Quatrième Conférence Internationale sur le Génie Electrique CIGE’10, 03-04 Novembre 2010, Université de Bechar,

Algérie

Optimisation d’un dispatching environnement/économique de la production

d'énergie électrique par un algorithme génétique

L. Abdelhakem-Koridak M. Rahli
hkoridak@yahoo.fr rahlim@yahoo.fr

Département d’Electrotechnique, USTO, BP 1505, Oran El M’naouer,Oran. Tel/Fax : 041 560301

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.

Mots clés : Algorithme Génétique, Optimisation, Environnement, Réseau Electrique.

I. INTRODUCTION individu est marqué par une chaîne de caractères

En vertu de la Loi sur l'énergie électrique, le mandat des
producteurs d’énergie électrique consiste à assurer la
fourniture continue de l'énergie suffisante pour répondre
aux besoins des clients d’énergie. Ces derniers continuent
à avoir besoin d'un service fiable de première qualité à
prix concurrentiel, cependant on s'inquiète de plus en
plus des effets sur l'environnement pour la production de
cette énergie électrique.
L'objectif actuel d’un dispatching économique est la
production d’énergie électrique avec un coût faible de
combustible et la minimisation de l’émission des gaz
toxiques dans l’atmosphère [7, 8,9], comme le dioxyde de
soufre (SO2), l’oxyde d’azote (NOX) et le dioxyde de
carbone (CO2)…etc.
Notre travail consiste à utiliser les Algorithmes
Génétiques pour minimiser la fonction multi objective
(Environnement/Economique) qui englobe la fonction de
coût de production d’énergie électrique et la fonction
d’émission de gaz, en satisfaisant les contraintes des deux
fonctions.
II. LES ALGORITHMES GENETIQUES
Les algorithmes génétiques (AG) sont inspirés du concept
de sélection naturelle élaboré par Charles Darwin [1], le
vocabulaire employé est directement reproduit sur celui
de la théorie de l’évolution et de la génétique.
Nous parlerons donc d’individus (solutions potentielles),
de population, de gènes (variables), de chromosomes, de
parents, de descendants, de reproduction, de croisement,
de mutations, etc. Nous appuierons constamment sur des
analogies avec les phénomènes biologiques.
Plusieurs programmes génétiques ont été introduits par
Holland[1,10] en 1975 et largement développés par
Koza[5,6] en 1992. Les AG travaillent sur des chaînes de
caractères de taille fixe. On définit au départ une
population d'individus de façon aléatoire. Chaque
Journal of Scientific Research N° 0 vol. 2 (2010)
particulière évaluant son chromosome. Les individus vont
être évalués sur la base d'une fonction objective,
sélectionnés, se reproduire et subir des mutations. C'est un
processus itératif qui prend généralement fin lorsque la
population n'évolue plus entre deux périodes.
Codage des variables
Avant de procéder à la programmation de l’algorithme
génétique, il faut définir et coder convenablement le
problème. A chaque variable d’optimisation, nous faisons
correspondre un gène. Nous appelons chromosome un
ensemble de gènes (figure1). Chaque dispositif est
représenté par un individu doté d’un génotype constitué
d’un ou plusieurs chromosomes. Nous appelons
population un ensemble d’individus que nous allons faire
évoluer.
L’algorithme génétique recherche les extrêmes d’une
fonction définie sur un espace de données appelé
population initiale. Par analogie avec la génétique, un
chromosome est un tableau composé de 0 et 1 (figure1),
les cases du tableau sont les gènes (0 gènes inactifs, 1
gène actif). Une population est bien entendue composée
de plusieurs individus qui eux même sont composés de
plusieurs chromosomes (figure 2).
chromosome
gène1 gène2 gène3
10010011 11101011 00011010
Figure 1 : Le chromosome
66

Population
Individus
Chromosomes
Gènes
Bits
Figure 2 : Les cinq niveaux d’un AG
La structure générale d’un algorithme génétique est la
suivante:
- Générer aléatoirement une population d’individus de
taille donnée.
- Répéter jusqu’à ce qu’un individu s’impose (seuil à
définir) :
- Sélectionner et apparier les individus,
- Combiner deux individus appariés pour créer deux
nouveaux individus,
- Faire muter certains individus,
- Créer une nouvelle génération en remplaçant tout ou
portée d’anciens individus par les nouveaux.
Genèse de la population.
La première étape de l’algorithme est la genèse de la
population, c’est-à-dire le choix des dispositifs de départ
que nous allons faire évoluer. On pourrait prendre des
individus régulièrement répartis dans l’espace.
Néanmoins, une initialisation aléatoire est plus simple à
réaliser, les valeurs des gènes sont tirées au hasard selon
une distribution uniforme, notons qu’on peut si
nécessaire, introduire des individus déjà calculés.
La sélection par tournoi : On choisit deux individus au
hasard dans la population. On compare le résultat de leur
fonction de fitness et on prend le meilleur. On répète
l'opération autant de fois que l'on veut de parents.
La roue de la loterie : C'est la méthode la plus utilisée
dans les A.G. Nous savons qu'à chaque chromosome
correspond un résultat de la fonction d'évaluation. Dans
un premier temps, cette méthode évalue la somme de ces
résultats afin de fixer la circonférence de la roue. L'étape
suivante consiste à tirer au hasard un point sur la
circonférence de cette roue.
La sélection se fait en choisissant le chromosome dont le
résultat cumulé à ceux des chromosomes précédents est le
premier nombre placé après le point choisi sur la roue.
L’opération est réitérée autant de fois que nécessaire pour
avoir le nombre de chromosomes désirés. Cette méthode
joue sur les probabilités d’avoir un chromosome dont
l'évaluation par la fonction de fitness est importante.
En effet, plus cette évaluation est grande plus la place
occupée sur la roue de casino est large. En conséquence, il
a d'autant plus de chance d'être sélectionné. Cette
méthode offre l’avantage de garder un minimum de
hasard tout en favorisant les meilleurs chromosomes.
Croisement ou crossing-over :
Une fois les parents sélectionnés, on les combine deux à
deux pour obtenir des descendants possédant les
caractéristiques de leurs parents. Il existe ici aussi
plusieurs méthodes pour croiser les individus : croisement
en un point, deux points…. etc, (figure3).
" Croisement en un point "

