This paper describes the fully-informed particle swarm optimization based economic dispatch among hydro-thermal units and compares the results with those obtained from existing heuristic and non-heuristic techniques. The short-term hydro-thermal scheduling is optimized using the meta-heuristic fully-informed particle swarm optimization (FIPSO) which is a variant of the canonical particle swarm optimization (CPSO). The FIPSO helps in finding a good approximation of an optimal solution for nonlinear multi-modal optimization problems by searching the complete search space. A global best (g-best) neighbourhood topology is compared with a local best (l-best) neighbourhood topology to describe the impact of particles’ neighbourhood on the convergence behaviour of the FIPSO algorithm. A standard two-generating-unit based system has been used to demonstrate the effectiveness of the FIPSO in economic scheduling of hydro and thermal units. The results, when compared with those from the literature, reveal the superiority of the proposed FIPSO algorithm

چکیده

این مقاله به توصیف پخش بار اقتصادی مبتنی بر مدل بهینه سازی انبوه ذرات کاملاً آگاه برای واحدهای آبی – حرارتی پرداخته و نتایج حاصل را با نتایج به دست آمده از روش های ابتکاری و غیر ابتکاری موجود مقایسه می کند. برنامه ریزی کوتاه مدت واحد آبی – حرارتی با استفاده از مدل بهینه سازی انبوه ذرات کاملاً آگاه و فرا ابتکاری (FIPSO) که نوعی از بهینه سازی انبوه ذرات استاندارد است، بهینه سازی شده است. FIPSO به یافتن تقریب های مناسبی از پاسخ های بهینه برای مسائل بهینه سازی غیرخطی و چند مودی کمک می کند که برای این کار از جستجوی کامل فضای جستجو استفاده می کند. مفهوم بهترین مجاورت سرتاسری (g-best) با مفهوم بهترین مجاورت محلی (l-best) مقایسه شده است تا اثر مجاورت ذرات را روی رفتار همگرایی الگوریتم FIPSO توصیف کند. یک سیستم دو واحدی استاندارد نیز برای تأیید اثربخشی FIPSO روی برنامه ریزی اقتصادی واحد آبی و گرمایی مورد استفاده قرار گرفته است. نتایج در مقایسه با نتایج حاصل از سایر مقالات، برتری الگوریتم FIPSO ی پیشنهادی را نشان می دهد.

1-مقدمه

برنامه ریزی واحد آبی – حرارتی معمولاً یا با استفاده از روش های بهینه سازی کلاسیک و یا الگوریتم های بهینه سازی ابتکاری صورت می گیرد. مرجع [3] روش های سنتی نظیر ضریب لاگرانژ، برنامه ریزی دینامیکی و جستجوی گرادیان را برای حل مسئله پخش بار اقتصادی شرح می دهد. در مراجع [4و5] روش های بهینه سازی فرا ابتکاری برای یافتن پاسخ بهینه یک تا به هدف شرح داده شده است که ماهیت تصادفی بودن را در مسیر محاسبه پاسخ، تضمین می نماید...