Академический Документы
Профессиональный Документы
Культура Документы
Algérie
L. Abdelhakem-Koridak M. Rahli
hkoridak@yahoo.fr rahlim@yahoo.fr
Résumé:
Dans cet article, nous allons utiliser une méthode pour optimiser une fonction multi objective du coût de combustible
pour la production d’énergie électrique et l’émission de gaz toxique pour cette même production. Cette méthode qui est
l’algorithme génétique (AG) travaille à partir d'un ensemble d'éléments choisis au hasard dans un espace de solutions
potentielles. Dans notre cas, l'ensemble de départ se composera de nombres tirés au hasard dans l'intervalle où nous
recherchons le minimum. L’application a été faite sur un réseau électrique IEEE de 30 nœuds, les résultats trouvés sont
très concluants.
Sélection.
Pour sélectionner les chromosomes, nous utilisons une
fonction d'adaptation (fonction de fitness) qui nous
renvoie un résultat.
C'est ce résultat qui va nous dire si tel chromosome est
plus apte ou plus utile au problème posé que tel autre et si " Croisement en trois points "
c'est lui que nous allons choisir pour passer à la prochaine
génération.
On peut alors classer les chromosomes par le résultat de
leur fonction de fitness et ensuite sélectionner les 2 ou 3
meilleurs que nous appellerons parents et les faites "se
reproduire" en vue de créer la génération suivante. C'est
une méthode de sélection, il en existe d'autres, comme
exemple :
Figure 3
La sélection des meilleurs : On prend les meilleurs
individus de la population pour passer à la génération
suivante, cette méthode induit une convergence trop Mutation
rapide de l'A.G. Nous définissons une mutation comme étant l’inversion
d’un bit dans un chromosome. Cela revient à modifier
67
Journal of Scientific Research N° 0 vol. 2 (2010)
aléatoirement la valeur d’un paramètre du dispositif. Les IV. FORMULATION MATHEMATIQUE DU
mutations jouent le rôle de bruit et empêchent l’évolution PROBLEME [2, 3, 4, 6, 7, 9, 10,11] :
de se figer. Elles permettent d’assurer une recherche aussi L’énoncé du problème consiste à minimiser deux
bien globale que locale, selon le poids et le nombre des fonctions multi objectives interprétants le coût de
bits mutés. De plus, elles garantissent mathématiquement combustible pour la production d’énergie électrique et le
que l’optimum global peut être atteint (figure4). taux d’émission de gaz à l’environnement associés à cette
production.
La fonction objective économique du coût de production
est présentée sous la forme suivante :
F (P )C B P A P2 (1)
i Gi i i Gi i Gi
Où Ai, Bi et Ci sont des coefficients de coût propres à
chaque unité de production d’énergie électrique.
La fonction objective d’émission de gaz au moment de la
production est la suivante :
Figure 4
2
E (P ) P P
III. PRINCIPES DE LA SIMULATION i Gi i i Gi i Gi (2)
GENETIQUE
Les algorithmes génétiques constituent une approche
récente dans le domaine des techniques de recherche
(i )
Où i i sont des coefficients
opérationnelle [4,5]. Leur efficacité a été démontrée pour
plusieurs cas de la résolution des problèmes caractéristiques d’émission attachés à chaque groupe de
d’optimisation complexes. Le cycle d'exécution de production.
l'algorithme génétique itératif de base enferme les étapes Les fonctions à minimiser peuvent être décrites de la
suivantes: manière suivante :
- Création de la population initiale. nG
- Evaluation de chacun des chromosomes de la Min F Fi (PGi ) (3)
population initiale. i 1
- Sélection et regroupement des chromosomes par paires.
nG
- Application du croisement et de la mutation à chacune Min E Ei (PGi ) (4)
des paires. i 1
- Evaluation des nouveaux chromosomes et insertion
Sous les contraintes suivantes :
dans la population suivante.
nG
Si le critère d'arrêt est atteint, l'algorithme génétique
P PCh PL 0
i 1 Gi
s'arrête et rend le meilleur chromosome produit; sinon, (5)
l'algorithme retourne à l'étape 3.
min P Pmax
PGi (6)
Gi Gi
Initialisation
nG
Meilleur Q Q Ch Q L 0 . (7)
Individu i 1 Gi
Evaluation
min Q Q max
QGi (8)
Gi Gi
Où :
Parents Stop ? F : Fonction de coût total.
Fi : Fonction coût de l’unité de production i.
Sélection E : Fonction de taux d’émission de gaz totale.
Remplacement Ei : Fonction de taux d’émission de l’unité de production
i
n G: Nombre des générateurs de production.
Evaluation Croisement
Enfants Mutation PG : Puissance active produite par l’unité i.
i
QGi : Puissance réactive produite par l’unité i.
