雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际先进研究期刊》的研究在电子、电子、仪表工程

菜单

ISSN在线(2278 - 8875)打印(2320 - 3765)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

回顾结合经济和排放调度使用进化方法

酒窝Singla1桑杰k . Jain2
  1. PG学生(ps),是称,塔帕尔大学,邦,印度旁遮普
  2. 塔帕尔大学副教授,系按照邦,印度旁遮普
相关文章Pubmed,谷歌学者

访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程

国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

经济负荷在电力系统调度是一个重要的优化问题。由于排放的有害影响发布的化石燃料发电厂,排放调度在电力工业中起着重要的作用。这导致了制定经济和排放调度(ce)的问题。本文回顾进化方法解决经济和排放,主要包括调度问题遗传算法基于粒子群优化(PSO),差分进化(DE),强度帕累托进化算法(说),人工免疫系统(AIS)这将鼓励ce的研究提供更好的解决方案在电力系统优化。

关键字
结合经济和排放调度(ce),进化算法,遗传算法,算法,德,说,AIS。

介绍
电力行业的目的是生成电能以最低的成本满足所有限制和约束对机组。经济负荷调度(古人)是电力行业的一个优化问题。古人决定了最优的电力解决方案最低发电成本,同时满足负载需求。但由于环境问题是由化石燃料产生的碳排放在火力发电厂中,它已经成为强制性的电力考虑环境约束与经济。但这两个目标即最低燃料成本和最低排放本质上是相互矛盾的。这个问题会导致经济负载调度多目标的制定。或者也可以制定经济和排放调度(ce)的问题。
在燃油电厂,主要能源是煤、天然气、石油和柴油。上述所有的资源实现有害气体在大气中。煤炭生产灰分、袜、氮氧化物和二氧化碳在大气中。火力发电厂中使用的冷却水也升高水温和影响海洋生物。核电站排放有害的辐射环境中。由于以上因素,排放控制已成为一个重要的经营目标。
传统经典优化方法如Langarangian放松[1],梯度和动态编程方法[2 - 3],整数规划[4],Lambda-iteration[5],牛顿拉富生方法[6]被用于负荷经济调度问题。这些方法需要目标函数的导数信息[7],给不满意的结果和需要大量计算时间,非线性复杂问题。线性规划方法[8]受到成本限制,因为它需要分段线性近似。基于牛顿方法与处理大量的不等式约束斗争[9]。最近各种启发式搜索技术,如粒子群优化(PSO)[10],遗传算法(GA)[11],差分进化(DE)[12],蚁群搜索方法[13],进化编程[14],和人工蜂群(ABC)方法[15]被用来解决复杂的优化问题。
进化算法是一种进化计算,一个通用的基于人口metaheuristic优化算法。图1代表了进化算法的迭代计算过程。本文总结了基于进化算法,主要包括遗传算法的方法,粒子群优化(PSO),差分进化(DE),强度帕累托进化算法(说),人工免疫系统(AIS)在电力系统环境经济调度。
在电力系统中,主要有四个目标是最小化,包括经济和环境影响由于氮氧化物,二氧化硫和二氧化碳气体的污染。
经济调度:
在火力发电厂,燃料成本是经济可行性的一个重要标准。制定的经济调度问题可以通过使用二次或三次函数生成的权力。但在文献综述,大部分的论文只考虑二阶多项式函数制定经济调度问题。目标函数可以描述为:
图像(1)
F1是操作燃料总成本在Rs。/人力资源。Pgi是决策变量,即实际发电对应于第i个机组.NG是机组的数量和人工智能,bi, ci是第i个机组的成本系数。
接受:
1。等式约束:
总实际发电必须能够满足总需求和总系统即损失。
图像(2)
PDrepresents总负荷需求和PL代表总传输损耗。
2。不等式约束/限制变量:
每个发电机的输出功率必须在最大和最小即产生限制。
图像(3)
Pgi最小和Pgi最大的最小和最大输出功率是第i个发电机组。
b发射调度:
发射调度的主要目的是维护污染环境许可证内不考虑燃料类型。可以制定最低排放调度问题如下:目标函数可以描述为:
图像(4)
di, eiand fi是第i个单位和F2的排放系数是总吨/小时排放水平。
c .总目标函数:
聚合方程(1)(4),可以制定多目标问题:
图像(5)
F1和F2的目标函数最小化。
在单目标优化问题,存在唯一的最优解,如果问题是凸或凹最大化目标函数最小化问题,如图2所示。
虽然,大多数研究认为一个单目标优化问题,许多现实问题本质上是多目标的。由于存在相互冲突的目标,目标不存在一个单一的解决方案。进行了努力找到权衡一组最优解,称为帕累托最优解决方案。所有可行的支配解决方案集的集合称为帕累托最优设置,对于一个给定的帕累托最优设置,对应的目标函数值在目标空间中被称为帕累托最优。图3是帕累托最优敏敏型优化问题。

