T - EEA
Transcription
T - EEA
Atténuation de petites oscillations par robuste PSS en utilisant deux méthodes d'hybridation parallèle (Damping Small Oscillations by Robust PSS using two Parallel Hybridization Methods) (Full text in French) 1 Mohammed MEKHANET1, Lakhdar MOKRANI1, Salem ARIF1 LACoSERE Laboratory, Electrical Engineering Department, Amar Telidji University, Laghouat, Algeria Abstract A comparative study of two parallel hybridizations based on global optimization metaheuristic algorithms, which are the Particle Swarm Optimization (PSO) algorithm and Genetic Algorithm (GA). Both are hybridized with local Tabu Search (TS) optimization algorithm. The main objective is to design robust PSSs, with optimal settings to damp small electromechanical oscillations in the rotors of the machines after weak or large perturbation and to guarantee the global stability of the power system. The PSSs parameters are set by an optimization problem formulation, which is solved by using hybrid metaheuristics techniques. These methods are tested and compared under different conditions on the WSCC (Western System Coordinating council) multimachine power system. A comparison between the proposed techniques indicates that qualities of results are improved with a reduced computing time, and an increased PSS robustness. The discussion highlights the importance of both approaches for the modal stability study. Keywords: Parallel Hybridization; Particle Swarm Optimization; Genetic algorithm; Tabu search; small Signal Stability. Received: March, 15, 2016 1. Introduction Par sa grande interconnexion, le réseau électrique est devenu de plus en plus complexe et au même temps, il présente une grande non-linéarité. Les producteurs d’énergie électrique sont sensés de garder leurs réseaux le plus stable possible, sinon il risque une défaillance économique considérable. Pour améliorer et maintenir la stabilité de leurs systèmes de puissance, les stabilisateurs de puissance PSS (Power System Stabilizer) sont les plus utilisées, mais le problème qui se pose, c’est la détermination de ses paramètres optimaux. Plusieurs méthodes métaheuristiques sont utilisées par les chercheurs, chaque méthode présente des qualités est des inconvénients, les méthodes métaheuristiques nonhybrides tel que GA et le PSO donnent des résultats acceptables, mais ne garantissant jamais la qualité de la solution trouvé, l’inconvénient de l’algorithme génétique, c’est le temps de calcul, et pour le PSO son inconvénient et le problème de convergence précoce, qui peut lui laisser coincé dans un optimum local. Les algorithmes à recherche locale comme la recherche taboue sont spécifiés par la notion d’intensification qui réside à explorer les voisinages (régions) semblant prometteuses de façon approfondie, de cette façon, on peut garantir des résultats les plus qualitatifs et les plus fines. Notre nouvelle tendance est l’hybridation des métaheuristiques appliquées à l’optimisation des paramètres des PSSs, pour tenter de tirer profit de l’avantage de chaque méthode et de minimiser leurs inconvénients. A partir de la sixième décime, du siècle passé, le contrôle de système d’excitation s’est élargi, par l’utilisation des stabilisateurs auxiliaires de signaux ils ont été introduits dans les circuits de champ. Avec ce système, ils ont pu amortir les oscillations rotoriques. Les premières études qui ont abordé le sujet des petites oscillations rotoriques sont traitées par P. DeMello et Concordia (en 1969) [1]. Les auteurs ont étudié le principe d’amortissement des oscillations électromécaniques et l’effet de dégradation du couple électromagnétique causé par le système de régulation automatique de tension (AVR). Le couple électromécanique est la résultante de deux composantes ; une dite couple de synchronisation qui doit être en concordance avec la variation d’angle du rotor, la deuxième composante représente le couple d’amortissement, qui est en phase avec la variation de vitesse du rotor. Une défaillance du couple de synchronisation engendre le décrochage des angles des générateurs. D’autre part, une dégradation du couple d’amortissement engendre des modes oscillatoires [1] [2] [3]. Les études antérieures ont abouti aux conclusions, qu’une augmentation du gain et une diminution de la constante du temps influent positivement sur le couple de synchronisation. Le PSS a pour rôle de modifier l’entrée du régulateur de tension, afin de générer un couple d’amortissement aux différents modes oscillatoires [2], [4]. 