برنامه ريزي كوتاه مدت واحدهاي آبي حرارتي با استفاده از الگوريتم توسعه يافته بهينه يابي جفت گيري زنبور عسل

Short term hydrothermal scheduling via improved honey-bee mating optimization algorithm

در اين مقاله روشي جديد براي حل مسأله برنامه ريزي كوتاه مدت واحدهاي آبي – حرارتي، براي مينيمم كردن هزينه نهايي توليد و توليد انرژي الكتريكي به صورت بهينه، با استفاده از الگوريتم توسعه يافته بهينه يابي جفت گيري زنبور عسل معرفي شده است. با توجه به اينكه در برنامه ريزي مربوط به واحدهاي آبي - حرارتي قيود بسياري، از جمله: قيد تعادل توان توليدي، قيد تعادل آب پشت سد، لختي آب انتقالي بين سدها، محدوديت حجم آب ذخيره شده و محدوديت مربوط به عملكرد واحدهاي آبي و حرارتي وجود دارد، مسأله برنامه ريزي واحدهاي آبي - حرارتي به يك مسأله بهينه يابي بسيار پيچيده و غير خطي تبديل شده است. در اين مقاله، علاوه بر روش بهينه يابي جفت گيري زنبور عسل، الگوريتم جفت گيري زنبور عسل به شكل توسعه يافته نيز معرفي شده و بر روي يك سيستم نمونه پياده سازي و در پايان، نتايج مربوط به روش توسعه يافته با نتايج مربوط به ديگر روش‌هاي بهينه يابي مقايسه شده است. با توجه به نتايج شبيه سازي آشكار است كه روش توسعه يافته جفت گيري زنبور عسل داراي سرعت همگرايي بسيار بالاتر و زمان حل و هزينه نهايي پايين‌تري نسبت به روش‌هاي الگوريتم بهينه‌يابي جفت گيري زنبور عسل، الگوريتم ژنتيك، بهينه‌يابي انبوه ذرات و ديگر روش‌هاي بهينه يابي است.

In this paper, a new approach for solving short term hydrothermal scheduling problem is suggested, to minimize the total production cost and to produce electrical energy in an optimized way, by using honey-bee mating optimization algorithm. In the proposed method, lots of the hydrothermal system constraints such as power balance, water balance, time delay between reservoirs, volume limits and the operation limits of hydro and thermal plants, are considered. Therefore, the problem of short term hydrothermal scheduling becomes a complicated and nonlinear problem. In this paper, in addition to implementing the honey-bee mating optimization on a sample system, the improved honey-bee mating optimization algorithm has also been tested and analyzed. With regard to the simulation results, it is apparent that the improved honey-bee mating optimization has far higher convergence speed and takes less time, and less total cost in comparison with honey-bee mating optimization algorithm, genetic algorithm, particle swarm optimization algorithm and other optimization methods.