Int ern at i onal  Journ al of Inf orm at ic s  and  Co m munic at i on  Tec hn olog y (IJ - I CT)   Vo l. 8 ,  No. 3 ,  D ecembe r  201 9 , pp.  111 ~ 116   IS S N:  22 52 - 8776 , DO I: 10 .11 591/ij ic t.v8 i 3.p p 111 - 116          111       Journ al h om e page :  http: // ia escore.c om/j ourn als/i ndex. ph p/IJI C T   Powe r loss reduct ion by a rctic w olf optim iza tion alg orithm       Ka n agasab ai  Le nin   Depa rt m ent   o f  E EE ,   Prasad  V .  Potluri   Siddhart h a Instit ute of Te ch nology ,   Ind ia      Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved  J ul  19 , 2 01 9   Re vised  N ov   1 2,   201 9   Accepte d Nov  27 , 201 9       Thi s  p ape r   prop oses  Arctic   Wolf  opt im i za t ion   ( AWO)  al go rit h m  to  solv e   the   opti mal  re active   power  proble m .   Dee ds  of  the   Ar ct i c  wolf  hav e  b ee n  i mi t at ed   to  formulat e  th e  proposed  al gor ithm.  Arc ti c   wolf  al so  identif ie d  a s  the   whit e   wolf  or   pol ar   wolf  is  a   bre ed   of   gra y  wolf   inha bi ta nt   from   Me lvi l le  Island   t o   El le sm ere  Isl an d.   I t  is  ave r age  size ,   v ery   sm al l er  when   com par ed  to  nor th   weste rn  wolf ,   i t  poss ess  whiter  col or at ion ,   n a rrower  bra in ca s e  and   big   ca rna ss ials.   Particle  sw arm  opt i m iz a ti on,   Gen et i c   al gorit h m   has  b e en  used   to   im prove   th e  Exp lora ti on   &   Expl o it ation  abi l it y   of   t he  al gori thm  by  uti lizes  fla g   vec tor   &   posi t ion,  vel o city  u pdat e   prope rtie s.  Propos ed  A rct i c  Wol f   opti mization  (A WO)  al gor it hm  has  bee n  te st ed  i n  standa rd  I EEE   30  bus  te st   sys te m  and   simu la ti on   r esult s  sh ow  the  proj ec t ed   al go rit h ms  red u ce d   the  r ea l   power  loss c onsi der abl y .   Ke yw or d s :   Ar ct ic   wo lf  opt imi zat ion   Op ti mal  r eact ive  p owe r   Transmi ssio n  l os 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 :   Kan a gasa bai L enin ,   Dep a rtme nt of  EEE ,   Pr asa d V.   Potl uri  Sid dhartha  Insti tute o f  Tec hnolog y ,   Chala sani  Nagar, Ka nuru,  Vija yaw a da, A nd hr a   Pr a des h 5 2000 7,   I nd ia .   Emai l:   gk le nin@g mail .co m       1.   INTROD U CTION   Re act ive  powe r  prob le m  play s  an   imp ort ant  ro le   i n  sec ure  a nd  eco nomic  operati ons   of  power  syst em .   Numer ous  ty pe s  of   meth ods  [1 - 6]  ha ve  bee n  util iz ed  to  s ol ve  the  opti mal   reacti ve  po we r  pro blem.  H oweve r   man y  sci entifi c  d iffic ulti es are f ound  wh il e s olv in g pro blem  d ue  t o  an  ass ort ment  of  c onstrai nts.  E voluti on a r y  te chn iq ues   [ 7 - 16]  a re  a pp li e d  to   so l ve  th e  reacti ve  po wer   pro blem.   