Ứng dụng thuật toán PSO cải tiến tính toán phân bố công suất tối ưu đa mục tiêu

ABSTRACT This thesis proposes a pseudo-gradient based particle swarm optimization with constriction factor PG-PSOCF method for solving multiobjective optimal power flow MOOPF problem.. T

CÔNG TRÌNH C HOÀN THÀNH T I

TR NG I H C CÔNG NGH TP HCM

Cán b h ng d n khoa h c : PGS.TS VÕ NG C I U

Lu n v n Th c s c b o v t i Tr ng i h c Công ngh TP HCM ngày 12 tháng 03 n m 2016

H tên h c viên: NGUY N V N KHÁNH Gi i tính: NAM

Ngày, tháng, n m sinh: 23-09-1982 Nơi sinh: QU NG NGÃI

Chuyên ngành: K thu t i n MSHV: 1341830057

I- Tên tài:

NG D NG THU T TOÁN PSO C I TI N TÍNH TOÁN PHÂN B CÔNG SU T T I

U A M C TIÊU

II- Nhi m v và n i dung:

- Trình bày bài toán phân b công su t t i u trong h th ng i n

- Xây d ng gi i thu t cho thu t toán PSO c i ti n

- Áp d ng thu t toán PSO c i ti n gi i bài toán phân b công su t t i u a m c tiêu

- K t lu n và a ra h ng phát tri n c a ! tài

III- Ngày giao nhi m v : 20-08-2015

IV- Ngày hoàn thành nhi m v : 20-02-2016

V- Cán b hư ng d n: PGS.TS VÕ NG"C I#U

CÁN B H NG D N KHOA QU N LÝ CHUYÊN NGÀNH

(H tên và ch$ ký) (H tên và ch$ ký)

PGS.TS VÕ NG"C I#U

L I CAM OAN

Tôi xin cam oan ây là công trình nghiên c u c a riêng tôi Các s li u, k t qu nêu trong Lu n v n là trung th c và chưa t ng ư c ai công b trong b t k công trình nào khác

Tôi xin cam oan r ng m i s giúp cho vi c th c hi n Lu n v n này

ã ư c c m ơn và các thông tin trích d n trong Lu n v n ã ư c ch rõ ngu n g c

H c viên th c hi n Lu n v n

NGUY N V N KHÁNH

L I CÁM ƠN

i u, ng i Th y ã t n tình h ng d n, cung c p nh ng tài li u vô cùng quí giá và giúp em trong su t quá trình nghiên c u th c hi n lu n v n

Xin chân thành c m ơn quý Th y Cô khoa Cơ - i n – i n T và Phòng

d y, truy n t tri th c khoa h c và giúp em tr ng thành trong su t khóa h c c ng

nh trong cu c s ng

ã giúp tôi trong su t khóa h c n khi hoàn thành lu n v n

Cu i cùng, tôi xin c bày t lòng bi t ơn chân thành, sâu s c nh t n Cha

quá trình h c t p và hoàn thành lu n v n này

Tuy nhiên, do còn h n ch v ki n th c, kinh nghi m th c t , th i gian th c

Chân thành c m ơn!

Tp H Chí Minh, tháng n m 2016

Nguy n V n Khánh

TÓM T T

v i h s co (PG-PSOCF) gi i quy t bài toán phân b công su t t i u a

cho bài toán t i u hóa Ph ng pháp xu t gi i quy t bài toán MOOPF

b ng cách gi m thi u chi phí và t ng phát th i t máy phát i n trong khi v n

áp ng các ràng bu c khác nhau c a cân b ng công su t tác d ng và ph n phán, gi i h n công su t tác d ng và ph n kháng, gi i h n i n áp thanh cái,

ABSTRACT

This thesis proposes a pseudo-gradient based particle swarm optimization with constriction factor (PG-PSOCF) method for solving multiobjective optimal power flow (MOOPF) problem The proposed PG-PSOCF is the conventional particle swarm optimization based on constriction factor based on pseudo gradient to enhance its search ability for optimization problems The proposed method is to deal with the MOOPF problem by minimizing the total cost and emission from generators while satisfying various constraints of real and reactive power balance, real and reactive power limits, bus voltage limits, shunt capacitor limits and transmission limits

