Professional Documents
Culture Documents
Jaya
Jaya
خالصه
مسأله توزیع اقتصادی بار به عنوان یکی از مسائل مهم در حوزه بهرهبرداری از سیستمهای قدرت مطرح میباشد .با توجه به
روند صعودی مصرف برق ،همچنین تالش به منظور کاهش هزینه ها ،بسیاری از محققان سعی در ارائه روشی به منظور
بهینه سازی این مسأله دارند .در مسأله توزیع اقتصادی بار هدف یافتن میزان توان تولیدی نیروگاههای در مدار به گونهای
است که هم قیود مساوی و هم قیود نامساوی رعایت شوند .منظور از قیود مساوی همان تأمین بار درخواستی و همچنین
تلفات ناشی از انتقال این توان میباشد .حفظ توان خروجی نیروگاهها در محدوده مجاز تولید و در نظر گرفتن مناطق
ممنوعه تولید از جمله محدودیتهای نامساوی در مسأله توزیع اقتصادی بار میباشند .هدف از این مقاله معرفی یک
الگوریتم فرا ابتکاری جدید به نام " "JAYAبه منظور حل مسأله توزیع اقتصادی بار است .الگوریتم " "JAYAروشی
جدید بوده و بر این اصل استوار است که به منظور رسیدن به جواب بهینه سراسری در هر تکرار ،باید مجموعه جوابها به
سمت پاسخ خوب حرکت کرده و از پاسخ بد در هر تکرار دور شود .روش پیشنهادی ،برای حل مسأله توزیع اقتصادی بار در
چهار سیستم شامل :سه ،شش ،پانزده و بیست نیروگاه استفاده شد .با توجه به نتایج مشخص است که این الگوریتم ،روشی
مقاوم بوده و توانایی حل مسائل پیچیده بهینه سازی با محدودیت و بدون محدودیت را داراست.
کلمات کلیدی :مسأله توزیع اقتصادی بار ،تلفات ،مناطق ممنوعه تولید ،الگوریتم ""JAYA
.1مقدمه
مسأله توزیع اقتصادی بار ،1در حوزه بهرهبرداری از سیستمهای قدرت به عنوان یک مسأله بهینه سازی مهم و پیچیده
مطرح میباشد .در این مسأله باید توان خروجی هر نیروگاه به گونهای تعیین شود که با در نظر گرفتن محدودیتهای
نیروگاه ها و تأمین شدن بار مورد تقاضا و تلفات موجود در شبکه ،هزینه سوخت بهینه باشد .توان خروجی هر نیروگاه باید
بین کمترین و بیشترین مقدار مجاز توان تولیدی همان نیروگاه باشد [.]1
به منظور حل مسأله توزیع اقتصادی بار ،ابتدا باید مدل تابع هزینه خروجی هر نیروگاه مشخص شود .در ابتدا با فرض
خطی و پیوسته بودن منحنی هزینه سوخت نیروگاهها یک تابع درجه دوم به عنوان مدلی برای منحنی هزینه سوخت
نیروگاهها در نظر گرفته شد .با فرض این مدل از روشهای ریاضی مانند روش تکرار الندا [ ،]2روش نیوتن [ ،]3روش
*Email: taher_nik@yahoo.com
1
)Economic Dispatch (ED
1 www.EE2016.ir
گرادیان نزولی [ ،]4برنامه ریزی خطی [ ]5و روش الگرانژ [ ]6برای حل مسأله توزیع اقتصادی بار استفاده گردید .اما در
نیروگاههای بزرگ به منظور تأمین توان مورد نیاز باید از شیرهای بخار زیادی استفاده کرد که این مسأله موجب غیرخطی
شدن منحنی سوخت نیروگاهها شده و از آن به اثر شیر بخار 2یاد میشود .برای مدل سازی این اثر میتوان یک عبارت
سینوسی به تابع هزینه سوخت نیروگاهها اضافه کرد [ .]7همچنین در نظر گرفتن مناطق ممنوعه تولید 3برای نیروگاهها نیز
موجب غیرخطی و ناپیوسته شدن منحنی هزینه سوخت نیروگاهها میشود.
