TELKOM NIKA , Vol. 11, No. 12, Decem ber 20 13, pp.  7222 ~72 2 9   e-ISSN: 2087 -278X           7222      Re cei v ed  Jun e  26, 2013; Revi sed  Jul y  2 8 , 2013; Acce pted Augu st 20, 2013     Optimizing Multi-agent MicroGrid Resource  Scheduling by Co-Evolutionary with Preference      Sun Hongbi n* 1 , Tian Chunguang 2   1 School of Elec trical Eng i ne eri ng an d Informa tion,  Cha ngc hu n Institute of  T e chn o lo g y , Ch angc hu n,    Jinli n , 130 01 2, Chin a, T e lepho ne: + 86-43 1-8 5 713 80 5   2  Electric Po w e r Researc h  Institute of Jilin El e c tric  Po w e r Co. ,  Ltd., Changch un,  Jinli n , 130 021, Ch in a,  T e lephon e: + 86-43 1-85 71 39 9 8   *Corres p o ndi n g  author, e-ma i l :  w i n_s hb@ 16 3.com       A b st r a ct   T h is p aper  pr esents  a  multi - age nt fra m ew ork for  th e c o ntrol  of distri b u ted  en ergy r e sourc e s   orga ni z e d in Microgri d s ， w h ich cons ists of integrate d  mi crogrids  and l u mpe d  loa d s. Multipl e  ob jecti v es   are co nsi dere d  for lo ad  ba lan c ing  a m o ng th e fee ders,  mi ni mi z a t i o n  of th e  op eratin g cost , mi ni mi z i ng  th e   emissio n , min i mi z i ng   volta ge profil es,  mini mi z i n g   active  po w e r losses. T h e ag ent re pres ents  messa ge  of   micr oGrid unit and  c onstitutes   an auto n o m ic unit.  T he netw o rk is ac hi eved  by the  evo l uti on of th e a g e n t   base d  on th e  semantic n e g o t iation. Bas ed  on the o b j e ct iv es is eva l uat e d  by me mb ers h ip fu nctions.  We   prop ose a  ne w  Immu ne C o -Evol u tion ary  Algorit hm w i t h  Prefere n ce  to solve it. Si mu lati on res u l t s  de mo nstrated t hat the  prop os ed  meth od  is e ffective in i m pr ovin g perf o rma nce a nd  mana ge me nt of micr o- sources.     Ke y w ords : mi crogrid,  mu lti-a gent, opti m i z at i on mo d e l, co-e voluti onary w i th prefere n ce.      Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion   As the ba ckb one of the p o w er  network, the ele c tricity  grid i s  no w a t  the focal poi nt of  techn o logi cal  innovation s  [1]. The intelligent g r id  achi eves o p e ration al efficien cy thro u gh  distrib u ted  co ntrol, monito ring and  ene rgy manag em ent. The ne e d  for mo re fl exible ele c tri c   system s,  cha nging  re gulat ory a nd  eco nomic  scena rios,   en ergy saving s and  environ menta l   impact  are p r oviding im pet us to  the  dev elopme n t of  MicroGri ds (MG),  whi c h  a r e  pre d icte d t o   play an in cre a sin g  rol e  of the future p o w er  sy ste m s.  The MG u n its can me et to the cu stom ers  load  dema n d  at comp romi se  co st a nd  emission s  all  the time.  M G  can  co ntai n vario u s  cle an  and effici ent  energy re so u r ce s,  su ch  as sola r p hotov oltaic  (PV) m odule s , small  wind  turbi n e s ,  battery stora ges, controll able loa d s  and othe r small ren e wa ble, and it has a n  ene rgy  manag eme n t  system  to reg u late p o wer fl ow i n  it  a nd  p r ovide  co nsi d erabl e  cont rol  over it. It can  not only be o perate d  effici ently in its o w n di stri b u tio n  network, bu t also b e   ca pable to o p e r ate  in islan d ing m ode when it is requi red o r  some  faults ha ppen in u p stream network  [2].     Con c u r rently, the power  system re sea r che r s fo cu s on the poten tial value of  multi- agent sy stem  (MAS) tech n o logy to the power in d u st ry [3]. These rece nt re sea r ch wo rks have  shown that M AS is one of  the best technologies  for int r oducing di stri buted i n telligenc e in power  system s. Co ordin a ting be havio r  of au tonomou s  ag ents i s   a  ke y issue i n  a gent-o rie n ted   techni que,  which l ead s th e MAS towa rds the  syste m  goal. MAS  is be comi ng  a sig n ifica n t and  gro w ing  interest in  po wer engin e e r ing  pro b lem s  [4 -5]. Energy reso urce  sch edulin g is a n   importa nt opt imization t a sk in the  