Review of stochastic optimization methods for smart grid

S. Surender REDDY, Vuddanti SANDEEP, Chan-Mook JUNG

PDF(233 KB)
PDF(233 KB)
Front. Energy ›› 2017, Vol. 11 ›› Issue (2) : 197-209. DOI: 10.1007/s11708-017-0457-7
REVIEW ARTICLE

Review of stochastic optimization methods for smart grid

Author information +
History +

Abstract

This paper presents various approaches used by researchers for handling the uncertainties involved in renewable energy sources, load demands, etc. It gives an idea about stochastic programming (SP) and discusses the formulations given by different researchers for objective functions such as cost, loss, generation expansion, and voltage/V control with various conventional and advanced methods. Besides, it gives a brief idea about SP and its applications and discusses different variants of SP such as recourse model, chance constrained programming, sample average approximation, and risk aversion. Moreover, it includes the application of these variants in various power systems. Furthermore, it also includes the general mathematical form of expression for these variants and discusses the mathematical description of the problem and modeling of the system. This review of different optimization techniques will be helpful for smart grid development including renewable energy resources (RERs).

Keywords

renewable energy sources / stochastic optimization / smart grid / uncertainty / optimal power flow (OPF)

Cite this article

Download citation ▾
S. Surender REDDY, Vuddanti SANDEEP, Chan-Mook JUNG. Review of stochastic optimization methods for smart grid. Front. Energy, 2017, 11(2): 197‒209 https://doi.org/10.1007/s11708-017-0457-7

