Applications of Modern Heuristic Optimization Methods in Power and Energy Systems Lee Kwang Y Full Chapter

Applications of modern heuristic
optimization methods in power and

energy systems Lee Kwang Y.
Visit to download the full and correct content document:
https://ebookmass.com/product/applications-of-modern-heuristic-optimization-method
s-in-power-and-energy-systems-lee-kwang-y/
APPLICATIONS OF MODERN
HEURISTIC OPTIMIZATION
METHODS IN POWER AND
ENERGY SYSTEMS
IEEE Press
445 Hoes Lane
Piscataway, NJ 08854
IEEE Press Editorial Board

Ekram Hossain, Editor in Chief
Jón Atli Benediktsson Xiaoou Li Jeffrey Reed

Bimal Bose Peter Lian Diomidis Spinellis
David Alan Grier Andreas Molisch Sarah Spurgeon
Elya B. Joffe Saeid Nahavandi Ahmet Murat Tekalp
APPLICATIONS OF
MODERN HEURISTIC
OPTIMIZATION
METHODS IN POWER
AND ENERGY
SYSTEMS
Edited by
KWANG Y. LEE
ZITA A. VALE
Copyright © 2020 by The Institute of Electrical and Electronics Engineers, Inc. All rights reserved.
Published by John Wiley & Sons, Inc., Hoboken, New Jersey.
Published simultaneously in Canada.
No part of this publication may be reproduced, stored in a retrieval system, or transmitted in any form or
by any means, electronic, mechanical, photocopying, recording, scanning, or otherwise, except as
permitted under Section 107 or 108 of the 1976 United States Copyright Act, without either the prior
written permission of the Publisher, or authorization through payment of the appropriate per-copy fee
to the Copyright Clearance Center, Inc., 222 Rosewood Drive, Danvers, MA 01923, (978) 750-8400,
fax (978) 750-4470, or on the web at www.copyright.com. Requests to the Publisher for permission
should be addressed to the Permissions Department, John Wiley & Sons, Inc., 111 River Street,
Hoboken, NJ 07030, (201) 748-6011, fax (201) 748-6008, or online at http://www.wiley.com/go/
permissions.
Limit of Liability/Disclaimer of Warranty: While the publisher and author have used their best efforts in
preparing this book, they make no representations or warranties with respect to the accuracy or
completeness of the contents of this book and specifically disclaim any implied warranties of
merchantability or fitness for a particular purpose. No warranty may be created or extended by sales
representatives or written sales materials. The advice and strategies contained herein may not be suitable
for your situation. You should consult with a professional where appropriate. Neither the publisher
nor author shall be liable for any loss of profit or any other commercial damages, including but not
limited to special, incidental, consequential, or other damages.
For general information on our other products and services or for technical support, please contact our
Customer Care Department within the United States at (800) 762-2974, outside the United States at
(317) 572-3993 or fax (317) 572-4002.
Wiley also publishes its books in a variety of electronic formats. Some content that appears in print
may not be available in electronic formats. For more information about Wiley products, visit our
web site at www.wiley.com.
Library of Congress Cataloging-in-Publication data is applied for
hardback: 9781119602293
Cover Design: Wiley
Cover Images: Electricity pylons © Sam Robinson/Getty Images,
Offshore farm © T.W. van Urk/Shutterstock
Set in 10/12pt Times by SPi Global, Pondicherry, India
Printed in the United States of America
10 9 8 7 6 5 4 3 2 1
DISCLAIMER
The Editors are not endorsing evolution as a scientific fact, in that species evolve
from one kind to another. The term “evolutionary” in the evolutionary computation
(EC) simply means that the characteristics of an individual changes within the
population of the same species, as observed in the nature.
CONTENTS
PREFACE xv
CONTRIBUTORS xvii
LIST OF FIGURES xxi
LIST OF TABLES xxxiii
CHAPTER 1 INTRODUCTION 1
1.1 Background 1
1.2 Evolutionary Computation: A Successful Branch of CI 3
1.2.1 Genetic Algorithm 6
1.2.2 Non-dominated Sorting Genetic Algorithm II 8
1.2.3 Evolution Strategies and Evolutionary Programming 8
1.2.4 Simulated Annealing 9
1.2.5 Particle Swarm Optimization 10
1.2.6 Quantum Particle Swarm Optimization 10
1.2.7 Multi-objective Particle Swarm Optimization 11
1.2.8 Particle Swarm Optimization Variants 12
1.2.9 Artificial Bee Colony 13
1.2.10 Tabu Search 14
References 15
CHAPTER 2 OVERVIEW OF APPLICATIONS IN POWER AND ENERGY SYSTEMS 21
2.1 Applications to Power Systems 21

2.1.1 Unit Commitment 23
2.1.2 Economic Dispatch 24
2.1.3 Forecasting in Power Systems 25
2.1.4 Other Applications in Power Systems 27
2.2 Smart Grid Application Competition Series 28
2.2.1 Problem Description 29
2.2.2 Best Algorithms and Ranks 30
2.2.3 Further Information and How to Download 32
References 32
CHAPTER 3 POWER SYSTEM PLANNING AND OPERATION 39
3.1 Introduction 39
3.2 Unit Commitment 40
vii
viii CONTENTS
3.2.1 Introduction 40
3.2.2 Problem Formulation 40
3.2.3 Advancement in UCP Formulations and Models 42
3.2.4 Solution Methodologies, State-of-the-Art, History, and Evolution 46
3.2.5 Conclusions 56
3.3 Economic Dispatch Based on Genetic Algorithms and Particle Swarm
Optimization 56
3.3.2 Fundamentals of Genetic Algorithms and Particle Swarm Optimization 58
3.3.3 Economic Dispatch Problem 60
3.3.4 GA Implementation to ED 63
3.3.5 PSO Implementation to ED 71
3.3.6 Numerical Example 79
3.4 Differential Evolution in Active Power Multi-Objective Optimal Dispatch 87
3.4.2 Differential Evolution for Multi-Objective Optimization 88
3.4.3 Multi-Objective Model of Active Power Optimization for Wind Power
Integrated Systems 97
3.4.4 Case Studies 100
3.4.5 Analyses of Dispatch Plan 105
3.5 Hydrothermal Coordination 106
3.5.2 Hydrothermal Coordination Formulation 107
3.5.3 Problem Decomposition 110
3.6 Meta-Heuristic Method for Gms Based on Genetic Algorithm 115
3.6.1 History 115
3.6.2 Meta-heuristic Search Method 116
3.6.3 Flexible GMS 119
3.6.4 User-Friendly GMS System 131
3.6.5 Conclusion 141
3.7 Load Flow 143
3.7.2 Load Flow Analysis in Electrical Power Systems 144
3.7.3 Particle Swarm Optimization and Mutation Operation 148
3.7.4 Load Flow Computation via Particle Swarm Optimization with Mutation
Operation 150
3.7.5 Numerical Results 153
3.8 Artificial Bee Colony Algorithm for Solving Optimal Power Flow 161
3.8.1 Optimization in Power System Operation 162
3.8.2 The Optimal Power Flow Problem 162
3.8.3 Artificial Bee Colony 166
3.8.4 ABC for the OPF Problem 168
CONTENTS ix
3.9 OPF Test Bed and Performance Evaluation of Modern Heuristic Optimization 176
3.9.2 Problem Definition 177
3.9.3 OPF Test Systems 178
3.9.4 Differential Evolutionary Particle Swarm Optimization: DEEPSO 183
3.9.5 Enhanced Version of Mean–Variance Mapping Optimization Algorithm:
MVMO-PHM 187
3.9.6 Evaluation Results 193
3.10 Transmission System Expansion Planning 197
3.10.2 Transmission System Expansion Planning Models 198
3.10.3 Mathematical Modeling 199
3.10.4 Challenges 201
3.10.5 Application of Meta-heuristics to TEP 202
3.11 Conclusion 210
References 210
CHAPTER 4 POWER SYSTEM AND POWER PLANT CONTROL 227
4.1 Introduction 227

4.2 Load Frequency Control – Optimization and Stability 228
4.2.2 Load Frequency Control 229
4.2.3 Components of Active Power Control System 230
4.2.4 Designing LFC Structure for an Interconnected Power System 232
4.2.5 Parameter Optimization and System Performance 237
4.2.6 System Stability in the Presence of Communication Delay 242
4.3 Control of Facts Devices 244
4.3.2 Role of FACTS 246
4.3.3 Static Modeling of FACTS devices 247
4.3.4 Power Flow Control using FACTS 255
4.3.5 Optimal Power Flow Using Suitability FACTS devices 259
4.3.6 Use of Particle Swarm Optimization 281
4.4 Hybrid of Analytical and Heuristic Techniques for facts Devices 284
4.4.2 Heuristic Algorithms 285
4.4.3 SVC and Voltage Instability Improvement 288
4.4.4 FACTS Devices and Angle Stability Improvement 293
4.4.5 Selection of Supplementary Input Signals for Damping Inter-area
Oscillations 295
4.4.6 TCSC and Improvement of Total Transfer Capability 302
4.5 Power System Automation 305
x CONTENTS
4.5.2 Application of PSO on Power System’s Corrective Control 307

4.5.3 Genetic Algorithm-aided DTs for Load Shedding 322
4.5.4 Power System-Controlled Islanding 324
4.5.5 Application of the method on the IEEE – 30 buses test system 326
4.5.6 Application of the method on the IEEE – 118 buses test system 327
4.5.8 Appendix 328
4.6 Power Plant Control 334
4.6.2 Coal Mill Modeling 335
4.6.3 Nonlinear Model Predictive Control of Reheater Steam Temperature 340
4.6.4 Multi-objective Optimization of Boiler Combustion System 345
4.7 Predictive Control in Large-Scale Power Plant 355
4.7.2 Particle Swarm Optimization Algorithm 356
4.7.3 Performance Prediction Model Development Based on NARMA Model 357
4.7.4 Design of Intelligent MPOC Scheme 361
4.7.5 Control Simulation Tests 364
4.8 Conclusion 368
References 369
CHAPTER 5 DISTRIBUTION SYSTEM 381

5.2 Active Distribution Network Planning 382
5.2.3 Overview of the Solution Techniques for Distribution Network
Planning 385
5.2.4 Genetic Algorithm Solution to Active Distribution Network Planning
Problem 385
5.3 Optimal Selection of Distribution System Architecture 392
5.3.2 Deterministic Optimization Techniques 393
5.3.3 Stochastic Optimization Techniques 394
5.3.4 Multi-Objective Optimization 400
5.3.5 Mathematical Modeling for Power System Components 401
5.3.6 AC/DC Power Flow in Hybrid Networks 405
5.3.7 Pareto-Based Multi-Objective Optimization Problem 409
5.4 Conservation Voltage Reduction Planning 418
5.4.2 Conservation Voltage Reduction 418
5.4.3 CVR Based on PSO 420
5.4.4 CVR Based on AHP 423
5.4.5 Case Studies for CVR in Korean Power System 424
CONTENTS xi
5.5 Dynamic Distribution Network Expansion Planning with Demand Side

Management 427
5.5.2 Expansion Options 431
5.5.4 Optimization Algorithm 442
5.6 GA-Guided Trust-Tech Methodology for Capacitor Placement in Distribution
Systems 467
5.6.2 Overview of the Trust-Tech Method 469
5.6.3 Computing Tier-One Local Optimal Solutions 472
5.6.4 The GA-Guided Trust-Tech Method 474
5.6.5 Applications to Capacitor Placement Problems 478
5.6.6 Numerical Study 481
5.7 Network Reconfiguration 489
5.7.2 Modern Distribution Systems: A Concept 490
5.7.3 Distribution System Reconfiguration 493
5.7.4 Distribution System Service Restoration 496
5.7.5 Multi-Agent System for Distribution System Reconfiguration 501
5.8 Distribution System Restoration 510
5.8.2 Power System Restoration Process 511
5.9 Group-based PSO for System Restoration 531
5.9.2 Group-Based PSO Method 533
5.9.3 Overview of the Service Restoration Problem 539
5.9.4 Application to the Service Restoration Problem 542
5.10 MVMO for Parameter Identification of Dynamic Equivalents for Active
Distribution Networks 553
5.10.2 Active Distribution System 553
5.10.3 Need for Aggregation and the Concept of Dynamic Equivalents 554
5.10.4 Proposed Approach with MVMO 556
5.10.5 Adaptation of MVMO for Identification Problem 558
5.10.6 Case Study 562
5.10.7 Application to Test Case 568
5.10.8 Analysis 569
5.10.9 Reflections 572
5.11 Parameter Estimation of Circuit Model for Distribution Transformers 573
5.11.2 Transformer Winding Equivalent Circuit 574
5.11.3 Signal Comparison Indicators 576
xii CONTENTS
5.11.4 Coefficients Estimation Using Heuristic Optimization 578

5.11.5 Coefficients Estimation Results and Conclusion 582
References 590
CHAPTER 6 INTEGRATION OF RENEWABLE ENERGY IN SMART GRID 613

6.2 Renewable Energy Sources 613
6.2.1 Renewable Energy Sources Management Overview 613
6.2.2 Energy Resource Scheduling – Problem Formulation 615
6.2.3 Energy Resources Scheduling – Particle Swarm Optimization 617
6.2.4 Energy Resources Scheduling – Simulated Annealing 618
6.2.5 Practical Case Study 621
6.2.6 Appendix 632
6.3 Operation and Control of Smart Grid 635
6.3.2 Problems for Systems Configuration or Systems Design 636
6.3.3 Systems Operation and Systems Control 638
6.3.4 System’s Management 640
6.4 Compliance of Reactive Power Requirements in Wind Power Plants 645
6.4.2 Problem Definition 646
6.4.3 NN-Based Wind Speed Forecasting Method 648
6.4.4 Mean Variance Mapping Optimization Algorithm 650
6.5 Photovoltaic Controller Design 667
6.5.2 Maximum Power Point Tracking in PV System 668
6.5.3 Particle Swarm Optimization 674
6.5.4 Application of Particle Swarm Optimization in MPPT 674
6.5.5 Illustration of PSO Technique for MPPT During Different Irradiance
Conditions 676
6.6 Demand Side Management and Demand Response 680
6.6.2 Methodology for Consumption Shifting and Generation Scheduling 683
6.6.3 Quantum PSO 685
6.6.4 Numeric Example 687
6.7 EPSO-Based Solar Power Forecasting 691
6.7.2 General Radial Basis Function Network 693
6.7.3 k-Means 695
6.7.4 Deterministic Annealing Clustering 695
CONTENTS xiii
6.7.5 Evolutionary Particle Swarm Optimization 697