dail y  oper ation  planni ng of  any po wer system, whi c h  is  typically han dled by po we r syste m  ma nage rs. Typi cally, the probl em is to mini mize the  co st s  asso ciated  with energy p r odu ction, an d start- up a nd sh ut-do w n co sts. It is a large  sca l e   nonlin ear o p timization p r o b l em for whi c h ,  there is no  exact sol u tio n  techni que [ 6 ]. Most of the   resea r ch wo rk on u n it com m itment ha s been d one  i n  centralized a ppro a ch [7-9] ,  wherea s very  little work h a s  be en d one  in dist ributed  app roa c h [1 0-11]. A ratio nal meth od o f  building  MG s  optimize d  for  co st and subj ect to reliabilit y cons traints  have been p r ese n ted  in [12] the proble m   of manag em ent of MG so lved as  singl e obje c tive and witho u t co nsid erin g the  balan cing  wi th  the uppe r gri d . In this pap er, the age nt approa ch  is p r esented to h andle the s e  challen ges. Th e   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Optim i zing M u lti-age nt MicroG rid Resou r ce S c he dulin g by Co-E vol u tionary (Su n  Hong bin)    7223 formulatio n o f  the MG control mo del  and fuzzy prefe r en ce s  co-evolution a r y algorithm  is   prop osed to  re solve  the  problem.  T he  simulatio n  results  sh ow th at the  app ro ach   can   signifi cantly improve p e rfo r man c e a nd a dapt we ll to the ch ang es o f  dynamic en vironme n ts.       2.   MG Agen t Neg o tia t ion  and Commu nication Me c h anism   As an atomi c  unit of MG  control sy stem, the MG  agent in clu des th ree m odule s .   Attributes de scribe the ch ara c teri stic of  an agent  itself. Function  is desi gne d to evaluate the  matchin g  a b il ity of the me ssage t o  the  other  MG  m o bile ag ents.  Behavior  co n t ains inte rfa c e   operation, inf o rmatio n issue, and  en ergy tran smi ssi on. MG  age nt  is a n  ato m ic u n it of  MG   control pl atform (M G C P),  MGCP i s   compo s ed  of  function al m odule s  d e vel oped  by java.  Inspired  by systemic  network, i n  the e n v ironme n t,  different a gent s may co ntrib u te to differe nt  servi c e s . MG optimizatio n control result is achi eved by  service co m positio n of MG agent. It is a  novel comput ing an d probl em-solving  e n vironm ent  where an  a ppli c ation se rvice  is cre a ted out  of the intera ction of multiple awa r e ag en ts  and the int e ra ction bet ween a w are ag ents an d their  environ ment.  The id eal m o del would  pla c e th e platfo rm on  every  MG unit  as a  network n o d e ,  and fun c tiona l merits refer to our p r eviou s  wo rk [1 3].  In orde r to co llaborate amo ng age nts, a  se t of co mmu nicatio n  me chani sm is n e eded.   The MG a g e n ts u s e RMI-IIOP as tra n sp ort  p r otocol for comm unication lan guag e (BNCL )  messag es.  RMI-IIOP provi des th e robu stne ss  of  CO RBA and th e  simpli city of Java  RMI. We  pre s ent th e  method  of M G  ag ent me ssage  discov ery ba se d o n  the m e ssa ge mat c hin g . A   matchin g  me ssage i s  exchang ed amo ng agent s to achi eve MG agent me ssa ge matchi ng  for  control model . Based on th e method of  messag e di scovery in workflow, Semanti c  discove r y of  atomic p r o c e s ses, delive r s a set of MG agent  th at provide at omic p r o c e s se s whi c h a r e  sema ntically  matchin g   with tho s e of th e age nt  me ssag e, the o p timization  of  MG is a c hiev ed   based on the  use of ontol o g y to describ e tasks an d a gent messa g e .      3.   Problem  Defini tion fo r MG Con t rol  Optimizatio n  Model  The MG con s ist s  of a gro up of radi al f eede rs, which coul d be p a rt of a distri butio n   system. Th e feede rs  also h a ve the micro  sou r ces  co n s istin g  of a p hotovoltaic, a  wind tu rbin e, a   fuel cell, a m i cro  turbine,  a die s el  gen erato r , an d b a ttery sto r ag e. To  se rve t he lo ad  dem an d   and ch arge th e battery, electri c al po wer  can be p r o d u c ed eithe r  directly by PV,  WT, DG, MT,  or  FC. Each co mpone nt of the MG  syste m  is mod e led  sep a rately b a se d on its  chara c te risti c s and   constrai nts. T he MG agent s interact as to utilize the  maximu m quantity of ava ilable generati on  possibl e. This is considered a ma ximum  power utilizat ion strategy.   