Zdravko Jadrijev, dipl. ing.

HEP - DP Elektrodalmacija, Split

Mr. sc. Goran Majstrovi, dipl. ing.
Energetski institut Hrvoje Poar, Zagreb

ODREIVANJE NAJPOVOLJNIJEG UKLOPNOG STANJA S ASPEKTA

MINIMIZIRANJA GUBITAKA RADNE SNAGE POMOU GENETSKOG
ALGORITMA

Saetak:

U ovom radu se prezentira odreivanje najpovoljnijeg uklopnog stanja razdjelnih mrea s

aspekta minimiziranja gubitaka radne snage upotrebom genetskog algoritma. Svaka razdjelna
mrea ima vie moguih uklopnih stanja koja se mogu mijenjati ovisno o problemu koji se rjeava
(planirani ili prisilni ispad, nezadovoljavajue naponske prilike, minimiziranje gubitaka radbne
snage i sl.). Kada se rjeava problem minimiziranja gubitaka promjenom uklopnog stanja
potrebno je voditi rauna o vie ogranienja. Ta ogranienja se odnose na neprekidnost
napajanja potroaa, maksimalno doputeno optereenje pojedinih dionica, ouvanje radijalnog
karaktera mree i mogunosti manipuliranja sklopnim ureajima. Algoritam predloen u ovom
radu definira objektnu funkciju koja opisuje iznos gubitaka radne snage, a konani odabir
najpovoljnije (minimalne) funkcije provodi se uvaavajui navedena ogranienja. Genetski
algoritam je vrlo prikladan za rjeavanje takvog problema budui da je i formiran na principu
prirodnog odabira najboljih jedinki kroz vie generacija.

Kljune rijei: genetski algoritam, optereenje dionica, gubici radne snage, sklopni ureaji

1. UVOD

Kroz itav povijesni razvoj elektroenergetskih mrea problem minimiziranja gubitaka radne
snage ostaje stalni predmet zanimanja strunjaka. Novim metodama koje se pojavljuju u svijetu
matematike i elektrotehnike pojavljuju se i novi pristupi rjeavanju navedenog problema. U novije
vrijeme pojavom umjetne inteligencije (neizrazite logike, genetskog algoritma, neuronskih mrea i
sl.) broj radova o njihovoj primjeni strahovito raste i svakim danom pronalazi nova podruja
primjene. Jedna od tih primjena je i minimiziranje gubitaka radne snage koje se razmatra u ovom
radu.

Bilo kakva promjena u topologiji mree dovodi do novog razmjetaja optereenja po pojedinim
dionicama vodova, a time i do promjene gubitaka po tim dionicama, budui da su gubici
proporcionalni kvadratu protjecane struje. Ukoliko postoji mogunost dvostranog napajanja
potroaa (najee na 35 i 10 kV naponskom nivou), postoji i mogunost razmjetaja
optereenja s jedne na drugu pojnu toku sklapanjem sklopnih ureaja. Ukoliko postoji vie takvih
mogunosti u mrei pojavljuje se niz razliitih uklopnih stanja od kojih svaki ima svoj raspored
optereenja po pojnim tokama. Meutim, osim o optereenju, gubici radne snage ovise i o
radnom otporu svake dionice voda. Svaka dionica voda ima svoj iznos radnog otpora, ovisno o
materijalu, presjeku i duljini. Na taj nain svako uklopno stanje rezultira razliitim iznosom
gubitaka radne snage po pojedinim dionicama proporcionalno kvadratu optereenja i radnom
otporu. U ovom radu zadatak je pomou genetskog algoritma odrediti koje uklopno stanje
rezultira najmanjim ukupnim iznosom gubitaka, a da se pritom potuju ranije spomenuta
ogranienja.

2. OSNOVE GENETSKOG ALGORITMA

Genetski algoritam je stohastika tehnika pretraivanja temeljena na mehanizmu prirodne

selekcije i preivljavanja najboljih primjeraka. Vrlo rairenu primjenu doivljava iz dva osnovna
razloga:

- nain primjene je vrlo jednostavan, a formira vrlo kvalitetan pretraivaki mehanizam,

- vrlo je robustan i stoga primjenjiv na mnoge optimizacijske probleme.

