line  ove r flow  witho u t load  cu rtailm ent even  duri ng  contin gen cy. Thro ugh  cl assical an alysis, volt ag e profile  h a s b een che c ked   with  p r opo sed  gene ration schedul e,  whi c h  yields satisf actory re su lt. Actually GA  analysi s  hel p s  to find o u t the   most effective gene ration  sch edule, which h a s  be e n  use d  for conge stion m anag ement a l ong   with lo ss  opti m isation  of the overall  syst em. It also  a s sist s to come  to a de cisi on  that no external  comp en satio n , load cu rtail m ent is re quired for c onge stion manag e m ent up to a certai n limit in a  dere gulate d  p o we r environ ment.       2. Proposed  M e thod     In this pape r, the flow of prop osed me thod is  d e vided in two  ste p s. In the first step,  gene rato r co ntribution  ca n  be dete r min ed ba se d on  loss optimi z ation u s ing  G A  and the s e  re- contri bution s   of gen erators have  bee n  use d  to   reli ef the  co nge st ed tran smissi on lin es du ri ng   contin gen cy in the next step.  2.1. Loss Op timization us ing GA  GA is a glo b a l adaptive  search te chni q ue ba sed  on  the mechani cs of natu r al g enetics   [9]. It is applied to optimi z e existing  sol u tions  by  usi ng biol ogi cal  evolution b a sed metho d s.It  has  many appli c a t ions in certai n types of problem s  that yield better results than the  comm only used  method s with out  any co m p licate d  cla s sical cal c ul at ion. To  solve a specifi c  problem with GA,  a   function  kn o w n, a s  obj ect i ve function  need s to b e   con s tru c ted   whi c h all o ws different p o ssible  solutions to  be evaluated. The al gorit hm will th en  take those solutions, whi c h  seem to  show  s o me ac tivity towards  a  work ing s o lution.  2.1.1.  Problem for m ulation co nsidering O P F  The obje c tive  function for  convention a l cost optimization is as follows    Minimize    1 n NG n F C = = ∑        $/hr  (1)    whe r e,  ( ) 2 00 ng i g i CA P B P C =+ +  (2)   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930   ¢     Con g e s tion  m anagem ent usin g m u ltiobjective GA (S awa n  Sen)    3 But in the pro posed meth o d , the obje c ti ve function  consi deri ng th e total active  and  rea c tive l o ss   can b e  formul ated as follo ws     () / F x =minimi z e () 11 nm PP B P ij L Gi Gj ij = ∑∑ == 00 0 11 1 nn m BB P P B P ij iG i G i G j ii j =+ + ∑∑ ∑ == =  (3)     () // F x =minimi z e () 11 nm QQ C Q ij L Gi Gj ij = ∑∑ == 00 0 11 1 nn m CC Q Q C Q ij iG i G i G j ii j =+ + ∑∑ ∑ == =  (4)     P L  and Q L,  the  active and  re active loss te rms can b e   expre s sed u s in g B and C-co efficient [12] as  follows :    11 nm PP B P ij L Gi Gj ij = ∑∑ == 00 0 11 1 nn m BB P P B P ij iG i G i G j ii j =+ + ∑∑ ∑ == =  (5)     w h er e  cos ( ) cos c os | | | | ij i j ij ij i j R B VV θ θ ϕϕ − = , () 0 1 m BB B P ij j i Dj i j =− + ∑ = and 00 11 nm BP B P ij Di Dj ij = ∑∑ ==  (6)     11 nm QQ C Q ij L Gi Gj ij = ∑∑ == 00 0 11 1 nn m CC Q Q C Q ij iG i G i G j ii j =+ + ∑∑ ∑ == =  (7)     cos ( ) cos c os | | | | X ij i j C ij VV ij i j θθ ϕϕ − = , () 0 1 m CC C Q ij j i Dj i j =− + ∑ = and 00 11 nm CQ C Q ij Di D j ij = ∑∑ ==  (8)     whe r e j jj θ δϕ =− and j jj θ δϕ =−      The ineq ualit y or gene rato r output const r aints      mi n 0 m a x g ig i g i P PP ≤≤  (9)     mi n 0 ma x g ig i g i QQ Q ≤≤  (10 )     mi n m a x j gi gi gi PP P Δ≤ Δ ≤ Δ    (11 )     mi n m a x j gi gi g i QQ Q Δ≤ Δ ≤ Δ  (12 )     Voltage co nst r aint:    mi n m ax j ii i VV V ≤≤  (13 )     2.1.2.  