Áp dụng thuật toán IPSO để tính toán điều độ tối ưu cho nhà máy diện có chu trình hỗn hợp

Áp dụng những thành tựu từ mạng neural, một phương pháp mới được đưa ra để giải quyết bài toán phân bố công suất tối ưu được gọi là phương pháp tối ưu bầy đàn cải tiến.. Một số nhà khoa

LUẬN VĂN THẠC SỸ Chuyên ngành: Kỹ thuật điện

Mã ngành: 60520202

NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN

Tp HCM, ngày …… tháng 01 năm 2015

Giáo viên hướng dẫn

NHẬN XÉT CỦA HỘI ĐỒNG XÉT DUYỆT

Tp HCM, ngày …… tháng 01 năm 2015

Hội đồng xét duyệt

MỤC LỤC

MỤC LỤC 4

DANH MỤC CÁC HÌNH VẼ 7

DANH MỤC CÁC BẢNG BIỂU 8

DANH MỤC CÁC TỪ VIẾT TẮT 9

CHƯƠNG 1: GIỚI THIỆU CHUNG 10

Đặt vấn đề 10

Tính cấp thiết của đề tài 10

Mục tiêu của đề tài 11

Nội dung và phạm vi nghiên cứu 12

CHƯƠNG 2: TỔNG QUAN VỀ BÀI TOÁN VÀ CÁC PHƯƠNG PHÁP NGHIÊN CỨU 13

Tổng quan về tình hình nghiên cứu 13

Phương pháp Lambda Dispatch (LD) 13

Phương pháp quy hoạch tuyến tính (Linear Programing) 14

Phương pháp di truyền trong miền số thực (Real–coded Genetic Algorithm – RGA) 14

Phương pháp nghiên cứu cải tiến Harmony- Improved Harmony Search -(IHS) 15 Phương pháp tiến hóa khác-Differental Evolutionanry- (DE) 15

Phương pháp tối ưu bầy đầy đàn dạng cơ bản (PSO) 16

Thuật toán giải quyết PSO 17

Tổng quan một số cải tiến quan trọng của phương pháp tối ưu bầy đàn 21

2.9.1 Phương pháp tối ưu bày đàn với hệ số co 21

2.9.2 Phương pháp tối ưu bầy đàn với Kỹ thuật gradient giả 21

2.9.3 Ưu điểm và nhược điểm của phương pháp bày đàn 22

Đề xuất phương pháp tối ưu bầy đàn cải tiến 23

CHƯƠNG 3: ÁP DỤNG PHƯƠNG PHÁP TỐI ƯU BẦY ĐÀN CẢI TIẾN ĐỂ GIẢI QUYẾT BÀI TOÁN 25

Xây dựng thuật toán 25

3.1.1 Xây dựng hàm Fitness: 25

3.1.2 Lựa chọn biến tìm kiếm và khởi tạo các giá trị ban đầu 25

Áp dụng thuật toán bầy đàn cải tiến giải bài toán phân bố tối ưu công suất có xét đến ràng buộc an ninh 26

