نویسندگان
1 دانش آموختۀ کارشناسیارشد، گروه مهندسی برق قدرت- دانشگاه آزاد اسلامی واحد دزفول – دزفول - ایران
2 استادیار، گروه مهندسی برق قدرت- دانشگاه آزاد اسلامی واحد دزفول – دزفول - ایران
چکیده
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
The production of electric energy for power systems with the goal of minimizing the total production cost for existing active units in the power network is one of the most important issues of modern systems. In other words, the purpose of economic dispatching is proper and optimized planning for production units, by taking into account the existing nonlinear factors and limitations in the power network and manufacturing units. The issue of economic dispatch is a challenging, non-linear, and non-convex optimization problem, which due to its intricate characteristics, heuristic algorithms are utilized as the resolution. In this paper, the issue of economic dispatch has become an optimization issue considering non-linear constraints and it has been solved using learning backtracking search algorithm (LBSA). The proposed algorithm is hybrid of backtracking search algorithm (BSA) and teaching-learning based optimization (TLBO). In order to evaluate the efficiency of the proposed algorithm, two test systems are used as case studies and the obtained results are compared to that of other algorithms in the literature. Based on numerical results, the LBSA algorithm is capable of offering better solutions and, in some cases, solutions identical to other reported methods regarding the fuel cost.
کلیدواژه‌ها [English]
در دهههای اخیر یکی از مهم‌ترین منابع تولید برق، مربوط به واحدهای حرارتی بوده است. منابع اصلی تأمین این نیروگاه‌ها استفاده از سوختهای فسیلی است؛ اما با توجه به فناپذیری و همچنین میزان آلایندگی و هزینۀ زیاد استفاده از آنها پژوهشگران را در پی کشف روشهایی برای بهینه‌کردن استفاده از این سوختهای فسیلی وا‌داشت ]1[. در ابتدا هزینۀ سوخت، متغیر اصلی در توزیع اقتصادی در نظر گرفته می‌شد و با گسترش قوانین زیست‌محیطی، انتشار آلایندهها بخشی از هزینه برای توزیع اقتصادی شد. سپس توزیع اقتصادی، مشکل چندمنظوره برای به حداقل‌رساندن هزینه و انتشار آلایندهها شد ]2[.
هزینه تولید، به‌ویژه در نیروگاه‌های حرارتی، بیش‌ازحد است؛ بنابراین برنامه‌ریزی مناسب خروجی واحدهای نیروگاهی به صرفه‌جویی در هزینه‌های عملیاتی کمک چشمگیری می‌کند ]3[. بهره‌برداری مناسب از سیستم قدرت، برای برگشت سود سرمایهگذاری، بسیار مهم است و هزینههایی که ارگانهای دولتی تعیین میکنند و همچنین اهمیت صرفه‌جویی در سوخت و هزینه آن، شرکتهای برق را برای به دست آوردن حداکثر بازدهی ممکن، وادار می‌کند ]4[.
این مقاله به دنبال کم‌کردن هزینۀ سوخت تولید نیروگاه‌های حرارتی با استفاده از مسئلۀ توزیع اقتصادی است. در سال‌های گذشته، تکنیک‌های بهینه‌سازی زیادی برای پخش بار اقتصادی استفاده شدهاند. در برخی از این تکنیک‌ها از روش‌های بهینه‌سازی متعارف مانند روش تکرار لامبدا[1]، روش نقطۀ پایه و عوامل مشارکتی[2] و روش گرادیان[3] استفاده شده است ]6،5،1 [. روش‌های ذکرشده در ماهیت منحنی هزینه محدودیت‌هایی دارند. علاوه بر این، با توجه به وجود چند مینیمم نسبی در تابع هدف، مسائل نوسانی به وجود می‌آیند که زمان محاسباتی بیشتری نیاز دارند. برنامه‌نویسی پویا هیچ شرطی بر منحنی هزینه تحمیل نمی‌کند؛ اما مشکل، چندبعدی‌بودن تابع هزینه است که اعمال این روشها به سیستم‌های بزرگ، به زمان محاسباتی بیشتری منجر می‌شود ]3[.
در دهه گذشته متدهای ابتکاری بسیاری با استفاده از هوش مصنوعی برای حل مشکل پیچیده توزیع نیرو به کار رفته است؛ ازجمله الگوریتم‌های بهینه‌سازی ژنتیک[4] (GA) ]7[، انتشار ذرات[5] ]2[، کلونی زنبورعسل[6] (ABC) ]8،9[، ازدحام ذرات[7](PSO) ]10[، کرم شبتاب[8] (FA) ]11[، کلونی مورچهها[9] (ACO) ]12[، خفاش بی‌نظم[10] ]13[. برای بهبود کارایی جستجوی این متدها، تعدادی الگوریتم تغییر داده شده که از مدل اصلی آنها مشتق شدهاند نیز پیشنهاد شده است که الگوریتم‌های بهینه‌سازی ژنتیک بهبودیافته[11] ]14[، روش تکامل‌یافتۀ ازدحام ذرات[12] ( ) ]3[، کلونی زنبورعسل مصنوعی بهبودیافته[13] ]4[ را شامل می‌شوند. این تکنیک‌های مدرن با محدودیت‌هایی در فرم منحنی هزینه مواجه نیستند؛ اما پارامترهای وابسته زیادی دارند که باید به‌درستی تعیین شوند.
الگوریتم جستجوی عقب‌گرد یا ردیابی بازگشتی[14] (BSA) ]15[، الگوریتم تکاملی[15] (EA) است که برای حل مسائل بهینه‌سازی استفاده می‌شود. ساختار این الگوریتم ساده است و تنها یک پارامتر کنترلی دارد که باید تعیین شود. برای بهبود عملکرد همگرایی و گسترش دامنۀ استفاده از آن، با الگوریتم آموزش و یادگیری[16] (TLBO) ]16[ ترکیب شد و الگوریتم جدیدی به نام الگوریتم بهینه‌سازی یادگیری ردیابی بازگشتی[17] (LBSA) ]17[ به دست آمد که اساس بهینه‌سازی در این مقاله است.
