I nte rna t io na l J o urna l o f   Adv a nces in Applie d Science s   ( I J AAS)   Vo l.   3 ,   No .   4 Dec em b er   201 4 ,   p p .   20 6 ~ 2 1 4   I SS N:  2252 - 8814          206       J o ur na l ho m ep a g e h ttp : //ia e s jo u r n a l.c o m/o n lin e/in d ex . p h p /I J AAS   Artif i cia l Neural   Netw o rk  Ba sed E co no m ic  G en erati o Scheduling  in  Nig eria  P o w er Ne tw o rk       O m o ro g iuw a   E s eo s a ,   O no ha ebi S.   O   De p a rtme n o f   El e c t - El e c En g in e e rin g ,   F a c u lt y   o f   En g in e e rin g ,   Un iv e rsit y   o f   P o rt  Ha rc o u rt,   Nig e ria   De p a rtme n o f   El e c t - El e c En g in e e rin g ,   F a c u lt y   o f   En g in e e rin g ,   Un iv e rsit y   o f   Be n in ,   Nig e ria       Art icle  I nfo     AB ST RAC T     A r ticle  his to r y:   R ec eiv ed   Sep   1 6 ,   2 0 1 4   R ev i s ed   No v   8 ,   2 0 1 4   A cc ep ted   No v   2 20 ,   2 0 1 4       Eco n o m ic  g e n e ra ti o n   sc h e d u li n g   d e term in e th e   m o st  e ff icie n a n d   e c o n o m ic   m e a n o f   d isp a tch   o f   g e n e ra ted   e n e rg y   to   m e e th e   c o n t in u o u sly   v a r y in g   lo a d   d e m a n d   a th e   m o st  a p p ro p riate   m in i m u m   c o st,  w h il e   m e e ti n g   a l th e   u n i ts  e q u a li ty   a n d   in e q u a l it y   c o n stra in ts  in     p o w e n e t w o rk .   T h is  is  c u rre n tl y   n o a p p li c a b le  in   Nig e ria  p o w e n e t w o rk .   T h e   n e t w o rk   u n d e stu d y   c o n sists   o f   se v e n tee n   (1 7 g e n e ra ti n g   sta ti o n (Ex isti n g   Ne t w o rk ,   Na ti o n a In teg ra ted   P o w e P ro jec ts  a n d   t h e   In d e p e n d e n P o w e P ro d u c e rs).  T h is  w o rk   in v e stig a tes   e c o n o m ic  g e n e ra ti o n   a n d   sc h e d u li n g   in   Nig e ri a   3 3 0 K in teg ra ted   p o w e n e tw o rk   a m i n im u m   o p e ra ti n g   c o st  u si n g   th e   c las sic a l   k ir m a y e r’s  m e th o d   a n d   A rti f icia Ne u ra Ne t w o rk   ( A N N)  f o it o p ti m iza ti o n   in   M a tl a b   e n v iro n m e n t.   A NN   is  train e d   t o   a d o p t   it p a tt e r n   a d if fe re n lo a d   d e m a n d a n d   a c q u ires   th e   a b il it y   to   g i v e   lo a d   d e m a n d   a so o n   a th e   se t   targ e a n d   g o a ten d to   e q u a li ty .   Co st  f u n c ti o n   f o e a c h   g e n e ra ti n g   u n it   a s   w e ll   a s a  m o d e f o e c o n o m ic g e n e ra ti o n   sc h e d u li n g   w a s d e v e lo p e d .   K ey w o r d :   A N N,     C o s t f u n ctio n ,     Nig er ia,     P HC N   Co p y rig h ©   201 4   In s t it u te o A d v a n c e d   E n g i n e e rin g   a n d   S c ien c e   Al rig h ts  re se rv e d .   C o r r e s p o nd ing   A uth o r :   O m o r o g i u w E s eo s a ,   Dep ar t m en t o f   E lect - E lec t E n g in ee r i n g ,   Facu lt y   o f   E n g i n ee r i n g U n i v e r s it y   o f   P o r t H ar co u r t   R iv er s   State,   Ni g er ia .   E m ail:  o o m o r o g i u w a @ y a h o o . co m       1.   I NT RO D UCT I O N   E co n o m ic   g en er at io n   s ch ed u li n g   in v o l v es  o p ti m izatio n   o f   c er tain   eq u al it y   an d   in eq u alit y   co n s tr ain ts   in   p o w er   n et w o r k ,   w h ile  s atis f y in g   lo ad   d e m a n d   at  m in i m u m   o p er atin g   co s t.  I d eter m i n e s   th m o s e f f icie n t,   lo w - co s a n d   r eliab le  o p er atio n   o f   p o w er   s y s te m   b y   d is p a tc h in g   t h a v ailab le  elec tr icit y   g en er atio n   r eso u r ce s   to   s u p p l y   lo ad   to   th e   s y s te m   [ 1 ] .   Gen er all y ,   g en er atio n   s c h ed u lin g   h as   b ec o m n ec es s ar y   b ec au s o f   r ap id   in cr ea s o f   e n er g y   r eq u ir e m e n ts .     R esear ch er s   r ev ie w ed   ec o n o m ic  lo ad   d is p atch   a n d   g e n er atio n   s c h e d u li n g   an d   ap p lied   it  to   p o w e r   n et w o r k   [ 1 ] - [ 5 ] .   C o n s id er in g   th co n v en tio n al  ap p r o ac h es   o f   s ch ed u le  [ 6 ] - [ 1 0 ]   an d   th u s o f   i n telli g e n t   m et h o d s   f o r   o p ti m al  s ch ed u l in g   s u c h   as   Si m u lated   An n e alin g   ( S A ) ,   A r ti f icia Ne u r al   Net w o r k   ( A N N) ,   Gen etic  Alg o r it h m   ( G A ) ,   [ 1 1 ] - [ 1 7 ] ,   it  w a s   f o u n d   th a ac cu r ate  r esu lt s   w er o b tain ed   e v e n   i n   v er y   lar g a n d   co m p le x   p o w er   n et w o r k s   co m p ar ed   to   th co n v e n tio n al  m et h o d s .   I n telli g e n m e th o d s   ar co m p u ter - b ased   p r o b lem   s o l v i n g   s y s te m s   w h ic h   ar co m p u tatio n a m o d els   o f   e v o lu tio n ar y   p r o ce s s e s   as  k e y   ele m en ts   i n   t h eir   d esig n   an d   i m p le m en tatio n   [ 1 8 ] .   I is   u n - ec o n o m ical  to   o p er ate  all  av ailab le  u n its   i n   g en er ati n g   s tatio n s   d u r in g   p ea k   an d   o f f   p ea k   p er i o d ,   h en ce   th p r o b lem   o f   u n it   co m m it m e n o f   ea ch   g en er at o r   in   th n et w o r k .   Un it  co m m it m en p r o b le m   i s   s o lv ed   b y   e n s u r in g   t h at  t h er is   p lan   o f   u n it s   to   b s elec t ed   f r o m   g e n er ati n g   f ac ilit ies  to   m ee p r ed icted   d em an d   in   r eliab le  a n d   ec o n o m ic  m a n n er   [ 1 9 ] .   I n   s o l v in g   t h is   p r o b lem ,   A NN   w a s   u s ed   to   g e n er ate  p r e - s c h e d u lin g   b y   ad j u s t in g   t h eir   o u tp u t a cc o r d in g   to   p r io r ity   o f   f u el   co s t p er   u n it o u tp u t   [ 2 0 ] [ 2 1 ] .   T h is   w o r k   ai m s   at  u s i n g   A NN  b ased   o p ti m i za tio n   tech n iq u f o r   ec o n o m ic  g en er at io n   a n d   s ch ed u lin g   in   Ni g er ia  3 3 0 k V   p o w er   n et w o r k   an d   m i n i m iz o v er all  co s o f   g e n er atio n   a n d   p o w er   lo s s e s .   I Evaluation Warning : The document was created with Spire.PDF for Python.