با فرض غیر خطی بودن مسأله توزیع اقتصادی بار ،استفاده از روشهای ریاضی که بر مبنای مشتق گیری از تابع
هدف میباشند ،چندان مناسب نبوده و در نتیجه برای حل آن روشهای ابتکاری و فرا ابتکاری پیشنهاد شده اند .روشهای
ابتکاری مانند برنامه ریزی پویا ،4با در نظر گرفتن تمامی حاالت به حل مسأله میپردازند .هرچند این روش نیازی به مشتق
نداشته و ساده میباشد ،اما با زیاد شدن تعداد متغیرهای تصمیم گیری به حافظه کامپیوتری و زمان محاسباتی زیادی نیاز
دارد و به اصطالح به نفرین ابعاد 5گرفتار میشود [.]8
در چند سال اخیر ،به منظور حل مسأله توزیع اقتصادی بار با در نظر گرفتن مدل غیر خطی ،از الگوریتمهای
فرا ابتکاری زیادی استفاده شده است [ .]8برای مثال ،در مطالعات [ 9و ]10از الگوریتم ژنتیک برای حل مسأله توزیع
اقتصادی بار استفاده شده است .بعضی از مطالعات با استفاده از الگوریتم ،]11-13[ PSOالگوریتم )tabu search (TS
[ ،]14الگوریتم شبیه ساز ذوب فلزات ]15[ 6و یا الگوریتم کرم شب تاب ]16[ 7به حل مسأله توزیع اقتصادی بار پرداخته-
اند .هرچند که الگوریتمهای فرا ابتکاری نیازی به مشتق ندارند ،اما به دلیل اینکه این الگوریتمها براساس جمعیت اولیه
تصادفی به حل مسأله میپردازند ،بعضی از آنها توانایی رسیدن به جواب بهینه سراسری را نداشته و یا همیشه جواب
بهینه سراسری را پیدا نمیکنند.
این مقاله به معرفی یک روش ساده و جدید برای حل مسأله توزیع اقتصادی بار با در نظر گرفتن مناطق ممنوعه
تولید ،تلفات و سیستمهای با ابعاد بزرگ به نام الگوریتم " "JAYAمیپردازد .الگوریتم " "JAYAتوسط “Venkata
” Raoمعرفی شده و بر این اصل مهم و اساسی استوار است که برای رسیدن به جواب بهینه سراسری در یک مسأله بهینه
سازی ،مجموعه جوابها باید به سمت پاسخ خوب در هر تکرار حرکت کرده و از پاسخهای بد نیز در هر تکرار دور شوند
[.]17
مسأله توزیع اقتصادی بار استاندارد ) (EDرا میتوان به صورت یک چند جملهای درجه دوم از توان اکتیو نیروگاهها
مدل کرد [ .]18مسأله توزیع اقتصادی بار یک مسأله بهینه سازی بوده که هدف از آن بدست آوردن کمترین هزینه سوخت
نیروگاهها با در نظر گرفتن محدودیتهای نیروگاهها و دیگر محدودیتهای موجود در مسأله میباشد .مدل استاندارد مسأله
توزیع اقتصادی بار و متغیرهای تصمیم گیری در ادامه آمده است [.]18
2 www.EE2016.ir
Ng
شکل :1تابع هزینه با در نظر گرفتن (__) و بدون در نظر گرفتن ( )- -اثر شیر بخار
P
i1
gi = PD + PL ()3
3 www.EE2016.ir
در معادله باال PDبرابر کل بار درخواستی و PLنیز به معنی تلفات شبکه انتقال بوده و با معادله زیر بیان میشود:
Ng Ng Ng
.
Pgi = l=2,3,...,Li
. ()5
.
PgUp P P
i ,Li gi gimax
i = 1,2,...,Ng
قید حداقل و حداکثر تولید یک نیروگاه
بر طبق این قید توان خروجی نیروگاهها باید بین بیشترین و کمترین مقدار توان مجاز هر نیروگاه باشد.
