DOI: https://doi.org/10.20998/2074-272X.2018.4.12

OPTIMAL UTILIZATION OF ELECTRICAL ENERGY FROM POWER PLANTS BASED ON FINAL ENERGY CONSUMPTION USING GRAVITATIONAL SEARCH ALGORITHM

Zeinab Montazeri, Taher Niknam

Анотація


Цель. Энергопотребление является стандартной мерой для оценки прогресса и качества жизни в стране. Правильное и обоснованное ее использование может привести к прогрессу в науке, технике и благосостоянии людей в любой стране, в противном случае произойдут непоправимые экономические потери и падение валового внутреннего продукта. И, наконец, количество потребленной энергии на единицу ВВП будет возрастать с каждым днем. Электрическая энергия, как основной вид энергии, является весьма важной. В данной статье, основываясь на различных подходах, в соответствии с конечным потреблением электрической энергии, представлено соответствующее экономическое планирование подачи электроэнергии. При этом, подробности конечного потребления энергии заменяются информацией о сети электроснабжения, учитывая эффективность сети и электростанций. Работа электростанций основана на оптимизации энергии, производимой ею. Используя предложенный метод и алгоритм гравитационного поиска, можно минимизировать общую стоимость электрической энергии. Результаты моделирования и численных исследований показывают лучшую сходимость алгоритма гравитационного поиска по сравнению с другими существующими методами в данной области.

Ключові слова


алгоритм гравитационного поиска; энергия; электрическая энергия; экономическое распределение; конечное потребление энергии

Повний текст:

PDF ENG (English)

Посилання


1. Kuhn H.W., Tucker A.W. Nonlinear Programming. Proceedings of the Second Berkeley Symposium on Mathematical Statistics and Probability, University of California, 1951, pp. 481-492.

2. Yamin H.Y. Review on methods of generation scheduling in electric power systems. Electric Power Systems Research, 2004, vol.69, no.2-3, pp. 227-248. doi: 10.1016/j.epsr.2003.10.002.

3. Yuan X., Su A., Nie H., Yuan Y., Wang L. Application of enhanced discrete differential evolution approach to unit commitment problem. Energy Conversion and Management, 2009, vol.50, no.9, pp. 2449-2456. doi: 10.1016/j.enconman.2009.05.033.

4. Zaman M.F., Elsayed S.M., Ray T., Sarker R.A. Evolutionary Algorithms for Dynamic Economic Dispatch Problems. IEEE Transactions on Power Systems, 2016, vol.31, no.2, pp. 1486-1495. doi: 10.1109/TPWRS.2015.2428714.

5. Surender Reddy S., Bijwe P.R., Abhyankar A.R. Real-Time Economic Dispatch Considering Renewable Power Generation Variability and Uncertainty Over Scheduling Period. IEEE Systems Journal, 2015, vol.9, no.4, pp. 1440-1451. doi: 10.1109/JSYST.2014.2325967.

6. Tang K.S., Man K.F., Kwong S., He Q. Genetic algorithms and their applications. IEEE Signal Processing Magazine, 1996, vol.13, no.6, pp. 22-37. doi: 10.1109/79.543973.

7. Kirkpatrick S., Gelatt C.D., Vecchi M.P. Optimization by Simulated Annealing. Science, 1983, vol.220, no.4598, pp. 671-680. doi: 10.1126/science.220.4598.671.

8. Farmer J.D., Packard N.H., Perelson A.S. The immune system, adaptation, and machine learning. Physica D: Nonlinear Phenomena, 1986, vol.22, no. 1-3, pp. 187-204. doi: 10.1016/0167-2789(86)90240-x.

9. Dorigo M., Maniezzo V., Colorni A. Ant system: optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 1996, vol.26, no.1, pp. 29-41. doi: 10.1109/3477.484436.

10. Kennedy J., Eberhart R. Particle swarm optimization. Proceedings of ICNN’95 – International Conference on Neural Networks. doi: 10.1109/icnn.1995.488968.

11. Zarandi M.H.F., Hemmati A., Davari S. The multi-depot capacitated location-routing problem with fuzzy travel times. Expert Systems with Applications, 2011, vol.38, no.8, pp. 10075-10084. doi: 10.1016/j.eswa.2011.02.006.

12. Mitra S., Banka H. Multi-objective evolutionary biclustering of gene expression data. Pattern Recognition, 2006, vol.39, no.12, pp. 2464-2477. doi: 10.1016/j.patcog.2006.03.003.

13. Zahiri S.H. Swarm Intelligence and Fuzzy Systems. Nova Science Publ., USA, 2010.

14. Darby S., Mortimer-Jones T.V., Johnston R.L., Roberts C. Theoretical study of Cu–Au nanoalloy clusters using a genetic algorithm. The Journal of Chemical Physics, 2002, vol.116, no.4, pp. 1536-1550. doi: 10.1063/1.1429658.

