استخراج قوانین بهره برداری بهینه سامانه مخازن برق آبی با استفاده از یک روش بهینه سازی ترکیبی (مطالعه مورد: حوضه کارون- دز)

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشگاه صنعتی خاتم الانبیا بهبهان

2 دانشکده مهندسی صنعتی شهدای هویزه، دشت آزادگان، ایران

3 دانشجوی کارشناسی ارشد عمران دانشگاه صنعتی خاتم النبیاء بهبهان، بهبهان

چکیده

سابقه و هدف: بهره‌برداری بهینه از مخزن سدها، به عنوان یکی از مهمترین سیستم‌های منابع آب از پیچیدگی بالایی برخوردار است. این پیچیدگی به واسطه ماهیت احتمالاتی جریان رودخانه‌ها، اهداف متضاد و ابعاد بالای مسائل بهره‌برداری از مخازن می‌باشد. افزایش تعداد سدها، قرارگیری آنها نسبت به هم و داشتن اهداف مختلف به طور قابل توجهی ابعاد این مسائل را افزایش می‌دهند، که می‌تواند ساختار این مسائل را پیچیده و غیر خطی کند. در این تحقیق با توجه به ساختار منحصربه فرد الگوریتم‌های تکاملی (EAs) برای ارزیابی توابع هدف و احتمال قرار گیری کم در جواب‌های بهینه موضعی، ترکیبی از الگوریتم‌های تکامل تفاضلی (DE) و ازدحام ذرات (PSO) با چند استراتژی (DEPSO) برای بهینه سازی بهره برداری از سامانه سه مخزنه کارون1، گدار و دز با هدف تولید انرژی برق‌آبی استفاده می‌شود.
مواد و روش‌ها: در این تحقیق، با اصلاح پارامترها و عوامل تاثیرگذار دو الگوریتم‌های DE و PSO، یک الگوریتم ترکیبی جدید ارائه می‌شود. الگوریتم ترکیبی (DEPSO) توانایی جستجوی محلی و مطلق الگوریتم تکامل تفاضلی (DE) را برای بدست آوردن قوانین بهره‌برداری بهینه ارتقا می‌دهد. در ابتدا، کارایی و دقت الگوریتم پیشنهادی بوسیله توابع ریاضی اکلی و گریوانک ارزیابی می‌شود. سپس نتایج DEPSO با الگوریتم‌های تکامل تفاضلی (DE)، ازدحام ذرات (PSO) و کلونی زنبور عسل (ABC) مقایسه می‌گردد. در انتها، الگوریتم پیشنهادی برای حل بهینه یک سیستم سه مخزنه در ایران برای تولید انرژی برق‌آبی اعمال می‌شود. لازم به ذکر است که نتایج در 10 اجرای مختلف برای همه مسائل ارائه شد برای ارزیابی اعتماد پذیری و دقت الگوریتم‌های شرکت کننده.
یافته‌ها: نتایج بدست آمده بوسیله الگوریتم ترکیبی پیشنهادی (DEPSO) نشان داد که متوسط مقدار تابع هدف برای 10 اجرا و در طول 15 سال دوره بهره‌برداری به ترتیب 33/14، 00/10، و 50/38 درصد بهتر از الگوریتم‌های DE، ABC ، و PSO بود. و همچنین با افزایش تعداد ماه‌های دوره بهره‌برداری از 180 به 240 ماه، متوسط مقدار تابع هدف محاسبه شده بوسیله DEPSO برای 10 اجرا به ترتیب 00/14، 00/22، و 00/35 درصد بهتر از الگوریتم‌های DE، ABC ، و‌ PSO بدست آمد.
نتیجه گیری: با توجه به نتایج محاسبه شده بوسیله DEPSO، به طور واضح می‌توان دید که بهبود قابل توجهی در مقدار تابع هدف در مقایسه با الگوریتم‌های DE و PSO داشته، و مخصوصا با افزایش تعداد متغیرها از 180 به 240 عملکرد روش مورد نظر مناسب‌تر از دیگر الگوریتم‌ها می‌باشد. این موضوع بیانگر عملکرد برتر روش مورد نظر نسبت به دو روش دیگر برای بهینه سازی انرژی برق‌آبی تولید شده از سیستم‌های چند مخزنه است.