Pgi min Pgi Pgi max ()6
الگوریتم JAYAتوسط ” “R. Venkata Raoارائه شده و یک الگوریتم فرا ابتکاری ساده و جدید به منظور حل
مسائل بهینه سازی میباشد .این الگوریتم بر این اصل استوار است که برای رسیدن به بهترین جواب باید راه حلهای
موجود در هر تکرار به سمت بهترین راه حل ارائه شده حرکت کرده و از بدترین راه حل در همان تکرار نیز دور شوند .از
مزایای الگوریتم JAYAمیتوان به سادگی ،عدم نیاز به هیچ گونه پارامتر کنترلی و سرعت آن اشاره کرد [ .]17این
الگوریتم به صورت زیر عمل میکند:
فرض کنید F X تابع هدف مسأله بوده و الگوریتم JAYAقصد یافتن مینیمم ( یا ماکزیمم) آن را دارد .در هر
تکرار n ، kمتغیر تصمیم گیری ) ( s = 1, 2, ... , nو N _ paramراه حل پیشنهادی وجود دارد .فرض کنید در
تکرار ، kبهترین مقدار بدست آمده برای تابع هدف ، F X برابر مقدار X s,t,bestو بدترین مقدار تابع هدف F X
th
برابر Xs,t,worstباشد .به منظور پیدا کردن جواب بهینه ،متغیرهای تصمیم گیری به صورت زیر باید تغییر کنند:
X new
) | s ,t , k = X s,t,k + r1,s,t ( X s,t,best - | X s,t,k | ) - r2,s,t ( X s,t,worst - | X s,t,k ()7
4 www.EE2016.ir
.4مراحل الگوریتم JAYAبرای حل مسأله توزیع اقتصادی بار
در این قسمت یکی از کاربردهای الگوریتم JAYAبرای حل مسأله توزیع اقتصادی بار بیان خواهد شد .برای این
منظور استفاده از مراحل زیر پیشنهاد میشود:
مرحله .1ورود دادهها
در این مرحله باید میزان بار درخواستی ،بازههای مربوط به مناطق ممنوعه ،ضرایب مربوط به محاسبه تلفات و
همچنین دادههای مربوط به نیروگاهها مانند حد باال و پایین تولید مشخص شوند.
مرحله .2تشکیل جمعیت اولیه
بر اساس دادههای موجود در مرحله اول ،یک جمعیت اولیه به صورت تصادفی به گونهای که محدودیتهای نیروگاهها
رعایت شوند تشکیل میشود.
Pg1,1 . . . Pg1, Ng
Pg 2,1 . . . Pg 2, Ng
.
population = ()8
.
.
PgN ,1 . . . PgNswarm , Ng
swarm
Pge,i = Pgi min ) rand (1, n) ( Pgi max Pgi min ()9
مرحله .3چک کردن محدودیتهای مسأله
به منظور برآورده کردن قید مساوی که همان تأمین بار درخواستی و تلفات شبکه میباشد از روشی که در مرجع 19
آمده است ،استفاده میشود.
مرحله .4محاسبه تابع هدف
در این مرحله تابع هدف مسأله محاسبه میشود.
مرحله .5مشخص کردن بهترین و بدترین جواب در مجموعه جواب موجود
برای استفاده از الگوریتم مورد نظر میبایست بدترین و بهترین جواب مشخص شوند.
مرحله .6استفاده از الگوریتم JAYAبه منظور بهبود جوابهای موجود
الگوریتم JAYAرا طبق رابطه 8روی مجموعه جوابهای موجود باید اعمال کرد.
مرحله .7به روز رسانی بهترین و بدترین جواب
شماره تکرار را برابر 1گرفته و بهترین و بدترین جواب را از مجموعه جوابهای حاضر بدست میآوریم.
