République Algérienne Démocratique et populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Département de l’Electrotechnique
Faculté des génies électriques
Université de Sciences et Technologie d’Oran

Mémoire de Magister
Présenté par :

Si Tayeb Abdelkader

Magistère en Electrotechnique
Option : Réseaux Electriques.

Thème

Méta heuristiques pour l’optimisation des puissances actives

dans un réseau d’énergie électrique

Soutenue le : 10 / 02 / 2011

Devant le jury composé de :

Mr T. BOUTHIBA Professeur, USTO-MB Président

Mr H. BOUZEBOUDJA Maître de Conférence, USTO-MB Rapporteur
Mr A. ALLALI Maître de conférence, USTO-MB Examinateur
Mr L. KOTNI Maître de Conférence, USTO-MB Examinateur

ANNEE UNIVERSITAIRE 2010-2011

 Remerciements

Au terme de ce travail, je tiens tout d’abord à remercier mon encadreur, Monsieur Bouzeboudja
Hamid qui m’a offert la possibilité de réaliser une mémoire sous sa direction. Je le remercie
également pour ses discussions profitables, ses encouragements, ses conseils judicieux et ses
suggestions. Je lui suis reconnaissant de la liberté et de la confiance qu’il m’a témoignées tout au
long de ce travail.

J’adresse mes sincères remerciements aux membres du Jury qui ont bien voulu examiner mon
travail

 Monsieur Bouthiba T, Professeur à l’USTO de m’avoir fait l’honneur de présider le jury

de thèse.

 Monsieur Allali A, maître de conférence à l’USTO qui nous a fait l’honneur de participer
au jury ainsi que pour l’intérêt qu’il a montré pour nos travaux.

 Monsieur Kotni L, maître de conférence à l’USTO qui nous a fait l’honneur d’examiner
notre travail.

D’autre part, j’ai de la peine à exprimer toute l’amitié que je ressens pour ceux qui m’ont entouré
pendant toute la période de ce Magister: Melle Debbat.F et Touhami Seddik.

Enfin, je tiens à remercier les membres de ma famille, pour leur soutien inconditionnel, sans
lequel je n’aurai jamais pu réussir de telles études
 RESUME

Le rôle primordial de toute entreprise de production et de distribution d’énergie électrique

est d’assurer en tout temps et en tout lieu, la couverture des puissances demandées par les
utilisateurs, d’offrir une sécurité d’alimentation et de garantir une qualité acceptable de
l’énergie avec un coût aussi faible que possible.
L'importance de l’étude de la répartition optimale des puissances actives dans un réseau
d'énergie électrique est capitale; elle nécessite l'élaboration d'une méthode de calcul
numérique plus efficace afin de répondre à ce besoin. De nombreuses études ont été proposées
dans la littérature. Notre orientation s’est focalisée sur les méthodes métaheuristiques.
Le travail effectué à pour objectif de mettre en œuvre un modèle basé sur la méthode de
recherche Tabou pour résoudre le problème d’optimisation des puissances actives afin
d’économiser au maximum le combustible consommé par les centrales de production
d’énergie électrique. Des simulations ont été exécutées sur trois réseaux test (IEEE-5, IEEE-
30 et IEEE-57 nœuds).

Les résultats obtenus permettent la mise en évidence de l’algorithme de recherche Tabou

dans l’optimisation des puissances actives par rapport aux méthodes analytiques du point de
vue fonction coût minimisée.
Les résultats obtenus sont très satisfaisants et confirment la validité et l'efficacité du travail
effectué
 Sommaire
I - INTRODUTION GENERALE………………………………………...…………. 1
Chapitre 1 L’OBSTACLE DE LA REPARTITION OPTIMALE DES PUISSANCES

1.1 Programme de marche des unités de production………………………...…................. 4

1.2 Enonce du problème ………………………………………………….......................... 4
1.3 Problème de la répartition optimale des puissances ……….…………………………. 5
1.3.1 Présentation de la fonction objective…………………………................. 6
1.3.2 Les contraintes……………………………………………………...…… 7
1.3.2.1 Contraintes de type égalité………………………………….......... 8
1.3.2.2 Contraintes de type inégalité ……………………….….................. 8
1.3.3 Classification des variables …………………………................................ 8
1.4 Problème de l’écoulement de puissance …………………........................................... 9
1.4.1 Introduction………………………………………..…………………….. 9
1.4.2 Modélisation du réseau …………………………………………………. 9
1.4.2.1 Modélisation de la ligne…………………………………………... 10
1.4.2.2 Matrice admittance nodale ………………………………………... 11
1.4.3 Calcul de l’écoulement des puissances par la méthode de Gauss-
Seidel……………………………………………………………………. 11
1.5 Conclusion…………………………………………..................................................... 14

Chapitre 2 LES METHODES D’OPTIMISATION

2.1 Introduction ………………………………………………………………………….. 15

2.2 Les problèmes d’optimisation……………………………………………………...… 16
2.3 Les éléments d’optimisation……………………………………………………….... 16
2.4 Optimisation combinatoire……………………..………………………………........ 17
2.5 La démarche heuristique………………………….………………………………….. 18
2.6 Les méta-heuristiques………………………………………………………...……..... 19
2.7 Organisation générale………………………………………………………………… 20
2.8 Applications…………………………………………………...………....................... 21
2.8.1 Méta- heuristique à recuit simulé……………………………………...... 21
2.8.2 Les méta- heuristiques évolutionnaires/génétiques…............................... 23
2.8.2.1 Origines……………………………………………......................... 23
2.8.2.2Principe………………………………………………………...…... 23
2.8.2.3 Les sélections……………………………………………...……… 24
2.8.2.4 Les crossing over ou recombinaison……………………..………. 24
2.8.3 Les méta- heuristiques éthologiques/colonies de fourmis…………...….. 25
2.8.4 Méthode de recherche Tabou………………..…………………………… 26
2.9 .Méthode de pénalité……………………...................................................................... 26
2.9.1 Principe général des méthodes de pénalité …………………………….... 26
2.9.2 Méthode de Fiacco et Mc Cornick…………………................................. 26
2.9.3 Méthodes de pénalité extérieure……………………………………….… 27
2.9.4 Méthodes de pénalité intérieure…………………………………………. 27
2.9.5 Méthode de pénalité mixte…………………………………….………… 28
2.10 Conclusion………………………………………………………………………...… 29
Chapitre 3 METHODE DE RECHERCHE TABOU

3.1 Introduction …………………………………………………………………….....….. 30

3.2 Méthode de Recherche Taboue …………………………………………………….. .. 30
3.2.1 Principe …………………………………...……………………......…… 30
3.2.2 Mémoire………………………………...….............................................. 31
3.2.3 Tabous et liste taboue ……………………………….…………………... 32
3.3 Critères d’aspiration ……………………………..………….........................………... 32
3.4 Intensification ……………………………………….....…………………………....... 32
3.5 Diversification ……………………………………………..…………………………. 32
3.6 Algorithme de base de la recherche tabou……………………………………………. 33
3.7 Conclusion……………………………………………………………………………. 35

Chapitre 4 APPLICATION DE LA RECHERCHE TABOU DANS LA

REPARTITION OPTIMALE DES PUISSANCES

4.1 Introduction ……………………………....................................................................... 36

4.2 Présentation du problème ……………………………………………………………. 36
4.3 Principes Généraux de recherche tabou …………………………………................... 37
4.4 Voisinage d’une solution …………………………………………………………...... 39
4.5 Structure générale de l’algorithme de recherche tabou……………………..………… 41
4.6 Illustration ……………………………………………………………………………. 42
4.6.1 Réseau test IEEE-5nœuds ……………………………..………………... 42
4.6.2 Choix des paramètres de contrôle de Recherche Tabou ……………...... 43
4.6.3 Réseau test IEEE-30nœuds………………………….....………………… 45
4.6.4 Choix des paramètres de contrôle de Recherche Tabou ……………….. 47
4.6.5 Etude comparative ………………………………..................................... 50
4.6.6 Réseau test IEEE-57nœuds ……………….…………………………...... 51
4.6.7 Choix des paramètres de contrôle de Recherche Tabou………………... 53
4.7 Analyse des résultats …................................................................................................. 55
4.8 Conclusion ………………………………………………………………...……......... 56

Chapitre 5 HYBRIDATIONS METAHEURISTIQUES

5.1 Introduction …………………………………………………………………………... 57

5.2 Classification des métaheuristiques hybrides.…………………………………...….... 57
5.3 Métaheuristiques hybrides étudiées ………………………………………………...... 58
5.4 Algorithme hybride ………………………..……………………....………………..... 58
5.5 Application sur réseau modèle IEEE-5……………………………………………….. 60
5.6 Application sur réseau modèle IEEE-30…………………………………………….... 62
5.7 Application sur réseau modèle IEEE-57……………………………………………… 64
5.8 Tableau récapitulatif………………………………………..………………………… 66
5.8.1 Réseau modèle IEEE-5 nœuds……………………………....................... 66
5.8.2 Réseau modèle IEEE-30 nœuds…………………………………………. 66
5.8.3 Réseau modèle IEEE-57 nœuds…………………………………...…….. 67
5.9 Analyse de résultas……………………………………………………………………. 67
5.10 Conclusion…………………………………………………………………...…….... 68

CONCLUSION GENERALE……………………...…………...……………………..... 69
Bibliographie ………………………………………………………………… 70
ANNEXES………… …………………………………………………………………….. 74
INTRODUCTION GENERALE
 Introduction générale

INTRODUCTION GENERALE

L'industrialisation et la croissance de la population sont les premiers facteurs pour

lesquels la consommation de l'énergie électrique augmente régulièrement. Ainsi, pour avoir
un équilibre entre la production et la consommation, il est à première vue nécessaire
d'augmenter le nombre de centrales électriques, de lignes, de transformateurs etc., ce qui
implique une augmentation de coût et une dégradation du milieu naturel. En conséquence, il
est aujourd'hui important d'avoir des réseaux maillés et de travailler proche des limites de
stabilité.

Le rôle primordial de toute entreprise de production et de distribution d’énergie électrique

est d’assurer en tout temps et en tout lieu, la couverture des puissances demandées par les
utilisateurs, d’offrir une sécurité d’alimentation et de garantir une qualité acceptable de
l’énergie avec un coût aussi faible que possible. Afin de respecter ces exigences, il est
nécessaire de prendre un certain nombre de décisions.
La première décision est de garder l’équilibre instantané entre la production et la
consommation et cela pour un réglage primaire qui est le réglage de puissance active, ensuite
par un réglage secondaire qui fait intervenir les puissances échangées avec les réseaux
voisins. Puis à l’échelle de quelques minutes, on introduit un réglage dit tertiaire ou
dispatching économique, qui tient compte des coûts de production et des contraintes de
sécurité. Donc il s’agit d’une optimisation en régime permanent qui est relancée à intervalles
réguliers plusieurs fois par heures en fonction de la variation de la charge.
L’exploitation des réseaux électriques nécessite d’améliorer la gestion de l’énergie en
introduisant les coûts de production et en minimisant les pertes de transmission. La recherche
scientifique s’est orientée vers la meilleure forme de répartition économique de l’énergie
électrique afin de minimiser les frais de production.

Pour une bonne exploitation du réseau, nous devons résoudre les problèmes d’ordre
technique et économique, ce qui nécessite l’amélioration de la gestion de l’énergie électrique
en réduisant d’une part le coût de production et d’autre part en gardant l’équilibre entre la
production et la consommation.

1
 Introduction générale

Plusieurs méthodes [CAR 62, ARV 71, REI 73, RAS 75, HAP 78, HOU 83, RAH 85,
SAD 90, BAK 02,…etc.] ont été élaborées pour résoudre ce problème à savoir planifier les
puissances active et réactive de chaque centrale électrique de telle sorte à minimiser le coût
total de production de l’énergie électrique du réseau entier. D’une autre façon, il faut varier
les puissances active et réactive des générateurs dans certaines limites afin de satisfaire la
demande particulière de la charge avec un coût minimal du combustible. C’est le problème du
dispatching économique.

Ce travail est une contribution à la résolution du problème de la répartition optimale des

puissances actives dans un réseau d’énergie électrique par les métaheuristiques d’optimisation
combinatoire.
Les méta-heuristiques sont généralement des algorithmes stochastiques, qui progressent vers
un optimum par échantillonnage d'une fonction objectif. Ils sont généralement utilisées
comme des méthodes génériques pouvant optimiser une large gamme de problèmes
différents, sans nécessiter de changements profonds dans l'algorithme employé.
Les métaheuristiques sont souvent employées en optimisation combinatoire, mais on en
rencontre également pour des problèmes continus ou mixtes (problèmes à variables discrètes
et continues).
D'une manière générale, les métaheuristiques s'articulent autour de trois notions :
L’exploration (ou diversification) désigne les processus visant à récolter de l'information
sur le problème optimisé. L’exploitation (ou intensification) vise à utiliser l'information
déjà récoltée pour définir et parcourir les zones intéressantes de l'espace de recherche.
La mémoire est le support de l'apprentissage, qui permet à l'algorithme de ne tenir compte
que des zones de l'optimum global et susceptible de se trouver, évitant ainsi les optima
locaux.

Pour cela, nous avons structuré notre travail comme suit :

Après une introduction générale, on présente le problème de la répartition optimale des
puissances dans un réseau électrique. Ensuite, on s’intéresse à la modélisation du réseau et au
calcul de l’écoulement des puissances par la méthode de Gauss-Seidel.
Dans le second chapitre on présente les différentes méthodes d’optimisation.
Le troisième chapitre est une revue de littérature détaillée sur la méthode de recherche
Taboue. Le quatrième chapitre est consacré à l’application de la recherche Taboue dans la
répartition optimale des puissances actives. Pour valider les programmes élaborés, des

2
 Introduction générale

applications sur des réseaux modèles (IEEE-5, IEEE-30 et IEEE- 57 nœuds).

Dans le dernier Chapitre, on présente une hybridation métaheuristique entre la recherche
Taboue et l’Algorithme génétique. Une simulation sur des réseaux IEEE-5, IEEE-30 et IEEE-
57 nœuds a été réalisée.
En fin nous clôturons ce travail par une conclusion générale.

3
 Chapitre 1
L’OBSTACLE DE LA REPARTITION
OPTIMALE DES PUISSANCES
Chapitre 1 L’obstacle de la répartition optimale des puissances

Chapitre 1

L’OBSTACLE DE LA REPARTITION OPTIMALE DES PUISSANCES

1.1 Programme de marche des unités de production

La puissance appelée par les consommateurs est variable et correspond à l’activité

économique et sociale, avec son rythme, jours de travail/week-end, périodes
d’activité/vacances, ainsi que les conditions climatiques (température, nébulosité, vent).
Afin de définir un programme de marche des unités de production permettant une exploitation
sure économique, il convient de prévoir la charge du réseau de manière aussi précise que
possible en se basant sur les relevés des périodes récentes similaires, sur son évolution
générale et sur les prévisions météorologiques. Plusieurs méthodes algorithmiques ont été
développées. Il faudra arrêter certains groupes de production en période de basse charge et en
démarrer pour couvrir les pointes de charge. Le choix du programme de marche des unités de
production devra tenir compte du coût de fonctionnement des unités, mais aussi de leurs
caractéristiques techniques, comme par exemple, les temps de démarrage et d’arrêt, avec les
coûts associés.

La détermination du programme de marche des unités conduisant au coût le plus faible est
un problème difficile car il faut intervenir des variables continues (la modulation de la
puissance des unités en service) et discontinues (décisions de marche ou d’arrêt). Sachant
qu’il n’y a pas de transition continue entre les deux puisqu’il existe une puissance minimale
de fonctionnement des groupes de production. Parmi les méthodes de calcul utilisées figurent
la programmation dynamique, la méthode de relaxation de Lagrange, etc. Les algorithmes
utilisés par les programmes de calcul sont généralement complétés par des règles heuristiques.

1.2 Enonce du problème

Nous considérons un système électro-énergétique alimenté par un ensemble de centrales

possédant chacune plusieurs machines. Les frais du combustible nécessaire pour la production
de la puissance électrique pour chaque machine sont une fonction monotone de la puissance
appelée

F i  F i PGi  (1.1)

4
Chapitre 1 L’obstacle de la répartition optimale des puissances

La répartition optimal de puissance sert à minimiser soit le coût total de la production de la

puissance active générée ou les pertes totales de puissance en respectant les contraintes de
type égalité et d’inégalité.

