Int ern at i onal  Journ al of Ele ctrical  an d   C om put er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   6 ,  Decem ber   201 9 , p p.   4516~ 4523   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 6 . pp4516 - 45 23          4516       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   А ut o m а t іϲ   ԍ ener а t іo n   c o ntr o l   bas ed  w һ ale   ор tim і zat io n  α l gorithm       Wisam  N aj m   Al - Din  Abed 1 ,  Om ar A.  I mr an 2 , Ibr ah im   S.  F atah 3   1, 3 Depa rt m ent of   Elec tr ic on ic   En gine er ing, Col l e ge  of  Engi n ee rin g,   Univer si t y   of   Di y a la ,   Ir aq   2 Depa rtment of  Chemica l   Engi n ee ring ,   Co ll eg e of  Engi n ee rin g,   Univer sit y   of   Di y a la,  Ir aq       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Feb  7 , 2 01 9   Re vised  Jun   2 4 , 201 9   Accepte d  J ul  4 , 201 9       In   the  desi gn i ng   a nd   operat ion   of   inte rconn ect e d  po wer  syst e m s,  autom at ic - generati on - co ntr ol   (AGC)  re pre sent  an  im po r ta nt  top ic .   AG C  is  respo ns ible  f or  m ain ta inin g  the  ba la nce  bet wee n  ge ne rati on  side  an d  lo ad  side  via  c ontr olli ng   t he  f requen cy   a nd  act ive  pow e r   intercha nge.  A   new   m et aheurist ic   strat egy  is  propose d  in   this  wor k  for  opti m a l  con tr oller  tun i ng  in  AG C  syst e m .  Ԝһ al e  О рti m іz at іоn   Αlgorithm   ( WO A )   is  pro po s ed  f or  op ti m al  tun i ng  of  res et   integral   con t ro ll er.  T  he  pro posed  strat egy  is  us ed  for  opti m a l  AG C  in    two - areas  int e rcon nected - powe r  syst em .   The  pro po s ed  tun i ng   strat egy   is  c om par ed  with   oth e r  new  m et aheurist ic   optim iz at ion   strat egy  te rm ed  as   Ha r m on y  Search  ( HS ) .   T he   two - are a   interco nnect ed   powe r  syst em   are   sim ulate d  ba sed   M ATL A B - too l box .  Fr om   resu lt s  ob ta ine d,  it   is  ob vi ou s   that,   the  syst em   transient  a nd   ste ady - sta te  b e hav i or  a re enh anced   great ly  u nd e r  the sam e conditi ons.   This  is  du e  to  the  us e  of   the  pr op os e d  op ti m iz at ion   te chn iq ue.    The  pr opos e d  te chn iq ue  has  an  ad va nced   a nd   s uperi or   fe at ur e  li ke,  local   opti m u m   av oid i ng,  fa st  co nv e r gen ce   abili ty ,  and  lo wer  searc h  agen ts   an d  it erati on   a re  requi red.  All  m entio ne d  featu res,  m ake  this   strat egy opti m al  f or  var i ou s  optim iz at ion  p r oble m s.   Ke yw or d s :   Au t om atic   generati on   co ntr ol   In te gr al  c on t rol le r   Me ta heu risti c   al gorithm   Ԝһ al e  o рtim іzatі оn   a lg ori thm   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   W i sam  N ajm   Al - Di n Abed ,    Dep a rtem ent o f  Ele ct r on ic ,  C ollege  of Engi neer i ng   Un i ver sit y o f Diy al a,   Ba quba h,   Ir a q.   Em a il : wisa m _alob ai de e@ya hoo. c om       1.   INTROD U CTION   I nter - c onnecte d   m ulti - area  powe r - plants   is   div ide d   i nto   va rio us   c on tr ol - areas.  Tie   li ne s  are  c onnect  t hese  areas  f or  load - s ha rin g   [ 1,   2] .  T he  co nt ro l - a rea  ge ne ra tor s  are   s uppos ed   co her e ntly   gro up i ng.   N orm al l y,   any  powe r  plant  is  sub j ect ed   to  loa d  va riat ion s .  P ow e r  sy stem   fr eq uen c y  sh ould  be  c on sta ntly   m ai ntaine d  (freque ncy  de viati on   s houl d  be  m ai ntained  as  sm al l  as  po s sible)  f or   pro per  operati on.  T he  syst em   act ive   powe r  an d  f re qu e ncy  are  relat ed  beca u se  the  f reque ncy  aff ect ed  by  act ive - powe r  bala ncin g  [ 1] .   