References

[1]
Pimentel D, Herz  M, Glickstein M ,  Zimmerman M ,  Allen R ,  Becker K ,  Evans J ,  Hussain B ,  Sarsfeld R ,  Grosfeld A ,  Seidel T . Renewable energy: current and potential issues. Bioscience, 2002, 52(12): 1111–1120
[2]
Ochoa L F, Harrison  G P. Minimizing energy losses: optimal accommodation and smart operation of renewable distributed generation. IEEE Transactions on Power Systems, 2011, 26(1): 198–205
CrossRef Google scholar
[3]
Pepermans G, Driesen  J, Haeseldonckx D ,  D’haeseleer W ,  Belmans R . Distributed generation: definition, benefits and issues. Energy Policy, 2005, 33(6): 787–798
[4]
Rasmussen C N . Energy storage for improvement of wind power characteristics. IEEE TrondheimPowertech, 2011: 1–8
[5]
Jabr R A, Pal  B C. Intermittent wind generation in optimal power flow dispatching. IET Generation, Transmission & Distribution, 2009, 3(1): 66–74
CrossRef Google scholar
[6]
PSERC Executive Committee. “Challenges in integrating renewable technologies into an electric power system” white paper, April 2010
[7]
Amarnath R V, Ramana  N V. State of art in optimal power flow solution methodologies. Journal of Theoretical and Applied Information Technology, 2011, 30(2): 128–154
[8]
Selvi V, Umarani  R. Comparative analysis of ant colony and particle swarm optimization techniques. International Journal of Computers and Applications, 2010, 5(4): 1–6
CrossRef Google scholar
[9]
AlRashidi M R ,  El-Hawary M E . A survey of particle swarm optimization applications in electric power systems. IEEE Transactions on Evolutionary Computation, 2009, 13(4): 913–918
CrossRef Google scholar
[10]
Momoh J A, Adapa  R, El-Hawary M E . A review of selected optimal power flow literature to 1993. I. Nonlinear and quadratic programming approaches. IEEE Transactions on Power Systems, 1999, 14(1): 96–104
CrossRef Google scholar
[11]
Monticelli A, Pereira  M V F, Granville  S. Security constrained optimal power flow with post-contingency corrective rescheduling. IEEE Transaction on Power System, 1987, pwrs-2:1(1): 175–180
[12]
Stott B, Alsac  O, Monticelli A . Security analysis and optimization. Proceedings of the IEEE, 1987, 75(12): 1623–1644
CrossRef Google scholar
[13]
Birge J R, Louveaux  F. Introduction to Stochastic Programming.New York: Springer-Verlag, 1997
[14]
Allan R N, Da Silva  A M L, Burchett  R C. Evaluation methods and accuracy in probabilistic load flow solutions. IEEE Transactions on Power Apparatus & Systems, 1981, PAS-100(5): 2539–2546
[15]
Chandy K M, Low  S H, Topcu  U, Xu H . A simple optimal power flow model with energy storage. 49th IEEE Conference on Decision and Control, 2011: 58(8) 1051–1057
[16]
Yau T, Walker  L, Graham H ,  Gupta A . Effects of battery storage devices on power system dispatch. IEEE Transactions on Power Apparatus & Systems, 1981, PAS-100(1): 375–383
[17]
Su W, Wang  J, Roh J . Stochastic energy scheduling in microgrids with intermittent renewable energy resources. IEEE Transactions on Smart Grid, 2013, 5(4): 1876–1883
[18]
Liu G, Xu  Y, Tomsovic K . Bidding strategy for microgrid in day-ahead market based on hybrid stochastic/robust optimization. IEEE Transactions on Smart Grid, 2016, 7(1): 227–237
[19]
Nikmehr N, Najafi-Ravadanegh  S. Probabilistic optimal power dispatch in multi-microgrids using heuristic algorithms. In: Smart Grid Conference, Tehran, 2014: 1–6
[20]
Liang H, Zhuang  W. Stochastic modeling and optimization in a microgrid: a survey. Energies, 2014, 7(4): 2027–2050
[21]
Niknam T. Abarghooee  R A, Narimani M R . An efficient scenario-based stochastic programming framework for multi-objective optimal micro-grid operation. Applied Energy, 2012, 99(6): 455–470
[22]
Falsafi H, Zakariazadeh  A, Jadid S . The role of demand response in single and multi-objective wind-thermal generation scheduling: a stochastic programming. Energy, 2014, 64(1): 853–867
[23]
Khazali A, Kalantar  M. A stochastic–probabilistic energy and reserve market clearing scheme for smart power systems with plug-in electrical vehicles. Energy Conversion and Management, 2015,105: 1046–1058
[24]
Yu Z, Jia  L, Murphy-Hoye M C ,  Pratt A ,  Tong L. Modeling and stochastic control for home energy management. IEEE Transactions on Smart Grid, 2012, 4(4): 2244–2255
[25]