The m a jor concern i n  the  desi gn  of an  electr i c al  sy stem that  ut ilizes M G   sources i s   the a c curate  sel e ctio n  of output  po wer th at can   eco nomi c ally  sati sfy the  load  dem and ,  Minimization  of the Co st (t he Op eratin g  Co st, ac tive powe r  lo sse s ) mi nimizi ng  the emissio n .  Minimizi ng, h ence the sy stem co mpon e n ts are foun d  subje c t to: T he network reco nfiguratio n   probl em in  a  distri bution  system i s  to  find a  config uration  with  minimum lo ss an d minim u m   deviation of the nod es vol t age whil e sa tisfying t he o peratin g con s traints u nde r  a ce rtain loa d   pattern. The  operating co nstrai nts a r e curre n t c apa city and radi al operat ing  stru cture of the  system. The  mathemati c al   formul at ion  reco nfiguratio n p r oble m  i s   pre s ente d  in   the literature   in   different way s . In this  paper, the pr o b le m formulation  is pre s ente d  as:     i L i i i i i loss V Q P r F 1 2 2 2                                                                                                         (1)       loss F  is the memb ership fun c tio n  for ac tive power loss es ,  i r  represents t he re sista n ce  of the bran ch  i.  i P  ,  i Q  repre s e n t active power an d rea c ti ve powe r  tha t  flowing the termin al of   the bran ch i.   i V rep r e s ent s t he no de volt age of th e termin al of b r anch i.  i L repre s ent s the  numbe r of branche s. Voltage variatio n  may be  cau s ed by the Distribute d  Ge neratio n outp u t  cha ngin g .   The obje c tive  function is  d e velope d accordin g to the above mentio ned a s sumpti ons to   minimize the operating cost in $/h of the  MG in the followin g  form:   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 12, Dece mb er 201 3:  722 2 – 7229   7224 N i i i i ib i i non i non i i OM F C C F P F P F P F P F F 1 _ _ cos ) ( ) ( ) ( / )) ( ) ( (                                                                                 (2)    Whe r e F ( Pi)  The op eratin g co st of the  gene ra ting  unit i in $/h,  Ci Fuel  co sts of the  gene rating  u n it i in $/l fo r  the DG, an d i n  $/kWh  for  FC a nd M T ,  Fi Fuel  co nsu m ption  rate o f  a  gene rato r  u n i t   i,  OMi Ope r ation  a n d   mai n tenan ce cost of a generating unit i in $/h.  ) ( _ non i P F is  operating cost without DG,  ib i C F is  distri bution netwo rk co st.  The Co st is  calcul ated ba sed on the Op erating  Co st and a c tive po wer lo sse s .  co AF  is  define a s :    loss co F F AF ) 1 ( cos                                                                                          (3)    Whe r e  ] 1 , 0 [  is a weight to co AF .  The atmo sp h e ric  polluta nts such a s  sulphu r oxide s  SO2,  carb on oxide s   CO2, and   nitroge n oxid es  NOx  cau s ed by fo ssilfu e led the r mal   units  can  be  modele d   sep a rately. The  total   emission of these polluta n t s can b e  exp r esse d as:      ) exp( ) ( 10 ) ( ) ( / ) ( 2 1 2 _ i i i i i N i i i i i non i i po P P P P E P E P E E                                                             (4)    W h er e  α ,  β  ,  γ ,  ζ , a nd  λ   are  no nneg ative co efficien ts of th e ith   gene rato r e m issi on  cha r a c teri stics. In the emission mo del in trodu ced, we prop ose to evaluate the pa ramete rs  α ,  β ,  γ ,  ζ , an d  λ  u s ing th e data  available. T hus, the  emi ssi on p e r  da y for the  DG,  FC, an d MT  is  estimated, an d the cha r a c teristi cs of ea ch gene rato r will be detache d accordingly .   