6.7.6 Hybrid Intelligent Method 698
6.8 Load Demand and Solar Generation Forecast for PV Integrated Smart
Buildings 704
6.8.2 Literature Review of Forecasting Techniques 714
6.8.3 Ensemble Forecast Methodology for Load Demand and PV Output
Power 717
6.8.4 Numerical Results and Discussion 722
6.9 Multi-Objective Planning of Public Electric Vehicle Charging Stations 729
6.9.2 Multi-Objective Electric Vehicle Charging Station Layout Planning
Model 730
6.9.3 An Improved SPEA2 for Solving EVCSLP Problem 733
6.10 Dispatch Modeling Incorporating Maneuver Components, Wind Power, and Electric
Vehicles 741
6.10.2 Proposed Economic Dispatch Formulation 743
6.10.3 Population-Based Optimization Algorithms 751
6.10.4 Test System and Results Analysis 753
6.11 Conclusions 757
References 757
CHAPTER 7 ELECTRICITY MARKETS 775

7.2 Bidding Strategies 777
7.2.2 Context Analysis 779
7.2.3 Strategic Bidding 780
7.3 Market Analysis and Clearing 781
7.3.2 Electricity Market Simulators 782
7.3.3 Didactic Example 785
7.4 Electricity Market Forecasting 793
7.4.2 Artificial Neural Networks for Electricity Market Price Forecasting 794
7.4.3 Support Vector Machines for Electricity Market Price Forecasting 795
7.4.4 Illustrative Results 796
7.5 Simultaneous Bidding of V2G In Ancillary Service Markets Using Fuzzy
Optimization 798
xiv CONTENTS
7.5.2 Fuzzy Optimization 799

7.5.3 FO-based Simultaneous Bidding of Ancillary Services Using V2G 801
7.5.5 Results and Discussions 807
7.6 Conclusions 812
References 812
INDEX 819
PREFACE
Heuristic search and optimization is a new and modern approach for solving
complex problems that overcome many shortcomings of traditional optimization
techniques. Heuristic optimization techniques are general-purpose methods that
are very flexible and can be applied to many types of objective functions and con-
straints. Recently, these new heuristic tools have been combined among them-
selves, and new methods have emerged that combine elements of nature-based
methods, or which have their foundation in stochastics and simulation methods.
Developing solutions with these tools offers two major advantages: development
time is much shorter than when using more traditional approaches, and the
systems are very robust, being relatively insensitive to noisy and/or missing
data/information known as uncertainty.
In competitive electricity market along with automation, heuristic optimiza-
tion methods are very useful. As electric utilities are trying to provide smart solu-
tions with economical, technical (secure, stable, and good power quality), and
environmental goals, there are several challenging issues in the smart grid solutions
such as, but not limited to, forecasting of load, price, ancillary services; penetration
of new and renewable energy sources; bidding strategies of participants; power
system planning and control; operating decisions under missing information;
increased distributed generations and demand response in the electric market; tun-
ing of controller parameters in varying operating conditions, etc. Risk management
and financial management in the electric sector are concerned with finding an
ideal trade-off between maximizing the expected returns and minimizing the risks
associated with these investments.
The objective of this book is to review the state-of-the-art technologies in
the modern heuristic optimization techniques and present case studies how these
techniques have been applied in these complex power and energy systems pro-
blems. Empathies will be given to applications rather than theory and the organ-
ization of book will be on application basis rather than tools.
The book is composed of six chapters: Chapter 2 gives an overview of
applications of evolutionary computation techniques in power and energy systems,
including fundamentals of genetic algorithms, evolutionary programming and
strategies, simulated annealing, particle swarm optimization, artificial bee colony
search algorithm, and tabu search.
Chapter 3 gives an overview of the applications in power system planning
and operation problems, such as unit commitment, economic dispatch, active
power multi-objective optimal dispatch, hydrothermal coordination, maintenance
xv
xvi PREFACE
scheduling, load flow, optimal power flow, transmission system expansion pla-
nning, and OPF test bed and performance evaluation of modern heuristic
optimization techniques.
Chapter 4 gives an overview of the applications in power system and power
plant control problems, such as voltage control, load frequency control with opti-
mization and stability, control of FACTS devices, hybrid of analytical and heuristic
techniques for FACTS devices, power system automation, power plant control,
predictive control in large-scale power plant, and industrial power plant control.
Chapter 5 gives an overview of the applications in distribution systems, such
as active distribution network planning, optimal selection of distribution system
architecture, conservation voltage reduction planning, dynamic distribution net-
work expansion planning with demand side management, capacitor placement
in distribution systems, network reconfiguration, distribution system restoration,
group-based PSO for system restoration, parameter identification of dynamic
equivalents for distribution networks, and parameter estimation for distribution
transformers.
Chapter 6 gives an overview of the applications in integration of renewable
energy in smart grid, such as renewable energy sources, operation and control of
smart grid, compliance of reactive power requirements in wind power plants, pho-
tovoltaic controller design, demand side management and demand response, solar
power forecasting, load demand and solar generation forecast for PV integrated
smart buildings, multi-objective planning of public electric vehicle charging sta-
tions, and dispatch modeling incorporating maneuver components, wind power,
and electric vehicles.
Chapter 7 gives an overview of the applications of modern heuristic optimi-
zation techniques in electricity markets, such as bidding strategies, market analysis
and clearing with market simulator, electricity market forecasting with artificial
neural networks and support vector machines, fuzzy optimization (FO), and
FO-based simultaneous bidding of V2G in ancillary service markets.
Kwang Y. Lee
Waco, TX, USA
Zita A. Vale
Porto, Portugal
CONTRIBUTORS
Ali T. Al-Awami, King Fahd University of Petroleum & Minerals, Dhahran,

Saudi Arabia
David L. Alvarez, Universidad Nacional de Colombia, Bogotá, Colombia
Alexandre P. Alves da Silva, Vale S.A., Rio de Janeiro, Brazil
Kyungsung An, SK Telecom, Seoul, Korea
Eduardo N. Asada, University of São Paulo, São Carlos, Brazil
Wenlei Bai, ABB Enterprises Software Inc. Houston, TX, USA
Jens C. Boemer, Electric Power Research Institute, Seattle, USA
Luiz Eduardo Borges da Silva, Itajuba Federal University, Itajuba, MG, Brazil
Peter A. N. Bosman, Centrum Wiskunde and Informatica, Amsterdam,
The Netherlands
Leonel Carvalho, INESC TEC, Porto, Portugal
Hsiao-Dong Chiang, Cornell University, Ithaca, NY, USA
Jaeseok Choi, Gyeongsang National University, Jinju, Korea
Jinda Cui, Lehigh University, Bethlehem, PA, USA
Anna Carolina R.H. da Silva, Eletrobras, Rio de Janeiro, Brazil
Ibrahim Eke, Kirikkale University, Kirikkale, Turkey
Ahmed Elsayed, Florida International University, Miami, FL, USA
István Erlich, University of Duisburg-Essen, Duisburg, Germany
Pedro Faria, Polytechnic of Porto, Porto, Portugal
Malihe Maghfoori Farsangi, Shahid Bahonar University of Kerman,
Kerman, Iran
Pavlos S. Georgilakis, National Technical University of Athens (NTUA),
Athens, Greece
Marinus O. W. Grond, Centrum Wiskunde and Informatica, Amsterdam,
The Netherlands
Digvijay Gusain, TU Delft, Delft, The Netherlands
Nikos D. Hatziargyriou, National Technical University of Athens (NTUA),
Athens, Greece
Kyeon Hur, Yeonsei University, Seoul, Korea
Nikolaos C. Koutsoukis, National Technical University of Athens (NTUA),
Athens, Greece
Germano Lambert-Torres, Gnarus Institute, Itajuba, MG, Brazil
Han La Poutré, Centrum Wiskunde and Informatica, Amsterdam,
The Netherlands
Kwang Y. Lee, Baylor University, Waco, TX, USA
xvii
xviii CONTRIBUTORS
Yeonchan Lee, Gyeongsang National University, Jinju, Korea

João Bosco A. London Jr, University of São Paulo, São Carlos, Brazil
Ngoc Hoang Luong, Centrum Wiskunde and Informatica, Amsterdam,
The Netherlands
Liangyu Ma, North China Electric Power University, Baoding, China
Vladimiro Miranda, INESC TEC / University of Porto, Porto, Portugal
Sukumar Mishra, Indian Institute of Technology Delhi, New Delhi, India
Osama Mohammed, Florida International University, Miami, FL, USA
H. Morais, INESC-ID / University of Lisbon, Lisbon, Portugal
Hiroyuki Mori, Meiji University, Nakano-city, Tokyo, Japan
Mithulananthan Nadarajah, The University of Queensland, Brisbane, Queens-
land, Australia
Koichi Nara, Ibaraki University, Ibaraki, Japan
Mario Ndreko, TenneT TSO GmbH, Bayreuth, Germany
Hossein Nezamabadi-pour, Shahid Bahonar University of Kerman, Kerman, Iran
Narayana Prasad Padhy, Indian Institute of Technology Roorkee, Roorkee,
Uttarakhand, India
Peter Palensky, TU Delft, Delft, The Netherlands
Jong-Bae Park, Konkuk University, Seoul, Korea
Tiago Pinto, Polytechnic of Porto, Porto, Portugal
Deepak Pullaguram, National Institute of Technology, Warangal, Telangana, India
Muhammad Qamar Raza, The University of Queensland, Brisbane, Queensland,
Australia
Sergio Rivera, Universidad Nacional de Colombia, Bogotá, Colombia
Andrés Romero, Universidad Nacional de San Juan, San Juan, Argentina
Rubén Romero, São Paulo State University, Ilha Solteira, São Paulo, Brazil
Jose Rueda, TU Delft, Delft, The Netherlands
Camila Paes Salomon, Itajuba Federal University, Itajuba, MG, Brazil
Filipe O. Saraiva, Federal University of Pará, Belém, Brazil
Dushyant Sharma, Indian Institute of Technology Jodhpur, Rajasthan, India
Ruifeng Shi, North China Electric Power University, Beijing, China
Sishaj Pulikottil Simon, National Institute of Technology Tiruchirappalli,
Tamilnadu, India
S. N. Singh, Madan Mohan Malaviya University of Technology, Gorakhpur, India
João Soares, Polytechnic of Porto, Porto, Portugal
Aldir S. Souza, State University of Piauí, Teresina, Piauí, Brazil
T. Sousa, Technical University of Denmark, Lyngby, Denmark
Wei Sun, University of Central Florida, Orlando, FL, USA
Masato Takahashi, Fuji Electric Co., Hino-city, Tokyo, Japan
Aimilia-Myrsini Theologi, Jedlix Smart Charging, Rotterdam, The Netherlands
Zita A. Vale, Polytechnic of Porto, Porto, Portugal
Kumar Venayagamoorthy, Clemson University, Clemson, SC, USA
E.M. Voumvoulakis, National Technical University of Athens (NTUA),
Athens, Greece
CONTRIBUTORS xix
Shuo Wang, China Electric Power Planning & Engineering Institute,

Beijing, China
Xiao Wu, Southeast University, Nanjing, China
Shu Xia, North China Electric Power University, Beijing, China
Tianshi Xu, Tianjin University, Tianjin, PRC
Yong-Feng Zhang, University of Jinan, Jinan, China
Ming Zhou, North China Electric Power University, Beijing, China
Qun Zhou, University of Central Florida, Orlando, FL, USA
LIST OF FIGURES
Figure 1.1.1 Publications of CI in power systems and smart grid

(2002–2018). 2
Figure 1.2.1 Number of publications by EC methods in power systems
and smart grid. 4
Figure 1.2.2 Genetic algorithm process flowchart. 7
Figure 1.2.3 Lagged particles and waiting phenomena in (a) PSO and
(b) QPSO. 11
Figure 1.2.4 Multi-objective particle swarm optimization flowchart. 12
Figure 2.2.1 Overview of the aggregator energy management problem. 31
Figure 3.2.1 UCP solution paths. 48
Figure 3.2.2 UCP solution using heuristic methods. 49
Figure 3.2.3 Initial generation of population. 52
Figure 3.2.4 ISO activities. 55
Figure 3.2.5 Co-ordination between ISO and GENCO. 55
Figure 3.3.1 Structure of simple genetic algorithm. 59
Figure 3.3.2 Search mechanism of PSO. 60
Figure 3.3.3 Piecewise quadratic cost function of a generator. 61
Figure 3.3.4 Cost function with five valves. 62
Figure 3.3.5 A unit with prohibited operating zone. 62
Figure 3.3.6 Encoding schemes. (a) Series encoding and (b) embedded
encoding. 63
Figure 3.3.7 Pseudocode for the new crossover technique. 66
Figure 3.3.8 Pseudocode for the deterministic crowding GA. 67
Figure 3.3.9 Artificial immune genetic algorithm flowchart. 68
Figure 3.3.10 Flowchart of the genetic algorithm based on the Lagrange
method. 69
Figure 3.3.11 Adjustment strategy for an individual’s position within
boundary. 72
Figure 3.3.12 Comparison of inertia weights for IWA and CIWA. 74
Figure 3.3.13 Convergence characteristics of the CSPSO. 74
Figure 3.3.14 PSO with penalty for Gworst search mechanism. 75
Figure 3.3.15 Schematic of dynamic space reduction strategy. 78
Figure 3.4.1 Solution distribution by different selection strategies. (a)
Crowding distance strategy. (b) Dynamic crowding distance
strategy. 94
Figure 3.4.2 The calculation flowchart of IDEMO algorithm. 96
Figure 3.4.3 Pareto fronts of different algorithms. 100
xxi
xxii LIST OF FIGURES
Figure 3.4.4 Convergence curves of outer solutions for cost. 103

