Evolutionary algorithms (EAs) are well-known optimization approaches to deal with nonlinear and complex problems. However, these population-based algorithms are computationally expensive due to the slow nature of the evolutionary process. This paper presents a novel algorithm to accelerate the differential evolution (DE). The proposed opposition-based DE (ODE) employs opposition-based learning (OBL) for population initialization and also for generation jumping. In this work, opposite numbers have been utilized to improve the convergence rate of DE. A comprehensive set of 58 complex benchmark functions including a wide range of dimensions is employed for experimental verification. The influence of dimensionality, population size, jumping rate, and various mutation strategies are also investigated. Additionally, the contribution of opposite numbers is empirically verified. We also provide a comparison of ODE to fuzzy adaptive DE (FADE). Experimental results confirm that the ODE outperforms the original DE and FADE in terms of convergence speed and solution accuracy.

As a result of the application of deregulation in the electric power sector, a new identity appeared in the electric power system map known as “distributed generation” (DG). According to new technology, the electric power generation trend uses disbursed generator sized from kW to MW at load sits instead of using traditional centralized generation units sized from 100 MW to GW and located far from the loads where the natural recourses are available. This paper introduces a survey of this revolutionary approach of DGs, which will change the way electric power systems operate along with their types and operating technologies. Some important definitions of DGs and their operational constraints are discussed to help in understanding the concepts and regulations related to DGs. Furthermore, we will survey the operational and economical benefits of implementing DGs in the distribution network. Most DG literatures are based on studying the definitions, constructions or benefits of DGs separately. However, in our paper we aim to give a comprehensive survey by adding new classifications to relate the DG types, technologies and applications to each other.

The wavelet transform is introduced as a powerful tool for monitoring power quality problems generated due to the dynamic performance of industrial plants. The paper presents a multiresolution signal decomposition technique as an efficient method in analyzing transient events. The multiresolution signal decomposition has the ability to detect and localize transient events and furthermore classify different power quality disturbances. It can also be used to distinguish among similar disturbances.

This paper proposes a new heuristic approach for distributed generation (DG) capacity investment planning from the perspective of a distribution company (disco). Optimal sizing and siting decisions for DG capacity is obtained through a cost-benefit analysis approach based on a new optimization model. The model aims to minimize the disco's investment and operating costs as well as payment toward loss compensation. Bus-wise cost-benefit analysis is carried out on an hourly basis for different forecasted peak demand and market price scenarios. This approach arrives at the optimal feasible DG capacity investment plan under competitive electricity market auction as well as fixed bilateral contract scenarios. The proposed heuristic method helps alleviate the use of binary variables in the optimization model thus easing the computational burden substantially.

This paper proposes a new integrated model for solving the distribution system planning (DSP) problem by implementing distributed generation (DG) as an attractive option in distribution utilities territories. The proposed model integrates a comprehensive optimization model and planner's experience to achieve optimal sizing and siting of distributed generation. This model aims to minimize DG's investment and operating costs, total payments toward compensating for system losses along the planning period, as well as different costs according to the available alternative scenarios. These scenarios vary from expanding of an existing substation and adding new feeders to purchasing power from an existing intertie to meet the load demand growth. Binary decision variables are employed in the proposed optimization model to provide accurate planning decisions. The present worth analysis of different scenarios is carried out to estimate the feasibility of introducing DG as a key element in solving the DSP problem.

Photovoltaic (PV) systems are presently allowed to inject into the grid all the power they can generate. However, in the near future, utilities are expected to impose additional regulations and restrictions on the power being injected by large centralized PV systems because of their possible adverse impacts. One of the main issues associated with large PV systems is the fluctuation of their output power. These fluctuations can negatively impact the performance of the electric networks to which these systems are connected, especially if the penetration levels of these systems are high. Moreover, the fluctuations in the power of PV systems make it difficult to predict their output, and thus, to consider them when scheduling the generating units in the network. The main objective of this paper is to investigate some methods that can be used to reduce the fluctuations in the power generated from a large customer-owned PV system, in the order of megawatts. This paper focuses on three methods: 1) the use of battery storage systems; 2) the use of dump loads; and 3) curtailment of the generated power by operating the power-conditioning unit of the PV system below the maximum power point. The emphasis in the analysis presented in this paper is on investigating the impacts of implementing these methods on the economical benefits that the PV system owner gains. To estimate the maximum revenues gained by the system owner, an linear programming optimization problem is formulated and solved. Moreover, the effect of varying different parameters of the problem is investigated through sensitivity analysis.

In this paper, an enhanced version of the opposition-based differential evolution (ODE) is proposed. ODE utilizes opposite numbers in the population initialization and generation jumping to accelerate differential evolution (DE). Instead of opposite numbers, in this work, quasi opposite points are used. So, we call the new extension quasi- oppositional DE (QODE). The proposed mathematical proof shows that in a black-box optimization problem quasi- opposite points have a higher chance to be closer to the solution than opposite points. A test suite with 15 benchmark functions has been employed to compare performance of DE, ODE, and QODE experimentally. Results confirm that QODE performs better than ODE and DE in overall. Details for the proposed approach and the conducted experiments are provided.

Population initialization is a crucial task in evolutionary algorithms because it can affect the convergence speed and also the quality of the final solution. If no information about the solution is available, then random initialization is the most commonly used method to generate candidate solutions (initial population). This paper proposes a novel initialization approach which employs opposition-based learning to generate initial population. The conducted experiments over a comprehensive set of benchmark functions demonstrate that replacing the random initialization with the opposition-based population initialization can accelerate convergence speed.

For many soft computing methods, we need to generate random numbers to use either as initial estimates or during the learning and search process. Recently, results for evolutionary algorithms, reinforcement learning and neural networks have been reported which indicate that the simultaneous consideration of randomness and opposition is more advantageous than pure randomness. This new scheme, called opposition-based learning, has the apparent effect of accelerating soft computing algorithms. This paper mathematically and also experimentally proves this advantage and, as an application, applies that to accelerate differential evolution (DE). By taking advantage of random numbers and their opposites, the optimization, search or learning process in many soft computing techniques can be accelerated when there is no a priori knowledge about the solution. The mathematical proofs and the results of conducted experiments confirm each other.

Partial shading of a photovoltaic array is the condition under which different modules in the array experience different irradiance levels due to shading. This difference causes mismatch between the modules, leading to undesirable effects such as reduction in generated power and hot spots. The severity of these effects can be considerably reduced by photovoltaic array reconfiguration. This paper proposes a novel mathematical formulation for the optimal reconfiguration of photovoltaic arrays to minimize partial shading losses. The paper formulates the reconfiguration problem as a mixed integer quadratic programming problem and finds the optimal solution using a branch and bound algorithm. The proposed formulation can be used for an equal or nonequal number of modules per row. Moreover, it can be used for fully reconfigurable or partially reconfigurable arrays. The improvement resulting from the reconfiguration with respect to the existing photovoltaic interconnections is demonstrated by extensive simulation results.