Test results on the IEEE 30-bus system have indicated that the proposed method

is more efficient than many other methods in the literature Therefore, the proposed PG-PSOCF can be an effectively alternative method for solving the MOOPF problem

M C L C CÔNG TRÌNH C HOÀN THÀNH 2

NHI M V LU N V N 3

L I CAM OAN 4

L I C M ƠN 5

TÓM T T LU N V N 6

ABSTRACT 7

M C L C 8

DANH M C CÁC T VI T T T 10

DANH M C B NG 12

Ch ng 1: GI I THI U CHUNG 13

1.1.T ng quan v h ng nghiên c u 13

1.2 M c tiêu tài 14

1.3 Ý ngh a khoa h c 15

1.4 Ph m vi và ph ng pháp nghiên c u 16

1.5 N i dung lu n v n 16

Ch ng 2: T NG QUAN V CÁC PH ƠNG PHÁP GI I B I TOÁN OPF 17

2.1 Gi i thi u chung 17

2.2 Các ph ng pháp ã s d ng gi!i bài toán OPF 17

2.2.1 Ph ng pháp Newton-Raphson (NR) 19

2.2.2 Ph ng pháp Differential Evolution (DE) 22

2.2.3 Ph ng pháp Tabu Search (TS) 25

2.2.4 Ph ng pháp Genetic Algorithm (GA) 27

2.2.5 Ph ng pháp Ant Colony Optimization (ACO) 30

2.2.6 Ph ng pháp Simulated Annealing (SA) 33

2.2.7 Ph ng pháp Particle Swarm Optimization (PSO) 35

Ch ng 3: THÀNH L P BÀI TOÁN MOOPF TRONG H TH"NG I N 39

3.1 T ng quan v bài toán MOOPF 39

3.2 C s thành l p bài toán OPF 39

Ch ng 4: ÁP D NG PH ƠNG PHÁP PSO C I TI N VÀO BÀI TOÁN MOOPF 43

4.1 Ph ng pháp PSO c!i ti#n v i h s$ co 43

4.1.1 T$i u hóa ph%n t b%y àn 43

4.1.2 Khái ni m Pseudo-Gradient 44

4.1.3 Pseudo-Gradient d&a trên t$i u hóa b%y àn 45

4.2 Các b c th&c hi n ph ng pháp PG-PSOCF ' gi!i bài toán MOOPF 46

4.3 Fuzzy Based Mechanism cho l(i gi!i t$t nh)t 50

Ch ng 5: K T QU TÍNH TOÁN 51

5.1 M ng i n chu*n IEEE–30 nút 51

5.2 Hàm m c tiêu chi phí 53

5.3 Hàm m c tiêu phát th!i 56

5.4 Hàm a m c tiêu 58

Ch ng 6: K T LU N VÀ H NG PHÁT TRI+N C,A TÀI 60

6.1 K#t lu n 60

6.2 H ng phát tri'n c-a tài 60

TÀI LI U THAM KH O 61

Pseudo gradient based particle swarm optimization with constriction factor

PSO c i ti n v i h s co

Phân b công su t t i u a m c tiêu

Ch ng 1

GI I THI U CHUNG 1.1 T ng quan v h ng nghiên c u

Bài toán phân b công su t t i u (OPF) ã có l ch s phát tri n t r t lâu và có ý ngh a vô cùng quan tr ng trong quy ho ch và i u khi n h

th ng i n M c ích chung c a bài toán OPF là c c ti u các chi phí c a h

th ng i n áp ng nhu c u ph t i nh ng ph i duy trì an toàn c a h

th ng (ph i gi cho m i thi t b c a h th ng n m trong ph m vi v n hành mong mu n ch xác l p) i u này s tính n công su t phát c c i và

c c ti u c a máy phát, dòng công su t bi u ki n c c i trên ng dây truy n t i và máy bi n áp c ng nh gi i n áp nút c a h th ng n m trong

