utilização de algoritmos genéticos para a identificação e escolha de acções de...

15
Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos Henggeler Antunes DEEC / INESCC 10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Upload: internet

Post on 22-Apr-2015

102 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Utilização de algoritmos genéticos para a identificação e escolha de acções de

condicionamento da procura de energia

Álvaro Gomes; A. Gomes Martins; Carlos Henggeler Antunes

DEEC / INESCC

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 2: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Gestão da procura

“LM”Objectivos

• operacionais e económicos (promoção da eficiência energética / económica)

incorporação de recursos existentes no lado da procura

eficiência económica – reestruturação / liberalização

* Comercializador: compra por grosso e venda a retalho (20002001 - volatilidade dos preços)

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 3: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

dc agregado (cheio), desagregado 1 (tracejado) e desagregado 2 (ponto-traço)

0

5000

10000

15000

20000

25000

30000

35000

0:0

0

0:5

7

1:5

4

2:5

1

3:4

8

4:4

5

5:4

2

6:3

9

7:3

6

8:3

3

9:3

0

10

:27

11

:24

12

:21

13

:18

14

:15

15

:12

16

:09

17

:06

18

:03

19

:00

19

:57

20

:54

21

:51

22

:48

23

:45

kW

0

100

200

300

400

500

600

700

kW

Objectivos

•Minimizar procuras máximas a pelo menos dois níveis de agregação

•Maximizar lucros

•Minimizar desconforto

•Minimizar “ perdas”

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 4: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Problema com objectivos conflituantes

jkjkj k

xlmax

jkjkj k

xprmin

jkjkj k

xMINmin

jkjkj k

xINTmin

0 . ; min pxpdpsap jkijkj k

i

)1( 0 1 . ;1 min 11 wpxpdpsap jkijkj k

i

)2( 0 2 . ;2 min 22 wpxpDdpDsap jkijkj k

iDesafio:

Proceder à identificação e escolha de 1 conjunto de acçãos de deslastre, em presença destes objectivos

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 5: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Algoritmos Genéticos (ag’s)

•Trabalham com conjuntos de soluções

•Apresentam comportamento com algumas características semelhantes às encontradas na evolução natural – através de operadores: selecção; reprodução; recombinação e mutação

•O desempenho de cada indivíduo é avaliado de acordo com o conjunto de objectivos em análise

•Potencialmente “cegos” se não usarem informação disponível no espaço dos objectivos

Requisitos

•Representação do mundo real definição do espaço das soluções admissíveis; função de avaliação do desempenho das soluções; representação das soluções

•Parametrização do algoritmo valores para parâmetros dos operadores utilizados: probabilidades de mutação e de recombinação; tamanho da população; procedimento de selecção; etc

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 6: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Aproximações experimentadas

Meta-frente

Óptimo flutuante

Meta-óptimo

menores melhores menores melhores

distância distâncias indivíduos distância distâncias indivíduos obs

0.03332 0.00795 1 0.25994 0.24181 1 com conhecimento; e+d; k= 4

0.21313 0.12520 1 0.40770 0.33107 1 sem conhecimento; e+d; k= 4

0.03249 0.01199 1 0.30460 0.28339 1 com conhecimento; e+d; k= 20

0.22427 0.18186 2 0.46882 0.43480 2 sem conhecimento; e+d; k= 20

0.02832 0.01156 1 0.24176 0.23136 17 k=0; 20 sols; e+d+t; pc=01

0.04311 0.01503 1 0.24886 0.23356 18 k=4; 20 sols; e+d+t; pc=01

0.18330 0.14545 3 0.33986 0.31068 5 k=10: 20 sols; e+d+t; pc=01

0.24394 0.22408 6 0.38278 0.36833 4 k=20; 20 sols; e+d+t; pc=01

0.05885 0.03060 8 0.39589 0.37000 8 k=4; 10 sols; e+r

0.07258 0.02522 5 0.40716 0.37001 5 k=10; 10 sols; e+r

0.05413 0.03217 10 0.39541 0.37558 10 k=20; 10 sols; e+r

0.03240 0.00641 1 0.25994 0.24181 1 k=4; 10 sols; e+d

0.06633 0.04836 4 0.28955 0.27506 6 k=10; 10 sols; e+d

0.08796 0.06370 1 0.30460 0.28339 1 k=20; 10 sols; e+d

0.06134 0.04475 2 0.24650 0.22954 1 k=0; 20 sols; e+d+t

0.03680 0.00913 16 0.24011 0.22125 16 k=4; 20 sols; e+d+t

0.10421 0.07705 2 0.27808 0.26029 2 k=10: 20 sols; e+d+t

0.10727 0.09094 1 0.27202 0.25858 20 k=15; 20 sols; e+d+t

0.16075 0.14372 7 0.30723 0.29544 11 k=20; 20 sols; e+d+t

0.03788 0.00315 2 0.25461 0.23348 2 k=4; 10 sols; e+d+t

0.08924 0.06748 2 0.29546 0.27529 2 k=20; 10 sols; e+d+t

0.05391 0.02077 2 0.25461 0.23348 2 k=4; 10 sols; e+d+t

0.23337 0.20390 8 0.39589 0.37000 8 k=4; 10 sols: e+r

0.07288 0.04835 1 0.25994 0.24181 1 k=4; 10 sols; e+d

0.03294 0.00959 7 0.24153 0.22913 7 k=4; 10 sols; e+t

0.04565 0.02400 2 0.29546 0.27529 2 k=20; 10 sols; e+d+t

0.16493 0.14071 10 0.39541 0.37558 10 k=20; 10 sols; e+r

0.06713 0.04617 1 0.30460 0.28339 1 k=20; 10 sols; e+d

0.02469 0.01009 1 0.27630 0.26640 1 k=20; 10 sols; e+t

óptimo flutuante (ND+D) meta - óptimo

pro

cess

o d

e s

ele

cçã

ofo

rma

taçã

o d

a fi

tne

ssco

nh

eci

-

m

en

to

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 7: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Probabilidades de mutação (pm 0_1 - cheio; pm 1_0 - tracejado)

