Extension of time

En este capítulo se describe el algoritmo genético, su estructura y su aplicabilidad como una herramienta interesante, eficiente y útil para resolver problemas de optimización. En el algoritmo genético se aplican la selección, la mutación y el cruzamiento como operadores principales a una serie de generaciones para crear nuevas generaciones de descendientes con la finalidad de mejorar la aptitud de los individuos.

Los algoritmos genéticos trabajan a partir de una población inicial de soluciones posibles en contraste con otras técnicas convencionales que trabajan con soluciones sencillas; de esta manera, el método reduce la posibilidad de quedar atrapado en un punto óptimo local. Los algoritmos genéticos (AG’s) han surgido como una herramienta prometedora para la solución de problemas de optimización; son robustos en el sentido de que son aplicables a una gran variedad de problemas con una pequeña o ninguna modificación de la técnica. Asimismo, pueden manejar todos los espacios de búsqueda, incluyendo espacios discontinuos y funciones no-suaves, pueden identificar múltiples soluciones óptimas y ser usados además, en situaciones de optimización dinámica. En artículos recientes, los AG’s han sido aplicados al problema de la coordinación de los Estabilizadores de Sistemas de Potencia (PSS) y los dispositivos estabilizadores FACTS (FDS). Los resultados han sido exitosos y confirman el potencial de los AG’s para buscar los ajustes óptimos de los parámetros del PSS y FDS convencionales en sistemas de potencia [29-30]. Los algoritmos genéticos son algoritmos atractivos y prometedores para la solución de problemas de optimización. Se presenta el desarrollo de la metodología propuesta para resolver el problema de la coordinación de controles en un sistema multimáquinas de potencia. Los controles utilizados en este trabajo son los estabilizadores de sistemas de potencia (PSS), y dispositivos estabilizadores FACTS por su versatilidad para ayudar a amortiguar oscilaciones de origen electromecánico.

Como parte importante de la metodología, se propone la inclusión de restricciones de seguridad que se realiza de manera particular en forma de restricciones de desigualdad, con la finalidad de acotar las excursiones angulares de los rotores de los generadores, el flujo transitorio de postfalla de líneas y la apertura angular ent re nodos, contribuyendo con esto a incrementar las probabilidades de conservar el sincronismo después de disturbios severos.

Referencias

[1] Box, G. E. P., “Evolutionary Operation: A method for increasing industrial productivity”. Journal of the Royal Statistical Society, Vol. 6, No. 2, Pp.81-101, 1957.

[2] Friedberg, R., “A learning machine I”. IBM Journal of Research and Development, Vol. 2, No. 1, 1958.

[3] Carlos A. Coello Coello, “Introducción a la computación evolutiva”. Notas de curso, Cinvestav-IPN, 2001.

[4] Bremermann, H. J., “Optimization through evolution and recombination”. In Self- organizing systems, M. C. Yovits, G. T. Jacobi, and G. D. Goldstein, Eds. Spartan Books, Washington, D. C., Pp. 93-106, 1962.

[5] Thomas Back., “Evolutionary Algorithms in Theory and Practice”. Oxford University Press, New York, 1996.

[6] Lawrence J. Fogel., “Artificial Intelligence through Simulated Evolution. Forty Years of

Evolutionary programming”. John Wiley & Sons, Inc., New York, 1995.

[7] Melanie Mitchel, “An Introduction to Genetic Algorithms”. A Bradford Book, The MIT Press, Cambridge, Massachusetts, London, England, Fifth Printing, 1999.

[8] M. Gen and R. Cheng, “Genetic Algorithms & Engineering Design”. John Wiley & Sons, Inc. 1997.

[9] D. E. Goldberg, “Genetic Algorithms in Search, Optimization, and Machine Learning”. Addison-Wesley, 1989.

[10] Michalewicz, Z., “Genetic Algorithms + Data Structures = Genetic Programs”. Third Edition, Springer Verlag, 1996.

[11] Back, T, “Evolutionary Algorithms in Theory and Practice”. Oxford University Press, 1995.

[12] Christopher R. Houck, Jeffery, A. Joines and Michael G. Kay “A Genetic Algorithm for Function Optimization: A Matlab Implementation Report”. North Carolina State University, Pp. 1-14.

[13] Zbigniew Michalewicz, “A Survey of Constraint Handling Techniques in Evolutionary Computation Methods”. Proceedings of the Fourth Annual Conference on Evolutionary Programming, Pp. 135-155, 1995.

[14] Zbigniew Michalewicz, and Schoenauer, M., “Boundary Operators for Constrained Parameter Optimization problems”. Proceedings of the Seventh International Conference on Genetic Algorithms, Pp. 320-329, 1997.

[15] Richard Y. K. Fung, Jiafa Tang and Dingwei Wang, “Extension of a Hybrid Genetic Algorithm for nonlinear programming problems with equality and inequality constraints”. Computers & Operations Research, Vol. 29, Pp. 261-274, 2002.

[16] Chen Zhong and Fei Pusheng, “A Parallel Algorithm for Constrained Optimization Problems”. Journal of Computational and Applied Mathematics, Vol. 61, Pp. 225-230, 1995.

[17] Carlos A., Coello Coello, “Theoretical and Numerical Constraint-Handling Techniques used with Evolutionary Algorithms: A Survey of the State of the Art”. Computer Methods in Applied Mechanics and Engineering, Vol. 191, No. 11-12, Pp.1245-1287, January- 2002.

