Mở rộng lưới truyền tải bằng giải thuật meta heuristic

Mở rộng lưới truyền tải bằng giải thuật meta heuristic Mở rộng lưới truyền tải bằng giải thuật meta heuristic Mở rộng lưới truyền tải bằng giải thuật meta heuristic Mở rộng lưới truyền tải bằng giải thuật meta heuristic

MỤC LỤC

QUYẾT ĐỊNH GIAO ĐỀ TÀI

LÝ LỊCH CÁ NHÂN i

LỜI CAM ĐOAN ii

LỜI CẢM ƠN iii

TÓM TẮT iv

MỤC LỤC vi

DANH SÁCH CÁC CHỮ VIẾT TẮT ix

DANH SÁCH CÁC HÌNH x

DANH SÁCH CÁC BẢNG xi

Chương 1: GIỚI THIỆU 1

1.1 Tính cấp thiết của luận văn: 1

1.2 Tổng quan các công trình nghiên cứu: 4

1.2.1 Tổng quan phương pháp quy hoạch nguồn: 4

1.2.2 Tổng quan phương pháp dùng thiết bị Facts: 5

1.2.3 Tổng quan phương pháp thêm đường dây mới: 7

1.2.4 Tổng quan phương pháp quy hoạch nguồn kết hợp lắp đặt thêm đường dây mới: 8

1.3 Mục tiêu của luận văn: 9

1.4 Nhiệm vụ của luận văn: 9

1.5 Phạm vi của luận văn: 9

1.6 Phương pháp nghiên cứu: 9

1.7 Kết quả: 10

1.8 Nội dung của luận văn: 10

Chương 2: TỔNG QUAN 11

2.1 Tổng quan mô hình hóa hệ thống Truyền tải điện: 11

2.1.1 Mô hình tải: 11

2.1.2 Mô hình nguồn phát điện: 12

2.1.3 Mô hình đường dây: 13

2.1.4 Mô hình máy biến áp: 15

2.1.5 Mô hình tụ bù dọc: 15

2.1.6 Mô hình bài toán: 15

2.2 Thuật toán tối ưu hóa bầy đàn PSO: 16

2.2.1 Giới thiệu về thuật toán tối ưu hóa bầy đàn: 16

2.2.2 Lịch sử phát triển của giải thuật tối ưu hóa bầy đàn: 16

2.2.3 Khái quát hóa giải thuật tối ưu hóa bầy đàn: 17

2.2.4 Các khái niệm trong giải thuật PSO: 19

2.2.5 Các bước trong việc xây dựng giải thuật PSO: 20

2.2.6 Lưu đồ giải thuật PSO: 20

2.2.7 Những vấn đề cần quan tâm khi xây dựng giải thuật PSO: 21

2.2.8 Đặc điểm và ứng dụng của giải thuật PSO: 24

2.3 Các phương pháp đã được áp dụng: 24

2.3.1 Phương pháp ACO: 25

2.3.2 Phương pháp SA: 25

2.3.3 Phương pháp tìm kiếm Tabu: 26

2.3.4 Phương pháp DE: 27

2.3.5 Phương pháp GA: 27

2.3.6 Phương pháp Keruel- Oriented: 28

Chương 3: PHƯƠNG PHÁP LUẬN 29

3.1 Các đại lượng mô tả hệ thống: 29

3.1.1 Các loại nút trong hệ thống điện: 29

3.1.2 Ma trận tổng dẫn nút Ybus và ma trận tổng trở nút Zbus: 29

3.2 Phương trình toán các thành phần hệ thống điện: 30

3.2.1 Phương trình dòng công suất: 30

3.2.2 Phương trình công suất trên đường dây và các tổn thất: 30

3.3 Mô tả bài toán cực tiểu chi phí vận hành và chi phí mở rộng lưới bằng giải thuật

PSO: 31

3.3.1 Mô tả bài toán với giải thuật PSO: 31

3.3.2 Hàm mục tiêu: 35

3.4 Ràng buộc: 38

3.4.1 Phương trình dòng tải: 38

3.4.2 Giới hạn truyền tải: 39

3.4.3 Giới hạn phân bố công suất truyền tải: 39

3.4.4 Ràng buộc điện áp: 40

3.4.5 Ràng buộc công suất: 40

3.5 Lưu đồ thuật toán: 41

3.6 Mô hình hệ thống thử nghiệm: 41

Chương 4: KẾT QUẢ MÔ PHỎNG 50

4.1 Kết quả phân bố công suất cho lưới điện hiện có: 50

4.1.1 Kết quả phân bố công suất tại 100% tải: 50

4.1.2 Kết quả phân bố công suất tại 120% tải: 53

4.2 Thực thi chương trình mở rộng phụ tải: 55

4.3 Kết quả phân bố công suất cho lưới điện sau mở rộng: 59

4.3.1 Kết quả phân bố công suất tại 110% tải 59

4.3.2 Kết quả phân bố công suất tại 120% tải: 61

4.3.3 Kết quả phân bố công suất tại 130% tải: 62

4.3.4 Kết quả phân bố công suất tại 140% tải: 63

4.3.5 Kết quả phân bố công suất tại 145% tải: 64

Chương 5: KẾT LUẬN 65

5.1 Nhận xét: 65

5.2 Các vấn đề đã thực hiện được trong luận văn: 65

5.3 Các vấn đề chưa thực hiện được: 67

5.4 Các kiến nghị và hướng phát triển của đề tài: 67

TÀI LIỆU THAM KHẢO 68

Tabu Search Optimal Power Flow All Possible Candidates All Feasible Candidates All Good Candidates Flexible Alternating Current Transmission System Differential Evolutions

Ant Colony Optimization Simulated Annealing Least Square Monte Carlo Generation Expansion Planning

