بهینه سازی ازدحام ذره دارای ذرات معیوب برای گسیل اقتصادی غیرمحدب
چکیده
این مقاله روش تکاملی مفیدی را برای گسیل اقتصادی انرژی (برق) ارائه می دهد. ایده توزیع تقاضای انرژی برق به ژنراتورهای برق روی خط (آنلاین) می باشد به طوری که هزینه عملیات به حداقل برسد . روش های رایج منحنی های هزینه ژنراتورهای برق را به صورت درجه دوم تکه ای و درجه دوم در نظر می گیرند اما واحدهای جدید تولید غیرخطی می باشند که باعث نادرست بودن این فرض می شوند. روش های تکاملی بهینه سازی مثل الگوریتم زایشی (GA) و بهینه سازی ذره (PSO) از فرضیات تحدب، آزاد می باشند و به خاطر ظرفیت و توانایی مشابه بسیار عالی جستجو (بازرسی)
شان در رسیدن به راه حل های جهانی موفق می باشند . اما این روش ها معمولاً تمایل دارند که زودهنگام با یک حداقل راه حل محلی به هم برسند به ویژه زمانی که فضای جستجو نامنظم باشد . برای برخورد با این مشکل “ذرات معیوب ” شناسایی می شود و سرعت هایشان برای حفظ سرعت در هنگام جستجو (بازرسی ) و جلوگیری از سیرشدگی و اشباع تصادفی می باشند . عملکرد و کار PSO با ذرات معیوب در دو سیستم آزمایش مدل آزمایش شدند. و با PSO کلاسیک و GA مقایسه شد که پی برده شد که این روش بهتر از هر دوی آنها می باشد .
مقدمه
گسیل مقرون و به صرفه اقتصادی (ED) یکی از مشکلات مهم بهینه سازی در سیستم انرژی الکتریکی می باشد که در آن هدف توزیع انرژی برق در بین ژنراتورهای موجود در اقتصادی ترین حالت می باشد و ضمن این که مشکلات و محدودیت های عملیاتی و فیزیکی را رفع کند. هزینه تولید برق، بویژه در نیروگاه های با سوخت فسیل بسیار بالا می باشد و انتشار و گسیل اقتصادی به صرفه جویی بخش قابل توجهی از درآمدهای کمک می کند. روش های رایج مثل تکرار Lamda ، عامل شرکت نقطه مبنا ، روش های گرادیان و غیره بیشتر روی فرض تحدب (برآمده بودن ) منحنی های هزینه ژنراتور تاکید می کنند و بنابراین این منحنی ها با استفاده از توابع یکنواخت افزایش هزینه درجه دوم یا درجه دوم تکه ای به هم نزدیک می شوند. بهر حال، ژنراتور ها مجموعه متنوعی از ویژگی هایی قطع و گسیختگی و غیرخطی بودن را دارد که این ناشی از نواحی و مناطق ممنوع عملکرد ، اثرات بارگیری نقطه دریچه (خلا) و محدودیت های شیب اتصال می باشد . بنابراین ، مشکل واقعی Ed به مشکل بهینه سازی غیریکنواخت بامحدودیت های برابری و نابرابری (پستی و بلندی، غیرهمواری) تعبیر می شود که ویژگی های پیچیده و غیرمحدب (برآمده بودن) را با حداقل متعدد دارد که مشکل و چالش به دست آوردن حداقل جهانی را بسیار مشکل کرده است . روش های قدیمی نمی توانند مشکل Nced را حل کنند مگر این که برنامه ریزی پویا و دینامیک داشته باشند که در آن هیچ محدودیت و الزامی به شکل منحنی های هزینه تحمیل نشود. اما این روش مشکل چندبعدی بودن و تلاش زیاد و گسترده محاسباتی را دارد . روش هایی مثل برنامه ریزی تکاملی ، جستجوی ممنوع ، هوش مصنوعی ، شبکه های عصبی ، الگوریتم های زایشی و بهینه سازی ازدحام ذره (PSO) به فرضیات محدب بودن بستگی ندارند و به زمان محاسبه اندکی نیاز دارند. این روش های اکتشافی همیشه بهترین راه حل های جهانی را تضمین نمی کنند اما اغلب به ک راه حل نزدیک به راه حل بهینه و مطلوب جهانی و سریع می رسند . اگر چه روش های بر اساس GA برای مسائل پیچیده بهینه سازی خوب هستند. تحقیق اخیر کمبودهای و نواقص خاصی را به ویژه برای مشکلات و مسائلی که در آن متغیرها همبستگی زیادی دارند شناسایی کرد . در چنین مواردی ، انتقال و پل زنی Ga و اپراتورهای تغییر شکل (دگرگونی ) افرادی را که تناسب بهترین با فرزند دارند را ایجاد نمی کند زمانی که کروموزوم ها در جامعه جمعیت ساختار یکسان و مشابهی به سمت انتهای جستجو دارند . تلاقی و تقارب نابهنگام عملکرد GA را تضعیف می کند و احتمال تقارب (تلاقی) را برای یک راه حل بهینه محلی افزایش می دهد. PSO که اولین بار توسط tkennedy و Elberhar معرفی شد یک الگوریتم بهینه / جستجوی تصادفی بر اساس جمعیت ، انعطاف پذیر و مستحکم با تشابه ذاتی می باشد .
