An adaptive modified Newton–Raphson-based optimizer for efficient optimal power flow performance under multiple operating conditions

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Optimization researchers may find the adaptive mechanism useful for power system problems.

最適電力流（OPF）問題は、本質的には、系統を支配する運用制約のいずれにも違反することなく、電力系統を運用する最も経済的かつ安全な方法を見つけることに関するものである。本論文では、再生可能エネルギー源である太陽光発電を統合した、現実的なOPF問題に取り組むために特別に設計された、新しい修正ニュートン・ラフソン法ベース最適化器（MNRBO）を紹介する。NRBOは、NR探索則を用いた勾配 Inspired 探索とトラップ回避戦略を統合している。我々のMNRBOは、2つの適応的構成要素を追加することでこの枠組みを拡張する。適応的交叉メカニズム（ACM）が追加され、解が互いに有用な情報を動的に交換できるようにし、集団の多様性を維持して、全員が早すぎる段階で同じ平凡な地点に行き詰まるのを防ぐ。また、シグモイド減衰モードは、アルゴリズムを初期段階の広範な探索（探索空間全体を見渡す）から、終盤の慎重な微調整（活用）へと滑らかかつ段階的に移行させる。これにより、元の急激な減衰や多項式減衰よりも、はるかに安定して予測可能な収束が得られる。結果として得られるMNRBOアルゴリズムは、探索の進行に応じて学習戦略を自動的に調整する自己進化型最適化フレームワークを形成する。我々は、標準的なIEEE 30母線系統において、広範囲の現実的なシナリオにわたってMNRBOを徹底的にテストした：燃料コストの最小化（滑らかな二次モデル、バルブポイントリップル、多燃料オプションを含む）、禁止運転帯を持つ発電機の処理、ならびに通常、ピーク、軽負荷条件下での送電損失の最小化。すべてのケースにおいて、MNRBOは、元のNRBOおよび他のいくつかの最新アルゴリズムと比較して、より良い解、より速くより一貫した収束、そして複数回の実行にわたる劇的に低いばらつきを提供した。結果は、MNRBOがより正確であるだけでなく、はるかに堅牢で信頼性が高いことを明確に示しており、これは信頼性が重要視される実電力系統でOPFを解く際に運用者がまさに必要とするものである。提案手法の再生可能エネルギー不確実性下での適用性をさらに検証するために、太陽光発電の再生可能エネルギー発電を組み込んだ確率論的OPFフレームワークを開発した。このケーススタディでは、対数正規日射量モデリングを用いた点推定法（PEM）を用いて、変動する日射量条件下での再生可能太陽光発電エネルギーの統合を検討する。さらに、再生可能太陽光発電源の存在下でのACMとシグモイド減衰戦略の個々の貢献を定量化するためのアブレーション研究を実施し、収束安定性、堅牢性、および最適化精度へのそれらの顕著な影響を実証する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The optimal power flow (OPF) problem is essentially about finding the cheapest and safest way to operate a power system without breaking any of the operational limits that govern it. In this paper, we introduce a new Modified Newton–Raphson-Based Optimizer (MNRBO) specifically designed to tackle real-world OPF problems, integrating renewable photovoltaic sources. The NRBO integrates gradient-inspired search using the NR search rule and the trap avoidance strategy. Our MNRBO extends this framework by adding two adaptive components. An Adaptive Crossover Mechanism (ACM) is added that lets solutions dynamically exchange useful information with each other, keeping the population diverse and preventing everyone from getting stuck in the same mediocre spot too soon. Also, a Sigmoid decay mode that smoothly and gradually shifts the algorithm from broad exploration (looking around the whole search space) in the early stages to careful fine-tuning (exploitation) toward the end. This gives much steadier and more predictable convergence than the original abrupt or polynomial decay. The resulting MNRBO algorithm forms a self-evolving optimization framework that automatically adjusts its learning strategy as the search progresses. We thoroughly tested MNRBO on the standard IEEE 30-bus system across a wide range of realistic scenarios: minimizing fuel costs (with smooth quadratic models, valve-point ripples, and multi-fuel options), handling generators with prohibited operating zones, and minimizing transmission losses under normal, peak, and light-load conditions. In every single case, MNRBO delivered better solutions, faster and more consistent convergence, and dramatically lower variation across multiple runs compared to the original NRBO and several other state-of-the-art algorithms. The results clearly show that MNRBO is not only more accurate but also far more robust and dependable, exactly what operators need when solving OPF in real power systems where reliability really matters. To further validate the applicability of the proposed approach under renewable energy uncertainty, a probabilistic OPF framework incorporating photovoltaic renewable generation is developed. In this case study, the integration of renewable solar photovoltaic energy in conditions of variable irradiance is examined using the Point Estimate Method (PEM) with lognormal irradiance modeling. In addition, an ablation study is conducted to quantify the individual contributions of the ACM and sigmoid decay strategy in the presence of renewable photovoltaic sources, demonstrating their significant impact on convergence stability, robustness, and optimization accuracy.

• semanticscholar https://www.nature.com/articles/s41598-026-58397-y.pdffirst seen 2026-07-24 06:47:37 · last seen 2026-08-31 05:46:51