Développement de stratégies d’optimisation Combinatoire appliquées à un réseau électrique

Abstract

الملخص (بالعربية) :

في الوقت الراهن ،و مع انفتاح الأسواق ، يجب على المؤسسات أن تقوم بتحسين تنافسيتها و من ذلك تحسين مردوديتها . »إذا اردنا أن يكون الانتاج أكثر و بتكلفة أقل«، يجب علينا توفير امكانيات انتاج أكبر، مما يؤدي الى نفقات أقل. ترتكز سياسات مؤسسات انتاج الطاقة الكهربائية الى الوصول الى توازن بين الإستهلاك و الإنتاج مع أقل تكلفة ممكنة. المشكل الذي يطرح نفسه هو كيفية تسيير هذا الإنتاج المتغير بانقاص الضياعات، وكذا دالة التكلفة الكلية لأقل حد ممكن. بفضل طرق مستوحات من الطبيعة، نستطيع تحسين هذا الإنتاج بشكل كبير، لكن المشاكل التي تظهر تخص دائما زمن تجمع و التقاء هذه الطرق. لحل هذه الإشكالية، نقترح في عملنا هذا استراتيجية تحسين جديدة ترتكز أساسا على ايجاد اتفاق بين الاستكشاف والاستغلال لفضاء البحث بواسطة الجمع بين طريقتين أعظميتي الاستدلال، و نخص بالذكر طريقة FFA وطريقة الميكرو خوارزميات الجينية (mGA) ، و كذا طريقة التحسين بالتعليم والتعلم (TLBO) وطريقة الخوارزميات الجينية (GA)، لنتمكن بذلك من تحسين النتائج، و بزمن الأقل ممكنا. ---------------------------------------------- Résumé (Français et/ou Anglais) :

Dans le contexte actuel d’ouverture des marchés, les entreprises doivent améliorer leur compétitivité et donc leur productivité. « Produire plus et moins cher » c’est avoir une meilleure disponibilité des moyens de production et c’est dépenser moins. Dans les industries de production d’énergie électrique, la politique c’est d’assurer un équilibre entre consommation et production avec un cout aussi faible que possible. Le problème qui se pose c’est la gestion de cette production variable en minimisant les pertes et la fonction cout globale. Grâce à des méthodes inspirées de la nature on a pu améliorer considérablement cette production, mais les problèmes qui se posent toujours c’est bien le temps de convergence de ces méthodes. Pour résoudre ce problème, notre travail propose une nouvelle stratégie d’optimisation qui se concentre à un compromis entre l’exploration et l’exploitation de l’espace de recherche par une combinaison de deux méthodes métaheuristiques, à savoir la méthode FFA et la méthode des Algorithmes génétiques, puis la méthode TLBO (Teaching–Learning-Based Optimization) et la méthode des Algorithmes génétiques (GA), on arrive ainsi à améliorer les résultats avec un temps aussi faible que possible.

In the current context of market opening, companies must improve their competitiveness and hence their productivity. "Producing more and cheaper" is a better availability of means of production and means spending less. In the industries of electric power generation, politics is to ensure a balance between consumption and production with the lowest possible cost. Through methods inspired from nature we could significantly improve this production, but the problems that always arise it is time convergence of these methods. To resolve this problem, our work proposes a new optimization strategy that focuses a compromise between exploration and exploitation of the search space by a combination of two metaheuristics methods, namely the FFA and the genetic Algorithms method, then the TLBO (Teaching–Learning-Based Optimization) method and the Genetic Algorithms method (GA), we thus arrive at better results with time as low as possible.