دانلود ترجمه مقاله الگوریتم ژنتیک بهینه شده جهت پخش بار اقتصادی در نیروگاه های برق آبی

1. مقدمه 2. روش تحقیق 3. مطالعه موردی 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – این مقاله، یک راهکار مبتنی بر الگوریتم ژنتیک (GA) عملی برای حل مسئله پخش بار اقتصادی (ELDP) ارائه می دهد و در ادامه عملکرد GA بهینه شده (IGA) را با عملکرد برنامه ریزی دینامیکی (DP) مقایسه می کند. مخصوصاً اینکه، عملکرد آنها بطور جامع از نظر پرداختن به ELDP از طریق یک مطالعه موردی از 26 توربین در سه نیروگاه برقآبی جورجس (Gorges) با تاکید بر دقت محاسبات، زمان محاسبات و پایداری الگوریتم، ارزیابی می شود. نتایج ارزیابی نشان می دهند که روش GA بهبود یافته می تواند به میزان قابل توجهی ناکارایی GA در کاربرد فعلی را کاهش دهد و می تواند از اجرای توربین ها در منطقه حفره سازی/ارتعاش اجتناب کند و در نتیجه ایمنی توربین ها در طی عملیات های تولید تضمین شود. علاوه بر آن، تحلیلی که عملکرد IGA و DP را مورد مقایسه قرار می دهد نشان می دهد که IGA نسبت به DP برتر می باشد اگر تعداد اندکی توربین وجود داشته باشد. اما، با افزایش تعداد توربین ها، IGA به زمان محاسبه بیشتر از DP نیاز دارد؛ علاوه بر آن، دقت محاسبات و نرخ همگرایی به میزان قابل توجهی کاهش می یابند. تضمین پایداری IGA در فضای دارای کثرت بعد دشوار است حتی اگر جمعیت رشد کند، که این براساس گسترش نمایی بعد محاسبات، همگرایی زودهنگام الگوریتم و عدم نیاز به یک قابلیت جستجوی محلی می باشد. بهبود GA و همچنین روش ارزیابی پیشنهاد شده در این مقاله، یک رویکرد جدید برای انتخاب و بهبود الگوریتم های بهینه سازی برای حل ELDP نیروگاه های برقآبی مقیاس بزرگ، فراهم می کند. مقدمه: یک نیروگاه برقآبی معمولاً چندین توربین دارد که در کنار هم کار می کنند. بخاطر تفاوت مشخصات عملکردی توربین ها، خروجی تولید سریعاً در ترکیبات مختلف توربین های به مدار آمده، تغییر می کند. هدف یک مطالعه مسئله پخش بار اقتصادی (ELDP)، توسعه استراتژی های عملیاتی توربین مختص بار است که تعداد و زمان بندی ترتیب های شروع و توقف و تخصیص بار توربین های به مدار آمده را تشریح می کند (دینگ و همکاران، 2015). مطالعه ELDP از اهمیت فراوانی برای کاهش تخلیه تولید نیروگاه های برق آبی و بهبود عملکرد اقتصادی آنها برخوردار است (کامبوج، 2016). عملکرد اقتصادی یک نیروگاه برق آبی بطور سنتی براساس الگوریتم ها جهت بهینه سازی پخش بار، بوده است. بهبود الگوریتم برنامه ریزی زمانی توربین های به مدار آمده بنابراین قابل به تولید مزایای اقتصادی قابل توجه می باشند (کومار و همکاران، 2015). اما، در عمل، دامنه عملکردی توربین ها همیشه برای تخصیص بهینه بار براساس محدودیت های عملکرد فیزیکی اشان، مهیا نمی باشند (ژانگ و همکاران، 2013). توربین ها می توانند منطقه عملکردی ممنوعه داشته باشند که این بخاطر خطا در خود ماشین ها یا در لوازم جانبی مرتبط باشد (هی و همکاران، 2008). چنین خطاهایی معمولاً باعث ناپایداری در دامنه های معینی از بار توربین شود و باعث شود توربین ها قادر به حمل یک بار برای مدت مناسب در این منطقه های عملکردی نباشند (نیکنام و همکاران، 2012). بنابراین، مشخصه های ورودی-خروجی توربین های بزرگ ذاتاً بسیار غیرخطی و شاید غیرمحدب باشند (سگوین و کوته، 2016)، که این باعث می شود مسئله پخش بار اقتصادی (ELDP) به یک مسئله بهینه سازی مقید بسیار غیرخطی مقیاس بزرگ که حل آن دشوار است، تبدیل گردد (هیدالگو و همکاران، 2014).

This paper presents a practical genetic algorithm (GA)-based solution for solving the economic load dispatch problem (ELDP) and further compares the performance of the improved GA (IGA) with that of dynamic programming (DP). Specifically, their performance is comprehensively evaluated in terms of addressing the ELDP through a case study of 26 turbines in the Three Gorges Hydropower Plant with a focus on calculation accuracy, calculation time, and algorithm stability. Evaluation results show that the improved GA method can significantly reduce the ineffectiveness of the GA in current use and could avoid the running of the turbines in the cavitation/vibration zone, thereby ensuring the safety of the turbines during generating operations. Further, the analysis comparing the performance of the IGA and DP show that the IGA is superior to DP when a small number of turbines are involved. However, as the number of turbines increases, the IGA requires more calculation time than DP; moreover, its calculation accuracy and convergence rate are significantly reduced. It is difficult to guarantee the stability of IGA in high-dimension space even though the population grows, on account of the exponential expansion of the calculation dimension, the algorithm’s premature convergence, and the lack of a local search capability. The improvement of the GA as well as the evaluation method proposed in this paper provide a new approach for choosing and improving optimization algorithms to solve the ELDP of large-scale hydropower plants. Introduction: A hydropower plant usually has multiple turbines that are run side by side. Because of differences in the turbines’ operating characteristics, the generation discharge varies sharply in different combinations of committed turbines. The purpose of an economic load dispatch problem (ELDP) study is to develop load-specific turbine operation strategies that clarify the number and timing of start and stop orders and the power load allocation of committed turbines (Ding et al., 2015). The ELDP study is of great importance for reducing the generation discharge of hydropower plants and improving their economy of operation (Kamboj, 2016). The economical operation of a hydropower plant has traditionally been based on algorithms for optimizing load dispatching. Improvements in the scheduling algorithm of the committed turbines are therefore able to generate significant economic benefits (Kumar et al., 2015). However, in practice, the operating ranges of the turbines are not always available for optimal load allocation on account of their physical operation limitations (Zhang et al., 2013). Turbines can have prohibited operating zones because of faults in the machines themselves or in the associated auxiliaries (He et al., 2008). Such faults usually lead to instabilities in certain ranges of the turbine load, rendering them unable to carry a load for any appreciable time in these operating zones (Niknam et al., 2012). Therefore, the input-output characteristics of large turbines are inherently highly nonlinear and probably non-convex (Séguin and Côté, 2016), which makes the economic load dispatch problem (ELDP) a large-scale highly nonlinear constrained optimization problem that is difficult to solve (Hidalgo et al., 2014).

بخشی از ترجمه مقاله (صفحه 12 و 13 فایل ورد ترجمه)