‫استفاده از الگوریتم ‪ JAYA‬به منظور حل مسأله توزیع اقتصادی بار‬

‫محمد جعفر مکرم‪ ،1‬طاهر نیکنام*و ‪،1‬‬

‫دانشکده مهندسی برق و الکترونیک دانشگاه صنعتی شیراز‬

‫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

‫‪ .2‬مسأله توزیع اقتصادی بار با در نظر گرفتن اثرات غیر خطی‬

‫‪ -2-1‬مسأله توزیع اقتصادی بار با تابع هزینه خطی‬

‫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 ‫)‪valve point effect (VPE‬‬

‫‪3‬‬ ‫)‪prohibited operating zones (POZs‬‬
‫)‪4 dynamic programming (DP‬‬
‫‪5 Curse of Dimensionality‬‬
‫)‪6 Simulated Annealing (SA‬‬
‫)‪7 Firefly Algorithm (FA‬‬

‫‪2‬‬ ‫‪www.EE2016.ir‬‬
 ‫‪Ng‬‬

‫‪Min H ( X ) ‬‬ ‫‪ F (p‬‬

‫‪i 1‬‬
‫‪i‬‬ ‫‪gi‬‬ ‫)‬

‫‪Fi  pgi   ai  pgi2  b  pgi  ci‬‬ ‫(‪)1‬‬

‫] ‪Z  [ pg1 , pg 2 , pg 3 , ... , pgN g‬‬
‫که در آن ‪ Z‬بردار متغیرهای تصمیم گیری و ‪ pgi‬توان خروجی نیروگاه ‪i‬ام میباشد‪.‬‬

‫‪ -2-2‬مسأله توزیع اقتصادی بار با تابع هزینه غیر خطی‬

‫با در نظر گرفتن شرایط عملی نیروگاهها مانند اثر شیر بخار یا مناطق ممنوعه تولید‪ ،‬مسأله توزیع اقتصادی بار یک‬
‫مسأله غیر خطی‪ ،‬ناصاف و نامحدب میباشد [‪ .]8‬شکل ‪ 1‬منحنی سوخت یک نیروگاه با در نظر گرفتن ‪ 4‬شیر بخار را‬
‫نشان میدهد‪.‬‬
‫برای مدل کردن اثر شیر بخار در منحنی ورودی‪-‬خروجی نیروگاهها میتوان یک جمله سینوسی به مدل استاندارد به‬
‫صورت زیر اضافه کرد‪:‬‬
‫‪Ng‬‬

‫‪Min H ( X ) ‬‬ ‫‪ F (p‬‬

‫‪i 1‬‬
‫‪i‬‬ ‫‪gi‬‬ ‫)‬

‫‪Fi ( pgi )  ai  pgi 2  bi  pgi  ci  | ei  sin( f i  ( pgi‬‬ ‫‪min‬‬ ‫| )) ‪- pgi‬‬ ‫(‪)2‬‬

‫] ‪Z  [ pg1 , pg 2 , pg 3 , ... , pgN g‬‬

‫شکل ‪ :1‬تابع هزینه با در نظر گرفتن (__) و بدون در نظر گرفتن (‪ )- -‬اثر شیر بخار‬

‫‪ -2-3‬محدودیتهای مسأله توزیع اقتصادی بار‬

‫قید تأمین بار‬
‫این قید که به صورت زیر بیان میشود‪ ،‬بیانگر این است که باید مجموع توان تولیدی نیروگاهها برابر بار سیستم و‬
‫تلفات ناشی از انتقال این توان باشد‪.‬‬
‫‪Ng‬‬

‫‪P‬‬
‫‪i1‬‬
‫‪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

‫‪PL =  Pgi Bi j Pgj +  B0i Pgi + B00‬‬ ‫(‪)4‬‬

‫‪i 1 j 1‬‬ ‫‪i 1‬‬

‫قید مناطق ممنوعه تولید‬

‫باید توجه داشت که نیروگاهها در بعضی بازهها به دلیل مشکالت فنی‪ ،‬توانایی تولید را نداشته و بنابراین مقدار توان به‬
‫دست آمده به وسیله الگوریتم مورد نظر نباید در این بازهها باشد‪.‬‬
‫‪ Pgi min  Pgi  PgiLow‬‬ ‫‪, l 1‬‬
‫‪‬‬
‫‪ Up‬‬ ‫‪‬‬
‫‪ Pgi ,l 1  Pgi  Pgi ,l ‬‬
‫‪Low‬‬

‫‪‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪‬‬
‫‪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

