Thuật toán SGA

Chia sẻ: Hoang Nguyen Nguyen | Ngày: | Loại File: DOCX | Số trang:9

Thêm vào BST

Báo xấu

82
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Phân tích tính toán, cụ thể là của thuật toán giải pháp được thể hiện trong hình. 14,13. trong một lần lặp của việc tìm bị câḿ , các đường dây phân phối hiệu quả nhất ứng cử viên hoặc phân phối máy phát điện được lựa chọn và cài đặt (loại bỏ) để giảm bớt sự quá tải của tổng số đường dây phân phối.Điều này hoạt động tìm kiếm được tiếp tục cho đến khi một số lần lặp xác định trước. Thông tin chi tiết của thuật toán giải pháp được thể hiện trong Ref. 28....

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Thuật toán SGA

Phân tích độ nhạy cũng được giới thiệu để giảm bớt gánh nặng tính toán, c ụ thể là của thuật toán giải pháp được thể hiện trong hình. 14,13. trong một lần lặp của việc tìm bị câm, các đường dây phân phối hiệu quả nhất ứng cử viên hoặc phân phối máy phát đi ện ́ được lựa chọn và cài đặt (loại bỏ) để giảm bớt sự quá tải của t ổng s ố đ ường dây phân phối.Điều này hoạt động tìm kiếm được tiếp tục cho đến khi một số lần lặp xác định tr ước. Thông tin chi tiết của thuật toán giải pháp được thể hiện trong Ref. 28. 14.5 PHẢN ỨNG ĐIỆN KẾ HOẠCH CẤP THẾ HỆ-TRUYỀN Các công suất phản kháng hoặc vấn đề quy hoạch VAR ở thế hệ - là m ức truy ền m ột vấn đề tối ưu hoá phi tuyến. đối tượng chính của nó là để tìm kế hoạch đầu tư kinh t ế nh ất cho các nguồn mới phản ứng tại tải xe buýt được lựa ch ọn sẽ đảm b ảo đúng h ồ s ơ đi ện áp và sự hài lòng của chế hoạt động. Thông thường, vấn đề quy ho ạch, được chia thành các bài toán con lập kế hoạch hoạt động và đầu tư. Trong vấn đề quy ho ạch ho ạt đ ộng, song song các nguồn có sẵn phản ứng và tap-biến các thiết lập được tối ưu v ới chi phí ho ạt đ ộng g ửi tối thiểu. Trong vấn đề quy hoạch đầu tư, các nguồn phản ứng m ới đ ược phân b ổ t ối ưu trong một chu kỳ kế hoạch với tổng chi phí tối thiểu (hoạt động và đầu tư). Trong thập kỷ qua, đã có một mối quan tâm ngày càng tăng trong các hệ thống điện về phản ứng công suất hoạt động và lập kế hoạch [68-75]. Phương pháp tiếp cận mới cho vấn đề quy hoạch VAR đang trở nên rất phức tạp trong vi ệc giảm thi ểu chi phí cài đ ặt và đ ể sử dụng hiệu quả các nguồn VAR để cải thiện hiệu năng hệ th ống. Các công th ức toán h ọc và thuật toán tối ưu đã được phát triển, trong đó, trong nhi ều tr ường h ợp, s ử d ụng phi tuy ến [76], tuyến tính [77], hoặc hỗn hợp nguyên lập trình [78], và các ph ương pháp phân h ủy [79- 82]. Với sự trợ giúp của máy tính mạnh mẽ, nó là bây gi ờ có th ể làm m ột s ố l ượng l ớn các tính toán để đạt được một tối ưu toàn cầu thay vì một giải pháp tối ưu địa phương. Hsiao et al. [82] cung cấp một cách ti ếp cận bằng cách sử d ụng mô ph ỏng luy ện kim với thay đổi lưu lượng nhanh chóng tách rời. Tuy nhiên, chỉ có các cấu hình mới (VAR cài đặt) được kiểm tra với lưu lượng tải, và các nguồn lực hi ện có như máy phát đi ện và máy bi ến áp điều chỉnh không được