8.6. Conclusion
On a proposé trois types de problèmes (primal,
dual et trial). D'après les résultats de simulation la variable
de décision la plus dominante est la variable coût. Une faible
variation de cette dernière permet d'avoir différentes
configurations. Outre une large variation de la fiabilité influe peu sur
le résultat.
Le choix des configurations revient aux objectifs
planifiés par le client. En fonction de l'objectif visé pour
garantir un système hautement fiable, à moindre coût ou
bien un compromis entre les deux.
CONCLUSION GENERALE
L'importance de la conception d'un système
électro- énergétique comme réseau électrique
se trouve actuellement confrontée à un nouveau paradigme dont on
n'a pas encore mesuré toutes les conséquences sur le
fonctionnement et la sûreté de ces composantes ou sous
système qui le forment (production, transport, répartition et
distribution) afin d'avoir un système industrialisée moderne.
La conception d'un système d'énergie
électrique moderne doit être capable de fournir continuellement
aux clients de l'énergie électrique aussi économiquement
possible et avec un degré acceptable de sûreté ou
fiabilité. Alors ce degré d'espérance exige une conception
optimale. Cependant, aucun composant du système n'est à l'abri de
défaillances, leurs conséquences sont très lourdes pour le
système conçu. Tout le monde à l'esprit des
conséquences. Il s'agit donc de l'effondrement des réseaux ou
« black-out ».
Cette combinaison entre défaillance et
conséquences importantes demande une analyse rigoureuse des risque
dés la conception afin de procéder à de nombreuses prises
de décision. La banalisation et la grande disponibilité de
l'électricité ont poussé certains à vouloir la
traiter au même titre que d'autres biens de consommation courante. Elle a
cependant des caractéristiques uniques qui doivent être
gardées à l'esprit.
Le contexte particulier de la prise de décision en
temps limité implique de borner le temps conception. De ce fait, il
n'est pas possible d'utiliser un mécanisme classique. La
résolution de problèmes de type combinatoires par des
méta- heuristiques en particulier l'algorithme des colonnes de fourmi
offre de nombreux avantages. C'est un compromis entre la qualité des
solutions et le temps de calcul.
Dans cette thèse, nous avons présenté
une problématique relative à la prise en compte de trois types de
problèmes aux investisseurs de faire le choix en fonction de leurs
objectives planifiés :
§ La première formulation nous permet d'avoir une
conception à moindre coût au point de vue production et structure
toute en garantissant un niveau de fiabilité acceptable ce type est
Primal.
§ La deuxième formulation donne aux investisseurs
la possibilité d'atteindre leur niveau de sûreté
désiré toute en respectant le chiffre d'affaire à allouer
au projet type Dual.
§ La troisième formulation nous permet d'avoir un
compromis entre le type Primal et Dual c'est un type Min-Max ou/ et Max-Min.
Ces trois formulations agissent en permutation entre trois
fonctions objectives non linéaire avec leurs contraintes non
linéaires.
Nous avons développé, dans ce cadre un programme
plateforme Java spécifique basé sur l'approche ACO optimisant les
objectives planifiés sous contraintes "fiabilité - coût /
et performance".
Les résultats dans cette thèse nous ont conduit
à proposé des structures avec différents niveaux de
contraintes : fiabilité, coûts, fiabilité/coût
et fiabilité coût/puissance qui donnent à l'investisseur
le choix et lui facilitent la prise de décision concernant tel ou tel
investissement. Les trois stratèges adoptés nous permettent de
valider nos structure ou configuration les plus optimales selon les cas:
§ La première formulation nous permet d'avoir un
coût d'investissement du système optimal (composant et production
énergétique) dans une plage de
5.5-11.4% par rapport au niveau de fiabilité
exigé par le client 85-99%. Ces
résultats montre une proportionnalité entre un investissement et
une haute sûreté du système optimal a concevoir.
La variation des variables de décision nous ont
donné par simulation d'autre alternatives optimales par rapport a celle
de référence, outre une simple variation du paramètre
coûts dans le système influe fortement sur les résultats de
simulation qui nous donne des configuration assez importante a celle de la
référence. Ces nouvelles configurations vaut
6.07-8.5%. Les deux autres paramètres
puissance et fiabilité influe peut sur les résultats de la
simulation.