CHƯƠNG 4: GIỚI THIỆU VỀ NMĐ CHU TRÌNH HỖN HỢP PHÚ MỸ 2.1 & 2.1MR 29

Các thông số hàm mục tiêu và các ràng buộc trong điều kiện vận hành của Nhà

máy điện Phú Mỹ 2.1 &2.1MR: 29

4.1.1 Hàm mục tiêu 29

4.1.2 Hàm ràng buộc 29

Giới thiệu về nhà máy điện Phú Mỹ 2.1 29

Giới thiệu về nhà máy điện Phú Mỹ 2.1MR: 33

Nguồn cung cấp khí gas 33

Điều độ tối ưu cho nhà máy điện có chu trình hỗn hợp: 35

CHƯƠNG 5: TÍNH TOÁN CHI PHÍ VẬN HÀNH 38

Tính chi phí khởi động cho Phú Mỹ 2.1: 38

5.1.1 Chu trình đơn 1GT: 38

a Chi phí khởi động 38

b Đường cong chi phí khi khởi động: 39

c Hàm chi phí tương đương: 39

d Giới hạn tải và vùng cấm vận hành liên tục: 40

5.1.2 Chu trình đơn 2GT: 40

a Chi phí khởi động: 40

b Đường cong chi phí: 41

c Hàm chi phí tương đương: 41

d Giới hạn tải và vùng cấm vận hành liên tục: 41

5.1.3 Chu trình hỗn hợp 1GT+ST: (1-1-1): 42

a Chi phí khởi động 42

b Đường cong chi phí: 43

c Hàm chi phí tương đương: 43

d Giới hạn tải và vùng cấm vận hành liên tục: 43

5.1.4 Chu trình hỗn hợp 2GT+ST (2-2-1): 43

+ Trường hợp 1: 43

+ Trường hợp 2: 44

a Chi phí khởi động 44

b Đường cong chi phí: 45

c Hàm chi phí tương đương: 45

d Giới hạn tải và vùng cấm vận hành liên tục: 45

Tính chi phí khởi động cho Phú Mỹ 2.1MR: 46

5.2.1 Chu trình đơn 1GT: 46

a Chi phí khởi động: 46

b Đường cong chi phí: 47

c Hàm chi phí tương đương: 47

d Giới hạn tải và vùng cấm vận hành liên tục: 47

5.2.2 Chu trình đơn 2GT: 48

a Chi phí khởi động: 48

b Đường cong chi phí: 48

c Hàm chi phí tương đương: 48

d Giới hạn tải và vùng cấm vận hành liên tục: 49

5.2.3 Chu trình hỗn hợp 1GT+ST: (1-1-1) Phú Mỹ 2.1MR: 49

a Chi phí khởi động 49

b Đường cong chi phí: 50

c Hàm chi phí tương đương: 51

d Giới hạn tải và vùng cấm vận hành liên tục: 51

5.2.4 Chu trình hỗn hợp 2GT+ST (2-2-1): 51

a Chi phí khởi động 51

b Đường cong chi phí: 52

c Hàm chi phí tương đương: 52

d Giới hạn tải và vùng cấm vận hành liên tục: 53

CHƯƠNG 6: KẾT QUẢ TÍNH TOÁN CHI PHÍ VẬN HÀNH THỰC TẾ SO SÁNH VỚI THUẬT TOÁN IPSO 54

Kết quả tính toán cho chu trình đơn 1GT: 54

Kết quả tính toán cho chu trình đơn 2GT: 54

Kết quả tính toán cho chu trình hỗn hợp 1GT+ST: 55

Kết quả tính toán cho chu trình hỗn hợp 2GT+ST: 56

CHƯƠNG 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 58

Kết luận: 58

Hướng phát triển đề tài: 58

Tài liệu tham khảo 60

Phụ lục 61

DANH MỤC CÁC HÌNH VẼ

Hình 1-1: Sơ đồ tổng thể cụm khí điện đạm Phú Mỹ 11

Hình 2-1 Thuật toán DE 16

Hình 3-1: Sơ đồ khối áp dụng thuật toán tối ưu bầy đàn cải tiến cho bài toán phân bố tối ưu công suất 28