مرحله .8به روز رسانی جوابها و چک کردن شرط همگرایی
پس از بروز رسانی مجدد جوابها ،شماره تکرار را یکی بیشتر کرده و شرط همگرایی را چک میکنیم .اگر شرط
همگرایی برآورده شده بود الگوریتم پایان یافته و بهترین جواب را چاپ میکنیم ،در غیر اینصورت به مرحله 6می رویم.
به منظور بررسی عملکرد الگوریتم ،JAYAآن را در حل چند سیستم متفاوت به کار میبریم .این سیستمها
عبارتنداز :سیستم 1با سه نیروگاه و با در نظر گرفتن تلفات ،سیستم 2شامل شش نیروگاه ،با وجود تلفات و همچنین
5 www.EE2016.ir
وجود مناطق ممنوعه تولید ،سیستم 3با پانزده نیروگاه ،با در نظر گرفتن تلفات و وجود مناطق ممنوعه تولید وسیستم 4با
بیست نیروگاه.
سیستم .1سه نیروگاه با بار 850مگاوات و وجود تلفات
این سیستم شامل سه نیروگاه بوده که اطالعات مربوط به نیروگاهها شامل :ضرایب هزینه سوخت منحنی نیروگاهها و
ضرایب مربوط به تلفات در مرجع 20آمده است .جدول 1بهترین ،بدترین و متوسط جوابهای بدست آمده از الگوریتم
JAYAرا نشان میدهد .همچنین به منظور بررسی کیفیت جوابهای بدست آمده ،در جدول 1نتایج گرفته شده با چند
روش دیگر هم مقایسه شده است .همانگونه که مشاهده میشود با استفاده از الگوریتم JAYAمیتوان به جوابهایی به
مراتب بهتر از سایر روشها رسید .یکی از فاکتورهای مهم جهت بررسی عملکرد یک الگوریتم ،زمان مورد نیاز جهت حل
مسأله میباشد .همانگونه که در جدول 1آمده است ،عالوه بر دقت جوابها ،زمان مورد نیاز جهت محاسبه مقدار بهینه
سراسری بسیار کمتر از سایر روشهای مقایسه شده میباشد و این مسأله نشانگر قدرت این الگوریتم در حل مسائل مختلف
میباشد.
6 www.EE2016.ir
جدول -2مناطق ممنوعه تولید برای 6نیروگاه
بازه2 بازه1 واحدهای تولیدی
][380-350 ][240-210 نیروگاه1
][160-140 ][110-90 نیروگاه 2
][240-210 ][170-150 نیروگاه 3
][120-110 ][90-80 نیروگاه 4
][150-140 ][110-90 نیروگاه 5
][100-105 ][85-75 نیروگاه 6
7 www.EE2016.ir
374 8.8 0.001126 130 20 نیروگاه 4
461 10.4 0.000205 470 150 نیروگاه 5
630 10.1 0.000301 460 135 نیروگاه 6
548 9.8 0.000364 465 135 نیروگاه 7
227 11.2 0.000338 300 60 نیروگاه 8
173 11.2 0.000807 162 25 نیروگاه 9
175 10.7 0.001203 160 25 نیروگاه 10
186 10.2 0.003586 80 20 نیروگاه 11
230 9.9 0.005513 80 20 نیروگاه 12
225 13.1 0.000371 85 25 نیروگاه 13
309 12.1 0.001929 55 15 نیروگاه 14
323 12.4 0.004447 55 15 نیروگاه 15
جدول -6نتایج الگوریتم JAYAو چند روش دیگر در سیستم پانزده نیروگاهی
متوسط جوابها بدترین جواب بهترین جواب روش
32552.59 32552.59 32552.59 JAYA
33228 33337 33063.54 ]GA[7
32620 32710 32640.86 ]PSO[7
8 www.EE2016.ir
در سیستمهای قبل و جدول 7مشاهده میشود ،الگوریتم JAYAالگوریتم مناسبی جهت حل مسائل مختلف مهندسی با
محدودیت و بدون محدودیت میباشد .این الگوریتم در چند سیستم مختلف مورد بررسی قرار گرفت و نتایج همگی بیانگر
قدرت ،سادگی ،سرعت و مقاوم بودن الگوریتم JAYAمیباشد.