‫‪ .3‬الگوریتم ‪ JAYA‬به منظور حل مسائل بهینه سازی‬

‫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.‬‬

‫‪ .5‬شبیه سازی و نتایج عددی‬

‫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.‬‬

‫جدول ‪ -1‬نتایج الگوریتم ‪ JAYA‬و چند روش دیگر در سیستم سه نیروگاهی‬

‫زمان اجرا (ثانیه)‬ ‫متوسط جوابها‬ ‫بدترین جواب‬ ‫بهترین جواب‬ ‫روش‬
‫‪0.083‬‬ ‫‪8196.5095‬‬ ‫‪8196.5095‬‬ ‫‪8196.5095‬‬ ‫‪JAYA‬‬
‫‪35.8‬‬ ‫‪-‬‬ ‫‪-‬‬ ‫‪8234.07‬‬ ‫‪]21[ GA‬‬
‫‪4.37‬‬ ‫‪8234.07‬‬ ‫‪8234.07‬‬ ‫‪8234.07‬‬ ‫‪]22[ PSO‬‬

‫سیستم ‪ .2‬شش نیروگاه با بار ‪ 1263‬مگاوات‬

‫در این سیستم‪ ،‬شش نیروگاه وجود دارد که عالوه بر وجود تلفات که منجر به پیچیدگی بیشتر سیستم میشود‪،‬‬
‫مناطق ممنوعه تولید هم در نظر گرفته شده است‪ .‬اطالعات مربوط به ضرایب تلفات و همچنین مشخصات مناطق ممنوعه‬
‫در زیر آمده است‪ .‬برای بررسی عملکرد و کیفیت جوابهای حاصل از الگوریتم ‪ JAYA‬در جدول ‪ 3‬نتایج با چند روش‬
‫دیگر مقایسه شده است‪ .‬همانگونه که از جدول ‪ 3‬مشخص است‪ ،‬روش مورد بحث توانسته در زمان بسیار کمی و با دقت‬
‫قابل قبولی به جواب مسألهای نسبتاً پیچیده برسد‪ .‬جوابهای بدست آمده از الگوریتم پیشنهادی‪ ،‬در این سیستم برای هر‬
‫بار اجرا تقریبا به یک عدد همگرا میشود که این نشان از مقاوم بودن الگوریتم و نیز قابلیت اعتماد به جوابهای بدست‬
‫آمده از آن میباشد‪.‬‬
‫‪ 0.0017‬‬ ‫‪0.0012‬‬ ‫‪0.0007  0.0001  0.0005‬‬ ‫‪ 0.0002‬‬
‫‪ 0.0012‬‬ ‫‪0.0014‬‬ ‫‪0.0009 0.0001  0.0006‬‬ ‫‪ 0.0001‬‬
‫‪‬‬
‫‪ 0.0007‬‬ ‫‪0.0009‬‬ ‫‪0.0031 0.0000  0.0010‬‬ ‫‪ 0.0006 ‬‬
‫‪Bij  ‬‬ ‫‪‬‬
‫‪ 0.0001 0.0001‬‬ ‫‪0.0000 0.0024  0.0006‬‬ ‫‪ 0.0008 ‬‬
‫‪ 0.0005  0.0006  0.001  0.0006 0.0129‬‬ ‫‪ 0.0002 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 0.0002  0.0001  0.0006  0.0008  0.0002‬‬ ‫‪0.015 ‬‬
‫‪Bio  0.001  0.3908  0.1297 0.7047 0.0591 0.2161  0.6635‬‬
‫‪Boo  0.056‬‬

‫‪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

‫جدول ‪ -3‬نتایج الگوریتم ‪ JAYA‬و چند روش دیگر در سیستم شش نیروگاهی‬

‫متوسط جوابها‬ ‫بدترین جواب‬ ‫بهترین جواب‬ ‫روش‬

‫‪15443.83‬‬ ‫‪15444.37‬‬ ‫‪15443.8‬‬ ‫‪JAYA‬‬
‫‪15469‬‬ ‫‪15524‬‬ ‫‪15459‬‬ ‫]‪GA[7‬‬
‫‪15449.777‬‬ ‫‪15449.874‬‬ ‫‪15449.766‬‬ ‫]‪DE[7‬‬
‫‪15450.5‬‬ ‫‪15452‬‬ ‫‪15450‬‬ ‫]‪NPSO-LRS[23‬‬

