TELKOM NIKA , Vol. 13, No. 4, Dece mb er 201 5, pp. 1187 ~1 193   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v13i4.3166    1187      Re cei v ed  De cem ber 2 3 , 2014; Re vi sed  Jan uar y 29, 2 015; Accepte d  March 12, 2 015   Comparing Performances of Evolutionary Algorithms  on the Emission Dispatch and Economic Dispatch  Problem      AN Afa ndi 1 , Irham Fadlik a 2 , Andoko 3   1,2 Electrical En gin eeri ng, Un iv ersitas Ne geri  Mala ng, Jl . Semarang 5, Building  G4, Malang, Ja w a  T i mur,  Indon esi a   3 F a cult y  Memb er of Engin eer i ng, Univ ersitas  Neger i Mala ng , Jl. Semarang  5, Build ing H 5 , Mala ng, Ja w a   T i mur, Indones ia   e-mail: an.afa nd i @ u m .a c.id 1 , an.afan di@ i e e e .org 1 , irh a m.el ektro.um@gm a il.com 2 , andoko.ft@um.ac.id 3       A b st r a ct   Evoluti onary methods do mi na te  in  the co mputatio n for br eaki ng o u t the  real pro b l e ms . F o r a   coup le of ye ar s, it is more p o pul ar  than cl as sical  meth ods f o r solvi ng  ma n y  cases. T e chn i cally, o ne of r eal  prob le ms  is th e e m iss i o n  d i s patch  and  ec o n o m ic  dis patch  (EDED)  prob l e m. T h e ED ED  pro b le m  is  us ed to  opti m i z e  the  p o w e r syste m  o perati on (PSO)  at a  certa i n  ti me  u nder  so me co nstraints.  This p aper  pr e s ent s   perfor m a n ce c o mparis on  bet w een Harv est  Seaso n  Arti fici al Be e C o lo ny  (HSABC) a nd  Genetic Al gor ithms   on the E D ED problem   applied to t he IEEE-62 bus system . Sim u lation res u lt s show that the tested methods  have d i fferenc e character i stic s and ab iliti e s for  opti m i z i n g th e PSO based o n  the EDED pr obl e m .     Ke y w ords : ec onomic dispatch, em iss i on dispatch, genet ic algorit hm , HSABC algorithm ,  power system  oper ation      Copy right  ©  2015 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  At present years, many im porta nt decision s  are m ade from de scribin g  the optimal  solutio n  for measuri ng the real probl e m  of  t he real operation ba sed on de sirable solutio n s  to   meet operational co nst r ai nts while ex isting in  the  certain con d ition. In particula r ,  man y   mathemati c al  and o p timization techniq ues  hav e b e en propo se d  to solve the  probl em s a nd  several  p r evi ous wo rks ha ve  been su ccessfully  appl i ed to  carry o u t real  proble m s [1], [2], [3].  Other  studie s  have al so  repo rted m any tec hni q ues fo r obt aining the o p timal soluti on  categ o ri zed i n to cla ssi cal  method s and  evolutiona ry method s [4], [5], [6],  [7],  [8], [9].  In general,   evolutiona ry method s are  con s iste d of many  algori t hms ba se d on natu r al e n tity behaviors  whi c h a r e ad opted a s  opti m ization m e thod s for imp r oving pe rform ances of  cla s sical tech niqu es.   More over , e v olutionary  method s do minate in  computation s  for determi ning sol u tion s of  optimizatio n probl em s on  many application s  with  various the m es.  The s e  methods a r e   comm only de veloped a s  an intelligent computation fo r sea r ching the optimal so lution usin g an  optimizatio n tech niqu e in multiple co nst r aints.    