توزیع بهینۀ دینامیکی توان و آلودگی با تاثیرپذیری از مدل احتمالاتی انرژی باد به کمک الگوریتم توسعه‌یافتۀ کلونی جستجوی ویروس

در این مقاله، به مدل‌سازی بهینۀ دینامیکی توان و آلودگی در طول یک شبانه‌روز به‌عنوان یک چالش مهم در مهندسی پرداخته شده است. همچنین، در سیستم قدرت امروزی، انرژی‌های تجدیدپذیر، سهم انکارناپذیری را در تامین انرژی ارائه می‌کنند؛ ازاین‌رو، برای ایجاد یک مدل کارآمد، علاوه بر در نظر گرفتن توابع هزینه و آلودگی، مدل‌سازی احتمالاتی انرژی باد پیشنهاد شده است. اصولاً چنین مسئله‌ای دارای محدودیت‌های متعددی است و به‌منظور سوق‌دادن آن به واقعیت، قیود عملی و غیرخطی مانند تعادل توان، نرخ شیب، مناطق ممنوعه، تابع هزینۀ ناصاف و محدودیت‌های تولید لحاظ شده‌اند. با توجه به اینکه این توابع ازنظر ماهیت با یکدیگر در تضادند، برای حل این مسئله، الگوریتم چندهدفۀ کلونی جستجوی ویروس مبتنی بر تئوری پارتو ارائه شده است. برای بهبود عملکرد الگوریتم جستجوی کلونی ویروس از نظریۀ آشوب بهره گرفته شده است که ضعف الگوریتم استاندارد، یعنی سرعت همگرایی و افزایش تعداد تکرار اجرای الگوریتم را برای رسیدن به جواب بهینه برطرف می‌کند. تئوری آشوب به ماهیت سیستم‌های پیچیده با رفتار پیش‌بینی‌ناپذیر و الگوبرداری با استفاده از توابع یا ارتباط رفتار آشفته برای الگوریتم به یک پارامتر اشاره دارد. با استفاده از ویژگی‌های تصادفی و پیمایشی سیستم‌های آشفته، استراتژی آشوب می‌تواند کیفیت توزیع جمعیت را در فضای جستجو بهبود دهد و کارایی همگرایی الگوریتم را ارتقا بخشید. همچنین، برای انتخاب بهترین جواب از بین مجموعه جواب‌ها از تابع تصمیم‌گیری فازی استفاده شده است. مدل و روش پیشنهادی روی سیستم‌های مختلف، اعمال و در مواردی با سایر روش‌های موجود در مقالات مقایسه شده است. نتایج نشان از بهبود عملکرد الگوریتم پیشنهادی دارد. همچنین، نتایج نشان دادند حضور منابع تجدیدپذیر کاهش هزینه‌ها، تولید و درنتیجه، افزایش امنیت شبکه را به همراه داشته است.

Dynamic Economic/Emission Dispatch with Probability Model of Wind Power with Modified Virus Colony Search Algorithm

This paper deals with the dynamic economic and emission dispatch during a day as an important challenge in engineering. On the other hand, renewable energy provides an undeniable contribution to the energy supply. Therefore, to create an efficient model, the probability wind energy models have been proposed. In principle, this problem has several limitations and to bring it to reality, practical and nonlinear constraints such as power balance, ramp rate, prohibited zone, nonsmooth cost function, and production constraints have been considered. Since these functions i.e. emission, cost, and wind models are conflicting in nature, to solve this problem, a multiobjective virus colony search algorithm (VCS) based on Pareto theory has been proposed. To improve the performance of the virus colony search algorithm, the chaos theory has been employed that eliminates the weakness of the standard algorithm, ie the speed of convergence and increased number of iterations of the algorithm to achieve the optimal solution. Chaos theory refers to the nature of complex systems with unpredictable behavior. Using the stochastic properties of chaos system, Chaos theory can improve the quality of population distribution in search space and enhance algorithm convergence function. The fuzzy decision function is also used to select the best solution from the set of solutions. The proposed model and method are applied to different systems and in some cases are compared with other methods in the articles. The results show an improvement in the performance of the proposed algorithm. The results also show that the presence of renewable resources has reduced production costs and thus increased network security.