CC BY
50УДК 621.311, 681.5
ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ НАСТРОЙКИ АВТОМАТИЧЕСКИХ РЕГУЛЯТОРОВ УСТАНОВОК РАСПРЕДЕЛЕННОЙ ГЕНЕРАЦИИ Булатов Юрий Николаевич
К.т.н., доцент, ФГБОУ ВО «Братский государственный университет», 665709, г. Братск, ул. Макаренко, 40, e-mail: bulatovyura@yandex.ru Крюков Андрей Васильевич Д.т.н., профессор, ФГБОУ ВО «Иркутский государственный университет путей сообщения»,
664074, Иркутск, ул. Чернышевского, д. 15;
ФГБОУ ВО «Иркутский национальный исследовательский технический университет», 664074, г. Иркутск, ул. Лермонтова 83, e-mail: and_kryukov@mail.ru
Аннотация. Концепция интеллектуальных электрических сетей предусматривает создание развитой системы автоматического управления режимами электроэнергетических систем на базе активных устройств, а также широкое применение установок распределённой генерации (РГ). Для эффективной работы установок РГ необходимо решение задачи оптимальной настройки автоматических регуляторов возбуждения и частоты вращения генераторов, которые являются центральной частью этих установок. В статье приводится описание генетического алгоритма, предназначенного для решения задач оптимизации настроек автоматических регуляторов возбуждения и частоты вращения генераторов установок РГ.
Ключевые слова: электроэнергетические системы, интеллектуальные электрические сети, установки распределенной генерации, оптимизация настроек автоматических регуляторов, генетические алгоритмы.
Введение. Развитие концепции интеллектуальных электроэнергетических систем (ЭЭС) с активно-адаптивными сетями (smart grid) [9] предполагает повышение надёжности и живучести ЭЭС на основе создания развитой системы автоматического управления, построенной с использованием интеллектуальных технологий, а также широкого применения установок распределённой генерации (РГ) и активных устройств для регулирования режимов.
Определение оптимальных настроек автоматических регуляторов установок РГ можно отнести к классу многокритериальных и многомерных задач, от правильного решения которых зависит эффективное функционирование установок РГ в составе ЭЭС. Критерий оптимизации в таких задачах представляет собой сложную функцию, имеющую множество локальных экстремумов, среди которых требуется найти единственный глобальный или близкий к нему. Решение этой задачи на основе применения классических методов оптимизации затруднено, а иногда невозможно.
Теоретический анализ показывает, что наиболее приемлемый метод решения задачи поиска оптимальных настроек регуляторов установок РГ может быть реализован на основе использования генетического алгоритма (ГА) Дж. Холланда [24]. Оптимизации настроек
автоматических регуляторов с помощью ГА посвящены работы как отечественных, так и зарубежных авторов [2, 7, 10, 12, 14, 15, 18,9, 21, 25-27]. Эти работы направлены на решение следующих задач:
• реализацию различных модификаций ГА [26, 21, 15];
• применение известных вариантов ГА для настройки систем автоматического регулирования [25,19, 27, 7, 12, 14],
• исследование эффективности ГА по сравнению с традиционными методами оптимизации и улучшение его поисковых свойств [18, 15].
Ниже представлены результаты применения ГА для решения задачи оптимального согласования настроек автоматических регуляторов возбуждения (АРВ) и частоты вращения (АРЧВ) турбогенераторов установок РГ. Кроме того, описана реализации адаптивного ГА в рамках представленной структуры мультиагентной системы управления.
Согласование настроек регуляторов установок РГ и описание исследуемой модели. Ввиду относительно малой мощности установок РГ и небольшой постоянной инерции роторов их турбогенераторов особую актуальность приобретает задача согласованной настройки АРВ и АРЧВ. Важность этой задачи можно проиллюстрировать на основе классической схемы генератора, работающего на шины бесконечной мощности по рис. 1.
АРВ
Рис. 1. Генератор, работающий на шины бесконечной мощности
Уравнение движения ротора для этой схемы можно записать так:
ЖДш^)
Ж
1 Т
МТ (ш0 + Дш^))-
е Ь к
Б1П
x
80 + |Дш^
0
V 0
(1)
где Т - постоянная инерции турбогенератора; Мт - механический момент турбины; Е* -ЭДС генератора; Ш0 - синхронная частота вращения ротора.
Напряжение на шинах генератора определяется выражением ио = Е* - АоХо , где - ток генератора; хс - сопротивление генератора.
Паровая турбина без учёта промежуточного перегрева пара может быть представлена
звеном с передаточной функцией Жт =-1-.
0,2^ +1
При использовании тиристорной системы возбуждения передаточную функцию
возбудителя можно принять следующей ЖВ =-1---1-.
0,001^ +1 0,0255 +1
Передаточная функция стабилизирующего канала АРВ, определяющего взаимосвязь с АРЧВ, может быть представлена так [5]:
WS® =
1 + 0,55 0,5s
к0ю 2s
+
кы 0,05s
(2)
(25 + 1)(0,025 +1) 0,05^ +1
где 5 - оператор Лапласа; к0ю и к1ю - искомые коэффициенты настройки АРВ.
