République Algerienne Démocratique et Populaire Ministère de l’Enseignement Superieur et de la Recherche Scientifique université des sciences et de la technologie d’Oran Mohamed Boudiaf USTO-MB Faculté de Génie Electrique Laboratoire d’Optimisation des Réseaux Electriques LORE Thèse présentée en vue d’obtenir le Diplôme de Doctorat Es Science, spécialité « Electrotechnique », option « Réseaux Electriques » par BENYAHIA Mohammed Approche Neuro-Génétique pour le problème du Dispatching économique Environnemental Thèse soutenue le 03 Juillet 2012 devant le jury composé de : MR MR MR MR Melle MR T. Bouthiba M. Rahli A. Zeblah A. Chaker L. Benasla L. Abdelmalek Professeur, USTO-MB Professeur, USTO-MB Professeur, U. Sidi Belabbes Professeur, ENSET Oran MCA USTO-MB MCA ENSET Oran (PRESIDENT) (ENCADREUR) (EXAMINATEUR) (EXAMINATEUR) (EXAMINATEUR) (EXAMINATEUR) :T}® TAW ¨klhts ºARC w¡ Ty¶Arhk TkbK ©rysm rb± AK¯ CAbt¯ y` @± ®htF¯ ¤ At³ y E wt ^f ¤ ¤ ¨ ¨ .®tF¯ §CAO ylqt ©r Th ¤ Th Td Tyw AwbO` AkbJ ¤ Tyny AyEC w y A A rtq ­r@m £d¡ .­wrm wl A§ TrF Pylq ¤ (TybO` A§® ) T A` ynqt .Tflt Ty¶Arh AkbJ ¨l m Tynqt £d¡ Tr EA Tym d d ¤ Ty¶Arhk TAW At³ ©C¤rS ww m ¨ Tlmtm ¶ w` ym CAbt¯ y` @± w ¨ T`bnm TAs rV Ttnm ­Cdql Y ± ¤ YO± d ,TAWtF¯ Ty zy ¨ ©r A ¶At TCAq TyRr d Ahyl Otm ¶Atn .­d¤ .Am Hf AkbJ ,Tyny AyEC w ,TAWtF® ± A§rF :T}A Aml AkbJ ¤ Tyny AyEC w y A A ,dlyfw¡ wm AwbO` (TybO` A§®) AwbO` Résumè Le souci majeur de l'exploitation du réseau électrique est de satisfaire la demande en tout temps et de maintenir l'équilibre entre la production et la consommation en conservant la qualité de service d'une part et d'autre part minimiser les frais d'exploitation. Dans cette thése nous suggérons une hybridation entre les algorithmes génétiques et les réseaux de neurones pour accélérer la convergence ver la solution optimale. La simulation a étè réalisé sur des réseaux électriques pour minimiser la fonction coût du combustible nécessaire à la production de l'énergie électrique et les émissions des gaz toxiques, bien sur sous les contraintes de type égalité représentées par l'équation du bilan et de type inégalité représentées par les valeurs minimales et maximales des puissances générées. Les résultats sont trés concluants par rapport aux résultats récents des chercheurs dans le même domaine. Mots clés : Ecoulement de puissance, Les algorithmes génétiques, Réseaux de neurones, réseau de Hopeld, hybridation d'algorithmes génétiques et les réseaux de neurones (Hopeld). Remerciements Je tiens à exprimer, en premier lieu mes vifs remerciements et profonde gratitude à mon encadreur le Professeur M. RAHLI qui m’a assisté, suivi de prés et aidé avec beaucoup d’attention et d’abnégations et n’a ménagé aucun effort pour me prêter main forte par le biais de ses conseils. Je remercie monsieur le Professeur T. BOUTHIBA, d’avoir accepté de nous faire profiter de ses compétences pour évaluer ce travail et d’avoir bien voulu me faire l’honneur d’accepter la présidence du jury. Je suis très honoré de la présence de Monsieur A. ZEBLAH Professeur à l’université de Sidi Belabbes. Je le remercie vivement pour avoir accepté d’examiner et critiquer mon travail. Je tiens à remercier particulièrement Monsieur A. CHAKER Professeur à l’ ENSET d’Oran pour sa participation à l’évaluation de ce travail. Qu’il trouve ici l’expression de ma profonde gratitude. Mes remerciements et ma reconnaissance iront également à Mademoiselle L. BENASLA maitre de conférence à l’USTO-MB qui a bien voulu me faire l’honneur de participer à l’évaluation de ce travail, qu’elle trouve ici l’expression de ma profonde gratitude. Je remercie monsieur L. ABDELMALEK maitre de conférence à l’ENSET d’Oran qui a accepté de nous faire profiter de ses compétences pour évaluer ce travail, qu’il trouve ici l’expression de ma profonde gratitude. Mes remerciements et ma reconnaissance iront également à tout les membres du laboratoire LORE pour leur soutien scientifique et moral. Mes remerciements vont également à tous ceux qui m’ont aidé et encouragé durant la réalisation de cette thèse, et Allah sait qu’ils sont nombreux qu’ils trouvent ici l’expression de mes remerciements les plus sincères. Je voudrais remercier ma famille qui, depuis de si longues années, m’a encouragé et soutenu dans la poursuite de mes études. iii Table des matières Table des matières iv Nomenclature vii Liste des figures x Liste des tableaux xi Préface 1 1 Calcul de l’écoulement de puissance 4 5 5 5 5 6 6 Modélisation des éléments du réseau électrique Turbo générateur . . . . . . . . . . . . . . . . . . Charge électrique . . . . . . . . . . . . . . . . . . Ligne de transport . . . . . . . . . . . . . . . . . Transformateur électrique . . . . . . . . . . . . . 1.2 Calcul de l’écoulement de puissance . . . . . . . 1.3 Formulation mathématique de l’écoulement de sance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4 Méthodes de résolution . . . . . . . . . . . . . . . . 1.4.1 Méthode de Gauss-Seidel . . . . . . . . . . . . . 1.4.2 Méthode de Newton Raphson . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1 1.1.1 1.1.2 1.1.3 1.1.4 . . . . . . . . . . . . . . . . . . . . . . . . puis. . . . . . . . . . . . . . . . . . . . 2 Méthode d’optimisation Formulation mathématique d’un problème d’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Définitions Générales [15] . . . . . . . . . . . . . . . . . 2.1.2 Les contraintes . . . . . . . . . . . . . . . . . . . . . . . 2.1.3 Méthodes de pénalité . . . . . . . . . . . . . . . . . . . . 2.2 Classification des problèmes d’optimisations . . . . . . 2.3 L’ordre d’une méthode de résolution . . . . . . . . . . . 2.4 Méthode d’optimisation . . . . . . . . . . . . . . . . . . . 2.4.1 Méthode d’optimisation déterministe . . . . . . . . . . . 2.4.2 Méthodes d’Optimisation Stochastiques . . . . . . . . . . 2.4.3 Méthodes évolutionniste . . . . . . . . . . . . . . . . . . 2.5 Optimisation multi-objectif . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 8 9 10 13 15 2.1 3 Approche Neuro-Génétique 3.1 Définition des méthodes hybrides . . . . . . . . . . . . . . 3.1.1 Les méthodes exactes . . . . . . . . . . . . . . . . . . . . 15 16 16 17 18 18 19 19 19 20 21 21 23 23 24 iv 3.1.2 3.2 3.3 3.4 Les méthodes approchées . . . . . . . . . . . . . . . . . Approche hybride Neuro-génétique . . . . . . . . Les algorithmes génétiques . . . . . . . . . . . . . 3.3.1 Analogie avec l’évolution naturelle . . . . . . . 3.3.2 Principe de base d’un Algorithme Génétique . . Les réseaux de neurones . . . . . . . . . . . . . . . 3.4.1 Le neurone biologique . . . . . . . . . . . . . . 3.4.2 Le neurone formel (artificiel) . . . . . . . . . . . 3.4.3 Modélisation d’un neurone formel . . . . . . . 3.4.4 Architecture des réseaux de neurones . . . . . . 3.4.5 Modèles des réseaux de neurones . . . . . . . . 3.4.6 Mise en œuvre des réseaux de neurones . . . . 3.4.7 Algorithmes d’apprentissage supervisée . . . . 3.4.8 Algorithmes d’apprentissage non supervisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.9 Les réseaux de neurones associés à l’optimisation . 3.4.10 Les neurones formels utilisés pour l’optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.11 Architectures de réseaux de neurones pour l’optimisation 3.4.12 Fonction d’énergie pour l’optimisation . . . . . . . . . . 3.4.13 Les réseaux de neurones récurrents (Modèle de Hopfield) Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Modélisation du dispatching économique environnemental . . . . 4.2.3 Modèle mathématique du Dispatching Environnemental . 4.3 Dispatching Economique Environnemental (DEE) . . . . 4.4 Implémentation des Algorithmes Génétiques . . . . . . 4.4.1 Mécanisme de fonctionnement . . . . . . . . . . . . . . . 4.5 Implémentation des réseaux de neurones (Hopfield) . . 4.5.1 Algorithme de fonctionnement . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 4.2 Dispatching Economique . . . . . . . . . . . . . . . . . Dispatching Environnemental . . . . . . . . . . . . . . 4.2.1 Energie électrique et les Gaz à effet de sére (GES) . . 4.2.2 Les mesures techniques . . . . . . . . . . . . . . . . . . . . 5 Simulation et résultats L’étude du Dispatching Economique (DE) . . . . . . . . . L’étude du Dispatching Economique Environnemental 5.2.1 Réseau a trois générateurs . . . . . . . . . . . . . . . . . 5.2.2 Réseau de 30 nœuds . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1 5.2 24 24 25 25 26 30 30 31 32 33 35 36 37 39 39 40 40 40 41 42 44 44 46 47 48 48 49 50 51 51 53 54 56 56 61 61 66 86 Conclusion générale 87 A Annexes 89 A.1 Les puissances générées optimales du réseau de 13 générateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.2 Les valeurs des impédances et des admittances shunts des lignes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.3 Les valeurs planifiées des tensions et des puissances . 90 91 92 v A.4 Les valeurs des tensions nodales de la dernière itération . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.5 Les valeurs des puissances transmises . . . . . . . . . . . Bibliographie 93 94 95 vi Nomenclature Pgi Puissance électrique active générée de la centrale i Ikm Courant entre deux nœuds dans un réseau électrique. sh Ikm Courant dans l’admittance shunt. ysh km L’admittance shunt dans un réseau électrique. Ik Courant dans un nœud du réseau électrique. Qk Puissance réactive au niveau de nœud k. Pk Puissance active au niveau de nœud k Uk Tension au niveau d’un nœud du réseau électrique. Zkm L’impédance dune ligne de transport dans un réseau électrique. charge L’admittance d’une charge connecter dans un nœud du réseau électrique. Ik charge Courant dans une charge électrique. IkGen Courant générer par un générateur. sh gkm Conductibilité shunt. bkm Susceptance. rkm Résistance en série d’une ligne de transport xkm Réactance en série d’une ligne de transport. gkm Conductibilité. Ek Tension au niveau d’un nœud du réseau électrique f (x) Fonction à optimiser. yk vii g( x ) Contraintes de type inégalité h( x ) Contraintes de type égalité. ṕ Nombre de contrainte de type égalité. q́ Nombre de contrainte de type inégalité. ng Nombre de variable. v Voisinage d’une solution du problème. x∗ Minimum global de la fonction f . ∇F Le gradient de la fonction objectif. p( x, r k ) Fonction de pénalité ou de barrière. rk Facteur de pénalité. Pj Probabilité de sélection de l’individu j. Pc Probabilité de croisement Pm Probabilité de mutation. wij Poids synaptiques qui relie le neurone i avec le neurone j. y( p) Sortie du neurone à l’itération p. δwij L’écart entre les poids synaptiques ek ( p ) L’erreur calculée pour le neurone k a l’itération p. δk ( p) Gradient d’erreur pour le neurone k. Λ j ( p) Voisinage du neurone j. Vi Potentiel du neurone i (sortie du neurone). Ii Entrée relative à chaque neurone (biais). Ui Entrée du neurone i. viii Eenergy Fonction d’énergie de Hopfield φ Fonction d’activation ou de transfère. PL Les pertes électriques actives. Pg Vecteur des puissances actives générées. Pgmax , Pgmin Valeurs limites des puissances générées. ki Constant complexe de proportionnalité αi , β i etγi Les coefficients des émissions. rkm La partie réel des élements de la matrice des impédance nodales. Pd Puissance désirée. n pop Taille de la population initiale. Lchrom Longueur du chromosome. n parm Nombre des paramètres constituant le chromosome. Fi Fonction du coût de la production de l’unité i. F Fonction du coût totale de la production. Ei Fonction de la quantité des émissions des gaz de l’unité i. Fp Facteur d’émission. E Fonction de la quantité totale d’émission des gaz. ψ Fonction globale du dispatching économique environnemental. ix Liste des figures 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Représentation schématique d’un générateur. . . . . Représentation schématique d’une charge. . . . . . Modèle d’une ligne en π. . . . . . . . . . . . . . . . Modèle du trasformateur. . . . . . . . . . . . . . . . Schéma général d’un réseau électrique . . . . . . . . Organigramme de la méthode de Gauss-Seidel. . . Organigramme de la méthode de Newton Raphson. . . . . . . . 5 5 6 6 7 10 12 2.1 2.2 2.3 2.4 Les différents optimum. . . . . . . . . . . . . . . . . . . . . . Principales méthodes déterministes Multidimensionnelles. . Principales méthodes stochastiques . . . . . . . . . . . . . . . Le principe de fonctionnement d’un algorithme évolutionniste. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 19 20 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 L’Algorithme Génétique. . . . . . . . . . . . . . . . . . . . . . La selection, (a) : Population initiale. (b) : Individus sélectionnés. Croisement dans un seul point. . . . . . . . . . . . . . . . . . mutation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le neurone biologique. . . . . . . . . . . . . . . . . . . . . . . Le neurone formel. . . . . . . . . . . . . . . . . . . . . . . . . Réseau de neurone non bouclé. . . . . . . . . . . . . . . . . . Réseau de neurone bouclé. . . . . . . . . . . . . . . . . . . . . Fonction linéaire. . . . . . . . . . . . . . . . . . . . . . . . . . Fonction sigmoïde. . . . . . . . . . . . . . . . . . . . . . . . . Réseau monocouche. . . . . . . . . . . . . . . . . . . . . . . . Réseau multicouche. . . . . . . . . . . . . . . . . . . . . . . . Le modèle du percéptron. . . . . . . . . . . . . . . . . . . . . Le modèle de Hopfield. . . . . . . . . . . . . . . . . . . . . . L’apprentissage non supervisé. . . . . . . . . . . . . . . . . . L’apprentissage supervisé. . . . . . . . . . . . . . . . . . . . . 26 28 29 29 30 31 31 32 33 33 34 34 35 36 37 37 4.1 4.2 4.3 4.4 4.5 4.6 Emission du CO2 . . . . . . . . . . . . . . . . Emission du NOx . . . . . . . . . . . . . . . . Emission du SO2 . . . . . . . . . . . . . . . . Diagramme d’une centrale au charbon. . . Organigramme de l’algorithme génétique. Organigramme du réseau Hopfield. . . . . . . . . . . 46 46 47 47 50 53 5.1 Variation du coût de production et les puissances Pch = 975MW . . . . . . . . . . . . . . . . . . . 58 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 x 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 5.11 5.12 5.13 5.14 5.15 5.16 5.17 5.18 5.19 5.20 5.21 5.22 5.23 5.24 5.25 5.26 5.27 5.28 5.29 5.30 5.31 5.32 5.33 5.34 Variation du coût de production et les puissances pour Pch = 1925MW . . . . . . . . . . . . . . . Variation du coût de production et les puissances Pch = 2575MW . . . . . . . . . . . . . . . . . . . Variation des puissances générées Pch = 400MW . . . . . . . Variation de coût total de production Pch = 400MW . . . . . Variation de la quantité d’émissions Pch = 400MW . . . . . Variation des puissances générées, coût total et les émissions Pch = 500MW . . . . . . . . . . . . . . . . . . . Variation des puissances générées, coût total et les émissions Pch = 700MW . . . . . . . . . . . . . . . . . . . Topologie du réseau 30 nœuds. . . . . . . . . . . . . . . . . . Variation du coût de production. . . . . . . . . . . . . . . . . variation des émissions des gaz toxiques. . . . . . . . . . . . Variation des puissances électriques . . . . . . . . . . . . . . Contraintes de fonctionnement. . . . . . . . . . . . . . . . . . Variation du coût de production . . . . . . . . . . . . . . . . Variation du coût d’émissions du gaz . . . . . . . . . . . . . Variation des puissances électriques . . . . . . . . . . . . . . Contrainte de fonctionnement . . . . . . . . . . . . . . . . . . variation du coût de production. . . . . . . . . . . . . . . . . variation d’émission du gaz . . . . . . . . . . . . . . . . . . . variation des puissances électriques . . . . . . . . . . . . . . Variation du coût de production . . . . . . . . . . . . . . . . Variation de quantité d’émissions du gaz . . . . . . . . . . . Variation des pertes électriques du gaz . . . . . . . . . . . . Variation des puissances électriques . . . . . . . . . . . . . . Variation du coût de production . . . . . . . . . . . . . . . . Variation de la quantité d’émission des Gaz . . . . . . . . . . Variation des puissances électriques générées . . . . . . . . . Variation du coût de production . . . . . . . . . . . . . . . . Variation de la quantité d’émission . . . . . . . . . . . . . . . Variation des puissances . . . . . . . . . . . . . . . . . . . . . Variation du Coût de production perte constante . . . . . . . Variation du Quantité d’émission perte constante . . . . . . Variation du Coût de production perte variable . . . . . . . Variation du Quantité d’émission perte variable . . . . . . . 59 60 62 63 63 64 65 66 69 69 70 70 71 72 72 73 74 75 75 76 77 77 78 79 80 80 81 82 82 83 84 84 85 Liste des tableaux 3.1 Analogie entre le neurone biologie et le neurone formel. . . 32 5.1 Les données du réseau électrique comportant treize générateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 xi 57 61 5.6 5.7 5.8 5.9 5.10 5.11 5.12 5.13 5.14 Les résultats de simulation pour le Dispatching Economique Coefficients des fonctions coût réseau à 03 générateurs. . . . Coefficients caractéristiques des émissions réseau a 03 générateurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Les résultats de simulation pour le DEE réseau a trois générateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Coefficients des fonctions coût réseau 30 nœuds. . . . . . . . Coefficients caractéristiques des émissions. . . . . . . . . . . Les valeurs optimales . . . . . . . . . . . . . . . . . . . . . . . Les valeurs optimales . . . . . . . . . . . . . . . . . . . . . . . Les valeurs optimales . . . . . . . . . . . . . . . . . . . . . . . Les valeurs optimales . . . . . . . . . . . . . . . . . . . . . . . Les valeurs optimales . . . . . . . . . . . . . . . . . . . . . . . Valeurs optimales . . . . . . . . . . . . . . . . . . . . . . . . . Valeurs optimales . . . . . . . . . . . . . . . . . . . . . . . . . A.1 A.2 A.3 A.4 A.5 Les puissances générées optimales . . . . . . . . . . . . . . . Valeurs des impédances et des admittances shunts des lignes. Valeurs planifiées des tensions et des puissances. . . . . . . Valeurs des modules et phases des tensions nodales . . . . . Les valeurs des puissances transmises . . . . . . . . . . . . . 