§ La deuxième formulation nous permet d'avoir des
conceptions optimales à haute fiabilité (composants du
système et puissance) dans une plage de
98.7-99.5% correspondant a des investissements de
9.7-16.8%. la variation des deux autres
paramètres s'articule autours d'un certain nombre de solutions dont
leurs écart type par rapport à la référence peut
sensible. Outre le paramètre fiabilité montre une grande
influence est les résultats de simulations nous donne des alternatives
entre 98.8-99.4% qui valent un investissement de
9.5-11.9%. donne aux investisseurs la
possibilité de limiter les coûts investissements d'un projet
d'alimentation.
§ La troisième formulation nous permet d'avoir des
conceptions optimales à compromis entre une haute fiabilité/ un
coût minimale d'investissement sur (composants du système et
puissance) c'est un type de problème Max-Min
cette dernière formulation appartenant à le domaine multi-
objectives. Les résultats de simulation nous ont conduit a faire le
compromis entre ces deux variables de décisions. La configuration
optimale est de 96.6-99.5% et 7.93-16.4%
de compromis entre fiabilité / coût respectant la
garantie du budget a allouer ainsi un seuil de sûreté de :
85-99% et 10-20%.
En variant les deux variable de décisions
fiabilité/ coût nous obtenant par simulation une variante
plus optimale dont le compromis est de 98.1-99.4% de
fiabilité et 7.9-14.2% budgétaire aux
même contraintes. Reste à dire que ce travaille est flexible
à l'utilisation par des client dont la stratégie revient au
décideur qui est le client pour choisir son objective planifiée
est de trouver sa solution optimale.
Le comportement des ces programmes devient dynamique et
intelligent dans le cas de la variation brusque et aléatoire de la
charge. Dans ce cas cet outil prend le nom de :
`'Problèmes Dynamiques et Intelligents d'Optimisation Multi-
Objectives''.
La dynamique de cet outil réside par le choix de
l'objectif planifié par le designer le système peut se ramener
à sa fonction objective par un enclenchement et déclenchement des
composants déjà utilisés.
La signification pratique de chaque simulation suivant
l'objectif planifié réside par un changement brusque de la
structure productive, de ce fait une balance pivotante entre demande et
production doit se maintenir à chaque instant. Ce point théorique
existe rarement en pratique.
La vision future pour étendre cette recherche consiste
à faire une fouille minutieuse sur les caractéristiques du cahier
de charge qui peuvent changer totalement la nature des problèmes
traités. La problématique de résolution de ces nouveaux
problèmes peut s'articuler autours de plusieurs axes :
1- Cas ou les caractéristiques des composants sont des
fonctions continues 
2- Système non fluide avec stock tampons
(Compensateurs) qui nous ramène à faire face à des
problèmes d'allocation et de dimensionnement optimales des compensateurs
dans le système.
3- S'il s'agit d'un système déjà existant
alors on touche le problème de reconfiguration optimale des
systèmes productifs.
4- L'étude des systèmes série-
parallèle (cas de la conception des panneaux solaires).
BIBLIOGRAPHIE
|
1
|
G. Habchi, «Conceptualisation et Modalisation pour les
simulations de production», UNIVERSITE DE SAVOIE Document de
Synthèse L.F. Escudero, An inexact algorithm for the sequential ordering
problem. European Journal of Operational Research 37 (1988), 232-253 2001.
|
|
2
|
Réseau Electrique, Encyclopédie Encarta,
2006.
|
|
3
|
G.J. Anders, Probability concepts in electric power system,
Wiley Publication, New York, 1996.
|
|
4
|
A. Yalaoui., Allocation de fiabilité et de redondance
dans les systèmes parallèle- série et série-
parallèle, thèse de doctorat, 2004.
|
|
5
|
Meziane. R, Optimisation de la structure d'un réseau de
production d'énergie électrique et amélioration de sa
performance, thèse de doctorat, USTO 2007.
|
|
6
|
K. Mendez, N. Skouni, Optimisation de la structure des
réseaux de répartition en utilisant les algorithmes de fourmis,
mémoire d'ingéniorat, Sidi Bel abbés 2006.
|
|
7
|
Y. Massim, Availability and performance optimisation of
series- parallel industrial process, thèse de doctorat, Sidi bel
abbés 2005.
|
|
8
|
Reinschke., System of elements with many states. radio i
svyaz, Moscow, 1985
|
|
9
|
El-Neweihi and Proschan. Degradable systems: A survey of
multi-states system theory. Common. Statist. Theor. math., 13(4), 1984.