Hình 4-1: Sơ đồ kết nối lưới điện NMĐ PM2.1& 2.1MR 30

Hình 4-2: Nhà máy điện Phú Mỹ 2.1 (450MWe) 31

Hình 4-3 Sơ đồ chu trình đơn và chu trình hỗn hợp 32

Hình 4-4 - Hệ thống cung cấp khí gas 34

Hình 4-5 Cấu hình 2-2-1 của Nhà máy điện Phú Mỹ 2.1 & 2.1MR 34

Hình 4-6 Đồ thị hàm tăng chi phí của CC unit 35

DANH MỤC CÁC BẢNG BIỂU

Bảng 4-1 Các trạng thái có thể vận hành với nhà máy 35

Bảng 5-1 Chi phí khởi động chu trình đơn 1GT của NMĐ PM2.1 38

Bảng 5-2 Chi phí khởi động chu trình đơn 2GT của NMĐ PM2.1 40

Bảng 5-3 Chi phí khởi động chu trình hỗn hợp 1GT+1ST của NMĐ PM2.1 42

Bảng 5-4 Chi phí khởi động chu trình hỗn hợp 2GT+1ST của NMĐ PM2.1 44

Bảng 5-5 Chi phí khởi động chu trình đơn 1GT của NMĐ PM2.1MR 46

Bảng 5-6 Chi phí khởi động chu trình đơn 2GT của NMĐ PM2.1MR 48

Bảng 5-7 Chi phí khởi động chu trình hỗn hợp 1GT+1ST của NMĐ PM2.1MR 50

Bảng 5-8 Chi phí khởi động chu trình hỗn hợp 2GT+1ST của NMĐ PM2.1MR 52

Bảng 6-1 So sánh chi phí vận hành thực tế và phương pháp IPSO trong chu trình đơn 1GT 54

Bảng 6-2 So sánh chi phí vận hành thực tế và phương pháp IPSO trong chu trình đơn 2GT 55

Bảng 6-3 So sánh chi phí vận hành thực tế và phương pháp IPSO trong chu trình hỗn hợp 1GT+ST 56

Bảng 6-4 So sánh chi phí vận hành thực tế và phương pháp IPSO trong chu trình hỗn hợp 2GT+ST 57

DANH MỤC CÁC TỪ VIẾT TẮT

Cycle units

Điều độ tối ưu cho nhà máy điện chu trình hỗn hợp

IPSO

PSO

Improved Particle Swarm Optimization

Particle Swarm Optimization

Tối ưu bầy đàn cải tiến Tối ưu bầy đàn

thực

Engineers

Hội kỹ sư điện và điện tử

CHƯƠNG 1: GIỚI THIỆU CHUNG Đặt vấn đề

Mục tiêu của điều độ tối ưu hệ thống điện là giảm đến mức thấp nhất tổng chi phí vận hành nguồn điện của toàn hệ thống, đồng thời đảm bảo được các ràng buộc về

hệ thống cũng như bản thân các tổ máy phát điện Các nhà máy điện chu trình hỗn hợp chiếm tỷ trọng lớn trong cơ cấu nguồn điện tại Việt Nam Theo quyết định số: 1208/QĐ-TTg ngày 21 tháng 7 năm 2011 của Thủ tướng chính phủ về phê duyệt phát triển điện lực quốc gia giai đoạn 2011-2020 có xét đến năm 2030, thì đến năm 2020 công suất nguồn của nhiệt điện chu trình hỗn hợp sử dụng khí tự nhiên là 10400 MW, sản xuất khoảng 66 tỷ kWh điện, chiếm tỷ trọng gần 20% sản lượng điện sản xuất

Tại khu vực phía Nam thì cụm khí điện đạm Phú Mỹ với tổng công suất gần 4000

MW chiếm tỷ trọng đáng kể trong toàn bộ hệ thống Việc điều độ tối ưu các nguồn phát này sẽ mang lại lợi ích kinh tế không nhỏ trong lúc nguồn nhiên liệu hóa thạch ngày càng khan hiếm Nó còn giúp cho các tổ máy phát tăng tuổi thọ, hợp lý hóa quá trình ngừng máy, khởi động, bảo dưỡng định kỳ và tăng nguồn dự phòng cho

hệ thống

Tính cấp thiết của đề tài

Cụm nhiệt điện Phú Mỹ bao gồm các nhà máy như sau:

Hình 1-1: Sơ đồ tổng thể cụm khí điện đạm Phú Mỹ

Vì có sự kết hợp giữa các loại máy phát khác nhau nên hàm chi phí của hệ thống

từ đó cũng phức tạp hơn, đồng thời đồ thị đường cong cũng không phải là hàm tăng đơn điệu

Chi phí sản xuất nói chung bao gồm chi phí cố định và chi phí thay đổi Chi phí

cố định rất quan trọng trong việc quyết định giá công suất khi thương thảo các hợp đồng Chi phí thay đổi (chi phí vận hành) là những chi phí liên quan đến việc huy động các tổ máy và phụ thuộc vào các chế độ khác nhau của hệ thống điện Các chi phí thay đổi phụ thuộc vào các quyết định vận hành của nhân viên vận hành Chi phí thay đổi bao gồm: chi phí bảo dưỡng thường xuyên, chi phí nhiên liệu, chi phí khởi động, dừng máy và chi phí dừng dự phòng