DANH SÁCH CÁC HÌNH

HÌNH TRANG

Hình 1.1: Hệ thống điện 1

Hình 1.2: Trạm biến áp 500kV 2

Hình 1.3: Đường dây 500kV 3

Hình 1.4: Nhà máy nhiệt điện 4

Hình 1.5: Tụ bù dọc đường dây 500kV 6

Hình 1.6: Đường dây 500kV 8

Hình 2.1: Mô hình đương dây thông số tập trung 14

Hình 2.2: Mô hình đường dây thông số rải 14

Hình 2.3: Khái niệm về sự thay đổi diểm tìm kiếm của PSO 18

Hình 2.4: Lưu đồ chung cho giải thuật PSO 21

Hình 2.5: Chuyển động của cá thể 23

Hình 3 1: Mô hình khảo sát một nút bất kỳ trong hệ thống 30

Hình 3 2: Mô hình đường dây truyền tải để tính phân bố công suất 31

Hình 3 3: Mã hóa đường dây 32

Hình 3 4: Hệ thống thử nghiệm Garver 5 nút 33

Hình 3 5: Các đường dây ứng viên đưa vào hệ thống 34

Hình 3 6: Sơ đồ lưới điện mới sau khi mở rộng 35

Hình 3 7: Lưu đồ thuật toán giải thuật PSO 41

Hình 3 8: Sơ đồ hệ thống IEEE 30 nút 49

Hình 4 1: Đồ thị phân bố điện áp tại 100% tải trong lưới điện hiện tại 51

Hình 4 2: Đồ thị phân bố công suất tại 100% tải trong lưới điện hiện tại 52

Hình 4 3: Biểu đồ phân bố điện áp tại 120% tải 53

Hình 4 4: Biểu đồ phân bố công suất tại 120% tải 54

Hình 4 5: Sơ đồ hệ thống điện sau khi mở rộng 56

Hình 4 6: Đồ thị tăng tải trong 10 năm 58

Hình 4 7: Trình tự xây dựng các đường dây trong 10 năm 59

Hình 4 8: Phân bố công suất trên các nhánh tại 110% tải 60

Hình 4 9: Phân bố công suất trên các nhánh tại 120% tải 61

Hình 4 10: Phân bố công suất trên các nhánh tại 130% tải 62

Hình 4 11: Phân bố công suất trên các nhánh tại 140% tải 63

Hình 4 12: Phân bố công suất trên các nhánh tại 145% tải 64

DANH SÁCH CÁC BẢNG

BẢNG TRANG

Bảng 3 1: Kết quả mã hóa để chọn đường dây thêm vào hệ thống 34

Bảng 3 2: Thông số nút trong hệ thống IEEE 30 nút 42

Bảng 3 3: Thông số nhánh trong hệ thống IEEE 30 nút 43

Bảng 3 4: Thông số nhánh có thể thêm vào trong hệ thống IEEE 30 nút 44

Bảng 3 5: Chi phí đường dây hiện hữu và ứng viên 45

Bảng 4 1: Kết quả phân bố điện áp tại 100% tải trong lưới điện hiện tại 51

Bảng 4 2: Kết quả phân bố công suất tại 100% tải trong lưới điện hiện tại 52

Bảng 4 3: Phân bố điện áp tại các nút tại 120% tải 53

Bảng 4 4: Phân bố công suất trên đường dây tại 120% tải 54

Bảng 4 5: Các đường dây được thêm vào hệ thống điện 55

Bảng 4 6: Cấu trúc đường dây của hệ thống điện mới 57

Chương 1

GIỚI THIỆU

1.1 Tính cấp thiết của luận văn:

Nhu cầu năng lượng ngày càng tăng đang đặt ra sức ép lên hệ thống điện, việc phát triển ngành điện phải gắn liền với chiến lược phát triển kinh tế - xã hội và phải đảm bảo cung cấp điện cho nền kinh tế quốc dân và đời sống xã hội với chất lượng điện năng ngày càng cao, đồng thời phải sử dụng có hiệu quả nguồn tài nguyên năng lượng, đa dạng hóa các nguồn năng lượng sơ cấp cho sản xuất điện, bảo tồn nhiên liệu và đảm bảo an ninh năng lượng cho tương lai Hiện nay vấn đề các nguồn sản xuất điện thường ở xa khu tiêu thụ, vì vậy cần phải truyền tải điện từ nơi này đi nơi khác Trong quá trình vận hành và phát triển lưới điện gặp nhiều khó khăn vì phải đảm bảo tính cung cấp điện liên tục, đảm bảo hệ thống hoạt động tốt nên phải thường xuyên theo dõi, kiểm tra sửa chữa lưới truyền tải

Hình 1.1: Hệ thống điện

Tương xứng với nhu cầu tiêu thụ điện ngày một tăng, thị trường điện ra đời đã mang lại nhiều phúc lợi xã hội Tuy nhiên, sự nghẽn mạch trên hệ thống điện xảy ra thường xuyên hơn Vì vậy, việc cấp thiết đặt ra của ngành điện là phải đầu tư mở rộng

hệ thống truyền tải nhằm đáp ứng nhu cầu cung cấp đầy đủ điện năng đến tâm phụ tải Việc mở rộng này nên được thực hiện một cách kịp thời đáp ứng các tiêu chí như: tối ưu hóa về kỹ thuật, kinh tế vận hành và đáp ứng độ tin cậy

Trong hệ thống điện việc cải tạo và nâng công suất hệ thống là một nhu cầu luôn luôn phải thường xuyên thực hiện để theo kịp với sự phát triển của phụ tải Trong lưới điện truyền tải các đường dây luôn phải thay đổi phương thức vận hành nhưng quá tải vẫn thường xuyên xảy ra, nếu để xảy ra quá tải lâu dài khi đó có thể sẽ dẫn đến tụt lèo, tụt mối nối, phát nhiệt, tăng độ võng gây đe dọa sự cố cho hệ thống

Mạng lưới điện truyền tải đóng góp một vai trò quan trọng trong việc truyền tải công suất cung cấp tới tất cả thành phần liên quan trong một thị trường để cung cấp và phân phối nguồn điện

Hình 1.2: Trạm biến áp 500kV

Hình 1.3: Đường dây 500kV

Để giải quyết bài toán quy hoạch mở rộng lưới, hiện nay có 3 phương pháp chính bao gồm: đặt thêm nhà máy phát điện, sử dụng thiết bị Facts và kéo thêm đường dây mới Ưu và nhược điểm của các phương pháp được phân tích dưới đây:

Phương pháp đặt thêm nhà máy phát điện: có ưu điểm là cung cấp công suất với tổn thất thấp nhất Nhưng nhược điểm của nó là không phải lúc nào cũng đặt được nhà máy phát điện, mà phải phụ thuộc vào các yếu tố như vị trí đía lí, môi trường, nguồn nguyên liệu, tâm phụ tải, bên cạnh đó chi phí lắp đặt nhà máy phát điện rất tốn kém, cần phải cân nhắc trong quá trình đầu tư

Phương pháp sử dụng thiết bị Facts: có ưu điểm là chống nghẽn mạch, nâng cao độ ổn định hệ thống điện Nhưng khi phụ tải tăng quá lớn thì không thể giải quyết bằng phương pháp thiết bị Facts, bởi vì bản thân nó không làm tăng khả năng truyền tải của đường dây

Phương pháp kéo thêm đường dây mới: có ưu điểm tăng công suất truyền tải dài hạn, nhưng chi phí để xây dựng thì rất tốn kém

Sau khi phân tích các phương pháp trên để quy hoạch mở rộng mạng lưới truyền tải điện thì nhận thấy phương pháp kéo thêm đường dây mới là hợp lý Có thể tăng công suất truyền tải dài hạn khắc phục được hạn chế không đặt được nhà máy phát tại các trung tâm kinh tế, cách xa nguồn nguyên liệu và ô nhiễm môi trường của phương pháp đặt thêm nhà máy phát, đồng thời cũng đáp ứng quá trình tăng tải theo

sự phát triển kinh tế - xã hội, khắc phục hạn chế của việc lắp đặt thiết bị Facts

Vì vậy, trong luận văn đề xuất việc quy hoạch mở rộng mạng lưới truyền tải bằng cách kéo thêm đường dây mới Tuy chi phí để mở rộng đường dây truyền tải là rất tốn kém, nhưng về lâu về dài sẽ mang lại hiệu quả kinh tế cao hơn các phương pháp quy hoạch mở rộng trên Luận văn này sử dụng giải thuật Meta-Heuristic với phương pháp PSO để giải quyết bài toán quy hoạch mở rộng mạng lưới Kết quả sẽ được phân tích trong các nội dụng phía sau

1.2 Tổng quan các công trình nghiên cứu:

1.2.1 Tổng quan phương pháp quy hoạch nguồn:

Quy hoạch mở rộng nguồn phát là bước quan trọng đầu tiên trong các bài toán quy hoạch dài hạn Phải xác định khi nào nhà máy phát được đặt, đặt ở chỗ nào và đặt để làm gì

Hình 1.4: Nhà máy nhiệt điện

Trong [1], đề xuất việc quy hoạch mở rộng nguồn tích hợp nguồn năng lượng tái tạo sử dụng mô hình cây quyết định, mô hình này có đủ tính linh hoạt, có khả năng

mô phỏng sự không chắc chắn của bài toán; Bài báo nghiên cứu khả năng cạnh tranh lâu dài của việc tích hợp nguồn năng lượng tái tạo cùng với các nguồn năng lượng truyền thống khác trong quy hoạch mở rộng nguồn phát, bằng cách kết hợp giữa mô hình quy hoạch ngắn hạn và mô hình quy hoạch dài hạn; Kết quả của việc đưa hệ thống nguồn năng lượng tái tạo vào là để cải thiện độ tin cậy hệ thống bằng cách giảm tổn thất hệ thống và dự trữ công suất; Ngoài ra, cũng giảm được tổng chi phí và công suất thay thế Trong [2], quy hoạch mở rộng dài hạn nguồn phát sử dụng hệ thống động và giải thuật di truyền; Bài báo trình bày phương pháp giúp người quản lý thị trường phát triển các kế hoạch đầu tư nguồn phát dài hạn, xem xét các khoản đầu tư của các đối thủ cạnh tranh khác và cho phép một cái nhìn sâu hơn, có các giải pháp bền vững hơn; Bài báo cũng tiến hành nghiên cứu độ nhạy, phương pháp này rất hữu dụng cho các chủ đầu tư, các cơ quan quản lý nhà nước trong việc mô tả sự tiến triển nhu cầu điện và giá điện Nghiên cứu ứng dụng và so sánh các kỹ thuật Meta-heuristic vào bài toán quy hoạch mở rộng nguồn phát [3] đề xuất quy trình lập bản đồ ảo và hệ

số phạt để cải thiện hiệu quả của các kỹ thuật Meta-heuristic, áp dụng 9 kỹ thuật heuristic cho ba trường hợp thử nghiệm để giải quyết bài toán cực tiểu chi phí GEP, hiệu quả của các kỹ thuật Meta-heurisic đã được cải thiện khi áp dụng các quy trình lập bản đồ ảo, hệ số phạt vào việc khắc phục hạn chế của quy hoạch động bằng các

kỹ thuật heuristic cải tiến; Giải pháp tối ưu hóa hoặc gần tối ưu hóa đạt được trong thời gian hợp lý