[18] J. Paredis, “Co-evolutionary Constraint Satisfaction”. Proceedings of the Third Conference on Parallel Problem Solving from Nature, Springer-Verlag, New York, Pp. 46-55, 1994.

[19] Carlos A., Coello Coello, “Use of Self-Adaptive Penalty Approach for Engineering Optimization Problems”. Computer in Industry, Vol. 41, No. 2, Pp.113-117, Jan., 2000. [20] Carlos A., Coello Coello, “Treating Constraints as Objective for Single -Objective

Evolutionary Optimization”. Engineering Optimization, Vol. 32, No. 3, Pp.275-308, Feb. 2000.

[21] Patrick D. Surry, Nicholas J. Radcliffe, and Ian D. Boyd., “A Multi-Objective Approach to Constrained Optimization of Gas Supply Networks: The COMOGA Method”. Evolutionary Computing, AISB Workshop, Lecture Notes in Computer Science, Springer Verlag, 1995.

[22] P. Hajela and J. Lee., “Constrained Genetic Search via Schema Adaptation. An Immune Network Solution”. Proceedings of the First World Congress of Structural asnd Multidisciplinary Optimization, Germany, Pp. 915-920, 1995.

[23] A. Homaifar, S. H. Y. Lai and X. Qi, “Constrained Optimization via Genetic Algorithms”. Simulation, Vol. 62, No. 4, Pp. 242-254, 1994.

[24] J. Joines and C. Houck, “On the Use of Non-Stationary Penalty Functions to Solve Nonlinear Constrained Optimization Problems with Gas”. Proceedings of the First IEEE Conference on Evolutionary Computation, IEEE Press, Orlando Florida, Pp. 579-584, 1994.

[25] Zbigniew Michalewicz, and N. Attia., “Evolutionary Optimization of Constrained Problems”. Proceedings of the Third Annual Conference on Evolutionary Programming, Pp. 98-108, 1994.

[26] Hojjat Adeli and Nai-Tsang Cheng, “Augmented Lagrangian Genetic Algorithm for Structural Optimization”. Journal of Aerospace Engineering, Vol. 7, No. 1, Pp. 104-118, January, 1994.

[27] R. Le Riche, C. Knopf-Leonoir and R. T. Haftka, “A Segregated Genetic Algorithm for Constrained Structural Optimization”. Proceedings of the Sixth International Conference on Genetic Algorithms, San Mateo California, Pp. 558-565, 1995.

[28] James C. Bean, “Genetic and Random Keys for Sequencing and Optimization”. ORSA Journal on Computing, Vol. 6, No. 2, Pp.154-160, 1994.

[29] A. L. B. Do Bomfim, G. N. Taranto and D. M. Falcao “Simultaneous Tunning of Power System Damping Controllers Using Genetic Algorithm”, IEEE Transaction on Power Systems, Vol. 15, No. 1, Pp. 163-169, February 2000.

[31] Ixtláhuatl Coronado, “Ubicación de Dispositivos FACTS desde una Perspectiva Dinámica”. Tesis de Maestría, Cinvestav-IPN Unidad Guadalajara, Septiembre, 2001.

[32] H. F. Wang, F. J. Swift and M. Li, “Selection of Installing Locations and Feedback Signals of FACTS-Based Stabilizers in Multimachine Power Systems by Reduced-Order modal Analysis”. Proc. IEEE, 144, (3), pp.263-269, 1997.

[33] W. I. Fang, and H. W. Ngan, “Optimizing Location of Unified Power Flow Controllers Using the Method of Augmented Lagrange Multipliers”. IEEE Proc.-Gener. Transm. Distrib., Vol. 146, No. 5, Sept. 1999.

[34] H. K. Nam, Y. K. Kim, K. S. Shim, and K. Y. Lee, “A New Eigen-Sensitivity Theory of Augmented Matrix and its Application to Power System Stability Analysis”. IEEE Transaction on Power Systems, Vol. 15, No. 1, Pp. 363-369, Feb. 2000.

[35] M. Pavella, D. Ernst, and D. Ruiz-Vega, “Transient Stability of Power Systems: A Unified

Approach to Assessment and Control”. Kluver Academic Publishers. 2000.

[36] K. R. Padiyar, “Power System Dynamics”. Indian Institute of Science, Bangalore, John Wiley and Sons (Asia) Pte Ltd, 1996.

[37] Syed A. Nassar and F. C. Trutt, “Electric Power Systems”. CRC Press LLC, 1998.

[38] S. Kundur, Prabha, “Power System Stability And Control”. Mc Graw-Hill, Inc, 1994. [39] Coleman, T. F. and Y. Li, “An Interior, Trust Region Approach for Nonlinear

Minimization Subject to Bounds”. SIAM Journal on Optimization, Vol. 6, Pp. 418-445, 1996.

[40] Coleman, T. F. and Y. Li, “On the Convergence of Reflective Newton Methods for Large- Scale Nonlinear Minimization Subject to Bounds”. Mathematical Programming, Vol. 67, No. 2, Pp. 189-224, 1994.

[41] P. Kundur, M. Klein, G. J. Rogers and M. S. Zywno, “Application of Power System Stabilizers for Enhancement of Overall System Stability”. IEEE Transactions on Power Systems, Vol. 4, May 1989, Pp. 614 – 626.