دانلود ترجمه مقاله بهینه سازی مبتنی بر گرادیان – متدولوژی برای مساله پخش بار اقتصادی

1. مقدمه 2. تحقیقات مرتبط 3. مساله پخش بار اقتصادی 4. بهینه ساز مبتنی بر گرادیان (GBO) 5. نتایج آزمایشات و تحلیل عددی 6. نتیجه گیری و تحقیقات آتی

چکیده – پخش بار اقتصادی (ELD) در سیستم های قدرت ، نیازمند زمانبندی واحدهای تولید برق ، در راستای حداقلسازی هزینه ها و تامین محدودیت های سیستم است. هرچند تحقیقات آتی راه حل هایی را برای کاهش انتشار CO2و هزینه های تولید پیشنهاد داده اند، اما تخصیص بهینه با توجه همزمان به هزینه و آلایندگی باید مورد توجه قرار بگیرد. در این حالت مساله پخش بار ترکیبی از جنبه های اقتصادی- آلایندگی (CEED) مورد توجه قرار می گیرد. الگوریتم های بهینه سازی فراابتکاری ، عملکرد نسبتاً خوبی در مسائل ELD دارند. بهینه ساز مبتنی بر گرادیان (GBO)، یک الگوریتم فراابتکاری جدید است که با الهام گیری از روش نیوتن طراحی شده است. این الگوریتم، قانون جستجوی گرادیانی و عملگر گریز محلی را در یکدیگر ترکیب می کند. GBO تعادل خوبی بین اکتشاف و بهره برداری بوجود می آورد. علاوه بر این، احتمال گیرافتادن GBO در نقطه بهینه محلی و همگرایی زودهنگام، ناچیز است. این مقاله، عملکرد GBO برای حل مسائل ELD و CEED را تست می کند. ما عملکرد GBO در مساله ELD برای سناریوهای مختلف همچون ELD با تلفات انتقال، CEED و CEED با اثر نقطه شیر را تست می کنیم. نتایج آزمایشی نشان داده که GBO در مقایسه با 8 الگوریتم فراابتکاری دیگر شامل الگوریتم کپک مخاطی (SMA)، بهینه سازی گروهی فیل ها (EHO)، بهینه سازی پروانه مونارک (MBO)، الگوریتم جستجوی پروانه (MSA)، بهینه سازی کرم خاکی (EWA)، کلونی مصنوعی زنبورعسل (ABC)، الگوریتم توده جانور دریایی (TSA)، و الگوریتم بهینه سازی شامپانزه (CHOA) عملکرد بهتری بجا می گذارد. بدین ترتیب نتایج شبیه سازی ها بیانگر عملکرد رقابتی GBO در مقایسه با سایر الگوریتم های بنچ مارک هستند.

Economic load dispatch (ELD) in power system problems involves scheduling the power generating units to minimize cost and satisfy system constraints. Although previous works propose solutions to reduce CO2 emission and production cost, an optimal allocation needs to be considered on both cost and emission-leading to combined economic and emission dispatch (CEED). Metaheuristic optimization algorithms perform relatively well on ELD problems. The gradient-based optimizer (GBO) is a new metaheuristic algorithm inspired by Newton's method that integrates both the gradient search rule and local escaping operator. The GBO maintains a good balance between exploration and exploitation. Also, the possibility of the GBO getting stuck in local optima and premature convergence is rare. This paper tests the performance of GBO in solving ELD and CEED problems. We test the performance of GBO on ELD for various scenarios such as ELD with transmission losses, CEED and CEED with valve point effect. The experimental results revealed that GBO has been obtained better results compared to eight other metaheuristic algorithms such as Slime mould algorithm (SMA), Elephant herding optimization (EHO), Monarch butterfly optimization (MBO), Moth search algorithm (MSA), Earthworm optimization algorithm (EWA), Artificial Bee Colony (ABC) Algorithm, Tunicate Swarm Algorithm (TSA) and Chimp Optimization Algorithm (ChOA). Therefore, the simulation results showed the competitive performance of GBO as compared to other benchmark algorithms.

ترجمه این مقاله در 29 صفحه آماده شده و در ادامه نیز صفحه 27 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.