For a  co uple  of years, g e n e tic alg o rithm  (GA)  i s  mo re pop ular th a n  other  algo ri thm in  the impleme n t ation of evolutionary met hod s in ma n y  variants a s  pre s ente d  in  many previo us  studie s . In p r i n cipl es, thi s   algorith m  ha s been  inspire d  by a p hen o m enon  of a n a tural  evolution  and many p r e v ious works h a ve use d  to carry out  optim ization p r obl e m s appli ed  to  solve  man y    topics. Its proced ure s  for selectin g the optimal  solutio n  are perfo rm ed by several  steps cove re d   popul ation, natural sele ction, cro s sove r ,  and mutation.  In  detail,    prin ciple s   an d  procedu re s  of    GA   are di scu s sed  clea rl y in literatures [3], [ 10], [1 1], [12]. Rec e ntly , the lates t  variant  of   evolutiona ry method s is harvest se aso n  artifi cial bee colony (HS ABC) algorith m  promoted i n   2013.  Thi s  al gorithm i s   co mposed u s in g bee b ehav i ours an d the  harve st se ason situ ation,  and   its function i s  discussed cl early  as the  computing abilit y in [13].  Re cently , the  applicatio n of evolutiona ry  algorithm s to the power syste m  operatio n   (PSO) is m o re popul ar tha n  cla ssi cal m e thod s for b r inging o u t technical pro b le ms. One of t h e   most imp o rta n t com b ined   probl em s is t he emi ssi on disp atch and   eco nomi c   di spat ch (EDE D)  probl em fo r searchin g an   optimal bal an ce in th e a cceptable  econ omic  ope ratio n  with va riou s  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  118 7 – 1193   1188   techni cal  co n s traint s a nd  condition al limi t s. In these st udie s , this p r oblem i s  u s e d  for  com pari ng  GA  and HSA B C on both  perfo rman ce s through out the com putin g ability whil e sea r ching t he  optimal sol u tion und er vari ous  con s trai n t s and limitations.       2. Genetic a nd Harv est Season  Arti fic i al Bee Colo n y  Algorithms  As me ntione d befo r e, int e lligent  com p utations  are  con s i s ted of  ev olutiona ry method s  comp osed u s ing a p opul ation ba se d alg o rithm. Many  method s hav e bee n intro d uce d  to attem p t  the natural p henom eno n for creating va riou s evol utio nary algo rith ms and it has been su cce s sful  applie d to th e optimizatio n pro b lem s   [2], [3], [4] ,  [8],  [10], [14], [15]. Spec ific ally , for the las t  ten   years, the m o st pop ular  of ev olutiona ry algorithm s is GA  inspi r ed by a phe nomen on of the  natural  evolut ion. GA’ s  p r o c ed ure s  fo r  selectin g the   optimal  soluti on a r e  pe rformed  by seve ral  step s, su ch a s , popul ation;  natural  sele ction;  cro s so ver; and mut a tion, as di scussed  clea rly  in   [3], [10], [15]. Many previo us  wo rks h a ve used GA fo r solving o p ti mization  prob lems  of the P S O  and thi s   alg o rithm  ha s  been  ap plied  to  solve v a riou s topics of di spat ch ing p o wers  for  determi ning  the o p timal  so lution a nd fo r sche duling  p o we r o u tputs  of gen eratin g  units. In  deta il,  prin ciple s  an d pro c ed ure s  of GA are clearly disc u ssed in literatures [3],  [10],  [ 16], [15]. Thes e  studie s  are condu cted to those  previo u s  wo rks for G A ’s pr in cipl es and hierarchi e s.   