1.3 Problème de la répartition optimale des puissances

Le problème de la répartition optimale des puissances actives peut être de la manière suivante
[RAH 96] :

NG
Minimiser F   F i P Gi  (1.2)
i1

Sous les contraintes :

NG NG
∑ PGi - ∑ PChj - PL = 0 (1.3)
i=1 j=1

NG NG
∑ QGi - ∑ QChj - QL = 0 (1.4)
i=1 I=1

P min ≤ P ≤ P max (1.5)

Gi Gi Gi

Q min ≤ Q Gi ≤ Q max (1.6)

Gi Gi

E min ≤ E ≤ E max (1.7)

i i i

T min ≤ T ≤ T max (1.8)

ij ij ij

θ min ≤ θ ≤ θ max (1.9)

ij ij ij

|S ij |2- |S ij max |2 ≤ 0 (1.10)

Où:

NG : nombre total des nœuds producteurs ;

Nc: nombre total des nœuds consommateurs ;
PGi : puissance active générée au noeud i ;
PChj : puissance active consommée au nœud j ;

5
Chapitre 1 L’obstacle de la répartition optimale des puissances

PGimax : puissance active maximale générée au nœud i ;

PGimin : Puissance active minimale générée au nœud i ;

PL: les pertes actives totales dans le réseau ;
QGi: puissance réactive générée au noeud i ;
QChj: puissance réactive consommée au nœud j ;
QGimax : puissance réactive maximale générée au nœud i ;

QGimin : puissance réactive minimale générée au nœud i ;

QL: les pertes réactives totales dans le réseau ;
Ei: module de la tension au nœud i ;
E imax : module de la tension maximale au nœud i ;
E imin : module de la tension minimale au nœud i ;
Tj: rapport de transformation du transformateur ;
Tijmax : valeur maximale du rapport de transformation du transformateur ;
Tijmin : valeur minimale du rapport de transformation du transformateur ;
θij : la phase du rapport de transformation du transformateur ;
 ijmax : valeur maximale de la phase de transformation du transformateur ;
 ijmin : valeur minimale de la phase de transformation du transformateur ;
S ijmin : Puissance transitée entre les nœuds i et j ;
S ijmax : Puissance maximale transitée entre les nœuds i et j ;

La résolution d’un tel problème avec toutes les contraintes reste difficile à réaliser pour des
réseaux complexes comportant généralement beaucoup de noeuds et de lignes,
d’interconnexion. Ce n’est pas toujours rentable d’inclure toutes ces contraintes. Il est donc,
nécessaire de simplifier le problème.
La complexité et la taille des problèmes posés ont permis d’élaborer deux méthodes distinctes
de résolution. La première consiste à traiter séparément la répartition optimale des puissances
active et réactive, tandis que la seconde des puissances active et réactive simultanément. On
s’est limité, dans notre cas, à la répartition optimale des puissances actives.

1.3.1 Présentation de la fonction objective :

Dans le problème du dispatching économique, la fonction objective à minimiser est le

coût total de production des groupes thermiques. Les courbes donnant le coût de production
de chaque groupe (en Da/h ou MBtu/h) en fonction de la puissance qu’il débite (en MW) ont
été déterminées expérimentalement (fig.1.1).

6
Chapitre 1 L’obstacle de la répartition optimale des puissances

Chaque groupe va produire sa propre puissance selon une fonction coût convexe donnée par
la fonction quadratique suivante [ARV 71] :

F i PGi   a i  bi PGi  c i PGi2 (1.11)

Où: Les coefficients ai, bi et c1 sont numériquement connus.

La fonction du coût totale de production de l’énergie électrique exprimée en dinars par heure
est donnée par l’expression suivante :
NG
F =∑ Fi(PGi) (1.12)
i=1

Où: NG est le nombre total de nœuds générateurs dans le réseau.

F(p G)
[ DA/MW]





p min p max p [MW]

G G G

Fig.1.1 Fonction coût du générateur

1.3.2 Les contraintes

Les puissances actives générées optimales correspondant à un coût minimal, doivent

obligatoirement respecter les contraintes de type égalité et inégalité. Les contraintes de
sécurité expriment qu’en cas de perte d’un ou plusieurs ouvrages de production et/ou de
transport, le réseau continue à fonctionner dans des limites admissibles.

7
Chapitre 1 L’obstacle de la répartition optimale des puissances

1.3.2.1 Contraintes de type égalité

Le choix optimal des puissances générées doit obéir à l’équilibre statique de l’énergie
dans le système électrique. Ces contraintes sont représentées par des équations non linéaires
de l’écoulement de puissance. Il faut que la somme des puissances actives produites dans le
réseau soit égale à la somme des puissances actives consommées, Plus les pertes.

1.3.2.2 Contraintes de type inégalité

Ces contraintes traduisent les limites de fonctionnement des ouvrages (groupe de production,
lignes de transport, transformateurs,…).

1.3.3 Classification des variables

Généralement, le fonctionnement du système électrique peut être décrit en fonction de six

variables pour chaque nœud considéré (PGi, QGi, PChi, QChi, Ei, θi,). Ces variables sont
généralement divisées en trois catégories :

 Variables incontrôlables : Ces variables peuvent être considérées comme des valeurs
numériques constantes ou comme des paramètres. Les puissances active et réactive
(PChi, QChi) demandées sont des exemples de ce type de variables.

 Variables de contrôle : Ce sont généralement les puissances active et réactive générées

(PGi, QGi). On peut aussi, selon des cas, considérer les tensions aux nœuds de
génération ou les rapports de transformation des transformateurs avec régleur en
charge, comme des variables de contrôle.

 Variables d’état : Ces variables ne sont pas directement contrôlées dans le processus
d’optimisation. Leurs valeurs sont dépendantes du choix des variables de contrôle. Le
vecteur des variables d’état peut inclure les tensions des jeux de barres de charge et les
angles de phase des jeux de barres générateurs.

8
Chapitre 1 L’obstacle de la répartition optimale des puissances

1.4 Problème de l’écoulement de puissance

1.4.1 Introduction

Le calcul de l’écoulement de puissance (load flow ou power flow) dans un réseau

électrique est un outil fondamental tant en contrôle opérationnel qu’en planification. Il a pour
but de déterminer, en régime triphasé permanent, les tensions en tout point du réseau et les
puissances actives et réactive transitant sur toutes les lignes. Ceci explique, une littérature
riche qui est consacrée à ce sujet et relatant depuis le début de l’ère des ordinateurs,
l’évolution de la question des points de vue mathématique et informatique [STA 83, SIN 86,
WAL 86, GON 88].

1.4.2 Modélisation du réseau

Un état du réseau est en lieu défini par sa topologie, c'est-à-dire, d’une part, la liste des
ouvrages en service à l’instant étudié, et d’autre part, les connexions entre les ouvrages. On
distingue la topologie élémentaire (ou détaillée) et la topologie nodale.

La topologie nodale peut être par un graphe dont les sommets sont les nœuds électriques,
et les arêtes les ouvrages du réseau (lignes, câbles, transformateurs).
Dans les calculs de la répartition des charges, le réseau est représenté en topologie nodale.
Soit un réseau électrique simplifié est représenté par la figure 1.2 :

PG1+ jQG1 PGn + jQGn pchn + jQchn

n
Zjn
Zjn

i Zij
j

PGi+ jQGi pchi + jQchi PGj+ jQGj pchj + jQchj

Fig. 1.2 Réseau électrique simplifié à n-nœud

9
Chapitre 1 L’obstacle de la répartition optimale des puissances

1.4.2.1 Modélisation de la ligne

Une ligne reliant deux nœuds i et j, est modélisée par un schéma en π dont l’impédance
série est (figure 1.3) :

Zij = rij + jxij (1.13)

i rij xij j

y'ij y'ji
2 2

Fig. 1.3 Modélisation d’une ligne

Pour utiliser la topologie nodale, nous devons transformer les impédances des branches du
réseau en admittances ; pour cela, nous posons :

1 1 Rij Xij
yij = — = ———— = ———— - j ———— (1.14)
Zij Rij + jXij R2ij + X2ij R2ij + X2ij

Où:

yij = gij - jbij (1.15)

Et :

Rij
gij = ————
R2ij + X2ij
(1.16)
Xij
bij = ————
R2ij + X2ij

yij : admittance de la branche i – j

gij : conductance de la branche i – j
bij : suceptance de la branche i – j

10
Chapitre 1 L’obstacle de la répartition optimale des puissances

1.4.2.2 Matrice admittance nodale

Les éléments de la matrice admittance nodale Y seront :

 Les éléments diagonaux Yii :

n yij'
ii   ( yij  ) (1.17)
j 1 2

 Les éléments non diagonaux Yij :

ii   y ij (1.18)

1.4.3 Calcul de l’écoulement des puissances par la méthode de Gauss- Seidel

Le calcul de l’écoulement de puissance en régime permanent établi se base sur le système

d’équations linéaires suivant :

I = Y. E (1.19)

Où:

I: vecteur complexe des courants nodaux injectées dans le réseau ;

Y : matrice complexe des admittances nodales complexe ;
E: vecteur complexe des tensions nodales.

Si le réseau admet N nœuds ; I et E auront N composantes complexes et Y sera une

matrice complexe de dimension N*N. Les éléments de Yij seront calculés à partir des
caractéristiques des composants du réseau.

Cette méthode dérivant de la méthode itérative de Gauss permet de résoudre un système

d’équations non linéaires en utilisant la matrice admittance. On suppose initialement des
tensions pour tous les nœuds excepté le nœud de bilan (nœud pris comme nœud de référence)
où la tension est maintenue constante [STA 83, CHA 97].
On peut exprimer les courants pour chaque nœud comme suit :

S i* Pi  jQi
Ii   i=1.2……,n (1.20)
Ei* Ei

11
Chapitre 1 L’obstacle de la répartition optimale des puissances

Où:
n : désigne le nombre de nœuds dans le réseau ;
si : le conjugué de la puissance apparente injectée au nœud i ;

E i : le conjugué de la tension au nœud i ;

pi : la puissance active injectée au nœud i ;
Qi : la puissance réactive injectée au noud i.

En remplaçant l’équation (1.19) dans (1.20), on aura :

Pi  jQi n
Ii 
Ei
 ii  E i  
j 1
ij  E j is (1.21)
j 1

Où: s est le numéro du nœud de référence.

L’expression de la tension pour chaque nœud est :

1  Pi  jQi i 1 n 
Ei     ij  E j   ij Ej  (1.22)
ii  Ei j 1 j i 1 

En posant :

Pi - jQi
KLi= ———
Y ij
(1.23)
Yij
YLij= ——
Y ii

D’où l’expression finale de la tension pour chaque nœud :

i 1
KLi n
EiK 1    Lij E Kj 1   L  E Kj is (1.24)
E 
i
K 
j 1 j i 1
ij

Pour accélérer la convergence de la méthode, on introduit un facteur d’accélération

α (1 ≤ α ≤ 1.4 )

Eik+1= E ik+ α . ∆ Eik (1.25)

12
Chapitre 1 L’obstacle de la répartition optimale des puissances

Où:

∆Eik = Eik+1 - Eik (1.26)

Algorithme de Gauss-seidel

Etape 1

Formation de la matrice admittance [Y]

Etape 2

Estimation des valeurs initiales des tensions nodales Ei0 i=1,…,n

Etape 3 i=1,…,n

Détermination des paramètres KLi et YLij

j=1,…,n

Initiation des itérations k=0

Etape 4

Calcul itératif des tensions pour chaque nœud suivant la relation :

i 1
KLi n
EiK 1    Lij E Kj 1   L  E Kj
E 
i
K 
j 1 j i 1
ij

On calcul l’écart entre les valeurs d’une même tension trouvée aux itérations qui se suivent :
( ) ( )
∆ E ik = Ei(k+1) - E ik

On introduit le facteur d’accélération α pour réduire le nombre d’itérations.

Eik+1= Eik + α . ∆Eik

Etape 5

Une fois, le test de convergence est vérifié (Max∆Eik ≤ ε), les valeurs des tensions de la dernière
itération sont retenues, on calcule :

 Les puissances transitées :

  
y ij'
S  E ( Ei  E j ) y ij  E  Ei 
ij i i (1.27)
2
 Les puissances injectées :
n
S i   S ij (1.28)
i 1
j i

13
Chapitre 1 L’obstacle de la répartition optimale des puissances

 Les pertes :
n
S L   Si (1.29)
i 1

Sinon aller à l’étape 4.

1.5 Conclusion

Dans ce chapitre, nous avons présenté la formulation globale du problème de la répartition

optimale des puissances actives en tenant canyote de toutes les contraintes de type égalité et
inégalité. Ce n’est pas toujours rentable d’inclure toutes les contraintes. Pour cela, on s’est
limité, dans notre cas, à un modèle plus simplifié qui sera présenté dans le chapitre 2. Nous
avons également présenté le problème de la réparation des charges, nécessaire pour le calcul
des pertes totales dans le réseau. Nous avons opté pour la méthode classique de Gauss Seidel.
Ce choix n’été pas arbitraire mais basé surtout sur la simplicité de la méthode.

14
 Chapitre2
LES METHODES D’OPTIMISATION
Chapitre 2 Les méthodes d’optimisation

Chapitre 2
LES METHODES D’OPTIMISATION
2.1 Introduction

Parmi les problèmes rencontrés par les chercheurs, les problèmes d’optimisation occupent à notre
époque, une place prépondérante. L’objectif principal de l’optimisation est de déterminer une solution qui
minimise (ou maximise) une fonction, appelée dans la littérature fonction objective ou fonction
d’adaptation tout en vérifiant un certain nombre de contraintes. Cette fonction correspond à une relation
algébrique entre une ou plusieurs variables de sortie du système étudié que l’on appelle " critères".
Pratiquement, toutes les méthodes d’optimisation opèrent par itération successive, à partir d’une
estimation initiale x0 qui est progressivement améliorée. La différence entre les méthodes réside dans le
choix de la procédure adoptée pour passer d’une estimation xk à la novelle estimation xk+1.
La méthode de programmation non linéaire a été la première méthode à connaître un essor
remarquable, attirant ainsi l’attention des chercheurs et des ingénieurs ; les solutions qu’elles offrent
couvrent un large champ d’application. Dans les années quatre vingt. Le développement rapide de l’outil
informatique a permis d’élaborer d’autres méthodes [RAH 96] :

 Des méthodes de programmations successives.

 Des méthodes de lagrangien augmentée.
 Des méthodes de programmation quadratique, mentionnons les méthodes de Newton et quasi-
Newton.

Les spécialistes de l’optimisation combinatoire ont ensuite orienté leur recherche vers le
développement des méthodes stochastiques tel que : le recuit simulé, la recherche tabou et les algorithmes
évolutionnistes. Depuis quelques années, un nombre croissant de méthodes d’optimisation ont été
proposées permettant une hybridation s’effectue aussi entre méthodes heuristiques et méthodes
analytiques. Cette approche hybride permet d’obtenir des méthodes d’optimisation efficaces sur des
problèmes de plus en plus difficiles. L’intérêt de cette approche est de performances globales obtenues
par chacune d’elles. Actuellement, poussées par les performances générales de tels algorithmes, un
nombre croissant d’études proposent ce type d’approche.

15
Chapitre 2 Les méthodes d’optimisation

2 .2 Les problèmes d’optimisation

La résolution des problèmes d’optimisation est utilisée dans un grand nombre de domaines
[MEZ07, EHL97 ]. A l’origine, ce sont les militaires qui se sont intéressés à ces questions au cours
de la seconde guerre mondiale. C’était en fait un nouveau domaine de recherche en mathématiques
appliquées qui a vu le jour avec la recherche opérationnelle. Le développement de l’informatique a ouvert
de nouveaux horizons à la résolution de ces problèmes, et a permis un élargissement massif des champs
d’application de ces techniques.

La résolution d’un problème d’optimisation et un problème complexe, car de nombreux facteurs

interviennent et interagissent entre eux. Néanmoins, l’optimisation appliquée au domaine
d’électrotechnique permet de résoudre des problèmes qui étaient insolubles auparavant et aboutit
souvent à des solutions originales.

Dans ce chapitre, nous présentons différentes méthodes de résolution. L’ensemble de ces

méthodes est tellement vaste qu’il est impossible de tout exposer. Ainsi, nous présentons les
principales méthodes de résolution.

2. 3 Les éléments d’optimisation

L’optimisation est une des mathématiques consacré à l’étude du (ou des)

minimum(s)/maximum(s) d’une fonction à une ou plusieurs variables sur un certain domaine de
définition, de l’étude de leur existence à leur détermination , en général par la mise en œuvre d’un
algorithme et par suite un programme. Pour mener à bien une opération, plusieurs éléments sont
indispensables et conditionnent la solution trouvée. La figure suivante présente les quatre éléments
essentiels à la résolution d’un problème d’optimisation.