Блок АРЧВ может быть представлен регулятором со следующим пропорционально-интегрально-дифференциальным (ПИД) законом:
ка5 1 1
АРЧВ
fi кi к„ +- 1
+ -
(3)
0,15 5 + 1) 0,015 + 1
где кр, к, ка -искомые коэффициенты настройки АРЧВ.
Связь механических и электрических параметров, входящих в уравнение (1), можно пояснить с помощью рис. 2, на котором обозначено: 80 - начальное значение угла между векторами ЭДС и напряжения генератора (угол нагрузки); Д8 - вариация угла нагрузки; Аю - вариация скорости вращения ротора.
Рис. 2. Векторная диаграмма
При изменении нагрузки турбогенератора возникает небаланс моментов, который приводит к вариации скорости вращения ротора. Это вызывает изменения угла нагрузки А8 . Из уравнения (1) следует, что ускорение ротора обратно пропорционально моменту инерции. Для установок РГ с небольшими значениями TJ вариации скорости будут значительными.
Поэтому для установок РГ требуется согласованное регулирование электрических и механических параметров. Такое регулирование может быть реализовано на основе идей работы [1], в которой предложена методика согласованной настройки АРВ и АРЧВ. Схема, иллюстрирующая согласованную настройку АРВ и АРЧВ турбогенератора установки РГ, представлена на рис. 3.
Принцип согласованной настройки состоит в определении коэффициентов настройки АРВ и АРЧВ, обеспечивающих минимальные отклонения параметров турбогенератора от номинальных значений, высокие демпферные свойства при электромеханических переходных процессах и требуемый запас устойчивости.
[
Ю'
(t)
1
Ur
АРЧВ
Дю
W?
АРВ
АРВ
Дю(?) ^ 0 5Ug = Ug ) - UG
- UG\^ 0
F (5 Ug, Дю) ^ extr
Рис. 3. Схема, иллюстрирующая принцип согласованной настройки АРВ и АРЧВ: F (5 Ug, Дю) - функционал качества управления турбогенератором при согласованной
настройке АРВ и АРЧВ; WaPb - функция канала регулирования АРВ по частоте
Адаптивный генетический алгоритм для решения задачи оптимизации настроек регуляторов установок РГ. В качестве критерия оптимизации настроек АРВ и АРЧВ турбогенераторов установок РГ в работах [5, 1, 4] предлагается использовать следующий функционал:
J =J е2 ('ю )dto ^ min, (4)
о
где е('ю) = Dж(''ю)-Dм('ю) - рассогласование между желаемым и модельным наборами коэффициентов характеристических полиномов; ю - текущее значение частоты из диапазона [0; Q ], определяющего «полосу пропускания» системы.
В связи с тем, что величина рассогласования е('ю) = Ree(ю)+ jIme(ю) является комплексной, возникают затруднения при минимизации функционала (4). Поэтому целесообразно использовать линейную свертку:
J = 2 JRe + 2 JIm ^ min, (5)
где JRe , JIm - критерии, отвечающие близости годографов в областях действительных и мнимых значений.
Критерии JRe и Jim формируются так:
Q/
JRe = ?(яеБж(и)-ЯеБм(ш))^ш ,
JIш = ?(1шБж(и) - 1тБм(и)Ужи . (6)
0
Используемый функционал имеет большое число локальных экстремумов, поэтому поиск глобального минимума в представленной задаче целесообразно выполнять с помощью генетического алгоритма, представляющего процедуру поиска оптимума, основанную на механизмах естественного отбора и наследования. Основная идея ГА впервые была
предложена Дж. Холландом в 1975 г [24]. Дальнейшее развитие эта идея получила в работах его учеников Гольдберга и Де Йонга [22, 23].
Среди основных особенностей, определяющих эффективность применения ГА в оптимизационных задачах электроэнергетики, необходимо отметить следующие [16, 6]:
• лёгкая программируемость, поскольку ГА реализуют простую, но достаточно эффективную схему вычислений;
• отсутствие дополнительных требований, предъявляемых к математической модели задачи в виде непрерывности, дифференцируемости и унимодальности критерия оптимизации;
• отсутствие необходимости в вычислении производных целевой функции;
• возможность учёта технических ограничений любого вида;
• поиск решения не из единственной точки, а из некоторой популяции;
• принципиальная возможность применения данного подхода совместно с другими, как традиционными, так и новыми методами расчёта;
• быстрая генерация достаточно «хороших» в смысле оптимальности решений.
При описании ГА используются определения, заимствованные из генетики. Например, речь идёт о популяции особей, а в качестве базовых понятий применяются ген, хромосома, кроссовер, мутация и др. Классический ГА применительно к задаче оптимизации настроек АРВ и АРЧВ турбогенераторов установок РГ может быть представлен схемой, приведенной на рис. 4.