Chính vì thế cần có một công cụ để giúp cho vận hành viên theo dỏi, giám sát,

ra quyết định để lựa chọn phù hợp các tổ máy phát nhằm giảm chi phí vận hành, giảm sự cố, để tối ưu hóa lợi nhuận

Mục tiêu của đề tài

Bài toán ED đã có lịch sử phát triển từ lâu đời, nó có ý nghĩa quan trọng trong quy hoạch và điều khiển hệ thống điện Tuy nhiên cho đến nay nhiều vấn đề liên quan đến bài toán ED vẫn còn đang trong quá trình nghiên cứu và hoàn thiện Chẳng hạn như sự đảm bảo tính hội tụ và tìm đến lời giải tối ưu đối với bài toán

ED không lồi dạng tổng quát cũng như độ tin cậy của thuật toán mà các phương pháp cổ điển và hiện tại chưa giải quyết được Bài toán điều độ tối ưu sử dụng phương pháp IPSO (Improved Particle Swarm Optimization) là sự kết hợp hoàn hảo trong việc giải quyết những vấn đề trái ngược như: tối đa lợi nhuận, vận hành

an toàn và tăng cường an ninh năng lượng

Xây dựng phần mềm để giúp cho các kỹ sư vận hành ra các quyết định mà trong

đó có các trường hợp nằm ngoài quy trình vận hành hay các trường hợp không rõ ràng mà nó tích lũy từ kinh nghiệm của kỹ sư Những hỗ trợ cũng có thể thực hiện

một chức năng quan trọng là “học tập” các kinh nghiệm để có thể được củng cố

thêm các kịch bản nhằm giải quyết tốt hơn các vấn đề sẽ gặp trong tương lai Một trong những hỗ trợ đó là một chương trình dựa trên phương pháp IPSO để cải thiện phân bố công suất tối ưu Việc tính toán có khả năng thông báo, cập nhật cho các vận hành viên các kịch bản khả năng và nếu mất an ninh nó có thể phòng ngừa được bằng cách loại các mệnh lệnh ban hành không hợp lý

Đề tài sẽ là công cụ cơ sở cho các vận hành viên ra quyết định cho khu vực cụm nhiệt điện Phú Mỹ, mà điển hình là nhà máy điện Phú Mỹ 2.1 và Phú Mỹ 2.1MR

Nội dung và phạm vi nghiên cứu

Nghiên cứu điều độ tối ưu dùng phương pháp IPSO để áp dụng cho việc điều độ các nhà máy điện Phú Mỹ 2.1 & 2.1MR Với số liệu thiết kế, các thông số vận hành thực tế và kinh nghiệm vận hành trong các năm qua của nhà máy điện Phú

Mỹ 2.1 & 2.1MR sẽ được sử dụng để làm số liệu đầu vào cho bài toán

Mô hình hóa các số liệu để đảm bảo sự phối kết hợp giữa lý thuyết và thực tiễn Đảm bảo tính đúng đắn của các kịch bản nhằm tạo tiền đề cho các nghiên cứu chuyên sâu và áp dụng thực tế

CHƯƠNG 2: TỔNG QUAN VỀ BÀI TOÁN VÀ CÁC

Tổng quan về tình hình nghiên cứu

Bài toán điều độ tối ưu của nhà máy điện có chu trình hỗn hợp là một dạng bài toán mới trong nền công nghiệp năng lượng ngày nay Vì có sự kết hợp giữa các máy phát với nhau, nên công suất của hệ thống cũng phụ thuộc vào sự kết hợp này Do đó, người vận hành vừa phải tính toán việc vận hành vừa đảm bảo yêu cầu công suất của hệ thống, đồng thời phải đảm bảo phải tối ưu về mặt kinh tế