16
Chapitre 2 Les méthodes d’optimisation

Fig. 2.1 : Eléments indispensable

En général, un grand nombre de paramètres sont indispensables, il faut être capable de

définir les paramètres utiles à l’optimisation. Certains paramètres ont une influence sur la
fonction choisie, d’autres pas. Etant donné le coût des simulations, seul les paramètres
influents sont à retenir :
Une fonction objective : définie l’objectif à atteindre. La définition de cette fonction est en
fait un problème délicat. Car le problème est formule en un problème d’optimisation par
l’intermédiaire de la fonction objective. C’est elle qui est au centre de l’optimisation,
c’est donc elle que dépend la pertinence de la solution.
Un modèle : précis, robuste et malléable du système étudié est indispensable. Ce modèle
doit être utilisable sur un domaine d’étude le plus large possible.
Un algorithme d’optimisation : permet de trouver la solution.
Différentes méthodes d’optimisation existent et en sont présentées.

2.4 Optimisation combinatoire

L'optimisation combinatoire [YEH 04] occupe une place très importante en
recherche opérationnelle, en mathématiques discrètes et en informatique. Son importance
se justifie d'une part par la grande difficulté des problèmes d'optimisation et d'autre part
par de nombreuses applications pratiques pouvant être formulées sous la forme d'un problème
d'optimisation combinatoire. Bien que les problèmes d'optimisation combinatoire soient
souvent faciles à définir, ils sont généralement difficiles à résoudre. En effet, la plupart
de ces problèmes appartiennent à la classe des problèmes NP-difficiles et ne possèdent donc
pas à ce jour de solution algorithmique efficace valable pour toutes les données.
L’optimisation combinatoire est minimiser (ou maximiser) une fonction souvent appelée
fonction coût, d’une ou plusieurs variables soumises à des contraintes. Le sujet de
l’optimisation combinatoire dans un domaine discret. Il faut trouver parmi toutes les

17
Chapitre 2 Les méthodes d’optimisation

Possibilités, souvent en nombre fini, la possibilité optimale. Ceci parait facile mais devient
infaisable dès que la taille du problème est suffisamment grande. La taille pour laquelle la
recherche d’un optimum devient infaisable est petite, très souvent plus petite que la taille des
problèmes pratiques. En général, la difficulté d’un problème grandit très vite avec le nombre
des variables. Il n’est pas alors faisable d’examiner toutes les possibilités.
Les méthodes d’optimisation peuvent être reparties en deux catégories :

1. Méthodes exactes.

2. Méthodes approchées.

Les méthodes exactes fournissent systématiquement une solution (optimale) au

problème traité si une telle solution existe. Dans le cas contraire, ce type de méthode permet
d’affirmer qu’il n’existe pas de solution au problème traité. Les méthodes approchées
fournissent une solution approchée au problème traité. Elles sont en général conçues de
manière à ce que la solution obtenue puisse être située par rapport à la valeur optimale : de
telles méthodes permettent d’obtenir des bornes inférieures ou supérieures de la valeur
optimale tel que :
1- Méthodes Heuristiques ;

2- Méthodes Méta heuristiques.

2.5 La démarche heuristique

L’heuristique [MEZ 07,RUO 01] est une méthode, une technique ou un critère de
guidage ou de décision, en général empirique ou obtenu par approximation, permettant
de choisir la voie la plus prometteuse de recherche de la solution au problème posé, ou
d’éliminer les voies les moins intéressantes, sans garantie sur la validité ou la précision de
l’information ainsi fournie.

Entrer dans le domaine des heuristiques, c’est se départir d’emblée les schémas
classiques. En effet, alors que la démarche classique mathématique est centrée sur l’objet de
l’étude, sur la compréhension de sa structure et de sa logique, la démarche heuristique
repousse le problème lui-même au rang d’illustration pour dégager des schémas de
pensée plus généraux et donc originaux.

Les heuristiques disposent d’une simplicité et donc d’une rapidité dans leur
exécution plus élevée que les Algorithmes classiques. Ces règles s’appliquant à un ensemble
particulier la recherche des faits ce voit Simplifiée et accélérée (moins de possibilité).

18
Chapitre 2 Les méthodes d’optimisation

D’où une analyse des situations améliorées. Mais une Méthode heuristique trop
simplifiée ou au contraire trop générale peut conduire à des biais cognitifs, générant des
erreurs de décision.

L’utilisation de plus de ces éléments simples (les heuristiques) afin de créer des
éléments plus complexes (les méta- heuristiques) permet donc de réduire
considérablement l’ensemble de recherche global de L’algorithme. L’une de leur
caractéristique principale et à première vue défaut, dont hérite également les méta-
heuristiques, est qu’ils peuvent dans certains cas ne pas proposer de solution optimale au
problème. Mais au résultat s’y approchant d’assez près pour qu’il soit considéré comme
correct, on parle alors de garantie de performance.

2.6 Les méta-heuristiques

Les métas- heuristiques sont apparues dans les années 1980 et forment une famille
d'algorithmes d'optimisation visant à résoudre des problèmes d'optimisation difficile, pour
lesquels on ne connaît pas de méthode classique plus efficace. Elles sont généralement
utilisées comme des méthodes génériques pouvant optimiser une large gamme de
problèmes différents, sans nécessiter de changements profonds dans l'algorithme employé
[MEZ 07,MET05,HOL97,BUL 99]. Etymologiquement parlant de ce mot est composé dans
un premier temps du préfixe méta qui signifie « au delà »ou « plus haut » en grec puis
de « heuristique » qui signifie « trouver ».

Cette décomposition permet facilement comprendre le but premier de ces

algorithmes : trouver des solutions à des problèmes en utilisant plusieurs (méta)
heuristiques. Métas- heuristiques utilisent des processus aléatoires comme moyens de
récolter de l'information et de faire face à des problèmes comme l'explosion
combinatoire. En plus de cette base stochastique, les méta- heuristiques sont
généralement itératives, c'est-à-dire qu'un même schéma de recherche est appliqué
plusieurs fois au cours de l'optimisation, et directes, c'est-à-dire qu'elles n'utilisent pas
l'information du gradient de la fonction objectif. Elles tirent en particulier leur intérêt
de leur capacité à éviter les optimales locaux, soit en acceptant une dégradation de la
fonction objectif au cours de leur progression, soit en utilisant une population de points
comme méthode de recherche.

19
Chapitre 2 Les méthodes d’optimisation

Les méta- heuristiques, du fait de leur capacité à être utilisées sur un grand nombre
de problèmes différents, se prêtent facilement à des extensions. Pour illustrer cette
caractéristique, citons notamment :

*L'optimisation multi objectif (dites aussi multicritère) [JIN 99], ou il faut optimiser
plusieurs objectifs contradictoires. La recherche vise alors non pas à trouver un
optimum global, mais un ensemble d'optima «au sens de Pareto» formant la «surface de
compromis» du problème.

*L'optimisation multimodale, ou l'on cherche un ensemble des meilleurs optima

globaux et/ou locaux.

*L'optimisation de problèmes bruités, où il existe une incertitude sur le calcul de la

fonction objectif. Incertitude dont il faut alors tenir comptes dans la recherche de l'optimum.

*L'optimisation dynamique, ou la fonction objectif varie dans le temps. Il faut alors

approcher au mieux l'optimum à chaque pas de temps.

*La parallélisation, ou l'on cherche à accélérer la vitesse de l'optimisation en répartissant

la charge de calcul sur des unités fonctionnant de concert. Le problème revient alors à
adapter les métas- heuristiques pour qu'elles soient distribuées.

*L'hybridation, qui vise à tirer parti des avantages respectifs de méta- heuristiques
différentes en les combinant [JIN 99,MET 05].

Enfin, la grande vitalité de ce domaine de recherche ne doit pas faire oublier qu'un
des intérêts majeurs des métas- heuristiques est leur facilité d'utilisation dans des
problèmes concrets. L'utilisateur est généralement demandeur de méthodes efficaces
permettant d'atteindre un optimum avec une précision acceptable dans un temps raisonnable.
Un des enjeux de la conception des métas- heuristiques est donc de faciliter le choix
d'une méthode et de simplifier son réglage pour l'adapter à un problème donné.

2.7 Organisation générale

D’une manière générale, les méta- heuristiques s’articule autour de trois notions [JIN 99]:

Diversification /exploration : désigne les processus visant à récolter de l’information sur

le problème optimisé.
L’intensification/exploitation : vise à utiliser l’information déjà récoltée pour définir et
parcourir les zones intéressantes de l’espace de recherche.

20
Chapitre 2 Les méthodes d’optimisation

La mémoire : est le support de l’apprentissage, qui permet à l’algorithme de ne tenir compte

que des zones ou l’optimum global est susceptible de se trouver, évitant ainsi les
optimums locaux. Les métas- heuristiques progressent de façon itérative, en alternant
des phases d’intensification, de diversification et d’apprentissage. L’état de départ est souvent
choisi aléatoirement, l’algorithme se déroulant ensuite jusqu'à ce qu’un critère d’arrêt
soit atteint.

2.8 Applications
Les métas- heuristiques sont souvent inspirés par des systèmes naturels, qu’ils soient pris
en physique (les méthodes de voisinage comme le recuit simulé et la recherche tabou), en
biologie de l’évolution (les algorithmes évolutifs comme les algorithmes génétiques et les
stratégies d'évolution) ou encore en étiologie (les algorithmes de colonies de fourmis).

2 .8.1 Méta- heuristique à recuit simulé

La méthode de recuit simulé s'inspire du processus de recuit physique [MET
05,JDR 03]. Ce processus utilisé en métallurgie pour améliorer la qualité d'un solide cherche
un état d'énergie minimale qui correspond à une structure stable du solide. Les
origines du recuit simulé remontent aux expériences réalisées par Metropolis et al dans
les années 50 pour simuler l'évolution d'un tel processus de recuit physique. Metropolis et al
utilisent une méthode stochastique pour générer une suite d'états successifs du système en
partant d'un état initial donné .
Tout nouvel état est obtenu en faisant subir un déplacement (une perturbation)
aléatoire à un atome quelconque. L'utilisation d'un tel processus du recuit simulé pour
résoudre des problèmes d'optimisation combinatoire a été reportée dans , Le recuit simulé
peut être vu comme une version étendue de la méthode de descente. Le processus du recuit
simulé répète une procédure itérative qui cherche des configurations de coût plus faible
tout en acceptant de manière contrôlée des configurations qui dégradent la fonction de
coût. A chaque nouvelle itération , un voisin de la configuration courante est généré de
manière aléatoire. Selon les cas, ce voisin sera soit retenu pour remplacer celle-ci, soit
rejeté. Si ce voisin est de performance supérieure ou égale à celle de la configuration
courante, il est systématiquement retenu . Dans le cas contraire , il est accepté avec une
probabilité qui dépend de deux facteurs : d'une part l'importance de la dégradation
(Les dégradations plus faibles sont plus facilement acceptées) d'autre part un paramètre de
contrôle, la température (une température élevée correspond à une probabilité plus

21
Chapitre 2 Les méthodes d’optimisation

Grande d'accepter des dégradations). La température est contrôlée par une fonction
décroissante qui définit un schéma de refroidissement. Les deux paramètres de la méthode
définissent la longueur des paliers et la fonction permettant de calculer la suite
décroissante des températures . En pratique, l'algorithme s'arrête et retourne la meilleure
configuration trouvée lorsque aucune configuration voisine n'a été acceptée pendant un
certain nombre d'itérations à une température ou lorsque la température atteint la valeur
zéro

La performance du recuit simulé dépend largement du schéma de refroidissement

utilisé. De nombreux schémas théoriques et pratiques ont été proposés. De manière
générale, les schémas de refroidissement connus peuvent être classés en trois catégories :

 réduction par paliers : chaque température est maintenue égale pendant un certain
nombre d'itérations, et décroît ainsi par paliers.
 réduction continue: la température est modifiée à chaque itération.

 réduction non- monotone: la température décroît à chaque itération avec des

augmentations occasionnelles.

Il existe des schémas qui garantissent la convergence asymptotique du recuit

simulé. En pratique, on utilise des schémas relativement simples même s'ils ne
garantissent pas la convergence de l'algorithme vers une solution optimale.

Le recuit simulé constitue, parmi les méthodes de voisinage, l'une des plus anciennes et des
plus populaires. Il a acquis son succès essentiellement grâce à des résultats pratiques
obtenus sur de nombreux problèmes NP- difficiles. La preuve de convergence a
également contribué à cette popularité, bien que cette preuve n'ait pas de portée en
pratique.

22
Chapitre 2 Les méthodes d’optimisation

2.8.2 Les méta- heuristiques évolutionnaires/génétiques

2.8.2.1Origines

Les algorithmes génétiques appartiennent à une famille d’algorithmes appelés méta-

heuristique dont le but est d’obtenir une solution approchée [SMA99,ALG05], en un
temps correct, à un problème d’optimisation, lorsqu’il n’existe pas de méthode exacte pour
le résoudre. Les algorithmes génétiques utilisent la notion de sélection naturelle
développée par le scientifique Charles Darwin au XIXème siècle.
Dans cette théorie, une population d'individus évolue grâce au mécanisme de la
reproduction sexuée. Les individus les plus adaptés à leur milieu se reproduisent plus
que les autres, favorisant les caractères les plus adaptés. Ainsi une girafe avec un cou plus
long que les autres aura accès à plus de nourriture, et aura donc plus de chances de
survivre et de se reproduire. Ses descendants auront un cou plus long, et en moyenne la
population de girafe aura un cou plus long.

L’utilisation d’algorithmes génétiques dans la résolution de problèmes est à l’origine des

recherches de John Holland dès 1960. La nouveauté introduite a été la prise en compte
de l’opérateur crossing over en complément des mutations, et c’est cet opérateur qui
permet le plus souvent de se rapprocher de l’optimum d’une fonction en combinant les
gènes contenus dans les différents individus de la population [JIN 99,MDO 92, EBO 00].

2.8.2.2 Principe
Les algorithmes génétiques classiques introduits par Holland s'appuient fortement sur
un codage universel sous forme de chaînes 0/1 de longueur fixe et un ensemble d'opérateurs
génétiques : les sélections, les crossing over ou recombinaison et les mutations. Un
individu sous ce codage, appelé un chromosome, représente une configuration du
problème. Les opérateurs « génétiques » sont définis de manière à opérer aléatoirement
sur un ou deux individus sans aucune connaissance sur le problème.

La génétique a mis en évidence l’existence de plusieurs opérateurs au sein d’un

organisme donnant lieu au brassage génétique. Ces opérations interviennent lors de la
phase de reproduction lorsque les chromosomes de deux organismes fusionnent.
Ces opérations sont imitées par les algorithmes génétiques afin de faire évoluer les
populations de solutions de manières progressives.

23
Chapitre 2 Les méthodes d’optimisation

2.8.2.3 Les sélections

Pour déterminer quels individus sont plus enclins à obtenir les meilleurs résultats,
une sélection est opérée. Ce processus est analogue à un processus de sélection naturelle, les
individus les plus adaptés gagnent la compétition de la reproduction tandis que les moins
adaptés meurent avant la reproduction, ce qui améliore globalement l’adaptation
Il existe plusieurs techniques de sélection, les principales sont :

1- Sélection par rang ,

2- Probabilité de sélection proportionnelle à l’adaptation,

3- Sélection par tournoi,

4- Sélection uniforme.
.
2.8.2.4 Les crossing over ou recombinaison

Lors de cette opération, deux chromosomes s’échangent des parties de leurs chaînes,
pour donner de nouveaux chromosomes. Ces crossing over peuvent être simples ou multiples.
Dans le premier cas, les deux chromosomes se croisent et s’échangent des portions d’ADN en
un seul point. Dans le deuxième cas, il y a plusieurs points de croisement. Pour les
algorithmes génétiques, c’est cette opération qui est prépondérante. Sa probabilité
d’apparition lors d’un croisement entre deux chromosomes est un paramètre de
l’algorithme génétique.
Les mutations

D’une façon aléatoire, un gène peut, au sein d’un chromosome être substitué à un
autre. De la même manière que pour les crossing over, on définit ici un taux de mutation
lors des changements de populations qui est généralement compris entre 0.001 et0.01. Il
est nécessaire de choisir pour ce taux une valeur relativement faible de manière à ne pas
tomber dans une recherche aléatoire et conserver le principe de sélection et d’évolution.
La mutation sert à éviter une convergence prématurée de l’algorithme.
Codage

Pour les algorithmes génétiques, un des facteurs les plus importants, si ce n’est le plus
important, est la façon dont sont codés les solutions, c'est-à-dire les structures de données qui
coderont les gènes.