15. Coello Coello C.A., Luna E.H., Aguirre A.H. Use of Particle Swarm Optimization to Design Combinational Logic Circuits. Lecture Notes in Computer Science, 2003, pp. 398-409. doi: 10.1007/3-540-36553-2_36.

16. Wolpert D.H., Macready W.G. No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1997, vol.1, no.1, pp. 67-82. doi: 10.1109/4235.585893.

17. Rashedi E., Nezamabadi-pour H., Saryazdi S. GSA: A Gravitational Search Algorithm. Information Sciences, 2009, vol.179, no.13, pp. 2232-2248. doi: 10.1016/j.ins.2009.03.004.


Пристатейна бібліографія ГОСТ


1.     Kuhn H.W., Tucker A.W. Nonlinear Programming. Proceedings of the Second Berkeley Symposium on Mathematical Statistics and Probability, University of California, 1951, pp. 481-492.
2.     Yamin H.Y. Review on methods of generation scheduling in electric power systems. Electric Power Systems Research, 2004, vol.69, no.2-3, pp. 227-248. doi: 10.1016/j.epsr.2003.10.002.
3.     Yuan X., Su A., Nie H., Yuan Y., Wang L. Application of enhanced discrete differential evolution approach to unit commitment problem. Energy Conversion and Management, 2009, vol.50, no.9, pp. 2449-2456. doi: 10.1016/j.enconman.2009.05.033.
4.     Zaman M.F., Elsayed S.M., Ray T., Sarker R.A. Evolutionary Algorithms for Dynamic Economic Dispatch Problems. IEEE Transactions on Power Systems, 2016, vol.31, no.2, pp. 1486-1495. doi: 10.1109/TPWRS.2015.2428714.
5.     Surender Reddy S., Bijwe P.R., Abhyankar A.R. Real-Time Economic Dispatch Considering Renewable Power Generation Variability and Uncertainty Over Scheduling Period. IEEE Systems Journal, 2015, vol.9, no.4, pp. 1440-1451. doi: 10.1109/JSYST.2014.2325967.
6.     Tang K.S., Man K.F., Kwong S., He Q. Genetic algorithms and their applications. IEEE Signal Processing Magazine, 1996, vol.13, no.6, pp. 22-37. doi: 10.1109/79.543973.
7.     Kirkpatrick S., Gelatt C.D., Vecchi M.P. Optimization by Simulated Annealing. Science, 1983, vol.220, no.4598, pp. 671-680. doi: 10.1126/science.220.4598.671.
8.     Farmer J.D., Packard N.H., Perelson A.S. The immune system, adaptation, and machine learning. Physica D: Nonlinear Phenomena, 1986, vol.22, no. 1-3, pp. 187-204. doi: 10.1016/0167-2789(86)90240-x.
9.     Dorigo M., Maniezzo V., Colorni A. Ant system: optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), 1996, vol.26, no.1, pp. 29-41. doi: 10.1109/3477.484436.
10.  Kennedy J., Eberhart R. Particle swarm optimization. Proceedings of ICNN’95 – International Conference on Neural Networks. doi: 10.1109/icnn.1995.488968.
11.  Zarandi M.H.F., Hemmati A., Davari S. The multi-depot capacitated location-routing problem with fuzzy travel times. Expert Systems with Applications, 2011, vol.38, no.8, pp. 10075-10084. doi: 10.1016/j.eswa.2011.02.006.
12.  Mitra S., Banka H. Multi-objective evolutionary biclustering of gene expression data. Pattern Recognition, 2006, vol.39, no.12, pp. 2464-2477. doi: 10.1016/j.patcog.2006.03.003.
13.  Zahiri S.H. Swarm Intelligence and Fuzzy Systems. Nova Science Publ., USA, 2010.
14.  Darby S., Mortimer-Jones T.V., Johnston R.L., Roberts C. Theoretical study of Cu–Au nanoalloy clusters using a genetic algorithm. The Journal of Chemical Physics, 2002, vol.116, no.4, pp. 1536-1550. doi: 10.1063/1.1429658.
15.  Coello Coello C.A., Luna E.H., Aguirre A.H. Use of Particle Swarm Optimization to Design Combinational Logic Circuits. Lecture Notes in Computer Science, 2003, pp. 398-409. doi: 10.1007/3-540-36553-2_36.
16.  Wolpert D.H., Macready W.G. No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1997, vol.1, no.1, pp. 67-82. doi: 10.1109/4235.585893.
17.  Rashedi E., Nezamabadi-pour H., Saryazdi S. GSA: A Gravitational Search Algorithm. Information Sciences, 2009, vol.179, no.13, pp. 2232-2248. doi: 10.1016/j.ins.2009.03.004.




Copyright (c) 2018 Zeinab Montazeri, Taher Niknam


This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

ISSN 2074–272X (Print)
ІSSN 2309–3404 (Online)