Do là chu trình hỗn hợp nên hàm chi phí cũng khác so với các bài toán thông thường, nên ta phải sử dụng các phương pháp giải đặc biệt để giải quyết bài toán Một số phương pháp giải bài toán này như phương pháp đếm/lặp (Enumeration/Iteration), quy hoạch động (Dynamic Programing), phương pháp tiến hóa (Evolutionary Algorithm), phương pháp tối ưu bầy đàn cải tiến (IPSO) Mặc dù không có một phương pháp nào có thể đảm bảo kết quả đạt được là tối

ưu, nhưng với đặc trưng của hệ thống thì các phương pháp trên có thể giải quyết

ra đời làm cho các hệ thống lớn được mô phỏng như một tổ chức thần kinh của con người, nhờ đó đã mang lại nhiều tiến bộ vượt bâc Áp dụng những thành tựu

từ mạng neural, một phương pháp mới được đưa ra để giải quyết bài toán phân

bố công suất tối ưu được gọi là phương pháp tối ưu bầy đàn cải tiến Trong đề tài luận văn này, tôi xin trình bày về thuật toán IPSO và ứng dụng của thuật toán vào trong bài điều độ tối ưu các máy phát có chu trình hỗn hợp Phần trình bày sau đây sẽ giới thiệu sơ lược một số phương pháp và ưu khuyết điểm của nó

Phương pháp Lambda Dispatch (LD)

Phương pháp Lambda Dispatch có lẽ là phương pháp được sử dụng rộng rãi nhất hiện nay Ưu điểm của phương pháp là khá nhanh và khái quát, đáp ứng được nhiều điều kiện vận hành Trong phương pháp này, bài toán EDCC được giải quyết thông qua một quá trình lặp đi lặp lại nhiều lần Mỗi vòng lặp bao gồm việc tạo ra giá trị mới của 𝜆, gọi là chi phí hệ thống kép → xác định công suất vận hành của các tổ máy → kiểm tra nhằm đảm bảo các yêu cầu của hệ thống

Phương pháp LD có thể được mở rộng bằng cách thêm vào những điều kiện

liên kết giữa các hệ thống thông qua những hệ số nhân Lagrange, mỗi điều kiện thêm vào là 1 số nhân Lagrange Lời giải cho bài toán mở rộng đòi hỏi phải liên tục ước lượng các hệ số nhân cho đến khi mọi điều kiện của bài toán đều được thỏa mãn Vì vậy, phương pháp LD khá dễ dàng mở rộng các bài toán điều độ kinh tế trong nhiều vùng Tuy nhiên khi các hệ số nhân tăng lên, quá trình giải

sẽ trở nên phức tạp hơn và thường không thể giải được do kết quả không hội tụ

Phương pháp quy hoạch tuyến tính (Linear Programing)

Quy hoạch tuyến tính được nghiên cứ từ những năm 1940 Một số nhà khoa học có công trình đầu tiên về lĩnh vực này là nhà toán học Xô Viết L.V Kantorovich, và nhà toán học Mỹ G.B Dantzig – người đã đưa ra phương pháp đơn hình để giải các bài toán quy hoạch tuyến tính và đã trở thành cơ

sở cho hầu hết các thuật toán giải bài toán quy hoạch tuyến tính được nghiên cứu sau này

Phương pháp quy hoạch tuyến tính (LP) thường được áp dụng để giải các bài toán EDCC bằng cách tuyến tính đường cong chi phí thành những đoạn gấp khúc Phương pháp LP khá lợi thế trong việc giải quyết những bài toán có điều kiện là những đẳng thức hoặc bất đẳng thức tuyến tính Bên cạnh đó, vấn đề hội tụ không là trở ngại lớn do phương pháp LP giải quyết dựa trên căn nguyên của bài toán

Khuyết điểm chính khi áp dụng phương pháp LP là quá trình tuyến tính hóa hàm chi phí, vì phương pháp này giải quyết cho các đoạn gấp khúc, nên mỗi đoạn

sẽ có một sai số riêng làm cho kết quả bài toán không được như mong muốn ban đầu nếu như hệ thống phức tạp hơn và có nhiều đoạn gấp khúc hơn

Phương pháp di truyền trong miền số thực (Real–coded Genetic Algorithm – RGA)