PCh : Puissance active totale consommée par la charge.
Figure 5 : Algorithme génétique de base
Q : Puissance réactive totale consommée par la charge.
Ch
PL : Pertes totales actives de transmission.
68
Journal of Scientific Research N° 0 vol. 2 (2010)
QL : Pertes totales réactives de transmission. production, ils possédant une fonction coût de
combustible et une fonction d’émission de gaz
max et P min : puissance active maximale et
PGi Gi d’échappement à cette production.
minimale du générateur i .
max et Q min : puissance réactive maximale et Les coefficients de la fonction coût de chaque production
QGi Gi sont représentés dans le tableau1:
minimale du générateur i .
Coefficients G1 G2 G3 G4 G5 G6
A 0.00375 0.01750 0.06250 0.00834 0.02500 0.02500
Pour l’application de l’algorithme génétique, nous avons B 2.00 1.75 1.00 3.25 3.00 3.00
utilisé la méthode de minimisation sous les contraintes C 0 0 0 0 0 0
qui est la méthode de pénalité. Tableau 1
gi (PG) 0 , (i = 0,……., m )
Ce sont les contraintes de type inégalité (9) Les coefficients de la fonction d’émission sont
hj (PG) = 0 , (j = 0,……., n ) représentés dans le tableau2:
Ce sont les contraintes de type égalité (10)
Coefficients G1 G2 G3 G4 G5 G6
Nous transformons le problème en une fonction de
22.983 25.313 25.505 24.900 24.700 25.300
pénalité, qui est la suivante:
G k G
n
k j 1
G
2
F ( P , r ) F ( P ) (1 / r ) h j ( P )
-1.1000 -0.1000 -0.0100 -0.0050 -0.0040 -0.0055
0.0126 0.0200 0.0270 0.0291 0.0290 0.0271
Tableau 2
m 2 (11)
(r ) 1 / g ( P ) Sous les contraintes : 50 PG1 200 (MW)
k i 1 i G
20 PG2 80 (MW)
15 PG3 50 (MW)
Où : rk est le coefficient de pénalisation.
10 PG4 40 (MW)
Les fonctions de pénalité H (hj (PG ) ) et G (gi (PG ) )
Sont déterminées par trois méthodes de pénalité : 10 PG5 30 (MW)
12 PG6 40 (MW)
La méthode de pénalité extérieure :
H (hj (PG ) )=[ hj (PG )]2 et G (gi (PG ) )= 0 La charge totale de ce réseau est de 283.4 MW. En
La fonction de pénalité à résoudre devient, utilisant la méthode de Gauss-Seidel avec les données des
paramètres des lignes, on trouve les pertes actives du
n 2
F(P , r ) F(P ) (1 / r ) h j (P )
réseau
G k G k j1 G (12) PL = 17.51 MW
PGi - Pch - PL = 0 (MW) PGi - 300.91 = 0
La méthode de pénalité intérieure:
Dans ce cas, seules les contraintes d’inégalité sont prises Résultat de l’application :
en compte et sont définies comme suit : Les valeurs optimales des puissances générées, le coût du
G (gi (PG ) )= 1/[gi (PG )] et H (hj (PG )=0 combustible et le taux d’émission sont donnés par le
La fonction de pénalité à minimiser devient : tableau 3:
G k G
m
k i 1
F(P , r ) F(P ) (r ) 1 / g i (PG )
2
(13) Essai 1 Essai 2
Les méthodes de pénalité mixte : Emission
Il s’agit dans ces méthodes d’une combinaison des deux Coût Optimal Optimale
premières
H (hj (PG ) )=[ hj (PG )]2 et G (gi (PG ) )= 1/[gi (PG )] 126.490
PG1 (MW) 196.482
La fonction à minimiser sera :
n
2
F ( P , r ) F ( P ) (1 / r ) h j ( P )
G k G k j 1 G
PG2 (MW)
48.557 57.376
18.702 37.274
(14) PG3 (MW)
m 2
(r ) 1 / g ( P ) 10.161 29.208
k i 1 i G PG4 (MW)
13.388 23.587
V. APPLICATION [7, 8, 9] PG5 (MW)
L’application pour notre algorithme génétique à été faite
sur un réseau IEEE de 30 nœuds avec 06 générateurs de
69
Journal of Scientific Research N° 0 vol. 2 (2010)
13.620 26.975
PG6 (MW)
Coût de 200
Coût Optimal
828.559 880.932
Production 180 Emission Optimale
Emission 140
483.603 368.694
(Tonnes/h) 120
Tableau 3 100
80
Interprétation du résultat : 60
Pour le premier essai, nous avons calculé l’optimum de la 40
fonction coût et nous avons remplacé le résultat des 20
puissances optimales générées dans la fonction
0
d’émission, on a trouvé le taux de gaz d’échappement 1 2 3 4 5 6
dans l’atmosphère (pour des valeurs de puissance Groupes de Productions
optimale) de 207.44 Kg/h de gaz toxique avec un coût de
595.89 $/h (Figure 6).