90 91 92 93 94 5.2 5.3 5.4 5.5 61 62 67 67 68 71 74 76 79 81 85 xii Introduction Générale Durant ces dernières années, de nombreuses études ont été menées dans le domaine de l’optimisation comme le montre le nombre important de publications sur ce thème. Aujourd’hui, l’optimisation s’applique à tous les domaines de la science et même à notre vie quotidienne. Chacun cherche souvent à mieux gérer son temps, son argent, minimiser certaines consommations, , ce sont autant de problèmes d’optimisation. Parmi les méthodes utilisées pour résoudre le problème d’optimisation on cite les méthodes stochastiques qui permettent de localiser l’optimum d’une fonction dans l’espace de recherche sans avoir recours aux dérivées de la fonction par rapport à ces paramètres. Ces méthodes nous permettent de simuler les processus de raisonnement humain. Chaque méthode comporte des points forts, mais aussi des limitations. La réalisation de systèmes hybrides est une démarche courante qui nous permet de combiner les points forts de chaque approche et d’obtenir ainsi des performances plus élevées ou un champ d’application plus large. Un autre aspect très important du développement des systèmes intelligents est leur capacité d’acquérir de nouvelles connaissances (parfois à partir de plusieurs sources différentes) et de les faire évoluer. Dans cette thèse, nous avons réalisé un système hybride NeuroGénetique (NG) pour le problème du Dispatching Economique Environnemental (DEE). Le Dispatching Economique Environnemental est un système qui assure un ensemble de tâches ou fonctions pour répondre aux exigences et l’exploration des réseaux électriques, ce qui facilite la tâche aux sociétés de production électrique à assurer la couverture en puissance électrique demandée en respectant au moins les contraintes suivantes : ? Contraintes de charge : elles sont relatives à la réalisation de l’équilibre entre la production et la demande de l’énergie. ? Contraintes de fonctionnement : elles sont relatives aux valeurs limites imposées aux composants (limite de production d’une centrale, puissance transmissible par une ligne, ... etc ) ? Contrainte économique : elle est relative à la réalisation de la charge au moindre coût de production. ? Contrainte écologique : elle est relative à la diminution du taux des gaz toxiques libérés dans l’atmosphère par les centrales de production. Dans cette thèse, nous avons réalisé un système hybride NeuroGénetique pour le problème du Dispatching Economique Environnemental (DEE). L’idée de base repose sur l’utilisation du réseau de Hopfield pour évaluer chaque individu de la population de L’AG et la création de la nouvelle population qui sera traitée par l’algorithme génétique.Le test de ce système hybride a été effectué sur plusieurs réseaux électriques. 1 Introduction Générale Le travail exposé dans cette thèse est organisé de la manière suivante : ? Le premier chapitre résume la modélisation du réseau électrique en régime établi et la résolution du problème de la répartition des puissances (load flow) par les méthodes de Gauss-Seidel et Newoton-Raphson. ? Le second chapitre synthétise quelques méthodes permettant l’optimisation des fonctions objectifs. On y trouve, en particulier, les formulations de base et les caractéristiques techniques de ces méthodes. ? Dans le troisième chapitre nous présentons le principe du système hybride proposé (Neuro-Génétique) et les définitions de base concernant les deux méthodes utilisées à savoir les réseaux de neurones et les algorithmes génétiques. ? La modélisation du Dispatching Economique, Environnemental et Economique Environnemental ainsi que l’implémentation des algorithmes génétiques et des réseaux de neurones pour minimiser les fonctions objectifs, font l’objet du quatrième chapitre. ? Le cinquième chapitre résume les principaux résultats et les commentaires des simulations numériques du problème du Dispatching Economique (DE) et Economique Environnemental (DEE) en appliquant le système hybride (HGA), les algorithmes génétiques et les réseaux de neurones (Hopfield). 2 Calcul de l’écoulement de puissance 3 Calcul de l’écoulement de puissance 1 Parmi les états les plus important d’un réseau électrique est son fonc- tionnement en régime permanent. Pour obtenir les informations sur ce régime et d’être en mesure de les gérer pour des raisons de sécurité, fiabilité et économie on introduit le concept général de l’écoulement de puissance qui nous permis d’avoir : – Les puissances active et réactive qui transitent dans les lignes électriques, – Les profiles des tensions (amplitude et phase) associées aux nœuds. A chaque nœud du réseau sont associés quatre paramètres ; puissance active, puissance réactive, l’amplitude de la tension et la phase de la tension. Les premières considérations pour réaliser le calcul de l’écoulement de puissance sont : La formulation mathématique du problème de l’écoulement de puissance est une description mathématique (modélisation) du réseau électrique qui cerne le fonctionnement correct des différents éléments qui constituent le réseau électrique. La solution du système d’équations décrivant le modèle est basée sur une méthode numérique itérative. Différentes techniques de solution sont développées : – la méthode de Gauss – la méthode de Gauss-Seidel – la méthode de Newton-Raphson Dans chacune des méthodes, on procède de la manière suivante : 1. une solution initiale des variables est supposée, 2. cette solution est modifiée pour obtenir une deuxième et meilleure solution, 3. cette deuxième solution estimée est ensuite utilisée pour trouver une troisième, ... etc. La procédure continue de façon répétitive jusqu’à l’obtention d’une convergence vers la solution finale. 4 1.1. Modélisation des éléments du réseau électrique 5 1.1 Modélisation des éléments du réseau électrique 1.1.1 Turbo générateur C’est un équipement très important (figure 1.1), il assure la production de l’énergie électrique demandée par le consommateur. Il est modélisé par une source de tension constante qui injecte, au niveau du nœud auquel il est connecté, une puissance active Pg et réactive Qg. Les puissances active et réactive sont maintenues dans certaines limites [2, 3]. K Générateur Figure 1.1 – Représentation schématique d’un générateur. 1.1.2 Charge électrique La modélisation de la charge joue un rôle très important dans l’étude et l’analyse d’un système électro-énergétique. La charge est souvent modélisée sous forme d’une impédance constante (figure 1.2). Elle est connectée au réseau électrique à travers d’un transformateur où le niveau de tension de la charge est maintenu pratiquement constant. Dans ce cas, les puissances active et réactive de la charge peuvent être représentées par des valeurs constantes [2, 3, 4, 5, 6]. K Ik charge yk charge Figure 1.2 – Représentation schématique d’une charge. L’admittance yk est définie par l’expression suivante : yk = 1.1.3 Pk − jQk |Vk |2 (1.1) Ligne de transport La ligne de transport est modélisée par un schéma équivalent en π, c’est un élément qui permet d’acheminer l’énergie produite par les turbo générateur vers les consommateurs [2, 3, 4], elle est représentée par une impédance série (résistance R en série avec une réactance inductive X), et une admittance shunt (figure 1.3). 1.2. Calcul de l’écoulement de puissance Ikm K 6 I mk - ysh km m ysh km Figure 1.3 – Modèle d’une ligne en π. 1 ykm = z− km = gkm + jbkm (1.2) avec gkm = bkm = 1.1.4 rkm 2 + xkm (1.3) − xkm 2 + xkm (1.4) 2 rkm 2 rkm Transformateur électrique Un transformateur de l’énergie électrique est représenté par un quadripôle en π. Les grandeurs associées sont le rapport de transformation a et l’impédance de fuite. Les rapports aij sont inclus dans les éléments de la matrice admittance, c’est-à-dire que les susceptances de la matrice admittance Bij sont vues comme des fonctions de rapports de transformation a (figure 1.4)[2, 3, 4, 7]. K 1− 1 a rkm xkm m ykmt 1 a −1 1 a ykmt Figure 1.4 – Modèle du trasformateur. L’admittance du transformateur est exprimée par : ykmt = ymkt = 1.2 1 rkmt + jxkmt (1.5) Calcul de l’écoulement de puissance L’objectif du calcul de l’écoulement de puissance est de déterminer les puissances active et réactive qui transitent dans le réseau électrique (figure 1.5) ainsi que les niveaux des tensions [2, 4, 8]. 1.2. Calcul de l’écoulement de puissance ? 7 ? Réseau életrique ? ? Noeuds Production Noeuds de Consomation Figure 1.5 – Schéma général d’un réseau électrique Pour le calcul de l’écoulement de puissance, on distingue deux méthodes [2, 9, 10] : – Méthode des nœuds. – Méthode des mailles Vu la complexité des réseaux électriques, la formulation lourde et la difficulté d’introduire les données dans la méthode des mailles lui a préféré la méthode des nœuds qui est aujourd’hui la plus utilisée. La matrice des admittances aux nœuds est plus facile à établir, de plus elle est assez creuse. Cette approche reste la plus économique du point de vue temps de résolution. Le calcul de l’écoulement de puissance se base sur les équations nodales suivantes : [ I ] = [Y ] [ V ] (1.6) Où [ I ] est le vecteur des courants nodaux injectés dans le réseau électrique, [V ] le vecteur des tensions nodales et [Y ] est la matrice des admittances nodales. La résolution de ce système d’équations, nous impose de définir les différents nœuds existants [2, 9, 11] : Nœud producteur (PV) c’est un nœud connecté directement avec un générateur ou une source d’énergie réactive. la puissance active et la tension sont considérées connues. La production de l’énergie réactive est limitée par des valeurs inférieures et supérieures, Qmin et Qmax respectivement. Nœud de charge (PQ) c’est un nœud connecté directement avec la charge, il ne possède aucune source d’énergie. Les puissances active et réactive sont considérées connues. Nœud bilan (Vδ) c’est un nœud connecté avec un générateur relativement puissant ; il est considéré dans le calcul d’écoulement de puissance afin de compenser les pertes actives et assurer l’égalité entre la demande et la production (Production= Consommation + Pertes). Dans un nœud bilan, l’amplitude et l’angle de la tension sont supposés connus.Le nœud bilan est caractérisé par le module de sa tension et sa phase prise souvent comme phase de référence. Il faudra déterminer les deux autres paramètres à savoir les puissances active et réactive. 1.3. Formulation mathématique de l’écoulement de puissance 1.3 8 Formulation mathématique de l’écoulement de puissance Les équations décrivant le comportement du réseau électrique sont données par le système d’équations (1.6), où les éléments de la matrice admittance [Y ] sont obtenus à partir des impédances des lignes et les admittances shunts [2, 4, 8]. Soit une ligne électrique représentée en π (figure 1.3), les éléments diagonaux de la matrice admittance sont calculés par la formule suivante 0 nb ∑ Ykk = ykm + k = m =1 Ykm 2 (1.7) Les éléments non diagonaux ykm sont : ykm = −ymk = 1 (1.8) zmk L’écoulement de puissance dans une ligne électrique k − m s’exprime par : ∗ Skm = Vkm Ikm (1.9) avec 0 Y Ikm = (Vk − Vm ) Ykm + Vk km 2 Les puissances transmises seront donc données par : (1.10) 0 ∗ Skm = Vk∗ Y (Vk − Vm ) Ykm + Vk Vk∗ km 2 Les puissances injectées sont exprimées comme suit : (1.11) n Sk = ∑ Skm = Pk + jQk (1.12) k =1 Les courants sont calculés pour l’ensemble des nœuds à l’exception du nœud bilan par l’équation suivante : Ik = ∗ Skm P − jQ = k ∗ k Vk∗ Vk (1.13) Les pertes de transmission par définition sont données par : n S L = PL + jQ L = ∑ k =1 1.4 n Pk + j ∑ Qk (1.14) k =1 Méthodes de résolution La résolution du système d’équations non linéaires (1.6) est obtenue par des méthodes numériques itératives. Nous nous sommes intéressés à décrire les méthodes de Gauss Seidel et de Newton Raphson [2, 4, 8, 9, 10]. 1.4. Méthodes de résolution 1.4.1 9 Méthode de Gauss-Seidel Cette méthode utilise la matrice admittance, consiste à supposer initialement des tensions pour tous les nœuds sauf le nœud balancier où la tension est spécifiée et maintenue constante. La tension de la (i + 1)ème itération est donnée par la relation suivante : Vki+1 = k −1 n kLk i +1 − YL V − km m ∑ YLkm Vm i Vk i∗ m∑ 6=k m = k +1 (1.15) avec YLkm = Ykm P − jQk et KLk = k Ykk Ykk La convergence de la méthode est obtenue lorsque la différence ente la tension calculée et celle qui la précède pour chaque nœud soit inférieure à une précision donnée par l’utilisateur. L’organigramme de la méthode de Gauss Seidel est donné par la figure 1.6. 1.4. Méthodes de résolution 10 Calcul de la matrice admitance Estimation des tensions initiales pour k = 1, 2, ..., n Calcul des paramètres des équations de tensions ? i=0 ? Max∆V i = 0 et K = 1 - ? Oui K = nb - Non ? Résoudre l’équation de tension pour le noeud K Vki+1 = kLk ∗ Vki k −1 − ∑ YLkm Vmi+1 − m6=k n ∑ m = k +1 YLkm Vmi ? Calcul : ∆Vki = Vki+1 − Vki ? Non i ∆V ≤ Max∆V i k Max∆V i = ∆Vki ?Oui Vki = Vki+1 ? k = k+1 ? Non P=n ?Oui Non Max∆Vi ≤ e Oui ? ? i = i+1 Calcul de l’écoulement de puissance Figure 1.6 – Organigramme de la méthode de Gauss-Seidel. 1.4.2 Méthode de Newton Raphson Cette méthode nous permet de résoudre le système (1.6) en exprimant les puissances active et réactive en fonction des tensions nodales. La puissance au nœud k est donnée par [2, 4, 8, 9, 12] : Sk = Pk − jQk = Vk∗ Ik (1.16) 1.4. Méthodes de résolution 11 n Ik = ∑ Ykm Vk (1.17) m =1 Pk − jQk = Vk∗ n ∑ Ykm Vk (1.18) m =1 En exprimant l’expression (1.16) en fonction des composantes réelles et imaginaires des tensions nodales et des admittances, nous aurons : Sk∗ = Pk − jQk = (ek − j f m ) n ∑ ( Gkm − jBkm ) (ek − j f m ) (1.19) m =1 En séparant les parties réelles et imaginaires nous aurons les équations suivantes : n Pk = ∑ [ek (em Gkm + f m Bkm ) + f k ( f m Gkm − jekm Bkm)] (1.20) [ f k (em Gkm + f m Bkm ) − ek ( f m Gkm − jekm Bkm)] (1.21) m =1 n Qk = ∑ m =1 Les puissances active et réactive sont connues et les composantes réelles et imaginaires de la tension ek et f k sont inconnues pour tous les nœuds sauf le nœud balancier où la tension est spécifiée et fixe. Les valeurs corrigées de la iime itération peuvent être exprimées comme suit : ∆Pki = Pki plan − Pki cal (1.22) ∆Qik = Qik plan − Qikcal (1.23) Il est possible d’exprimer ces équations sous la forme générale suivante : ∂P ∂P1 1 1 (k) (k) · · · ∂e∂Pn−1 1 · · · ∂∂P ∆P1 ∆e1 ∂e1 ∂ f1 f n −1 . .. .. .. .. .. .. ··· . . ··· . . . ∂Pn−1 ∂Pn−1 ( k) n −1 ∆P(k) ∂P∂en−1 · · · ∂P · · · ∂ f n −1 ∂en−1 ∂ f1 1 n −1 = = ∆en−1 ∂Q ∂Q ∂Q ∂Q (k) (k) 1 1 · · · ∂en−11 · · · ∂ f n−11 ∆Qi ∂e1 ∆ fi ∂ f1 . . . . . . . .. .. .. .. .. ··· ··· . (k) (k) ∂Qn−1 ∂Qn−1 ∂Qn−1 ∂Qn−1 · · · ∂en−1 · · · ∂ f n −1 ∆Qn−1 ∆ f n −1 ∂e1 ∂ f1 (1.24) 1.4. Méthodes de résolution 12 Calcul de la matrice admitance ? Estimation des tensions initiales pour k = 1, 2, ..., nk 6= nb ? i=0 ? - Calcule des puissances active et réactive Pki etQik k = 1, 2, ..................., nk 6= nb ? Calcul de ∆ : Pki ∆Qik = Pk0 − Pki = Q0k − Qik ? Déterminer :Max∆Pki etMin∆Qik ? i = i+1 6 | Max∆Pi | ≤ e Oui - Calcul de l’écoulement de puissance | Max∆Qi | ≤ e Non ? Calcul des courants :Iik = Pik − jQik ∗ Vik k = 1, 2, .., nk 6= nb ? Calcul les élements du jacobien Remplacer eik par eik+1 et f ki par f ki+1 6 ? Résoudre le système : ∆P ) = ( JJ13 (∆Q J5 ∆e J4 )(∆ f ) ? Calcul des nouvelles tensions : eik+1 = eik + ∆eik et f ki+1 = f ki + ∆ f ki Figure 1.7 – Organigramme de la méthode de Newton Raphson. 1.4. Méthodes de résolution Conclusion du chapitre Dans ce chapitre nous avons exposé les deux étapes importantes pour l’étude et l’exploitation des réseaux électriques à savoir la modélisation du réseau électrique et le calcule de l’écoulement de puissance. La modélisation conciste a représentée chaque éléments du réseaux par un modèle mathématique qui reflet son fonctionnement réel. Le calcule de l’écoulement de puissance permet d’avoir les conditions initiales pendant le fonctionnement du réseau en régime permanent. Parmi ces condition on a les niveaux de tension ainsi que les autres grandeurs (puissances transportées, puissances injectées, pertes électriques,...). Le calcul de l’écoulement de puissance se base sur la résolution du système d’équation non linéaire [ I ] = [V ] . [Y ] par les méthodes itératives parmi ces méthodes on cite la méthode de Gauss Seidel et Newton Raphson. 13 Méthode d’optimisation 14 Méthode d’optimisation 2 O n s’heurte quotidiennement à des problèmes technologiques de complexité grandissante, qui surgissent dans des secteurs très divers. Chacun cherche souvent à mieux gérer son temps, son argent, minimiser certaines consommations, ce sont autant de problèmes d’optimisation. Le problème à résoudre peut être exprimé par la forme générale d’un problème d’optimisation dans lequel on définit une fonction objectif, ou fonction de coût, que l’on cherche à optimiser. La définition du problème d’optimisation est souvent complétée par des contraintes (toutes les variables de décisions de la solution proposées doivent respecter ces contraintes). Pour résoudre le problème d’optimisation, il existe plusieurs méthodes classiques, applicables lorsque certaines conditions mathématiques sont satisfaites, à savoir, la programmation linéaire traite efficacement le cas où la fonction objective, ainsi que les contraintes s’expriment linéairement en fonction des variables de décision. Dans le cas où la fonction objective et les contraintes sont non linéaires ; la programmation non linéaire est applicable. Malheureusement, les situations rencontrées en pratique comportent souvent une ou plusieurs complications, qui mettent en défaut ces méthodes : par exemple, la fonction objective peut ne pas s’exprimer analytiquement en fonction des paramètres ; ou encore, le problème peut exiger la considération simultanée de plusieurs objectifs contradictoires (Optimisation Multi objectif). L’apparition des nouvelles techniques d’optimisation, nommées méthaheuristiques, marque une grande révolution dans le domaine de l’optimisation. En effet, celles-ci s’appliquent à toutes sortes de problèmes d’optimisation. 2.1 Formulation mathématique d’un problème d’optimisation La première étape d’un processus d’optimisation consiste à formuler, en termes mathématiques, le problème d’optimisation. Un problème d’optimisation se définit comme la recherche de l’optimum (minimum ou maximum) d’une fonction donnée. Généralement, un problème mathématique d’optimisation continue avec contrainte s’écrit de la manière suivante : 15 2.1. Formulation mathématique d’un problème d’optimisation Min, Max ou zero f ( xk ) 0 g (x ) ≤ 0 i = 1, · · · , p i i 0 h (x ) = 0 j = 1, · · · , q j j 0 xkmin ≤ xk ≤ xkmax k = 1, · · · , n 16 (2.1) où : f ( xk ) est le critère à optimiser appelé aussi fonction objectif. xk est un vecteur à n variables. Ces variables sont les paramètres du problème à optimiser. gi ( xi ) et h j ( x j ) représentent respectivement les contraintes d’inégalité et d’égalité. xkmin et xkmax désignent les contraintes du domaine qui bornent l’espace de recherche. La solution d’un problème d’optimisation est alors donnée par un ensemble de paramètres pour lesquels la fonction objectif présente une valeur optimale, en respectant les contraintes d’égalité et d’inégalité [2, 13, 14]. 2.1.1 Définitions Générales [15] Fonction Objectif Elle représente la fonction f que l’algorithme d’optimisation va devoir l’optimiser. Variables de décision Sont regroupées dans un vecteur, en faisant varie ce vecteur que l’on cherche un optimum de la fonction f . Optimum Global Un point x ∗ est un optimum global de la fonction f si on a f ( x ∗ ) ≺ f ( x ) quelle que soit x tel que x 6= x ∗ cette définition correspond au optimum global de la figure 2.1. Optimum Local Un point x est un optimum local de la fonction f si et seulement si f ( x ∗ ) ≺ f ( x ) quelle que soit x tel que x 6= x ∗ et x ∈ v( x ∗ ) ou v définit un voisinage de x ∗ . cette définition correspond au optimum localde la figure 2.1. Figure 2.1 – Les différents optimum. 