1.2.2 Tổng quan phương pháp dùng thiết bị Facts:

Việc cân bằng lại công suất giữa các đường dây bằng cách sử dụng thiết bị FACTS kết hợp với quy hoạch lại nguồn phát (GEP) để đáp ứng nhu cầu phụ tải có một ý nghĩa quan trọng Nó không chỉ giải quyết được tắc nghẽn cục bộ mà còn có thể tiết kiệm chi phí đầu tư và vận hành, giảm tổn thất điện năng, nâng cao tính ổn định của hệ thống

Trong bài toán TEP, mở rộng hệ thống điện bằng cách thêm thiết bị Facts, tăng khả năng truyền tải của hệ thống điện.Trong [4], thiết bị Facts được lựa chọn để khắc phục vấn đề điện áp thấp và nghẽn mạch đường dây; Các trường hợp được mô phỏng trên hệ thống Garver 6 nút, hàm mục tiêu là cực tiểu tổng chi phí xây dựng và vận hành hệ thống trong tương lai; Bài báo đã chỉ ra được các ứng viên dễ bị tổn thương nhất trong trường hợp xảy ra sự cố kéo dài (quá tải, đứt đường dây), việc thêm nhiều đường dây vào hệ thống không nhất thiết là cho hệ thống mạnh mẽ hơn việc thêm ít đường dây mà nó phụ thuộc vào việc bố trí kéo đường dây nào hợp lývà cũng cho thấy được hệ thống điện quy mô lớn thì mạnh mẽ hơn hệ thống điện có quy mô nhỏ

và sự hiệu quả sử dụng thiết bị Facts để loại bỏ nghẽn mạch và điện áp thấp, đảm bảo độ tin cậy, an ninh của hệ thống điện; Bài báo cũng chỉ ra nhược điểm của TCSC

có thể làm giảm hoặc loại bỏ nghẽn mạch, nhưng nó có thể gây quá điện áp trên đường dây lắp đặt TCSC; Cuối cùng bài báo cũng chỉ ra được ưu điểm của thiết bị Facts là dùng để nâng cao khả năng điều khiển hệ thống điện và tăng khả năng truyền tải công suất trên đường dây, là giải pháp tuyệt vời để vượt qua các tác động của các

dự án trì hoãn

Hình 1.5: Tụ bù dọc đường dây 500kV

Việc quy hoạch mở rộng mạng lưới dưới điều kiện không chắn chắn và vai trò Facts trong việc cung cấp chế độ vận hành linh hoạt [5] đề xuất phương pháp quy hoạch mở rộng trong đó đánh giá và đưa ra so sánh việc lựa chọn đầu tư đường dây truyền tải với việc đầu tư thiết bị Facts; Bài báo này cũng trình bày sự kết hợp giữa việc đầu tư đường dây truyền tải và đầu tư thiết bị Facts, điều đó mang lại sự linh hoạt trong việc đầu tư mở rộng hệ thống điện trong quy hoạch ngắn hạn và quy hoạch dài hạn; Bài báo này sử dụng phương pháp LSM để giải quyết bài toán tối ưu hóa; Bài báo đã xác định các kế hoạch mở rộng linh hoạt và cải thiện độ thích nghi đối với các kịch bản không chắn chắc trong tương lai đạt được bằng cách kết hợp các thiết bị Facts với đầu tư đường dây truyền tải truyền thống trong tầm nhìn quy hoạch; Đạt được cân bằng tối ưu hóa giữa việc đầu tư đường dây truyền tải và đầu tư thiết bị Facts , đáp ứng đúng tiến độ hệ thống truyền tải đến sự phát triển của thị trường điện.

1.2.3 Tổng quan phương pháp thêm đường dây mới:

Việc xây dựng mới các đường dây truyền tải để loại trừ nghẽn mạch thường được thực hiện trong bài toán TEP Tuy nhiên, điều này thường gặp nhiều khó khăn

từ chi phí đầu tư và môi trường Trong [6], đề xuất tìm ra cấu trúc tối ưu với chi phí đầu tư thấp nhất, loại bỏ nghẽn mạch đường dây; sử dụng thuật toán xấp xỉ ngoài để giải bài toán tìm cấu trúc tối ưu, cực tiểu chi phí đầu tư đường dây, hiệu quả mô hình chứng minh trong hệ thống điện 39 nút và kết quả được trình bày trong Quy hoạch

mở rộng hệ thống truyền tải sử dụng giải thuật heuristic [7], với mục tiêu là cực tiểu chi phí kéo thêm đường dây mới do sự phát triển của phụ tải trong tương lai; đề xuất

sử dụng giải thuật heuristic để giải quyết bài toán; Giải pháp được đề xuất là chính xác hơn so với phương pháp thêm dây ngẫu nhiên; Đồng thời, hiệu quả của thuật toán còn được biểu hiện qua việc tích hợp phân tích độ nhạy để xem xét chi phí các nhánh dây, chứng minh trong hệ thống Garver 6 nút Quy hoạch mở rộng hệ thống truyền tải trong nhiều năm sử dụng giải thuật bầy đàn tiến hóa rời rạc; Các kết quả đã chứng minh trong [8] chứng tỏ mô hình đề xuất là chính xác, xác định giải pháp chất lượng tốt ít đàn hơn và ít lặp đi lặp lại hơn so với các thuật toán bầy đàn cổ điển

hệ thống điện được hiểu là các thông số liên quan đến các nguồn phát và đường dây truyền tải điện chủ đạo Mức công suất máy phát và sản lượng điện năng tối ưu của các nhà máy điện phụ thuộc vào chi phí nhiên liệu và chi phí lắp đặt tổ máy, và đồng

thời cũng phụ thuộc vào chi phí lắp đặt đường dây, có xét khấu hao thiết bị và tổn thất điện truyền tải hàng năm Thông thường thì bài toán tối ưu hóa cấu trúc của hệ thống điện thuộc lớp bài toán tối ưu đa mục tiêu với hàm mục tiêu có dạng phi tuyến

Áp dụng phép tuyến tính hóa hàm mục tiêu cùng với các phương trình ràng buộc dạng tuyến tính cho phép ứng dụng thuận lợi giải thuật quy hoạch tuyến tính để tối ưu hóa cấu trúc của hệ thống điện Kết quả bài báo đã thiết kế tối ưu hóa cấu trúc của hệ thống điện lực bao gồm quy hoạch tối ưu công suất nguồn máy phát và thiết kế tối ưu đường dây truyền tải điện, có xét đến điều phối kinh tế công suất P của các nguồn điện, có xét các điều kiện ràng buộc kỹ thuật hoạt động của hệ thống

1.3 Mục tiêu của luận văn:

Mở rộng hệ thống lưới truyền tải điện 30 nút loại bỏ nghẽn mạch, cực tiểu chi phí đầu tư đường dây, thỏa mãn các ràng buộc theo phương pháp được đề xuất

1.4 Nhiệm vụ của luận văn:

Tìm hiểu giải thuật Meta-Heuristic với phương pháp PSO

Tìm hiểu chương trình tính phân bố công suất

Tìm hiểu Matlab, PowerWorld

Lấy kết quả

Viết báo cáo

1.5 Phạm vi của luận văn:

Xây dựng mô hình toán học, dùng phần mềm Matlab và thuật toán PSO trong việc giải bài toán TEP nhằm cực tiểu chi phí kéo thêm đường dây mới Ứng dụng tính toán bài toán TEP trên hệ thống điện chuẩn IEEE 30 nút

