Algoritmos genéticos e variantes na solução de problemas de configuração de redes de distribuição

Abstract

RESUMOEste 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. PALAVRAS-CHAVE:Minimização de perdas elétricas em redes de distribuição, Otimização, Algoritmos Genéticos. ABSTRACTThis 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.

Artificial intelligence in seeding density optimization and yield simulation for oat

“…Among AI techniques, artificial neural networks (ANNs) present a mathematical model inspired in the neural structure of intelligent organisms, capable of performing computer learning and pattern recognition (McCulloch & Pitts, 1943;Çelebi et al, 2017). Genetic algorithm is also an AI technique inspired in the mechanisms of evolution of living organisms, which promote agility in the formulation and solution of optimization problems (Bento & Kagan, 2008;Zheng et al, 2017).…”

Streamflow forecasting in Tocantins river basins using machine learning

“…By a fitness function, the algorithm evaluates and ranks the individuals according to a specific metric. The ordered individuals go through genetic operators (elitism, selection, crossing, and mutation) for creating new individuals that will integrate to a new generation, which will be evaluated and ordered by the fitness function recursively until the stopping criterion is met and the best individual is selected (Holland 1975;Bento & Kagan 2008;Xue et al 2018). The algorithm was fitted using the gafs function of the 'caret' package (Kuhn et al 2019), with the RF model as fitness function and the root mean square error (RMSE) as the objective function to be minimized.…”

Uma Reflexão da Literatura Sobre Técnicas Computacionais Aplicadas À Gestão Da Manutenção de Trens

“…There are articles that prove that the mastery of genetic algorithm techniques, associated with the possession of well-structured data makes it possible to find solutions to improve maintenance planning. The literature seeks solutions in algorithms based on "simple" elitism, to always preserve the best individual and guarantee the best next generation, thus providing case studies with the best condition for the variable in question (Bento & Kagan, 2008).…”