The implementation of the evolutionary algorithm for optimization of power flow in the high-voltage transmission lines

eng Artykuł w języku angielskim DOI:

wyślij Mirosław Gajer AGH Akademia Górniczo-Hutnicza, Katedra Informatyki Stosowanej

Pobierz Artykuł

Abstract

The paper discusses the possibility of using a computational technique based on evolutionary algorithms in the domain of electro-energetic systems. The purpose of the evolutionary algorithm is to calculate the optimal power flow in highvoltage transmission lines, so as to keep the power of transmission losses as low as possible. The effectiveness of the computational technique based on the evolutionary algorithm is tested by using the example of a hypothetical electro-energetic system, which is composed of several high-voltage lines that operate at different voltage levels. The aim of the evolutionary algorithm is to chose the values of active power that should be transmitted by each high-voltage line in order to minimize the power of transmission losses. The evolutionary algorithm implements the coding system of feasible solutions, which is based directly on real numbers. The only genetic operation that was used during the realization of the evolutionary algorithm was the operation of mutation. Moreover, for the purpose of evaluation of obtained solutions a special form of the fitness function based on penalty factors was constructed, which allowed the evolutionary algorithm to find solutions with the minimal values of transmission losses.

Keywords

electro-energetic systems, evolutionary algorithms, minimizing the power of transmission losses, optimization of the power flow in high-voltage transmission lines

Zastosowanie algorytmu ewolucyjnego w celu minimalizacji mocy strat przesyłowych w liniach wysokich napięć

Streszczenie

W artykule rozważono możliwości wykorzystania techniki obliczeniowej opartej na algorytmach ewolucyjnych w obszarze elektroenergetyki. Zadaniem algorytmu ewolucyjnego było wyznaczenie optymalnego rozpływu mocy w elektroenergetycznych liniach przesyłowych pod kątem minimalizacji termicznych strat przesyłowych. Efektywność technik obliczeniowych opartych na algorytmach ewolucyjnych została przetestowana na przykładzie hipotetycznego systemu elektroenergetycznego złożonego z kilku linii przesyłowych pracujących na różnych poziomach napięć. Zadaniem algorytmu ewolucyjnego było dobranie wartości mocy czynnych, które miały być przesyłane przez każdą z linii, pod kątem minimalizacji mocy strat przesyłowych. W przypadku rozważanego algorytmu ewolucyjnego zastosowano system kodowania oparty bezpośrednio na liczbach rzeczywistych. Jedynym operatorem genetycznym, który został wykorzystany, był operator mutacji. Ponadto na potrzeby dokonywania skutecznej oceny jakości poszczególnych rozwiązań opracowana została specjalna postać funkcji dopasowania zawierająca czynnik kary, co pozwoliło algorytmowi ewolucyjnemu na znajdowanie rozwiązań charakteryzujących się minimalnymi wartościami mocy strat przesyłowych.

Słowa kluczowe

algorytmy ewolucyjne, minimalizacja mocy strat przesyłowych, optymalizacja rozpływu mocy w liniach wysokich napięć, systemy elektroenergetyczne

Bibliografia

  1. Ampatzis C., Tuci E., Trianni V., Christensen A.L., Dorigo M., Evolving self-assembly in autonomous homogeneous robots: Experiments with two physical robots, “Artificial Life”, vol. 15, 2009, 465-484. 
  2. Bullinaria J.A., Lifetime learning as a factor in life history evolution, “Artificial Life”, vol. 15, 2009, 389-409. 
  3. Gajer M., Implementation of evolutionary algorithm for optimization of work of devices of the electroenergetic system, “Computer Science”, vol. 12, 2007, 7-14. 
  4. Gras R., Devaurs D., Wozniak A., Aspinall A., An individual-based evolving predator-prey ecosystem simulation using a fuzzy cognitive map as the behavior model, “Artificial Life”, vol. 15, 2009, 423-463. 
  5. Jenkins D.J., Stekel D.J., A new model for investigating the evolution of transcription control networks, “Artificial Life”, vol. 15, 2009, 259-291. 
  6. Maniadakis M., Trahanias P., Agent-based brain modeling by means of hierarchical cooperative coevolution, “Artificial Life”, vol. 15, 2009, 293-336. 
  7. Paenke I., Kawecki T.J., Sendhoff B., The influence of learning on evolution: A mathematical framework, “Artificial Life”, vol. 15, 2009, 227-245. 
  8. Stanley K.O., A’Ambrosio D.B., Gauci J., A hypercube-based encoding for evolving large-scale neural networks, “Artificial Life”, vol. 15, 2009, 185-212. 
  9. Vekatraman S., Yen G.G., A generic framework for constrained optimization using genetic algorithms, “IEEE Transactions on Evolutionary Computations”, vol. 9, no. 4, 2005, 424-435. 
  10. Gajer M., Examining the impact of positive and negative constant learning on the evolution rate, “Task Quarterly”, vol. 13, no. 4, 2009, 35-362.