Machine Translated by Google

Kecerdasan Buatan Terapan

ISSN: 0883-9514 (Cetak) 1087-6545 (Online) Beranda jurnal: https://www.tandfonline.com/loi/uaai20

MODEL ALGORITMA GENETIK UNTUK KEUNTUNGAN

MAKSIMALASI PERUSAHAAN PEMBANGKIT PADA PT
PASAR LISTRIK YANG DEREGULASI

Pavlos S. Georgilakis

Mengutip artikel ini: Pavlos S. Georgilakis (2009) MODEL ALGORITMA GENETIKA UNTUK
MAKSIMASI LABA PERUSAHAAN PENGHASIL DI PASAR LISTRIK YANG DIDEREGULASI,
Kecerdasan Buatan Terapan, 23:6, 538-552, DOI: 10.1080/08839510903078101

Untuk menautkan ke artikel ini: https://doi.org/10.1080/08839510903078101

Diterbitkan online: 22 Juli 2009.

Kirimkan artikel Anda ke jurnal ini

Tampilan artikel: 265

Lihat artikel terkait

Mengutip artikel: 5 Lihat artikel yang mengutip

Syarat & Ketentuan lengkap akses dan penggunaan dapat ditemukan di

https://www.tandfonline.com/action/journalInformation?journalCode=uaai20
Machine Translated by Google

Kecerdasan Buatan Terapan, 23:538–552

Hak Cipta © 2009 Taylor & Francis Group, LLC
ISSN: 0883-9514 print/1087-6545 online
DOI: 10.1080/08839510903078101

MODEL ALGORITMA GENETIK UNTUK MAKSIMALASI KEUNTUNGAN

PERUSAHAAN PEMBANGKIT DALAM DEREGULASI
PASAR LISTRIK

Pavlos S. Georgilakis
Departemen Teknik dan Manajemen Produksi,
Universitas Teknik Kreta, Chania, Yunani

Di pasar listrik yang mengalami deregulasi dan berubah dengan cepat, terdapat minat yang kuat
terhadap cara memecahkan masalah komitmen unit berbasis harga (PBUC) baru yang digunakan oleh
setiap perusahaan pembangkit untuk mengoptimalkan jadwal pembangkitannya guna memaksimalkan
keuntungannya. Artikel ini mengusulkan solusi algoritma genetika (GA) untuk masalah PBUC. Kelebihan
dari usulan GA adalah: 1) fleksibilitas dalam memodelkan kendala masalah karena masalah PBUC
tidak terurai baik berdasarkan waktu maupun unit; 2) konvergensi yang mulus dan lebih mudah menuju
solusi optimal berkat fungsi kesesuaian variabel yang diusulkan yang tidak hanya memberikan penalti
pada solusi yang melanggar batasan tetapi juga hukuman ini meningkat secara bertahap seiring dengan
bertambahnya jumlah generasi; 3) implementasi yang mudah untuk bekerja pada komputer paralel, dan
4) pembuatan jadwal komitmen beberapa unit, beberapa di antaranya mungkin cocok untuk situasi
yang mungkin timbul dengan cepat karena keadaan darurat yang tidak terduga. Metode ini telah
diterapkan pada sistem hingga 120 unit dan hasilnya menunjukkan bahwa GA yang diusulkan secara
konsisten mengungguli metode PBUC relaksasi Lagrangian untuk sistem dengan lebih dari 60 unit.
Selain itu, perbedaan antara solusi GA terburuk dan terbaik sangat kecil, berkisar antara 0,10% hingga 0,49%.

Di pasar listrik yang diatur atau dimonopoli negara, komitmen unit (UC) mengacu
pada optimalisasi sumber daya pembangkitan dalam jangka waktu harian hingga
mingguan untuk memenuhi permintaan beban dengan biaya operasional yang
paling rendah sambil memenuhi batasan yang ada, seperti waktu naik/turun
minimum, peningkatan /turun, dan kapasitas pembangkit minimum/maksimum.
Karena tujuan terkaitnya adalah meminimalkan biaya operasional, UC biasanya
disebut sebagai komitmen unit berbasis biaya (CBUC). Solusi optimal terhadap
masalah CBUC dapat diperoleh dengan enumerasi lengkap, yang dalam praktiknya
sulit dilakukan karena kebutuhan sumber daya komputasi yang berlebihan (Wood
dan Wollenberg 1996). Kebutuhan untuk

Alamat korespondensi kepada Pavlos S. Georgilakis, Departemen Teknik Produksi dan

Manajemen, Universitas Teknik Kreta, Chania 73100, Yunani. Email: pgeorg@dpem.tuc.gr
Machine Translated by Google

GA untuk Maksimalisasi Keuntungan Gencos 539

solusi UC yang praktis dan hemat biaya mengarah pada pengembangan berbagai
algoritma UC yang menghasilkan penjadwalan suboptimal, namun efisien untuk
sistem tenaga listrik berukuran nyata yang terdiri dari ratusan generator (Sheblé dan
Fahd 1994). Metode komitmen unit berbasis biaya mencakup metode daftar prioritas
(Wood dan Wollenberg 1996), pemrograman dinamis (Snyder, Powell, dan Rayburn
1987), relaksasi Lagrangian (LR) (Zhuang dan Galiana 1988), cabang-dan-terikat
(Cohen dan Yoshimura 1983), dan dekomposisi Bender (Baptistella dan Geromel
1980). Baru-baru ini, simulasi anil (Zhuang dan Galiana 1990), sistem pakar (Wang
dan Shahidehpour 1992), jaringan saraf tiruan (Sasaki, Watanabe, dan Yokoyama
1992), algoritma genetika (Kazarlis, Bakirtzis, dan Petridis 1996; Maifeld dan Sheblé
1996; Damousis , Bakirtzis, dan Dokopoulos 2004; Senjyu et al. 2005), dan teknik
hibrida (Wong dan Wong 1995; Aldridge et al. 2001; El Desouky et al. 2001) juga
telah digunakan untuk memecahkan masalah CBUC.