IJ AA S   I SS N:  2252 - 8814       A r tifi cia l Neu r a N etw o r B a s ed   E co n o mic  Gen era tio n   S c h e d u lin g   in   N ig eria   ( Omo r o g i u w a   E s eo s a )   207   also   i n v o l v es   m o d elli n g   t h n et w o r k   s u c h   t h at   it  ca n   ea s il y   b ad j u s ted   to   s u it  d ail y   r eq u i r e m en t   an d   ch a n g es   s u c h   as a d d itio n   an d   r e m o v al  o f   g e n er atin g   u n it s .       2.   NIGER I P O WE NE T W O RK   I n   an   atte m p to   m ee th i n cr ea s in g   p o w er   d e m a n d ,   th co u n tr y s   elec tr icit y   i n d u s tr y   is   u n d er g o i n g   ch an g es  in   ter m s   o f   b u ild i n g   m o r g e n er ati n g   s tatio n s ,   t r an s m is s io n   li n e s   an d   d is tr ib u tio n   l in e s /s ta tio n s   th r o u g h   Natio n al  I n d ep en d en t   P o w er   P r o j ec ts   ( NI P P)   an d   I n d ep en d en P o w er   p r o d u ce r s   ( I P P).   NI P an d   I P h av i n cr ea s ed   th n u m b er s   o f   g e n er atin g   s tat io n s   f r o m   n i n ( 9 )   to   s ev en teen   ( 1 7 ) ,   tr an s m is s io n   li n es  f r o m   th ir t y   ( 3 0 )   to   s ix t y - f o u r   ( 6 4 )   a n d   b u s es  f r o m   t w en t y - ei g h ( 2 8 )   to   th ir t y - t w o   ( 5 2 )   f o r   th 3 3 0 k V   tr an s m i s s io n   g r id .   P r esen tl y ,   o f   t h s e v e n te en   ( 1 7 )   ac tiv e   p o w er   g e n er ati n g   s tat io n s ,   eig h t   o f   th e s ar e   o w n ed   b y   Fed er al  Go v er n m en ( ex is t in g )   w ith   i n s tal led   ca p ac ity   o f   6 , 2 5 6 M W   an d   2 , 4 8 4 MW  is   av ailab le.   T h r em ai n i n g   n i n e   ( 9 )   ar f r o m   b o th   Natio n al  I n d e p en d en P o w er   P r o j ec ( NI P P)  an d   t h I n d ep en d e n P o wer   P r o d u ce r s   ( I PP )   w it h   to tal  d esi g n ed   ca p ac it y   o f   2 , 8 0 9 MW ,   o f   w h ic h   1 , 3 3 6 . 5 MW   is   av ailab le  [ 2 3 ] .     T ab le  1   s h o w s   m ax i m u m   an d   av ailab le  g e n er ati n g   ca p ac i ties ,   th e ir   lo ca tio n   an d   t y p o f   tu r b i n e.   T ab le  2   sh o w s   b u s   n a m e s .         T ab le  1 .   Nig er ia  P o w er   Net w o r k   Sh o w i n g   T h eir   Ma x i m u m   a n d   Av ailab le  Ge n er ati n g   C ap ac ities   [ 2 3 ]   S / N   P o w e r   st a t i o n   L o c a t i o n   T u r b i n e   t y p e   I n st a l l e d   u n i t   A v a i l a b l e   u n i t   M a x i m u m   C a p a c i t y   ( M W )   A v a i l a b l e   C a p a c i t y   ( M W )   1   K a i n j i   N i g e r   H y d r o   8   6   7 6 0   2 5 9   2   Je b b a   N i g e r   H y d r o   6   5   5 4 0   4 0 2   3   S h i r o r o   N i g e r   H y d r o   4   3   6 0 0   4 0 8   4   Eg b i n   L a g o s   S t e a m   6   4   1 3 2 0   9 0 0   5   T r a n s - A mad i   R i v e r s   G a s   4   1   1 0 0   7 . 3   5   A . E. S   ( Eg b i n )   L a g o s   G a s   9   8   2 5 0   2 3 3 . 8   6   S a p e l e   D e l t a   G a s   10   2   1 0 2 0   1 7 0   7   I b o m   A k w a - I b o m   G a s   4   1   1 5 5   2 5 . 3   8   O k p a i   D e l t a   G a s   3   2   9 0 0   2 2 3   9   A f a I - V   R i v e r s   G a s   20   3   7 2 6   60   10   A f a mV I ( S h e l l )   R i v e r s   G a s   6   5   6 5 0   5 5 0   11   D e l t a   D e l t a   G a s   18   12   9 1 2   2 8 1   12   G e r e g u   K o g i   G a s   3   3   4 1 4   1 2 0   13   O mo k u   R i v e r s   G a s   6   4   1 5 0   28   14   O mo t o sh o   O n d o   G a s   8   2   3 0 4   8 8 . 3   15   O k p a i   ( A g i p )   D e l t a   G a s   6   6   4 8 0   4 8 0   16   O l o r u n sh o g o   p h a se   I   O g u n   G a s   8   2   2 0 0   1 1 4 . 5   17   O l o r u n sh o g o   p h a se   I I   O g u n   G a s   8   2   2 0 0   2 0 0   T o t a l   P o w e r   9 5 4 5   4 4 0 4       T ab le  2 .   B u s   Na m e s   [ 2 3 ]   S / N o   B u se s   S / N o   B u se s   S / N o   B u se s   1   S h i r o r o   21   N e w   h a v e n   so u t h   41   Y o l a   2   A f a m   22   M a k u r d i   42   G w a g w a l a d a   3   I k o t - Ek p e n e   23   B - k e b b i   43   S a k e t e   4   P o r t - H a r c o u r t   24   K a i n j i   44   I k o t - A b a si   5   A i y e d e   25   O sh o g b o   45   Jal i n g o   6   I k e j a   w e st   26   O n i t sh a   46   K a d u n a   7   P a p a l a n t o   27   B e n i n   n o r t h   47   Je b b a   G S   8   A j a   28   O mo t o sh o   48   K a n o   9   Eg b i n   P S   29   Ey a e n   49   K a t a mp e   10   A j a o k u t a   30   C a l a b a r   50   O k p a i   11   B e n i n   31   A l a g b o n   51   Je b b a   12   G e r e g u   32   D a mat u r u   52   A ES   13   L o k o j a   33   G o mb e       14   A k a n g b a   34   M a i d u g u r i       15   S a p e l e   35   Eg b e ma       16   A l a d j a   36   O mo k u       17   D e l t a   P S   37   O w e r r i       18   A l a o j i   38   Er u n k a n       19   A l i a d e   39   G a n mo       20   N e w   h a v e n     40   Jo s         Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8814   IJ AA S    Vo l.   3 ,   No .   