توضیحات
Evaluating the benefits of Integrating Floating Photovoltaic and Pumped Storage Power System
شبیه سازی در محیط ام فایل متلب انجام شده است.
دارای گزارش 4صفحه گزارش در قالب ورد است.
مقاله از الگوریتم ژنتیک استفاده کرده است, در این پروژه متلب از الگوریتم ژنتیک و از الگوریتم گرگ خاکستری برای بهینه سازی مسئله استفاده شده است.
توضیحات پروژه
شبیه‌سازی به صورت کامل مطابق مدل مقاله انجام شده‌است. با توجه به اینکه قرار بود یک الگوریتم جدید برای حل مسئله استفاده شود، از الگوریتم گرگ خاکستری (GWO) استفاده شد که یکی از قوی‌ترین الگوریتم‌های فرابتکاری می‌باشد. برای ارزیابی عملکرد این الگوریتم، کدنویسی مسئله هم برای الگوریتم ژنتیک و هم برای الگوریتم GWO نوشته شده‌است.
الگوریتم گرگ خاکستری:
الگوریتم گرگ خاکستری (Grey Wolf Optimizer (GWO یک الگوریتم فراکتشافی یا الگوریتم بهینه سازی بر اساس رفتار و شیوه شکار گرگ های خاکستری است.
جالب اینجاست که الگوریتم در سال 2014 توسط یک گروه ایرانی آقای میرجلیلی و همکارانش در دانشگاه شهید بهشتی معرفی و ثبت شد.
این نوع از گرگها دارای زندگی سختی هستند و به صورت گروه های 7الی12نفر می باشند. آنها به 4دسته تقسیم میشوند:
جفت آلفا [Alpha] که رهبر گروه محسوب میشود برای بقیه تعیین میکند که کی بخوابند وکی شکار کنند و… و بقیه نیز به تبعیت از خواسته گرگ آلفا هستند.
– گرگهای بتا که مشاور و کمک کننده گرگ رهبر (آلفا) هستند و در صورت پیرشدن و یا مردن گرگ آلفا گزینه جانشین هستند.
– گرگ های امگا نیز که ظاهرا دارای ارزش کمتری در گروه هستن, از بقیه تبعیت می کنند و حتی بعد از آلفا و بتا غذا میخورند. اما نبود آنها دچار مشکل در گروه آنها میشود.
گرگهای دلتا نیز از آلفا و بتا تبعیت میکنند و نسبت به امگا برتری دارند.
ادامه توضیحات پروژه
پوشه شبیه‌سازی حاوی چند کد مختلف می‌باشد. کد Data حاوی داده‌های ورودی مسئله است که شامل توان خورشیدی پیش‌بینی شده، توان مورد نیاز برای پمپاژ و بار پیش‌بینی شده در هر بازه زمانی می‌باشد. بازه زمانی 15 دقیقه در نظر گرفته شده بنابراین برای یک شبانه روز 24 ساعته، شبیه‌سازی شامل 24×4 یعنی 96 بازه می‌باشد.
کدهای GA، Crossover و mutation مربوط به الگوریتم ژنتیک می‌باشند. کد GWO نیز مربوط به الگوریتم گرگ خاکستری است.
کد fitness برای مدلسازی معادلات مسئله بوده و برای محاسبه تابع هدف نوشته شده‌است.
کد Results نیز برای نمایش خروجی‌های شبیه‌سازی پس از اتمام بهینه‌سازی نوشته شده‌است.
نحوی ران کردن شبیه‌سازی
برای ران کردن هر یک از الگوریتم‌ها یعنی الگوریتم ژنتیک و الگوریتم گرگ خاکستری، تنها کافی است کد مربوط به آن ران شود. یعنی برای بهینه سازی مسئله با الگوریتم ژنتیک، تنها کافی است کد GA ران شود. برای حل مسئله با الگوریتم گرگ خاکستری نیز تنها کافی است GWO ران شود.