Di sisi lain, dalam pasar listrik yang dideregulasi, UC yang digunakan oleh
masing-masing perusahaan pembangkit (GENCO) mengacu pada optimalisasi
penjadwalan pembangkitan untuk memaksimalkan keuntungan GENCO
(Shahidehpour, Yamin, dan Li 2002). Dalam paradigma baru ini, sinyal yang akan
menentukan status hidup/mati suatu unit adalah harga, termasuk harga beli bahan
bakar dan harga jual energi. Meningkatnya persaingan, berkurangnya kewajiban
untuk melayani, dan meningkatnya perdagangan pasar berjangka, maju, dan pasar
spot dalam bidang listrik membuat keputusan mengenai unit mana yang akan
dioperasikan menjadi lebih kompleks dibandingkan sebelumnya. UC ini memiliki
tujuan yang berbeda dengan CBUC dan disebut sebagai komitmen unit berbasis
harga (PBUC). PBUC adalah masalah optimasi bilangan bulat campuran,
nonkonveks, nonlinier, dan berskala besar. Karena pasar ketenagalistrikan berubah
dengan cepat, terdapat ketertarikan yang kuat terhadap bagaimana model UC baru dapat diselesaikan
2001). Mengingat harga pasar, LR digunakan untuk memecahkan masalah PBUC
di Shahidehpour dkk. (2002). Pada pasar bilateral, PBUC dipelajari dalam Allen dan
Ilic (1999) dengan mempertimbangkan ketidakpastian harga pasar. Di pasar
gabungan, masalah PBUC diselesaikan dengan menggunakan LR, pemrograman
dinamis stokastik, dan dekomposisi Bender di Takriti, Krasenbrink, dan Wu (2000).
PBUC untuk unit termal pengambil harga dimodelkan sebagai masalah mixed integer
programming (MIP) di Arroyo dan Conejo (2000, 2002). Mengingat kurva kuota
harga, PBUC untuk peserta pembuat harga dimodelkan sebagai masalah MIP dalam
de La Torre, Arroyo, Conejo, dan Contreras (2002). PBUC untuk GENCO dengan
unit termal, siklus gabungan, cascaded-hydro, dan pumped-storage dimodelkan
sebagai masalah MIP dalam Li dan Shahidehpour (2005). Kerangka kerja
pemrograman probabilistik-dinamis umum untuk masalah unit yang berkomitmen
sendiri ketika terdapat banyak produsen non-kooperatif diperkenalkan di Correia
(2006). Sebuah metode untuk membangun kurva penawaran dalam ketidakpastian
harga dengan menggunakan PBUC diusulkan dalam Shrestha, Pokharel, Lie, dan
Fleten (2007).
Machine Translated by Google

540 PS Georgilakis

Algoritma genetika adalah teknik optimasi global yang terinspirasi oleh studi
genetika (Goldberg 1989; Michalewicz 1996). Mereka dapat dengan mudah
diimplementasikan untuk solusi masalah optimasi yang sulit dan memberikan
fleksibilitas pemodelan yang hebat. Artikel ini mengusulkan model algoritma
genetika (GA) untuk solusi masalah PBUC. Kekuatan solusi GA yang disarankan
bergantung pada fungsi kebugaran variabel yang diusulkan dan masalah spesifik
yang diadopsi oleh operator. Keuntungan tambahan dari solusi GA yang diusulkan
adalah fleksibilitas dalam memodelkan kendala masalah PBUC dan kemudahan
implementasi untuk bekerja pada komputer paralel. Manfaat lain menggunakan
GA untuk menghasilkan jadwal UC adalah seluruh populasi jadwal dikembangkan,
beberapa di antaranya mungkin cocok untuk situasi yang mungkin muncul dengan
cepat karena kemungkinan yang tidak terduga.

RUMUSAN MASALAH PBUC

Definisi

Masalah komitmen unit berbasis harga dapat dinyatakan sebagai berikut:

untuk GENCO dengan N unit pembangkit, dan mengingat profil harga pasar energi
tertentu serta profil permintaan tertentu (dengan cadangan), maka diperlukan
penentuan titik awal. waktu hidup/mati dan keluaran daya seluruh unit pembangkit
pada setiap interval waktu t selama periode penjadwalan tertentu T, sehingga
total keuntungan generator dimaksimalkan, dengan tunduk pada batasan unit dan
keseimbangan daya. Dalam artikel ini, interval waktu pasar listrik yang
dipertimbangkan adalah 1 jam.