در دنیای امروز و در مراکز تولید، پخش بار اقتصادی، مهم‌ترین هدف توزیع انرژی بوده است و نقش مهمی در عملکرد اقتصادی سیستم قدرت دارد. در صنعت، زمانی که ژنراتورهای دارای بارهای مختلف، به‌هم‌پیوسته شوند، ظرفیت تولیدی آنها بسیار بزرگ‌تر از بارها می‌شود؛ به همین دلیل، اختصاص‌دادن بار برای ژنراتورها میتواند متنوع شود و به سبب اینکه کاهش هزینۀ تولید برق مهم است، تقسیم بار اقتصادی، مدنظر قرار میگیرد.
هزینۀ سوخت، بیشتر هزینۀ تولید در نیروگاه‌ها را به خود اختصاص می‌دهد. سایر هزینه‌ها مانند هزینۀ کار، تعمیر و نگهداری، عوامل اقتصادی‌اند؛ درنتیجه، متخصصان توزیع انرژی باید کنترل تولید نیروگاه‌ها را برای کم‌کردن هزینه به دست گیرند که در این صورت مسئلۀ پخش بار اقتصادی به‌عنوان مسئلۀ بهینه‌سازی، شامل تابع هدف و قیود، بیان می‌شود ]3،2[.
در این مقاله برای حل مسئلۀ پخش بار اقتصادی برای اولین بار از الگوریتم بهینه‌سازی یادگیری ردیابی بازگشتی (LBSA) استفاده شد. ابتدا به بیان مسئلۀ پخش بار اقتصادی و فرمول‌بندی آن پرداخته و در ادامه، الگوریتم بهینه‌سازی یادگیری ردیابی بازگشتی (LBSA) و شیوۀ کار آن بررسی شده است. سپس با استفاده از این الگوریتم مسئلۀ پخش بار اقتصادی، برای سیستم‌های آزمایشیِ ذکرشده، حل شده است و نتایج حاصل، تحلیل و بررسی و با نتایج حاصل از سایر الگوریتم‌ها، مقایسه و نتیجه‌گیری شدهاند.
پخش بار اقتصادی در مراکز مدرن کنترل انرژی و به‌منظور تعیین توان بهینه واحدهای تولیدی، یکی از مسائل مهم در بهره‌برداری از سیستم‌های قدرت است. با توجه به بازۀ زمانی، دو نوع پخش بار اقتصادی معرفی می‌شود: پخش بار اقتصادی استاتیکی که در آن برای یک میزان بار مشخص و در یک بازۀ زمانی، مسئله را به‌صورت بهینه حل می‌کند و پخش بار اقتصادی دینامیکی که مسئله را برای میزان بارهای مختلف و در چندین بازۀ زمانی بررسی می‌کند. بدیهی است فرایند محاسبات در پخش بار دینامیکی، پیچیده‌تر از حالت استاتیکی است؛ اما نتایج محاسبات آن تطابق بیشتری با نیازهای واقعی سیستم قدرت دارد ]18[. پخش بار اقتصادی دینامیکی، مسئلۀ بهینه‌سازی برای تعیین برنامۀ زمانبندی توان خروجی واقعی واحدهای تولید، با در نظر گرفتن تعادل توان واقعی با بار مصرفی و همچنین محدودیت‌های خروجی ژنراتورها است.
تورم سالانه و افزایش قیمت مواد سوختی باعث می‌شود همواره به بهره‌برداری مناسب از سیستم‌های تولید انرژی الکتریکی توجه شود ]1[. هدف از توزیع اقتصادی، به حداقل رساندن مجموع هزینۀ تولید سیستم قدرت در یک بازۀ زمانی تعریف‌شده (معمولاً 1 ساعت) است؛ درحالی‌که محدودیت‌های عملیاتی سیستم قدرت رعایت شود؛ بنابراین، می‌توان این هزینه را به‌صورت ریاضی، مانند یک مسئلۀ بهینه‌سازی با تابع هدف و دو محدودیت (معادله و نامعادله) فرمول‌بندی کرد ]3[.
عامل اصلی در توزیع اقتصادی بار، تابع هزینۀ ژنراتورها است و هزینه‌های دیگر به‌صورت درصد ثابتی از هزینۀ سوخت در نظر گرفته می‌شوند. بدیهی است تابع هزینه، تنها برای نیروگاه‌های حرارتی مفهوم دارد.
معمولاً تابع هزینۀ سوخت برای مشخص‌کردن توان تولیدی در یک نیروگاه را با تقریب مناسب، با تابع درجه 2 مشخص می‌شود؛ درنتیجه، برای تولید انرژی الکتریکی ( ) در نیروگاه ام، هزینه‌ای بهدست می‌آید که با مشخص میکنند. واضح است که هزینۀ کل سیستم، برابر با مجموع هزینه‌های همه واحدها است. در این صورت، مسئلۀ توزیع اقتصادی بار به‌صورت رابطه (1) تعریف خواهد شد:
|
(1) |
|
|
(2) |
در این رابطه هزینۀ سوخت کل نیروگاه، ، و ضرایب مربوط به هزینۀ واحد نیروگاهی ام و تعداد نیروگاه‌های سوخت فسیلی موجود در شبکه است.
در تحلیل پخش بار اقتصادی، با ایجاد تغییر در توان تولیدی هر یک از نیروگاه‌ها، باید روشی را انتخاب کرد که تابع هزینۀ ارائه‌شده به‌صورت رابطه (2) مینیمم شود ]19[.