جدول -7نتایج الگوریتم JAYAو چند روش دیگر در سیستم بیست نیروگاهی
متوسط هزینه ماکزیمم هزینه مینیمم هزینه روش
60412.9 60412.92 60412.89 JAYA
62456.7928 62456.7935 62456.7926 ]BBO[22
- - 62456.6391 ]Lambda iteration method [22
- - 62456.6341 ]Hopfield neural network [22
.6نتیجه گیری
امروزه ،محققان به دنبال روشهایی برای یافتن مقدار بهینه در مسائل مربوط به رشته خود هستند .برای یافتن
مینیمم یا ماکزیمم مقدار یک مسأله استفاده از روشهای ریاضی به دلیل استفاده از روابط دقیق بسیار کاربرد دارند .اما به
دلیل عدم پیوستگی و غیر خطی بودن اغلب مسائل ،استفاده از روشهای ریاضی با چالشهایی روبرو است .بنابراین استفاده
از الگوریتمهای فرا ابتکاری به دلیل اینکه به صورت عددی و با یک جمعیت تصادفی اقدام به یافتن مقدار بهینه یک مسأله
میکنند ،بسیار پرکاربرد میباشد .بعضی از این الگوریتمها توانایی یافتن بهترین جواب یک مسأله با هر بار اجرا را ندارند،
بنابراین ارائه روشهایی که به صورت همیشگی توانایی یافتن بهترین جواب را داشته باشند از اهمیت ویژهای برخوردار
است .الگوریتم JAYAیک روش جدید و ساده بوده که توانایی حل مسائل پیچیده مهندسی را داراست .در این الگوریتم
برای یافتن جواب بهینه سراسری در هر تکرار باید به سمت بهترین جواب حرکت کرده و از بدترین جواب اجتناب نمود .به
منظور بررسی عملکرد الگوریتم مورد نظر ،از آن برای حل مسأله توزیع اقتصادی بار در چند حالت مختلف شامل سیستم-
های :سه ،شش ،پانزده و بیست نیروگاهی استفاده شد .نتایج عددی شبیه سازیهای انجام شده نشان از قدرت و دقت
الگوریتم مورد نظر دارد .سادگی ،دقت ،عدم نیاز به هیچ گونه پارامتر کنترلی ،قابلیت حل مسائل مختلف و پیچیده با
محدودیت و بدون محدودیت و قابلیت اطمینان در دقت جوابهای بدست آمده از الگوریتم JAYAاز مزایای آن میباشد.
مراجع .12
1.Ciornei, I., and Kyriakides, E. (2012), “A GA-API solution for the economic dispatch of
generation in power system operation”, Power Systems, IEEE Transactions on, 27(1),
233-242.
2.Chen, C. L., and Wang, S. C. (1993), “Branch-and-bound scheduling for thermal
generating units,” Energy Conversion, IEEE Transactions on, 8(2), 184-189.
3.Dodu, J. C., Martin, P., Merlin, A., and Pouget, J. (1972), “An optimal formulation and
solution of short-range operating problems for a power system with flow constraints”,
Proceedings of the IEEE, 60(1), 54-63.
9 www.EE2016.ir
4.Wood, A. J., and Wollenberg, B. F. (2012), “Power generation”, operation, and
control”. John Wiley and Sons.
5.Jabr, R. A., Coonick, A. H., and Cory, B. J. (2000), “A homogeneous linear
programming algorithm for the security constrained economic dispatch problem”,
Power Systems, IEEE Transactions on, 15(3), 930-936.
6.dos Santos Coelho, L., and Mariani, V. C. (2006), “Combining of chaotic differential
evolution and quadratic programming for economic dispatch optimization with valve-
point effect”, IEEE TRANSACTIONS ON POWER SYSTEMS PWRS, 21(2), 989.
