دانلود پاورپوینت مقاله کاربرد الگوریتم ژنتیک در پخش بار اقتصادی نیروگاه برق آبی

هدف اصلی مساله پخش بار اقتصادی (ELDP)، برنامه ریزی خروجی توربین های به مدار آمده برای برآورده کردن تقاضای بار لازم در حداقل حجم تخلیه و در عین حال برآورده کردن قیدهای برابری و نابرابری برای همه توربین ها و برای سیستم می باشد. به این دلیل یک تعادل و توازن پیوسته باید بین تولید توان و تقاضای بار متغیر فراهم گردد. در عین حال، فرکانس سیستم، سطوح ولتاژ و امنیت نیز باید ثابت نگه داشته شوند. علاوه بر آن، پخش بار الزامات سخت گیرانه ای بر زمان محاسبه دارد زیرا بی وفقه یا بلادرنگ عموماً هر 5 دقیقه انجام می شود و خروجی توان اکتیو همه توربین های قابل پخش بار به مدار آمده برای بازه 5 دقیقه بعد را تعیین می کند. بنابراین، الگوریتم ELDP، با هدف بهینه سازی مقدار کل آب تخلیه شده از مخزن و تکمیل عملیات لازم در کوتاه ترین مدت زمان بهینه سازی می کند.

این پاورپوینت در 17 اسلاید تهیه شده و در ادامه نیز تصویر مربوط به اسلاید شماره 2 آن قرار داده شده است:

برای بدست آوردن نتایج دقیق پخش بار به صورت زمانی، تقاضا برای فنونی که محدودیتی بر مشخصات توربین ها ندارند، وجود دارد. یک سری فنون بهینه سازی آزمایش شده اند، شامل رویکردهای برنامه ریزی عدد صحیح مختلط خطی و غیرخطی. روش برنامه ریزی خطی عدد صحیح مختلط (MILP)، با فرض یک مقدار آب خالص ثابت و یک بار ثابت توان، مسئله غیرخطی بودن را رفع می کند. این فرض، فرآیند مدل سازی را ساده می کند، اما می تواند باعث بوجود آمدن عدم دقت قابل توجه از خطاهای اجتناب ناپذیر و عدم قطعیت های وارد شده با استفاده از تقریب تکه ای خطی و معرفی گسستگی به مسئله از طریق افزودن متغیرها یا قیدهای عدد صحیح گردد. علاوه بر آن، این رویکرد نمی تواند برای یک نیروگاه برقآبی بزرگ با توجه به برنامه ریزی زمانی دراز مدت، به اندازه کافی دقیق باشد. از سوی دیگر، هر دو روش تکرار لاندا و روش گرادیانی در رویکردهای متداول برای حل این مسائل، فنون مبتنی بر حساب دیفرانسیل و انتگرال می باشند که این یک تابع هموار و محدب و پیوستگی محض فضای جستجو را می طلبد. رویکرد برنامه ریزی دینامیکی (DP) محدودیتی بر ماهیت منحنی های عملیاتی فراهم نمی کند؛ بنابراین، می تواند مساله هایی که ذاتاً محدودیت های عملکردی فیزیکی غیرخطی و ناپیوسته دارند را حل کند.

در ادامه، تصویر مربوط به اسلاید شماره 11 این پاورپوینت قرار داده شده است:

محاسبات تکاملی یکی از چنین ابزارهایی است که توانایی خود برای حل این مسائل محدب را نشان داده است. روش های محاسبات تکاملی، ژنتیک جامعه بیولوژیکی را در جستجوی جواب بهینه، تقلید می کند. اینها را می توان در شکل های مختلف، مانند الگوریتم ژنتیک (GA)، برنامه ریزی تکاملی (EP) یا یک استراتژی تکاملی (ES)، پیاده سازی نمود. رویکرد GA پتانسیل زیادی برای کاربرد در زمینه سیستم های قدرت دارد. رویکرد GA به همه نوع مسائلی که معمولاً چالش های قابل توجهی برای پژوهشگران دارند می پردازد و آنها را رفع می کند که عبارتند از: متغیرهای عدد صحیح، توابع غیرمحدب، توابع غیرمشتق پذیر، حیطه های غیرمرتبط، توابع دارای عملکرد ضعیف، بهینه های محلی چندگانه و چندین هدف.