khai thác. Phần này trình bày một phương pháp cải thiện (MSGA; đổi đơn gi ản thu ật toán di truyền) của kế hoạch hoạt động và đầu tư bằng cách sử dụng m ột thuật toán đ ơn gi ản, di truyền (SGA) kết hợp với phương pháp lập trình tiếp tuyến tính. Cắt gi ảm đụng đ ược xây dựng trong quá trình SGA để nâng cao độ bền và độ tin c ậy c ủa thu ật toán. Ph ương pháp này lợi dụng mạnh mẽ của cả hai SGA và tính chính xác của ph ương pháp t ối ưu hóa thông thường. Lập kế hoawch đề xuât các VAR là dưới hình thức một hệ thống hai cấp. Ở cấp độ đầu tiên, SGA được sử dụng để chọn vị trí và số lượng các nguồn công suất phản kháng phải được cài đặt trong hệ thống. Lựa chọn này được truyền lại cho các bài toán con t ối ưu hóa hoạt động ở cấp độ thứ hai để giải quyết vấn đề kế hoạch hoạt động. Đó là một thực tế phổ biến để sử dụng một chương trình tiếp tuyến tính (LP). Đó là một thực tế phổ biến để sử dụng một chương trình tiếp tuyến tính (LP) xây dựng để cải thiện tốc độ tính toán và nâng cao độ chính xác tính toán; các phương pháp LP là nhanh chóng và mạnh mẽ. Các vấn đề lập kế hoạch hoạt động được tách riêng vào cùng thực (P) và phản ứng (Q) phần tối ưu hóa năng lượng, và việc xây dựng tuyến tính kế tiếp của việc tối ưu hóa P-Q module tăng tốc tính toán và cho phép LP sẽ được sử dụng trong việc tìm kiếm các giải pháp của phi tuyến vấn đề [83]. Các biến kép trong LP được chuyển giao từ các thành phần tối ưu hóa P-Q cho mô-đun SGA ở cấp độ đầu tiên để thiết lập sự đụng cắt để lập kế hoạch đầu tư. Cách tiếp cận này cho phép tối ưu hóa phân cấp SGA để có được
correctVAR cài đặt và đồng thời đáp ứng tất cả các hạn chế hoạt động và yêu cầu chi phí hoạt động tối thiểu. 14.5.1 đụng phân huỷ của các vấn đề kế hoạch phản ứng điện Sức mạnh vấn đề lập kế hoạch phản ứng là xác định đầu tư tối ưu các ngu ồn VAR trên một chu kỳ kế hoạch. Các chức năng được giảm thi ểu chi phí là t ổng chi phí ho ạt đ ộng và chi phí đầu tư. Chi phí đầu tư là chi phí để cài đặt m ới các thi ết b ị đi ện song song b ồi thường phản ứng cho hệ thống. Chi phí hoạt động được coi là chi phí nhiên li ệu cho các th ế hệ. Vấn đề có thể được viết trong các hình thức sau đây: min f (Y, U) ¬ Lo (Y) _ Lu (U) (14:26a) Y,U Đên đối tượng : G1 (Y, U) 0 (14:26b) G2 (U) 0 (14:26c) nơi Y =[PT, VT, NT] là vector của các biến hoạt động, P là vector của các điên thực tế, V là vector bus cường độ điện áp, N là vector của tập cài đặt, U là vector của các biến số đầu tư, Lo (Y ) là chi phí hoạt động, Lu (U) là chi phí đầu tư, G1 (Y, U) là hạn chế liên quan đến cả Y, U, và G2 (U) là hạn chế liên quan đến U chỉ. Phương trình (14.26a) bao gồm đầu tư và chi phí hoạt động. Ph ương trình (14.26b) là kết ràng buộc đối với các biến hoạt động và đầu tư. Nó bao g ồm s ự cân bằng t ải và h ạn ch ế dòng chảy quan trọng khác hoạt động. Phương trình (14.26c) bao gồm các hạn ch ế liên quan đến các biến chỉ đầu tư. Chi phí hoạt động là phi tuyến, và các chi phí đầu tư có thể được giả định là tuyến tính đối với số