Optimal control for on-load tap-changers and inverters in photovoltaic plants applying teaching learning based optimization

Identificadores
Statistics
Metadata
Show full item recordAlternative title
Control óptimo de cambiadores de tomas en carga e inversores en plantas fotovoltaicas aplicando optimización basada en enseñanza-aprendizaje.
Author/s
Silva Quiñonez, Rolando ArturoDate
2026Department
Ingeniería EléctricaAbstract
The increasing penetration of photovoltaic (PV) generation into modern power
systems requires advanced supervisory control strategies capable of ensuring voltage
stability, efficient reactive power management, and reliable grid integration. Conventional
Energy Management Systems (EMS) and inverter control strategies often neglect the
coordinated operation of On-Load Tap-Changers (OLTCs), mechanical aging effects, and
inverter operating constraints, resulting in suboptimal performance under dynamic
operating conditions.
This doctoral research develops and experimentally validates an optimized EMS
based on an enhanced Teaching–Learning-Based Optimization (TLBO) algorithm for the
coordinated real-time control of PV inverters and OLTC transformers. The proposed
framework integrates electrical, mechanical, and economic objectives within a unified
optimization process to improve voltage regulation, reactive power support, and equipment
lifetime while minimizing operating costs.
A high-fidelity model of a dual 100 kWp photovoltaic installation coupled to a 300
kVA OLTC transformer was developed in MATLAB/Simulink. The EMS simultaneously
optimizes inverter active and reactive power references together with OLTC tap positions
while considering PQ capability curves, voltage deadband, mechanical latency, switching
costs, and thermal constraints. The proposed optimized TLBO incorporates adaptive
learning mechanisms, feasibility correction, and early stopping criteria to accelerate
convergence while guaranteeing feasible operating solutions. Its performance was
benchmarked against Monte Carlo, nonlinear fmincon, and conventional TLBO algorithms.
Simulation results demonstrate that the proposed algorithm converges within 3–6
ms, compared with approximately 0.3–0.4 s for conventional optimization methods, while
maintaining 100% feasibility under all operating constraints. The optimized TLBO reduces
the objective function by 17–25% relative to the conventional TLBO, limits OLTC
operations to fewer than 20 tap changes per day, improves reactive power sharing between
PV units, and enhances voltage regulation at the point of common coupling. Hardware-in-the-Loop validation using OPAL-RT, dSPACE MicroLabBox, and
Yokogawa instrumentation confirmed the real-time applicability of the proposed EMS, with
measurement deviations below 2% and implementation costs below 0.1% of plant CAPEX.
The proposed methodology contributes a novel supervisory control architecture
integrating adaptive TLBO optimization with coordinated OLTC–inverter operation. The
results demonstrate improved operational efficiency, reduced mechanical stress, enhanced
grid support capability, and a scalable solution suitable for future hybrid renewable energy
systems. La creciente penetración de la generación fotovoltaica (FV) en los sistemas
eléctricos modernos exige estrategias avanzadas de control supervisado que garanticen la
estabilidad de tensión, una gestión eficiente de la potencia reactiva y una integración fiable
a la red. Los Sistemas de Gestión de Energía (EMS) convencionales y las estrategias
tradicionales de control de inversores suelen ignorar la coordinación con los
transformadores equipados con cambiadores de tomas bajo carga (OLTC), así como los
efectos del envejecimiento mecánico y las restricciones operativas de los inversores, dando
lugar a un desempeño subóptimo bajo condiciones dinámicas.
Esta tesis doctoral desarrolla y valida experimentalmente un EMS optimizado
basado en un algoritmo Teaching–Learning-Based Optimization (TLBO) mejorado para el
control coordinado en tiempo real de inversores fotovoltaicos y transformadores OLTC. El
marco propuesto integra objetivos eléctricos, mecánicos y económicos dentro de un único
proceso de optimización para mejorar la regulación de tensión, el soporte de potencia
reactiva, la vida útil de los equipos y la eficiencia operativa.
Se desarrolló un modelo de alta fidelidad de una instalación fotovoltaica de dos
plantas de 100 kWp acopladas a un transformador OLTC de 300 kVA utilizando
MATLAB/Simulink. El EMS optimiza simultáneamente las referencias de potencia activa
y reactiva de los inversores y las posiciones del OLTC, considerando las curvas de capacidad
P–Q, la banda muerta de tensión, la latencia mecánica, los costos de conmutación y las
restricciones térmicas. El algoritmo TLBO optimizado incorpora mecanismos adaptativos
de aprendizaje, corrección de factibilidad y criterios de parada anticipada que aceleran la
convergencia garantizando soluciones siempre factibles. Su desempeño fue comparado con
los métodos Monte Carlo, fmincon y TLBO convencional.
Los resultados muestran tiempos de convergencia entre 3 y 6 ms, frente a
aproximadamente 0,3–0,4 s de los métodos convencionales, manteniendo el 100 % de
factibilidad. Asimismo, el TLBO optimizado reduce entre un 17 % y un 25 % el valor de la
función objetivo, limita los cambios de toma del OLTC a menos de 20 por día, mejora el
reparto de potencia reactiva y optimiza la regulación de tensión en el punto de acoplamiento
común. La validación Hardware-in-the-Loop realizada con OPAL-RT, dSPACE
MicroLabBox y equipos Yokogawa confirmó la viabilidad de implementación en tiempo
real, con desviaciones inferiores al 2 % y un costo inferior al 0,1 % del CAPEX de la planta.
La metodología propuesta constituye una contribución original al integrar un
algoritmo TLBO adaptativo con el control coordinado OLTC–inversor, proporcionando una
arquitectura de control escalable, robusta y adecuada para futuras aplicaciones en sistemas
híbridos de energía renovable y redes eléctricas inteligentes.
Collections
- Tesis [869]