7.Azizipanah-Abarghooee, R., Niknam, T., Gharibzadeh, M., and Golestaneh, F. (2013),
“Robust, fast and optimal solution of practical economic dispatch by a new enhanced
gradient-based simplified swarm optimisation algorithm”, Generation, Transmission
and Distribution, IET, 7(6), 620-635.
8.El-Keib, A. A., Ma, H., and Hart, J. L. (1994), “Environmentally constrained economic
dispatch using the Lagrangian relaxation method”, Power Systems, IEEE Transactions
on, 9(4), 1723-1729.
9.Chen, P. H., and Chang, H. C. (1995), “Large-scale economic dispatch by genetic
algorithm”, Power Systems, IEEE Transactions on, 10(4), 1919-1926.
10. Baskar, S., Subbaraj, P., and Rao, M. V. C. (2003), “Hybrid real coded genetic
algorithm solution to economic dispatch problem”, Computers and Electrical
Engineering, 29(3), 407-419.
11. Park, J. B., Lee, K. S., Shin, J. R., and Lee, K. S. (2005), “A particle swarm
optimization for economic dispatch with nonsmooth cost functions”, Power Systems,
IEEE Transactions on, 20(1), 34-42.
12. Gaing, Z. L. (2003), “Particle swarm optimization to solving the economic dispatch
considering the generator constraints”, Power Systems, IEEE Transactions on, 18(3),
1187-1195.
13. Yuan, X., Su, A., Yuan, Y., Nie, H., and Wang, L. (2009), “An improved PSO for
dynamic load dispatch of generators with valve-point effects”, Energy, 34(1), 67-74.
14. Lin, W. M., Cheng, F. S., and Tsay, M. T. (2002), “An improved tabu search for
economic dispatch with multiple minima”, Power Systems, IEEE Transactions on,
17(1), 108-112.
15. Wong, K. P., and Wong, Y. W. (1994), “Genetic and genetic/simulated-annealing
approaches to economic dispatch”, In Generation, Transmission and Distribution, IEE
Proceedings- IET, 141(5), 507-513.
16. Yang, X. S., Hosseini, S. S. S., and Gandomi, A. H. (2012), “Firefly algorithm for
solving non-convex economic dispatch problems with valve loading effect”, Applied
Soft Computing, 12(3), 1180-1186.
10 www.EE2016.ir
17. Rao, R. (2016), “Jaya: A simple and new optimization algorithm for solving
constrained and unconstrained optimization problems”, International Journal of
Industrial Engineering Computations, 7(1), 19-34.
18. Niknam, T., Firouzi, B. B., and Mojarrad, H. D. (2011), “A new evolutionary algorithm
for non-linear economic dispatch”, Expert Systems with Applications, 38(10), 13301-
13309.
19. Niknam, T., Mojarrad, H. D., and Nayeripour, M. (2010), “A new fuzzy adaptive
particle swarm optimization for non-smooth economic dispatch”, Energy, 35(4), 1764-
1778.
20. Walters, D. C., and Sheble, G. B. (1993), “Genetic algorithm solution of economic
dispatch with valve point loading”, Power Systems, IEEE Transactions on, 8(3), 1325-
1332.
21. Bhattacharya, A., and Chattopadhyay, P. K. (2010), “Solving complex economic load
dispatch problems using biogeography-based optimization”, Expert Systems with
Applications, 37(5), 3605-3615.
22. Selvakumar, A. I., and Thanushkodi, K. (2007), “A new particle swarm optimization
solution to nonconvex economic dispatch problems”, Power Systems, IEEE
Transactions on, 22(1), 42-51.
23. Chiang, C. L. (2005), “Improved genetic algorithm for power economic dispatch of
units with valve-point effects and multiple fuels”, Power Systems, IEEE Transactions on,
20(4), 1690-1699.
24. Su, C. T., and Lin, C. T. (2000), “New approach with a Hopfield modeling framework
to economic dispatch”, Power Systems, IEEE Transactions on, 15(2), 541-545.
11 www.EE2016.ir