This  pa per   pro poses   Ar ct ic   W olf   op ti miza ti on  ( AWO)   al gorith m   to  so l ve t he  op ti mal  reacti ve   power   pro blem. A rcti c  wo l f a lso  identifie d  as  the   wh it e  w olf   or   po la r  w olf   is  a   bree d  of  gray   w olf   in ha bitant  from   M el vil le   Isla nd  to   El le smere   Isla nd.  It  is   aver a ge  siz e,  very  s mall er  wh e n  co mp a re d  t o  north   we ste rn  w olf,  it   po s sess  w hiter   col or at io n,  na rrow e r   br ai ncase and  b ig   car nassial s.   A rcti c w ol f  is  f ai rly   una fr ai d  of p eo ple,   an d ca n  be   e ntice   to  a ppr oac h  pe ople   in   sever al   areas .  Very  par ti c ular ly  the y  do  no t   f ear  human s  &   appr oach  cauti ou sl y,  cu rio us l y a nd  cl ose ly.   Duri ng  winterti me  wh en  t her e  is a bsolute  dark ness   Ar ct ic   wo l f wil l make  the  m oveme nt at te m per at ur e  w as  a s lo w  as   - 53  °C  ( - 63   °F )  an d  mai nly   t hey   prey  mainl y  on  the  musk ox e n.   Mus koxe n  are  ce rtai nl y  their  mo st  i mporta nt   pr e y  because   Ar ct ic   w olf  presence  a nd   re p rod uction  see m  to  be  s up e rior   w hen   musk ox e n  a re  m or e  avai la ble   than  normal  a vaila bili ty.   Pa r ti cl e  swar m  opti miza ti on ,  G eneti c  al gorith m  has  bee n  use d  to  i mpro ve   the  Ex plo rati on   &   Ex pl oitat ion   abili ty  of   the   al gorithm   by   util iz es  flag   ve ct or  &   posit ion,  vel ocity   update   pro per ti es.   P r o po s e d   A rcti c  Wo l f  op ti miza ti on   ( AWO)  al gorith m  has   be e n  t e s t e d  i n  s t a n da r d  I E E E   57   bu s   t e s t   s ys t e m   a nd   s i m ul a t i on   r e s ul t s   s ho w   t he   p r oj e c t e d  a l go r i t hm   r e du c e d   t he   r e a l   po w e r   l os s   c o ns i de r a bl y.       2.   PROBLE M   F ORMUL ATI ON    O bj e c t i ve   of   t h e   pr o bl e m   i s   t o  r e du c e   t he   t r ue   po w e r   l os s :     F = P L = ∑     g k k ∈ Nbr ( V i 2 + V j 2 − 2 V i V j cos θ ij )   (1)   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2252 - 8776   In t J  Inf & C ommu n Tec hn ol ,  V ol.  8 ,  No.   3,   Dec  201 9 :  111  –   116   112   vo l t a ge   de vi a t i on   gi ve n  a s   f ol l ow s :     F = P L + ω v × Volt ag e   D ev iat ion   (2)     vo l t a ge   de vi a t i on   gi ve n  by :     Volt ag e   D ev iat ion = ∑ | V i − 1 | Npq i = 1   (3)     const raint   ( E qual it y)     P G = P D + P L   (4)     const raints   ( I ne qu al it y)       P g slac k min ≤ P g slac k ≤ P g slac k max   (5)     Q gi min ≤ Q gi ≤ Q gi max   , i ∈ N g   (6)     V i min ≤ V i ≤ V i ma x   , i ∈ N   (7)     T i min ≤ T i ≤ T i max   , i ∈ N T   (8)     Q c min ≤ Q c ≤ Q C max   , i ∈ N C   (9)       3.   ARCTI C   W O LF OPT I MIZ ATIO N    Ar ct ic   W olf  op ti miza ti on   (AWO)  mimi cs  t he  de eds  of  A r ct ic   Wo lf  i n  na ture.   The  dee ds  of   t he  ar ct ic   wo l f ha ve bee n  imi ta t ed t o fo r mu la te   the  al gorith m.  