tiền bồi thường mới được bổ sung công suất phản kháng. Theo giả thuyết này, vấn đề giảm thiểu (14,26) có thể được thể hiện trong một chương trình xây dựng phi tuyến: (14:27a) Đến : H(Y) + BU b1 (14 :27b) DU b2 (14 :27c) Ở đây Y là vector của các biến hoạt động, U là vector c ủa các bi ến s ố đầu t ư, C là vector của các hệ số chi phí, B, D là các ma trận của nh ững khó khăn, f, H là chi phí và h ạn chế chức năng, tương ứng, và b1, b2 là vector của các ràng buộc. Do cấu trúc của các khó khăn, nó là khá tự nhiên để xem xét hai ph ương pháp phân c ấp cấp để giải quyết vấn đề. Đó là, sử dụng SGA để chọn thi ết b ị và s ố l ượng, và s ử d ụng m ột phương pháp tối ưu để có được kết quả tối ưu trong việc cài đặt được. Trong chương này, Benders tổng quát phân hủy (GBD) phương pháp [84] được sử dụng trong các mô-đun SGA trong việc thiết lập một đụng cắt giảm để cải thi ện các đặc tính h ội tụ. Thủ tục như sau:
(i) Giả sử U đầu tư khả thi, các Y quyết định tính khả thi thu đ ược bằng cách giải quyết Y (hoạt động) bài toán con: (14:28a) Đến : HY b1 - BU (14 :28b) U đầu tư thu được bằng cách giải quyết các U (đầu tư) bài toán con: =CTU + (14 :29a) Đến : DU b2 (14 : 29b) Ở đây s là giới hạn thấp biến, và W (U) được gọi là cắt Benders và là một chức năng mà nguồn cung cấp thông tin liên quan đến U quyết định khả năng về tính khả thi ho ạt đ ộng. Sau đó, các vấn đề sẽ xác định một giải pháp (U, Y) có thể giảm thiểu các chức năng toàn c ầu (14.27a) Các phương pháp phân hủy Benders xây dựng các chức năng W (U) dựa trên các giải pháp của các bài toán con Y. Trong tối ưu hóa phi tuyến, W (U) có th ể đ ược xác đ ịnh n ếu chúng ta quan sát rằng các vector đơn nhân liên kết v ới các giai đo ạn đ ầu tiên (Y bài toán con) là giải pháp khả thi cho các vấn đề cơ bản kép. Do đó, W(U) = v(C T U + λ(BUk – BU) (14:30) hợp v (.) là chi phí hoạt động tối ưu với việc cài đặt của U . k Các giải pháp kép λk là đơn nhân liên quan đến hạn chế trong hoạt động bài toán con, trong đó k là số lần lặp. Bởi vì phương pháp đơn sửa đổi được sử d ụng đ ể gi ải quy ết các bài toán con hoạt động, λk thu được như một sản phẩm phụ, và những hạn chế m ới, m ỗi tương ứng với một cài đặt đầu tư khác nhau, được thành lập. Từ phương trình (14.29a) đến (14.29c), nó có thể được nhìn thấy rằng trình bày các thay đổi của các chi phí gây ra bởi sự thay đổi đơn vị trong đầu t ư cho các đ ơn v ị i. N ếu > 0, sau đó Ui > là hữu ích trong việc tạo ra một thành viên mới của dân số, mà có thể làm gi ảm tổng chi phí Z. Nếu chỉ có một hạn chế là coi, m ột h ướng gi ảm t ương t ự nh ư ph ương pháp gốc mạnh nhất có thể được tìm thấy. Việc cắt giảm Benders được xem là một điều phối giữa các bài toán con đầu tư và hoạt động, và phương pháp GBD lặp lại gi ữa hai người. T ại m ỗi lần lặp, một ràng buộc mới được thêm vào W (U) để tạo thành một thiết chế mới. 14.5.2 Giải pháp thuật toán. Vấn đề là chia ra thành các bài toán con đầu tư và hoạt động và gi ải quyết lặp đi lặp lại cho đến khi hội tụ [80]. Các bài toán con hoạt động là bị phân hủy thành năng lượng (Q) kinh tế thực (P) và phản ứng để giảm thiểu các chức năng chi phí nhiên liệu [83, 85]. Trong module P, tối ưu các giá tr ị của thế hệ quyền lực thực sự, và trong các mô-đun Q, các giá tr ị t ối ưu c ủa đ ộ l ớn đi ện áp xe buýt và các cài đặt máy biến áp, thu được. Ngoài ra, các giá tr ị t ối ưu công su ất ph ản kháng gửi đi bởi các máy phát và compensators cũng thu được. Ở mỗi mẫu, tổng điều hành và các chi phí đầu tư được tính cho m ỗi đ ầu t ư. Năng lượng đơn giản chỉ là nghịch đảo của tổng chi phí này. Tỷ lệ của các Năng lượng và năng lượng trung bình tối đa dân số được tính toán và các thế hệ được lặp lại cho đến khi . ≥ AP Ở đây AP là một con số được thỏa mãn. Nếu hội tụ đã đạt tới tại chính xác nhất định, sau đó giá trị tối ưu cho đầu tư được tìm thấy. Các tiêu chu ẩn khác, ch ẳng h ạn nh ư s ự khác biệt giữa tối đa và tối thiểu năng lượng và tỷ lệ gia tăng năng lượng tối đa cũng có thể được
sử dụng như là các tiêu chí dừng lại. Một khả năng khác là để ngăn ch ặn các thu ật toán t ại một số năng lượng của các thế hệ và chỉ kết quả là phù hợp nhất từ mẫu. Quá trình lặp đi lặp lại như sau: Bước 1. Mẫu ban đầu: tính tập năng lượng của từng thành viên theo kết quả hoạt động phụ vấn đề. Bước 2. Tạo mới mẫu: SGA phương pháp điển hình, sự lặp lai chéo và sự biến đổi, được sử dụng. Việc cắt giảm Benders được sử dụng trên một tập hợp con của chuỗi để có được một bố phận mới và tốt hơn của mẫu. Bước 3. Tính toán các năng lượng tạo mới. Bước 4. Nếu điều kiện hội tụ được thỏa mãn, dừng lại tính toán. N ếu không, quay l ại bước 2, và bắt đầu một tạo mới. Bước quan trọng nhất là bước 2. Một mẫu mới được tạo ra theo năng lượng của mẫu cũ qua quay mô phỏng của một khoảng có trong SGA [1]. Một số thay đổi được thực hiện cho các SGA cho vấn đề quy hoạch của chúng tôi, kết quả là SGA sửa đổi (MSGA): 1. Trong GBD, thủ tục lặp đi lặp lại là một tính toán khác gi ữa đ ầu t ư và ho ạt động cho đến khi hội tụ được đạt tới. Việc cắt giảm Benders được lựa chọn và xây dựng từ mẫu cũ. Nó được sử dụng để có được một thành phần mới của mẫu. Số lượng cắt giảm có thể được điều chỉnh như là một phần của quy trình. Một số được trang bị tốt hơn và một số tệ hơn trang bị được lựa chọn để xây dựng cắt giảm. Việc cắt giảm Benders giúp trong việc thu hẹp không gian của các giải pháp có thể và do đó tăng tốc độ hội tụ. 2. Tỷ lệ bỏ được xem xét trong cho một số lựa chọn thay th ế một vài phân loại các phòng tập thể dục của các lựa chọn thay thế. 3. Giao thoa khác nhau cũng được coi là, có nghĩa là, những cái đuôi - đuôi chéo, đầu - đuôi chéo, và các vị trí giao nhau được chọn ngẫu nhiên. Các đ ầu - đuôi cũng có thể được sử dụng trong sản xuất dây mới từ hai cha mẹ giống nhau Trong SGA ban đầu, chỉ có giá trị năng lượng kết quả từ các bài toán con hoạt động được sử dụng để tạo ra một thế hệ mới. Tuy nhiên, mẫu mới được tạo ra chỉ bằng cách năng lượng của nó là ngẫu nhiên và ẩn. Bằng cách sử dụng