Based o n  th e fuzzy eval uation fun c tions, the mul t i-obje c tive optimization  model i s   con s t r u c t ed t o  max i mize t he sat i sf a c t i o n s of   differen t  objectives b y  adjusting transfo rme r  tap- cha nge rs a n d  shunt capa ci tors. The m u lti-obje c tive op timization mo del is re prese n ted as:     K k Q Q P P P P P K k Q Q K i P P K i P P MepF F Mep Subject E Mep AF Mep Min j j N i batt WT PV L i j i i i i po po co max 1 max min 0 0 ) ( ) ( )) ( ), ( (                                                                            (5)    Whe r e Po we r balan ce  co nstrai nts a r e  that  it meets the active  power bal an ce, an   equality co nst r aint is imp o sed.     N i batt WT PV L i P P P P P 1 0 ) (                                                                                     (6)    PL The total power dem anded in kW, PPV The  output power of the photovoltaic  cell in  kW, P W T  Th e outp u t po wer of th e  win d  turbi ne i n  kw. Pbatt Th e  output p o we r of the  batte ry  stora ge kw.   Gene ration  capa city con s traints i s  re st ricted by lo wer and u ppe r limits for stable   operation,real  powe r  output  of each ge ne rator,  as follo ws:   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Optim i zing M u lti-age nt MicroG rid Resou r ce S c he dulin g by Co-E vol u tionary (Su n  Hong bin)    7225 N i P P P i i i ,....... 1 . max min                                                                                      (7)    min i P Minimum o p e r ating p o wer  of unit i,  max i P  Ma ximum ope ra ting po wer  of unit i,  i P  ,  max , i P  represent the real runni n g   power an d the maximum  permitted po wer of the tra n sformer.     i a  is penalty function p a ra m e ter.  po F  is  the membership func tion for power.     b i i i n i P P K i i i po a P P F 1 ) ( max , )] 1 ( [ max ,                                                                                     (8)      4.  Fuzz y  Pre f eren ces  Co-Ev o lutionar y  Algorithm   There a r e  ma ny MO  soluti on al gorith m s allo wing th e  attainment of  these results, like   PESA-II [14],  NSGA-II [15]. An important is s u e in  multiple objec tive optimiz ations  is  the  handli ng of h u man p r efe r e n ce s. Fin d ing  all Pareto -o p t imal solutio n s  is  not the fi nal go al. Such  prefe r en ce s can   u s ually be rep r e s ent ed with  th e   help  of fuzzy  logi c. Ba sed  on  prefere n c e   relation s [16-17] and indu ced o r de rs, these lingui stic cate gori e s  were tran sformed into re a l   weig hts an d a weig hted Pareto do mina nce relation  wa s introd uced.  In this pa pe r, the  novel  fuzzy p r efe r en ce s  evolu t ionary  algo rithm (FP - EA) i s   prop osed. Su ppo se that th e size of evol utionary  p opu lation P is n, and Pt is t-th  gene ration of  the popul atio n. Qt is a ne w evol ution a ry population  from Pt that  is upd ated by  the sele ction ,   cro s sove r an d mutation  o perato r s, and  t he  si ze of Q,  is  al so n. Let  Rt =Pt ∪ Qt, and the  si ze of  Rt is 2n. The non-domin ated set P1 is gene rat e d  from Rt, with the quick sort p r o c edu re.  If|P1|>n, the clu s terin g  p r o c ed ure  is  use d  to re du ce t he si ze  of P1 , and to  kee p  the diversity of  P1 at the same time. T h e si ze of P1  will  be n  after the cl ust e ring process.  is equally  important,  is less important ,   is much less important,  is  not important,  ! is  important.  Definition 1:(Weig h ted d o m inan ce  relat i on) F o r a  given weight s–v e ctor  ) .... 1 k w w w summi ng  to 1  and   a real  numbe r 1 0 , a re al  vecto r   ) , )( .... 1 w x x x k –   dominate s    a  real   vec t or   ) .... 1 k y y y  written as  y x w  if and only if:      ) y , (x I y    x  i i 1 k i i w w                                                                             (9)    Whe r e  y x y x y x I 0 1 ) , (   The sta nda rd definition  of domina n ce co uld be  obtaine d by setting  1  and k w w n / 1 ... 