gi i h n xác nh t c m c ích này OPF s ph i th c thi m i ch c n!ng i u khi n ch xác l p c a h th ng i n, các ch c n!ng này bao g"m i u khi n máy phát và i u khi n h th ng truy n t i i v i máy phát, OPF s i u khi n công su t tác d ng u ra c a máy phát c ng nh

i n áp c a máy phát i v i h th ng truy n t i, OPF có th i u khi n t#

s n c phân áp c a máy bi n áp i u áp d i t i ho$c góc d ch pha c a máy

bi n áp d ch pha, i u khi n chuy n m ch r nhánh t t c các thi t b FACTS

[1, 2]

Trong th c t , bài toán OPF là m t hàm phi tuy n v i quy mô l n vì

ph i gi i nhi u bi n khác nhau ràng bu c hàm phi tuy n Vì v y, Bài toán OPF luôn là m t thách th c i v i các ph ơng pháp gi i, $c bi t là i v i các hàm m c tiêu không kh vi thì không th c gi i quy t b ng các

ph ơng pháp thông th ng Ngoài ra, các máy phát c ng là ngu"n phát ra các oxit l u hu&nh (SOx), oxit nitơ (NOx) và carbon dioxit (CO2) trong khí quy n Vi c thay 'i lu t Không khí s ch c a M( n!m 1990 [3] ã bu c thay 'i chi n l c phát i n m b o m t m c ô nhi)m t i thi u.Vì v y, bài toán OPF c ng nên bao g"m c bài toán phát th i t o thành bài toán OPF a

m c tiêu (MOOPF) Bài toán MOOPF s "ng th i gi m thi u t'ng chi phí

và phát th i c a máy phát nhi t khi áp ng t t c ràng bu c c a h th ng tài ã dùng ph ơng pháp PSO c i ti n (Pseudo-gradient based particle swarm optimization with constriction factor - PG-PSOCF) gi i quy t bài toán phân b công su t t i u a m c tiêu MOOPF xu t PG-PSOCF là

t i u hóa b y àn thông th ng d a vào h s co t!ng kh n!ng tìm ki m cho bài toán t i u hóa Ph ơng pháp xu t gi i quy t bài toán MOOPF

b ng cách thi u chi phí và t'ng phát th i t máy phát i n trong khi v*n áp

ng các ràng bu c khác nhau c a cân b ng công su t tác d ng và ph n phán,

gi i h n công su t tác d ng và ph n kháng, gi i h n i n áp thanh cái, gi i

h n t bù và gi i h n truy n t i

1.2 M c tiêu c a tài

n nay ã có m t s ph ơng pháp thông th ng c xu t gi i quy t các v n OPF nh ph ơng pháp d a trên gradient [5], l p trình tuy n tính (LP) [6], l p trình phi tuy n tính (NLP) [1], l p trình b c hai (QP) [7],

ph ơng pháp Newton [8], l p trình semidefinite [9] và ph ơng pháp n i

i m (IPM) [10] Nói chung, các ph ơng pháp thông th ng có th d) dàng tìm th y các gi i pháp t i u cho m t v n t i u hóa quy mô nh+ trong m t th i gian r t ng,n Tuy nhiên, nh c i m chính c a chúng là g$p khó kh!n khi i phó v i các v n t i u hóa không l"i v i ch c n!ng m c tiêu không kh vi Hơn n a, chúng c ng r t khó kh!n i phó v i v n quy mô l n do không gian tìm ki m l n, t n th i gian hay không có h i t Các ph ơng pháp tìm ki m meta-heuristic cho th y nó thích h p i phó

v i các v n t i u hóa ph c t p, $c bi t là cho nh ng hàm m c tiêu không kh vi M t s ph ơng pháp tìm ki m meta-heuristic c ng ã c áp

d ng r ng rãi gi i quy t bài toán OPF nh ph ơng pháp Genetic Algorithm (GA) [11], simulated annealing (SA) [12], Ph ơng pháp Tabu Search (TS) [13], ph ơng pháp evolutionary programming (EP) [14, 15],

ph ơng pháp Differential Evolution (DE) [16], ph ơng pháp improved

particle swarm optimisation (IPSO) [17, 18], và thu t toán modified shuffle frog leaping algorithm (MSFLA) [19]

