Научный журнал
ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ.
СЕВЕРО-КАВКАЗСКИЙ РЕГИОН.

ТЕХНИЧЕСКИЕ НАУКИ


ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ СЕВЕРО-КАВКАЗСКИЙ РЕГИОН. 2021; 1: 18-26

 

http://dx.doi.org/10.17213/0321-2653-2021-1-18-26

 

ПРИМЕНЕНИЕ АГЕНТНЫХ МЕТАЭВРИСТИК В РЕАЛИЗАЦИИ ТЕХНОЛОГИЧЕСКОЙ ЦЕПОЧКИ МИНИМИЗАЦИИ ПОТЕРЬ ЭЛЕКТРОЭНЕРГИИ

В.А. Мохов

Мохов Василий Александрович – канд. техн. наук, доцент, кафедра «Программное обеспечение вычислительной техники», Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, г. Новочеркасск, Россия. E-mail: mokhov_v@mail.ru

 

 

Аннотация

Статья посвящена разработке одного из новых технологических решений, направленных на повышение качества электрической энергии в распределительных сетях. Предложен подход, основанный на управлении межфазными переключениями однофазных потребителей (ОП) электроэнергии за счёт применения бинарных алгоритмов агентных метаэвристик. Цель использования подхода – минимизировать в распределительной сети значения показателей, характеризующих несимметрию токов и их суммарных гармонических искажений. Для практической реализации подхода разработана технологическая цепочка, состоящая из четырех технологических операций и представленная в нотации IDEF0, а также алгоритм, реализующий её. Детали указанных технологических операций, сравнительный анализ агентных метаэвристик, основанный на них алгоритм управления межфазными переключениями ОП, правила двоичного кодирования/ декодирования данных при обработке и результаты численных экспериментов составляют основу данной работы. Результаты проделанной работы указывают на целесообразность проведения исследований, связанных со сравнительным анализом использованных алгоритмов агентных метаэвристик.

 

Ключевые слова: системный анализ; технологическая цепочка; оптимальное управление; нелинейная оптимизация; агентные метаэвристики; несимметрия; высшие гармонические составляющие тока.

 

Полный текст: [in elibrary.ru]

 

