Optymalizacja składu jednostek wytwórczych z wykorzystaniem algorytmu hybrydowego symulowanego wyżarzania i algorytmu genetycznego

• Autorzy: Dudek G.

Warianty tytułu

EN

Optimization of generating units commitment with a hybrid algorithm using a simulated annealing scheme and a genetic algorithm

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono model optymalizacyjny doboru składu jednostek wytwórczych z zastosowanie probabilistycznego algorytmu hybrydowego, będącego kombinacją symulowanego wyżarzania i algorytmu genetycznego. Optymalizacji podlega kombinacja współpracujących jednostek wytwórczych oraz ich obciążenia czynne w okresie dobowym. Zaproponowano operatory genetyczne, metodę eliminacji ograniczeń funkcji kosztu i schemat wyżarzania zapewniające efektywność algorytmu. Funkcja kosztu obejmuje koszty zmienne generacji oraz koszty rozruchu jednostek . Ograniczeniami narzuconymi na funkcję kosztu są: warunek bilansu mocy, zakresy generacji jednostek, minimalne czasy postoju w rezerwie i pracy po rozruchu oraz spełnienie wymagań co do poziomu rezerwy wirującej. Efektywność metody zobrazowano przykładem. Wykonano obliczenia porównawcze za pomocą algorytmów: z twardą selekcją, Monte Carlo i charakterystyk czasów granicznych.

EN

This paper presents an optimization model of the unit commitment problem using a probabilistic hybrid algorithm combining a simulated annealing scheme and a genetic algorithm. The set of generating units and their generation levels during the 24-hour scheduling period are optimized. Genetic operators, a method for the elimination of cost function constraints, and an annealing scheme are proposed. The cost function includes generation costs and start-up costs. The constraints are: the load demand, units generation capability limits, units minimum up and down times and the spinning reserve. The efficiency of the proposed method is illustrated with an example. Results of comparative computations using a hard selection method, the Monte Carlo method and the limit time characteristic method are reported.

Słowa kluczowe

PL

system elektroenergetyczny; jednostka wytwórcza; dobór składu; algorytm genetyczny; algorytm hybrydowy; wyżarzanie; optymalizacja

EN

power systems; generating units; hybrid algorithm; genetic algorithm; annealing; optimization

• Wydawca: Wydawnictwo Instytutu Maszyn Przepływowych PAN ; Komitet Problemów Energetyki Polskiej Akademii Nauk
• Czasopismo: Archiwum Energetyki
• Rocznik: 2006
• Tom: T. 35, nr 1
• Strony: 3--28
• Opis fizyczny: Bibliogr. 25 poz.

Twórcy

autor

Dudek G.