In partic ular,  HSABC algorithm  was   propo s e d on  Marc h  2013  after developing and  in tr o d u c i ng  ea r l y its  s t r u c t u r es  in  2 0 12 b a s ed  on the harve st season situ ation co nsi s ted  of  bloomin g flowers i n  its are a  and bee’ s be haviors whil e sea r ching fo r foods. In deta il, flowers  are   expre s sed  u s ing  multiple  food  source s  relate d  to  the first food  so urce  an d  the  other fo od   sou r ces. E a ch food  so urce is l o cated  randomly  at a  ce rtain  po sition u s ing  a  h a rvest  ope rat o r  [13], [17]. In princ i ple, the s equenc i ng computation of  HSABC  algorithm is dis t ributed into  several  pro c e s ses to  sel e ct  the  optimal  solution  as foll owin g o r de rs  as  ado pted  in  these  studi e s   [5], [14]:     Gene rating  p opulatio n: create initial p opulat io n set s , evaluate i n itial popul ation sets, an d   define the po pulation.      Food so urce   exploratio n: prod uce  the first  food  so u r ce,  pro d u c e  the othe r fo od sou r ce s,  evaluate the  multiple food sour ces, apply the greed y process, and calc ulate t he probability   value.    Food  sele ctio n: prod uce a  new fo od, p r odu ce n e ighb or food s, eval uate food s, a nd ap ply the   gree dy pro c e ss.      Abando ned   repla c eme n t: determi ne an   aba ndo ned   food, repla c e  with  a   ne w ra ndomly  o ne,   and mem o ri ze the food.      3. Emission  Dispa t ch an d Economic Dispa t ch   In gen eral, th e PSO i s  st ru cture d  u s in g  variou s p a rt s  and  equip m e n ts for e s tabli s hin g  an   integrate d  sy stem to deliver ele c tric e n e rgy fr om ge neratin g we b s  to usag e areas un de r ce rtain  operational  constraints wit h  the  di strib u t ed o w n  po we r con s umptio n. Techni call y, this ope rati on  sho u ld be p r ovided in re a s on able bu dg ets for a ll pro c e s ses in 24  hours of the operating pe riod  force d  in  envi r onm ental  re quire ment s [1 4]. Re cently, the e n viron m e n t prote c tion  i s   con s id ere d   in  the PSO to  redu ce  polluta nt produ ction s  at  ther mal  power plant s  discha rge d  in  vario u s pa rticl e s  and ga sse s , like CO, CO 2 , S O x  and NO x   [2],  [3], [12],  [14], [15],  [18]. To c o ver t hese problems ,   the PSO con s ide r s fina nci a l and environmental  a s pect s  for se arching the  balan ce de ci sio n   betwe en e m issi on di sp atch and  econo mic di sp atch   with its  different o r ientati on tro ugh out  the   EDED fo rmul ation a s   singl e obj ective fu nction  for  det ermini ng the   optimal  soluti on a nd pl otting a   committed  schedul e of gen erating u n it outputs.   Basically, the  EDED is  ad dre s sed to  m i nimize  the to tal fuel  cost i n clu ded th e  pollutant   redu ction  wit h  con s id erin g seve ral lim itations  for t he PSO. Moreove r , the EDED p r obl e m  is  comp osed u s ing   pe nalty and com p ro mised   facto r s  fo r combi n g  finan cial   a nd  e n viron m enta l   asp e ct s. The  penalty fact or i s  u s ed t o  sh ows  the  coeffici ent rate of ea ch  gene rating.  Th e   comp romi se d  factor sh ows the cont rib u tion of  pollutants and  costs in the  comp utation.  In   addition, eco nomic di sp atch; emissio n  dis pat ch; and the EDED pro b lem  are form ed  in  expre ssi on (1 ); (2); an d (3 ).    Econo mic di spatch:  F  ∑ c b .P a .P ,          ( 1 )   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Com pari ng Perform a n c e s  of Evolutiona ry Al gorithm s  on the Em issi on Di spat ch  … (AN Afandi )  1189 Emissi on di spatch:  E ∑ γ β .P α .P   ,       ( 2 )     EDED proble m :  w . F  1 w .h . E ,       ( 3 )     whe r e P i  is a  output po we r of i th  generat ing unit (M W), a i ; b i ; c i  are fuel co st co efficients  of i th  generating unit, F tc  is a total fuel cost ($/h ), ng  is num ber  of gene rating  u n it,  α i ;  β i ;  i  are   emission  coef ficients of i th  g enerating  unit ,  E t  is a t o tal  emission  (kg/ h),   i s  the E D ED  ($/h ), w   is   a comp romi sed facto r , and  h is a penalt y  factor.      