Figure 3.5.1 Simulation-based optimization for solving hydrothermal
coordination. 108
Figure 3.5.2 Hydro generation (MW) – Solution Baseline (gray) versus
Grouping I (black). 113
Figure 3.5.3 Monthly total hydro generation for the planning
horizon (MW). 114
Figure 3.6.1 Methods for analyzing the generator maintenance
scheduling problem. 116
Figure 3.6.2 Configuration of the solutions searched in vertex by
conventional DP. 117
Figure 3.6.3 Configuration of the solutions searched by time axis shift
method. 117
Figure 3.6.4 Possible time range of generator maintenance of the
example problem. 118
Figure 3.6.5 Initial time range of generator maintenance of the
example problem. 118
Figure 3.6.6 Concept of flexibility. 120
Figure 3.6.7 Year load curve (weekly load peaks). 126
Figure 3.6.8 Convergence of the objective function (μ). 128
Figure 3.6.9 Standard deviation of supply reserve rate and LOLP. 128
Figure 3.6.10 Standard deviation of EDNS according to iteration. 129
Figure 3.6.11 Maintenance powers at each week. 129
Figure 3.6.12 A search method using genetic algorithm. 135
Figure 3.6.13 Flowchart of genetic algorithm. 135
Figure 3.6.14 Generator maintenance scheduling system flowchart. 136
Figure 3.6.15 Starting screen of visualization of the GMS. 137
Figure 3.6.16 Preferences of the GMS. 138
Figure 3.6.17 Running process of the GMS by GA. 138
Figure 3.6.18 User-friendly visualization results of the GMS. 139
Figure 3.6.19 User-friendly visualization (calendar style) results of
the GMS. 139
Figure 3.6.20 Total system result. 140
Figure 3.6.21 The share of power production average of all cases. 142
Figure 3.7.1 Three bus power system. 145
Figure 3.7.2 Flowchart of the proposed hybrid PSO algorithm. 154
Figure 3.7.3 Six-bus power system [28]. 155
Figure 3.7.4 Decrease of global score for the 6-bus power system. 155
Figure 3.7.5 Voltage profile of the system buses of 6-bus power system. 155
Figure 3.7.6 Fourteen-bus power system. 157
Figure 3.7.7 Decrease of global score for the 14-bus power system. 158
Figure 3.7.8 Voltage profile of the system buses of 14-bus power
system. 158
Figure 3.8.1 IEEE 30-bus system. 170
Figure 3.8.2 Convergence characteristics of ABC method in case 1. 172
LIST OF FIGURES xxiii
Figure 3.8.3 Effect of valve-point loading on a quadratic cost function. 173

Figure 3.8.7 Voltage profiles for case 1 and case 4. 175
Figure 3.9.1 Offshore WPP with optimization-based management of
reactive power sources. 182
Figure 3.9.2 Simple 2D illustration of the Movement Rule in DEEPSO. 185
Figure 3.9.3 Algorithmic procedure of MVMO-PHM. The fitness
evaluation and candidate solution counters are denoted by
i and k, whereas Np, ΔFE, and rand stand for number of
candidate solutions, number of fitness evaluations, and
uniform random numbers between [0, 1], respectively. 189
Figure 3.9.4 Layout of the set of solution archive. 190
Figure 3.9.5 Procedure for parent selection in MVMO-PHM. 191
Figure 3.10.1 Simple divide-to-conquer strategy (branching). 205
Figure 4.2.1 Turbine mechanical power variation following a step
change in gate position. 231
Figure 4.2.2 Speed power response of governor. 234
Figure 4.2.3 Two-area system. 234
Figure 4.2.4 Two-area thermal power system. 236
Figure 4.2.5 System performance with different cost functions. 239
Figure 4.2.6 System performance with different parameter optimization. 241
Figure 4.2.7 Single-area hydro system. 242
Figure 4.2.8 Impact of communication delay on frequency. 243
Figure 4.2.9 Impact of secondary controller gain in the presence of
communication delay. 243
Figure 4.3.1 Representation of different controllers. 247
Figure 4.3.2 Model of transmission line. 248
Figure 4.3.3 Model of TCSC. 248
Figure 4.3.4 Injection model of TCSC. 249
Figure 4.3.5 Equivalent circuit of TCPAR. 250
Figure 4.3.6 Injection model of TCPAR. 250
Figure 4.3.7 Equivalent circuit of UPFC. 251
Figure 4.3.8 Vector diagram of UPFC. 251
Figure 4.3.9 Equivalent circuit injection model of UPFC. 252
Figure 4.3.10 Equivalent circuit of GUPFC. 253
Figure 4.3.11 Injection model of GUPFC. 254
Figure 4.3.12 5-Bus system. 268
Figure 4.4.1 One-line diagram of a 5-area study system. 288
Figure 4.4.2 The critical eigenvector and the corresponding bus number. 289
Figure 4.4.3 Bus voltage magnitude profile when system is heavily
stressed. 289
Figure 4.4.4 Voltage profile of the system after placing 145 Mvar at
bus 40. 291
xxiv LIST OF FIGURES
Figure 4.4.5 Convergence of GA and PSO on the level of compensation. 292

Figure 4.4.6 Convergence of GA and PSO on the average best-so-far. 292
Figure 4.4.7 The critical eigenvector and the corresponding bus number
in system. 292
Figure 4.4.8 Bus voltage magnitude profile when system is heavily
stressed in system. 293
Figure 4.4.9 The RGA-number of candidate sets 3, 6, and 9 (pre-fault). 299
Figure 4.4.10 The RGA-number of candidate sets 34 and 37 (pre-fault). 299
Figure 4.4.11 The RGA-number of candidate sets 31 and 37 (pre-fault). 300
Figure 4.4.12 The RGA-number of candidate sets 3, 6, and 9 (post-fault). 300
Figure 4.4.13 The RGA-number of candidate sets 34, 37, and
40 (post-fault). 301
Figure 4.4.14 The RGA-number of candidate sets 22 and 37 (post-fault). 301
Figure 4.4.15 The convergence characteristic of fitness function with
PSO to find solution. 303
Figure 4.4.16 The convergence characteristic of fitness function with
GCPSO to find solution. 303
Figure 4.4.17 The convergence characteristic of fitness function with GA
to find solution. 304
Figure 4.5.1 Framework of the proposed method. 308
Figure 4.5.2 Simulation of load shedding strategies. 319
Figure 4.5.3 Flowchart of the proposed methodology. 320
Figure 4.5.4 Decision tree for load shedding. 323
Figure 4.5.5 Genetic algorithm-aided DT. 324
Figure 4.5.6 Mapping of system buses before and after the VLT-SOM
training. 327
Figure 4.5.7 Radial basis function neural network. 330
Figure 4.5.8 A sample decision tree. 332
Figure 4.6.1 The schematic structural view of vertical spindle roller
pressure coal mill. 336
Figure 4.6.2 Model verification results. 339
Figure 4.6.3 Sketch of the boiler of the investigated power plant. 341
Figure 4.6.4 Structure of the NMPC for reheated steam temperature
control. 342
Figure 4.6.5 Reheater damper control search window for loading-down
process. 344
Figure 4.6.6 Damper, bypass, and RST responses due to load change
from 100 to 75%. (a) The original PID control. (b) The
NMPC control. 346
Figure 4.6.7 Process of immunological tolerance test. 349
Figure 4.6.8 Schematic figure for receptor editing. 350
Figure 4.6.9 Working principle of ICSMOA. 352
Figure 4.6.10 Detailed procedure of memory cells processing. 352
Figure 4.6.11 The optimization results for OP 3,8,12, and 17 using
the ICSMOA. (a) OP 3. (b) OP 8. (c) OP 12. (d) OP 17. 354
LIST OF FIGURES xxv
Figure 4.7.1Simplified NARMA neural network model. 358

Figure 4.7.2Schematic diagram for supercritical power unit. 358
Figure 4.7.3Model inputs and outputs for supercritical boiler unit. 359
Figure 4.7.4NARMA model for load and main steam pressure
characteristics. 359
Figure 4.7.5 Model test under wide load-changing condition. 360
Figure 4.7.6 Schematics of two typical coordinated control modes.
(a) Boiler-following-based coordinated control mode.
(b) Turbine-following-based coordinated control mode. 362
Figure 4.7.7 Intelligent coordinated predictive optimal control scheme. 363
Figure 4.7.8 Test results when load drops from 600 to 540 MW. 365
Figure 4.7.9 Test results when load drops from 540 to 480 MW. 366
Figure 5.2.1 (a) Six-bus distribution network, (b) candidate planning
solution, and (c) binary and integer chromosome coding. 387
Figure 5.2.2 21-Bus distribution network. 388
Figure 5.2.3 (a) Yearly load profile and (b) yearly wind generation
profile. 389
Figure 5.2.4 Fitness function value evolution in Cases 1–3. 390
Figure 5.2.5 (a) Solution in Case 1, (b) solution in Case 2, and (c)
solution in Case 3. 391
Figure 5.3.1 (a) Global minima and local minima. (b) Pareto front. 402
Figure 5.3.2 Equivalent circuit of VSC for power flow studies. 403
Figure 5.3.3 Generic distribution system with n asynchronized zones. 404
Figure 5.3.4 IEEE type AC4A excitation system. 405
Figure 5.3.5 Simplified schematic for AC/DC power system. 406
Figure 5.3.6 Flowchart for the sequential power flow approach. 407
Figure 5.3.7 Voltage limits specified by MIL-Std 1399, section 300. 412
Figure 5.3.8 Safe operation region for VSC. 412
Figure 5.3.9 Frequency envelopes for the 400 Hz systems in marine
applications. 414
Figure 5.3.10 Pulsed load profile. 415
Figure 5.3.11 Pareto front and selection of efficient Pareto solutions. 416
Figure 5.3.12 Multi-objective optimization flowchart. 417
Figure 5.4.1 Concept of PSO. 420
Figure 5.4.2 Modification of particle’s velocity and position. 421
Figure 5.4.3 PSO flowchart. 422
Figure 5.4.4 A hierarchy model for CVR. 425
Figure 5.4.5 Global best value at each iteration. 425
Figure 5.4.6 Particle’s movement for CVR. 426
Figure 5.5.1 MV distribution network with three feeders. 432
Figure 5.5.2 An example linkage tree. 445
Figure 5.5.3 Different clusters approach different parts of the optimal
Pareto front. 446
Figure 5.5.4 Benchmark MV distribution networks with existing assets
[130]. 451
xxvi LIST OF FIGURES
Figure 5.5.5Network 3: CAPEX vs. DSM. 454

Figure 5.5.6Pareto fronts of MO optimizations for three networks. 455
Figure 5.5.7Network 2: total cost (CAPEX + DSM) vs. energy loss. 457
Figure 5.5.8Fronts of MO optimization (CAPEX + DSM) vs. energy
loss for three networks. 458
Figure 5.5.9 Network 1: total cost (CAPEX + DSM) vs. CML. 460
Figure 5.5.10 Fronts of MO optimization (CAPEX + DSM) vs. CML
for three networks. 461
Figure 5.6.1 Convergence for equilibrium points. 470
Figure 5.6.2 xexit should be very close to the exact exit point. 473
Figure 5.6.3 Flowchart of the GA-guided Trust-Tech. 480
Figure 5.6.4 GA cost function value (Seg. 4, up to 82 generations). 483
Figure 5.6.5 GA cost function value (3500 generations). 485
Figure 5.6.6 Solution comparison. 488
Figure 5.7.1 Smart-grid in layers. 491
Figure 5.7.2 EDS and its representation by graph. (a) Example of a
typical EDS with three feeders. (b) Graph representation. 497
Figure 5.7.3 Example of service restoration. (a) Section in fault.
(b) New configuration. 497
Figure 5.7.4 Example of distribution system with three coalitions:
coalition 1 has agents located at 2, 3, and 4; coalition 2 has
agents located at 5, 6, and 7; coalition 3 has agents located
at 8, 9, and 10. 504
Figure 5.7.5 Example of electrical path between substation 0 and
coalition 2. 504
Figure 5.7.6 Substation agent (SAg) actions in a flowchart. 505
Figure 5.7.7 Depth-first search algorithm for the creation of coalitions. 506
Figure 5.7.8 Modified Dijkstra algorithm for finding the minimal path
between the substation agent (SAg) and the load agents. 507
Figure 5.7.9 Load agent (LAg) actions in a flowchart. 508
Figure 5.7.10 Flowchart of switching agent (SWAg). 509
Figure 5.7.11 Sequence chart of the multi-agent system. 509
Figure 5.8.1 Actions and stages to prepare power system restoration
plans. 512
Figure 5.8.2 Example of six-switch system. 516
Figure 5.9.1 An illustration of three steps involved in the traditional
PSO procedure. 534
Figure 5.9.2 The procedure of Stage I. 536
Figure 5.9.3 Procedure of the three-stage group-based PSO. 537
Figure 5.9.4 The top three solution points in each group. 538
Figure 5.9.5 The flowchart of Stage 1 of the group-based PSO method. 540
Figure 5.9.6 Group-based PSO algorithm flowchart for the service
restoration. 543
Figure 5.9.7 IEEE 123-node feeder test case. 545
Figure 5.9.8 One-line diagram of the 394-bus, 1101-node test system. 550
LIST OF FIGURES xxvii
Figure 5.10.1 Distribution network configurations. (a) Passive network.