Problem Encoding   Each  control  variable is  called a ge ne,  while all co ntrol varia b le s integ r ated i n to one   vector i s   call ed a  chromo some. T he  GA alway s  d eals  with a  set of ch romo some s  calle d  a  popul ation. T r an sformi ng  chromo som e s from  a pop ul ation, a ne w po pulatio n  is obtain ed,  i.e.,  next gene rati on is fo rme d . It need s thre e gen etic o p e rato rs:  sele ction, crossov e r, an d mutat i on  for this  purpos e.   Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 9, No. 1,  April 2011 :  1 – 8   4 2.1.3. Initializ ation  Usually, at th e be ginni ng  of the  GA opt imizat ion  p r o c e ss,  ea ch v a riabl e g e ts  a rando m  value from its pre define d  domain. Th e  gener ator p o we r output s have well-d e fined lo wer  and  uppe r limits, and the initiali zation p r o c ed ur e comme nces with the s e  limits given b y     mi n m ax PP P GG G i ii ≤≤ and mi n m ax QQ Q GG G ii i ≤≤  (14 )   2.1.4.  Cons train t  function s an d paren t  sel ection         Implementati on of a  prob lem in a  ge n e tic al g o rith m is  reali z e d  within th e constraint  function. T h e propo se d  approa ch  uses th e  conv entional  po wer b a lan c e  equatio n a s  its   con s trai nt whi c h can be  wri tten as    1 1 n PP P DL G i i ε =− − ∑ = and 2 1 n QQ Q DL G i i ε =− − ∑ =  (15 )     The conve r g ence  is obtai ned whe n   1 ε  f o r  ac tive loss  and  2 ε  f o r re act i v e  lo ss l e ss t h an a   toleran c e. Im provem ent of the averag e  fitness  of the popul ation is  achi eved thro ugh sele ction  of  individual s a s  pare n ts from  the co mplete d pop ulati on.  The  sele ction  is pe rform e d  in su ch  a wa y,  that chromo somes h a ving  highe r fitness are mo re like l y to be select ed as p a re nts.  2.1.5.  Cros sov e r and Muta tion   After the sele ction, GA ap plies a rand o m  gene ration  to cut the string s at any positio n  (the  crossove r poi nt) a nd  excha nge s th e sub s tr ing s  betwe en  the  two chromo somes. On ce  t he  cro s sove r is  perfo rmed, th e new  chrom o som e s a r e  adde d to the new p opul ation set. Mutat i on   being  an othe r pa ram e ter,  it involves  ra ndomly  sele cting  ge ne s within  the ch ro moso me s  a n d   assigni ng the m  rand om va lues  within th e co rre sp ond ing predefine d  interval. Th e pro bability of  mutation  i s  n o rmally ke pt very  lo w,  a s  high  mutation   rate s co uld degrade   the  evolving  p r o c ess   into a rand om  search p r o c e ss.    2.2. Conge stion Manage ment  w i th  Re- Co ntribu tion of Gen e r a tors   With the re-contributio n of  gene rato rs  u s i ng equ ation   (3) and (4 ),  con g e s ted  lin es can  be relieve d during  contin g ency. To find the cont ing e n t  lines durin g contin gen cy, an Overlo adi ng  Index can b e   defined  as ch ange i n  p o we r flow thro ugh  a tra n smi s si on line  du ring  co ntingen cy  of  other line s . M a thematically it  can be expressed a s  follo ws    mn m n mn mn PP P μ − =  (16 )     whe r e,  mn P  and  mn P are the  active  power flo w  th roug h the lin e  m-n afte r co ntingen cy an d befo r e  contin gen cy resp ectively. High er value  of this  index indicate s th e more  con g e sted lin e in the  power net wo rk.      3. Results a nd Discu ssi on  The fe asibilit y and  effectivene ss of the   prop osed  me thod h a s be e n  dem on strat ed in  the  IEEE 30 bus tes t   s y s t em as sk et c h ed in Figur e 1.  