پس از پایان بهینه‌سازی، نتایج بهینه‌سازی شامل حداقل مقدار، حداکثر مقدار، میانگین و انحراف معیار هر یک از توابع هدف نمایش داده میشود. توابع هدف مسئله شامل بیشینه‌سازی مزیت تولید توان و کمینه‌سازی ناتعادلی توان می‌باشند.
در مقاله دو تابع هدف به صورت ترکیب شده و مسئله نهایی به صورت بیشینه‌سازی u نوشته شده که در کدنویسی نیز عینا این کار انجام شده‌است. در این رابطه F1 و F2 توابع هدف اول و دوم می‌باشند.
لازم به ذکر است که مانند مقاله برای هر دو الگوریتم GA و GWO، تعداد جمعیت برابر 200 و حداکثر تکرار برای 1000 تنظیم شده‌است.
سعی کردیم هر دو الگوریتم شرایط یکسانی داشته باشند تا بتوانیم برتری آنها را بررسی کنیم.
برای مقایسه عملکرد دو الگوریتم، کافی است مسئله را ابتدا با GA ران کنید و پس از اتمام بهینه‌سازی، بلافاصله مسئله را با GWO ران کنید. با این کار منحنی همگرایی دو الگوریتم به صورت شکل 1 بر روی هم افتاده و قابل مقایسه می‌باشند. بر اساس این شکل مشخص است که الگوریتم GWO در نهایت به پاسخ‌هایی بزرگ‌تری رسیده است که چون مسئله یک بیشینه‌سازی می‌باشد، نشان دهنده‌ی عملکرد بهتر الگوریتم GWO می‌باشد. این نتیجه به وضوح نشان میدهد که الگوریتم پیشنهادی در مقایسه با الگوریتم GA عملکرد بهتری داشته‌است.
شکل 1. مقایسه منحنی همگرایی الگوریتم ژنتیک (GA) و الگوریتم گرگ خاکستری (GWO)
برای الگوریتم ژنتیک نتایج نهایی به صورت زیر بدست آمده است:
Energy Energy generation benefits :
min max average std
______ _____ _______ ____
4294.2 14407 9521.8 3417
Energy imbalance :
min max average std
_______ ______ _______ ______
0.68167 138.24 80.012 42.381
نتایج مربوط به الگوریتم GWO نیز به صورت زیر بدست آمده است:
Energy Energy generation benefits :
min max average std
______ _____ _______ ______
5391.5 11121 8684.6 2037.9
Energy imbalance :
min max average std
________ ______ _______ ____
0.078116 75.761 8.2944 10.1
بر اساس نتایج بالا مشخص است که مزیت تولید برای GA بهتر بوده و تعادل انرژی برای GWO بهتر شده‌است. بنابراین برای مقایسه عملکرد دو الگوریتم میتوان تابع هدف کلی یعنی همان u را در نظر گرفت که برای GA برابر 40298 و برای GWO برابر 50089 بدست آمده است که به وضوح مشخص است الگوریتم GWO نتیجه بسیار بهتری داشته‌است.
توجه شود که طبق روال الگوریتم‌های فراابتکاری، در هر بار ران ممکن است نتایج متفاوت حاصل شود که گاهی به دلیل گیر کردن الگوریتم در بهینه محلی می‌باشد. بنابراین برای مقایسه دقیق‌تر، بهتر است که هر الگوریتم چندبار ران شده و نتایج ذخیره شود و بهترین نتیجه بدست آمده برای GA و GWO با هم مقایسه شود که در این حالت نیز عملکرد WGO بسیار بهتر می‌باشد.
شبیه سازی Demand side management in a smart micro-grid in the presence of renewable generation and demand response در فروشگاه متلبی موجود شد.
Keywords: Floating photovoltaic, Pumped storage power system, Collaborative operation, Genetic algorithm
شبیه سازی
Evaluating the benefits of Integrating Floating Photovoltaic and Pumped Storage Power System
طبق توضیحات فوق توسط کارشناسان سایت متلبی تهیه شده است و به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،.
با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.