(b) Active network. 554
Figure 5.10.2 Concept of aggregation. 555
Figure 5.10.3 Flowchart for identification of MVMO parameters. 557
Figure 5.10.4 MVMO archive where solutions are stored. 559
Figure 5.10.5 Procedure of mutation of selected genes. 560
Figure 5.10.6 Test case: IEEE 34-bus feeder system. 562
Figure 5.10.7 PowerFactory representation of PV station. 563
Figure 5.10.8 DE for test case shown. 564
Figure 5.10.9 Basic block diagram of PVD1 model. 564
Figure 5.10.10 Protection logic behind PVD1 model. 566
Figure 5.10.11 Convergence of optimization. 569
Figure 5.10.12 0.30 p.u. voltage level. Solid line: detailed model; dotted
line: aggregated model. 570
Figure 5.11.1 Simplified equivalent circuit of a transformer winding. 574
Figure 5.11.2 Equivalent circuit for multiple coupling windings. 575
Figure 5.11.3 Coefficients estimation approach. 579
Figure 5.11.4 DEEPSO flowchart. 581
Figure 5.11.5 Measured and FEM simulated signal in a real transformer. 582
Figure 5.11.6 Correlation coefficient indicator (1 − ρ) for each target
function. 583
Figure 5.11.7 Relative error indicator (η) for each target function. 583
Figure 5.11.8 Relative factor indicator (r) for each target function. 584
Figure 5.11.9 MIN-MAX indicator (1 − MM) for each target function. 584
Figure 5.11.10 DABS indicator for each target function. 585
Figure 5.11.11 ASLE indicator for each target function. 585
Figure 5.11.12 Spectrum deviation indicator (σ) for each target function. 586
Figure 5.11.13 Measured and simulated signals with correlation coefficient. 586
Figure 5.11.14 Measured and simulated signals with relative error. 587
Figure 5.11.15 Measured and simulated signals with relative factor
indicator. 587
Figure 5.11.16 Measured and simulated signals with MIN-MAX indicator. 588
Figure 5.11.17 Measured and simulated signals with DABS indicator. 588
Figure 5.11.18 Measured and simulated signals with ASLE indicator. 589
Figure 5.11.19 Measured and simulated signals with spectrum deviation
indicator. 589
Figure 6.2.1 37-Bus distribution network. 621
Figure 6.2.2 Energy mix in 2050 [29]. 622
Figure 6.2.3 Consumers’ profiles. 625
xxviii LIST OF FIGURES
Figure 6.2.4 External suppliers’ price based on Nord Pool day-ahead

market. 626
Figure 6.2.5 Energy resources scheduling using MINLP. 627
Figure 6.2.6 Scheduled energy by resource in the 24 periods. 628
Figure 6.2.7 Operation costs in the 24 periods. 629
Figure 6.2.8 Electric vehicles and demand response scheduling using
MINLP. 630
SA. 630
SADT. 630
ERS2A. 631
Figure 6.2.12 Electric vehicles and demand response scheduling
using PSO. 631
EPSO. 631
MoPSO. 632
2sPSO. 632
Figure 6.3.1 Concept of FRIENDS. 636
Figure 6.3.2 Solution algorithm of planning problem. 638
Figure 6.3.3 Voltage control area. 639
Figure 6.3.4 The interaction diagram of agent operations during normal
states. 641
Figure 6.3.5 The interaction diagram of agent operations during
emergency states. 642
Figure 6.3.6 Structure of real-scale smart grid experimental system. 643
Figure 6.3.7 Protection scheme of the system. 644
Figure 6.4.1 Predictive control optimization by MVMO. 647
Figure 6.4.2 Multilayer perceptron. 649
Figure 6.4.3 MVMO-based procedure for optimal reactive power
management. 651
Figure 6.4.4 Solution archive. 653
Figure 6.4.5 Variable mapping. 654
Figure 6.4.6 Borssele wind farm layout with AC cable. 655
Figure 6.4.7 Wind speed variation. 656
Figure 6.4.8 Case 1: (a) Hourly Q set-points of every wind turbine,
(b) hourly reduction of wind farm active power losses,
(c) OLTC tap positions – onshore transformers, (d) reactive
power at the offshore PCC, (e) reactive power at the
onshore PCC. 658
(b) reduction of cumulative cost in the wind farm, (c)
LIST OF FIGURES xxix
OLTC tap positions – onshore transformers, (d) reactive

onshore PCC. 659
(c) OLTC tap positions – offshore transformers, (d) reactive
onshore PCC. 661
(b) reduction of cumulative cost in the wind farm,
(c) OLTC tap positions – offshore transformers, (d)
reactive power at the offshore PCC, (e) reactive power at
the onshore PCC. 662
(c) OLTC tap positions – onshore transformers, (d) OLTC
tap positions – offshore transformers, (e) reactive power at
the offshore PCC, (f ) reactive power at the onshore PCC. 664
(b) reduction of cumulative cost in the wind farm,
(c) OLTC tap positions – onshore transformers,
(d) OLTC tap positions – offshore transformers, (e) reactive
power at the offshore PCC, (f ) reactive power at the
onshore PCC. 666
Figure 6.5.1 Single diode equivalent of PV module. 668
Figure 6.5.2 (a) I-V characteristics and (b) P-V characteristics with
irradiance variation. 670
Figure 6.5.3 (a) I-V characteristics and (b) P-V characteristics with
temperature variation. 671
Figure 6.5.4 Movement of particles during optimization. 672
Figure 6.5.5 PV system with boost converter. 675
Figure 6.5.6 Duty cycle movement during uniform shading in
(a) iteration 1, (b) iteration 2, (c) iteration 3. 677
Figure 6.5.7 Duty cycle movement during particle shading in
(a) iteration 1, (b) iteration 2, (c) iteration 3. 678
Figure 6.5.8 Flowchart to obtain optimal maximum power point for
PV systems using PSO. 679
Figure 6.6.1 Lagged particles and wait among particles in QPSO. 686
Figure 6.6.2 Waiting phenomena compared between (a) PSO and (b)
QPSO. 686
Figure 6.6.3 Flowchart of QPSO algorithm. 688
Figure 6.6.4 Generation and consumption diagram. 689
Figure 6.6.5 Scheduling results: (a) all resources; (b) shift DR income,
and (c) QPSO convergence. 690
Figure 6.7.1 Structure of RBFN. 693
xxx LIST OF FIGURES
Figure 6.7.2 Comparison between actual value and predicted value by

proposed method. 703
Figure 6.7.3 Behavior of errors of MLP and the proposed method,
(a) case of MLP and (b) case of the proposed method. 703
Figure 6.8.1 Global energy consumption and CO2 emission scenario. 705
Figure 6.8.2 Overview of UQ solar PV network connected with
power grid. 708
Figure 6.8.3 AEB PV integrated smart building at UQ St. Lucia
Campus. 709
Figure 6.8.4 GCI PV integrated smart building at UQ St. Lucia Campus. 709
Figure 6.8.5 Electrical power flow diagram of GCI building. 710
Figure 6.8.6 Classification of forecast techniques. 713
Figure 6.8.7 Wavelet decomposition and composition process of load
and PV signal. 718
Figure 6.8.8 Proposed neural network ensemble-based forecast
framework. 720
Figure 6.8.9 Actual and predicted load demand of proposed spring day. 725
Figure 6.8.10 Actual and predicted output of proposed framework for
summer day. 725
summer CLD. 727
spring CD. 727
Figure 6.9.1 The two-layer chromosome coding structure. 734
Figure 6.9.2 Flowchart of the crossover operator for improved SPEA2. 735
Figure 6.9.3 Flowchart of the mutation operator for improved SPEA2. 736
Figure 6.9.4 Distribution of EV charging demand points and potential
EV charging station candidate points. 738
Figure 6.9.5 Pareto front of the tri-objective EV charging station layout
planning. 739
Figure 6.9.6 The final EV charging station layout planning scheme
obtained by TOPSIS decision method. 741
Figure 6.10.1 Heuristic algorithms flowchart. 751
Figure 7.3.1 Main user interface of the MASCEM electricity market
simulator. 785
Figure 7.3.2 MASCEM output for sellers’ bid information in the
day-ahead spot market. 787
Figure 7.3.3 MASCEM output for buyers’ bid information in the
day-ahead spot market. 788
Figure 7.3.4 MASCEM output chart of Seller 22 for the day-ahead spot
market. 790
Figure 7.3.5 MASCEM output chart of Seller 7 for the day-ahead spot
market. 791
Figure 7.3.6 MASCEM output chart of Seller 7 for the balancing
market. 792
LIST OF FIGURES xxxi
Figure 7.5.1Fuzzy membership function. 800

Figure 7.5.2Fuzzy model of EVA income. 803
Figure 7.5.3Fuzzy model of expected regulation-up deployments. 804
Figure 7.5.4Average percentage of EV availability. 807
Figure 7.5.5Average ancillary service prices for the simulation period
with data from the ERCOT data archives [100]. 808
Figure 7.5.6 Average POP. 808
Figure 7.5.7 Average regulation-up. 808
Figure 7.5.8 Average regulation-down. 809
Figure 7.5.9 Average responsive reserve. 809
Figure 7.5.10 Total expected and actual EVA profits for different
energy cost. 810
Figure 7.5.11 Final SOC statistics. 810
Figure 7.5.12 Total actual profits for different levels of final
desired SOC. 811
LIST OF TABLES
Table 1.2.1 Research Documents by EC Algorithm 2014–Present 5

Table 2.1.1 Research Documents Produced in 2010–2018 According to
SCOPUS 22
Table 2.2.1 Summary of the GECAD Smart Grid Application
Competition Editions 29
Table 2.2.2 Main Results of PES GM 2017 and WCCI 2018 Edition 31
Table 3.2.1 Evolution of UCP Solution Methodology 47
Table 3.3.1 Cost Coefficient of the Test System 79
Table 3.3.2 Basic Characteristics and Parameters in Each Case 79
Table 3.3.3 Objective Function Values in Each Case 80
Table 3.3.4 Cost Coefficient of Test System with Quadratics Cost
Functions 81
Table 3.3.5 Comparison of Simulation Results of Each Method 81
Table 3.3.6 Cost Coefficient of Test System with Valve Point Effects 81
Table 3.3.7 Comparison Simulation Results of Each Method 82
Table 3.3.8 Comparison Simulation Results of Each Method
(Demand = 2400 MW) 83
(Demand = 2500 MW) 84
(Demand = 2600 MW) 85
(Demand = 2700 MW) 86
Table 3.4.1 External Solutions at the Final Generation by Different
Algorithms 102
Table 3.4.2 Average of Metric C at the Final Generation 104
Table 3.4.3 Metric S at the Final Generation by Different Algorithms 104
Table 3.4.4 Optimization Results in Different Scheduling Modes 105
Table 3.5.1 Hydro Plants’ Data 111
Table 3.5.2 Simulations for the Decomposition Schemes 113
Table 3.6.1 Production Cost Calculated in Each Case (US$ 105) 118
Table 3.6.2 Optimal at 3 and 4 Period (US$ 105) 119
Table 3.6.3 Optimal at 4 and 5 Period (US$ 105) 119
Table 3.6.4 Aspiration Level and Weighting Factor 127
Table 3.6.5 Input Data of Generators 127
Table 3.6.6 Result 130
xxxiii
xxxiv LIST OF TABLES
Table 3.6.7 Comparison of Results Obtained by Changing Aspiration

Level of Supply Reserve Rate 130
Table 3.6.8 The Objective Types for Five Cases in this Case Study 140
Table 3.6.9 Results 141
Table 3.6.10 Energy Production According to the Type of Fuel (MWh) 141
Table 3.7.1 Six-Bus Simulation Applying the Proposed PSO
Methodology: Buses’ Parameters Results 156
Table 3.7.2 Six-Bus Simulation Applying the Proposed PSO
Methodology: Load Flow in the System Branches 157
Table 3.7.3 Fourteen-Bus Simulation Applying the Proposed PSO
Methodology: Buses’ Parameters Results 159
Table 3.7.4 Fourteen-Bus Simulation Applying the Proposed PSO
Methodology: Load Flow in the System Branches 160
Table 3.8.1 Major Types of Power System Problems 163
Table 3.8.2 Parameters for ABC Algorithm 171
Table 3.8.3 Comparison of Case 1 Fuel Cost 171
Table 3.8.4 Comparison of Case 2 Fuel Cost 173
Table 3.8.5 Comparison of Case 3 Power Loss 174
Table 3.9.1 Composition of the Benchmark Systems Used in the
OPF Test Bed 179
Table 3.9.2 Optimization Variables Associated with Controllable
Elements Listed in Table 3.9.1 for the ORPD Problems 179
Table 3.9.3 Optimization Variables Associated with Controllable
Elements Listed in Table 3.9.1 for OARPD Problems 179
Table 3.9.4 Test Cases for the IEEE 57-Bus System 180
Table 3.9.7 Test Cases for the Offshore Wind Power Plant 182
Table 3.9.8 Optimization Variables for Offshore WPP’s ORPD
Test Case 183
Table 3.9.9 Statistics of Results Obtained with Top 5 Algorithms 194
Table 3.10.1 Fuzzy Rules 208
Table 4.2.1 System Parameters of a Two-area Thermal–thermal Power
System 236
Table 4.2.2 Optimized Controller Gains with Different Cost Functions 238
Table 4.2.3 Optimized Controller Gains and R Using ISE Cost Function 240
Table 4.2.4 Optimized Controller Gains and Bi Using ISE Cost Function 240
Table 4.2.5 Optimized Controller Gains, R, and Bi Using ISE Cost
Function 241
Table 4.2.6 System Parameters of a Single-area Hydropower System 242
Table 4.2.7 Variation of Communication Delay as a Function of
Secondary Controller Gain 244
Table 4.3.1 Comparison of Advantages of FACTS 247
Table 4.3.2 Sensitivities of 5-Bus System 269
LIST OF TABLES xxxv
Table 4.3.3 PI Sensitivities of 5-Bus System for Different Loading