The  AG C  i s   respo ns ible  f or  m ai ntaining   the  bala nce  bet ween   gen e rati on   a rea  an d  lo ad  side  at   lowe r  cost.  It  pla ys  an   i m po rtant  r ole   for  fr e que nc y  con tr ol,  eco no m ic   disp at ch,   a nd   act ive   power   i nterc han ge  [ 3] .  Nowd ay s ,  Mult iobject ive  Ev olu ti onary  t echn i qes   a re  use d  to   s olv e   dif f eren t  optim iz ation   pro blem s   [4 - 6] .   Re centl y ,  m any  research e rs   giv e  great   de al   of   at te ntaion  on   se r ving   diff e ren t  m eta - he ur ist ic   op ti m iz ation   al gorithm s.  Thes  al go rithm s  are  us ed  f or  tradit ion al   co ntr ollers  tun i ng   i n  A GC  as  il lustrate d  in   li te ratur e  s urve y.  Ge netic   Algorith m   was  pro po s ed  by  Vik r r a m   et   al .,   [7]   i n   ( 2012 ) .  Om a r  et   al .,   [ 8]   intr oduce   ACO   te ch niqu e  ( 2013 ) .   Sa r r oj  et   al .,   [ 9]   in tro du ce   di ff e re nt  m et a - heu rist ic   op ti m iz ati on  m et ho ds   i n  ( 2014 )  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Аutom аtіϲ  ԍ en erаtіo n  c on tr ol ваѕẹ ԁ  wһ ale  орti mіza ti on  αlg or it hm   ( Wi sam  Najm  Al - Din Abe d )   4517   li ke,   Fire   Fly   (F A ) ,   ( GA ) ,   P arti cl e  Sw a rm   O pti m iz at ion   (PSO ),   …  et c.  i n  ( 2015 )   Ra bindra  et   al .,  [10]  introd uce   a  hy br i d  Fire fly   op tim iz at ion   te ch nique   as  well   introd uce   Patt ern   Searc h  (hF A – PS).  BF OA,  G A  and   Z N   are  use d  f or   com par iso n .  Lak shm i  e t  al .,  [1 1]   intro duce   in   (2 01 6)   the  a lgorit hm  of   F lowe r - Po ll inati on .  M us hta q  et  al. ,  [12] intr oduce   ( P SO )  and  ( HS )  techn i qu e s in  ( 2017 ) .   The  m ajo r  pro blem s  that  faces  the  A GC  c on t ro l  syst em ,  is  the  presence   of   a  prom inent  fr e que ncy   dev ia ti on.  T h i s  dev ia ti on  is  pr ese nted  due  to  the  cha ng i ng  in  the  syst em   load.   I ntegral   reset - co ntr ol le r  is  pro po se d  in  t his  w ork   to  so l ve   this  iss ue.  T hi s  co ntr oller  ha s  the   abili ty   to  set tl e  the  syst em   dev ia ti on   t o  zer o  du e  to  it s i nteg ral act ion w hic h  inc rease t he  s yst e m  ty pe  by 1 .    The  sec ond  pr ob le m   in  the  A GC  co ntr ol  de s ign   is  t he  c hoosi ng   of  ap pro pri at e  op ti m iz ati on  strat egy   for  c on tr oller  tun in g.  I n  thi s  w ork,   ne w  natu re  ins pire d  op ti m iz a ti on   al gorithm   (N IOA)   c al le d  Wh al e   Op ti m iz ation   Algorithm   ( WO A )  is  pro po s ed   f or  c on tr ol le r  tun i ng.  W OA  has   the  c har act erist ic   of  go od  balance  betw een  the  e xplorati on  a nd   exp l oitat ion   ph a ses  ove r   o the r  m et a heurist ic s  al gorithm s.   This  c har act er ist ic   m akes  WOA  e xplore   the  searc h  s pace  ef fecti vel y  with  fast  c onve rg e nce  as   well   a s   avo i ding  entra pp i ng   i n  local   op ti m a.  The  resu lt s  of   the  propose d  tu ning  te chn iq ues  a re  com par ed  with   ot he r   op ti m iz ation   t echn i qu e   cal le d  Har m on y  S earch   ( HS)  to   pro ve  t he  s uperi or it y  featu res  of  the   pro pos e d  strat egy.       2.   MO DEL   OF   SY STE M    Figure  1   il lust rate  the   trans fe re  f un ct io n  m od el   for  the  tw o - a rea  po wer   plant.  T he  in di vidual  areas   include  gove r nor ,  tur bin e  a nd   gen e rato r.   T he   input   sig nal  to  co ntr oller  (∆ P ref ) ,   power   e rror   of  tie - li ne  ( ∆P 12 )   and  loa d  distu r ban ce   (∆ P L )  re pr ese nt  i nd i vidual  area   in puts.  