Fungsi objektif

Untuk unit i pada jam t, keuntungan dihitung dengan mengurangkan total

biaya produksi selama jam tersebut dari pendapatan:

F (i, t) = Rn(i, t) ÿ Biaya(i, t) (1)

Perlu dicatat bahwa keuntungan negatif, F (i, t), menunjukkan kerugian unit i pada
jam t.
Pendapatan unit i pada jam t dihitung dengan mengalikan produksinya dengan
perkiraan harga pasar energi

Rn(i, t) = pgm (t) · P (i, t) · I (i, t), (2)

dimana I (i, t) adalah status unit i pada jam t (1 = ON, 0 = OFF), dan pgm (t)
adalah prakiraan harga pasar energi pada jam t.
Machine Translated by Google

GA untuk Maksimalisasi Keuntungan Gencos 541

Harga pasar energi dapat diperkirakan dengan menggunakan model deret waktu
(Contreras, Espinola, Nogales, dan Conejo 2003), transformasi wavelet (Yao dan Song 2000),
dan jaringan saraf tiruan (Georgilakis 2007).
Total biaya produksi, Biaya(i, t), untuk setiap unit pada setiap jam adalah
jumlah biaya bahan bakar, biaya start-up, dan biaya penutupan selama jam tersebut:

Biaya(i, t) = [FC(i, t) + SU (i, t) + SD(i, t)] · I (i, t) (3)

Biaya bahan bakar, FC(i, t), dari unit i pada jam tertentu t adalah fungsi dari keluaran
daya, P(i, t), dari unit tersebut selama jam tersebut. Fungsi biaya bahan bakar dimodelkan
sebagai polinomial orde kedua:
2
FC(saya, t) = A(saya) · [P(saya, t)] + B(i) · P (i, t) + C(i) (4)

Biaya start-up pada jam tertentu t bergantung pada jumlah jam unit dalam keadaan OFF
sebelum start-up. Biaya ini dimodelkan dengan fungsi eksponensial dalam bentuk

ÿXoff (i, t) ,
SU (i, t) = D(i) + E(i) · 1 ÿ exp (5)
CT(i)

dimana D(i) adalah gabungan biaya start-up kru dan biaya pemeliharaan peralatan unit i, E(i)
adalah biaya start-up dingin unit i, Xoff (i, t) adalah waktu offline kontinu unit i pada jam t, dan
CT(i) adalah konstanta waktu pendinginan unit i.

Biaya penutupan, SD(i, t), diberikan nilai konstan untuk setiap unit per
matikan.
Tujuan dari masalah PBUC untuk GENCO yang beroperasi dalam lingkungan kompetitif
adalah untuk memaksimalkan, selama jangka waktu penjadwalan
T jam, total keuntungan untuk semua N unit pembangkitnya:

T N
maks Bugar) (6)
saya (saya,t),P (saya,t)
t=1 saya=1

tunduk pada batasan (7) hingga (14), seperti yang dijelaskan dalam “Kendala”
ayat.

Kendala

Batasan permintaan untuk masalah PBUC didefinisikan sebagai berikut:

P (i, t) · I (i, t) ÿ FDWR(t), ÿt, (7)

saya=1

dimana FDWR(t) adalah perkiraan permintaan dengan cadangan untuk jam t.

Machine Translated by Google

542 PS Georgilakis

Dalam batasan (7), diasumsikan bahwa pembeli membeli cadangan per

kontrak; namun, algoritme dapat dengan mudah dimodifikasi untuk menangani
aturan pasar yang berbeda.
Batasan keseimbangan daya dan persyaratan cadangan (7) memperumit
solusi masalah optimasi PBUC, karena PBUC tidak dapat diuraikan berdasarkan
unit.
Unit termal tunduk pada berbagai batasan yang dijelaskan dalam subbagian ini.

1. Batas Pembuatan Unit: Unit hanya dapat menghasilkan antara minimum,

P min(i), dan maksimum, P max(i), batas pembangkitan:

P min(i) · I (i, t) ÿ P (i, t) ÿ P maks(i) · I (i, t), ÿi, ÿt (8)

2. Batasan Waktu Aktif Minimum Unit:

[X naik (i, t) ÿ Tup (i)]·[I (i, t ÿ 1) ÿ I (i, t)] ÿ 0, ÿi, ÿt, (9)

dimana X up (i, t) adalah waktu aktif kumulatif (yakni, waktu dimana unit i telah
ON) selama jam t, dan Tup (i) adalah waktu aktif minimum dari unit i.
3. Batasan Waktu Henti Minimum Unit:

[X turun(i, t ÿ 1) ÿ Tturun(i)]·[I (i, t ÿ 1) ÿ I (i, t)] ÿ 0, ÿi, ÿt, (10)

dimana X down(i, t) adalah waktu henti kumulatif unit i selama jam t, dan
Tdown(i) adalah waktu henti minimum unit i.
4. Kendala Peningkatan Unit: Jumlah produksi unit yang dapat ditingkatkan
dalam satu jam:

P(i, t) ÿ P(i, t ÿ 1) ÿ UR(i), ÿi, ÿt, (11)

dimana UR(i) adalah batas laju peningkatan unit i.

Batasan (11) berlaku saat unit i meningkat. Batasan saat start-up diberikan oleh

P(i, t) ÿ maks[UR(i), P min(i)], ÿi, ÿt (12)

5. Kendala Peningkatan Unit: Jumlah produksi unit yang dapat dikurangi dalam
satu jam:

P (i, t ÿ 1) ÿ P(i, t) ÿ DR(i), ÿi, ÿt, (13)

dimana DR(i) adalah batas laju penurunan unit i.

Machine Translated by Google

GA untuk Maksimalisasi Keuntungan Gencos 543

Kendala (13) berlaku ketika unit i menurun. Batas saat mematikan diberikan oleh

P(i, t) ÿ maks[DR(i), P min(i)], ÿi, ÿt (14)

6. Pembatasan Status Unit: Unit tertentu mungkin diharuskan online pada jam tertentu
(harus berjalan), atau mungkin tidak tersedia karena pemeliharaan terencana atau
pemadaman paksa (tidak boleh berjalan), karena kendala pengoperasian,
persyaratan keandalan, atau alasan ekonomi .
7. Kondisi Awal : Kondisi awal unit-unit pada saat awal
periode penjadwalan harus dipertimbangkan.

