بهينه سازي مساله SCUC با استفاده از الگوريتم PSO باينري در نيروگاه حرارتي/خورشيدي

Optimization of Security Constrained Unit Commitment Problem in Thermal Integrated Photovoltaic Units by BPSO Algorithm

در اين تحقيق، يك راه حل بهينه براي برنامه ريزي روز-پيش (Day-ahed)مساله امنيت-مقيد مشاركت واحدها يا همانSCUC (Security Constrained Unit Commitment) در سيستم قدرت فراهم شده است. چنين برنامه ريزي، در واقع درگير فراهم كردن يك هماهنگي بين واحد هاي توليدي در پاسخ به تغييرات شرايط بارگزاري است تا بتواند هزينه هاي كلي سيستم قدرت را كاهش دهد. براي حل مساله، از يك روش كاربردي و دقيق با عنوان بهينه سازي ازدحام ذرات يا همان PSO (Particle Swarm Optimization) استفاده شده است. سيستم مورد مطالعه در اين تحقيق، شامل واحدهاي حرارتي و خورشيدي است. براي در نظر گرفتن عدم قطعيت موجود در واحدهاي خورشيدي و همچنين بار سيستم، از روش مونت كارلو (Monte Carlo) استفاده شده است. تابع هدف در اينجا يك چندجمله اي درجه دوم است كه مربوط به هزينه هاي سوخت و راه اندازي واحدها است. نتايج شبيه-سازي نشان مي دهد كه برنامه ريزي مشاركت واحدها با استفاده از اين روش، منجر به كاهش چشمگير هزينه هاي عملكرد سيستم، دركنار ارضا تمامي قيود غالب سيستم مي شود كه نسبت به روش هاي مرسوم و سنتي، داراي سرعت همگرايي بالاتر و دقت بيشتري است.

In this study, an optimal solution for day-ahead programming in a Security Constrained Unit Commitment (SCUC) problem in power system has been presented. In fact this programming concentrates on providing coordination between generation units when a variation in load constraints is occurred. The goal of this coordination is to reduce the power system total cost. A practical and accurate method called Particle Swarm Optimization (PSO) has been used to solve this problem. The system considered in this study contains thermal and photovoltaic units. Monte Carlo method has been employed to model the uncertainty of photovoltaic units and system load. The objective function in this optimization is a second order polynomial including fuel and operation costs. Results of simulation shows that unit commitment programming with this method decrease system operation costs remarkably and simultaneously satisfies all system constraints. This method has higher accuracy and convergence speed with respect to the conventional methods.