Рис. 4. Блок-схема классического генетического алгоритма применительно к задаче оптимизации настроек АРВ и АРЧВ турбогенераторов установок РГ
Среди систем, реализующих ГА с современными операторами селекции, кроссовера и мутации можно выделить программу Flex Tool пакета Genetic Algorithm, входящего в
систему MATLAB. Flex Tool взаимодействует со средой MATLAB, что даёт большие возможности по использованию ГА при разработке конкретных приложений.
Выбор метода кодирования является важным этапом применения ГА для поиска оптимальных коэффициентов настройки регуляторов и может влиять на быстродействие и точность результата. Применяемый в данной работе ГА использует метод вещественного кодирования, при котором отдельный ген представляет собой один из искомых параметром в виде вещественного числа, а их совокупность - хромосому, т.е. возможный набор коэффициентов настройки регуляторов (рис. 5). Из цепочки хромосом случайным образом формируются особи, и определяется исходная популяция. На рис. 5 представлена хромосома при кодировании двух коэффициентов настройки АРВ для стабилизации регулирования по отклонению частоты £0<b и скорости её изменения £1ю [1], а также трех коэффициентов
настройки АРЧВ, работающего по ПИД закону регулирования: kp, ki, kd .
Хромосома
-3,456 2,759 94,547 15,254 -4,385
Чи к1и kp kd
Рис. 5. Пример хромосомы при вещественном кодировании коэффициентов настройки
АРВ и АРЧВ
В настоящее время предлагаются различные методы отбора, кроссовера и мутации [29, 8], среди которых необходимо отметить следующие: турнирный отбор; элитные методы, гарантирующие «выживание» лучших членов популяции; двухточечный и равномерный кроссовер и др. Исследования, представленные в работе [1], показали, что выбор методов определения исходной популяции, вероятности кроссоверной доли и алгоритма мутации для целевой функции (4) оказывает большое влияние на конечный результат. Неудачный выбор может сопровождаться большими затратами процессорного времени, а в некоторых случаях приводить к некорректному результату. Кроме того, ГА является стохастическим алгоритмом и в итоге его применения к одной и той же задаче оптимизации могут иметь место различающиеся результаты.
Для автоматического определения семейства исходной популяции с наиболее подходящей вероятностью скрещивания и мутации предлагается использовать адаптивный алгоритм, обеспечивающий оптимальные настройки ГА для конкретной целевой функции [1, 6]. Его суть заключается в двукратном выполнении ГА. На первом этапе для заданной целевой функции формируется диапазон поиска и начальная точка отсчёта. При этом достаточно осуществить 10...100 итераций ГА в зависимости от сложности функции. Затем, на основе использования полученных на первом этапе настроек и дополнительных процедур формируется глобальное решение. Например, конечное семейство особей, определенное на первом этапе, принимается за исходную популяцию, а в качестве функции мутации используется адаптивный алгоритм (Adaptive feasible), реализованный в программе Flex Tool, и устанавливается оптимальное значение вероятности кроссоверной доли (Crossover fraction), определенное на первом этапе.
В предлагаемом адаптивном ГА используется турнирный метод отбора и двухточечный кроссовер, так как эти методы являются достаточно эффективными. Кроме
того для уменьшения количества итераций ГА и уточнения глобального решения после процедуры ГА применяется метод Нелдера-Мида. Как показали исследования [11], этот метод является наиболее эффективным в задачах поиска оптимальных настроек АРВ и АРЧВ. Таким образом, адаптивность предлагаемого алгоритма заключается в автоматическом выборе исходной популяции, а также оптимального значения вероятности скрещивания и мутации для конкретной задачи. Процедура адаптивного генетического алгоритма была реализована в программном комплексе [3], позволяющем находить оптимальные настройки АРВ и АРЧВ, в том числе и с учётом их связанности.
На рис. 6 показаны результаты работы ГА с настройками по умолчанию (случайное формирование исходной популяции, вероятность скрещивания 0,8, стандартный алгоритм мутации с долей отбираемых компонентов хромосом 0,01) и предлагаемого адаптивного алгоритма при поиске оптимальных коэффициентов регулирования АРВ и АРЧВ турбогенератора установки РГ. Расчёты выполнялись для компьютерной модели (рис. 7) со следующими параметрами турбогенератора, работающего на активно-индуктивную нагрузку: номинальная мощность £ном = 2,5 МВА; номинальное напряжение £/ном = 6,3 кВ;
сопротивление генератора xd = 2,35 о.е.; номинальная скорость вращения ротора пном = 3000 об/мин; постоянная механической инерции Т}- = 5,697 с. Коэффициенты настройки АРВ для канала регулирования по напряжению для обоих случаев принимались постоянными: кои = 100, к[и = 50.
а) б)
Рис. 6. Зависимости лучшего значения функции приспособленности особей от поколения при настройках ГА по умолчанию (а) и оптимальных настройках (б)
Как видно из рис. 6, при использовании адаптивного ГА решение достигается при меньшем числе итераций с получением более точного результата (рис. 6, б), что показывает эффективность предлагаемого алгоритма.
