Штучний інтелект

Анотація: Розглянуто проблему комбінаторної оптимізації щодо вибору локації розміщення джерел живлення при вирішенні задачі розвитку міських розподільних мереж електропостачання. Розроблено два методи розміщення джерел живлення та закріплення за ними споживачів для вирішення цієї проблеми. Перший розроблений метод полягає в розміщенні джерел живлення однакових типорозмірів, а другий – різних типорозмірів. Принципова відмінність створених методів від існуючих полягає в тому, що запропоновані методи враховують увесь матеріал завдання та мають спеціалізовані способи кодування можливих рішень, модифікованих операторів схрещування й селекції. Запропоновані методи ефективно вирішують проблему низького успадкування, топологічної нездійсненності знайдених рішень, у результаті чого значно скоротився час виконання та підвищилася точність розрахунків. У розроблюваних методах реалізована відсутність обліку обмежень на розміщення нових джерел живлення, яка дозволила вирішити проблему застосування методів для вузького кола завдань. Було проведено порівняльний аналіз отриманих результатів методом розміщення джерел живлення однакових типорозмірів та відомих методів, і встановлено, що розроблений метод працює швидше, ніж відомі методи. Показано, що пропонований підхід забезпечує стійку збіжність процесу пошуку за прийнятну кількість кроків без штучного обмеження простору пошуку та використання додаткової експертної інформації про доцільність можливих рішень. Отримані результати дозволяють запропонувати ефективні методи для підвищення якості прийнятих рішень по вибору місця розташування об’єктів електропостачання при проєктуванні міських електричних мереж.

Ключові слова: генетичний алгоритм, джерело живлення, еволюційний алгоритм, система електропоста- чання, комбінаторний аналіз

Посилання:

1. Electricity Information 2019 [online] Availabe at: https://www.iea.org/reports/electricity-information-2019
2. Sedghi, M., Sedghi, М., Ahmadian, A., Aliakbar- Golkar, M., 2016. Assessment of optimization algorithms capability in distribution network planning: Review, comparison and modification techniques. Renewable and Sustainable Energy Reviews, 66, pp. 415–434.
3. Ravadanegh, S., Roshanagh, T. R., 2014. On optimal multistage electric power distribution networks expansion planning. International Journal of Electrical Power & Energy Systems, 54, pp. 487–497.
4. Das, C., Bass, O., Kothapalli, G., Mahmoud, T., Habibi, D., 2018. Overview of energy storage systems in distribution networks: Placement, sizing, operation, and power quality. Renewable and Sustainable Energy Reviews, 91, pp. 1205–1230.
5. Yu, L., Shi, D., Guo, X., Jiang, Z., Xu, G., Jian, G., Lei, J., Jing, C., 2018. An efficient substation placement and sizing strategy based on GIS using semi-supervised learning. CSEE Journal of Power and Energy Systems, 4(3), 371-379. doi: 10.17775/cseejpes.2017.00800
6. Sultana, U., Khairuddin, A., Aman, M., Mokhtar, A., Zareen, N., 2016. A review of optimum DG placement based on minimization of power losses and voltage stability enhancement of distribution system. Renewable and Sustainable Energy Reviews, 63, pp. 363-378. doi: 10.1016/j.rser.2016.05.056.
7. Wang, X., Ahn, S., 2020. Real-time prediction and anomaly detection of electrical load in a residential community. Applied Energy, 259, p. 114-145. doi: 10.1016/j.apenergy.2019.114145
8. Parlier, G., Gueguen, H., Hu, F., 2019. Smart brute-force approach for distribution feeder reconfiguration problem. Electric Power Systems Research, 174, pp. 20–29.
9. Ning, J., Zhang, C., Sun, P., Feng, Y., 2018. Comparative Study of Ant Colony Algorithms for Multi-Objective Optimization. Information, 10 (1), pp. 4–11.