2.1.2 Les contraintes Les contraintes doivent être prises en compte dans le problème d’optimisation. Il y a plusieurs choix pour le traitement des problèmes avec 2.1. Formulation mathématique d’un problème d’optimisation 17 contraintes. On peut, pour des raisons de robustesse et de facilité de mise en œuvre, transformer un problème contraint en une suite de problèmes sans contrainte. Cette transformation s’effectue en ajoutant des pénalités à la fonction objectif. 2.1.3 Méthodes de pénalité Le concept de base est de transformer la résolution du problème 2.1 sous contraintes en une résolution de problème sans contrainte en associant à l’objectif une pénalité dès qu’une contrainte est violée [16, 17, 18] . La fonction objectif f ( x ) du problème est alors remplacée par la fonction suivante à minimiser : P( x, r (k) ) = f ( x ) + ( n m j =1 i =1 1 r ) H (h j ( x )) + (r (k) ) ∑ G ( gi ( x )) (k) ∑ (2.2) r (k) facteur de pénalité. Les fonctions H (h j ( x )) et G ( gi ( x )) sont appelées fonctions de pénalisation. Elles sont définies selon la méthode de pénalité utilisée. Suivant les types de contraintes et le type de fonction h(x) on distingue la méthode des pénalités intérieures et la méthode des pénalités extérieures que nous allons exposer. a. Méthodes de pénalité extérieure H (h j ( x )) = (h j ( x ))2 et G ( gi ( x )) = ( gi ( x ))2 donc : P( x, r (k) ) = f ( x ) + ( n m j =1 i =1 1 r ) (h ( x ))2 + (r (k) ) ∑ ( gi ( x ))2 (k) ∑ j (2.3) b. Méthodes de pénalité intérieure Elles sont basées sur la transformation du problème de type inégalité seulement : G ( gi ( x )) = 1 gi ( x ) (2.4) Cette fonction de pénalité est appelée aussi fonction " barrière ". m 1 ( g ( i x )) i =1 P( x, r (k) ) = f ( x ) + (r (k) ) ∑ (2.5) c. Méthodes de pénalité mixte Elles combinent les deux méthodes précédentes : 1 (2.6) G ( gi ( x )) = gi ( x ) H (h j ( x )) = (h j ( x ))2 (2.7) donc : P( x, r (k) ) = f ( x ) + 1 n m j =1 i =1 1 ∑ (h j (x))2 + (r(k) ) ∑ ( gi (x)) r (k) (2.8) 2.2. Classification des problèmes d’optimisations 18 d. Méthode de lagrangien augmenté Le Lagrangien augmenté est une méthode de transformation basée sur la minimisation d’une fonction L appelée fonction Lagrangienne Augmentée. Cette fonction (2.9) est créée à partir de l’addition d’une pénalisation à la fonction Lagrangienne classique associée au problème d’optimisation [14]. m m i =1 i =1 L( x, λ, r ) = f ( x ) + ∑ λi gi ( x ) + r ∑ gi2 ( x ) (2.9) ou r ∑im=1 gi2 ( x ) représente la fonction de pénalité. 2.2 Classification des problèmes d’optimisations Les problèmes d’optimisation seront classés selon leurs caractéristiques [13] : 1. Le nombre du variable de décision si on a une seule variable, alors optimisation unidimensionnelle sinon multidimensionnelle (plusieurs variables de décision). 2. Type de la variable si la variable est continue donc on aura un problème d’optimisation continu et si la variable est entière on dit un problème d’optimisation discret. 3. Type de la fonction objectif si elle est linéaire on a un problème d’optimisation linéaire sinon si elle est quadratique on dit un problème d’optimisation quadratique et si elle est non linéaire on a un problème d’optimisation non linéaire. 4. Formulation du problème avec contraintes on aura un problème d’optimisation contrainte et si la formulation est sans contraintes donc notre problème sera un problème d’optimisation sans contraintes. 2.3 L’ordre d’une méthode de résolution Les méthodes de résolution peuvent être classées à partir de leur ordre selon qu’elles nécessitent ou non le calcul des dérivées de la fonction objectif et des fonctions contraintes par rapport aux paramètres. Méthodes d’ordre zéro Si elle utilise uniquement la connaissance de la fonction elle-même. Elles sont en général peu précises et convergent plus lentement vers l’optimum. En revanche, elles offrent l’avantage d’éviter le calcul du gradient, ce qui est intéressant lorsque la fonction n’est pas différentiable ou que le calcul de son gradient représente un coût important. C’est notamment le cas des modèles éléments finis. Méthodes d’ordre un Si elle requiert le calcul des dérivées premières, ces méthodes permettent d’accélérer la localisation de l’optimum, puisque le gradient donne l’information sur la direction de l’amélioration. Par contre elles sont applicables seulement aux problèmes où les fonctions objectif et contraintes sont continûment différentiables. Méthodes d’ordre deux S’il lui faut aussi accéder aux dérivées secondes. 2.4. Méthode d’optimisation 2.4 19 Méthode d’optimisation Les méthodes d’optimisation peuvent être classer en deux grandes catégories : les méthodes déterministes et les méthodes stochastiques. 2.4.1 Méthode d’optimisation déterministe Dans la première classe, on rencontre toutes les méthodes qui cherchent le minimum d’une fonction en se basant sur la connaissance d’une direction de recherche, souvent donnée par le gradient de cette fonction. Dans le cas d’optima multiples, elles s’arrêtent sur le premier rencontré. Ces méthodes ont la réputation d’être efficaces lorsque la solution initiale est proche de l’optimum recherché. Cette particularité constitue un inconvénient majeur dans le cas d’une fonction objectif possédant plusieurs optimums. Elles peuvent, en effet, converger vers un optimum local. la figure 2.2 montre les méthodes multidimensionnelles les plus importantes avec leur ordre respectif de résolution. Méthodes déterministes Multidimensionnelles ? Méthodes Analytiques ? Méthodes Heuristiques ? – Gradient Conjugué ordre (1) – Plus grande Pente ordre (1) – Quasi-newtons ordre (1) ? – Hooke et Jeeves ordre (0) – Méthode Rosenbrock ordre (0) – Méthode Simplex ordre (0) Figure 2.2 – Principales méthodes déterministes Multidimensionnelles. 2.4.2 Méthodes d’Optimisation Stochastiques Les méthodes stochastiques, contrairement à la plupart des méthodes déterministes, ne nécessitent ni point de départ, ni la connaissance du gradient de la fonction objectif pour atteindre la solution optimale. Elles s’appuient sur des mécanismes de transition probabilistes et aléatoires qui explorent efficacement l’espace de recherche et convergent vers l’optimum global. Leur nature aléatoire implique que plusieurs exécutions successives de ces méthodes conduisent à des résultats différents pour une même initialisation du problème d’optimisation [2, 19]. 2.4. Méthode d’optimisation 20 La figure 2.3 présente les méthodes stochastiques les plus utilisées. Méthodes Stochastiques ? ? Rcuit simulé ? Méthodes évolutionnistes ? Algorithmes génétiques ? Réseaux de neurones Recherche Tabu ? Programation évolutionniste ? Stratégies d’évolution Figure 2.3 – Principales méthodes stochastiques . 2.4.3 Méthodes évolutionniste Les méthodes évolutionnistes font partie de la dernière grande classe de méthodes stochastiques. Contrairement aux techniques d’optimisation qui explorent l’espace à partir d’un point unique, les méthodes évolutionnistes partent d’un ensemble de configurations, (population d’individus), et la font évoluer à partir d’opérateurs à transition aléatoire, la sélection et l’évolution [20], selon le principe de la figure 2.4. Figure 2.4 – Le principe de fonctionnement d’un algorithme évolutionniste. 2.5. Optimisation multi-objectif 2.5 Optimisation multi-objectif Dans un problème d’optimisation multiobjectif, il y a plus qu’une fonction objectif (k ≥ 2), chaque fonction objectif pouvant avoir une solution optimale différente. Le but d’un problème multiobjectif est de trouver de "bons compromis" plutôt qu’une seule solution. Lorsqu’il y a plusieurs objectifs, la notion d’optimum change et il est préférable d’utiliser un autre terme, le terme le plus couramment adopté étant l’optimum de Pareto [2, 13, 21, 22] : f 1 ( xk ) .. Min, max ou zero . f s ( xk ) (2.10) 0 g ( x ) ≤ 0 i = 1, · · · , p i i 0 h (x ) = 0 j = 1, · · · , q j j 0 xkmin ≤ xk ≤ xkmax k = 1, · · · , n f s ( x ) sont les fonctions objectifs que nous cherchons à minimiser simultanément. La difficulté principale d’un problème d’optimisation multiple est liée à la présence de conflits entre les diverses fonctions, puisque les solutions optimales pour un certain objectif donné ne correspond pas généralement à celles des autres fonctions. La solution d’un problème multiobjectifs est donnée par un ensemble d’optima de Pareto qui constitue la frontière. L’identification de cette frontière demande l’application des méthodes d’optimisation multi-modales. Il existe un nombre important de méthodes pour la résolution des problèmes d’optimisation multi-objectifs [13] : ? Les méthodes scalaires. ? Les méthodes interactives. ? Les méthodes exploitant une métaheuristique. Conclusion du chapitre Un état de l’art des méthodes d’optimisation mathématiques a été présenté. Ces méthodes peuvent être réunies en deux différents groupes : les méthodes déterministes et les méthodes stochastiques. Les méthodes déterministes peuvent trouver le minimum local de la fonction sous certaines hypothèses comme la convexité et la différentiabilité. En d’autres termes, si la fonction objectif remplit ces hypothèses dans une région locale contenant le minimum désiré et si la configuration initiale est quelque part à l’intérieur de cette région, les méthodes déterministes convergent très rapidement vers ce minimum. Cependant, résolvant des problèmes pratiques où aucune de ces hypothèses ne peut être rendue, les méthodes déterministes convergent souvent vers un des minimums locaux de la fonction objectif. Malgré le nombre important d’évaluations, les algorithmes stochastiques présentent le grand avantage par rapport aux méthodes déterministes, d’avoir la capacité de trouver l’optimum global. Les méthodes stochastiques les plus prometteuses sont les algorithmes génétique est les Réseaux de neurones. 21 Approche Neuro-Génétique 22 Approche Neuro-Génétique 3 D e nos jours, l’informatique à pris une place importante dans notre société. Les systèmes informatiques deviennent de plus en plus complexes, comme les tâches qui leur sont confiées. Les systèmes d’Intelligence Artificielle (I.A.) ont été créés avec l’espoir de pouvoir aider l’homme dans les tâches les plus complexes, celles qui requièrent l’utilisation de l’intelligence ou la réalisation de procédés dits intelligents. Plusieurs méthodes ont été développées par l’Intelligence Artificielle pour reproduire certains aspects de l’intelligence humaine. Ces méthodes permettent de simuler les processus de raisonnement en s’appuyant sur les connaissances de base disponibles. Chaque méthode comporte des points forts, mais aussi des limitations. La réalisation de systèmes hybrides est une démarche courante qui permet de combiner les points forts de chaque approche, et d’obtenir ainsi des performances plus élevées ou un champ d’application plus large. Un autre aspect très important du développement des systèmes hybrides intelligents est leur capacité d’acquérir de nouvelles connaissances à partir de plusieurs sources différentes et de les faire évoluer. Les méthodes de résolution utilisées dans cette hybridation possèdent des caractéristiques très différentes, l’algorithme génétique est une méthode stochastique qui s’applique sur le problème dans sa forme la plus générale : aucune hypothèse n’est faite sur le critère et tous les points de l’espace de recherche ont une probabilité non nulle d’être explorés, bien que l’obtention de l’optimum global. Le réseau de Hopfield évolue librement jusqu’à un attracteur. On dit alors que le réseau a convergé ; la convergence est atteinte lorsque les sorties des neurones n’évoluent plus. 3.1 Définition des méthodes hybrides De nombreux problèmes du monde réel se placent dans le cadre très général des problèmes de satisfaction de contrainte (CSP), ou un critère définit par une fonction de coût doit être minimisé dans un domaine admissible des variables. Lorsque la complexité de ces problèmes est élevée, deux grandes familles de méthodes de résolution se distinguent pour les résoudre [23, 24, 25, 26, 27] : 23 3.2. Approche hybride Neuro-génétique 3.1.1 Les méthodes exactes Procèdent à une exploration complète et généralement déterministe de l’espace de recherche. Ces méthodes utilisent des algorithmes de type Branch _ Bound pour instancier progressivement les variables du problème. Des mécanismes classiques permettent d’abandonner une branche de l’arbre de recherche à chaque fois que l’instanciation partielle des variables viole certaines contraintes ou qu’une preuve permet d’établir que les solutions contenues dans la branche ne sont pas optimales. Par contre, toutes les autres branches sont systématiquement développées : ces méthodes deviennent inappropriées lorsque la taille du problème augmente alors que le temps imparti pour le résoudre est restreint. Dans ce cas, la méthode peut être adaptée, par simplification du problème ou par restriction de l’espace de recherche, mais l’optimum global initialement recherché ne sera plus forcément obtenu. 3.1.2 Les méthodes approchées Se basent sur une exploration locale de l’espace de recherche(algorithmes génétiques, recuit simulé, algorithmes de colonies de fourmis). Elles permettent, dans de nombreuses applications, de trouver des solutions intéressantes en un temps raisonnable. 3.2 Approche hybride Neuro-génétique Pour la résolution du problème de Dispatching Economique Environnemental nous avons procédé à une technique d’hybridation GlobaleLocal qui regroupe l’algorithme d’optimisation Global (Algorithme Génétique) et l’algorithme d’optimisation local (Réseaux de Hopfield), l’Algorithme Génétique recherche les solution optimal du Dispatching Economique Environnemental et le réseau de Hopfield contrôle les contraintes du problèmes [27, 28, 29, 30, 31]. En premier temps on génère une population initiale aléatoirement, à ce stade là les individus de cette population ne représente pas des solutions pour le problème du Dispatching Economique Environnemental. Pour cela chaque individu sera traité par le réseau de Hopfield pour lequel on obtient une solution acceptable pour notre problème ainsi que son évaluation. Les anciens individus seront remplacés par les nouveaux individus donc on aura une population initiale qui est composée des individus bien adaptés à notre problème, l’évolution de cette population est assurée par l’intervention des opérateurs génétiques à savoir la sélection, croisement et mutation. 24 3.3. Les algorithmes génétiques L’algorithme de fonctionnement du système hybride est le suivant Algorithme 1 : approche Neuro-Génétique Génération de la population initiale aléatoirement; while max génération do for Chaque individu do Exécuter Hopfield; Obtenir la solution; Calculer l’évaluation de cette solution; Remplacer l’ancien individu par le nouveau; end Sélection; Croisement; Mutation; end 3.3 Les algorithmes génétiques Les techniques de recherche et d’optimisation sont en général classées en deux catégories [33] ; déterministes et stochastiques. Les AG font partie de la deuxième catégorie. Les algorithmes génétiques (AG) sont des méthodes stochastiques utilisées dans les problèmes d’optimisation. leur nom s’extraire de l’évolution biologique des êtres vivants dans le monde réel. Ces algorithmes cherchent à simuler le processus de la sélection naturelle dans un environnement défavorable en s’inspirant de la théorie de l’évolution proposée par C. Darwin. Dans un environnement, les individus les mieux adaptés tendent à vivre assez longtemps pour se reproduire alors que les plus faibles ont tendance à disparaître . Quatre caractéristiques les distinguent des autres techniques d’optimisation[34] : – Ils utilisent un codage des paramètres et non les paramètres euxmêmes ; – Ils travaillent sur une population d’individus (ou de solutions) ; – Ils n’utilisent que les valeurs de la fonction à optimiser, pas sa dérivée, ou une autre connaissance auxiliaire ; – Ils utilisent des règles de transition probabilistes et non déterministes. 3.3.1 Analogie avec l’évolution naturelle Les Algorithmes Génétique (AGs) font évoluer un ensemble de solutions candidates, appelé une population d’individus. Un individu n’est autre qu’une solution possible du problème à résoudre. Chaque individu de cette population se voit attribuer une fonction appelée fonction d’adaptation (fitness) qui permet de mesurer sa qualité ou son poids ; cette fonction d’adaptation peut représenter la fonction objectif à optimiser. Ensuite, les meilleurs individus de cette population sont sélectionnés, ils subissent des 25 3.3. Les algorithmes génétiques 26 croisements et des mutations et une nouvelle population de solutions est produite pour la génération suivante [34, 35, 36]. Ce processus se poursuit, génération après génération, jusqu’à ce que le critère d’arrêt soit atteint, comme par exemple le nombre maximal de générations. 3.3.2 Principe de base d’un Algorithme Génétique Un Algorithme Génétique nécessite le codage de l’ensemble des paramètres du problème d’optimisation en une chaîne de longueur finie, il débute par générer une population initiale d’individus (solutions) de façon aléatoire. Puis, à chaque génération, des individus sont sélectionnés, cette sélection est effectuée à partir d’une fonction objectif appelée fonction d’adaptation. Puis, les opérateurs de croisement et de mutation sont appliqués et une nouvelle population est créée. Ce processus est itéré jusqu’à un critère d’arrêt. Le critère le plus couramment utilisé est le nombre maximal de générations que l’on désire effectuer. La figure 3.1 présente le principe d’un Algorithme Génétique. Début ? Génerer la population initiale ? - Evaluation des individus de la population ? Sélection des parents (Mieux adaptés) Non Critère d’arrêt respecté ? ? Gen= Gen + 1 Opérateurs de Croisement et de Mutation Oui ? ? Solution optimale Création de la nouvelle population P(t) Figure 3.1 – L’Algorithme Génétique. La procédure effectuée par chacun des opérateurs utilisés par les algorithmes génétiques sera décrite comme suit : a. Initialisation de la population : Généralement la population initiale d’individus (solutions) est générée aléatoirement. Cependant rien 3.3. Les algorithmes génétiques 27 n’empêche d’utiliser des résultats et des solutions existantes pour former celle-ci. b. Codage et décodage des paramètres : Le codage est la présentation des paramètres sous forme des codes. Le décodage est la conversion des codes de paramètres en valeur naturelle. L’utilisateur de l’algorithme génétique doit choisir le plus petit alphabet qui permet une expression naturelle des paramètres du problème, c’est pourquoi l’alphabet binaire 0,1 est particulièrement bien adapté à la présentation des paramètres. Autrement dit, le codage utilisé sera le codage binaire. Codage binaire : Pour chaque paramètre xi situé dans l’intervalle [ xmin , xmax ], on associe une chaîne binaire b0 , b1 , · · · , bLx i −1 définie sur L xi . A cette chaîne correspond une valeur entière naturelle L xi −1 N ( xi ) = ∑ 2( Lxi −1)− j .b j (3.1) j =0 Le paramètre réel de l’espace de recherche relatif à N ( xi ) est obtenu par mise à l’échelle linéaire : ximax − ximin N ( xi ) (3.2) 2( Lxi −1) L’avantage de cette méthode de codage est sa facilité d’implantation. xi = ximin + Codage Réel : Ce codage consiste simplement à la concaténation des variables xi de l’individu x par exemple un individu x (32, 14, 5) et codé par 32|14|5|. Ce codage présente es avantages majeurs, il est plus précis que le codage binaire et l’espace de recherche est le même que l’espace du problème , l’évaluation de la fonction coût est plus rapide. Le codage réel évite de faire le transcodage du binaire naturel vers les réels à chaque évaluation. Dans le codage réel le chromosome est représenté sous forme des valeurs réelles. chromosome = [ P1 , P2 , ..., PNvar ] (3.3) à ce stage chaque chromosome est évalué par une fonction de coût d’évaluation f cost = f (chromosome) = f ( P1 , P2 , ..., PNvar ) (3.4) c. Les opérateurs génétiques Les opérateurs jouent un rôle prépondérant dans la possible réussite d’un AG. On dénombre trois principaux ; l’opérateur de sélection, de croisement et de mutation. Si le principe de chacun de ces opérateurs est facilement compréhensible, il est toutefois difficile d’expliquer l’importance isolée de chacun de ces opérateurs dans la réussite de l’AG. Cela tient pour partie au fait que chacun de ces opérateurs agit selon divers critères qui lui sont propres [34, 35]. 