
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,501 |
تعداد مشاهده مقاله | 8,624,442 |
تعداد دریافت فایل اصل مقاله | 8,214,364 |
استخراج قوانین بهره برداری بهینه سامانه مخازن برق آبی با استفاده از یک روش بهینه سازی ترکیبی (مطالعه مورد: حوضه کارون- دز) | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 5، دوره 26، شماره 6، بهمن و اسفند 1398، صفحه 99-118 اصل مقاله (1.26 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2019.15613.3081 | ||
نویسندگان | ||
ایمان احمدیانفر* 1؛ مهدی جامعی2؛ زهرا خواجه3 | ||
1دانشگاه صنعتی خاتم الانبیا بهبهان | ||
2دانشکده مهندسی صنعتی شهدای هویزه، دشت آزادگان، ایران | ||
3دانشجوی 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 | ||
الگوریتم ترکیبی تفاضل تکاملی- ازدحام ذرات؛ بهینه سازی بهره برداری مخزن؛ سد برق آبی؛ سامانه چند مخزنه | ||
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. | ||
آمار تعداد مشاهده مقاله: 577 تعداد دریافت فایل اصل مقاله: 527 |