Using multiobjective genetic algorithms for optimal resource management in an autonomous power system

• Autorzy: Gozhyi A. , Burlachenko I. , Gromaszek K.

Warianty tytułu

PL

Wykorzystanie wieloobiektowych algorytmów genetycznych do optymalnego zarządzania zasobami w autonomicznym systemie energetycznym

• Języki publikacji: EN

Abstrakty

EN

This paper presents the results of research of multi-objective genetic algorithms applied to solving the problem of system construction and power management. Research is determined by the need for optimal and efficient distribution of different types of energy (renewable or residual) and attempts to improve overall energy efficiency in the energy system which is independent of centralized networks.

PL

Artykuł przedstawia rezultaty badań nad zastosowaniem wieloobiektowych algorytmów genetycznych do rozwiązania problemów tworzenia i projektowania i zarządzania systemem energetycznym. Przeprowadzenie badań zostało uwarunkowane potrzebą optymalnej i efektywnej dystrybucji różnego rodzaju energii (odnawialna czy pozostałe) oraz próbą poprawy ogólnej efektywności energetycznej w systemie energetycznym, niezależnym od zcentralizowanych sieci.

Słowa kluczowe

EN

stand-alone power system; genetic algorithms; multi-objective evolutionary algorithm; non-dominated sorting genetic algorithm-II; archive-based micro genetic algorithm -2; e-Multi-Objective Evolution Algorithm

PL

niezależny system energetyczny; algorytm genetyczny; wieloobiektowy algorytm ewolucyjny; non-dominated sorting genetic algorithm-II; archive-based micro genetic algorithm -2; e-Multi-Objective Evolution Algorithm

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2012
• Tom: nr 4b
• Strony: 48--50
• Opis fizyczny: Bibliogr. 6 poz., rys.

Twórcy

autor

Gozhyi A.

autor

Burlachenko I.

autor

Gromaszek K.

• Petro Mohyla Black Sea Stale University, Department of Information Technologies and Program Systems,

Bibliografia

• [1] Coello C.: A survey of constraint handling techniques used with evolutionary algorithms. Veracruz, Mexico: Laboratorio Nacional de Informatica Avanzada; 1999.
• [2] Deb K., Mohan M., Mishra S.: A fast multi-objective evolutionary algorithm for finding well-spread Pareto-optimal solutions. Kanpur genetic algorithms laboratory report number 2003002: Indian institute of technology Kanpur.
• [3] Goldberg D.: Genetic algorithms in search, optimization, and machine learning. Reading, MA: Addison-Wesley, 1989.
• [4] Konak A., Coil D. W., Smith A. E.: Multi-objective optimization using genetic algorithms: A tutorial. Reliability Engineering and System Safety 91, 2006, p. 992-1007.
• [5] Ooka R., Kayo G.: Development of Optimal Design Method for Distributed Energy System ( Part.3 ), Sensitivity Analysis with GA Parameters: SHASE Annual Meeting, 2008.
• [6] Srinivas N., Deb K.: Multi-Objective function optimization using non-dominated sorting genetic algorithms, Evolutionary Computation, 2(3) 1995, p. 221-248.