بهینه‌سازی هم‌زمان پخش بار اقتصادی و زیست¬محیطی سیستم قدرت با استفاده از الگوریتم ابتکاری کلونی زنبور عسل چندهدفه
محورهای موضوعی : مهندسی برق و کامپیوتر
سیدحکیم حسینی
1
,
سید جواد جوادی مقدم
2
,
محمدرضا غلامی ده‌بالایی
3
1 - گروه مهندسی برق، دانشگاه پیام نور، تهران، ایران
2 - گروه مهندسی برق، دانشگاه پیام نور، تهران، ایران
3 - گروه مهندسی برق، دانشگاه پیام نور، تهران، ایران
کلید واژه: بهینه‌سازی اقتصادی و زیست‌محیطی, نیروگاه‌ها, سیستم¬های قدرت, الگوریتم کلونی زنبور عسل.,
چکیده مقاله :
هدف اصلی این تحقیق بهینه‌سازی هم‌زمان پخش بار اقتصادی و زیست‌محیطی (EED) سیستم قدرت با استفاده از الگوریتم ابتکاری کلونی زنبور عسل چندهدفه(MOABC) بود. یک مدل پخش بار اقتصادی محیطی چندهدفه سیستم قدرت با حداقل هزینه اقتصادی و انتشار آلودگی به عنوان اهداف بهینه‌سازی برای پاسخگویی به چالش‌های توزیع سیستم قدرت ناشی از بحران انرژی جهانی و گرم شدن آب و هوا و ترویج تحقق هدف کربن دوگانه ایجاد شده است. یک الگوریتم کلونی زنبورهای مصنوعی چندهدفه بر اساس مرتب‌سازی غیر غالب و معیار حریص بهبودیافته با توجه به ویژگی‌های مدل طراحی شده است. در طراحی الگوریتم از روش تاگوچی برای بهینه سازی پارامترها، روش ابتکاری برای پردازش قیود به صورت پویا و انواع شاخص‌های ارزیابی جامع برای ارزیابی عملکرد الگوریتم استفاده می شود. در تحلیل شبیه‌سازی، یک سیستم قدرت شش ماشینی و یک سیستم قدرت ده ماشینی شبیه‌سازی شده و با الگوریتم‌های مختلف مقایسه می‌شود تا منطقی بودن و اثربخشی مدل پیشنهادی تایید شود. در نهایت، تکنیک اولویت سفارش با شباهت به روش راه‌حل ایده‌آلTOPSIS) برای تعیین راه‌حل سازش بهینه
برای ارائه مرجعی برای تصمیم‌گیری علمی توزیع‌کنندگان استفاده می‌شود. نتایج شبیه سازی نشان می دهد نتایج نشان می‌دهد که از بین چهار الگوریتم،
الگوریتم MOABC کمترین هزینه اقتصادی (2.771×104 $) و انتشار آلودگی (3.639 ×103 کیلوگرم) را برای هر دو راه‌حل بهینه‌سازی اقتصادی و بهینه‌سازی محیطی به دست می‌آورد. علاوه بر این، الگوریتم MOABC نیز در بهدست آوردن بهترین راه‌حل سازشی (2.821×104 $ و 4.005×103 کیلوگرم) بهتر عمل می‌کند.
The main goal of this study was the simultaneous optimization of environmental-economic dispatch (EED) in power systems using a multi-objective Artificial Bee Colony (MOABC) algorithm. A multi-objective environmental-economic dispatch model for power systems was developed with the objectives of minimizing economic cost and pollution emissions to address the challenges in power system distribution caused by the global energy crisis and global warming, and to promote the realization of the dual carbon goal.
A multi-objective Artificial Bee Colony algorithm (MOABC) based on non-dominated sorting and an improved greedy criterion was designed according to the characteristics of the proposed model. In designing the algorithm, the Taguchi method was used for parameter optimization, a heuristic method was applied for dynamic constraint handling, and various comprehensive evaluation indices were employed to assess the algorithm’s performance.
Simulation analysis was performed on a six-generator power system and a ten-generator power system, and the results were compared with different algorithms to validate the rationality and effectiveness of the proposed model. Finally, the Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) was used to determine the optimal compromise solution as a reference for scientific decision-making by dispatchers.
[1] L. Wang, Y. Liu, X. Pang, Q. Wang and X. Wang, "Environmental economic dispatch method of power system based on multiobjective artificial bee colony algorithm," Electrical Engineering, vol. 105, pp. 867-879, 2023.