D uri ng   winterti me  w he n t her e  is  a bsolute  da rkness  Ar ct ic   wo l f  will   mak e  the  m ov e me n t  at   te mp e ratu re  was  a s  lo w  as  - 53  °C  ( - 63  °F)   a nd  mainl y  they  pr e y  m ai nly   on  the  m uskoxe n.  M usk ox e n  a re  certai nly   t heir  mo st   im portant  prey   because   Ar ct i c  w olf  presen ce  an d  reprod uction  s eem  to   be  s uperi or  w he n  mu s koxe n  are   m or e   a vaila bl e  than   norma l  avail abili ty.   Huntin g  proce dure  of  t he  arcti c  w olf  i s  desig ne d  to  f ormulat e  th e  al gorithm .  T her e   are  thr ee  fitt est   cand id at e  so l utions  (Arcti c  W olf)   embe dd e d  as   ,   and     to  le a d  th e  popula ti on   t owar d  ca pab le   r egio ns   of   t he  e xp l or at io n  s pa ce  in  each   it erati on o f   A rcti c  W ol f  opti miza ti on.    is  name d  for  the  rest of A rct ic   Wo l f  a n d  it   will   assist   ,   an d    to  encircle ,   hu nt,  an d  at ta ck  pr e y ;  to  fin d  imp rove d  so l ution s .  I n  order  to  te ch nical ly  imi ta te   the  encircli ng   deeds  of   A rcti c wolves , th e  fo ll ow in g  e qu at i on s  are  pr oject ed:     ⃗ ⃗   = |   . ⃗ ⃗ ⃗   ( ) −   ( ) | ,   (10)       ( + 1 ) = ⃗ ⃗ ⃗   ( ) −   . ⃗ ⃗     (11)     in  or der  t o  sci e ntific al ly imit at e the hu ntin g deed s  of   A rcti c wolf,  the  fo ll owin g  e qu at io ns are  project ed ,     ⃗ ⃗ ⃗ ⃗ ⃗   = | 1 ⃗ ⃗   , ⃗ ⃗ ⃗   −   |     ⃗ ⃗ ⃗ ⃗ ⃗   = | 2 ⃗ ⃗ ⃗   , ⃗ ⃗ ⃗   −   |   (12)   ⃗ ⃗ ⃗ ⃗   = | 3 ⃗ ⃗ ⃗   , ⃗ ⃗ ⃗   −   |       1 ⃗ ⃗   = ⃗ ⃗ ⃗   − 1 ⃗ ⃗ ⃗ ⃗       . ⃗ ⃗ ⃗ ⃗ ⃗       2 ⃗ ⃗ ⃗   = ⃗ ⃗ ⃗   − 2 ⃗ ⃗ ⃗       . ⃗ ⃗ ⃗ ⃗ ⃗     (13)   3 ⃗ ⃗ ⃗   = ⃗ ⃗ ⃗   − 3 ⃗ ⃗ ⃗ ⃗       . ⃗ ⃗ ⃗ ⃗           ( + 1 ) = 1 ⃗ ⃗ ⃗ ⃗   + 2 ⃗ ⃗ ⃗ ⃗   + 3 ⃗ ⃗ ⃗ ⃗   3   (14)     The  posit ion  of  a n  Ar ct ic   w olf  is  mode rn iz e d  a nd  th en   the   fo ll owin g  e qua ti on   is   us e d  to   discrete  t he  po sit io n of t he wo l f;   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Inf & C ommu n Tec hn ol   IS S N:  22 52 - 8776       Power l os s re duct ion by  arct ic  wolf o ptimiza ti on   algorit hm  ( Ka nagas abai  Lenin )   113    , = { 1                                           , > 0 . 475 0                                        ℎ     (15)     wh e re  i ,  in dica te s the jth   po sit ion o f  t he  it h A rcti c wolf,    ,   is f eat ur es  of t he Arcti c  wo l f.   T he  i nteracti ons   of the  Ar ct ic   w olf  a mon g  the m is inc rease d by,     = +  ( − ) +  ( − )   (16)     The  c onfine d d ensity  of  the   A rcti c wolf is  de no te d by,     = ∑ − (   ) 2 ∈ / { }   (17)     Ar ct ic   wo lf   is  le ss  than   “ dc ”   w hen  the  t he  Ar ct ic   wo lf ’s  distance  from   the   j i ,  the   great er  tha n  t he  confi ne d  den si ty  of  the  Ar ct ic   wo l f.   d ij   sy m boli ze  the  Eu cl idean  distance  betwee n  the   j i  ,   j j   of   Ar ct ic   w ol f,   φ id   i s a arbit rary  num ber in  [0,  1],   φ id is a arb it ra ry  numb e r  i n  [ - 1,1]    “2  m”  Ar ct ic   Wo l f  with  t he  le ading   c onfi ne d  thick ness  is   cho se n  &  wel l - orga nized  by  den sit y  [ 17]  from  big   to  li tt le   in  set   “R ”.  