Performance Comparison and Analysis of the Genetic Algorithms and Particle Swarm Optimization Methods to Optimize the Pressure-Flow Equations in Gas Transmission and Distribution Networks

Document Type : Original Article

Authors

Department of Gas Engineering, Petroleum University of Technology, Ahwaz, Iran

Abstract

One of the most important goals of gas engineering is to optimally distribute gas in gas transmission and distribution networks; however, this process often suffers from some inevitable distribution network problems such as errors caused by inaccurate estimates of pressure at various points in the network. Recently, statistical optimization methods have been proposed to solve this problem. Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) are common methods for this purpose. The purpose of this study is to compare the performances of these two procedures. If similar constraints and computational loads are applied to both methods, PSO can provide more accuracy and speed compared to GA, although repeatability of GA was found to be better.

Keywords

Article Title [فارسی]

مقایسه و آنالیز عملکرد بهینه سازی معادلات Pressure-Flow در شبکه خطوط انتقال و توزیع گاز به دو روش الگوریتم ژنتیک و الگوریتم ازدحام

Authors [فارسی]

  • رضا مسیبی بهبهانی
  • ناصر حاجی علی اکبری

دپارتمان مهندسی گاز، دانشکده نفت اهواز، دانشگاه صنعت نفت، اهواز، ایران

Abstract [فارسی]

یکی از مهمترین اهداف مهندسی گاز، توزیع بهینه گاز در شبکه های انتقال و توزیع گاز است. هرچند که اغلب این فرایند از مسائل غیر قابل اجتنابی مانند وجود خطا در تخمین نادقیق فشار در نقاط مختلف شبکه رنج می برد. اخیرا روشهای بهینه سازی آماری برای حل این مشکل پیشنهاد شده است. روش های ازدحام ذرات و الگوریتم ژنتیک روشهای مرسوم بهینه سازی برای این هدف هستند. هدف از این مطالعه مقایسه عملکرد این دو روش در یک مثال واقعی از شبکه ایران است و با انجام آزمایش 99.99 درصد دقت بدست آمد. در شرایط اعمال محدودیت و بار محاسبات یکسان بر دو روش، عملکرد روش ازدحام ذرات سریعتر و دقیقتر از الگوریتم ژنتیک مشاهده گردید. هر چند که تکرارپذیری روش الگوریتم ژنتیک بهتر از روش ازدحام ذرات بود.

Keywords [فارسی]

  • شبکه گاز
  • بهینه سازی
  • بهینه سازی ازدحام ذرات
  • الگوریتم ژنتیک
Ahmed, T.H, 1989. Hydrocarbon Phase Behavior (Vol. 7). Gulf Publishing, Houston.
Eberhard, R.C., Kennedy, J., 1995. A new optimizer using particle swarm theory. Sixth International Symposium on MicroMachine and Human Science, Nagoya, Japan, 39-43.
Edgar, T.F., Himmelblau, D.M., Bicke, T.C., 1988. Optimal design of gas transmission networks. SPE, Texas.
Goldberg, D.E., Holland, J.H., 1988. Genetic algorithms and machine learning. Machine Learning 3 (2), 95-99.
Haji Ali Akbari, N., Mosaiebi Behbahani, R., 2014.  Tuning of the pressure equation in the natural gas transmission network. International Journal of Computer Applications 85 (1), 14-21.
Hanmer, G., Jackson, E., Hansen, D., Velde, B., Losnegard, S.E., 2012. Tuning of subsea pipeline models to optimize simulation accuracy. Pipeline Simulation Interest Group, PSIG Annual Meeting, Santa Fe, New Mexico.
Holland, J.H., 1992. Adaptation in Natural and Artificial Systems. Cambridge, MIT.
Kennedy, J., 1993. Oil and Gas Pipeline Fundamentals. Pennwell Books, USA.
Kennedy, J., Eberhart, R.C., 1995. Particle swarm optimization. IEEE International Conference on Neural Networks, Piscataway, NJ, 1942–1948.
Mokhatab,S., Mak, J.Y., Valappil, J.V., Wood, D.A., 2014. Handbook of Liquefied Natural Gas (1st ed.). Gulf Professional, Elsevier Science Limited.
Rao S.S., 2009. Engineering Optimization Theory and Practice (4th ed.). Wiley, USA.
Schroeder, D.W., 2001. A tutorial on pipe flow equations. 33rd PSIG Annual Meeting, Salt Lake City, UT.