SOLUSI ALGORITMA GENETIK TERHADAP MASALAH PBUC

Dasar-dasar Algoritma Genetika

Algoritma genetika adalah metode optimasi yang terinspirasi oleh genetika alami
dan evolusi biologis. Mereka memanipulasi rangkaian data, yang masing-masing
mewakili kemungkinan solusi masalah. String ini dapat berupa string biner, string
floating-point, atau string integer, bergantung pada cara parameter masalah dikodekan
ke dalam kromosom. Kekuatan setiap kromosom diukur menggunakan nilai kebugaran,
yang hanya bergantung pada nilai fungsi tujuan masalah untuk kemungkinan solusi
yang diwakili oleh kromosom tersebut. Untaian yang lebih kuat akan dipertahankan
dalam populasi dan digabungkan kembali dengan untaian kuat lainnya untuk
menghasilkan keturunan. Kelompok yang lebih lemah perlahan-lahan dibuang dari
masyarakat.
Pemrosesan string dan evolusi populasi kandidat solusi dilakukan berdasarkan aturan
probabilistik. Penjelasan komprehensif tentang algoritma genetika dapat ditemukan
dalam Goldberg (1989) dan Michalewicz (1996).

Representasi Kromosom

Pemetaan biner yang sesuai untuk representasi kromosom dipilih di mana “0”
menunjukkan keadaan OFF dan “1” mewakili keadaan ON suatu unit. Solusi kandidat
(kromosom) adalah string yang panjangnya merupakan hasil kali jumlah unit
pembangkit dan jam penjadwalan.
Informasi yang tersedia dalam kromosom bersama dengan keadaan awal (waktu
naik atau turun terus menerus) dari unit-unit tersebut adalah semua yang dibutuhkan
untuk secara akurat memodelkan semua batasan masalah PBUC yang bergantung
pada waktu. Fleksibilitas pemodelan yang besar ini merupakan salah satu keuntungan
dari solusi GA yang diusulkan, karena masalah PBUC tidak diuraikan baik oleh waktu
maupun unit.
Machine Translated by Google

544 PS Georgilakis

Penciptaan Populasi Awal

Populasi awal dari kandidat solusi dibuat secara acak. Setelah trial and error ditemukan
bahwa ukuran populasi 50 kromosom memberikan hasil yang sangat baik.

Pengiriman Ekonomi

Masalah pengiriman ekonomi pada jam t dirumuskan sebagai

N
menit ÿF (saya, t), ÿt, (15)
Lubang)
saya=1

tunduk pada batasan (7) hingga (14).

Untuk setiap kromosom, status komitmen unit, I (i, t), ditentukan dan tidak lagi menjadi
variabel. Satu-satunya variabel adalah pembangkitan, P(i, t), dari setiap unit i pada jam t;
oleh karena itu, pemrograman kuadratik sekuensial (SQP) (Rao 1996) diadopsi untuk
memecahkan masalah pengiriman ekonomi. Perlu dicatat bahwa untuk menghemat waktu
komputasi, pengiriman ekonomi hanya dilakukan jika jadwal komitmen unit yang diberikan
memenuhi batasan waktu naik/turun minimum.

Evaluasi Solusi Kandidat

Untuk menerapkan GA pada masalah PBUC yang sangat dibatasi, solusi (kromosom)
yang melanggar batasan tersebut akan diberi sanksi.
Lebih khusus lagi, nilai kebugaran Q masing-masing kromosom dihitung sebagai berikut:

T N L
· G
Q= F (saya, t) - mmax
k · |Vk |, (16)
maks
t=1 saya=1 k=1
G

dimana L adalah jumlah batasan yang dilanggar, mmax adalah

k
nilai akhir dari pengali
batasan k, g adalah indeks generasi, g max adalah jumlah generasimaksimum yang
diperbolehkan dijalankan oleh algoritma genetika, dan Vk adalah jumlah pelanggaran
kendala k.
Dapat dilihat dari (16) bahwa fungsi kebugaran variabel telah diadopsi yang mana
pengganda penalti dapat diabaikan selama generasi pertama, sedangkan pengganda
penalti naik ke nilai akhir (yang sesuai besar) mmax menjelang akhir generasi GA . . Fungsi
kebugaran variabel k menghasilkan hyperspace pencarian variabel, lebih sederhana di awal
dan lebih rumit di tahap selanjutnya dari pencarian GA. Untuk permasalahan PBUC, fungsi
kesesuaian variabel ini terbukti sangat efisien karena berhasil menemukan titik optimum
global yang tepat seperti yang ditunjukkan pada bagian “Hasil dan Pembahasan”.
Machine Translated by Google

GA untuk Maksimalisasi Keuntungan Gencos 545

Reproduksi

Setelah evaluasi populasi awal, GA memulai pembuatan solusi generasi

baru. Kromosom dipilih secara berpasangan (orang tua) menggunakan algoritma
pemilihan orang tua roda roulette yang memilih kromosom dengan probabilitas
sebanding dengan kebugaran relatif kromosom dalam populasi. Kemudian dari
masing-masing dua orang tua dihasilkan dua anak (keturunan) melalui operator
crossover dan mutasi.