Wh il e  the   f re qu e ncy   of  area   (∆ω )  a nd  the   area   con t ro l  er ror  ( ACE)  re presen t  ind ivid ual  ar ea   ou tp ut   [ 9] .   Fo r  eac h  area  ACE  re pr ese nt   the  con tr oller   inp ut   and it  sho uld   be  r e du ce d  t o  ze ro   [ 12 ] .  ACE  gi ven   by,      = . ( ∆ ) −   ∆ 12   = e(t)     (1)     Wh e re:  B ,  ∆P m ,  ∆P v ,     ,   ,  D   a nd  H  re pr ese nt s  f reque ncy - bi as  pa ram et ers,   m echan ic al   outp ut  powe r  of   tur bin e,   go vernor  ou t put  po wer,  ti m e  con sta nt  of  tu rb i ne,  tim e  con sta nt  of   gove r nor,   dam pin g  pa ram et er  a nd   const ant  of  i ne rtia  r es pecti vely   [ 9 ] .            Figure   1.  Tw o - area c om plete   m od el  w it h  A GC     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   4516   -   4523   4518   3.   Ԝ OA  O VER VIEW    Ԝ OA   im it at e   the  huntin g  pr ocess  to  the  pr ey   of   hu m pb a ck  w hales.  Th e  hunting   proc ess  incu ding   encircli ng,  sear chin g  an d  at ta chin g  the  prey .  It  is  a  no vel  m et a - he ur ist ic   optim i z at ion   al go rithm   us ed  to  so lve   op ti m iz ation   pro blem s.  It  was  introd uced   re centl y  in  2016   by  Lewis  an d  Mi rj al il i   [13] .  A  m on g  o t her   var i ou s   bio - ins pire d  optim iz at ion   te chn i qu e s,  Ԝ OA   hav e  dif fer e nt  su pe rio r  ow n  featur e s.  It  re quire d  low  num ber   of  par am et ers  an d  ha ve  fa st  co nverg e nce  a bili ty   [14] .   Also,  thi s  strat egy  ca n  at ta in  global  optim u m   so luti on  a nd   avo i de  e ntra pping   i n  loc al   op tim u m .  All  m e ntion e d  featu re s  m ake  this  str at egy  can   be   a pp li ed   ef fecti ve ly   in  diff e re nt opti m iz at ion  area   [ 15] .   Kr il l  school  an d  sm a ll - fishes  near   to  the  sur face  represe nt  the  pr e ferred  prey   to  hu m pb a ck  w hales.  The  hu nt  proce ss  sta rt  by  crea ti ng   a  sp eci al   pa th  of   bubble s  li ke  9  sh a pe  or  al ong  a  ci rcle.   These  bubble s  ca n  be  disti nguish  by  hum pb ack   wh al es  only   as   il lustrate   in  Fi gure   2  [16] .   W OA  co ns ist s  of  two  disti nct  phases;  the  fi rst  ph ase   is  the   ex plo it at ion   phase  a nd  t he  sec ond  is  the  e xplo rati on  pha se .  T he   ex plo it at ion  phas e   consi sts  of  pr e y  encircle m ent   an d  the n  bu bble   net   at ta ck.  Wh il e  the  e xplo r at ion  phas e  re pr ese nt  sea rch i ng   the prey  r a ndom ly   [17] .           Figure  2.   H umpb ac k b ubble - net  at ta ck  [18]       3.1.     Expl oitatio n - pha se   3.1.1.   Enci rcl ing p r ey   This ste p  sta rts  b y  recog nize the  pr ey   posit ion   a nd en ci rcli ng the  prey . T he n  the  whale ’s  locati on is  m od ifie d  to wards  best a gen t.   This  process  il lustrate s m at hem at ic ally as:     ⃗ ⃗   = |   . ∗ ⃗ ⃗ ⃗ ⃗   ( ) −   ( ) |   (2)       ( + 1 ) = ∗ ⃗ ⃗ ⃗ ⃗   ( ) −   . ⃗ ⃗     (3)       =  curre nt - it er.   ∗   =   v ect or  f or  be st  po sit io n  s olu ti on .       =   po sit i on   vect or .       =   r andom   vector   betwee n   [ 0,1] .  C      &   A      re pr esent  vectors  of  c oeffici ent   an d ob ta ine d   a s foll ows,       = 2   .   .     (4)       = 2 .     (5)     3.1.2.   Bubble ‐ net  at ta c k b eh avio u r:   Th is st rate gy  of the  hum p - bac k wh al es  is  ex presse d   as:   1.     Sh ri nkin g - e nci rcl ing - te c hn i que ;   ove r  the   c ourse  of  it erati on,  the   vect or      is  dec rased  li near ly   f r om   2     to  0   f or   both  ph ases  of  WOA  f or   at ta inin g  t his  be hav i or   ref e r  ( 4) .  