Romero-Ruiz J  ,  Pérez-Ruiz J  ,  Martin S  ,  AguadoJ A ,  De la Torre  S . Probabilistic congestion management using EVs in a smart grid with intermittent renewable generation. Electric Power Systems Research, 2016, 137: 155–162
[26]
Ringler P, Keles  D, Fichtner W . Agent-based modelling and simulation of smart electricity grids and markets: a literature review. Renewable & Sustainable Energy Reviews, 2016, 57: 205–215
[27]
Koohi-KamaliS, Rahim N A, MokhlisH ,  TyagiV V . Photovoltaic electricity generator dynamic modeling methods for smart grid applications: A review. Renewable & Sustainable Energy Reviews, 2016, 57(C): 131–172
[28]
Soroudi A. Robust optimization based self scheduling of hydro-thermal Genco in smart grids. Energy, 2013, 61(6): 262–271
[29]
ParhoudehS, Baziar A, MazareieA ,  Kavousi-FardA . A novel stochastic framework based on fuzzy cloud theory for modeling uncertainty in the micro-grids. International Journal of Electrical Power & Energy. 2016, 80: 73–80
[30]
SiddaiahR, Saini R P. A review on planning, configurations, modeling and optimization techniques of hybrid renewable energy systems for off grid applications. Renewable & Sustainable Energy Reviews, 2016, 58: 376–396
[31]
MohammadiS, Mohammadi  A. Stochastic scenario-based model and investigating size of battery energy storage and thermal energy storage for micro-grid. International Journal of Electrical Power & Energy System, 2014, 61: 531–546
[32]
Soares J, Vale  Z. Stochastic optimization of distributed energy resources in smart grids. 2015, http://sites.ieee.org/psace-mho/files/2015/07/01_15PESGM2908.pdf
[33]
Chiang H D. Stochastic security-constrained AC optimal power flow solver for large power networks with renewable. 2015, http://sites.ieee.org/psace-mho/files/2015/07/05_15PESGM2914.pdf
[34]
Miranda V. Electric vehicles in smart grids: a hybrid Benders/EPSO solver for stochastic reservoir optimization. 2015, http://sites.ieee.org/psace-mho/files/2015/07/06_15PESGM2910.pdf
[35]
MohanV, Singh J G, OngsakulW ,  UnniA C ,  Sasidharan N . Stochastic effects of renewable energy and loads on optimizing microgrid market benefits. Procedia Technology, 2015, 21: 15–23
[36]
RekaS S, Ramesh  V. Demand side management scheme in smart grid with cloud computing approach using stochastic dynamic programming. Perspectives in Science, 2016
[37]
Sobu A, Wu  G. Optimal operation planning method for isolated micro grid considering uncertainties of renewable power generations and load demand. In: 2012 IEEE PES Innovative Smart Grid Technologies-Asia, Tianjin, 2012: 1–6
[38]
Küster T, Lützenberger  M, Voß M ,  Freund D ,  Albayrak S . Applying heuristics and stochastic optimization for load-responsive charging in a smart grid architecture. In: 2014 IEEE PES Innovative Smart Grid Technologies Conference Europe, Istanbul, 2014: 1–6
[39]
Zhu Z, Lambotharan  S, Chin W H ,  Fan Z. A stochastic optimization approach to aggregated electric vehicles charging in smart grids. In: 2014 IEEE Innovative Smart Grid Technologies-Asia, Kuala Lumpur, 2014: 51–56
[40]
Tan J, Wang  L. A stochastic model for quantifying the impact of PHEVs on a residential distribution grid. In: IEEE International Conference on Cyber Technology in Automation, Control and Intelligent Systems, Nanjing, 2013: 120–125
[41]
Haghi H V, Qu  Z, Lotfifard S . Analytics-based optimization for smart grid operations. In: IEEE International Workshop on Intelligent Energy Systems, San Diego, 2014: 58–63
[42]
Venayagamoorthy G K . Dynamic, stochastic, computational, and scalable technologies for smart grids. IEEE Computational Intelligence Magazine, 2011, 6(3): 22–35
[43]
Gong C, Wang  X, Xu W ,  Tajer A . Distributed real-time energy scheduling in smart grid: stochastic model and fast optimization. IEEE Transactions on Smart Grid, 2013, 4(3): 1476–1489
CrossRef Google scholar
[44]
Momoh J A. Adaptive Stochastic Optimization Techniques with Applications. Boca Raton :CRC Press, 2015
[45]
Alguacil N, Conejo  A J. Multiperiod optimal power flow using benders decomposition. IEEE Transactions on Power Systems,  2000, 15(1): 196–201
[46]
Sortomme E, El-Sharkawi  M A. Optimal power flow for a system of microgrids with controllable loads and battery storage. Power Systems Conference & Exposition, 2009, 107(1): 1–5
[47]
Delson J K, Shahidehpour  S M. Linear programming applications to power system economics, planning and operations. IEEE Transactions on Power Systems, 1992, 7(3): 1155–1163