Af te r wa rd s ,  “2   m”  Ar ct ic   W ol f’ s ,  a r e  sel ect ed  to  a dju st  to  t he  m os t  aw fu l  Ar ct ic   Wo l f ’s  a nd it   ha s  been  placed   in set  “Y ”   with  r e fer e nce  to  th e fitnes s  values  from  ve ry sma ll  to  la r ge. “ X”  and   “Y” inte rsecti on  of sets i s s ymb olize d b y  “ E”:     = ∩   (18)     = { ; ∈ , ∈ , = 1 , 2 , . . , }   (19)     Tw o  maj or  a bo li ti on  meth ods  are im plement ed.   Let  “V ”  b e   the sto re to st oc kp il e th e a bo l ished  in div id ua ls,     = { 1 ,   > (  ) 2 [ 1 ; ] ,  ℎ                                        (20)     Arbit rary  num ber s   are   en ge ndere d  by  the   ra ndom  f unct ion  in  the  i nter val  [ 0,   1].  T he  pro ba bili ty  of  the   est ablishme nt  of    > (  ) 2   in  the   pri m ary  sta ge   is  big.  Wit h  the   inc r ease  in  it erati on  ste ps ,   the   pro bab il it y  will   be  re du ci ng  t o  le sse r.  The   a lgorit hm   t o  be   incli ne d  t o  e xplo re  globall y,  an d  a fter ward s,  the   al gorithm is  apt  to  ex plore l oc al  mode.   Po sit io ns   a nd   ve locit ie s  are   m od e r nized   to   imp rove   the   pe r forma nce   of  t he   ex plorat io n  &  e xp l oitat io n  in the p ro je ct e d  al go rithm.     v t + 1 i = ω t . v t i + cg 1 . Rm 1   . ( m t i − y t i ) + cg 2 . Rm 2 . ( m t g − y t i )   (2 1)     y t + 1 i =   y t i + v t + 1 i   (22)     The  pr e sent  po sit ion   of   par ti c le   is  y t i   &  sea rch  velocit y  is   v t i .  Global   be st - f ound  posit ion   is .  m t g .  I n   un i for mly   dist rib uted  i nterva l  (0 ,   1)   Rm 1   &  Rm 2   a re  ar bitrar y  nu mb e rs.   W her e   cg 1   an d   cg 2   are  scal ing  par a mete rs.   ω t   is t he parti cl e ine r ti a. Th e  va riabl e   ω t   is m od e rn iz e d  as :     ω t = ( ω max − ω min ) . ( t m ax − t ) t m ax + ω min   (23)     M a ximum  a nd  minim um  of  ω t   is  represe nted   by   ω max   an d  ω min   ;  ma ximum  numb e r   of     it erati on s is  gi ven by   t ma x .    Gen et ic   al go rithm  (GA)  as  a n  ada ptive  opti miza ti on   e xp l orat ion   meth od  is  base d  on  nat ural   sel ect ion   and  ge netic s.  I n  GA,  a  popul at ion   is  c omp ose d  of  a  set   of  can did at e  s ol utions  cal le d  c hrom osomes   a nd  it  include s  nume rous   ge nes   wi th  bin a ry  val ue s  0  a nd  1. T he   majo r   ste ps  are   of  G A   a re .   (i)   I niti al iz at ion ;  Chrom osomes   are  a rb it ra rily   ge ner at e d.   (ii)  Sele ct io n;  to   ch oose  par e nt   ch romosome s   a  r oule tt e  ch oo si ng  method  is  us e d.  (iii )  Cr os s ov e r;  to  ge ne rate  offs pr i ng   c hro m os ome   a  si ng le   po i nt  cr os s ov e r   meth od   is  us e d.   (iv )  M utati on;  unva ry i ng   m utati on  is  implem ented  ( v)   Dec od e;   Dec od e   the  m utate d  c hrom osomes  a s  the  pr el imi na r y posi ti on s  of po pula ti on .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2252 - 8776   In t J  Inf & C ommu n Tec hn ol ,  V ol.  8 ,  No.   3,   Dec  201 9 :  111  –   116   114   Fit ness funct io n wil l be calc ulate d  by,      =  + −   (24)     Wh e re   T  de fin e  the   acc ur at e ness,  G  is   the   le ng th   of  c ho s en  el em ent   di vi sion ,   M   is   the   sum   of  al l   featur e s,  a nd    an d    a re t he wei ght o f  cl ass ific at ion  a nd p i ckin g qu al it y,  ∈ [ 0 , 1 ]      = 1 −     In it ia li zat ion  of the  p a rameter s    i = 1:  popula ti on size;  j =  1:  n    Wh e n (i, j)  >  0.4 75 ;  (i )  =  1 ;  E lse  ( j) =  0 ;    En d  if    En d  f or    Ca lc ulati on   of  the f it nes s fu nc ti on s  by;   =  + −   Pr imar y, sec ondary,  thir d  m ax imum  fitness  of the  Arct ic  wo lf is d e sig nated  as “ ”, “ ”, “ ”   Wh il e  k  <  ma xi mu m  num ber  of it erati on    Fo r  i =  1:  p op ul at ion  size   M ode rn iz e t he e xisti ng posit io n of A rcti c wolf  by    ( + 1 ) = 1 ⃗ ⃗ ⃗ ⃗   + 2 ⃗ ⃗ ⃗ ⃗   + 3 ⃗ ⃗ ⃗ ⃗   3   Existi ng wolf   Ar ct ic  locati on  h as  b ee n revis ed peri od ic al ly   En d  f or    Fo r  i =  1:  popu la ti on  size;  F or i=1:n   I f (i, j)  >  0.475 ; (j) =  1; Else ;  (j)  =  0;    En d  if    En d  f or    At irr e gula r  i nterv al s   re new th e p a rameter  v a lues    Fit ness   functi on  will  b e cal c ulate d  by ;    =  + −   The  as sessme nt  o f  Arct ic  Wol f   " " , " "   an d  "   "   has  t o b e re vised    t= t+ 1;    En d wh il e    Re turn the  best  so l ution ”     “   En d       4.   S IM ULATI O N   ST UDY    Pr op os e d  Ar ct i c  W olf   opti miza ti on   (AW O)  a lgorit hm  has   be en  te ste d,   i n  I EEE  57  B us   s ys te m  [ 18].  Table  1  s hows  the  co ns trai nts  of   c on t ro l  var i ables,  Ta ble  2  sh ows  t he  li mit s  of   reacti ve  powe r  ge ne rato r s  and  com par is on  res ults  ar e  pr e sen te d  i n  T able   3.   Fig ure  1  giv e s  the   C omparis on  of  real  pow er  l os s   an d  Fi gure   2  giv es  the Re duct ion   of r eal   po wer l os s  (% ) w it h  ref e re nce to base  case  valu e.        Table  1.  C onstrai nts  of co ntr ol  v aria bles   Sy stem   Variables   Minimum  ( P U)   Maximu m  ( P U)   IE E E  5 7  Bu s   Gen erator  Vo ltag e   0 .95   1 .1   Tr an sfo r m er  T ap   0 .9   1 .1   VAR So u rce   0   0 .20       Table  2.  C onstrai ns   of r eact i ve  pow e r ge ner a tors   Sy stem   Variables    Q M in i m u m   (PU )   Q M ax i m u m   (PU )   IE E E  5 7  Bu s    1   - 140   200   2   - 17   50   3   - 10   60     6   - 8   25     8   - 140   200     9   - 3   9     12   - 150   155           Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Inf & C ommu n Tec hn ol   IS S N:  22 52 - 8776       Power l os s re duct ion by  arct ic  wolf o ptimiza ti on   algorit hm  ( Ka nagas abai  Lenin )   115   Table   3.   