Рис. 7. Схема модели исследуемой установки РГ в MATLAB
В результате проведённого моделирования с помощью обычного и адаптивного ГА были определены коэффициенты настройки АРВ и АРЧВ турбогенератора установки РГ (табл. 1), обеспечивающие необходимый запас устойчивости и хорошие демпферные свойства. При этом адаптивный ГА позволил определить коэффициенты настройки регуляторов, обеспечивающих больший запас устойчивости и лучшие демпферные свойства системы (для напряжения время переходного процесса снижается в 4,3 раза, а для частоты -в 3,2 раза). В рассматриваемом примере переходный процесс для частоты вращения ротора турбогенератора становится апериодическим, что является несомненным преимуществом для механической части установки РГ. Соответствующие осциллограммы напряжения и частоты, подтверждающие данные выводы представлены на рис. 8 и 9.
Таблица 1
Результаты согласованной настройки АРВ и АРЧВ турбогенератора установки РГ
Тип алгоритма Коэффициенты настройки АРВ и АРЧВ Запас апериодической устойчивости системы
1) ГА со случайно определенной исходной популяцией, вероятностью кроссоверной доли 0,8 и стандартным алгоритмом мутации 1) АРВ: к0и =100; кь = 50; к^ = -130,99; к^ = 40,81; 2) АРЧВ: кр = 15,21; к = 0,77; кЛ= 5,75 165,39
2) адаптивный ГА 1) АРВ: к0и = 100; кь = 50; к0„ = 1,72; к^ = 20,51; 2) АРЧВ: кр = 35,81; кг = 1,06; кЛ = 0,66 302,33
1.05
о
ÍU s
я 0 95
*
«
с
CS К 0.9
0.85
I
ч n
0 4 8 12 16 20 24 28 32 36 40 44 48
Время, с
Рис. 8. Осциллограммы изменения напряжения турбогенератора при подключении
дополнительной нагрузки: 1 - коэффициенты настройки АРВ и АРЧВ определены из практических соображений (неоптимальная настройка): время переходного процесса гр > 43 с; перерегулирование
а = 3,6% ;
2 - коэффициенты настройки АРВ и АРЧВ определены с помощью ГА со случайно выбранной исходной популяцией и настройками по умолчанию: tp = 13 с; а = 4,9%; 3 -
коэффициенты настройки АРВ и АРЧВ определены с помощью адаптивного ГА: tp = 3 с;
а = 5%
1.02 1.015 1.01 <4 1.005
о
£ 1
g 0.ЭЭ5 | 0.99 0.985 0.98
°'9750 5 1 0 1 5 20 25 30 35 40 45 50
Время, с
Рис. 9. Осциллограммы изменения частоты вращения ротора турбогенератора при подключении дополнительной нагрузки: 1 - коэффициенты настройки АРВ и АРЧВ определены из практических соображений (неоптимальная настройка): tp =45 с; перерегулирование а = 1,5%; 2 - коэффициенты
настройки АРВ и АРЧВ определены с помощью ГА со случайно выбранной исходной популяцией и настройками по умолчанию: tp = 32 с; а = 0,4 %; 3 - коэффициенты настройки
АРВ и АРЧВ определены с помощью адаптивного ГА: tp = 10 с; а = 0%
7гъ
'—г
-i
Мультиагентный подход к реализации ГА для настройки автоматических регуляторов установок РГ. Мультиагентные технологии [17, 13, 20, 28] позволяют реализовать принципиально новый подход к решению задач управления интеллектуальными ЭЭС и системами электроснабжения с установками РГ. В отличие от классических подходов,
состоящих в поиске детерминированных алгоритмов для определения наилучшего решения проблемы, в мультиагентных технологиях такое решение находится в результате взаимодействия программно-аппаратных модулей (агентов). Эти агенты могут обмениваться между собой информацией по каналам связи, воспринимать воздействия внешней среды с помощью рецепторов и при необходимости воздействовать на объект управления с помощью исполнительных органов (эффекторов).
Мультиагентные системы должны обладать живучестью, проявлять свойства самоорганизации и сложного поведения даже при простых стратегиях действий отдельных агентов. Эти свойства схожи с выживанием наиболее приспособленных особей в генетических алгоритмах, что позволяет реализовать ГА на основе мультиагентных технологий. В этом случае каждая особь может быть представлена агентом, целью которого является достижение экстремума целевой функции, а деятельность заключается в выборе наилучшего партнёра для размножения.
Структура предлагаемой авторами мультиагентной реализации ГА применительно к задаче определения оптимальных коэффициентов настройки АРВ и АРЧВ генераторов установок РГ показана на рис. 10. Здесь каждая особь представляется отдельным агентом, характеризуется определённым набором хромосом (коэффициентами настройки АРВ и АРЧВ) и соответствующей функцией приспособленности (целевой функцией). Кроме того, имеется агент, отвечающий за селекцию, поскольку, как правило, этот процесс производится централизовано. Каждый агент обменивается информацией о своих свойствах и найденном значении целевой функции с другими агентами и агентом-селекционером.