2. Formulation du Problème 2.1. Modélisation du système de puissance La formulation des équations différentielles et algébriques du système de puissance, exhibent la nonlinéarité du système. Dans ce travail, on a utilisé le modèle linéaire, sous une forme d'espace d'état. Ce modèle permet l'utilisation de l'approche classique pour analyser le système de puissance. En premier lieu, un ensemble de variables d'état doit être choisi, ensuite, l'équation d'état du système est écrite dans le vecteurmatrice sous forme d'équation différentielle, puis on calcule les valeurs propres de la matrice d'état, à partir duquel on calcule ensuite les conditions d'amortissement associées à chacun des modes oscillatoire [5], [6]. ELECTROTEHNICĂ, ELECTRONICĂ, AUTOMATICĂ (EEA), vol. 64 (2016), nr. 3 108 Le système de puissance après linéarisation, peut être formulé comme suit : X& = A ∆ X + BU (1) où M est le vecteur des variables d’état, U représente le vecteur des variables d'entrée. Le vecteur d'état de générateurs est donnée par T ω i , δ i , E qi' , E fdi ; ωi et δi sont les vitesses et les angles [ ] rotoriques des machines respectivement, d’autre part, E qi' est la f.é.m transitoire en quadrature , E fdi est la tension d’excitation [7], Q est le signal de sortie du PSS. Ce modèle est largement utilisé dans l'analyse des valeurs de réglage des paramètres de PSS [1], [8], [9]. L’analyse de stabilité est basée sur les valeurs propres de la matrice A , chaque valeur propre ou pôle du système est donnée par λ i = α i m j β i , les modes Figure 19. Schéma d’un PSS avance retard de phase [8] Le système WSCC étudié est constitué de 3 machines et 9 nœuds, le système est testé sous différentes conditions de charges. Le détail des conditions de fonctionnement ainsi que les données des machines et des lignes sont détaillés dans la référence [13]. Le schéma unifilaire du système étudié est représenté dans la Error! Reference source not found.. apériodiques correspondent aux valeurs réelles, par contre les valeurs complexes conjuguées, correspondent aux modes oscillants. Le facteur d’amortissement de chaque pôle est donné par : ξ i = − α α 2 i i + β (2) 2 En calculant ce facteur pour chaque pôle, on peut connaître l’état d’amortissement de chaque mode d’oscillation. 2.2. Structure du PSS ( ) s + + ω Δ + + T 3s T4 s 11 + T 1T 2 s s 11 Kc s u Δ Tω T ωs s 1 La fonction du PSS est de compenser le couple synchronisant du rotor dégradé par le régulateur de tension AVR (Automatic Voltage Regulator), en d’autre terme agir contre les modes oscillatoires pour compenser le retard de phase entre l’excitatrice et le couple électrique de la machine. Plusieurs structures des PSSs sont proposées telles que les PID et les PSSs « Avanceretard » qui sont les plus répandues vus leurs simplicités et leurs efficacités. La Figure 1 représente un PSS de type “lead-lag” avec l’entrée ∆ω (s ) . Le signal de sortie ∆u(s) est injecté à l’entrée du système du régulateur automatique de tension (AVR) /excitation [10], [11]. La fonction de transfert du PSS « lead-lag » est donnée par: ( )= Figure 20. Schéma unifilaire du réseau WSCC 3 Machines-9 nœuds i (3) où T ω (washout time constant) cette constante a pour but de bloquer les fréquences inférieures à 0,1Hz généralement sa valeur est entre 2s et 15s ; si sa valeur est de 10s la fréquence de coupure est 0.0159Hz [12]. Les paramètres T 1 = T 3 sont les constantes de temps avance et T 2 = T 4 , constantes de temps retard. 2.3. Fonction objective Il est nécessaire d’assurer les deux conditions suivantes pour assurer la bonne stabilité du système: − Toutes les valeurs réelles des valeurs propres de la matrice d’état doivent être négatives. − Le facteur d’amortissement doit être maximum (pour chaque point de fonctionnement). La formulation du problème revient à un problème d’optimisation: Maximiser { 5 , K 5 , K 5 = m(m( )) pour tout (m = 1, 2 . . . , v ) (4) Sujet à : , 5 { 5 ,^ 5 K, 5 K 5 K,^ 5 K, 5 K 5 K,^ 5 où v indique le nombre total des points de fonctionnement à optimiser et j est l’indice du PSS placé au pième générateur. Le nombre de PSSs est généralement égale au nombre de générateurs, et pour des raisons purement économiques pour ce système, on a besoin que de deux PSSs, le premier au niveau du générateur 2, et un deuxième au niveau du générateur 3 représentant les modes les plus défavorables [5], [14]. 3. Techniques métaheuristiques et hybridation 3.1. Algorithmes génétiques Dans les années soixante du siècle passé, le chercheur John Holland a commencé l’étude des systèmes évolutifs et par la suite sont devenues les algorithmes génétiques. Ses travaux ont trouvé un premier aboutissement en 1975 en introduisant le premier modèle formel des algorithmes génétiques [15]. Un algorithme génétique est basé sur les ELECTROTEHNICĂ, ELECTRONICĂ, AUTOMATICĂ (EEA), vol. 64 (2016), nr. 3 changements hasardeux itératifs qui opèrent sur des populations codées générées initialement d’une façon aléatoire. Il est principalement basé sur trois opérateurs des phénomènes de la génétique et de l'évolution naturelle: croisement, mutation et sélection. Le croisement et la mutation sont consacrés à l'exploration de l'espace de recherche, alors que le dernier va guider la population vers les solutions optimales d'un problème. Ces algorithmes utilisent une nomenclature analogue à celui des mécanismes néo-darwiniens de l'évolution, cependant, les processus auxquels ils font référence sont beaucoup plus complexes [14] [16]. La mise à jour de la position : = + Y − − − − Principe de l’algorithme génétique − Algorithme Génétique [5] [8] [17] : Début − Lecture des données ( : probabilité de croisement, Pm : probabilité de mutation, maximum de génération). − Génération d’une population initiale aléatoirement de (chromosome) individu ; − Répéter − Evaluer chaque chromosome par son fitness ; − Sélectionner les meilleurs individus aptes à la reproduction en appliquant une de méthode de sélection. − Appliquer le croisement entre deux paires d’individus avec une probabilité c. − Créer une mutation aléatoire sur les gènes pris avec une probabilité m. − Concevoir la nouvelle population reproduite des enfants. − Calculer le fitness pour chaque chromosome. − Jusqu’à maximum de génération − Affichage des résultats et sauvegarde. Fin 3.2. Optimisation par essaim particulaire En 1995, les deux chercheurs James Kennedy et Russell Eberhart proposent la méthode d’optimisation par essaim de particules (PSO), cette méthode est inspirée du comportement naturel des groupes d’oiseaux, dont ils se déplacent en groupes, chaque individu essaye de minimiser sa position afin d’optimiser la consommation en énergie calorifique, ceci leur permettre de franchir grandes distances lors de leurs migrations. Cette méthode est classée aussi au sein des méthodes métaheuristiques utilisant la mémoire qui leur permettait à chaque individu de se souvenir de la meilleure position dont il a déjà passé, et de la meilleure position prise par son voisinage ceci, il va tendre à y retourner [18] [19]. Chaque particule de l'essaim est déterminée par sa position x , sa meilleure position déjà visitée p ,et il possède un vecteur de déplacement appelé abusivement par la littérature vitesse ou vélocité v , en outre, chaque