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

Автор(и)

DOI:

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

Ключові слова:

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

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.

Біографії авторів

Zeinab Montazeri, Islamic Azad University of Marvdasht

Department of Electrical Engineering

Taher Niknam, Islamic Azad University of Marvdasht

Department of Electrical Engineering

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.

##submission.downloads##

Опубліковано

2018-08-17

Як цитувати

Montazeri, Z., & Niknam, T. (2018). OPTIMAL UTILIZATION OF ELECTRICAL ENERGY FROM POWER PLANTS BASED ON FINAL ENERGY CONSUMPTION USING GRAVITATIONAL SEARCH ALGORITHM. Електротехніка і Електромеханіка, (4), 70–73. https://doi.org/10.20998/2074-272X.2018.4.12

Номер

Розділ

Електричні станції, мережі і системи