Escolar Documentos
Profissional Documentos
Cultura Documentos
Algoritmos Genticos
3.1
Introduccin
Existen diversas tcnicas de optimizacin que han sido desarrolladas para buscar la
optimalidad de una funcin. Sin embargo, se conoce una gran variedad de problemas que
no se pueden solucionar de manera exacta debido a su complejidad. El tiempo de ejecucin
de cualquier algoritmo preciso para la solucin de estos problemas depende del tipo de
problema, llegando a tener un tiempo de solucin exponencial en algunos casos. Los
mtodos convencionales que ut ilizan el conocimiento del problema reducen la complejidad
del mismo para algunos casos particulares utilizando herramientas heursticas. El
conocimiento del problema mejora en parte el proceso de su ejecucin, pero la complejidad
del problema mismo es fija por lo que los esfuerzos son an insuficientes y la solucin que
se logra no es precisa. Por consiguiente, se requieren de otras tcnicas que brinden mejores
resultados para solucionar problemas de gran complejidad. Los mtodos evolutivos
constituyen uno de estos mtodos usados para la bsqueda de las soluciones ptimas
mediante algn proceso de bsqueda aleatoria. Una caracterstica relevante de los mtodos
evolutivos es que buscan soluciones sin tener conocimiento previo del problema. Los
mtodos evolutivos tambin son conocidos como mtodos heursticos y tienen como
ventaja el reducir los inconvenientes que se presentan al usar las tcnicas convencionales de
optimizacin debido a que utilizan un espacio de bsqueda generado aleatoriamente.
En este trabajo se analiza y se aplica el algoritmo gentico como un mtodo evolutivo
para resolver el problema de la coordinacin de estabilizadores y el mejoramiento de la
seguridad en los sistemas de potencia.
54
55
3.2
b)
c)
d)
e)
3.2.1
1)
2)
3)
Una funcin de evaluacin que juegue el papel del ambiente, clasificando las
soluciones en trminos de su aptitud.
4)
5)
Valores para los diferentes parmetros que utiliza el algoritmo gentico (tamao
de la poblacin, probabilidad de cruza, probabilidad de mutacin, nmero
mximo de generaciones, etc.).
57
Cada individuo o cromosoma se forma por una secuencia de genes. Existen muchas
formas de estructurar un cromosoma dependiendo del problema a resolver, entre las que se
encuentran: los dgitos binarios (0, 1); nmeros de punto flotante; enteros; smbolos (A, B,
C, D); matrices; etc. El alfabeto original desarrollado y usado por Holland fue el alfabeto de
dgitos binarios [10]. Posteriormente, al evolucionar el algoritmo gentico se encontr que
una representacin til de un individuo o cromosoma para funciones de optimizacin
involucra genes o variables de un alfabeto de nmeros de punto flotante con valores de
variables acotados superior e inferiormente.
Michalewicz [10] ha concluido de sus numerosos experimentos comparando
algoritmos genticos con representacin en valores reales y binarios, que los algoritmos con
valores reales son ms eficientes en trminos de tiempo de simulacin en una computadora;
adems, que el uso de este tipo de representaciones ofrece resultados ms precisos y ms
consistentes [12]. En este trabajo se usa la representacin en valores reales.
3.2.2
3.2.3
Funcin de Seleccin
La seleccin por rango. En este proceso son eliminados todos los cromosomas
que tienen una aptitud menor a un valor deseado.
b)
c)
Seleccin por torneo. Mediante esta tcnica, se organizan torneos entre los
individuos donde gana el cromosoma con la aptitud ms alta entre todos los
participantes y ste se transmite directamente a la siguiente generacin.
d)
e)
59
a)
3.2.4
e (c k )
(3.1)
k =0
b)
c)
d)
El individuo que haga que esta suma exceda el lmite, es el que se selecciona
para retransmitirse a la siguiente generacin.
Operadores genticos
A pesar de las ventajas que ofrecen la aplicacin de los operadores del algoritmo
gentico, como la representacin o los operadores de seleccin y muestreo, hay otros
60
factores que afectan el desempeo del algoritmo gentico de manera significativa; entre
estos factores se encuentran:
i)
ii)
La probabilidad de recombinacin.
iii)
La probabilidad de mutacin.