0.00000

0.00002

0.00004

0.00006

0.00008

0.00010

0.00012

0:00

1:00

2:00

3:00

4:00

5:00

6:00

7:00

8:00

9:00

10:0

0

11:0

0

12:0

0

13:0

0

14:0

0

15:0

0

16:0

0

17:0

0

18:0

0

19:0

0

20:0

0

21:0

0

22:0

0

23:0

0

lucros (pm 1_0)lucros (pm 0_1)

MaximoIntervalo ou NumeroMinutos (1_0)

MaximoIntervalo ou NumeroMinutos (0_1)

Contribuição para a probabilidade de mutação dos objectivos min lucros e min desconforto

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 8: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Probabilidades de mutação (0_1-cheio; 1_0-tracejado) para cargas ao nível + agregado

0.0000

0.0002

0.0004

0.0006

0.0008

0.0010

0.0012

0.0014

0.0016

0.0018

0:00

1:00

2:00

3:00

4:00

5:00

6:00

7:00

8:00

9:00

10:0

0

11:0

0

12:0

0

13:0

0

14:0

0

15:0

0

16:0

0

17:0

0

18:0

0

19:0

0

20:0

0

21:0

0

22:0

0

23:0

0

0

5000

10000

15000

20000

25000

30000

35000

Contribuição para a probabilidade de mutação do objectivo min ponta máxima agregada

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 9: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Formatação da fitnessFormatação da fitness

k=20; 20 sols; e+d+t; pc=01

k=10; 10 sols; e+r

k=20; 10 sols; e+r

k=4; 10 sols;e+r

k=10; 20 sols; e+d+t; pc=01

k=20; 20 sols; e+d+t

k=15; 20 sols; e+d+t

k=10; 20 sols; e+d+t

k=20; 10 sols; e+d+t k=20; 10 sols; e+d

k=10; 10 sols; e+dk=0; 20 sols; e+d+t

k=4; 20 sols; e+d+t

k=0; 20 sols; e+d+t; pc=01 k=4; 10 sols; e+d

k=4; 20 sols; e+d+t; pc=01

k=4; 10 sols; e+d+t

0.00

0.05

0.10

0.15

0.20

0.25

0.30

0.20 0.25 0.30 0.35 0.40 0.45

Distância ao meta-óptimo

Dis

tânc

ia a

o óp

timo

flutu

ante

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 10: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Processo de selecçãoProcesso de selecção

k=4; 10 sols; e+d+t

k=4; 10 sols; e+r

k=4; 10 sols; e+d

k=4; 10 sols; e+tk=20; 10 sols; e+d+t

k= 20; 10 sols; e+r

k=20; 10 sols; e+d

k=20; 10 sols; e+t

0.00

0.05

0.10

0.15

0.20

0.25

0.15 0.20 0.25 0.30 0.35 0.40 0.45

Distância ao meta-óptimo

Dis

tânc

ia a

o óp

timo

flutu

ante

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 11: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Incorporação de conhecimentoEfeito da incorporação de conhecimento

com conhecimento;e+d; k=20

com conhecimento; e+d; k=4

sem conhecimento; e+d; k=20

sem conhecimento; e+d; k=4

0.00

0.05

0.10

0.15

0.20

0.25

0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50

Distância ao meta-óptimo

Dis

tânc

ia a

o óp

timo

flutu

ante

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 12: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Algumas características do algoritmo:

• Populações com 20 indivíduos;

• Vantagem na utilização de conhecimento

• Processo de selecção elitista com inclusão de torneio e eventualmente em conjunto com métodos determínisticos

• Inexistência de demasiada pressão de convergência mostra-se benéfica.

Mais alguns parâmetros

Pc= 0,01; indução de nichos; restrições ao casamento

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 13: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

ResultadosInicial Mínimo Médio Máximo Desvio padrão

Agregada 31536 30757 30817 30881 32

Desgregada 1 602 561 572 630 15

NumeroMinutos - 3986 5744 10682 1682

MaximoIntervalo - 19 29 68 12

Desagregada 2 582 495 503 541 12

Factor de perdas 0,54389 0.533388 0.533837 0.534291 0.00025048

Venda-Compra 1440383 1421916 1423106 1424303 617

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 14: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Valores mínimo, médio e máximo do factor de perdas encontrados na pop em cada geração

0.5150

0.5200

0.5250

0.5300

0.5350

0.5400

0.5450

1

389

777

1165

1553

1941

2329

2717

3105

3493

3881

4269

4657

5045

5433

5821

6209

6597

6985

7373

7761

8149

8537

8925

9313

9701

Evolução dos valores para o factor de perdas encontrados na população em cada geração

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães

Page 15: Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos

Valores mín, méd e máx da Pot desagregada 1 encontrados na pop em cada geração

400

450

500

550

600

650

700

1

384

767

1150

1533

1916

2299

2682

3065

3448

3831

4214

4597

4980

5363

5746

6129

6512

6895

7278

7661

8044

8427

8810

9193

9576

9959

kW

Evolução dos valores para potência desagregada 2 encontrados na população em cada geração

10º Congresso da APDIO; UM - Campo de Azurém; Guimarães