24
Chapitre 2 Les méthodes d’optimisation

Codage binaire

Le principe est de coder la solution selon une chaîne de bit. Ce type de codage
est le plus utilisé car il présente plusieurs avantages [ALG 05 ,JHH 75,MDO 92,EBO
00]. Il existe au moins un coté négatif qui fait que d’autres existent. Ce codage est peu
naturel par rapport à un problème donné.
Codage à caractère multiple
Ce type de codage est plus naturel que le codage binaire. Il est utilisé dans de nombreux
cas poussés [ALG 05, JHH 75, MDO 92, EBO 00, SCH 96]. Ce codage utilise une
structure arborescente avec une racine de laquelle peuvent être issus un ou plusieurs fils.
Un de leurs avantages est qu’ils peuvent être utilisés dans le cas de problèmes ou les
solutions n’ont pas une taille finie. Les arbres de tailles quelconque peuvent être formés
par le biais de crossing over et de mutations. Le problème de ce type de codage est que
les arbres résultants sont souvent difficiles à analyser et que l’on peut se retrouver avec des
arbres dont la taille est importante. Pour le choix du type de codage, il suffit de choisir celui
qui semble le plus naturel en fonction du problème à traiter et développer ensuite
l’algorithme de traitement. Bien que les algorithmes génétiques soient considérés
aujourd'hui comme une méthode d'optimisation, l'objectif initial consistait à concevoir
des systèmes d'apprentissage généraux, robustes et adaptatifs, applicables à une large
classe de problèmes. L'universalité d'un tel algorithme pose évidemment des problèmes
d'efficacité en pratique. En effet, en tant que méthode d'optimisation, un algorithme
génétique classique se base uniquement sur des opérateurs « aveugles ». Une autre voie
intéressante pour améliorer l'efficacité des algorithmes génétiques consiste à combiner
le cadre génétique avec d'autres méthodes de résolution [MDO 92].

2.8.3 Les méta- heuristiques éthologiques/colonies de fourmis

Cette méta- heuristique s’inspire des comportements collectifs des fourmis dans leur
découvertes de nouvelles sources de nourriture en effet ces insectes utilisent des
phéromones afin de marquer les informations qu’ils ont recueillies sur leur environnement.
On appel cela stigmergie. L’utilisation de ces phéromones leurs permettent de repérer
les plus courts chemin entre une source de nourriture et leur nid. Car malgré leur
capacité cognitive limitée, elles sont collectivement capables de résoudre des problèmes
complexes.

25
Chapitre 2 Les méthodes d’optimisation

2.8.4 Méthode de recherche Tabou

La recherche Tabou a été introduite par Glover [Glo 03] et a montré ses performances sur
de nombreux problèmes d’optimisation. C’est une technique d’exploration locale combinée
avec un certains nombre de règles et de mécanismes permettant à celle-ci de surmonter
l’obstacle des optima locaux, tout en évitant de cycler.
Le principe de l’algorithme est le suivant : à chaque itération , le voisinage (complet ou
sous-ensemble de voisinage) de la solution courante est examiné et la meilleure solution est
sélectionnée, même si elle est moins bonne que la solution, la méthode interdit les
mouvements aboutissant à une solution récemment visitée. Pour cela, une liste taboue
contenant les attributs des dernières solutions visitées est tenue à jour. Chaque nouvelle
solution considérée enlève de cette liste la solution la plus anciennement visitée. Ainsi, la
recherche de la solution appartenant à la liste taboue. Dans certains cas, on mémorise les
mouvements réalisés plutôt que les solutions complètes, essentiellement dans le but de
mémoriser le moins d’informations possibles.

2.9 Méthodes de pénalité

2.9.1 Principe général des méthodes de pénalité

Les méthodes d’optimisation que nous allons utiliser, sont des méthodes de minimisation
sans contraintes. Or, notre problème est avec contraint. C’est pour cette raison qu’on va
utiliser une méthode basée sur la transformation du problème original avec contraintes en un
problème auxiliaire sans contraintes où le minimum est le même que celui du problème
original. Le principe de base de cette méthode consiste à modifier le critère en lui ajoutant une
fonction de pénalisation p(x). C'est-à-dire, qu’on ramène le problème de programmation avec
contraintes en un problème de programmation sans contraintes.

Les méthodes de pénalité constituent une famille d’algorithmes particulièrement

intéressants du double point vue de la simplicité de principe et de l’efficacité pratique.
Il existe plusieurs possibilités du choix de la fonction de pénalité :

26
Chapitre 2 Les méthodes d’optimisation

2.9.2 Méthode de Fiacco et Mc Cornick

Cette méthode consiste à ramener le problème d’optimisation minimisation de la fonction

de pénalisée suivante [DOD 88] :
n 1 m
fm (x,rk) = fobj (x) + rk  g2i (x) + —  h2j(x) (2.1)
i=1 rk j=1

Où: rk est une constante de réglage de calcul (coefficient de pénalité). Elle est choisie de telle sorte
que :
rk  0 et limite de rk = 0 quand K 

Avec :
rk-1
rk= —— et r0=1
p

Où: p est une constante choisie.

2.9.3 Méthodes de pénalité extérieure

Dans cette méthode, on introduit les deux types de contraintes égalités et inégalités. La
fonction objectives fm s’écrit sous la forme suivante [DOD 88] :
fm = fobj (x) = E(rk ,g,h) (2.2)

1 n 1 m
fm = fobj (x)+——  Digi (x) + ——  Bjh2j (x)
2
(2.3)
rk i=1 rk j=1

Où: E(rk ,g,h) est le terme de pénalisation extérieure.

1 n 1 m
E(rk ,g,h)= ——  Digi2(x) + ——  Bjh2j (x) (2.4)
rk i=1 rk j=1

On aura donc fm sous la forme suivante :

Avec

Di  0, si gi (x)  0
(2.5)
Di = 0, si gi(x)  0

Et

Bj  0, si hj(x) 0
(2.6)
Bj = 0, si hj(x) = 0

Di et Bj sont des constantes.

27
Chapitre 2 Les méthodes d’optimisation

2.9.4 Méthodes de pénalité intérieure

Le principal inconvénient de la méthode de pénalité extérieur est que l’optimum x. est
approché vers l’extérieur, ce qui a conduit de chercher une autre méthode de pénalité dans
laquelle l’optimum est approché vers l’intérieur (d’où le nom de pénalité intérieur) [MIN 83].
La pénalisation intérieure peut être appliquée uniquement dans le cas, Ou on a des contraintes
de type inégalité.
La fonction objective fm s’écrit sous la forme suivante :

fm = fobj (x) = I(rk ,g) (2.7)

Où:

I(rk ,g): est le terme de pénalisation intérieur.

Le terme I(rk ,g) peut être donné par l’expression suivante :

n Ai
I(rk ,g) = rk  ——— (2.8)
i=1 gi(x)

On aura donc fm sous la forme suivante :

n Ai
fm = fobj (x)+ rk  ——— (2.9)
i=1 gi(x)

Avec

Ai  0, si gi (x)  0

(2.10)
Ai = 0, si gi(x)  0

Où:
Ai : est une constante.

2.9.5 Méthode de pénalité mixte

Cette méthode englobe les termes de pénalisation intérieure représentés par I(rk,g) et les
termes de pénalisation extérieure représentés par E(rk,g,h). La fonction pénalisée s’écrit sous
la forme suivante [DOD 88] :

n
Ai 1 n
1 m
f m  f obj ( x)  rk    Di g i2 ( x)  B h j
2
j ( x) (2.11)
i 1 g i ( x) rk i 1 rk j 1

28
Chapitre 2 Les méthodes d’optimisation

2.10 Conclusion

Les méthodes de résolution sont extrêmement nombreuses, elles sont basées sur
des principes totalement différents, chacune explore et exploite l’espace de recherche
selon des techniques qui lui sont propres.
Pour notre étude, nous avons retenu la recherche Taboue parce qu’elle est extrêmement
performante dans de nombreux domaines. C’est une méthode très efficace lorsqu’il s’agit
d’exploiter une zone de l’espace de recherche. D’autre part, elle s’adapte assez bien au
problème posé.

29
Chapitre 2 Les méthodes d’optimisation

30
 Chapitre3
METHODE DE RECHERCHE TABOUE
Chapitre 3 Méthode de Recherche Tabou
6

Chapitre 3

METHODE DE RECHERCHE TABOUE

3.1 Introduction

Les méthodes de recherche locale ou métaheuristiques à base de voisinages s'appuient

toutes sur un même principe. A partir d'une solution unique x0, considérée comme point de
départ, la recherche consiste à passer d'une solution à une solution voisine par déplacements
successifs. L'ensemble des solutions que l'on peut atteindre à partir d'une solution x est appelé
voisinage N(x) de cette solution. Déterminer une solution voisine de x dépend bien entendu
du problème traité l’idée de base de la recherche taboue a été initialement introduite par
[Glover,1986] et indépendamment, une ébauche a été proposée dans [Hansen, 1986]. Une
description de la méthode et de ses concepts est donnée dans [Glover et Laguna, 1997].

3.2 Méthode de Recherche Taboue (Tabu Search)

3.2.1 Principe
L'idée de la recherche taboue consiste, à partir d'une solution courante xn à l’étape n, à
en explorer le voisinage et à choisir la meilleure solution x* qu’il contient. Il est essentiel de
noter que cette opération peut conduire à augmenter la valeur de la fonction : c'est le cas
lorsque les évaluations de tous les points du voisinage ont une valeur plus élevée que
l’évaluation du point courant. C'est à partir de ce mécanisme que l'on sort d'un minimum
local. Le risque cependant est qu'à l'étape suivante, on retombe dans le minimum local
auquel on vient d'échapper. Il faut donc mettre en place un mécanisme qui évite le cyclage ou
en tous cas qui permette de faire un choix différent de (xn+1) si la recherche nous ramenait à
la solution xn. La solution retenue consiste en l’introduction d’une mémoire dans l’algorithme.
Les solutions déjà explorées sont conservées dans une liste (appelée souvent liste taboue)
d'une taille donnée, qui est un paramètre ajustable de l'heuristique. Cette liste doit conserver
des solutions complètes, ce qui dans certains types de problèmes, peut nécessite l'archivage
d'une grande quantité d'informations. Cette difficulté peut être contournée en ne gardant en
mémoire que les mouvements précédents, associés à la valeur de la fonction à minimiser.

30
Chapitre 3 Méthode de Recherche Tabou
6

Dans ce dernier cas, il est tout à fait possible que les listes taboues écartent des solutions
non rencontrées. On peut alors imaginer de mettre en place un système permettant de négliger
le statut tabou de certaines solutions si un avantage suffisant en résulte. On implémente ceci à
l’aide de critères d’aspiration tels que : accepter x* tabou si x* donne à la fonction objectif
une valeur meilleure que toutes celles obtenues jusqu’à présent ou si la valeur de l’objectif est
améliorée d’au moins 1% [NIC06]
Les paramètres les plus critiques à définir dans la méthode de la recherche taboue sont,
la mémoire, la longueur de la liste taboue (L), le taboue (le nombre de points autour de
recherche autour de voisinage (M)), l’aspiration, l’intensification et la diversification
[COU06]. La méthode de la recherche taboue est caractérisée par :

 A chaque itération, on examine complètement le voisinage de la solution

actuelle, et on va vers la meilleure solution.
 On s’interdit de revenir sur une solution visitée dans un passé proche grâce à
une liste tabou T (taboue liste) de longueur limitée, qui stocke de manière compacte
les dernières solutions visitées.
 On conserve en cours de route la meilleure solution trouvée

3.2.2 Mémoire
Elle préserve un nombre d’états visités précédemment accompagné d’un nombre
d’états qui pourraient être non acceptés [JOH04].

3.2.3 Tabous et liste taboue

Les taboues sont une manière de représenter la mémoire du cheminement effectué pour
diriger l’exploration vers des régions non visitées. La manière la plus simple de définir les
tabous est de conserver une liste Taboue qui contient les dernières solutions rencontrées et
on empêche à la procédure d’y retourner. On gère cette liste comme une liste circulaire : on
élimine le plus vieux tabou et on insère la nouvelle solution (cette solution peut s’avérer
coûteuse en terme de quantité d’information requise).

Le rôle de la liste tabou est d’interdire les mouvements cycliques. La longueur de la liste
doit être bien choisie. La valeur moyenne des solutions visitées se développe
proportionnellement avec l'augmentation de la taille de liste taboue [THO 06].

31
Chapitre 3 Méthode de Recherche Tabou
6

3.3 Critères d’aspiration

Les critères d’aspiration permettent de révoquer les mouvements considérés comme tabou
lorsqu’ils produisent une bonne solution. Les critères d’aspiration les plus connus sont les
suivantes :

 Meilleur global : Soient s la meilleure solution connue jusqu’au présent et s″ une

solution qui peut être obtenue à partir de la solution courante s′ avec une
transformation qui utilise des mouvements taboues. Si f (s″) < f(s) on lève les
interdictions taboues.

 Meilleur régional : quand la solution obtenue à partir des mouvements tabous produit
la meilleure solution de la région courante.

 Meilleur parmi les derniers : quand la solution obtenue à partir des mouvements
tabous donne la meilleure solution parmi les k dernières solutions.

3.4 Intensification
L’intensification est une stratégie destinée à restreindre la trajectoire de recherche à une
partie de l’espace des solutions jugée prometteuse. Cette approche est motivée par l’idée
intuitive que, si l’on exhibe une solution particulièrement intéressante au cours d’une
exploration rapide, alors il y a de fortes chances pour qu’un examen plus poussé dans sa
proximité en fournisse de meilleures encore [CHR01].

3.5 Diversification
Afin d'éviter qu'une grande région de l'espace de recherche reste inconnue et
inexplorée, il est important de diversifier la recherche en effectuant plusieurs lancements
aléatoires. La manière la plus simple de le faire est d'effectuer plusieurs lancements aléatoires.
Un autre moyen, qui garantit l'exploration des régions non visitées est de pénaliser les
mouvements ou les solutions fréquemment visitées. Cette pénalité est posée de telle sorte à
assurer l’éloignement et l’évitement des régions courantes.
Il est également possible d'employer une pénalité sur les mouvements fréquemment effectués
pendant toute la procédure de recherche. Pendant cette phase de diversification, les solutions
visitées ne sont pas obligatoirement réalisables [COU06].

32
Chapitre 3 Méthode de Recherche Tabou
6

3.6 Algorithme de base de la recherche taboue

Initialisation :
Identification d’une solution initiale, création d’une liste taboue vide,
on pose :
Meilleure solution = solution, définir une condition d’arrêt
Répéter :
if Valeur de la solution > valeur de la meilleure solution then.
Poser meilleure solution = solution
if la condition d’arrêt n’est pas satisfaite then begin
Ajouter la solution à la liste taboue
if la liste taboue est pleine then
Supprimer les anciennes solutions de la liste taboue
Trouver une nouvelle solution par des transformations de la solution
if aucune solution trouvée or
if aucune nouvelle solution meilleure trouvée pour une longue période
then
Générer aléatoirement une nouvelle solution
if la liste taboue ne contient pas la nouvelle solution générée then
Poser solution = nouvelle solution
End.

33
Chapitre 3 Méthode de Recherche Tabou
6

L’organigramme général de la recherche Taboue et donné par la Figure 3.1 [JOH04].

Figure 3.1 Organigramme général de la méthode de la recherche Taboue

34
Chapitre 3 Méthode de Recherche Tabou
6

3.7 Conclusion
Ce chapitre nous a permis d’avoir une vue générale sur les concepts de la recherche
taboue qui sont des algorithmes simples de conception et peuvent résoudre des problèmes
assez complexes. La résolution de ces problèmes est obtenue grâce aux opérateurs de
reproduction.
La Recherche Taboue est une procédure assez robuste pour résoudre les problèmes
d’optimisation.

35
 Chapitre4
APPLICATION DE LA RECHERCHE TABOUE
DANS LA REPARTITION OPTIMALE DES
PUISSANCES
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Chapitre4
APPLICATION DE LA RECHERCHE TABOU DANS LA
REPARTITION OPTIMALE DES PUISSANCES

4.1 Introduction
La méthode de Recherche Taboue a été appliquée à de nombreux problèmes
technologiques avec succès. Comme nous l'avons dit précédemment, la méthode Recherche
Taboue est une heuristique qui permet de contrer le problème des optimums locaux.
Nous proposons dans cette partie une application de la méthode de Recherche Taboue dans la
répartition optimale des puissances actives.
L’utilisation de la méthode de pénalité nécessite un choix du coefficient de pénalité rK .
Nous proposons plusieurs essais avec différents coefficients de pénalité rK

4.2 Présentation du problème

La première formulation, concerne la minimisation du coût totale de production de
l’énergie électrique en fonction des puissances actives générées, en tenant compte de certaines
contraintes. Le problème peut être posé de la manière suivante [DOP67, GNA04, SWA04] :

NG
Minimiser F   Fi ( PGi ) (4.1)
i 1

Sous les contraintes :

NG NC

 PGi   PChj  PL  0
i 1 j 1
(4.2)

PGimin  PGi  PGimax (4.3)

Les contraintes inégalités seront prises en considération dans l’algorithme de Recherche

Tabou. Par contre, la contrainte égalité n’est pas prie en considération, pour cette raison
qu’on va utiliser une méthode basée sur la transformation du problème original avec
contraintes en un problème auxiliaire sans contraintes .Nous appliquons la pénalisation, on
aura une fonction sans contraintes (Fm), cette dernière tient compte de la fonction coût F et la
contrainte égalité.