Рис. 10. Структура мультиагентной реализации генетического алгоритма
Таким образом, деятельность агентов-особей заключается в вычислении целевой функции и оповещении агента-селекционера о значении этой функции и соответствующих коэффициентах настройки регуляторов, а также в определении свойств агента-представителя следующего поколения.
Деятельность агента-селекционера заключается в сборе информации о функции приспособленности каждого агента-особи и в отборе (селекции) для следующего поколения наилучшей особи.
Предлагаемый для мультиагентной реализации модифицированный ГА представляет собой итерационный процесс последовательно проходимых однотипных шагов. Начальный набор хромосом у каждой особи формируется случайно и может совпадать. Агенты-особи определяют целевую функцию, общаются между собой и выбирают партнёра для скрещивания, которое возможно только в том случае, если особи разные. Каждая пара агентов-особей в результате скрещивания образует только одного потомка, отличающегося от родителей набором хромосом. Эти потомки переходят в следующее поколение, куда агент-селекционер также отбирает одного наилучшего агента. Для того чтобы количество агентов-особей увеличивалось с каждым новым поколением, т.е. чтобы вариантов решения становилось больше для наискорейшего определения оптимальных значений коэффициентов настройки АРВ и АРЧВ, предлагается мутация всех особей за исключением отобранной агентом-селекционером. Получающиеся мутанты также переходят в следующее поколение в качестве новых агентов-особей (рис. 10). Процесс останавливается, когда достигнуто заданное число поколений, не изменяющих наилучшую функцию приспособленности.
Описанный модифицированный генетический алгоритм может быть реализован на любой мультиагентной платформе, например: AnyLogic, JADE, Repast Symphony, и использован в мультиагентной системе управления установками распределённой генерации, предложенной в работе [5].
Заключение. Использование адаптивного ГА, в отличие от классического, позволяет достаточно быстро и точно решить задачу оптимизации коэффициентов настройки регуляторов установки распределённой генерации.
В результате проведённых расчётов с помощью адаптивного ГА на компьютерной модели установки РГ были получены оптимальные коэффициенты настройки АРВ и АРЧВ, обеспечивающие как необходимый запас устойчивости, так и хорошее демпфирование электромеханических колебаний.
Применение мультиагентных технологий и генетических алгоритмов позволит реализовать адаптивную систему управления установками распределённой генерации и создаст возможность эффективного использования технологий РГ при формировании активно-адаптивных сетей интеллектуальных систем электроснабжения.
СПИСОК ЛИТЕРАТУРЫ
1. Булатов Ю.Н. Методика согласованной настройки автоматических регуляторов
возбуждения и частоты вращения генераторов электростанций / Автореф. дисс.....
канд. техн. наук. Иркутск, 2012. 22 с.
2. Булатов Ю.Н., Игнатьев И.В. Оптимизация коэффициентов регулирования системы АРЧМ с использованием генетического алгоритма // Современные технологии. Системный анализ. Моделирование. 2009. №1(21). С. 150-153.
3. Булатов Ю.Н., Игнатьев И.В. Программный комплекс для идентификации электроэнергетических систем и оптимизации коэффициентов стабилизации автоматических регуляторов возбуждения // Системы. Методы. Технологии. 2010. №4(8). С. 106-113.
4. Булатов Ю.Н., Игнатьев И.В., Попик В.А. Методика выбора оптимальных настроек систем АРЧВ генераторов электростанций // Современные технологии. Системный анализ. Моделирование. 2011. №1(29). С. 192-198.
5. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг. Сетевые кластеры в системах электроснабжения железных дорог. Иркутск: ИрГУПС, 2015. 205 с.
6. Булатов Ю.Н., Попик В.А. Решение оптимизационных задач электроэнергетики с помощью адаптивного генетического алгоритма // Труды Братского государственного университета. Сер.: Естественные и инженерные науки - развитию регионов Сибири. 2012. Т.2. С. 94-99.
7. Дунаев М.П., Куцый Н.Н., Лукьянов Н.Д. Параметрическая оптимизация системы управления насосной станцией с помощью генетического алгоритма // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2014. №8. С. 194-205. DOI: 10.7463/0514.0721172
8. Еремеев А.В. Разработка и анализ генетических и гибридных алгоритмов для решения
задач дискретной оптимизации / Автореф. дисс.....канд. физ.-мат. наук. Омск, 2000.
16 с.
9. Концепция интеллектуальной электроэнергетической системы России с активно-адаптивной сетью / под ред.: Фортова В.Е. и Макарова А.А. М.: ОАО «НТЦ ФСК ЕЭС», 2012. 235 с.
10. Куцый Н.Н., Лукьянов Н.Д. Применение генетического алгоритма для оптимизации автоматических систем с ПИД-регулятором // Вестник ИрГТУ. 2012. №6 (65). С. 6-10.
