Návrh genetického algoritmu pro optimalizaci vybavení distribuční sítě vn

Abstract

Práce se zabývá genetickými algoritmy a jejich potenciální využití v aplikačním softwaru pro optimalizaci vybavení distribuční sítě vysokého napětí spínacími prvky. Teoretická část vysvětluje základní pojmy genetické algoritmy jako gen, populace a chromozom a také základní principy vývoje genetických algoritmů. Hlavním úkolem práce je navrhnout genetický algoritmus, který bude simulovat různé rozmístění místně ovládaného odpojovače, dálkově ovládaného odpojovače nebo recloseru a bude analyzovat, jak nastavit parametry ovlivňující rychlost konvergence tohoto genetického algoritmu. Základní parametry ovlivňující konvergenci jsou pravděpodobnost křížení, pravděpodobnost mutace, velikost populace nebo používání elitismu. Druhým cílem je nalezení vhodného nastavení vstupních parametrů pro vybrané velikosti populace bez a s použitím elitismu. Výsledkem práce je zjistit vhodné nastavení parametrů pro každou generaci a určení přibližného počtu generací potřebných k nalezení nejlepšího řešení . Genetický algoritmus byl testován i na méně rozsáhlé distribuční síti se šesti spínacími prvky.

The work deals with genetic algorithms and their potential use in application software to optimize high voltage switching elements of distribution network. Theoretical part explains the basic concepts of genetic algorithms such as a gene, population and chromosome and basic principles of the development of genetic algorithms.. The main task of the thesis is to design the algorithm that will simulate the distribution of the sectionalizers by telecontrolled section switches or reclosers and analyze how to set the the parameters affecting the convergence speed of genetic algorithm. The basic parameters affecting the convergence of breeding, mutation probability, population size or using of elitism. The second goal is finding a suitable set of input parameters for the selected population sizes without and with using elitism. The results of the work determine the most appropriate settings for each generation and determining the approximate number of generations needed to find the best solution. The genetic algorithm applocation was tested on a less extensive distribution network with six switching elements