10. Chen, K., Xing, J., Wang, S., Song, M., 2017. Heat source layout optimization in two-dimensional heat conduction using simulated annealing method. International Journal of Heat and Mass Transfer, 108, pp. 210-219. doi: 10.1016/j.ijheatmasstransfer.2016.12.007
11. Bukata, L., Sucha, P., Hanzalek, Z., 2019. Optimizing energy consumption of robotic cells by a Branch & Bound algorithm. Computers & Operations Research, vol. 102, pp. 52-66, 2019. doi: 10.1016/j.cor.2018.09.012
12. Suresh, M., Edward, J., 2020. A hybrid algorithm based optimal placement of DG units for loss reduction in the distribution system. Applied Soft Computing, 91, p. 106-191, 2020. doi: 10.1016/j.asoc.2020.106191
13. Maity, S., Roy, A., Maiti, M., 2015. A Modified Genetic Algorithm for solving uncertain Constrained Solid Travelling Salesman Problems. Computers & Industrial Engineering, 83, pp. 273- 296Doi: 10.1016/j.cie.2015.02.023
14. Salata, F., Ciancio, V., Dell'Olmo, J., Golasi, I., Palusci, O., Coppi, M., 2020. Effects of local conditions on the multi-variable and multi- objective energy optimization of residential buildings using genetic algorithms. Applied Energy, 260, pp. 127–135
15. Sharifzadeh, M., Sikinioti-Lock, A., Shah, N., 2019. Machine-learning methods for integrated renewable power generation: A comparative study of artificial neural networks, support vector regression, and Gaussian Process Regression. Renewable and Sustainable Energy Reviews, vol. 108, pp. 513-538. DOI: 10.1016/j.rser.2019.03.03.040
16. Parlier, G., Gueguen, H., Hu, F., 2019. Smart brute-force approach for distribution feeder reconfiguration problem. Electric Power Systems Research, 174, p. 105-137. doi: 10.1016/j.epsr.2019.04.015
17. Baya, A., Bagheri, A., 2019. Optimal active and reactive power allocation in distribution networks using a novel heuristic approach. Applied Energy, 233-234, pp. 71-85. doi: 10.1016/j.apenergy.2018.10.030
18. Cheng, X., An, L., Zhang, Z., 2019. Integer Encoding Genetic Algorithm for Optimizing Redundancy Allocation of Series-parallel Systems. Journal of Engineering Science and Technology Review, 12(1), pp. 126-136. DOI: 10.25103/jestr.121.15
19. Ali, M., Awad, N., Suganthan, P., Shatnawi, A., Reynolds, R., 2018. An improved class of real- coded Genetic Algorithms for numerical optimization. Neurocomputing, 275, pp. 155-166, 2018. DOI: 10.1016/j.neucom.2017.05.054
20. Ruiz, L., Capel, M., Pegalajar, M., 2019. Parallel memetic algorithm for training recurrent neural networks for the energy efficiency problem. Applied Soft Computing, 76, pp. 356-368. DOI: 10.1016/j.asoc.2018.12.028
21. Hong, T., Chen, C., Lin, F., 2015. Using group genetic algorithm to improve performance of attribute clustering. Applied Soft Computing, 29, pp. 371-378. DOI: 10.1016/j.asoc.2015.01.001
22. Attar, M., Homaee, O., Falaghi, H., Siano, P., 2018. A novel strategy for optimal placement of locally controlled voltage regulators in traditional distribution systems. International Journal of Electrical Power & Energy Systems, 96, pp. 11-22. DOI: 10.1016/j.ijepes.2017.09.028
23. Meenakshi Devi, M., Geethanjali, M., 2020. Hybrid of Genetic Algorithm and Minimum Spanning Tree method for optimal PMU placements. Measurement, 154, p. 107476. DOI: 10.1016/j.measurement.2020.107476
24. Zhang, Y., Gong, Y., Gu, T., Li, Y., Zhang, J., 2017. Flexible genetic algorithm: A simple and generic approach to node placement problems. Applied Soft Computing, 52, pp. 457-470. DOI: 10.1016/j.asoc.2016.10.022
25. Vuletic, J., Todorovski, M., 2016. Optimal capacitor placement in distorted distribution networks with different load models using Penalty Free Genetic Algorithm. International Journal of Electrical Power & Energy Systems, 78, pp. 174-182 DOI: 10.1016/j.ijepes.2015.11.065