Au deuxième essai, le calcul d’optimum sera fait sur la Figure 6 : fonction coût et émission
fonction d’émission et nous avons remplacé les valeurs
des puissances optimales dans la fonction de coût, on a
trouvé le prix de combustible de 645.61 $/h avec une
émission optimale de 192.04 Kg/h.
On remarque que si en optimise le taux d’émission nous BIBLIOGRAPHIE.
aurons un coût un peu élevé par rapport à l’optimisation
du coût de production, vu intérêt actuel de la protection [1]. D.E Goldberg, Genetic Algorithm in Search
d’environnement des gaz toxiques, l’essai 2 est le favori Optimisation and Machine Learning
malgré le peu des pertes en coût. (Addison- Wesley 1989).
[2]. M.Rahli et P.Pirotte, « Dispatching Economique par
une Nouvelle Méthode de
VI. CONCLUSION Programmation Non Linéaire à la Répartition
Dans cet article, une approche basée sur un algorithme Economique des Puissances Actives dans
génétique a été présentée et appliquée à la fonction de un Réseaux d’Energie Electrique » (CIMASI’96,
coût de combustible et la fonction d’émission dans un Casablanca, Maroc, 14-16 novembre
réseau d’énergie électrique. 1996, pp 325-330).
Le problème a été formulé en tant que problème multi [3] M.Rahli , « Contribution à l’Etude de la Répartition
objectif avec objectifs d'optimiser le coût de combustible Optimale des Puissances Actives
à la production et le taux d'incidences sur dans un Réseau d’Energie Electrique » (thèse de
l'environnement. L’algorithme génétique nous a donc bien doctorat, 06 janvier 1996, USTO.
donné des résultats satisfaisants. Ceci démontre qu’il est Algérie).
beaucoup plus rapide et plus efficace que les techniques [4] R.Ouiddir et M.Rahli, « Dispatching Economique
classiques en traitant les problèmes multi objectif Actif dans un Réseau d’Energie
d'optimisation. Electrique par un Algorithme Génétique » ( 2nd
En effet, nous avons comparé le coût minimal calculé International Conférence on
ainsi que le taux d’émission dans l’essai1 avec le taux Electrotechnics ,13-15 Novembre2000, ICEL2000,
d’émissions minimales et le coût de production dans USTOran, Algérie).
l’essai2. Nous avons réalisé dans l’essai2 une diminution [5] Claire Desarmenien et Fabien Laurent
de 370 Kg/jour de gaz toxique (NOx, SO2, CO2, CO) « Approximation Polygonal par un Algorithme
émis dans l’atmosphère par contre l’essai1 nous permet de Génétique », (Internet).
gagner a peu près 1200 $ / jour. [6] L.Abdelhakem-Koridak, M.Rahli et R.Ouidir, «
Vu les enjeux actuels de l’environnement, il est préférable Application des Algorithmes Génétiques à
de favoriser la minimisation de l’émission de gaz toxique la Répartition Optimale des Puissances dans un Réseau
que le coût du combustible. d’Energie Electrique »
(CIMASI’2002, du 23 au 25 Octobre 2002 Casablanca,
Maroc).
[7] M.A. Abido « A Niched Pareto genetic algorithm for
Multiobjective Environmental /
Economic Dispatch » (Electrical Power and Energy
Systems 25-2003, 97-105).
70
Journal of Scientific Research N° 0 vol. 2 (2010)
[8] Yokoyama R, Bae SH, Morita T, Sasaki H. «
Multiobjective Generation Dispatch Based
on Probability Security Criteria. » (IEEE Trans
Power Syst 1988; 3(1) : 317–24).
[9] Farag A, Al-Baiyat S, Cheng TC. «Economic Load
Dispatch Multiobjective Optimization
Procedures Using Linear Programming Techniques »
(IEEE Trans Power Syst 1995;
10(2):731–8).
[10] L. Abdelhakem-Koridak « Etude d’un Dispatching
Economique par l’Algorithme
Génétique» (Thèse de magister, 19 mars 2003,
USTO. Algérie).
[11] L.Abdelhakem-Koridak, M.Rahli et R.Ouidir, «
Optimisation par l’Algorithmes
Génétiques du Coût de Production dans un Réseau
d’Energie Electrique » (CIMNA1,
du 14 au 15 Novembre 2003, Beyrouth Liban).
71
Journal of Scientific Research N° 0 vol. 2 (2010)