مجموع هزینۀ تولید معمولاً با همان تابع درجه دوم از توان خروجی واحد تولیدی تقریب زده می‌شود. ازطرفی معمولاً در پخش بار اقتصادی تابع هزینه دارای نقاط زانویی مشتق‌ناپذیر است ]19[ که به دلیل در نظر گرفتن بارگذاری نقطۀ دریچه (تخلیه) ]3[ و یا در نظر گرفتن اثرات موقعیت شیر ورودی ]4[، تابع هزینۀ نیروگاه را به‌صورت حاصل جمع تابع هزینه درجه 2 و قدر مطلق تابع سینوسی در نظر میگیرند.
در این مقاله، مدل والتر- شب ]20[ برای نشان‌دادن این خاصیت‌ها استفاده می‌شود؛ بنابراین، تابع هزینه اصلاح و تابع سینوسی تصحیح‌شده در تابع درجه دوم گنجانده می‌شوند. با توجه به این اثر، تابع هدف توزیع اقتصادی به‌عنوان یک مسئله بهینه‌سازی محدود به‌صورت رابطه ریاضی (3) توصیف می‌شود.
|
(3) |
|
|
(4) |
که و ضرایب مربوط به اثر شیر بخار ژنراتورها هستند. اگر بارگذاری نقطۀ دریچه یا شیر ورودی در نظر گرفته شود و به دنبال آن، واحد تولیدی تابع هزینه‌ای غیرصاف (غیریکنواخت) داشته باشد؛ برابر با یک و در غیر این صورت برابر صفر و تابع هزینۀ این واحد صاف (یکنواخت) است ]3[.
محدودیت‌هایی مانند تعادل توان یا محدودیت تقاضا را با عنوان محدودیت‌های معادله (تساوی) مشخص میکنند؛ به این صورت که مجموع توان تولیدی سیستم ( ) باید مانند رابطه (5) با حاصل جمع بارهای کل سیستم ( ) و تلفات ( ) برابر باشد ]3[.
|
(5) |
در این رابطه، تلفات خطوط بهوسیلۀ تابعی از توان حقیقی و ماتریس ضرایب B که فرمول تلفات Korn هستند، با استفاده از معادله (6) به دست می‌آید.
|
(6) |
که در آن پارامترهای ضرایب اتلاف نام دارند. این رابطه را به‌صورت برداری با رابطه (7) بیان می‌شود.
|
(7) |
ضرایب اتلاف را با ماتریس متقارن B نشان داده و بردار ستونی و ثابت اسکالر این ضرایب است ]21[.
شکل (1) تابع هزینۀ واحد حرارتی را با اثر شیر بخار و بدون اثر آن نشان می‌دهد.
شکل (1): تابع هزینۀ واحد حرارتی ]4[
محدودیت‌های نامعادله یا نامساوی شامل محدودیت ظرفیت تولید، محدودیت سرعت تولید، میزان‌های افزایشی کاهشی، منطقۀ عملیاتی ممنوع، محدودیت‌های قابلیت اطمینان و امنیت شبکه و ... است.
محدودیت ظرفیت تولید: قدرت خروجی هر ژنراتور باید بین محدودۀ خودش باشد؛ یعنی ازطرفی نباید بیشتر از مقدار نامی و از طرف دیگر، نباید کمتر از مقداری باشد که برای بهره‌برداری مناسب دیگ بخار لازم است؛ بنابراین، خروجی توان حقیقی هر ژنراتور، باید بین حد بالا و پایین مانند رابطه (8) باشد.
|
(8) |
که و کمترین و بیشترین تولید واحد i ام هستند. این حدود، علاوه بر اینکه ناشی از محدودیت‌های فنی هر واحد است، باعث می‌شوند واحدهای با هزینه کمتر، بیش از حداکثر توان مجاز خود و واحدهای با هزینه بیشتر، کمتر از حد مجاز خود تولید نداشته باشند ]18[.
محدودیت سرعت تولید: یکی از فرض‌های غیرعملی ساده‌سازی مسئله در بسیاری از پژوهش‌های قبلی، تنظیمات توان خروجی هم‌زمان است؛ اما در شرایط عملی، در خروجی واحد تولید، محدودیت دامنۀ (اندازه) تغییرات وجود دارد؛ بنابراین، خروجی ژنراتور باید بین حد بالا و پایین اندازه تغییرات باشد. اعمال این کران‌ها محدودیت عملکرد ژنراتور را به‌صورت رابطه (9) اصلاح می‌کند.
|
(9) |
که توان خروجی قبلی واحد i ام و میزان کاهشی[18] واحد است ]3[.
میزان‌های افزایشی کاهشی: نیروگاه‌های حرارتی به دلایل فنی نباید به‌صورت آنی توان خود را تغییر دهند و این افزایش یا کاهش باید با شیب ملایمی همراه باشد. به عبارت دیگر، هر نیروگاه محدودیت‌هایی در شیب تغییرات توان تولیدی خود دارد که تجاوز از این محدودیتها ایجاد خسارت به روتور و افزایش هزینۀ عملکرد را باعث می‌شود. در شرایط واقعی تغییر تولید در هر ساعت از شبانه روز نسبت به ساعت قبل محدودیت‌هایی دارد؛ یعنی محدودیت حداکثر افزایش و یا حداقل تولید در تحلیل سیستم، وارد و به شرایط واقعی نزدیک‌تر خواهد شد. این شرایط با رابطه (10) نشان داده شده است.
|
(10) |
که در آن و حداکثر افزایش و کاهش تولید نسبت به ساعت قبل نیروگاه i ام، تعداد نیروگاه‌ها و ساعتی از شبانه‌روز هستند ]19[.