4 Dec em b er   201 4   :   2 0 4     2 1 2   208   Nig er ia  as  n atio n   is   y et  to   m ee th i n cr ea s i n g   en er g y   r eq u ir e m e n ts   f u ll y   b ec au s o f   its   li m ite d   p o w er   s y s te m s   f o r   g en er atio n   an d   tr an s m is s io n ,   s o   it  is   i m p o r tan n o to   w as te  th li m it ed   en er g y   g en er ate d   an d   th i s   ca n   b ac h ie v ed   ef f ec tiv el y   b y   o p ti m al  g e n er atio n   a n d   s ch ed u li n g .     2 . 1 .     E co no m ic  G e nera t io a nd   Sche du li ng   M e t ho ds   I n   p o w er   s y s te m s   en g i n ee r i n g ,   ec o n o m ic  g en er atio n   an d   s ch ed u li n g   h a v b ee n   u s ed   to   p lan   o v er   a   g iv e n   ti m h o r izo n   i n   o r d er   to   o b tain   t h m o s t   ec o n o m ical  s c h ed u le  o f   co m m i tti n g   an d   d i s p atch i n g   g en er ati n g   u n it s .   T h ess e n ce   is   to   m ee f o r ec asted   d e m a n d   lev els  a n d   s p in n i n g   r eser v e   r eq u ir e m en ts   w h ile   all  th g e n er atin g   u n it  co n s tr ain ts   ar s ati s f ied .   Fo r   in ter   co n n ec ted   p o w er   s y s te m s   w h i ch   co n tai n   m u ltip le   ar ea s   an d   tie  li n es,  ca p ac it y   co n s tr ai n ts   ar also   n ee d ed   to   b co n s id er ed   in   th m u lti - ar ea   E L D.   T h g en er ati n g   u n it  s c h ed u le  th at  y ield s   m in i m u m   to tal  p r o d u ctio n   co s w h ic h   co n s is t s   o f   th f o llo w i n g   co s t f u el,   o p er atin g   cr e w   m e m b er s ,   m a in te n an ce ,   s tar tin g   u p   an d   s h u tti n g   d o w n   o f   g e n er ati n g   u n its ,   w h ic h   is   t h e   o p tim a s o l u tio n   o f   ec o n o m ic  g en er atio n   an d   s ch ed u lin g   ( E GS  ar co n s id er ed .   T h co s o f   p o w er   g en er atio n   is   s o lel y   d ep en d en o n   th t y p o f   f u el  u s ed ,   th e n er g y   r eq u ir e m e n o f   co n s u m er s   an d   o n   p o w er   lo s s e s   ex p er ien ce d   i n   t h p o w er   s y s t e m .   T h E L p r o b le m   m i n i m izes  t h to tal  co s o f   g e n er ati o n   w h ile  h o n o r in g   th o p er atio n al  co n s tr ai n ts   o f   t h a v ailab le  g en er atio n   r e s o u r ce s .   E GS   u t ilizes   th e   u s o f   e v er y   p o w er   g en er ated   t h er eb y   s av i n g   co s t,   lo s s es a n d   e n ab lin g   a n   e f f ec ti v p o w er   p la n t.  I w i ll  h elp   co u n tr ie s   li k Ni g er ia   s tr u g g lin g   w it h   t h h i g h   d e m a n d   o f   elec tr icit y   to   av o id   w a s t ag o f   its   l i m ited   p o w er   g e n er ated .   E co n o m ic  g e n er atio n   an d   s c h ed u lin g   ( E GS)   in v o lv es  s o l u ti o n   o f   t w o   d if f er en p r o b le m s .   T h ese  ar th u n it  co m m it m e n ( UC )   a n d   th o n - li n ec o n o m ic  d i s p at ch   ( E P ) .   Un it  C o m m i t m e n ( UC )   o r   p r e - d is p atch   p r o b lem   i n v o lv es   o p ti m al   s el ec tio n   o f   av a ilab le  g e n er ati n g   s o u r ce s ,   to   o p er ate  an d   m ee t   th e x p ec ted   lo ad   d em a n d   at  m i n i m u m   co s f o r   s p e cif ied   p er io d   o f   ti m e.   T h o n - l in e   ec o n o m ic  lo ad   d is p atch   i s   r eq u ir ed   t o   d is tr ib u te  lo ad   am o n g   g e n er ati n g   u n i ts   to   m i n i m ize  to tal  co s o f   s u p p l y i n g   t h m i n u te  to   m i n u te  r eq u ir e m e n ts   o f   th s y s te m   an d   ex p ec ted   lo s s es.  Var io u s   m eth o d s   h av b ee n   u s ed   to   tack l E GS.  Ma th e m atica l   f o r m u latio n s   in c lu d co n v e n tio n al  m et h o d s   lik E x h a u s ti v E n u m er atio n ,   P r io r ity   L i s t,  L ag r a n g ia n   R elax a tio n ,   Seq u e n tial   Me t h o d ,   Mix ed   I n te g er   P r o g r a m m in g ,   Dec o m m it m e n Me th o d ,   D y n a m ic   P r o g r am m i n g ,   B r an c h   a n d   B o u n d   tec h n iq u e,   L a m b d I ter ativ Me t h o d ,   Gr ad ien Me t h o d ,   Ne w to n s   L i n ea r   P r o g r am m i n g .   T h ese  m et h o d s   ar u s u al l y   ti m co n s u m i n g   a n d   u s u all y   p r o n to   er r o r s .   W i th   t h ad v an ce m e n t   in   tec h n o lo g y ,   ea s ier   an d   m o r ac cu r ate  m et h o d s   h av e   b e en   ad o p ted .   T h ese  m eth o d s   i n v o l v t h e   u s o f   co m p u ter   p r o g r a m s .   T h o u g h   t h e y   m a y   r eq u ir s p ec ial  tr ai n i n g   an d   s k il ls ,   t h e y   h a v p r o v e n   to   b t h b est  i n   s o lv i n g   s u c h   p r o b lem s .   T h ese  m et h o d s   in cl u d Gen etic  A l g o r ith m   ( G A ) ,   F u zz y   L o g ic( F L ) ,   T a b u   Sear ch ( T S),   A r ti f icial   Ne u r al  Net w o r k ( ANN) ,   P ar ticle  S w ar m   Op ti m i za tio n ( P SO)   e. t.c .   ANN  h as  p r o v en   to   b r o b u s t,   ea s y   to   m o d i f y ,   n o li m ited   to   s p ec if ic  n u m b er   o f   i n p u a n d   o u tp u t,  a n d   it  co n tr o ls   n o n - li n ea r   s y s te m s   th a t   w o u ld   b d if f ic u lt o r   i m p o s s ib le  to   m o d el  m ath e m at icall y   [ 1 3 ] - [ 14 ] ,   [ 21 ] - [ 2 2 ] .       3.   M E T H O DO L O G Y   C las s ical  Kir c h m a y er s   m et h o d   is   u s ed   in   t h i s   r esear ch   w o r k   w i th   ANN  b ased   o p ti m izat io n   tech n iq u b ec au s o f   its   r o b u s t,  ea s y   to   ad j u s an d   i ts   i n ab ilit y   to   b li m i ted   w h ic h   ar i ts   ad v a n tag e s .   