4. Teste d  Sy stem and Pr ocedur es   To compare  performances of  GA and  HSABC, desi gned prog rams of both  al gorithm s  are  appli ed t o  a  stan da rd  model f r om  Institution  of Electri c al and   Electroni cs Enginee rs  (IE EE).  IEEE’s models are often  adopted as  sample  sy stems for  simul a ting many problems.  These  stand ard m o dels a r e al so  useful an d effective to  test related prob lems of the PSO beca u se of  available  pro v ided techni cal data. In  p a rticul ar, m a ny pro b lem s   of the PSO  are  app roa c h ed  usin g the s e  standard mo d e ls in  ord e r t o  kn ow  ch aracteri stic; p e rforman c e s ; a nd re sult s of  the   problems .  In thes e  s t udi es, the IEEE-62 bus  s y s t em is   s e lec t ed as a tes t ed s y s t em for both  algorith m s.       Table 1. Fuel  Co st and Emi ssi on Coeffici ents of Gen e rators  Bus G e n   a, x10 - 3   ($/MW h 2 )  b  ($/MW h )   c  α   (k g/MW h 2 )  β   (kg/MWh)     1 G1   7.00  6.80  95  0.0180   -1.8100   24.300   2 G2   5.50  4.00  30  0.0330   -2.5000   27.023   5 G3   5.50  4.00  45  0.0330   -2.5000   27.023   9 G4   2.50  0.85  10  0.0136   -1.3000   22.070   14 G5   6.00  4.60  20  0.0180   -1.8100   24.300   17 G6   5.50  4.00  90  0.0330   -2.5000   27.023   23 G7   6.50  4.70  42  0.0126   -1.3600   23.040   25 G8   7.50  5.00  46  0.0360   -3.0000   29.030   32 G9   8.50  6.00  55  0.0400   -3.2000   27.050   33 G10   2.00  0.50  58  0.0136   -1.3000   22.070   34 G11   4.50  1.60  65  0.0139   -1.2500   23.010   37 G12   2.50  0.85  78  0.0121   -1.2700   21.090   49 G13   5.00  1.80  75  0.0180   -1.8100   24.300   50 G14   4.50  1.60  85  0.0140   -1.2000   23.060   51 G15   6.50  4.70  80  0.0360   -3.0000   29.000   52 G16   4.50  1.40  90  0.0139   -1.2500   23.010   54 G17   2.50  0.85  10  0.0136   -1.3000   22.070   57 G18   4.50  1.60  25  0.0180   -1.8100   24.300   58 G19   8.00  5.50  90  0.0400   -3.000   27.010       In these studi e s, the IEEE-62  bus  system is adopted  as a  sample model of  the PSO  for  compari ng ability of GA and HSABC. In  detail, this  system  is devel oped usin g 19 generators, 62  buses  and 8 9  line s . One  line diag ram  of the IEEE -62 b u s  syst em is  sho w n  in Figure 2.  Its  gene rating   coefficient s a r e liste d in  Ta ble 1  for f uel  co nsumptio n s  a n d  polluta nt produ ction s  of   19 units.   Main p r o c ed ure s  of  simu lations fo r  p e rformi ng  G A  and  HSA B C a r e d e scrib ed  by  followin g  expl anation s  a s  ill ustrate d  in  Figure  1. The  first  step i s   an   EDED fo rmat ion con s ide r e d   emission  and  eco nomi c  a s pe cts i n  si n g le obj ecti ve  function. T h e  se con d  ste p  is an  algo rithm  comp ositio n f o r b o th evol utionary  met hod s  con s tr u c ted  by its  p a ram e ters. T he third  step  is  prog ram m ing  developme n t s for all co mputing proc esse s asso ci ated with ref e ren c e s  for the  tes t ed algorit h ms  [3], [5], [ 10], [14], [15].           Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  118 7 – 1193   1190       Figure 1. Sequen cing p r o c edures fo r the comp ari s o n           Figure 2. One-line diagram of IEEE-62 bus  s y s t em      In these  sim u lation s, ope rational con s traints a r e al so use d  to pu t desired sol u tions in  the fea s ible   rang es of th e PSO. In  d e tail, ope rati onal  co nst r ai nts a r e  defin ed in    5%  of  maximum an d minimum li mits of fluctuated vo ltage s; 90% of the maximum power tra n sf er  capability on transmission lines; an  equality of  total powers bet ween  generating units, power  losse s , and   load s; maxi mum an d m i nimum p o wer limits of  gene rating  u n its; 15%  of the  maximum total power lo ss;  and the emission  stand ard .       5. Results a nd Discu ssi on  These wo rks  are ad dresse d to  obtain the optimal sol u tion of  the PSO throug h the EDED  solved using  HSABC and  GA. These si mulations  are also used to compare its  ability based  on  the EDED. T o  demonst rat e  GA and  HSABC, thes e simulations  have considered 2,912 M W  of   the power d e m and; 0.5 of  the com p ro mi sed fa ctor ; 0. 85 kg/M Wh o f  the emissi o n  stand ard; the   domina n t pe n a lty factor.   F o r  exe c utin g desi gne d  p r o g ram s  of  HS ABC,  this alg o rithm ha s  b een  applie d to sol v e the EDED using th e co lony size=  50 ; food sou r ce s= 2 5 ; and 2 00 of foragi n g   Tech nical  para m eters  Environme n tal  requi rem ents  EDED  probl em   HSABC  GA  Re sults   Nume ri cal  c o mpa r is on  Grap hical  comp ari s o n   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Com pari ng Perform a n c e s  of Evolutiona ry Al gorithm s  on the Em issi on Di spat ch  … (AN Afandi )  1191 cycle s . Ea ch  pro c e s s of G A  has  co nsi d ered  its  p r o c e dure s  and hie r archi e s as di scusse d  cl ea rly  in several ref e ren c e s  [2], [10], [11].  In these simul a tions, GA ha s been al so im plemente d  using  its  qu alified p a ram e ters co vered pop ulat ion;  natu r al  selectio n; cro s sover;  mutati on; an d oth e rs.  In detail, ma in paramete r s of GA h a v e use d   po p u lation = 50;  natural sele ction =  roulett e ;  cro s sove r=  scattere d; mutation= G a u s sian; and maxi mum gen erati on= 2 00.   In parti cula r,  nume r ical results a r e  provi ded  in  Ta ble  2. Performan c e s  of the  E D ED  are   also present ed graphicall y in Fi gure 3 and Figure  4. These fi gures illustrate  performances in  terms of  co n v ergen ce sp e eds and  time   con s um pt ion s .  Figu re  3 shows conve r gen ce spe e d s   of  use d  intellig e n t com putati ons for t w o t y pes  of  evol utionary algo rithms  a s soci ated with  ea ch   sele ction  fo r obtainin g   the optimal soluti on  from   avail able  can d idat e sol u tion s in  the po pulatio n.  This figu re ill ustrate s  p r og ressin g optim al solutio n s o f  the EDED probl em com puted u s ing  GA   and HSABC for 200 cycles. By considering all  param eters and operation al constrai nts for  solving  the  problem,  optim al solution s  o f  the EDE D   h a ve be en  initialed  at differe nt point s  befo r e  leveling at th e optimal  sol u tion a s   sho w n i n  Fig u re   3 with  the fa stest is HSAB C. In a ddition , the  executio n of desi gne d pro g ram s  for e a c h alg o rithm  has  con s u m e d  a ce rtain time to com p le te all  comp utation s  whil e o b taini ng the  o p timal solution  of  the E D ED with differe nt chara c te risti c s a s   given in Fi gu re 4. In total,  both time  consumpt ion s   are li sted i n   Table  2 with  the shorte st  is  HSABC. According to this table, the optimal so l u tion of the EDED is  settled  at 11,585.13  $/h  with different  budg eting fee s  for polluta nts and fuel s.           