در مدار قرار گرفتن بهینه واحدهای نیروگاهی حرارتی با استفاده از روش ترکیبی منطق فازی و الگوریتم جهش قورباغه

محورهای موضوعی : انرژی های تجدیدپذیر

حسن براتی ¹ (استادیار - گروه برق، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران)
اسماعیل فتحی ² (کارشناس ارشد - گروه برق، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران)
محمد نصیر ³ (کارشناس ارشد - گروه برق، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران)

تاریخ دریافت : 1397/01/17 تاریخ پذیرش : 1397/06/06 تاریخ انتشار : 1397/08/15

کلید واژه: منطق فازی, واحدهای حرارتی, در مدار قرار دادن نیروگاه‌ها, روش لاگرانژ, الگوریتم جهش قورباغه,

چکیده مقاله :

در این مقاله، مسئله در مدار قرار‌ گرفتن نیروگاه‌های حرارتی، با استفاده از ترکیب منطق فازی و الگوریتم جهش قورباغه حل شده است که در آن، محدودیت‌ها و قیود حداقل و حداکثر تولید، حداقل زمان توقف و روشن بودن، زمان راه‌اندازی، ذخیره چرخان و ... در نظر گرفته شده است. از منطق فازی جهت کاهش زمان تولید سیکل‌های خاموش و روشن بودن نیروگاه‌ها به ‌عنوان اعضاء جامعه‌ پاسخ‌های ممکن در حل مسئله در مدار قرار‌ دادن استفاده شده‌ است و الگوریتم جهش قورباغه برای بهینه‌کردن پاسخ‌ها به‌کار می‌رود و استفاده از روش پیشنهادی، منجر به سرعت در زمان دسترسی به پاسخ بهینه و کاهش هزینه‌ تولید می‌شود. شبیه‌سازی در محیط نرم‌افزاری MATLAB انجام شده است و نتیجه آن در مقایسه با برخی الگوریتم‌های هوشمند دیگر بهبودهایی را در هزینه تولید و زمان حل مسئله نشان می‌دهد. این روش قابلیت توسعه در حل مسئله در مدار آوردن نیروگاه‌های حرارتی در ابعاد مختلف با لحاظ سایر قیود و محدودیت‌ها را دارا می‌باشد.

چکیده انگلیسی:

Optimal Unit Commitment for Thermal Power Plants using Combined Fuzzy Logic and Shuffled Frog Leaping Algorithm MethodIn this paper, the thermal unit commitment is solved by using combined fuzzy logic and Shuffled Frog Leaping Algorithm, in which the minimum and maximum generation constraints, minimum up/down-time constraints, starting time, spinning reserve,and so on are considered. Fuzzy logic is used to reduce the production time of the ON/OFF cycle durations of each unit in the feasible solutions. Shuffled Frog Leaping Algorithm is used to optimize the results. Using the proposed method reduces the computation time and also the generation cost. The simulation has been done in the MATLAB software environment, and as its results compared with some other intelligent algorithms including Lagrange Relaxation (LR), Integer-Coded Genetic Algorithm (GA) and Bacterial Foraging (BF) for improvements in generation cost and problem solving time is shown. This method has the ability to develop solving unit commitment in different dimensions with considering constraints and limits.

منابع و مأخذ:

[1] C.P. Cheng, L. Chun and C.W liu, “Unit commitment by lagrangian relaxation and genetic algorithm”, IEEE Trans. on Power Systems, Vol.15, No 2, pp.707-714, May 2000,

[2] Q. Jiang, M. Zhang, B. Zhou B., “Parallel augment lagrangian relaxation method for transient stability constrained unit commitment", IEEE Trans. on Power Systems, Vol. 28, No. 2, pp.1140-1148, Oct. 2013.

[3] M. Amani, E. Zonkoly, "Multistage expansion planning for distribution network including unit commitment", IET Generation, Transmission and Distribution, Vol. 7, Iss.7, pp.766-778, July 2013.

[4] I.G. Domousis, P.S. Dokopoulos, A.G. Bakirtsis, "A solution to unit-commitment using intiger coded – genetic algorithm", IEEE Trans. on Power Systems, Vol. 19, No. 2, pp. 388-399, May 2004.

[5] Y. Jeong, J. Park, S. Jang, K. Lee, "A new quantum-inspired binary PSO: Application to unit commitment problem for power system", IEEE Trans. on Power Systems, Vol. 25, No. 3, pp. 486-1495, Aug. 2010.

[6] G. Morales, M. Latorre, "Tight and compact MILP formulation of start up and shut_down ramping in unit cummitment", IEEE Trans. on Power Systems, Vol. 28, No. 2, pp.1288-1296, May 2013.

[7] S.P. Simon, K. Chandrasekaran, "Multi-objective unit commitment problem with reliability function using fuzzified binary real coded artificial bee colony algorithm", IET Generation, Transmission and Distribution, Vol. 6, No. 10, pp.1060-1073, Oct. 2012.

[8] M. Moghimi, B. Vahidi, "A solution to the unit commitment problem using imperialist competition algorithm", IEEE Trans. on Power Systems, Vol. 27, No. 1, pp.117-124, Feb. 2012.

[9] J. Ebrahimi, S.H. Hossienian, G.B. Gharehpetian, “Unit commitment problem solution using shuffled frog leaping algorithm”, IEEE Trans. on Power Systems, Vol. 26, No. 2, pp. 573-580, May 2011,

[10] W. Lei, "A tighter piecewise linear approximation of quadratic cost curve for unit commitment problem", IEEE Trans. on Power Systems, Vol. 26, No. 4, pp. 2581-2589, Nov. 2011.

[11] H. Anand, N. Narang, J.S. Dhillon., "Profit based unit commitment using hybrid optimization technique", Energy, Vol. 148, pp. 701-715, April 2018.

[12] Y. Wu, H. Chang, S. Chang, "Analysis and comparison for the unit commitment problem in a large-scale power system by using three meta-heuristic algorithms", Energy Procedia, Vol. 141, pp. 423-427, Dec. 2017.

[13] M. Nemati, M. Braun, S. Tenbohlen, "Optimization of unit commitment and economic dispatch in microgrids based on genetic algorithm and mixed integer linear programming", Applied Energy, Vol.  210, pp. 944-963, Jan. 2018.

[14] G.V. SubbaReddy, V. Ganesh, R.C. Srinivasa, "Implementation of genetic algorithm based additive and divisive clustering techniques for unit commitment", Energy Procedia, Vol. 117, pp. 493-500, June 2017.

[15] N.P. Padhy, "Unit commitment – A bibiogrphical survey", IEEE Trans. on Power Systems, Vol. 19, No. 2, pp. 1196-1205, May 2004.

[16] S.A. Kazarlis, A.G. 8akirtzis, V. Petridis. "A genetic algorithm solution to the unit commitment problem",, IEEE Trans. on Power Systems, Vol. 11, No. 1, Feb. 1996.