Limits 270
Table 4.3.4 Sensitivities of 5-Bus System 271
Limits 271
Table 4.3.6 Sensitivities (cck ) of 5-Bus System 279
Table 4.3.7 Line Flows (in p.u.) of 5-Bus System 280
Table 4.3.8 Sensitivities (csk ) of 5-Bus System 280
Limits 281
Table 4.3.10 Generator Data 282
Table 4.3.11 Sensitivity Factors and Rating of Lines 282
Table 4.3.12 Optimal Generation Schedule 283
Table 4.4.1 Selected Candidate Sets that Passed the HSV and RHP-zero
Tests in Study System 297
Table 4.4.2 The Effects of TCSC on TTC 304
Table 4.5.1 Generating Unit Groups 311
Table 4.5.2 Load Shedding Automatons Thresholds 312
Table 4.5.3 Two-class Partition of the Operating Points 312
Table 4.5.4 Two-Class Partition of Pairs “OP-CCV” 313
Table 4.5.5 Classification of OPs and “OP-CCV” Pairs 313
Table 4.5.6 Evaluation of Classification Performance 314
Table 4.5.7 Generation Shedding and Fast Valving 314
Table 4.5.8 Two-class partition of the Operating Points 315
Table 4.5.9 Two-class Partition of Pairs “OP-CCV” 315
Table 4.5.10 Classification of Ops and “OP-CCV” Pairs 316
Table 4.5.11 Evaluation of Classification Performance 316
Table 4.5.12 Comparison of OP Classification by Each Method 317
Table 4.5.13 Comparison of Performance of Each Method 318
Table 4.5.14 Load Shedding Performance for Each Method 318
Table 4.5.15 Load Profile of the OP Under Study 318
Table 4.5.16 Curtailed Load for Each Area 318
Table 4.5.17 RBFNN Regression Performance Evaluation for
Testing Set 321
Table 4.5.18 Unit Commitment Patterns for the OP Under Study 322
Table 4.5.19 Dispatch and Operational Cost for the Unit Commitment
Patterns under Study 322
Table 4.5.20 Attributes used by the GA-aided DT 324
Table 4.5.21 Proposed Islanding 327
Table 4.5.22 Proposed Islanding of IΕΕΕ 118 Buses Test System –
Proposed Islanding I 328
Table 4.5.23 Proposed Islanding of IΕΕΕ 118 Buses Test System –
Proposed Islanding II 328
Table 4.6.1 Nomenclature 337
xxxvi LIST OF TABLES
Table 4.6.2 The Selected Input and Output Variables of the

RST Model 342
Table 4.6.3 The Limitations of the Separated Overfire Air Valve
for OP 3,8,12,17 353
Table 4.6.4 Original NOx Emission and Boiler Efficiency for
OP 3,8,12,17 354
Table 5.2.1 Technical and Economical Specification of the Available
Conductors 389
Table 5.2.2 GA Parameters 390
Table 5.4.1 Intensity Scale of Importance 424
Table 5.4.2 Results of CVR Simulation Using PSO 426
Table 5.4.3 Results of CVR Simulation Using AHP 426
Table 5.5.1 Population Sizing-Free Scheme 449
Table 5.5.2 Benchmark Network Size 450
Table 5.5.3 Planning Periods of Networks 1, 2, and 3 452
Table 5.5.4 Solutions of DNEP Considering CAPEX vs. DSM 453
Table 5.5.5 DNEP Solution: Total Cost (CAPEX + DSM) vs. Energy
Losses 456
Table 5.5.6 DNEP Solutions: Total Cost (CAPEX + DSM) vs. CML
per Year 459
Table 5.6.1 System Summary 481
Table 5.6.2 System Parameters 482
Table 5.6.3 Capacitor Cost 482
Table 5.6.4 GA and Trust-Tech Settings 482
Table 5.6.5 Segments of GA Generations 483
Table 5.6.6 GA Optimal Capacitor Placement (Seg. 4, Up to 82
Generations) 484
Generations) 484
Generations) 484
Table 5.6.9 GA Optimal Capacitor Placement (3500 Generations) 485
Table 5.6.10 Trust-Tech Solutions (Seg. 4, Up to 82 Generations) 486
Table 5.6.11 Trust-Tech Optimal Capacitor Placement (Seg. 4, Up to 82
Generations) 486
Table 5.6.13 Trust-Tech Optimal Capacitor Placement (Seg. 3, Up to 49
Generations) 487
Table 5.6.15 Trust-Tech Optimal Capacitor Placement (Seg. 5, Up to
131 Generations) 487
Table 5.7.1 Features Present in Distributed Systems and Smart-Grid
Devices 492
Table 5.9.1 123-Node Network Component List 546
LIST OF TABLES xxxvii
Table 5.9.2 Solutions Obtained from PSO on Fault 160–167 at

Light-Loaded Level 547
Table 5.9.3 PSO on Fault 160–167 at Heavy-Loaded Conditions 548
Table 5.9.4 K-means (Set the Number of Cluster to 4) 549
Table 5.9.5 Improvement in Local Search Stage 550
Table 5.9.6 1101-Node Network Component List 551
Table 5.9.7 Solutions Obtained in Group-based PSO on Fault 297–298 551
Table 5.9.8 Solutions Obtained by Stage III: Local Stage 551
Table 5.10.1 Current Limits According to Pqflag Priority 565
Table 5.10.2 Derivation of Low-Voltage Tripping Logic 566
Table 5.10.3 MVMO Internal Variable Settings 568
Table 5.10.4 Optimized Parameters for Sub Test Case 1 571
Table 5.10.5 Root Mean Square Values for Active and Reactive Power
Curves 572
Table 6.2.1 Energy Resources Characteristics and Costs 623
Table 6.2.2 Network Characteristics 623
Table 6.2.3 Electric Vehicles by Consumer Type 624
Table 6.2.4 Consumers Characteristics 625
Table 6.2.5 Consumers Characteristics 626
Table 6.4.1 MVMO Parameters 655
Table 6.4.2 Study Cases for the AC-connected Wind Farm 656
Table 6.6.1 Consumers and DR Programs 689
Table 6.7.1 Parameters of DA-Clustering 701
Table 6.7.2 Parameters of ANNs 701
Table 6.7.3 Parameters of PSO and EPSO 701
Table 6.7.4 Simulation Results of Each Method 702
Table 6.8.1 Classification of Prediction Techniques Based Forecast
Time Horizon 712
Table 6.8.2 Daily Forecast Error Comparison for AEB 724
Table 6.8.3 Seasonal Day Ahead Forecast Error Comparison 726
Table 6.9.1 The EV Charging Demand Coordinates and Their EV
Amounts 737
Table 6.9.2 EV Charging Station Candidates’ Location Coordinates 738
Table 6.9.3 Typical Solutions in the Pareto Set 740
Table 6.10.1 Composition of IEEE 118-Bus Test System 753
Table 6.10.2 Wind Turbine Power Curve and Wind Speed Rayleigh
Distribution Parameters During the Time Period
of Analysis 754
Table 6.10.3 Direct, Underestimated Penalty, and Overestimated
Penalty Cost Coefficients of Wind Generators and PEVs
During the Time Period of Analysis 754
Table 6.10.4 Expected Value of the Total Generation Cost for 16 Runs
in Each Population-Based Algorithm During the Time
Period of Analysis 755
xxxviii LIST OF TABLES
Table 6.10.5 Average Running Time for Each Population-Based

Algorithm 756
Table 7.4.1 MAPE Forecast Error Values (%) 797
Table 7.4.2 Average Execution Times of the SVM Approach 797
Table 7.4.3 Average Execution Times of the ANN Approach 797
Table 7.5.1 Fuzzy Parameters for the Forecasted Quantities 806
Table 7.5.2 Sensitivity of Profits to Fuzzy Income Limits 810
ABOUT THE EDITORS
Kwang Y. Lee received the BS degree in Electrical Engineering in 1964 from

Seoul National University, MS degree in Electrical Engineering in 1968 from
North Dakota State University, and PhD degree in Systems Science in 1971 from
Michigan State University. He is currently Professor and Chair of the Electrical and
Computer Engineering Department at Baylor University, Waco, Texas. Before
receiving his current calling, he worked as faculty at Michigan State University,
Oregon State University, University of Houston, and Pennsylvania State Univer-
sity from 1972 to 2007.
His research interests include control, operation, and planning of power and
energy systems; intelligent control and their applications to power and energy sys-
tems; and modeling, simulation, and control of micro-grids with renewable and
distributed energy sources. He has published over 700 papers in archived journals
and refereed conference proceedings and has authored chapters in several books.
He has coauthored Intelligent Network Integration of Distributed Renewable
Generation (Springer 2017) and Probabilistic Power System Expansion Planning
with Renewable Energy Resources and ESS (Wiley 2020) and has coedited
Modern Heuristic Optimization Techniques: Theory and Applications to Power
Systems (Wiley 2008) and Applications of Modern Heuristic Optimization Meth-
ods in Power and Energy Systems (Wiley 2020).
He was elected as a Fellow of IEEE in January 2001 for his contributions
to the development and implementation of intelligent system techniques for
power plants and power systems control. Dr. Lee has served as Editor of IEEE
Transactions on Energy Conversion, Associate Editor of IEEE Transactions on
Neural Networks, and Associate Editor of IFAC Journal on Control Engineering
Practice. He has served as the Chair of the IFAC Power & Energy Technical
Committee (TC 6.3) and IEEE PES Working Group on Modern Heuristic Optimi-
zation Techniques.
Zita A. Vale received her Diploma in Electrical Engineering in 1986 and her PhD
in 1993, both from the University of Porto. She is currently Professor of the Elec-
trical Engineering Department at the Engineering School of the Polytechnic of
Porto, Portugal.
She works in the area of Power and Energy Systems, with a particular interest
in the application of Artificial Intelligence techniques. She has participated in more
than 60 funded projects mainly related to the development and use of Knowledge-
Based systems, Multi-Agent systems, Machine Learning, Data Analysis and Min-
ing, Particle Swarm Intelligence, and Genetic Algorithms. The main application
xxxix
xl ABOUT THE EDITORS
fields of these projects comprise Electricity Markets, Smart Grids, Renewable

Energy, Storage, Electric Vehicles, and Demand Flexibility and Response. She
has published over 800 works, including over 100 papers in scientific journals
and over 500 papers in scientific conferences.
She is a Senior Member of IEEE and chaired several Task Forces, Working
Groups, and Sub-Committee on Intelligent Systems of the IEEE Power & Energy
Society.
CHAPTER 1
INTRODUCTION
Zita A. Vale1, João Soares1, and Kwang Y. Lee2
1
Polytechnic of Porto, Porto, Portugal
2
Baylor University, Waco, TX, USA
1.1 BACKGROUND
Artificial intelligence (AI) has been used to address a wide range of problems in
power systems, using a large set of AI techniques [1, 2]. A wide set of power sys-
tem problems can be seen as optimization problems [3–6] for which computational
intelligence (CI) techniques1 can be of great help as mathematical approaches have
difficulties to handle nonlinearities in large-scale problems, namely when time effi-
ciency is an important issue. Recent evolution in the power industry, namely the
sector deregulation and the intensification of distributed generation, made power
system optimization problems even more complex. On one hand, distributed gen-
eration and the increasing number of market players of diverse nature make geo-
graphical dispersion even more important than before. On the other hand, the goals
of distributed generators, in particular, and of market players, in general, require a
new insight into power system optimization problems as optimal solutions must
seek from the point of view of each relevant player [7]. The evolution has been
accompanied by introduction of smart grid technologies that enabled the increase
of renewable energy sources (wind and solar photovoltaic) and electric vehicles
(EVs) [8]. This evolution has been effective to reduction in the carbon emissions
[9, 10] but at the cost of increasing the complexity in power systems [11–14].
The AI family techniques most proposed to address difficult problems in
power systems are CI techniques, inspired by nature and animal behavior. The
1
CI is a subset of AI, which is a family of problem-solving and problem-stating approaches that attempt
to exhibit or mimic the intelligence observed in nature.
Applications of Modern Heuristic Optimization Methods in Power and Energy Systems,

First Edition. Edited by Kwang Y. Lee and Zita A. Vale.
© 2020 by The Institute of Electrical and Electronics Engineers, Inc.
Published 2020 by John Wiley & Sons, Inc.
1
2 CHAPTER 1 INTRODUCTION
CI is commonly used for different purposes, but three main categories of its appli-
cation can be highlighted, namely optimization, learning/modeling, and control.
Artificial neural networks (ANN) are widely used for learning and forecasting,
fuzzy systems (FS) are generally applied to control problems and decision-making,
and evolutionary computation (EC) is suited for optimization problems where
modern heuristic optimization (MHO) falls. The EC includes a variety of algo-
rithms, including: ant colony [15], chaotic bat algorithm [16], differential evolution
(DE) [17], genetic algorithm (GA) [18], particle swarm optimization (PSO) and
multi-objective particle swarm optimization (MOPSO) [19], and non-dominated
sorting genetic algorithm (NSGA-II and NSGA-III) [20, 21]. Although ANN,
FS, and EC can target different applications, many real-world problems require
a combination of different methods from those categories in order to achieve
the most effective solution. Figure 1.1.1 depicts the evolution of the number of
publications in the CI field (EC, ANN, and FS) between 2002 and 2018 in the
power systems and smart grid field according to SCOPUS database [22]. ANN
and EC have registered the most relevant increase in the number of contributions.
The FS contributions in this field are also increasing but not ahead of EC since
early 2000s. The EC where MHO falls is behind ANN in number of contributions
but ahead of FS contributions in the field of power systems and smart grid.
The EC optimization methods differ from most of the classical optimization
methods as they are general-purpose methods to explore the solution space. This
means that they are not specifically designed to adequately approach a specific
problem and that they use limited knowledge about the specific problem to be
addressed. They are based on concepts and behaviors that were usually not con-
sidered relevant for the classic optimization techniques.
The interest in these heuristic-based methods has been increasing due to
their adequate characteristics to solve complex real-world problems. Power system
4500
4000
3500
Number of publications
3000
2500
2000
1500
1000
500
0
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Evolutionary computation Artificial neural networks Fuzzy systems
Figure 1.1.1 Publications of CI in power systems and smart grid (2002–2018).