Genetic Algorithm (GA) là kỹ thuật tính toán nhằm tìm kiếm chính xác hoặc gần chính xác giải pháp tối ưu Quá trình tìm kiếm của GA là quá trình tìm kiếm song song thông qua việc đánh giá cùng lúc nhiều điểm trong không gian các lời giải Chính nhờ điểm đó mà GA rất có lợi thế nhờ việc giảm số lần lặp khi tính toán Một cách khái quát, GA có 5 thành phần như sau:

 Những toán tử gen nhằm lựa chọn gen của thế hệ “cha mẹ” dựa theo nguyên tắc cạnh tranh từ đó sản sinh ra các thế hệ “con cái” tối ưu hơn

Tuy nhiên, khuyết điểm lớn nhất của phương pháp GA là phải chỉ áp dụng được cho bài toán rời rạc Đối với những bài toán EDCC có không gian lời giải

là liên tục, ta cần có quá trình biến đổi để đưa về dạng rời rạc

Phương pháp nghiên cứu cải tiến Harmony Improved Harmony Search (IHS)

-Phương pháp nghiên cứu cải tiến Harmony là một dạng của thuật toán tiến hóa, được phát triển bởi Z.W Geem, J.H Kim và G.V Loganathan khoảng 1 thập kỷ trở lại đây Phương pháp này áp dụng khá thành công để giải các bài toán tối ưu trong lĩnh vực xây dựng và cơ khí Tiếp tục phát triển phương pháp này, V Ravikumar Pandi và các đồng sự đã áp dụng vào bài toán vận hành tối ưu liên vùng với 4 vùng và 16 tổ máy

Phương pháp IHS mô phỏng theo quá trình sáng tác ngẫu hứng của các nhạc sỹ

để tạo nên những giai điệu tuyệt vời Khi sáng tác, mỗi nhạc sĩ đều cố gắng cải tiến chất lượng âm thanh của nhạc cụ từ đó tìm ra những trạng thái hòa âm tốt hơn Cũng tương tự như vậy, IHS sử dụng những thông số điều khiển gọi là

“bandwidth” có thể thay đổi một cách thích nghi Quá trình cải tiến các Harmony

vector trong phương pháp IHS được thực hiện bằng cách những Harmony vector mới tạo thành dựa vào các thông số bandwidth sẽ được thay thế cho vector dở nhất trong bộ nhớ Harmony, nếu nó tốt hơn vector này Quá trình chỉ dừng lại khi đạt được số vòng lặp đã được đặt trước

Kết quả tính toán cho thấy phương pháp IHS khá hứa hẹn, có thể giải được các điều kiện vận hành khó như điều kiện vùng cấm vận hành hay kích thước bài toán khá lớn

Phương pháp tiến hóa khác-Differental Evolutionanry- (DE)

DE là phương pháp tối ưu hóa hàm đa chiều dựa trên quá trình tìm kiếm ngẫu nhiên để giải quyết bài toán tối ưu hóa toàn cục Đối với các vấn đề trong hệ thống điện DE đã được áp dụng để giải quyết một số bài toán phân bố công suất tối ưu Thuật toán DE được mô tả qua hình vẽ sau:

Hình 2-1 Thuật toán DE

Từ “cộng đồng” các lời giải đầu tiên, ta chọn ngẫu nhiên một lời giải và được

đó thông qua quá trình chọn lọc sẽ được so sánh với vector mục tiêu để lựa chọn

𝑈𝑖,𝑗+1 = 𝑋𝑟3,𝑗+ 𝐹(𝑋𝑟1,𝑗− 𝑋𝑟2,𝑗) Trong đó:

F: là hằng số đột biến

tại của “cộng đồng”

Phương pháp tối ưu bầy đầy đàn dạng cơ bản (PSO)