منطقه عملیاتی ممنوعه: مناطق عملیاتی (کاری) ممنوعه ژنراتور مناطقی از توان خروجی‌اند که در آن، کارکرد ژنراتور با توجه به محدودیت‌های فیزیکی و یا ناپایداری محدود شده است. به سبب دشواربودن تعیین مناطق دقیق ممنوعه، معمولاً از کار در چنین مناطقی ممانعت به عمل می‌آید ]22[. مناطق عملیاتی مناسب واحد تولید در توزیع اقتصادی با رابطههای (11) به دست می‌آیند.
|
(11) |
که و به‌ترتیب مرزهای پایین و بالای مناطق ممنوعه، تعداد واحدهایی که در منطقه ممنوعه‌اند و شماره واحد i ام در منطقه ممنوعه است ]3[.
محدودیت‌های قابلیت اطمینان و امنیت شبکه: معیار قابلیت اطمینان و امنیت شبکه که محدودیت‌های فنی مسئلۀ توزیع بار اقتصادی‌اند، در حل مسئلۀ پخش بار اقتصادی گنجانده نمیشوند و بیشتر موارد، این محدودیتها در سایر مطالعات یا برنامه‌ریزی‌ها در نظر گرفته و توزیع اقتصادی بار بدون این محدودیتها حل می‌شود.
دبائوچن (Debaochen) و همکارانش، اولین بار در سال 2017 الگوریتم LBSA را برای حل مسائل ریاضی معرفی کردند که یک الگوریتم بهینه‌سازی تصادفی بر اساس جمعیت است و با استفاده از ترکیب دو روش بهینه‌سازی ردیابی بازگشتی (BSA) و آموزش و یادگیری (TLBO) ساخته شده است.
BSA الگوریتم تکاملی مبتنی بر جمعیت است. پنج مرحله از BSA به شرح زیرند و جزئیات بیشتر آن در مرجع ]15[ بیان شده است.
مقداردهی اولیه: جمعیت اولیه ( ) و تاریخچه جمعیت ( ) با توجه به رابطههای (12) مقداردهی می‌شوند که U توزیع یکنواخت است و و مرزهای پایین و بالای متغیرها بوده‌اند و i فرد i ام جمعیت است.
|
(12) |
گزینش 1: در هر تکرار، تاریخچه جمعیت ( ) با توجه به رابطه (13) معرفی می‌شود.
|
(13) |
جهش: فرم اولیه جمعیت آزمایشی با عملیات جهش از رابطه (14) و با استفاده از مزیت تجربیات نسل‌های قبلی و استفاده از ماتریس جستجوی جهت‌دار F تولید می‌شود. مقدار مشترک F برابر با 3•randn است.
|
(14) |
ترکیب: ماتریسی با داده‌های صحیح باینری (نگاشت)، مسیرهای ترکیب‌شده الگوریتم را با رابطۀ (15) هدایت می‌کند؛ به‌طوری‌که افرادی با برازش بهتر برای تکامل افراد جامعه هدف استفاده می‌شوند.
|
(15) |
گزینش 2: جمعیت نسل بعدی با توجه به مکانیسم گزینش حریصانه تولید می‌شود. طبق رابطه (16) اگر برازش نسبت به کوچک‌تر باشد، جایگزین می‌شود.
|
(16) |
الگوریتم TLBO نیز مبتنی بر جمعیت است که آموزش و یادگیری را تقلید می‌کند. دو مرحله اصلی آن عبارت‌اند از: مراحل آموزش‌دهنده و یادگیرنده. در الگوریتم پیشنهادی LBSA از این دو مرحله استفاده شده است. جزئیات بیشتر در مرجع ]16[ بیان شده است.
مرحله آموزش‌دهنده: آموزش‌دهنده دانش خود را برای همۀ یادگیرنده‌ها مانند رابطه (17) در گروه توزیع می‌کند.
|
(17) |
که و موقعیت‌های جدید و قبلی یادگیرنده i و rand(•) عددی تصادفی در بازۀ [0,1] است. ضریب آموزش ، مقدار میانگین را برای تغییر داده‌شدن تعیین می‌کند و به‌صورت ابتکاری روی 1 یا 2 تنظیم می‌شود که با احتمال برابر با رابطه (18) بیان می‌شود.
|
(18) |
مرحله یادگیرنده: در هر تکرار، یادگیرنده k ام به‌صورت تصادفی، هدف یادگیری، یادگیرنده i ام انتخاب می‌شود. روش یادگیری، یادگیرنده i ام به‌صورت ریاضی با رابطه (19) بیان می‌شود.
|
(19) |
|
که ، موقعیت جدید فرد i ام است و و ، موقعیت‌های پیشین i ام و k ام یادگیرنده‌ها هستند. علاوه بر این، اگر برازش نسبت به بهتر باشد، پذیرفته می‌شود.
برای بهبود توانایی الگوریتم LBSA، هدایتکنندهای، یادگیری بهترین فرد را در فرآیند جهش الگوریتم با رابطه (20) معرفی می‌کند.
|
(20) |
عملیات جهش اصلاح‌شده به‌صورت رابطۀ (21) خلاصه می‌شود:
|
اگر فرد i ام نسبت به فرد k ام بهتر باشد
در غیر این صورت
|
|
|
(21) |
|
از جامعه به‌صورت تصادفی انتخاب می‌شود و بعد از عملگر جهش به کار میرود. آموزش‌دهنده و بدترین فرد، بهترین و بدترین موقعیت از نسل حاضرند.
اجرای الگوریتم LBSA برای حل مسئلۀ پخش بار اقتصادی نشان داده شده در شکل (2) مراحل زیر را شامل می‌شود:
مقداردهی اولیه الگوریتم: در این مرحله تعداد جمعیت (PopSize) برابر با 50 نفر در نظر گرفته می‌شود. بُعد مسئله (DimSize)، تعداد ژنراتورهای سیستم مطالعه‌شده است و همچنین شمارندۀ تکرار الگوریتم معرفی می‌شود.
مقداردهی اولیه مسئله: حداقل و حداکثر توان ژنراتورها ( )، ضرایب تابع هزینه ( ، و ) و ضرایب اثر شیر بخار ( و )، مقداردهی می‌شوند.