36
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

NG
1
Fm ( PG , rK )   Fi ( PGi )  .B.h 2 ( PG ) (4.4)
i 1 rK

Où:
rK: est le coefficient de pénalité.
B: est une constante, tel que

B  0, si h(PG) 0
(4.5)
B = 0, si h(PG) = 0

h(PG):est la contrainte égalité

NG
h( pG )   PGi  PCh  PL  0 (4.6)
j 1

Pch : est la puissance active totale consommée.

PL: représente les pertes actives totales dans le réseau, elles sont déterminées par le calcul de
l’écoulement statique des charges

4.3 Principes Généraux de la Recherche Taboue [FGL 89]

Contrairement au recuit simulé qui ne génère qu'une seule solution x0 aléatoirement dans
le voisinage N(x) de la solution courante x, la méthode taboue, dans sa forme la plus
simple, examine le voisinage N(x) de la solution courante x (figure 4.1). La nouvelle solution
x0 est la meilleure solution de ce voisinage (dont l'évaluation est parfois moins bonne que x
elle-même). Pour éviter de cycler, une liste Taboue (qui a donné le nom à la méthode) est
tenue à jour et interdit de revenir à des solutions déjà explorées. Dans une version plus
avancée de la méthode Taboue, on peut voir dans cette recherche une modification temporaire
de la structure de voisinage de la solution x permettant de quitter des optima locaux. Le
voisinage N*(x) intégrant ces modifications de structure est régit par l'utilisation de structures
de mémoire spécifiques. Il s'agit de mémoire à court terme ou de mémoire à long terme.

37
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Figure.4.1 Illustration de l’espace de recherche dans la méthode recherche taboue

Mémoire à court terme correspond à la mise en place d'une liste Taboue. La liste contient les
quelques dernières solutions qui ont été récemment visitées. Le nouveau voisinage N*(x)
exclut donc toutes les solutions de la liste Taboue. Lorsque la structure de donnée
correspondant aux solutions est trop complexe où occupe une grande place mémoire, il est
courant de ne garder dans la liste Taboue que des informations soit sur les caractéristiques des
solutions, soit sur les mouvements. Ce type de mémoire à court terme est aussi appelé
recency-based memory. En conservant des caractéristiques des solutions ou des mouvements,
il est possible alors qu'une solution de bien meilleure qualité ait un statut Taboue.
Accepter tout de même cette solution revient à outrepasser son statut Taboue, c'est
l'application du critère d'aspiration. Si le voisinage d'une solution est très grand, évaluer
toutes les solutions de ce voisinage peut-être impossible. Il convient alors de mettre en place
des stratégies permettant sa réduction. Les solutions les plus courantes proposent des listes de
solutions candidates qui pourraient conduire à des solutions de bonne qualité (candidate list
strategy).

38
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

La mémoire à long terme permet d'une part d'éviter de rester dans une seule région de
l'espace de recherche et d'autre part d'étendre la recherche vers des zones plus intéressantes.
Par exemple, la mémoire à base de fréquence (frequency-based memory) attribue des
pénalités à des caractéristiques des solutions plusieurs fois visitées au cours de la recherche.
Cette technique simple permet de diversifier la recherche facilement. Par ailleurs, les
mouvements ayant conduit à des bonnes solutions peuvent être aussi encouragés. On peut par
exemple garder en mémoire une liste de solutions élites que l'on utilisera comme nouveau
point de départ quand la recherche deviendra improductive pendant plusieurs itérations
consécutives (intensification).

4.4 Voisinage d’une solution

Le voisinage de x est défini comme suit: x’∈ N (x) où x’ représente le voisin de x
(figure 4.2). Le voisinage peut être trouvé par le biais de quelques transitions appliquées à x.
Le point x’ doit répondre à un certain nombre de conditions pour être un voisin de x, celles ci
étant définies par la notion de structure de voisinage de x. L’algorithme de recherche locale
trouve ainsi la transition qui nous conduit du point x vers la solution x’. En répétant la
procédure cela nous permet d’avoir une solution optimale locale.

Figure.4.2 Espace de solution

La différence entre la méthode de recherche Taboue et d’autres algorithmes simples de

recherche locale se résume en deux points :
 Transitions conduisant à la configuration (solution) dans chaque exécution du programme.
 Le voisinage N (x) de x n’est pas statique, donc il peut changer non seulement en termes
de dimension mais aussi dans la structure.

39
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Un voisinage modifié N*(x) est illustré à travers la figure 4.2, les éléments de N*(x) étant
déterminés par différents moyens dont nous citons:
 Utilisation d’une liste taboue (tabu list) contenant les configurations taboues afin d’éviter
des mouvements cycliques. Dans ce cas, N*(x) ⊂ N (x).
 Utilisation d’une stratégie de réduction de la dimension du voisinage afin d’accélérer la
recherche locale.
 Redéfinition de N (x) durant le processus d’optimisation

4.5 Structure générale de l’algorithme de recherche taboue [SPO 05]

L’algorithme représenté caractérise l’implantation de base de la technique de Recherche
Taboue :
Identification d’une Solution initiale
Création d’une Liste Taboue vide
Poser Meilleur Solution = Solution
Définir les Conditions d’Arrêts
Faire = Faux
Répéter
Si valeur de la Solution<valeur de la Meilleure Solution
Alors
Meilleure Solution = Solution
Si la Condition d’Arrêt n’est pas satisfaite
Alors
Ajouter la solution à la Liste Taboue
Si la Liste Taboue est pleine
Alors
Supprimer les anciennes solutions de la Liste Taboue
Fin
Sinon
Condition d’Arrêt est satisfaite
Faire = Vrai
Fin
Sinon

40
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Trouver une Nouvelle Solution par des transformations de la solution

Si aucune Nouvelle Meilleure Solution trouvée pour une longue période
Alors
Générer aléatoirement une Nouvelle Solution
Si la liste taboue ne contient pas la Nouvelle Solution
Alors
Solution = Nouvelle Solution
Fin
Fin
Jusqu’à Faire=Vrai
Pour traduire l’algorithme de base de la recherche taboue, nous avons élaboré un programme
Écrit en langage MATLAB dont les paramètres de base qui interviennent dans l’algorithme
sont :

 Ndiv nombre de diversifications,

 L longueur de la liste taboue,
 Imax nombre maximal d’itérations,
 M nombre de points de recherche autour du voisinage.

41
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

4.6 Illustration

4.6.1 Réseau test IEEE-5 nœuds

Le réseau test IEEE-5 nœuds représente une portion du réseau électrique américain
[BOU04] (figure 4.3). Ce réseau est constitué de 5 jeux de barres et 3 générateurs (aux jeux
barres n° 1,2, et 5), dont les foncions coûts exprimées en dollars par heures sont données par
les expressions suivantes

F1 (PG1) = 0.006( PG1) 2 + 2.0( PG1)+140

F2 (PG2) = 0.0175 ( PG2) 2 + 1.5( PG2)+120
F5 (PG5) = 0.007( PG5) 2 + 1.8( PG5)+80

Les restrictions de sécurité ; caractérisent les limites tolérées pour les puissances actives
pour chaque générateur sont exprimés par les contraintes de type inégalité suivantes :

30≤ PG1 ≤ 120

20≤ PG2 ≤ 80
10≤ PG5 ≤ 60

La puissance de charge active totale est fixée à :

PCH= 165MW
La tension de base pour chaque jeu de barres est de 135KV. Les puissances générées sont
exprimées en MW, la puissance apparente de base est de 100MVA.
Les données des lignes de ce réseau, les limites opérationnelle et les valeurs planifiées sont
résumées dan l’annexe A

Figure.4.3 Schéma unifilaire du réseau électrique à 5 jeux de barres.

42
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

4.6.2 Choix des paramètres de contrôle de la Recherche Taboue (Tabu Search)

Nous avons fixé les paramètres de contrôle de l’algorithme de Recherche Taboue comme
suite :
Nombre d’itérations maximal: iter_max =100
Longueur de la liste Taboue: L = 15
Nombre de points de recherche autour du voisinage: M = 70
Nombre de diversifications: idiver = 1
Nombre d’intensifications: intens = 10

Nous avons effectué plusieurs expériences .Le choix de bons paramètres est une étape
essentielle dans la méthode de Recherche Taboue. D’après la littérature [POT 05], il n’existe
pas un standard pour déterminer ces paramètres. La détermination de ces derniers diffère
d’un problème à un autre. Il faudra faire plusieurs simulations avec différentes valeurs des
paramètres.
Nous présentons dans le tableau 4.1 les résultats de l’algorithme de Recherche Taboue :

PGOPT
1 ( MW ) PGOPT
2 ( MW ) PGOPT
5 ( MW ) F OPT ($ / h) T(S) Ce

41.8457 71.6875 54.4467 699.0277 0.571 0.0001

Tableau 4.1 Résultats de la recherche taboue

Dans le but montrer l’efficacité de l’algorithme. nous avons effectué plusieurs simulations
avec différentes conditions initiales, le tableau 4.2 regroupe les résultats de l’algorithme de
Recherche Tabou pour différentes valeurs des puissances initiales :

PG01 ( MW ) PG02 ( MW ) PG05 ( MW ) F OPT ($ / h)

73.7384 73.4779 48.1048 699.0277
71.082 21.1102 51.0703 699.0277
70.0233 56.92594 49.5968 699.0277
112.963 64 .2924 18.8133 699.0277
66.5135 76.12818 55.8452 699.0277
92.5110 57.2786 49.7410 699.0277
116.1159 51.3554 54.0071 699.0277
45.5660 78.7848 23.5723 699.0277
52.7096 72.5445 46.8652 699.0277
42.2866 54.6948 20.7054 699.0277

Tableau 4.2 Résultats de la RT pour différentes valeurs initiales

RT : Recherche Taboue

43
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Dans le but de montrer l’influence du coefficient de pénalité sur les résultats de

l’optimisation, nous avons effectué plusieurs essais avec différentes valeurs du coefficient de
pénalité rk , les résultats sont présentée dans le tableau 4.3

rK PGOPT
1 ( MW ) PGOPT
2 ( MW ) PGOPT
5 ( MW ) F OPT ($ / h) Contrainte
égalité
0.0001 59.8689 61.9959 46.1157 700.9585 0.00057
0.001 41.8457 71.6875 54.4467 699.0277 0.0001
0.01 44.176 70.872 52.9306 698.9274 0.0012
0.04 44.176 70.872 50.644 698.9714 0.0013
0 .05 51.2303 72.4542 43.5392 697 .9019 0.0057
0.1 56,0135 65,6281 45,3452 697,6121 0.993

Tableau 4.3 Résultats de la Recherche Taboue avec variation du coefficient de pénalité

La figure (4.4) illustre l’évolution du coût de production en fonction du nombre

d’itérations pour une valeur de rk = 0.001

Fig.4.4 Convergence de la fonction coût

44
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

4.6.3 Réseau test IEEE-30 nœuds

Le réseau test IEEE-30 nœuds représente une portion du réseau électrique américain
[BOU04] (figure4.5). Ce réseau est constitué de 30 jeux de barres et 6 générateurs (aux jeux
barres n° 1,2,5,8,11,et 13), dont les foncions coûts exprimées en dollars par heures sont
données par les expressions suivantes :

F1(PG1) = 0.00375( PG1) 2 + 2.0( PG1)+0

F2(PG2) = 0.0175( PG2) 2 + 1.5( PG2)+0
F5(PG5) = 0.06 25( PG5) 2 + 1.8( PG5)+0
F8(PG8) = 0.00834( PG8) 2 + 2.0( PG8)+0
F11(PG11) = 0.025( PG11)2 + 1.50( PG11)+0
F13(PG13) = 0.025( PG13)2 + 1.80( PG13)+0

Les restrictions de sécurité ; caractérisent les limites tolérées pour les puissances actives pour
chaque générateur sont exprimés par les contraintes de type inégalité suivantes :

50 ≤ PG1 ≤ 200
20 ≤ PG2 ≤ 80
15 ≤ PG5 ≤ 50
10 ≤ PG8 ≤35
10 ≤ PG11 ≤ 30
12 ≤ PG13 ≤ 40

La puissance de charge active totale est fixée à :

PCH = 283.4 MW
La tension de base pour chaque jeu de barres est de 135KV. Les puissances générées sont
exprimées en MW, la puissance apparente de base est de 100MVA.
Les données des lignes de ce réseau, les limites opérationnelle set les valeurs planifiées sont
résumées dan l’annexe A

45
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Figure.4.5 Schéma unifilaire du réseau électrique à 30 jeux de barres.

46
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

4.6.4 Choix des paramètres de contrôle de la Recherche Taboue

Nous avons fixé les paramètres de contrôle de l’algorithme de Recherche Taboue comme
suite:

Nombre d’itérations maximal: iter_max =100

Longueur de la liste Taboue : L = 15
Nombre de points de recherche autour du voisinage: M = 36
Nombre de diversifications: idiver = 1
Nombre d’intensifications: intens = 10

Nous avons effectué plusieurs expériences .Le choix des bons paramètres est une étape
essentielle dans la méthode de Recherche Taboue. D’après la littérature [POT 05], il n’existe
pas un standard pour déterminer ces paramètres. La détermination de ces derniers diffère
d’un problème à un autre. Il faudra faire plusieurs simulations avec différentes valeurs des
paramètres.

Nous présentons dans le tableau 4.4 les résultats de l’algorithme de Recherche Taboue :

PGOPT PGOPT PGOPT PGOPT PGOPT PGOPT F($/h) Temps N°

1 2 5 8 11 13

( MW ) ( MW ) ( MW ) ( MW ) ( MW ) ( MW ) (s) itérations

179 .1339 52.1508 23.5641 11.4032 13.2429 12.825 800.5743 0.602 100

Tableau 4.4 Résultats de la Recherche Taboue

47
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Dans le but de montrer l’efficacité de l’algorithme. Nous avons effectué plusieurs simulations
avec différentes conditions initiales, le tableau 4.5 regroupe les résultats de l’algorithme de
Recherche Taboue pour différentes valeurs des puissances initiales :

PG01 PG02 PG05 PG08 PG011 PG013 F($/h)

(MW) (MW) (MW) (MW) (MW) (MW)
50 20 15 10 10 12 800,5743
200 80 50 35 30 40 800,5743
109.682 38.908 36.342 22.670 18.275 24.471 800,5743
74.8931 62.942 45.001 22.924 27.638 28.079 800,5743
177.080 65.413 17.027 28.472 21.44 24.588 800,5743
138 .787 37.388 34.732 23.555 29.332 20.625 800,5743
199.299 71.773 36.912 33.705 22.378 29.287 800,5743
55.864 55.864 32.177 28.332 21.578 27.879 800,5743
126 .790 29.166 19.431 15.447 18.427 32.181 800,5743
122.7741 35541 37 .045 32.728 27.771 22.52 800,5743

Tableau 4.5 Résultats de la RT pour différentes valeurs initiales

Dans le but de montrer l’influence du coefficient de pénalité sur les résultas de l’optimisation,
Nous avons effectué plusieurs essais avec différentes valeurs du coefficient de pénalité rk , les
résultats sont présentée dans le tableau 4.6

rk PGOPT
1 PGOPT
2 PGOPT
5 PGOPT
8 PGOPT
11 PGOPT
13
F($/h) Contrainte
égalité
( MW )
0.0001 174.9094 ( MW )
54.9094 ( MW )
24.9094 ( MW ) 11.3424
11.3424 ( MW ) ( MW
14 )
.9094 802,5539 ce
0.0009
0.001 179.1339 52.1508 23.5641 11.4032 13.2429 12.825 800.5743 0.0013
0.01 173.2292 53.2292 23.2292 13.5232 13.5232 15.5232 801,8911 0.063
0.05 173.0032 52.7886 23.0032 13.7427 13.7427 15.7427 801,8521 0.083
0.5 173.6477 53.6477 23.6477 13.0507 13.0507 15.0507 801,2818 0.225
0.1 172.7886 52.7886 22.7886 13.6766 13.6766 15.6766 798,8179 0.925
1 173.2659 53.2659 23.2659 12.8916 12.8916 14.8916 795,4081 1.848