The tes t   s y s t em  and produc t ion  unit s ’  prop ertie s  a r e given in  Ta bles  1 an d 2.  For th e  enti r e sim u lation,  logic  program  in GA h a s  b een   employed to  formulate a c  po we r flow model. The  stand ard  pa ramete rs  sett ings fo r all the   simulatio n s of  the adopted  GA have bee n depi cted in  Table 3.   Thro ugh  pro posed  optimi z ation  meth od, GA , the  optimized  values of  sche dule d   gene ration  for all  GE NCOs  ha s b e e n  dete r min e d  con s ide r in g all  equ ality and i neq u a lity  con s trai nts  of optimal  po wer flo w  a s   m entione d  in  (5) to  (1 3)  an d by ta king  both a c tive a nd  reactive losses as obj ective func tions. Table 4 illustra tes a compari s on  of the  sol u tions  obtained  by conventio nal co st opti m ization m e thod who s e fi tness fun c tion  has b een d e scribe d in (1) and   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930   ¢     Con g e s tion  m anagem ent usin g m u ltiobjective GA (S awa n  Sen)    5 prop osed m u l t iobjective o p t imization m e thod mai n tain ing the  re al a nd rea c tive lo ss ((3) an d (4 ))   for a fixed act i ve demand o f  283.6 MW a nd rea c tive d e mand of 12 6 . 2 MVAR.        Figure 1. Single line diag ram (SLD) of  IEEE 30 bus  tes t  s y s t em      Table 1. Te st system p r op e r ties  Name of param e ters   Value   Number of  buses  30  Number of  gener ator units  6  Number of  branc hes  43  Number of  tie lines  6  Total po w e r dem and in MW  283.6       Table 2. Prod uction u n its’ p r ope rtie s  Gene rator   no  P ma x   MW P mi n   MW Q ma x   MV AR   Q mi n   MV AR   1 150  50  -2   -5   2 70  50  -0.3   -0.9   3 40  10  30  10  4 50  10  30  10  5 30  10  30  10  6 30  10  40  10      Table 3.  Parameter  settin g  of GA base d   optimizatio n   Name of the p a r a meters   Value  Population size   20  Selection  stochastic  unifor m   Mutation adaptive  feasible  Cr ossover scatter ed      Table 4. Co m pari s on of ge nerato r s co ntribution s  obta i ned from  con v entional cost  optimization  method (m ethod 1) a nd p r opo sed multi obj e c tive optimization m e thod (m ethod  2)  Contribution of  Generato r s  Method 1   Method 2   GE NC O 1   G P  (p. u.)  1.384  1.235   G Q (p. u.)   -0.185  -0.02   GE NC O 2   G P  (p. u.)  0.575  0.682   G Q (p. u.)   -0.0056  -0.0065   GE NC O 3   G P  (p. u.)  0.245  0.339   G Q (p. u.)   0.212  0.204   GE NC O 4   G P  (p. u.)  0.35 0.334   G Q  (p. u.)  0.267  0.254   GE NC O 5   G P  (p. u.).   0.179  0.105   G Q  (p. u.)  0.241  0.247   GE NC O 6   G P  (p. u.)  0.169  0.207   G Q  (p. u.)  0.317  0.318   sy stem loss  L P (p.u.)  0.074  0.067       The  cha nge s in re al an d reactive p o we r contrib u tion  for all GE NCOs  (Figu r e  2) are  with in th eir  spe c ified limit  as d e scri bed  in (11 )  to (1 2). W hen a  line is tri ppe d  by a su dde n  fault, there is a  possibility of anothe r line  overflow b e cause t he po wer,  whi c h h ad flowe d  through the tri p ped  line, should  flow  elsewh ere. In the s e  circum st an ce s, a  rem edia l  actio n  ha s  to be ta ke n  to   maint a in  t he sy st em se curi t y .  Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 9, No. 1,  April 2011 :  1 – 8   6     Figure 2. Cha nge in Real a nd Peactive  Powe r in  p.u. for Multiobje c tive optimization method       The seve rity of the line  fault depend s on  the am ount of power, whi c h ha d flowed   throug h the t r ippe d line. I n  this te st, five di fferent li nes  have b e en tripp ed th at we re  cho s en   according to  the amou nt of line flow co nsid ere d . Ta ble 5 shows  the simul a tio n  re sults. Fo r a   particula r line  fault, five most cong este d line s  have  been fo und  with the hel p  of the pro p o s ed   overloa d ing i ndex. With t he calculate d  co nt ributio n of GENCOs  (Tabl e 4 )  usi ng p r op ose d   optimizatio n; co nge sted  l i nes can  be  relieve d fro m  overl oadin g  (T able  5).  A rem a rka b le  redu ction  in  li ne  con g e s tio n  ha s bee n  o b se rved  with   prop osed  ge neratio n a s  compa r ed  with  the   gene ration  o b tained from  conve n tion al co st opt i m ization te chniqu e. This redu ction  of  overloa d ing  may redu ce t he co st of co nge stion whi c h is  an inte gral p a rt of lo cation al marg inal  price (LMP ) [13] in dere gul ated  enviro n m ent of powe r  system.        Table 5. Co n gestio n  mana gement with  new  sched ule  of generato r s co ntributio n    Line    fault  F i ve most  congested  line  Power flo w  in p.u .   Before   Fault    (A)   After  fault w i th   generation   using  Method 1   (B)   After fault  w i th  generation   using   Method 2    (C)   %  Overload *1 0 0 BA A − ⎛⎞ ⎜⎟ ⎝⎠   % Ove r load  w i th  proposed  generation   *100 CA A − ⎛⎞ ⎜⎟ ⎝⎠   Case 1  2-4   2-6   0.3802   0.5277   0.4099   38.79   7.80     3-4   0.4481   0.5552   0.4563   23.91   1.82     1-3   0.4816   0.5937   0.5039   23.27   4.63     2-5   0.5802   0.6379   0.5946   9.94  2.48     10-17   0.6627   0.7176   0.6794   8.28  2.51  Case 2  2-5   2-6   0.3803   0.6666   0.4036   75.30   6.12     2-4   0.2911   0.5043   0.3186   73.22   9.44     12-16   0.0594   0.0837   0.0604   40.90   1.68     24-25   0.0280   0.0316   0.0290   12.91   3.57     4-12   0.2532   0.2767   0.2657   9.292   4.93  Case 3  6-7   8-6   0.0155   0.0255   0.0157   63.97   1.29     6-9   0.2076   0.2489   0.2153   19.88   3.70     9-10   0.1734   0.1973   0.1872   13.74   7.95     6-10   0.1096   0.1214   0.1132   10.70   3.28     1-2   0.9073   1.0009   0.9145   10.31   0.79  Case 4  12-15   14-15   0.0535   0.1032   0.0557   92.98   4.11     12-16   0.0594   0.1000   0.0692   68.19   16.4     22-24   0.0943   0.1237   0.1074   31.16   13.8     4-6   0.4027   0.4416   0.4116   9.66  2.21     1-2   0.9073   0.9141   0.9136   0.73  0.69  Case 5  4-12   6-10   0.1091   0.1689   0.1126   67.10   3.20     4-6   0.4027   0.6208   0.4100   54.17   1.81     12-13   0.1091   0.1689   0.1126   14.19   3.20     2-6   0.3802   0.4201   0.3993   10.47   5.02     2-5   0.5802   0.5938   0.5874   2.34  1.24      The othe r important a s pe ct of this pro pos ed metho d  is the redu ction of the syste m   operating lo sse s  du ring  continge ncy.  