11. Приходько М.А., Игнатьев И.В., Булатов Ю.Н. Оптимизация коэффициентов регулирования системы АРЧМ с помощью метода Нелдера-Мида // Труды Братского государственного университета. Сер.: Естественные и инженерные науки - развитию регионов Сибири. 2010. Т.1. С. 25-32.
12. Раскин Е.М., Денисова Л.А., Мещеряков В.А. Автоматизация проектирования системы регулирования с использованием генетического алгоритма оптимизации // Промышленные АСУ и контроллеры. 2012. №7. С.8-14.
13. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. М.: Вильямс, 2007. 1410 с.
14. Репин А.И., Сабанин В.Р., Смирнов Н.И. Алгоритм оптимальной настройки реальных ПИД регуляторов на заданный запас устойчивости // Автоматизации и IT в энергетике. 2010. №4(9). С. 7-12.
15. Сабанин В.Р., Смирнов Н.И, Репин А.И. Модифицированный генетический алгоритм для задач оптимизации в управлении // Exponenta Pro. 2004. № 3-4 (7-8). С. 78-85.
16. Сорокин Д.В. Выбор настроек АРВ генераторов сложной энергосистемы на основе применения генетического алгоритма и методов модального анализа / Автореф. дисс. .... канд. техн. наук. Санкт-Петербург, 2009. 24 с.
17. Тарасов В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. №2. С.5-63.
18. Труханов К.А., Попов Д.Н. Выбор оптимальных параметров гидропривода вентилятора для системы охлаждения двигателя транспортного средства // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2013. №7. С. 91-100. DOI: 10.7463/0713.0590873
19. Ayman A.A. PID Parameters Optimization Using Genetic Algorithm Technique for Electrohydraulic Servo Control System // Intelligent Control and Automation. 2011. No. 2. P. 69-76. DOI: 10.4236/ica.2011.22008
20. Bellifemine F.L., Caire G., Greenwood D. Developing Multi-Agent Systems with JADE: Wiley, 2007.
21. Chen Y., Ma Y., Yun W. Application of Improved Genetic Algorithm in PID Controller Parameters Optimization // Telkomnika. 2013. Vol. 11, no. 3. P. 1524-1530. Available at: http://www.iaesjournal.com/online/index.php/TELK0MNIKA/article/viewFile/2301/pdf, accessed 31.03.2016.
22. Goldberg D.E. Genetic algorithm in search, optimization and machine learning. Reading, MA: Addison-Wesley. 1989.
23. Goldberg D.E. Simple genetic algorithms and the minimal deceptive problem. Genetic Algorithms and Simulated Annealing. Chapter 6. Los Altos, CA, Morgan Kauffman. 1987. P. 74-88.
24. Holland J.H. Adaptation in Natural and Artificial Systems. Cambridge, MA: MIT Press. Second edition (1992). (First edition, University of Michigan Press, 1975).
25. Jaen-Cuellar A.Y., Romero-Troncoso R.de J., Morales-Velazquez L., Osornio-Rios R.A. PID-Controller Tuning Optimization with Genetic Algorithms in Servo Systems // International Journal of Advanced Robotic Systems. 2013. Vol. 10. P. 324. DOI: 10.5772/56697
26. Saad M.S., Jamaluddin H., Darus I.Z.M. Implementations of PID-controller tuning using differential evolution and genetic algorithm // International Journal of Innovate Computing, Information and Control. 2012. Vol. 8, no. 11. P. 7761-7779. Available at: http://www.ijicic.org/ijicic-11-07073.pdf, accessed 31.03.2016.
27. Slavov T., Roeva O. Application of Genetic Algorithm to Tuning a PID Controller for Glucose Concentration Control // Electronic journal: WSEAS Transactions on Systems. 2012. Vol. 11, no.7. P. 223-233. Available at: http://www.wseas.org/multimedia/journals/systems/2012/55-286.pdf , accessed 31.03.2016.
28. Wooldridge M.J. An Introduction to MultiAgent Systems: Wiley, 2009.
29. Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. SpringerVerlag Berlin and Heidelberg, 1996, 387 p.
UDK 621.311, 681.5
APPLICATION OF GENETIC ALGORITHMS FOR SETTING ADJUSTMENT CONTROLLERS OF DISTRIBUTED GENERATION PLANTS
Yury N. Bulatov
PhD, Associate professor, Bratsk State University 40, Makarenko St., 665709, Bratsk, e-mail: bulatovyura@yandex.ru
Andrey V. Kryukov Dr., Professor, Irkutsk State Transport University 15, Chernyshevsky St., 664074, Irkutsk, Russia, e-mail: and_kryukov@mail.ru;
Irkutsk national research technical university 83, Lermontov St. 83, 664074, Irkutsk, Russia, e-mail: and_kryukov@mail.ru
Annotation. Concept of smart grids provides creation of developed automatic control systems for controlling the power systems modes on the basis of active devices, as well as wide application of distributed generation (DG) plants.
For effective operation of DG plants it is necessary to find the solution of optimal controllers setting adjustment that are the central part of these plants.