B y  set ti ng   the  vecto r       va lues  ra ndom l y  in  range  [ ‐ 1,   1] ,  the  ne w  l ocati on  of  disco ver i ng   a ge nts  in  a nyplace  ca n  be   determ ined.   This  posit io n  can  be   sp eci fied  in bet ween t he o rigi nal ag e nt  posit ion o f  c urre nt best  ag e nt.   2.     Sp ir al - updati ng  posit io n :  Th e  helic al - sh a pe d  m ov em ent  of   the  hum p - ba ck  w hales   tow ard s  pr ey   ca n  be  expresse d  m ath em atical ly  b y  the s piral e qua ti on  as ,       ( + 1 ) = ′ ⃗ ⃗ ⃗ ⃗   .  . cos   ( 2  ) + ∗ ⃗ ⃗ ⃗ ⃗   ( )   (6)     Hu m p - back   w hales  swim   encircli ng   the  prey   and   al te rn at es  instanti nous ly   al ong  a  sp iral ‐ sh ape d  pa t h   and  withi n  a  sh ri nk i ng  ci rcle .  This  sud de n  be ha vior  ca n  be   m od el ed   by  ch oosin g  50%  pr ob a bili ty   fo r   m echan ism  o f  sh ri nk i ng en ci r cl ing   a nd   s pira l  m od el , th is  ca n be e xpresse d m at he m at ic a lly as,    Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Аutom аtіϲ  ԍ en erаtіo n  c on tr ol ваѕẹ ԁ  wһ ale  орti mіza ti on  αlg or it hm   ( Wi sam  Najm  Al - Din Abe d )   4519     ( + 1 ) = { ∗ ⃗ ⃗ ⃗ ⃗   ( ) −     .       if   < 0 . 5   ′ ⃗ ⃗ ⃗ ⃗   .  . cos   ( 2  ) + ∗ ⃗ ⃗ ⃗ ⃗   ( )   if   ≥ 0 . 5     (7)     The  be st  so luti on   obta ined  ca n  be  represe nts  by  the   ℎ   whal e  distance   to  the  pr ey .  T his  sp ec ifie s  by   ′ ⃗ ⃗ ⃗ ⃗   = | ∗ ⃗ ⃗ ⃗ ⃗   ( ) −   ( ) | .   =   co ns ta nt  of   log a rithm ic   s piral - s ha pe .     =  m ult ipli cat ion   of   el em ent  by  el em ent   wh ic h  re pr ese nt   a  ran dom   nu m ber   between   [ − 1 , 1 ]   [13 ,  17 ,   19] .   Encircli ng  stra te gy  is   si m ulated   by  fir st  part   of  ( 7)  w hile  bubble - net  at ta ck  m echan is m   is  rep rese nt ed  by  the  se cond  pa rt  of   the  sam e  equat ion .     The  va riable  p  al te rn at es   with  an  e qu al   pr obabili ty   betwe en  these  tw o  m od es .   The   se arch   a gen ts   possible  locat i ons   ( X,   Y)   base d  (7)   a re  m od ifie d   t owar ds   best   c urren t  best  posit ion   ( X*,  Y *).  T he  bubble   net  strat egy   are  e xp la ine d   i n  Fi g ure  3.          (a)   (b)     Figure   3. Bu bble - net  at ta ck ( or  sea rch i ng )  str at egy.   (a )  s hr i nkin g - e ncircli ng  (b)  s piral   upda ti ng   posit ion       3.2.     Expl oration   pha se  ( prey  se archin g)   This  phase  ba sed  on       vector   var ia ti on  ra ndom l y.  To  ens ure  t he  searc h  wh al es  m ov e  away  from   the  posit ion i ng  w hale,  t he  vecto r  val ues  m us t  be  m or e  than  1  or   bel ow − 1 .  T his  is  due  to  t he  fact   that   the  rand om l y  pr ey   searc hi n g  of   the  hu m pb ack  w hale’s  de nds  on  the  l ocati on  of   each  oth e r.   This  is   expresse d  as ,     Ɗ ⃗ ⃗   = |   .   ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗   −   |   (8)       ( + 1 ) =  ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗   − А ⃗ ⃗   . Ɗ ⃗ ⃗     (9)      ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗ ⃗     = locat io n   vec tor   c hosed  r a ndom ly   [15 ,  13 ,  17 ,   19] .  Fig ur e  4   il lustrate   WOA   ps e udo  c ode.           Figure  4.  WOA   ps eu do c ode     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   4516   -   4523   4520   4.   RESU LT S  AND DI SCUS S ION   4.1.     Pro po se d wo rk  desi gn   MATLAB - S I MULI NK   to ol box   is  us e d  to   si m ulate   and   desig n  t he   unde r - stu dy  m od el   of   A GC .    The  pr opos e d  WOA  tu ning  s trat egy  is  base d  on  m file   cod ing .  