1.6 Phương pháp nghiên cứu:

Các phương pháp nghiên cứu sẽ được vận dụng trong luận văn này là:

Thu thập các tài liệu liên quan đến luận văn nghiên cứu

Sử dụng mô hình lý thuyết mạch điện trong xây dựng thuật toán

Mô phỏng trên máy tính bằng phần mềm Matlab

Phân tích kết quả mô phỏng và đưa ra nhận xét

1.7 Kết quả:

Xác định được vị trí nghẽn mạch trong hệ thống điện từ đó xác định được vị trí tối ưu để đưa ra giải pháp kéo đường dây trong hệ thống điện với chi phí thấp nhất

và không vi phạm hàm mục tiêu

1.8 Nội dung của luận văn:

Chương 1: Giới thiệu tổng quan, tính cấp thiết và mục tiêu nghiên cứu của đề tài

Chương 2: Tổng quan về mô hình hóa hệ thống truyền tải điện trong bài toán

mở rộng, các phương pháp giải đã được áp dụng và giới thiệu về giải thuật PSO

Chương 3: Phương pháp luận, mô tả bài toán quy hoạch mở rộng hệ thống truyền tải

Chương 4: Kết quả mô phỏng hệ thống truyền tải 30 nút IEEE

Chương 5: Đưa ra kết luận và hướng phát triển của đề tài

- Phụ tải được mô hình hóa bằng tổng trở hay tổng dẫn không đổi:

Tuy nhiên, mô hình này không đảm bảo độ chính xác cao của các kết quả nhận được, bởi vì trong thực tế chính tổng trở và tổng dẫn của các phụ tải là hàm số của tần số và điện áp đặt vào

- Phụ tải được mô hình hóa bằng các đường đặc tính tĩnh

2.1.2 Mô hình nguồn phát điện:

Trong tính toán chế độ xác lập, tùy theo vai trò và công suất của nhà máy điện trong hệ thống điện mà mô hình nguồn điện sẽ được chọn lựa cho phù hơp:

Khi nguồn phát điện được mở rộng và cung cấp đủ nhu cầu cho phụ tải thì hệ thống sẽ đảm bảo làm việc an toàn ổn định Đây là giải pháp căn bản nhất trong một

hệ thống điện đang phát triển

Mô hình nguồn điện có công suất nhỏ: áp dụng cho các máy phát không có thiết bị điều chỉnh điện áp, tức là các trạm phát điện công suất nhỏ, được đặc trưng bởi biểu thức:

PG = const

QG = const

Mô hình nguồn điện có công suất vừa và lớn: đây là nhà máy điện với điện áp được điều chỉnh bởi thiết bị điều áp (AVR), việc duy trì điện áp được thực hiện bằng cách điều chỉnh công suất phản kháng nguồn phát ra Khoảng điều chỉnh này có giới hạn, do giới hạn của dòng phần ứng và dòng kích từ, cũng như điều kiện làm việc ổn định ở chế độ thiếu kích thích

Mô hình nút cân bằng: Nút cân bằng phát sinh do tổn thất công suất trong lưới điện là không biết trước được Mô hình đối với nguồn điện được chọn làm nút cân bằng thì không đưa ra các công suất phát mà chỉ đưa ra điện áp Ucb và góc pha δcb của nó thường được chọn bằng 0 (δcb=0) Giá trị δcb cần đưa ra để cố định hệ trục

mà theo đó tất cả các góc phát còn lại được xác định Công suất phát của nút cân bằng

sẽ được xác định bằng điều kiện cân bằng công suất (theo P và theo Q) có tính đến

công suất phụ tải và tổn thất trong hệ thống điện Thường nút cân bằng được chọn là thanh góp công suất lớn vô hạn hay nút nguồn có công suất lớn nhất

2.1.3 Mô hình đường dây:

Tất cả các đường dây trong hệ thống điện đều được đặc trưng bởi các thông số như: điện trở, điện kháng, điện dung và điện dẫn Điện kháng và điện dung là do ảnh hưởng của từ trường và điện trường quanh dây dẫn Những thông số này cần thiết để phát triển mô hình đường dây truyền tải sử dụng trong phân tích hệ thống điện Để tính toán chính xác mức độ ảnh hưởng của các thông số đường dây khá phức tạp nên trong thực tế tùy theo yêu cầu về mức độ chính xác của mô hình và mục đích nghiên cứu mà có thể sử dụng mô hình đường dây hình π hay mô hình thông số rải

- Mô hình đường dây hình 𝛑: đối với các đường dây điện áp 110kV và lớn

hơn có chiều dài từ 250 − 300km thường không xét đến sự phân bố đều của các thông số, đồng thời có thể sử dụng các thông số tập trung là điện trở tác dụng, cảm kháng, điện dẫn tác dụng và dung dẫn của đường dây trong khi phân tích chế độ xác lập của mạng điện Sơ đồ hình π có tổng trở Z và tổng dẫn Y, trong đó tổng trở Z= r1

+jX1 đặt tập trung ở giữa, Y=g 1 + jb1 được chia thành hai phần bằng nhau và đặt ở hai đầu đường dây

Z1 = r1+jx1 = (r0+jx0)l

Y1 = g1+jb1 = (g0+jb0)l

Trong đó: r1, x1, g1 và b1 lần lượt là điện trở, cảm kháng, điện dẫn và dung dẫn của đường dây (Ω); r0, x0, g0 và b0 lần lượt là điện trở, cảm kháng, điện dẫn và dung dẫn trên một đơn vị chiều dài (Ω/km); l là chiều dài dây dẫn (km)

Hình 2.1: Mô hình đương dây thông số tập trung

Mô hình đường dây thông số rải: mô hình này chỉ cần thiết trong khi tính

chế độ xác lập của các đường dây siêu cao áp U ≥ 330kV, có chiều dài từ 250-300km

và có thể mô phỏng nhiều trạng thái hoạt động của đường dây đặc biệt là hiện tượng truyền sóng và phản xạ sóng

Mô hình này sử dụng thực tế để xác định số lượng các modul tương đương trên đường dây truyền tải, mỗi modul được mô tả bởi công thức e+zi Trong đó e là điện áp trên đường dây và I là dòng điện chạy trên đường dây Điện áp và dòng điện

đó được xuất phát từ một đầu của đường dây và truyền trên đường dây đến cuối đường dây, thời gian truyền hết đường dây là τ =l/v (l là chiều dài đương dây) Tại cuối đường dây,sóng dòng và áp sẽ bị phản xạ trở lại

Hình 2.2: Mô hình đường dây thông số rải

Để thuận tiện trong việc tính toán, mô hình đường dây thông số rải được chia làm nhiều phân đoạn, mỗi phân đoạn được thay bằng mô hình π, thành phần g chỉ tính cho đường dây có điện áp rất cao trên 330kV

2.1.4 Mô hình máy biến áp:

Các máy biến áp thường được sử dụng trong các trạm là máy biến áp hai cuộn dây, máy biến áp ba cuộn dây và máy biến áp tự ngẫu Các máy biến áp này được sử dụng để tối ưu hóa chế độ làm việc của mạng và hệ thống điện

Qc là dung lượng định mức của bộ tụ (kVar)

C là điện dung của bộ tụ (F)

2.1.6 Mô hình bài toán:

Các bài toán quy hoạch mở rộng lưới truyền tải dựa trên phương pháp toán hóa mô hình, sử dụng các giải thuật để tìm ra lời giải tối ưu dựa trên các ràng buộc

có trước Một bài toán gồm các biến, hàm mục tiêu và các ràng buộc

Hàm mục tiêu là hàm của các biến Hàm mục tiêu để tối ưu bài toán mở rộng lưới như về chi phí đầu tư và chi phí vận hành

Ràng buộc: gồm các điều kiện xây dựng, cận trên cận dưới của các biến, công suất của nguồn…Các mô hình toán về mở rộng lưới thì các ràng buộc chủ yếu về quá tải đường dây và cân bằng công suất

Mô hình tối ưu hóa có dạng đầy đủ như sau:

Cực tiểu hàm mục tiêu: C(x)