Simul at ion   resu lt s  of I EEE - 57 syst em   Co n trol v ariables   Bas e ca se   MPSO  [19 ]   PSO [ 1 9 ]   CGA [19 ]   AGA  [19 ]   AW O      1   1 .04 0   1 .09 3   1 .08 3   0 .96 8   1 .02 7   1 .00 8      2   1 .01 0   1 .08 6   1 .07 1   1 .04 9   1 .01 1   1 .01 2      3   0 .98 5   1 .05 6   1 .05 5   1 .05 6   1 .03 3   1 .00 4      6   0 .98 0   1 .03 8   1 .03 6   0 .98 7   1 .00 1   1 .02 9      8   1 .00 5   1 .06 6   1 .05 9   1 .02 2   1 .05 1   1 .04 8      9   0 .98 0   1 .05 4   1 .04 8   0 .99 1   1 .05 1   1 .03 9      12   1 .01 5   1 .05 4   1 .04 6   1 .00 4   1 .05 7   1 .02 6      19   0 .97 0   0 .97 5   0 .98 7   0 .92 0   1 .03 0   0 .91 1      20   0 .97 8   0 .98 2   0 .98 3   0 .92 0   1 .02 0   0 .90 9      31   1 .04 3   0 .97 5   0 .98 1   0 .97 0   1 .06 0   0 .90 6      35   1 .00 0   1 .02 5   1 .00 3   NR*   NR*   1 .00 7      36   1 .00 0   1 .00 2   0 .98 5   NR*   NR*   1 .02 1      37   1 .04 3   1 .00 7   1 .00 9   0 .90 0   0 .99 0   1 .03 2      41   0 .96 7   0 .99 4   1 .00 7   0 .91 0   1 .10 0   0 .94 7      46   0 .97 5   1 .01 3   1 .01 8   1 .10 0   0 .98 0   1 .02 8      54   0 .95 5   0 .98 8   0 .98 6   0 .94 0   1 .01 0   0 .93 9      58   0 .95 5   0 .97 9   0 .99 2   0 .95 0   1 .08 0   0 .92 8      59   0 .90 0   0 .98 3   0 .99 0   1 .03 0   0 .94 0   0 .93 8      65   0 .93 0   1 .01 5   0 .99 7   1 .09 0   0 .95 0   1 .02 6      66   0 .89 5   0 .97 5   0 .98 4   0 .90 0   1 .05 0   0 .93 9      71   0 .95 8   1 .02 0   0 .99 0   0 .90 0   0 .95 0   1 .04 2      73   0 .95 8   1 .00 1   0 .98 8   1 .00 0   1 .01 0   1 .01 2      76   0 .98 0   0 .97 9   0 .98 0   0 .96 0   0 .94 0   0 .90 6      80   0 .94 0   1 .00 2   1 .01 7   1 .00 0   1 .00 0   1 .03 0      18   0 .1   0 .17 9   0 .13 1   0 .08 4   0 .01 6   0 .14 0      25   0 .05 9   0 .17 6   0 .14 4   0 .00 8   0 .01 5   0 .13 1      53   0 .06 3   0 .14 1   0 .16 2   0 .05 3   0 .03 8   0 .12 0      ( MW)   1 2 7 8 .6   1 2 7 4 .4   1 2 7 4 .8   1276   1275   1 2 7 2 .6 7      (M v a r)   3 2 1 .08   2 7 2 .27   2 7 6 .58   3 0 9 .1   3 0 4 .4   2 7 2 .38   Red u ctio n  in  PLos s (%)   0   1 5 .4   1 4 .1   9 .2   1 1 .6   2 7 .43   Total PLos s ( Mw )   2 7 .8   2 3 .51   2 3 .86   2 5 .24   2 4 .56   2 0 .17 2   NR*   -   No t  repo rte d .           Figure  1.   Com par is on of  real  powe r  loss           Fig ure  2 .   Re du ct ion   of r eal   po wer l os s  (% ) w it h  ref e re nce to base  case  valu e   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2252 - 8776   In t J  Inf & C ommu n Tec hn ol ,  V ol.  8 ,  No.   3,   Dec  201 9 :  111  –   116   116   5.   CONCL US I O N   In  this   pa per   Ar ct ic   W olf  opti miza ti on   ( A WO)  al gorith m  s uccess fu ll y   so l ved  the   opti mal  reacti ve   powe r  pro ble m .  ( Ar ct ic   W ol f)   em bedde d  as   ,   and     to  le ad  the  popula ti on   t ow a rd   ca pa ble  re gions  of   the   exp l or at io n  spa ce  in   eac h  it er at ion   of  Ar ct ic   W olf   op ti miza ti on .     is  name d  f or  the   rest  of  Ar ct ic   W olf  a nd  it   will   assist   ,   an d    to  enci rcle, h unt,  a nd  at ta ck  pr e y.  . P rop ose d   Ar ct ic   W olf   opti miz at ion  (AW O)   al gorith m   has  bee n  te ste d  i n  sta ndar d  I EEE  57  bus  te st  sy ste m  a nd  simulat ion  re s ults  s how   the   project ed   al go rithms  reduce d  the  r ea l powe r  los s effi ci ently.        REFERE NCE S   [1]   K.  Y.  Lee,   " Fuel - cost  mi ni mis at ion  for  both   rea l   and  r ea c t ive - power  disp a t che s,"   P roce ed ings  Gene ratio n,   Tr ansm i ss ion  and  Distributi on   C onfe renc e ,   vol .  1 31(3),   pp .   85 - 93 ,   1984 .    [2]   N.  I.   Dee b ,   " An  e ffic i ent   t ec hn iqu e  for  re ac t ive   po wer  dispat ch  usi ng  a  rev ised   li n e ar  progra m mi ng  appr oac h , "   Elec t ric  Powe r Sy st em  R ese arch ,   vol.  15( 2),   pp .   121 - 134 ,  1998.     [3]   M.  R.   Bj el ogrl ic,   M.   S.  C al ovi c,  B.   S.   Bab ic , " Ap pli c at ion   of   n ewt on’s opt imal   po wer  flow   in   voltage/ r eact iv e  pow er  cont rol ,"   IE EE Tr ans P ower  Syst em ,   vol .   5( 4 ) ,   pp .   1447 - 1454 ,  19 90.   [4]   S.  Granvi lle,   " Optim al  reactiv e  dispatch  throu gh  int er ior  poin t  methods, "   IEEE  Tr ansacti ons  on  Powe r  System ,    vol .  9(1) ,   pp .   13 6 - 146 ,  1994 .     [5]   N. G rudini n ,   " R ea c ti ve   power op ti mization  using   succ essive qu adr at i c progra mm in g  me thod , "   I EE E   Tr ansacti ons  on  Powe r Sy st em ,   v ol .  13(4) ,   pp .   12 19 - 1225 ,   1998 .     [6]   Ng   Shin  Mei   R . ,   Sulaiman   M. H.,   Mus ta f fa   Z . ,   Dan iya l   H. ,   " Optim al  r ea c ti v e  power   dispa tch  soluti on   by   l oss   mi nimization   usi ng  mot h - f la m e  o pti mization  tech nique ,"   Appl.  So f t  Comput. ,  vo l.  5 9,   pp .   210 - 222 ,  2017.     [7]     Chen   G.,  L iu  L.,  Zha ng   Z . ,   Hua ng   S. ,   " Optimal   rea c ti ve   power   d ispat ch   by   im pro ved  GS A - base d  al gorit h m  w it h   t he   novel   str at eg ie s  t o  handle constra int s ,"   App l. Sof t   Comput . ,  vo l.  50 ,   pp .   58 - 70 ,  201 7.     [8]   Nade ri  E.,  N arima ni   H.,  Fath i  M.,   Nar im an i   M.   R . ,  " A  nov e l  fuz zy  ada p ti v e  conf iguration  of  par t ic l e  sw ar m   opti mization  to  s olve   la rge - sca l e opti mal  r eact iv e power  dispatch ,"   Appl.  So ft   Com put. ,  vol .   53 ,   pp .   441 - 456 ,  2017 .    [9]   Heida ri   A.   A . ,   Ali  Abbaspour  R. ,   R ezaee  Jord ehi   A. ,   "A   g aus sian  bar e - bones  wate r  cycle   al g orit hm   for  op timal  rea c ti ve   power   d ispat ch   in el ec tr i ca l   power  sys tems ,"   Appl.  