[48]
Hashemi-DezakiH, HamzehM,  Askarian-AbyanehH ,  Haeri-Khiavi H . Risk management of smart grids based on managed charging of PHEVs and vehicle-to-grid strategy using Monte Carlo simulation. Energy Conversion and Management, 2015, 100: 262–276
[49]
ArnoldU, Yildiz  Ö. Economic risk analysis of decentralized renewable energy infrastructures–a Monte Carlo simulation approach. Renewable Energy, 2015, 77: 227–239
[50]
PereiraE J S, Pinho J T, GalhardoM A B ,  Macêdo W N . Methodology of risk analysis by Monte Carlo method applied to power generation with renewable energy. Renewable Energy, 2014, 69(3): 347–355
[51]
Rosenblueth E. Point estimates for probability moments. Proceedings of the National Academy of Science of the United States of America, 1975, 72(10): 3812–3814
[52]
Rosenblueth E. Two-point estimates in probability. Applied Mathematical Modelling, 1981, 5(5): 329–335
[53]
Morales J M, Pérez-Ruiz  J. Point estimate schemes to solve the probabilistic power flow. IEEE Transactions on Power Systems, 2007, 22(4): 1594–1601
[54]
Verbic G, Canizares  C A. Probabilistic optimal power flow in electricity markets based on a two-point estimate method. IEEE Transactions on Power Systems, 2006, 21(4): 1883–1893
[55]
Surender Reddy S ,  Bijwe P R ,  Abhyankar A R . Optimal posturing in day-ahead market clearing for uncertainties considering anticipated real-time adjustment costs. IEEE Systems Journal, 2015, 9(1): 177–190
[56]
Reddy S S, Momoh  J A. Realistic and transparent optimum scheduling strategy for hybrid power system. IEEE Transactions on Smart Grid, 2015, 6(6): 1–1
[57]
Reddy S S, Bijwe  P R, Abhyankar  A R. Joint energy and spinning reserve market clearing incorporating wind power and load forecast uncertainties. IEEE Systems Journal, 2015, 9(1): 152–164
[58]
Geidl M, Andersson  G. A modeling and optimization approach for multiple energy carrier power flow. Power Technology, IEEE Russia, 2005, 38(16): 1–7
[59]
Momoh J A, Surender Reddy  S. Review of optimization techniques for renewable energy resources.IEEE Symposium on Power Electronics and Machines for Wind and Water Applications, Milwaukee, WI, 2014
[60]
Momoh J A, Reddy  S S, Baxi  Y. Stochastic Voltage/Var control with load variation. In: 2014 IEEEPES General Meeting | Conference & Exposition, National Harbor, MD (Washington, DC Metro Area), 2014
[61]
Momoh J A, Baxi  Y, Idubor A O . Frame work for real time optimal power flow using real time measurement tools and techniques. In : North American Power Symposium, Boston, 2011,1–7
[62]
Wei H, Sasaki  H, Kubokawa J ,  Yokoyama R . An interior point nonlinear programming for optimal power flow problems with a novel data structure. IEEE Transactions on Power Systems Pwrs, 1998, 47(3): 14–18
[63]
Alguacil N, Conejo  A J. Multi period optimal power flow using benders decomposition. IEEE Transactions on Power Systems, 2000, 15(1): 196–201
[64]
Todorovski M. Rajiˇcic   D. An initialization procedure in solving optimal power flow by genetic algorithm. IEEE Transactions on Power Systems, 2006, 21(2): 480–487
[65]
Torres G, Quintana  V H. An interior point method for nonlinear optimal power flow using voltage rectangular coordinates. IEEE Transactions on Power Systems, 1998, 13(4): 1211–1218
[66]
Jabr R A. Optimal power flow using an extended conic quadratic formulation. IEEE Transactions on Power Systems Pwrs, 2008, 23(3): 1000–1008
[67]
Li Y, McCalley  J D. Decomposed SCOPF for improving efficiency. IEEE Transactions on Power Systems Pwrs, 2009, 24(1): 494–495
[68]
Vovos P N, Harrison  G P, Wallace  A R, Bialek  J W. Optimal power flow as a tool for fault level-constrained network capacity analysis. IEEE Transactions on Power Systems, 2005, 20(2): 734–741
[69]
Moon G H, Wi  Y M, Lee  K, Joo S K . Fault current constrained decentralized optimal power flow incorporating superconducting fault current limiter (SFCL). IEEE Transactions on Applied Superconductivity, 2011, 21(3): 2157–2160
[70]
Verbiˇc G. Cañizares   C A. Probabilistic optimal power flow in electricity markets based on a two-point estimate method. IEEE Transactions on Power Systems, 2006, 21(4): 1883–1893

RIGHTS & PERMISSIONS

2017 Higher Education Press and Springer-Verlag Berlin Heidelberg
AI Summary AI Mindmap
PDF(233 KB)

Accesses

Citations

Detail

Sections
Recommended

/