Evolutionäre Mehrzieloptimierung von Micro Grids (Wanitschke 2015)
Alexander Wanitschke
Eine neue Simulationsumgebung namens SMOOTH (Simulation Model for Optimized Operation and Topology of Hybrid energy systems) wird am RLI als Optimierungswerkzeug zur Kostenminimierung bzw. Maximierung der Nachhaltigkeit entwickelt. Es wurde festgestellt, dass evolutionäre Algorithmen (EA) zu den nützlichsten und vielversprechendsten Methoden für das Design hybrider Energiesysteme gehören, so dass sie als prinzipieller Optimierungsansatz für SMOOTH ausgewählt wurden. Während bestehende EAs für die Optimierung hybrider Energiesysteme in der Lage sind, einige der Eigenschaften von SMOOTH zu berücksichtigen, kann keine von ihnen alle Eigenschaften gleichzeitig behandeln. Daher war es notwendig, einen neuen multiobjektiven evolutionären Algorithmus (MOEA) zu komponieren, um die Anforderungen von SMOOTH zu erfüllen.
Diskussion
Bisherige und aktuelle Forschungen auf dem Gebiet der evolutionären Optimierung wurden im Hinblick auf die Anforderungen des in SMOOTH formulierten Optimierungsproblems überprüft, so dass für jeden der drei Hauptschritte in der EA-Heuristik (Rekombination, Mutation und Selektion) zwei Kandidaten-Subroutinen identifiziert werden konnten, zusammen mit einem neu entwickelten Ansatz zur Beschleunigung der Konvergenz des Optimierungsprozesses, Schwanzband genannt. Zum Vergleich wurde ein bikriterielles Testproblem mit den Eigenschaften von SMOOTH formuliert. Um den semi-stochastischen Charakter von EAs zu kompensieren, wurde eine ausreichende Anzahl von Optimierungsläufen durchgeführt, so dass die Algorithmusvarianten mit statistischer Signifikanz hinsichtlich des endgültigen Optimierungserfolgs, der Konvergenzgeschwindigkeit, des Umfangs der Constraint-Verletzungen und der Diversität innerhalb der Lösungspopulation des MOEA verglichen werden konnten.
Schlussfolgerungen und Ausblick
Die als überlegen identifizierte Algorithmusvariante namens SMOOTH-MOEA zeigte ein effektives und zuverlässiges Optimierungsverhalten für das Testproblem. Es konvergierte die Lösung zu einer vernünftigen Kompromisskurve zwischen den Zielen der minimierten Stromgestehungskosten und der maximierten SSR, während die Einschränkungen in 98 % der Fälle erfüllt wurden. Aufgrund seiner Auswahlunterroutine erwies sich SMOOTH-MOEA als hochgradig parallelisierbar und verteilte die Auswertungen der Optimierungsfunktionen auf separate Arbeiter mit einem parallelen Wirkungsgrad von über 80%. Es ist davon auszugehen, dass SMOOTH-MOEA ein geeigneter Optimierungsansatz für jedes Mehrzieloptimierungsproblem mit den gleichen oder ähnlichen Eigenschaften wie SMOOTH ist. Seine Parallelisierbarkeit ermöglicht es, die Optimierungszeit um einen Faktor in der Größenordnung der Anzahl der verfügbaren Arbeiter zu reduzieren.