Published April 2, 2024 | Version v1
Publication Metadata-only

Optimizing Solar PV Placement for Enhanced Integration in Radial Distribution Networks using Deep Learning Techniques

Creators

  • 1. University of Sfax
  • 2. Jazan University

Description

This study introduces a highly effective technique to address the load flow challenge in Radial Distribution Networks (RDNs). The proposed approach leverages two matrices derived from the topological features of distribution networks to provide an optimal solution to handle load flow challenges. To assess the efficacy of this technique, simulations were executed on an IEEE 33-bus radial distribution system using MATLAB. Deep Learning (DL) has become a powerful artificial intelligence technique that excels at interpreting power grid datasets. Thus, a data-driven methodology is presented that incorporates an advanced Long-Short-Term-Memory (LSTM) network. Employing the Recurrent Neural Network with the LSTM (RNN-LSTM) technique based on these simulations, the study precisely identifies the optimal placement of an integrated PV generator within the radial network. The application of DL techniques, specifically LSTM networks, exemplifies the potential of data-driven approaches in enhancing decision-making processes. The results of this study highlight the potential of RNN-LSTM for the optimal integration of PV generators and for ameliorating the reliability of RDNs.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تقدم هذه الدراسة تقنية فعالة للغاية لمواجهة تحدي تدفق الحمل في شبكات التوزيع الشعاعية (RDNs). يستفيد النهج المقترح من مصفوفتين مشتقتين من السمات الطوبولوجية لشبكات التوزيع لتوفير حل أمثل للتعامل مع تحديات تدفق الحمل. لتقييم فعالية هذه التقنية، تم تنفيذ عمليات المحاكاة على نظام توزيع شعاعي IEEE 33 - bus باستخدام MATLAB. أصبح التعلم العميق تقنية ذكاء اصطناعي قوية تتفوق في تفسير مجموعات بيانات شبكة الطاقة. وبالتالي، يتم تقديم منهجية قائمة على البيانات تتضمن شبكة ذاكرة طويلة الأجل (LSTM) متقدمة. باستخدام الشبكة العصبية المتكررة مع تقنية LSTM (RNN - LSTM) بناءً على هذه المحاكاة، تحدد الدراسة بدقة الوضع الأمثل لمولد الكهروضوئية المتكامل داخل الشبكة الشعاعية. يجسد تطبيق تقنيات التعلم الرقمي، وتحديداً شبكات LSTM، إمكانات النهج القائمة على البيانات في تعزيز عمليات صنع القرار. تسلط نتائج هذه الدراسة الضوء على إمكانات RNN - LSTM للتكامل الأمثل للمولدات الكهروضوئية ولتحسين موثوقية RDNs.

Translated Description (French)

Cette étude présente une technique très efficace pour relever le défi du flux de charge dans les réseaux de distribution radiaux (RDN). L'approche proposée s'appuie sur deux matrices dérivées des caractéristiques topologiques des réseaux de distribution pour fournir une solution optimale pour gérer les défis de flux de charge. Pour évaluer l'efficacité de cette technique, des simulations ont été exécutées sur un système de distribution radiale IEEE à 33 bus à l'aide de Matlab. Le Deep Learning (DL) est devenu une puissante technique d'intelligence artificielle qui excelle dans l'interprétation des ensembles de données du réseau électrique. Ainsi, une méthodologie basée sur les données est présentée qui intègre un réseau avancé de mémoire à long terme et à court terme (LSTM). En utilisant le réseau neuronal récurrent avec la technique LSTM (RNN-LSTM) basée sur ces simulations, l'étude identifie précisément le placement optimal d'un générateur PV intégré dans le réseau radial. L'application des techniques DL, en particulier les réseaux LSTM, illustre le potentiel des approches basées sur les données pour améliorer les processus de prise de décision. Les résultats de cette étude mettent en évidence le potentiel du RNN-LSTM pour l'intégration optimale des générateurs photovoltaïques et pour l'amélioration de la fiabilité des RDN.

Translated Description (Spanish)

Este estudio presenta una técnica altamente efectiva para abordar el desafío del flujo de carga en las Redes de Distribución Radial (RDN). El enfoque propuesto aprovecha dos matrices derivadas de las características topológicas de las redes de distribución para proporcionar una solución óptima para manejar los desafíos del flujo de carga. Para evaluar la eficacia de esta técnica, se ejecutaron simulaciones en un sistema de distribución radial IEEE 33-bus utilizando MATLAB. El aprendizaje profundo (DL) se ha convertido en una poderosa técnica de inteligencia artificial que se destaca en la interpretación de conjuntos de datos de la red eléctrica. Por lo tanto, se presenta una metodología basada en datos que incorpora una red avanzada de memoria a largo plazo (LSTM). Empleando la red neuronal recurrente con la técnica LSTM (RNN-LSTM) basada en estas simulaciones, el estudio identifica con precisión la colocación óptima de un generador fotovoltaico integrado dentro de la red radial. La aplicación de técnicas de DL, específicamente redes LSTM, ejemplifica el potencial de los enfoques basados en datos para mejorar los procesos de toma de decisiones. Los resultados de este estudio destacan el potencial de RNN-LSTM para la integración óptima de los generadores fotovoltaicos y para mejorar la fiabilidad de los RDN.

Additional details

Additional titles

Translated title (Arabic)
تحسين وضع الطاقة الشمسية الكهروضوئية لتعزيز التكامل في شبكات التوزيع الشعاعية باستخدام تقنيات التعلم العميق
Translated title (French)
Optimisation du placement solaire photovoltaïque pour une meilleure intégration dans les réseaux de distribution radiaux à l'aide de techniques d'apprentissage approfondi
Translated title (Spanish)
Optimización de la colocación de energía solar fotovoltaica para mejorar la integración en las redes de distribución radial utilizando técnicas de aprendizaje profundo

Identifiers

Other
https://openalex.org/W4393900896
DOI
10.48084/etasr.6818

Is supplement to
https://openalex.org/W2748952813 (Other)
https://openalex.org/W2478288626 (Other)
https://openalex.org/W2395064349 (Other)
https://openalex.org/W2390279801 (Other)
https://openalex.org/W2386968573 (Other)
https://openalex.org/W2382290278 (Other)
https://openalex.org/W2376932109 (Other)
https://openalex.org/W2358668433 (Other)
https://openalex.org/W2034374297 (Other)
https://openalex.org/W2001405890 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Tunisia

References

  • https://openalex.org/W2017834553
  • https://openalex.org/W2057854431
  • https://openalex.org/W2076063813
  • https://openalex.org/W2123232211
  • https://openalex.org/W2171928131
  • https://openalex.org/W2532860585
  • https://openalex.org/W2546300715
  • https://openalex.org/W2753273833
  • https://openalex.org/W2755436320
  • https://openalex.org/W2908055926
  • https://openalex.org/W2919115771
  • https://openalex.org/W2921613016
  • https://openalex.org/W2946627816
  • https://openalex.org/W2963175879
  • https://openalex.org/W2963913268
  • https://openalex.org/W2968494899
  • https://openalex.org/W3120784392
  • https://openalex.org/W3200229395
  • https://openalex.org/W3207328434
  • https://openalex.org/W4246918423
  • https://openalex.org/W4300963240
  • https://openalex.org/W4319321950
  • https://openalex.org/W4366091323
  • https://openalex.org/W4386723426