基于遗传算法(GA) ce
遗传算法是一种全局搜索方法基于自然选择的原则。它结合了一个人工,也就是说达尔文适者生存原则与遗传操作,从自然抽象。遗传算法的基本要素是复制、交叉和变异。克服困难的经典方法,Sahu等。[16]提出了基于遗传算法的方法来解决经济负荷调度问题在IEEE 14日和IEEE 30总线测试用例和结果相比,二次规划,包括输电损耗。结果表明GA相比传统方法的进步。
文献表明,GA并不局限于单目标问题。Guvenc[17]提出了解决遗传算法算法基于相似性交叉结合经济和排放在电力系统调度(ce)的问题。
在这方面,后代是由母亲和父亲之间使用相似性测量染色体的关系。使用该方法价格惩罚因子将多目标问题转化为单目标。这种方法一直在测试6和11个发电机组系统。,结果表明,该技术可以进一步应用在复杂问题和动态ce单位承诺。
Damousis等。[18]在实数编码遗传算法调度成本最小化,同时满足发电机组和分支电流限制。在拟议的工作,作者使用浮点数编码发生器的输出,而不是使用二进制表示。该方法不仅提高了算法的精度,而且减少了执行时间。作为比较,古典也实现二进制编码遗传算法方案。结果表明,RCGA提供了最佳的解决方案和更有效的比二进制编码遗传算法。
因为大多数的目标是在多目标冲突的本质问题,因此获得的帕累托最优解集,而不是获得一个单一的解决方案。在这种情况下要求可用支配解决方案集的最佳折衷的解决方案被选中。帕里哈[19]介绍了一种方法基于模糊排序处理多目标问题的燃料成本,排放和系统基础RCGA损失最小化。
各种目标基于GA方法等多目标遗传算法(分公司),矢量计算遗传算法(VEGA),外帕累托遗传算法(NPGA) Non-dominated排序遗传算法(NSGA) NSGA-II,讨论了文学。这些算法的主要工作原理是将对帕累托最优的解决方案前,保持多样性之间的帕累托最优的解决方案[20]。
NSGA-II多目标遗传算法是基于non-dominated排序方案。多目标优化的目的是找到解决方案,已经接近帕累托最优的解决方案和解决方案应尽可能多样化在获得non-dominated前面。NSGA-II满足两个目标由Deb et al。[21]。Purkayastha和Sinha [22] NSGA-II算法用于优化结合经济和排放负荷调度。NSGA-II使用自适应拥挤距离叫做修改NSGA-II提高创建更多潜在的和多样化的解决方案的能力。该方法测试的测试用例40单位最佳综合经济和排放调度问题。,结果表明,该算法是主管找到non-dominated解决方案甚至超过三个目标。
角et al。[23]外帕累托提出遗传算法(NPGA)解决多目标优化问题。它是基于锦标赛选择基于帕累托原则主导地位。在这种方法中,选择赢家,两个人和一套比较随机选择的人口。每个选定的个人将被测试的比较选择赢家。如果一个候选人占主导地位,它将被选为赢家,另选择繁殖。如果两个或候选人都不是主导,那么冠军将被共享。Abido[24]描述了NPGA方法应用于环境/经济力量调度优化问题。这个方法有diversity-preserving机制找到广泛不同的帕累托最优解决方案。集群技术也是实现为操作员提供一个代表和可控的帕累托最优设置不破坏平衡的特点。和找到最好的妥协解平衡曲线,使用基于模糊技术。

基于粒子群优化(PSO)的ce
粒子群优化(PSO)的概念在1995年首次进行由肯尼迪和埃伯哈特[25]。它是基于教育和鸟鱼成群结队的原则。它是一个基于人口的方法,其中的每个个体被认为是粒子,每个粒子代表候选人的解决方案。一群人(粒子)穿越解决方案空间。粒子的位置调整的最佳位置遇到由粒子本身或它的邻居。许多研究人员致力于算法在电力系统中的应用(途径)。
传统的梯度法可用于解决教育问题只有在机组的燃料成本曲线是假定为分段线性和单调递增否则它将收敛到理想或不可行解。经典算法可以处理所有这些问题,但患有过早收敛。查图尔维迪等。[29]在PSO与时变非凸经济调度控制加速度系数的局部和全局搜索,避免过早收敛的经典算法。Hamedi[30]提出了一个先进的并行同步粒子群优化(PSPSO)算法寻找最优的组合发电单位,最大限度地减少燃料成本和排放。在该算法中,位置和速度更新在每个迭代结束时,所需的时间利用并行计算解决ce大幅减少。该算法可以有效地执行三个条件得到满足的时候。首先,优化总和分割获得均匀的集群计算机没有其他用户的干扰。其次,分析函数接受一个常数的时间评估任何一组整个优化设计变量。最后,并行任务的数量可以均匀分布在可用的处理器。
在过去的几年里,有几个建议将算法扩展到多目标算法,这些方法被称为多目标粒子群优化(MOPSO)。Abido[31]提出MOPSO技术通过重新定义全球最佳和全球最佳个人在多目标优化领域。聚类算法是用于管理帕累托最优设置的大小和模糊方法是用于提取最小成本之间的最佳折衷解决方案,减少排放。这种技术被发现在其他多目标技术的有效的质量得到帕累托最优解决方案。