در سال های اخیر ، این روش محبوبیت خاصی را به دست آورده و برای حل مشکل گسیل اقتصادی و یک سری مشکلات سیستم انرژی برق پذیرش روزافزونی را دارد که این ناشی از سادگی آن ، ویژگی ها و خصوصیت برتر تقارب و کیفیت بالا راه حل می باشد . همگرایی و گرایش به سمت بهترین راه حل با کنترل مناسب قابلیت جستجوی محلی، کلی و جهانی هدایت و کنترل می شود. مفهوم وزن اینرسی برای متعادل کردن جستجوی محلی و جهانی معرفی شد . وزن بالا اینرسی در طی بخش اول جستجو و بازرسی ، اکتشاف و کاوش کلی را ضمانت کرد. در حالی که ارزش و مقدار کمتر در انتها، همگرایی و تقارب کلی را تسهیل می کند. با در نظر گرفتن این ایده ، مفهوم وزن اینرسی متفاوت زمان (TVIW) در (۱۹) معرفی شد . مفهوم TVIW عملکرد PSO قدیمی و کلاسیک را ارتقا و بهبود می بخشد اما قابلیت آن برای تنظیم دقیق راه حل بهینه به خاطر عدم تنوع در انتهای جستجو و بازرسی ضعیف می باشد . محققان مختلف مشاهده کردند که PSO خیلی سریع راه حل محلی خوبی را پیدا می کند اما برای یک سری تکرار ها بدون ارتقا و بهبود بیشتر دست به کار می شود. در نتیجه ، پیدا کردن بهترین راه حل های کلی و جهانی برای مسائل پیچیده غیرمحدب که دارای مینیمم محلی چندگانه و یک فضای جستجوی نامنظم می باشند، یکنواخت و خسته کننده می باشد . مقاله فعلی حل مسئله NCED را با استفاده PSO دارای ذرات معیوب مطرح می کند و به رفتار همگرایی و تقارب نابهنگام PSO کلاسیک با شروع مجدد بردار سرعت می پردازد.
Particle swarm optimization with crazy particles for nonconvex economic dispatch
Abstract
The paper presents an effective evolutionary method for economic power dispatch. The idea is to allocate power demand to the on-line power generators in such a manner that the cost of operation is minimized. Conventional methods assume quadratic or piecewise quadratic cost curves of power generators but modern generating units have non-linearities which make this assumption inaccurate. Evolutionary optimization methods such as genetic algorithms (GA) and particle swarm optimization (PSO) are free from convexity assumptions and succeed in achieving near global solutions due to their excellent parallel search capability. But these methods usually tend to converge prematurely to a local minimum solution, particularly when the search space is irregular. To tackle this problem “crazy particles” are introduced and their velocities are randomized to maintain momentum in the search and avoid saturation. The performance of the PSO with crazy particles has been tested on two model test systems, compared with GA and classical PSO and found to be superior.
لینک مقاله اصلی:
https://www.sciencedirect.com/science/article/pii/S1568494608001762
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد