دانلود مقاله ISI انگلیسی شماره 7585 + ترجمه فارسی
عنوان فارسی مقاله

بهینه سازی کلونی زنبور عسل مصنوعی برای حل مساله توزیع اقتصادی چند ناحیه ای

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
7585 2013 7 صفحه PDF 21 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Artificial bee colony optimization for multi-area economic dispatch
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : International Journal of Electrical Power & Energy Systems, Volume 49, July 2013, Pages 181–187

فهرست مطالب ترجمه فارسی
چکیده
کلید واژه ها
1-مقدمه
2- فرمول بندی مسئله
2-1- توزیع اقتصادی چند ناحیه ای با تابع هزینه درجه دوم، نواحی عملیاتی ممنوعه و تلفات انتقال (MAEDQCPOZTL)
2-1-1- محدودیت تعادل بار واقعی
2-1-2- محدودیت های ظرفیت خط اتصال
2-1-3- محدودیت های ظرفیت تولید انرژی واقعی
2-1-4- ناحیه عملیاتی ممنوعه
2-2- توزیع اقتصادی چند ناحیه ای با بارگذاری دریچه (MAEDVPL)
2-3- توزیع اقتصادی چندناحیه ای با بارگذاری دریچه چندین منبع سوخت  و تلفات انتقال (MAEDVPLMFTL)
3- تعیین سطح تولید ژنراتور slack
4- بهینه سازی کلونی زنبور عسل مصنوعی
4-1- زنبورها در طبیعت
4-2- الگوریتم بهینه سازی کلونی زنبور عسل مصنوعی
5- پیاده سازی ABCO برای مساله MAED
5-1- آغاز
5-2- ارزیابی شایستگی
5-3- انتخاب جمعیت اولیه
5-4- تولید راه حل های همسایه 
5-5- انتخاب
5-6- خاتمه
6- نتایج شبیه سازی
6-1- سیستم آزمون 1
جدول 1: نتایج شبیه سازی برای سیستم آزمون 1
جدول 2: نتایج شبیه سازی برای مجموعه آزمون 2
6-2- سیستم آزمون 2
6-3- سیستم آزمون 3
جدول 3: نتایج شبیه سازی سیستم آزمون 3
جدول A1: داده های مربوط به سیستم 2 ناحیه ای
7- نتیجه گیری
پیوست A
پیوست B
کلمات کلیدی
اعزام اقتصادی چند منطقه - محدودیت های خط کراوات - بهینه سازی کلونی زنبور عسل مصنوعی
ترجمه چکیده
این مقاله بهینه سازی کلونی زنبور عسل مصنوعی را برای حل مسئله توزیع اقتصادی چند ناحیه ای (MAED) با محدودیت های خطوط اتصال از جمله تلفات انتقال، سوخت های چندگانه، بارگذاری دریچه ، و مناطق عملیاتی ممنوعه ارائه می دهد. بهینه سازی کلونی زنبور عسل مصنوعی یک الگوریتم مبتنی بر ازدحام است که از رفتار جستجوی غذای زنبورهای عسل الهام گرفته شده است. کارایی الگوریتم پیشنهادی بر روی سه سیستم آزمون مختلف از نوع کوچک و بزرگ و شامل درجات مختلفی از پیچیدگی، ارزیابی شده است. با توجه به کیفیت بیشتر راه حل بدست آمده در الگوریتم پیشنهادی در مقایسه با الگوریتم های تکامل تفاضلی ، برنامه نویسی تکاملی و الگوریتم ژنتیک کد شده واقعی، به نظر می رسد که الگوریتم پیشنهادی یک روش جایگزین امیدوار کننده برای حل مسائل MAED در سیستم های برق و قدرت عملی باشد.
ترجمه مقدمه
توزیع اقتصادی (ED) یکی از مسائل بهینه سازی مهم در عملیات سیستم های برق و قدرت است. ED تقاضای بار را به اقتصادی ترین روش به ژنراتورها تخصیص می دهد و در عین حال محدودیت های فیزیکی و عملیاتی را در یک منطقه واحد ارضا می کند. به طور کلی ژنراتورها به چندین ناحیه تولید نیرو تقسیم می شوند که توسط خطوط اتصال به هم متصل می شوند. مسئله توزیع اقتصادی چند ناحیه ای (MAED) تعمیم مسئله توزیع اقتصادی است. MAED، سطح تولید و تبادل انرژی بین نواحی را به صورتی تعیین می کند که هزینه کلی سوخت در تمام نواحی حداقل باشد و در عین حال محدودیت تعادل انرژی، محدودیت های تولید و محدودیت ظرفیت خطوط اتصال نیز تامین شود. مسئله توزیع اقتصادی اغلب بدون در نظر گرفتن محدودیت های انتقال حل می شود. با این حال، برخی از محققان محدودیت های ظرفیت انتقال را نیز در نظر گرفته اند. Shoults و همکاران [2] مساله توزیع اقتصادی را با در نظر گرفتن محدودیت های واردات و صادرات انرژی در بین نواحی، حل کرده اند. این مطالعه، یک فرمول بندی کامل را برای برنامه ریزی تولید چند ناحیه ای و چارچوبی را برای مطالعات چند ناحیه ای ایجاد می کند. Romano و همکاران [3]، اصل تجزیه ی Dantzig–Wolfe را برای توزیع اقتصادی سیستم های چند ناحیه ای دارای محدودیت ارائه کرده اند. Doty و [McEntire[4یک مساله توزیع اقتصادی چند ناحیه ای را با استفاده از برنامه ریزی پویای فضایی حل کردند و نتیجه بدست آمده یک نتیجه بهینه سراسری بود. کاربرد برنامه ریزی خطی برای تحلیل هزینه تولید با محدودیت های انتقال، در مرجع [5] پیشنهاد شده است. Helmick و [Shoults[6 توزیع اقتصادی چند ناحیه ای را با خطای کنترل ناحیه حل کردند.Ouyang و [Shahidehpour[7، ایجاد واحدهای چند ناحیه ای اکتشافیرا در رابطه با توزیع اقتصادی پیشنهاد کردند. Wang و[ Shahidehpour[8 با استفاده از سیستم های خبره، یک رویکرد تجزیه را برای حل مساله برنامه ریزی تولید چند ناحیه ای، با در نظر گرفتن محدودیت های خطوط اتصال، پیشنهاد کردند. مدل های جریان شبکه برای حل مساله توزیع اقتصادی چند ناحیه ای با محدودیت های انتقال به وسیله [Streiffert[9 پیشنهاد شدند. یک الگوریتم برای توزیع اقتصادی چند ناحیه ای و محاسبه هزینه حاشیه ای کوتاه مدت بر مبنای قیمت ها به وسیله Wernerus و [Soder[10 ارائه شد که در آن مسئله توزیع اقتصادی چند ناحیه ای از طریق روش Newton–Raphson حل شد. Yalcinoz و [Short[11 مسائل توزیع اقتصادی چند ناحیه ای را با استفاده از روش شبکه عصبی Hopfield حل کردند.Jayabarathi و همکاران [12] مساله توزیع اقتصادی چند ناحیه ای با محدویت خطوط را با استفاده از برنامه ریزی تکاملی حل کردند. روش جستجوی مستقیم برای حل مساله توزیع اقتصادی با در نظر گرفتن محدودیت های ظرفیت انتقال درمرجع [13]ارائه شده است. Manoharan و همکاران [14]، کارایی الگوریتم های تکاملی مختلف را بر روی مسائل توزیع اقتصادی چند ناحیه ای (MAED) بررسی کردند. آنها در کار خود الگوریتم های تکاملی مختلفی مانند الگوریتم ژنتیک کد شده واقعی ( RCGA)، بهینه سازی ازدحام ذرات (PSO)، تکامل تفاضلی (DE) و روش تکاملی تطبیق ماتریس (CMAES) را در نظر گرفتند. مسئله توزیع اقتصادی چند ناحیه ای در مرجع [15] ارائه شده است. در این مرجع برای حل مسئله MAEED از یک الگوریتم بهینه سازی ازدحام ذرات چند هدفه ی بهبود یافته (MOPSO) به منظور جستجوی راهکارهای Pareto-optimal، استفاده شده است. Sharma و همکاران [16] یک مقایسه دقیق از PSO کلاسیک و استراتژی های DE را ارائه دادند و انواع آنها را برای حل مساله توزیع اقتصادی چند ناحیه ای دارای محدودیت رزرو، با محدودیت های تعادل انرژی، محدودیت های تولید بالاتر/پایین تر، محدودیت های نرخ نوسان، محدودیت های انتقال و دیگر محدودیت های عملی، بررسی کردند. در مرجع [17] در رابطه با حل مساله توزیع اقتصادی چند ناحیه ای دارای محدودیت رزرو از طریق تکامل تفاضلی با جهش متغیر نسبت به زمان، بحث شده است. هوش ازدحامی [18-20] شاخه ای از الگوریتم های الهام گرفته از طبیعت است و برای توسعه الگوریتم های فرا اکتشافی بر رفتار حشرات تمرکز می کند. الگوریتم بهینه سازی کلونی زنبور عسل[ABCO) [21) یک عضو جدید از خانواده الگوریتم های هوش ازدحامی است و از رفتار جستوجوی غذای زنبورهای عسل تقلید می کند. این الگوریتم ساده و قدرتمند است و قادر به حل مسائل بهینه سازی ترکیبی است. در این مقاله از ABCO برای حل مسئله MAED استفاده شده است. در این کار سه نوع مسئله MAED در نظر گرفته شده است که عبارتند از: (A) توزیع اقتصادی چند ناحیه ای با تابع هزینه درجه دوم، نواحی عملیاتی ممنوعه و تلفات انتقال (MAEDQCPOZTL). (B) توزیع اقتصادی چند ناحیه ای با بارگذاری دریچه (MAEDVPL)، (C) توزیع اقتصادی چندناحیه ای با بارگذاری دریچه چندین منبع سوخت و تلفات انتقال (MAEDVPLMFTL). روش ABCO پیشنهادی، از طریق اعمال آن در سه سیستم آزمون مختلف، ارزیابی شده است. کارایی ABCO پیشنهادی از نظر کیفیت راه حل با الگوریتم های تکامل تفاضلی (DE)، برنامه ریزی تکاملی (EP) و الگوریتم ژنتیک کد شده واقعی (RCGA) مقایسه شده است.
پیش نمایش مقاله
پیش نمایش مقاله بهینه سازی کلونی زنبور عسل مصنوعی برای حل مساله توزیع اقتصادی چند ناحیه ای

چکیده انگلیسی

This paper presents artificial bee colony optimization for solving multi-area economic dispatch (MAED) problem with tie line constraints considering transmission losses, multiple fuels, valve-point loading and prohibited operating zones. Artificial bee colony optimization is a swarm-based algorithm inspired by the food foraging behavior of honey bees. The effectiveness of the proposed algorithm has been verified on three different test systems, both small and large, involving varying degree of complexity. Compared with differential evolution, evolutionary programming and real coded genetic algorithm, considering the quality of the solution obtained, the proposed algorithm seems to be a promising alternative approach for solving the MAED problems in practical power system.

مقدمه انگلیسی

Economic dispatch (ED) [1] is one of the important optimization problems in power system operation. ED allocates the load demand among the committed generators most economically while satisfying the physical and operational constraints in a single area. Generally, the generators are divided into several generation areas interconnected by tie-lines. Multi-area economic dispatch (MAED) is an extension of economic dispatch. MAED determines the generation level and interchange power between areas such that total fuel cost in all areas is minimized while satisfying power balance constraints, generating limits constraints and tie-line capacity constraints. The economic dispatch problem is frequently solved without considering transmission constraints. However, some researchers have taken transmission capacity constraints into account. Shoults et al. [2] solved economic dispatch problem considering import and export constraints between areas. This study provides a complete formulation of multi-area generation scheduling, and a framework for multi-area studies. Romano et al. [3] presented the Dantzig–Wolfe decomposition principle to the constrained economic dispatch of multi-area systems. Doty and McEntire [4] solved a multi-area economic dispatch problem by using spatial dynamic programming and the result obtained was a global optimum. An application of linear programming to transmission constrained production cost analysis was proposed in Ref. [5]. Helmick and Shoults [6] solved multi-area economic dispatch with area control error. Ouyang and Shahidehpour [7] proposed heuristic multi-area unit commitment with economic dispatch. Wang and Shahidehpour [8] proposed a decomposition approach for solving multi-area generation scheduling with tie-line constraints using expert systems. Network flow models for solving the multi-area economic dispatch problem with transmission constraints have been proposed by Streiffert [9]. An algorithm for multi-area economic dispatch and calculation of short range margin cost based prices has been presented by Wernerus and Soder [10], where the multi-area economic dispatch problem was solved via Newton–Raphson’s method. Yalcinoz and Short [11] solved multi-area economic dispatch problems by using Hopfield neural network approach. Jayabarathi et al. [12] solved multi-area economic dispatch problems with tie line constraints using evolutionary programming. The direct search method for solving economic dispatch problem considering transmission capacity constraints was presented in Ref. [13]. Manoharan et al. [14] explored the performance of the various evolutionary algorithms on multi-area economic dispatch (MAED) problems.Here, evolutionary algorithms such as the Real-coded Genetic Algorithm (RCGA), Particle Swarm Optimization (PSO), Differential Evolution (DE) and Covariance Matrix Adapted Evolution Strategy (CMAES) are considered. Multi-area economic environmental dispatch (MAEED) problem is proposed in [15]. Here, MAEED problem is handled by an improved multi-objective particle swarm optimization (MOPSO) algorithm for searching out the Pareto-optimal solutions. Sharma et al. [16] have presented a close comparison of classic PSO and DE strategies and their variants for solving the reserve constrained multi-area economic dispatch problem with power balance constraint, upper/lower generation limits, ramp rate limits, transmission constraints and other practical constraints. In [17] a discussion of ‘‘Reserve constrained multi-area economic dispatch employing differential evolution with time-varying mutation” has been presented. Swarm intelligence [18], [19] and [20], a branch of natural inspired algorithms, focuses on the behavior of insect in order to develop some meta-heuristics algorithms. Artificial bee colony optimization (ABCO) algorithm [21] is a new member of swarm intelligence and it mimics the food foraging behavior of honey bees. This algorithm is simple, robust and capable to solve difficult combinatorial optimization problems. In this paper, ABCO has been applied to solve MAED problem. Here, three types of MAED problems have been considered. These are (A) multi area economic dispatch with quadratic cost function, prohibited operating zones and transmission losses (MAEDQCPOZTL), (B) multi area economic dispatch with valve point loading (MAEDVPL), (C) multi area economic dispatch with valve point loading multiple fuel sources and transmission losses (MAEDVPLMFTL). The proposed ABCO approach has been validated by applying it to three different test systems. The performance of the proposed ABCO in terms of solution quality has been compared with differential evolution (DE), evolutionary programming (EP) and real coded genetic algorithm (RCGA).

نتیجه گیری انگلیسی

In this paper, ABCO has been successfully implemented to solve MAED problems. The effectiveness of the proposed method is illustrated by using three different test systems and the test results are compared with the results obtained from DE, EP and RCGA. It is seen from the comparison that the proposed ABCO has the ability to converge to a better quality solution than DE, EP and RCGA.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.