基于强度帕累托进化算法(说)ce
Zitzler和蒂埃尔[32]提出强度帕累托进化多目标优化算法集成的特点开发多目标EA的独特的方式。这种技术存储在外部的个人代表non-dominated前被认为是到目前为止,在所有的解决方案。所有的解决方案在外部non-dominated组参与选择。在这个算法的概念使用帕累托统治以标量健身值分配给个人。个人的健康决定存储在外部non-dominated集中的解决方案。在这种方法中,聚类过程合并减少支配集不破坏它的特点和小生境方法集提供保持人口的多样性。这是一个pareto-based距离的方法,不需要任何参数。Abido[33]说的方法用于环境/经济力量调度问题。在这种方法中,diversity-preserving机制是用来克服过早收敛和搜索偏差问题。层次聚类是强加给决策者提供一个代表和可控Paretooptimal集。该技术与传统技术相比。

基于差分进化(DE)的ce
差分进化(DE)的概念是在家庭的进化算法Storn和伯克利分校王子1995年[34]。DE用于多维实值函数和不需要目标函数的导数与经典优化方法。德可用于优化问题的目标函数是随机的,不连续的,嘈杂的,难以区分,随时间变化的。德的候选解决方案称为代理。这些代理移动解决方案空间结合现有代理从人口的位置。如果一个代理的新职位是一种浓缩,然后接受并成为人口的一部分,否则新职位将被拒绝。重复这个过程直到没有找到最好的解决方案。索尼和胡[35]DE算法与多目标发射限制经济权力分派问题。搜索空间探索通过随机选择初始候选解决方案和使用突变,交叉和选择运营商。技术是发现简单的有结构紧凑、高收敛特性。
多目标差分进化(模式)是微分进化发展。在模式中,pareto-based方法是用于实现最好的个人的选择。最初,人口是随机生成的和客观的功能评估。在给定的一代的进化搜索在搜索空间,采用人口存储成几个基于non-dominated行列。在整个人口DE运营商,然后进行试验向量的大小相同的初始种群生成,使人口规模比最初的两倍。然后结合人口进行的排名紧随其后的拥挤距离计算。最好的个人选择保留初始人口规模人口总和。这些人作为父向量为下一代。Basu[36]在环境经济模式算法负载等问题。从该算法获得的结果与帕累托微分进化和NSGA-II方法。

基于人工免疫系统(AIS) ce
AIS[37]所激励的定义为自适应系统理论免疫学和免疫功能,原理和模型,应用于解决问题。人工免疫系统(AIS)是基于生物免疫系统可用于实验,解释和预测活动。天然免疫系统是一个复杂的和健壮的系统,保护人体免受各种外来入侵者。它是一个自适应系统,维护一个平衡状态在各种类型的分子,细胞和组织出现在人体。它的重要作用是检测外来入侵者并采取相应行动,以消除它们的效果。病原体入侵的粒子或称为抗原刺激免疫系统。抗原可能源自体内或外部环境导致抗体的产生。
一个免疫系统主要特点:扩散、变异、选择和记忆用于大型优化技术。核扩散是产生新的个体的能力。变异的过程寻找子——最佳点通过解空间。选择消除了低亲和力的细胞和记忆存储高亲和力的细胞新问题解空间和使用这个内存减少优化时间的内涵。这些特性使得AIS的电动工具优化过程。在AIS,有不同类型的理论是开发基于免疫系统如:克隆选择,消极的选择和免疫网络,体细胞hypermutation等[38]。
拉赫曼等。[39]给出了一个应用程序使用人工免疫系统的克隆选择原理来解决经济调度问题。代总成本被认为是作为目标函数,表示为亲和力的措施。抗体的亲和力测量是由基因进化。在实现算法之前,一些适应了:没有明确的抗原识别,但要优化一个目标函数;所有的抗体克隆选择;克隆产生的抗体的数量是相等的。该算法在二进制、实数表示测试。

结论
等限制大型计算时间,陷入局部最小值,增加计算复杂度,不满意的结果是经验丰富的古典方法在处理复杂的问题。进化方法有能力克服这种传统方法的缺陷。摘要各种进步领域的进化算法求解组合经济/排放调度问题进行了讨论。本文包括讨论进化方法基于遗传算法,粒子群优化、微分进化,力量帕累托进化算法(说)和人工免疫系统。

数据乍一看
图 图 图
图1 图2 图3

引用







































全球技术峰会