اصلاح الگوریتم بهینه‌سازی فاخته برای حل مسأله برنامه‌ریزی توسعه تولید

STUDENT

DEGREE

YEAR

Generation Expansion Planning (GEP) is the first crucial step in long-term expansion planning issues, after that the load is properly forecasted for a specified future period. GEP is the problem of determining when, where, what type and how much capacity of new power plants are required so that the demand is adequately supplied for a foreseen future. The GEP is concerned with a highly constrained nonlinear discrete dynamic optimization problem. The main purpose of GEP is to find the optimal generation expansion plan with minimum cost according to pre-specified reliability criteria. In this thesis, the GEP cost function is to minimize the total investment cost, operation cost and outage cost (cost of the expected energy not served) as well as salvage value of investment costs, neglecting retirement of units. Generation system reliability is provided by Expected Energy Not Served (EENS) and Loss of Load Probability (LOLP) indices. To calculate expected enegry produced by each unit, probabilistic production simulation is used by Equivalent Energy Function (EEF) method. Some of metahueristic algorithms were applied to solve GEP problem. The Cuckoo Optimization Alogorithm (COA) is a new evolutionary algorithm which is suitable for continuous nonlinear optimization problems. This thesis presents a development of an improved cuckoo optimization algorithm (ICOA) and its application to solve discrete GEP problem. Egg laying based on fitness, a new egg laying readius (ELR), a new flying method, a new migration operator and performing new population based on genetic operators, are developed to provide a more accurate search mechanism for discrete optimization problem. The ICOA approach is applied to a test system to solve the GEP problem. In order to show the effect of increasing scale on ICOA perormance, the GEP is solved in a time horizon of 10-year and 20-year planning period. For better comparison, the PSO, COA and MCOA algorithms are also applied to this test system. Furtheremore, the results of GA and SFLA for this system are pursued. The obtained results show that the proposed method, rather than other three methods, can provide a lower cost expansion plan for GEP. Based on good application of the proposed method (ICOA) for solving discrete GEP problem, a good application to continuous optimization problems is also expected for it; so, the ICOA is applied to Economic Load Dispatch (ELD) problem as a nonlinear continuous problem in power system. The aim of ELD is to find the optimal combination of generators in order to minimize the total fuel costs of thermal units while satisfying the load demand and operation constraints. Furthermore, the PSO, COA and MCOA algorithms are applied to this test system for comparing results. The obtained results affirm fast convergence and efficiency of the proposed method (ICOA) compared to other applied algorithms. It was shown that the developed ICOA, improved the COA algorithm in solving both of discrete and continuous optimization problems

