В работе рассмотрено применение генетических алгоритмов для оптимизации режимов энергосистемы на примере стандартной 30-узловой схемы с тепловыми электростанциями (ТЭС): 6 ТЭС и 24 нагрузочные станции. Предложен итерационный генетический алгоритм расчета оптимального распределения мощностей для упрощенных расходных характеристик, имеющих вид слабовыпуклых вниз кривых, и характеристик, более отвечающих реальным условиям, представляющих собой кусочно-квадратичный полином, а также был выполнен расчет режима системы оптимального по суммарным потерям активной мощности. В результате исследований использование генетических алгоритмов при оптимизации режима ЭС позволяет учитывать параметры реальных расходных характеристик электростанций, имеющих разрывы 1-го рода, что обеспечивает повышение точности расчета. Применение генетических алгоритмов позволило уменьшить затраты на топливо на 11 % по сравнению с методом Ньютона – Рафсона и на 1 % по сравнению с методом Ньютона, также снизить потери на 63 % при увеличении затрат на топливо всего на 20 %.
Work examines the application of genetic algorithms for the optimization of the modes of power system based on the example of standard 30- nodes diagram with the thermal power stations (TPS): 6 TPS and 24 load stations. It is proposed the iterative genetic algorithm of the calculation of the optimum power distribution for the simplified discharge characteristics, which have the form of weakly-convex downward curves, and characteristics, those more corresponding to actual conditions, that are piecewise quadratic polynomial, and was also executed design conditions of the system of optimum for the summary losses of active power. As a result studies the use of genetic algorithms during the optimization of energy power mode makes it possible to consider the parameters of the real discharge characteristics of the power stations, which have the gaps of the 1st kind, which ensures an increase in the accuracy of calculation. The application of genetic algorithms made it possible to decrease the expenditures for Newton -Rafsona fuel to 11% in comparison with the method and on 1 % in comparison with Newton´s method and it was possible to decrease losses to 63% with an increase in the expenditures for fuel- in all to 20 %.
1. Аюев Б. И., Давыдов В. В., Ерохин П. М., Неуймин В. Г., Вычислительные модели потокораспределения в электрических системах. М.: Наука, 2008.
2. Веников В. А., Журавлев В. Г., Филиппова Т. А., Оптимизация режимов электростанций и энергосистем. М.: Энергоиздат, 1981.
3. Идельчик В. И. Электрические системы и сети. М.: Энергоатомиздат, 1989.
4. Панченко Т. В. Генетические алгоритмы. Издательский дом «Астраханский университет», 2007.
5. Симанков В. С., Частикова В. А. Генетические алгоритмы и поиск оптимальных решений // Автоматизация и современные технологии. 2003. №6. С. 39–45.
6. Холмский В. Г. Расчет и оптимизация режимов электрических сетей. М.: Высшая школа, 1975.
7. Abdellah Laoufi. Collective Intelligence for Optimal Power Flow Solution Using Ant Colony Optimization // Leonardo Electronic Journal of Practices and Technologies, 2008, p.88-105.
8. Brian Scott, Ongun Alsac. Security Analysis and Optimization // IEEE. 1987. Vol. 75, N12.
9. DATA FOR IEEE-30 BUS TEST SYSTEM [Электронный ресурс]. – Режим доступа: URL: http://shodhganga.inflibnet.ac.in/bitstream/10603/1271/18/18_appendix.pdf (дата обращения 7.06.2012).