Ràng buộc: g(x)≤ 𝑏

2.2 Thuật toán tối ưu hóa bầy đàn PSO

2.2.1 Giới thiệu về thuật toán tối ưu hóa bầy đàn:

PSO là một kỹ thuật tối ưu hóa ngẫu nhiên dựa trên một quần thể và sau đó tìm nghiệm tối ưu bằng cách cập nhật các thế hệ, được phát triển bởi Dr.Eberhart và Dr.Kennedy, phỏng theo hành vi của các bầy chim hay các đàn cá [11]

PSO (Particles Swarm Optimization) thuộc lĩnh vực nghiên cứu quần thể thông minh (Swarm Intelligence SI), nằm trong tính toán tiến hóa – Evolution computation Những ý tưởng nghiên cứu trong quần thể thông minh dựa trên quan hệ, cách ứng xử của các cá thể trong quần thể, và cách thức tự tổ chức, hoạt động của quần thể Những

ý tưởng này đều xuất phát từ việc quan sát các quần thể sinh vật trong tự nhiên Như cách thức mà đàn chim tìm kiếm nguồn thức ăn, nguồn nước, cách mà đàn kiến tìm đường đi tới nguồn thức ăn

2.2.2 Lịch sử phát triển của giải thuật PSO

Con người đã khám phá ra nhiều điều thú vị về hành vi của các loài côn trùng, động vật trong thế giới tự nhiên từ rất lâu Hình ảnh một đàn chim tìm kiến thức ăn, tìm nơi di trú, bầy kiến tìm thức ăn, đàn cá tìm kiếm nguồn thức ăn và đổi hướng khi gặp kẻ thù… Chúng ta gọi đó là kiểu quan hệ bầy đàn Gần đây các nhà khoa học mới

nghiên cứu, tìm hiểu về các loại quan hệ bầy đàn trong tự nhiên, để hiểu cách mà các sinh vật này giao tiếp, hoàn thành mục đích và tiến hóa Họ đã ứng dụng những nghiên cứu này để giải các bài toán tối ưu như thiết kế mạng viễn thông, tự động nghiên cứu robot, xây dựng mô hình giao thông (traffic pattern) trong bài toán vận chuyển, ứng dụng trong quân sự, điều khiển động cơ… Lĩnh vực nghiên cứu và ứng dụng các tri thức về quan hệ bầy đàn trong tự động hóa được gọi là lĩnh vực quần thể thông minh Lấy ý tưởng từ cách đàn chim tìm thức ăn, nguồn nước Đây là giải thuật tối ưu toàn cục nhằm giải những bài toán mà lời giải tốt nhất có thể biểu diễn bằng một điểm, hay một mặt trong không gian n-chiều

2.2.3 Khái quát hóa giải thuật tối ưu hóa bầy đàn

Các cá thể ban đầu được dựng lên trong không gian tìm kiếm Mỗi cá thể có một vận tốc ban đầu, và giữa các cá thể cũng có kênh liên lạc Các cá thể sau đó di chuyển trong không gian lời giải, mỗi cá thể sẽ được đánh giá bằng một hay nhiều tiêu chuẩn thích nghi, dần dần các cá thể này sẽ di chuyển về phía những cá thể tốt hơn trong phạm vi di chuyển

Ban đầu, quần thể của PSO được tạo ngẫu nhiên bởi một nhóm ngẫu nhiên các particles (phần tử), và mỗi phần tử của quần thể này sẽ di chuyển với một vận tốc ngẫu nhiên Khi mỗi phần tử di chuyển trong không gian tìm kiếm, nó sẽ đánh giá lại hàm fitness và lưu lại vị trí tốt nhất của nó (pbestx) – vị trí cho ra giá trị fitness tốt nhất của mỗi phần tử, và giá trị fitness tại vị trí pbestx đó gọi là pbest (best solution) Mỗi phần tử cũng lưu lại giá trị có fitness tốt nhất toàn cục gbest (best global solution) – giá trị fitness tốt nhất của một phần tử bất kì trong số tất cả các phần tử trong quần thể đạt được cho đến thời điểm hiện tại và vị trí có giá trị tốt nhất toàn cục đó (gbestx)

Trong khi di chuyển hướng về vị trí pbest và gbest, mỗi phần tử tại mỗi bước lặp sẽ thay đổi, cập nhật vị trí và vận tốc hiện tại của nó bởi hai giá trị: giá trị thứ nhất, gọi là pBest (là nghiệm tốt nhất đạt được cho tới thời điểm hiện tại) hay còn gọi

là giá trị fitness tốt nhất của phần tử trong cho đến thời điểm hiện tại Giá trị thứ hai, gọi là gBest (là nghiệm tốt nhất mà các cá thể lân cận cá thể này đạt được cho tới thời điểm hiện tại hay là giá trị fitness của cá thể tốt nhất trong tất cả các thế hệ từ trước

đến bây giờ Nói cách khác, mỗi cá thể trong quần thể cập nhật vị trí của nó theo vị trí tốt nhất của nó và vị trí của cá thể tốt nhất trong quần thể tính tới thời điểm hiện tại Quá trình cập nhật các cá thể dựa trên hai công thức sau:

𝑣𝑖,𝑚𝑘 = 𝜒 𝑣𝑖,𝑚𝑘−1a + 𝜑1𝑟1(𝑝𝑏𝑒𝑠𝑡𝑖,𝑚− 𝑥𝑖,𝑚𝑘−1) + 𝜑2𝑟2(𝑔𝑏𝑒𝑠𝑡𝑚− 𝑥𝑖,𝑚𝑘−1) (2.1)

Hoặc viết cách khác:

Trong đó:

gbestm : Vị trí tốt nhất của các cá thể trong quần thể

Hình 2.3: Khái niệm về sự thay đổi điểm tìm kiếm của PSO

Ưu điểm của phương pháp này so với các phương pháp tối ưu toàn cục khác như mô phỏng tôi luyện (Simulated Annealing), di truyền (Genetic Algorithm) là với

số lượng lớn cá thể có thể giúp giải thuật vượt qua được các cực trị cục bộ

2.2.4 Các khái niệm trong giải thuật PSO

Cá thể: Mỗi cá thể trong thuật toán biểu diễn một lời giải của bài toán nhưng chưa phải là lời giải tối ưu Tùy vào từng bài toán mà mỗi cá thể được biểu diễn bởi những cách khác nhau như chuỗi nhị phân, cây, chuỗi số

Quần thể: Là một tập hợp các cá thể có cùng một số đặc điểm nào đấy Trong giải thuật tối ưu bầy đàn thì quần thể là một tập các lời giải của một bài toán Các cá thể trong quần thể có thể có thông tin về toàn bộ quần thể hoặc chỉ có thông tin về một phần của quần thể, thông tin đó thường là thông tin về cá thể tốt nhất và được đánh giá thông qua giá trị của hàm mục tiêu

Vị trí: Mỗi bài toán tối ưu có một không gian lời giải của nó, không gian đó

có thể là một hoặc đa chiều Mỗi lời giải trong bài toán có thể coi như một vị trí trong không gian đó

Vận tốc: Trong PSO mỗi cá thể có một vận tốc riêng, vận tốc riêng này dùng

để tính vị trí tiếp theo của cá thể trong không gian bài toán Nếu không gian bài toán

là không gian n chiều, thì với mỗi cá thể mỗi chiều sẽ có một vận tốc, hay nói cách khác vận tốc cũng là một vector n chiều Mỗi cá thể sẽ di chuyển trong không gian bài toán để tìm ra lời giải tối ưu Tùy vào bài toán cụ thể mà có cách biểu diễn hàm vận tốc phù hợp, hàm vận tốc là một trong những tham số quan trọng bậc nhất trong giải thuật PSO, đôi khi chỉ cần thay đổi cách biểu diễn hàm vận tốc ta có thể giải một bài toán khác

Hàm mục tiêu: Là hàm mô tả yêu cầu bài toán cần đạt tới Hàm này dùng để đánh giá các lời giải của bài toán Tùy vào từng bài toán mà hàm mục tiêu khác nhau Thông thường chỉ tiêu để nhận dạng thông số là tối thiểu giá trị của hàm mục tiêu