Tableau 4.6 Résultas de la recherche taboue avec variation du coefficient de pénalité

48
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Les figures (4.6) et (4.7) illustrent l’évolution du coût de production en fonction du

nombre d’itérations pour des valeur rk = 0.01 et rk = 0.001 respectivement

Fig.4.6 Convergence de la fonction coût

Fig.4.7 Convergence de la fonction coût

49
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

4.6.5 Tableau récapitulatif

Nous avons récapitulé dans le tableau (4.7) les résultats obtenus par l’algorithme de
Recherche Taboue et la méthode de Broyden de référence [ABD 08] et l’Algorithme
génétique de référence [BOU 04] et l’algorithme de fourmis de référence [REZ 08] et la
méthode Quasi-Newtonienne de référence [REZ 08]

Méthodes Coûts de production F($/h) Temps [Sec]

Broyden[ABD 08] 834.290 -
Algorithmes génétiques [BOK 04] 803.106 9.9308
Algorithmes de fourmis [REZ 08] 803.123 20
QN [REZ 08] 807.782 -

Recherche tabou 800,743 0.602

Tableau 4.7 Tableau récapitulatif

On remarque que le coût de production trouvé par la recherche taboue qui est égal à
800,5743$/h est plus réduit par rapport aux autres méthodes

50
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

4.6.6 Réseau test IEEE-57

Le réseau test IEEE-57 nœuds représente une portion du réseau électrique américain
[ZIM97] (figure 4.8). Ce réseau est constitué de 57 jeux de barres et 7 générateurs (aux jeux
barres n° 1,2,3,6,8,9,et 12), dont les foncions coûts exprimées en dollars par heures sont
données par les expressions suivantes :

F1(PG1) = 0.077( PG1) 2 + 20.0( PG1)+0

F2(PG2) = 0.010( PG2)2 + 40( PG2)+0
F3(PG3) = 0.250( PG3)2 + 20( PG3)+0
F6(PG6) = 0.010( PG6)2 + 40( PG6)+0
F8(PG8) = 0.022( PG8)2 + 20( PG8)+0
F9 (PG9) = 0.010( PG9)2 + 40( PG9)+0
F12(PG12) = 0.032( PG12)2 + 20( PG12)+0

Les restrictions de sécurité ; caractérisent les limites tolérées pour les puissances actives
Pour chaque générateur sont exprimés par les contraintes de type inégalité suivantes :

00 ≤ PG1 ≤ 575.88
00 ≤ PG2 ≤ 100
00 ≤ PG3 ≤ 140
00 ≤ PG6 ≤100
00 ≤ PG8 ≤ 550
00 ≤ PG9 ≤ 100
00 ≤ PG12 ≤ 410

La puissance de charge active totale est fixée à :

PCH= 1250.8 MW
La tension de base pour chaque jeu de barres est de 135KV. Les puissances générées sont
exprimées en MW, la puissance apparente de base est de 100MVA.
Les données des lignes de ce réseau, les limites opérationnelle et les valeurs planifiées sont
résumées dan l’annexe A

51
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

G G

2
1

G
17
3 15
G
4 16
45 14

5 12
44 13
46
18

G 19 20 38 49
6 48
26 21
47
37
27
22 39

28 23
21
57
21

29 24
21 21

56
40
25 36
7
35 42

34 50

32 10
30
51
33
31
1
52

11

53
1 43
54

55
1 41
1

9
8
G
G

Fig.4.8 Schéma unifilaire du réseau électrique à 57 jeux de barres.

52
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

4.6.7 Choix des paramètres de contrôle de la Recherche Taboue

Nous avons fixé les paramètres de la Recherche Taboue comme suite:

Nombre d’itérations maximal: iter_max =100

Longueur de la liste Taboue: L = 15
Nombre de points de recherche autour du voisinage : M = 6
Nombre de diversifications: idive = 1
Nombre d’intensifications: intens = 10
Nous avons effectué plusieurs expériences .le choix de bons paramètres est une étape
essentielle dans la Recherche Taboue. D’après la littérature [POT 05] il n’existe pas un standard
pour déterminer ces paramètres. La détermination de ces derniers diffère d’un problème à un
autre. Il faudra simuler plusieurs expériences avec différente valeur des paramètres. Nous
présentons dans le tableau (4.8) Les résultats de l’algorithme de Recherche Taboue :

PGOPT
1 PGOPT
2 PGOPT
3 PGOPT
6 PGOPT
8 PGOPT
9 PGOPT
12
F Temps
( $/h) (s)
(MW) (MW) (MW) (MW) (MW) (MW) (MW)
112.104 84.566 92.261 76.051 530.102 99.999 283.596 42954.803 0.73

Tableau 4.8 Résultats de la recherche taboue

Dans le but de montrer l’efficacité de l’algorithme. nous avons effectué plusieurs simulations
avec différentes conditions initiales, le tableau 4.9 regroupe les résultats de l’algorithme de
Recherche Taboue pour différentes valeurs des puissances initiales :

PG01 PG02 PG03 PG06 PG08 PG09 PG012 F

( $/h)
(MW) (MW) (MW) (MW) (MW) (MW) (MW)
575.88 100.00 140 100 550 100 410 42954.803
104.581 80.221 63.707 38.651 65.125 45.456 100.935 42954.803
18.669 19.311 75.112 27.602 202.653 80.221 335.103 42954.803
140.5228 86.538 43.5069 86.417 487.417 19.311 336.24 42954.803
161.859 80.5 24.1981 90.96 90 .145 14.069 133.558 42954.803
22.478 23.114 11.888 378.100 323.806 46.633 47.865 42954.803
127.242 58.248 30.624 80.221 23.662 45.456 73.7131 42954.803
54.211 29.879 48.558 19.311 27.889 80.221 79.272 42954.803
267.944 369.84 39.041 34.354 93.825 19.311 106.154 42954.803

Le tableau 4.9 Résultats de la RT pour différentes valeurs initiales

53
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

Dans le but de montrer l’influence du coefficient de pénalité sur les résultats de

l’optimisation, Nous avons effectué plusieurs essais avec différentes valeurs du coefficient de
pénalité rk , les résultats sont présentée dans le tableau 4.10

rK 1 0.5 0.1 0.05 0.01 0.001 0.0001

PGOPT
1
92,6132 126,257 176,862 125,853 92,8964 130,647 112.104
(MW)
PGOPT
2
97,3 97,3 27,638 85,814 72,071 66,767 84.566
(MW)
PGOPT
3
57,955 90,556 46,933 86,206 74,347 65,924 92.261
(MW)
PGOPT
6
54,623 97,3 55,603 60,280 97,3 85,271 76.051
(MW)
PGOPT
8
449,157 417,399 523,567 479,588 547,299 535,250 530.102
(MW)
PGOPT
9
97,3 97,3 22,499 31,398 70,048 0,9883 99.999
(MW)
PGOPT
12
407,299 331,896 407,299 390,529 305,911 393,829 283.596
(MW)
F 41668,342 41994,022 41787,007 41980,831 41908,098 42531,905 42954.803
( $/h)
Ce 3.532 1.772 0.6239 0.110 0.0927 0.002 0.0004

Tableau 4.10 Résultats de la RT avec variation du coefficient de pénalité

54
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

La figure (4.9) illustre l’évolution du coût de production en fonction du nombre d’itérations,

pour la valeur rk =0.001

Fig.4.9 Convergence de la fonction coût

4.7 Analyse des résultats

Nous avons amélioré la fonction coût minimisée, les résultats obtenus par l’algorithme
de Recherche Taboue confirment bien la validité et l'efficacité de cette méthode.
Les essais effectues (Tableaux 4.2, 4.5, 4.9) montrent l’efficacité de cette méthode quelque
soit le changement des conditions initiales.

Nous tenons à souligner que l'utilisation de la méthode de pénalité nécessite un choix du

coefficient de pénalité rk Les essais effectués pour différentes valeurs de rk montrent bien
l'influence de ce dernier sur la convergence de l’algorithme, ce qui exclu la recommandation
d'une seule valeur pour différentes méthodes et différents systèmes.

55
Chapitre4 Application de la Recherche Taboue dans la réparation optimale des puissances

4.8 Conclusion :
Dans ce chapitre nous avons présenté l’application de la méthode de Recherche Taboue
pour résoudre le problème de l’OPF. L’avantage de cette méthode consiste à éviter de revenir
sur les dernières positions explorées. Cette méthode a été testée avec succès sur plusieurs
réseaux modèles de différentes tailles (IEEE-5, IEEE-30, IEEE-57). Les résultats obtenus sont
très satisfaisants avec un temps de calcul raisonnable.
L’utilisation de la méthode Recherche Taboue pour le problème de l’OPF peut constituer une
alternative intéressante lorsque les méthodes d’optimisation traditionnelles ne parviennent pas
à fournir efficacement les résultats fiables.

56
 Chapitre 5
HYBRIDATIONS METAHEURISTIQUES
Chapitre 5 Hybridation métaheuristique
7

Chapitre 5
HYBRIDATIONS METAHEURISTIQUES

5.1 Introduction
Les métaheuristiques ont prouvé leur puissance en obtenant des solutions de haute qualité
à beaucoup de problèmes réels. Les algorithmes évolutionnaires comme les algorithmes
génétiques et les stratégies d'évolution, l’optimisation par essaim de particules, l'optimisation
de colonies de fourmi, le recuit simulé, la recherche tabou, sont, parmi d'autres, souvent
énumérés comme exemples de métaheuristiques classiques. Chacune de ces techniques a son
propre passé historique et suit une philosophie et un paradigme différent [GLO03].
Cependant, comme toute technique, chaque métaheuristique de base présente des
inconvénients, dont le principal se manifeste en termes de temps de calcul en comparaison
aux méthodes conventionnelles basées sur la programmation linéaire ou non linéaire. Depuis,
des recherches sont menées pour voir comment pallier ces insuffisances et permettre à ces
techniques d’être aussi compétitives que celles classiques et surtout arriver à pouvoir les
implémenter dans les situations nécessitant des réponses en temps réel.

Au cours de ces dernières années, un grand nombre d'algorithmes ont été développés, et
qui ne suivent pas les concepts purs des métaheuristiques traditionnelles simples et sont
plutôt la combinaison de diverses idées algorithmiques, parfois également d’algorithmes
provenant de l'extérieur du champ traditionnel des métaheuristiques. Ces approches sont
généralement désignées sous le nom de métaheuristiques hybrides.

5.2 Classification des métaheuristiques hybrides [COT98-ELA05].

Il faut commencer par distinguer ce qui est hybridé, c.-à-d. quels genres d'algorithmes sont
combinés. Il est donc possible de combiner (a) différentes stratégies métaheuristiques,
(b) des métaheuristiques avec certains algorithmes spécifiques pour un problème donné,
comme des simulations spéciales, ou (c) des métaheuristiques avec d'autres techniques plus
générales venant d’autres domaines comme la recherche opérationnelle et/ou l'intelligence
artificielle. Des exemples de méthodes d'optimisation d'autres domaines combinés avec
succès avec des métaheuristiques peuvent être mentionnés parmi les approches exactes
comme la technique branch-bound, la programmation dynamique, diverses techniques de
programmation linéaire entière (integer linear programming) ou encore les techniques de
réseaux de neurones et de logique floue.

57
Chapitre 5 Hybridation métaheuristique
7
A côté de cette différentiation, les taxonomies précédentes des métaheuristiques hybrides
[COT98, TAL02] distinguent principalement le niveau (ou la force) auquel les différents
algorithmes sont combinés: En principe, les combinaisons à niveau élevé maintiennent les
différentes identités des algorithmes originaux et coopèrent à travers une interface
relativement bien définie, sans rapport direct et sans forte relation des fonctionnements
internes des algorithmes. Au contraire, des algorithmes de combinaisons de bas niveau
dépendent fortement des différents composants individuels ou alors des fonctions des
algorithmes de base sont échangées.

5.3 Métaheuristiques hybrides étudiées

Dans notre présente étude, nous nous sommes penchés sur quelques unes de ces méthodes
d’hybridation afin de les programmer et valider sur des fonctions tests, avant de les appliquer
sur le problème spécifique de l’optimisation des puissances actives. Nous nous sommes
particulièrement intéressés à des hybridations métaheuristiques qui utilisent la modélisation
en lots, puis à un autre type d’hybridation basé sur l’approche intégrative. Méthodes utilisant
la modélisation en lots (batch model).
Les hybridations métaheuristiques utilisant la modélisation en lots qui nous concernent sont
des combinaisons entre des approches d'évolution (méthodes heuristiques à population) et des
méthodes de voisinage ou de parcours (méthode à recherche locale). L'idée essentielle de ces
types d’hybridation consiste à exploiter pleinement la puissance de recherche des méthodes de
voisinage et de recombinaison des algorithmes évolutifs sur une population de solutions
[COT03].

5.4 Algorithme hybride

La première approche consiste en une combinaison entre une approche d'évolution
(Algorithme génétique) et une méthode de voisinage ou de parcours (Recherche Taboue).

58
Chapitre 5 Hybridation métaheuristique
7

L’organigramme de cette hybridation est donné par la figure 5.1

Génération d’une
population initiale
aléatoire

Algorithme
Génétique

Recherche
Taboue

NON OUI
Test
d’arrêt

Solution Optimale

Figure 5.1 Organigramme de l’hybridation

59
Chapitre 5 Hybridation métaheuristique
7

5.5 Application sur réseau modèle IEEE-5

Nous avons appliqué l’algorithme hybride sur un réseau IEEE-5 nœuds pour minimiser le
coût de production de l’énergie électrique.
* Paramètres de contrôle de l’algorithme
Les paramètres choisis pour l’Algorithme Génétique sont :
Taille de la population : Npop=30
Probabilité de croisement : Pc =0.75
Probabilité de mutation : Pm = 0.06
La longueur de chromosome : l = 12 bits
Nombre m maximal de génération : maxgen =82
Les paramètres choisis pour la Recherche Taboue sont :
Nombre d’itérations maximal : iter_max =20
Longueur de la liste Taboue : L = 15
Nombre de points de recherche autour du voisinage : M = 70
Nombre de diversifications : idiver = 15
Nombre d’intensifications : intens = 10
Coefficient de pénalité :rk=0.001

Nous présentons dans le tableau (5.1) les résultats de l’hybridation de l’Algorithme

Génétique et de la Recherche Taboue :

PGOPT
1 ( MW ) PGOPT
2 ( MW ) PGOPT
5 ( MW ) F OPT ($ / h) T(s)

46.3046 71.0299 50.644 698.9714 0.720

Tableau 5.1 Hybridation AG-RT

60
Chapitre 5 Hybridation métaheuristique
7

La figure (5.2) illustre l’évolution de la fonction coût du combustible en fonction du nombre

d’itérations.

Fig.5.2 Convergence de la fonction coût

61
Chapitre 5 Hybridation métaheuristique
7

5.6 Application sur réseau modèle IEEE-30

Nous avons appliqué l’algorithme hybride sur un réseau IEEE-30 noeud pour minimiser le
coût de production de l’énergie électrique.
* Paramètres de contrôle de l’algorithme
Les paramètres choisis pour l’Algorithme Génétique sont :
Taille de la population : Npop=30
Probabilité de croisement : Pc =0.75
Probabilité de mutation : Pm = 0.06
La longueur de chromosome : l = 12 bits
Nombre m maximal de génération : maxgen =82
Les paramètres choisis pour la Recherche Taboue sont :
Nombre d’itérations maximal : iter_max =40
Longueur de la liste Taboue : L = 15
Nombre de points de recherche autour du voisinage : M = 35
Nombre de diversifications : idiver = 15
Nombre d’intensifications : intens = 10
Coefficient de pénalité :rk=0.001

Nous présentons dans le tableau (5.2) les résultats de l’hybridation de l’Algorithme

Génétique et la Recherche Taboue :
PGOPT
1 PGOPT
2 PGOPT
5 PGOPT
8 PGOPT
11 PGOPT
13
F($/h) Temps
( MW ) ( MW ) ( MW ) ( MW ) ( MW ) ( MW ) (s)

187.5021 47.0259 20.1724 12.3373 11.4826 13.7844 798.658 0.914

Tableau 5.2 Hybridation AG-RT

62
Chapitre 5 Hybridation métaheuristique
7

La figure (5.3) illustre l’évolution de la fonction coût du combustible en fonction du nombre

d’itérations.

