PSO方法动态负荷经济调度问题

P.Sivaraman¹,S.Manimaran²,K.Parthiban³,D.Gunapriya⁴

电气和电子工程部门,M。Karur Kumarasamy工程学院,安娜大学区域办事处,马杜赖,印度
M。Kumarasamy工程学院、Karur Tamilnadu,印度
M。Kumarasamy工程学院、Karur Tamilnadu,印度

文摘

动态负荷经济调度的主要目的(DELD)是减少发电机的燃料总成本系统。摘要粒子群优化(PSO)算法用于解决动态负荷经济调度(DELD)问题。DELD是机组输出列表至少满足负荷要求的燃料成本,同时满足所有单位和操作约束。增强调度单元输出可以显示燃料节省费用的方法。

关键字

动态负荷经济调度;粒子群优化;斜坡速率限制;

介绍

经济负荷调度(古人)问题是电力系统运行的基本问题之一。本质上的优化,其目标是减少单位的总发电成本,同时满足所有的约束。在传统lambda-iteration方法,基点和参与因子法、拉格朗日法和梯度的关系方法用于解决古人[1]。在这些古人的传统方法解问题的基本假设是增量成本曲线是单调递增的分段线性函数[1]。不幸的是这些假设可能导致这些方法不可行,因为其非线性特征在实际系统[1]。禁止这些发电机非线性特征包括不规则区域和成本函数的非光滑凸和大型发电系统这些常规方法导致长时间解决方案[1]。动态规划(DP)方法求解随机性效应的高龄问题可能引起古人的尺寸问题变得非常大,因此需要大量计算的努力[2]。为了制定解决高龄问题数值方法更方便的人工智能技术,Hopfield神经网络[2]是用来解决高龄问题为单位与分段二次燃料成本函数和约束禁止区域。另一方面,Hopfield模型可能遭受过度的数值迭代,导致大量的计算[3]。在过去的十年中,全局优化技术,即遗传算法(GA)和模拟退火(SA),这是一种概率启发式算法,用于解决优化问题。 Though the Genetic Algorithm methods have been employed to solve complex optimization problems, in recent study has identified some deficiencies in Genetic Algorithm performance. Particle swarm optimization (PSO) first introduced by Kennedy and Eberhart, is one of the modern heuristic algorithms. The PSO algorithm technique can produce the high-quality solutions with time and stable convergence characteristic than other stochastic methods. Dynamic economic load dispatch is solving the economic load dispatch in every second power variation. ELD solve the load dispatch economically at fixed power demand that is power is not varying in every seconds and DELD is solve the load dispatch economically at varying power demand in every second.

问题公式化

古人是单位承诺的子问题。这是一个非线性规划优化问题。几乎在每个具体的计划结合单位列出操作期间,古人计划必须执行所有操作单元之间的最优发电调度来满足系统负荷需求,发电机的旋转备用容量和实际运行约束,包括斜坡率限制和禁止操作区。

目标函数

经济负荷调度的核心目标(古人)是减少运营成本或电力系统发电成本的同时满足系统中各种约束。DELD问题是找到最优的燃料成本制定发电机同时满足所有负载的要求,也满足等式和不等式约束的各种。目标函数是最小化发电总成本(总成本的系统)进行系统的各种约束。

PD =总系统的需求。

普洛斯=总输电线路损失。

这就是所谓的发电机的约束。这也被称为功率平衡方程。计算的传输损耗可以B-coefficients或功率流分析方法。B-coefficients用于电力系统

π= PTB T (6)

在哪里

P =输出功率的单位。

至少甲状旁腺素标准算法

粒子群优化是一个基于人口进行随机优化技术引入了由詹姆斯•肯尼迪和拉塞尔埃伯哈特在1995年。算法基于群的概念,他们的情报以及运动。算法包括生物的集合(粒子)在搜索空间中执行相同的操作。的组群大多是服务于同样的目的就像食物打猎。PSO从相对行为动机的生物,在这样的组织生活和移动群鸟类和鱼类学院等上面的图。1展示了一群小鸟。这个概念用于PSO算法。这里的鸟是类似于粒子。在PSO的大型多维搜索空间粒子。这些粒子在搜索空间中自由移动寻找最优(最好的)解决方案。每个粒子都有一个特定的速度和位置。