Table 6  co m pare s  the l o sse s  with  orig inal contrib u tion  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930   ¢     Con g e s tion  m anagem ent usin g m u ltiobjective GA (S awa n  Sen)    7 (metho d 1 )  a nd re-co n trib ution of  GENCO s  (metho d  2)  du ring  co ntingen cie s .  As sho w n, th e  system o p e r ating losse s  have de cre a se d by  a con s id era b le   amount with  re -contrib u t ion   sched ule  of  GENCO s . He nce, it  ca n b e  state d  t hat   along  with  th e redu ction  o f  con getion  cost  this propo sed  method can  lowe r sy stem  operating lo ose s  an d the r eby the spot  price of ene rg y  in dere gulate d  environ men t .  The ab ove a d vantage s of  this re -contri b u tion sch edul e rem a in s le ss con s eq uent  unle ss  it has lea s t e ffect on the o peratin g con d itions  of the  system. The  voltage profil es sho w n in t h e   Figures 3 to  5 for the test  cases,  stren g then s  the competen cy of  the re-co n tri bution sch e d u le  with re spe c t  t o   the no rmal gene ration   schedul e.  Durin g  conting e n cy the voltage   profile  rem a in s  least affecte d  with the imp o se d sche dul e. It implie s that without af fecting the vo ltage, this ne w   sched ule ca n  offer significant benefits li ke minimi za ti on of system  losse s  and lo cation al marg inal  prices (L MP)  in term s of  co nge stion ma n ageme n t  du ri ng conting e n c y and i n  no rmal condition  of  the system. T he othe r imp o rtant  adva n tage of calcul ated re -contri bution sch e d u le that ha s b een  prep ared by  GA by optimi z ing th e a c tive and  rea c tive  losse s  in  d e reg u lated  el ectri c ity market is   that it does n o t threaten th e eco nomi c  d i spat ch.       Table 6. Co m pari s on of rea l  losses  with orig in al co ntri bution an d re -co n trib ution  sched ule    of GENCOs d u ring  contin g ency   Cases P L  in p.u.  w i th   % reduction  in a c tive loss w i th  Re-contribution o f  GENC Os   Original contribut ion of  GE NC Os   Re-contribution o f   GE NC Os   Case 1  0.0798   0.0733   8.14  Case 2  0.1427   0.1236   13.38   Case 3  0.0891   0.0775   13.01   Case 4  0.0809   0.0742   8.28  Case 5  0.0813   0.0719   11.48                       Figure 3. Co mpari s o n  of voltage du ring  contin gen cy with origi nal a nd ne w gen eration   for Ca se 1 an d 2        Figure 4. Co mpari s o n  of voltage du ring  contin gen cy with origi nal a nd ne w gen eration   for Ca se 3 an d 4  Evaluation Warning : The document was created with Spire.PDF for Python.
         ¢               ISSN: 16 93-6 930   TELKOM NIKA   Vol. 9, No. 1,  April 2011 :  1 – 8   8     Figure 5. Co mpari s o n  of voltage du ring  contin gen cy with origi nal a nd ne w gen eration   for Cas e  5      4. Conclusio n   This p ape r p r opo se s a ne w metho d , which  not only  optimize s   rea l  and rea c tive power  loss usin g G A , but also redu ce s con g e stion of  tran smissio n  line s  duri ng cont ingen cy by using  new  sche dul e of gen erators contrib u tions. T he ov e r loadi ng in de x, propo se d i n  this p ape r  can   efficiently tra c e th e  co nge sted li ne s in   contin gen cy  so th at a  re medial  a c tion  ca n  be ta ke n to  relief the line  from con g e s tion. In this paper , the  new g ene rati on sche dule  obtaine d by th e   prop osed lo ss