Figure 3. Con v ergen ce  spe eds of EDE D ’ s  co mputatio ns          Figure 4. Time con s um ptio ns of EDED’ s  computatio n s   11, 450 11, 500 11, 550 11, 600 11, 650 11, 700 11, 750 11, 800 1 2 1 4 1 6 1 8 1 101 121 141 161 181 EDED ($ /h ) For a ging cy cle GA HSABC 0. 00 0. 01 0. 02 0. 03 0. 04 0. 05 0. 06 0. 07 1 2 1 4 1 6 1 8 1 101 121 141 161 181 Tim e  (m in ) For a ging cy cle GA HSABC Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  118 7 – 1193   1192   Table 2. Co m puting Perfo r mances  Subjects  G A   HSABC  Subjects   G A   HSABC  Fuels ($/h)   8,547.47   8,192.53   Range ($ /h)   176.66   72.41   Pollutants ($/h)   3,037.66   3,392.60   Optimal c y cle  104  11  EDED ($/h )   11,585.13   11,585.13   Optimal time (min)   3.04  0.21  Start point ($/ h )   11,761.85   11,657.60   Total time (min)   6.40  5.32      Table 3. Power and Poll utant Perform a nce s   Units  Powers (MW)   Pollutant (kg/h)   G A  HSABC  G A   HSABC  G1  140.24   105.75   124.48   34.18   G2  168.18   305.14   540  2,336.86   G3  258.16   380.22   1,580.89  3,847.27   G4  91.89   91.89   17.45   17.45   G5  140.48   146.48   125.25   145.39   G6  161.14   252.25   481.06   1,496.22   G7  145.27   108.62   91.37   23.97   G8  190.16   195.10   760.34   814.08   G9  357.32   119.92   3,990.73   218.55   G10  91.89   91.89   17.45   17.45   G11  110.22   147.94   54.11   142.30   G12  130.1   105.35   60.67   21.58   G13  281.01   220.83   937.08   502.41   G14  115.13   113.14   70.46   66.50   G15  340.31   399.78   3,177.35   4,583.36   G16  121.26   80.13   75.82   12.10   G17  91.89   91.89   17.45   17.45   G18  237.13   153.7   607.23   171.33   G19  130.47   94.84   316.52   102.30   Total 3,302.25   3,204.88   13,045.71   14,570.74       Table 4. Co st  Performa nce s   Units  T o tal costs ( $ /hr )   F uel costs ( $ /h)  Emission co sts ( $ /h)  G A   HSABC G A  HSABC  G A   HSABC  G1   1,244.27  908.30  1,186.30   892.38   57.97   15.92   G2  1,109.79   2,850.97   858.31   1,762.69   251.48   1,088.28   G3   2,180.38   4,152.70  1,444.16  2,361.03   736.22   1,791.67   G4   117.35   117.35  109.22  109.22   8.13  8.13  G5   842.95   890.27  784.62  822.56   58.33  67.71   G6  1,101.41   2,145.77   877.38   1,448.98   224.03   696.79   G7   904.46   640.37  861.91  629.18   42.55  11.16   G8   1,622.30   1,685.12  1,268.01  1,306.01   354.29   379.11   G9   5,142.66  998.55  3,284.18   896.77   1,858.48   101.78   G10   128.96   128.96  120.83  120.83   8.13  8.13  G11   321.35   466.45  296.03  400.18   25.32  66.27   G12   259.16   205.34  230.91  195.29   28.25  10.05   G13   1,412.01   950.31  975.61  716.34   436.4   233.97   G14   361.65   354.60  328.84  323.63   32.81  30.97   G15   3,911.95   5,132.31  2,432.26  2,997.84   1,479.69   2,134.47   G16   361.24   236.71  325.93  231.08   35.31   5.63  G17   117.35   117.35  109.22  109.22   8.13  8.13  G18   940.22   457.02  657.43  377.23   282.79   79.79   G19   1,091.19   731.25  943.79  683.61   147.4  47.64   Total  23,170.65   23,170.65  17,094.94  16,385.05   6,075.71  6,785.60       Based o n  the  EDED probl em, final results for sch e duling g ene rating units of  the PSO   are lis t ed in  Table  3, which  have been  optimiz ed us ing GA  and  HSABC. This table  s h ows   real  con d ition s  of  gene rating  u n its to  com p o s e th e  commi tted po wer o u tput con s ide r ing  2,912  M W .  