An Improved Binary Particle Swarm Optimization forUnit Commitment Problem

نام مقاله به انگلیسی:

برنامه ریزی مشارکت واحدها با استفاده از الگوریتم PSO

چکیده :

در این مقاله یک رویکرد ترکیبی فهرست اولویت (PL) با باینری بهینه سازی ازدحام ذرات (PSO) برای حل مشکل مشارکت واحدها (UC) ارائه شده است. در ابتدا، روش PL برای تعیین اولیه UC استفاده قرار گرفت، و پس از آن پنجره بهینه سازی با توجه به نتایج تعیین شد، در آخر روش BPSO برای حل مشکل UC در پنجره به تصویب رسید. پنجره برای کاهش زمان محاسبات و بهبود دقت و صحت بهینه سازی تشکیل شد. در هر تکرار، تنظیم استراتژی اکتشافی به تجدید نظر در ذرات برای پاسخگویی به محدودیت ژنراتورها استفاده شد. در این مقاله مشکل روش ترکیب تکرار لامبدا با الگوریتم دوگانگی برای حل پخش بار اقتصادی (ED) تعیین شد. نتایج شبیه سازی نشان داد که روش ارائه شده در واقع قادر به بدست آوردن راه حل با کیفیت بالاتر می باشد.

مقدمه :

مشارکت واحد (UC) می تواند به عنوان برنامه ریزی تولید برق از واحدهای تولید با افق زمانی بیش از یک روز در هفته تعریف شده در حالی که محدودیت ژنراتور های مختلف و محدودیت های سیستم نیز در نظر گرفته شود. در حل مشکل UC، به طور کلی دو تصمیم اساسی درگیر هستند، یعنی، “مشارکت واحد ها” و “پخش بار اقتصادی” .

“مشارکت واحد ها” تصمیمی شامل تعیین واحد مولد راه اندازی شده در طول افق برنامه ریزی هر یک ساعت با توجه به ظرفیت مورد نیاز سیستم، از جمله ذخیره، و محدودیت در راه اندازی و خاموش کردن واحد است. “پخش بار اقتصادی” تصمیمی شامل تخصیص تقاضا سیستم و ظرفیت ذخیره چرخان در میان واحدهای بهره برداری در طول هر یک ساعت خاص از بهره برداری است. تابع هدف شامل هزینه های مرتبط با تولید انرژی و راه اندازی و تصمیم گیری خاموشی ، همراه با سود است. مشکلات منتج مقیاس بزرگی است که این مشکل بهینه سازی غیر خطی است که برای آن هیچ روش دقیق و راه حلی وجود ندارد. تلاش های تحقیقاتی متمرکز بر کارآمدی الگوریتم بهینه UC می تواند به سیستم های قدرت واقعی اعمال شود و ذخیره سازی و محاسبات منطقی زمان مورد نیاز را جواب دهد.

بررسی ادبیات در روش واحد مشارکت نشان می دهد که تکنیک های مختلف بهینه سازی عددی برای رویکرد مشکل واحد مشارکت استفاده شده است. به طور خاص، روش های سنتی از قبیل ریاضی فهرست اولویت (PL) [1،۲] روش، برنامه نویسی دینامیکی (DP) [3]، انشعاب و حد (BB) وجود دارد [۴] روشهای، برنامه نویسی ترکیبی عدد صحیح (MIP) [5] و آرامش لاگرانژی (LR) [6،۷]. به تازگی، برخی روش های مبتنی بر فراشناخت اکتشافی مانند الگوریتم ژنتیک (GA) [8،۹]، برنامه نویسی تکاملی (EP) [10]، منطق فازی (FL)، شبکه عصبی مصنوعی (ANN)، آنیل شبیه سازی شده (SA) و الگوریتم های ازدحام: بهینه سازی ازدحام ذرات (PSO) [11،۱۲،۱۳] و بهینه سازی کلونی مورچه (ACO) نیز نتایج امیدوار کننده تر در مدت زمان محاسبه و به حداقل رساندن هزینه نشان داده شده است.

نوع مقاله	IEEE
سال ارائه	۲۰۱۱
گزارش کار	دارد
ترجمه	دارد
پاورپوینت	ندارد
شبیه سازی	ام فایل در محیط MATLAB