Operasi Crossover

Operator crossover multi titik digunakan. Operator ini diterapkan dengan

probabilitas tertentu yang berkisar antara 0,4 hingga 0,9 per kromosom.
Ketika persilangan diterapkan, kromosom induk digabungkan membentuk dua
kromosom baru (anak) yang mewarisi karakteristik solusi dari kedua orang
tuanya. Jika persilangan tidak diterapkan, anak-anak tersebut merupakan replikasi
identik dari orang tuanya.

Operasi Mutasi

Dengan probabilitas kecil, berkisar antara 0,004 hingga 0,024 per bit, bit
kromosom anak yang dipilih secara acak berubah dari “0” menjadi “1” atau sebaliknya.
sebaliknya.

Elitisme

Dua solusi terbaik dari setiap generasi disalin ke generasi berikutnya sehingga
kemungkinan kehancurannya melalui operator genetik dapat dihilangkan.

Operator Khusus

1) Operator swap-window: Operator ini diterapkan pada semua kromosom

populasi dengan probabilitas 0,3. Ia memilih dua unit sembarang u1,
u2, sebuah “jendela waktu” dengan lebar w (jam) antara 1 dan T, dan
posisi jendela acak antara 1 dan T ÿ w. Kemudian bit dari dua unit (u1,
u2) yang termasuk dalam jendela dipertukarkan.
2) Operator mutasi jendela: Operator ini diterapkan pada semua kromosom
populasi dengan probabilitas 0,3. Ini secara acak memilih satu unit, sebuah
“jendela waktu” dengan lebar w (jam) antara 1 dan T dan posisi jendela acak
antara 1 dan T ÿ w. Kemudian, ia mengubah semua bit yang termasuk dalam
jendela dan mengubah semuanya menjadi “1” atau semuanya menjadi “0.”
Machine Translated by Google

546

TABEL 1 Data untuk Kumpulan Masalah 20 Unit

Satuan Indeks Unit P min(i) pmax(i), SEBUAH(saya) Dua) C(i) Tup (i) Tdown (i) X 0(i) D(i) E(i) CT(i) Rup (i) Menurunkan (i) Mematikan
saya beri nama [MW] [MW] ($/MW2h) ($/MWh) ($/h) (H) (H) (H) ($/jam) ($/jam) (jam) (MW/jam) (MW/jam) biaya ($)

U18a 3,6 18 0,04175 157463 1901 158712 0 0 ÿ1 0 01 6 ÿ1 0 01 6 ÿ1 0 01 6 ÿ1 0 01 6 ÿ1 30 30 5 0

1 U18b 3,6 18 0,04239 1904 160311 1927 0 0 12 ÿ1 30 30 12 ÿ1 30 30 12 ÿ3 75 75 23 ÿ3 75 5 0
2 U18c 3,6 18 0,04411 161724 1944 262541 0 0 75 23 ÿ3 75 75 23 ÿ3 105 105 38 ÿ3 105 105 45 5 0
3 U18d 3,6 18 0,04513 3172 263911 3174 0 0 5 0
4 U30a 30 0,06975 265259 3194 203148 0 0 2 15 0
5 U30b 30 0,07012 1157 204512 1159 0 0 2 15 0
6 U30c 666 30 0,07237 206219 1177 2 67302 0 0 2 15 0
7 U114a 22,8 U114b 114 0,01459 1522 269095 1525 3 2 3 23 0
8 22,8 U114c 22,8 114 0,01567 271341 1549 152835 3 2 3 23 0
9 U150a 37,5 U150b 114 0,01704 4485 152911 4493 3 2 3 30 0
10 11 37,5 U150c 37,5 150 0,01921 128875 678 128913 4 2 4 38 0
12 150 0,02062 689 107601 3296 4 2 4 45 0
13 150 0,02242 83391 6416 4 3 ÿ3 105 105 4 45 45 0
14 U230a 80 230 0,00563 5 ÿ5 225 ÿ5 225 225 6 150 150 0
15 U230b 80 230 0,00575 5 3 ÿ4 300 225 6 225 150 0
16 U295a 103 295 0,01088 5 4 300 8 290 375 0
17 U295b 103 295 0,01133 5 4 ÿ4 300 300 8 290 375 0
18 U350a 140 350 0,00301 8 5 ÿ10 300 200 8 200 300 0
19 U400a 100 400 0,01059 8 5 ÿ10 500 500 8 250 250 0
20 U400b 100 400 0,01123 84511 6436 8 5 ÿ10 500 500 10 250 250 0
Machine Translated by Google

GA untuk Maksimalisasi Keuntungan Gencos 547

Setelah diselidiki secara menyeluruh, ditemukan bahwa kedua operator khusus GA di

atas sangat efisien untuk menyelesaikan masalah PBUC.

Penciptaan Generasi Penerus

Setelah penerapan operator yang diadopsi (crossover, mutasi, elitisme, dan operator
khusus), terciptalah populasi anak dan populasi sebelumnya digantikan oleh generasi baru.
Anak-anak dievaluasi dan fungsi kebugaran untuk setiap individu dihitung. Prosedur ini
diulangi hingga kriteria terminasi terpenuhi, yang ditentukan oleh jumlah generasi maksimum.