cắt Benders, mà làm cho sử dụng cả những thông tin biến kép và chức năng các chi phí, m ột chuỗi m ới và t ốt h ơn có th ể đ ược tìm thấy. Nếu chuỗi này mới là tốt (nó có thể là tốt nhất), nghĩa là, nó có m ột giá tr ị năng lượng cao hơn, nó sẽ tồn tại cho thế hệ sau. Nếu không, nó có thể sẽ mất sau đó. Trong phương pháp này, các đặc tính mạnh mẽ của SGA vẫn có thể được duy trì; t ại cùng m ột th ời gian, nó làm tăng cơ hội để tìm thấy những kết quả tối ưu trước đó. Vi ệc cắt giảm Benders có thể được thiết lập mà không gặp khó khăn bởi vì tất cả các biến được làm sẵn có khi hoạt động tối ưu bài toán con được giải quyết. 14.5.3 Kết quả cho hệ thống 30-Bus IEEE. Đối với 30-bus hệ thống IEEE [83], có sáu bus máy phát điện. Bảy bus được lựa chọn để thêm các tụ điện. Mỗi ứng cử viên bus có 3 bit cho độ phân giải thông số, và nó có thể đại diện cho tám giá trị khác nhau để cài đặt. Chiều dài c ủa chuỗi nhi ễm sắc th ể là 21 bit, và quy mô dân số là 25. Một tối ưu hóa ban đầu là chạy cho các biến hoạt động. Kết quả cho thấy hệ th ống có thể duy trì tất cả các hạn chế hoạt động mà không có bất kỳ mới tụ cài đặt, nhưng chi phí cao hơn. Để kiểm tra tính hiệu quả của chương trình, chi phí lắp đặt cao, đ ơn v ị đ ược s ử d ụng. Đó là dự đoán rằng các phương pháp SGA nên tìm một kết quả tối ưu sau khi th ế hệ nh ất định và trong trường hợp này cài đặt bổ sung phải được số không.
MSGA lặp đi lặp lại kết quả. Hinh 14.14 Hình 14,14 cho thấy kết quả lặp đi lặp lại đối với trường hợp thử nghi ệm bằng cách sử dụng MSGA với đụng cắt giảm thêm. Có tổng số 264 chiếc crossover và 104 lo ại b ỏ cho một số giá trị năng lượng. Hình 14,15 cho thấy kết quả lặp đi lặp lại đối với tr ường h ợp th ử nghiệm bằng cách sử dụng chỉ có SGA, trong đó có 325 mẫu giao thoa và 141 loại bỏ. Hinh 14.15 SGA lặp đi lặp lại kết quả Có thể thấy rằng khi việc cắt giảm Benderes được thêm vào bởi các MSGA, chỉ có hai thế hệ là cần thiết để tìm được kết quả tối ưu. Sau khi có kết quả tối ưu vẫn còn duy trì trong thời gian lặp lại sau đó. Như đã chỉ ra trong hình. 14,15, ph ương pháp SGA c ần 18 th ế hệ để tìm kết quả cuối cùng. Do ngẫu nhiên tìm kiếm, kết quả tối ưu chỉ có thể đạt được sau một số lượng đáng kể các lần lặp lại. Các thủ tục hội tụ là chậm h ơn so v ới các ph ương pháp MSGA. 14.6 PHẢN ỨNG QUY HOẠCH CẤP ĐIỆN PHÂN PHỐI. Trong phần này, chúng tôi đề cập đến một mô hình ti ến hóa đó là khác bi ệt v ới m ột trước đó trong hai khía cạnh: nó có tính hình d ạng c ủa đ ường cong bus khác nhau, và nó được dựa trên một thuật toán tiến hóa mà được đóng góp từ nhạy c ảm trong vi ệc sửa ch ữa nhi ễm sắc thể. Nhạy cảm là một dấu hiệu của đường dốc và thu được từ một mô hình toán học, do vậy, chúng tôi đôi khi đề cập đến các thuật toán này như lai thay vì phát triển thuần túy. Nhạy cảm đã được sử dụng trong trang.86. Tuy nhiên, cách tiếp cận này đã được tổ chức trong một mô hình hai giai đoạn, nơi GA các hành vi trong m ột giai đo ạn đ ầu tiên và d ựa trên độ nhạy thực hiện một loại tối ưu. Trong trang. 87, một thuật toán tiến hóa thay vì sử dụng các thông tin về các đường dốc của hàm mục tiêu (ví dụ, giảm thiểu thiệt hại) để sửa
