عنوان انگلیسی مقاله :

A priority list based approach for solving thermal unit commitment problem with novel hybrid genetic-imperialist competitive algorithm

عنوان فارسی مقاله :

یک روش مبتنی بر لیست اولویت برای حل مسئله در مدار قرار گرفتن واحد حرارتی با الگوریتم جدید هیبریدی ژنتیک-رقابت استعماری

سال انتشار :2016

ناشر:ELSEVIER

تعداد صفحات انگلیسی :9

تعداد صفحات فارسی به فرمت ورد قابل ویرایش:30

A b s t r a c t

This paper has proposed a novel Hybrid modified Genetic e Imperialist Competitive Algorithm (HGICA) for solving thermal Unit Commitment Problem (UCP). The UCP is a mixed integer problem with many equality and inequality constraints like the minimum down and minimum up time, spinning reserve, and ramp rate so need to a complex optimization process. In this paper the constraint handling of the problem is realized without any penalizing of solutions so a wide range of feasible solutions will be available for final optimum response. The proposed modified genetic is a novel method which has better performance than its original version and helps ICA to find more optimized responses and escape for local minimum areas easily. The main advantages of HGICA are good quality of the solution and high computational speed, which make it a suitable method for solving optimization problems. This method is carried out for three case studies including 10 and 20 units systems to efficiency of it be proved. Also the obtained results is compared to other optimization methods represented in literature for different scenarios.

چکیده

این مقاله یک الگوریتم جدید اصلاح شده هیبریدی ژنتیک-رقابت استعماری (HGICA) برای حل مسئله در مدار قرار گرفتن واحد حرارتی(UCP) ارائه داده است.UCP یک مسئله عدد صحیح آمیخته با تعداد زیادی قیود تساوی و عدم تساوی مانند مینیمم زمان خاموش بودن و مینیمم زمان روشن بودن ،رزرو چرخان و نرخ تغییرات شیبی است ، بنابراین به یک فرآیند شبیه‌سازی پیچیده نیاز دارد.در این مقاله قیودی که با مساله سروکار دارند بدون جریمه جواب‌ها تحقق پیدا می‌کنند،بنابراین رنج گسترده‌ای از جواب‌های ممکن برای پاسخ بهینه نهایی وجود خواهند داشت.ژنتیک اطلاح‌ شده‌ای که پیشنهاد شده ،یک روش جدید می‌باشد که دارای عملکرد بهتری نسبت به نسخه اصلی آن است و به ICA کمک می‌کند که پاسخ‌های بهینه‌تری را پیدا کند و به آسانی از نواحی مینیمم محلی رهایی پیدا کند.مهمترین مزایایی HGICA ، کیفیت خوب جواب و سرعت محاسباتی بالا است که آن را تبدیل به یک روش مناسب برای حل مسائل بهینه‌سازی می‌کند.برای اینکه کارایی این روش تایید شود ، آن را برای سه موضوع مطالعاتی که دارای 10 و 20 واحد هستند،بکار برده‌ایم.همچنین نتایج بدست آمده با سایر نتایج بهینه‌سازی ارائه شده در نوشتیجات برای سناریوها‌ی گوناگون مقایسه شده‌اند.