T h ac h iev in g   t h s et  o b j ec tiv e,   th f o llo w in g   p r o ce d u r es is   a d o p ted   f o r   th w o r k :   1.   Def i n th co n tr o l o b j ec tiv es,  cr iter ia  an d   co n s tr ain ts .   2.   Dete r m i n th n u m b er   o f   g en e r atin g   s tatio n s   to   b s tu d ied   an d   th eir   ca p ac it y .   3.   C r ea te  ANN  an d   d ef i n t h v a lu es o f   in p u t/o u tp u t te r m s .   4.   C r ea te  th n ec ess ar y   p r an d   p o s t p r o ce s s in g   A NN  r o u ti n es.   5.   Set  u p   an d   test   t h 3 3 0 KV  Net w o r k   u s in g   th lo ad   f lo r esu lts   o b tain ed   f r o m   P o w er   W o r d   Si m u lato r   en v ir o n m e n t.   6.   E v alu a te  th r es u lt s .       3 . 1 .     M a t he m a t ica M o delin g   o f   E co no m ic  L o a d Di s pa t ch   ( E LD )   P ro ble m   Ma th e m atica ll y ,   th co n v e n t io n al  E L ca n   b r ep r esen ted   as :                                                                                                                     ( 1 )                                                                                                               ( 2 )   W ith         P i   mi n   P i   P i max     T r an s m is s io n   lo s s   is   g iv e n   as :     Evaluation Warning : The document was created with Spire.PDF for Python.
IJ AA S   I SS N:  2252 - 8814       A r tifi cia l Neu r a N etw o r B a s ed   E co n o mic  Gen era tio n   S c h e d u lin g   in   N ig eria   ( Omo r o g i u w a   E s eo s a )   209   P i   P j                                                                                                                                                 ( 3 )   Su b j ec t to     P     P L     P n                                                                                                                                       N           ( 4 )     Usi n g   t h lag r a n g ian   m u ltip lie r   λ ,   th au x iliar y   f u n c tio n   i s   g i v en   b y :     A T  λ ( P     P L - P n N n     )                             ( 5 )     P ar tial  d if f er e n tial   o f   th i s   e x p r ess io n   w h e n   eq u a ted   to   ze r o   g iv e s   t h co n d itio n   f o r   t h ec o n o m ic  lo ad   d is p atch ,   i.e . :      A   P n       T   P n   λ [   P L   P n -   ]                                            ( 6 )     O r ,      A T d P    λ   P L   P    λ                                                         ( 7 )     T h ter m                 is   k n o w n   as  t h in cr e m e n tal  tr an s m is s io n   lo s s   at  p lan n   an d   λ   is   k n o wn   as  th e   in cr e m e n tal  co s t o f   th r ec ei v e d   p o w er .   T h E q u atio n   ( 4 )   an d   ( 5 )   a r e   s et  o f   n   eq u a tio n s   w it h   ( n +1 )   u n k n o w n s .     T h ese  eq u ati o n s   co n tr o l   b o th   th in cr e m e n tal  tr an s m is s io n   lo s s es a n d   p r o d u ctio n   co s t .   T o   s o lv th ese  eq u a tio n s ,   th l o s s   f o r m u la   is   e x p r ess ed   i n   ter m s   o f   g en er atio n s   a n d   is   ap p r o x i m ate l y   ex p r ess ed   as:                                                                                                                                           ( 8 )   W ith           P   i ,   m in      P i         P   i ,   m ax     W h er e,     F =   is   th s y s te m   o v er al l c o s t f u n ct io n   N th n u m b er   o f   g e n er ato r s   in   th s y s te m C i   ,b i   an d   a i   ar c o s co n s tan t s   w h ic h   i n clu d th e   f o llo w in g ;   c i =   is   m ea s u r o f   lo s s es  i n   th s y s te m ,   b is   t h f u el  co s t   an d   a   is   th s alar y / w a g es,  i n ter est  a n d   d ep r ec iatio n   o f   th m ac h i n es.    P D =th to tal  p o w er   s y s te m   d e m an d P L =t h to tal  s y s te m   tr a n s m i s s io n   lo s s es   P i =th ac tiv p o w er   g en e r atio n   o f   g e n er ato r   n u m b er   I;  B ij , B 0i , B 00 T r an s m i s s io n   lo s s   co e f f icien ts .             Fig u r 1 .   M o d ellin g   o f   Ni g er i 3 3 0 k p o w er   n et w o r k   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8814   IJ AA S    Vo l.   3 ,   No .   4 Dec em b er   201 4   :   2 0 4     2 1 2   210   Fig u r 1   s h o w s   th m o d ell in g   o f   Ni g er ia  3 3 0 k p o w er   n et w o r k   i n   p o w er   w o r ld   s i m u lato r   en v ir o n m e n t.  T h is   m o d el  is   a ch iev ed   b y   o b tain i n g   d ata  s u c h   as  tr an s m is s io n   li n p ar a m e ter s ,   b u s   d ata,   lo ad   d ata,   r ea cto r s   s izes ,   tr a n s f o r m er s   s izes   an d   g e n er ato r s   p o w er   li m it   ( ac tiv e   an d   r ea cti v e) .   T ab le  3   s h o w s   t h r esu lt   o b tain ed   f o r   th e   v ar io u s   t h i s   g i v t h p o w er   f lo w   an d   lo s s e s   i n   th e   n e t w o r k   a s   s h o w n .   T h r es u lt   o b tain ed   f r o m   th is   m o d el  i s   n o w   u s ed   f o r   th tr ai n i n g   o f   th n et w o r k   u s i n g   ar tif icia l n e u r al   n et w o r k .         3 . 2 .     T ra ini ng   t he  Net w o rk   U s ing   ANN   T h alg o r ith m   to   tr ai n   t h n e u r al  n e t w o r k   i s   t y p ed   o n   th e   ed ito r   w i n d o w   o f   Ma tlab .   T h i s   p r o g r a m   ca lls   u p   t h n e u r al  n et w o r k   to o an d   a n al y s es   t h to tal   ar ea   lo ad   d em a n d   a s   t h in p u to   t h n eu r al   n et w o r k .   T h elec tr ic  p o w er   g e n er atio n   o f   th s e v en tee n   p o w er   s ta tio n s ,   ar tak e n   as  th o u tp u o f   t h n e u r al  n et w o r k .   Fo r   th p u r p o s o f   tr ai n in g   t h n e u r al  n et w o r k ,   d ata  w er o b tain ed   f r o m   t h s i m u lated   r esu lt s   f r o m   P o w er   W o r ld   Si m u lato r   at   f o u r teen   d if f er e n to tal   ar ea   lo ad   d e m an d   to   en s u r e   f ast  lear n i n g   r ate  an d   ab ilit y   to   p r o d u ce   co r r ec o u tp u w h e n   f ed   w it h   d i f f er en t   in p u t.  T h es d ata  ar s h o w n   i n   ap p en d ix   A .   Af ter   p r ep ar in g   ad eq u ate  d ata  f o r   tr ain i n g   a n d   test   o f   n e u r al  n et w o r k s ,   n o w   t h i m p o r tan k e y   is   s elec t in g   th e   n u m b er   o f   n eu r o n s   in   t h h id d en   la y er   o f   th n et w o r k s   s u ch   t h at  th e x ac tn es s   o f   n et w o r k   is   m a x i m u m .     Fo r   th is   r ea s o n ,   th n e u r al  n et w o r k   i s   tr ain ed   w it h   f i v n e u r o n s   in   th h id d en   la y er   a n d   n e u r o n   i n   t h o u t p u t la y er .   A   n u m b er   o f   2 0 0   e p o ch s   is   co n s id er ed .   T h T an - Sig m o id   T r an s f er   F u n ctio n   w a s   u s ed   in   t h h id d en   la y er   w h ile  t h L i n ea r   T r an s f er   Fu n ctio n   w a s   u s ed   i n   t h o u tp u la y er .   Als o ,   th d e f au lt  L e v en b er g - M ar q u ar d alg o r ith m   ( tr ain l m )   w as   ad o p ted   to   ac h i ev a   b etter   tr ain in g   s p ee d . T h f i g u r e s   o f   t h T r ain in g   P atter n   o f   t h Neu r al   Net w o r k   a n d   t h L i n ea r   R eg r ess io n   f o r   th e   Ge n er atio n   Ou t p u ( MW )   o f   th e   tr ai n ed   s y s te m   ar e   o b tain ed   a f ter   th p r o g r a m   h as  b ee n   r u n   f o r   an al y s i s   b y   clic k i n g   o n   t h r u n   ico n .   Fi g u r 2   s h o w s   t h t r ain in g   o f   th e   d ata  o b tain ed   f r o m   P HC N.   T h i s   g i v es   R eg r es s io n   ( R ) .   I m ea s u r es  t h e   co r r elatio n   b et w ee n   o u tp u ts   a n d   tar g et s .   An   R   v al u o f   1   m ea n s   clo s r elatio n s h ip ,   0   r an d o m   r e latio n s h ip .   T h n e x s tep   t h e n   in v o lv e s   s e tti n g   g o al  s o   as  to   k n o w   w h en   t h tr ain in g   w i ll  en d   co n s id er in g   al th co n s tr ai n ts .   Fig u r e   3   s h o w s   t h at  t h e   p er f o r m a n ce   g o al  o f   th n et w o r k   w a s   m et  af ter   6 1   ep o ch s .           Fig u r 2 .   T r ain in g   th d ata  u s i n g   ar ti f icial  n e u r al  n et w o r k           Fig u r 3 .   P er f o r m a n ce   g o al  o f   th n et w o r k   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ AA S   I SS N:  2252 - 8814       A r tifi cia l Neu r a N etw o r B a s ed   E co n o mic  Gen era tio n   S c h e d u lin g   in   N ig eria   ( Omo r o g i u w a   E s eo s a )   211   T ab les  3   an d   4   r esp ec tiv el y   s h o w ed   th g e n er atio n   s c h ed u l in g   u s i n g   p o w er   w o r ld   s i m u lato r   an d   th e n   ap p ly i n g   A NN  f o r   th p o w er   g en er atio n   s ch ed u li n g   r esp ec ti v el y .   T h g e n er atin g   s tat io n s   ar s h o w n   also   f o r   r an g o f   p o w er   b et w ee n   1 5 0 0 MW   an d   6 0 0 0 MW .       T ab le  3 .   Sim u lated   R e s u lts   o f   Nig er ia  3 3 0 k E co n o m ic  Ge n er atio n   Sch ed u li n g   T o t a l A r e a   L o a d   ( M W )   Je b b a   ( M W )   Eg b i n   ( M W )   K a i n j i   ( M W )     S h i r o r o   ( M W )   S a p e l e   ( M W )   D e l t a   I V   ( M W )   A . E. S   ( M W )   1 5 0 0 . 0 0   2 0 6 . 6 6   1 9 5 . 0 6   2 0 6 . 0 7   1 7 6 . 0 4   1 6 5 . 5 9   1 7 0 . 6 9   4 4 . 7 0   1 7 5 0 . 0 0   2 2 8 . 2 9   2 2 3 . 1 4   2 2 9 . 2 0   2 0 2 . 1 8   1 9 2 . 1 4   1 9 3 . 7 0   5 7 . 6 3   2 0 0 0 . 0 0   2 4 7 . 8 9   2 5 3 . 1 6   2 4 9 . 9 0   2 2 4 . 7 5   2 1 5 . 4 7   2 1 2 . 1 6   7 1 . 3 0   2 2 5 0 . 0 0   2 6 6 . 9 7   2 8 1 . 5 2   2 7 0 . 1 4   2 4 6 . 1 7   2 4 3 . 8 1   2 3 6 . 8 9   8 4 . 0 9   2 5 0 0 . 0 0   2 8 7 . 6 1   3 1 2 . 6 4   2 9 2 . 0 1   2 7 0 . 1 6   2 7 2 . 4 0   2 6 0 . 9 4   9 7 . 9 7   2 7 0 0 . 0 0   3 0 4 . 0 0   3 2 7 . 5 9   3 1 0 . 1 2   2 9 3 . 2 3   2 9 5 . 0 8   2 8 3 . 9 0   1 0 4 . 6 0   3 0 0 0 . 0 0   3 2 7 . 5 2   3 7 0 . 7 7   3 3 4 . 8 5   3 1 7 . 0 2   3 3 2 . 4 8   3 1 5 . 7 5   1 2 3 . 5 2   3 7 0 0 . 0 0   3 8 1 . 0 7   4 4 8 . 0 2   3 9 1 . 7 4   3 8 3 . 5 0   4 1 5 . 9 5   3 8 7 . 9 2   1 5 6 . 6 9   4 0 0 0 . 0 0   4 0 7 . 0 7   4 8 8 . 4 1   4 1 9 . 6 8   4 0 6 . 4 4   4 5 5 . 6 7   4 2 0 . 6 1   1 7 3 . 6 7   4 2 5 0 . 0 0   4 3 1 . 4 6   5 2 0 . 0 8   4 4 5 . 8 1   4 3 6 . 5 4   4 8 4 . 1 5   4 4 5 . 3 1   1 8 6 . 8 4   4 7 5 0 . 0 0   4 7 5 . 7 0   5 8 8 . 2 0   4 9 3 . 0 7   4 8 5 . 2 8   5 5 0 . 4 6   5 0 2 . 8 8   2 1 4 . 6 6   5 5 0 0 . 0 0   5 4 0 . 0 0   7 0 3 . 1 0   5 8 2 . 2 7   5 9 0 . 8 8   6 6 3 . 8 3   5 9 8 . 9 7   2 6 0 . 0 8   5 7 5 0 . 0 0   5 4 0 . 0 0   7 5 6 . 8 3   6 1 4 . 1 4   6 0 0 . 0 0   7 2 1 . 4 3   6 0 0 . 0 0   2 7 0 . 0 0   6 0 0 0 . 0 0   5 4 0 . 0 0   8 3 3 . 2 3   6 8 7 . 2 6   6 0 0 . 0 0   7 9 1 . 8 0   5 9 9 . 6 8   2 7 0 . 0 0       C a l a b a r   ( M W )     A f a m   ( M W )     O j i   ( M W )     I j o r a   ( M W )     O mo t o sh o   ( M W )     G e r e g u   ( M W )     O mo k u   ( M W )   0 . 0 0   1 5 2 . 3 1   9 . 5 2   0 . 0 0   9 2 . 5 8   6 1 . 8 6   3 6 . 3 8   0 . 0 0   1 8 0 . 8 0   1 5 . 2 9   1 3 . 3 2   1 1 0 . 1 5   7 9 . 7 4   4 2 . 7 4   1 . 1 3   2 2 2 . 2 1   2 2 . 6 1   2 8 . 3 0   1 2 6 . 9 6   9 3 . 9 6   5 0 . 8 6   6 . 6 0   2 5 0 . 1 2   2 8 . 4 2   4 3 . 