HASIL DAN DISKUSI

Efektivitas GA yang diusulkan telah diuji pada enam rangkaian masalah yang masing-
masing terdiri dari 20, 40, 60, 80, 100, dan 120 unit sistem.
Awalnya, kumpulan masalah dasar sebanyak 20 unit dipilih bersama dengan profil harga
energi 24 jam serta profil 24 jam untuk perkiraan permintaan dan cadangan. Untuk
permasalahan 40 unit, 20 unit awal diduplikasi, perkiraan permintaan (dengan cadangan)
dikalikan dua, sedangkan profil harga tetap sama. Pendekatan serupa diikuti untuk
menghasilkan data unit dan permintaan untuk rangkaian masalah yang tersisa.

Untuk masing-masing dari enam kumpulan masalah, GA menggunakan operator dan

teknik tingkat lanjut yang dijelaskan di bagian “Solusi algoritma genetika untuk masalah
PBUC”. Untuk menghindari hasil yang menyesatkan karena sifat stokastik GA, 20 proses
dilakukan untuk setiap rangkaian masalah, dengan setiap proses dimulai dengan populasi
acak yang berbeda.

GAMBAR 1 Harga pasar energi setiap jam.

Machine Translated by Google

548 PS Georgilakis

GAMBAR 2 Perkiraan permintaan setiap jam dengan cadangan.

Algoritma relaksasi Lagrangian juga diterapkan untuk memberikan a

solusi mendekati optimal untuk setiap rangkaian masalah, agar dapat dijadikan keberhasilan
batas untuk GA, dan berfungsi sebagai referensi untuk menilai efisiensi GA.
Tabel 1 menyajikan data untuk 20 unit masalah, Gambar 1 menunjukkan
profil harga energi 24 jam, dan Gambar 2 menyajikan profil harga 24 jam
0
perkiraan permintaan dengan cadangan. Pada Tabel 1, kolom X memberikan
0
waktu operasional awal (dalam jam) setiap unit: jika X positif berarti
bahwa unit ON untuk X 0
jam, sedangkan jika0 X negatif berarti
unit MATI untuk ÿX 0
jam. Tabel 2 menyajikan jadwal ON/OFF 20 unit

TABEL 2 Jadwal ON/OFF 20 Unit Berdasarkan Algoritma Genetika

Satuan Jadwal ON/OFF untuk Jam 0–24

1 0000111111111111111111000
2 0000111111111111111111000
3 0000111111111111111111000
4 000011111111111111111000
5 000000111111111111000000
6 000000111111111111000000
7 000000111111111111000000
8 0001111111111111111111100
9 0001111111111111111111100
10 0001111111111111111111100
11 0000011111111111111100000
12 0000001111111111111100000
13 0000001111111111111100000
14 0000111111111111111111000
15 0000011111111111111111000
16 0000011111111111111111000
17 0000011111111111111111000
18 0001111111111111111111100
19 0001111111111111111111100
20 0001111111111111111111100
Machine Translated by Google

TABEL 3 Jadwal Produksi (MW) untuk Kumpulan Masalah 20 Unit

Satuan
Nama Produksi (MW) untuk Jam 0–24

U18a 0 0 0 8 3,6 0 0 0 0 6 12 18 18 12 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 13
U18b 0 0 0 8 3,6 0 0 0 0 6 12 18 18 12 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 18 30 30 13
U18c 0 0 0 8 3,6 0 0 0 0 6 000 18 18 12 24 30 30 30 30 30 30 30 30 15 30 30 30 30 15 30 30 30 13
U18d 0 0 0 8 3,6 0 0 0 0 6 18 18 12 24 30 30 30 30 30 30 30 15 13
U30a 0 0 0 0 0 000 0 0 12 24 30 30 30 30 30 30 0
U30b 0 0 0 0 0 000 0 0 0
U30c 0 0 0 0 0 000 0 0 0
U114a 0 0 0 23 46 69 92 114 114 114 114 114 114 114 114 114 114 114 114 91 68 45 23 0 0
U114b 0 0 0 23 46 69 92 114 114 114 114 114 114 114 114 114 114 114 114 91 68 45 23 0 0
U114c 0 0 0 23 46 69 92 114 114 114 114 114 114 114 114 114 114 114 114 91 68 45 23 0 0
U150a 0 0 0 0 0 0 0 0 38 76 114 150 150 150 150 150 150 150 150 150 112 74 38 45 90 135 150 150 150 150 150 150 150 150 105 60 0 0
U150b 0 0 0 0 0 0 38 0 0 000
U150c 0 0 0 0 0 0 45 90 135 150 150 150 150 150 150 150 150 105 60 38 0 0 000
U230a 0 0 0 150 230 230 2300 230 230 230 230 230 230 230 230 230 230 230 230 230 80 000
0 230 230 230 230 230 230 230 230 230 230 230 230 80
U230b 0 0 0 0 225 230 230 230 000
0 295 295 295 295 295 295 295 295 295 295 295 295 295 0 0 0
U295a 0 0 0 0 290 295 295 295
0 295 295 295 295 295 295 295 295 295 295 295 295 295 0 0 0
U295b 0 0 0 0 290 295 295 295
U350a 0 0 0 200 350 350 350 350 350 350 350 350 350 350 350 350 350 350 350 350 350 350 140 0 0
U400a 0 0 0 250 400 400 400 400 400 400 400 400 400 400 400 400 400 400 400 400 400 400 150 0 0
U400b 0 0 0 250 400 400 400 400 400 400 400 400 400 400 400 400 400 400 400 400 400 400 150 0 0
549
Machine Translated by Google

550 PS Georgilakis

GAMBAR 3 Total keuntungan per jam untuk kumpulan masalah 20 unit.