1.2 EVOLUTIONARY COMPUTATION: A SUCCESSFUL BRANCH OF CI 3
problems’ intrinsic complexity and large dimension make MHO a very relevant
issue for the power system community.
Although there is not a widely accepted definition for MHO methods, one
can say that these methods seek near-optimal solutions at a reduced computational
effort without guaranteeing the optimality and feasibility [5]. Using this definition
as a basis, it is simple to conclude that heuristic optimization methods do not guar-
antee that the optimal solution is found. Moreover, it is not usually possible to eval-
uate how close to optimality the obtained solution is. Despite heuristic optimization
methods’ characteristics can be pointed as limitations, in practice, MHO methods
allow to obtain high-quality solutions for real-world problems that were otherwise
practically insoluble or, at least, very difficult to solve. The most important advan-
tages that can be summarized from MHO to solve real complex problems are:
• their ability to find good-quality solutions in much shorter computing times
than traditional methods;
• their robustness, namely in what concerns their low sensitivity to noisy and/
or missing data.
In some demanding applications, one or more MHO techniques are used
together with traditional approaches (such as operational research and statistical
methods) resulting in efficient hybrid applications.
Some power system problems, namely those concerning planning and sche-
duling, require the consideration of a large set of constraints and variables. In addi-
tion, the models often require the consideration of nonlinear functions to provide
more accurate real-world solutions, which increase exponentially the complexity
of the problem. In problems for which these constraints are rather complex, the
use of constraint logic programming (CLP) appears as an adequate approach
largely used in commercial applications. The CLP allows to easily model the prob-
lem and can be combined with other techniques including MHO to solve the
problems more efficiently [23]. This chapter provides an introduction to EC and
describes some of the most prominent MHO algorithms used in power sys-
tems field.
The rest of the book will cover overview of MHO applications in power and
energy systems (Chapter 2), specific but a significant set of relevant problems in
power systems topics tackled with MHO, namely including planning and operation
(Chapter 3), power plant control (Chapter 4), distribution systems (Chapter 5),
renewables and smart grid (Chapter 6), and electricity markets (Chapter 7).
1.2 EVOLUTIONARY COMPUTATION:

A SUCCESSFUL BRANCH OF CI
EC is a vital part of CI (and a very successful branch of it) that includes algorithms
for global optimization motivated by biological and evolutionary processes [24].
Evolutionary problem solving is based on the concepts subjacent to natural
Another random document with
no related content on Scribd:
soupir et laissa tomber sa tête sur sa poitrine: c’était encore une
feuille qui tombait de l’arbre enchanté de ses espérances.
Le général Franceschetti profita de cette heure de
découragement pour lui donner le conseil de ne point débarquer
dans les Calabres et de se rendre directement à Trieste, afin de
réclamer de l’Autriche l’asile qu’elle lui avait offert. Le roi était dans
un de ces instans de lassitude extrême et d’abattement mortel où le
cœur s’affaisse sur lui-même: il se défendit d’abord, et puis finit par
accepter. En ce moment, le général s’aperçut qu’un matelot, couché
dans des enroulemens de câbles, se trouvait à portée d’entendre
tout ce qu’il disait; il s’interrompit et le montra du doigt à Murat.
Celui-ci se leva, alla voir l’homme et reconnut Luidgi; accablé de
fatigue, il s’était endormi sur le pont. La franchise de son sommeil
rassura le roi, qui d’ailleurs avait toute confiance en lui. La
conversation interrompue un instant se renoua donc: il fut convenu
que, sans rien dire des nouveaux projets arrêtés, on doublerait le
cap Spartivento, et qu’on entrerait dans l’Adriatique; puis le roi et le
général redescendirent dans l’entrepont.
Le lendemain 8 octobre, on se trouvait à la hauteur du Pizzo,
lorsque Joachim, interrogé par Barbara sur ce qu’il fallait faire,
donna ordre de mettre le cap sur Messine; Barbara répondit qu’il
était prêt à obéir, mais qu’il avait besoin d’eau et de vivres; en
conséquence, il offrit de passer sur la felouque de Cicconi, et d’aller
avec elle à terre pour y renouveler ses provisions; le roi accepta;
Barbara lui demanda alors les passeports qu’il avait reçus des
puissances alliées, afin, disait-il, de ne pas être inquiété par les
autorités locales. Ces pièces étaient trop importantes pour que
Murat consentît à s’en dessaisir; peut-être le roi commençait-il à
concevoir quelque soupçon: il refusa donc. Barbara insista; Murat lui
ordonna d’aller à terre sans ces papiers; Barbara refusa
positivement; le roi, habitué à être obéi, leva sa cravache sur le
Maltais; mais en ce moment, changeant de résolution, il ordonna aux
soldats de préparer leurs armes, aux officiers de revêtir leur grand
uniforme; lui-même leur en donna l’exemple: le débarquement était
décidé, et le Pizzo devait être le golfe Juan du nouveau Napoléon.
En conséquence, les bâtimens se dirigèrent vers la terre. Le roi
descendit dans une chaloupe avec vingt-huit soldats et trois
domestiques, au nombre desquels était Luidgi. Arrivé près de la
plage, le général Franceschetti fit un mouvement pour prendre terre,
mais Murat l’arrêta: «C’est à moi de descendre le premier,» dit-il; et il
s’élança sur le rivage. Il était vêtu d’un habit de général, avait un
pantalon blanc avec des bottes à l’écuyère, une ceinture dans
laquelle étaient passés deux pistolets, un chapeau brodé en or, dont
la cocarde était retenue par une ganse formée de quatorze brillans;
enfin il portait sous le bras la bannière autour de laquelle il comptait
rallier ses partisans: dix heures sonnaient à l’horloge du Pizzo.
Murat se dirigea aussitôt vers la ville, dont il était éloigné de cent
pas à peine, par le chemin pavé de larges dalles disposées en
escalier qui y conduit. C’était un dimanche; on allait commencer la
messe, et toute la population était réunie sur la place lorsqu’il y
arriva. Personne ne le reconnut, et chacun regardait avec
étonnement ce brillant état-major, lorsqu’il vit parmi les paysans un
ancien sergent qui avait servi dans sa garde de Naples. Il marcha
droit à lui, et lui mettant la main sur l’épaule: «Tavella, lui dit-il, ne me
reconnais-tu pas?» Mais comme celui-ci ne faisait aucune réponse:
«Je suis Joachim Murat; je suis ton roi, lui dit-il: à toi l’honneur de
crier le premier vive Joachim!» La suite de Murat fit aussitôt retentir
l’air de ses acclamations; mais le Calabrais resta silencieux, et pas
un de ses camarades ne répéta le cri dont le roi lui-même avait
donné le signal; au contraire, une rumeur sourde courait par la
multitude. Murat comprit ce frémissement d’orage. «Eh bien! dit-il à
Tavella, si tu ne veux pas crier vive Joachim, va au moins me
chercher un cheval, et de sergent que tu étais, je te fais capitaine.»
Tavella s’éloigna sans répondre; mais au lieu d’accomplir l’ordre qu’il
avait reçu, il rentra chez lui et ne reparut plus. Pendant ce temps, la
population s’amassait toujours sans qu’un signe amical annonçât à
Murat la sympathie qu’il attendait. Il sentit qu’il était perdu s’il ne
prenait une résolution rapide. «A Monteleone!» s’écria-t-il en
s’élançant le premier vers la route qui conduisait à cette ville. «A
Monteleone! répétèrent en le suivant ses officiers et ses soldats. Et
la foule, toujours silencieuse, s’ouvrit pour les laisser passer.
Mais à peine avait-il quitté la place, qu’une vive agitation se
manifesta. Un homme nommé Georges Pellegrino sortit de chez lui
armé d’un fusil et traversa la place en courant et en criant: Aux
armes! Il savait que le capitaine Trenta Capelli, qui commandait la
gendarmerie de Cosenza, était en ce moment au Pizzo, et il allait le
prévenir. Le cri aux armes eut plus d’écho dans cette foule que n’en
avait eu celui de vive Joachim. Tout Calabrais a un fusil, chacun
courut chercher le sien, et lorsque Trenta Capelli et Pellegrino
revinrent sur la place, ils trouvèrent près de deux cents hommes
armés. Ils se mirent à leur tête et s’élancèrent aussitôt à la poursuite
du roi; ils le rejoignirent à dix minutes de chemin à peu près de la
place, à l’endroit où est aujourd’hui le pont. Murat en les voyant venir
s’arrêta et les attendit.
Trenta Capelli s’avança alors le sabre à la main vers le roi.—
Monsieur, lui dit celui-ci, voulez-vous troquer vos épaulettes de
capitaine contre des épaulettes de général? Criez vive Joachim! et
suivez moi avec ces braves gens à Monteleone.
—Sire, répondit Trenta Capelli, nous sommes tous fidèles sujets
du roi Ferdinand, et nous venons pour vous combattre et non pour
vous accompagner: rendez-vous donc si vous voulez prévenir
l’effusion du sang.
Murat regarda le capitaine de gendarmerie avec une expression
impossible à rendre; puis, sans daigner lui répondre, il lui fit signe de
la main de s’éloigner, tandis qu’il portait l’autre à la crosse de l’un de
ses pistolets. Georges Pellegrino vit le mouvement.
—Ventre à terre, capitaine! ventre à terre! cria-t-il. Le capitaine
obéit, aussitôt une balle passa en sifflant au-dessus de sa tête et alla
effleurer les cheveux de Murat.
—Feu! ordonna Franceschetti.
—Armes à terre! cria Murat; et, secouant de sa main droite son
mouchoir, il fit un pas pour s’avancer vers les paysans; mais au
même instant une décharge générale partit: un officier et deux ou
trois soldats tombèrent. En pareille circonstance, quand le sang a
commencé de couler, il ne s’arrête pas; Murat savait cette fatale
vérité, aussi son parti fut-il pris, rapide et décisif. Il avait devant lui
cinq cents hommes armés, et derrière lui un précipice de trente
pieds de hauteur: il s’élança du rocher à pic sur lequel il se trouvait
tomba dans le sable, et se releva sans être blessé, le général
Franceschetti et son aide-de-camp Campana firent avec le même
bonheur le même saut que lui, et tous trois descendirent rapidement
vers la mer, à travers un petit bois qui s’étend jusqu’à cent pas du
rivage, et qui les déroba un instant à la vue de leurs ennemis. A la
sortie de ce bois, une nouvelle décharge les accueillit; les balles
sifflèrent autour d’eux, mais n’atteignirent personne, et les trois
fugitifs continuèrent leur course vers la plage.
Ce fut alors seulement que le roi s’aperçut que le canot qui l’avait
déposé à terre était reparti. Les trois navires qui composaient sa
flottille, loin d’être restés pour protéger son débarquement, avaient
repris la mer et s’éloignaient à pleines voiles. Le Maltais Barbara
emportait non-seulement la fortune de Murat, mais encore son
espoir, son salut, sa vie: c’était à n’y pas croire à force de trahison.
Aussi le roi prit-il cet abandon pour une simple manœuvre, et, voyant
une barque de pêcheur tirée au rivage sur des filets étendus, il cria à
ses deux compagnons:—La barque à la mer.
Tous alors commencèrent à la pousser pour la mettre à flot, avec
l’énergie du désespoir, avec les forces de l’agonie. Personne n’avait
osé franchir le rocher pour se mettre à leur poursuite; leurs ennemis,
forcés de prendre un détour, leur laissaient quelques instans de
liberté. Mais bientôt des cris se firent entendre: Georges Pellegrino,
Trenta Capelli, suivis de toute la population du Pizzo, débouchèrent
à cent cinquante pas à peu près de l’endroit où Murat, Franceschetti
et Campana s’épuisaient en efforts pour faire glisser la barque sur le
sable. Ces cris furent immédiatement suivis d’une décharge
générale. Campana tomba: une balle venait de lui traverser la
poitrine. Cependant la barque était à flot: le général Franceschetti
s’élança dedans; Murat voulut le suivre, mais il ne s’était point
aperçu que les éperons de ses bottes à l’écuyère s’étaient
embarrassés dans les mailles du filet. La barque, cédant à
l’impulsion donnée par lui, se déroba sous ses mains, et le roi tomba
les pieds sur la plage et le visage dans la mer. Avant qu’il eût eu le
temps de se relever, la population s’était ruée sur lui: en un instant
elle lui arracha ses épaulettes, sa bannière et son habit, et elle allait
le mettre en morceaux lui-même, si Georges Pellegrino et Trenta
Capelli, prenant sa vie sous leur protection, ne lui avaient donné le
bras de chaque côté, en le défendant à leur tour contre la populace.
Il traversa ainsi en prisonnier la place qu’une heure auparavant il
abordait en roi. Ses conducteurs le menèrent au château; on le
poussa dans la prison commune, on referma la porte sur lui, et le roi
se trouva au milieu des voleurs et des assassins, qui, ne sachant
pas qui il était, et le prenant pour un compagnon de crimes,
l’accueillirent par des injures et des huées.
Un quart d’heure après, la porte du cachot se rouvrit, le
commandant Mattei entra: il trouva Murat débout, les bras croisés, la
tête haute et fière. Il y avait une expression de grandeur
indéfinissable dans cet homme à demi nu, et dont la figure était
souillée de boue et de sang. Il s’inclina devant lui.
—Commandant, lui dit Murat, reconnaissant son grade à ses
épaulettes, regardez autour de vous, et dites si c’est là une prison à
mettre un roi!
Alors une chose étrange arriva: ces hommes du crime, qui,
croyant Murat un de leurs complices, l’avaient accueilli avec des
vociférations et des rires, se courbèrent devant la majesté royale,
que n’avaient point respectée Pellegrino et Trenta Capelli, et se
retirèrent silencieux au plus profond de leur cachot. Le malheur
venait de donner un nouveau sacre à Joachim.
Le commandant Mattei murmura quelques excuses, et invita
Murat à le suivre dans une chambre qu’il venait de lui faire préparer;
mais, avant de sortir, Murat fouilla dans sa poche, en tira une
poignée d’or, et la laissant tomber comme une pluie au milieu du
cachot:
—Tenez, dit-il en se retournant vers les prisonniers, il ne sera pas
dit que vous avez reçu la visite d’un roi, tout captif et découronné
qu’il est, sans qu’il vous ait fait largesse.
—Vive Joachim! crièrent les prisonniers.
Murat sourit amèrement. Ces mêmes paroles, répétées par un
pareil nombre de voix, il y a une heure, sur la place publique, au lieu
de retentir dans une prison, le faisaient roi de Naples! Les résultats
les plus importans sont amenés parfois par des causes si minimes,
qu’on croirait que Dieu et Satan jouent aux dés la vie ou la mort des
hommes, l’élévation ou la chute des empires.
Murat suivit le commandant Mattei: il le conduisit dans une petite
chambre qui appartenait au concierge, et que celui-ci céda au roi. Il
allait se retirer lorsque Murat le rappela:
—Monsieur le commandant, lui dit-il, je désire un bain parfumé.
—Sire, la chose est difficile.
—Voilà cinquante ducats; qu’on achète toute l’eau de Cologne
qu’on trouvera. Ah! que l’on m’envoie des tailleurs.
—Il sera impossible de trouver ici des hommes capables de faire
autre chose que des costumes du pays.
—Qu’on aille à Monteleone, et qu’on me ramène ici tous ceux
qu’on pourra réunir.
Le commandant s’inclina et sortit.
Murat était au bain lorsqu’on lui annonça la visite du chevalier
Alcala, général du prince de l’Infantado et gouverneur de la ville. Il
faisait apporter des couvertures de damas, des draps et des
fauteuils. Murat fut sensible à cette attention, et il en reprit une
nouvelle sérénité.
Le même jour, à deux heures, le général Nunziante arriva de
Saint-Tropea avec trois mille hommes. Murat revit avec plaisir une
vieille connaissance; mais au premier mot, le roi s’aperçut qu’il était
devant un juge, et que sa présence avait pour but, non pas une
simple visite, mais un interrogatoire en règle. Murat se contenta de
répondre qu’il se rendait de Corse à Trieste en vertu d’un passeport
de l’empereur d’Autriche, lorsque la tempête, et le défaut de vivres
l’avaient forcé de relâcher au Pizzo. A toutes les autres questions,
Murat opposa un silence obstiné; puis enfin, fatigué de ses
instances:—Général, lui dit-il, pouvez-vous me prêter des habits, afin
que je sorte du bain?
Le général comprit qu’il n’avait rien à attendre de plus, salua le
roi et sortit. Dix minutes après, Murat reçut un uniforme complet; il le
revêtit aussitôt, demanda une plume et de l’encre, écrivit au général
en chef des troupes autrichiennes à Naples, à l’ambassadeur
d’Angleterre et à sa femme, pour les informer de sa détention au
Pizzo. Ces dépêches terminées, il se leva, marcha quelque temps
avec agitation dans la chambre; puis enfin, éprouvant le besoin d’air,
il ouvrit la fenêtre. La vue s’étendait sur la plage même où il avait été
arrêté.
Deux hommes creusaient un trou dans la sable, au pied de la
petite redoute ronde. Murat les regarda faire machinalement.
Lorsque ces deux hommes eurent fini, ils entrèrent dans une maison
voisine, et bientôt ils en sortirent portant entre leurs bras un cadavre.
Le roi rappela ses souvenirs, et il lui sembla en effet qu’il avait, au
milieu de cette scène terrible, vu tomber quelqu’un auprès de lui;
mais il ne savait plus qui. Le cadavre était complétement nu; mais à
ses longs cheveux noirs, à la jeunesse de ses formes, le roi
reconnut Campana: c’était celui de ses aides-de-camp qu’il aimait le
mieux. Cette scène, vue à l’heure du crépuscule, vue de la fenêtre
d’une prison; cette inhumation dans la solitude, sur cette plage, dans
le sable, émurent plus fortement Murat que n’avaient pu le faire ses
propres infortunes. De grosses larmes vinrent au bord de ses yeux
et coulèrent silencieusement sur sa face de lion. En ce moment le
général Nunziante rentra et le surprit les bras tendus, le visage
baigné de pleurs. Murat entendit du bruit, se retourna, et voyant
l’étonnement du vieux soldat:—Oui, général, lui dit-il, oui, je pleure.
Je pleure sur cet enfant de vingt-quatre ans, que sa famille m’avait
confié, et dont j’ai causé la mort; je pleure sur cet avenir vaste, riche
et brillant, qui vient de s’éteindre dans une fosse ignorée, sur une
terre ennemie, sur un rivage hostile. O Campana! Campana! si
jamais je remonte sur le trône, je te ferai élever un tombeau royal.
Le général avait fait préparer un dîner dans la chambre attenante
à celle qui servait de prison au roi: Murat l’y suivit, se mit à table,
mais ne put manger. Le spectacle auquel il venait d’assister lui avait
brisé le cœur; et cependant cet homme avait parcouru sans froncer
le sourcil les champs de bataille d’Aboukir, d’Eylau et de la
Moskowa!
Après le dîner, Murat rentra dans sa chambre, remit au général
Nunziante les diverses lettres qu’il avait écrites, et le pria de le
laisser seul. Le général sortit.
Murat fit plusieurs fois le tour de sa chambre, se promenant à
grands pas et s’arrêtant de temps en temps devant la fenêtre, mais
sans l’ouvrir. Enfin il parut surmonter une répugnance profonde,
porta la main sur l’espagnolette et tira la croisée à lui. La nuit était
calme, on distinguait toute la plage. Il chercha des yeux la place où
était enterré Campana: deux chiens qui grattaient la tombe la lui
indiquèrent. Le roi repoussa la fenêtre avec violence, et se jeta tout
habillé sur son lit. Enfin, craignant qu’on attribuât son agitation à une
crainte personnelle, il se dévêtit, se coucha et dormit, ou parut
dormir toute la nuit.
Le 9 au matin, les tailleurs que Murat avait demandés arrivèrent.
Il leur commanda force habits, dont il prit la peine de leur expliquer
les détails avec sa fastueuse fantaisie. Il était occupé de ce soin,
lorsque le général Nunziante entra. Il écouta tristement les ordres
que donnait le roi: il venait de recevoir des dépêches télégraphiques
qui ordonnaient au général de faire juger le roi de Naples, comme
ennemi public, par une commission militaire. Mais celui-ci trouva le
roi si confiant, si tranquille, et presque si gai, qu’il n’eut pas le
courage de lui annoncer la nouvelle de sa mise en jugement; il prit
même sur lui de retarder l’ouverture de la commission militaire
jusqu’à ce qu’il eût reçu une dépêche écrite. Elle arriva le 12 au soir.
Elle était conçue en ces termes:
Naples, 9 octobre 1815