3 3   1 4 4 . 8 3   1 1 1 . 5 9   5 7 . 2 7   6 . 6 0   2 7 5 . 8 3   3 0 . 0 0   5 9 . 2 0   1 6 3 . 7 9   1 2 9 . 6 7   6 3 . 6 1   6 . 6 0   3 2 0 . 2 2   3 0 . 0 0   6 0 . 0 0   1 7 6 . 3 0   1 4 5 . 0 6   7 3 . 7 7   6 . 6 0   3 5 7 . 4 4   3 0 . 0 0   6 0 . 0 0   2 0 1 . 4 2   1 6 7 . 5 0   8 2 . 1 8   6 . 6 0   5 0 3 . 9 7   3 0 . 0 0   6 0 . 0 0   2 5 3 . 0 6   2 2 3 . 6 8   1 0 0 . 0 0   6 . 6 0   5 5 0 . 5 3   3 0 . 0 0   6 0 . 0 0   2 7 8 . 7 5   2 4 7 . 7 1   1 0 0 . 0 0   6 . 6 0   5 9 0 . 7 7   3 0 . 0 0   6 0 . 0 0   2 9 8 . 2 0   2 6 5 . 8 5   1 0 0 . 0 0   6 . 6 0   6 6 9 . 8 8   3 0 . 0 0   6 0 . 0 0   3 3 5 . 0 0   3 0 0 . 0 0   1 0 0 . 0 0   6 . 6 0   8 1 3 . 6 0   3 0 . 0 0   6 0 . 0 0   3 3 5 . 0 0   3 0 0 . 0 0   1 0 0 . 0 0   6 . 6 0   9 0 3 . 7 2   3 0 . 0 0   6 0 . 0 0   3 3 5 . 0 0   3 0 0 . 0 0   1 0 0 . 0 0   6 . 6 0   9 5 8 . 8 6   3 0 . 0 0   6 0 . 0 0   3 3 5 . 0 0   3 0 0 . 0 0   1 0 0 . 0 0       T ab le  4 .   A NN’ s   R esp o n s to   Si m u lated   Ge n er atio n   O u tp u t   f o r   I j o r Po w er   Sta tio n   T o t a l   A r e a   L o a d ( M W )     S i m u l a t e d   G e n .   ( M W )   A N N 's R e sp o n se   ( M W )   Er r o r     1 7 5 0 . 0 0   1 3 . 3 2   1 3 . 4 0   0 . 6 0   2 0 0 0 . 0 0   2 8 . 3 0   2 8 . 4 1   0 . 3 9   2 2 5 0 . 0 0   4 3 . 3 3   4 3 . 2 4   0 . 2 1   2 5 0 0 . 0 0   5 9 . 2 0   5 8 . 9 9   0 . 3 5   2 7 0 0 . 0 0   6 0 . 0 0   5 9 . 9 7   0 . 0 5   3 0 0 0 . 0 0   6 0 . 0 0   5 9 . 9 4   0 . 1 0   4 0 0 0 . 0 0   6 0 . 0 0   6 0 . 0 0   0 . 0 0   4 2 5 0 . 0 0   6 0 . 0 0   6 0 . 0 0   0 . 0 0   5 5 0 0 . 0 0   6 0 . 0 0   6 0 . 0 0   0 . 0 0   6 0 0 0 . 0 0   6 0 . 0 0   6 0 . 0 0   0 . 0 0       F o Ca la ba P o w er   St a t io n :   T o t a l   A r e a   L o a d ( M W )     S i m u l a t e d   G e n .   ( M W )     A N N 's R e sp o n se   ( M W )   %E r r o r     1 7 5 0 . 0 0   0 . 0 0   0 . 0 0   0 . 0 0   2 0 0 0 . 0 0   1 . 1 3   1 . 1 0   2 . 6 5   2 2 5 0 . 0 0   6 . 6 0   6 . 6 1   0 . 1 5   2 5 0 0 . 0 0   6 . 6 0   6 . 6 0   0 . 0 0   2 7 0 0 . 0 0   6 . 6 0   6 . 0 0   9 . 1 1   3 0 0 0 . 0 0   6 . 6 0   5 . 9 9   9 . 2 4   4 0 0 0 . 0 0   6 . 6 0   5 . 9 8   9 . 3 9   4 2 5 0 . 0 0   6 . 6 0   6 . 6 1   0 . 1 5   5 5 0 0 . 0 0   6 . 6 0   6 . 6 0   0 . 0 0   6 0 0 0 . 0 0   6 . 6 0   6 . 6 0   0 . 0 0       Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8814   IJ AA S    Vo l.   3 ,   No .   4 Dec em b er   201 4   :   2 0 4     2 1 2   212   F o Sh iro ro   P o w er   Sta t i o n :   T o t a l   A r e a   L o a d   ( M W )     S i m u l a t e d   G e n .   ( M W )     A N N 's R e sp o n se   ( M W )   %E r r o r     1 7 5 0 . 0 0   2 0 2 . 1 8   2 0 1 . 8 5   0 . 1 6   2 0 0 0 . 0 0   2 2 4 . 7 5   2 2 5 . 0 2   0 . 1 2   2 2 5 0 . 0 0   2 4 6 . 1 7   2 4 7 . 2 6   0 . 4 4   2 5 0 0 . 0 0   2 7 0 . 1 6   2 6 7 . 9 8   0 . 8 1   2 7 0 0 . 0 0   2 9 3 . 2 3   2 9 5 . 2 6   0 . 6 9   3 0 0 0 . 0 0   3 1 7 . 0 2   3 1 6 . 2 2   0 . 2 5   4 0 0 0 . 0 0   4 0 6 . 4 4   4 0 5 . 6 7   0 . 1 9   4 2 5 0 . 0 0   4 3 6 . 5 4   4 3 5 . 7 3   0 . 1 9   5 5 0 0 . 0 0   5 9 0 . 8 8   5 9 0 . 1 6   0 . 1 2   6 0 0 0 . 0 0   6 0 0 . 0 0   6 0 0 . 2 2   0 . 0 4       F o O m o k u P o w er   Sta t io n :   T o t a l   A r e a   L o a d ( M W )     S i m u l a t e d .   G e n .   ( M W )     A N N 's R e sp o n se   ( M W )   %E r r o r     1 7 5 0 . 0 0   4 2 . 7 4   4 2 . 7 2   0 . 0 5   2 0 0 0 . 0 0   5 0 . 8 6   5 0 . 8 7   0 . 0 2   2 2 5 0 . 0 0   5 7 . 2 7   5 7 . 3 0   0 . 0 5   2 5 0 0 . 0 0   6 3 . 6 1   6 3 . 6 3   0 . 0 3   2 7 0 0 . 0 0   7 3 . 7 7   7 3 . 7 7   0 . 0 0   3 0 0 0 . 0 0   8 2 . 1 8   8 2 . 2 0   0 . 0 2   4 0 0 0 . 0 0   1 0 0 . 0 0   1 0 0 . 0 0   0 . 0 0   4 2 5 0 . 0 0   1 0 0 . 0 0   1 0 0 . 0 3   0 . 0 3   5 5 0 0 . 0 0   1 0 0 . 0 0   1 0 0 . 0 4   0 . 0 4   6 0 0 0 . 0 0   1 0 0 . 0 0   1 0 0 . 0 4   0 . 0 4       F o Af a m   P o w er   Sta t io n :   T o t a l   A r e a   L o a d ( M W )     S i m u l a t e d   G e n .   ( M W )     A N N 's R e sp o n se   ( M W )   %E r r o r     1 7 5 0 . 0 0   1 8 0 . 8 0   1 8 0 . 5 6   0 . 1 3   2 0 0 0 . 0 0   2 2 2 . 2 1   2 2 2 . 1 0   0 . 0 5   2 2 5 0 . 0 0   2 5 0 . 1 2   2 4 9 . 1 1   0 . 4 0   2 5 0 0 . 0 0   2 7 5 . 8 3   2 7 5 . 4 6   0 . 1 3   2 7 0 0 . 0 0   3 2 0 . 2 2   3 2 1 . 5 1   0 . 4 0   3 0 0 0 . 0 0   3 5 7 . 4 4   3 5 6 . 9 8   0 . 1 3   4 0 0 0 . 0 0   5 5 0 . 5 3   5 5 1 . 4 5   0 . 1 7   4 2 5 0 . 0 0   5 9 0 . 7 7   5 9 1 . 1 6   0 . 0 7   5 5 0 0 . 0 0   8 1 3 . 6 0   8 1 2 . 7 1   0 . 1 1       F o K a inji  H y dro   P o w er   Sta t io n :     T o t a l   A r e a   L o a d   ( M W )     S i m u l a t e d   G e n .   ( M W )     A N N 's R e sp o n se     ( M W )   %E r r o r     1 7 5 0 . 0 0   2 2 9 . 2 0   2 2 9 . 2 5   0 . 0 2   2 0 0 0 . 0 0   2 4 9 . 9 0   2 4 9 . 1 0   0 . 3 2   2 2 5 0 . 0 0   2 7 0 . 1 4   2 6 9 . 9 8   0 . 0 6   2 5 0 0 . 0 0   2 9 2 . 0 1   2 9 2 . 1 0   0 . 0 3   2 7 0 0 . 0 0   3 1 0 . 1 2   3 1 2 . 2 2   0 . 6 8   3 0 0 0 . 0 0   3 3 4 . 8 5   3 3 3 . 9 9   0 . 2 6   4 0 0 0 . 0 0   4 1 9 . 6 8   4 2 0 . 2 2   0 . 1 3   4 2 5 0 . 0 0   4 4 5 . 8 1   4 4 6 . 1 8   0 . 0 8   5 5 0 0 . 0 0   5 8 2 . 2 7   5 8 3 . 6 2   0 . 2 3   6 0 0 0 . 0 0   6 8 7 . 2 6   6 8 6 . 7 9   0 . 0 7       F o O rj i P o w er   St a t io n :   T o t a l   A r e a   L o a d   ( M W )      S i m u l a t e d   G e n .   ( M W )   A N N 's R e sp o n se   ( M W )   %E r r o r     1 7 5 0 . 0 0   1 5 . 2 9   1 5 . 4 0   0 . 7 2   2 0 0 0 . 0 0   2 2 . 6 1   2 2 . 5 5   0 . 2 7   2 2 5 0 . 0 0   2 8 . 4 2   2 8 . 4 4   0 . 0 7   2 5 0 0 . 0 0   3 0 . 0 0   2 9 . 9 7   0 . 1 0   2 7 0 0 . 0 0   3 0 . 0 0   2 9 . 9 9   0 . 