particule mémorise la meilleure solution découverte par une de ses p , l’algorithme est itératif, il recalcule les vitesses voisins puis il fait une mise à jour de toutes les positions à chaque itération v , la vitesse de chaque agent est calculée comme suit [20] [5]: Y = . Y + . . kj − n + . . kj_ − n (5) 109 − − − (6) : coefficient d’inertie réglant le rapport d’exploitation et d’exploration prise entre 0,9 et 1,2 [21] . constante d’accélération contrôlant l’attraction à sa meilleure position, généralement égale à 2 [20]. : constante d’accélération contrôlant l’attraction globale, généralement égale à 2 de façon ( + 4) [5]. et : nombres aléatoires entre 0 et 1 tirés uniformément sur l’intervalle [0, 1]. A remarquer que la vélocité est la composante des trois vecteurs : . Y : dite composante physique de déplacement. . . kj − n : composante cognitive de déplacement. . . kj_ − n : composante sociale de déplacement. Principe de l’algorithme PSO Algorithme PSO [19] [21] Début Initialisation (pour chaque particule, initialiser la position et la vitesse) − Tant que la condition d’arrêt n’est pas satisfaite faire − Pour chaque particule m faire − Mise à jour de la vitesse de chaque particule utilisant : − Y = . Y + . . kj − n + . . kj_ − n − Mise à jour de la position de chaque particule utilisant : − = + Y − Evaluer la fonction fitness ( ¡ ) − Si ( ¡ ) < (j ¡) donc − j¡ : ¡ − fin si − Si ( ¡ ) < kj _ n donc − j_ : ¡ Fin, si Fin pour 3.3. Algorithme de la Recherche Taboue La recherche Taboue est une métaheuristique à recherche locale, dont sa stratégie est destinée pour résoudre les problèmes combinatoires originalement, elle était développée par Glover en 1986. La recherche taboue est basée sur un mécanisme inspiré de la mémoire humaine et elle garde son historique dans une liste dite ‘liste taboue’. La procédure de la Recherche Taboue (TS) est comme suit : • S: ensemble des solutions • s: l’une des solutions du problème • f : fonction qui associe une valeur f(s) • s*: solution optimale du problème • s’: solution générée dans le voisinage N(s) • N: voisinage d’une solution s∈S 110 ELECTROTEHNICĂ, ELECTRONICĂ, AUTOMATICĂ (EEA), vol. 64 (2016), nr. 3 Recherche Taboue [22] [23] Début − Choisir une solution aléatoirement s ∈ S, (initialiser le compteur d’itération k=0, réserver un espace mémoire pour la table T:=∅ et affecter s*:=s); − Tant qu’aucun critère d’arrêt n’est satisfait faire − Déterminer une solution s’ qui minimise f (s’) dans N (s) − Si f (s’) < f(s*) alors poser s*:=s’ − Poser s:=s’ et mettre à jour la table T Fin tant que Figure 22. Organigramme du Hybridation parallèle PSO ou GA/TS 5. Simulation Pour la simulation des deux méthodes hybrides, on a élaboré un programme sous le logiciel Matlab/Simulink. 5.1. Conditions de fonctionnement Le système WSCC, 3 générateurs ,9 nœuds a été testé sur trois différentes charges : faible, nominale et forte suivant le Tableau 1 [13]. Tableau 1. Conditions de charges A Figure 21. Organigramme de la méthode Recherche Taboue Charges 3.4. Techniques d’hybridation Faible Nominale Forte B Q [pu] 0.55 0.50 0.80 P [pu] 0.45 0.90 1.80 C Q [pu] 0.35 0.30 0.60 P [pu] 0.50 1.00 1.50 Q [pu] 0.25 0.35 0.60 5.2. Caractéristiques des générateurs Les résistances et les réactances suivant le repère de Park ainsi que les caractéristiques mécaniques des trois générateurs sont données dans le Tableau 2. 