3.3. Les algorithmes génétiques 28 La sélection des parents : L’objectif de la sélection est d’identifier les individus qui doivent se reproduire. Cet opérateur ne crée pas de nouveaux individus mais identifie les individus sur la base de leur fonction d’adaptation, la sélection doit favoriser les meilleurs éléments selon le critère à optimiser les individus les mieux adaptés sont sélectionnés alors que les moins bien adaptés sont écartés [37]. Ceci permet de donner aux individus dont la valeur est plus grande une probabilité plus élevée de contribuer à la génération suivante (figure 3.2). Figure 3.2 – La selection, (a) : Population initiale. (b) : Individus sélectionnés. Chaque chromosome sera dupliqué dans une nouvelle population proportionnellement à sa valeur d’adaptation. On effectue, en quelque sorte, autant de tirages avec remises qu’il y a d’éléments dans la population. la probabilité avec laquelle il sera réintroduit dans la nouvelle population de taille Popsize est donnée par l’équation suivante : Pi = fi Popsize fj ∑ j =1 (3.5) Les individus possédant une plus grande fonction dadaptation ayant plus de chance dêtre sélectionnés. Opérateur de Croisement : Cet opérateur permet la création de deux nouveaux individus. Toutefois, un individu sélectionné lors de la reproduction ne subit pas nécessairement l’action d’un croisement. Ce dernier ne s’effectue qu’avec une certaine probabilité. Plus cette probabilité est élevée et plus la population subira de changement voir figure 3.3. 3.3. Les algorithmes génétiques 29 Point de croisement Parent 1 Parent 2 ? 11000 1010000 00100 1001000 11100 1010011 00101 0111001 ? Offsprings 1 110000111001 6 001011010000 Offsprings 2 6 6 110000111001 001011010000 Figure 3.3 – Croisement dans un seul point. Opérateur de Mutation : Le rôle de cet opérateur est de modifier aléatoirement, avec une certaine probabilité, la valeur d’un composant de l’individu voire figure3.4. 1100101110100100 1100101110000100 Figure 3.4 – mutation. La mutation est traditionnellement considérée comme un opérateur marginal bien qu’elle confère en quelque sorte aux algorithmes génétiques la propriété d’ergodicité (i.e. tous les points de l’espace de recherche peuvent être atteints). Cet opérateur est donc d’une grande importance. d. Autres paramètres : Les opérateurs de l’algorithme génétique sont guidés par un certain nombre de paramètres fixés à l’avance. La valeur de ces paramètres influence la réussite ou non d’un algorithme génétique. Ces paramètres sont les suivants : – La taille de la population N, et la longueur du codage de chaque individu l (dans le cas du codage binaire). Si N est trop grand le temps de calcul de l’algorithme peut s’avérer très important, et si N est trop petit, il peut converger trop rapidement vers un mauvais chromosome. Cette importance de la taille est essentiellement dûe à la notion de parallélisme implicite qui implique que le nombre d’individus traité par l’algorithme est au moins proportionnelle au cube du nombre d’individus. – La probabilité de croisement pc. Elle dépend de la forme de la fonction de fitness. Son choix est en général heuristique (tout comme pour pm). Plus elle est élevée, plus la population subit de changements importants. Les valeurs généralement admises sont comprises entre 0.5 et 0.9. – La probabilité de mutation pm. Ce taux est généralement faible puisqu’un taux élevé risque de conduire à une solution sous optimale. Plutôt que de réduire pm, une autre façon d’éviter que les 3.4. Les réseaux de neurones meilleurs individus soient altérés est d’utiliser la reconduite explicite de l’élite dans une certaine proportion. Ainsi, bien souvent, les meilleurs 5%, par exemple, de la population sont directement reproduits à l’identique, l’opérateur de reproduction ne jouant alors que sur les 95% restant. Cela est appelé une stratégie élitiste. 3.4 Les réseaux de neurones Lorsque apparaît une nouvelle technique, les chercheurs se demande naturellement en quoi cette nouveauté peut leur être utile. Ce qui est évidemment le cas pour les réseaux de neurones, la réponse à cette question doit être particulièrement précise et motivée. De plus, la mise en œuvre des réseaux de neurones est très simple ; la tentation peut être grande, d’appliquer cette technique de manière irréfléchie ou inadaptée, ce qui ne peut conduire qu’à des déceptions. C’est pourquoi nous expliquerons ici les principes fondamentaux qui justifient l’intérêt pratique des réseaux de neurones. Les réseaux de neurones artificiels sont construits sur une architecture semblable, en première approximation, à celle du cerveau humain. Le réseau reçoit les informations sur une couche réceptrice de neurones, traite ces informations avec ou sans l’aide d’une ou plusieurs couches cachées contenant un ou plusieurs neurones et produit un signal (ou plusieurs) de sortie. Chaque neurone, qu’il appartienne à la première couche (réceptrice), aux couches cachées ou à la couche de sortie, est lié aux autres neurones par des connexions (similaires aux synapses du cerveau) auxquelles sont affectés des poids (eux-mêmes assimilables aux potentiels synaptiques). 3.4.1 Le neurone biologique Un neurone biologique est constitué de trois parties : l’axone, le Dendrite et le noyau. Dans le cerveau, les neurones sont reliés ente eux par l’intermédiaire d’axones et de dendrites. On peut considérer que ces sorties sont conductrices d’électricité et peuvent ainsi véhiculer des messages depuis un neurone vers un autre voir (figure3.5). Les dendrites représentent les entrées du neurone et son axone sa sortie [38, 39, 40, 41]. Figure 3.5 – Le neurone biologique. 30 3.4. Les réseaux de neurones 3.4.2 31 Le neurone formel (artificiel) Contrairement au modèle biologique qui fait intervenir une notion du temps, le modèle formel est une fonction algébrique non linéaire et bornée (figure 3.6), dont la valeur dépend de paramètres appelés coefficients ou poids. Les variables de cette fonction sont habituellement appelées entrées du neurone, et la valeur de la fonction est appelée sa sortie. Un neurone est donc avant tout un opérateur mathématique, dont on peut calculer la valeur numérique par quelques lignes de logiciel. Synapses 1 - 1.5 Comparaison au seuil 3 -1 - -3 1 - 0.7 -1 - 1.3 ? ~ ^ > - 4.5 Sommation - 1 Sortie -1 - -0.6 Entrée Figure 3.6 – Le neurone formel. On distingue deux grands types d’architectures de réseaux de neurones : les réseaux de neurones non bouclés et les réseaux de neurones bouclés [38, 40, 42, 43, 44, 45]. Les réseaux de neurones non bouclés qui réalisent une (ou plusieurs) fonctions algébriques de ses entrées, par composition des fonctions réalisées par chacun de ses neurones. Le réseau de neurones non bouclé est représenté graphiquement par un ensemble de neurones connectés entre eux, l’information circulant des entrées vers les sorties sans retour en arrière. La figure 3.7 représente un réseau de neurones non bouclé qui a une structure particulière, très fréquemment utilisée : il comprend des entrées, une couche de neurones cachés et des neurones de sortie. Les neurones de la couche cachée ne sont pas connectés entre eux. Cette structure est appelée Perceptron multicouche. Figure 3.7 – Réseau de neurone non bouclé. 3.4. Les réseaux de neurones 32 Les réseaux de neurones bouclés Ces réseaux de neurones peuvent avoir une topologie de connexions quelconque, comprenant notamment des boucles qui ramènent aux entrées la valeur d’une ou plusieurs sortie (figure 3.8). Un réseau de neurones bouclé est donc un système dynamique, régi par des équations différentielles. Figure 3.8 – Réseau de neurone bouclé. 3.4.3 Modélisation d’un neurone formel Les premiers travaux datent de 1943 et sont l’ œuvre de Modélisation mathématique McCulloch et Pitts. Ils présentent un modèle assez simple pour les neurones et explorent les possibilités de ce modèle. La modélisation consiste à mettre en oeuvre un système de réseaux neuronaux sous un aspect non pas biologique mais artificiel, cela suppose que d’après le principe biologique on aura une Correspondance pour chaque élément composant le neurone biologique, donc une modélisation pour chacun d’entre eux [38, 42, 46]. On pourra résumer cette modélisation par le tableau 3.1, qui nous permettra de voir clairement la transition entre le neurone biologique et le neurone formel Neurone biologie Synapses Axones Somma Dendrite Neurone artificiel Poids de connexion Signal de sortie Fonction d’activation Signal d’entrée Table 3.1 – Analogie entre le neurone biologie et le neurone formel. a. les entrées du réseau neurone : Elles peuvent être binaires (0.1) ou réelles. b. Fonction d’activation : Cette fonction permet de définir l’état interne du neurone en fonction de son entrée totale, citons à titre d’exemple quelques fonctions souvent utilisées : Fonction linéaire : C’est l’une des fonctions d’activations les plus simples, sa fonction est définie par F ( x ) = x, (figure 3.9). 3.4. Les réseaux de neurones 33 f (x) f (x) = x 6 0.5 -0.5 - 0.5 x -0.5 Figure 3.9 – Fonction linéaire. Fonction sigmoïde : Elle est l’équivalent continu de la fonction linéaire (figure 3.10). Etant continu, elle est dérivable, d’autant plus que sa dérivée est simple à calculer. Elle est définie par : F ( x ) = 1+1e−x f (x) 6 0.8 0.4 0.2 -4.0 - -2.0 2.0 4.0 Figure 3.10 – Fonction sigmoïde. x c. fonction de sortie : Elle calcule la sortie d’un neurone en fonction de son état d’activation. En général, cette fonction est considérée comme la fonction identité. Elle peut être : binaire (0, 1), bipolaire (−1, 1) ou réelle. 3.4.4 Architecture des réseaux de neurones Les connexions entre les neurones qui composent le réseau décrivent la topologie du modèle. Elle peut être quelconque, mais le plus souvent il est possible de distinguer une certaine régularité (réseau à connexion complète) [38, 40, 42, 46, 47, 48, 49]. 3.4. Les réseaux de neurones 34 a. Réseau monocouche : La structure d’un réseau monocouche est telle que des neurones organisés en entrée soient entièrement connectés à d’autres neurones organisés en sortie par une couche modifiable de poids figure 3.11 Wij ~ > ^ Couche de sortie Couche d’entrée Figure 3.11 – Réseau monocouche. b. Réseau multicouche : Les neurones sont arrangés par couche. Il n’y a pas de connexion entre neurones d’une même couche, et les connexions ne se font qu’avec les neurones de couches avales. Habituellement, chaque neurone d’une couche est connecté à tous les neurones de la couche suivante et celle-ci seulement. Ceci nous permet d’introduire la notion de sens de parcours de l’information (de l’activation) au sein d’un réseau et donc définir les concepts de neurone d’entrée, neurone de sortie. Par extension, on appelle couche d’entrée l’ensemble des neurones d’entrée, couche de sortie l’ensemble des neurones de sortie. Les couches intermédiaires n’ayant aucun contact avec l’extérieur sont appelées couches cachées, figure 3.12. Couche cachée R U UW j : j w Couche de sortie Couche d’entrée Figure 3.12 – Réseau multicouche. 3.4. Les réseaux de neurones 3.4.5 Modèles des réseaux de neurones a. Le modèle perceptron : Le mécanisme perceptron fut inventé par le psychologue FRANK Rosenblat à la fin des années 50. Il représentait sa tentative d’illustrer certaines propriétés fondamentales des systèmes intelligents en général. Le réseau dans ce modèle est formé de trois couches : Une couche d’entrée, fournissant des donnés à une couche intermédiaire, chargée des calculs, cela en fournissant la somme des impulsions qui lui viennent des cellules auxquelles elle est connectée, et elle répond généralement suivant une loi définie avec un seuil, elle-même connectée à la couche de sortie (couche de décision), représentant les exemples à mémoriser. Seule cette dernière couche renvoie des signaux à la couche intermédiaire, jusqu’à ce que leurs connexions se stabilisent (figure3.13.) Couche intermdiaire R j : U j w UW Couche de sortie Couche d0 entre Figure 3.13 – Le modèle du percéptron. b. Modèle de Hopfield : Ce modèle très simple est basé sur le principe des mémoires associatives. C’est d’ailleurs la raison pour laquelle ce type de réseau est dit associatif (par analogie avec le pointeur qui permet de récupérer le contenu d’une case mémoire). Le modèle de Hopfield figure3.14 utilise l’architecture des réseaux entièrement connectés et récurrents (dont les connexions sont non orientées et ou chaque neurone n’agit pas sur lui-même). Les sorties sont en fonction des entrées et du dernier état pris par le réseau. 35 3.4. Les réseaux de neurones 36 - - - - - - - - v1 66 v2 vn Figure 3.14 – Le modèle de Hopfield. 3.4.6 Mise en œuvre des réseaux de neurones Cette démarche et composée de quatre étapes a. Fixer le nombre de couches cachées Mis à part les couches d’entrée et de sortie, l’analyste doit décider du nombre de couches intermédiaires ou cachées. Sans couche cachée, le réseau n’offre que de faibles possibilités d’adaptation ; avec une couche cachée, il est capable, avec un nombre suffisant de neurones, d’approximer toute fonction continue. b. Déterminer le nombre de neurones par couches cachées Chaque neurone supplémentaire permet de prendre en compte des profils spécifiques des neurones d’entrée. Un nombre plus important permet donc de mieux coller aux données présentées mais diminue la capacité de généralisation du réseau. Ici non plus il n’existe pas de règle générale mais des règles empiriques. La taille de la couche cachée doit être : – Soit égale à celle de la couche d’entrée. – Soit égale à 75% de celle-ci. – Soit égale à la racine carrée du produit des nombres dans la couche d’entrée et de sortie. c. Choisir la fonction d’activation : La fonction d’activation joue un rôle prépondérant dans le comportement du neurone, et de là, du réseau entier. d. La procédure d’apprentissage : L’apprentissage est une phase du développement d’un réseau de neurones durant laquelle le comportement du réseau est modifié jusqu’à l’obtention du comportement désiré, elle ne concerne cependant pas tous les modèles, mais les plus utilisés. L’apprentissage d’un réseau se fait généralement dans le contexte d’un comportement à apprendre. Les informations à traiter sont représentées sous forme d’un vecteur d’entrer qui est communiqué aux neurones d’entrées du réseau, la réponse du réseau s’interprète à partir de la valeur d’activation de ses neurones de sortie (vecteur de sortie). 3.4. Les réseaux de neurones 37 e. Les types d’apprentissage : Les techniques d’apprentissage se répartissent en deux grandes familles : L’apprentissage non supervisé : L’apprentissage est qualifié de non supervisé lorsque seules les valeurs d’entrée sont disponibles. Dans ce cas, les exemples présentés à l’entrée provoquent une auto-adaptation du réseau afin de produire des valeurs de sortie qui soient proches en réponse à des valeurs d’entrée similaires (de même nature) (figure3.15). E n t r é e - Réseau - Sortie obtenue 6 6 Figure 3.15 – L’apprentissage non supervisé. L’apprentissage supervisé L’apprentissage est dit supervisé lorsque les exemples sont constitués de couples de valeurs du type (valeur d’entrée, valeur de sortie désirée). Tout le problème de l’apprentissage supervisé consiste, étant donné un ensemble d’apprentissage E de N couples (entrée-sortie désirée) ( xi , yi ) i = 1, 2, .....n, à déterminer le vecteur des poids w d’un réseau Fw capable de mettre ces informations en correspondance (figure 3.16). E n t r é e - - Superviseur - Sortie désirée R Erreur Réseau - Sortie obtenue 6 6 Figure 3.16 – L’apprentissage supervisé. 3.4.7 Algorithmes d’apprentissage supervisée a. Algorithmes d’apprentissage d’un perceptron avec un seul neurone 1. Initialisation : mettre les poids initiaux w1 , w2 , ..., wn ainsi que le seuil θ à des valeurs aléatoires de l’intervalle [−0.5, 0.5]. Mettre le taux d’apprentissage α à une petite valeur positive. 2. Activation : activer le perceptron en appliquant les entrées x1 ( p), x2 ( p), ..., xn ( p) et la sortie désirée yd ( p). Calculer la sortie 3.4. Les réseaux de neurones 38 actuelle à l’itération p = 1. " y( p) = tage n ∑ x i ( p ) wi ( p ) − θ # (3.6) i =1 ou n et le nombres des signaux entrants et tage fonction d’activation par étage. 3. Entraînement des poids : mettre à jour les poids du perceptron, wi ( p + 1) = wi ( p) + ∆wi ( p) ou ∆wi ( p)est la correction de poids à l’itération p. La correction de poids est calculée par la loi suivante : ∆wi = αxi ( p)e( p) où e( p) est l’erreur à l’itération p ( la différence entre la sortie désirée et la sortie actuelle du perceptron). 4. Itération : augmenter p de 1, retourner à l’étape 2 et répéter le procédé jusqu’à convergence. b. Algorithme Rétro-propagation du gradient pour les MLP Dans le cas de perceptron multicouche, on ne sait pas les sorties désirées des couches cachées, mai seulement la dernière couche, pour cela il faut propager la responsabilité des erreurs de la dernière couche à la première dans le sens contraire de l’exécution de réseau, d’où le non rétropropagation. Les principales étapes de la méthode de rétro-propagation sont : 1. Calcul de l’erreur :l’erreur de neurone k est la différence entre la valeur de la sortie désirée et la valeur actuelle de la sortie du neurone k. ek ( p) = yd,k − yk (3.7) 2. Correction des poids : la correction du poids du lien du neurone j au neurone k. ∆w jk = y j ( p)δk ( p) (3.8) ou δk ( p) est le gradient d’erreurdu neurone k à l’itération p. 3. Gradient d’érreur pour les neurones de la couche de sortie : δk ( p) = yk ( p) [1 − yk ( p)] ek ( p) (3.9) 4. Gradient d’érreur pour les neurones de la couche cachée : l δj ( p ) = y k ( p ) 1 − y j ( p ) ∑ δk ( p)w j,k ( p) (3.10) k =1 l est le nombre de neurones sur la couche suivante. L’algorithme de traitement 1. Initialisation : mettre tous les poids et les seuils θ à des valeurs aléatoires. Mettre la valeur du taux d’apprentissage α à une petite valeur positive. 