تولید تصادفی جمعیت اولیه (Pop) و تاریخچه جمعیت (OldPop): به‌صورت تصادفی با اعدادی بین حداقل و حداکثر توان ژنراتورها ساخته می‌شود.
محاسبه اولیه: با توجه به روابط پخش بار اقتصادی حداکثر بار به‌دست‌آمده، هزینه و تلفات، محاسبه و به‌صورت ماتریس ذخیره می‌شود.
همان‌طور که در فلوچارت مشخص است مراحل انتخاب 1، جهش، ترکیب و انتخاب 2 با توجه به روابط ارائه‌شده انجام می‌شوند. پارامترهای کنترل‌کننده مربوط به الگوریتم در جدول (1) آورده شدهاند.
|
جدول (1): پارامترهای کنترل‌کننده الگوریتم LBSA |
|
|
پارامتر |
مقدار تنظیم شده |
|
iteration |
50 |
|
N |
50 |
|
map |
ماتریسی با ابعاد N • D و اعداد صفر و یک که مسیرهای ترکیب الگوریتم را هدایت می‌کند |
|
ضریب آموزش برای هدایت مقدار میانگین که به‌صورت ابتکاری روی 1 یا 2 تنظیم می‌شود |
|
شکل (2): فلوچارت اجرای LBSAبرای پخش بار اقتصادی
برای بررسی امکان‌پذیری و کارایی الگوریتم بهینه‌سازی پیشنهادی، حل مسئلۀ پخش بار اقتصادی، روی سیستم آزمایشی 6 واحده و سیستم 30-BUS IEEE، اصلاح و با در نظر گرفتن محدودیت‌های مختلف در MATLAB R2014a اجرا شده است.
سیستم شامل 30 شین، 46 خط انتقال و 6 واحد تولید حرارتی است که کل تقاضای بار سیستم برابر با 1263 مگاوات است. ضرایب تابع هزینه، حدود واحدهای تولیدی، میزان‌های افزایشی و کاهشی و نواحی ممنوعه سیستم در جداول (2،3) و شیوۀ اتصال شبکه و دیاگرام تک‌خطی برای این سیستم در شکل (3) نشان داده شدهاند ]13،22[.
شکل (3): دیاگرام تک‌خطی سیستم 6 نیروگاهی ]4[
جدول (2): ضرایب هزینه و حدود واحدها *]13،22[
|
Unit |
|||||
|
240 |
0/7 |
0070/0 |
500 |
100 |
1 |
|
200 |
0/10 |
0095/0 |
200 |
50 |
2 |
|
220 |
5/8 |
0090/0 |
300 |
80 |
3 |
|
200 |
0/11 |
0090/0 |
150 |
50 |
4 |
|
220 |
5/11 |
0080/0 |
200 |
50 |
5 |
|
190 |
0/12 |
0075/0 |
120 |
50 |
6 |
جدول (3): میزان افزایشی، کاهشی و نواحی ممنوع * ]13،22[
|
Prohibited Zones |
Unit |
|||
|
]380 350[ ]240 210[ |
120 |
80 |
440 |
1 |
|
]160 140[ ]110 90[ |
90 |
50 |
170 |
2 |
|
]240 210[ ]170 150[ |
100 |
65 |
200 |
3 |
|
]115 110[ ]90 80[ |
90 |
50 |
150 |
4 |
|
]150 140[ ]110 90[ |
90 |
50 |
190 |
5 |
|
]105 100[ ]85 75[ |
90 |
50 |
110 |
6 |
|
* در جدولهای (2 و 3) توان بر حسب (MW)، ضریب بر حسب ، برحسب و بر حسب است. |
||||
شبیه‌سازی برای سیستم 6 واحده با استفاده از الگوریتم پیشنهادی LBSA انجام شد. نتایج عددی این شبیه‌سازی‌ها در جدول (4) دیده می‌شود. این نتایج با روش بهینه‌سازی -PSO ]3[، الگوریتم بهبودیافته کلونی زنبورعسل (IABC) ]4[ و الگوریتم خفاش بی‌نظم (Bat.A) ]13[ مقایسه شد که در جدول (4) آورده شدهاند. در شکل (4) نیز توان تلف‌شده و هزینۀ نهایی سیستم مطالعه‌شده در این الگوریتم‌ها مقایسه شده است.
جدول (4): مقایسه نتایج به‌دست‌آمده از الگوریتم‌های مختلف روی سیستم موردمطالعه اول (6 واحده) *
|
LBSA |
Bat.A [13] |
IABC [4] |
[3] |
Unit |
|
771/451 |
418/447 |
657/440 |
355/447 |
1P |
|
899/163 |
825/172 |
667/186 |
257/173 |
2P |
|
719/270 |
075/264 |
101/254 |
384/263 |
3P |
|
258/117 |
246/139 |
161/125 |
044/139 |
4P |
|
384/172 |
652/165 |
141/153 |
331/165 |
5P |
|
160/87 |
765/89 |
458/103 |
059/87 |
6P |
|
194/1263 |
98/1278 |
18/1263 |
43/1275 |
|
|
1944/0 |
984/15 |
18/0 |
4429/12 |
|
|
2/15280 |
2/15450 |
6/15257 |
9/15442 |
Min Cost |
|
8/15290 |
7/15454 |
3/15299 |
9/15442 |
Mean Cost |
|
5/15307 |
6/15518 |
7/15398 |
9/15442 |
Max Cost |
|
50/0 |
704/0 |
0438/0 |
4429/5 |
Time (S) |
* در این جدول هزینه‌ها بر حسب ($/h)، همه توانها بر حسب MW)) و زمان بر حسب Second است.