To robustno ponaanje koje ga razlikuje od drugih optimizacijskih metoda, implicira da

se genetski algoritam (GA) razlikuje od ostalih metoda po neemu sutinskom, a to je:

- GA pretrauje populaciju kandidata, a ne samo jednog kandidata, stoga se ne zaustavlja na

lokalnim optimumima funkcije cilja,
- GA koristi probabilistika, a ne deterministika pravila,
- GA analizira samo rezultirajue vrijednosti funkcije cilja kandidata (dakle, samo iznos), to
vodi prema globalnom optimumu. Stoga GA ne ovisi karakteristikama funkcije cilja, kao npr.
derivabilnost, neprekidnost, konveksnost i sl,
- GA radi s kodom parametara funkcije, a ne sa samim parametrima.

Ove postavke bit e jasnije kad se opie princip na kojem funcionira GA. Upotreba GA ne
zahtijeva neka posebna ranija matematika znanja, a u najveem broju sluajeva pokazuje dobre
rezultate.

Dakle, GA ne koristi realne parametre (npr. u ovom sluaju iznose optereenja dionica voda),
ve koristi binarno kodirani string koji na neki nain predstavlja promatranu funkciju cilja. Sljedei
primjer predstavlja princip po kojem funkcionira GA.

Pretpostavimo da je potrebno odrediti varijantu koja je okarakterizirana najveim iznosom

funkcije cilja F(cilja).

genotip 1: 10101100 F(cilja) = 0.6

genotip 2: 10011011 F(cilja) = 0.9
genotip 3: 11010110 F(cilja) = 0.1

F(cilja) -> max => genotip 3 otpada iz svoje generacije

Dakle, u ovom sluaju genotip koji najvie odstupa od zadane funkcije izbacuje se iz generacije.
Broj genotipa u jednoj generaciji, kao i broj genotipa koji se izbacuje ili mijenja za iduu
generaciju odreen je ulaznim parametrima.

Razvoj genetskog algoritma iz generacije u generaciju odvija se pomou triju osnovnih

operacija: selekcije, krianja i mutacije.

a) selekcija

Selekcija je postupak kojim se izmeu svih postojeih jedinki (genotipa) u promatranoj

generaciji odabiru najbolje da bi se prenijele u sljedeu generaciju. Ostali genotipi se eliminiraju iz
prorauna. Najbolje jedinke su one jedinke koje najbolje zadovoljavaju postavljenu funkciju cilja (u
ovom sluaju predstavljaju uklopno stanje s najmanjim gubicima).

b) krianje
 Krianje je postupak kombiniranja gena (bita) dviju odabranih jedinki (genotipa). Na taj nain
nastaje nova generacija koja je okarakterizirana kao kombinacija gena svojih predaka. Postoje
dvije vrste krianja: one point i two point krianje. One point krianje predstavlja postupak
prekidanja stringa na jednom proizvoljnom mjestu, kako je to prikazano sljedeim primjerom:

roditelj 1: 10111001
roditelj 2: 10010101

prekidanje stringa na jednom proizvoljnom mjestu: 101 11001

100 10101

one point krianje: 101 10101

100 11001

potomak 1: 10110101
potomak 2: 10011001

Two point krianje je postupak koji je analogan s tim da se stringovi roditelja cijepaju na dva
mjesta i zatim zamjenjuju odgovarajui dijelovi stringa roditelja (npr: roditelj 1: 101 110 01 ).