2. Activation : activer le réseau de neurones en appliquant les entrées et les sorties désirées, calculer les sorties actuelles des neurones des couches successives, de la première couche cachée à la couche de sortie. 3.4. Les réseaux de neurones 39 3. Entraînement des poids : mettre à jour les poids du réseau en propageant les erreurs dans le sens inverse : calculer les gradients d’erreurs pour les neurones des couches successives (ordre inverse), de la couche de sortie à la première couche cachée. Calculer les corrections de poids pour chaque lien et mettre à jour les poids. 4. Itération : augmenter p de 1, retourner à l’étape 2 et répéter le procédé jusqu’à ce que le critère d’erreur soit atteint. 3.4.8 Algorithmes d’apprentissage non supervisés Réseau non supervisé, ce type de réseaux de neurones s’entraîne sans besoin de supervision, c’est à dire sans que l’on ait besoin de signifier au réseau comment il doit se comporter. a. Apprentissage Hebbien C’est un type d’apprentissage non supervisé. Si, deux neurones de chaque coté d’une liaison sont activés synchroniquement, le poids de cette liaison augmente. Si d’un autre coté, deux neurones de chaque coté d’une liaison sont activés a synchroniquement le poids de cette liaison augmente, la modification des poids suit la règle suivante : wij ( p) = αyi ( p) xi ( p) − φyi ( p)wij ( p) (3.11) ou φ est le facteur d’oubli et α le taux d’apprentissage. Cette régle peut également être écrite comme suit : wij ( p) = φyi ( p λxi ( p) − wij ( p) (3.12) ou λ = α φ L’algorithme de fonctionnement est le suivant : 1. Initialisation :mettre les poids initiaux ainsi que les seuils à de petites valeurs aléatoires de l’intervalle, mettre le taux d’apprentissage α à une petite valeur positive ainsi que le facteur d’oubli φ . 2. Activation :activer les neurones du réseau selon leur fonction d’activation. 3. Apprentissage :mettre à jour les poids du réseau selon la règle suivante : wij ( p + 1) = wij ( p) + wij ( p) (3.13) 4. Itération : : incrémenter p, retourner à l’étape 2 et répéter le procédé jusqu’à ce que les poids convergent. 3.4.9 Les réseaux de neurones associés à l’optimisation La modélisation d’un problème d’optimisation à l’aide des réseaux de neurones est une tâche parfois assez complexe. Pour bien effectuer cette étape, il faut maîtriser le problème ainsi que ces concepts mathématiques. Les réseaux de neurones récurrents sans apprentissage permettent de mettre en œuvre les propriétés de non-linéarité et de dynamique qui se prêtent bien à la résolution de problème d’optimisation. C’est-à-dire que les paramètres du réseau seront dictés par le système sans recours à un apprentissage préalable, sont particulièrement adaptés aux problèmes qui requièrent des temps de réponse extrêmement brefs. 3.4. Les réseaux de neurones 3.4.10 40 Les neurones formels utilisés pour l’optimisation Dans les réseaux de neurones bouclés utilisés pour l’optimisation, les neurones sont soit binaires (leur fonction d’activation est un échelon entre (-1 et +1)), soit à fonction d’activation sigmoïde. N Vi = ∑ Wij Yi + Ii (3.14) j =1 Vi : Potentiel du neurone i pour un réseau de N neurones mutuellement connectés. Ii : Entrée constante (biais) du neurone i. 3.4.11 Architectures de réseaux de neurones pour l’optimisation Les réseaux de neurones bouclés (récurrents) constituent les techniques neurales les plus fréquemment utilisées pour résoudre des problèmes d’optimisation. Ces réseaux dans l’optimisation sont utilisés sans entée de commande : sous leur dynamique propre, ils évoluent, à partir d’un état initial (souvent aléatoire), vers un attracteur qui code une solution du problème d’optimisation. 3.4.12 Fonction d’énergie pour l’optimisation En général, une telle fonction d’énergie s’écrit sous la forme de la somme d’un terme de coût et d’un terme qui exprime la contrainte : (E= " coût " + " contrainte "). Mathématiquement la minimisation d’une fonction d’énergie se ramène fréquemment à la minimisation d’une fonction E( x ) sur un ensemble finie de point x, le vecteur x regroupe les variables du problème d’optimisation x = [ x1 , x2 , ..., xn ], la fonction E( x ) est définie de la manière suivante : E( x ) = Ec ( x ) + ∑ αk Ek ( x ) (3.15) k Ou Ec ( x ) est la fonction du coût, Ek ( x ) sont les termes de pénalités associés à des violations de contraintes, et les αk sont des coefficients de pondération qui doivent assurer un bon équilibre entre la minimisation du coût et la satisfaction des contraintes. La fonction E( x ) peut être exprimée par une fonction quadratique du type : N 1 N N E( x ) = ∑ ∑ Tij xi x j − ∑ Ii xi (3.16) 2 i =1 j =1 i =1 avec Tij = − ∂2 E ∂xi ∂x j ∂E Ii = ∂xi (3.17) 3.4. Les réseaux de neurones 3.4.13 41 Les réseaux de neurones récurrents (Modèle de Hopfield) Un réseau de Hopfield est constitué d’une couche de neurones complètement connectés, le vecteur d’état étant le vecteur des sorties des neurones. L’ordre du réseau est égal au nombre de neurones. Le réseau de neurones proposé initialement par Hopfield est un réseau de neurones récurrent à temps discret, dont la matrice des connexions wij est symétrique et à diagonale nulle. Chaque connexion ayant un retard unité, le potentiel du neurone i au temps k est la somme pondérée de l’activité des autres neurones du réseau au temps k − 1 : ! vi ( k ) = φ ∑ wij yi (k − 1) + Ii (3.18) j 6 =i où – vi (k ) est la sortie du neurone i à l’instant k. – wij est le poids relatif à la connexion entre le neurone j et le neurone i. – Ii est le biais (entrée constante) du neurone i. La fonction d’activation peut prendre plusieurs formes, elle peut être une fonction d’étage (échelon) (3.19) ou une fonction de signe (3.20) x≥0 1 Θ( x ) 1 ≥ x ≥ 0 (3.19) Θ( x ) = 0 x≺0 x≥0 1 sign( x ) 1 ≥ x ≥ −1 sign( x ) = −1 x≺0 (3.20) En conclusion, un réseau avec les unités évaluées continues (réseau analogue de Hopfield), peut être obtenu en utilisant la fonction sigmoïde. 1 (3.21) 1 + e− x Les attracteurs vers lesquels converge un tel réseau correspondent aux minimums d’une fonction d’énergie définie comme suit : g( x ) = E( x ) = N 1 N N w y y − ∑ ij i j ∑ Ii yi 2 i∑ =1 j =1 i =1 (3.22) où – y est le vecteur des sorties des neurones du réseau. On établit naturellement un lien entre une telle énergie et la fonction d’énergie d’un problème d’optimisation, décrite précédemment. On comprend dès lors aisément l’attrait des réseaux de neurones récursifs pour traiter des problèmes d’optimisation. 3.4. Les réseaux de neurones Conclusion du chapitre Dans ce chapitre nous avons exposé le principe de fonctionnement de l’algorithme proposé (Neuro-Génétique) qui est basé sur l’hybridation de deux algorithmes ; l’algorithme génétique qui est un algorithme d’optimisation globale et l’algorithme Hopfield qui est un algorithme d’optimisation locale. Pour cela on a décrit en détail : – L’Algorithme Hybride, – L’Algorithme Génétique avec ces opérateurs (sélection, croisement et mutation) qui représentent le mécanisme de fonctionnement, – Les réseaux de neurones avec leur principe de fonctionnement et ses différents types. La modélisation et l’implémentation de ces techniques dans les réseaux électriques pour l’étude du dispatching économique environnemental seront détaillées dans le 4ème chapitre. 42 Modélisation du Dispatching Economique Environnemental 43 Modélisation du dispatching économique environnemental 4 D ans le chapitre précédent nous avons exposé d’une manière générale les arguments théoriques qui justifient l’utilisation d’un système hybride Neuro-Génétique qui fusionne entre l’algorithmes génétiques et le réseau de neurones (Hopfield). Dans le cadre de l’optimisation, cette approche se révèle particulièrement très intéressante, nous allons donc décrire ça mise en œuvre après modélisation des Dispatchings Economique, Environnemental et Economique Environnemental. 4.1 Dispatching Economique Le dispatching doit garantir en tout temps et en tout lieu les puissances active et réactive prises sous engagement avec ses consommateurs, à moindre coût de combustible. On détermine ce coût par la fonction input-output c’est à dire le coût du combustible-puissance active générée par les unités de production. Cette fonction est celle d’un polynôme de degré "n" [2, 9]. En pratique, le plus souvent, elle est représentée sous forme d’un polynôme du deuxième degré : 2 Ci ( Pgi ) = ai Pgi + bi Pgi + ci (4.1) La fonction Ci ( Pgi ) n’est connue que sous une forme discrète, c’est à dire, à partir d’un certain nombre de points. C’est pour cette raison qu’on fait appel à des méthodes d’interpolation afin de déterminer les coefficients ai , bi et ci qui sont propres à chaque unité de production. La minimisation de la fonction de coût total de production d’énergie électrique est une tâche qui se présente de la manière suivante : ng min C = ∑ Ci ( Pgi ) (4.2) i =1 sous les contraintes ng ∑ Pgi − Pch − PL = 0 (4.3) Pgimin ≤ Pgi ≤ Pgimax (4.4) i =1 44 4.1. Dispatching Economique 45 Pour la contrainte 4.3, nous avons considéré deux variantes. Première variante Les pertes constantes sont déterminées en faisant un calcul d’écoulement de puissance. Deuxième variante La méthode utilisée pour le calcul des pertes électrique est la méthode des B_coe f f icients, ces résultats sont jugés satisfaisants pour de nombreux réseaux électriques. Dans le calcul Dispatching Economique Environnemental , il est important d’exprimer les pertes transmises en fonction des puissances générées leur expression est donnée par[2, 9, 53] : ng ng PL = ∑ ∑ Pgi Bij Pgj (4.5) i =1 j =1 En référence [2, 6, 51] ces pertes sont exprimées en fonction des puissances injectées et des tensions nodales. Leur expression est donnée par : ng PL = ∑ akm ( Pgk Pgm + Q gk Q gk ) + bkm ( Pgm Q gk − Q gm Pgk ) (4.6) k =1 m =1 avec rkm cos(δk − δm ) Vk Vm r = km sin(δk − δm ) Vk Vm Pk = PGk − PDk akm = (4.7) bkm (4.8) (4.9) rkm : Représente la partie réelle des éléments de la matrice des impédances nodales. Les tensions nodales sont supposées constantes (en module et en phase) ainsi que les puissances réactives injectées et les puissances actives consommées. Dans ce cas la l’expression des pertes 4.6 sera donnée par : ng PL = ∑ k =1 m =1 ng akm ( PGk PGm ) − 2 ∑ PGk (bkm Q gm + akm PDm ) + C (4.10) k =1 m =1 la constante C est exprimée sous la forme suivante : ng C= ∑ k =1 m =1 [ akm ( PDk PDm + Qk Qm ) + bkm ( PDm Qk − Qm PDk )] (4.11) 4.2. Dispatching Environnemental 4.2 46 Dispatching Environnemental Une des menaces les plus graves qui pèsent sur l’environnement mondial est dûe à l’augmentation rapide des émissions des gaz à effet de serre (GES), qui selon de nombreux scientifiques, est le principal responsable du réchauffement de la planète[2, 54, 55]. Ces émissions atmosphériques sont une des principales préoccupations des producteurs d’électricité utilisant des centrales thermiques à combustibles fossiles. Cette pollution contribue directement à l’augmentation des émissions de gaz à effet de serre (GES) a savoir (CO2, SO2, NOx). L’émission des gaz varie selon le type de combustible utilisé voir (fig 4.1, fig 4.2 et fig 4.3). Charbon 40% Fuel 32% Gaz naturel 28% Nucléaire 0% 32% 28% 40% Figure 4.1 – Emission du CO2 . Charbon 37% Fuel 37% Gaz naturel 26% Nucléaire 0% 37% 26% 37% Figure 4.2 – Emission du NOx . 4.2. Dispatching Environnemental 47 Charbon 84% Fuel 14% Gaz naturel 1.4% Nucléaire 0% 84% 14% Figure 4.3 – Emission du SO2 . Selon les estimations, 86 % de l’énergie produite provenait de l’utilisation de combustibles fossiles. Or, la consommation de tels combustibles génère chaque année 6,3 milliards de tonnes de dioxyde de carbone. Comme les processus naturels de la terre ne peuvent absorber qu’environ la moitié de ce gaz à effet de serre, on observe annuellement une augmentation nette de 3,2 milliards de tonnes de dioxyde de carbone atmosphérique qui, au dire de nombreux scientifiques, est à l’origine du réchauffement planétaire. 4.2.1 Energie électrique et les Gaz à effet de sére (GES) La plus grande partie de l’électricité mondiale est produite dans des usines thermiques alimentées au charbon (figure 4.4), au fuel, à l’énergie nucléaire ou au gaz et, en de plus petites proportions au diesel, ou dans des usines hydroélectriques[2, 45]. Figure 4.4 – Diagramme d’une centrale au charbon. 4.2. Dispatching Environnemental 48 Les centrales à combustibles fossiles jouent un rôle important. En effet, à la différence des centrales nucléaires, elles peuvent s’adapter rapidement aux changements de la demande. Elles permettent facilement intensifier la production pour répondre à la demande en période de pointe. Une centrale au charbon de 2000 MW génère en une seule journée : > 42000 tonnes de CO2 ; > 620 tonnes de gaz acides ; > 10 tonnes de poussière ; > 1300 tonnes de cendre. 4.2.2 Les mesures techniques a. Pour le dioxyde de carbone CO2 La formation de CO2 engendrée par les combustibles fossiles est inévitable. Sur le plan technico-économique, il est pratiquement impossible d’éviter ces émissions [2, 57, 58]. Il existe toutefois des solutions : 1. La combustion du gaz au lieu du charbon ou du fuel (qui limite les émissions de CO2). 2. L’énergie nucléaire qui ne produit pas de CO2. 3. L’utilisation des source d’énergie renouvelable (eau, vent, soleil et ..). b. Pour le dioxyde de soufre (SO2) Pour réduire les émissions de SO2, il est fait usage de gaz naturel exempt de soufre et de charbon et de fuel à faible teneur en soufre. En autre la part de l’énergie nucléaire dans la production d’électricité contribue largement à cette réduction des émissions. Dans les centrales au charbon, il conviendra de procéder à une " désulfuration ". Dans les grandes unités les émissions de SO2 et de NOx font l’objet d’une mesure permanente au niveau des cheminées . c. Pour l’oxyde d’azote (NOx) Le choix de combustible ne permet pas de maîtriser la formation de NOx aussi bien que celle de SO2, cette situation s’explique par la formation à haute température de NOx par oxydation de l’azote présent dans l’air de combustion. Pour réduire les rejets de NOx il est possible d’appliquer des mesures primaires dans le foyer parmi ces mesures [2, 57, 58] : 1. L’utilisation du brûleur tangentiel installé dans les angles de foyer. 2. L’abaissement de la température de combustion. 3. Pour les nouvelles installations, des techniques de Désazotification peuvent s’avérer nécessaires, comme la réduction catalytique. 4.2.3 Modèle mathématique du Dispatching Environnemental La quantité des émissions des gaz toxiques peut être mathématiquement représentée comme fonction quadratique des puissances électriques générées [2, 53, 59, 60] : 2 Ei ( Pgi ) = αi Pgi + β i Pgi + γi (4.12) 4.3. Dispatching Economique Environnemental (DEE) 49 où α, β et γ sont des coefficients des émissions. La diminution des émissions atmosphériques consiste à minimiser l’équation 4.13 sous les contraintes données par équation 4.3 et équation 4.4. ng min E = ∑ Ei ( Pgi ) (4.13) i =1 4.3 Dispatching Economique Environnemental (DEE) L’étude du dispatching économique-environnemental consiste à la minimisation simultanée des deux fonctions données par 4.2 et 4.13. Nous transformons donc le problème d’optimisation bi-objectifs en un problème d’optimisation mono-objectif, en introduisant un facteur de pénalité de prix. Ce facteur est défini comme étant le rapport entre le coût maximal et les émissions maximales de chaque générateur[2, 53, 59, 61] : Fp = C ( Pgimax ) E( Pgimax ) $/Kg, i = 1, 2, . . . , ng (4.14) Les étapes à suivre pour déterminer le facteur de pénalité de prix spécifié pour une charge donnée sont : – Déterminer le rapport entre le coût maximal et les émissions maximales pour chaque générateur. – Classer les valeurs de ces facteurs par ordre croissant. – Sommation des puissances maximales Pgimax de chaque générateur en commençant par le puissance de la centrale ayant le plus faible ng facteur jusqu’à ∑i=1 Pgimax ≥ Pd . – A ce stade, Fp lié à la dernière unité dans le processus est le facteur de pénalité de prix pour la charge donnée. Après détermination de ce facteur, nous pouvons représenter la fonction décrivant le Dispatching Economique-Environnemental par l’équation suivante : ng ψ= ∑ i =1 ng ( ai Pgi2 + bi Pgi + ci ) + Fp ∑ (αi Pgi2 + β i Pgi + γi ) (4.15) i =1 L’équation 4.15 peut être réécrite de la manière suivante : ng ψ= ∑ ( Ai Pgi2 + Bi Pgi + Ci ) (4.16) i =1 avec : Ai = ai + Fp αi , Bi = bi + Fp β i et Ci = ci + Fp γi La minimisation de cette fonction se fait en tenant compte des contraintes de type égalité et inégalité données respectivement par les équations 4.3 et 4.4. 4.4. Implémentation des Algorithmes Génétiques 4.4 Implémentation des Algorithmes Génétiques Technique basée sur l’évolution (méthodes évolutionnistes). Son principe est de créer une population initiale généralement aléatoire et la faire évoluer en lui appliquant les principaux opérateurs d’évolution jusqu’à avoir une population que l’on jugera satisfaisante [2, 34, 36, 61, 62]. Le principe de fonctionnement du CGA (Continuos Genetic Algorithme)est représenté par la figure 4.5. Figure 4.5 – Organigramme de l’algorithme génétique. 50 4.5. Implémentation des réseaux de neurones (Hopfield) 4.4.1 Mécanisme de fonctionnement Pour mettre en relief le principe d’implémentation d’un algorithme génétique pour minimiser nos fonctions objectifs, nous allons décrire étape par étape ce principe. Variable et fonction de coût : le but est de résoudre le problème d’optimisation à savoir trouver la solution optimale (le minimum). Si le chromosome est composé de Nvar variable comme suite P1 , P2 , . . . , PNvar alors il est représenté sous forme d’un vecteur avec 1xNvar éléments. Chromosome = [ P1 , P2 , . . . , PNvar ] chaque chromosome est évalué par une fonction de coût f : Cost = f ( P1 , P2 , . . . , PNvar ) Population initiale : La population initiale est composée de Popsize chromosomes cette population est représentée par une matrice de Popsize xNvar chaque ligne de cette matrice représente 1xNvar chromosome de valeur réelle. Croisement : Le croisement réel ne se différencie du croisement binaire que par la nature des éléments qu’il altère : ce ne sont plus des bits qui sont échangés à droite du point de croisement, mais des variables réelles, le croisement utilisé est simple à un seul point les variables entre ce point seront permutées entre deux chromosomes parents par exemple on considère les deux parents suivant : parent1 = [ Pm1 , Pm2 , Pm3 , Pm4 , . . . , PmNvar ] parent2 = [ Pd1 , Pd2 , Pd3 , Pd4 , . . . , PdNvar ] le choix du point de croisement est aléatoire sélectionné o f f spring1 = [ Pm1 , Pm2 , ↑ Pd3 , Pd4 , ↑ . . . , PmNvar ] o f f spring2 = [ Pd1 , Pd2 , ↑ Pm3 , Pm4 , ↑ . . . , PdNvar ] Mutation : L’algorithme génétique converge rapidement vers la surface des solutions optimales (minimum global), cependant certaine fonction ont plusieurs minimums locaux si on laisse l’algorithme tel qu’il est il a la tendance de converger vers ces solutions au lieux des solutions globales pour remédier à ce problème on force l’algorithme pour exploiter d’autres surfaces par l’introduction de l’opérateur de mutation. On sélectionne au hasard une gène k dans la chaine [ Pm1 , Pm2 , Pm3 , ....., Pk , . . . , PmNvar ] et générer la nouvelle chaine [ Pm1 , Pm2 , Pm3 , ....., Ṕk , . . . , PmNvar ] où Ṕk est une valeur aléatoire prise dans lintervalle [ Pkmin , Pkmax ]. 