T he  unde r - stu dy  m od el   i s  done  base d  di ff ere nt   op e rati ng  co nd it ion s.  T he  int egr al   re st  co ntro ll er  is  pr opose d  as  c on tr oll er  f or   eac h  are a  in  the  un der - stud y  syst e m .  The  pro posed  c ontr oller  is  tun e d  base d  WO A  f or   c on t ro ll in g  the  ti e  li ne  po we r  an d  f re quency   dev ia ti on  op ti m al l y.  The  re s ults  that  obta ined  from   the  pro po se d  new  strat egy  ( WOA)   a re  c om par ed  with   oth e r  good  ne w  m et aheu risti c  op ti m iz a ti on   al go rithm   te rm ed  as   Har m on y  Searc h  ( HS).  T he  com par is on   of   resu lt s  betwee n  the  tw o  opti m iz at ion  techni qu es , is to p rove th e  supe riori ty  ad van ce d fe at ur es  of the  pr opos e d  al gorithm  (W O A)   ve rsus  HS  t echn i qu e s.     4.2.   Analysis  of  re sults    In   t his  w ork ,  t wo   reset  c ontr ollers  ar e  use d.   Each  c ontr oller  is  use d  f or   on e  area.   A  ste p  i nput  is  us e d   to  m od el le d  the  loa d  cha ng e  disturba nce.   The  loa d  disturbance  is  use d  to  pro ve  the   integ ral   co ntr oller   rob us tness  when  tun e d  usi ng   the  propose d  te chn i qu e  ( WOA) .  T he  pa ram et ers  of   the  under - stu dy  s yst em   are  m entioned   in  T able  1 .  I nteg ral  Squr e  Er ror  ( IS E )   is  us e d  as  a  perfor m an ce  ind e x  i n  the  tu ni ng   proces s.   Fo r   prop e r  c om par ison   of  the  tw o  t unin g  te chn i ques,  t he  al go rithm s  par am et ers  are   set   eq ually   f or  both   te chn iq ues .  E qual   it erati on s  num ber   is  u se d  for  both   te ch niq ue s  (=  40  it er at ion )  a nd  eq ua l  search  a ge nts  (=20   search  ag e nt)   a s w el l.   Ta ble  2 i ll us trat e the  both c ontr ollers  par am et ers  bas ed  the  tw o op ti m iz at ion  strategie s .         Table  1.   Syst em  p ara m et ers  of t wo - a rea  power pla nt   P ara m eter   V alu e   P ara m eter   V alu e   T g1   0 .5 0   T g 2   0 .6 0   T T1   0 .2 0   T T 2   0 .3 0   D 1   0 .6 0   D 2   0 .9 0   R 1   0 .05 0   R 2   0 .06 2 5 0   B 1   0 .9 0   B 2   0 .9 0   H 1   5   H 2   4       Table  2.   Param et ers  of i ntegra l con t ro ll er       K 1   K 2   Co st - f u n ctio n   W OA   0 .50 8 7 7 6 1   0 .22 0 0 0 4 2   0 .08 5 5 2 2 1   HS   0 .49 2 9 1 3 2   0 .00 0 1 2 1 1   0 .08 6 0 2 3 1       Fr om   Fig ur e   5   wh ic h  represe nt   the  plo t  of  co st  functi on ,   it   is  ob vious   t hat  the   propose d  optim iz at ion   strat egy  re qu ir ed  lo wer   it erat ion   nu m ber   w hich  dem on str at e  the  fast  co nv e r gen ce  a bili ty .   WO A  ha ve   lowe r   cost  functi on  wh ic h  m eans  a  best  so luti on  is  attai ned   as  com par ed  with   HS .   Fig ur e   6  and   Fi gure   7  s hows   ACE   plo t  f or  bo th  ar eas.   F igure s   8 - 9  s hows   the  fr eq ue ncy  dev ia ti on   fo r  bo t h  area s .  Figure   10  s hows   the po wer  exc ha ng e   of  tie - li ne  b et wee n  t he  t wo - area .   T he  l oad d ist urban c e f or   pro posed   work is c hoo se n 0.1.           Figure   5.   Cost   functi on  plo t  f or  both  tech niques   0 5 10 15 20 25 30 35 40 10 -1 . 0 6 7 10 -1 . 0 6 6 10 -1 . 0 6 5 10 -1 . 0 6 4 ite rati on best c ost     WOA HS Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Аutom аtіϲ  ԍ en erаtіo n  c on tr ol ваѕẹ ԁ  wһ ale  орti mіza ti on  αlg or it hm   ( Wi sam  Najm  Al - Din Abe d )   4521         Figure  6. ACE   1 for a rea   1     Figure   7. ACE   2 for a rea   2             Figure  8.  ( ∆ 1 )   for  a rea   1     Figure  9.  ( ∆ 2 )   for  a rea   2           Figure   1 0.  