هدف از حل مسأله برنامه‌ریزی توسعه تولید (GEP)، تعیین طرح توسعه تولید با کم‌ترین هزینه است، به گونه‌ای که بتواند تقاضای بار پیش‌بینی شده را در عین برآوردن معیارهای قابلیت‌اطمینان و قیود فنی و اقتصادی مختلف تأمین نماید. مسأله برنامه‌ریزی توسعه تولید به صورت یک مسأله بهینه‌سازی گسسته، غیرخطی و مقید به مجموعه‌ای از قیود مدل می‌شود. در این پایان‌نامه، با صرف‌نظر کردن از هزینه آلودگی و بازنشستگی واحدهای تولیدی، تابع هدف به صورت کمینه‌کردن مجموع هزینه‌های سرمایه‌گذاری، تعمیرات و بهره‌برداری، نرخ سوخت و انرژی تأمین‌نشده، با لحاظ‌کردن ارزش بازیافتی هزینه‌های سرمایه‌گذاری درنظر گرفته می‌شود. به منظور محاسبه انرژی خروجی واحدهای تولیدی و شاخص‌های قابلیت‌اطمینان، از یکی از روش‌های‌ شبیه‌سازی احتمالاتی تولید به نام روش تابع انرژی معادل استفاده می‌شود. حل مسأله GEP به عنوان یک مسأله بهینه‌سازی غیرخطی، نیازمند روش های بهینه سازی فراابتکاری و هوشمند است. اخیراً الگوریتم بهینه‌سازی فاخته (COA)، و نسخه اصلاح‌شده آن (MCOA)، به عنوان یک الگوریتم بهینه سازی قوی در حل مسائل بهینه‌سازیِ دارای متغیرهای پیوسته، کارآیی مؤثری داشته است. اما این الگوریتم برای حل مسائل دارای متغیرهای گسسته مانند مسأله GEP از کارآیی لازم برخوردار نیست. در این پایان نامه، ضمن بررسی نقاط قوت و ضعف این روش، الگوریتم جدیدی تحت عنوان الگوریتم بهینه‌سازی فاخته بهبودیافته (ICOA) پیشنهاد می‌شود و کارآیی مناسب آن برای حل مسائل بهینه‌سازی گسسته مانند مسأله GEP نشان داده می‌شود. در این الگوریتم، اصلاحات متنوع و مختلفی در عملگرهای الگوریتم استاندارد COA صورت گرفته است تا در عین حفظ بدنه اصلی و توانایی های الگوریتم COA، کارآیی آن را در حل مسائلی با متغیرهای گسسته بهبود بخشد. بهبود سبک تخم‌گذاری بر اساس شایستگی، اصلاح شعاع تخم‌گذاری، اصلاح عملگر پرواز به سمت ناحیه بهینه، افزودن عملگر مهاجرت به الگوریتم و شکل‌گیری نسل جدید با استفاده از عملگرهای ژنتیکی، باعث بهبود کارآیی الگوریتم در رسیدن به جواب بهینه می‌شود. یکی از روش‌های فراابتکاری موفق که تاکنون در حل مسئله GEP استفاده شده است، الگوریتم بهینه سازی ازدحام ذرات (PSO) است که در این تحقیق، برای مقایسه عملکرد الگوریتم پیشنهادی به کار گرفته می‌شود. جهت ارزیابی عملکرد الگوریتم پیشنهادی، برنامه‌ریزی توسعه تولید در یک سیستم نمونه انجام می‌شود و نتایج حاصل از الگوریتم پیشنهادی با نتایج الگوریتم‌های PSO، COA و MCOA، و نیز نتایج منتشرشده از برنامه ریزی توسعه تولید همین سیستم به روش های الگوریتم ژنتیک (GA) و الگوریتم جهش قورباغه‌های به‌هم آمیخته (SFLA)، مقایسه می‌شود. برای نشان‌دادن تأثیر افزایش ابعاد در حل مسأله، برنامه‌ریزی توسعه تولید سیستم مذکور برای دو افق 10ساله و 20ساله انجام می‌شود. الگوریتم پیشنهادی ICOA در حل مسائل دارای متغیرهای پیوسته نیز نقاط قوت و توانایی مؤثری نسبت به الگوریتم COA دارد. برای نشان دادن این موضوع، ICOA برای حل مسأله بهینه سازی پیوسته پخش بار اقتصادی نیز مورد استفاده قرار گرفته و نتایج آن با نتایج حاصل از به کار گیری الگوریتم های مذکور مقایسه شده است. بررسی نتایج حل هردو مسأله گسسته و پیوسته نشان می‌دهد که علاوه بر بهبود کیفیت جواب و سرعت همگرایی بهتر، الگوریتم پیشنهادی نسبت به سایر روش‌های مذکور عملکرد بهتری در رسیدن به جواب بهینه دارد. واژه‌های کلیدی: 1- الگوریتم بهینه‌سازی فاختـه 2- برنامه‌ریزی توسعه تولید 3- الگوریتم بهینه‌سازی ازدحـام ذرات 4- بهره‌برداری اقتصادی نیروگاه‌ها 5- شبیه‌سازی احتمالاتی تولید