4.5 Implémentation des réseaux de neurones (Hopfield) La résolution du problème du Dispatching Economique Environnemental par un réseau de neurones (Hopfield) se fait en comparant la fonction d’énergie du modèle de Hopfield avec la fonction objectif à minimiser. 51 4.5. Implémentation des réseaux de neurones (Hopfield) 52 Cette dernière est pénalisée en tenant compte de la contrainte de type égalité seulement [2, 64, 65, 66, 67, 68]. La fonction d’énergie du modèle de Hopfield est donnée par l’équation suivante : ng ng ng 1 Eenrg = − ∑ ∑ Tij Pgi Pgj − ∑ Ii Pgi (4.17) 2 i =1 j =1 i =1 En prenant notre fonction objectif du Dispatching Economique Environnemental, nous comparons donc l’équation 4.17 avec l’équation 4.18 Bc ET = 2 ng ∑ i =1 ng ( Ai Pgi2 Ac + Bi Pgi + Ci ) + ( Pgi − Pc h − PL )2 2 i∑ =1 (4.18) Après développement de l’équation 4.18, nous aurons : ET = 1 N N Ac ( Ac + Bc Ci ) Pgi Pgj + ∑ ∑ 2 i =1 j =1 2 + N ∑ N ∑ Pgi Pgj + i =1 j =1 Bc 2 N B Ac ( Pch + PL )2 − ∑ ( Ac ( Pch + PL ) − Bc i ) Pgi 2 2 i =1 N ∑ Ai i =1 (4.19) La comparaison des équations 4.17 et 4.19, nous permet d’exprimer les coefficients de Hopfield (poids et les biais). Tii = − Ac − Bc Ci Tij = − Ac (4.20) Bc Ii = Ac ( Pch + PL ) − Bi 2 Le calcul de l’entrée du réseau de neurones est donné par l’équation 4.21 N Uik = Uik−1 + ∑ Tij Vj + Ii (4.21) j =1 Vi est la sortie du réseau de neurones. Elle est calculée en utilisant la fonction sigmoïde. 1 Vik = (4.22) −U k 1 + exp( u0 i ) 4.5. Implémentation des réseaux de neurones (Hopfield) 4.5.1 Algorithme de fonctionnement 1. Introduction des données. 2. Initialisation des paramètres du réseau de neurones. 3. Calcul du facteur de pénalité et les pertes électriques. 4. Formulation de la matrice des poids du réseau de Hopfield. 5. Calcul de la sortie Ui et l’entrée Vi du réseau de Hopfield en utilisant les équation 4.21 et 4.22. 6. Transformation des valeurs normalisées à des valeurs réelles. 7. Test de la convergence du réseau de Hopfield, et la violation des contraints, si oui stopper le processus, sinon transformation des valeurs réelles à des valeurs normalisées, refaire le procédé a partir de l’étape (3). L’organigramme d’un réseau de neurones appliqué à l’optimisation des puissances générées est donné par la figure 4.6. Figure 4.6 – Organigramme du réseau Hopfield. 53 4.5. Implémentation des réseaux de neurones (Hopfield) Conclusion du chapitre Dans ce chapitre nous avons présenté les modèles mathématiques du Dispatching Economique et Environnemental. Dans ces modèles les pertes électriques sont prises en considération sous deux variantes (constantes et en fonction quadratique des puissances actives générées). L’algorithme génétique et les réseau de neurones (Hopfield) sont implémentés pour résoudre le problème du Dispatching Economique Environnemental (DEE). 54 Simulation et résultats 55 Simulation et résultats 5 D ans ce chapitre, Nous exposons, les tests de validation des méthodes proposées à savoir les algorithmes génétiques (AG), les réseaux de neurones (HNN) et le système hybride Neuro-Génétique (HGA). Dans la première partie, on va appliquer la technique hybride (HGA) sur le problème du Dispatching Economique (DE), cette étude sera réalisée sur un réseau qui comporte treize générateurs. La deuxième partie sera consacrée au problème du Dispatching Economique Environnemental (DEE), l’application sera effectuée sur un réseau qui comporte trois générateurs et le réseau standard IEEE 30 nœuds qui comporte six générateurs. Ces choix nous permet de comparer les résultats obtenus avec d’autres résultats. 5.1 L’étude du Dispatching Economique (DE) Dans cette étude, la technique hybride (HGA) sera appliquée sur un réseau de 13 générateurs [69], le tableau 5.1 regroupe les valeurs des coefficients des fonctions coût des 13 générateurs et les puissances limites a savoir (Pmax etPmin ). n˚ du générateur 1−6 7, 8 9, 10 11 12 13 Coefficient du coût a b c 0.00324 7.74 240 0.00284 8.60 126 0.00284 8.60 126 0.00028 8.10 550 0.00056 8.10 309 0.00056 8.10 307 Puissances limites Pmax Pmin 180 60 120 40 120 55 680 0 360 0 360 0 Table 5.1 – Les données du réseau électrique comportant treize générateurs 56 5.1. L’étude du Dispatching Economique (DE) 57 Les coefficient des pertes Bij sont données par la matrice suivante : Bij = 5 1 5 5 1 5 1.5 5 5 1 5 5 1.5 1 4 1 5 1.5 5 5 0 1 5 5 0 5 5 1 3 5 5 0 1 0 5 0 5 0 5 5 5 5 4.4 1.5 1 0 0 5 0 5 0 0 1 1.5 5 1.5 4 1.5 1 5 0 0 5 0 0 5 5 0 1 1.5 4 1 5 0 5 0 0 0 1.5 5 1 0 1 1 3 1.5 1 0 5 0 0 x10−5 5 0 0 0 5 5 1.5 4 1 1 0 5 0 5 1 5 5 0 0 1 1 3 1 5 5 0 1 5 0 0 0 5 0 1 1 5 1.5 1 5 5 5 5 5 5 0 5 0 5 1.5 4 1.5 5 5 0 0 0 0 0 0 5 5 1 1.5 5 1 1.5 5 5 0 0 0 0 0 0 5 5 1 7 Le tableau 5.2, compare les résultats obtenus par algorithme hybride (HGA) avec celle trouvées par la méthode classique (CM) [62] et la méthode neurone proposée (PNM) [62] pour différentes charges. Les valeurs optimales des puissances générées sont données dans le tableau A.1de l’annexe A. ng ∑ Pi Pertes Coût i =1 (MW) PNM [69] CM [69] HGA PNM [69] CM [69] HGA PNM [69] CM [69] HGA électriques de production (MW) ($/h) Puissance demandée 975 MW 988.41 13.4011 11201.95 988.40 13.4009 11201.90 982,885 7.898 11164.649 Puissance demandée 1925 MW 1985.2 60.1509 19506.92 1985.2 60.1509 19502.92 1960,5 36.825 19330.130 Puissance demandée 2575 MW 2685.3 110.6711 25514.85 2685.7 110.6924 25514.99 2643.898 69.309 25164.226 Table 5.2 – Les résultats de simulation pour le Dispatching Economique La variation du coût de production et les puissances générées pour les différentes charges est représentée par les figures 5.1, 5.2 et 5.3. 5.1. L’étude du Dispatching Economique (DE) 58 11360 11340 Coût de la production ($/h) 11320 11300 11280 11260 11240 11220 11200 11180 11160 0 100 200 300 400 500 Nombre de génération 180 Puissances générées (MW) 160 Pg1 Pg2 Pg3 Pg4 Pg5 Pg6 Pg7 Pg8 Pg9 Pg10 Pg11 Pg12 Pg13 140 120 100 80 60 40 20 0 0 100 200 300 400 500 Nombre de génération Figure 5.1 – Variation du coût de production et les puissances Pch = 975MW 5.1. L’étude du Dispatching Economique (DE) 59 Coût de production ($/h) 21500 21000 20500 20000 19500 19000 0 100 200 300 400 500 Nombre de génération 700 Puissances générées (MW) 600 Pg1 Pg2 Pg3 Pg4 Pg5 Pg6 Pg7 Pg8 Pg9 Pg10 Pg11 Pg12 Pg13 500 400 300 200 100 0 0 100 200 300 400 500 Nombre de génération Figure 5.2 – Variation du coût de production et les puissances pour Pch = 1925MW 5.1. L’étude du Dispatching Economique (DE) 60 25550 25500 Coût de production ($/h) 25450 25400 25350 25300 25250 25200 25150 0 100 200 300 400 500 Nombre de génération 700 Puissances générées (MW) 600 Pg1 Pg2 Pg3 Pg4 Pg5 Pg6 Pg7 Pg8 Pg9 Pg10 Pg11 Pg12 Pg13 500 400 300 200 100 0 0 100 200 300 400 500 Nombre de génération Figure 5.3 – Variation du coût de production et les puissances Pch = 2575MW D’après les figures (5.1, 5.2 et 5.3) et le tableau5.2, on remarque que l’algorithme hybride HGA fournit la meilleure solution optimale comparée avec les autres algorithmes, l’algorithme converge rapidement vers la solution optimale, les puissances optimales ne dépassent pas les limites de fonctionnement des générateurs. On remarque aussi, d’après le tableau 5.6, que pour les puissances demandées 975 MW, 1925 MW et 2575 MW le coût de production a diminué de 37.301 $/h, 176.790 $/h et 350.764 $/h respectivement par apport à d’autres algorithmes. Idem pour les pertes électriques qui ont baissé de 5.502 MW, 23.326 MW et 41.327 MW respectivement. 5.2. L’étude du Dispatching Economique Environnemental 5.2 L’étude du Dispatching Economique Environnemental Pour réaliser cette étude l’application a été effectué sur un réseau à trois générateurs et un réseau à 30 nœuds comprenant 6 générateurs. 5.2.1 Réseau a trois générateurs Les données du réseau à trois générateurs [70] ; coefficients des fonctions coût et les coefficients des émissions sont regroupées dans le tableau 5.3 et le tableau 5.4. N◦ du générateur 1 2 3 F ( pg) = ap2g + bp g + c a b c 0.03546 38.0553 1243.5311 0.02111 36.32782 1658.569 0.01799 38.2704 1356.6592 Puissances limites Pmax Pmin 210 35 325 130 315 125 Table 5.3 – Coefficients des fonctions coût réseau à 03 générateurs. N◦ du générateur 1 2 3 F ( pg) α 0.00683 0.00461 0.00461 = αp2g + βp g + γ β γ -0.54551 40.2669 -0.51160 42.89553 -0.51160 42.89553 Table 5.4 – Coefficients caractéristiques des émissions réseau a 03 générateurs. Les coefficients des pertes de transmission son donné comme suite : 0.000071 0.000030 0.000025 Bij = 0.000030 0.000069 0.000032 0.000025 0.000032 0.000080 Le tableau 5.5, compare les résultats obtenus par l’algorithme hybride (HGA) avec ceux trouvé par d’autre travaux [70] pour différentes charges. 61 5.2. L’étude du Dispatching Economique Environnemental Puissances Pertes Coût généré (MW) électriques de production P1 P2 P3 (MW) ($/h) Puissance demandée 400 MW 102.66 153.87 151.13 7.41 29922 99.7 147.26 161.08 7.69 29820 99.52 165.11 142.32 7.39 29812 109.296 161.673 136.480 7.449 30478.05 Puissance demandée 500 MW 120.00 192.81 190.08 11.88 39458 127.54 200.58 183.43 11.80 39441 127.52 193.50 190.62 11.70 39433 120.220 198.202 193.254 11.676 40414.35 Puissance demandée 700 MW 182.62 271.27 269.47 23.37 66690 190.11 274.71 258.21 23.29 66659 187.21 273.56 262.35 23.28 66631 177.005 262.742 283.552 23.299 66434.32 Lambda [70] SGA [70] RGA [70] HGA Lambda [70] SGA [70] RGA [70] HGA Lambda [70] SGA [70] RGA [70] HGA Table 5.5 – Les résultats de simulation pour le DEE réseau a trois générateurs La variation des puissances générées, coût total et la quantité d’émission pour les différentes charges est représenter par les figures (5.4, 5.5, 5.6, 5.7 et 5.8). Pg1 Pg2 Pg3 180 170 Puissances générées (MW) 160 150 140 130 120 110 100 90 80 0 100 200 300 400 500 Nombre de génération Figure 5.4 – Variation des puissances générées Pch = 400MW 62 Quantité d’émission (Kg/h) 201.5 201.35 201.21 201.865 312.00 311.89 311.33 312.190 652.55 652.04 651.60 652.902 5.2. L’étude du Dispatching Economique Environnemental 31600 Coût totale de production ($/h) 31400 31200 31000 30800 30600 30400 0 100 200 300 400 500 Nombre de génération Figure 5.5 – Variation de coût total de production Pch = 400MW 225 Quantité d'émission (Kg/h) 220 215 210 205 200 0 100 200 300 400 500 Nombre de génération Figure 5.6 – Variation de la quantité d’émissions Pch = 400MW 63 5.2. L’étude du Dispatching Economique Environnemental Puissances générées (MW) 200 180 Pg1 Pg2 Pg3 160 140 120 100 0 100 200 300 400 500 Nombre de génération 41400 Coût total de production ($/h) 41200 41000 40800 40600 40400 0 100 200 300 400 500 Nombre de génération Quantité 'émission (Kg/h) 314 312 310 308 306 304 0 100 200 300 400 500 Nombre de génération Figure 5.7 – Variation des puissances générées, coût total et les émissions Pch = 500MW 64 5.2. L’étude du Dispatching Economique Environnemental 325 Pg1 Pg2 Pg3 Puissances générées (MW) 300 275 250 225 200 175 150 0 100 200 300 400 500 Nombre de génération 84000 Coût total de production ($/h) 82000 80000 78000 76000 74000 72000 70000 68000 66000 0 100 200 300 400 500 Nombre de génération 660 Quantité d'émission (Kg/h) 650 640 630 620 610 600 0 100 200 300 400 500 Nombre de génération Figure 5.8 – Variation des puissances générées, coût total et les émissions Pch = 700MW 65 5.2. L’étude du Dispatching Economique Environnemental D’après le tableau 5.5, les puissances électriques générées respectent les limites de fonctionnement des générateurs, le coût de production et la quantité d’émission représentent une légère différence concernant la charge 400 MW, 500 MW, pour la charge 700 MW le coût total a été réduit de 225.68 $/h ainsi que les pertes électriques sont réduite de 0, 0143 MW par rapport à d’autres méthodes. HGA converge rapidement vers la solution optimale au bout de 40 générations d’après les figures(5.4, 5.5, 5.6, 5.7 et 5.8). 5.2.2 Réseau de 30 nœuds le réseau investi lors de cette étude est un réseau de 30 nœuds (figure 5.9) qui comprenant 06 nœuds générateurs. Figure 5.9 – Topologie du réseau 30 nœuds. Les valeurs des impédances, des admittances shunts des lignes et les valeurs planifiées des puissances sont données respectivement par les tableaux A.2 et A.3 de l’annexe A. La charge totale pour le réseaux 30 nœuds est de 283.4 MW pour une puissance de base égale à 100 MVA. Les valeurs des coefficients des fonctions coût et les puissances limites des deux réseaux sont regroupées dans le tableau 5.6. Les valeurs des coefficients des émissions des gaz sont regroupées dans le tableau 5.7. 66 5.2. L’étude du Dispatching Economique Environnemental N◦ du générateur 1 2 5 8 11 13 F ( pg) = a 0.00375 0.00175 0.06250 0.00834 0.02500 0.02500 ap2g + bp g + c b c 2.0 0 1.5 0 1.8 0 2.0 0 1.5 0 1.8 0 67 Puissances limites Pmax Pmin 360.4 10 140 10 100 10 100 10 100 10 100 10 Table 5.6 – Coefficients des fonctions coût réseau 30 nœuds. N◦ du générateur 1 2 5 8 11 13 F ( pg) = αp2g + βp g + γ α β γ 6.490 10-6 -5.554 10-4 4.091 10-2 5.638 10-6 -6.047 10-4 2.543 10-2 4.586 10-6 -5.094 10-4 4.258 10-2 3.380 10-6 -3.550 10-4 5.326 10-2 4.586 10-6 -5.094 10-4 4.258 10-2 5.151 10-6 -5.555 10-4 6.131 10-2 Table 5.7 – Coefficients caractéristiques des émissions. 6. 2. 2. 1 Calcul de l’écoulement de puissance Le calcul de l’écoulement de puissance est une étape nécessaire pour l’optimisation des puissances générées. Il est effectué en premier lieu pour la détermination des conditions initiales du système. En effet, il permet de trouver les tensions aux différents nœuds et par suite les puissances transmises et injectées [6]. Les résultats du calcul de l’écoulement de puissance obtenus en utilisant le logiciel ERELEC [6] et en appliquant la méthode de Newton-Raphson sont donnés par les tableaux A.4 et A.5 de l’annexe A. La méthode converge en 6 itérations avec un pas de précision de 10−5 . Les puissances générées active et réactive au nœud bilan sont évaluées respectivement à 151.8 MW et 0.59 MVAR. Les pertes de transmission actives sont égales à 8.45 MW et réactives à 0.391 MVAR. Une fois le calcul de lécoulement de puissance est accompli, le logiciel permet la détermination des coefficients des pertes de transmission : aij = 0.01179 0.00192 −0.00366 −0.00525 −0.0401 −0.00260 0.00192 0.00617 −0.00085 −0.00458 −0.00345 −0.00272 −0.00366 −0.00525 −0.00401 −0.00085 −0.00458 −0.00345 −0.02337 −0.00407 −0.00308 −0.00407 0.01434 0.00470 −0.00308 0.00470 0.00995 −0.00392 0.00195 −0.00158 −0.00260 −0.00272 −0.00392 0.00195 −0.00158 0.02182 5.2. L’étude du Dispatching Economique Environnemental −2 ∑ (bij Q j + aijPD j ) = ij=11 n =1 0.01954 0.01093 −0.03440 −0.08171 −0.07248 −0.02058 en $/hMW K = 0.0382en $/h 6. 2. 2. 3 Application des Algorithmes Génétiques AG Nous considérons les pertes électriques actives comme étant constantes, Les valeurs optimales des puissances générées, coût de production de chaque centrale et le nombre de générations obtenus sont regroupées dans le tableau 5.8. opt N˚ du générateur Pg 01 86.373 02 115.95 05 11.112 08 27.892 11 18.753 13 31.768 TOTAL 291.945 Pertes constantes MW Emission du gaz ton/h Nombre de génération Coût $/h 200.722 197.452 27.718 62.272 36.921 82.412 607.500 8.45 0.239 215 Table 5.8 – Les valeurs optimales Les variations du coût de production, l’émissions du gaz, les puissances générées et la contrainte de fonctionnement sont illustrées par les figures (fig 5.10, fig5.11, fig 5.12 et 5.13 )respectivement. 68 5.2. L’étude du Dispatching Economique Environnemental 1800 Coût de production ($/h) 1600 1400 1200 1000 800 600 0 100 200 300 400 500 Nombre de géneration Figure 5.10 – Variation du coût de production. 0,25 émission du No x (ton/h) 0,20 0,15 0,10 0,05 0,00 0 100 200 300 400 500 Nombre de géneration Figure 5.11 – variation des émissions des gaz toxiques. 69 5.2. L’étude du Dispatching Economique Environnemental 150 Pg 1 Pg 2 Pg 5 Pg 8 Pg 11 Pg 13 125 Puissances génerées (MW) 70 100 75 50 25 0 0 100 200 300 400 500 600 Nombre de génerations Figure 5.12 – Variation des puissances électriques Pg opt Pg max Pg min 360 320 Puissances (MW) 280 240 200 160 120 80 40 0 Pg1 Pg2 Pg5 Pg8 Pg11 Pg13 Figure 5.13 – Contraintes de fonctionnement. Dans le cas des pertes électriques variables en fonctions des puissances électriques générées, Les valeurs optimales des puissances générées, coût de production de chaque centrale et le nombre de générations obtenus sont regroupées dans le tableau 5.9. Les variations du coût de production, l’émissions du gaz, les puissances générées et la contrainte de fonctionnement sont illustrées par les figures (fig 5.14, fig5.15,fig 5.16 et fig 5.17 )respectivement. 5.2. L’étude du Dispatching Economique Environnemental opt N˚ du générateur Pg 01 68.875 02 109.79 05 10.009 08 47.008 11 23.193 13 35.01 TOTAL 293,885 Pertes électriques MW Emission du gaz ton/h Nombre de génération Coût $/h 155,539 185.780 24.277 112.445 48.234 93.660 619.939 4.483 0.222 200 Table 5.9 – Les valeurs optimales 1800 Coût de production ($/h) 1600 1400 1200 1000 800 600 0 100 200 300 400 500 Nombre de géneration Figure 5.14 – Variation du coût de production 71 5.2. L’étude du Dispatching Economique Environnemental 72 1600 1400 Coût d'émission ($/h) 1200 1000 800 600 400 200 0 100 200 300 400 500 Nombre de géneration Figure 5.15 – Variation du coût d’émissions du gaz 120 P P P P P P Puissances électrique (MW) 100 80 60 40 20 0 100 200 300 400 500 Nombre de génerations Figure 5.16 – Variation des puissances électriques 1 2 5 8 11 13 Puissance Optimales (MW) 5.2. L’étude du Dispatching Economique Environnemental 380 360 340 320 300 280 260 240 220 200 180 160 140 120 100 80 60 40 20 0 P opt P max P min P1 P2 P3 P5 P5 P11 Figure 5.17 – Contrainte de fonctionnement Les résultats obtenus montrent que l’Algorithme Génétique où on utilise la deuxième variante converge rapidement vers une meilleure solution optimale que la où on utilise les pertes électriques constantes. les puissances optimales trouvées n’ont pas les mêmes valeurs, cependant ces valeurs ne présentent pas des violations, ils satisfairent la contrainte de fonctionnement, c’est à dire qu’elles sont toutes inférieures aux puissances maximales et supérieures aux puissances minimales. De plus, leur somme vérifie l’équation du bilan. Le coût de combustible trouvé en appliquant l’algorithme génétique où les pertes sont considérées variables est de 619.939 $/h et autour de 607.500 $/h où les pertes sont considérées constantes, ce qui représente un écart de 12.439 $/h. Les pertes électriques trouvées sont minimales 4.36 MW comparées aux pertes électriques calculées en faisant un calcul d’écoulement de puissance 8.45 MW, elles sont minimisées de 4.099 MW. La quantité d’émission des gaz toxiques trouvées en utilisant la deuxième variante (pertes variables) est de 0.222 ton/h et autour de 0.239 ton/h où les pertes sont considérées constantes ce qui représente un écart de 0.017 ton/h. 6. 