Các thu t toán tìm ki m meta-heuristic có th kh,c ph c nh c i m

c a các ph ơng pháp thông th ng; có ngh a là chúng có th i phó v i

nh ng v n mà không yêu c u hàm m c tiêu là kh vi Tuy nhiên, các

ph ơng pháp tìm ki m meta-heuristic không t gi i pháp t i u và ch t

l ng gi i pháp có th không cao khi gi i quy t bài toán v i quy mô l n và

ph c t p Các gi i pháp thu c t các ph ơng pháp này v i th i gian tính toán dài Vì v y, các ph ơng pháp lai c ng ã c phát tri n kh,c ph c các nh c i m c a ph ơng pháp meta-heuristic nh lai TS/SA [20], lai GA-IPM [21], lai ti n hóa (hybrid differential evolution) [22], lai m và PSO [23], và k( thu t tính toán m (genetic-based fuzzy mathematical programming technique) [24] M c ích c a ph ơng pháp lai là t n d ng

nh ng l i th c a t ng ph ơng pháp ph n t có c nh ng gi i pháp t i

u t t hơn M$c dù các ph ơng pháp lai có th có c ch t l ng gi i pháp

t t hơn so v i các ph ơng pháp riêng l-, th i gian tính toán lâu hơn so v i các ph ơng pháp riêng l- do s k t h p c a nhi u ho t ng Hơn n a, h

th ng hybrid c ng th ng ph c t p hơn nhi u so v i ph ơng pháp ph n t

Vì th ch có thu t toán d a trên trí thông minh nhân t o và ti n hóa mà i n hình là ph ơng pháp PSO m i phù h p v i các lo i bài toán này và lo i tr b+ c các v n khó kh!n trên

1.3 Ý ngh a khoa h c, óng góp c a lu n v n

tài nghiên c u ã ng d ng ph ơng pháp PSO c i ti n và gi i quy t bài toán t i u hóa phân b công su t a m c tiêu (c c ti u chi phí và phát th i cho nhà máy i n) v i k t qu t t h n các ph ơng pháp khác ông

th i, v i s c i ti n này s làm cho l i gi i c a bài toán h i t nhanh hơn

i u này cho th y t m quan tr ng c a nó trong vi c tìm ra m t l i gi i t t

nh t, t i u nh t

Thu t toán này c áp d ng gi i bài toán trên h th ng i n IEEE

30 nút và nút sánh v i các ph ơng pháp trí tu nhân t o khác

1.4 Ph m vi và ph ng pháp nghiên c u

tài c nghiên c u d a trên ph ơng pháp PSO c i ti n, xây d ng

mô hình toán h c c a bài toán g"m hàm chi phí và phát th i /ng d ng tính bài toán PG-PSOCF trên h th ng i n chu0n theo IEEE, so sánh v i các

ph ơng pháp khác nh m làm rõ s u vi t c a tài Dùng ph n m m Matlab gi i các thu t toán t i u

1.5 N i dung c a lu n v n

Ch ơng 1: Gi i thi u chung

Ch ơng 2: T'ng quan v phân b công su t t i u

Ch ơng 3: Thành l p bài toán MOOPF trong h th ng i n

Ch ơng 4: Áp d ng ph ơng pháp PSO c i ti n vào bài toán MOOPF

Ch ơng 5: K t qu tính toán

Ch ơng 6: K t lu n và h ng phát tri n c a tài

Ch ng 2

BÀI TOÁN OPF 2.1 Gi i thi u chung

Yêu c u quan tr ng nh t trong v n hành h th ng i n (HT ) là m b o cho h

th ng làm vi c t i u và tin c y, mu n v y khi v n hành các ph n t trong HT

ph i m b o c các i u ki n sau ây:

- m b o cung c p i n n ng liên t c

- m b o ch t l ng i n n ng: gi cho i n áp và t n s n m trong gi i h n cho phép

ch n cơ c u thi t b v n hành h p lý và phân b công su t t i u gi a các

ph n t trong HT

Trong ó bài toán phân b công su t t i u (OPF) là bài toán có ý ngh a quan

tr ng nh t và c s d ng r ng rãi trong v n hành và quy ho ch HT Modul OPF

là dòng t i thông minh s d ng các k thu t t ng i u ch!nh s thi t l p i u khi n HT trong khi v"n m b o th a mãn c các i u ki n v n hành và dòng phân b t i v i các ràng bu c c th

Bài toán OPF c xem nh là bài toán ghép ôi c a i u ph i kinh t (Economic Dispatch – ED) và i u ph i t i u công su t ph n kháng (Optimal

Reactive Power Dispatch – ORPD) M c tiêu chính c a bài toán ED là xác nh k

ho ch phát công su t c c ti u hóa t ng chi phí v n hành h th ng mà không vi

ph m b t c ràng bu c v n hành nào c a h th ng nh quá t i #ng dây hay sai

l ch i n áp nút Trong khi ó, m c tiêu c a i u ph i t i u công su t ph n kháng

là nâng cao n nh i n áp và gi m t n th t công su t truy n t i trên HT mà v"n th a mãn t t c các ràng bu c v n hành

M c tiêu th nh t c a bài toán OPF là c c ti u t ng chi phí nhiên li u máy phát trong khi v"n m b o an toàn h th ng T$ quan i m c a bài toán OPF, s duy trì an toàn c a h th ng òi h i m%i thi t b v n hành trong HT ph i n m trong

ph m vi mong mu n & ch xác l p Nó bao g m gi i h n c c ti u, c c i công

su t u ra c a máy phát, dòng công su t l n nh t trên #ng dây truy n t i và máy

bi n áp c'ng nh gi i n áp m%i nút trong kho ng gi i h n an toàn

M c tiêu th hai c a bài toán OPF là xác nh d li u chi phí biên c a h

th ng

2.2 Các ph ng pháp ã s d ng gi i bài toán OPF

Tr i qua hàng lo t các nghiên c u ã c trình bày, tính n nay có gi i pháp

v ph ơng pháp lu n có th nhóm l i hai ph ơng pháp c th nh sau:

- Ph ơng pháp thông th #ng (c i n)

- Ph ơng pháp thông minh

Phân lo i m%i ph ơng pháp c trình bày theo sơ h th ng nh sau:

Hình 2.1 Sơ h th ng các ph ơng pháp gi i bài toán OPF

Tuy nhiên ph ơng pháp NR c'ng có tr& ng i là ph ng oán ban u ph i g n

v i l#i gi i cho ph ơng pháp h i t , nh ng i u này không quan tr ng l)m vì

d a vào kinh nghi m ta v"n có th a ra c nh ng ph ng oán t t Mô hình c a

ph ơng pháp NR c trình bày nh sau:

Hàm m c tiêu

Xét bài toán trong HT có N nút và NG máy phát M c tiêu là c c ti u t ng chi phí v n hành c a nhà máy i n có hàm chi phí nh sau :

+ +

c

$

2 1

γ β

Hàm ràng bu c b ng nhau

0 )

, ( − gi − load i =

0 )

, ( − gi − load i =

Q δ V i: i = (NG+1), (NG+2), …, N (2.3) Trong ó:

P i: công su t th c bơm vào nút i và là hàm c a V,δ i v i nút t i thì

- Công su t ph n kháng bơm vào nút i

1

k i ik

k i ik

N

k

k i

=

(2.8) Bài toán t i u hóa có ràng bu c có th c chuy n sang bài toán t i u hóa không ràng bu c b ng cách làm t ng ràng bu c dòng t i vào hàm m c tiêu

+

− +

=

N

NG i

i load gi

i pi

i pi gi

c g

Q Q V

Q

P P V

P P

F V

) , ( )

( )