c) mutacija

Postupak mutacije se sastoji u tome da se u svakom genu u stringu generira sluajan broj izmeu
0 i 1. Ukoliko je on manji od na poetku definirane vjerojatnosti mutacije (Pm), onda se aktualna
vrijednost gena mijenja u komplementarnu vrijednost (0 u 1 ili obratno), kako je prikazano
sljedeim primjerom:

genotip 1: 110 0 0110

mutirani genotip1: 110 1 0110

Sada se postavlja pitanje kako od svih opisanih postupaka izgraditi generaciju genotipa. Stoga
se definiraju parametri genetskog algoritma koji odreuju broj jedinki (genotipa) u jednoj
generaciji i maksimalni broj generacija. Osim toga odreuju se i vjerojatnosti osnovnih operacija:
vjerojatnosti selekcije (Ps,), vjerojatnosti krianja (Pk) i vjerojatnosti mutacije (Pm). Veliine ovih
parametara odreuju u koliko sluajeva u generaciji e se primijeniti koja operacija. Najee se
veliina populacije kree oko 500 jedinki, maksimalni broj generacija oko 200, a vjerojatnosti
operacija s jedinkama Ps=(0.1 0.4), Pk = (0.6 0.9) i Pm = (0.01 0.1).

3. FORMULACIJA PROBLEMA

Zadatak u ovom radu je odrediti najpovoljnije uklopno stanje u elektroenergetskoj mrei s

aspekta minimiziranja gubitaka radne snage. Slika 1. prikazuje vod s pripadnom strujom i
naponima vorova.

i I gi j j

Vi Vj
 Slika 1. Shema voda

Prema prethodnoj slici radni gubici koji se javljaju na promatranom vodu iznose:

* * *
Pg = Re((V i V j ) I ) = Re((V i V j )(Vi V j ) g ij ) =
(1)
* *
= Re( g ij (Vi + V V i V V V j )) = g ij (Vi + V 2ViV j cos ij )
2
j
2
j i
2
j
2

gdje su:

Pg - gubici radne snage na vodu i-j,

Vi - kompleksna vrijednost napona na voru i,
Vj - kompleksna vrijednost napona na voru j,
Vi - iznos napona u voru i,
gij - odvod voda,
ij - razlika kuteva napona u vorovima i i j.

Budui da je potrebno odrediti minimalne gubitke za cijelu promatrani mreu, funkcija cilja je:

N grana
PUK ,g =
k =1
g ij (Vi 2 + V j2 2ViV j cos ij ) (2)

gdje su:

k - broj grane
i,j - poetni i krajnji vor k - te grane

Dakle, potrebno je pomou genetskog algoritma odrediti uklopno stanje razmatrane mree pri
kojem je :

PUK,g MIN (3)

4. PRIMJER RJEENJA PROBLEMA POMOU GENETSKOG ALGORITMA

Za primjer e se analizirati dio srednjenaponske mree grada Splita (slika 3.), kako je
pojednostavljeno prikazano sljedeom shemom. Optereenja pojedinih vorita prikazana su u
Prilogu.

C 1 2 3 4 5

TS 35/10
B TS 35/10 DOBRI
BRODOGRADILITE 1 2 3

BR

A 1 2 3 4 5

Slika 2. Pojednostavljena shema dijela 10 kV mree grada Splita

 EL. CENTAR

1 1
BRODOGRADILITE "BR"
35/10

BAZEN 1 BAZEN 2

A B C
1
STADION 3 KATEL.PUT STADION 4 ETAS INSTALATER NK SPLIT

SOLINSKA 5

2
STADION 2

SPINUT 15 SKALICE 1
SKALICE 2 SKALICE 3
GLAVIINE 1 2

TURSKA KULA
GLAVIINE 3
GLAVIINE 2 SUKOIANSKA 2
TIREVO
LOVRET
4 3
SPINUT 13 SPINUT 14 TABLE 2 4

E.D. MUP CROATIA OS.

SUD SUKOIANSKA 1 SUKOIANSKA 3

DOBRI 6 DOBRI 5

2 3 RODILITE

A B C 5

DOBRI 35/10

5 3

Slika 3. Shema dijela srednjenaponske mree grada Splita

Na slici 3. strelicama i brojevima oznaeni su sklopni ureaji za sekcioniranje vodova.

U svakoj pojedinoj varijanti sklapanja provjeravaju se sljedei granini uvjeti:

- ouvanje radijalnog karaktera mree,
- neprekidnost napajanja potroaa,
- maksimalno doputeno optereenje pojedinih dionica.