2. 2. 4 Application du réseau de Hopfield HNN Nous considérons les pertes électriques actives comme étant constantes, Les valeurs optimales des puissances générées, coût de production de chaque centrale et le nombre de générations obtenus sont regroupées dans le tableau 5.10. Les variations du coût de production, l’émissions du gaz et les puissances générées en fonction du nombre de générations sont illustrées par les figures (fig 5.18, fig5.19 et fig 5.20) respectivement. 73 5.2. L’étude du Dispatching Economique Environnemental opt N˚ du générateur Pg 01 93,9154 02 102.723 05 20.796 08 31.081 11 22.242 13 21.041 TOTAL 291.800 Pertes constants MW Emission du gaz ton/h Nombre d’itérations 74 Coût $/h 220.906 172.551 64.465 70.218 45.732 48.942 622.816 8.45 0.234 40 Table 5.10 – Les valeurs optimales 1300 Coût de production ($/h) 1200 1100 1000 900 800 700 600 0 10 20 30 40 50 Nombre d'itérations Figure 5.18 – variation du coût de production. 60 5.2. L’étude du Dispatching Economique Environnemental 0,50 Emission des gaz (Ton/h) 0,45 0,40 0,35 0,30 0,25 0,20 0 10 20 30 40 50 60 Nombre d'itérations Figure 5.19 – variation d’émission du gaz 220 Pg 1 Pg 2 Pg 5 Pg 8 Pg 11 Pg 13 Puissances génerées (MW) 200 180 160 140 120 100 80 60 40 20 0 10 20 30 40 50 60 Nombre d'itérations Figure 5.20 – variation des puissances électriques Dans le cas des pertes électriques variables en fonctions des puissance électriques générées, Les valeurs optimales des puissances générées, coût de production de chaque centrale quantité d’émissions des gaz et le nombre de générations obtenus sont regroupées dans le tableau 5.11. Les variations du coût de production, l’émissions du gaz, les pertes électriques, les puissances générées et la contrainte de fonctionnement sont illustrées par les figures (fig 5.21, fig5.22, fig 5.23, fig 5.23 et fig 5.24 )respectivement. 75 5.2. L’étude du Dispatching Economique Environnemental opt N˚ du générateur Pg 01 92.487 02 102,733 05 20,677 08 30.979 11 22,236 13 20,926 TOTAL 290,421 Pertes électriques MW Emission du gaz ton/h Nombre d’itérations Coût $/h 218,083 172,569 63,939 69,962 45,715 48,614 618,883 6.641 0.233 59 Table 5.11 – Les valeurs optimales 1300 Côut de production ($/h) 1200 1100 1000 900 800 700 600 500 0 20 40 60 80 Nombre d'itération Figure 5.21 – Variation du coût de production 76 5.2. L’étude du Dispatching Economique Environnemental Quantité d'émission (Ton/h) 0,45 0,40 0,35 0,30 0,25 0,20 0 20 40 60 80 Nombre d'itération Figure 5.22 – Variation de quantité d’émissions du gaz 14 13 Pertes élextrique (MW) 12 11 10 9 8 7 6 0 20 40 60 80 Nombre d'itération Figure 5.23 – Variation des pertes électriques du gaz 77 5.2. L’étude du Dispatching Economique Environnemental 220 Pg1 Pg2 Pg5 Pg8 Pg11 Pg13 200 Puissances générées (MW) 180 160 140 120 100 80 60 40 20 0 20 40 60 80 Nombre d'itération Figure 5.24 – Variation des puissances électriques Les résultats obtenus montrent que le réseau de Hopfield converge rapidement vers la solution optimale, les solutions trouvées en utilisant la 2éme variante sont comparables et satisfaisantes par rapport à ceux trouvée en utilisant la 1éme variante. Les valeurs des puissances optimales ne présentent pas des violations elles satisfairent la contrainte de fonctionnement. De plus, leur somme vérifie l’équation du bilan. Le coût de combustible trouvé en appliquant le réseaux de Hopfield où les pertes sont considérées variables est de 618.883 $/h et autour de 622.816 $/h où les pertes sont considérées constantes, ce qui représente un écart de 3.933 $/h. Les pertes électriques trouvées sont minimales 6.641 MW comparées aux pertes électriques calculées en faisant un calcul d’écoulement de puissance 8.45 MW. Elles sont minimisées de 1.809 MW. La quantité d’émission des gaz toxiques trouvée en utilisant la 2éme variante est de 0.233 ton/h et autour de 0.234 ton/h où les pertes sont considérées constantes ce qui représente un écart de 0.001 ton/h. 6. 2. 2. 5 Approche Neuro-Génétique HGA Nous considérons les pertes électriques actives comme étant constantes, Les valeurs optimales des puissances générées, coût de production de chaque centrale et le nombre de générations obtenus sont regroupées dans le tableau 5.12. 78 5.2. L’étude du Dispatching Economique Environnemental opt N˚ du générateur Pg 01 73.120 02 131.567 05 11.268 08 29.337 11 27.192 13 19.362 TOTAL 291.830 Pertes constantes MW Emission du gaz ton/h Nombre de générations Coût $/h 166.289 229.643 28.218 65.852 59.273 44.179 591.455 8.45 0.246 190 Table 5.12 – Les valeurs optimales Les variations du coût de production, l’émissions du gaz, les pertes électriques, les puissances générées sont illustrées par les figures (fig 5.25, fig 5.26, fig5.27). 6000 Coût de production ($/h) 5000 4000 3000 2000 1000 0 0 100 200 300 400 500 Nombre de génération Figure 5.25 – Variation du coût de production 79 5.2. L’étude du Dispatching Economique Environnemental 0,250 Quantité d'émission (Ton/h) 0,245 0,240 0,235 0,230 0,225 0,220 0,215 0,210 0 100 200 300 400 500 Nombre de génération Figure 5.26 – Variation de la quantité d’émission des Gaz 140 Pg1 Pg2 Pg5 Pg8 Pg11 Pg13 Puissance éléctriques (MW) 120 100 80 60 40 20 0 0 100 200 300 400 500 Nombre de génération Figure 5.27 – Variation des puissances électriques générées Dans le cas des pertes électriques variables en fonctions des puissances électriques , Les valeurs optimales des puissances générées, coût de production de chaque centrale quantité d’émissions des gaz et le nombre de générations obtenus sont regroupées dans le tableau 5.13 80 5.2. L’étude du Dispatching Economique Environnemental opt N˚ du générateur Pg 01 72,896 02 124,749 05 14,568 08 29,44 11 29,415 13 18,544 TOTAL 289.612 Pertes constants MW Emission du gaz ton/h Nombre de générations Coût $/h 165,718 214.357 39.486 66.108 65.753 41.976 593.398 6,212 0,239 190 Table 5.13 – Valeurs optimales Les variations du coût de production, l’émissions du gaz, les pertes électriques, les puissances générées en fonction du nombre de générations sont illustrées par les figures (fig 5.28, fig 5.29, fig5.30). 1600 Coût de production ($/h) 1400 1200 1000 800 600 0 100 200 300 400 500 Nombre de génération Figure 5.28 – Variation du coût de production 81 5.2. L’étude du Dispatching Economique Environnemental 0,25 Quantité d'émission (Ton/h) 0,24 0,23 0,22 0,21 0,20 0 100 200 300 400 500 Nombre de génération Figure 5.29 – Variation de la quantité d’émission Puissances générées (MW) 120 Pg1 Pg2 Pg5 Pg8 Pg11 Pg13 100 80 60 40 20 0 100 200 300 400 500 Nombre de génération Figure 5.30 – Variation des puissances D’après les tableaux 5.12 et le tableaux5.13 l’algorithme Neurogénétique converge rapidement vers la solution optimale, les solution trouvées dans les deux variantes sont satisfaisantes. Les valeurs des puissances optimales satisfairent la contrainte de fonctionnement et vérifie l’équation du bilan. Le coût de combustible trouvé en appliquant le Neuro-génétique où les pertes sont considérée variables est de 593.925 $/h et autour de 591.455 $/h où les pertes sont considérées constantes, ce qui représente une différence de 2.47 $/h. Les pertes électriques trouvées sont minimales 6.212 MW comparées 82 5.2. L’étude du Dispatching Economique Environnemental aux pertes électriques calculées en faisant un calcul d’écoulement de puissance 8.45 MW. Elles sont minimisées de 2.238 MW. La quantité d’émission des gaz toxiques trouvées en utilisant la 2ème variante est de 0.239 ton/h et autour de 0.246 ton/h où les pertes sont considérées constantes ce qui représente un écart de 0.007 ton/h. 6. 2. 2. 6 Comparaison et discussion Tous les résultats obtenues sont représentés graphiquement pour une éventuelle comparaison. cette représentation permet de voir l’évolution de chaque méthode d’optimisation dans la recherche de la solution optimale. les variations du coût de production et la quantité d’émission durant le processus d’optimisation sont représentées par la figure 5.31, 5.32, 5.31 5.32 respectivement. Nous remarquons que la courbe du système hybride (Neuro-Génétique) se distingue par une accélération vers la solution optimale. 1800 GA HNN HGA Coût de production ($/h) 1600 1400 1200 1000 800 600 0 100 200 300 400 500 Nombre de génération Figure 5.31 – Variation du Coût de production perte constante 83 5.2. L’étude du Dispatching Economique Environnemental 0,50 GA HNN HGA 0,45 Quantité d'émission (Ton/h) 0,40 0,35 0,30 0,25 0,20 0,15 0,10 0,05 0,00 0 100 200 300 400 500 Nombre de génération Figure 5.32 – Variation du Quantité d’émission perte constante 1050 1000 GA HNN HGA Coût de production ($/h) 950 900 850 800 750 700 650 600 550 0 100 200 300 400 500 Nombre de génération Figure 5.33 – Variation du Coût de production perte variable 84 5.2. L’étude du Dispatching Economique Environnemental Quantité d'émission (Ton/h) 0,45 85 GA HNN HGA 0,40 0,35 0,30 0,25 0,20 0 100 200 300 400 500 Nombre de génération Figure 5.34 – Variation du Quantité d’émission perte variable D’après ces figures les courbes du coût et des émissions évoluent de manière inverse. Quand le coût augmente, les émissions diminuent et viceversa. Pour tester la validité de nos résultats on a procédé dans cette partie à une comparaison avec d’autres travaux dans le même domaine comme le montre le tableau 5.14. Pertes électriques constantes Coût de production ($/h) Algorithme génétique Hopfield Neuro-génétique HSA[62] 607.5 622.816 591.455 623.327 Algorithme génétique Hopfield Neuro-génétique BGA [2, 54] GHSA[62] 619.939 618.883 593.395 605.983 606.408 Quantité d’émission (ton/h) Pertes (MW) 0.239 8.45 0.234 8.45 0.246 8.45 0.214 8.45 Pertes électriques variables 0.222 4.483 0.233 6.641 0.239 6.212 0.239 5.218 0.220 5.048 Table 5.14 – Valeurs optimales Dans les deux variante où on a considéré les pertes comme étant constantes et variables en fonction des puissances générées nous pouvons dire que les puissances optimales trouvées se diffèrent d’une méthode à autre et qu’ils ne violent pas la contrainte de fonctionnement, c’est-à-dire Génération 215 40 190 300 200 59 180 100 1500 5.2. L’étude du Dispatching Economique Environnemental ne dépassent pas les valeurs Pmax , Pmin et en plus ces puissances vérifient l’équation du bilan. Le coût optimal trouvé en appliquant le système hybride NeuroGénétique est de 591.455 $/h pour la 1ère variante et de 593.395 $/h pour la 2ème variante, ce qui représente un écart moyen de 26.341 $/h et de 15.249 $/h respectivement par rapport aux autres méthodes. La quantité d’émission et les pertes électriques trouvées par le système hybride sont minimisées par rapport à la 1ère variante et légèrement supérieure à celles trouvées par les autres méthodes. Conclusion du chapitre D’après les résultats obtenus on a démontré que l’hybridation de l’algorithme génétique et le réseau de Hopfield nous a permis d’avoir un système qui regroupe l’efficacité du l’AG dans la recherche des solutions globales et la rapidité de la convergence du HNN, donc ce système nous a permis de réduire le nombre important d’évaluation demandé par un Algorithme Génétique avant d’arriver à la solution de notre problème Dispatching Economique Environnemental. Les résultats obtenus sont comparables avec d’autres résultats dans le même domaine et satisfairent nos contraintes à savoir contrainte de type égalité et la contrainte de fonctionnement. 86 Conclusion générale Dans le cadre de nos applications de l’Algorithme génétique et le réseau de Hopfield dans le domaine du Dispatching Economique Environnementale nous avons constaté que AG converge lentement vers la solution globale contrairement aux réseaux de Hopfield qui converge rapidement vers une solution optimale mais locale ceci nous a incité à développer un système hybride qui regroupe entre l’efficacité de l’algorithme génétique (du point de vue optimisation globale) et la rapidité du réseau de Hopfield (du point de vue convergence). Les AG débutent par l’initialisation aléatoire d’une population P de N individus. La population évolue sur plusieurs générations. A chaque génération G, les individus de la population sont évalués et les plus adaptés sont autorisés par l’opérateur sélection à avoir un grand nombre de descendants. Une mise en œuvre de cet opérateur consiste à donner pour chaque individu une probabilité d’avoir un descendant dans la génération Ǵ suivante, proportionnelle à sa performance. Les mécanismes de mise en œuvre les plus employés sont la roue de loterie, le tournoi. Ils ont tous en commun de générer une population de même nombre d’individus, dont la valeur moyenne est meilleur que celle de la population de la génération G. Concernant le fonctionnement du réseau de neurone Hopfield, il évolue librement à partir d’un état initial jusqu’à un attracteur où les sorties des neurones n’évoluent plus, on dit alors que le réseau a convergé. Quand ces réseaux sont utilisés pour résoudre les problèmes d’optimisation, les poids des connexions sont déterminés analytiquement à partir de la formulation du problème ; en général, cela est fait directement à partir de la fonction énergie associée au problème. De plus, les sorties des neurones, dans l’attracteur vers lequel converge le réseau, codent une solution au problème d’optimisation. Le problème d’optimisation du Dispatching Economique Environnementale est un problème bi-objectif, la difficulté principale d’un tel problème d’optimisation est liée à la présence de conflit entre les deux fonctions à savoir la fonction du coût de production et la fonction d’émission des gaz toxiques. la transformation de ce problème en problème monoobjectif est réalisée par l’introduction d’un facteur de pénalité des prix Fp . 87 Conclusion générale Pour la minimisation du coût de production et l’émissions des gaz toxiques, on a considéré les pertes de transmission. Pour cela, nous avons jugé nécessaire de les exprimer comme une fonction des puissances générées. La dernière partie a été consacrée à l’application des méthodes présentées dans le troisième chapitre. Une comparaison avec d’autres travaux a été réalisée sur des réseaux électriques. Les résultats obtenus ont montré que l’algorithme hybride (HGA) est très performant et plus efficace que les autres méthodes. Nous espérons que notre travail, certe et modeste, sera néanmoins utile et apportera une contribution efficace à l’étude du problème du Dispatching Economique Environnementale (DEE). Un travail en perspective consiste à intégrer l’algorithme génétique (AG), réseau de Hopfield (HNN) et le système hybride Neuro-Génétique (HGA) dans le logiciel ERELEC et à mieux exploiter leurs potentialités. 88 Annexes A 89 A.1. Les puissances générées optimales du réseau de 13 générateurs A.1 Les puissances générées optimales du réseau de 13 générateurs Pg1 Pg2 Pg3 Pg4 Pg5 Pg6 Pg7 Pg8 Pg9 Pg10 Pg11 Pg12 Pg13 ∑ Pgi ( MW ) Pch = 975 (MW) 73.468 72.050 76.240 72.314 69.390 66.175 41.418 41.085 55.010 63.007 152.797 121.326 78.605 982,885 Pch = 1925 (MW) 121.549 111.883 126.621 127.563 121.794 130.890 56.820 50.908 89.356 59.327 507.396 240.794 215.599 1960.50 Pch = 2575 (MW) 167.939 156.886 144.745 171.521 161.383 160.018 50.144 72.469 84.748 91.555 673.404 355.639 353.447 2643.846 Table A.1 – Les puissances générées optimales 90 A.2. Les valeurs des impédances et des admittances shunts des lignes A.2 Les valeurs des impédances et des admittances shunts des lignes Branche du nœud au nœud 1 2 1 3 2 4 2 5 2 6 3 4 4 6 5 7 6 7 6 8 6 28 8 28 9 10 9 11 10 17 10 20 10 21 10 22 12 13 12 14 12 15 12 16 14 15 15 18 15 23 16 17 18 19 19 20 21 22 22 24 23 24 24 25 25 26 25 27 27 29 27 30 29 30 r(Pu) x(Pu) y’/2 (Pu) 0.0192 0.0452 0.0570 0.0472 0.0581 0.0132 0.0119 0.0460 0.0267 0.0120 0.0169 0.0636 0.0000 0.0000 0.0324 0.0936 0.0348 0.0727 0.0000 0.1231 0.0662 0.0945 0.2210 0.1070 0.1000 0.0824 0.0639 0.0340 0.0116 0.1150 0.1320 0.1885 0.2544 0.1093 0.2198 0.3202 0.2399 0.0575 0.1852 0.1737 0.1983 0.1763 0.0379 0.0414 0.1160 0.0820 0.0420 0.0599 0.2000 0.1100 0.2080 0.0845 0.2090 0.0749 0.1499 0.1400 0.2559 0.1304 0.1987 0.1997 0.2185 0.2020 0.1932 0.1292 0.0680 0.0236 0.1790 0.2700 0.3292 0.3800 0.2087 0.4153 0.6027 0.4533 0.0264 0.0264 0.0204 0.0209 0.0187 0.0042 0.0045 0.0102 0.0085 0.0045 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 Table A.2 – Valeurs des impédances et des admittances shunts des lignes. 