Abordagens de sistemas inteligentes para a solução do problema de despacho econômico de geração

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Pós-graduação em Engenharia Mecânica - FEB

O presente trabalho desenvolve duas abordagens baseadas em sistemas inteligentes, redes neurais artificiais e algoritmos genéticos, para resolver problemas de Despacho Econômico (DE) com a incorporação das características não lineares e pontos de válvula na função custo das unidades geradoras em sistemas de geração. Os algoritmos de otimização convencionais têm apresentado problemas para resolver o DE nos casos em que as funções envolvidas apresentam características de não convexidade e/ou não diferenciabilidade. As abordagens neurais, mas especificamente a rede de Hopfield, mostram-se como ferramentas adequadas no estudo do DE quando funções objetivo não convexas são estudadas. Na Rede de Hopfield Modificada (RHM) aqui analisada, alguns problemas rotineiramente encontrados em outras abordagens neurais, tais como soluções infactíveis e a não convergência aos pontos de equilíbrio (que representam uma solução para o sistema), são tratados de forma eficiente...

The present work develops two intelligent system approaches: artificial neural networks and genetica algorithms to solving economic dispatch (DE) problems in which the valve point loading is introduced in the cost function analysis. Conventional optimization algorithms have presented some drawbacks when solving certain DE problems presenting non-convexity or non-differentiability issues. The neural approaches, specially the Hopfield network, have proven its efficiency as good tools for solving the DE when such problem presents non-convex objective functions. In the Modified Hopfield network (RHM) studied in this work some problems being highlighted in the literature, such as infeasible solutions or bad convergence rates to the equilibrium points, have been effectively handled. The RHM has also presented a good convergence rate when compared to other neural approaches, which, in general, take thousands of iteration to reach the solution. The Genetic Algorithms (GA) have proven to be suitable for solving optimization presenting non-linear and non-differentiable cost functions. Thus, the genetic... (Complete abstract click electronic access below)