«Ferdinand, par la grâce de Dieu, etc., avons décrété et
décrétons ce qui suit:
Art. 1er, Le général Murat sera traduit devant une
commission militaire, dont les membres seront nommés par
notre ministre de la guerre.
Art. 2. Il ne sera accordé au condamné qu’une demi-heure
pour recevoir les secours de la religion.
Signé Ferdinand.»
Un autre arrêté du ministre contenait les noms des membres de

la commission; c’étaient:
Giuseppe Fasculo, adjudant, commandant et chef de

l’état-major, président;
Laffaello Scalfaro, chef de la légion de la Calabre
inférieure;
Latereo Natali, lieutenant-colonel de la marine royale;
Gennaro Lanzetta, lieutenant-colonel du corps du génie;
W. T., capitaine d’artillerie;
François de Vengé, idem;
Francesco Martellari, lieutenant d’artillerie;
Francesco Froio, lieutenant au 3e régiment;

Giovanni della Camera, procureur-général au tribunal
criminel de la Calabre inférieure;
Et Francesco Papavassi, greffier.
La commission s’assembla dans la nuit. Le 13 octobre, à six

heures du matin, le capitaine Stratti entra dans la prison du roi, il
dormait profondément: Stratti allait sortir, lorsqu’en marchant vers la
porte il heurta une chaise; ce bruit réveilla Murat.—Que me voulez-
vous, capitaine? demanda le roi.
Stratti voulut parler, mais la voix lui manqua.
—Ah! ah! dit Murat, il paraît que vous avez reçu des nouvelles de
Naples?...
—Oui, sire, murmura Stratti.
—Qu’annoncent-elles? dit Murat.
—Votre mise en jugement, sire.
—Et par qui l’arrêt sera-t-il prononcé, s’il vous plaît? Où trouvera-
t-on des pairs pour me juger? Si l’on me considère comme un roi, il
faut assembler un tribunal de rois; si l’on me considère comme un
maréchal de France, il me faut une cour de maréchaux, et si l’on me
considère comme général, et c’est le moins qu’on puisse faire, il me
faut un jury de généraux.
—Sire, vous êtes déclaré ennemi public, et comme tel vous êtes
passible d’une commission militaire; c’est la loi que vous avez
rendue vous-même contre les rebelles.
—Cette loi fut faite pour des brigands, et non pour des têtes
couronnées, monsieur, dit dédaigneusement Murat. Je suis prêt, que
l’on m’assassine, c’est bien; je n’aurais pas cru le roi Ferdinand
capable d’une pareille action.
—Sire, ne voulez-vous pas connaître la liste de vos juges?
—Si fait, monsieur, si fait; ce doit être une chose curieuse: lisez,
je vous écoute.
Le capitaine Stratti lut les noms que nous avons cités. Murat les
entendit avec un sourire dédaigneux.
—Ah! continua-t-il lorsque le capitaine eut achevé, il paraît que
toutes les précautions sont prises.
—Comment cela, sire?
—Oui, ne savez-vous pas que tous ces hommes, à l’exception du
rapporteur Francesco Froio, me doivent leurs grades; ils auront peur
d’être accusés de reconnaissance, et, moins une voix peut-être,
l’arrêt sera unanime.
—Sire, si vous paraissiez devant la commission, si vous plaidiez
vous-même votre cause?
—Silence, monsieur, silence..... dit Murat. Pour que je
reconnaisse les juges que l’on m’a nommés, il faudrait déchirer trop
de pages de l’histoire; un tel tribunal est incompétent, et j’aurais
honte de me présenter devant lui; je sais que je ne puis sauver ma
vie, laissez-moi sauver au moins la dignité royale.
En ce moment, le lieutenant Francesco Froio entra pour
interroger le prisonnier, et lui demanda ses noms, son âge, sa patrie.
A ces questions, Murat se leva avec une expression de dignité
terrible: —Je suis Joachim Napoléon, roi des Deux-Siciles, lui
répondit-il, et je vous ordonne de sortir.—Le rapporteur obéit.
Alors Murat passa un pantalon seulement, et demanda à Stratti
s’il pouvait adresser des adieux à sa femme et à ses enfans. Celui-
ci, ne pouvant plus parler, répondit par un geste affirmatif; aussitôt
Joachim s’assit à une table, et écrivit cette lettre[9]:
«Chère Caroline de mon cœur,

»L’heure fatale est arrivée, je vais mourir du dernier des
supplices; dans une heure tu n’auras plus d’époux, et nos
enfans n’auront plus de père: souvenez-vous de moi et
n’oubliez jamais ma mémoire.
»Je meurs innocent, et la vie m’est enlevée par un
jugement injuste.
»Adieu, mon Achille; adieu, ma Lætitia; adieu, mon
Lucien; adieu, ma Louise.
»Montrez-vous dignes de moi; je vous laisse sur une terre
et dans un royaume pleins de mes ennemis: montrez-vous
supérieurs à l’adversité, et souvenez-vous de ne pas vous
croire plus que vous n’êtes, en songeant à ce que vous avez
été.
»Adieu, je vous bénis. Ne maudissez jamais ma mémoire.
Rappelez-vous que la plus grande douleur que j’éprouve
dans mon supplice est celle de mourir loin de mes enfans,
loin de ma femme, et de n’avoir aucun ami pour me fermer
les yeux.
»Adieu, ma Caroline; adieu, mes enfans; recevez ma
bénédiction paternelle, mes tendres larmes et mes derniers
baisers.
»Adieu, adieu; n’oubliez pas votre malheureux père.
»Pizzo, ce 15 octobre 1815.
»Joachim MURAT.»
Alors il coupa une boucle de ses cheveux et la mit dans la lettre:

en ce moment le général Nunziante entra; Murat alla à lui et lui tendit
la main:—Général, lui dit-il, vous êtes père, vous êtes époux, vous
saurez un jour ce que c’est que de quitter sa femme et ses fils.
Jurez-moi que cette lettre sera remise.
—Sur mes épaulettes, dit le général[10] en s’essuyant les yeux.

