پخش بار اقتصادی تصادفی چندهدفه با تولید نیروی باد متغیر با استفاده از تجزیه واریانس مبتنی بر سناریو و تکرار بلوک ناهم زمان

ما یک مساله پخش بار اقتصادی تصادفی چند هدفه (MOSED) را با در نظر گرفتن انتگرال گیری نیروی باد متغیر مورد بررسی قرار دادیم. ما این مساله را به یک مدل بهینه‌سازی قطعی بزرگ مقیاس چند منظوره با استفاده از روش سناریو تبدیل کردیم. ما همزمان هزینه خرید برق و انتشار گازهای آلاینده را به حداقل برسانیم. ما روش تقاطع مرزی نرمال (NBI) را برای تبدیل مدل بهینه‌سازی چندهدفه (MOO) ‏به یک سری مسایل بهینه‌سازی تک هدفه (SOO) ‏معرفی کردیم که با استفاده از روش نقطه داخلی (IPM) حل کردیم. در فرآیند مورد استفاده برای حل هر مساله SOO، ما ماتریس ضرایب معادله اصلاحی را در قالب قطری حاشیه بلوک (BBDF) ‏با توجه به توالی سناریوی پیش‌بینی و سناریوهای نمونه‌برداری، تنظیم کردیم. بنابراین، ما قادر به تجزیه این معادله اصلاحی بیشتر به تعدادی از معادلات با ابعاد پایین مطابق با سناریوی پیش‌بینی و سناریوهای نمونه‌برداری، و حل آن‌ها با استفاده از روش تکرار بلوک ناهمزمان هستیم. علاوه بر این، ما الگوریتم پیشنهادی را بر روی یک سیستم ۳۹ باسه و یک سیستم نیروی واقعی استاندارد اجرا کردیم و یک چارچوب محاسباتی موازی برای خوشه‌های عمل

We investigated a multiobjective stochastic economic dispatch (MOSED) problem considering variable wind power integration. We transformed this problem into an equivalent large-scale multiobjective deterministic optimization model based on the scenario method. We simultaneously minimized power purchase costs and polluting gas emissions. We introduced the normal boundary intersection (NBI) method to convert the multiobjective optimization (MOO) model into a series of single-objective optimization (SOO) problems, which we solved using the interior-point method (IPM). In the process used to solve each SOO problem, we rearranged the coefficient matrix of the correction equation in the block bordered diagonal form (BBDF) according to the sequence of the forecast scenario and sampling scenarios. Thus, we were able to decompose this correction equation further into a number of low-dimensional equations corresponding to the forecast scenario and sampling scenarios, respectively, and solve them