diperoleh oleh GA dan Tabel 3 menunjukkan jadwal pembangkitan yang sesuai

yang diperoleh oleh solusi SQP untuk masalah pengiriman ekonomi.
Dari Tabel 2 dapat disimpulkan bahwa seluruh 20 unit dalam keadaan ON dari jam ke 6 hingga jam
ke 18, dimana harga pasar untuk energi lebih dari 30 $/MWh, seperti yang ditunjukkan pada Gambar 1.
Disimpulkan dari Gambar 3 bahwa keuntungan maksimum yaitu $107,706
diperoleh pada jam ke 12, dimana harga energi mempunyai nilai maksimum
(52.2 $/MWh), sedangkan keuntungan nol pada jam 1, 2, 23, dan 24, karena
semua 4 unit MATI selama jam tersebut. Dari Gambar 4 dapat dilihat bahwa unit
U400a menghasilkan keuntungan tertinggi, yaitu $158,341, yang setara dengan
16.3% dari total keuntungan ($972,214) dari seluruh unit selama periode
penjadwalan 24 jam.
Tabel 4 membandingkan hasil yang diperoleh dari metode relaksasi GA dan
Lagrangian untuk enam rangkaian masalah. Untuk GA, solusi terbaik dan
terburuk yang dihasilkan selama 20 proses disajikan bersama dengan selisihnya
sebagai persentase dari solusi terbaik. Tabel 4 menunjukkan bahwa untuk sistem
besar dengan 60 unit atau lebih, GA selalu mengungguli komitmen unit LR,
karena keuntungan dihitung bahkan oleh GA terburuk sekalipun.

GAMBAR 4 Total keuntungan per unit pembangkit untuk kumpulan masalah 20 unit.
Machine Translated by Google

GA untuk Maksimalisasi Keuntungan Gencos 551

TABEL 4 Perbandingan Relaksasi Lagrangian dan Algoritma Genetika

Hasil untuk Sistem Hingga 120 Unit

Algoritma genetika

Relaksasi Langrangian Jumlah keuntungan ($)

Satuan Jumlah keuntungan ($) Terbaik Terburuk Perbedaan (%)

20 972 214 972 214 967 450 0,49

40 1 939 221 2 1 944 914 1 938 496 0,33
60 903 369 3 2 918 443 2 912 314 3 891 0,21
80 873 213 4 430 3 884 815 4 864 331 4 0,17
100 838 537 5 857 521 5 837 545 5 831 707 0,14
120 804 271 0,10

solusi selalu lebih tinggi dari keuntungan yang dihitung dengan metode LR.
Selain itu, perbedaan antara solusi GA terburuk dan terbaik adalah
sangat kecil, berkisar antara 0,10% hingga 0,49%. Hasil yang sangat bagus ini
dikaitkan dengan kemampuan pengoptimalan yang kuat dari GA secara bersamaan
dengan fungsi kebugaran variabel yang diusulkan dan masalah spesifik
diadopsi oleh operator.

KESIMPULAN

Solusi GA untuk masalah komitmen unit berbasis harga telah dilakukan

disajikan. Kekuatan solusi GA yang disarankan bergantung pada usulan
fungsi kebugaran variabel dan masalah spesifik yang diadopsi operator.
Fungsi kebugaran variabel tidak hanya memberikan penalti terhadap solusi yang melanggar
kendala tetapi juga hukuman ini terus meningkat seiring jumlahnya
generasi meningkat, yang secara signifikan berkontribusi terhadap kelancaran
dan konvergensi yang lebih mudah menuju solusi optimal. Caranya sudah
diterapkan pada sistem hingga 120 unit dan hasil pengujian menunjukkan bahwa
usulan GA terus-menerus mengungguli PBUC relaksasi Lagrangian
metode untuk sistem dengan lebih dari 60 unit. Apalagi perbedaannya
antara solusi GA terburuk dan terbaik sangat kecil, tidak lebih dari
0,49%. Hasil yang diperoleh menunjukkan bahwa pendekatan GA yang diusulkan sangat tepat
metode yang efektif untuk memecahkan masalah PBUC.

REFERENSI

Aldridge, CJ, S. McKee, JR McDonald, SJ Galloway, KP Dahal, ME Bradley, dan

JF Macqueen. 2001. Algoritma genetika berbasis pengetahuan untuk komitmen unit. Prosiding IEE
– Pembangkitan, Transmisi dan Distribusi 148(2):146–152.
Allen, E. dan M. Ilic. 1999. Keputusan Komitmen Berbasis Harga di Pasar Listrik. London: Peloncat.
Arroyo, JM dan AJ Conejo. 2000. Respon optimal unit termal terhadap titik listrik
pasar. Transaksi IEEE pada Sistem Tenaga 15(3):1098–1104.
Arroyo, JM dan AJ Conejo. 2002. Respon Optimal Pembangkit Listrik Terhadap Energi, AGC, dan
pasar berbasis kumpulan cadangan. Transaksi IEEE pada Sistem Tenaga 17(2):404–410.
Machine Translated by Google