1 . Note that in the stand ard  definition of  domina n ce it is re quired th at at least   one of the   i i y x  inequalitie s i s   stri ct. Ho wev e r thi s  is  not a  problem si nc e th ese two orders  are defin able  in terms of ea ch othe r.   Definition  2:  (Weig h ted  sco r e).  The  nu m ber nin e  i s  u s ed h e re fo r th e g r ad es of  relative   importa nce betwe en  o b j e ctives be ca use we   take the  well-known techni que of  anal ytic  hiera r chy proce s s (A HP) for refe ren c e. For e a ch   X x i comp ute weight a s  no rmalize d   leaving sco r e .     X x j i i j R x SL R x SL x w ) , ( ) , ( ) (                                                                                      (10)    Definition 3:  (Fitness ev aluation ) . Suppo se  there  are N indiv i dual s in the  current  popul ation po p. The po sitive stren g th  ) ( k x S of each  individu al  pop x k .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 12, Dece mb er 201 3:  722 2 – 7229   7226 ) , 2 , 1 ( N k is cal c ulated. Suppo se   )) ( ( min , , 2 , 1 min k N k x S S ,  ) ( max , , 2 , 1 max k N k d d . The fitnes s  of each in dividual  ) , , 2 , 1 ( N k pop x k  is calcul ated acco rdin g to the following formulat ion:    2 max min ) / ( ) 1 ) ( ( ) ( d d S x S x fit k k k                                                               (11)    Algorithm : FP-EA Algorith m     Pt , t = 0 ;//  Set t = 0. Generat e an i n itial population P[t], for each  X x i comp ute  weig ht as no rmalize d  leavi ng score:    X x j i i j R x SL R x SL x w ) , ( ) , ( ) (     While ( t  ≤ T )   do  //T is maximum numb e r of generatio n s   { 2 max min ) / ( ) 1 ) ( ( ) ( d d S x S x fit k k k  // Cal c ul ate  the fitness value of each individual in       Pt,  ) , , 2 , 1 ( N k P x t k   Qt = make -n ew-pop  (Pt ) // Use sele ction, cro s sover and mutat i on to cre a te  a new  popul ation Qt    Rt = Pt  ∪ Qt // Combin e pa rent and children pop ulation   I f  (|  P t  +  1 |   <  =  N)   Th en  {  P t  + 1  =  P t  +   1  ∪   sele ct  - b y  - r and om  (  Rt -  Pt +  1,  N  - | Pt  +   1 | ) } // randomly selecte d  N - | Pt + 1 |  element s and  joined into Pt + 1  Els e  if (| Pt +   1 | >  N)  Then { c rowdi ng - dista n ce - assign ment  (Pt + 1)  // Calculate  crowdi ng di stan ce.   Sort (Pt +  1 ,  ≥ n) // Sort in desce nding  o r de r usi ng  ≥ n  Pt + 1 = Pt + 1 [1: N]} // Choose the first  N eleme n ts  t =  t +  1}  It can be  pro v ed that the time co mplexi ty of  Algorithm (FP-EA) i s   less than  O (nlogn ). It  is better than  O (n2) in the NSGA II.            5.  Results a nd Analy s is  This sample  system  is used to  sim u lat e   t he transfo rmer lo ading s, line flow profiles,   and  syste m  l o sse s  of th e  microgri d . Be side s, the   pa ramete rs of t he di strib u tio n  tra n sfo r me r,  con d u c tor, g eneration, a nd load a r e  describ ed  i n  the followi ng su bsectio n s. The rela ted  para m eters for sim u lation  of the MV/L V distribut io n  transfo rme r  are liste d in Table 1. Thi s   transfo rme r  i s  4 0 0 k VA, 20 kV/0.4kV, a n d  its l e a k age   impeda nce i s  0.01 +j0.04 pu . The lo catio n s   and  ca pa cities of th e  DG s  interconn ecte d to the  net work a r e  as foll ows: A 10 kW p hotovolta i c   gene ration  systems a nd  a 10 kW  win d  turbin e ge nerato r  a r e  con n e c ted. A 10kW fuel  cel l   gene ration  system is con necte d to system with  three-p h a s e inv e rter. A 30 kW microtu r bi ne   gene rato r is conne cted to system with th ree - ph ase inverter.       