chữa các nhiễm sắc thể và cải thiện các giải pháp, đưa ra một hướng đúng để các thủ tục phát triển. Phương pháp này như được xuất bản trong trang.87 đặc biệt thích hợp cho các mạng phân phối, vì nó liên hệ với vị trí của tụ đi ện trong bus PQ và nó quan tâm đến các cấu hình tải thay vì giả định một tải trọng không đổi. Tuy nhiên, nó có khả năng được mở rộng để xem xét các nguồn khác tiêm phản ứng. 14.6.1 Nhiễm sắc thể sửa chữa Sử dụng mô hình hóa một mô hình phân tích Mặc dù phương pháp này đã được xuất bản như là một thuật toán phát sinh, đó là chi tiết gần gũi với một chiến lược phát triển hoặc phương pháp ti ếp cận lập trình ti ến hóa (EP / ES). Mỗi cá nhân được đại diện bởi một nhiễm sắc thể bao gồm giá tr ị nguyên. M ột s ố nguyên chỉ số module tụ của một giá trị được xác định trước để được thêm vào m ột nút nào đó, ở một mức độ nhất định của đường cong tải. Đại diện các đường cong tải, hồ sơ tải được định nghĩa cho tất cả các bus của mạng lưới. Điển hình, một có ba thời kỳ: cao điểm, bình thường tải, và tải thấp. Nhi ễm sắc th ể là sau đó bao gồm ba phần, một cho từng giai đoạn thời gian, và trong phần m ột, chúng ta có một chuỗi các số nguyên biểu thị như thế nào nhiều đơn vị tụ được thêm vào hệ thống trong thời kỳ đó. Các chức năng bổ sung thêm mục tiêu chi phí đầu tư với chi phí thi ệt h ại và m ột y ếu tố tổn hại cho chất lượng điện áp. Trong tính toán đầu tư, chi phí t ụ đi ện đ ược tính toán có tính đến nếu một trong những đề cập đến khả năng c ố định hoặc chuyển t ụ-t ại m ột đ ịa điểm, một yêu cầu liên tục bồi thường phản ứng có thể đạt được với công su ất c ố đ ịnh và cần một biến có thể được theo dõi bởi một chuyển sang tụ bù, và m ột tính toán yêu c ầu c ố định tụ điện từ giá trị tối thiểu số lượng các đơn vị tụ điện lắp đặt tại m ỗi đ ịa đi ểm b ằng cách kiểm tra đề nghị giải pháp cho tất cả các khoảng thời gian. Một tính năng thú vị của mô hình này là nhiễm sắc thể sửa chữa k ỹ thu ật. Thay đ ổi của hệ thống lỗ Ploss có thể được xác định là PG năng đ ộng thay đ ổi ở bus tham khảo. Nghịch đảo của ma trận Jacobi của Newton - Raphson ph ương pháp luôn s ẵn có b ởi vì phương pháp này được sử dụng để đánh giá thiệt hại. Sau đó, bằng cách sử dụng các hệ số độ nhạy PG / d c ủa xe buýt tham kh ảo t ừ các phương trình tiêm điện nút và các yếu tố d / Q và d / V của nghịch đảo của ma trận Jacobi, các vector gradient với các khoản lỗ Đối với công suất phản kháng thay đ ổi Kỳ t ại i xe buýt, áp dụng quy định chuỗi, và các biến áp điện áp d cho góc xe buýt và V cho các giá tr ị đi ện áp xe buýt, được cho là:Ploss =+ (14.31) Các vector đường dốc tổn thất đối với công suất phản kháng thay đổi được sử dụng để tìm ra một sức mạnh tốt hơn có thể có phản ứng đặt trong tình tr ạng hệ th ống hi ện hành; các phương trình sau đây được sử dụng: =- Ở đây là công suất phản