Основной целью процесса оптимизации режимов работы электроэнергетических систем (ЭЭС) является поиск установившегося режима, отвечающего минимуму затрат на производство, передачу и распределение электроэнергии. Оптимальный режим достигается с помощью экономичного распределения потоков активной и реактивной мощностей, оптимизацией уровней напряжения, минимизацией потерь мощности в сетях и выбором оптимальной схемы ЭЭС. При выполнении оптимизационной задачи необходимо обращать внимание на такой параметр, как степень свободы системы, который определяется возможностью регулирования активной и реактивной мощности станций, наличием регулируемых трансформаторов и устройств компенсации реактивной мощности, возможностью включения и отключения оборудования и т. д. Следовательно, чем больше степень свободы системы, тем больше возможность для оптимального управления режимами работы ЭЭС.
Одним из наиболее эффективных способов улучшения технико-экономических показателей работы ЭЭС, не требующих дополнительных капитальных затрат, является метод оптимизации режимов энергосистем по напряжению и реактивной мощности.
Используемые для решения данной задачи способы оптимизации можно разделить на две группы: итерационные методы и методы, основанные на использовании искусственного интеллекта. В последнее время наибольшую популярность приобрели методы, основанные на искусственном интеллекте, относящиеся к машинному обучению с подкреплением, такие как генетический алгоритм, рой частиц [1], имитация отжига [2], муравьиная колония [3] и др.
В данной работе рассматривается и оценивается эффективность применения генетического алгоритма для решения задачи оптимизации режима по напряжению U, реактивной мощности Q и коэффициентам трансформации k.
ПОСТАНОВКА ПРОБЛЕМЫ
Задача оптимизации режима электрической сети по напряжению U, реактивной мощности Q и коэффициентам трансформации k регулируемых трансформаторов и автотрансформаторов состоит в определении установившегося режима ЭЭС, при котором были бы выдержаны технические ограничения, и потери активной мощности сведены к минимуму.