Fig.5.3 Convergence de la fonction coût

63
Chapitre 5 Hybridation métaheuristique
7

5.7 Application sur réseau modèle IEEE-57

Nous avons appliqué l’algorithme hybride sur un réseau IEEE-57 nœuds pour minimiser
le coût de production de l’énergie électrique
* Paramètres de contrôle de l’algorithme
Les paramètres choisis pour l’Algorithme Génétique sont :
Taille de la population : Npop=30
Probabilité de croisement : Pc =0.75
Probabilité de mutation : Pm = 0.06
La longueur de chromosome : l = 12 bits
Nombre m maximal de génération : maxgen = 82
Les paramètres choisis pour la Recherche Taboue sont :
Nombre d’itérations maximal: iter_max =100
Longueur de la liste Taboue : L = 15
Nombre de points de recherche autour du voisinage : M = 6
Nombre de diversifications : idiver = 15
Nombre d’intensifications : intens = 10
Coefficient de pénalité :rk=0.001
Nous présentons dans le tableau (5.3) les résultats de l’hybridation de l’Algorithme
Génétique et la Recherche Taboue :
PGOPT PGOPT PGOPT PGOPT PGOPT PGOPT PGOPT F OPT ($ / h) T
1 2 3 6 8 9 12

(MW) (MW) (MW) (MW) (MW) (MW) (MW) (s)

100,1255 66,2729 66,6636 56,6026 534,417 93,1179 94,0629 42505,4117 1.13

Tableau 5.3 Hybridation AG-RT

64
Chapitre 5 Hybridation métaheuristique
7
La figure (5.4) illustre l’évolution de la fonction coût du combustible en fonction du nombre
d’itérations.

Fig.5.4 Convergence de la fonction coût

65
Chapitre 5 Hybridation métaheuristique
7

5.8 Tableau récapitulatif

Nous avons récapitulé dans les tableaux (5.4), (5.5) et (5.6) les résultats obtenus par la
méthode de Recherche Taboue et l’hybridation AG-RT

5.8.1 Réseau modèle IEEE-5

Nous présentant les résultats de la méthode de Recherche Taboue et l’hybridation AG-RT

PGOPT
1 ( MW ) PGOPT
2 ( MW ) PGOPT
5 ( MW ) F OPT ($ / h) Temps Contrainte
(S) égalité
RT 41.8457 71.6875 54.4467 699.0277 0.571 0.001
AG-RT 46.3046 71.0299 50.644 698.9714 0.720 0.0013

Tableau 5.4 Tableau récapitulatif Réseau IEEE-5

5.8.2 Réseau modèle IEEE-30

Nous présentant les résultats de la méthode de Recherche Taboue et l’hybridation AG-RT

RT AG-RT
POPT
G1
179 .1339 187.5021
( MW )
PGOPT
2
52.1508 47.0259
( MW )
PGOPT
5
23.5641 20.1724
( MW )
PGOPT
8
11.4032 12.3373
( MW )
PGOPT
11
13.2429 11.4826
( MW )
PGOPT
13
12.825 13.7844
( MW )
F OPT ($ / h) 800.5743 798.658
Temps 0.602 0.914
(s)
Contrainte 0.0013 0.0164
égalité

Tableau 5.5 Tableau récapitulatif Réseau IEEE-30

66
Chapitre 5 Hybridation métaheuristique
7

5.8.3 Réseau modèle IEEE-57

Nous présentant les résultats de la méthode de Recherche Taboue et l’hybridation AG-RT

RT AG-RT
POPT
G1
112.1047 100.1255
(MW)
PGOPT
2
84.5666 66.2729
(MW)
PGOPT
3
92.2612 66.6636
(MW)
PGOPT
6
76.0512 56.6026
(MW)
PGOPT
8
530.1022 534.417
(MW)
PGOPT
9
99.9999 93.1179
(MW)
PGOPT
12
283.5962 94.0629
(MW)
F OPT
($ / h) 42954.8036 42505.4117

Temps (s) 0.73 1.13

Contrainte 0.0041 0.00054
égalité

Tableau 5.6 Tableau récapitulatif Réseau IEEE-57

5.9 Analyse des résultas

La comparaison entre l’algorithme hybride et les méthodes constituantes (AG et RT)
permet de mettre en évidence la puissance des premières. Elles présentent un taux de réussites
supérieur ou égal à celui des méthodes constituantes. En ce qui concerne le temps de calcul,
les méthodes hybrides sont plus rapides que les AG ; elles sont plus lentes que la RT, mais
offrent une plus grande sécurité pour trouver le minimum absolu.
Les résultats de l’hybridation AG-RT a montré une nette supériorité par rapport à la méthode
de Recherche Taboue du point de vue coût optimal.
Les résultats de simulation sont encourageants et montrent l’efficacité de l’algorithme
hybride relativement aux algorithmes génétiques et la Recherche Taboue seuls. Cependant,
cette efficacité dépend des paramètres de l’algorithme Génétique et la Recherche Taboue.

67
Chapitre 5 Hybridation métaheuristique
7

5.10 Conclusion
Des techniques basées sur des métaheuristiques hybrides ont été utilisées afin d’améliorer
les performances des métaheuristiques de base à populations (Algorithmes Génétiques) en
leur associant une métaheuristique de base à parcours (Recherche Tabou) pour une recherche
locale plus efficace.
Dans ce chapitre nous avons présenté une application de l’hybridation de la recherche
Taboue avec l’algorithme génétique les résultats obtenus sont très satisfaisants.
Après avoir analysé les résultats au niveau des trois applications, nous pouvons conclure que
l’hybridation AG-RT constitue une solution efficace et robuste.

68
CONCLUSION GENERALE
 Conclusion générale

CONCLUSION GENERALE

L'importance de l’étude de la répartition optimale des puissances actives dans un réseau

d'énergie électrique est capitale; elle nécessite l'élaboration d'une méthode de calcul
numérique plus efficace afin de répondre à ce besoin. De nombreuses études ont été proposées
dans la littérature. Notre orientation s’est focalisée sur les méthodes métaheuristiques.

Dans ce mémoire, nous avons exploré et testé l’application d’une méthode méta-heuristique
qui est l’algorithme de recherche Tabou dans la répartition optimale des puissances actives.
Une première phase de ce travail a consisté au calcul de l’écoulement statique des charges par
la méthode itérative de Gauss-Seidel, afin de déterminer les pertes actives totales du réseau,
des simulations ont été exécutées sur trois réseaux test (IEEE-5, IEEE-30 et IEEE-57 nœuds).
Ensuite, nous avons appliqués la méthode de recherche Tabou pour minimiser le cout de
production de l’énergie électrique sous contraintes d’égalité et d’inégalité. Une méthode de
pénalité a été introduite pour le traitement des contraintes. Les résultats de simulation
confirment bien la validité et l’efficacité de l’algorithme de recherche Tabou.
Dans le but de montrer l’efficacité de cette méthode, nous avons effectué plusieurs essais. Les
résultats de simulation sur les trois réseaux test sont très satisfaisants quelque soit le
changement des conditions initiales.
Enfin nous avons proposé une hybridation entre l’algorithme de recherche Tabou et un
Algorithme Génétique. Une amélioration des résultats obtenus par l’algorithme de recherche
Tabou du point de vue cout optimal.

Les perspectives de ce travail sont multiples, on peut citer:

En premier lieu, les méthodes d’optimisations présentées dans cette thèse peuvent être
améliorées, indépendamment de la stratégie d’hybridation, en allant vers des couplages forts.
D’autres perspectives s’ouvrent au niveau du problème posé, c’est de traiter la répartition
optimale des puissances actives et réactives simultanément.

69
ANNEXE
Annexe A Les données

ANNEXE
DONNEES

Dans cette annexe, nous présentons les données du réseau IEEE-5nœuds, IEEE-30nœuds et IEEE-
57nœuds

A.1 Les données du réseau IEEE-5nœuds

Tableau A.1 Les données des lignes

Code des nœuds Résistance Réactance Admittance shunt

i→j R[pu] X[pu] Ysh/2[pu]
1-2 0.02 0.06 0.03
1-3 0.08 0.24 0.025
2-3 0.06 0.18 0.038
2-4 0.06 0.18 0.02
2-5 0.04 0.12 0.0348
3-4 0.01 0.03 0.0276
4-5 0.08 0.24 0.047

Tableau A.2 Valeurs planifiées

Tension
PG QG
N° du PCH QCH Module Argument
[MW] [Mvar]
noeud [MW] [Mvar] E δ
[pu] [degré]
1 (Réf) 0.0 0.0 98.4 23.2 1.06 0
2 20 10 40 30 1 0
3 45 15 30 10 1 0
4 40 5 0.0 0.0 1 0
5 60 10 0.0 0.0 1 0

Tableau A.3 Coefficients des fonctions coût et les limites des puissances

N° du noeud PGmin [MW] PGmax [MW] a [$/MW2h] b[$/MWh] c [$/h]

1 30 120 0.006 2 140
2 20 80 0.0075 1.5 120
5 10 60 0.007 1.8 80

Les pertes actives totales : PL =2.98 MW

La consommation totale : Pch= 165 MW

74
Annexe A Les données

A.2 Les données du réseau IEEE-30nœuds

Tableau A.4 Les données des lignes

Code des nœuds Résistance Réactance Admittance shunt

i → j R[pu] X[pu] Ysh/2[pu]
1-2 0.02 0.06 0.03
1-3 0.05 019 0.02
2-4 0.06 0.17 0.02
3-4 0.01 0.04 0.00
2-5 0.05 0.20 0.02
2-6 0.06 0.18 0.02
4-6 0.01 0.04 0.00
5-7 0.05 0.12 0.01
6-7 0.03 0.08 0.01
6-8 0.01 0.04 0.00
6-9 0.00 0.21 0.00
6-10 0.00 0.56 0.00
9-11 0.00 0.21 0.00
9-10 0.00 0.11 0.00
4-12 0.00 0.26 0.00
12-13 0.00 0.14 0.00
12-14 0.12 0.26 0.00
12-15 0.07 0.13 0.00
12-16 0.09 0.2 0.00
14-15 0.22 0.2 0.00
16-17 0.08 0.19 0.00
15-18 0.11 0.22 0.00
18-19 0.06 0.13 0.00
19-20 0.03 0.07 0.00
10-20 0.09 0.21 0.00
10-17 0.03 0.08 0.00
10-21 0.03 0.07 0.00
10-22 0.07 0.15 0.00
21-22 0.01 0.02 0.00
15-23 0.10 0.20 0.00
22-24 0.12 0.18 0.00
23-24 0.13 0.27 0.00
24-25 0.19 0.33 0.00
25-26 0.25 0.38 0.00
25-27 0.11 0.21 0.00
28-27 0.00 0.40 0.00
27-29 0.22 0.42 0.00
27-30 0.32 0.60 0.00
29-30 0.24 0.45 0.00
8-28 0.06 0.20 0.02
6-28 0.02 0.06 0.01

75
Annexe A Les données
Tableau A.5 Valeurs planifiées

N° du Tension PG QG PCH QCH

noeud Module E Argument δ [MW] [Mvar] [MW] [Mvar]
[pu] [degré]

1 (Réf) 1.06 0.0 0.0 0.0 0.0 0.0

2 1.0 0.0 60.0 23.0 21.7 12.7
3 1.0 0.0 0.0 0.0 4.2 1.2
4 1.06 0.0 0.0 0.0 7.6 1.6
5 1.0 0.0 30.0 50.0 94.2 19.0
6 1.0 0.0 0.0 0.0 0.0 0.0
7 1.0 0.0 0.0 0.0 22.8 10.9
8 1.0 0.0 20.0 20.0 30.0 30.0
9 1.0 0.0 0.0 0.0 0.0 0.0
10 1.0 0.0 0.0 0.0 5.8 2.0
11 1.0 0.0 15.0 13.0 0.0 0.0
12 1.0 0.0 0.0 0.0 11.2 7.5
13 1.0 0.0 15.0 20.0 0.0 0.0
14 1.0 0.0 0.0 0.0 6.2 1.6
15 1.0 0.0 0.0 0.0 8.2 2.5
16 1.0 0.0 0.0 0.0 3.5 1.8
17 1.0 0.0 0.0 0.0 9.0 5.8
18 1.0 0.0 0.0 0.0 3.2 0.9
19 1.0 0.0 0.0 0.0 9.5 3.4
20 1.0 0.0 0.0 0.0 2.2 0.7
21 1.0 0.0 0.0 0.0 17.5 11.2
22 1.0 0.0 0.0 0.0 0.0 0.0
23 1.0 0.0 0.0 0.0 3.2 1.6
24 1.0 0.0 0.0 0.0 8.7 6.7
25 1.0 0.0 0.0 0.0 0.0 0.0
26 1.0 0.0 0.0 0.0 3.5 2.3
27 1.0 0.0 0.0 0.0 0.0 0.0
28 1.0 0.0 0.0 0.0 0.0 0.0
29 1.0 0.0 0.0 0.0 2.4 0.9
30 1.0 0.0 0.0 0.0 10.6 1.9

Tableau A.6 Coefficients des fonctions coût et les limites des puissances

N° du noeud PGmin [MW] PGmax [MW] a [$/MW2h] b[$/MWh] c[$/h]

1 50 200 0.00375 2.00 0
2 20 80 0.0175 1.75 0
5 15 50 0.0625 1.00 0
8 10 35 0.00834 3.25 0
11 10 30 0.025 3.00 0
13 12 40 0.025 3.00 0

Les pertes actives totales : PL = 8.9215 MW

La consommation totale : Pch= 283.4 MW

76
Annexe A Les données

A.3 Les données du réseau IEEE-57nœuds

Tableau A.7 Les données des lignes

Code des nœuds Résistance Réactance Admittance shunt

i→j R[pu] X[pu] Ysh/2[pu]
1-2 0.0083 0.028 0.129
2-3 0.0298 0.085 0.0818
3-4 0.0112 0.0366 0.038
4-5 0.0625 0.132 0.0258
4-6 0.043 0.148 0.0348
6-7 0.02 0.102 0.0276
6-8 0.0339 0.173 0.047
8-9 0.0099 0.0505 0.0548
9-10 0.0369 0.1679 0.044
9-11 0.0258 0.0848 0.0218
9-12 0.0648 0.295 0.0772
9-13 0.0481 0.185 0.0406
13-14 0.0132 0.0434 0.011
13-15 0.0269 0.0869 0.023
1-15 0.0178 0.091 0.0988
1-16 0.0454 0.206 0.0546
1-17 0.0238 0.108 0.0286
3-15 0.0162 0.053 0.0544
4-18 0 0.555 0
5-6 0.0302 0.0641 0.0124
7-8 0.0139 0.0712 0.0194
10-12 0.0277 0.1262 0.0328
11-13 0.0223 0.0732 0.0188
12-13 0.0178 0.058 0.0604
12-16 0.018 0.0813 0.0216
12-17 0.0397 0.179 0.0476
14-15 0.0171 0.0547 0.0148
18-19 0.461 0.658 0
19-20 0.283 0.434 0
21-20 0 0.7767 0
21-22 0.0736 0.117 0
22-23 0.0099 0.0152 0
23-24 0.166 0.256 0.0084
24-25 0 0.182 0

77
Annexe A Les données

24-26 0 0.0473 0
26-27 0.165 0.254 0
27-28 0.0618 0.0954 0
28-29 0.0418 0.0587 0
7-29 0 0.0648 0
25-30 0.135 0.202 0
30-31 0.326 0.497 0
31-32 0.507 0.755 0
32-33 0.0392 0.036 0
34-32 0 0.953 0
34-35 0.052 0.078 0.0032
35-36 0.043 0.0537 0.0016
36-37 0.029 0.0366 0
37-38 0.0651 0.1009 0.002
37-39 0.0239 0.0379 0
36-40 0.03 0.0466 0
22-38 0.0192 0.0295 0
11-41 0 0.749 0
41-42 0.207 0.0352 0
41-43 0 0.412 0
38-44 0.0289 0.0585 0.002
15-45 0 0.1042 0
14-46 0 0.0735 0
46-47 0.023 0.068 0.0032
47-48 0.0182 0.0233 0
48-49 0.0834 0.129 00048
49-50 0.0801 0.128 0
50-51 0.1386 0.22 0
10-51 0 0.0712 0
13-49 0 0.191 0
29-52 0.1442 0.187 0
52-53 0.0762 0.984 0
53-54 0.1878 0.232 0
54-55 0.1732 0.2265 0
11-43 0 0.153 0
44-45 0.0624 0.1242 0.004
40-56 0 1.195 0
56-41 0.553 0.0549 0
56-42 0.2125 0.354 0
39-57 0 1.355 0
57-56 0.174 0.26 0
38-49 0.115 0.177 0.003
38-48 0.0312 0.0482 0
9-55 0 0.1205 0