, , (

δ λ

δ λ

gi P

F P

L

λ V i : i = 1, 2, NG (2.10)

1 1

=

∂

∂ +

qk N

k pk i

Q P

L

δ

λ δ

λ

Trong ó:

: , qk

λ h ng s Lagrange

Các b c c a thu t toán NR

B c 1: Kh&i t o l#i gi i bài toán OPF

- D oán ban u v gi i h n trên và gi i h n d i c a hàm ràng bu c không b ng nhau

- D oán ban u v i n áp và góc pha i n áp, công su t u ra c a máy phát, n c thay i i n áp, các nhân t trong hàm Lagrange

B c 2: ánh giá nh ng hàm ràng bu c không b ng nhau thêm vào ho(c l y

ra s d ng thông tin t$ nhân t Lagrange cho ràng bu c khó và ánh giá tr c

ti p i v i hàm ràng bu c d*

B c 3: Xác nh các giá tr c a l#i gi i OPF m b o r ng ít nh t m t máy phát không vi ph m gi i h n

B c 4: Tính toán gradient và Hessian c a Lagrangian

B c 5: Gi i ph ơng trình [ ]H ∆ = ∇z L z( )

B c 6: C p nh t l#i gi i znew = zold − ∆ z

B c 7: Ki m tra ∆ <z ε N u th a chuy n n b c ti p theo, ng c l i quay l i b c 4

B c 8: Ki m tra các i u ki n ràng bu c không b ng nhau N u th a k t thúc

bài toán, ng c l i quay l i b c 2

2.2.2 Ph ng pháp Differential Evolution (DE)

Differential Evolution (DE) là m t thu t toán ti n hóa c xu t b&i Storn

và Price vào n m 1997 Ph ơng pháp DE [16] cho th y hi u qu trong vi c gi i quy t bài toán t i u không tuy n tính v i các i u ki n ràng bu c khác nhau +u

i m c a ph ơng pháp này là c u trúc ơn gi n, g n, ít thông s i u khi n, i m

h i t cao Hàm m c tiêu có d ng b c hai dùng tính toán là c c ti u chi phí nhiên

li u máy phát v i các ràng bu c: gi i h n công su t th c và công su t ph n kháng máy phát, i n áp các nút, u phân áp và dòng công su t trên các #ng dây Mô hình c a thu t toán DE c trình bày nh sau:

Hàm m c tiêu

M(c dù h u h t các v n t i u hóa phân b công su t trong HT là t ng chi phí s n xu t i n n ng, trong m t vài tr #ng h p có th ch n hàm m c tiêu khác ch,ng h n nh hàm t n th t công su t trên #ng dây truy n t i và c bi u di*n

=

NL

i

j i j

i j

i j i loss g V V V V F

1

2 2

, 1

,

=

j i j i j

j NB

j i i

D i

0 ) sin( ,

, 1

,

=

j i j i j

i j NB

j i i

D i

i i

max min

i i

max , ,

min ,i comp i comp i

max , ,

) 1 , 0

G r

G r

CR: thông s i u khi n DE, c g i là t/ l giao nhau và c dùng xác nh các thông s n m trong ph m vi [0,1]

B c 4: L a ch n m%i ph n t cho vòng l(p k ti p nh sau:

G+1 i

B c 5: L(p l i t bi n, giao nhau và l a ch n thông s v n hành n khi các

tiêu chu0n th a mãn yêu c u

2.2.3 Ph ng pháp Tabu Search (TS)

Ph ơng pháp Tabu Search (TS) [13] c xu t b&i Fred Glover vào n m

1980 tìm ki m gi i pháp t i u d a trên b nh linh ng c a máy tính u tiên

TS ch n k t h p t t c các hàm chi phí c a các t máy K t qu tính toán c mã hóa & d ng th p phân và c l u vào b nh máy tính +u m c a TS là th#i gian tính toán nh Ph ơng pháp này ã c ch ng minh là gi i quy t t t bài toán i u kinh t v i nhi u ràng bu c khác nhau

