نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

بهینه‌سازی تولید انرژی از سدهای برق‌آبی با استفاده از روش‌های هوشمند جدید

نوع مقاله : مقاله پژوهشی

نویسندگان
سعید اکبری فرد 1
محمد ذونعمت کرمانی 2
محمدرضا مددی 3
1 استادیار گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران.
2 دانشیار بخش مهندسی آب دانشگاه شهید باهنر کرمان. ایران.
3 دانشیار، گروه مهندسی آب، دانشگاه جیرفت، جیرفت، ایران.
10.22125/iwe.2024.406481.1734
چکیده
با توجه به این که انرژی برق‌آبی به عنوان سومین منبع تولید برق و انرژی تجدیدپذیر در جهان به شمار می‌آید،ضرورت استفاده بهینه از منبع عظیم و ارزشمندآب که هرروزه شاهدکاهش چشمگیرآن می‌باشیم، بیش از پیش احساس می‌گردد. دراین پژوهش ازالگوریتم‌های جدیدبهینه‌سازی جستجوی غذای سفره ماهی دیو مبتنی بربرازش-فاصله-توازن پویا(dFDB-MRFO)، بهینه‌سازی خرگوش‌های مصنوعی(ARO)، بهینه‌سازی تعادل(EO)، بهینه‌سازی مولکول‌های جورهسته(HMO)، حلقه گل(MRA) و بهینه‌سازی اسب‌های وحشی(WHO) در مقایسه با الگوریتم مشهور ژنتیک(GA)،به منظور بهینه‌سازی تولیدانرژی برقآبی سدمخزنی جیرفت واقع درحوضه آبریز هلیل‌رود(جنوب شرق ایران)، برای یک دوره بلندمدت(19 ساله) استفاده شده است. به این منظور مدلی برای بهینه‌سازی تولیدانرژی برقآبی از سدجیرفت توسعه داده شد. تابع هدف درمدل مذکور به صورت کمینه‌سازی نسبت انرژی تولیدی به ظرفیت نصب نیروگاه تعریف گردید. نتایج نشان دادکه سناریوهای بهره‌برداری حاصل از الگوریتم‌های dFDB-MRFO، ARO، EO، HMO، MRA، WHO و GA به ترتیب قادربه تولید انرژی به میزان 43/1482، 49/1476، 30/1468، 64/1474، 44/1430، 91/1480 و 65/1403 گیگاوات ساعت درطول دوره آماری 19 ساله بودند. همچنین بهترین مقدار تابع هدف برای الگوریتم‌های dFDB-MRFO، ARO، EO، HMO، MRA، WHO و GA به ترتیب برابربا 10/8، 92/8، 04/10، 18/9، 66/15، 31/8 و 26/19 به دست آمد. نتایج به ‌دست آمده حاکی از عملکرد بالای الگوریتم‌های جدید dFDB-MRFO و WHO در مقایسه با دیگر الگوریتم‌های مورد بررسی در بهره‌برداری بهینه انرژی برق‌آبی می‌باشد. به نحوی که سناریوهای بهره‌برداری حاصل از الگوریتم‌های جدید dFDB-MRFO و WHO به ترتیب قادر به تولید انرژی به میزان 41/96 و 31/96 درصد از کل ظرفیت نیروگاه سد جیرفت در طول دوره آماری مورد بررسی بود.
کلیدواژه‌ها
الگوریتم‌های تکاملی
بهره‌برداری بهینه
سد برق‌آبی جیرفت
تولید برق
موضوعات

عنوان مقاله English

Optimization of of Energy Generation from Hydropower Dams using New Intelligent Methods

نویسندگان English

Saeid Akbarifard 1
Mohammad Zounemat-Kermani 2
Mohamad Reza Madadi 3
1 Assistant Professor, Department of Water Engineering, Faculty of Civil and Surveying Engineering, Graduate University of Advanced Technology, P.O. Box 76315116, Kerman, Iran.
2 Associate Professor, Department of Water Engineering, Shahid Bahonar University of Kerman, Kerman, Iran.
3 Associate professor, Department of Water Engineering, University of Jiroft, Jiroft, Iran.
چکیده English

Given the fact that hydropower energy is the third largest source of electricity generation and also the most important renewable energy producer in the world, the optimal use of the huge and expensive source of water is essential. In this research, the new optimization algorithms of dFDB-MRFO, ARO, EO, HMO, MRA,and WHO, compared to the well-known GA, have been used for optimization of the hydropower energy generation of the Jiroft Dam located in the Halilrood basin (south of Iran) for the long-term period of 19 years. For this purpose, a model was developed for the optimal hydropower energy operation of Jiroft Dam. The objective function in the mentioned model was defined as minimizing the ratio of produced energy to the installed power plant capacity. The results showed that the operation scenarios resulting from the dFDB-MRFO,ARO,EO,HMO,MRA,WHO and GA algorithms were capable to generate hydropower energy of 1482.43,1476.49,1468.30,1474.64,1430.44,1480.91 and 1403.65 GWh during the statistical period, respectively. Also, the best objective function values for the dFDB-MRFO, ARO, EO, HMO, MRA, WHO and GA algorithms were obtained as 8.10, 8.92, 10.04, 9.18, 15.66, 8.31 and 19.26, respectively. The obtained results indicate the high performance of the new dFDB-MRFO and WHO algorithms in comparison with the other studied algorithms in the optimal operation of hydropower dams. The operation scenarios resulting from the new dFDB-MRFO and WHO algorithms were able to produce energy at the rate of 96.41 and 96.31% of the total capacity of the Jiroft Dam power plant during the study period.