0 3   3 0 0 0 . 0 0   3 0 . 0 0   2 9 . 9 9   0 . 0 3   4 0 0 0 . 0 0   3 0 . 0 0   2 9 . 9 9   0 . 0 3   4 2 5 0 . 0 0   3 0 . 0 0   2 9 . 9 9   0 . 0 3   5 5 0 0 . 0 0   3 0 . 0 0   2 9 . 9 9   0 . 0 3   6 0 0 0 . 0 0   3 0 . 0 0   2 9 . 9 9   0 . 0 3   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ AA S   I SS N:  2252 - 8814       A r tifi cia l Neu r a N etw o r B a s ed   E co n o mic  Gen era tio n   S c h e d u lin g   in   N ig eria   ( Omo r o g i u w a   E s eo s a )   213   4.   DIS CU SS I O N   I n   o th er   to   ec o n o m ical l y   d is p atch   p o w er   g en er ated ,   it  m u s b as  ec o n o m ical  as  p o s s ib le .   I n     lar g in ter co n n ec ted   s y s te m s ,   it  i s   h u m a n l y   i m p o s s ib le  to   ca lcu l ate  an d   ad j u s ea ch   g en er atio n   an d   h e n ce   t h h e lp   o f   d ig ital  co m p u ter   s y s te m   i s   b ein g   u s ed   an d   th w h o le  p r o ce s s   is   ca r r ied   o u a u to m at ic all y .   T h m o s ec o n o m ic  g en er atio n   s ch ed u lin g   o f   p o wer     in   th e   Ni g er ia  3 3 0 KV  n et w o r k   is   d eter m i n ed   f o r   ea ch   s tatio n   as  s h o w n   b o t h   i n   T ab le   3   an d   4   r esp ec tiv el y .   T h f ir s s tag i s   to   m o d el  t h Nig er ia  3 3 0 KV  n et w o r k   i n   p o w er   w o r ld   s i m u lato r   en v ir o n m e n in   o r d er   to   o b tain   t h b est  s ch ed u le  i f   ce r tai n   q u a n tit y   o f   g e n er atio n   is   r e q u ir ed   ass u m e   r an g o f   ( 1 5 0 0 MW - 6 0 0 0 M W )   as  s h o wn   i n   T ab le  3 .   T h n ex s ta g is   th e n   to   f u r t h er   o p ti m ize  t h ese   g en er atio n s   s ch ed u li n g   u s i n g   ANN  ap p r o ac h   an d   th en   m a k co m p ar is o n   b et w ee n   t h s i m u la ted   s ch ed u l in g   w it h   an d   w i t h o u o p ti m izatio n   as  s h o w n   in   T ab le  4 .   I n   th co u r s o f   th i s   w o r k ,   P W ( p o w er   s y s te m   m o d ellin g   s o f t w a r e)   is   u s ed   to   d eter m i n ec o n o m ic  g e n er atio n   s c h ed u li n g   co n s id er in g   tr a n s m i s s io n   l o s s es  o f   p o w er   p la n ts   v er y   e f f icie n tl y   a n d   ac c u r atel y .   D if f er en g e n er atio n   s c h ed u lin g   v al u e s   r an g in g   f r o m   1 5 0 0 MW - 6 0 0 0 MW   w er u s ed .   T h is   s ch ed u le  en s u r es  th at  t h e   s y s te m s   ar al w a y s   n o s tr e s s ed   b e y o n d   t h eir   th er m al  l i m it  a n d   th lo s s es  o f   ea c h   p o w er   s tatio n   an d   t h eir   co n s tr ain ts   ar p u in to   co n s i d er atio n .   A   c ase  o f   lo ad   s ch ed u le  o f   1 5 0 0 MW  s h o w s   co n tr ib u tio n   o f   in d i v id u al   g en er ato r s   a s   ec o n o m ical  a s   p o s s ib le  co n s id er i n g   g e n er ati n g   p o w er   w i th i n   t h ac ce p tab le  lo s s   r a n g e   an d   p o w er   li m it s   ( ac ti v a n d   r ea cti v e)   . T ak al s o   an   i n s ta n ce   o f   t h Ni g er ia  p o w er   n et w o r k   g e n er at i n g   2 5 0 0 MW ,   f o r   o p ti m al   s ch ed u lin g ,   t h v ar io u s   s ta tio n s   ar r eq u ir ed   to   g e n er ate  v a r io u s   q u a n tit y   o f   p o w er   as  s h o w n   i n   tab le  3 . 0 . Ho w e v er   co n s id er in g     th s a m q u a n tit y   o f   p o w er   g e n er atio n   u s i n g   A N ap p r o ac h ,   an d   th en   co m p ar i n g   th s a m r es u lt   w it h o u t   th A NN,   t h r esu lts   o b tain ed   is   s h o w n   i n   tab le  4 . 0 . P e r ce n tag er r o r s   w er co m p u ted   to   s h o w   t h b est  ap p r o ac h   an d   it  w as  f o u n d   th a t a d o p tin g   A NN  f o r   g en er atio n   s c h ed u li n g   is   b est as it s   v er y   ec o n o m ical.         5.   CO NCLU SI O N/R E CO M M E NDA T I O   E co n o m ic  lo ad   d is p atch   i n   el ec tr ic  p o w er   s ec to r   is   a n   i m p o r tan tas k ,   as  it  is   r eq u ir ed   t o   d is tr ib u te   th lo ad   a m o n g   t h g en er ati n g   u n it s   ac t u all y   p ar alleled   w i t h   t h s y s te m   i n   s u c h   m a n n e r   as  to   m i n i m is t h co s o f   s u p p l y i n g   t h m i n u te  to   m i n u te  r eq u ir e m e n o f   th e   s y s te m   w h i ch   aid s   in   p r o f it - m ak in g .   I n   lar g in ter co n n ec ted   s y s te m ,   it  i s   h u m an l y   i m p o s s ib le  to   ca lcu late  an d   ad j u s ea ch   g e n er atio n   an d   h en ce   t h h elp   o f   d ig ital  co m p u ter   s y s te m   i s   b ein g   u s ed   a n d   th e   w h o le   p r o ce s s   i s   ca r r ied   o u t   au to m atic all y .   C u r r e n tl y   t h p r ac t ice  o f   E L is   n o o b tain a b le  in   Nig er ia.   I is   th er ef o r r ec o m m e n d ed   th at  th Ni g er ia  g o v er n m e n s h o u ld   ad o p t th ap p r o ac h   o f   ec o n o m icall y   s c h ed u lin g   p o w er   g en er atio n .         RE F E R E NC E S   [1 ]   Ch o w d h u ry   B H . e a l. ,   re v i e o f   r e c e n a d v a n c e in   e c o n o m ic  d isp a tch ,”   IEE T ra n Po we S y st .,   1 9 9 0 ,   Vo l.   5 ,   No .   4 ,   p p .   1 2 4 8 12 5 7 .   [2 ]   Ro ss   D .   W . e a l . ,   Dy n a m i c   e c o n o m ic d isp a tch   o f   g e n e ra ti o n ,”   IEE T ra n s P o we r A p p a r S y st .,   1 9 8 0 ,   Vo l.   99 ,   No .   6 ,   p p .   2 0 6 0 2 0 6 8.   [3 ]   Ra b in   A . J . e a l . ,   A   h o m o g e n e o u li n e a p ro g ra m m in g   a lg o rit h m   f o th e   se c u rit y   c o n str a in e d   e c o n o m ic  d isp a tch   p ro b lem ,   IEE T ra n s P o we r S y s t . ,   2 0 0 0 ,   Vo l.   15 ,   No .   