Figure 1. Dail y Load Cu rve s  for the  Th re e Load Type s of the Microg rid   De m a n d (%) Ti m e  ( h r ) Res i d e n t i a l I n dus t r i a l C o m m e r ci al De m a n d (%) Ti m e  ( h r ) Res i d e n t i a l I n dus t r i a l C o m m e r ci al Res i d e n t i a l I n dus t r i a l C o m m e r ci al Res i d e n t i a l Res i d e n t i a l I n dus t r i a l I n dus t r i a l C o m m e r ci al C o m m e r ci al 10 0 90 80 70 60 50 40 30 20 10 0 0                              3                           6                              9           1 2                           1 5                            1 8                    2 1 De m a n d (%) Ti m e  ( h r ) Res i d e n t i a l I n dus t r i a l C o m m e r ci al De m a n d (%) Ti m e  ( h r ) Res i d e n t i a l I n dus t r i a l C o m m e r ci al Res i d e n t i a l I n dus t r i a l C o m m e r ci al Res i d e n t i a l Res i d e n t i a l I n dus t r i a l I n dus t r i a l C o m m e r ci al C o m m e r ci al 10 0 90 80 70 60 50 40 30 20 10 0 0                              3                           6                              9           1 2                           1 5                            1 8                    2 1 Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Optim i zing M u lti-age nt MicroG rid Resou r ce S c he dulin g by Co-E vol u tionary (Su n  Hong bin)    7227 Table 1 .The  MV/LV Distrib u tion Tra n sfo r mer  Capacit y   (kVA)   Primary   Side (kV)   Secondar y   Side (kV)   R(pu)   X(pu)   400 20  0.4  0.01  0.04        Table 2. The  Real Po we r Output Cu rve s  for Fou r  Types      The po wer g eneration s  of the PV and  WT ar e cal c ulated by the propo se d formula s   with in sulatio n , temperatu r e, and  win d  spe ed- rel a ted pa ram e te rs. Additio nal ly, the powe r   gene rated by  the fuel-cell gene ration  system and  mi crotu r bi ne ge nerato r  is  cal c ulate d  und e r   the minimizat i on of total fu el co st in the micro g rid by  direct search method. Th ese  curve s  a r e   use d  as the p o we r gen eration data for a  full day's anal ysis.   Based o n  the evaluatio n function s,  the  multi-objective opti m ization m o del is  con s t r u c t ed t o  max i mize t he sat i sf a c t i o n s of   differen t  objectives b y  adjusting transfo rme r  tap- cha nge rs an d shunt  cap a c itors.  Th e coordi nation  control  strateg i es  we re di scussed  above,  it  can  be u s e d   to rea c h the   target of max i mizing th e e fficiency of M i cro g ri d. In this pa per, the   novel fuzzy preferen ce s evolutiona ry  alg o rithm (FP - E A ) is propo se d.  Figure 3  an d  4  sho w s th e rel a tion ship  of the  co st  and  emissio n  obje c tives o f  non - dominate d   so lutions obtain ed by m u lti-o b jectiv e  opti m ization.  The  co st of th e  non-domi nate d   solutio n s thu s  ap pea rs to  be inversely  prop ortion al  to their emi ssi on s. It can se e that the   Pareto optim al set has a  numbe r of non-d o min a ted  solution s. It  can be  con c l uded that the  prop osed ap proa ch i s  capabl e of exploring m o re efficient a nd non -infe r i o r solution s of  optimizatio n probl em s.  As can  be  se en in  Figu re  3 and  4, the   dist rib u tion  chara c te risti c s of the a p p r o x imate  weig hted Pa reto optimal la yer are different in di ffere nt prefe r en ce s ci rcum st an ce s.  Figu re 3  is   ) ( ) ( po co E Mep AF Mep  Pareto  cu rve ,  the curve  re flects th e feat ure s  of l e ft sp arse a nd  righ t den se   based on  ) ( po E Mep  p r eferen ce.  Fig u re  5(c) i s   ) ( ) ( po co E Mep AF Mep   Pareto  cu rve,  it showed  more o b viou s feature of  left sparse a nd right  de n s e, wh en it is more prefe rre d obje c tive   function   ) ( po E Mep . We ighted Pa reto  method  can  obtain a p p r ox imate Pareto  optimal  soluti on in  different preferen ce s to m eet the need s of decisi on  make r.             Figure 2. The  Pareto Opti mal Front in  Multi- objec tive Optimiz a tion(A)  Figure 3. The  Pareto Opti mal Front in  Multi- objec tive Optimiz a tion(B)      These g r ap h s  sho w  very  clea r  sepa ration of Pare to fronts  obt ained  usi ng  different  prefe r en ce s. It perform s well on the  co nverge nc e a nd the diversity. The traditional meth od s  0 . 70 0 . 7 5 0. 80 0. 85 0 . 90 0. 95 0 0 . 70 0 . 7 5 0. 80 0. 85 0 . 90 0. 95 0 0 . 028 0 . 030 0 . 