2.2.5 Các bước trong việc xây dựng giải thuật PSO

Khởi tạo một quần thể gồm những cá thể (biến) với những vị trí và vận tốc ngẫu nhiên Đánh giá hàm fitness của quần thể ban đầu và chọn ra giá trị pbest và gbest ban đầu

Cập nhật vận tốc và vị trí cho mỗi phần tử theo 2 công thức (2.1) và (2.2) Lúc này ta đã có được một quần thể mới

Đánh giá hàm fitness (cost function) của từng phần tử và so sánh với giá trị pbest ban đầu Nếu giá trị hiện tại này tốt hơn pbest ban đầu thì đặt giá trị này thành pbest mới

Đồng thời so sánh với gbest ban đầu, nếu tốt hơn thì đặt giá trị này thành gbest mới (chọn phần tử có giá trị fitness, cost tốt nhất và gán giá trị này cho gbest)

Lặp lại từ bước 2 cho đến khi đạt được ngưỡng giới hạn hoặc đã đạt đến số lần lặp max

2.2.6 Lưu đồ giải thuật PSO

Sơ đồ thuật toán trên là cho bài toán tối ưu cực tiểu giá trị hàm mục tiêu Tại mỗi bước lặp ta sẽ cập nhật lại giá trị tốt nhất của từng cá thể trong quá khứ cho tới thời điểm hiện tại và giá trị tốt nhất của toàn bộ quần thể cho tới thời điểm hiện tại

Tối ưu hóa bầy đàn được cho là có tốc độ tìm kiếm nhanh hơn so với các giải thuật tiến hóa truyền thống khác Tuy nhiên thuật toán này thường tìm ra điểm cực trị địa phương rất nhanh nhưng lại bị mắc kẹt ở những điểm đó Để tránh việc này thì có thể tăng số lượng các cá thể lên, tuy nhiên thời gian tính toán cũng tăng lên Trong mỗi bài toán riêng, ta cũng có thể đưa vào các tham số ngẫu nhiên như 2 vector ngẫu nhiên R1, R2 trong thuật toán dạng cơ bản trên Các tham số ngẫu nhiên này làm giảm khả năng thuật toán bị mắc vào cực trị địa phương

Điều kiện kết thúc lặp của thuật toán rất đa dạng Có thể là sau một số lần lặp cho trước hoặc là sau một số lần lặp mà không thu được kết quả tốt hơn

Tùy vào từng bài toán cụ thể mà cách biểu diễn cá thể sẽ khác đi, khi đó cách biểu diễn hàm vận tốc và vị trí của cá thể có thể sẽ không giống như trong mô hình thuật toán ở trên Xem lưu đồ

Hình 2.4: Lưu đồ chung cho giải thuật PSO

2.2.7 Những vấn đề cần quan tâm khi xây dựng giải thuật PSO

Khởi tạo quần thể ban đầu: Khởi tạo quần thể ban đầu là bước đầu tiên trong

giải thuật PSO Thông thường để khởi tạo quần thể trong bài toán tối ưu đa mục tiêu,

Khởi tạo Quần thể ban đầu ngẫu nhiên Trọng số quán tính w

Hệ số gia tốc C1, C2

ta tạo ra một cách ngẫu nhiên các lời giải có thể (là các lời giải thỏa mãn ràng buộc của bài toán nhưng chưa biết là tối ưu hay chưa) Tùy vào từng bài toán cụ thể mà ta

có các phương pháp khởi tạo khác nhau Số lượng hay kích thước ban đầu của quần thể cũng đóng vai trò quan trọng trong giải thuật vì kích thước quần thể quyết định nhiều đến sự hội tụ nhanh hay chậm của giải thuật, và khả năng thoát ra khỏi những cực trị địa phương của quần thể Kích thước quần thể nhỏ thì giải thuật sẽ hội tụ nhanh nhưng thường sẽ cho ra kết quả là các cực trị địa phương chứ không phải là cực trị toàn cục Vì với số lượng cá thể ít thì quần thể dễ mắc vào những cực trị địa phương

và không thoát ra được Tuy nhiên số lượng cá thể quá lớn lại làm thuật toán chạy tốn nhiều thời gian, hội tụ chậm Tùy vào từng bài toán cụ thể mà ta chọn kích thước quần thể thích hợp

Hàm thích nghi (hàm mục tiêu): Hàm thích nghi là một trong những yếu tố

quan trọng quyết định sự thành công của giải thuật Nó đánh giá các cá thể tốt trong quần thể Hàm thích nghi được xây dựng sao cho giá trị thích nghi phải phản ánh được đúng giá trị thực của cá thể trong việc đáp ứng yêu cầu của bài toán

Mỗi cá thể sẽ tự tính toán bước di chuyển kế tiếp của nó dựa trên 3 yếu tố:

- Hướng chuyển động hiện thời v

- Vị trí tốt nhất trong quá khứ của cá thể, đây là vị trí tốt nhất mà cá thể đã đi qua cho tới thời điểm hiện tại Trong tự nhiên thì yếu tố này như là “kinh nghiệm” bản thân của mỗi cá thể trong quần thể, là các tri thức, hiểu biết mà cá thể đó đã tích lũy được

- Vị trí tốt nhất của cả quần thể, là vị trị tốt nhất mà cả quần thể đã khám phá

ra cho tới thời điểm hiện tại Yếu tố này đóng vai trò như là “xu hướng” của cả quần thể Quần thể sẽ đi theo cá thể nào tốt nhất trong quần thể để đưa cả quần thể tới vị trí tốt hơn

Hình 2.5: Chuyển động của cá thể

Điều này cũng giống như trong thực tế: Mỗi cá nhân sẽ tự quyết định hướng

đi của mình dựa trên vị trí hiện tại mà mình đang đứng, kinh nghiệm bản thân và xu thế chung của bầy đàn

Mỗi cá thể trong quần thể lại có một tính cách, thể hiện qua hai tham số ngẫu nhiên R1, R2 Mỗi cá thể sẽ không ngay lập tức chuyển động theo hướng vị trí tốt nhất mà phải sau một thời gian nó mới từ từ chuyển động theo các hướng đó Trong PSO thì tham số này giúp cho quần thể tránh khỏi việc bị mắc vào cực trị địa phương,

do không phải cá thể nào cũng đồng thời chuyển động về hướng vị trí tốt nhất mới tìm ra Thông thường thì giá trị R1, R2 được tạo ra trong mỗi bước lặp và được sinh ngẫu nhiên trong khoảng [0,1] Còn c1 và c2 là các hằng số mô tả có bao nhiêu cá thể hướng về vị trí tốt Nó đặc trưng cho kinh nghiệm và tính xã hội Vị trí tốt ở đây là cực trị toàn cục hay vị trí tốt nhất đã đi qua của cá thể Tùy bài toán cụ thể mà lấy giá trị thích hợp, thông thường c1, c2 0.1- 2

Cập nhật vị trí tốt nhất cho cả quần thể

Trong PSO thì biến gbest (global best) là biến đại diện cho cả quần thể đóng vai trò như là biến môi trường của quần thể Thông qua biến này các cá thể tương tác với nhau, với cả quần thể, căn cứ vào đó mà điều chỉnh bước di chuyển tiếp theo của mình Biến này thể hiện trạng thái, vị trí hiện tại của cả quần thể, đóng vai trò quan trọng trong việc định hướng quần thể Điều này giống như trong quần thể sinh vật,

có những xu hướng chung nổi bật và bao giờ các cá thể cũng có xu hướng đi theo cá



thể tốt nhất để mong muốn mình cũng được tốt hơn

Trong PSO có hai cách cập nhật giá trị mới cho gbest là:

- Cập nhật trong từng bước lặp, trong mỗi bước lặp ta cập nhật ngay gbest, tức

là khi có một cá thể mới di chuyển tới vị trí mới thì ta lập tức xét xem vị trí mới đó

có phải là vị trí tốt nhất của cả quần thể không Nếu đúng là vị trí tốt nhất thì ta sẽ cập nhật nó vào gbest, và giá trị mới này có tác động ngay đến các cá thể khác, tức là các

cá thể khác thấy ngay được thay đổi và căn cứ vào đó để có hướng di chuyển thích hợp

- Sau mỗi vòng lặp ta mới cập nhật lại giá trị tốt nhất của cả quần thể, giá trị mới này sẽ tác động đến cá thể trong vòng lặp mới