Phương pháp tối ưu bầy đàn là kỹ thuật tối ưu hóa được phát triển bởi Kennedy

và Eberhart vào năm 1995 dựa trên sự mô phỏng xã hội của các động vật cấp thấp như cá, chim… PSO giải quyết một vấn đề tối ưu hóa bằng cách có một cá thể và di chuyển các cá thể đó trong không gian tìm kiếm của vấn đề sử dụng công thức toán học đơn giản hơn vị trí và tốc độ của các cá thể [11] Trong mỗi lần lặp, mỗi cá thể được cập nhật dựa trên hai giá trị tốt nhất Giá trị đầu tiên (tốt nhất cục bộ) là giải pháp tốt nhất mà các cá thể đạt được và cá thể cuối cùng (tốt nhất toàn cục) là giải pháp tốt nhất mà mật độ quần thể đạt được

Ý tưởng của phương pháp bắt đầu bằng một trường hợp sự cố của các cá thể của cộng đồng dân cư trong không gian tìm kiếm Kết quả tối ưu toàn cục do sự hiệu chỉnh quỹ đạo của các cá thể sẽ dẫn đến vị trí tốt nhất và phần tử tối ưu nhất trong nhóm sau mỗi lần bước tính Ưu điểm của phương pháp tối ưu bầy đàn là tính đơn giản và khả năng hội tụ nhanh, đạt kết quả tốt

Quỹ đạo của mỗi cá thể trong không gian tìm kiếm được hiệu chỉnh bằng cách

thay đổi vận tốc của từng cá thể, thông qua kinh nghiệm bay của nó và kinh nghiệm bay của những cá thể khác trong không gian tìm kiếm Vector vị trí và vector vận tốc của một cá thể thứ i trong không gian d chiều:

X i x x i1, i2, ,x id

(2.1)

V i v v i1, i2, ,v id

(2.2) Thông qua cách đặt hàm định nghĩa, chúng ta sẽ tìm ra được giá trị phù hợp nhất đạt được bởi một phần tử tại thời điểm t là: Pbest i = (Pi1, Pi2,…Pid) và cá thể phù hợp nhất tại thời điểm t là: Gbest =(pg1, pg2,…pgd) Sau đó, vận tốc mới

và vị trí mới của các cá thể được tính toán bằng 2 biểu thức sau:

có mối liên hệ đồng dạng với nhau)

Phần đầu tiên trong công thức (2.3) đại diện cho vận tốc trước đó, để tạo đà cho

cá thể tiếp tục đi lang thang trong không gian tìm kiếm Thành phần thứ 2 là thành phần đại diện cho suy tính nhân tạo của các cá thể, chính thành phần này

niệm “vận tốc lớn nhất” (Vmaxd) cho vector vận tốc của các cá thể để điều khiển

phạm vi trong không gian tìm kiếm do người dùng tự định nghĩa

Thuật toán giải quyết PSO

Trong phần này sẽ trình bày thuật toán tối ưu giải quyết bài toán phân bổ công suất trên giải thuật PSO cơ bản Trên cơ sở đó là tiền đề cho sự phát triển các thế

hệ sau tối ưu hơn

Mô tả các yếu tố cơ bản cần thiết cho sự phát triển của Giải pháp thuật toán PSO

cơ bản được trình bày dưới đây:

 Cá thể X(t): là một giải pháp đại diện bởi một vec- tơ m đa chiều, trong đó

m là số lượng tham số tối ưu Tại thời điểm t, 𝑗𝑡ℎ cá thể 𝑋𝑗(𝑡) được mô tả là

𝑋𝑗(𝑡) = [𝑋𝑗,1(𝑡), … , 𝑋𝑗,𝑚(𝑡) ], trong đó 𝑥𝑠 là những thông số tối ưu và

𝑥𝑗,𝑘(𝑡) là vị trí của cá thể 𝑗𝑡ℎ liên quan đến chiều (không gian) thứ 𝑘𝑡ℎ, tức

là giá trị tối ưu tham số thứ k trong các giải pháp cá thể chọn lọc thứ 𝑗𝑡ℎ

 Quần thể 𝑝𝑜𝑝(𝑡): là tập hợp các cá thể 𝑛 tại thời điểm 𝑡, tức là 𝑝𝑜𝑝(𝑡) =[𝑋𝑖(𝑡), … , 𝑋𝑛(𝑡)]𝑇

