Amélioration de l’algorithme de load flow

Company:  Artelys
Location: Paris
Closing Date: 04/12/2024
Salary: £60 - £80 Per Annum
Type: Temporary
Job Requirements / Description
La résolution d’un problème de load flow utilise généralement un algorithme de Newton Raphson pour résoudre un système d’équations non linéaires. Cette approche a deux limites :Les comportements d'appareils électriques plus complexes sont modélisés par des boucles externes faisant appel à plusieurs algorithmes de Newton Raphson.Lorsque l'algorithme ne converge pas, il n'est accompagné d'aucune preuve d'infaisabilité et de peu d'informations sur l'origine de la divergence.En transformant le problème en un flux de puissance optimal (OPF), avec l'introduction de variables binaires et d’écarts bien choisis, il est possible de s'attaquer à ces limites.Le stagiaire concevra et implémentera deux nouveaux modèles pour le solveur OPF existant en utilisant Artelys Knitro, le principal solveur d'optimisation non linéaire.Le premier modèle traitera le comportement de plusieurs types d'appareils en les intégrant dans le problème d'optimisation avec des contraintes et des variables binaires.Le second modèle utilisera des variables d’écart et une fonction objective pour donner plus de robustesse et aider à comprendre les non-convergences.Exigences :Le candidat doit être en dernière année de master en informatique et/ou mathématiques appliquées et/ou systèmes électriques et/ou recherche opérationnelle.Compétences requises :Optimisation mathématiqueProgrammation en JavaCompétences appréciées :Systèmes électriquesMaîtrise du français #J-18808-Ljbffr
Apply Now
Share this job
Artelys
  • Similar Jobs

  • Algorithme robuste de load flow

    Paris
    View Job
  • Robust load flow algorithm

    Paris
    View Job
  • Load flow algorithm improvements

    Paris
    View Job
  • Robust load flow algorithm

    Paris
    View Job
  • Load flow algorithm improvements

    Paris
    View Job
An unhandled exception has occurred. See browser dev tools for details. Reload 🗙