The article provides description of genetic algorithm meant for tasks solution related to optimization of setting adjustment of excitation controllers and speed controllers of DG plants generators.
Keywords: power systems, smart grids, distributed generation plants, optimization of controllers setting adjustment, genetic algorithms.
References
1. Bulatov Yu.N. Metodika soglasovannoj nastrojki avtomaticheskih regulyatorov vozbuzhdeniya i chastoty vrascheniya generatorov 'elektrostancij [The methodology of the harmonized settings of automatic controllers of excitation and speed of generator power plants] / The abstract of the thesis on competition of an academic degree of Candidate of Technical Sciences. Irkutsk, 2012. 22 p. (in Russian).
2. Bulatov Yu.N., Ignat'ev I.V. Optimizaciya koehfficientov regulirovaniya sistemy ARCHM s ispol'zovaniem geneticheskogo algoritma [Optimization of the coefficients of control system ARFP using genetic algorithm] // Sovremennye tehnologii. Sistemnyj analiz. Modelirovanie = Modern technologies. Systems analyses. Modeling. 2009. No. 1(21). pp. 150-153. (in Russian).
3. Bulatov Yu.N., Ignat'ev I.V. Programmnyj kompleks dlya identifikacii 'elektro'energeticheskih sistem i optimizacii ko'efficientov stabilizacii avtomaticheskih regulyatorov vozbuzhdeniya [Software complex for identification of electrical power systems and optimization of the coefficients of the stabilization of automatic excitation regulators] // Sistemy. Metody. Tehnologii = Systems. Methods. Technologies. 2010. № 4(8). Pp. 106-113 (in Russian).
4. Bulatov Yu.N., Ignat'ev I.V., Popik V.A. Metodika vybora optimal'nyh nastroek sistem ARChV generatorov " elektrostancij [The technique of choosing optimal settings systems ARRS generator power] // Sovremennye tehnologii. Sistemnyj analiz. Modelirovanie = Modern technologies. System analysis. Modeling. 2011. № 1(29). Pp. 192-198 (in Russian).
5. Bulatov Yu.N., Kryukov A.V., Chan Zyuj Hyng. Setevye klastery v sistemah 'elektrosnabzheniya zheleznyh dorog [Network clusters in railway power supply systems]. Irkutsk, 2015. 205 p. (in Russian).
6. Bulatov Yu.N., Popik V.A. Reshenie optimizacionnyh zadach 'elektro'energetiki s pomosch'yu adaptivnogo geneticheskogo algoritma [The solution of optimization tasks of electric power using adaptive genetic algorithm] // Trudy Bratskogo gosudarstvennogo universiteta. Ser.: Estestvennye i inzhenernye nauki - razvitiju regionov Sibiri = Proceedings of the Bratsk State University. Series: Natural sciences and engineering - to the development of Siberia. 2012. Vol. 2. Pp. 94-99 (in Russian).
7. Dunaev M.P., Kucyj N.N., Luk'yanov N.D. Parametricheskaya optimizaciya sistemy uprav-leniya nasosnoj stanciej s pomoshch'yu geneticheskogo algoritma [Parametric Optimization of Control Systems Pumping Station by the Genetic Algorithms] // Nauka i obrazovanie = Science and Education. Bauman MSTU. 2014. №. 8. Pp. 194-205. DOI: 10.7463/0514.0721172 (in Russian).
8. Eremeev A.V. Razrabotka i analiz geneticheskih i gibridnyh algoritmov dlya resheniya zadach diskretnoj optimizacii [Development and analysis of genetic and hybrid algorithms for solving problems of discrete optimization] / The abstract of the thesis on competition of an academic degree of the candidate of physical and mathematical sciences. Omsk, 2000. 16 p. (in Russian).
9. Koncepciya intellektual'noj 'elektro'energeticheskoj sistemy Rossii s aktivno-adaptivnoj set'yu / pod red.: Fortova V.E. i Makarova A.A. [The concept of intellectual power system of Russia with actively adaptive network]. M., 2012. 235 p. (in Russian).
10. Kucyj N.N., Luk'yanov N.D. Primenenie geneticheskogo algoritma dlya optimizacii avtomaticheskih sistem s PID-regulyatorom [Using genetic algorithm for optimization of automatic systems with pid control] // Vestnik IrGTU = Bulletin ISTU. 2012. № 6 (65). Pp. 610 (in Russian).
11. Prihod'ko M.A., Ignat'ev I.V., Bulatov Yu.N. Optimizaciya ko'efficientov regulirovaniya sistemy ARChM s pomosch'yu metoda Neldera-Mida [Optimization of the coefficients of the control system ARFP using the method of Nelder-Mead] // Trudy Bratskogo gosudarstvennogo universiteta. Ser.: Estestvennye i inzhenernye nauki - razvitiju regionov Sibiri = Proceedings of the Bratsk State University. Series: Natural sciences and engineering -to the development of Siberia. 2010. Vol. 1. P. 25-32 (in Russian).