Pretpostavimo da su zadane sljedee veliine: M = 5, Ps =(0.1-0.4), Pk = (0.6 0.9) i Pm = (0.01

0.1), gdje su:

M - broj genotipa u generaciji,

Ps - vjerojatnost selekcije,
Ps - vjerojatnost krianja,
Pm - vjerojatnost mutacije.

Neka u sljedeoj tablici prva kuica oznaava broj isklopljenog sklopnog ureaja u prvoj grani,
druga kuica broj isklopljenog sklopnog ureaja na drugoj grani i analogno trea kuica. Na taj
nain je predstavljen nain sekcioniranja mree isklapanjem pojedinih prekidaa.

1 3 4
2 4 2
3 3 3
.
.
 Svaki sklopni ureaj oznaen je nekim brojem, jedinstvenim na toj grani (npr. 1, 2 ili 3). Brojka
kojom je proizvoljno oznaen pojedini sklopni ureaj oznait e se u 4-bitnom binarnom zapisu:

0001 0011 0100

0010 0100 0010
0011 0011 0011
.

Svaki redak prethodne tablice sada oznaava jedan genotip (12-bitni string u kojem svaki bit
predstavlja jedan gen) ime se predstavlja jedno uklopno stanje, a time i jedan iznos gubitaka
radne snage.

Sada je potrebno formirati prvu generaciju od pet sluajno generiranih genotipa, te pomou
operacija GA izvravati selekciju, krianje i mutaciju iz generacije u generaciju, vodei rauna o
iznosima funkcije cilja definirane relacijom (2). Pri formiranju svakog genotipa potrebno je
provjeriti jesu li zadovoljeni granini uvjeti (izbjei preoptereenje dionice voda i ouvati radijalni
karakter mree).

Predstavljeni postupak se na odabranom primjeru primjenjuje na nain da se proizvoljno odredi

pet uklopnih stanja, odnosno na svakom vodu iskljui po jedan sklopni ureaj, te kao rezultat
formira sljedea tablica. Za svaki vod (stupac) prikazan je broj isklopljenog prekidaa u pojedinoj
varijanti (retku). Vodovi su oznaeni s A, B i C

A B C
5 3 3
1 1 4
2 2 4
3 2 3
2 3 1

Sklopni ureaji su prikazani u 4-bitnom binarnom zapisu i na taj nain se formiraju genotipi u
generaciji 0.

GENERACIJA 0

1 0101 0011 0011 PUK,g =206 kW

2 0001 0001 0100 PUK,g =98 kW
3 0010 0010 0100 PUK,g =59 kW
4 0011 0010 0011 PUK,g =66 kW
5 0010 0011 0001 PUK,g =159 kW

Gubici u vodovima (funkcija cilja je optimalno uklopno stanje minimalni gubici u vodovima) za
pojedini genotip prikazani su s desne strane tablice, a izraunati su pomou programskog paketa
PowerCAD 4.0.

Sljedea generacija se formira pomou prethodno spomenutih operacija.

Selekcija

Ps = 0.2

Najloiji genotip se eliminira, a na njegovo mjesto se stavlja najbolji. Dakle, umjesto genotipa 1
ubacuje se genotip 3.
Novo stanje je prikazano sljedeom tablicom.

1 0010 0010 0100 PUK,g =59 kW

2 0001 0001 0100 PUK,g =98 kW
3 0010 0010 0100 PUK,g =59 kW
4 0011 0010 0011 PUK,g =66 kW
5 0010 0011 0001 PUK,g =159 kW

Krianje

Pk = 0.6

S obzirom na PK, u krianju sudjeluju 3 genotipa na nain da se najbolji izravno prenosi u novu
populaciju, a ostala dva se kriaju. Preostala dva genotipa (koji ne sudjeluju u krianju) prenose
se izravno u novu populaciju. U ovom sluaju genotip 3 se prenosi izravno, a genotip 1 i genotip 4
se kriaju.
Vri se one point krianje na nain da se proizvoljno odredi mjesto krianja.

