توزيع بهينۀ ديناميكي توان و آلودگي با تأثيرپذيري از مدل احتمالاتي انرژي باد به كمك الگوريتم توسعه‌يافتۀ كلوني جستجوي ويروس

Dynamic Economic/Emission Dispatch with Probability Model of Wind Power with Modified Virus Colony Search Algorithm

در اين مقاله، به مدل‌سازي بهينۀ ديناميكي توان و آلودگي در طول يك شبانه‌روز به‌عنوان يك چالش مهم در مهندسي پرداخته شده است. همچنين، در سيستم قدرت امروزي، انرژي‌هاي تجديدپذير، سهم انكارناپذيري را در تأمين انرژي ارائه مي‌كنند؛ ازاين‌رو، براي ايجاد يك مدل كارآمد، علاوه بر در نظر گرفتن توابع هزينه و آلودگي، مدل‌سازي احتمالاتي انرژي باد پيشنهاد شده است. اصولاً چنين مسئله‌اي داراي محدوديت‌هاي متعددي است و به‌منظور سوق‌دادن آن به واقعيت، قيود عملي و غيرخطي مانند تعادل توان، نرخ شيب، مناطق ممنوعه، تابع هزينۀ ناصاف و محدوديت‌هاي توليد لحاظ شده‌اند. با توجه به اينكه اين توابع ازنظر ماهيت با يكديگر در تضادند، براي حل اين مسئله، الگوريتم چندهدفۀ كلوني جستجوي ويروس مبتني بر تئوري پارتو ارائه شده است. براي بهبود عملكرد الگوريتم جستجوي كلوني ويروس از نظريۀ آشوب بهره گرفته شده است كه ضعف الگوريتم استاندارد، يعني سرعت همگرايي و افزايش تعداد تكرار اجراي الگوريتم را براي رسيدن به جواب بهينه برطرف مي‌كند. تئوري آشوب به ماهيت سيستم‌هاي پيچيده با رفتار پيش‌بيني‌ناپذير و الگوبرداري با استفاده از توابع يا ارتباط رفتار آشفته براي الگوريتم به يك پارامتر اشاره دارد. با استفاده از ويژگي‌هاي تصادفي و پيمايشي سيستم‌هاي آشفته، استراتژي آشوب مي‌تواند كيفيت توزيع جمعيت را در فضاي جستجو بهبود دهد و كارايي همگرايي الگوريتم را ارتقا بخشيد. همچنين، براي انتخاب بهترين جواب از بين مجموعه جواب‌ها از تابع تصميم‌گيري فازي استفاده شده است. مدل و روش پيشنهادي روي سيستم‌هاي مختلف، اعمال و در مواردي با ساير روش‌هاي موجود در مقالات مقايسه شده است. نتايج نشان از بهبود عملكرد الگوريتم پيشنهادي دارد. همچنين، نتايج نشان دادند حضور منابع تجديدپذير كاهش هزينه‌ها، توليد و درنتيجه، افزايش امنيت شبكه را به همراه داشته است.

This paper deals with the dynamic economic and emission dispatch during a day as an important challenge in engineering. On the other hand, renewable energy provides an undeniable contribution to the energy supply. Therefore, to create an efficient model, the probability wind energy models have been proposed. In principle, this problem has several limitations and to bring it to reality, practical and nonlinear constraints such as power balance, ramp rate, prohibited zone, non-smooth cost function, and production constraints have been considered. Since these functions i.e. emission, cost, and wind models are conflicting in nature, to solve this problem, a multi-objective virus colony search algorithm (VCS) based on Pareto theory has been proposed. To improve the performance of the virus colony search algorithm, the chaos theory has been employed that eliminates the weakness of the standard algorithm, ie the speed of convergence and increased number of iterations of the algorithm to achieve the optimal solution. Chaos theory refers to the nature of complex systems with unpredictable behavior. Using the stochastic properties of chaos system, Chaos theory can improve the quality of population distribution in search space and enhance algorithm convergence function. The fuzzy decision function is also used to select the best solution from the set of solutions. The proposed model and method are applied to different systems and in some cases are compared with other methods in the articles. The results show an improvement in the performance of the proposed algorithm. The results also show that the presence of renewable resources has reduced production costs and thus increased network security.