032 0 . 034 0 . 036 0 . 038 0 . 040 (E po ) M ep Me p ( A F co ) )) ( ( )) ( ( po co E Me p f AF Me p f 0 . 70 0. 7 5 0 . 80 0. 8 5 0 . 90 0. 9 5 0 0. 0 2 8 0. 0 3 0 0. 0 3 2 0. 0 3 4 0. 0 3 6 0. 0 3 8 0. 0 4 0 (E po ) Me p Me p ( A F co ) )) ( ( )) ( ( po co E Me p f AF Me p f < Output cu rves  (Ti m e)   0  2  4  6  8  10 12 14 16 18 20 22  24  PWT  0 2 3 0 1 1 2 4 8 6 4 0  0  PPV  0 0 0 0 0 5 6 5 4 3 0 0  0  PFC   10 10 10 10 10 10 10 10 10 10 10 10  10  PMT  30 30 25 28 30 30 30 30 30 30 30 30  30  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 12, Dece mb er 201 3:  722 2 – 7229   7228 solve the  mul t i-obje c tive a  probl em i s  to  transl a te the  vector  of obje c tives into  on e obje c tive b y   averagi ng th e obje c tives  with a wei g h t  vector. The  most profo u nd dra w b a ck of traditional  algorith m s  i s  their sen s itivity  to ward s  we ights o r  de m and level s . T h is di scu ssi o n  su gge sts th at  the cl assi cal  method s to  the p r obl em s  of MG   co ntro l optimization  model  a r e i n adeq uate  an d  inco nvenient to  use.         Figure 4. The  Pareto Opti mal Front in  Multi-obj ectiv e  Optimizatio n (C)      Table 3 Com pare a nd an a l ysis of different  prefe r en ces ap proxim a t e weighte d  Pareto  optimal laye r. The  pro g ra ms  of lo w  carbo n  di sp atch  are  de sig ned  as L C DP1 (4 0%, 60 %),  LCDP2 (2 5%, 75%), LCDP 3 (0, 100%),  EWD (equ al weig hts di spa t ch).                                                                                                                                       Table 3. The  Thre e Prog ra ms Of Lo w Carbo n  Di spat ch    EWD  LCDP1   LCDP2   LCDP3   Mep (AFC o )   5.7%   5.6%   5.8%   5.7%   Mep(Epo)   85%  81%   79%  73%              It shows that Low-ca r bo n  powe r  sche duling st rate gy can also redu ce the li ne loss,  redu cin g  emi ssi on s from four indi cato rs in Table 3.  Compa r ed  with equal  weight strate gy,  carbon powe r   sche duling policy  redu ce s greater  extent to redu ce   emission s, b u t the co st of  power g ene ration in cre a ses  slightly. The re sult s ob tained u s ing  our p r o posed  techni que t o   minimize the  total co st and  total emissio n s  were  com pare d  with  so me co nventio nal strategie s   of s e ttings .        6.  Conclusi on  This p ape r  pre s ent s a  gene ral fram ewo r k  fo r th e co ntrol of  distrib u ted  energy  resou r ces o r g anized in Microg rid s . A agent is in com m unication wi th other age n t s by passing  a  messag e. Me ssage  re ceiv ed a r e h andl ed by the  m e ssage i n terp reter of a n  ag ent, the age n t s  have the  abil i ty to dynamically mo del  communi ty ba sed  on  negot iation in the   orga nizationa l  model of com putation with  observe its e n vir onm ent a nd exch ang e  messag e am ong the a gent s.    The formul ation of the MG cont rol m odel and  fu zzy prefe r en ces evolution a r y algorithm  is  prop osed to  re solve  the  problem.  T he  simulatio n  results  sh ow th at the  app ro ach   can   signifi cantly improve p e rfo r man c e a nd a dapt we ll to the ch ang es o f  dynamic en vironme n ts.       Ackn o w l e dg ement  This  wo rk  wa s supp orted i n  part by the  Ke y Project  of the Nation al Natu re Sci e n c e   Found ation o f  China  (No.  6053 4020 ). T h is  work  wa s sup p o r ted b y  a gra n t fro m  the Nation al  High T e chn o logy Re se a r ch  and  De velopment   P r og ram  of Chin a  (8 63 Program) (No.  2012AA0 401 04). A Proje c t  Suppo rted b y  Scientific Re se arch F und  of Jilin Provi n cial Ed ucation   0 . 70 0. 75 0. 80 0. 85 0. 90 0. 95 0 0. 028 0. 030 0. 032 0. 034 0. 036 0. 038 0. 040 (E po ) Me p Me p (F lo s s ) )) ( ( )) ( ( po lo s s E Me p f F Me p f << Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Optim i zing M u lti-age nt MicroG rid Resou r ce S c he dulin g by Co-E vol u tionary (Su n  Hong bin)    7229 (201 202 68).   