3 ,   p p .   9 3 0 93 6.   [4 ]   L in   C E . e a l . ,   Hie ra rc h ica e c o n o m ic  d isp a tch   f o p iec e w i se   q u a d ra ti c   c o st  f u n c ti o n s ,”   IEE E   T ra n Po we Ap p a r S y st . ,   1 9 8 4 ,   V o l.   1 0 3 ,   No .   6 ,   p p .   1 1 7 0 1 1 7 5.   [5 ]   Ch e n   S D . e a l . ,   A   d irec Ne w t o n Ra p h so n   e c o n o m ic  e m issio n   d isp a tch ,”   El e c tr  Po we E n e rg y   S y st .,   2 0 0 3 ,   V o l.   2 5 ,   p p .   4 1 1 41 7.   [6 ]   W o o d   A J . e a l. P o w e g e n e ra ti o n ,   o p e ra ti o n   a n d   c o n tro l ,”   Ne Y o rk J o h n   W il e y   &   S o n s .   1 9 9 4 .   [7 ]   L ian g   Z .   X . e a l . ,   A   z o o m   f e a tu re   f o a   p ro g ra m m in g   so lu ti o n   to   e c o n o m ic  d isp a tc h   in c l u d i n g   tran sm is sio n   lo ss e s,”   IEE T ra n s P o we r S y st . ,   1 9 9 2 ,   Vo l.   7 ,   N o .   3 ,   p p .   5 4 4 5 5 0 .   [8 ]   F a n   J .   Y . e a l . ,   Re a l - ti m e   e c o n o m ic  d isp a tch   w it h   li n e   f l o w   a n d   e m issio n   c o n stra i n ts  u sin g   q u a d ra ti c   p ro g ra m m in g ,   IEE T ra n s P o we r S y st .,   1 9 9 8 ,   Vo l.   13 ,   No .   2 ,   p p .   320 32 5.   [9 ]   Ch e n   C .   L . e a l . ,   Bra n c h - a n d - b o u n d   sc h e d u l in g   f o th e r m a g e n e ra ti n g   u n it s ,”   IEE T ra n s E n e rg y   Co n v e r .,   1 9 9 3 V o l .   8 ,   No .   2 ,   p p .   1 8 4 18 9.   [1 0 ]   Ya n g   H .   T . e a l . ,   In c o rp o ra ti n g   a   m u lt i - c rit e ria  d e c isi o n   p r o c e d u re   i n to   t h e   c o m b in e d   d y n a m i c   p ro g ra m m in g /p ro d u c ti o n   sim u latio n   a lg o rit h m   f o g e n e ra ti o n   e x p a n sio n   p la n n i n g ,   IEE T ra n Po we S y st .,   1 9 8 9 V o l .   4 ,   No .   1 ,   p p .   1 6 5 1 7 5 .   [1 1 ]   S in h a   N . e t   a l . ,   Ev o l u ti o n a ry   p ro g ra m m in g   tec h n i q u e f o e c o n o m ic  lo a d   d is p a tch ,   IE EE   T r a n s   Evo C o mp u t .,   2 0 0 3 ,   Vo l.   7 ,   N o .   1 ,   p p .   83 9 4 .   [1 2 ]   Ro a - S e p u lv e d a   C A . e a l . ,   A   so lu t io n   t o   t h e   o p ti m a p o w e fl o w   u sin g   sim u late d   a n n e a li n g ,   El e c tr  Po we En e rg y   S y st ,   2 0 0 3 ,   V o l .   25 ,   N o .   1 ,   p p .   47 5 7 .   [1 3 ]   Ku m a J . e a l . ,   Clam p e d   sta te  s o lu ti o n   o f   a rti f icia n e u ra n e t w o rk   f o re a l - ti m e   e c o n o m ic  d isp a tch ,”   IEE T ra n s   Po we r S y st ,   1 9 9 5 ,   Vo l.   10 ,   No .   2 ,   p p .   9 2 5 9 31.   [1 4 ]   Ya lcin o z   T . e a l . ,   Ne u ra n e tw o rk   a p p ro a c h   f o so lv in g   e c o n o m ic  d isp a tch   p ro b lem   w it h   tr a n sm is sio n   c a p a c it y   c o n stra in ts,   IE EE   T r a n s P o we r S y st .,   1 9 9 8 ,   V o l .   13 ,   N o .   2 ,   p p .   3 0 7 3 1 3 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8814   IJ AA S    Vo l.   3 ,   No .   4 Dec em b er   201 4   :   2 0 4     2 1 2   214   [1 5 ]   M ich a lew icz   Z . e a l . ,   Ev o lu ti o n a ry   a l g o rit h m f o c o n stra in e d   p a ra m e ter  o p t im iz a ti o n   p r o b lem s,”   Evo Co m p u t . ,   1 9 9 6 ,   Vo l.   4 ,   N o .   1 ,   p p .   1 3 2 .   [1 6 ]   G a in g   Z .   L . ,   P a rti c le  s w a r m   o p ti m iz a ti o n   to   so lv in g   th e   e c o n o m ic  d isp a tch   c o n si d e rin g   th e   g e n e ra to c o n stra in ts ,”   IEE T ra n s P o we r S y st .,   2 0 0 3 ,   Vo l.   18 ,   No .   3 ,   p p .   1 1 8 7 11 9 5 .   [1 7 ]   P a rk   J B . e a l . ,   A   p a rti c le  sw a r m   o p ti m iza ti o n   f o e c o n o m ic  d isp a tch   w it h   n o n   sm o o th   c o st   f u n c ti o n ,”   IE EE   T ra n s P o we r S y st .,   2 0 0 5 ,   V o l .   20 ,   No .   1 ,   p p .   34 42.   [1 8 ]   N.  Ra jk u m a r,   e a l. A   Re v ie w   o f   G e n e ti c   A lg o rit h m in   P o w e En g in e e rin g ,   AI  a n d   M a c h in e   Co n sc io u sn e ss ,   Pro c e e d in g o t h e   1 3 th   F in n ish ,   Arti fi c ia I n telli g e n c e   Co n fer e n c e   S tep ,   2 0 0 8 ,   pp .   15 - 3 2 .   [1 9 ]   R. Na y a k e a l. ,   A   H y b rid   N e u ra Ne tw o rk   a n d   S im u late d   A n n e a li n g   A p p ro a c h   to   t h e   Un it   Co m m it m e n t   P r o b lem .   [2 0 ]   Na y a k   R. ,   Ne u ra Ne tw o rk   A p p ro a c h   t o   Un i Co m m it m e n P ro b l e m ,”   M . E. - Diss e rta ti o n ,   De p o El e c trica En g . ,   Un ive rs it y   o Ro o rk e e ,   In d ia ,   1 9 9 5 .     [2 1 ]   Ou y a n g   Z. ,   e a l .,  A   H y b rid   A rt if icia Ne u ra Ne t w o rk - D y n a m ic  P r o g ra m m in g   A p p ro a c h   to   Un it   Co m m it m e n t ,”   IEE T ra n sa c ti o n o n   PS ,   1 9 9 2 ,   pp.   2 3 6 - 2 4 2 .     [2 2 ]   S a sa k i   H.,   e a l .,  A   so lu ti o n   M e th o d   u sin g   Ne u ra Ne tw o rk   f o t h e   Ge n e ra to Co m m it m e n P ro b l e m ,”   El e c trica l   En g .   in   J a p a n ,   1 9 9 2 ,   Vo l.   1 1 2 ,   p p .   55 - 6 1 .       [2 3 ]   E   O m o ro g iu w a ,   e a l. ,   De ter m in a ti o n   Of   Bu V o lt a g e s,  P o w e L o ss e A n d   F lo w In   T h e   Nig e ria  3 3 0 k v   In teg ra ted   P o w e S y ste m ,   In ter n a ti o n a J o u rn a l   Of  A d v a n c e s In   En g in e e rin g   &   T e c h n o l o g y ,   2 0 1 2 ,   V o l.   4 ,   N o .   1 ,   p p .   9 4 - 1 0 6 .   Evaluation Warning : The document was created with Spire.PDF for Python.