Differential Evolution Algorithm Diferansiyel Gelişim Algortiması dga sunum

DİFERANSİYEL GELİŞİM ALGORİTMASI

KULLANILARAK ÇOK AMAÇLI, EMİSYON KISITLI

EKONOMİK GÜÇ DAĞITIMIEND 5123

Sezgisel Algoritmalar

Elif Ceylan501506017

30.12.2015

Multi-objective Emission Constrained Economic Power Dispatch Using Differential Evolution Algorithm Sunil K. Soni ve Vijay Bhuria

2

GENEL BAKIŞ

Makalenin Konusu

Problem Detayları

Diferansiyel Gelişim Algoritması Kullanımı

Çıkan Sonuçlar

3

Resim Kaynağı:https://courses.engr.illinois.edu/ECE573/handouts/files/5-%20Economic%20Dispatch.pdf

4

1. Ekonomik güç dağıtım problemi sistem tarafından talep edilen yükün, minimum maliyetle karşılanmasını amaçlamıştır.

2. Yakıt maliyetinin yanında çevreye salınan gazların da minimum seviyede sağlanması bu makalenin konusunu oluşturmaktadır.

3. Birimlerin aktif güç çıkışları buna göre ayarlanır.

4. Çevre kirliliğini de dikkate alır.

MAKALE KONUSU

5

Makale deney çalışmasını, standart bir 30-bus (30-bara/valf noktası) güç sisteminde denemiştir.

6 adet üretim bölümü vardır. Bölümler arasındaki iletim kayıpları matrisi,

Algoritmanın test edildiği talep değerleri, MW: Çıkış Gücü 500MW 700MW 900MW

Çalışmanın Detayları

6ŞEKİL 1: 30 BARALI TEST SİSTEMİ DİAGRAMI

7

GENEL BAKIŞ

Makalenin Konusu

Problem Detayları

Diferansiyel Gelişim Algoritması Kullanımı

Çıkan Sonuçlar

8

Amaç Fonksiyonu: 1. Sistemin toplam maliyetini minimize etmek,2. Toplam emisyonu minimize etmek.Sulphur Oxide(SOx), Nitrogen Oxide (NOx) ve Carbon Oxide (COx) tarafından oluşan atmosfer kirliliği için farklı modeller oluşturulabilir. Belirlenen koşullar:

Bu makale iki farklı problemden oluştuğu için öncelikle ceza maliyeti tanımlanmıştır.

Problemin denge fonksiyonu toplam üretim ile toplam yük/talep ve kayıpların dengesi ile oluşur.

Her üretim bölümünün alt ve üst üretim limiti vardır.

Problemin Detayları

9

Fuel Cost / Yakıt Maliyeti Emisyon Pi : i üretim biriminin üretim miktarı (MW) ai, bi, ci : i. üretim yeri için yakıt maliyeti

katsayıları di, ei, fi : i. üretim yeri için emisyon katsayıları N : Kullanımdaki termal birim hi :ceza maliyeti

Problemin Detayları

10

Tablo 1: Yakıt Maliyeti, Emisyon katsayıları ve Üretim Kapasiteleri

Generator ai bi ci di ei, fi Pmin Pmax

1 0.15 38.54 756.8 0.004 0.326 13.86 10 125

2 0.105 46.16 451.3 0.004 0.326 13.86 10 150

3 0.028 40.39 1049 0.007 0.545 40.27 40 250

4 0.035 38.31 1243 0.007 0.545 40.27 35 210

5 0.021 36.33 1658 0.005 0.511 42.89 130 325

6 0.018 38.27 1356 0.005 0.511 42.89 125 315

11

Amaç Fonksiyonu

Bij: Bölümler arasındaki geçişten oluşan kayıp matrisi

Problem Formülasyonu

Ceza

Girdi – Çıktı Dengesi

Kayıplar

Üretim birimlerinin

üretim miktarı

12

GENEL BAKIŞ

Makalenin Konusu

Problemin Detayları

Diferansiyel Gelişim Algoritması Kullanımı

Çıkan Sonuçlar

13

Emisyon Kısıtlı Ekonomik Güç Dağıtım problemi için, ilk çözüm rassal seçilmiştir.

Bütün rassal değişkenler için uniform dağılım olduğu varsayılmıştır.

Algoritmanın temel adımları,• Başlangıç• Mutasyon• Çaprazlama• Değerlendirme• SeçimDurdurma kriterlerine (DK) ulaşıncaya kadar.DK: xi,G:her jenerasyon için populasyon

Diferansiyel Gelişim Algoritması Kullanımı

14

o BaşlangıçBaşlangıç populasyonu oluşturuluro MutasyonYeni mutant bireyler oluşturulur.Bu bireylerden rassal seçilmiş xr1, rassal seçilmiş xr2 ve xr3 vektörlerinin farkı ve F ölçekleme katsayısı ile bozulmaya uğratılır. (a≠b≠c)

Diferansiyel Gelişim Algoritması Kullanımı

𝑣𝑖,𝐺+1 = 𝑥𝑟1,𝐺+ 𝐹.൫𝑥𝑟2,𝐺−𝑥𝑟3,𝐺൯

15

o ÇaprazlamaBurada binom operasyonu kullanılır. [0,1] aralığındaki CF (çaprazlama faktörü) ile rassal sayı karşılaştırılır.Deneme dizisi;=()

SeçimG+1. jenerasyon üyeleri için karşılaştırılır.Eğer, , ‘den daha iyi sonuç veriyorsa olarak seçilir.

Diferansiyel Gelişim Algoritması Kullanımı

16

ŞEKİL 2:DİFERANSİYEL ALGORİTMA DİYAGRAMI

17

GENEL BAKIŞ

Makalenin Konusu

Problem Detayları

Diferansiyel Gelişim Algoritması Kullanımı

Çıkan Sonuçlar

18

Problemin Diferansiyel Gelişim Algoritmasıyla çözümü sonucunda; Üretim birimleri için en uygun P değerleri, Yakıt Maliyeti, Emisyon oranı, Güç kaybı, Toplam Kapasite belirlendi.

Family Competition Genetic Algorithm, Non-dominated Sorting Genetic Algorithm II ve Diferansiyel Gelişim Algoritması karşılaştırıldı.

Sonuçlar

19TABLO2: 500MW TALEP İÇİN OPTİMUM YAKIT MALİYETİ, EMİSYON SONUCU.

20TABLO3: 700MW TALEP İÇİN OPTİMUM YAKIT MALİYETİ, EMİSYON SONUCU.

21TABLO4: 900MW TALEP İÇİN OPTİMUM YAKIT MALİYETİ, EMİSYON SONUCU

22TABLO5: 500MW TALEP İÇİN MİNİMUM NOX EMİSYONU

23TABLO6: 700MW TALEP İÇİN MİNİMUM NOX EMİSYONU

24TABLO7: 900MW TALEP İÇİN MİNİMUM NOX EMİSYONU

25TABLO8: 500MW İÇİN, TALEPLERİN EN UYUMLU OLDUĞU SONUÇLAR

26TABLO9: 700MW İÇİN, TALEPLERİN EN UYUMLU OLDUĞU SONUÇLAR

27TABLO10: 900MW İÇİN, TALEPLERİN EN UYUMLU OLDUĞU SONUÇLAR

28

Teşekkürler