سهولت تبدیل برق به سایر انرژیها موجب وابستگی شدید فعالیتهای بشر به آن شده است. مسائل زیستمحیطی، محدودیت منابع، توزیع ناعادلانه منابع و وابستگی شدید اقتصاد کشورها به انرژی موجب توجه بیشتر به بهینهسازی ترکیب منابع تولیدکننده برق شده است. همچنین باتوجه به اینکه در سیاستگذاری و برنامهریزیهای جامع، اهداف متعدد و متفاوتی مطرح میشود که گاها درتضاد با یکدیگر هستند؛ این موضوع که بهینهسازی ترکیب بهینه سبد تولید انرژی برمبنای چههدفی انجام شود، بسیار مهم است. در این پژوهش سبد تولید برق، ترکیبی از گروه انرژیهای فسیلی، تجدیدپذیر و هستهای در نظر گرفته شده است و بهینهسازی با بکارگیری روش الگوریتمژنتیک (در700رشته200 کروموزمی) با استفاده از نرمافزار متلب در دو حالت تکهدفه (GA) و چندهدفه (NSGA-II) برای ایران طی دوره 1403-1397 مورد بررسی و مقایسه قرار گرفته است. ترکیب سبدهای بهینهسازی شده با روش بهینهسازی چند هدفه، نسبت به روشهای تک هدفه از توازن کمتری برخوردار است، زیرا در این روش مجموعهای از راهحلها معرفی میشود که هرکدام، یکی از اهداف را در سطح قابل قبولی برآورده میکنند. بهعبارتی دستیابی بهنقاط بهینهعمومی محتملتر از حالت تکهدفه است؛ زیرا بهینهسازی تکهدفه معمولا نقاط بهینهمحلی را معرفی میکند و موجب گمراهی و دورشدن از هدف اصلی میشود. از این رو قویا بکارگیری بهینهسازی چندهدفه جهت بهینهسازی سبد تولید برق کشور توصیه میشود.
طبقه بندی JEL: C61، O13، Q43، Q1
کلید واژهها: الگوریتم ژنتیک، بهینهسازی تک هدفه، بهینهسازی چند هدفه، سبد انرژی برق.
The ease of converting electricity into other energies has caused human activities to be highly dependent on it. Environmental issues, limited resources, unfair distribution of resources and the strong dependence of countries' economies on energy have caused more attention to be paid to optimizing the mix of electricity producing resources. Also, different goals are proposed in policy-making and comprehensive planning, which are in conflict with each other; so It’s important to optimize the composition of the energy production portfolio based on what purpose. In this research, the electricity generation portfolio is a combination of fossil, renewable and nuclear energy groups, and optimization is done using the genetic algorithm method with MATLAB software in single-objective (GA) and multi-objective (NSGA-II) modes. The comparison of optimization methods showed that the share of energies for single-objective optimization based on economic index is different from modes based on environmental index and Multi-purpose optimization. Through multi-objective optimization, a set of solutions is introduced, each of which fulfills one of the objectives at an acceptable level. In other words, achieving general optimal points is more likely than single-objective mode. single-objective optimization usually introduces local optimal points and leads to misguidance and moving away from the main goal.