Tùy vào bài toán cụ thể mà ta dùng cách cập nhật nào cho phù hợp

2.2.8 Đặc điểm và ứng dụng của giải thuật PSO

Giải thuật PSO có các đặc điểm nổi bật sau:

- Giải thuật PSO tìm kiếm nhiều điểm tối ưu cùng một lúc Các cá thể trao đổi thông tin với nhau nhờ vậy mà giảm bớt khả năng kết thúc tại một điểm cực trị địa phương

- Giải thuật PSO chỉ làm việc với các cá thể là mã của các lời giải Do đó với một PSO có sẵn, đôi khi chỉ cần thay đổi cách biểu diễn là có giải thuật cho một bài toán mới

- Giải thuật PSO chỉ cần đánh giá hàm mục tiêu để phục vụ quá trình tìm kiếm chứ không đòi hỏi các thông tin bổ trợ khác

- Các thao tác cơ bản trong giải thuật PSO dựa trên khả năng tích hợp tính ngẫu nhiên trong quá trình xử lý

2.3 Các phương pháp đã được áp dụng:

Để giải bài toán quy hoạch lưới điện thì ta giải các bài toán về quy hoạch tuyến tính, quy hoạch động, thuật toán nhánh và cận, phương pháp hình học Tuy nhiên cũng còn có một số hạn chế trong tính toán khi ứng dụng vào thực tế Các phương pháp để giải bài toán có sự tác động qua lại giữa các biến Tuy nhiên, số lượng các

biến rất lớn và các ràng buộc rất phức tạp nên các công cụ tối ưu hóa sẽ khó giải quyết cho những bài toán tối ưu lớn Một số phương pháp thường sử dụng trong quy hoạch

mở rộng lưới truyền tải được trình bày bên dưới

2.3.1 Phương pháp ACO:

ACO (Ant Colony Optimization) đã được lấy từ hành vi những con kiến trong thực tế chúng đang tìm kiếm thực phẩm Trong thực tế, kiến ban đầu khám phá khu vực xung quanh tổ một cách ngẫu nhiên cho đến khi một con kiến tìm thấy nguồn thực phẩm Nó đánh giá số lượng và chất lượng của thực phẩm và mang thức ăn trở lại tổ Trên chuyến đi trở lại của nó, kiến gửi một lượng pheromone để làm dấu trên đường đi Số lượng của pheromone trên tuyến đường sẽ làm tăng xác suất của một con kiến để lựa tuyến đường này Nếu nó vẫn tìm thấy thực phẩm, nó sẽ quay trở lại

tổ và sau cùng một tuyến đường tăng cường dấu vết pheromone tạo thành đường mòn Theo thời gian, pheromone sẽ bốc hơi và làm mất đường mòn, do đó làm giảm sức hấp dẫn của kiến Tuyến đường được thực hiện sẽ có dấu vết pheromone của chúng

và yếu hơn vì có nhiều thời gian hơn để bay hơi Do xác suất của một tuyến đường dài hơn sẽ có dấu vết pheromone thấp hơn với thời gian

Trong tối ưu hóa đàn kiến (ACO) meta-heuristic một thuộc địa những con kiến nhân tạo hợp tác xây dựng giải pháp tốt cho vấn đề tối ưu hóa khó khăn rời rạc Thiết

kế chính của loại hình thuật toán này là hợp tác: Sự lựa chọn là để phân các nguồn lực tính toán một tập hợp các tác nhân đơn giản (kiến nhân tạo) mà giao tiếp gián tiếp bằng cách nhờ stigmergy sử dụng một tham số hoạt động như pheromone tự nhiên Kiến nhân tạo là một đàn tương tự như kiến thực tế nhưng chúng là một tập trừu tượng, khả năng không tiềm thấy trong kiến thực tế nhưng có thể làm cho chúng hiệu quả hơn để giải bài toán

2.3.2 Phương pháp SA:

SA (Simulated Annealing) là một thuật toán xác suất tối ưu hóa , phát minh bởi Kirkpatrick et al vào năm 1983 [12] và Cerny vào năm 1985 [13].SA là sự khái quát của một phương pháp Monte Carlo cho khảo sát các phương trình của trạng thái

và các trạng thái đông lạnh của hệ thống vật thể Tên và cảm hứng đến từ quá trình nung được sử dụng trong luyện kim Luyện kim là một xử lý nhiệt làm thay đổi cấu trúc vi mô của vật liệu Sau khi được đun nóng, vật liệu được làm lạnh từ từ thành một cấu trúc thống nhất với những thay đổi trong thuộc tính cường độ và độ cứng

Với nhiệt, các nguyên tử di chuyển từ vị trí ban đầu của chúng (tối thiểu địa phương của năng lượng bên trong ) và di chuyển thông qua các trạng thái năng lượng cao hơn.Việc làm mát chậm chạp làm tăng nguy cơ của việc tìm kiếm một cấu hình với năng lượng nội bộ thấp hơn so với ban đầu Trong giải thuật SA, các giải pháp ban đầu được thay thế bằng một giải pháp lân cận được lựa chọn theo một quy luật xác suất Các phương trình năng lượng cho hệ thống nhiệt động lực học tương tự với chức năng khách quan của vấn đề tổ hợp

2.3.3 Phương pháp tìm kiếm Tabu:

Thuật toán tìm kiếm Tabu bắt đầu từ một giải pháp ban đầu và di chuyển từ láng giềng này đến láng giềng khác càng lâu càng tốt trong khi giảm được giá trị của hàm mục tiêu Tabu sửa đổi các khu phố của giải pháp được tìm thấy, tạo điều kiện cho việc thăm dò các khu vực của không gian tìm kiếm chưa được khám phá bằng cách tìm kiếm địa phương Các loại khác nhau của các yếu tố có thể được lưu trong

bộ nhớ Có nhiều loại khác nhau của các danh sách Tabu, một danh sách Tabu có thể chứa các giải pháp truy cập gần đây, giải pháp được loại trừ vì chúng có chứa một thuộc tính cụ thể, hoặc bị cấm di chuyển Trong trường hợp một số giải pháp được loại trừ vì các thuộc tính của chúng Trong quá trình thăm dò không gian tìm kiếm,

có một nguy cơ thiếu các giải pháp có chất lượng tốt có thể truy cập chỉ bằng cách truyền các giải pháp loại trừ Để khắc phục vấn đề này, tiêu chuẩn nguyện vọng được giới thiệu cho phép ghi đè trạng thái Tabu của một giải pháp và đưa nó vào trong các thiết lập cho phép [14]

Tìm kiếm Tabu là các tiến trình mới không được chọn ngẫu nhiên, Tabu tìm kiếm tiến hành theo giả thiết rằng không có việc chấp nhận một giải pháp mới trừ khi

nó đang tránh một con đường đã được điều tra Điều này đảm bảo các khu vực mới

của không gian giải pháp các vấn đề sẽ được điều tra với mục tiêu tránh cực tiểu địa phương và cuối cùng tìm ra giải pháp tốt nhất

2.3.4 Phương pháp DE:

Phương pháp DE (Differential Evolutions) là một thuật toán tiến hóa được đề xuất bởi Storn and Price vào năm 1997 Phương pháp DE cho thấy hiệu quả trong việc giải quyết bào toán tối ưu không tuyến tính với nhiều ràng buộc DE có ưu điểm hơn các phương pháp tiến hóa khác đó là gọn, ít thông số diều khiển, điểm hội tụ cao, cấu trúc đơn giản