کلیدواژه‌ها

عنوان مقاله [English]

Derivation of Optimal Operating Rules of Hydropower Reservoir Systems Using a Hybrid Optimization method (Case study: Karoon-Dez basin)

نویسندگان [English]

  • Iman Ahmadianfar 1
  • Mehdi Jamei 2
  • Zahra Khajeh 3
1 Dept. of Civil Engineering, Behbahan Khatam Alanbia Univ. of Technology, Behbahan, Iran
2 Faculty of Engineering, Shohadaye Hoveizeh University of Technology, Dasht‐e Azadegan, Iran.
3 Dept. of Civil Engineering, Behbahan Khatam Alanbia Univ. of Technology, Behbahan, Iran
چکیده [English]

Background and objectives:
Optimal operation of dams' reservoirs, as one of the most important water resource systems, has a high complexity. This complexity is due to the stochastic nature of the river discharge, the high dimensionality, and conflicting objectives of reservoir operation problems. Increasing the number of dams, placing dams relative to each other and having different objectives will significantly increase the dimensions of the problem, which can complicate and non-linearize the structure of these problems. In this research, with respect to the unique nature of evolutionary algorithms (EAs) in the evaluation of objective functions and the probability of low localization in the local optimum solutions, a hybrid of differential evolution (DE) and particle swarm optimization (PSO) with multi-strategy (DEPSO) is used to optimize operation of a system with three reservoirs of Karoon1, Godar, and Dez with the purpose of hydropower generation.
Materials and methods:
In this research, by modifying the parameters and factors affecting both algorithms of DE and PSO, a new hybrid algorithm is presented. The proposed algorithm (DEPSO) promotes the local and global search capability of the basic DE algorithm to obtain optimal operating policies. Firstly, the efficiency and accuracy of the proposed algorithm are evaluated using the Ackley and Griewank mathematical functions. After that, the results of the DEPSO were compared to the DE, PSO, and ABC algorithms. Finally, the proposed algorithm is applied to optimally solve a three-reservoir system in Iran to generate hydropower energy. It is worth mentioning that the results are presented in ten different runs for all problems to evaluate the reliability and accuracy of the contestant algorithms.
Results:
The obtained results by the proposed hybrid algorithm (DEPSO) indicated that the average of objective function value for 10 runs and during 15-year operation period was 14.33, 10.00, and 38.50 percent better than those form the DE, ABC, and PSO algorithms, respectively. And also, by increasing the number of operation period from 180 to 240 monthly periods, the average of objective function value calculated by the DEPSO for 10 runs was 14, 22, and 35 percent better than those from the DE, ABC, and PSO, respectively.
Conclusion:
Regarding the calculated results using the DEPSO, it can be clearly seen a significant improvement in the objective function value compared to the DE and PSO algorithms, and especially with the increase of decision variables from 180 to 240 the performance of the method was more suitable than the other algorithms. This indicates the superior performance of this method compared to the other algorithm for optimizing the hydropower energy generated from multi-reservoir systems.

کلیدواژه‌ها [English]

  • Hybrid of Differential Evolution and Particle Swarm Optimization
  • Optimization of reservoir operation
  • Hydropower Dam
  • Multi-reservoir system