roditelj 1: 00100010 0100

roditelj 2: 00110010 0011

potomak 1: 001000100011

potomak 2: 001100100100

Za novonastalo stanje izraunati su gubici u vodovima:

1 0010 0010 0011 PUK,g =62 kW

2 0001 0001 0100 PUK,g =98 kW
3 0010 0010 0100 PUK,g =59 kW
4 0011 0010 0100 PUK,g =63 kW
5 0010 0011 0001 PUK,g =159 kW

Mutacija

Pm = (0.01 0.1)

S obzirom na mali broj genotipa (M = 5) za ovaj primjer mutacija e se napraviti tako da se

sluajno odabere jedan genotip i promijeni jedan gen u komplementarnu vrijednost.
 U prvom pokuaju odabran je genotip 4 i peti gen s lijeva kome je vrijednost 0 promijenjena u 1.
Kako novonastali genotip nije realan (vod B nema 9 sklopnih ureaja za sekcioniranje), to
rjeenje se odbacuje i u sljedeem pokuaju odabire genotip 2 i sedmi gen s lijeva kome se
vrijednost mijenja u komplementarnu.

- genotip 2 prije mutacije: 000100010100

- genotip 2 nakon mutacije: 000100110100

Nakon selekcije, krianja i mutacije dobije se nova generacija:

GENERACIJA 1

1 0010 0010 0011 PUK,g =62 kW

2 0001 0011 0100 PUK,g =162 kW
3 0010 0010 0100 PUK,g =59 kW
4 0011 0010 0100 PUK,g =63 kW
5 0010 0011 0001 PUK,g =159 kW

Postupak se nastavlja na isti nain. Zbog ogranienosti prostora nee se navoditi svi provedeni
koraci u proraunu, ve e se navesti samo zadnji korak, odnosno najpovoljnije stanje u 5.
generaciji.

Dakle, nakon 5 generacija najpovoljnije stanje predstavlja genotip 001000100100, odnosno

uklopno stanje kao na slici 4.

C 1 2 3 4 5
X X X X
TS 35/10
B 1 2 3
TS 35/10 DOBRI
BRODOGRADILITE X X
BR
1 2 3 4 5
A
X X X X

Slika 4. Najpovoljnije uklopno stanje s aspekta minimiziranja gubitaka radne snage

Konano, najpovoljnije stanje rezultira minimalnim gubicima radne snage za analizirano stanje
mree koji iznose PUK,g =59 kW.

5. ZAKLJUAK

Svaka razdjelna mrea ima vie razliitih moguih uklopnih stanja. Promjenom uklopnog stanja
mree mijenjaju se i gubici radne snage u mrei. U ovom radu je predstavljen princip po kojem bi
se pomou jednog, relativno novog matematikog alata - genetskog algoritma, mogli analizirati
gubici radne snage u srednjenaponskim mreama, te je taj princip primijenjen na dijelu 10 kV
mree grada Splita. Rezultat je naelno pokazao da ovakav pristup rezultira najpovoljnijim
rjeenjem. Sloenije mree bi zahtijevale robustniji i dui postupak, ali po istom principu. Uz
dananji stupanj razvoja raunalne tehnologije robustnost postupka ne predstavlja nikakav
problem.
Potrebno je takoer naglasiti da je danas primjena genetskog algoritma u inenjerskoj praksi
vrlo rairena. Stoga ovaj rad predstavlja jedan od mnotva naina rjeavanja navedenog
problema po slinom principu.
6. LITERATURA

[1] D.E. Goldberg: GENETIC ALGORITHMS IN SEARCH, OPTIMIZATION AND MACHINE

LEARNING, Universit of Alabama, 1989.
[2] C.C.Liu, S.J.Lee, K.Vu: LOSS MINIZATION OF DISTRIBUTION FEEDERS: OPTIMALITY
AND ALGORITHMS, IEEE/PES Summer Meeting, Portland, Oregon, July, 1988.
[3] S. Bianovi, M. Hajro: GENETSKI ALGORITAM KAO NOVI PRISTUP U RJEAVANJU
PROBLEMA EKONOMSKOG DISPEINGA, JP Elektroprivreda BiH, Elektrotehniki fakultet
Sarajevo, IV savjetovanje BH CIGRE, Neum, 1999.
[4] S.Civanlar, J.J.Grainger, H.Yin,S.S.H.LeeDISTRIBUTION FEEDER RECONFIGURATION
FOR LOSS REDUCTION, IEEE Transactions on Power Delivery, Vol.3, No.3 July 1988.