C.R. REEVES (Ed.) Modern heuristic techniques for
combinatorial problems, Blackwell Scientific Publications, Oxford, 1993.
|
|
10
|
R. Meziane, Y. Massim, A. Zeblah, and A. Ghoraf. Reliability
Computation For Algerian Power Network Considering Mss, An International
Journal Of Nonlinear Dynamics And Chaos In Engineering Systems, Klewer Academic
Publisher, Vol 40 number 4 june 2005 pp 309 321.
|
|
11
|
R Meziane, Y. Massim, A. Zeblah, A. Ghoraf and Mustapha Rahli.
Reliability Optimization Using Ant Colony Under Cost and Performance
Constraintes, Power System Research Journal ESRJ, 2005, Elsevier Publisher,
Vol N°76, pp-1-8, 2005.
|
|
12
|
A. Zeblah, A. Ghoraf, S. Hadjeri, H. Hamdaoui. Optimization
for Series-Parallel Continuous Power Systems with Buffers Uder Reliability
Constraints Using Ant Colony Accepted paper in international Journal of
Industrial and Management Optimization,Vol N°2, Number4, pp-467-479 (JIMO)
2006
|
|
13
|
Y Massim, A. Zeblah, R. Meziane and M. Rahli. Ant Colony
Optimization For Multi-State Series-parallel System Expansion-Sheduling,
Electrical Engineering Journal, Springer Verlags, under press, 2005.
|
|
14
|
Y. Massim, A. Zeblah, A. Ghoraf and R. Meziane. Reliability
Evaluation Of Multi-State Series-Parallel Power System Under Multi-States
Constraints, Electrical Engineering Journal, Springer Verlags, Vol N°87,
pp-327-336, 2005.
|
|
15
|
E.H.L. AARTS, J.K. LENSTRA (Eds.), Local search in
combinatorial optimization, John Wiley & Sons, 1997.
|
|
16
|
D. Corne, M. Dorigo and F. Glover, editors, New Ideas in
Optimization, McGraw-Hill, 11-32.
|
|
17
|
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.
|
|
18
|
Méta heuristique, Wikipédia encyclopédie,
20 décembre 2005
|
|
19
|
Holldobler and Wilson, Voyage chez les Fourmis. Seuil,
1996.
|
|
20
|
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.
|
|
21
|
D. Corne, M. Dorigo and F. Glover, editors, New Ideas in
Optimization, McGraw-Hill, 11-32.
|
|
22
|
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.
|
|
23
|
Méta heuristique, Wikipédia encyclopédie,
20 décembre 2005
|
|
24
|
J. Dreo, A. Petrowski, P. Siarry et E. Taillard,
Métaheuristiques pour l'optimisation difficile, Eyrolls, 2003.
|
|
25
|
S., Martello S., Osman I.H., Roucairol C. (eds.) Meta-
Heuristics: Advances and Trends in Local Search Paradigms for Optimization,
Kluwer, Boston, 1999.
|
|
26
|
Algorithmes génétiques, Wikipedia,
encyclopédie, 20 décembre 2005.
|
|
27
|
J.H. HOLLAND, Adaptation in natural and artificial systems.
The University of Michigan Press, Ann Arbor, 1975.
|
|
28
|
M. Dorigo, Optimization, learning and natural algorithms,
Ph.D. Thesis, Politecnico di Milano, Milano, 1992.
|
|
29
|
E. Bonabeau, M. Dorigo, G. Theraulaz, Nature, Volume 406,
Number 6791, Pag. 39 -42 (2000)
|
|
30
|
S. Chen, S. Smith., Commonality and genetic algorithms.
Technical Report CMU-RITR- 96-27, The Robotic Institute, Carnegie Mellon
University, Pittsburgh, PA, USA, 1996.
|
|
31
|
C. N. Bendtsen, T. Krink, Phone routing using the dynamic
memory model, in Proceedings of the 2002 congress on Evolutionary Computation,
Honolulu, USA
|
|
32
|
V. Maniezzo, M. Dorigo and A. Colorni, The ant system:
Optimization by a colony of cooperating agents. IEEE Transactions on Systems,
Man, and Cybernetics-Part B, 26(1) :29-41, 1996.
|
|
33
|
L. Bianchi, L.M. Gambardella, M.Dorigo. An ant colony
optimization approach to the probabilistic traveling salesman problem. In
Proceedings of PPSN-VII, Seventh Inter17 national Conference on Parallel
Problem Solving from Nature Science. Springer Verlag, Berlin, Germany, 2002
|
|
34
|
J.L. Bentley, Fast algorithms for geometric traveling salesman
problem, ORSA Journal on Computing, vol. 4, pp. 387-411, 1992.
