بخشی از مقاله
خلاصه
با توجه به اینکه ساخت سدهای برقابی مستلزم صرف هزینه های بسیار کلان می باشد، طراحی و بهره برداری بهینه مخازن سدها مورد توجه قرار میگیرد. بهینه سازی طراحی و بهره برداری از مخازن سدهای برقابی با در نظر گیری کنترل سطح اعتمادپذیری تولید انرژی یک مسئله بهینهسازی پیچیده از منظر فرمولبندی میباشد. در این پژوهش بهینهسازی طراحی مخزن سد برقابی بختیاری با استفاده از الگوریتم COA مورد مطالعه قرار گرفته شده است.
این مسئله بهینهسازی طراحی با سیاست بهرهبرداری مشخص در دو مدل مورد بررسی و مقایسه قرار گرفته است. درمدل اول متغیرهای ارتفاع نرمال و رقوم حداقل بهره برداری سد و در مدل دوم ارتفاع نرمال، رقوم حداقل بهره برداری سد و ظرفیت نیروگاه به عنوان متغیرهای تصمیم طراحی بهینهسازی میشوند. نتایج مدلهای طراحی با سطح اعتمادپذیری مطلوب %90 برای تولید انرژی مطمئن نشان میدهد که الگوریتم COA در شرایط مختلف دارای توانایی و سرعت بالایی در رسیدن به جوابهای مطلوب در هر دو مدل میباشد.
1. مقدمه
امروزه با توجه به افزایش جمعیت و فعالیتهای انسانی که منجر به افزایش آلودگیهای آبهای سطحی و زیرزمینی شدهاست استفاده از سوخت پاک انرژی برقابی یکی از روشهای موثر در جهت حفاظت از محیطزیست به شمار میرود. نظر به اینکه ساخت سدهای برقابی مستلزم صرف هزینههای بسیار کلان میباشد، طراحی و بهرهبرداری بهینه مخازن سدها موردتوجه قرار میگیرد. دستیابی به ساختار بهینه برای سیستمهای منابع آب با توجه به اهداف مختلف طرحهای توسعه، همواره از چالشهای مهم در برنامهریزی و مدیریت منابع آب بودهاست.
بهینهسازی طراحی و بهرهبرداری از مخازن برقابی با استفاده از روشهای بهینهسازی کلاسیک با مشکلاتی نظیر غیرخطی و غیرمحدب بودن مدل و نیز چگونگی احتساب قیود احتمالاتی مربوط به اعتمادپذیری نیاز انرژی مواجه است. در این زمینه استفاده از روشهای بهینهسازی بر مبنای شبیهسازی از نوع الگوریتمهای جستجوی هوشمند میتواند موردتوجه قرار گیرد. رویکرد این الگوریتمها جستجو در فضای جواب و هدایت جوابها به سمت جوابهای بهتر میباشد. از جمله الگوریتمهای بهینهسازی میتوان به الگوریتم اجتماع ذرات - PSO1 - و الگوریتم ژنتیک - GA - 2 اشاره کرد که در زمینه سیستمهای برقابی به طور خاص مورد استفاده قرارگرفتهاست.
- BozorHadad et al.,2008 - [1] از الگوریتم زنبور عسل به عنوان الگوریتم فراابتکاری برای تعیین قوانین بهرهبرداری بهینه مخازن استفاده کردند. - Mousavi&Shouriyan,2010 - [2] در پژوهشی به بهینهسازی ابعاد طراحی نیروگاه سد بختیاری و همچنین یافتن پارامترهای مناسب به منظور بهرهبرداری بهینه با استفاده از الگوریتم PSO پرداختند که نتایج آنها نشاندهنده عملکرد خوب این الگوریتم میباشد. - Xin Ma et al.,2011 - [3] به بهرهبرداری از ایستگاههای برقابی با استفاده از یک الگوریتم توسعه یافته ازدحام ذرات - PSO - پرداختند. - Jothiprakash et al., 2013 - [4] با کمک الگوریتمهای تکاملی که در فرآیند خود از الگوریتم هرج و مرج به منظور تولید جمعیت اولیه استفاده میکردند به بهینهسازی مخازن برقابی پرداختند.
