ЭЛЕКТРОЭНЕРГЕТИКА: СОСТОЯНИЕ И ПРОБЛЕМЫ РАЗВИТИЯ ОПТИМИЗАЦИЯ РЕЖИМОВ ЭНЕРГОСИСТЕМ НА ОСНОВЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
Задача оптимизации режимов электроэнергетических систем относится к сложным задачам нелинейного математического программирования с большим числом переменных разного масштаба и ограничений в виде равенств и неравенств.
В наиболее распространенных алгоритмах решения данной задачи применяются, в основном, методы Лагранжа и градиента. Использование этих алгоритмов часто связано с рядом трудностей. Во-первых, это необходимость аппроксимации энергетических характеристик электростанций алгебраическими полиномами и приведения задачи к виду с одним экстремумом, что дает дополнительные погрешности, снижающие эффект от оптимизации. Во-вторых, отсутствие универсальных методов учета простых и функциональных ограничений в виде неравенств и, соответственно, возможности надежно определить оптимальное решение.
В связи с этим актуальным остается разработка новых алгоритмов оптимизации режимов электроэнергетических систем, свободных от указанных недостатков. В настоящее время наибольший интерес представляет собой решение технических задач, в частности энергетических, на основе методов искусственного интеллекта. В этом направлении можно выделить работы, которые ведутся в НГТУ под руководством проф. В.З. Манусова.
В данной работе приводятся результаты наших исследований по использованию генетического алгоритма для решения задач оптимизации режимов энергосистем.
Поиск оптимального решения с помощью генетического алгоритма начинается с представления параметров решения в виде вектора. Далее определяется набор операций, позволяющих получить новые решения из совокупности существующих.
На основе некоторых начальных решений порождается новое поколение решений. Для каждого из вариантов решений вычисляются функции ограничений и целевая функция. После этого определенный процент решений, при которых некоторые ограничения нарушаются или целевая функция имеет большие значения (в задачах отыскания минимума целевой функции), а наилучшие используются для выбора нового варианта решения. Так появляется следующее поколение решения и т.д.
Алгоритм оптимизации представлен следующим образом: 1) формирование начальных вариантов решения методом случайной генерации в области, определяемых допустимыми значениями переменных; 2) проверка приспособленности вариантов решений по условиям выполнения функциональных ограничений и значению целевой функции и уничтожение неприспособленных вариантов; 3) разработка новых вариантов решения; 4) проверка условия окончания цикла: при выполнении условия работа алгоритма завершается, иначе - возвращается на пункт 2.
Исследуем эффективность генетического алгоритма на примере оптимизации режима сложной энергосистемы, содержащей 4 расчетных ТЭС, ХОП которых приведены в таблице 1. График нагрузки энергосистемы приведен в таблице 2.
Для оценки эффективности исследуемого алгоритма осуществляем оптимизации режима энергосистемы традиционным (методом равенства относительных приростов) и генетическим алгоритмами. Результаты оптимизации приведены в таблицах 3 и 4, соответственно.
Полученные результаты совпадают с высокой точностью. Описанная методика оптимизации на основе генетических алгоритмов позволяет избежать ряд традиционных допущений и упрощений математической модели, а также определить глобальный экстремум целевой функции.
Таким образом, несмотря на достоинства предлагаемого подхода, следует отметить необходимость дальнейшего исследования по решению реальных промышленных задач с учетом множества связей между элементами и накладываемых ограничений.