552 PS Georgilakis

Baptistella, LFB dan JC Geromel. 1980. Pendekatan dekomposisi terhadap masalah jadwal komitmen unit untuk sistem
hidrotermal. Proses. IEE, Bagian C 127(6):250.
Cohen, AI dan M. Yoshimura. 1983. Algoritma cabang dan terikat untuk komitmen unit. Transaksi IEEE pada Peralatan dan
Sistem Tenaga 102(2):444–451.
Contreras, J., R. Espinola, FG Nogales, dan AJ Conejo. 2003. Model ARIMA untuk memprediksi hari berikutnya
harga listrik. Transaksi IEEE pada Sistem Tenaga 18:1014–1020.
Correia, PF 2006. Komitmen unit terdesentralisasi dalam struktur pasar: perumusan masalah dan kemajuan solusi. Prosiding
IEE – Pembangkitan, Transmisi dan Distribusi 153(1):121–126.
Damousis, IG, AG Bakirtzis, dan PS Dokopoulos. 2004. Solusi untuk masalah komitmen unit menggunakan algoritma
genetika berkode bilangan bulat. Transaksi IEEE pada Sistem Tenaga 19(2):1165–1172. de La Torre, S., JM
Arroyo, AJ Conejo, dan J. Contreras. 2002. Penjadwalan mandiri pembuat harga di pasar listrik berbasis kumpulan:
Pendekatan LP bilangan bulat campuran. Transaksi IEEE pada Sistem Tenaga 17(4):1037–1042.

El Desouky, AA, R. Aggarwal, MM Elkateb, dan F.Li. 2001. Algoritma genetika hibrid tingkat lanjut untuk penjadwalan
pembangkitan jangka pendek. Prosiding TEE – Pembuatan, Transmisi dan Distribusi 148(6):511–517.

Georgilakis, PS 2007. Solusi kecerdasan buatan untuk masalah peramalan harga listrik. Terapan
Kecerdasan Buatan 21(8):707–727.
Goldberg, DE 1989. Algoritma Genetika dalam Pencarian, Optimasi, dan Pembelajaran Mesin. Membaca:
Addison-Wesley.
Hobbs, BF, MH Rothkopf, RP O'Neill, dan H.-P. Chao. 2001. Model Komitmen Unit Tenaga Listrik Generasi Berikutnya.
Boston: Kluwer.
Kazarlis, SA, AG Bakirtzis, dan V. Petridis. 1996. Solusi algoritma genetika untuk masalah komitmen unit. Transaksi IEEE
pada Sistem Tenaga 11(1):83–92.
Li, T. dan M. Shahidehpour. 2005. Komitmen unit berbasis harga: Kasus relaksasi Lagrangian versus pemrograman bilangan
bulat campuran. Transaksi IEEE pada Sistem Tenaga 20(4):2015–2025.
Maifeld, TT dan GB Sheble. 1996. Algoritma komitmen unit berbasis genetik. Transaksi IEEE
tentang Sistem Tenaga 11(3):1359–1370.
Michalewicz, Z. 1996. Algoritma Genetika + Struktur Data = Program Evolusi. Berlin: Springer-Verlag.
Rao, SS 1996. Rekayasa Optimasi: Teori dan Praktek, edisi ke-3. New York: Wiley.
Sasaki, H., M. Watanabe, dan R. Yokoyama. 1992. Metode solusi komitmen unit dengan jaringan syaraf tiruan. Transaksi
IEEE pada Sistem Tenaga 7:974–981.
Senjyu, T., AY Sabre, T. Miyagi, K. Shimabukuro, N. Urasaki, dan T. Funabashi. 2005. Teknik cepat komitmen unit dengan
algoritma genetika berdasarkan unit clustering. Prosiding IEE – Pembangkitan, Transmisi dan Distribusi 152(5):705–
713.
Shahidehpour, M., H. Yamin, dan Z. Li. 2002. Operasi Pasar pada Sistem Tenaga Listrik. New York: Wiley.
Sheble, GB dan GN Fahd. 1994. Sinopsis literatur komitmen unit. Transaksi IEEE pada Sistem Tenaga 9(1):128–135.

Shrestha, GB, BK Pokharel, TT Lie, dan S.-E. Terbang. 2007. Komitmen unit berbasis harga untuk penawaran dalam kondisi
ketidakpastian harga. Pembangkitan, Transmisi dan Distribusi IET 1(4):663–669.
Snyder, WL, HD Powell Jr., dan JC Rayburn. 1987. Pendekatan pemrograman dinamis terhadap komitmen unit. Transaksi
IEEE pada Sistem Tenaga 2:339–350.
Takriti, S., B. Krasenbrink, dan L. Wu. 2000. Memasukkan kendala bahan bakar dan harga spot listrik ke dalam masalah
komitmen unit stokastik. Operasi. Res. 48:268–280.
Wang, C. dan SM Shahidehpour. 1992. Pendekatan dekomposisi penjadwalan pembangkitan multi-area non-linier dengan
batasan tie-line menggunakan sistem pakar. Transaksi IEEE pada Sistem Tenaga 7:1409–1418.

Wong, KP dan YW Wong. 1995. Penjadwalan generator termal menggunakan pendekatan hybrid genetik/simulated-
annealing. Prosiding IEE – Pembangkitan, Transmisi dan Distribusi 142(4):372–380.
Wood, AJ dan BF Wollenberg. 1996. Pembangkit Listrik, Operasi dan Pengendalian, edisi ke-2. New York:
Wiley.
Lagu Yao, SJ dan YH. 2000. Prediksi harga marjinal sistem dengan transformasi wavelet dan
jaringan syaraf. Memilih. Mach. Sistem Tenaga. 28:983–993.
Zhuang, F. dan FD Galiana. 1988. Menuju komitmen unit yang lebih ketat dan praktis oleh
Relaksasi Lagrangian. Transaksi IEEE pada Sistem Tenaga 3:763–770.
Zhuang, F. dan FD Galiana. 1990. Komitmen unit dengan simulasi anil. Transaksi IEEE pada Sistem Tenaga 5(1):311–318.