Sin embargo, no existe una teora general que se aplique para la seleccin ptima de
los valores de estos parmetros. El conocimiento desarrollado en esta rea es totalmente
heurstico; los valores se proponen basndose en la experiencia desarrollada en el manejo
del algoritmo gentico y del conocimiento del problema especfico. En [10], Michalewicz
comenta en referencia a esta problemtica que: parece que la bsqueda de buenos valores
para los parmetros del algoritmo gentico es ms arte que ciencia. Los parmetros
influyen en el proceso del algoritmo gentico como se describe a continuacin.
i)
El tamao de la poblacin
61
iii)
No
el criterio de seleccin
es encontrado?
Si
Salida de resultados
62
3.2.6
Economa.
Ecologa.
Prediccin.
Esta lista no es completa pero da una idea de las clases de problemas en que son
aplicados los algoritmos genticos tanto para solucionar un problema como para ser
aplicado en un contexto cientfico. Motivados por el xito del algoritmo gentico en stas y
en otras reas, este mtodo ha tenido un crecimiento importante en los ltimos aos en
diversas disciplinas.
3.2.7
63
3.2.8
1)
2)
3)
4)
5)
2)
3)
Seleccin y muestreo
4)
Operadores genticos
64
El nmero de bits obtenidos indica la longitud del gen. La solucin del problema se
encuentra analizando todo el espacio de bsqueda, enfocndose en una regin con
resultados satisfactorios.
Inicializacin, evaluacin y criterio de terminacin. En este paso, se crea una
poblacin inicial, distribuyendo uniformemente a los individuos sobre el espacio de
bsqueda. (Si se tiene conocimiento de la estructura del espacio de la bsqueda, resulta
muy til inicializar la primera poblacin dentro de una regin con valores satisfactorios).
Para la evaluacin, considerando que la aptitud siempre se calcula mediante el fenotipo, se
requiere la transformacin del genotipo. La funcin utilizada es,
f (i (c1 )) f (i ( c 2 ))
(3.4)
(3.5)
Genotipo
Fenotipo
0.8678
1.7356
0.8543
1.846426
12
1.8768
2.250367
18 33
1.8544
2.836877
34
1.851505
2.849436
35 39
1.851503
2.849438
El mejor
valor
1.8496
2.8494
65
eval( ci )
(3.6)
eval( c k )
k =1
F E N O T I P O
1.5
0.5
-0.5
-1
-1
-0.5
0.5
G
1
I
1.5
66
A p t i t u d
vs.
G e n e r a c i n
2.8
A P T I T U D
2.6
2.4
2.2
1.8
1.6
0
10
15
G
20
E
25
R
30
35
N
40
45
50
Genotipo
Fenotipo
8.0217
20.1903
2- 3
8.0148
20.55138
4- 6
7.8002
24.27073
7.8077
24.42119
8- 9
7.832
24.74463
10 11
7.849
24.84576
12 - 15
7.85697
24.85531
16 - 24
7.85698
24.85536
El mejor valor
7.8570
24.8554
67
f(x) = 5 +
25
El mejor valor
20
f(x) = F E N O T I P O
15
10
-5
-10
-15
-20
0
x = G E N O T I P O
24.5
24
APTITUD
23.5
23
22.5
22
21.5
21
20.5
20
0
10
15
20
25
G E N E R A C I O N E S
De los resultados mostrados en la Tabla 3.2 y como se puede observar en la Fig. 3.6,
un valor aceptable de la aptitud se obtiene a partir de la generacin 12. Sin embargo, aqu
68
se considera que un mejor valor puede tenerse a partir de la generacin 16. Como se
mencion anteriormente, el criterio para terminacin del proceso depende entonces del
usuario y de la precisin que se desee obtener.
3.3
Manejo de restricciones.