As listed in th is table, ba se d on the co m b inati on of ge neratin g units for the PSO con s id ere d  the  minimum tota l operating co st, it is kno w n  that so me g e neratin g unit s  are op erated  in fixed powe r   outputs. To  make th e un it commitme n t, generatin g units p r od uce diffe rent  individual p o we r  outputs. Mo reover, some  gene rating  units a r e o p erated i n  th e sam e  cap a citie s  for b o th  algorith m s. By discha r gi ng  pollutant emi ssi on s wh ile  prod uci ng po wer o u tputs t o  meet the total  power dem a nd, gene ratin g  units have  used comp ens ation fee s  as liste d in Table 4. These   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Com pari ng Perform a n c e s  of Evolutiona ry Al gorithm s  on the Em issi on Di spat ch  … (AN Afandi )  1193 payments ha ve been  co n s ide r ed i n  th e PSO. Acco rding to  the s e table s , it is indi cate d that  gene rating  u n its u s e  vario u s  payment s  for p r od uc i n g  po wer outp u ts. Rega rdin g  in combin atio ns  of powe r  outp u ts, gene ratin g  units have  been o per ate d  usin g different budg ets.  Focu se d on t he  total ope ratin g  cost, it h a s bee n o p timized  e c on omi c ally in  23,1 7 0.65 $/h  dete r mine d by  bo th  comp utation s , althoug h it  has spent  different to tal  costs of fuel   con s um ption s  a nd  polluta nt  comp en sat i o n s.        6. Conclusio n   This  paper compares  GA and HSABC while  solving  the EDED  usi ng IEEE-62 bus as a  sampl e  sy st e m .   Obt a ine d  res u lt s sh ow  t hat   bot h  al g o rithm s  h a ve  different  ch a r acte ri stics a n d   perfo rman ce s for the EDED pro b lem. Its co nver g e n c e spee ds a r e  smooth an d quick to sele ct  optimal sol u tions. Focused on the soluti on quality  and the comput ational efficiency, HSABC has  sea r ched fo r  the optimal solution in the  fastest  spee d and the  sh ortest time. Numeri cally, b o th   algorith m s h a v e produ ce d simila r re sults.      Referen ces   [1]    Mian  Xin g , Li n g  ji,  Baiti ng  Xu. Multi p le  Ob je ctive  Optimiz a tions  for En e r g y  Ma nag em ent S y stem   und er Uncerta i nties.  Te l k om nika . 2013; 1 1 (1 2): 7044- 70 51.   [2]    Yunzh i  Ch eng,  W e ipin g  Xia o , W e i-Jen L ee a nd Min g  Yan g   (200 9).  A New  Appro a ch for  Missions  an d   Security Co nstrain ed Eco n o m ic Dispatc h . NAPS, IEEE Conferenc e Pub l i c ation. Starkvil l e . 2009: 1- 5.  [3]    R Gopal akrish nan, A Krishn an. A Novel  Co mbi n e d  Econom ic and E m ission D i sp atch Probl e m   Solvi ng  T e chni que usi ng Non - domin ated  Ra nked G enetic   Algorit hm.  Eur ope an J our nal  of Scie ntifi c   Research.  20 1 1 ; 64(1): 14 1-1 51.   [4]    K Sathish Kum a r, V  T a milselv an, N Murali,  R Rajar a m, N Shanm ug a Su ndar am and T   Ja yab a rathi.  Econom ic Loa d Dispatch  w i th Emission  Cons tra i nts u s ing Vari ous  PSO Algorith m .  WSEAS   T r ansactio n  on  Pow e r System . 2008; 9(3): 59 8-60 7.  [5]    AN Afandi. Opt i mal So lutio n  o f  the EPED Problem  C onsi deri ng Spac e Area s of HSABC on  the Po w e r   S y stem Oper ation.  Internati o n a l Jour nal of E ngi neer in g and  T e chnol ogy . 2 015; 7(5): 1 824 -183 0.  [6]    AA El-Kei b, H  Ma, and  JL H a rt. Environm e n tall y  Constra i ned E D  us ing   the La gra ngi an  Rel a xatio n   Method.  IEEE Trans. Power System s .   19 94 ; 9(4): 1723-1 7 29.   [7]    Ahmed F a r ag,  Samir Al-B ai yat, T C  Che n g . Econ omic  Loa d Dis patch  Multio bjectiv e  Optimizatio n   Proced ures us ing Lin ear  Pr o g rammin g   T e chni ques.  IEEE  T r ansactio n s  on Pow e r Syst ems . 199 5;  10(2): 73 1-7 3 8 .   [8]    Z L  Gain g. Part icle s w a rm  opti m izatio n to s o l v ing t he E D  co nsid erin g th e g ener ator co nstraints.  IE EE  T r ans. Pow e r Systems.  20 03 ; 18(3): 118 7-1 195.   [9]    K Cha ndram,  N Subr ahma n y am, M S y dul u. Secant  Met h o d  for Econ omi c  Disp a tch  w i t h  Gener ato r   Constra i nts a n d  T r ansmissio n  Loss e s.  Jour nal  of Electric a l  Eng i n eeri ng  a nd T e ch no logy . 200 8; 3(1):   52-5 9 .  [10]    H Ch ahk an di  Neja d, R  Ja ha ni, M M oham m ad A bad i. G APSO-Based  Econom ic L o a d  Dis patch  o f   Po w e r S y stem.   Australia n Jou r nal of Basic a nd App lie d Sci ences . 20 11; 5 ( 7): 606-6 11.   [11]    Xu eso ng Y an,  W e i Li, W e i  Che n , W enji n g   Luo, C an Z h ang, Qin g h ua  W u . W e ighted  K-Near es t   Neig hb or C l as sificatio n  Al gor ithm Bas ed  o n  Gen e tic Al g o rithm.  Te l k om ni ka . 2 0 1 3 ;  11(1 0 ): 61 73- 617 8.  [12]    Mukesh Garg,  Surender Kumar. A Survey  o n  Enviro n m ental Eco n o m ic Loa d Dis patch usi n g   Lagr ang e Multi p lier M e tho d .  Internati o n a l Jo urna l of Electro n ics & Co mmu nicati on T e ch n o lo gy . 201 2;   3(1): 43-4 6 .  [13]    Arif N Afandi,  Hajim e Mi ya uchi. Improv e d  Arti ficial B e e Col o n y  A l g o rithm Co nsi d erin g Harv est  Seaso n  for C o mputi ng Eco nomic D i spatc h  on Po w e r  S y stem.  T r an saction o n  El ectrical a n d   Electron ic Engi neer ing . 2 014;  9(3): 251- 25 7.  [14]   AN  Afandi.  O p timal Sch e d u ling P o w e r Generati ons us in g HSABC Al g o rith m Co nsid ered a N e w   Pena lty F a ctor  Appr oach .  IEEE Co nfere n c e  o n  Po w e r  E ngi neer in g a n d  R ene w a b l e   Energ y . B a li.  201 4; 13-1 8 .  [15]    Ioann is G Dam ausis, An astasi os G Bakirtzis,   Petros S Dok opo ulos. N e t w ork Co nstrain e d Econ omic   Dispatc h  usin g  Real C ode d Genetic Al gorith m .  IEEE  Trans. Power Systems . 2003; 18( 1): 198- 205.   [16]    Sun Ho ngb in,   T i an Chu ngu ang. Optimizi n g  Mu lti-a gen  MicroGrid Res ource Sch e d u l i ng b y  C o - Evoluti onar y w i th  Preference.  Te lkom n i ka . 20 12; 11(1 2 ): 722 2-72 29.   [17]    AN Afan di, Ha jime Mi ya uc hi.  Solvi ng  Com b in ed Ec on omi c  and  Emissi o n  Dis patch  Us ing  Harvest   Seaso n  Artifici al Be e Co lo n y  Algor ithm Co nsid erin g F o o d  Source P l ac e m ents an d Mo difie d  Rates.   Internatio na l Journ a l on E l ect r ical En gin eeri ng an d Infor m a t ics , 2014; 6(2) ; 266-27 9.  [18]    Yong F u , Mo hamma d Sha h id ehp our, Z u yi  Li. AC  Co nting enc y D i s patch Bas ed  on Sec u ri t y   Constrained Unit Commitment.  IEEE  Transactions on Power System s.  200 6; 21(2): 89 7-9 08.   Evaluation Warning : The document was created with Spire.PDF for Python.