Tie  li ne  powe r for  bo t h  a rea        The  syst e m   tr ansient  an d  ste ady - sta te   behavio r  are  i m pr ove d  prom inently   wh en  us ed  integral   con t ro ll er  base d  WOA  eve n  unde r  loa d  di sturb a nce.   I n  AG C  it   is  pe r efera ble  to  use   integral  c ontrolle r   op ti m al l y  tun ed  base d  WOA   du e  to  it s  abi li ty   to  set tl e  t he  fr e que ncy  dev ia ti on  an d  k ept  it   zero   a prrox.   So ,  this  co ntr ol le r  play s  an  i m po rtant  ro le   in  power   syst e m   con trol.  T he   po r pose d  WO A  tu ning  te chn i que   sh ows  a   supe rior   featu re  in   th e  fiel d  of   c ontr oller  opti m izing   ver s us   HS   st rategy.  WOA  has  fast  co nver gen c e   abili ty ,  lower  par am et ers   require d,   a nd  a vo i d  e ntra pp i ng  in   local   opti m u m .  Th e  obta ine d  resu lt s  base d  WOA   sh ows  a  ve ry  sm a ll   os ci ll at i on  as  c om par ed  with  res ults - base d  H S.  T hi s  m eans  ver y  sm a ll   ov ers ho ot  an d    unde r  s hoot.   0 10 20 30 40 50 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 tim e  (s) ACE1     WOA HS 0 10 20 30 40 50 -0.015 -0.01 -0.005 0 0.005 0.01 0.015 tim e  (s) ACE2     WOA HS 0 10 20 30 40 50 -8 -6 -4 -2 0 2 4 x  10 -3 tim e  (s) f 1 (Hz)     WOA HS 0 10 20 30 40 50 -2 -1.5 -1 -0.5 0 0.5 1 x  10 -3 tim e  (s) f 2 (Hz)     WOA HS 0 10 20 30 40 50 -18 -16 -14 -12 -10 -8 -6 -4 -2 0 2 x  10 -3 tim e  (s) P Tie (p.u.)     WOA HS Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   4516   -   4523   4522   5.   CONCL US I O N     M et a - heurist ic   op ti m iz at ion   strat egies  play   a  vital   ro le   in  th e  field   of  co ntro ll er  tun i ng   i n   the  interc onee ct ed - power  pl ant.  T hese  st r at egies  ha ve  t he  a bili ty   to  im pr ov e  th e  co ntr oller  pe rfo r m ance.   This  fact  le ad s  to  ap pear   va rio us   ty pes  of   m et a - heurist ic   op tim iz at io n  al gorithm s.  The  m et a - heu risti c   o ptim iz ation   strat egies  are  di vid e d  to  tw o  di sti nct  ph ases  r egardless  it s  na ture.   T he  first   ph a se  is  ex plorat ion  ph a se w hic h  m eans  in vestigat ing   gl ob al ly  the p roblem  search  sp ace . Th e s econd phase is the ex poil ti ng   ph a se   wh ic h  m eans  exp l or i ng   the  search  s pa ce  prom isi ng   reg i ons  that  f ound  in  the  ex plorat ion   ph a se.  He nc e  the   prom isi ng   reg i on   that  f ound   by  exp lo rati on  phase  are  r efinin g  by  the   n ext  phase  ( exp l oitat ion   phase) .   So ,   in  desig ni ng  any  m et a - heu risti c  strat eg y,  it   is  i m po rtant  to  ac hieve  a   pro per   bala nc e  betwee n  t hes e  two  ph a ses  due  t o  the  ra ndom iz e   natu re.  T his  f act   represents  a  real  chall en ge   in  de sig ning   any  m et a - heurist ic  al gorithm   du e  to  it s  stochasti cal   featur es  t ha t  m ake  them   avo i ding  local   op ti m u m   entrap m ent.  This  superi or  featur e   is  pro m inent  in  th e   WO A   pro po sed  te c hn i qu e .   As  well   WO A   ha ve  fast   co nv e r gen ce   abili ty ,   lowe r  pa ram eter s  re quire d.   WOA  do  well   in  the   fiel d  of  co ntr oller  t unin g   es pecial ly   in  the  fiel d  of   A GC   in po wer pla nts.       REFERE NCE S     [1]   K.  R.   Sudha  an d  R.   Vij a y a  San thi ,   "Robus t  d ecent ra li z ed  lo ad  f req uency   cont ro l  of  interc onn ec t ed  power  s y s tem   with  Gene r at ion   Rat e   Constrai n t us ing  T y pe - 2   fu zzy   appr oa ch, "  J EP E   Inte rnat ion al  Journal   of El e ct rical P ow er  an d   Ene rgy  S yste ms ,   vol.   33 ,   pp .   