The 11 reference contexts in paper A. Karpenko P., I. Kuzmina A., А. Карпенко П., И. Кузьмина А. (2016) “Методы решения задачи перспективного развития распределительной городской сети электроснабжения // Problem-Solving Methods for the Prospective Development of Urban Power Distribution Network” / spz:neicon:technomag:y:2014:i:0:p:292-307

  1. Start
    1754
    Prefix
    Задачу перспективного развития электросети (ПРЭ) рассматриваем как задачу определения путей ее оптимального развития с точки зрения конфигурации, загрузки оборудования, параметров и т. д. В работе
    Exact
    [1]
    Suffix
    нами выполнен обзор отечественных и зарубежных программных систем автоматизированного проектирования городских электросетей. Показано, что в силу различий российских и иностранных норм и стандартов в области проектирования городских распределительных электросетей, для решения задач ПРЭ не могут быть использованы зарубежные программные системы.
    (check this in PDF content)

  2. Start
    2439
    Prefix
    Отечественные программные системы не поддерживают решение этих задач или поддерживают их в недостаточной мере. Таким образом, актуальной является задача разработки отечественного методического, алгоритмического и программного обеспечения задачи ПРЭ. В работе
    Exact
    [1]
    Suffix
    также представлена разработанная авторами математическая модель распределительной городской электросети с учётом её перспективного развития. На основе этой модели в той же работе поставлена задача оптимизации ПРЭ в виде задачи многокритериальной структурно-параметрической оптимизации.
    (check this in PDF content)

  3. Start
    3334
    Prefix
    В той же работе обосновано представление этой задачи в виде задачи дискретного программирования на основе дискретной аппроксимации возможных областей строительства новых трансформаторных и распределительных подстанций. Указанная задача дискретного программирования относится к классу NP-сложных
    Exact
    [2]
    Suffix
    . Решение задач данного класса производят точными и приближенными методами. Точное решение задачи в практически значимых задачах ПРЭ требует неприемлемо высоких вычислительных затрат в силу высокой размерности вектора варьируемых параметров и большой мощности множества допустимых значений этого вектора [3, 4].
    (check this in PDF content)

  4. Start
    3665
    Prefix
    Точное решение задачи в практически значимых задачах ПРЭ требует неприемлемо высоких вычислительных затрат в силу высокой размерности вектора варьируемых параметров и большой мощности множества допустимых значений этого вектора
    Exact
    [3, 4]
    Suffix
    . Приближенные методы не гарантируют получение оптимального решения задачи, но обеспечивают получение эффективного (полиномиально сложного) решения, разумно близкого к оптимальному [5, 6].
    (check this in PDF content)

  5. Start
    3866
    Prefix
    ПРЭ требует неприемлемо высоких вычислительных затрат в силу высокой размерности вектора варьируемых параметров и большой мощности множества допустимых значений этого вектора [3, 4]. Приближенные методы не гарантируют получение оптимального решения задачи, но обеспечивают получение эффективного (полиномиально сложного) решения, разумно близкого к оптимальному
    Exact
    [5, 6]
    Suffix
    . Классификация приближенных методов решения задачи дискретного программирования представлена, например, в работе [7]. Данная работа является продолжением работы [1]. Целью работы является разработка методов решения задачи оптимизации ПРЭ.
    (check this in PDF content)

  6. Start
    3986
    Prefix
    Приближенные методы не гарантируют получение оптимального решения задачи, но обеспечивают получение эффективного (полиномиально сложного) решения, разумно близкого к оптимальному [5, 6]. Классификация приближенных методов решения задачи дискретного программирования представлена, например, в работе
    Exact
    [7]
    Suffix
    . Данная работа является продолжением работы [1]. Целью работы является разработка методов решения задачи оптимизации ПРЭ. Соответствующие алгоритмы и программное обеспечение составят предмет самостоятельных публикаций.
    (check this in PDF content)

  7. Start
    4038
    Prefix
    Приближенные методы не гарантируют получение оптимального решения задачи, но обеспечивают получение эффективного (полиномиально сложного) решения, разумно близкого к оптимальному [5, 6]. Классификация приближенных методов решения задачи дискретного программирования представлена, например, в работе [7]. Данная работа является продолжением работы
    Exact
    [1]
    Suffix
    . Целью работы является разработка методов решения задачи оптимизации ПРЭ. Соответствующие алгоритмы и программное обеспечение составят предмет самостоятельных публикаций. В первом разделе работы приводим постановку задачи ПРЭ в виде задачи дискретного программирования.
    (check this in PDF content)

  8. Start
    8056
    Prefix
    Выделяем базовые (обязательные) ограничения ( ) 0XWX и пользовательские ограничения ( ) 0UWX, которые определяют области допустимых значений вектора варьируемых параметров ХD, UD соответственно
    Exact
    [1]
    Suffix
    . Определены частные критерии оптимальности вида 12,,,,( )( ),( ), ...,( ) , TRCL Z AZAAAXZ Xz Xz XzХ на первые ZZ которых наложены критериальные ограничения вида zi()iiz Xz, 1...iZ, где , iizz – минимальное и максимальное допустимые значения i-го критерия оптимальности соответственно.
    (check this in PDF content)

  9. Start
    9967
    Prefix
    Метод редукции к совокупности вложенных задач глобальной минимизации Представим вектор варьируемых параметров задачи (3) в виде  X123,,XXX , где  X1ˆˆ,,, TRHHTR , XN2С , XN3T . В этих обозначениях решение задачи (3) эквивалентно решению совокупности вложенных задач оптимизации меньшей размерности
    Exact
    [8, 9]
    Suffix
    :    121312, minminminmin * XDXDXD XXD XX z XzХ  . (4) Здесь  DX1 – подобласть области D, соответствующая фиксированным значениям компонентов вектора 1X; 12,D XX – аналогичная подобласть D при фиксированных значениях компонентов векторов 1 X, X2 .
    (check this in PDF content)

  10. Start
    11460
    Prefix
    Схема метода редукции к совокупности вложенных задач глобальной минимизации: t – номер итерации Для решения подзадач 1 – 3 могут быть использованы, вообще говоря, различные алгоритмы дискретной оптимизации и различные условия окончания итераций
    Exact
    [10, 11]
    Suffix
    . 3. Метод декомпозиции 3.1. Схема метода Метод предполагает разбиение задачи (3) на подзадачи 1 – 3 и задачу координации (рис. 2). Координацию подзадач 1 – 3 осуществляем с помощью вектора координирующих (лимитирующих и стимулирующих) параметров  limst Si,1... siSSS, (5) где is – i-й параметр; lim S, st S – подвекторы параметров лимитирующей и стимулирующей координации
    (check this in PDF content)

  11. Start
    11891
    Prefix
    Координацию подзадач 1 – 3 осуществляем с помощью вектора координирующих (лимитирующих и стимулирующих) параметров  limst Si,1... siSSS, (5) где is – i-й параметр; lim S, st S – подвекторы параметров лимитирующей и стимулирующей координации соответственно
    Exact
    [12, 13]
    Suffix
    . Рис. 2. Схема метода декомпозиции Лимитирующую координацию реализуем с помощью системы дополнительных ограничений вида  limlim WS,,0,1... iSX SW X SiW , которые определяют область допустимых значений вектора варьируемых параметров  ,0lim DSSX WX S.
    (check this in PDF content)