OPTİMAL AKTİF GÜÇ DAĞITIMI İÇİN KARŞIT ÖĞRENME TABANLI DİFERANSİYEL GELİŞİM ALGORİTMASI

Yıl 2020, Cilt: 25 Sayı: 1, 231 - 246, 30.04.2020

Serdar Özyön

https://doi.org/10.17482/uumfd.635957

Öz

Elektrik enerji üretim sistemlerinin optimal işletimi problemi, içerdiği kısıtlar bakımından nümerik yöntemler ile çözümü zor bir problemdir. Bu tür problemlerin daha kısa sürelerde kabul edilebilir çözümlerinin elde edilebilmesi için çeşitli optimizasyon algoritmaları sıklıkla kullanılmaktadır. Son yıllarda bu tür algoritmaların, daha kararlı ve daha iyi çözümler elde edebilmek üzere geliştirilmesi oldukça yaygındır. Bu çalışmada daha önce birçok problemin çözümüne başarıyla uygulanmış diferansiyel gelişim algoritmasına (DE), karşıt tabanlı öğrenme kavramı iki farklı şekilde entegre edilmiştir. Geliştirilen algoritmaların performanslarının ve kararlılıklarının test edilmesi için iki farklı problem çözümü yapılmıştır. Bu problemlerden ilki altı adet multimodal test fonksiyonunun optimizasyonu, ikincisi ise optimal güç dağıtımı probleminin çözümüdür. Problem çözümü için IEEE 30 baralı 6 generatörlü sistem örnek olarak seçilmiştir. İletim hattı kayıpları Newton Raphson metodu ile AC yük akışı yapılarak hesaplanmıştır. Son olarak her iki problemin çözümlerinden elde edilen değerler ile algoritmaların performansları karşılaştırılmış ve karşıt tabanlı öğrenme kavramının optimizasyon algoritmaları üzerine etkileri tartışılmıştır.

Anahtar Kelimeler

Optimal Aktif Güç Dağıtımı, AC Yük Akışı, Karşıt Tabanlı Öğrenme, Diferansiyel Gelişim Algoritması

Opposite-Based Learning Differential Evolution Algorithm for Optimal Active Power Dispatch

Öz

The optimum operation problem of electrical energy generation systems is a difficult problem
to solve with numeric methods in terms of the constraints it includes. Various optimization algorithms are
frequently used in order to be able to obtain the acceptable solutions of these kinds of problems in short
times. In recent years it is very common to improve these kinds of algorithms in order to be able to obtain
more decisive and better solutions. In this study Opposite-based learning concept has been integrated into
Differential Evolution Algorithm, which was applied to the solution of many problems successfully before,
in two different ways. Two different problem solutions have been done in order to test the performances
and the decisiveness of the developed algorithms. The first of these problems is the optimization of six
multimodal test functions, and the second is the solution of the optimum power dispatch problem. IEEE 30
bus 6 generator system has been selected as the sample for the solution of the problem. The calculation of
transmission line losses have been done by doing AC load flow with Newton Raphson method. Finally, the
values obtained from the solutions of the two problems have been compared with the performances of the
algorithms and the effects of the opposite-based learning concept on the optimization algorithms have been
discussed. 

Anahtar Kelimeler

Optimum Active Power Dispatch, AC Load Flow, Opposite-based Learning, Differential Evolution Algorithm