0 Td ' (pu) (pu) (pu) 0 0.1460 0.0608 0 0.8950 0.1198 0 1.3120 0.1813 Xq Xd G1 G2 G3 Xd Tableau 2. Caractéristiques électromécaniques des trois machines Ra ' H (s) (pu) (s) 0.0969 8.96 23.64 0.8645 6.00 06.40 1.2578 5.89 03.01 D (pu) 9.6 2.5 1.0 0ù : − Ra : résistance d’armature, − Xd : réactance synchrone d’axe direct, ' − : réactance transitoire d’axe direct, − 0 Xd Td La littérature classe les techniques d'hybridations en trois grandes catégories, modèle de lot (séquentielle), le modèle asynchrone parallèle et l'hybridation parallèle (intégrative), dont leur principe est de combiner une méthode à recherche globale et une autre méthode à recherche locale [24] [25]. La base de ces méthodes est d’initialiser la recherche par une métaheuristique globale, les meilleures solutions de cette dernière seront injectées comme solution initiale dans une deuxième métaheuristique (à recherche locale) qui à son tour génère la solution optimale finale [26]. L'approche consiste à utiliser la RT pour exploiter le résultat antérieurement trouvé une fois par l’AG ou par le PSO [27]. En effectuant une recherche locale par le TS sur les m % meilleurs population issue de l'algorithme AG/PSO et appliquer les opérateurs sur les (1-m %) restants de la population, les résultats pris à l'issue de cet algorithme représentent la solution courante qui sera l’initialisation de l'algorithme (effectuant une recherche globale) et le processus se reproduit jusqu'à l'obtention des meilleurs résultats [24]. La Error! Reference source not found. illustre l’organigramme de la méthode proposée [28]. P [pu] 0.65 1025 2.00 ' : constante de temps transitoire d’axe direct, − Xq : réactance synchrone d’axe en quadrature, − H : constante d’inertie de la machine, − D : coefficient d’amortissement. ELECTROTEHNICĂ, ELECTRONICĂ, AUTOMATICĂ (EEA), vol. 64 (2016), nr. 3 5.3. Paramétrage des algorithmes L’inconvénient des méthodes métaheuristiques est le choix de leurs paramètres de contrôle, dans ce travail et après plusieurs exécutions, les paramètres des différentes méthodes ont été fixés selon le Tableau 3. Tableau 3. Choix des paramètres des métaheuristiques Algorithme Génétique Nombre d'individus : 64 Probabilité de croisement : 0.85 Probabilité de mutation : [0.09 0.009] valeur prise=0.015 Nombre de points de croisement: 2 algorithme sans et avec hybridation, sont regroupés dans le Error! Reference source not found.. Tableau 4. Résultats d’optimisation obtenus N° Kc bus 2 3 2 PSO 3 2 GA-TS 3 2 PSO-TS 3 GA Algorithme PSO Recherche Taboue Longueur de la liste poids initial : 0.85 Tabou : 5 Nombre de points de poids initial : 0.50 recherche : 5 Nombre maximum Nombre d'itérations : 25 diversifications : 30 Facteurs de pondération C1=1.5, C2=1.4 Taille de la population : 128 Nombre d'itérations maximal: 10 Nombre Nombre générations: 25 d’intensifications : 10 Nombre de bits: 8 Codage : binaire meilleurs membres de la population de PSO et GA injectés dans le TS : m=5 % L’espace d’exploitation des paramètres des PSSs est comme suit : 0.005 { 5 100 0.001¦ K 5 2¦ 0.001¦ K 5 2¦ Le système WSCC a été déjà étudié dans [13], pour optimiser l’emplacement économique des PSS. La méthode du facteur de participation était utilisée. L’emplacement optimal trouvé des PSSs est au niveau des générateurs 2 et 3, présentant les modes dominants. D'autre part, le générateur 3 représente les modes les plus néfastes. Les résultats d’optimisation obtenus pour chaque 44.76 18.51 19.07 17.95 82.70 90.20 37.89 83.64 T1 =T3 T2= T4 0.2824 0.2834 0.2413 0.2970 0.3981 0.2175 0.2286 0.0957 0.0285 0.0295 0.0315 0.0211 0.0066 0.0028 0.0025 0.0013 Pour simuler une perturbation et de tester la robustesse des PSSs hybrides, on réalise un court-circuit triphasé au nœud 4 pendant 3 cycles. Les réponses des déviations de vitesse sont données dans la Error! Temps de Fonction simulaobjective tion(s) % 21.95 266 220 18.65 225 25.25 195 20.11 On constate clairement que l’hybridation à améliorer la valeur de la fonction objective et tout en réduisant le temps de simulation comparativement à celui sans hybridation. 