مراجع

1.Ahmadianfar, I., and Adib, A. 2014. Optimizing Hydropower Dams Operation Using Hybrid of PSO and GA (Case Study: Dez Dam). J. Irrig. Sci. Engin.38: 3. 63-71. (In Persian)
2.Ahmadianfar, I., Samadi-Koucheksaraee, A., and Bozorg-Haddad, O. 2017. Extracting Optimal Policies of Hydropower Multi-Reservoir Systems Utilizing Enhanced Differential Evolution Algorithm. Water Resources Management. 31: 14. 4375-4397.
3.Bozorg-Haddad, O., Janbaz, M., and Loáiciga, H.A. 2016. Application of the gravity search algorithm to multi-reservoir operation optimization. Advances in Water Resources. 98: 173-185.
4.Clerc, M., and Kennedy, J. 2002. The particle swarm-explosion, stability and convergence in a multidimensional complex space. IEEE transactions on Evolutionary Computation. 6: 1. 58-73.
5.Del Valle, Y., Venayagamoorthy, G.K., Mohagheghi, S., Hernandez, J.C., and Harley, R.G. 2008. Particle swarm optimization: basic concepts, variants and applications in power systems. IEEE Transactions on evolutionary computation. 12: 2. 171-195.
6.Eberhart, R.C., and Kennedy, J. 1995.A new optimizer using particle swarm theory. Proceedings of the sixth international symposium on micro machine and human science. IEEE.Pp: 39-43.
7.Fan, H.Y., and Lampinen, J. 2003. A trigonometric mutation operation to differential evolution. J. Global Optim. 27: 1. 105-129.
8.Fan, Q., and Yan, X. 2015. Differential evolution algorithm with self-adaptive strategy and control parameters for
P-xylene oxidation process optimization. Soft Computing. 19: 5. 1363-1391.
9.Golberg, D.E. 1989. Genetic algorithms in search, optimization, and machine learning. 1989.
10.Hao, Z.F., Guo, G.H., and Huang, H. 2007. A particle swarm optimization algorithm with differential evolution. Machine Learning and Cybernetics, 2007 International Conference on.Pp: 1031-1035.
11.Karaboga, D., and Akay, B. 2009. A comparative study of artificial bee colony algorithm, Applied mathematics and computation, 214: 1. 108-132.
12.Liu, J., Lampinen, J., Matousek, R., and Osmera, P. 2002. Adaptive parameter control of differential evolution, Proc. Mendel. Pp: 19-26. 
13.Liu, S., Wang, X., and You, X. 2007. Cultured differential particle swarm optimization for numerical optimization problems, Natural Computation, 2007. ICNC 2007. Third International Conference on. Pp: 642-648.
14.Reddy, M.J., and Kumar, D.N. 2006. Optimal reservoir operation using multi-objective evolutionary algorithm, Water Resources Management. 20: 6. 861-878.
15.Samadi-Koucheksaraee, A., Ahmadianfar, I., Bozorg-Haddad, O., and Asghari-Pari, S.A. 2018. Gradient Evolution Optimization Algorithm to Optimize Reservoir Operation Systems. Water Resources Management. 33: 2. 603-625.
16.Storn, R., and Price, K. 1997. Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces.J. Global Optim. 11: 4. 341-359.
17.Taghian, M., and Ahmadianfar, I. 2018. Maximizing the Firm Energy Yield Preserving Total Energy Generation Via an Optimal Reservoir Operation, Water Resources Management, 32: 1. 141-154.
18.Xu, X., Li, Y., Fang, S., Wu, Y.,and Wang, F. 2008. A noveldifferential evolution scheme combined with particle swarm intelligence, Evolutionary Computation, 2008.CEC 2008. (IEEE World Congresson Computational Intelligence). IEEE Congress on, Hong Kong, China.Pp: 1057-1062.
19.Zhang, J., Wu, Z., Cheng, C.T., and Zhang, S.Q. 2011. Improved particle swarm optimization algorithm for multi-reservoir system operation, Water Science and Engineering, 4: 1. 61-74.
20.Zhang, W.J., and Xie, X.F.2003. DEPSO: hybrid particle swarm with differential evolution operator, Systems, Man and Cybernetics, 2003. IEEE International Conference on.Pp: 3816-3821.
مجله پژوهش‌های حفاظت آب و خاک
دوره 26، شماره 6
بهمن و اسفند 1398
صفحه 99-118

فایل ها

هم رسانی

ارجاع به این مقاله

آمار