Ссылки на литературу

  1. Patidar R.D., Singh S.P. Harmonics estimation and modeling of residential and commercial loads // 2009 International Conference on Power Systems (ICPS), art. № 5442731. - IEEE, 2009. Рр. 1 – 6. DOI: 10.1109/ICPWS.2009.5442731Р.
  2. Кобелев А.В. [и др.] Анализ высших гармоник напряжения и тока при использовании компактных люминесцентных ламп // Вопросы современной науки и практики. Университет им. В.И. Вернадского. 2011. №. 3. С. 374 – 377.
  3. Мохов В.А. Формирование и анализ целевой функции для оптимизации технологического процесса распределения электроэнергии на уровне трансформаторной подстанции // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2019. №. 1. С. 51 – 56. DOI: 10.17213/0321-2653-2019-1-51-56
  4. Манторски З. Гармонические искажения в сети от источников света, управляемых электронными приборами // Светотехника. 2008. №. 2. С. 30 – 33.
  5. Alsulami A. [et al.] Balancing asymmetrical load using a static var compensator // IEEE PES Innovative Smart Grid Technologies, Europe. IEEE, 2014. Pр. 1 – 6.
  6. Ded A.V., Parshukova A.V. Comparison of methods of calculation of the load distribution asymmetry in the estimation of power losses // International Journal of applied and fundamental studies. 2015. No. 9-2. Pр. 221 – 225.
  7. Schrijver A. On the history of combinatorial optimization (till 1960) // Handbooks in operations research and management science. 2005. Vol. 12. Pр. 1 – 68.
  8. Weise T. [et al.] Global optimization algorithms and their application to distributed systems. Technical report / University of Kassel, 2008. 69 р.
  9. Карпенко А. П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. М.: Изд-во МГТУ им. НЭ Баумана, 2014. Т. 448. 11 с.
  10. Abid S. [et al.] Managing energy in smart homes using binary particle swarm optimization // Conference on Complex, Intelligent, and Software Intensive Systems. Springer, Cham, 2017. Pр. 189 – 196.
  11. Javaid N. [et al.] Towards cost and comfort based hybrid optimization for residential load scheduling in a smart grid // Energies. 2017. Vol. 10. No. 10. 1546 р.
  12. Eberhart R., Kennedy J. Particle swarm optimization // Proceedings of the IEEE international conference on neural networks. 1995. Vol. 4. Рр. 1942 – 1948.
  13. Kennedy J., Eberhart R. C. A discrete binary version of the particle swarm algorithm // 1997 IEEE International conference on systems, man, and cybernetics. Computational cybernetics and simulation. IEEE, 1997. Vol. 5. Рр. 4104 – 4108.
  14. Мохов В.А., Туровский Ф.А., Туровская Е.В. Системный анализ решения задачи дискретной оптимизации на основе модифицированного бинарного алгоритма летучих мышей // Инженерный вестн. Дона. 2016. Т. 42. №. 3 (42). С. 36 – 49.
  15. Kubil V., Mokhov V., Grinchenkov D. Modelling the Generalized Multi-objective Vehicle Routing Problem Based on Costs // Proceedings of the 6th International Conference on Applied Innovations in IT. Bibliothek, Hochschule Anhalt, 2018. Рр. 29 – 35.
  16. Результаты обработки внутреннего поискового запроса «binary optimization algorithm» на ресурсе mathworks.com. URL: https://ch.mathworks.com/search/site_search.html? c%255B%255D=entire_site&q=binary+optimization+algorithm (дата обращения 20.11.2020).
  17. Результаты обработки внутреннего поискового запроса «binary optimization algorithm» на ресурсе scholar.google.com. URL: https://scholar.google.ru/scholar?q=binary+optimization+algorithm&hl=ru&as_sdt=0%2C5&as_ylo=2016&as_yhi= (дата обращения 20 11.2020).
  18. Rashedi E., Nezamabadi-Pour H., Saryazdi S. BGSA: binary gravitational search algorithm // Natural Computing. 2010. Vol. 9. No. 3. Рр. 727 – 745.
  19. Babatunde O.H. [et al.] A Genetic Algorithm-Based Feature Selection // International Journal of Electronics Communication and Computer Engineering. 2014. No. 5(4). Рр. 899 – 905.
  20. Babatunde O.H. [et al.] Zernike Moments and Genetic Algorithm : Tutorial and Application // British Journal of Mathematics and Computer Science. 2014. No.4(15). Рр. 2217 – 2236.
  21. Mirjalili S., Mirjalili S. M., Yang X. S. Binary bat algorithm // Neural Computing and Applications. 2014. Vol. 25. No. 3-4. Рр. 663 – 681.
  22. Mirjalili S. Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective, discrete, and multi-objective problems // Neural Computing and Applications. 2016. Vol. 27. No. 4. Рр. 1053 – 1073.
  23. Emary E., Zawbaa H.M., Hassanien A.E. Binary grey wolf optimization approaches for feature selection // Neurocomputing. 2016. Vol. 172. Рр. 371 – 381.
  24. Мохов В.А. [и др.] Концептуальное моделирование как основа проектирования сложных систем // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2018. № 2 (198). С. 40 – 47. DOI: 10.17213/0321-2653-2018-2-40-47.
  25. Mirjalili S., Lewis A. S-shaped versus V-shaped transfer functions for binary particle swarm optimization // Swarm and Evolutionary Computation. 2013. Vol. 9. Рр. 1 – 14.
  26. Mirjalili S., Wang G. G., Coelho L. S. Binary optimization using hybrid particle swarm optimization and gravitational search algorithm // Neural Computing and Applications. 2014. Vol. 25. No. 6. Рр. 1423 – 1435.
  27. Shaykhutdinov D. [et al.] Analysis and Synthesis of Algorithms of Solving Inverse Problems by Methods of Classical and Modern Automatic Control Theory // Asian Journal of Information Technology. 2016. No. 15(9). Рр. 1443 – 1446.
  28. Костинский С.С. Обзор и результаты исследований гармонического состава тока бытовых электроприемников, а также способов и устройств для снижения их негативного влияния на системы электроснабжения // Промышленная энергетика. 2018. № 8. С. 29 – 39.
  29. Костинский С.С. Обзор и результаты исследований гармонического состава тока осветительных электроприемников // Промышленная энергетика. 2018. № 9. С. 25 – 32.