5.4. Analyse des valeurs propres Les valeurs propres avant et après optimisation nous permettent de conclure vis-à-vis l’amélioration de la stabilité du système (Tableau 5). Tableau 5. Analyse des coefficients d'amortissement §¨©(ª¨ ) Système sans-PSS 0.0305 Système AG-TS 0.214 Système PSO-TS 0.133 Amélioration % -85.74 77.06 Pôles -0.364±i11.9 -2.41±i11.0 -1.84±i13.7 Pour avoir un système stable, il faut que la partie réelle des valeurs propres soit strictement négative. La Error! Reference source not found. expose clairement l’amélioration obtenu par l’hybridation, d’autre part le minimum d’amortissement pour le système sans PSS est de 0.0305, l’amélioration portée par l’hybridation AG-TS est d’environ 86 % et de 77 % par PSOTS. Figure 23. Comparaison des valeurs propres 5.5. Comparaison entre les pics et le temps d’atténuation 111 Reference source not found.. ELECTROTEHNICĂ, ELECTRONICĂ, AUTOMATICĂ (EEA), vol. 64 (2016), nr. 3 112 Charge faible G1 Charge Nominale Charge forte Charge faible G2 Charge Nominale Charge forte Charge faible G3 Charge Nominale Charge forte Figure 24. Déviation de vitesse pour différentes charges et générateurs L’analyse du premier pic permet de savoir la rapidité de réponse du PSS, permettant aussi le maintien de la stabilité face au premier choc, un pic important risque de faire diverger le système. D’après les résultats récapitulés dans la Error! Reference source not found., on peut constater que les deux hybridations ont prouvé leurs performances d’optimisation des paramètres des PSSs, de même, on a constaté la robustesse des deux PSSs hybrides vis-à-vis à une grande perturbation. Tableau 6. Analyse des pics et le temps d’atténuation Pic G1 G2 G3 1er *10-3 2ème*10-3 Pic-pic Temps d’atténuation 1er *10-3 2ème*10-3 Pic-pic Temps d’atténuation 1er *10-3 2ème*10-3 Pic-pic Charge faible Sans Hybridation PSS (pu) PSO (pu) Hybridation GA (pu) Charge nominale Sans Hybridation PSS (pu) PSO (pu) 2.42 -0.8 3,22 3.17 Hybridatio n GA (pu) 2.38 -2.47 4,85 5.45 Charge forte Sans Hybridatio PSS (pu) n PSO (pu) 4.33 3.70 +0.22 -1.30 4,11 5 -3.4 Hybridatio n GA (pu) 3.70 -2.04 5,74 6.31 1.00 -0.48 1,48 -- 0.91 -0.54 1,45 2.53 0.85 -0.79 1,64 4.36 2.60 -0.80 3,4 -- 1.88 -0.80 2,68 -- 1.88 -0.60 2,48 3.35 1.88 -0.39 2.27 4.00 4.46 -2.39 6,85 -- 4.90 -1.18 6,08 2.64 4.90 -0.93 5,83 4.8 5.85 -0.68 6,53 -- 5.38 +0.48 4,9 2.6 5.38 -0.36 5,74 2.6 2.02 -1.01 3,03 2.00 -0.63 2,63 2.00 -0.45 2,45 4.9 -2.1 7 5.4 -0.09 5,49 5.4 -0.4 5,8 8.25 -2.19 10,44 7.5 +0.62 6,88 7.5 +0.1 7,4 ELECTROTEHNICĂ, ELECTRONICĂ, AUTOMATICĂ (EEA), vol. 64 (2016), nr. 3 Pic Temps d’atténuation Charge faible Sans Hybridation PSS (pu) PSO (pu) Hybridation GA (pu) Charge nominale Sans Hybridation PSS (pu) PSO (pu) -- 5.06 -- 3.26 Autre avantage, on a pu optimiser le nombre de PSS à placer au niveau des générateurs, ce qui est économique. En comparant les deux méthodes du point de vu pic-pic, la méthode PSO hybride prouve sa performance surtout au niveau du générateur 1 dépourvu d’un PSS, pour les faibles et les fortes charges la méthode hybride GA, présente les mêmes performances au niveau des générateurs 2 et 3 menus de PSSs. 2.17 [6] [7] [8] 6. Conclusions Dans cette étude, on a présenté deux hybridations métaheuristiques GA-TS et PSO-TS appliquées à l’optimisation globale des paramètres des PSSs afin de trouver le meilleur amortissement rotorique. L’étude a été faite sur un système mutimachine WSCC, sous trois différentes charges, les résultats de simulation ont prouvé la performance et la robustesse des deux méthodes, pour le maintien de la stabilité globale du système de puissance. Une étude comparative entre les deux méthodes proposées nous a amené à conclure que les deux propositions présentent un avantage certain, surtout la diminution du temps de calcul, l’amélioration de la fonction objective et l’atténuation des amplitudes des pics. D’autre part, si on veut qualifier la méthode pour la simplicité de son implémentation et la réduction du temps de calcul, on choisit la méthode hybride PSO. Par contre l’algorithme génétique hybride prouve ces performances pour l’amélioration de la fonction objective, et l’augmentation de la stabilité globale du système par leur aptitude de déplacer au mieux les pôles du système vers la gauche des axes des réelles, mais son