Разработка и исследование генетических алгоритмов для анализа и оптимизации режимов электроэнергетических систем

• Автор: Павлюченко, Дмитрий Анатольевич
• Шифр специальности: 05.14.02
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Новосибирск
• Количество страниц: 176 с. : ил

ОГЛАВЛЕНИЕ
ВЕДЕНИЕ

. Современное состояние проблемы

1.1. Электроэнергетические системы как объект оптимизации.

1.2. Традиционные методы решения задач оптимизации

1.3. Обоснование применения генетических алгоритмов в электроэнергетике

Основные положения генетического подхода.

2.1. Общая характеристика метода

2.2. Кодирование параметров оптимизируемой системы.

2.3. Жизненный цикл популяции

2.3.1. Выбор родительских пар.

2.3.2. Кроссовер
2.3.3. Мутация
2.3.4. Естественный отбор.
2.3.5. Дополнительные операторы.
2.3.6. Критерий остановки.
2.4. Другие направления эволюционных вычислений
2.4.1. Эволюционное программирование
2.4.2. Эволюционные стратегии.
2.4.3. Генетическое программирование
2.5. Гибридизация генетических алгоритмов
2.6. Выводы
3. Генетические алгоритмы оптимизации функционирования
ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ СИСТЕМ.
3.1. Постановка задачи.
3.2. Оптимизация режимов электроэнергетических систем по активной мощности.
3.2.1. Постановка задачи
3.2.2. Математическая модель и методы решения.
3.2.3. Особенности расходных характеристик электростанций
3.2.4. Предложенная методология.
3.2.5. Анализ результатов расчета.
3.3. Оптимизация режимов электроэнергетических систем по реактивной мощности
3.3.1. Постановка задачи
3.3.2. Математическая модель и методы решения.
3.3.3. Предложенная методология.
3.3.4. Анализ результатов расчета.
3.4. Оптимизация режимов электроэнергетических систем по
I коэффициентам трансформации.
В 3.4.1. Постановка задачи
3.4.2. Математическая модель и методы решения.
3.4.3. Предложенная методология.
3.4.4. Анализ результатов расчета.
3.5. Выводы.
. Генетические алгоритмы оптимизации развития
ЭЛЕКТРОЭНЕРГЕТИЧЕСКИХ СИСТЕМ
4.1. Постановка задачи
4.2. Оптимизация развития и структуры электрической сети
4.2.1. Постановка задачи
4.2.2. Методы решения.
4.2.3. Предложенная методология.
4.2.4. Анализ результатов расчета
4.3. Оптимальное размещение источников реактивной мощности
4.3.1. Постановка задачи.
4.3.2. Математическая модель и алгоритм решения.
4.3.3. Анализ результатов расчета
4.4. Оптимальное размещение линейных регуляторов.
4.4.1. Постановка задачи.
4.4.2. Моделирование устройств.
4.4.3. Предложенная методология
4.4.4. Анализ результатов расчета
4.5. Выводы
Программная реализация
5.1. Стандартные пакеты прикладных программ
5.2. Разработанные программы.
Заключение
Титер атура.
Триложения
ВВЕДЕНИЕ
Актуальность


Другим недостатком является наличие дополнительных преобразований при учете ограничений в виде неравенств. Для этой юли предусмотрено использование совместно с базовым методом метода птрафных функций. Отдельно следует отметить сложную процедуру вычис-юний из-за дифференцирования целевой функции и, как следствие, трудоемкость ее реализации. Другой представитель итерационных алгоритмов, метод Ньютона вто-эого порядка, является достаточно точным, универсальным, характеризуется зысоким быстродействием [, -]. В то же время метод очень плохо работает при неудачных начальных приближениях, а также объём вычислений в методе Ньютона на каждом шаге значительно больше, чем, например, в ме-годах первого порядка. Наличие этих и других недостатков обуславливают необходимость |рименения и исследования новых нетрадиционных методов решения задач •птимизации. В связи с этим в настоящей работе, рассматривается решение ехнических задач с помощью методов искусственного интеллекта: нечеткой югики, искусственных нейронных сетей, эволюционных алгоритмов. В электроэнергетике типичная практическая задача, как правило, мультимодальна и многомерна. Для нее не существует универсальных методов, соторые позволяли бы достаточно быстро найти решение близкое к оптимальному. Следовательно, цель исследователей состоит в нахождении такого тодхода, который лучше бы всех отвечал предъявляемым к ним требованиям, ^енетический алгоритм представляет собой именно такой комбинированный ,метод. Механизмы скрещивания и мутации в каком-то смысле реализуют пе-эеборную часть метода, что позволяет его использовать в задачах, имеющих комбинаторную природу, а отбор лучших решений - градиентный спуск, что эпределяет достаточно высокое быстродействие алгоритма. Такая комбинация позволяет обеспечить устойчиво хорошую эффективность генетического поиска для любых типов задач. Генетические алгоритмы в различных модификациях в настоящее время находят огромное число разнообразных применений во многих научных и технических проблемах [-]. Современная вычислительная техника и новые технологии программирования позволяют реализовывать довольно сложные, но в то же время мощные алгоритмы, к которым относятся и ГА. В электроэнергетике, в основном за рубежом, предпринимались по-1ытки с помощью генетических алгоритмов решить задачи, связанные с правлением, оптимизацией и планированием режимов электроэнергетиче-ких систем. Показано, что любая сложная оптимизационная задача может >ыть эффективно решена на основе методов генетического поиска. Существенной особенностью рассматриваемого подхода является то, 1ТО он применим не только как основополагающий метод. Поэтому одной из тенденций использования генетических алгоритмов является их комбинирование с классическими методами. Ниже приведен краткий обзор некоторых электроэнергетических задач, решение которых показало очевидное преимущество используемых эволюционных алгоритмов. Оптимизация развития ЭЭС. Задача оптимального развития электрической системы имеет динамическую природу, поскольку требования к передаче электрической энергии изменяются с течением времени. При этом данная проблема часто упрощается проектировщиками с целью решения ее в статике. Таким образом, оптимизация развития состоит в минимизации издержек на строительство новых линий электропередачи с учетом операционных ограничений и соответствия требованиям энергосистемы. В [-] данная задача рассматривается как многомерная нелинейная дискретная оптимизационная проблема, которая требует использования эвристических и комбинаторных алгоритмов, в частности эволюционных алгоритмов, поскольку они позволяют получить лучшее решение по сравнению с классическими оптимизационными методами. Расчет установившихся режимов ЭЭС. Примеров применения генетических алгоритмов для расчета установившихся режимов электрических систем крайне мало. Из известных работ можно отметить исследования, проведенные учеными группы Artificial Intelligence and Power Systems. В [, ] данная проблема представлена как оптимизационная задача: минимизируется суммарный небаланс активных, реактивных мощностей и напряжений.