Artículos de revistas
Algoritmos genéticos e variantes na solução de problemas de configuração de redes de distribuição
Fecha
2008Registro en:
Sba: Controle & Automação Sociedade Brasileira de Automatica, v.19, n.3, p.302-315, 2008
0103-1759
10.1590/S0103-17592008000300006
Autor
Bento, Eduardo Prevedello
Kagan, Nelson
Institución
Resumen
Este artigo apresenta uma metodologia para resolução de problemas de configuração de redes de distribuição, com aplicação à minimização de perdas elétricas. O método utiliza um Algoritmo Genético (AG) básico e algumas de suas variantes para seus operadores genéticos: Seleção, Cruzamento e Mutação. O emprego do AG possibilita a análise de redes reais, sem necessidade de simplificações ou aproximações, o que permite a obtenção de soluções otimizadas em tempos de execução compatíveis para aplicações em atividades de planejamento da expansão e da operação. As variantes do AG permitem melhorar a robustez dos resultados e reduzir os tempos de execução, compatíveis com a aplicação em redes de distribuição. A metodologia proposta é aplicada, inicialmente, a uma rede de distribuição hipotética, onde é conhecida a configuração de perdas mínimas. Diversas alternativas de parametrizações do AG são efetuadas, o que permite a comparação do desempenho de cada alternativa. As melhores alternativas são aplicadas na resolução de uma rede real, mostrando o grande potencial do modelo. This paper presents a methodology to evaluate the optimal configuration of radial electric power distribution systems. Network loss minimization is set as the main objective to demonstrate the potential in solving real problems. The proposed framework is based on genetic algorithms (GA), which makes possible the analysis of real sized networks. This allows for attaining optimized solutions in an affordable computation time, especially for expansion and operation planning applications. The method requires neither simplifications nor approximations to the original problem formulation, thus improving the quality of the obtained results. Basic (or canonical) GA and some variants are presented, highlighting main functional characteristics of each alternative and respective parameterization. The proposed methodology is first applied to a hypothetical network, in which the minimum losses configuration is known in advance. Several simulations make possible comparing the performance of each GA parameter. Finally, the best parameter settings are applied to a real sized network, illustrating the promising potential of this methodology.