[2] H. M. Hasanien, "Optimal economic environmental power dispatch by using artificial bee colony algorithm," International Journal of Artificial Intelligence, vol. 12, no. 2, pp. 101-110, Jul. 2023.
[3] L. Wang, Y. Liu, X. Pang, Q. Wang and X. Wang, "Environmental economic dispatch method of power system based on multiobjective artificial bee colony algorithm," Electrical Engineering, vol. 106, pp. 567-579, 2024.
[4] M. Sutar and H. T. Jadhav, "An economic/emission dispatch based on a new multi-objective artificial bee colony optimization algorithm and NSGA-II," Evolutionary Intelligence, vol. 17, pp. 1127-1162, 2022.
[5] D. C. Chen, W. Y. Zhang, "Multiobjective environment /economic power dispatch using evolutionary programming and an artificial bee colony algorithm," IEEE Trans. on Power Systems, vol. 33, no. 6, pp. 6144-6156, Nov. 2018.
[6] R. Akbari, R. Hedayatzadeh, K. Ziarati, and B. Hassanizadeh, "A multi-objective artificial bee colony algorithm," Swarm and Evolutionary Computation, vol. 2, no. 1, pp. 39-52, Feb. 2012.
[7] E. E. Hassan, et al., "Optimal economic environmental power dispatch by using artificial bee colony algorithm," International Journal of Artificial Intelligence, vol. 13, no. 2, pp. 101-110, Jun. 2023.
[8] M. Geravandi and H. Moradi Cheshmeh Beigi, "The problem of resilient stochastic unit commitment with consideration of existing uncertainties using the rate of change of frequency," Journal of Renewable Energy and Environment, vol. 9, no. 4, pp. 34-47, May 2022.
[9] H. Moradi Cheshmeh Beigi and M. Geravandi, "Unit commitment risk evaluation considering load uncertainty and wind power," Journal of Energy Management and Technology, vol. 7, no. 3, pp. 134-141, Summer 2023.
[10] C. Bakos and A. Giakoumis, "Numerical algorithm for environmental/economic load dispatch with emissions constraints," Scientific Reports, vol. 14, Article ID: 3327, Feb. 2024.
[11] J. Soni and K. Bhattacharjee, "Equilibrium optimizer for multi-objective dynamic economic emission dispatch integration with plug-in electric vehicles and renewable sources," Multiscale and Multidisciplinary Modeling, Experiments and Design, vol. 7, pp. 2683-2699, Feb. 2024.
[12] S. Habib, M. Ahmadi Kamarposhti, H. Shokouhandeh, I. Colak, and E. M. Barhoumi, "Economic dispatch optimization considering operation cost and environmental constraints using the HBMO method," Energy Reports, vol. 10, pp. 1718-1725, Nov. 2023.
[13] M. Dashtdar, et al. "Solving the environmental/economic dispatch problem using the hybrid FA-GA multi-objective algorithm," Energy Reports, vol. 8, pp. 13766-13779. Nov .2022.
[14] M. R. Gholami Dehbalaee, G. H. Shaeisi, and M. A. Valizadeh ,"A proposed improved hybrid hill climbing algorithm with the capability of local search for solving the nonlinear economic load dispatch problem," International Journal of Engineering, vol. 33, no. 4, 575-585, Apr. 2020.
[15] D. W. Gong, Y. Zhang, and C. L. Qi, "Power system economic emission dispatch considering uncertainties of wind, solar, and small runoff hydropower via a hybrid multi-objective optimization algorithm," Expert Systems with Applications, vol. 278, Article ID: 127375. doi:10.1016/j.eswa.127375. Jun. 2025.
[16] G. Chu, R. Li, C. Cao, and B. Li, "Low-carbon economic dispatch of power systems based on wind energy and flexible carbon capture devices," Discover Applied Sciences, vol. 7, Article ID:1 259, 2025.
[17] Xingwen Jiang, J. Zhou, H. Wang, and Y. Zhang, "Dynamic environmental economic dispatch using multiobjective differential evolution algorithm with expanded double selection and adaptive random restart," International Jjournal of Electrical Power & Energy Systems, vol. 49, pp. 399-407, Jul.2013.
[18] S. Das and P. N. Suganthan, "Differential evolution: A survey of the state-of-the-art," IEEE Trans. on Evolutionary Computation, vol. 15, no. 1, pp. 4-31, Oct. 2010.