—Allons, allons, du courage, général, dit Murat; nous sommes
soldats, nous savons ce que c’est que la mort. Une seule grâce:
vous me laisserez commander le feu, n’est-ce pas? Le général fit
signe de la tête que cette dernière faveur lui serait accordée; en ce
moment le rapporteur entra, la sentence du roi à la main. Murat
devina ce dont il s’agisssait:—Lisez, monsieur, lui dit-il froidement, je
vous écoute.—Le rapporteur obéit. Murat ne s’était pas trompé; il y
avait eu, moins une voix, unanimité pour la peine de mort.
Lorsque la lecture fut finie, le roi se retourna vers Nunziante:—
Général, lui dit-il, croyez que je sépare, dans mon esprit, l’instrument
qui me frappe de la main qui le dirige. Je n’aurais pas cru que
Ferdinand m’eût fait fusiller comme un chien; il ne recule pas devant
cette infamie! c’est bien, n’en parlons plus. J’ai récusé mes juges,
mais non pas mes bourreaux. Quelle est l’heure que vous désignez
pour mon exécution?
—Fixez-la vous-même, sire, dit le général.
Murat tira de son gousset une montre sur laquelle était le portrait
de sa femme; le hasard fit qu’elle était tournée de manière que ce fut
le portrait et non le cadran qu’il amena devant ses yeux; il le regarda
avec tendresse:
—Tenez, général, dit-il en le montrant à Nunziante, c’est le
portrait de la reine, vous la connaissez; n’est-ce pas qu’elle est bien
ressemblante?
Le général détourna la tête. Murat poussa un soupir et remit la
montre dans son gousset.
—Eh bien! sire, dit le rapporteur, quelle heure fixez-vous?
—Ah! c’est juste, dit Murat en souriant, j’avais oublié pourquoi
j’avais tiré ma montre en voyant le portrait de Caroline.—Alors il
regarda sa montre de nouveau, mais cette fois du côté du cadran.—
Eh bien! ce sera pour quatre heures, si vous voulez; il est trois
heures passées, c’est cinquante minutes que je vous demande, est-
ce trop, monsieur?
Le rapporteur s’inclina et sortit. Le général voulut le suivre.
—Ne vous reverrai-je plus, Nunziante? dit Murat.
—Mes ordres m’enjoignent d’assister à votre mort, sire; mais je
n’en aurai pas la force.
—C’est bien, général, c’est bien; je vous dispense d’être là au
dernier moment; mais je désire vous dire adieu encore une fois et
vous embrasser.
—Je me trouverai sur votre route, sire.
—Merci. Maintenant laissez-moi seul.
—Sire, il y a là deux prêtres.—Murat fit un signe d’impatience.—
Voulez-vous les recevoir? continua le général.
—Oui, faites-les entrer.
Le général sortit. Un instant après les deux prêtres parurent au
seuil de la porte; l’un se nommait don Francesco Pellegrino: c’était
l’oncle de celui qui avait causé la mort du roi; et l’autre don Antonio
Masdea.
—Que venez-vous faire ici? leur dit Murat.
—Vous demander si vous voulez mourir en chrétien.
—Je mourrai en soldat. Laissez-moi.
Don Francesco Pellegrino se retira. Sans doute, il était mal à
l’aise devant Joachim. Quant à Antonio Masdea, il resta sur la porte.
—Ne m’avez-vous pas entendu? dit le roi.
—Si fait, répondit le vieillard; mais permettez-moi, sire, de ne pas
croire que c’est votre dernier mot. Ce n’est pas pour la première fois
que je vous vois et que je vous implore; j’ai déjà eu l’occasion de
vous demander une grâce.
—Laquelle?
—Lorsque votre majesté vint au Pizzo, en 1810, je lui demandai
25,000 francs pour faire achever notre église; votre majesté m’en
envoya 40,000.
—C’est que je prévoyais que j’y serais enterré, répondit en
souriant Murat.
—Eh bien! sire, j’aime à croire que vous ne refuserez pas plus
ma seconde prière que vous ne m’avez refusé la première. Sire, je
vous le demande à genoux.
Le vieillard tomba aux pieds de Murat.
—Mourez en chrétien!
—Cela vous fera donc bien plaisir? dit le roi.
—Sire, je donnerais le peu de jours qui me restent pour obtenir
de Dieu que son esprit vous visitât à votre dernière heure.
—Eh bien! dit Murat, écoutez ma confession: Je m’accuse, étant
enfant, d’avoir désobéi à mes parens; depuis que je suis devenu un
homme, je n’ai jamais eu autre chose à me reprocher.
—Sire, me donnerez-vous une attestation que vous mourez dans
la religion chrétienne?
—Sans doute, dit Murat; et il prit une plume et écrivit:
«Moi, Joachim Murat, je meurs en chrétien, croyant à la sainte
Eglise catholique, apostolique et romaine.» Et il signa.
—Maintenant, mon père, continua le roi, si vous avez une
troisième grâce à me demander, hâtez-vous, car dans une demi-
heure il ne serait plus temps. En effet, l’horloge du château sonna en
ce moment trois heures et demie.
Le prêtre fit signe que tout était fini.—Laissez-moi donc seul, dit
Murat. Le vieillard sortit.
Murat se promena quelques minutes à grands pas dans la
chambre; puis il s’assit sur son lit et laissa tomber sa tête dans ses
deux mains. Sans doute, pendant le quart d’heure où il resta ainsi
absorbé dans ses pensées, il vit repasser devant lui sa vie tout
entière, depuis l’auberge d’où il était parti jusqu’au palais où il était
entré; sans doute, son aventureuse carrière se déroula pareille à un
rêve doré, à un mensonge brillant, à un conte des Mille et une Nuits.
Comme un arc-en-ciel, il avait brillé pendant un orage, et comme un
arc-en-ciel, ses deux extrémités se perdaient dans les nuages de sa
naissance et de sa mort. Enfin il sortit de sa contemplation intérieure
et releva son front pâle, mais tranquille. Alors il s’approcha d’une
glace, arrangea ses cheveux: son caractère étrange ne le quittait
pas. Fiancé de la mort, il se faisait beau pour elle.
Quatre heures sonnèrent.
Murat alla lui-même ouvrir la porte.
Le général Nunziante l’attendait.
—Merci, général, lui dit Murat: vous m’avez tenu parole;
embrassez moi, et retirez-vous ensuite, si vous le voulez.
Le général se jeta dans les bras du roi en pleurant et sans
pouvoir prononcer une parole:
—Allons, du courage, lui dit Murat; vous voyez bien que je suis
tranquille.
C’était cette tranquillité qui brisait le courage du général! il
s’élança hors du corridor et sortit du château en courant comme un
insensé.
Alors le roi marcha vers la cour: tout était prêt pour l’exécution.
Neuf hommes et un caporal étaient rangés en ligne devant la porte
de la chambre du conseil. Devant eux était un mur de douze pieds
de haut; trois pas avant ce mur était un seuil d’un seul degré: Murat
alla se placer sur cet escalier, qui lui faisait dominer d’un pied à peu
près les soldats chargés de son exécution. Arrivé là, il tira sa montre,
baisa le portrait de sa femme, et les yeux fixés sur lui, il commanda
la charge des armes. Au mot feu! cinq des neuf hommes tirèrent:
Murat resta debout. Les soldats avaient eu honte de tirer sur leur roi;
ils avaient visé au-dessus de sa tête.
Ce fut peut-être en ce moment qu’éclata le plus magnifiquement
ce courage de lion qui était la vertu particulière de Murat. Pas un trait
de son visage ne s’altéra, pas un muscle de son corps ne faiblit;
seulement, regardant les soldats avec une expression de
reconnaissance amère:
—Merci, mes amis, leur dit-il; mais, comme tôt ou tard vous serez
obligés de viser juste, ne prolongez pas mon agonie. Tout ce que je
vous demande, c’est de viser au cœur et d’épargner la figure.
Recommençons.
Et avec la même voix, avec le même calme, avec le même
visage, il répéta les paroles mortelles les unes après les autres, sans
lenteur, sans précipitation, et comme il eût commandé une simple
manœuvre; mais cette fois, plus heureux que la première, au mot
feu! il tomba percé de huit balles, sans faire un mouvement, sans
pousser un soupir, sans lâcher la montre qu’il tenait serrée dans sa
main gauche[11].
Les soldats ramassèrent le cadavre, le couchèrent sur le lit, où
dix minutes auparavant il était assis, et le capitaine mit une garde à
la porte.
Le soir, un homme se présenta pour entrer dans la chambre
mortuaire: la sentinelle lui en refusa l’entrée; mais cet homme
demanda à parler au commandant du château. Conduit devant lui, il
lui montra un ordre. Le commandant le lut avec une surprise mêlée
de dégoût; puis, la lecture achevée, il le conduisit jusqu’à la porte
qu’on lui avait refusée.
—Laisser passer le seigneur Luidgi, dit-il à la sentinelle. La
sentinelle présenta les armes à son commandant. Luidgi entra.
Dix minutes s’étaient à peine écoulées, lorsqu’il sortit tenant à la
main un mouchoir ensanglanté. Dans ce mouchoir était un objet que
la sentinelle ne put reconnaître.
Une heure après, un menuisier apporta le cercueil qui devait
renfermer les restes du roi. L’ouvrier entra dans la chambre; mais
presque aussitôt il appela la sentinelle avec un accent indicible
d’effroi. Le soldat entrebâilla la porte pour regarder ce qui avait pu
causer la terreur de cet homme. Le menuisier lui montra du doigt un
cadavre sans tête.
A la mort du roi Ferdinand, on retrouva dans une armoire secrète
de sa chambre à coucher cette tête conservée dans de l’esprit-de-
vin[12].
Huit jours après l’exécution du Pizzo, chacun avait déjà reçu sa
récompense: Trenta Capelli était fait colonel, le général Nunziante
était créé marquis, et Luidgi était empoisonné.
PA S C A L B R U N O .
Ces détails m’étaient d’autant plus précieux, que je comptais,

dans quelques mois, partir pour l’Italie et visiter moi-même les lieux
qui avaient servi de théâtre aux principales scènes que nous venons
de raconter. Aussi, en reportant le manuscrit du général T., usai-je
largement de la permission qu’il m’avait donnée de mettre à
contribution ses souvenirs sur les lieux qu’il avait visités. On
retrouvera donc, dans mon voyage d’Italie, une foule de détails
recueillis par moi, il est vrai, mais dont je dois les indications à son
obligeance. Cependant mon consciencieux cicérone m’abandonna à
la pointe de la Calabre, et ne voulut jamais traverser le détroit.
Quoique exilé deux ans à Lipari et en vue de ses côtes, il n’avait
jamais mis le pied en Sicile, et craignait, en sa qualité de Napolitain,
de ne pouvoir se soustraire, en m’en parlant, à l’influence de la haine
que les deux peuples ont l’un pour l’autre.
Je m’étais donc mis en quête d’un réfugié sicilien, nommé
Palmieri, que j’avais rencontré autrefois, mais dont j’avais perdu
l’adresse, et qui venait de publier deux excellens volumes de
souvenirs, afin de me procurer, sur son île si poétique et si inconnue,
ces renseignemens généraux et ces désignations particulières qui
posent d’avance les bornes milliaires d’un voyage, lorsqu’un soir
nous vîmes arriver, faubourg Montmartre, no 4, le général T. avec
Bellini, auquel je n’avais pas songé, et qu’il m’amenait pour
compléter mon itinéraire. Il ne faut pas demander comment fut reçu
dans notre réunion tout artistique, où souvent le fleuret n’était qu’un
prétexte emprunté par la plume ou le pinceau, l’auteur de la
Somnambule et de la Norma. Bellini était de Catane: la première
chose qu’avaient vue ses yeux en s’ouvrant, étaient ces flots qui,
après avoir baigné les murs d’Athènes, viennent mourir

Applications of Modern Heuristic Optimization Methods in Power and Energy Systems Lee Kwang Y Full Chapter

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Applications of Modern Heuristic Optimization Methods in Power and Energy Systems Lee Kwang Y Full Chapter

Uploaded by

Copyright:

Available Formats

Applications of modern heuristic

optimization methods in power and

IEEE Press Editorial Board

Jón Atli Benediktsson Xiaoou Li Jeffrey Reed

LIST OF FIGURES xxi

LIST OF TABLES xxxiii

CHAPTER 2 OVERVIEW OF APPLICATIONS IN POWER AND ENERGY SYSTEMS 21

2.1 Applications to Power Systems 21

CHAPTER 3 POWER SYSTEM PLANNING AND OPERATION 39

CHAPTER 4 POWER SYSTEM AND POWER PLANT CONTROL 227

4.1 Introduction 227

4.5.2 Application of PSO on Power System’s Corrective Control 307

CHAPTER 5 DISTRIBUTION SYSTEM 381

5.1 Introduction 381

5.5 Dynamic Distribution Network Expansion Planning with Demand Side

5.11.4 Coefficients Estimation Using Heuristic Optimization 578

CHAPTER 6 INTEGRATION OF RENEWABLE ENERGY IN SMART GRID 613

6.1 Introduction 613

6.7.5 Evolutionary Particle Swarm Optimization 697

CHAPTER 7 ELECTRICITY MARKETS 775

7.1 Introduction 775

7.5.2 Fuzzy Optimization 799

Ali T. Al-Awami, King Fahd University of Petroleum & Minerals, Dhahran,

Yeonchan Lee, Gyeongsang National University, Jinju, Korea

Shuo Wang, China Electric Power Planning & Engineering Institute,

Figure 1.1.1 Publications of CI in power systems and smart grid

Figure 3.4.4 Convergence curves of outer solutions for cost. 103

Figure 3.8.3 Effect of valve-point loading on a quadratic cost function. 173

Figure 4.4.5 Convergence of GA and PSO on the level of compensation. 292

Figure 4.7.1Simplified NARMA neural network model. 358

Figure 5.5.5Network 3: CAPEX vs. DSM. 454

Figure 5.10.1 Distribution network configurations. (a) Passive network.

Figure 6.2.4 External suppliers’ price based on Nord Pool day-ahead

OLTC tap positions – onshore transformers, (d) reactive

Figure 6.7.2 Comparison between actual value and predicted value by

Figure 7.5.1Fuzzy membership function. 800

Table 1.2.1 Research Documents by EC Algorithm 2014–Present 5

Table 3.6.7 Comparison of Results Obtained by Changing Aspiration

Table 4.3.3 PI Sensitivities of 5-Bus System for Different Loading

Table 4.6.2 The Selected Input and Output Variables of the

Table 5.9.2 Solutions Obtained from PSO on Fault 160–167 at

Table 6.10.5 Average Running Time for Each Population-Based

Kwang Y. Lee received the BS degree in Electrical Engineering in 1964 from

fields of these projects comprise Electricity Markets, Smart Grids, Renewable

Applications of Modern Heuristic Optimization Methods in Power and Energy Systems,

Evolutionary computation Artificial neural networks Fuzzy systems

Figure 1.1.1 Publications of CI in power systems and smart grid (2002–2018).

1.2 EVOLUTIONARY COMPUTATION:

Naples, 9 octobre 1815

Un autre arrêté du ministre contenait les noms des membres de

Giuseppe Fasculo, adjudant, commandant et chef de

Francesco Froio, lieutenant au 3e régiment;

La commission s’assembla dans la nuit. Le 13 octobre, à six

«Chère Caroline de mon cœur,

Alors il coupa une boucle de ses cheveux et la mit dans la lettre:

—Sur mes épaulettes, dit le général[10] en s’essuyant les yeux.

Ces détails m’étaient d’autant plus précieux, que je comptais,

You might also like