پخش‌باراقتصادي و آلودگي‌هاي محيطي به كمك الگوريتم چند منظوره MOGSA

Environmental/Economic Power Dispatch Using Multi-objective Gravitational Search Algorithm

يكي از مسايل مهم در صنعت برق امروزي توليدآلودگي‌هاي محيطزيستي در اثر مصرف سوخت‌هاي فسيلي و توليدگازهاي خطرناكي چون مونواكسيد و دي‌اكسيد كربن مي‌باشد. در اين مقاله به حل مساله پخش‌باراقتصادي با در نظر گرفتن آلودگي‌هاي محيطي (EED) ايجاد شده به كمك الگوريتم چند منظوره MOGSA پرداخته شده است. مساله EED يك مساله غيرخطي با در نظر گرفتن تابع هزينهتوليد، آلودگي محيطزيست و تلفات يكي از مسايل مهم در سيستمامروزي مي‌باشد. براي تطابق مساله با مساله واقيعتقيودناشي از ژنراتورها، خطوط و سايرمحدوديت‌هاي عملي لحاظ شده است. در الگوريتمMOGSA براساس مرتب كردن خارجي تابع شايستگي‌ها به يافتن جواب مناسب مي‌پردازد، در حقيقت در اينالگوريتم براساس بهينه‌سازي پارتو به كمك آنتروپي انبوهي به يافتن جواب مناسب در تابع‌هاي موجود مي‌پردازد. آنتروپي انبوهي يكمعيار مناسب براي تخمين براساس جمعيتمي‌باشد. بررسي‌هاي مورد نظر بر روي دو سيستم استاندارد 30 و 118 باسه استاندارد IEEE انجام گرفته شده و نتايج به دست آمده از آن با نتايج به دست آمده از سايرروش‌هامقايسه شده است. نتايج به دست آمده از شبيه‌سازي‌ها در جداول و شكل‌ها نشان از كارايي مناسب بهينه‌سازي بر اساس معيار پارتو به كمك الگوريتمMOGSA در حل مساله EEDمي‌باشد. از خصوصيات بارز اينالگوريتم سرعت مناسب همگرايي و جستجو براساس حركت چرخشي سيستم در حينبهينه‌سازي مي‌باشد. براي نشان دادن كارايي بهتر اين الگوريتم در سه حالت با در نظر گرفتن توابع هزينه، آلودگي و تلفات به طور همزمان و به طور مجزا به بهينه‌سازي پرداخته شده است.

One of the most important operational functions of modern day energy management system is environmental/economic dispatch (EED). The environmental issues that arise from the pollutant emissions produced by fossil-fueled electric power plants have become a matter of concern more recently. This paper presents a multi-objective Gravitational Search Algorithm (MOGSA) for environmental/ economic power dispatch (EED) problem.The EED problem is formulated as a nonlinear constrained multi-objective problem with competing and non-commensurable objectives of fuel cost, emission and system loss. The proposed MOGSA approach adopts an external elitist archive to retain non-dominated solutions found during the evolutionary process. In order to preserve the diversity of Pareto optimality, a crowding entropy diversity measure tactic is proposed. The crowding entropy strategy is able to measure the crowding degree of the solutions more accurately.Several optimization runs of the proposed approach have been carried out on the IEEE 30- and 118-bus test system.The effectiveness of the proposed approach is demonstrated by comparing its performance with other evolutionary multi-objective optimization algorithms such as NSGA, NPGA, SPEA, MOPSO and MODE. The comparison with reported results of other multiobjective optimization algorithms reveals the superiority of the proposed MOGSA algorithm and confirms its great potential in handling the multi-objective problems in power systems