بهينه‌سازي بهره‌برداري از مخازن سدهاي چندمنظوره با كاربرد روش بهينه‌سازي مجموعه ذرات

Optimization of Multipurpose Reservoir Operation with Application Particle Swarm Optimization Algorithm

چكيده بهره‌برداري بهينه از مخازن چندمنظوره يكي از مسايل پيچيده و گاهاً غيرخطي مطرح در بهينه‌سازي چندهدفه است. الگوريتم‌هاي فراكاوشي ابزار بهينه‌سازي مناسبي هستند كه با شبيه‌سازي رفتار جانداران به جستجوي فضاي تصميم پرداخته و امكان ارايه مجموعه‌اي از نقاط را به‌عنوان مجموعه جواب مسيله دارند. لذا در اين تحقيق، كاربرد الگوريتم MOPSO در مسيله بهره‌برداري بهينه از مخزن بازفت، با اهداف توليد انرژي برقابي، تامين نياز پايين دست (شرب، صنعت و كشاورزي)، كنترل سيلاب و تفريحات مورد بررسي قرار گرفت. به اين منظور، در ابتدا مقايسه‌اي ميان مجموعه جوابهاي حاصل از الگوريتم MOPSO در تركيبات دوتايي اهداف اشاره شد و CP با ضرايب وزني و تواني مختلف صورت پذيرفت كه الگوريتم MOPSO در تمامي تركيبات اهداف در ارايه مجموعه جوابهايي با توزيع مناسب نقاط نسبت به CP از برتري برخوردار بود و بر جوابهاي CP غلبه نمود. در ادامه مقايسه ديگري ميان، نقاط انتهايي مجموعه جواب الگوريتم MOPSO و NLP صورت گرفت كه جوابهاي الگوريتم MOPSO با متوسط 3/0 درصد اختلاف با NLP ، قابليت زيادي در ارايه جوابهاي بهينه در نقاط انتهايي مجموعه جواب داشت.

Abstract Optimal operation of multipurpose reservoirs is one of the complex and sometimes nonlinear problems in the field of multi-objective optimization. Evolutionary algorithms are optimization tools that search decision space using simulation of natural biological evolution and present a set of points as the optimum solutions of problem. In this research, application of multi-objective particle swarm optimization (MOPSO) in optimal operation of Bazoft reservoir with different objectives, including generating hydropower energy, supplying downstream demands (drinking, industry and agriculture), recreation and flood control have been considered. In this regard, solution sets of the MOPSO algorithm in bi-combination of objectives and compromise programming (CP) using different weighting and power coefficients have been first compared that the MOPSO algorithm in all combinations of objectives is more capable than the CP to find solution with appropriate distribution and these solutions have dominated the CP solutions. Then, ending points of solution set from the MOPSO algorithm and nonlinear programming (NLP) results have been compared. Results showed that the MOPSO algorithm with 0.3 percent difference from the NLP results has more capability to present optimum solutions in the ending points of solution