TU Darmstadt / ULB / TUprints

Increasing the Reliability of Power and Communication Networks via Robust Optimization

Almeida Santos, Allan (2023)
Increasing the Reliability of Power and Communication Networks via Robust Optimization.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00024715
Ph.D. Thesis, Primary publication, Publisher's Version

[img] Text
Dissertation_Santos.pdf
Copyright Information: CC BY-SA 4.0 International - Creative Commons, Attribution ShareAlike.

Download (7MB)
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Increasing the Reliability of Power and Communication Networks via Robust Optimization
Language: English
Referees: Steinke, Prof. Dr. Florian ; Rizk, Prof. Dr. Amr
Date: 20 October 2023
Place of Publication: Darmstadt
Collation: x, 99 Seiten
Date of oral examination: 11 October 2023
DOI: 10.26083/tuprints-00024715
Abstract:

Uncertainty plays an increasingly significant role in the planning and operation of complex networked infrastructure. The inclusion of variable renewable energy in power systems makes ensuring basic grid requirements such as transmission line constraints and the power balance between supply and demand more involved. Likewise, data traffic in communication networks varies greatly with user preferences and service availability, and with communication networks carrying more traffic than ever due to the surge in network-enabled devices, coping with the highly variable data flows between server and end-users becomes more crucial for the network's overall stability.

Within this context, we propose in this thesis new adaptable methods for optimizing flows in power and communication systems that explicitly consider the growing variability in these systems to guarantee optimal operation with a flexible degree of reliability. The proposed methods use a robust optimization framework, making constraints dependent on uncertain factors tractable by replacing originally stochastic conditions with deterministic counterparts. The primary benefit of robust methods is that they ensure the system is feasible for any values of the uncertain variables within a given continuous set of possible realizations. This, however, can lead to excessively conservative solutions. Therefore, we also investigate how to reduce the conservativeness of the proposed algorithms.

This thesis focuses on two classes of problems in power and communication systems, flow control and the placement of flow-controlling devices. In power systems, flow control refers to actions that induce changes in the power carried by transmission lines to minimize or maximize a specific objective value while considering the electrical grid's physical constraints. Some examples of power flow control actions are the change of switching equipment's state, regulation of generators' set points, and the management of the so-called Flexible AC Transmission Systems (FACTS) devices. For the last two action types, we propose a robust approach to optimize the corresponding control policies. As for communication networks, (data) flow control is implemented at each router in the network. These routers define the path and the rate data is forwarded using routing tables. We show that it is possible to robustly design policies to adapt these routing tables that optimize the data flows in the network depending on the instantaneous rate of the system's exogenous inputs. For both flow problems, we employ a robust optimization framework where affine-linear functions parametrize the flow control policies. The parametrized policies can be efficiently computed via linear or quadratic programming, depending on the system's constraints.

Furthermore, we consider the placement problems in the form of FACTS placement and the embedding of virtual networks in an existing communication network to improve the reliability of the network systems. Both problems are formulated as robust Mixed-Integer Linear Programs (MILP). However, because finding provable optimal solutions in large networks is computationally challenging, we also develop approximate algorithms that can yield near-optimal results while being several times faster to solve than the original MILP. In the proposed robust framework, the flow control and the placement of controlling-devices problems are solved together to take into account the coupling effects of the two optimization measures.

We demonstrate the proposed methodology in a series of use cases in power and communication systems. We also consider applications in Smart Grids, where communication and electric networks are closely interlinked. E.g., communication infrastructure enables real-time monitoring of the status of power grids and sending timely control signals to devices controlling the electric flow. Due to the increasing number of renewable energy resources, Smart Grids must adapt to fast changes in operating conditions while meeting application-dependent reliability requirements. The robust optimization methods introduced in this thesis can thus use the synergy between flexible power and communication systems to provide secure and efficient Smart Grid operation.

Alternative Abstract:
Alternative AbstractLanguage

Unsicherheit spielt bei der Planung und dem Betrieb komplexer, vernetzter Infrastrukturen eine immer wichtigere Rolle. Die zunehmende Einbeziehung variabler erneuerbarer Energien in Stromsysteme macht die Gewährleistung grundlegender Netzanforderungen wie Übertragungsleitungsbeschränkungen und Leistungsgleichgewicht zwischen Angebot und Nachfrage komplizierter. Ebenso variiert der Datenverkehr in Kommunikationsnetzwerken stark mit Benutzerpräferenzen und Dienstverfügbarkeit, und da Kommunikationsnetzwerke aufgrund der Zunahme netzwerkfähiger Geräte mehr Verkehr als je zuvor transportieren, ist die Bewältigung der hochgradig variablen Datenflüsse zwischen Servern und Endnutzern immer herausfordernder.