78
Annexe A Les données

Tableau A.8 Valeurs planifiées

Tension
PG QG
N° du PCH QCH Module Argument
[MW] [Mvar]
noeud [MW] [Mvar] E δ
[pu] [degré]
1 (Réf) 55 17 - - 1.04 0
2 3 88 0.0 -0.8 1.01 -1.18
3 41 21 40.0 -1.0 0.985 -5.97
4 0 0 0.0 0.0 0.981 -7.32
5 13 4 0.0 0.0 0.976 -8.52
6 75 2 0.0 0.8 0.98 -8.65
7 0 0 0.0 0.0 0.984 -7.58
8 150 22 450.0 62.1 1.005 -4.45
9 121 26 0.0 2.2 0.98 -9.56
10 5 2 0.0 0.0 0.986 -11.43
11 0 0 0.0 0.0 0.974 -10.17
12 377 24 310.0 128.5 1.015 -10.46
13 18 2.3 0.0 0.0 0.979 -9.79
14 10.5 5.3 0.0 0.0 0.97 -9.33
15 22 5 0.0 0.0 0.988 -7.18
16 43 3 0.0 0.0 1.013 -8.85
17 42 8 0.0 0.0 1.017 -5.39
18 27.2 9.8 0.0 0.0 1.001 -11.71
19 3.3 0.6 0.0 0.0 0.97 -13.2
20 2.3 1 0.0 0.0 0.964 -13.41
21 0 0 0.0 0.0 1.008 -12.89
22 0 0 0.0 0.0 1.01 -12.84
23 6.3 2.1 0.0 0.0 1.008 -12.91
24 0 0 0.0 0.0 0.999 -13.25
25 6.3 3.2 0.0 0.0 0.982 -18.13
26 0 0 0.0 0.0 0.959 -12.95
27 9.3 0.5 0.0 0.0 0.982 -11.48
28 4.6 2.3 0.0 0.0 0.997 -10.45
29 6.17 2.6 0.0 0.0 1.01 -9.75
30 3.6 1.8 0.0 0.0 0.962 -18.68
31 5.8 2.9 0.0 0.0 0.936 -19.34
32 1.6 0.8 0.0 0.0 0.949 -18.46
33 3.8 1.9 0.0 0.0 0.947 -18.5
34 0 0 0.0 0.0 0.959 -14.1
35 6 3 0.0 0.0 0.966 -13.86
36 0 0 0.0 0.0 0.976 -13.59
37 0 0 0.0 0.0 0.985 -13.41
38 14 7 0.0 0.0 1.013 -12.71
39 0 0 0.0 0.0 0.983 -13.46
40 0 0 0.0 0.0 0.973 -13.62
41 6.3 3 0.0 0.0 0.996 -14.05

79
Annexe A Les données

42 7.1 4.4 0.0 0.0 0.966 -15.5

43 2 1 0.0 0.0 1.01 -11.33
44 12 1.8 0.0 0.0 1.017 -11.86
45 0 0 0.0 0.0 1.036 -9.25
46 0 0 0.0 0.0 1.05 -11.89
47 29.7 11.6 0.0 0.0 1.033 -12.49
48 0 0 0.0 0.0 1.027 -12.59
49 18 8.5 0.0 0.0 1.036 -12.92
50 21 10.5 0.0 0.0 1.023 -13.39
51 18 5.3 0.0 0.0 1.052 -12.52
52 4.9 2.2 0.0 0.0 0.98 -11.47
53 20 10 0.0 0.0 0.971 -12.23
54 4.1 1.4 0.0 0.0 0.996 -11.69
55 6.8 3.4 0.0 0.0 1.031 -10.78
56 7.6 2.2 0.0 0.0 0.968 -16.04
57 6.7 2 0.0 0.0 0.965 -16.56

Tableau A.9 Coefficients des fonctions coût et les limites des puissances

N° du noeud PGmin [MW] PGmax [MW] a [$/MW2h] b[$/MWh] c [$/h]

1 0.0 575.88 0.077 20.0 0.0
2 0.0 100.00 0.010 40.0 0.0
3 0.0 140.00 0.250 20.0 0.0
6 0.0 100.00 0.010 40.0 0.0
8 0.0 550.00 0.022 20.0 0.0
9 0.0 100.00 0.010 40.0 0.0
12 0.0 410.00 0.032 20.0 0.0

Les pertes actives totales : PL = 27.882 MW

La consommation totale : Pch= 1250.8 MW

80
REFERENCES BIBLIOGRAPHIQUES
 Références bibliographiques

REFERENCES BIBLIOGRAPHIQUES

[ABD 08] Abdel Malek, L. «Etude Comparative des Méthode Hessiennes et des Algorithmes
génétiques pour la Minimisation des Coût de Production dans un réseau d’enraie
Electrique », Thèse d’Etat, Soutenue à L’USTO, 2008.

[ALA ] Alain Hertz, Eric Taillard**, Dominique De Werra, «A Tutorial On Tabu Search», EPFL
Lausanne. : Université De Montréal, Canada, H3C3J7

[ALB 05] Alba, E., ed.: Parallel Metaheuristics, a New Class of Algorithms. John Wiley, New
Jersey (2005)

[ALG 05] Algorithmes génétiques, Wikipedia, encyclopédie, 20 décembre 2005.

[AHU 02] Ahuja, R.K., Ergun, ¨ O., Orlin, J.B., Punnen, A.P.: A survey of very large-scale
neighborhood search techniques. Discrete Applied Mathematics 123(1-3) (2002) 75–
102

[ARV 71] N.V.Arvantidis &J .Rosing, the use of objective function in real power dispatching
, I.E.E.E Trans on PAS, vol pas 90, July-Auguest1975
[AYL 04] A. Yalaoui., Allocation de fiabilité et de redondance dans les systèmes

[APP 98] Applegate, D., Bixby, R., Chàtal, V., Cook, W.: On the solution of the travelling
salesman problem. Documenta Mathematica Vol. ICM III (1998) 645–656

[BAK 02] A.Bakirtzis & P Biskas & C.Zoumas & V.Petridis ;Optimisation power flow By
enhanced genetic algorithm ;IEEE Trans. Power Syst ; Vol.17 ;pp 229-236 ;May.2002.

[BEN 99] F.Benzerga . ; Répartition des Charges et Optimisation de puissances Réactives des
Réseaux Electriques de Grande Taille ; Thèse de Magister soutenue àL’USTO ; 1995.

[BOU 04] T. Bouktir . «Application de la programmation orientée objet à l’optimisation de

l’écoulement de puissance », Thèse Es science, Soutenue à Batna ,2004 .

[BLU 04] Blum, C., Roli, A., Sampels, M., eds.: Proceedings of the First International Workshop
on Hybrid Metaheuristics, Valencia, Spain (2004).

[BLE05] Blesa, M.J., Blum, C., Roli, A., Sampels, M., eds.: Hybrid Metaheuristics: Second
International Workshop. Volume 3636 of LNCS. (2005).

[BUL 99] B. Bullnheimer, R.F. Hartl, and C. Strauss, A new rank-based version of the ant
system: a computational study, Central European Journal of Operations
Research 7 (1) (1999), 25–38.

[CAR 62] J.Carpentier. « Contribution à l’Etude du Dispatching Economique », bulletin de la

Société Française des Electriciens, Vol 3, septembre 1962.

[CHR 01] Christophe Duhamel « Un Cadre Formel pour les Méthodes par Amélioration Itérative :
Application à deux problèmes d’Optimisation dans les Réseaux – », Thèse de Doctorat 22

[CRO 05] C., Roli, A., Sampels, M., eds.: Hybrid Metaheuristics: Second International Workshop.
Volume 3636 of LNCS., Springer (2005) 32–41

70
 Références bibliographiques

[COT 98] Cotta, C.: A study of hybridisation techniques and their application to the design of
evolutionary algorithms. AI Communications 11(3–4) (1998) 223–224.
[COT 03] Cotta, C., Troya, J.M.: « Embedding branch and bound within evolutionary
algorithms.Applied Intelligence 18 (2003) 137–153

[COT 05] Cotta, C., Talbi, E.G., Alba, E.: Parallel hybrid metaheuristics. In Alba, E., ed.: Parallel
Metaheuristics, a New Class of Algorithms. John Wiley (2005) 347–370
mars 2001

[CHA 97] A. Chaker &M. Laouer & H. Bouzeboudja. «Analyse comparative de la répartition
optimale des Puissances par les méthodes des fonctions implicites et les équations de
coordination », Bulletin scientifique de L’ENSET Oran, N°4 –juillet 1997.

[DOD 88] J. C. Dodu & P. Huard. «La méthode de Quasi-Newton sous contraintes non linéaires :
Algorithmes à convergence globale super linéaire », Bulletin de la Direction des Etudes
et Recherches, Electricité de France, Série C N°2, 1988

[DOP 67] J.F.Dopazo, Member IEEE.& J.D .Schaffer.’’Real-Coded Genetic Algorithms and
Interval Schemata ‘’, Foundation of Genetic Algorithms 2. San Mateo :L Darrel whitley
(Morgan Kaufmann Publishers ), 187-202-1993

[EBO 00] E. Bonabeau, M. Dorigo, G. Theraulaz, Nature, Volume 406, Number 6791, Pag. 39 -42
(2000)

[FGL 89] F. Glover, "Tabu Search Part I", ORSA J. Comput, vol. 1, No.3, pp. 190-206, 1989
S. Pothiya, P. Tantaswadi, S. Runggeratigul, "Solving the Economic Dispatch Problem
Using

[GNA 04] R. Gnandass & P. Venkatesh &T. G. Palanivelu & K Manivannan. « Evolutionary
Programming Solution of Economic Load Dispatch with Combined Cycle Co-
generation Effect »IE (I) Journal-EL,Vol 85,pp124-128,September 2004.
[GLO 03] Glover, F., Kochenberger, G.A.: Handbook of Metaheuristics. Kluwer (2003).

[GLO 00] Glover, F., Laguna, M., Mart´ı, R.: « Fundamentals of scatter search and path relinking
».Control and Cybernetics 39(3) (2000) 653–684

[GON 88] T.Gonen «Modern power system analysis », John Wiley Sons, 1988.

[JDR 03] J. Dreo, A. Petrowski, P. Siarry et E. Taillard, « Métaheuristiques pour

L’optimisation difficile », Eyrolls, 2003.

[JHH 75] J.H. HOLLAND, Adaptation in natural and artificial systems. The University of
Michigan Press, Ann Arbor, 1975.

[JOH 04] Johann Dréo — Patrick Siarry, « Métaheuristiques pour l’optimisation et auto
organisation dans les systèmes biologiques », (LERISS,A 412), 2004

[JIN 99] Jin-Kao Hao, Philippe Galinier, Michel Habib, Méta heuristiques pour
l’optimisation combinatoire et l’affectation sous contraintes, Revue
d’Intelligence Artificielle, Vol : No. 1999.

[HAP 78] H .H .Happ. «Optimal Power Dispatch », IEEE Trans on PAS, Vol Pas 93,1978.

71
 Références bibliographiques

[HOU 83] E. Housos & G .D .Irissarri . «Real and Reactive Power System Security Dispatch Using
a Variable Weights Optimization Method », IEEE Transactions on Power Apparatus and
System. Vol PAS-102, N°.5,pp.1260.1983.

[MDO 92] M. Dorigo, Optimization, learning and natural algorithms, Ph.D. Thesis,
Politecnico di Milano, Milano, 1992

[MET 05] Méta heuristique, Wikipédia encyclopédie, 20 décembre 2005

[MEZ 07] Meziane. R, « Optimisation de la structure d’un réseau de production d’énergie

électrique et amélioration de sa performance », thèse de doctorat, USTO 2007.

[MIN 83] M. Minoux. «Programmation Mathématique Théorie et Algorithmes », Tome 1, Dunod

,1983

[MOH 06] Mohamed Aly OULD-LOULY« Développement de Méthodes Heuristiques pour le 2-

Voyageur de Commerce Péripatétique », 6e Conférence Francophone de Modélisation
et Simulation - MOSIM’06 – d 3 au 5 avril 2006 – Rabat- Maroc.

[MOS 99] Moscato, P.: Memetic algorithms: A short introduction. In Corne, D., et al., eds.:New
Ideas in Optimization ». McGraw Hill (1999) 219–234.

[MOS 99] Moscato, P. « Memetic algorithms: A short introduction. In Corne, D., et al., eds.:New
Ideas in Optimization. McGraw Hill (1999) 219–234.

[MUL 05] Multiple Tabu Search Algorithm", The first Conference of International Conference on
Systems and Signals (ICSS) I-Shou University, Kaohsiung, Taiwan, April 28-29, 2005.

[NIC 06] Nicolas SIMONS « Optimisation des Architectures Numériques : Formulation du

"Design Flow" sous forme d'un problème d'aide à la décision Multi-critères » ULB 2006

[RAH 85] M. Rahli « La commande de la Répartition Optimale des puissance actives dans un
Réseau d’énergies Electrique par la programmation Linéaire » Thèse de Magister

[RAH 96] M. Rahli « Contribution à l’Etude de la Répartition Optimale des puissance actives dans
un Réseau d’Energie Electrique », Thèse d’Etat, Soutenue à L’USTO, 1998.

[REZ 08] Rezig Missoum « Etude d'un dispatching économique des puissances actives par les
algorithmes de fourmis » Mémoire de Magister Soutenu 2008 Chlef, Algérie

[REI 73] G. F. Reid & L . Hasdorff. «Economic Dispatch Using Quadratic Programming » ,
IEEE Transactions on Power Apparatus and Systems . Vol PAS-92,pp2015-2023, 1973.

[ROU 01] O. Roux, La mémoire dans les algorithmes à colonie de fourmis :

applications à l'optimisation et à la programmation automatique, thèse de doctorat
de l'Université du Littoral Cote d'Opale, 2001

[POT 05] S. Pothiya, P. Tantaswadi, S. Runggeratigul, «Solving the Economic Dispatch Problem
UsingMultiple Tabu Search Algorithm », The first Conference of International
Conference on Systemsand Signals (ICSS) I-Shou University, Kaohsiung, Taiwan, April
28-29, 2005.

[PUC06] Puchinger, J., Raidl, G.R. « Models and algorithms for three-stage two-dimensional bin
packing. European Journal of Operational Research», Feature Issue on Cutting and
Packing (toVappear 2006)

72
 Références bibliographiques

[SCH 96] S. Chen, S. Smith., Commonality and genetic algorithms. Technical Report
CMU-RITR- 96-27, The Robotic Institute, Carnegie Mellon University,
Pittsburgh, PA, USA, 1996.

[SAD 90] G.Sadasivam & M . Abdullah Khan . «A Fast Method for Optimal Reactive Power Flow
Solution », Electrical Power & Energy Systems ,Vol .12,N°1,pp.65-68January 1990.

[SIN 86] L.P. Singh. «Advanced power system analysis and dynamic », Wiley Eastern limited ,
1986

[SMA 99] S., Martello S., Osman I.H., Roucairol C. (eds.) Meta- Heuristics: Advances and
Trends in Local Search Paradigms for Optimization, Kluwer, Boston, 1999.

[SPO 05] S. Pothiya, P. Tantaswadi, S. Runggeratigul, "Solving the Economic Dispatch Problem
Using Multiple Tabu Search Algorithm", The first Conference of International Conference
on Systems and Signals (ICSS) I-Shou University, Kaohsiung, Taiwan, April 28-29, 2005.

[STA 83] G.W.Stagg &A.H. Elabiadh. « Computer Methods in Power System »,Mc Graw-Hill
International Book Company

[STO 92] Storer, R.H., Wu, S.D., Vaccari, R. « New search spaces for sequencing problems with
application to job-shop scheduling ». Management Science 38 (1992) 1495–1509

[SWA 04] K .S . Swarup . «Economic Dispatch Solution using Hopfied Neural Network » IE(I)
Journal-EL, Vol 84,pp.77-82,September 2004

[TAL 02] Talbi, E.G. « A taxonomy of hybrid metaheuristics», Journal of Heuristics 8(5)
(2002) 541–565

[THO 06] L .Thomas « Algorithmes génétiques et composites conducteurs », Rapport de projet de

fin d’études 2006

[WAL 86] Y. Wallach .«Calculation and program for power system network », Prentice- Hall, Inc,
Englewood cliffs, 1986.

[YEH 98] M. Yehia, R. Ramadan, Z. El-Tawail, K. Tarhini, «An Integrated Technico-

Economical Methodology for Solving Reactive Power Compensation Problem», IEEE
Trans. on PAS, vol. 13, No. 1, pp. 54–59, Feb. 1998.

[ZIM 97] R .Zimmerman, D, Gan . «MATPOWER: A MATLAB Power System Simulation

Package », 1997
http://www.pserc.cornell.edu/matpower/

73