inconvénient, c’est sa consommation du temps de calcul. Surtout si, on veut donner beaucoup de finesse aux résultats. D’une façon générale, on ne peut dire qu’une méthode est meilleure que l’autre, chaque méthode présente ces avantages et ces inconvénients, il y a un compromis entre le temps de calcul, l’amélioration de la fonction objective et la simplicité d’implémentation, mais on a remarqué que l’hybridation a un avantage certain sur les méthodes sans hybridation, cela ouvre alors l’espace à la recherche de tenter d’autres hybridations. [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] 7. References [22] [1] C. C. DeMello, Francisco.P, "Concepts of synchronous machines stability as affected by excitation control", IEEE Trans. on Power Apparatus and Systems, April 1969. [2] H. N. DUC, Amélioration de l’amortissement des oscillations de puissance du réseau électrique avec les dispositifs facts et les mesures à distance, École De Technologie Supérieure Université Du Québec, Montréal, Janvier 2011. [3] M. Gibbard, P. Pourbeik and D. Vowles, Small-Signal Stability, Control and Dynamic Performance of Power Systems, Adelaide: University of Adelaide Press, 2015. [4] D. S. E.V. Larsen, "Applying Power System Stabilizers Part I: General Concepts," IEEE Transactions on Power Apparatus and Systems, Vol. PAS-100, No. 6, June 1981. [5] Mekhanet Med, Amortissement des oscillations électromécaniques d’un réseau electrique par des psss neuro- [23] [24] [25] [26] [27] Charge forte Hybridatio Sans Hybridatio n PSS (pu) n GA (pu) PSO (pu) 5.6 -3.5 113 Hybridatio n GA (pu) 3.5 génétiques et neuro-flou- génétiques, Université Amar Telidji, Laghouat, Algerie, 2007. Â. Mendonça and J. A. Peças Lopes, "Robust Tuning of PSS in Power Systems with Different Operating Conditions," in IEEE Bologna Power Tech Conference, Bologna, Italy, 2003. M. S. T, R. A, F. m. K, H. S, G. P. S and S. S, "A Power System Stabilizer for Multi Machine-Based on Hybrid BF0A-PSO," International Journal of Electrical and Computer Engineering (IJECE), vol. 5, no. 2, pp. 213-220, 2015. ANDREOIU, On Power System Stabilizers: Genetic Algorithm Based Tuning and Economic, thesis for the degree of doctor of philosophy, Göteborg, Sweden: Department of Electric Power Engineering Chalmers, 2004. T. CUTSEM, Systèmes Electriques de Puissance, Université de Liege, Belgique, 2002. D. Jovcic and G. Pillai, "Analytical Modeling of TCSC Dynamics," IEEE Trans.on Power Delivery, vol. 20, no. 2, pp. 1097-1104., 2005. J. I. Corcau and E. Stoenescu, "Fuzzy logic controller as a power system stabilizer," International Journal of Circuits, Systems and Signal Processing, vol. 1, no. 3, pp. 266-273, 2007. A. Murdoch, V. S., R. Lawson and P. W., "Integral of Accelerating Power Type PSS part 2 - Field Testing and Performance Verification," IEEE Transactions on Energy Conversion, vol. 14, no. 4, p. 1664–1672, 1999. M. Mekhanet, L. Mokrani and M. Lahdeb, "Comparison between Three Metaheuristics Applied to Robust Power System Stabilizer Design," Acta Electrotehnica, Cluj-Napoca, Romania, January 11, 2012. N. MARCO-BLASZKA and J.-A. DÉSIDÉRI, "Numerical solution of optimization test-cases by genetic algorithms," INRIA RR-3622, 1999. M. LAHDEB, Théorie et applications de méthodes d’hybridations Métaheuristiques dans les réseaux, Laghouat : Université Amar Tledji , 2007. C. BONTEMPS, Principes Mathématiques et Utilisation des Algorithmes Génétiques, 1995. A. Layeb, Intoduction aux métaheuristiques, 2009. S. M. S. H. Douir, Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques, Université Mohammed V, Faculté des Sciences, Rabat. M. BOMBRUN and A. SENE, L’optimisation par essaim particulaire pour des problèmes d’ordonnancement, Institut Supérieur d’Informatique de Modélisation et de leurs Applications, AUBIERE, 2011. Y. Cooren, Perfectionnement d'un algorithme adaptatif d'optimisation par Essaim Particulaire. Applications en génie médical