Nh ng u i m chính c a thu t toán TS là vi c nó s d ng s ghi nh linh

ho t v thông tin l ch s trong quá trình tìm ki m ng n ng$a dao ng và tránh b k1t l i & l#i gi i t i u c c b TS có th gi i quy t c các bài toán không l i Mô hình c a thu t toán TS c trình bày nh sau:

Hàm m c tiêu

2 1

$

NG ctotal t i gi i gi i

B c 1 : (t b m b c l(p k = 0 và t o ra giá tr ng"u nhiên ban u xintial

(t giá tr này là giá tr hi n t i và c'ng chính là giá tr t t nh t, x best (ví d : x intial =

x current = x best )

B c 2 : T o ra ng"u nhiên m t giá tr th xtrialstrong lân c n c a giá tr hi n

t i Phân lo i các ph n t c a S d a trên hàm m c tiêu theo th t t ng d n (do bài toán là c c ti u hóa)

B c 3 : Thi t l p i = 1 N u ( i ) ( bes )

J x >J x chuy n n b c 4, ng c l i thi t l p xbest = xtrial i và chuy n n b c 4

B c 4 : Ki m tra các tr ng thái Tabu c a bi n xtrial i N u bi n ó không

n m trong danh sách c a Tabu thì a bi n ó vào danh sách Tabu và thi t l p

B c 5 : Ki m tra tiêu chu0n c a bi n xtrial i N u th a mãn, thì h y b các

gi i h n c a Tabu, c p nh t m t c p khác, thi t l p xc rentur = xtrial i và i n

b c 7 N u không, thi t l p i = i + 1 và i n b c 6

B c 6 : N u i > nt, i n b c 7 ng c l i quay l i b c 4

B c 7 : Ki m tra i u ki n d$ng N u th a mãn, thì d$ng b c l(p, ng c l i

(t k = k + 1 và quay v b c 2

2.2.4 Ph ng pháp Genetic Algorithm (GA)

Thu t toán Genetic Algorithm (GA) [11] c phát minh b&i Holland vào u

nh ng n m 1970 là thu t toán di truy n tìm ki m d a trên ch n l c t nhiên và quá trình thích nghi Thu t toán c áp d ng cho các v n ph c t p v i l#i gi i chính xác ho(c g n úng Thu t toán GA c l y c m h ng t$ ti n hóa sinh h c di truy n, t bi n, l a ch n và tái k t h p GA ho t ng trên qu n th c a nh ng l#i

gi i ng viên gi i mã chu%i h u h n g i là nhi*m s)c th (NST) thu c s t i

u, m%i NST ph i trao i thông tin b ng cách s d ng nh ng toán t m n t$ gen

t nhiên làm ra l#i gi i t i u Hàm m c tiêu dùng tính toán là c c ti u chi phí nhiên li u máy phát v i các ràng bu c công su t máy phát, i n áp các nút, t bù,

u phân áp n m trong gi i h n cho phép

Thu t toán GA có nhi u u i m trong tính toán: tìm c k t qu g n t i u trong th#i gian ng)n, ơn gi n và t ng quát hóa Ngoài ra, nó còn tìm ra nhi u k t

qu m t cách ng th#i mà các ph ơng pháp thông th #ng không làm c, kh

n ng tìm ra k t qu t i u toàn c c c nâng lên Tuy nhiên, GA ph thu c nhi u vào hàm t ơng thích, nh y v i t! l lai và t bi n, sơ mã hóa các bit c a nó, và

d c c a #ng cong không gian dò tìm d"n n l#i gi i Mô hình c a thu t toán

GA c trình bày nh sau:

Hàm m c tiêu

2 1

B c 2: Gi s r ng (pop size) có kích th c phù h p nh t, c c i s l ng

máy phát (gen_max)

B c 3: Thi t l p s l ng các cá th (pop_vn = 0)