با توجه به شکل (4) و جدول (4)، هزینۀ نهایی در روش LBSA نسبت به روش Bat Algorithm در حدود 174 واحد، کاهش و نسبت به الگوریتم در حدود 162 واحد کاهش داشته است؛ اما نسبت به روش IABC حدود 22 واحد افزایش داشته است. همچنین مقدار تلفات نهایی برای الگوریتم LBSA در مقایسه با بهترین جواب از سایر الگوریتم‌های مربوط به الگوریتم IABC و مقدار آن 18/0 مگاوات است؛ حدود 0144/0 واحد افزایش داشته است. گفتنی است در تعداد دفعات شبیه‌سازی، همواره تلفات در روش LBSA، کمتر از یک واحد به‌دست‌آمده است که یکی از مزیت‌های الگوریتم پیشنهادی خواهد بود. با توجه به جدول (4)، زمان لازم برای به نتیجه رسیدن نهایی در الگوریتم پیشنهادی، کمتر از یک ثانیه است که بعد از روش IABC در رتبه دوم قرار دارد. روند بهینه‌سازی این سیستم در شکل (5) نشان داده شده است که روند صحیح بهینه‌سازی را نشان می دهد. نتایج نشان میدهند روش پیشنهادی برای این مطالعه‌شده، روش کارآمد و سریعی است و جواب‌هایی درخور مقایسه با سایر الگوریتم‌های مشابه به دست می‌آورد.
|
شکل (4): نمودار مقایسه‌ای هزینۀ نهایی و توان تلف‌شده بین الگوریتم‌های مختلف روی سیستم مطالعه‌شدۀ اول |
|
شکل (5): روند بهینه‌سازی هزینه در تکرارهای مختلف برای سیستم مطالعه‌شدۀ اول |
سیستم مطالعه‌شدۀ دوم، سیستم 30-BUS IEEE اصلاح‌شده است که ژنراتورهای آن شامل سه واحد سوخت زغالی، دو واحد سوخت گازی، یک واحد سوخت نفتی و دو واحد توربین بادی است. ضرایب تابع هزینه و حدود واحدهای تولیدی سیستم در جدول (5) مشخص است ]2،23[. شیوۀ اتصال و دیاگرام تک‌خطی سیستم مطالعه‌شدۀ دوم نیز در شکل (6) نشان داده شده است ]23[.
شبیه‌سازی این سیستم بدون در نظر گرفتن ژنراتورهای بادی، برای تقاضای بارهای 1200، 1400 و 1600 مگاوات با محدودیت شیر بخار انجام شده است که بهترین جواب‌های به‌دست‌آمده در جدول (6) آورده شدهاند.
در شکل (7) روند بهینه‌سازی در تکرارهای مختلف برای این مورد مطالعه نشان داده شده است که با توجه به جواب به‌دست‌آمده روند صحیح بهینه‌سازی را نشان می‌دهد.
نتایج به‌دست‌آمده از این شبیه‌سازی با روش‌های بهینه‌سازی انتشار ذرات[19] (DPO)، الگوریتم کلونی زنبور مصنوعی[20] (GABC) و الگوریتم ذرات کوانتومی الهام‌بخش[21] (QPSO) که همین سیستم را مطالعه کرده ]2[، مقایسه شدهاند. روش DPO بدون اثر شیر بخار و روش‌های GABC و QPSO با در نظر گرفتن اثر شیر بخار، شبیه‌سازی شدهاند.
شکل (6): دیاگرام تک‌خطی و شیوۀ اتصال سیستم 30-BUS IEEE اصلاح‌شده ]23[
(الف)
(ب)
(ج)
شکل (7): روند بهینه‌سازی هزینه در تکرارهای مختلف برای سیستم مطالعه‌شدۀ دوم در دو حالت با و بدون اثر شیر بخار در بارهای الف) 1200 مگا وات ب) 1400 مگاوات ج) 1600 مگا وات
بار 1200 مگاوات: جدول (7) نتایج شبیه‌سازی را در بار درخواستی 1200 مگاوات نشان می‌دهد. با در نظر گرفتن اثر شیر بخار، هزینه در الگوریتم پیشنهادی، نسبت به الگوریتم GABC و QPSO در حدود 52 و 460 واحد کاهش داشته است. بدون اثر شیر بخار نیز در حدود 62 واحد کاهش نسبت به الگوریتم DPO وجود دارد.
در این شبیه‌سازی توان تلف‌شده در حالتی که اثر شیر بخار در نظر گرفته شده، برای هر دو الگوریتم GABC و QPSO مقدار صفر به دست آمده است و در حالتی که اثر شیر بخار در نظر گرفته نشده، در الگوریتم DPO مقدار 35/0 مگاوات است که در هر دو حالت در روش LBSA نسبت به الگوریتم‌های مقایسه‌شده با اینکه افزایش را نشان می‌دهد، این افزایش کمتر از 4 واحد است.
بار 1400 مگاوات: جدول (8) مقایسه نتایج حاصل از شبیه‌سازی را در بار درخواستی 1400 مگاوات نشان می‌دهد. در اینجا نیز الگوریتم پیشنهادی نتایج بهتری نسبت به دیگر الگوریتم‌ها به دست آورده است.
بار 1600 مگاوات: با توجه به جدول (9)، نتیجه می‌گیریم در بار درخواستی 1600 مگاوات، نیز الگوریتم پیشنهادی عملکرد بهتری نسبت به دیگر الگوریتم‌ها به دست آورده است.
بررسی شبیه‌سازی ازنظر زمان محاسبات فقط با روش DPO مقایسه می‌شود؛ زیرا اطلاعاتی دربارۀ زمان شبیه‌سازی برای الگوریتم GABC و QPSO در منبع ]2[ که از اطلاعات آن استفاده شده، موجود نبوده است.