91 A.3. Les valeurs planifiées des tensions et des puissances 92 A.3 Les valeurs planifiées des tensions et des puissances n˚ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Tension V δ 1.05 0.00 0.00 0.00 1.05 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.05 0.00 0.00 0.00 0.00 0.00 1.05 0.00 0.00 0.00 1.05 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Puissance demandées MW MVars 0.00 0.00 21.70 12.70 2.40 1.20 7.60 1.60 94.2 19.0 0.00 0.00 22.8 10.9 30.0 30.0 0.00 0.00 5.80 2.00 0.00 0.00 11.2 7.50 0.00 0.00 6.20 1.60 8.20 2.50 3.50 1.80 9.00 5.80 3.20 0.90 9.50 3.40 2.20 0.70 17.5 1.20 0.00 0.00 3.20 1.60 8.70 6.70 0.00 0.00 3.50 2.30 0.00 0.00 0.00 0.00 2.40 0.90 10.6 1.90 Puissance générées MW MVars 0.00 0.00 60.0 23.0 0.00 0.00 0.00 0.00 30.0 50.0 0.00 0.00 0.00 10.9 20.0 20.0 0.00 0.00 0.00 0.00 15.0 13.0 0.00 0.00 15.0 20.0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Puissance limites Max Min 360.4 10 0.00 0.00 140 10 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 100 10 0.00 0.00 0.00 0.00 100 10 0.00 0.00 100 10 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Table A.3 – Valeurs planifiées des tensions et des puissances. A.4. Les valeurs des tensions nodales de la dernière itération A.4 Les valeurs des tensions nodales de la dernière itération Nœud 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Module 1.06 1.046 1.025 1.017 1.035 1.01 1.012 1.005 0.997 0.978 1.023 1.000 1.0271 0.9829 0.977 Phase 0 -2.9004 -4.6141 -5.6496 -9.2358 -6.6672 -8.234 -6.9036 -8.5967 -10.6204 -6.8438 -9.9586 -8.7871 -10.9511 -11.0143 Nœud 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Module 0.9825 0.9739 0.9641 0.96 0.9636 0.9645 0.9651 0.9625 0.9526 0.9587 0.9399 0.9717 1.0036 0.9507 0.9385 Phase -10.5134 -10.8397 -11.6642 -11.8342 -11.5948 -11.1327 -11.1182 -11.4164 -11.5638 -11.5632 -12.0368 -11.2583 -7.1395 -12.6266 -13.6129 Table A.4 – Valeurs des modules et phases des tensions nodales 93 A.5. Les valeurs des puissances transmises 94 A.5 Les valeurs des puissances transmises Branche 1-3 2-1 2-4 2-5 2-6 3-1 3-4 4-2 4-3 4-6 4-12 5-2 5-7 6-2 6-4 6-7 6-8 6-9 6-10 6-28 7-5 7-6 8-6 8-28 9-6 9-10 9-11 10-6 10-9 10-17 10-20 10-21 10-22 11-9 12-14 12-15 12-16 13-12 14-12 14-15 Puissance transmise MW MVAR 55.441 6.9020 -94.833 5.2217 31.888 5.7036 59.025 -7.3054 42.220 6.6793 -54.1707 -6.6954 51.772 5.4938 -31.3257 -7.9075 -51.7307 -5.3906 45.316 3.9845 29.841 7.7172 -57.5099 9.1454 -6.689 21.8552 -41.2323 -7.6338 -45.0775 -4.0779 30.012 -13.361 12.134 7.1151 16.296 6.4262 12.242 6.2230 15.6277 5.3072 6.935 -23.374 -29.7356 12.4731 -12.1101 -7.9442 2.1100 -2.0552 -16.2955 -5.8002 31.296 18.017 -14.999 -12.217 -12.2415 -5.1946 -31.2961 -16.5743 5.2653 2.4843 8.8823 2.7163 15.898 9.9897 7.6894 4.5788 14.9997 13 8.0462 2.8951 18.256 8.7778 7.337 5.3610 14.9999 20.0004 -7.9562 -2.7080 1.756 1.1082 Branche 15-12 15-14 15-18 15-23 16-12 16-17 17-10 17-16 18-15 18-19 19-18 19-20 20-10 20-19 21-10 21-22 22-10 22-21 22-24 23-15 23-24 24-22 24-23 24-25 25-24 25-26 25-27 26-25 27-25 27-28 27-29 27-30 28-6 28-8 28-27 29-27 29-30 30-27 30-29 Pertes Puissance transmise MW MVAR -17.9847 -8.2427 -1.7464 -1.0993 6.1776 2.6252 5.3537 4.217 -7.2592 -5.1969 3.7599 3.3971 -5.2538 -2.4544 -3.7460 -3.3459 -6.1269 -2.5220 2.9272 1.6223 -2.9195 -1.6067 -6.5812 -1.7943 -8.7978 -2.5277 6.5983 1.8286 -15.7696 -9.7135 -1.7279 -1.4869 -7.6285 -4.4532 1.7286 1.4882 5.8985 2.9646 -5.3050 -4.1186 2.1047 2.5184 -5.8447 -2.8809 -2.0893 -2.4870 -0.7655 -1.3317 0.7704 1.3402 3.5507 2.3754 -4.3207 -3.7157 -3.5002 -2.2999 4.3593 3.7894 -17.6877 -7.1847 6.2099 1.6973 7.1184 1.6977 -15.5813 -6.4601 -2.1072 -2.2533 17.6877 8.7132 -6.1134 -1.515 3.7134 0.6151 -6.9367 -1.3558 -3.6758 -0.5440 8.45 0.347 Table A.5 – Les valeurs des puissances transmises Bibliographie [1] M. Rahli "La commande de la répartition optimale des puissances actives dans un réseau d’énergie électrique par la programmation linéaire", Thèse de magistère soutenu à USTO 1996. [2] M. Benyahia "Etude d’un Dispatching Economique Environnemental par les Algorithmes génétiques et les réseaux de neurones", Thèse de magistère soutenu à USTO 2006. [3] Gran Andersson "Modelling and Analysis of Electric Power Systems", EEH-Power Systems Laboratory ETH ZurichMarch 2003. [4] G.W.Stagg and A.H.El Abiadh "Computer methods in power systems analysis", Edition : MC Graw-Hill international Book company 1968. [5] B. Ha Lee and K. Y. Lee, "A Study on Voltage Collapse Mechanism in Electric Power System.", IEEE Trans. PS, Vol.6 No.3, pp.966-974, August 1991. [6] H. Ghasemi, "On line monitoring and oscillatory stability margin prediction in power system based on system identification", PHD thesis, Electrical and computer Engineering waterloo, Ontario, Canada, 2006. [7] A. Laifa, "Evaluation de la Stabilité de Tension d’un Réseau d’énergie électrique Développement et Application Des Indices De Stabilité", thèse de Magister, Ecole Nationale polytechnique, 27 juin 1995. [8] Arthur, R.Bergen "Power system Analysis" New Jersey PrenticeHall, 1986. [9] L. Benasla "Contribution à l’étude de la stabilité et de la répartition optimale des puissances dans un réseau électrique" Thèse de doctorat soutenue à l’université des sciences et de la technologie Mohamed Boudiaf Oran, 2004. [10] M. Rahli "Etude d’un dispatching économique par la programmation non linéaire", CEA 1994 2eme colloque sur l’électrotechnique et automatisation. Alger, Algérie. 95 [11] M. Benyahia et H. Bennaceur"Optimisation des pertes électriques par les algorithmes génétiques ", Projet de fin d’étude département d’électrotechnique faculté génie électrique, université des sciences et de la technologie Mohamed Boudiaf, Oran, 2003, Algérie. [12] B. J. Harker, J. Arrillage et C. P. Arnold "Computer modelling of electrical power systems", John Wiley and sons, 1983. [13] Yann Collette, Patrick Siarry "Optimisation multiobjectif", Edition Eyrolles 61, Bld Saint Germain 2002. [14] Heidelberg Berlin "Optimization Techniques An introduction", Springer-Verlag New York. [15] Panos M. Pardalos, Nguyen Van Thoai, and Reiner Horst, "Introduction to Global Optimizatio n. Nonconvex Optimization and Its Applications, Springer, second edition, December 31, 2000. ISBN : 978-0-79236-756-7. First edition : June 30, 1995, ISBN :978-0792335566. [16] C. W. Caroll, "The created Response Surface Technique for Optimizing Nonlinear Restrained Systems", Operational Research, No. 9, pp. 169-184, 1961. [17] A. V. Fiacco, G.P McCormik, "Nonlinear Programming Sequential Unconstrained Minimization Techniques". [18] S. S. Rao, "Engineering Optimisation, Theory and Practice" John Wiley Sons, 1996. [19] Jin-Kao Hao, Philippe Galinier et Michel Habib "Méthaheuristiques pour l’optimisation combinatoire et l’affectation sous contraintes", Revue d’Intelligence Artificielle Vol. No. 1999 [20] Ch. Darwin, "The origin of species by means of natural selection", John Marray London, 1859. [21] A. Auslender, "Optimisation méthodes numériques", Paris Masson 1976. [22] Imed Othmani "Optimisation multicritère fondement et concept", Thèse Présentée Pour obtenir Le grade de Docteur de L’Université Joseph Fourier de Grenoble Soutenue le 20 mai 1998. [23] Lassoued Yassine Etude paramétrage d’un algorithme d’optimisation hybride, 8 Septembre 2000. 96 [24] Zoran obradovic and Rangara Jan Srikumar Constructive neural networks design using genetic optimization, facta universitatis (NI S) Ser. Math. Inform. 15 (2000), 133-146. [25] Sancho Salcedo-Sanz and Xin Yao A hybrid Hopfield NetworkGenetic Algorithm Approach for the Terminal Assignment Problem,IEEE Transactions on systems, MAN, and cybernetics-PART B : Vol. 34, NO. 6, December 2004. [26] Fernando Santos OsórioUn systeme hybride neuro-symbolique pour l’apprentissage automatique constructif, thèse présentée à L’Institut National Polytechnique de Grenoble (I.N.P.G) Laboratoire LEIBNIZ - IMAG, 30 mars 1992. [27] V.Petridis, S. Kazarlis and A Papaikonomou A genetic algorithm for training recurrent neural networks, Proceeding of IJCNN "93, p.p.27062709, Oct 1993", Nagoya, Japan. [28] David J. Montana Bolt Beranek and Newman Inc Neural Network Weight Selection Using Genetic Algorithms, 70 Fawcett Street, Cambridge, MA 02138. [29] T. Yalcinoz, H. Altun Power Economic Dispatch Using a Hybrid Genetic Algorithm, IEEE Power Engineering Review, March 2000. [30] K. T. Sun and H. C. Fu A Hybrid Neural Network Model for Solving Optimization Problems, IEEE Transactions on computer, Vol. 42, N˚. 2, February 1993. [31] Jakob Puchinger and G ¨unther R. Raidl Combining Metaheuristics and Exact Algorithms in Combinatorial Optimization : A Survey and Classification, Institute of Computer Graphics and Algorithms Vienna University of Technology, Vienna, Austria. [32] Hiroyuki Shirai , Atsushi Ishigame , Shunji Kawamoto and Tsuneo Taniguchi A Solution of Combinatorial Optimization Problem by Uniting Genetic Algorithms with Hopfield’s Model, Department of Electrical Electronic Systems, University of Osaka Prefecture. [33] Coello Coello, Carlos and al, "Evolutionary Algorithms for Solving Multi-Objective Problems", Kluwer Academic Publishers, New York 576 p, (2002). [34] D. E. Goldberg "Algorithme Génétique exploration, optimisation apprentissage automatique", Edition Addison Wesley France, SA 1991. [35] Jean-Philippe Rennard "Genetic Algorithm Viewer : Démonstration d’un algorithme génétique", Avril 2000. 97 [36] H. Altun and T. Yalcinoz "Comparison of Genetic Algorithm, Hopfield and Mlp Neural Network Techniques for a Constrained Optimization Problem", International XII Turkish Symposium on Artificial Intelligence and Neural Networks-Tainn 2003. [37] Back T, Fogel D.B. et Michalewicz Z, "Evolutionary computation advanced algorithms and operators" ; Institute of Physics Publishing, Bristol and Philadelphia, 331 p(2000). [38] Jeanny Hérault et Christian Jutten "Réseaux Neuronaux et traitement du signal", Edition Hermès, Paris 1994. [39] Fabien MOUTARDE "Introduction aux réseaux de neurones et à leurs applications en automatique", Ecole des Mines de Paris décembre 2003. [40] Marc Parizeau "Réseaux de Neurones", université Laval automne 2004. [41] Eric Belhaire "Contribution à la réalisation électronique de Réseaux de Neurones Formels : Intégration Analogique d’une Machine de Boltzmann", Thèse Présentée Pour obtenir Le grade de Docteur en Science L’Université Paris XI Orsay Soutenue le 6 Février 1992. [42] G. Dreyfus, M. Martinez, M. Samuelides, M. B. Gordon, F. Badran Et L. Herault " Réseaux de Neurones méthodologie et application ", Edition eyrolles Paris 2002. [43] E. ADAM "Apprentissage Automatique", Master, université de Valenciennes et du Hainaut-Cambrésis. [44] Bayram Kadour "Les réseaux de neurones", Département INFRES ENST Paris 2004-2005. [45] Marc-Olivier LaBarre "Réseaux de neurones ", Résumé sur les réseaux de neurones mai 2002. [46] http ://www.ryounes.net/cours/chapitre20320RN.pdf. [47] Claude TOUZET "Les Réseaux de Neurones Artificiels Introduction au Connexionisme", Cours, Exercices et Travaux Pratiques Juillet 1992. [48] Yu Hen Hu andJenq-Neng Hwang "Neural Network Signal Processing", CRC Press 2001. [49] http ://wwwobs.univ-bpclermont.fr/atmos/enseignement/coursMaster-2A/coursR N2 006.pd f . 98 [50] Mathieu Tremblay "Le Voyageur De Commerce Une Approche Basée Sur Les Réseaux de Neurones", Présenté à Timothy Walsh dans le cadre du cour de Conception et analyse d’algorithmes Université du Québec à Montréal 2004. [51] Michail G. Lagoudaksi, Anthony S. Maida "Near-optimal solutions for the minimum cost spare allocation problem using Hopfield- type neural network optimizers ",IEE USL student paper competition. [52] A. Freeman, James M. David Skapura "Neural Networks Algorithms, Applications, and Programming Techniques", Computation and Neural Systems Series, 1990. [53] L. Benasla, M. Rahli, A. Belmadani et M. Benyahia Nouvelle formulation du problème du dispatching économique envirennemental en tenant compte des pertes transmises, Revue Générale de Génie Electrique, France(RIGE). [54] Paul Marie Boinem, Guy Debleeckere "l’utilisation rationnelle de l’énergie une stratégie de développement à long terme", Publication édité par Electrabel 1993. [55] Paul J. Miller "les émissions atmosphériques des centrales électriques", Commission de coopération environnemental de l’Amérique du nord 2004. [56] http ://perso.id-net.fr/ brolis/softs/domodidac/thermic.html [57] Paul Marie Boinem, Guy Debleeckere "l’utilisation rationnelle de l’énergie une stratégie de développement à long terme", Publication édité par Electrabel 1993. [58] http ://www.ifp.fr/IFP/fr/ifp/fb120 2.htm. [59] Robert T.F. Ah King, Harry C.S.Rughooputh and Kalyanmoy Deb, "Evolutionary Multi-Objective Environmental/ Economic Dispatch : Stochastic vs. Deterministic Approaches", Department of Electrical and Electronic Engineering, Faculty Genie of Engineering, University of Mauritius. [60] T. Denise King, M. E. El-Hawary and Feria1 El-Hawary, "Optimal Environmental Dispatching Of Electric Power Systems Via An Improved Hopfield Neural Network Model", Technical University of Nova Scotia IEEE Transactions on Power Systems. Vol. 10, No. 3, August 1995. [61] M. Benyahia, L. Benasla et M. Rahli, Application of Génetic algorithm and Hopfiel neural network to Combined Economic Envirennemental Dispatch (CEED), Przeglad Electrotechniczny PE, Issue 10/2009. 99 [62] M. Benyahia, M. Rahli et L. Benasla, Continuous Génetic Algorithm to solve Economic Envirennemental Dispatch, International Review of automatic contrôl IREACO 5 juin 2008, Napoli ITALY. [63] K. Selvi, N. Ramaraj and Umayal ," Genetic Algorithm Application To Stochastic Thermal Power Dispatch", IE(I) Journal ?El, Vol 85, June 2004. [64] M. Benyahia, L. Benasla et M. Rahli, Application of Hopfield Neural Networks to Economic Envirennemental Dispatch (EED) ACTA Elecctrotehnica Volume 49, 3 novembre 2008. [65] Naser Mahdavi Tabatabaei, Ahmet Nayir and Gholam Ahmadi, "A new approach based on Hopfield neural network to economic dispatch", Journal of engineering and natural sciences Muhendislik ve Bilimleri Dergisi Sigma 2005/1. [66] Kwang.Y.Lee, Fatih. M. Nuroglu and Arthit Sode-Yome, "Real power optimization with load flow using adaptative Hopfield neural network", Engineering Intelligence Systems, Vol.8 N˚ 1, Pp 53-58, March 2000. [67] Yi Yang, Yizong Cheng, Renhong Zhao and Rakesh Govind, "Process Optimization Using Neural Networks", IEEE 1994 7803-1901-X/94. [68] W. lodzislaw Duch and Jerzy Korczak, "Optimization and global minimization methods suitable for neural networks", Neural Computing Surveys 2, 1998. [69] P. Aravindhababu, K. R. Nayar, Economic dispatch based on optimal lambda using radial basic function network Electrical power and energy System 24 (2002), 551-556. [70] M Sudhakaran, M R Slochanal, R Sreeram and N Chandrasekhar, Application of Refined Genetic Algorithm to Combined Economic and Emission Dispatch IE(I) Journal–EL, Vol 85, September 2004 . [71] Belmadani Abdelrrahim, Gestion économique et environnementale d’un réseau d’énergie électrique par la méthode Harmony Search thèse de doctorat es science université des sciences et de la technologie d’Oran Mohamed Boudiaf. [72] David M. Himmelblau, "Applied non linear programming", Edition Mc Graw-Hall, 1972. [73] Y. Wallach, "Calculations and programming for power system networks", Prentice-Hall, Englewood Cliffs, 1996. [74] T. Boukthir "Application de la programmation orientée objet a l’optimisation de l’écoulement de puissance", Thèse de doctorat soutenu le 30/06/2004 à l’université d’Annaba. 100 [75] T. Yalcinoz, M. J. Short and B. J. Cory "Security dispatch using the Hopfield neural network", IEE Proc-Gener. Transm. Distrib, Vol. 146, No. 5, September 1999. [76] Kate Smith, Marimuthu Palaniswami, "Neural Techniques for Combinatorial Optimization with Applications", IEEE Transactions on Neural Networks, Vol. 9, N˚. 6, November 1998. [77] J. J. Hopfield "neural network and physical systems with emergent collective computational abilities", Proc. Nat. Acad. Sci. USA Vol. 79, pp 2554-2558, April 1982. [78] T. Yalcinoz, Halis Altun and Usama Hasan, "Constrained Economic Dispatch with Prohibited Operating Zones : a Hopfield Neural Network Approach", 10th Mediterranean electro technical conference, MEelcon 2000, Vol. II. [79] T. T. Nguyen "Neural network load-flow" IEE Prof-Gener. TiDishib, Vol 14.2, No. I, Jonuary 1995. [80] T. Yalcinoz, M .I.Short, "Large Scale Economic dispatch Using an Improved Hopfield Neural Network", IEEE Proc-Gener. Tranm. Distrib, Vol. 144, N˚. 2 March 1997. [81] O. I. ElGerd, "Electrical energy systems theory", Mc Graw. Hill Company 1971. [82] T. Gonen, "Modern power system analysis", John Wiley sons 1988. [83] Dominique maille, "programmation en langage pascal", Berti édition 1992 [84] Bagdali Latifa et Laribi Sid Ahmed, "langage de programmation pascal", Enal édition 1991. [85] P. Dimo, "Analyse nodale des réseaux d’énergie", Paris Eyolle 1971. [86] A. H. Laborder et M.Groynowski, "Recherche opérationnelle, programmation linéaire", Paris Masson 1976. [87] E. Mohamed El Hawary, "Electrical Energy Systems", Dalhousie university Boca Raton London New York Washington, D.C. CRC Press 2000. [88] M. Rahli, "La gestion optimale des réseaux électriques", Séminaire, 16-18 juin 2001, CIFI Ain El Turck. [89] M. Benyahia, L. Benasla et M. Rahli, "Economique dispatche par les algorithmes génétiques", 3éme internationale conférence ICEL 2005, univer- 101 sité des sciences et de la technologie Mohamed Boudiaf, Oran, Algérie. [90] Tankut Yalcinoz and Halis Altun, "Comparison of simulation algorithms for the Hopfield neural network an application of economic dispatch", Turk J Elec Engin, Vol.8, n˚1 2000, Tubitak. [91] Gen. A. Tagliarini, J. Fury Christ and W. Edward, "Optimization using Neural Network", IEEE Transactions on computers, Vol 40, N˚ 12 December 1991. [92] Mauricio Caldora Costa, "Optimisation de dispositifs électromagnétique dans un contexte d’analyse par la méthode des éléments finis",Thèse de doctorat de L’INPG laboratoire d’électrotechnique de Grenoble 28 juin 2001. [93] Sc Lee, Y H Kim, "An Enhaneed Lagrangian Neural Network for The ELD Problems With Piecewise Quadratic Cost Functions and Nonlinear Constraints", Electrical Power System Research 60 Pp 167-177, ELSEVIER. [94] Youshen Xia and Gang Kong, "A Modified Neural Network for Quadratic Programming with Real-Time Application", Neural Network processing letters and reviews Vol 3, N˚3, June 2004. [95] M. Rahli, P. Pirotte, "Optimal load flow using sequential unconstrained minimization technique (SUMT) method under power transmission losses minimization", Electric Power Systems Research 52 (1999) 61-64. [96] M. Joorabian R. Hooshmand, "Application of Artificial Neural Networks in Voltage and Reactive Power Control", Department of Electrical Engineering Shahid Chamran University Iran. [97] Ben Krose Patrick vander Smagt, "An Introduction to Neural Network", Eighth Edition November 1996. [98] E. P. K. Tsang, C. J. Wang ,"A Generic Neural Network Approach For Constraint Satisfaction Problems", In J.G.Taylor (ed.), Neural Network Applications, Springer-Verlag, 1992, p.12-22. [99] K. P. Chong, Stefen Hui, and H. Zak, "An Analysis of a Class of Neural Networks for Solving Linear Programming Problems", IEEE Transactions on Automatic Control, Vol. 44, No. 11, November 1999. [100] B. Hammer and T. Villmann, "Mathematical Aspects of Neural Networks", European Symposium on Artificial Neural Networks Bruges (Belgium), 23-25 April 2003. [101] Youshen Xia and Jun Wang, "Recurrent Neural Networks for Optimization : The State Of The Art", Department of Mechanical Automation Engineering The Chinese University of Hong Kong Shatin, New Territories, Hong Kong. 102 [102] V. H. Kher and S.K. Joshi, "Short-Term Electrical Load Forecasting Using Artificial Neural network", The Maharaja Sayajirao University of Baroda Vadodara, INDIA. [103] Antoine Mahul Alexandre Aussem, "Training Feed-Forward Neural Networks with Monotonicity Requirements", Research Report LIMOS/RR04-11June 2004. [104] Raul Pérez Guerrero, "Differential evolution based power dispatch algorithms", Thesis submitted in partial fulfilment of the requirements for the degree of Master of Science Electrical Engineering University of Puerto Rico Mayaguez Campus 2004. [105] Karl Mathia et Richard Saeks, "Solving Nonlinear Equation Using Recurrent Neural Network", World Congress on Neural Networks (WCNN’ 95), 1995, Washington. [106] Jih-Gau Juang Application of Genetic Algorithm and Recurrent Network to Nonlinear System Identification, Department of Guidance and Communications Engineering National Taiwan Ocean University Keelung, Taiwan. [107] Kwan Woo Kim a, Mitsuo Gen b,1, Genji Yamazaki Hybrid genetic algorithm with fuzzy logic for resource-constrained project scheduling, Applied Soft Computing 2/3F (2003) 174-188 Elsevier Science. 103