2.3.5 Phương pháp GA:

Genetic Algorithm (GA) để giải bài toán phân bổ công suất tối ưu trong mạng điện lớn sử dụng phương pháp giải thuật gen Thuật toán GA được phát minh bởi Holland vào đầu những năm 1975 [15] Nó là phương pháp tìm kiếm toàn cục ngẫu nhiên mà dựa theo sự đánh giá di truyền tự nhiên GA hoạt động trên quần thể của những lời giải ứng với việc giải mã chuỗi hữu hạn gọi là nhiễm sắc thể (NST) Kết quả này được biểu diễn dưới dạng chuỗi số nhị phân và các kí hiệu mã hóa khác được gọi là nhiễm sắc thể Để đạt được kết quả tối ưu thì mỗi NST phải phải trao đổi thông tin bằng cách sử dụng những toán tử mượn từ gen tự nhiên để làm ra lời giải tối ưu Hàm mục tiêu dùng để tính toán là cực tiểu chi phí đầu tư với các ràng buộc công suất máy phát, điện áp các nút, tụ bù, đầu phân áp nằm trong giới hạn cho phép Thời gian tính toán có thể giảm xuống bằng cách phân chia các ràng buộc thụ động trong giới hạn mềm sử dụng bài toán dòng công suất truyền thống Kết quả được so sánh với các giải thuật khác GA có nhiều điểm ưu điểm trong tính toán, như đơn giản và tổng quát hóa Ngoài ra nó còn tìm ra nhiều kết quả một cách đồng thời mà các phương pháp thông thường không làm được Vì thế khả năng tìm ra kết quả tối ưu toàn cục được nâng lên Ưu điểm chính của GA là tìm ra kết quả gần tối ưu trong thời gian ngắn

2.3.6 Phương pháp Keruel- Oriented:

Kernel – Oriented là phương pháp được xây dựng trên cơ sở lý thuyết trò chơi Các đối tượng tham gia vào các khâu của hệ thống điện được gọi là người tham gia vào trò chơi mở rộng lưới điện Quyết định của họ sẽ xây dựng thêm đường dây tương

tự như quyết định tham gia vào trò chơi với mục đích thu được lợi nhuận cao nhất cho cá nhân mình Để giải quyết được bài toán này, phương pháp Kernel-Oriented dựa vào lý thuyết trò chơi hợp tác là cơ sở cho các thỏa thuận liên quan giữa các người chơi Các người chơi sẽ đàm phán với nhau theo kiểu xoay vòng Kết thúc mỗi vòng đàm phán, một liên kết mới sẽ tạo ra một liên kết có hoặc không có liên kết nào

Chương 3

PHƯƠNG PHÁP LUẬN

3.1 Các đại lượng mô tả hệ thống:

3.1.1 Các loại nút trong hệ thống điện:

Nút cân bằng: nút máy phát có khả năng đáp ứng nhanh chóng với sự thay đổi của phụ tải Đối với nút cân bằng, cho trước giá trị điện áp U và góc pha điện áp 𝛿0(thường cho 𝛿0 = 0 chọn làm chuẩn)

Nút máy phát: đối với các máy phát điện khác ngoài máy phát cân bằng, nút này thường cho biết trước công suất thực P mà máy phát phát ra và điện áp U ở thanh cái đó Nút này còn gọi là nút P,U

Nút phụ tải: nút này cho biết trước công suất P,Q của phụ tải yêu cầu Nút này còn gọi là nút P,Q

3.1.2 Ma trận tổng dẫn nút Y bus và ma trận tổng trở nút Z bus :

Áp dụng định luật Kirchoff 1 về dòng điện để thành lập ma trận Ybus hay Zbus Tổng quát đối với mạng điện có n nút, trong đó ta chọn một nút làm nút cân bằng hay còn gọi là nút trung tính thì định luật Kirchoff 1 về dòng điện viết theo điện thế nút được biểu diễn bởi phương trình ma trận:

[I]=[Ybus].[U]

Trong đó:

[Ybus]: ma trận tổng dẫn thanh cái bậc [nxn] với n là số nút của hệ thống không

kể nút trung tính

[I]: là ma trận cột dòng điện nút tính theo chiều đi vào nút

[U]: là ma trận cột điện thế nút so với nút trung tính

Trên cơ sở nếu biết được dòng điện nút thì ta suy ra điện thế nút từ phương trình:

[U]=[Ybus]-1.[I]=[Zbus].[I]

Ma trận Ybus là ma trận đối xứng nên Zbus cũng là ma trận đối xứng

3.2 Phương trình toán các thành phần trong hệ thống điện:

3.2.1 Phương trình dòng công suất:

Xét một nút điển hình trong hệ thống như hình 3.1 Đường dây truyền tải được thay thế bằng mô hình hình 𝜋 trong đó trở kháng được biểu diễn trong hệ đơn vị tương đối

Hình 3.1: Mô hình khảo sát một nút bất kỳ trong hệ thống

Mô hình toán học của bài toán phân bố công suất có dạng hệ phương trình đại

số phi tuyến và giải bằng phương pháp lặp:

𝑃𝑖−𝑗𝑄𝑖

𝑉𝑖∗ = 𝑉̇𝑖∑𝑛𝑗=0̇ 𝑉𝑖𝑗−∑𝑛𝑗=1𝑦𝑖𝑗𝑉̇𝑗, j≠ 𝑖

3.2.2 Phương trình công suất trên đường dây và các tổn thất:

Sau khi giải lặp cho biết kết quả điện áp và góc pha tại các nút, thì bước tiếp theo là tính toán dòng công suất trên đường dây và tổn thất công suất trên đường dây Xét một hệ thống có hai nút i và j như hình 3.2 dưới đây:

Hình 3.2: Mô hình đường dây truyền tải để tính phân bố công suất trên đường dây

Dòng trên đường dây 𝐼𝑖𝑗̇ , đo tại nút i và chiều (+) từ i sang j được tính như sau:

𝐼𝑖𝑗̇ =𝐼𝑖̇ +𝐼𝑖0̇ =𝑦𝑖𝑗(𝑉𝑖̇ -𝑉𝑗̇ )+ 𝑦𝑖0𝑉𝑖̇ Tương tự cho trường hợp dòng 𝐼𝑗𝑖̇ đo tại nút j và chiều dương từ j đến i:

𝐼𝑗𝑖̇ =−𝐼̇ +𝐼𝑖 𝑗0̇ =𝑦𝑖𝑗(𝑉𝑗̇ -𝑉𝑖̇ )+ 𝑦𝑗0𝑉𝑗̇ Công suất phức 𝑆𝑖𝑗̇ từ nút i đến nút j và 𝑆𝑗𝑖̇ từ nút j đến j là:

3.3.1 Mô tả bài toán với giải thuật PSO:

Giả sử một lưới truyền tải điện có số đường dây hiện hữu là m, khi mở rộng lưới truyền tải điện bằng cách kéo thêm đường dây mới với các ràng buộc cho trước, lúc này có n đường dây ứng viên mới sẽ được đưa vào bài toán mở rộng lưới, sau khi dùng thuật toán PSO sẽ chọn được các đường dây đáp ứng được các yêu cầu cho trước với chi phí đầu tư thấp nhất

Để giải bài toán thì phải mã hóa đường dây để có thể thực hiện trong quá trình

mô phỏng Với các nhánh có giá trị =0 thì không thêm đường dây vào, các nhánh có giá trị =1 thì có 1 đường dây được thêm vào

Hình 3.3: Mã hóa đường dây

Trong số các đường dây thêm vào hệ thống lưới truyền tải điện sẽ có đường dây là mạch 2 song song với đường dây hiện hữu và cũng có những đường dây kéo mới hoàn toàn nối 2 bus với nhau

Ví dụ mô hình bài toán:

Cho hệ thống thử nghiệm Garver như sau:

Hình 3.4: Hệ thống thử nghiệm Garver 5 nút Lưới điện hiện hữu có 5 Bus và 5 đường dây, để mở rộng lưới truyền tải điện

có rất nhiều đường dây ứng viên được đưa vào hệ thống, sau đó sẽ lựa chọn các ứng viên khả thi vì có rất nhiều liên kết trong số đó không khả thi do có một số vi phạm

ở một trong hai điều kiện bình thường và điều kiện N-1, thời gian thực hiện của giải pháp cũng là quá dài nếu số lượng ứng viên quá nhiều Để giảm thời gian giải quyết

ta phải giảm số lượng các đường dây ứng viên bằng cách:

- Tạo ra toàn bộ các ứng viên khả thi giữa bất kỳ hai trạm biến áp (đường dây hiện hữu hoặc đường dây mới)

- Gỡ bỏ các giải pháp không thể thực hiện được (do các giới hạn về môi trường, các vi phạm ràng buộc,…) lựa chọn ứng viên tốt nhất với chi phí đầu tư thấp nhất