optimisatio n GA model has be en  taken as a corrective mea s u r e for co nge stion   manag eme n t. This l o ss o p t imisation b a s ed  gen erati on sch edul e  has  bee n co upled  with lo ad   flow to  ch eck the  voltag e profile of t he  sy stem al ong with co n gestio n   ma n ageme n t  of  t h e   transmissio n  line s  du rin g  continge ncy. The te st  re sults sho w  that th e  new sch edul e of  gene ration i s   a po werful to ol for cong est i on ma n agem ent schem e o v er the othe r  scheme s   su ch  as loa d  cu rtai lment and FA CTS device inclu s io n.       Referen ces   [1]    K y u ng M, S a n g -H ye on H, S u -W on L, Yo un g-H y u n  M. T r a n smissio n  l o ss  all o catio n  a l g o rithm us in g   path-i n tegr al b a sed o n  transa c tion strateg y .  IEEE Transaction on Power  System s . 20 10 ; 25(1):195 - 205.   [2]    Sch w e ppe F ,   Carama nis  R, T a rbor R, Boh n  R. Spot  pr ici ng of El ectricit y. Klu w er Ac ade mic Publ ish e r.   198 8.  [3]    Gross G, T ao S. A ph ys ical-f lo w - b a se d a p p r oach  to a lloc a ting tra n smissi on l o sses  in  a  transacti o n   frame w ork.  IEEE Transaction on Power System s . 20 00; 1 5 (2): 631 –6 37.   [4]    Cha ng Y-C,  Lu C-N. A n   electricit y traci ng  meth od  with ap plic atio n t o po w e r loss  all o catio n .   Internatio na l Journ a l of Electr ical Pow e r Ene r gy Systems . 2 001; 23( 1): 13- 17.     [5]    Abde lkar S.  Efficient  comp utat on  alg o rithm  fo r calcu l ati ng  lo ad c ontrib u tio n s  to l i ne  flo w s   and  loss es .  IEE proc. Of  Gener ation, T r an smiss i on  and  Distributi o n . 20 06; 153( 4): 391 -398.   [6]    Abed lkar  S. T r ansmissi on  los s  al locati on  in   a d e re gul ated   electric al  en er g y  mark et.  Electrical P o wer   System a nd R e searc h . 200 6; 76(11): 96 2-9 67.   [7]    Nep o muce no L ,  Santos Jr. A.  Equiv a le nt opti m izat io n mode l  for loss minimi zation: A suita b le a nal ys is   appr oach . IEE E  T r ansaction  on Pow e r Systems . 1 997; 1 2 ( 4 ):140 3-1 412.   [8]    Jen-H ao T .  Po w e r fl o w   an d l o ss al locati on  fo r der egu late d t r ansmissi on  s ystem.  Internati ona l Jo urn a l   of Eletrical Po w e r and Ener g y  System.  200 5; 27 (1): 327- 333.   [9]    Mohd H e r w a n  S, Mohd W a zir  M, Omar A.  Trans missi on l o ss and lo ad flo w  allocatio n s via Geneti c   Algorit h m  tech niq u e . IEEE  T encon 2009.  [10]    Parna ndi  S,  Schod er K, F e liac h i  A.  Po w e r Market A nalysis  too l  fo r Con gesti on  ma na ge me nt.   Internatio na l C onfere n ce o n  Electrical E ngi ne erin g Desi gn a nd T e chnol ogi es. 2007: 4- 6.     [11]    H w a-S, S eun g  M.  A N e w   Operatio n Stra tegy of  Seri es   Co mpens atin g D e vice  u n d e r li ne  flow   cong estio n  usi ng li near i z e d  l i ne flow  sensiti v it y .  Po w e r En gin eeri ng Soc e it y  W i nter Me eting IEE E   200 1; 2: 416-4 20.   [12]   Chakr abarti A,  Hald er S. Po w e r S y st em Ana l ysis, Op eratio n  and  Contro l. F ourth Ed itio n P H I Lear nin g   Pvt. Ltd, India. 201 0.  [13]    Yong F ,  Z u yi  L.  Different M ode ls an d Pro perties o n  LM P Calcu l ati ons .  Po w e r En gi ne erin g Soce it y  Genera l  Meeti ng IEEE. 2006.   Evaluation Warning : The document was created with Spire.PDF for Python.