粒子和速度表示向量V和X。

每个粒子代表一个潜在的解决问题的办法和他们负责搜索在搜索空间的解决方案。所有粒子包含一个特定的健身价值评估的适应度函数。粒子速度和位置更新的规则。更新粒子的位置与粒子的飞行体验及其邻国。最好的值是通过粒子是存储在内存中的铅或个人最好的和最好的在所有的粒子称为gb或全球最好的。通过使用pbe的概念和gb更新每个粒子的速度

在方程(7)介绍了惯性权重ω使群飞的更大的搜索空间。选择正确的值应该是ω提供本地和全球探索之间的平衡。这减少了迭代寻找最优解。

在哪里

答:PSO算法

一步一步的过程提出了PSO的方法用于解决DELD问题如下考虑

步骤1:读取输入数据,如燃料成本系数和各种约束像发电机约束和输电线路损失系数等。

步骤2:以随机的方式初始化粒子的人口。还设置迭代计数器。

步骤3:计算每个粒子的健身。

第四步:现在比较pb的健身和健康的价值是改善然后pb设置这个值。

第五步:确定最好的健身价值是gb。所有粒子的最佳值在pb gb。

第六步:更新每个粒子的速度。

速度更新规则定义的

此外,粒子飞到一个新的位置使用位置更新规则

第七步:如果最大迭代次数达到然后去

第八步,否则增加迭代计数器,转到步骤2。

第八步:粒子生成最新的最佳解决方案。这是最佳的解决方案(结果)。

上述过程如图2所示。

仿真结果

在这个工作我们有考虑6机组。负载需求分配给这些单位同时最小化的成本一代受到的各种限制。这里像输电损耗和发电机的约束限制考虑。粒子的初始位置是随机的,像加速常数的参数和惯性权重因素,定义的迭代次数和人口规模。人口规模必须设置,这不是太小或太大。如果它会有小粒子数不足所以会有困难生产最好的可能的解决方案。如果人口规模过大,那么算法将变得缓慢。

并

动态负荷经济调度是电力系统中的一个重要的任务,因为它是必要的供应以最低的成本。的总发电成本最小的负载需求划分成几个单位同时满足各种约束。的负载调度问题是解决六个机组。所做的工作是在MATLAB中实现粒子群优化(PSO)的环境。

引用

Orike和d·w·科恩,“迷因动态负荷经济调度优化算法”,Proc。2013年IEEE系列研讨会Comp。情报(人文),新加坡,2013年4月15 - 19。
Orike和d·w·科恩,“改善负荷经济调度优化问题的进化算法,”英国诉讼IEEE 12日的研讨会上计算智能(UKCI),爱丁堡,2012年9月5日至7日。
g . Sreenivasan c . h . Saibabu和s . Sivanagaraju”解决方案的动态负荷经济调度问题阀点加载效果和使用PSO斜坡率限制,”国际电气和计算机工程学报,1卷,没有。1、2011年9月。59 - 70页
d .他g .董f . Wang和z毛,“优化的动态经济调度与使用基于混沌序列的随机性效应的微分进化算法,“能源转换和管理杂志》上,52卷,2011年,页1026 - 1032。爱思唯尔。
人工智能身边,k . Thanushkodi新的粒子群优化解决非凸经济调度问题,IEEE反式。电力系统。((1)2月22日)(2007),页42-51。
Zwe-Lee遗传算法,粒子群优化解决经济调度考虑发电机的约束”,IEEE反式。在电力系统研究概述,第三,第1195 - 1187页,2003年8月。
f·n·李和a . m . Breipohl“储备约束经济调度与禁止操作区域,“IEEE反式。电力系统。,vol. 8, pp. 246–254, Feb. 1993.