PRILOG

Tablica 1. prikazuje dispeersku procjenu optereenja pojedinih transformatorskih stanica koja

su posluila kao ulazni podaci u predstavljenom primjeru.

Tablica 1: Dispeerska procjena optereenja transformatorskih stanica za dan 16.01.2002.

Naziv + Kons. Un[kV] P[MW] Q[MVAr] I[A] FS

GLAVIINE 2 + S 0.40 0.30 0.10 456.44 0.949
SPINUT 13 + S 0.40 0.20 0.10 322.75 0.894
STADION 2A + S 0.40 0.20 0.080 310.91 0.928
SUKOIANSKA 3 + S 0.40 0.70 0.20 1050.79 0.962
KATEL. PUT + S 0.40 0.40 0.10 595.12 0.970
STADION 4 + S 0.40 0.290 0.10 442.77 0.945
ETAS + S 0.40 0.80 0.20 1190.24 0.970
TIREVO + S 0.40 0.30 0.10 456.44 0.949
TABLE 2 + S 0.40 0.340 0.10 511.53 0.959
BAZEN 2A + S 0.40 0.20 0.10 322.75 0.894
STADION 2 + S 0.40 0.30 0.10 456.44 0.949
STADION 3A + S 0.40 0.270 0.10 415.58 0.938
GLAVIINE 3 + S 0.40 0.30 0.10 456.44 0.949
SUD + S 0.40 0.210 0.050 311.58 0.973
MUP + S 0.40 0.20 0.060 301.39 0.958
ED 2 + S 0.40 0.30 0.10 456.44 0.949
ED 1 + S 0.40 0.30 0.040 436.84 0.991
NK SPLIT + S 0.40 0.40 0.10 595.12 0.970
SOLINSKA 5 + S 0.40 0.30 0.10 456.44 0.949
SUKOIANSKA 1 + S 0.40 0.30 0.10 456.44 0.949
SKALICE 3 + S 0.40 0.20 0.050 297.56 0.970
DOBRI 5 + S 0.40 0.30 0.10 456.44 0.949
DOBRI 6 + S 0.40 0.20 0.070 305.85 0.944
SKALICE 2 + S 0.40 0.20 0.050 297.56 0.970
SPINUT 14 + S 0.40 0.20 0.10 322.75 0.894
SPINUT 15 + S 0.40 0.20 0.050 297.56 0.970
SKALICE 1A + S 0.40 0.30 0.10 456.44 0.949
SKALICE 1B + S 0.40 0.20 0.050 297.56 0.970
LOVRET A + S 0.40 0.40 0.10 595.12 0.970
LOVRET B + S 0.40 0.30 0.10 456.44 0.949
GLAVIINE 1 + S 0.40 0.20 0.050 297.56 0.970
TURSKA KULA + S 0.40 0.50 0.20 777.28 0.928
INSTALATER + S 0.40 0.50 0.10 735.98 0.981
BAZEN 1 + S 0.40 0.260 0.10 402.08 0.933
EL. CENTAR + S 0.40 0.20 0.060 301.39 0.958
BAZEN 2B + S 0.40 0.20 0.10 322.75 0.894
RODILITE + S 0.40 0.40 0.10 595.12 0.970
STADION 3B + S 0.40 0.50 0.10 735.98 0.981
SUKOIANSKA 2 + S 0.40 0.30 0.040 436.84 0.991
CROATIA OS. + S 0.40 0.30 0.10 456.44 0.949