Detalhes bibliográficos
| Ano de defesa: |
2019 |
| Autor(a) principal: |
Andrade, Gabriella Lopes |
| Orientador(a): |
Neto, João Plínio Juchem |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Pampa
|
| Programa de Pós-Graduação: |
Mestrado Acadêmico em Engenharia Elétrica
|
| Departamento: |
Campus Alegrete
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://dspace.unipampa.edu.br:8080/jspui/handle/riu/3966
|
Resumo: |
Este trabalho propõe uma modificação do algoritmo Evolução Diferencial (ED) para solucionar o problema do Despacho Econômico de Carga (DE), no qual deseja-se encontrar o nível de geração de cada unidade geradora de energia termo elétrica que satisfaça a demanda total do sistema ao menor custo, satisfazendo as restrições do problema. O ED é um algoritmo baseado na teoria da seleção natural das espécies de Charles Darwin, onde os indivíduos mais aptos têm mais chances de sobreviver. No ED original têm-se uma população inicial composta de cada possível solução para o problema alvo. Essa população é evoluída através da aplicação dos operadores genéticos de mutação, cruzamento e seleção dos indivíduos a serem inseridos na nova população. A cada iteração do ED uma nova população é gerada, substituindo a antiga, que é descartada. Ao final da execução, o ED deve retornar a melhor solução encontrada. A modificação ao ED (ED M) nesta dissertação considera que, na etapa de seleção, o indivíduo mais apto substitua o antigo na população atual, ao invés de ser inserido na nova população. Para verificar o desempenho do EDM em relação ao ED original, solucionamos um conjunto de funções teste com o objetivo de obter o mínimo global e diferentes instâncias do DE. Ambos algoritmos se mostraram eficazes na minimização das três funções de menor dimensionalidade. Nossos resultados mostraram que o ED se mostrou mais eficaz que o EDM na minimização do conjunto de funções de teste de maior dimensionalidade, apresentando uma solução até 99,99% melhor. Entretanto, nenhum dos algoritmos conseguiu obter a solução ótima. Logo, neste caso é necessário executar um número maior de iterações para a convergência até a melhor solução. Na resolução do DE, o EDM se mostrou mais eficaz que o ED em todos os casos, encontrando uma solução até 10,22% melhor. Além disso, a redução do tempo de computação do EDM em relação ao ED foi de até 98,69%. Logo, confirmamos a eficiência da modificação proposta em relação à versão original do ED. |
