A Particle Swarm Optimization for Economic Dispatch With Nonsmooth Cost Functions

(Jong-Bae Park, Ki-Song Lee, Joong-Rin Shin, and Kwang Y. Lee)

Erik Tridianto 2211201201 Pressa Perdana 2211201203 Marselin J. 2211201206 Kharisma B. Adam 2211201208

G1

G3

G2 L1

Bagaimana pengaturannya???

Adalah PSO yang dimodifikasi untuk memecahkan masalah non-smooth ED sehingga persamaan yang didapatkan menjadi lebih cepat konvergen

MPSO

Algoritma MPSO
1

Inisialisasi dan struktur individu secara acak Update Kecepatan

3 4

Modifikasi posisi Update Pbest dan Gbest

Space Raduction Strategy

Step 1) Inisialisasi dan struktur individu secara acak

Set paramet j-1 Pilih sebuah partikel secara acak Pilih nilai sesuai dengan batasan inequality
If j=n-1, lajutkan . If Not, J=J+1 dan kembali Check Inqualitu and equality End

Step 2) Update Kecepatan

Step 3) Batasan modifikasi posisi yang diinginkan

Step 3.1) Set j:1 pada iterasi ke-k

Step 3.2) Piih sebuah partikel dan simpan dalam array

Step 3.3) Modifikasi nilai element j

Step 3.4) Jika j=n-1, lajutan kan. Bila tidak, J=J+1 dan kembali Step 3.5) Nilai dari element terakhir harus sesuai batasan, equality dan sesuai batasan inequality Step 3.6) Bila belum sesuai, buat iterasi lagi Stop

Step 4) Update Pbest dan Gbest

Step 5) Space Raduction Strategy

Step 6

Finish

ED Problem Nonsmooth Cost Functions Considering Multiple Fuels

Sistem Tes
Untuk menguji MPSO digunakan dua sistem

Sistem I
3 Generator
850 MW Total Power

Sistem II
40 Generator
10500 MW Total Power

Strategi Penentuan Parameter

Penentuan Batas eskperiment

0,5 < max < 1 ; 0,1 < min < 0,5 C1, C2 = {1,2} ; 0,01 < < 0.8

Proses Eksperimen

Banyak Global yang diraih

Penentuan Parameter terbaik

Mencari Parameter yang paling optimum

Strategi Penentuan Parameter

The Best Peformance

Nilai parameter pada baris 7 dipilih sebagai parameter MPSO

Strategi Penentuan Parameter

The Best Peformance

Nilai parameter = 0,31 dipilih sebagai parameter MPSO

Result

Result

Result

....

....

....

....

....

ED Problem With Nonsmooth Cost Functions Considering Multiple Fuels [1]

Menggunakan MPSO untuk menyelesaikan ED (Economic Dispatch) dengan 10 generator dan memperhitungkan multiplefuel effects. Total sistem demand bervariasi dari 2400 MW sampai 2700 MW, dan kenaikan tiap 100 MW. Paramater yang digunakan max = 0.5 , max = 0.1 , c1 = c2 = 2 , dan = 0.05.

ED Problem With Nonsmooth Cost Functions Considering Multiple Fuels [2]

Hasil terbaik MPSO dibandingkan dengan HM (hierarchical numerical method), IEP (improved evolutionary programing), MHNN (modified Hopfield neural network), dan AHNN (Adaptive Hopfield neural network)

ED Problem With Nonsmooth Cost Functions Considering Multiple Fuels [3]

Perbandingan antara MPSO dan NM

ED Problem With Nonsmooth Cost Functions Considering Multiple Fuels [4]

Perbandingan Optomisasi (Demand = 2400 MW)

ED Problem With Nonsmooth Cost Functions Considering Multiple Fuels [4]

Perbandingan Optomisasi (Demand = 2500 MW)

ED Problem With Nonsmooth Cost Functions Considering Multiple Fuels [4]

Perbandingan Optomisasi (Demand = 2600 MW)

ED Problem With Nonsmooth Cost Functions Considering Multiple Fuels [4]

Perbandingan Optomisasi (Demand = 2700 MW)

CONCLUSION [1]
Equality constrain dalam ED problem dapat diselesaikan dengan mengurangi degree of freedom saat random. dynamic search-space reduction strategy digunakan untuk mempercepat waktu agar konvergen. MPSO digunakan untuk menyelesaikan permasalahan dengan probabilitas yang sangat banyak pada problem ED dengan smooth cost function.

CONCLUSION [2]
Pada non smooth cost function untuk efek pada valve-poin, MPSO lebih baik dari pada metode yang lain. Pada non smooth function untuk efek dengan banyak macam bahan bakar, MPSO tetap lebih baik dari pada metode yang lain.