So ft  Comput .,  vo l.  57 ,   pp .   657 - 671 ,  2 017 .   [10]   Maha letchumi   Morgan,  Nor  Ru l  Hasm a   Abdull ah,  Mohd  H erwa n  Sul ai m an,  M ah fuz ah   Mus ta f a ,   Rosdiy ana  Sa ma d,   " Benc hma rk   stu die s  on   opt im a l  rea c ti ve   power   dispat c h   (ORP D)  base d   mu lt i - ob je c ti ve   evo lut ion ary   progr am m in g  (MO EP)  using  mut ation   base d   on  ad apt iv e   mu t at ion   ad apter   (AM O)  and   polyn omi al  mut a ti on   oper at or   (PM O), "   Journal  of   Elec t rical   S yste ms ,  vo l.   12 ( 1 ) ,   2016 .   [11]   Rebe c ca  Ng   Shi n  M ei,   Mohd  H erwa n   Sulai m an ,   Zuriani   Mus ta f fa, " Ant   li on   op timizer  for   opti m al  re ac t ive  powe r  dispat ch   soluti on ,"   Journal   of El e ct rical Sy st ems ,   pp.   68 - 74 ,  2016 .   [12]   P.  Anbar asa n,   T.  Jaya b arathi ,   " Optim al  r eact i ve  pow er   dispatch  prob lem   solved  by   symb iotic   orga n is m  s earc h   al gorit h m ,"   Inno vat ions  in  Pow er  and  Ad vanced Com puti ng  Tech nologi es ,   2017 .     [13]   Gagli ano   A.,  Noce ra   F. ,   " Anal ysis  of  the  per f orma nc es  of  el e ct ri c  en erg y  sto rag e  in  r eside nt ia l   applications, "   Inte rnational   Jo urnal  of  Hea t  an d  Technol og y   ,  v ol.   35 ( 1 ) ,  pp .   S4 1 - S48 ,  2017 .    [14]   Cal der a  M. ,   Ung ar o  P. ,   Ca mmara ta   G. ,   Pugl isi  G. ,   " Survey - base d  ana lysis  of   th e  e le c tri c al  ene rgy   dem and   in   Italian   households, "   Ma the mati cal   Mod e ll ing  o f Engi ne er ing  Probl ems , v ol.   5 ( 3 ) ,   pp .   217 - 224 ,  2018 .    [15]   M.  Ba su,  " Quasi - oppositi ona l  di ffe ren t ia l   evol u t ion  for  optima l  rea c ti ve   power  dispat ch ,"   Elec t rical   Pow er  and   Ene rgy  S yste ms ,   vol.   78 ,   pp .   29 - 4 0,   2016 .   [16]   X.   S.   Yang,   " Ba t  a lgorithm   for  mul ti - ob jecti v e  opti mization ,"   I nte rnational   Jou rnal  of   Bi o - Inspired  C omputat io n ,    vol.   3(5) ,   pp .   26 7 - 274 ,  2011 .   [17]   Y .   W.   Ya ma ny ,   E.   E ma ry   and  A.  E.   Hass anien ,   " Wol f  se arc h  al gorit h m  for  at t ribu te   r educ t ion   in  class ifi cation , "   Computati onal I nte lligen ce and D ata  Mini ng   (CI DM),  2014  I EE E   Symposium ,  I E EE ,   pp.   351 - 358,   2014 .   [18]   IEE E ,   " Th e  I EEE - te st   sys te ms ,"   1993 .  ht tp: / /www . ee . washington . edu/trsea r ch/ pst ca /   [19]   Ali  Nass er  Hus s ai n,   Al i  Abdulab bas  Abdulla h  an d  Omar   Muham me d  Neda ,   " Mod ifi ed  p art i cl e  s warm   opti m ization   for  soluti on   of   rea c ti ve   power   dis pat ch ,"   Re se arch  Journal   of   Applied   Sc ie n c es,   Engi ne ering   and  T ec hnolog y ,     vol.   15(8) ,   pp .   3 16 - 327,   2018 .     Evaluation Warning : The document was created with Spire.PDF for Python.