i = 1, 2, . . ., n
3.3.1
2)
3)
4)
69
70
Otra tcnica no tan comn es la propuesta por Hajela y Lee [22]. Esta tcnica debe su
funcionamiento de manejo de restricciones a la manera natural de operar del sistema
inmunolgico. El enfoque utilizado es la separacin de todos los individuos factibles de los
no factibles en la poblacin. A los individuos factibles clasificados en un grupo se les llama
antgenos y a los no factibles se les conoce como anticuerpos. La manera de realizar lo
anterior es mediante el uso de una funcin sencilla de verificacin de patrones con lo cual
se calcula adems la similitud entre dos cromosomas (si se trabaja una codificacin binaria,
se realiza bit por bit o de manera general, gen por gen). De esta manera se co-evoluciona la
poblacin de anticuerpos hasta volverlos muy similares a la poblacin de antgenos. Una
vez que se llega a esa solucin, se combinan ambos grupos y se les evoluciona aplicando un
algoritmo gentico estndar sin considerar una funcin de penalizacin debido a que todos
los individuos ya se consideran factibles. A pesar de que con esta tcnica se tienen buenos
resultados, se tiene el inconveniente de que no se conoce an cual es el efecto, en trminos
de desempeo, de combinar diferentes proporciones de cada grupo de individuos; otro
inconveniente es que tampoco se sabe qu hacer cuando no se tienen individuos factibles en
la poblacin inicial.
La tcnica ms comn para el manejo de restricciones es la funcin de penalizacin; a
pesar de que se han propuesto varios enfoques para esta tcnica, la mayora conserva la idea
original: incrementar el valor de la funcin objetivo cuando una o ms restricciones son
violadas. A continuacin se describen algunas aportaciones presentadas en diversos
trabajos de investigacin basadas en la solucin de problemas con restricciones mediante la
tcnica de la penalizacin [8, 10, 13, 17, 19, 20].
Homaifar y colegas [23] presentaron una metodologa en donde se definen diferentes
niveles de violacin de las restricciones y se especifica un coeficiente de penalizacin para
cada nivel, de manera que la penalizacin se incrementa si el nivel de penalizacin es
mayor. La desventaja principal de este mtodo es que se requiere un nmero considerable
de parmetros de acuerdo a las restricciones; por ejemplo, para p restricciones se requieren
un total de p(2n + 1) parmetros, donde n es el nmero de niveles especificados en el
problema. Esto es, si se analiza un problema pequeo con 6 restricciones y 3 niveles de
penalizacin se requeriran 42 parmetros, lo que complica el problema.
Joines y Houck [24] propusieron una tcnica fundamentada en el uso de factores de
penalizaciones dinmicas, esto es, que cambian con el tiempo. La desventaja en esta tcnica
es que en la prctica, es difcil obtener una funcin de variacin de la penalizacin.
Michalewicz y Attia [25] basaron su mtodo en el algoritmo del templado simulado,
en este mtodo se modifican los coeficientes de penalizacin cada cierto nmero de
generaciones una vez que el algoritmo ha convergido a un ptimo local. Bsicamente, el
proceso funciona de la siguiente manera. En cada iteracin, el algoritmo considera
nicamente las restricciones violadas y la presin sobre las soluciones infactibles es
incrementada debido a los valores decrecientes de la temperatura del proceso. En esta
metodologa, la poblacin inicial es creada con las copias de un mismo individuo que
satisface todas las restricciones lineales. La temperatura es disminuida en cada iteracin del
proceso para crear una nueva poblacin basada en la mejor solucin encontrada en el paso
71
3.3.2
i = 1, 2, . . ., n
(3.8)
i =1
72
Algunas de las tcnicas propuestas que usan una func in de penalizacin para la
solucin de problemas con restricciones se dividen en:
1)
2)
3)
4)
5)
6)
Penalizacin esttica.
Penalizacin dinmica.
Penalizacin usando el recocido simulado.
Penalizacin adaptiva.
Algoritmo gentico segregado.
Pena de muerte.
Aptitud = f i(z) +
k m , j hi (z )
(3.9)
j =1
73
3.4
75
o en forma compacta
BG x U
+
u
Y v 0
~
~
~
x& = A ~x + U u~
(3.10)
(3.11)
(3.12)
(3.13)
(i 2 ) = wTi Evi
(3.14)
3.4.2
=0
Funcin objetivo
76
Re { j _ k }
K
min
(3.16)
k =1 jZ
La perturbacin de los valores propios puede ser representada como una perturbacin
de segundo orden, esto es, j _ k = (j1_)k + (j2_)k , y Z = { j _ k de inters en la k-sima
condicin de operacin}. Esto es, el objetivo es minimizar la parte real de la sensitividad de
los modos de inters a travs de los mejores parmetros de los estabilizadores,
considerando diferentes condiciones de operacin. Por lo tanto, resolviendo la ecuacin
(3.16) se pueden obtener los parmetros de los estabilizadores capaces de incrementar el
amortiguamiento de los modos de inters.