kháng tại bus, là công suất phản kháng mới thiết lập tại bus i sau khi di chuyển vector dốc xuống, và một là yếu tố quy mô tích cực. Trong thủ tục, việc tìm kiếm dốc xuống được bao gồm khi cần thiết để tăng sự đa dạng, để vượt qua một địa phương có thể tối ưu, và để di chuyển các gi ải pháp đúng h ướng đối với các giải pháp tối ưu toàn cầu mà không ảnh hưởng tính chất ti ến phân hóa của thuật toán. Việc tìm kiếm đường dốc chỉ kích hoạt khi các năng lượng của các cá nhân hiện nay là tồi tệ hơn một giá trị xác định: các năng lượng hiện tại tốt nhất của một thế hệ trước (nói,
thế hệ 210 từ hiện tại) được sử dụng như một ngưỡng để quyết định cá nhân của thế hệ hiện tại đang được sửa chữa. Sử dụng đầy đủ các phương pháp đường để tìm thiết lập mới công suất phản kháng là tuy nhiên không nên: Làm tròn ra khỏi vector đường dốc là cần thiết vì tính chất rời rạc của các (a) thiết lập công suất phản kháng, và Như một thủ tục nhận rủi ro bị mắc kẹt trong tối ưu địa phương. (b) 14.6.2 Sự phát triển Lập trình-phát triển Strategies Under Test. Quá trình tiến hóa dựa trên một dân số chồng chéo với elitism, n ơi ch ỉ có m ột s ố y ếu tố dân số được thay thế bởi con cái mới. Vì vậy, m ột tỷ lệ phần trăm c ủa cha m ẹ đ ược gi ữ cho các thế hệ kế tiếp. Thuật toán này sử dụng giao nhau thống nhất và đột bi ến Gaussian trong t ất c ả các gen. Trong trường hợp này, đột biến phụ gia được sử dụng hợp các số ngẫu nhiên đ ược làm tròn đến số nguyên gần nhất; sự đột biến của tỷ lệ cố định với một giá trị cho phép nhảy nhỏ mà hiệu quả giữa các số nguyên. Trong loại mô hình mà các đường cong tải được phân chia gi ữa nhi ều th ời gian ở m ỗi bus, một vấn đề của sự mạch lạc phát sinh. Trong thực tế, mô hình đ ược xây d ựng gần nh ư là nếu có
Hình 14,16 một đường đồ thị của hệ thống kiểm tra quần đảo Azores đơn giản. Một số vấn đề độc lập của kế hoạch công suất phản kháng cùng m ột lúc, nh ưng, trên thực tế, phải có một số loại phối hợp giữa các giải pháp số cho mỗi bus. Các đặc điểm của hội tụ ngẫu nhiên của các thuật toán ti ến hóa rất n ổi ti ếng và m ạnh mẽ của họ là một trong những tài sản đó là rất nhi ều đánh giá cao, khi quan sát; có nghĩa là trong một vài hành, thuật toán sẽ cung c ấp các gi ải pháp v ề c ơ bản gi ống nhau. Do đó, m ột thử nghiệm quan trọng cho các mô hình tiến hóa là quan sát hành vi của họ khi tải là nh ư nhau cho tất cả các thời kỳ: nếu số lượng bổ sung tụ trở nên bình đẳng trong m ọi th ời kỳ, sau đó chúng tôi có thể đã tự tin hơn trong chất lượng của giải pháp cho m ột Thông th ường vấn đ ề với mức tải khác nhau. Như một bài kiểm tra được tiến hành trong hệ thống phân phối 25- bus tại một hòn đảo Azores, từ đó một sơ đồ đơn giản hóa được thể hiện trong hình. 14,16. Bảng 14,9 so sánh kết quả của thuật toán, trong đó tình huống phụ tải phẳng cho ba thời gian tải, với một thuật toán di truyền đơn giản (SGA) với mã nhị phân và s ửa chữa không có nhiễm sắc thể. Chú ý rằng các EP / ES là giải pháp mạnh mẽ và cho kết quả tương tự cho