Kaynakça

• 1. Abido, M.A. (2002) Optimal power flow using particle swarm optimization, International Journal of Electrical Power & Energy Systems, 24, 563-571. doi: 10.1016/S0142-0615(01)00067-9
• 2. Abou A.A., Abido M.A., Spea S.R. (2010) Differential evolution algorithm for emission constrained economic power dispatch problem, Electric Power Systems Research, 80, 1286-1292. doi: 10.1016/j.epsr.2010.04.011
• 3. Dinh, L.L., Ngoc, D.V., Vasant, P. (2013), Artificial Bee Colony Algorithm for Solving Optimal Power Flow Problem, The Scientific World Journal, 1-9. doi: 10.1155/2013/159040
• 4. Kothari, D.P., Dhillon, J.S. (2007) Power System Optimization, PHI, New Delhi, 2007.
• 5. Kurban, M., Başaran Filik, Ü. (2007) Türkiye’deki 22 baralı 380 kV’luk güç sisteminin iki farklı yöntem kullanılarak ekonomik dağıtım analizi, SAÜ Fen Bilimleri Dergisi, 11(1), 78-86.
• 6. Makas, H., Yumuşak, N. (2016) System identification by using migrating birds optimization algorithm: a comparative performance analysis, Turkish Journal of Electrical Engineering & Computer Sciences, 24, 1879-1900. doi: 10.3906/elk-1311-45
• 7. Mohamed, A.W., Sabry, H.Z., Abd-Elaziz, T. (2013) Real parameter optimization by an effective differential evolution algorithm, Egyptian Informatics Journal, 14(1), 37-53. doi: 10.1016/j.eij.2013.01.001
• 8. Montes de Oca, M.A., Stützle, T. (2008) Towards incremental social learning in optimization and multiagent systems, ECoMASS Workshop of the Genetic and Evolutionary Computation Conference (GECCO’08), 1939-1944, ACM Press, New York. doi: 10.1145/1388969.1389004
• 9. Nouhi, B., Talatahari, S., Kheiri, H., Cattani, C. (2013) Chaotic charged system search with a feasible-based method for constraint optimization problems, Mathematical Problems in Engineering, 1-8. doi: 10.1155/2013/391765
• 10. Osman, M.S., Abo-Sinna, M.A., Mousa, A.A. (2004) A solution to the optimal power flow using genetic algorithm, Applied Mathematics and Computation, 155, 391-405. doi: 10.1016/S0096-3003(03)00785-9
• 11. Özyön, S., (2019) Farklı mutasyon yapılarının diferansiyel gelişim algoritması performansına etkileri, Erasmus International Academic Research Symposium in Science, Engineering and Architecture (Erasmus’19), 255-263, İzmir, Türkiye.
• 12. Özyön, S., Yaşar, C. (2016) Farklı salınım barası seçimlerinin optimal güç akışı üzerindeki etkilerinin incelenmesi, 2nd International Multidisciplinary Congree of Eurasia (IMCOFE’16), 40-50, Odessa, Ukrayna.
• 13. Özyön, S., Yaşar, C., Durmuş, B., Temurtaş, H., Kuvat, G. (2012) Solution to non-convex economic power dispatch problems with generator constraints by charged system search algorithm, International Review of Electrical Engineering (I.R.E.E.), 7(5), 5840-5853.
• 14. Özyön, S., Yaşar, C., Özcan, G., Temurtaş, H. (2011) Çevresel ekonomik güç dağıtım problemlerine yapay arı koloni algoritması (ABC) yaklaşımı, Ulusal Elektrik-Elektronik Bilgisayar Sempozyumu (FEEB2011), 222-228, Elâzığ, Türkiye.
• 15. Özyön, S., Yaşar, C., Temurtaş, H. (2011) Diferansiyel gelişim algoritmasının valf nokta etkili konveks olmayan ekonomik güç dağıtım problemlerine uygulanması, 6th International Advanced Technologies Symposium (IATS’11), Electrical & Electronics Technologies Papers 4, 181-186, Elâzığ, Turkey.
• 16. Özyön, S., Yaşar, C., Temurtaş, H. (2011) Harmoni arama algoritmasının çevresel ekonomik güç dağıtım problemlerine uygulanması, Çukurova Üniversitesi, Mühendislik Mimarlık Fakültesi Dergisi, 26(2), 65-76.
• 17. Rossoni, P., Rosa, W.M., Belati, E.A. (2016) Linearized AC load flow applied to analysis in electric power systems, IEEE Latin America Transactions, 14(9), 4048-4053. doi: 10.1109/TLA.2016.7785932
• 18. Storn, R., Price, K. (1997) Differential evolution-A simple and efficient heuristic for global optimization over continuous spaces, Journal of Global Optimization, 11, 341-359.
• 19. Temurtaş, H., Yaşar, C., Özyön, S. (2017) Nümerik fonksiyonların optimizasyonu için karşıt tabanlı yeni bir meta-sezgisel algoritma, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 17, 922-937. doi: 10.5578/fmbd.66295
• 20. Tizhoosh, H.R. (2005) Opposition-based learning: A new scheme for machine intelligence, International Conference on Computational Intelligence for Modelling, Control and Automation and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC'06), 695-701, Vienna, Austria.
• 21. Wood, A.J., Wollenberg, B.F., Sheble, G.B. (2013) Power Generation Operation and Control, IEEE & Wiley, Third Edition, USA.
• 22. Xuanhu, H., Wang, W., Jiuchun, J., Lijie, X. (2015) An Improved Artificial Bee Colony Algorithm and Its Application to Multi-Objective Optimal Power Flow, Energies, 8, 2412-2437. doi: 10.3390/en8042412
• 23. Yaşar, C., Özyön, S., Temurtaş, H. (2017) A New Program Design Developed for AC Load Flow Analysis Problems, Kırıkkale Üniversitesi Mühendislik Fakültesi Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 9(3), 207-222. doi: 10.29137/umagd.372979