En este trabajo, la matriz de perturbacin E de las ecs. (3.13)-(3.14) se calcula
cambiando los parmetros de los estabilizadores a partir de un conjunto de parmetros
tpicos. Los estabilizadores incluyen PSS actuando en los generadores sncronos y los FDS
actuando a travs de dispositivos FACTS. Los estabilizadores que se consideran aqu tienen
la relacin convencional de entrada/salida:
y ( s)
skT 1 + sT1 1 + sT3
=
u (s ) 1 + sT 1 + sT2 1 + sT4
(3.17)
que consiste de filtros lineales conectados en cascada. El primer trmino representa un filtro
washout que sirve para eliminar seales a la salida del estabilizador del sistema de potencia
el cual modificar el voltaje en terminales del generador. Esencialmente el washout acta
como un filtro pasa-alta y debe dejar pasar todas las frecuencias que son de inters. El
segundo trmino es un compensador dinmico con el filtro washout y es usado para
mejorar el atraso de fase a travs del sistema.
Sin prdida de generalidad, se consideran en las simulaciones que T1 = T3 y T2 = T4
para simplificar el anlisis. Para cada estabilizador, se estimarn nicamente T1 y K, debido
a que T y T2 se seleccionan previamente. T toma valores entre 7.5 - 15 s, y se elige para
asegurar un cambio de fase despreciable para las frecuencias de oscilacin de inters. T2
toma valores entre 0.020-0.10 s, y se elige considerando una realizacin fsica [41]. Por lo
tanto, para N estabilizadores, se estimarn 2N parmetros (N constantes de tiempo T1 , y N
ganancias K).
Es importante enfatizar que con ste procedimiento se obtienen los parmetros con
los que se construyen estabilizadores robustos, capaces de operar satisfactoriamente sobre
un amplio rango de condiciones de operacin del sistema. Para el problema abordado,
robustez implica que los controles tengan un buen desempeo, en presencia de pequeas
perturbaciones como variaciones en las cargas, y ante grandes perturbaciones como salidas
de lneas de transmisin o corto circuito. La Fig. 3.7 describe el algoritmo desarrollado
aplicando la metodologa propuesta.
77
F=0
Condicin de operacin
Construir la matriz de estado aumentada
usando los parmetros tpicos de los PSSs
y del FDSs, ec (4.21)
Seleccionar Z = (Modos de inters)
Conjunto de parmetros T2 i & T i
Genera una poblacin de parmetros
[K1 T1_1; K 2 T1_2 ; . . .; KN T1_N ]
N = Nmero de estabilizadores, se
considera como lmites:
K j_min Kj Kj_max
T1j_min T1 j T1j_max
Otros
puntos de
operacin
si
no
F min
no
si
Fin
Mutacin
Cruzamiento
........
Figura3.7. Diagrama de flujo del mtodo propuesto
78
3.5
79
(3.18)
Este sistema presenta dos modos electromecnicos de inters para las condiciones
nominales de operacin (caso base) {-0.358 j6.147, -0.924 j6.101}, cuyo
amortiguamiento se desea incrementar a travs de la accin coordinada de los 13
estabilizadores instalados en los generadores {1, 2, 3, 6, 15, 19, 24, 32, 33, 35, 36, 38 y
39}, un estabilizador TCSC y un UPFC. Estos modos incluyen interacciones entre los
generadores en las regiones sur y este del sistema. Las seales de retroalimentacin
empleadas son las siguientes: la velocidad para los estabilizadores de sistemas de potencia,
el flujo de potencia activa de la lnea para los estabilizadores FACTS.
3.5.2
Caso base
3.5.3
Bsqueda de robustez
3.5.4
upfc
pss
[0.02, 0.075],
(3.19)
Simulaciones
80
Tabla 3.3
Parmetros de los estabilizadores (PSS y FACTS).
