期刊名称：Intelligent Systems in Electrical Engineering
印刷版ISSN：2251-6530
电子版ISSN：2252-083X
出版年度：2011
卷号：2
期号：1
页码：27-44
语种：Persian
摘要：: در اين مقاله، برنامه‌ريزی توسعه توليد به‌صورت يک مسأله بهينه‌سازی مدل شده است که در آن تابع هدف، کمينه کردن مجموع هزينه‌های سرمايه‌گذاری، بهره‌برداری، تعمير و نگهداری، هزينه انرژی تأمين نشده و همچنين ارزش بازيافتی هزينه‌های سرمايه‌گذاری است. قابليت اطمينان سيستم با استفاده از شاخص‌های مقدار انتظاری انرژی تأمين نشده (EENS) و احتمال عدم تأمين بار (LOLP) برآورد و تأمين می‌شود. برای حل مسأله، اصلاح و به‌کارگيری الگوريتم جهش قورباغه‌های به‌هم آميخته به‌نام MSFL پيشنهاد گرديده است. در اين الگوريتم، به‌منظور بهبود الگوريتم SFL مرسوم، روش جديدی برای توزيع راه‌حل‌ها در ممپلکس و قانون جديدی برای پرش راه‌حل‌های بدتر به سمت راه‌حل‌های بهتر پيشنهاد شده است. جهت ارزيابی روش پيشنهادی، برنامه‌ريزی توسعه توليد در يک سيستم قدرت نمونه و برای افق‌های برنامه‌ريزی 12 ساله و نيز 24 ساله، که باعث افزايش ابعاد مسأله و نزديک شدن به شرايط واقعی می‌گردد، انجام گرفته است. مسأله GEP، توسط الگوريتم‌های SFL مرسوم و ژنتيک نيز حل و جواب‌های به‌دست آمده با MSFL پيشنهادی مقايسه شده است. مقايسه انجام شده نشان می‌دهد که عملکرد و کيفيت جواب به‌دست آمده از الگوريتم MSFL پيشنهادی، در هر دو حالت بهتر از الگوريتم SFL مرسوم و GA است.
其他摘要：In this paper, Generation Expansion Planning (GEP), is modeled as an optimization problem in which the objective function is to minimize the total investment, operation, and outage (energy not served) costs of power system as well as salvage value of investment costs. Generation system reliability is assessed and provided by means of EENS and LOLP indices. To solve the GEP problem, a new Modified Shuffled Frog Leaping namely MSFL algorithm is proposed. A new frog leaping rule and a new strategy for frog distribution into memeplexes is introduced to improve the local exploration and performance of the original SFL algorithm. To show the effectiveness of the MSFL algorithm, it is applied to a test system with 15 existing power plants and 5 types of new candidates, for a 12-years and a 24-years planning horizon. The original SFL algorithm and the Genetic Algorithm (GA) are also applied to solve the GEP problem. Simulation results show the advantages of the proposed MSFL algorithm over the original SFL and GA.
