Evolutionary Learning Based Optimization for Solving Non-convex Optimal Power Flow Problems: A Modern Teaching–Learning-Based Optimization Algorithm

Le réseau électrique est une vaste et délicate machine qui doit équilibrer l'offre et la demande à l'instant même où un interrupteur est actionné. Maintenir ce système en fonctionnement de manière sûre et économique nécessite de résoudre un casse-tête complexe appelé flux de puissance optimal. Les ingénieurs doivent décider exactement quelle quantité d'électricité chaque centrale doit produire, quelle tension maintenir sur les lignes et comment ajuster les transformateurs, tout en veillant à ce que le système ne s'effondre pas sous son propre poids. Le défi réside dans le fait que le coût de la production d'énergie est rarement une ligne droite ; c'est un paysage accidenté et irrégulier, rempli de bosses et de creux causés par les réalités physiques de la combustion du combustible et les limites mécaniques de l'équipement. Les outils mathématiques traditionnels peinent souvent à naviguer dans ce terrain accidenté, restant bloqués dans des creux locaux et manquant le véritable point le plus bas où le système fonctionne le plus efficacement.

Pour naviguer dans ce paysage difficile, les chercheurs se sont tournés vers des méthodes inspirées de la nature et du comportement humain. L'une de ces méthodes, appelée optimisation basée sur l'enseignement et l'apprentissage (teaching-learning-based optimization), imite une salle de classe où un enseignant partage ses connaissances pour augmenter le score moyen des élèves, et où les élèves apprennent les uns des autres. Bien que cette approche soit puissante, elle peut parfois se contenter trop rapidement d'une bonne solution, manquant ainsi la meilleure solution cachée plus profondément dans l'espace de recherche. Dans une étude récente, une équipe de chercheurs de Jordanie, d'Irak et d'Iran a proposé un nouvel algorithme plus robuste appelé optimisation basée sur l'apprentissage évolutif (evolutionary learning based optimization). Ils ont repris le modèle de la salle de classe et y ont ajouté une couche de stratégie évolutive, une technique qui introduit des mutations aléatoires calculées pour maintenir la recherche vivante et empêcher le système de rester bloqué. En combinant l'apprentissage structuré d'une salle de classe avec l'aléa adaptatif de l'évolution, ils ont créé un outil conçu pour trouver les meilleurs réglages possibles pour les réseaux électriques, même lorsque le problème est tordu et non lisse.

Les chercheurs ont testé leur nouvel algorithme sur une série de défis mathématiques standards connus sous le nom de benchmarks CEC2014, qui sont conçus pour être difficiles et trompeurs. Dans ces simulations, la nouvelle méthode a systématiquement surpassé l'algorithme original basé sur l'enseignement et l'apprentissage ainsi que d'autres techniques d'optimisation populaires. Elle a trouvé de meilleures solutions plus rapidement et avec une plus grande stabilité, prouvant que l'ajout de l'étape évolutive a aidé le système à échapper aux pièges locaux et à explorer l'espace de recherche de manière plus approfondie. L'équipe a ensuite appliqué cet outil à des modèles de réseaux électriques réels, spécifiquement les réseaux de test IEEE 30-bus et 57-bus, qui représentent des systèmes électriques de petite et moyenne taille. Ils ont demandé à l'algorithme de résoudre plusieurs problèmes critiques simultanément : réduire le coût du combustible, abaisser les émissions nocives, minimiser la quantité de puissance perdue sous forme de chaleur pendant la transmission et maintenir des niveaux de tension stables.

Dans chaque scénario testé sur le réseau 30-bus, le nouvel algorithme a délivré des résultats supérieurs. Lorsqu'il lui a été demandé de minimiser les coûts de combustible, il a atteint un coût de 800,4791 dollars par heure, un chiffre inférieur à ce que la méthode d'enseignement et d'apprentissage originale et d'autres algorithmes établis pouvaient atteindre. Lorsque le problème devenait plus complexe, impliquant plusieurs types de sources de combustible ou la nécessité de mettre en balance le coût et les émissions ainsi que les pertes de puissance, la nouvelle méthode continuait de trouver les réglages les plus efficaces. Par exemple, dans un test où l'objectif était de réduire simultanément les coûts de combustible et les pertes de puissance, l'algorithme a trouvé une solution qui permettait d'économiser de l'argent tout en maintenant la stabilité du système. Les chercheurs ont également testé l'algorithme sur le réseau plus large 57-bus, qui comprend sept générateurs et nettement plus de variables. Bien que l'article indique que des solutions optimales pour ce réseau plus grand ont été obtenues et comparées avec des articles précédents, les résultats numériques spécifiques pour les coûts de combustible du 57-bus n'étaient pas inclus dans le texte fourni.

L'étude a également examiné le comportement de l'algorithme au fil du temps. Dans les simulations, la nouvelle méthode a montré une baisse constante et rapide de l'erreur, ce qui signifie qu'elle a trouvé de bonnes solutions rapidement, puis les a affinées pour atteindre une quasi-perfection. Contraなるment à certaines autres méthodes qui pourraient fluctuer de manière sauvage ou stagner avant d'atteindre la meilleure réponse, cet algorithme a maintenu un chemin constant vers l'optimum. Les chercheurs ont vérifié ces conclusions en lançant les simulations trente fois pour chaque problème afin de s'assurer que les résultats n'étaient pas seulement le fruit d'un coup de chance. Les données ont montré que la nouvelle approche était non seulement plus précise, mais aussi plus fiable, trouvant systématiquement les meilleurs réglages possibles pour les variables du réseau électrique.

En combinant l'apprentissage social d'une salle de classe avec la puissance évolutive de la mutation, les chercheurs ont créé un outil capable de gérer la réalité désordonnée et non linéaire des systèmes électriques mieux que de nombreuses méthodes existantes. Ce travail démontre qu'en équilibrant soigneusement le besoin d'explorer de nouvelles possibilités et le besoin d'affiner les solutions déjà connues, les ingénieurs peuvent trouver des moyens de faire fonctionner le réseau électrique de manière plus économique et plus propre. Les résultats suggèrent que cette approche hybride pourrait être un atout précieux pour la planification future des systèmes énergétiques, offrant un moyen de naviguer entre les compromis complexes de coût, d'efficacité et d'impact environnemental sans se perdre dans la rugosité mathématique du problème.