با توجه به زمان انجام شبیه‌سازی در همه حالتها، با درنظر گرفتن اثر شیر بخار یا بدون این اثر و در بارهای 1200، 1400 و 1600 مگاوات با توجه به جدولهای (5، 6 و 7) مشخص است که عملکرد الگوریتم پیشنهادی ازنظر زمانی در حدود 1 ثانیه بهتر از روش DPO بوده است.
|
جدول (5): ضرایب هزینه و حدود واحدهای تولیدی سیستم IEEE 30-BUSاصلاح‌شده ]2،23[ |
||||||||
|
($) |
($) |
($) |
($/MM) |
($/MW2) |
(MW) |
(MW) |
Type |
Unit (BUS) |
|
08/0 |
200 |
2000 |
10 |
0020/0 |
110 |
20 |
Coal |
(01) 1 G |
|
04/0 |
300 |
2500 |
15 |
0025/0 |
100 |
20 |
Coal |
(02) 2 G |
|
04/0 |
400 |
6000 |
9 |
0018/0 |
600 |
120 |
Coal |
(13) 3 G |
|
06/0 |
150 |
4/923 |
18 |
00315/0 |
520 |
110 |
Gas |
(22) 4 G |
|
08/0 |
100 |
950 |
20 |
0032/0 |
500 |
110 |
Gas |
(23) 5 G |
|
10/0 |
80 |
8/124 |
4/23 |
003432/0 |
200 |
40 |
Oil |
(27) 6 G |
|
0 |
0 |
0 |
0 |
0 |
90 |
0 |
Wind |
(14) 7 G |
|
0 |
0 |
0 |
0 |
0 |
60 |
0 |
Wind |
(19) 8 G |
|
جدول (6): نتایج به‌دست‌آمده از شبیه‌سازی الگوریتم LBSAروی سیستم مطالعه‌شدۀ دوم (IEEE 30-BUS اصلاح‌شده) |
||||||||||||
|
با در نظر گرفتن اثر شیر بخار |
بدون اثر شیر بخار |
Unit |
||||||||||
|
MW 1600 |
MW 1400 |
MW 1200 |
MW 1600 |
MW 1400 |
MW 1200 |
|||||||
|
0903/106 |
0876/109 |
2283/107 |
0613/108 |
5438/109 |
2597/107 |
(MW) 1 P |
||||||
|
4673/98 |
5198/99 |
7541/94 |
2989/98 |
5175/98 |
5850/94 |
(MW) 2 P |
||||||
|
4185/598 |
8604/597 |
4515/599 |
7039/599 |
5049/598 |
8490/598 |
(MW) 3 P |
||||||
|
6355/485 |
1154/432 |
1416/248 |
1933/484 |
2748/405 |
1928/227 |
(MW) 4 P |
||||||
|
7649/267 |
7863/117 |
3525/112 |
1091/263 |
1407/145 |
7614/124 |
(MW) 5 P |
||||||
|
8192/45 |
2003/44 |
7694/40 |
3477/48 |
9262/44 |
1165/49 |
(MW) 6 P |
||||||
|
1956/1602 |
5698/1400 |
6975/1203 |
7142/1601 |
9079/1401 |
7645/1201 |
Total Power (MW) |
||||||
|
1956/2 |
5698/0 |
6975/3 |
7142/1 |
9079/1 |
7645/1 |
(MW) |
||||||
|
9112/37394 |
9965/33066 |
9078/29095 |
5430/37222 |
7342/32991 |
8112/29024 |
Min Cost ($/h) |
||||||
|
60/11 |
85/44 |
62/35 |
92/11 |
59/10 |
77/11 |
CPU Time (S) |
||||||
|
جدول (7): مقایسه نتایج به‌دست‌آمده از الگوریتم‌های مختلف روی سیستم مطالعه‌شدۀ دوم برای بار |
|
|||||||||||
|
با در نظر گرفتن اثر شیر بخار |
بدون اثر شیر بخار |
|
|
|||||||||
|
LBSA |
GABC [2] |
QPSO [2] |
LBSA |
DPO [2] |
Unit |
|
||||||
|
2283/107 |
65/98 |
73/107 |
2597/107 |
12/102 |
(MW) 1 P |
|
||||||
|
7541/94 |
89/99 |
92/99 |
5850/94 |
26/96 |
(MW) 2 P |
|
||||||
|
4515/599 |
14/592 |
54/582 |
8490/598 |
97/596 |
(MW) 3 P |
|
||||||
|
1416/248 |
32/259 |
03/259 |
1928/227 |
71/193 |
(MW) 4 P |
|
||||||
|
3225/112 |
110 |
42/110 |
7614/124 |
98/170 |
(MW) 5 P |
|
||||||
|
7694/40 |
40 |
36/40 |
1165/49 |
31/40 |
(MW) 6 P |
|
||||||
|
6975/1203 |
1200 |
1200 |
7645/1201 |
35/1200 |
Total P. (MW) |
|
||||||
|
6975/3 |
0 |
0 |
7645/1 |
35/0 |
(MW) |
|
||||||
|
9078/29095 |
00/29147 |
72/29555 |
8112/29024 |
79/29086 |
Min Cost ($/h) |
|
||||||
|
62/35 |
- |
- |
77/11 |
794/11 |
CPU Time (S) |
|
||||||
|
جدول (8): مقایسه نتایج به‌دست‌آمده از الگوریتم‌های مختلف روی سیستم مطالعه‌شدۀ دوم برای بار |
|||||
|
با در نظر گرفتن اثر شیر بخار |
بدون اثر شیر بخار |
|
|||
|
LBSA |
GABC [2] |
QPSO [2] |
LBSA |
DPO [2] |
Unit |
|
0876/109 |
09/99 |
60/108 |
5438/109 |
99/108 |
(MW) 1 P |
|
5198/99 |
76/98 |
63/99 |
5175/98 |
61/99 |
(MW) 2 P |
|
8604/597 |
46/591 |
73/588 |
5049/598 |
96/597 |
(MW) 3 P |
|
1154/432 |
24/419 |
16/416 |
2748/405 |
65/322 |
(MW) 4 P |
|
7863/117 |
45/151 |
86/146 |
1407/145 |
95/228 |
(MW) 5 P |
|