12. Raskin E.M., Denisova L.A., Meshcheryakov V.A. Avtomatizaciya proektirovaniya sistemy regulirovaniya s ispol'zovaniem geneticheskogo algoritma optimizacii [Automation of design of a control system using a genetic optimization algorithm] // Promyshlennye ASU i kontrollery = Industrial ASC and controllers. 2012. № 7. Pp. 8-14 (in Russian).
13. Rassel S., Norvig P. Iskusstvennyj intellekt. Sovremennyj podhod [Artificial intelligence. Modern approach.]. M.: Williams, 2007. 1410 p. (in Russian).
14. Repin A.I., Sabanin V.R., Smirnov N.I. Algoritm optimal'noj nastrojki real'nyh PID regulyatorov na zadannyj zapas ustojchivosti [The algorithm for optimal settings of the real PID controllers for a given stability margin] // Avtomatizaciа i IT v jenergetike = Automation and IT in power engineering. 2010. № 4(9). Pp. 7-12 (in Russian).
15. Sabanin V.R., Smirnov N.I, Repin A.I. Modificirovannyj geneticheskij algoritm dlya zadach optimizacii v upravlenii [Modified genetic algorithm for optimal control problems] // Exponenta Pro. 2004. № 3-4 (7-8). Pp. 78-85 (in Russian).
16. Sorokin D.V. Vybor nastroek ARV generatorov slozhnoj 'energosistemy na osnove primeneniya geneticheskogo algoritma i metodov modal'nogo analiza [The choice of settings ARE generators complex power system on the basis of application of genetic algorithm and modal analysis methods] / The abstract of the thesis on competition of an academic degree of Candidate of Technical Sciences. Sankt-Petersburg, 2009. 24 p. (in Russian).
17. Tarasov V.B. Agenty, mnogoagentnye sistemy, virtual'nye soobschestva: strategicheskoe napravlenie v informatike i iskusstvennom intellekte [Agents, multi-agent systems, virtual communities: strategic direction in computer science and artificial intelligence ] // Novosti iskusstvennogo intellekta = News of artificial intelligence. 1998. №2. Pp. 5-63 (in Russian).
18. Truhanov K.A., Popov D.N. Vybor optimal'nyh parametrov gidroprivoda ventilyatora dlya sistemy ohlazhdeniya dvigatelya transportnogo sredstva [Selection of the optimum parameters for the hydraulic drive of a fan of the vehicle's engine cooling system] // Nauka i obrazovanie = Science and Education. Bauman MSTU. 2013. № 7. Pp. 91-100. DOI: 10.7463/0713.0590873 (in Russian).
19. Ayman A.A. PID Parameters Optimization Using Genetic Algorithm Technique for Electrohydraulic Servo Control System // Intelligent Control and Automation. 2011. № 2. pp. 69-76. DOI: 10.4236/ica.2011.22008
20. Bellifemine F.L., Caire G., Greenwood D. Developing Multi-Agent Systems with JADE: Wiley, 2007.
21. Chen Y., Ma Y., Yun W. Application of Improved Genetic Algorithm in PID Controller Parameters Optimization // Telkomnika. 2013. Vol. 11, № 3. Pp. 1524-1530. Available at: http://www.iaesjournal.com/online/index.php/TELKOMNIKA/article/viewFile/2301/pdf, accessed 31.03.2016.
22. Goldberg D.E. Genetic algorithm in search, optimization and machine learning. Reading, MA: Addison-Wesley. 1989.
23. Goldberg D.E. Simple genetic algorithms and the minimal deceptive problem. Genetic Algorithms and Simulated Annealing. Chapter 6. Los Altos, CA, Morgan Kauffman. 1987. Pp. 74-88.
24. Holland J.H. Adaptation in Natural and Artificial Systems. Cambridge, MA: MIT Press. Second edition (1992). (First edition, University of Michigan Press, 1975).
25. Jaen-Cuellar A.Y., Romero-Troncoso R.de J., Morales-Velazquez L., Osornio-Rios R.A. PIDController Tuning Optimization with Genetic Algorithms in Servo Systems // International Journal of Advanced Robotic Systems. 2013. Vol. 10. pp. 324. DOI: 10.5772/56697
26. Saad M.S., Jamaluddin H., Darus I.Z.M. Implementations of PID-controller tuning using differential evolution and genetic algorithm // International Journal of Innovate Computing, Information and Control. 2012. Vol. 8, № 11. Pp. 7761-7779. Available at: http://www.ijicic.org/ijicic-11-07073.pdf, accessed 31.03.2016.
27. Slavov T., Roeva O. Application of Genetic Algorithm to Tuning a PID Controller for Glucose Concentration Control // Electronic journal: WSEAS Transactions on Systems. 2012. Vol. 11, №7. Pp. 223-233. Available at: http://www.wseas.org/ multimedia/journals/systems/2012/55-286.pdf, accessed 31.03.2016.
28. Wooldridge M.J. An Introduction to MultiAgent Systems: Wiley, 2009.
29. Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. SpringerVerlag Berlin and Heidelberg, 1996, 387 p.