In diesem Zusammenhang schlagen wir in dieser Dissertation neue anpassungsfähige Methoden zur Optimierung von Flüssen in Energie- und Kommunikationssystemen vor, die explizit die wachsende Variabilität in diesen Systemen berücksichtigen, um einen optimalen Betrieb mit einem flexiblen Grad an Zuverlässigkeit zu gewährleisten. Die vorgeschlagenen Methoden verwenden ein robustes Optimierungsframework, um Beschränkungen, die von unsicheren Faktoren abhängen, handhabbar zu machen, indem ursprünglich stochastische Bedingungen durch deterministische Gegenstücke ersetzt werden. Der Hauptvorteil robuster Methoden besteht darin, dass sie sicherstellen, dass das System für alle Werte der unsicheren Variablen innerhalb einer gegebenen kontinuierlichen Menge möglicher Realisierungen realisierbar ist. Dies kann jedoch zu übermäßig konservativen Lösungen führen. Daher untersuchen wir auch, wie die Konservativität der vorgeschlagenen Algorithmen reduziert werden kann.

Diese Arbeit konzentriert sich auf zwei Klassen von Problemen in Energie- und Kommunikationssystemen, nämlich die adaptive Flusssteuerung und die Platzierung von flusskontrollierenden Geräten. In Stromversorgungssystemen bezieht sich die Flusssteuerung auf Maßnahmen, die Änderungen der von den Leitungen übertragenen Leistung bewirken, um einen bestimmten Zielwert zu minimieren oder zu maximieren, wobei die physikalischen Beschränkungen des Stromnetzes berücksichtigt werden. Einige Beispiele für die Steuerung der Leistungsflüsse sind die Änderung des Zustands von Schaltgeräten, die Regelung der Sollwerte von Generatoren und die Verwendung von sogenannten Flexible AC Transmission Systems (FACTS). Für die beiden letztgenannten Einflussmöglichkeiten schlagen wir einen robusten Ansatz zur Optimierung dieser vor. Bei Kommunikationsnetzen wird die (Daten-)Flusssteuerung an jedem Router des Netzes implementiert. Diese Router definieren, anhand von Routing-Tabellen, den Pfad und die Rate, mit der die Daten weitergeleitet werden. Wir zeigen, dass es möglich ist, Regelgesetze zur Anpassung dieser Routing-Tabellen zu entwerfen, die den Datenfluss im Netz entsprechend der momentanen Rate der exogenen Eingaben in das System robust optimieren. Für beide Flussprobleme verwenden wir ein robustes Optimierungsframework, in dem affin-lineare Funktionen die Regelgesetze der Flusssteuerung parametrisieren. Die parametrisierten Regelgesetze können gemäß den Systembeschränkungen durch lineare oder quadratische Programmierung effizient berechnet werden.

Darüber hinaus betrachten wir im Bereich Platzierung zur Verbesserung der Zuverlässigkeit der Netzsysteme das Problem der FACTS-Platzierung und der Einbettung virtueller Netzwerke in ein bestehendes Kommunikationssystem. Beide Probleme werden als robuste gemischt-ganzzahlige lineare Programme (MILP) formuliert. Da das Finden beweisbar optimale Lösungen in großen Netzen jedoch eine rechnerische Herausforderung darstellt, entwickeln wir Approximationsalgorithmen, die nahezu optimale Ergebnisse liefern können und dabei um ein Vielfaches schneller zu lösen sind als das ursprüngliche MILP. In dem vorgeschlagenen robusten Framework werden die Probleme der Flusssteuerung und der Platzierung von Steuergeräten gemeinsam gelöst, um die Kopplungseffekte der beiden Optimierungsmaßnahmen zu berücksichtigen.

Wir demonstrieren die vorgeschlagene Methodik in einer Reihe von Anwendungsfällen in Energie- und Kommunikationssystemen. Unter anderen betrachten wir auch Anwendungen in intelligenten Stromnetzen (Smart Grids), bei denen Kommunikation und Stromnetze eng miteinander verknüpft sind. Die Kommunikationsinfrastruktur ermöglicht beispielsweise die Überwachung des Zustands von Stromnetzen in Echtzeit und die rechtzeitige Übermittlung von Steuersignalen an Geräte zur elektrischen Flusssteuerung. Da Smart Grids sich schneller an Änderungen der Betriebsbedingungen, aufgrund der zunehmenden Zahl erneuerbarer, variabler Energiequellen, anpassen und gleichzeitig anwendungsabhängige Zuverlässigkeitsanforderungen erfüllen müssen, tragen die in dieser Arbeit entwickelten robusten Optimierungsmethoden dazu bei, die Synergien zwischen flexiblen Energie- und Kommunikationssystemen zu nutzen sowie einen sicheren und effizienten Smart-Grid-Betrieb zu ermöglichen.

German
Status: Publisher's Version
URN: urn:nbn:de:tuda-tuprints-247154
Classification DDC: 600 Technology, medicine, applied sciences > 621.3 Electrical engineering, electronics
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute of Computer Engineering > Energy Information Networks and Systems Lab (EINS)
Date Deposited: 20 Oct 2023 11:20
Last Modified: 05 Dec 2023 06:03
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/24715
PPN: 51262089X
Export:
Actions (login required)
View Item View Item