ДОКЛАДЫ АКАДЕМИИ НАУК
ВЫСШЕЙ ШКОЛЫ РОССИЙСКОЙ ФЕДЕРАЦИИ

В работе рассматривается задача оперативного управления источниками компенсации реактивной мощности для сохранения устойчивости сети и минимизации потерь активной мощности. Эффективность компенсации зависит от расположения компенсирующих установок в узлах сети. Во многих работах высокую эффективность в решении подобных оптимизационных задач показывают популяционные алгоритмы, такие как генетический алгоритм, роевые алгоритмы. Новизна данной работы заключается в исследовании влияния динамических изменений условий задачи на эффективность указанных алгоритмов и определении наилучших стратегий учета подобных изменений. Для динамических изменений условий задач было использовано моделирование отказов компенсирующих установок. Оперативное управление мощностями компенсирующих установок выполнялось с помощью генетического алгоритма, алгоритма роя частиц и алгоритма роя пчел для сравнения их эффективностей и исследования влияния изменений условий задачи на работу алгоритмов. При решении динамических задач оптимизации рассматриваемые алгоритмы могут работать либо постоянно, реагируя на изменения условий, либо же перезапускаться в случае изменения. Проведенные в работе эксперименты позволили определить, что для алгоритма роя частиц необходимо выполнять перезапуск для выхода из локального экстремума. Для алгоритма роя пчел и генетического алгоритма перезапуск не требуется. При этом алгоритм роя пчел показал наилучшие результаты для рассматриваемой модели.

1. Energieeinsparung durch Blindleistungskompensation [Electronic resource]. – URL: http://www.energie-im-unternehmen.de/downloads/energieeffizienz_steigerung_blindleistungskompensation.pdf (accessed: 28.11.2017).
2. Manusov V., Tretyakova E., Matrenin P. Population-based algorithms for optimization of the reactive power distribution and selection of the cable cross-section in the power-supply systems // Applied Mechanics and Materials. – 2015. – Vol. 792. – P. 230–236.
3. Da Silva E.L., Gil H.A., Areiza J.M. Transmission network expansion planning under an improved genetic algorithm // IEEE Transactions on Power Systems. – 2000. – Vol. 15, iss. 3. – P. 1168–1174.
4. Optimal location of phase shifters in the French network by genetic algorithm / P. Paterni, S. Vitet, M. Bena, A. Yokoyama // IEEE Transactions on Power Systems. – 1999. – Vol. 14, iss. 1. – P. 37–42.
5. Mantawy A.H., Abdel-Magid Y.L., Selim S.Z. Integrating genetic algorithms, tabu search, and simulated annealing for the unit commitment problem // IEEE Transactions on Power Systems. – 1999. – Vol. 14, iss. 3. – P. 829–836.
6. Матренин П.В., Секаев В.Г. Системное описание алгоритмов роевого интеллекта // Программная инженерия. – 2013. – № 12. – С. 39–45.
7. Матренин П.В. Описание и реализация алгоритмов роевого интеллекта с использованием системного подхода // Программная инженерия. – 2015. – № 3. – С. 27–34.
8. Kennedy J., Eberhart R. Particle swarm optimization // Proceedings of IEEE International Conference on Neural Networks. – 1995. – Vol. 4. – P. 1942–1948.
9. Matrenin P.V., Sekaev V.G. Particle swarm optimization with velocity restriction and evolutionary parameters selection for scheduling problem // International Siberian Conference Control and Communications SIBCON 2015: proceedings, Russia, Omsk, 21–23 May 2015. – Omsk, 2015. – P. 1–5.
10. Манусов В.З., Матренин П.В. Адаптивный алгоритм роя частиц в задачах оперативного планирования // Вестник компьютерных и информационных технологий. – 2016. – № 4 (142). – С. 11–15.
11. The Bees Algorithm – a novel tool for complex optimisation problems / D.T. Pham, A. Ghanbarzadeh, E. Koç, S. Otri, S. Rahim, M. Zaidi // IPROMS 2006. Proceedings of the 2^nd International Virtual Conference on Intelligent Production Machines and Systems. – Oxford, Elsevier, 2006. – P. 454–459. – doi: https://doi.org/10.1016/B978-008045157-2/50081-X.
12. Holland J.H. Adaptation in natural and artificial systems. – Ann Arbor: University of Michigan Press, 1975. – 225 p.
13. Pedersen M., Chippereld A. Simplifying particle swarm optimization // Applied Soft Computing. – 2010 – N 10 (2). – P. 618–628.
14. Матренин П.В., Секаев В.Г. Оптимизация адаптивного алгоритма муравьиной колонии на примере задачи календарного планирования // Программная инженерия. – 2013. – № 4. – С. 34–40.
15. Wolpert D.H., Macready W.G. No free lunch theorems for optimization // IEEE Transactions on Evolutionary Computation. – 1997. – Vol. 1, iss. 1. – P. 67–82.