26. Singh, B., Mukherjee, V., Tiwari, P., 2016. Genetic algorithm optimized impact assessment of optimally placed DGs and FACTS controller with different load models from minimum total real power loss viewpoint. Energy and Buildings, 126, pp. 194-219, 2016. DOI: 10.1016/j.enbuild.2016.05.033
27. Vitayasak, S., Pongcharoen, P., Hicks, C., 2017. A tool for solving stochastic dynamic facility layout problems with stochastic demand using either a Genetic Algorithm or modified Backtracking Search Algorithm. International Journal of Production Economics, 190, pp. 146-157 DOI: 10.1016/j.ijpe.2016.03.019
28. Gong, X., Plets, D., Tanghe, E., De Pessemier, T., Martens, L., Joseph, W., 2018. An efficient genetic algorithm for large-scale planning of dense and robust industrial wireless networks. Expert Systems with Applications, 96, pp. 311-329. DOI: 10.1016/j.eswa.2017.12.011
29. He, T., Wang, H., Yoon, S., 2018. Comparison of Four Population-Based Meta-Heuristic Algorithms on Pick-and-Place Optimization. Procedia Manufacturing, 17, pp. 944-951. DOI: 10.1016/j.promfg.2018.10.112
30. Ganguly, S., Samajpati, D., 2017. Distributed generation allocation with on-load tap changer on radial distribution networks using adaptive genetic algorithm. Applied Soft Computing, 59, pp. 45-67. DOI: 10.1016/j.asoc.2017.05.041
31. Shkarupylo, V., Skrupsky, S., Oliinyk, A., Kolpakova, T., 2017. Development of stratified approach to software defined networks simulation. EasternEuropean Journal of Enterprise Technologies, 89, 5/9, pp. 67–73. DOI: 10.15587/1729-4061.2017.110142
32. Oliinyk, A., Zaiko, T., Subbotin, S., 2014. Training sample reduction based on association rules for neuro-fuzzy networks synthesis. Optical Memory and Neural Networks, 23, 2, pp 89–95. DOI: 10.3103/S1060992X14020039
33. Oliinyk, A., Zayko, T., Subbotin, S., 2014. Synthesis of Neuro-Fuzzy Networks on the Basis of Association Rules. Cybernetics and Systems Analysis, 50, 3, pp. 348-357. DOI: 10.1007/s10559-014-9623-7
34. Oliinyk, A., Fedorchenko, I., Stepanenko, A., Rud, M., Goncharenko, D., 2019. Combinatorial optimization problems solving based on evolutionary approach. IEEE: 2019 15th International Conference on the Experience of Designing and Application of CAD Systems (CADSM), pp. 41-45. DOI: 10.1109/CADSM.2019.8779290
35. Oliinyk A., Fedorchenko, I., Stepanenko, A., Rud, M., Goncharenko, D, 2018. A Evolutionary method for solving the traveling salesman problem. IEEE: Problems of Infocommunications. Science and Technology : 5th International Scientific-Practical Conference PICST2018, Kharkiv, Kharkiv National University of Radioelectronics, pp. 331–339. DOI: 10.1109/INFOCOMMST.2018.8632033
36. Stepanenko, A., Oliinyk, A., Deineha, L., Zaiko, T., 2018. Development of the method for decomposition of superpositions of unknown pulsed signals using the secondorder adaptive spectral analysis. EasternEuropean Journal of Enterprise Technologies, 2(9-92), pp. 48-54
37. Fedorchenko, I., Oliinyk, A., Stepanenko, A., Zaiko, T., Shylo, S., Svyrydenko, A., 2019. Development of the modified methods to train a neural network to solve the task on recognition of road users. Eastern European Journal of Enterprise Technologies, 9/98, pp. 46–55. DOI: 10.15587/1729-4061.2019.164789
38. Fedorchenko, I., Oliinyk, A., Stepanenko, A., Zaiko, T., Korniienko, S., Burtsev, N., 2019. Development of a genetic algorithm for placing power supply sources in a distributed electric network. Eastern European Journal of Enterprise Technologies, 5/3 (101), pp. 6–16. doi: 10.15587/1729-4061.2019.180897
39. Fedorchenko, I., Oliinyk, A., Stepanenko, A., Zaiko, T., Korniienko, S., Kharchenko A., 2020. Construction of a genetic method to forecast the population health indicators based on neural network models. Eastern-European Journal of Enterprise Technologies, 1, 4103, pp. 52-63. DOI: 10.15587/1729-4061.2020.197319