B c 4: T o ra ng"u nhiên các nhi*m s)c th

B c 5: Ch y phân b công su t s d ng ph ơng pháp Newton-Raphson cho

m%i m"u c t o ra Pgi và sau ó xác nh: nút chu0n, biên và góc pha i n áp

t i t t c các nút Ngoài ra, tính toán phân b công su t trên m%i #ng dây truy n

t i c a h th ng

B c 6: Ki m tra các ràng bu c v l ch biên i n áp, góc pha, công su t

bi u ki n và công su t ph n kháng t i t t c các nút N u không th a mãn thì quay

B c 9: Tìm và l u gi l i chi phí c c ti u nh t (trong s t t c các chi phí

tính toán & b c 8) t ơng ng v i m%i giá tr c a nhi*m s)c th

B c 10: Ki m tra n u có ng"u nhiên ri < cr (crossover rate) for i = 1 to

pop_size, ch n nhi*m s)c th ith Áp d ng crossover cho t$ng cá th

B c 11: Ch y bài toán phân b công su t s d ng Newton-Raphson i v i

m%i cá th m i và xác nh nút chu0n, biên i n áp và góc pha c a t t c các nút Ngoài ra tính toán phân b công su t trên m%i #ng dây truy n t i c a h th ng

B c 12: Ki m tra i u ki n ràng bu c & b c 6

B c 13: N u t t c i u ki n ràng bu c c th a mãn, m%i cá th m i c

ch p nh n ng c l i chúng không c ch p nh n

B c 14: Áp d ng quá trình t bi n tính toán cho các th h

B c 15: Ch y bài toán phân b công su t s d ng Newton-Raphson và ki m

tra i u ki n ràng bu c & b c 6

B c 16: N u t t c i u ki n ràng bu c th a mãn chuy n n b c ti p theo

ng c l i quay l i b c 4

B c 17: Tính toán t ng chi phí cho t t c các cá th c ch p nh n

B c 18: Tìm l#i gi i t i trong t t c các l#i gi i t t nh t c ch n

2.2.5 Ph ng pháp Ant Colony Optimization (ACO)

Ph ơng pháp Ant Colony Optimization (ACO) [25] là ph ơng pháp ti n hóa

d a trên trí thông minh nhân t o c gi i thi u b&i Marco Dorigo n m 1992 Ý

t &ng chính làm cơ s& c a thu t toán là l y c m h ng t$ hành vi c a àn ki n trong

t nhiên, ó là quá trình tìm ki m các l#i gi i song song d a vào các d li u c c b

và d a vào c u trúc ng ch a các thông tin thu c qua các b c gi i tr c S

t ng h p các hành vi n i tr i t$ quá trình giao ti p gi a các ph n t trong quá trình tìm ki m c a chúng th c s có hi u qu trong vi c gi i quy t các bài toán t i u hóa Qua các quá trình nghiên c u ng #i ta th y r ng khi có 1 cá th ki n tìm c ngu n th c n, nó s3 ánh giá ch t l ng và s l ng th c n ó Trong su t quá trình quay v t cá th ki n này s3 l i trên l i v lo i pheromone do nó ti t ra

L ng pheromone l i có th ph thu c vào ch t l ng và s l ng th c n,

l ng pheromone này s3 d"n các cá th ki n khác t i ngu n th c n này S truy n

t gián ti p này gi a các cá th ki n qua ch t pheromone l i trên l i mòn cho phép chúng tìm c #ng i ng)n nh t t$ t c a chúng n ngu n th c n ó

Nói chung ph ơng pháp ACO gi i quy t bài toán t i u hóa b ng cách l(p l i 2

b c sau:

- L#i gi i ng viên c xây d ng d a trên mô hình ch t pheromone (c tr ng

c a loài ki n mà s phân b t n su t c thông s hóa qua không gian bài toán

- L#i gi i ng viên c s d ng thay i các giá tr c a ch t (c tr ng v i cách mà c ngh r ng thiên v s l y m"u hơn là v l#i gi i ch t l ng cao

Ph ơng pháp ACO c ng d ng thành công trong nhi u bài toán khác nhau

nh : bài toán ng #i bán hàng du l ch, nh tuy n xe c , m ng l i vi*n thông… Mô hình thu t toán ACO c trình bày nh sau:

Hàm m c tiêu

2 1