- Choong et al.,2017 - [5] در تحقیقی از الگوریتم مصنوعی کلونی زنبور عسل به منظور حل کردن مشکل بهینهسازی بهرهبرداری مخزن Chenderoh استفاده کردند. - Mousavi et al.,2017 - [6] با استفاده از الگوریتم جستجوی هارمونی به بهینهسازی مخازن برقابی پرداختند.
اف شاریان زاده، - 1395 به طراحی و بهرهبرداری بهینه بر مبنای اعتمادپذیری از مخازن سدهای برقابی پیاپی با احتساب اثرات متقابل هیدرولیکی روی مجموعه سیستم برقابی کارون-3کارون2 پرداختند که در حل مدل از الگوریتمهای بهینهسازی کلاسیک و تکاملی استفاده و کارایی آنها ارزیابی شدهاست. از جمله الگوریتمهایی که به تازگی به دلیل توانایی و قدرت بالا در مسائل بهینهسازی کاربرد فراوانی در سایر علوم پیدا کردهاست الگوریتم - Cuckoo Otmization Algorithm - COA می باشد.
گیلانی و افراخته, - 2012 از الگوریتم فاخته و زنجیره مارکوف به منظور تعیین ظرفیت نیروگاههای بادی استفاده کردند. - Bo Ming et al.,2015 - [9] ازالگوریتم COA به منظور بهینه کردن بهرهبرداری مخازن چند منظوره استفاده کردند. - Abdollahi et al.,2016 - [10] از الگوریتم بهینهسازیCOA به منظور حل مسائل غیرخطی سیستمها استقاده کردند.
- Anupama et al., 2017 - با استفاده از یکپارچه کردن و عملکرد توام سیستم فازی و الگوریتم COA به بهینهسازی هزینه پرداختهاست. با توجه به بررسیهای انجامشده با وجود توانایی بالای الگوریتم COA در همگرایی اما تاکنون ازاین الگوریتم در زمینه مخازن برقابی ا ستفاده ن شدها ست.
2. متدولوژی
.2-1 الگوریتم COA
الگوریتم بهینهسازی فاخته یکی از جدیدترین و قویترین روشهای بهینهسازی تکاملی میباشد که تاکنون معرفی شدهاست. این الگوریتم که الهام گرفته از روش زندگی پرندهای به نام فاخته است در سال 2011 برای اولین بار توسط رامین رجبیون ابداع شد. نحوه خاص تخمگذاری و زادو ولد فاخته، اساس این الگوریتم بهینهسازی نوین است. فاختههایی که در این مدل از آنها استفاده میشود بر دو نوعاند: فاختههای بالغ و تخمها. مانند سایر الگوریتمهای تکاملی، این الگوریتم نیز با یک جمعیت اولیه از فاختهها شروع میشود.
این فاختههای اولیه تخمهایی برای قرار دادن در لانههای پرندگان میزبان دارند، بعضی از این تخمها که شباهت زیادی به تخمهای پرنده میزبان دارند فرصت رشد کردن و تبدیل به فاخته بالغ شدن را داشته و مکانی که تخمهای بیشتری در آن زنده بمانند چیزی است که COA در پی بهینهکردن آن است. فاختهها به دنبال مناسبترین منطقه برای تخمگذاری هستند تا نرخ زندهماندن تخمهایشان را بیشینه سازند.
هر جامعه زیستبوم خودش را دارد. بهترین محل زندگی یافتشده فاختگان، مقصد فاختهها در جوامع دیگر خواهدبود.[1] برای حل یک مسئله بهینهسازی لازم است تا مقادیر متغیرهای مساله به فرم یک آرایه شکل گیرند. در GA و PSO این آرایهها به نام های "کروموزوم"1 و " موقعیت ذرات"2 مشخص میشوند. ولی در الگوریتم بهینهسازی فاخته این آرایه habitat یا " محل سکونت" نام دارند.