A Proje c t Su pporte d by  Scientific  an d Te chn o logi cal Pla nnin g  Proje c t of  Jilin  Province (20 1203 32). A P r oje c t Supp orted by Scie ntific and  Te chn o logi cal Plan ning Proje c t  of   Jilin Provin ce  (2010 056 5).       Referen ces   [1]  Rahm an S, Pipattanas omp o r n  M,  T e klu Y.  Intellig ent Dis tributed Aut o n o mous Pow e r  System  (IDAPS) . IEEE  Po w e r En gin e e r ing Soc i et y  G ener al Meeti n g .  2007:1-8.   [2]  Khoday ar ME, Barati  M, Sh a h id ehp our  M. Integrati o n  of  Hig h  R e li abi lit y Distrib utio n S y stem  i n   Microgri d  Oper ation.  IEEE Transactions on S m art Grid . 20 1 2 ; 3(4): 199 7-2 006.    [3]  Sortomme E, Venkata SS,  Mitra J. Microgrid  Protecti on  Using C o mm unic a tion-Ass i s t ed Dig ital   Rela ys.  IEEE Transactions on Power Deliv ery . 2010; 25( 4): 2789- 279 6.   [4]  McArthur SDJ, Davidson EM, Catterson VM . Multi-a g ent s y stems f o r po w e r  en g i ne erin g  app licati ons Pa rt I: concepts,  appr oac h e s, a nd tech nica l ch alle ng es.  IEEE Transactions  on Power   System . 20 07; 22(4): 17 43- 17 52.   [5]  Mait y  I, Ra o  S. Simulatio n  and Pric in g Mecha n ism A nal ysis  of a  Solar-P o w er ed  Electrical   Microgri d .  IEEE System s Journal . 20 10; 4 (3 ): 275-28 4.  [6]  Mishra S,  Mal l e sham  G, Jha   AN. Desi gn  of  cont rol l er  an d  communic a tio n  for freq ue nc y r egu latio n   of a smart microgri d .  Institution of Engin eer in g and T e ch no l ogy . 201 2; 6(4) : 248-25 8.  [7]  Srinivas an D,  Chaz elas J.  A  priority list-b a s ed evo l uti ona ry algor ith m  to solve lar ge s c ale u n it   commitment pr obl e m . IEEE In ternational Conference  on Pow e rCon. 2004: 1746-1751.   [8]  Che ng CP, Li u  CW , Liu CC. Unit commitme n t b y   Lagr an gi an rel a xati on a nd g enetic  alg o rithms .   IEEE Transactions on Power  System . 20 00; 30(2): 70 7– 714 .  [9]  Hern and ez-Ara mburo  CA , Gr een  T C , Mugni ot N.  F uel  co n s umptio n mi ni mizatio n  of  a  microgri d .  IEEE Transactions on Industr y Applic ations .  200 5; 41(3): 67 3-68 1   [10]  Nag a ta T ,  Oh ono M, Kub o k a w a  J.  A mu lti - age nt appr oa ch to unit co mmit me nt prob le ms . IEEE  Po w e r En gin e e r ing Soc i et y  W i nter Meetin g. 2 002: 64 –6 9.  [11]  Jing  Y, Jia n zh o ng Z ,  Bi n H,  R ongta o   L. Opti mal sh ort-term  gen eratio n sc h edu lin g  w i t h  m u lti-a gent  s y stem u n d e r  a der eg ulate d  po w e r mar k et.  IEEE International Jour nal of  Com p utational  Cog n itio n . 200 5: 61–6 5.   [12]  Moham ed F ,   Koivo H.  System Mo del li ng  and Onl i ne O p timal Man a g e m e n t of MicroGrid w i th  Battery Storage . 6th Intern ati ona l Co nfere n c e on  Re ne w a ble E ner gies  a nd Po w e r Qu al it y .  2 007:   26– 28   [13]  Sun HB, Di ng  YS.  T he Evolution a r y  St abi li t y   Affected b y  F l o w   of Ener g y  i n  the Bi o- Net w ork   Architecture.  N euroc o m puti n g . 2008; 72:1 62- 169   [14]  Corne DW, Jerram NR, Kno w les JD.  PESA-II: Region based select ion in evolutionar y   mu ltio bjectiv e  opti m i z a t i on.  Procee din g s  of the Ge netic  a nd E v oluti onar y  C o mputati on  Confer ence. 2 001: 28 3-2 90.   [15] Deb K, Pratap  A, Agra w a l S.   A fast and elitist multi - objec tive genetic algorithm: NSGA-II,  IEEE   T r ansactio n s o n  Evoluti o n a ry Co mp utation .  200 2; 6(2): 182 -197.   [16]  Eppe S, Lo pez -I banez M, Stu t zle T .   An experi m ent al stud y of pref erenc e mode l inte gr ation i n t o   mu lti-ob jectiv e  optimi z a t i on  heur istics.  IEEE Conference on Evolutio nar y  Computation. 2011:  275 1 -27 58.   [17]  Lakshm i  R, B h arathi  SG. PS O base d  Optim a l P o w e r  F l o w   w i t h  H y b r i d  D i s t ributed  Gen e r a tors a nd  UPFC PDF.  TELKOMNIKA Indo nesi an Jo u r nal of Electric al Eng i ne eri n g .  2012; 1 0 (3): 4 09-4 18.   Evaluation Warning : The document was created with Spire.PDF for Python.