699 - 707,   2011 .   [2]   K.  Manic kav asa gan,   "F uzzy   bas ed  power  flow  cont rol  of  two  ar ea   power  s y st em , "  IJE CE  Int ernati onal  Journal  of  El e ct rica l  and   C omputer  Engi n e ering  ( IJE CE) ,   v ol.   2 ,   no .   1 ,   2012 .   [3]   H.  Bevr ani   and T.   Hi y am a,  Intel li gent A u tomati c   Gene ration   Con trol ,   CR C   Press ,   2017.   [4]   W .   N.  A.  L.   D.  Abed,   A.  H.  Sale h,   and  A.  S.  Ham ee d,   "S pee d  C c ontrol   of  PM D CM  b as ed  GA  and  DS   t ec hniques , "  IJP EDS  In te rnat ional   Journal  of   Powe r E le c troni cs  and  Dr ive  Sys te ms   ( IJP EDS) ,   vol.   9 ,   p p .   1467 ,   2018.   [5]   O.  A.  Im ran ,   W .   N.  A.  D .   Abed ,   an d  A.   N.  Jbar ah,   "S pee d   control  of  univ ersa l  m otor, "  Inte rnat ional   Journal  o f   Powe r E le c troni cs  and  Dr ive  Sys te ms   ( IJP EDS) ,   vol.   10 ,   pp .   41 - 4 7,   2019 .   [6]   W .   N.  A.  D.  Abed,   O.  A.   I m ran ,   and  A.   N.  Jbara h,   "V olt age   cont ro l  of   buck  conv erter - base d  Ant  Col on y   Optimiza ti o n  for   self - reg u la t ing  power  supplie s,"   J.  Eng .   App l.  S ci .   Journal   of  E ngine ering   and  Appl ie d   Sc ie n ces ,  vol.   13 ,   pp .   4463 - 4467,   2018 .   [7]   V.  K.  Kam bo j,   K.  Arora,   and  P.   Khurana ,   "A uto m at ic   gen era t ion   cont rol  for  in terconne c te d  h y dr o - the rm al   s y st e m  with  th e  he lp  of   conve nt iona l   co ntrol lers , "  Int ernati onal  Journal  of  Elec tric al   an d  Computer  Eng ine ering   ( IJE CE ) ,  vol.   2 ,   no .   4 ,   201 2.   [8]   M.  Om ar,   M.  Solim an,   F .   Bend ar y ,   and  A.  M .   Abdel  Ghan y ,   " Optimal  tuni ng  of  PID   cont roll e rs  for  h y droth er m al   loa d  fre quen c y  cont rol  using  ant   col on y   optim iz at ion , "  Inte rnational   Journa l  on  El ec tri cal  Engi nee ring  a nd  Informatic s ,   vo l. 5, pp. 348 - 360,   2013.   [9]   S.  Padhan,   R.   K.  Sahu,   and  S.  Panda,   "A ppli c at ion  of  fire f l y   al gorit hm   for  loa d  fre quency   co ntrol   of  m ult i - ar e a   int er conne c te d   p ower  s y st em,"  E le c tric   Powe r C omponents  and  Syste ms ,   vol .   42 ,   pp.   1419 - 1430,   2014.   [10]   R.   K.  Sahu,   S.  Panda,   and  S.  Padhan,   "A   h y b rid  fire fl y   al gor it hm   and   pat t er n  sea rch   techni que  for  aut om atic   gene ra ti on  co ntr ol  of  m ult i  ar ea  power  s y stems , "  Inte rnational   Journal  of  E le c t rical   Pow er  and  Ene rgy  Syst ems ,    vol.   64 ,   pp .   9 - 23 ,   2015 .   [11]   D.  La kshm i,   A.  P.  Fathi m a,   and  R.   Muthu,   "A   no vel   flowe r  poll in at ion  al gor it hm   to  solve  loa d  fre quency   cont ro l  fo r   a  h y dro - th ermal   der egulate d   pow er  s y s te m , "  CS   C ircui ts and   System s ,   vol.  7,   pp.   1 66 - 178,   2016 .   [12]   M.  Naje eb ,   H.  F e y ad,   M.  Manso r,   E.   Ta h a,   and  G.  Abdulla h,   "A n  opti m al   LFC  i n  two - are a  pow er  s y stems   using    a  m et a - heur isti c   o pti m iz ation  algorithm,"  Inte rn ati onal  Journal  of  El e ct rica l  and  Computer  Engi nee ring ,   vol.   7 ,    no.   6 ,   pp .   3217 - 3225,   2017 .   [13]   S.  Mirja lili,   A.  Le wis,  and  S.  Mirja lili ,   "The   whale   opti m izat ion  al gori thm , "  Adv anc es  in  Engi nee ring  Sof tw are ,    vol.   95 ,   pp .   51 - 6 7,   2016 .   [14]   H.  M.  Hasani en,  "W hal e  opti m is at ion  al gori thm  for  aut om atic  g e ner ation  con trol   of  int er connect e d  m oder n  power   s y stems   inc ludi n g  ren ewa ble   en e rg y   source s,"  IE T  GENER ATION  TRANSMISSION  AND  DIS TRIBUTIO N ,   vol.   12,   pp.   607 - 614 ,   20 18.   [15]   G.  Kaur  and  S.  Arora,   "Chaot i c  whale   opti m i za t ion  al gori thm,"  JCDE  Journal  of  Computational  Design  and   Engi ne ering ,   20 18.   [16]   H.  Hu,  Y.  Ba i,  and  T .   Xu,  " Im prove d  whale   opti m izati on   al gorit hm s  base d  on  ine r ti a  w ei ghts  and   thei rs  appl i ca t ions,"  In te rnational   Jour nal  of   Circuits,  S yste ms   and  Sign al  Proc essing ,   v ol.   11 ,   pp .   12 - 26 ,   2017 .   [17]   M.  Mafa rja   and   S.  Mirja lili,   " W hal e  opti m izat ion  appr oa che s  for  wrappe r  feat ure   select ion , "  ASOC  Appl ie d  Soft  Computing  Jour nal ,   vo l. 62, pp.  441 - 453,   2018 .   [18]   I.   Alj ara h ,   H.   Faris,   and   S.  Mirja lili ,   "O ptim iz ing  conn ec t i on  weight s  in  neur al  net works   using  th e  wha le  opti m iz ation  al g orit hm , "  Soft  Co m put  Soft  Com puti ng  :   A  Fus ion  of  Foundati ons ,   Methodol ogi es  and  Appli ca t ion s,   vol.   22 ,   pp .   1 - 15 ,   2018 .   [19]   M.  M.  Mafa rja  and  S.  Mirja l i li ,   "H y b rid  wha le   opti m izati on   al gorit hm   with   sim ula te d  ann ea l ing  for  featu re  sele c ti on, "   NEU COM Ne urocomputing ,   vol .   260 ,   pp.   302 - 312,   20 17.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Аutom аtіϲ  ԍ en erаtіo n  c on tr ol ваѕẹ ԁ  wһ ale  орti mіza ti on  αlg or it hm   ( Wi sam  Najm  Al - Din Abe d )   4523   BIOGR AP H I ES   OF  A UTH ORS       The   Lectu re r  Wisam  Najm  AL - Din  A bed   rec eived  a  bac he lor ' s  degr ee   in  elec tr ic a l  power  and  m ac hi nes  from   engi nee r ing  colle ge - Di y ala  Unive rsit y   in  2005  an d  rec e ive d  a  m a ster' s  degr ee   in   el e ct ri ca l  eng ineeri ng  /  power  from   the   Univer sit y   of  Technol og y   in  2011.   Area   of  rese arc h  int er est  in  the   e l ec tr ic   power,   m ac hin er y   and  co ntrol   engi n ee rin g  and  art if ic i al   i nte lligen ce   and   al gorit hm s  Enginee ring  Opt imiz at ion .   He  has  m ore   tha n  sc ie n ti f ic   rese arc h  pub l ished  in  lo ca l   and  in te rna ti on al j ourna ls.   Email :   wisam _al obai d e e@ y ahoo.com         Omar   A.  Imran   rec ei ved  a  ba che lor ' s  degr e e  in  el e ct r oni c   from   engi nee ring  col l ege - Di y a l a   Univer sit y   in  200 6   and  r ecei ved  a   m aste r ' s   degr e e  in  e lectr i ca l   en erg y   from   Bel gorod  Governm ent   Technol og y   Unive rsit y   Russ ia' s  Feder a l  in  201 3 .  Area   of  rese ar ch  int er est  in   the   elec tr ic   pow er   engi ne eri ng .   He  has  m ore   th an  scie nt ifi c  r ese arc h  publ ished  in  int ern at ion a l   journa ls.   Emai l  : Om ari m ran 53@ y ahoo . com         Ib rahim  Saa d oon  Fatah   rec ei ved  a  ba chel or' s  degr e e   in   el ectroni c  en gine er ing  from   the   Univer si t y   of  Sara je vo  /  Bosnia  in  1984   and  recei v ed  a  m aste r ' s  degr ee   in  el e ct ron i c  engi ne eri ng  fro m   the   Univer sit y   of  B el gr ade   /   Serbia   in  198 7.   Serve d   as  th e  direct or  fo r  reg istration  in  t he  Coll eg e  of  E ngine er ing  /  Univer sit y   of  Di y a la   for  the   per i o d  from   2010  to   2013.   Th e  ar ea  of  rese ar ch  in te r est  in  cont rol   e ngine er ing  and   el e ct roni cs.   He   has  m ore   tha n  scie ntific   rese arch publ ished   in   lo ca l   and   interna t i onal   journa ls .   E m ai l  :   saa don@ yahoo. com     Evaluation Warning : The document was created with Spire.PDF for Python.