• Politechnika Częstochowska, Instytut Elektroenergetyki

Bibliografia

• [1] Sheble G. B., Fahd G. N.: Unit Commitment Literature Synopsis. IEEE Trans. on Power Systems, Vol. 9, No. 1, str. 128-136, 1994.
• [2] Sen S., Kothari D.: Optimal Thermal Generating Unit Commitment: A Review. Electrical Power and Energy Systems, Vol. 20, No. 7, str. 445-451, 1998.
• [3] Mantawy A., Abdel-Magid Y., Selim S.: A Simulated Annealing Algorithm for Unit Commitment. IEEE Trans. On Power Systems, Vol. 13, No. 1, str. 197-204, 1998.
• [4] Pang C. K., Sheble G. B., Albuyeh F.: Evaluation of Dynamic Programming based Methods and Multiple Area Representation for Thermal Unit Commitments. IEEE Trans. on Power Apparatus and Systems, Vol. PAS-100, No. 3, str. 1212-1218, 1981.
• [5] Pang C. K., Chen H. C: Optimal Short-Term Thermal Unit Commitment. IEEE Trans. on Power Apparatus and Systems, Vol. PAS-95, No. 4, str. 1336-1342, 1976.
• [6] Waight J. G., Albuyeh F., Bose A.: Scheduling of Generation and Reserve Margin Using Dynamic and Linear Programming. IEEE Trans. on Power Apparatus and Systems, Vol. PAS-100, No. 5, str. 2226-2230, 1981.
• [7] Merlin A., Sandrin P.: A New Method for Unit Commitment at Electricite de France. IEEE Trans. on Power Apparatus and Systems, Vol. PAS-102, No. 5, str. 1218-1225, 1983.
• [8] Duo H. i in.: A Solution for Unit Commitment Using Lagrangian Relaxation Combined with Evolutionary Programming. Electric Power Systems Research, 51, str. 71-77, 1999.
• [9] Mokhtari S., Singh J., Wollenberg B.: A Unit Commitment Expert System. IEEE Trans. on Power Systems, Vol. 3, No. 1, str. 272-276, 1988.
• [10] Kothari D., Ahmad A.: An Expert System Approach to the Unit Commitment Problem. Energy Convers. Mgmt, Vol. 36, No. 4., str. 257-261, 1995.
• [11] Padhy N., Paranjothi S., Ramachandran V.: A Hybrid Fuzzy Neural Network - Expert System for a Short Term Unit Commitment Problem. Microelectron. Reliab., Vol. 37, No. 5, str. 733-737, 1997.
• [12] Nayak R., Sharma J.: A Hybrid Neural Network and Simulated Annealing Approach to the Unit Commitment Problem. Computers and Electrical Engineering, 26, str. 461-477, 2000.
• [13] Wong M., Chung T., Wong Y.: An Evolving Neural Network Approach in Unit Commitment Solution. Microprocessors and Microsystems, 24, str. 251-262, 2000.
• [14] Padhy N.: Unit Commitment Using Hybrid Models: A Comparative Study for Dynamic Programming, Expert System, Fuzzy System and Genetic Algorithms. Electrical Power and Energy Systems, 23, str. 827-836, 2000.
• [15] Metropolis N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H., Teller, E.: Equation of State Calculations by Fast Computing Machines. J. Chem. Phys., 21, str. 1087-1091, 1953.
• [16] Kirkpatrick S., Gelatt C. D., Vecchi M. P.: Optimization by Simulated Annealing. Science, Vol. 220, str. 671-680, No. 4598, 1983.
• [17] Mantawy A., Abdel-Magid Y., Selim S.: A New Genetic-Based Tabu Search Algorithm for Unit Commitment Problem. Electric Power Systems Research, 49, str. 71-78, 1999.
• [18] Juste K. i in.: An Evolutionary Programming Solution to the Unit Commitment Problem. IEEE Trans. on Power Systems, Vol. 14, No. 4, str. 1452-1459, 1999.
• [19] Wong K., Yuryevich J.: Evolutionary-Programing-Based Algorithm for Environmentally-Constrained Economic Dispatch. IEEE Trans. on Power Systems, Vol. 13, No. 2, str. 301-306, 1998.
• [20] Wong S.: An Enhanced Simulated Annealing Approach to Unit Commitment. Electrical Power and Energy Systems, Vol. 20, No. 5, str. 359-368, 1998.
• [21] Kazarlis S., Bakirtzis A., Petridis V.: A Genetic Algorithm Solution to the Unit Commitment Problem. IEEE Trans, on Power Systems, Vol. 11, No. 1, str. 83-89, 1996.
• [22] Dasgupta D., McGregor D.: Thermal Unit Commitment Using Genetic Algorithms. IEE Proc.-Gener. Transm. Distrib., Vol. 141, No. 5, str. 459-465, 1994.
• [23] Sheble G., Maifeld T.: Unit Commitment by Genetic Algorithm and Expert System. Electric Power Systems Research, 30, str. 115-121, 1994.
• [24] Toroń M.: Metoda dobierania optymalnego zestawu urządzeń wytwórczych w systemach energetycznych. Rozprawa doktorska, Wrocław 1962.
• [25] Gladys H.: Kierunki optymalizacji planowania pracy KSE w warunkach hurtowego rynku energii elektrycznej. W materiałach konferencyjnych "Optymalizacja w elektroenergetyce OPE'95". Jachranka k. Warszawy 1995.
• [26] Bojarski W.: Wątpliwa poprawność stosowanych kryteriów optymalizacji w warunkach gospodarki rynkowej. Materiały konferencyjne "Optymalizacja w Elektroenergetyce", str. 203-210, Jachranka k. Warszawy 1999.
• [27] Toczyłowski E. i in.: Analiza porównawcza zdecentralizowanych i scentralizowanych struktur rynków energii elektrycznej. Materiały konferencyjne "Rynek Energii Elektrycznej", Kazimierz Dolny 1999.
• [28] Jurek R.: Matematyczny model systemowego, optymalizująco-bilansującego rynku energii elektrycznej (SOBREE). Materiały konferencyjne "Optymalizacja w Elektroenergetyce", str. 19-32, Jachranka k. Warszawy 1999.
• [29] Michalewicz Z. i in.: Evolutionary Algorithms for Constrained Engineering Problems. Computers ind. Engng, Vol. 30, No. 4., str. 851-870, 1996.
• [30] Gładyś H., Matla R.: Praca elektrowni w systemie elektroenergetycznym. WNT, Warszawa 1999.
• [31] Wood A., Wollenberg B.: Power Generation, Operation, and Control. John Wiley & Sons, New York, 1996.
• [32] Goldberg D. E.: Algorytmy genetyczne i ich zastosowania. WNT, Warszawa 1995.
• [33] Michalewicz Z.: Algorytmy genetyczne + struktury danych = programy ewolucyjne. WNT, Warszawa 1996.
• [34] Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. PWN, Warszawa 1997.
• [35] Galar R.: Miękka selekcja w losowej adaptacji globalnej w Rn. Próba biocybernetycznego ujęcia rozwoju. Wydawnictwo Politechniki Wrocławskiej. Wrocław 1990.