Multi-Objective Bee Swarm Optimization Algorithm with Minimum Manhattan Distance for Passive Power Filter Optimization Problems

Abstract

Harmonic distortion in power systems is a significant problem, and it is thus necessary to mitigate critical harmonics. This study proposes an optimal method for designing passive power filters (PPFs) to suppress these harmonics. The design of a PPF involves multi-objective optimization. A multi-objective bee swarm optimization (MOBSO) with Pareto optimality is implemented, and an external archive is used to store the non-dominated solutions obtained. The minimum Manhattan distance strategy was used to select the most balanced solution in the Pareto solution set. A series of case studies are presented to demonstrate the efficiency and superiority of the proposed method. Therefore, the proposed method has a very promising future not only in filter design but also in solving other multi-objective optimization problems.

Passive Power Filter Optimization Problem Based on Adaptive Multipopulation NSGA-II and CRITIC-TOPSIS

“…More researchers are using algorithms to examine the best PPF design because parts of the processes are not open to the public. In the article [28], Yang Nien-Che proposed the multiobjective bee colony optimization (MOBSO), which employs the Pareto optimality to carry out the best PPF design. e least Manhattan distance strategy is used to choose the most equilibrium solution in the Pareto set among the obtained nondominated solutions.…”

“…In literature [28] and literature [29], the author was working on a passive filter optimization algorithm, in which he compares the results of the algorithm proposed in the study with some classical algorithms (MOPSO, MOBA, SA) after processing. e GD results show the superiority of the proposed method by showing higher accuracy.…”

“…e top ranking is the optimal configuration with Current THD% of 0.823, COST of 0.902, and MBRP of 0.232. [34] 599.18 MOBSO [28] 587.28 MOABC [29] 586.69…”

Nghiên Cứu Phương Pháp Cải Tiến Chiến Lược Chọn Lọc Tự Nhiên Trong Giải Thuật Seamo2 Để Giải Các Bài Toán Tối Ưu Đa Mục Tiêu

“…Cùng với các kỹ thuật tính toán thông minh khác như tính toán mờ (fuzzy computing), mạng Nơ-ron (Neural Networks), hệ đa tác tử (Multi-agent systems), trí tuệ bầy đàn (Swarm intelligence), giải thuật di truyền ngày càng phát triển, được áp dụng rộng rãi trong các lĩnh vực của cuộc sống [4] - [7]. Đối với bài toán đa mục tiêu, đã có nhiều phương pháp nghiên cứu đề xuất ra các thuật toán để giải quyết bài toán như: MOGA, NSGA2, SPEA2, SEAMO2,… [8] - [11] trong đó giải thuật SEAMO2 là hiệu quả hơn cả. Với giải thuật SEAMO2, việc thay thế cá thể vào quần thể (thực hiện chiến lược chọn lọc tự nhiên) thì độ hội tụ về tập nghiệm tối ưu (với lần chạy ngắn) là chưa cao và khi quần thể nghiệm đã đạt ngưỡng tối ưu (với lần chạy dài) thì sẽ mất nhiều thời gian để loại cá thể không phù hợp.…”

“…Đã có nhiều công trình nghiên cứu nhằm mô hình hóa toán học giải thuật di truyền, các ảnh hưởng của các toán tử di truyền lên hành vi của giải thuật, đặc biệt là hành vi hội tụ tới nghiệm tối ưu. Trong nghiên cứu này nhóm tác giả tập trung nghiên cứu giải thuật thuật toán SEAMO, SEAMO2 [8] - [15].…”