‫سیستم ‪ .3‬پانزده نیروگاه‪ ،‬بار درخواستی ‪ 2630‬مگاوات‬

‫در این سیستم که اطالعات آن در جدول ‪ 4‬و ‪ 5‬آمده است‪ ،‬باید مقدار تولید هر نیروگاه به گونهای مشخص شود که‬
‫عالوه بر تأمین بار‪ ،‬تلفات تأمین شده و محدودیت مناطق ممنوعه تولید هم رعایت شود‪ .‬در جدول ‪ 6‬نتایج حاصل از حل‬
‫مسأله با الگوریتم ‪ JAYA‬و چند روش دیگر آمده است‪ .‬در این سیستم‪ ،‬تعداد نیروگاهها افزایش یافته است و این امر‬
‫موجب پیچیده تر شدن سیستم میشود‪ .‬همچنین تلفات به عنوان یک پدیده غیر خطی به پیچیدگی سیستم اضافه می‪-‬‬
‫کند‪ .‬وجود مناطق ممنوعه تولید باعث میشود که بعضی جوابها غیر قابل قبول محسوب شده و احتمال همگرایی‬
‫الگوریتم به یکی از مینیممهای محلی افزایش یابد‪ .‬همانگونه که از نتایج مشخص است‪ ،‬الگوریتم مورد بحث توانسته از‬
‫روشهای معروف و قدرتمندی همچون ‪ PSO‬پیشی گرفته و حتی جوابهای قابل قبولتری ارائه نماید‪ .‬باید توجه داشت‬
‫هرچند که اختالف جواب حاصل از الگوریتم پیشنهادی با سایر روشها زیاد نیست‪ ،‬اما این امر نشان دهنده این است که‬
‫الگوریتم مورد نظر از توانایی باالیی برای رسیدن به جوابهای بهتر در مسائل گوناگون را داشته و قابل اعتماد تر میباشد‪.‬‬

‫جدول ‪ -4‬مشخصات کلی ضرایب نیروگاهها و محدودههای توان تولیدی‬

‫‪c‬‬ ‫‪b‬‬ ‫‪a‬‬ ‫توان ماکزیمم‬ ‫توان مینیمم‬ ‫واحدهای تولیدی‬
‫)‪(MW‬‬ ‫)‪(MW‬‬
‫‪671‬‬ ‫‪10.1‬‬ ‫‪0.000299‬‬ ‫‪455‬‬ ‫‪150‬‬ ‫نیروگاه‪1‬‬
‫‪574‬‬ ‫‪10.2‬‬ ‫‪0.000183‬‬ ‫‪455‬‬ ‫‪150‬‬ ‫نیروگاه ‪2‬‬
‫‪374‬‬ ‫‪8.8‬‬ ‫‪0.001126‬‬ ‫‪130‬‬ ‫‪20‬‬ ‫نیروگاه ‪3‬‬

‫‪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 ‪ -5‬مناطق ممنوعه تولید برای سیستم پانزده نیروگاهی‬

‫بازه‪3‬‬ ‫بازه‪2‬‬ ‫بازه‪1‬‬ ‫واحدهای تولیدی‬
‫[‪450-‬‬ ‫[‪]335-305‬‬ ‫[‪]225-185‬‬ ‫نیروگاه ‪2‬‬
‫‪]420‬‬
‫[‪420-‬‬ ‫[‪]335-305‬‬ ‫[‪]200-180‬‬ ‫نیروگاه ‪5‬‬
‫‪]390‬‬
‫[‪455-‬‬ ‫[‪]395-365‬‬ ‫[‪]255-230‬‬ ‫نیروگاه ‪6‬‬
‫‪]430‬‬
‫‪-‬‬ ‫[‪]65-55‬‬ ‫[‪]40-30‬‬ ‫نیروگاه ‪12‬‬

‫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

‫سیستم ‪ .4‬بیست نیروگاه‪ ،‬بار درخواستی ‪ 2500‬مگاوات‬

‫در این سیستم به منظور اعتبار سنجی بیشتر الگوریتم مورد بحث‪ ،‬از سیستمی با تعداد متغیرهای تصمیم گیری‬
‫بیشتر بهره گرفته شده است‪ .‬همانگونه که در قسمت مقدمه گفته شد‪ ،‬با افزایش تعداد متغیرهای تصمیمگیری بعضی از‬
‫الگوریتمها‪ ،‬یا توانایی رسیدن به بهترین جواب را نداشته و یا همیشه به آن نمیرسند‪ .‬اطالعات مربوط به نیروگاهها و‬
‫محدودیتهای مسأله در مرجع ‪ 24‬آمده است‪ .‬در این سیستم نیز تلفات در نظر گرفته شده و تمامی واحدهای موجود در‬
‫این سیستم مستلزم تامین این مقدار بار به عالوه تلفات هستند‪ .‬نتایج بدست آمده از الگوریتم مورد بحث در جدول ‪ 7‬با‬
‫چند روش دیگر مقایسه شده است‪ .‬نتایج موجود در جدول ‪ 7‬بیانگر دقت مناسب الگوریتم پیشنهادی میباشد‪ .‬همانگونه که‬

‫‪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