Utilisation des méthodes d'optimisations métaheuristiques pour la résolution du problème de répartition optimale de la puissance dans les réseaux électriques

III-7 Conclusion

Dans ce chapitre nous avons tout d'abord présenté quelques généralités sur la méthode d'optimisation génétique et l'optimisation par essaim particule. Ainsi que leurs application pour la résolution de problème de répartition optimale de la puissance électrique.

Malgré le nombre important d'évaluations, les algorithmes stochastiques présentent le grand avantage par rapport aux méthodes déterministes, d'avoir la capacité de trouver l'optimum global. Les méthodes stochastiques les plus prometteuses sont les algorithmes génétiques, les particules d'essaim.

Le chapitre suivant se propose d'appliquer ces méthodes. Elles seront testées et discutées sur des fonctions tests ainsi que pour petits exemples de la répartition optimale de la puissance dans le système électrique.

CHApJETRE IV

Application et Simulation

IV- Application et Simulation :

IV-1 Introduction :

Nous avons assisté ces dernières années à une croissance très rapide des travaux utilisant les techniques métaheuristiques dans les systèmes électriques. Cela est dû à la simplicité de leurs mécanismes, la facilité de leur mise en application et leur efficacité même pour les problèmes complexes. Ce chapitre est consacré au test des algorithmes suivants :

1. Algorithme de l'écoulement de puissance de Newton-Raphson (N-R).

2. Algorithme de l'écoulement de puissance optimale par la méthode lagrangien.

3. Algorithme de l'écoulement de puissance optimale par les méthodes métaheuristiques.

· Algorithme Monte-carlo.

· Algorithme génétique (codage binaire).

· Algorithme d'optimisation par Essaim Particules.

Les tests seront effectués sur des réseaux électriques de petites et moyennes échelles. Ces algorithmes ont été développés dans l'environnement Matlab version 6.5, et exécutés par un microprocesseur Pentium 4 avec 512 MO de RAM et 3 GHZ [02].

IV-2 Optimisation de fonction de coût :

Le problème de ce test consiste à trouver le minimum de la fonction objective suivante :

ng

( ) ( á _i â _i P _Gi ã _i P Gi 2

F x = + + ) (IV-01)

i=1

Chaque puissance active générée P_Gi est limitée par une limite inférieure PGi ( min) est une limite
supérieure PGi ( max) . PGi ( min ) = P_Gi = PGi( max) . Donc la fonction objective est bornée supérieurement, on

va choisir une fonction fitness à maximiser de la forme suivante :

F max

fitness = (IV-02)

F x

( )

Il y a de nombreuses façons de choisie le coefficient F_max . Ce facteur peut être pris comme

coefficient d'entrée, ou bien on peut lui affecter la plus grande valeur de F(x) dans la population actuelle. Nous envisagerons cette dernière possibilité dans cet exemple.