Résolution du Problème de Dispatching Economique par les
Méthodes Métaheuristiques en utilisant la Logique Floue
A. Salhi 1, T. Bouktir 2
1
Laboratoire de Genie Electrique de Biskra (LGEB), Département de Génie Electrique, Université de Biskra,
BP 145, Biskra 07000, Algerie, {a_salhi_m@[Link]}
2
Département de Génie Electrique, Faculté des sciences et technologie, Université de Sétif, Algérie
{[Link]@[Link]}
Mots-clés : Algorithmes génétiques, Colonie artificielle des abeilles, Dispatching
économique, Essaims de particules, Logique floue, Méthodes métaheuristiques.
1 Introduction
Le problème du Dispatching Economique (DE) est l'un des principales préoccupations pour le
fonctionnement des réseaux électriques. Essentiellement, c'est un problème d'optimisation dont
l'objectif est de réduire le coût total de génération de l'énergie électrique des différentes unités de
production en satisfaisant les contraintes de fonctionnement. Les efforts antérieurs ont étés basés
sur des méthodes conventionnelles comme la méthode itérative de Lambda [1] et la méthode du
gradient [2]. Malheureusement, ces méthodes ne sont pas convenables pour un problème réel à
cause de la non-linéarité des caractéristiques des générateurs (centrales thermiques) avec l'inclusion
des zones de fonctionnement interdites [3], la discontinuité de la courbe de la fonction coût non-
convexe ou non-régulière et les incertitudes portées aux contraintes de fonctionnement. Pour
surmonter tous ces problèmes, on fait recours aux méthodes métaheuristiques. Ce travail s'articule
sur l'application des Algorithmes Génétiques (AG) [4], l'Optimisation par les Essaims de Particules
(OEP) [3] et la Colonie Artificielle des Abeilles (CAA) [5] pour un problème de dispatching
économique en modélisant les contraintes de fonctionnement (contraintes souples) par la théorie
des ensembles flous [6].
2 Formulation du problème
La planification du DE doit accomplir un dispatching optimal des puissances générées pour
toutes les unités de production et pour chaque période de fonctionnement en satisfaisant les
contraintes pratiques de fonctionnement. Les contraintes de fonctionnement souples sont
modélisées en utilisant la théorie des ensembles flous. Le problème peut être formulé comme suit :
m
min (ai bi Pgi ci Pgi2 ) (1)
i 1
à sujet de la contrainte principale qui est la contrainte d'équilibre de la demande et de génération :
m
Pgi PD PL (2)
i 1
m est le nombre des unités de production, Pgi est la puissance générée de l'unité i, PD est la
puissance demandée totale, PL sont les pertes totales. ai , bi et ci sont les coefficients de la fonction
coût relative à chaque unité de production i. Ainsi que les autres contraintes pratiques qui sont : la
contrainte des zones interdites, la contrainte de la limite de la rampe et la contrainte de la capacité
de réserve relatives aux unités de production. Après la fuzzification des contraintes souples, le
problème est résolu par la maximisation du degré d'appartenance de toutes les fonctions
(maximisation du Degré de Satisfaction DS) [7].
3 Résolution du problème par les méthodes métaheuristiques
Les méthodes métaheuristiques AG, OEP et CAA sont appliquées sur un réseau test qui
comporte 6 unités thermiques de production, 26 nœuds 46 lignes de transport. La puissance
demandée totale est égale 1263 Mw. Les données des unités de production (zones interdites, les
limites de la rampe et les limites des puissances générées) sont sur [3]. Les résultats de simulation
sont montrés sur le Tableau. 1.ΔP est la différence entre le premier et le second membre de
l'Equation 2. Pg_t est la somme des puissances générées.
Variables Pg1(MW) Pg2(MW) Pg3(MW) Pg4(MW) Pg5(MW) Pg6(MW) Pg_t(MW) PL(MW) Cout min.($/h) ΔP(MW)
Méthode GA 444.5972 181.4076 244.3162 134.9693 172.7293 97.4470 1275.5 12.5252 15448 5.8x10-2
Méthode OEP 455.5157 173.3880 256.0500 133.1054 165.7593 91.6956 1275.5 12.5139 15444.3 2.8x10-11
Méthode CAA 455.9863 176.7691 239.1494 127.6792 177.0658 99.0209 1275.7 12.7291 15452.4 5.8x10-2
TAB. 1 – Résultats de simulation du réseau test
4 Conclusion
Les méthodes métaheuristiques utilisées montrent leur efficacité en traitant les problèmes
complexes et en obtenant une solution approchée pour résoudre le problème de Dispatching
Economique. Les résultats obtenus sont acceptables et très proches par comparaison des différentes
méthodes. La modélisation des incertitudes par la logique floue introduite dans le problème montre
son interactivité avec la prise de décision humaine.
5 Références
[1] Allen J. Wood and Bruce F. Wollenberg, "Power Generation, Operation and Control",
Second Edition, john wiley & sons, inc. Publication 1996, pp. 39-43.
[2] Jizhong Zhu, "Optimization of Power System Operation", John Wiley & sons, Publication
2009, pp. 112-115.
[3] Zwe-Lee Gaing, "Particle Swarm Optimization to Solving the Economic Dispatch
Considering the Generator Constraints", IEEE Transactions on Power Systems, vol. 18,
N°.3,August 2003.
[4] A. B. M. Nasiruzzaman and M. G. Rabbani, "Implementation of Genetic Algorithm and
Fuzzy Logic in Economic Dispatch Problem", 5th International Conference on Electrical
and Computer Engineering ICECE 2008, Dhaka, Bangladesh, IEEE Conference Publication
[5] C. Sumpavakup, I. Srikun, and S. Chusanapiputt, "A Solution to the Optimal Power Flow
Using Artificial Bee Colony Algorithm", International Conference on Power System
Technology 2010, IEEE Conference Publication.
[6] A. Salhi et T. Bouktir, " Optimisation Multi-Objective de l'écoulement de puissance par la
Logique Floue associée aux Algorithmes Génétiques ", ROADEF 2011, Saint-Etienne 2-4
Mars 2011, Volume II, Pages 478-479.
[7] R. Ma, H. Yan and X. Tong " Multiobjective Fuzzy Optimal Transaction Planning Based
Optimal Power flow for Electricity Market", 7th International Power Engineering Conference,
from 29.11 to 2.12 2005, pp. 1-5.