برای شروع الگوریتم بهینهسازی یک ماتریس habitat به سایز Npop*Nvar تولید میشود سپس برای هر کدام از این habitat ها تعدادی تصادفی تخم تخصیص مییابد. دیگر عادت هر فاخته این است که آنها در یک دامنه مشخص تخمهای خود را میگذارند که به آن حداکثر دامنه تخمگذاری - ELR - گفته میشود.
پس از چند تکرار تمام جمعیت فاختهها به یک نقطه بهینه با حداکثر شباهت تخمها به تخمهای پرندگان میزبان و همچنین به محل بیشترین منابع غذایی میرسند. این محل بیشترین سود کلی را خواهد داشت و در آن کمترین تعداد تخمها از بین خواهند رفت. بنابراین گامهای اصلی COA را میتوان به صورت زیر بیان نمود:
گام :1 مکانهای سکونت فعلی فاختهها به صورت تصادفی مشخص میشود.
گام :2 تعدادی تخم به هر فاخته اختصاص مییابد.
گام :3 شعاع تخمگذاری هر فاخته تعیین میشود.
گام :4 فاختهها در لانههای میزبانانی که در شعاع تخمگذاری آنها قرار دارند، تخمگذاری میکنند.
گام :5 تخمهایی که توسط پرندگان میزبان شناسایی میشوند از بین میروند.
گام :6تخم فاختههایی که شناسایی نشدند پرورش مییابد.
گام :7 محل سکونت فاختههای جدید شناسایی میشود.
گام :8 ماکزیمم تعداد فاختههایی که در هر مکان امکان زندگی دارند مشخص و آنهایی که در مکان نامناسب هستند ازبین میرود.
گام :9 فاخته ها با استفاده از روش K-means خوشهبندی و بهترین گروه فاخته به عنوان سکونت هدف مشخص میشود.
گام :10 جمعیت جدید فاختهها به سمت مکان هدف حرکت میکنند.
.2-2 شبیهسازی مخزن برقابی
به منظور محاسبه پتانسیل انرژی سیستم از یک مدل شبیهسازی بر مبنای اعتمادپذیری RBS - Reliability Based Simulation - استفاده میشود. در مدل RBS ظرفیت نصب نیروگاه و شاخصهای تولید انرژی به ازای یک تراز معلوم از رقوم نرمال و حداقل بهرهبرداری با استفاده از یک تحلیل تکراری تعیین میشود. بنابراین در ابتدا لازم است ظرفیت نصب نیروگاه که یکی از متغیرهای تصمیم مدل هم میباشد تخمین زده شده و متناسب با این حدس اولیه سایر مشخصات مورد نیاز استخراج شود.
IC حدس اولیه برای ظرفیت نیروگاه - MW - ، Qave میانگین جریانهای ماهانه ورودی به مخزن - MCM - ، اختلاف تراز نرمال و تراز میانگین پایاب وتراز افت ، PF ضریب کارکرد نیروگاه، a فاکتور کاهش دورههای خشک که مقدار آن بین 0,5 تا 0,8 در نظر گرفته میشود و nhours تعداد ساعات کار نیروگاه - hr - میباشد.
عموما در طراحی مخازن برقابی و در افق بلند مدت از دورههای ماهانه استفاده میشود و در هر ماه ذخیره مخزن به صورتی تعیین میگردد که مقدار نیاز ماهانه انرژی تامین شود. لازم به ذکر است که نیاز انرژی ماهانه چنانچه به طور مشخص و بر اساس بازار برق موجود نباشد، برابر حاصلضرب ظرفیت نصب در ضریب کارکرد نیروگاه در تعداد ساعات هر ماه در نظر گرفته میشود
رابطه انرژی مطمئن مطلوب و ظرفیت نیروگاه و نیز رابطه انرژی تولیدی بر اساس جریان خروجی از مخزن به شکل زیر تعریف می شود. از آنجا که بار آب - بارهیدرولیکی - در طول یک گام زمانی متغیر است بنابراین محاسبات انرژی بر اساس بار آب میانگین در هر دوره انجام میشود. با استفاده از حجم ذخیره در ابتدا و انتهای هر ماه حجم میانگین به دست آمده و متناظر با این حجمها، میانگین بار آب و سطحهای متناطر با آنها محاسبه میشود.