2003/44 |
40 |
01/40 |
9262/44 |
88/41 |
(MW) 6 P |
|
5698/1400 |
1400 |
99/1399 |
9079/1401 |
04/1400 |
Total P. (MW) |
|
5698/0 |
0 |
01/0- |
9079/1 |
04/0 |
(MW) |
|
9965/33066 |
00/33187 |
80/33686 |
7342/32991 |
90/33022 |
Min Cost ($/h) |
|
85/44 |
- |
- |
59/10 |
089/12 |
CPU Time (S) |
|
جدول (9): مقایسه نتایج به‌دست‌آمده از الگوریتم‌های مختلف روی سیستم مطالعه‌شدۀ دوم برای بار |
|||||
|
با در نظر گرفتن اثر شیر بخار |
بدون اثر شیر بخار |
|
|||
|
LBSA |
GABC [2] |
QPSO [2] |
LBSA |
DPO [2] |
Unit |
|
0903/106 |
00/110 |
94/109 |
0613/108 |
98/109 |
(MW) 1 P |
|
4673/98 |
00/110 |
34/99 |
2989/98 |
27/97 |
(MW) 2 P |
|
4185/598 |
93/599 |
78/578 |
7039/599 |
48/599 |
(MW) 3 P |
|
6355/485 |
11/477 |
34/509 |
1933/484 |
72/428 |
(MW) 4 P |
|
7649/267 |
96/272 |
72/259 |
1091/263 |
21/291 |
(MW) 5 P |
|
8192/45 |
00/40 |
88/42 |
3477/48 |
72/72 |
(MW) 6 P |
|
1956/1602 |
1600 |
1600 |
7142/1601 |
38/1599 |
Total P. (MW) |
|
1956/2 |
0 |
0 |
7142/1 |
62/0- |
(MW) |
|
9112/37394 |
00/37502 |
88/37841 |
5430/37222 |
13/37253 |
Min Cost ($/h) |
|
9780/37779 |
- |
- |
2991/37697 |
- |
Mean Cost ($/h) |
|
2270/38110 |
- |
- |
5470/37871 |
- |
Max Cost ($/h) |
|
60/11 |
- |
- |
92/11 |
976/11 |
CPU Time (S) |
الگوریتم‌های الهام‌گرفته از طبیعت و الگوریتم‌های فراابتکاری، در سال‌های اخیر به کانونی در محاسبات بهینه‌سازی تبدیل شدهاند. این مقاله یک الگوریتم بهینه‌سازی جدید، به نام الگوریتم بهینه‌سازی یادگیری ردیابی بازگشتی (LBSA) را مطرح کرده است و به کمک آن، مسئلۀ پخش بار اقتصادی برای سیستم‌های 6 واحده و 30-BUS IEEE اصلاح‌شده، با محدودیت‌های مشخص، حل شده است تا کارایی الگوریتم را بررسی و عملکردش را با تکنیک‌های به‌تازگی چاپ‌شده، آزمایش و بررسی کند.
در حالت‌های مختلف در نظر گرفته شده برای شبیه‌سازی، عملکرد مناسب الگوریتم پیشنهادی را نشان داده است و هزینۀ نهایی و تلفات توان به‌دست‌آمده از این روش، نسبت به روش‌های مشابه، بهتر، سریع‌تر وپذیرفتنی بوده است؛ اما الگوریتم پیشنهادی معایبی نیز دارد. با توجه به نتایج حاصل از شبیه‌سازی‌ها، مشاهده می‌شود تعداد تکرارهای الگوریتم پیشنهادی، روند منظمی ندارند. به نظر می‌رسد دلیل این مشکل، انتخاب‌های تصادفی جمعیت اولیه مربوط به الگوریتم است. زمانی که جمعیت تصادفی اولیه مناسب باشد، بهینه‌سازی با تعداد تکرارهای کم و در زمان کوتاهی به نتیجه می‌رسد. زمانی که جمعیت اولیه مناسب نباشد با اینکه جواب پذیرفتنی به دست می‌آید، گاهی با تعداد تکرارهای زیاد نیز جواب بهینه‌تری به دست نمی‌آید.
اما به‌طورکلی با توجه به نتایج شبیه‌سازی و آماری موجود در این پژوهش، برای حل مسئله پخش بار اقتصادی، الگوریتم LBSA، نتایج بهتری نسبت به سایر الگوریتم‌ها ارائه می‌دهد.
[1]تاریخ ارسال مقاله: 19/08/1396
تاریخ پذیرش مقاله: 07/12/1396
نام نویسندۀ مسئول: افشین لشکر آرا محمره
نشانی نویسندۀ مسئول: ایران – دزفول – کوی آزادگان – دانشگاه آزاد اسلامی واحد دزفول – گروه برق
[1] Lambda iteration method
[2] Base point and Participation factors method
[3] The Gradient method
[4] Genetic Algorithm
[5] Particle Diffusion
[6] Artificial Bee Colony Optimization
[7] Particle Swarm Optimization
[8] Firefly Algorithm
[9] Ant Colony Optimisation
[10] Chaotic Bat Algorithm
[11] Improved Genetic Algorithm
[12] Teta-Particle Swarm Optimization
[13] Improved Artificial Bee Colony Optimization
[14] Backtracking Search Algorithm
[15] Evolutionary Algorithms (EA)
[16] Teaching-Learning Based Optimization (TLBO)
[17] Learning Backtracking Search Algorithm (LBSA)
[18] Up-Ramp And Ramp-Down Limits
[19] Diffusion Particle Optimization
[20] Gbest Guided Artificial Bee Colony Algorithm
[21] Quantum-Inspired Particle Swarm Optimization
)