Estabilizador
k
T T1 = T3 T2 = T4
PSS1
0.077405 7.5 0.021781 0.015
PSS2
0.047769 7.5 0.021298 0.015
PSS3
0.027402 7.5 0.020000 0.015
PSS6
0.127127 7.5 0.027765 0.015
PSS15
0.080810 7.5 0.028804 0.015
PSS19
0.030692 7.5 0.020250 0.015
PSS24
0.171992 7.5 0.071712 0.015
PSS32
0.034948 7.5 0.052270 0.015
PSS33
0.054614 7.5 0.034987 0.015
PSS35
0.159305 7.5 0.021847 0.015
PSS36
0.129505 7.5 0.062312 0.015
PSS38
0.089906 7.5 0.074670 0.015
PSS39
0.100982 7.5 0.020981 0.015
FDSupfc
0.077266 7.5 0.039642 0.040
FDStcsc
0.000594 7.5 0.064887 0.040
81
82
83
3.5.5
Discusin de resultados
84
85
86
Datos
x inicial
xnueva
Nuevas
condiciones de
operacin?
no
xant
Rutina de
Minimizacin
si
Evala la
representacin
dinmica
linealizada
Satisface el criterio?
x& = Ax + Bu
no
si
fin
Calcula
de
x& =laASensitividad
x + B u
segundo
orden de los
valores propios de inters
= (1j) + (2j )
jZ
f(x) = f(x) + Re ()
i - j ij _mx
si
i, j de inters
penalizacin (x ) = 0
no
penalizacin (x ) > 0
f (x ) si (x) es factible
eval (x) =
f (x ) + penalizacin (x) de otra manera
Figura 3.15. Diagrama de flujo del mtodo propuesto incluyendo restricciones angulares.
87
3.7
Resumen
Referencias
[1]
[2]
Friedberg, R., A learning machine I. IBM Journal of Research and Development, Vol.
2, No. 1, 1958.
[3]
88
[4]
Bremermann, H. J., Optimization through evolution and recombination. In Selforganizing systems, M. C. Yovits, G. T. Jacobi, and G. D. Goldstein, Eds. Spartan Books,
Washington, D. C., Pp. 93-106, 1962.
[5]
[6]
[7]
[8]
M. Gen and R. Cheng, Genetic Algorithms & Engineering Design. John Wiley & Sons,
Inc. 1997.
[9]
[10]
[11]
[12]
Christopher R. Houck, Jeffery, A. Joines and Michael G. Kay A Genetic Algorithm for
Function Optimization: A Matlab Implementation Report. North Carolina State
University, Pp. 1-14.
[13]
[14]
[15]
Richard Y. K. Fung, Jiafa Tang and Dingwei Wang, Extension of a Hybrid Genetic
Algorithm for nonlinear programming problems with equality and inequality constraints.
Computers & Operations Research, Vol. 29, Pp. 261-274, 2002.
[16]
Chen Zhong and Fei Pusheng, A Parallel Algorithm for Constrained Optimization
Problems. Journal of Computational and Applied Mathematics, Vol. 61, Pp. 225-230,
1995.
[17]
89
[18]
[19]
Carlos A., Coello Coello, Use of Self-Adaptive Penalty Approach for Engineering
Optimization Problems. Computer in Industry, Vol. 41, No. 2, Pp.113-117, Jan., 2000.
[20]
Carlos A., Coello Coello, Treating Constraints as Objective for Single -Objective
Evolutionary Optimization. Engineering Optimization, Vol. 32, No. 3, Pp.275-308, Feb.
2000.
[21]
[22]
P. Hajela and J. Lee., Constrained Genetic Search via Schema Adaptation. An Immune
Network Solution. Proceedings of the First World Congress of Structural asnd
Multidisciplinary Optimization, Germany, Pp. 915-920, 1995.
[23]
[24]
[25]
[26]
Hojjat Adeli and Nai-Tsang Cheng, Augmented Lagrangian Genetic Algorithm for
Structural Optimization. Journal of Aerospace Engineering, Vol. 7, No. 1, Pp. 104-118,
January, 1994.
[27]
[28]
James C. Bean, Genetic and Random Keys for Sequencing and Optimization. ORSA
Journal on Computing, Vol. 6, No. 2, Pp.154-160, 1994.
[29]
[30]
90
[31]
[32]
[33]
[34]
[35]
[36]
[37]
Syed A. Nassar and F. C. Trutt, Electric Power Systems. CRC Press LLC, 1998.
[38]
S. Kundur, Prabha, Power System Stability And Control. Mc Graw-Hill, Inc, 1994.
[39]
[40]
Coleman, T. F. and Y. Li, On the Convergence of Reflective Newton Methods for LargeScale Nonlinear Minimization Subject to Bounds. Mathematical Programming, Vol. 67,
No. 2, Pp. 189-224, 1994.
[41]
91