کلیدواژه‌ها English

Evolutionary algorithms
Optimal Operation
Jiroft hydropower dam
Energy generation
افشار. م., رضایی سنگدهی. س., معینی. ر. (1393). الگوریتم بهینه‌‌سازی جامعه‌ی مورچگان در مسأله‌ی بهره‌برداری بهینه از مخازن سدها : مطالعه‌ی مقایسه‌ای چهار الگوریتم. فصلنامه مهندسی عمران فردوسی, 25(2), 117-134.
احمدیان فر. ا., ادیب. آ. (1394). بهینه سازی بهره‌برداری انرژی برق‌آبی از سدها با استفاده از روش ترکیبی الگوریتم ازدحام ذرات و الگوریتم ژنتیک (مطالعه موردی: سد دز), علوم و مهندسی آبیاری, 38(3), 63-71.
احترام. م.، موسوی. س. ف.، کرمی. ح.، تهرانی. ن.، امیری. آ. (1395). ارائه ی روش هیبریدی برای بهینه سازی مخازن سدها مبتنی بر هوش مصنوعی. نشریه سد و نیروگاه برق آبی ایران. ۳ (۱۱) :۵۴-۴۴.
اکبری‌فرد. س، شریفی. م.، قادری. ک. (1400). بهره‌برداری بهینه از انرژی برق‌آبی مخازن با استفاده از الگوریتم ازدحام پروانه (مطالعه موردی: سد کارون 4). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، 11(4): 69-86.
حسینی موغاری. س.م., مقدس. م., عراقی نژاد. ش. (1396). کاربرد الگوریتم بهینه سازی فاخته در بهره‌برداری بهینه از مخزن برق‌آبی (مطالعه موردی: مخزن کارون4), فصلنامه علمی - پژوهشی مهندسی منابع آب, 10(32): 19-23.
Azizipour, M., Ghalenoei, V., Afshar, M. H., & Solis, S. S. (2016). Optimal operation of hydropower reservoir systems using weed optimization algorithm. Water resources management, 30(11), 3995-4009.‏
Desuky, A. S., Cifci, M. A., Kausar, S., Hussain, S., & El Bakrawy, L. M. (2022). Mud Ring Algorithm: A new meta-heuristic optimization algorithm for solving mathematical and engineering challenges. IEEE Access, 10, 50448-50466.‏
Faramarzi, A., Heidarinejad, M., Stephens, B., & Mirjalili, S. (2020). Equilibrium optimizer: A novel optimization algorithm. Knowledge-Based Systems, 191, 105190.‏
Kahraman, H. T., Bakir, H., Duman, S., Katı, M., Aras, S., & Guvenc, U. (2022). Dynamic FDB selection method and its application: modeling and optimizing of directional overcurrent relays coordination. Applied Intelligence, 1-36.‏
Mahdavi-Meymand, A., & Zounemat-Kermani, M. (2022). Homonuclear Molecules Optimization (HMO) meta-heuristic algorithm. Knowledge-Based Systems, 258, 110032.‏
Nair, S. J., & Sasikumar, K. (2019). Fuzzy reliability-based optimization of a hydropower reservoir. Journal of Hydroinformatics, 21(2), 308-317.‏
Naruei, I., & Keynia, F. (2022). Wild horse optimizer: A new meta-heuristic algorithm for solving engineering optimization problems. Engineering with computers, 38(Suppl 4), 3025-3056.‏
Rashid, M. U., Abid, I., & Latif, A. (2022). Optimization of hydropower and related benefits through Cascade Reservoirs for sustainable economic growth. Renewable Energy, 185, 241-254.‏
Sharifi, M. R., Akbarifard, S., Madadi, M. R., Qaderi, K., & Akbarifard, H. (2022). Optimization of hydropower energy generation by 14 robust evolutionary algorithms. Scientific Reports, 12(1), 7739.‏
Wurbs, R.A., (1993). “Reservoir-system simulation and optimization models” J. Water Resource Planning and Management. 119(4), 455-472.
Zhang, J., Wu, Z., Cheng, C. T., & Zhang, S. Q. (2011). Improved particle swarm optimization algorithm for multi-reservoir system operation. Water Science and Engineering, 4(1), 61-74.‏
Wang, L., Cao, Q., Zhang, Z., Mirjalili, S., & Zhao, W. (2022). Artificial rabbits’ optimization: A new bio-inspired meta-heuristic algorithm for solving engineering optimization problems. Engineering Applications of Artificial Intelligence, 114, 105082.‏
Wu, X., Cheng, C., Lund, J. R., Niu, W., & Miao, S. (2018). Stochastic dynamic programming for hydropower reservoir operations with multiple local optima. Journal of hydrology, 564, 712-722.‏
Zhao, W., Zhang, Z., & Wang, L. (2020). Manta ray foraging optimization: An effective bio-inspired optimizer for engineering applications. Engineering Applications of Artificial Intelligence, 87, 103300.
Zounemat-Kermani, M., Ramezani-Charmahineh, A., Razavi, R., Alizamir, M., & Ouarda, T. B. (2020). Machine learning and water economy: a new approach to predicting dams water sales revenue. Water Resources Management, 34, 1893-1911.
نشریه علمی پژوهشی مهندسی آبیاری و آب ایران
دوره 14، شماره 4 - شماره پیاپی 56
تابستان 1403
صفحه 128-143