et en électronique, Paris : Université Val de Marne, 2008. P. Gonçalo, Particle Swarm Optimization, INESC-ID and Instituto Superior Técnico, Porto Salvo, Portugal, 2011. F. Glover, "Tabu search part I," ORSA. Journal of Computing, vol. 1, pp. 190-206, 1989. F. Glover, "Tabu search part II," ORSA. Journal of Computing, vol. 2, pp. 4-32, 1990. C. COTTA and J. J. Troya, "Embedding branch and bound within evolutionary algorithms," Kluwer Academic Publishers. Manufactured in The Netherlands, vol. 18, no. 2, p. 137–153, March-April 2003. D. Duvivier, Étude de l'hybridation des métaheuristiques, application à un problème d'ordonnancement de type jobsho, Université du Littoral, Laboratoire d'Informatique du Littoral, Côte d’Opale, 2000. J. Puchinger and R. R. Günther, "Combining Metaheuristics and Exact Algorithms in Combinatorial Optimization:A Survey and Classification," Springer-Verlag Berlin Heidelberg IWINAC, p. 41– 53, 2005. A. Karray, Contribution a l’ordonnancement d’ateliers agroalimentaires en utilisant des methodes d’optimisation 114 ELECTROTEHNICĂ, ELECTRONICĂ, AUTOMATICĂ (EEA), vol. 64 (2016), nr. 3 hybrides, Tunis : Ecole Centrale de Lille et l’Ecole Nationale d’Ingénieurs de Tunis, 2011. [28] M. Lahdeb, S. Arif and A. Hellal, Hybridation Intégrative OEP/RS Appliquée à l’Ecoulement Optimal de la Puissance Réactive, 2011. [Online]. 8. Biography Mohammed MEKHANET was born in Laghouat (Algeria), on November 10, 1961. He obtained his Electrical Engineering diploma in 1987, at Polytechnic National School of Algiers, Algeria, and his Magister in Electric Power System Laghouat University Algiers, Algeria, in 2007. In 2007, he joined the Electrical Engineering Department of Laghouat University, Algeria, as Assistant Lecturer. He is also a Team Member of ‘‘Power System Optimization and Control” research group of LACoSERE Laboratory, Laghouat University, Algeria. His research interests include Optimization Problems in Electric Power Systems, Power System Stabilizer, and Optimization Techniques. Correspondence address: LACoSERE Laboratory, Electrical Engineering Department, Amar Telidji University of Laghouat, Algeria; e-mail: [email protected] Salem ARIF was born in Ouargla, Algeria, in 1968. He obtained his Electrical Engineering diploma in 1992, his Magister and Ph.D degrees in Electric Power System at polytechnic National School of Algiers, Algeria, in 1995 and 2008 respectively. In 1998, he joined the Electrical Engineering Department, Laghouat University, Algeria, as an Assistant Lecturer. Since March 2010, he is an Assistant Professor at the same Department. He is also a Team Leader of ‘‘Power System Optimization and Control” research group of LACoSERE Laboratory, Laghouat University, Algeria. His research interests include Planning and Optimization Problems in Electric Power Systems, Reactive Power Static Compensators, and Optimization Techniques. Correspondence address: LACoSERE Laboratory, Electrical Engineering Department, Amar Telidji University of Laghouat, Algeria; e-mail : [email protected] Lakhdar MOKRANI was born in Batna, Algeria, in 1970. He obtained his engineer and Ph.D. degrees in electrical engineering, in 1994 and 2005 respectively from Batna University, Algeria. In 1997, he joined the Electrical Engineering Department of Laghouat University, Algeria, as Assistant Lecturer. Since December 2005, he is an Assistant Professor at the same department. He is also a Team Leader of ‘‘Control and Energy Management of Electric Systems” research group in the LACoSERE laboratory, Laghouat University, Algeria. Since 2012, he is a Professor at the same Department. His main research area includes Modeling and CAD of Electric Machines, Electric Drives Control and Renewable Energy Systems Control and Management. Correspondence address: LACoSERE Laboratory, Electrical Engineering Department, Amar Telidji University of Laghouat, Algeria; e-mail : [email protected]