Dynamic economic emission dispatch using whale optimization algorithm for multi-objective function

Abstract

Dynamic Economic Emission Dispatch isthe extended version of the traditional economic emission dispatch problem in which ramp rate is taken into account for the limit of generators in a power network. Purpose. Dynamic Economic Emission Dispatch considered the treats of economy and emissions as competitive targets for optimal dispatch problems, and to reach a solution it requires some conflict resolution. Novelty.The decision-making method to solve the Dynamic Economic Emission Dispatch problem has a goal for each objective function, for this purpose, the multi-objective problem is transformed into single goal optimization by using the weighted sum method and then control/solve by Whale Optimization Algorithm. Methodology.This paper presents a newly developed metaheuristic technique based on Whale Optimization Algorithm to solve the Dynamic Economic Emission Dispatch problem. The main inspiration for this optimization technique is the fact that metaheuristic algorithms are becoming popular day by day because of their simplicity, no gradient information requirement, easily bypass local optima, and can be used for a variety of other problems. This algorithm includes all possible factors that will yield the minimum cost and emissions of a Dynamic Economic Emission Dispatch problem for the efficient operation of generators in a power network. The proposed approach performs well to perform in diverse problem and converge the solution to near best optimal solution. Results.The proposed strategy is validated by simulating on MATLAB® for 5 IEEE standard test system. Numerical results showthe capabilities of the proposed algorithm to establish an optimal solution of the Dynamic Economic Emission Dispatch problem in a several runs. The proposed algorithm shows good performance over the recently proposed algorithms such as Multi-Objective Neural Network trained with Differential Evolution, Particle swarm optimization, evolutionary programming, simulated annealing, Pattern search, multi-objective differential evolution, and multi-objective hybrid differential evolution with simulated annealing technique.Динамічна економна диспетчеризація викидів – це розширена версія традиційної задачі економної диспетчеризації викидів, в якій враховується коефіцієнт нарощування для межі генераторів в енергомережі. Призначення. Динамічна економна диспетчеризація викидів розглядала питання економії та викидів як конкурентні цілі для оптимальних задач диспетчеризації, і для розв‘язання задачі потрібне певне вирішення конфліктів. Новизна. Метод прийняття рішень для розв‘язання задачі динамічної економної диспетчеризації викидів має мету для кожної цільової функції, для цього багатоцільова задача трансформується в оптимізацію однієї цілі за допомогою методу зваженої суми, а потім контролюється/розв‘язується за допомогою алгоритму оптимізації китів. Методологія. У цій роботі представлена нещодавно розроблена метаевристична методика, заснована на алгоритмі оптимізації китів для розв‘язання задачі динамічної економної диспетчеризації викидів. Основним натхненням для цієї методики оптимізації є той факт, що метаевристичні алгоритми стають популярними з кожним днем завдяки своїй простоті, відсутності вимог до інформації про градієнт, легкості обходу локальних оптимумів та можливості бути використаними для ряду інших задач. Цей алгоритм включає в себе всі можливі фактори, які забезпечать мінімальні вартість та викиди задачі динамічної економної диспетчеризації викидів для ефективної роботи генераторів в енергомережі. Запропонований підхід добре працює для розв‘язання задач і наближення рішення до найкращого оптимального. Результати. Запропонована стратегія перевірена шляхом моделювання на MATLAB® для 5 стандартних тестових систем IEEE. Чисельні результати демонструють можливості запропонованого алгоритму для встановлення оптимального рішення задачі динамічної економної диспетчеризації викидів за кілька прогонів. Запропонований алгоритм демонструє хорошу ефективність порівняно з нещодавно запропонованими алгоритмами, такими як багатоцільова нейронна мережа, навчена з використанням диференціальної еволюції, оптимізація рою частинок, еволюційне програмування, імітаційний відпал, пошук за шаблоном, багатоцільова диференціальна еволюція та багатоцільова гібридна диференціальна еволюція з імітаційним методом відпалу.