|
|
35
|
B. Bullnheimer, R.F. Hartl, and C. Strauss, Applying the ant
system to the vehicle routing problem, In: Voss
|
|
36
|
C. Blum, M. Sampels, Ant colony optimization for FOP shop
scheduling: a case study on different pheromone representations, in Proceedings
of the 2002 congress on Evolutionary Computation, Honolulu, USA
|
|
37
|
M. den Besten, T. Stützle, M. Dorigo, Ant colony
optimization for the total weighted tardiness problem, Parallel Problem Solving
from Nature: 6th international conference, September 2000. Springer Verlag.
|
|
38
|
A. Colorni, M. Dorigo, and V. Maniezzo, Distributed
optimization by ant colonies, Proceedings of ECAL'91, European Conference on
Artificial Life, Elsevier Publishing, Amsterdam, 1991.
|
|
39
|
O. Cordon, I. Fernandez de Viana, F. Herrera, L. Moreno, A new
ACO model integrating evolutionary computation concepts: the best-worst ant
system, in Proceedings of ANTS2000 -from ant colonies to artificial ants,
Universitè Libre de Bruxelles
|
|
40
|
D. Camara, A.A.F. Loureiro, A GPS/ant-like routing algorithm
for ad hoc networks, in 2000 IEEE Wireless Communications and Networking
Conference, Chicago, USA.
|
|
41
|
N. Monmarché, Algorithmes de fourmis artificielles :
applications à la classification et à l'optimisation,
thèse de doctorat, l'Université de Tours, le 20 décembre
2000.
|
|
42
|
G. Dicaro and M. Dorigo, Antnet: distributed stigmergetic
control for communications networks, Journal of Artificial Intelligence
Research, 9 (1998), 317-365.
|
|
43
|
G. di Caro and M. Dorigo, Mobile agents for adaptive routing,
Proceedings of HICSS-31, 1998.
|
|
44
|
R. Vander Meer, M. Breed, K.E., E., and M.L., W., editors
(1998). Pheromone Communication in Social Insects. Westview Press.
|
|
45
|
Brossut, R. (1996). Phéromones, la communication
chimique chez les animaux. CNRS editions, Belin.
|
|
46
|
G. di Caro and M. Dorigo, AntNet: distributed stigmergetic
control for communications network , Journal of Artificial Intelligence
Research (JAIR), Vol. 9, Pag. 317- 365, 1998.
|
|
47
|
M. Dorigo and G. Di Caro (1999). The Ant Colony Optimization
Meta-Heuristic. In
|
|
48
|
M. Dorigo, G. Di Caro & L.M. Gambardella (1999). Ant
Algorithms for Discrete Optimization. Artificial Life, 5(2):137-172.
|
|
49
|
M. Dorigo and L.M. Gambardella, Ant colony system: a
cooperative learning approach to the traveling salesman problem, IEEE
Transaction on Evolutionary Computation 1(1997), 53--66.
|
|
50
|
M. Dorigo, V. Maniezzo, and A. Colorni, The ant system:
optimization by a colony of cooperating agents, IEEE Transactions on Systems,
Man, and Cybernetics-Part B 26(1) (1996), 29--41.
|
|
51
|
S.Bouri., A. Zeblah, A. Ghoraf, S. Hadjeri, H. Hamdaoui,Ant
Colony Optimization to Shunt Capacitor Allocation in Radial Distribution
Systems Acta and Electronica et informatic journal Schekoslovacia N°4,Vo5;
2005
|
|
52
|
R. Meziane, H. Hamdaoui, M. Rahli, and A. Zeblah Structure
Optimization of Electrical Power Network Using Ant Colony Approach. Facta Univ.
Ser.: Elec. Energ., vol. 16, No. 2, August 2003, pp. 233-250.
|
|
53
|
R. Ouiddir, M. Rahli, R. Meziane and A. Zeblah. Ant colony
Optimization For New Redesign Problem Of Multi-States Electrical Power Systems.
Journal Of Electrical Engineering, Vol 55, N° 1-2, 2004, pp 1-7, ISSN
13-35-36-32 FEISTU
|
|
54
|
A. Zeblah, Réalisation D'un Logiciel Pour La
Reconstruction D'un Réseau Fiable Et sa Reconfiguration Optimale,
thèse de doctorat, USTO, 2002.
|
|
|
