بهينه‌سازي چندهدفه بهره‌برداري از مخزن برقابي مطالعه موردي: سد كارون 5

Multi-objective optimization of hydropower reservoir operation case study, Karoon 5

اغلب مسائل تصميم‌گيري در دنياي واقعي به‌ويژه در زمينه مديريت منابع آب، مسائل چندهدفه‌اي هستند كه تصميم‌گيري بر اساس اهداف متفاوت و متضاد انجام مي‌شود. با توجه به دامنه وسيع كاربرد اين‌گونه مسائل، مدل‌هاي متفاوتي براي حل آن‌ها پيشنهاد شده است، كه از مهم‌ترين آن‌ها مي‌توان به مدل‌هاي بهينه‌سازي چندهدفه NSGA-II و MOPSO اشاره كرد. هدف از اين پژوهش مقايسه عملكرد الگوريتم‌هاي NSGA-II و MOPSO در حل مسئله بهره‌برداري بهينه چندهدفه از مخزن برقابي است. با توجه به اينكه مخازن برقابي در تأمين بار پيك شبكه برق مشاركت دارند، در ابتدا با استفاده از شبكه عصبي به پيش‌بيني قيمت روزانه انرژي در ساعت‌هاي اوج پرداخته شده، سپس نتايج حاصل از آن براي بهينه‌سازي چندهدفه بهره‌برداري از مخزن سد كارون 5، شامل دو هدف بيشينه‌سازي درآمد سالانه و بيشينه‌سازي حداقل انرژي توليدشده روزانه، به كار گرفته‌شده است. نتايج اين مطالعه نشان مي‌دهد كه هرچند زمان اجراي روش NSGA II بيش از دو برابر روش MOPSO است، ولي دقت نتايج آن در هر دو هدف بهتر از MOPSO است، به‌نحوي‌كه ميانگين درآمد سالانه و حداقل انرژي توليدي روزانه به‌دست‌آمده از روش NSGA-II به ترتيب 18درصد و 20 درصد بهتر از روش MOPSO است.

Increasing the population and consequently increasing the needs, climate change and reducing the inflow to the reservoirs, as well as increasing the diversity of downstream operators, has caused the optimal use of reservoirs to be more considered by researchers. The purpose of this study is to compare the performance of NSGA-II and MOPSO algorithms in solving the problem of multi-objective optimization of hydropower reservoir operation. Near the most of real-world decision-making issues, especially in the field of water resources management, are multi-objective issues in which decisions are made based on different and conflicting goals. Due to the wide range of application of these issues, different models have been proposed to solve them, NSGA-II and MOPSO are the most important of these multi-objective optimization models. Initially, the daily energy price was predicted using neural networks during peak hours, then the results were used to optimize the multi-objective operation of the Karoon 5 dam reservoir, including the two objectives of maximizing annual revenue and maximizing the minimum daily energy produced. Although the run time of the NSGA-II method is about twice as high as the MOPSO, the precision of its results is 20% better for both purposes than MOPSO.