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
mutations jouent le rôle de bruit et empêchent l’évolution
de se figer. Elles permettent d’assurer une recherche aussi
bien globale que locale, selon le poids et le nombre des
bits mutés. De plus, elles garantissent mathématiquement
que l’optimum global peut être atteint (figure4).
IV. FORMULATION MATHEMATIQUE DU
PROBLEME [2, 3, 4, 6, 7, 9, 10,11] :
L’énoncé du problème consiste à minimiser deux
fonctions multi objectives interprétants le coût de
combustible pour la production d’énergie électrique et le
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 j1  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

Puissances de Productions (MW)

($/h) 160

Emission 140
483.603 368.694
(Tonnes/h) 120

Tableau 3 100

Interprétation du résultat :
Pour le premier essai, nous avons calculé l’optimum de la
fonction coût et nous avons remplacé le résultat des
puissances optimales générées dans la fonction
d’émission, on a trouvé le taux de gaz d’échappement
dans l’atmosphère (pour des valeurs de puissance
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
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
aurons un coût un peu élevé par rapport à l’optimisation
du coût de production, vu intérêt actuel de la protection
d’environnement des gaz toxiques, l’essai 2 est le favori
malgré le peu des pertes en coût.
VI. CONCLUSION
Dans cet article, une approche basée sur un algorithme
génétique a été présentée et appliquée à la fonction de
coût de combustible et la fonction d’émission dans un
réseau d’énergie électrique.
Le problème a été formulé en tant que problème multi
objectif avec objectifs d'optimiser le coût de combustible
à la production et le taux d'incidences sur
l'environnement. L’algorithme génétique nous a donc bien
donné des résultats satisfaisants. Ceci démontre qu’il est
beaucoup plus rapide et plus efficace que les techniques
classiques en traitant les problèmes multi objectif
d'optimisation.
En effet, nous avons comparé le coût minimal calculé
ainsi que le taux d’émission dans l’essai1 avec le taux
d’émissions minimales et le coût de production dans
l’essai2. Nous avons réalisé dans l’essai2 une diminution
de 370 Kg/jour de gaz toxique (NOx, SO2, CO2, CO)
émis dans l’atmosphère par contre l’essai1 nous permet de
gagner a peu près 1200 $ / jour.
Vu les enjeux actuels de l’environnement, il est préférable
de favoriser la minimisation de l’émission de gaz toxique
que le coût du combustible.
80
60
40
20
0
1 2 3 4 5 6
Groupes de Productions
Figure 6 : fonction coût et émission
BIBLIOGRAPHIE.
[1]. D.E Goldberg, Genetic Algorithm in Search
Optimisation and Machine Learning
(Addison- Wesley 1989).
[2]. M.Rahli et P.Pirotte, « Dispatching Economique par
une Nouvelle Méthode de
Programmation Non Linéaire à la Répartition
Economique des Puissances Actives dans
un Réseaux d’Energie Electrique » (CIMASI’96,
Casablanca, Maroc, 14-16 novembre
1996, pp 325-330).
[3] M.Rahli , « Contribution à l’Etude de la Répartition
Optimale des Puissances Actives
dans un Réseau d’Energie Electrique » (thèse de
doctorat, 06 janvier 1996, USTO.
Algérie).
[4] R.Ouiddir et M.Rahli, « Dispatching Economique
Actif dans un Réseau d’Energie
Electrique par un Algorithme Génétique » ( 2nd
International Conférence on
Electrotechnics ,13-15 Novembre2000, ICEL2000,
USTOran, Algérie).
[5] Claire Desarmenien et Fabien Laurent
« Approximation Polygonal par un Algorithme
Génétique », (Internet).
[6] L.Abdelhakem-Koridak, M.Rahli et R.Ouidir, «
Application des Algorithmes Génétiques à
la Répartition Optimale des Puissances dans un Réseau
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)