tất cả các thời kỳ. Kết quả này không có thể đạt được bởi một GA trong việc xây dựng đơn gi ản cổ điển. Không có SGA EP/ES bus Thấp Thấp Trung bình Cao Trung bình Cao 1 1 2 1 2 2 2 2 0 0 2 1 1 1 3 0 2 1 1 1 1 4 1 1 1 0 0 0 6 3 3 3 0 0 0 7 3 3 2 4 4 4 9 8 7 8 6 6 6 10 2 0 4 0 0 0 11 3 4 3 0 0 0 12 3 3 5 9 9 9 13 6 5 5 4 4 4 14 2 1 0 9 9 9 15 3 1 3 0 0 0 16 15 14 14 13 13 13 17 15 15 14 15 15 15 18 11 13 12 9 9 9 19 0 0 0 0 0 0 20 2 1 2 0 0 0 21 0 0 0 0 0 0 22 0 0 0 0 0 0 23 0 0 0 0 0 0 24 0 0 0 0 0 0 25 0 1 0 0 0 0
Các kết quả trình bày là cho các module của 100-kV Ar tụ đi ện và được xác nh ận ở 10 chạy độc lập. Mỗi thế hệ gồm có 30 cá nhân và kết quả đánh giá sau 300 th ế h ệ. Các nghiên cứu khẳng định lợi thế của việc sử dụng một kỹ thuật sửa chữa các nhi ễm sắc thể dựa trên một phương pháp phân tích và về cách sử dụng một chiến lược phát tri ển ho ặc phương pháp tiếp cận lập trình tiến hóa hơn một thuật toán phát sinh trong vấn đề này. 14.7 KẾT LUẬN. Việc áp dụng các siêu công nghệ (đặc biệt là tiến hóa các thuật toán) trong quy ho ạch là hấp dẫn vì sự phức tạp và không thẳng của vấn đề, thường liên quan đến một đánh giá đ ầu tư và đánh giá các chi phí hoạt động. Kích thước của các v ấn đ ề luôn luôn là r ất l ớn, b ởi vì trong nhiều trường hợp lập kế hoạch có nghĩa là m ột sự ti ến hóa trong mi ền th ời gian. Bên cạnh đó, nhiều tùy chọn sẵn có của thiên nhiên, rời rạc và vấn đ ề sẽ tr ở thành s ố nguyên, trộn lẫn với một đặc tính tổ hợp. Chúng tôi đã truy cập trong chương này các mô hình đã ứng d ụng trong th ế h ệ, vi ệc truyền tải, và các hệ thống phân phối. Tác giả của họ yêu cầu b ồi th ường số ti ền h ợp lý c ủa thành công và cũng để mở đường cho việc cải tiến hơn nữa. Chúng tôi đã chứng kiến các báo cáo nói rằng mô phỏng nhiệt luyện dường như không thể cạnh tranh với siêu cộng nghệ gần đây. Về mặt này, nó cũng có vẻ như là thuật toán đơn giản phát sinh không phải là câu trả lời. Hầu như tất cả các tác gi ả sẽ đồng ý ngày hôm nay rằng giá trị thực hoặc số nguyên giá trị các nhiễm sắc thể (chẳng hạn như trong EP / mô hình ES) là phù hợp hơn để bảo đảm hội tụ và mạnh mẽ đến các mô hình. Hơn n ữa, hầu hết trong số họ cũng sẽ đồng ý rằng các mô hình lai, nơi h ội t ụ sức m ạnh c ủa m ột siêu công nghệ được cải tiến với kiến thức từ các mô hình toán học phân tích, th ực hi ện t ốt h ơn nhi ều. H ọ thiếu tính tổng quát trong công cụ được sử dụng nhưng điều này đi kèm v ới l ợi ích c ủa ch ất lượng kết quả. Như một nhận xét chung, chúng tôi có thể nhà n ước mà năng đ ộng, m ở r ộng các mô hình quy hoạch vẫn còn là một thách thức, trong khi lập kế hoạch mở rộng tĩnh khá kinh nghiệm đạt yêu cầu đã được báo cáo. Mục tiêu của chương này không đ ược đầy đ ủ trong mô tả của tất cả các mô hình đề xuất trong văn học, chắc chắn m ột s ố đ ề xu ất khác v ới giá tr ị riêng của họ đã đưa ra ánh sáng, mà là để cung c ấp đ ủ bằng ch ứng r ằng các công trình ti ếp cận mô phỏng và nên được nghiêm túc xem xét trong kế hoạch ứng dụng thực tế.