 Bầy đàn (𝑆𝑤𝑎𝑟𝑚): là của một quần thể gần như không trật tự di chuyển có

xu hướng chụm lại với nhau, mà mỗi cá thể có vẻ là di chuyển theo một hướng ngẫu nhiên

 Vận tốc cá thể 𝑉(𝑡): vận tốc di chuyển của mỗi cá thể đại diện bởi một vec – tơ đa chiều 𝑚 Tại thời điểm 𝑡 cá thể thứ j (𝑗𝑡ℎ) chuyển động với vận tốc

𝑉𝑗(𝑡) được mô tả như sau: 𝑉𝑗(𝑡) = [𝑣𝑗,1(𝑡), … , 𝑣𝑗,𝑚(𝑡)], với 𝑣𝑗,𝑘(𝑡) là thành phần vận tốc của cá thể 𝑗𝑡ℎ liên quan đến chiều thứ k (𝑘𝑡ℎ)

 Quán tính trọng lượng 𝑤(𝑡): là một tham số điều khiển để kiểm soát tác động của vận tốc trước đó lên vận tốc hiện tại Do đó nó tác động đến sự thoả hiệp, thăm dò khả năng giữa các cá thể cục bộ và toàn thể, trọng lượng quán tính lớn để năng cao tính thăm dò toàn thể, được “tiến cử” ở trạng thái ban đầu cho đến trạng thái cuối cùng, trọng lượng quán tính giảm tính thăm dò cục

bộ tốt hơn

 Vị trí tìm kiếm tốt nhất 𝑋∗(𝑡): trong quá trình tìm kiếm, cá thể so sánh giá trị thích hợp tại vị trí hiện tại, đến giá trị thích hợp nhất đã có được bất kỳ lúc nào ngay lúc đó Vị trí tốt nhất đó liên quan đến giá trị thích hợp nhất (best fitness) cho đến khi được chọn là vị trí tốt nhất tại thời điểm t gọi là 𝑋∗(𝑡) Bằng cách này, vị trí tốt nhất 𝑋∗(𝑡) cho mỗi cá thể trong bầy đàn, có thể được xác định và cập nhật trong suốt qua trình tìm kiếm Ví dụ, trong một vấn đề giảm đến múc tối đa, hàm mục tiêu J, vị trí tốt nhất 𝑋∗(𝑡) của cá thể thứ j được xác định là: 𝐽 (𝑋𝑗∗(𝑡)) ≤ 𝐽 (𝑋𝑗∗(𝜏)), 𝜏 ≤ 𝑡 Giả sử đơn giản hoá rằng:

𝐽𝑗∗ = 𝐽 (𝑋𝑗∗(𝑡)) Cho cá thể thứ j, vị trí tốt nhất có thể được diễn giải như sau:

𝑋𝑗∗(𝑡) = [𝑥𝑗,1∗ (𝑡), … , 𝑥𝑗,𝑚∗ (𝑡)]

 Toàn cầu tốt nhất 𝑋∗∗(𝑡): đó là vi trí tốt nhất giữa tất cả các vị trí tốt nhất Do

đó, toàn cầu tốt nhất có thể được xác định như sau: 𝐽 (𝑋𝑗∗∗(𝑡)) ≤ 𝐽 (𝑋𝑗∗∗(𝜏)),

𝑗 = 1, … , 𝑛 Giả sử đơn giản hoá rằng: 𝐽𝑗∗∗ = 𝐽 (𝑋𝑗∗∗(𝑡))

 Tiêu chí dừng: các điều kiện trong qua trình tìm kiếm sẽ chấm dứt Trong trường hợp này, quá trình tìm kiếm sẽ chấm dứt nếu xảy ra một trong các điều kiện sau đây được đáp ứng :

a/ Số lần lặp, sự thay đổi ở giải pháp cuối cùng xảy ra tốt nhất lớn hơn đưuọc xác định ở lần trước đó Hoặc

b/ Số lần lặp đến số lượng tối đa cho phép Với sự mô tả các yếu tố cơ bản trên, các thuật toán giải pháp được phát triển đưa ra dưới đây:

+ Để thực hiện sự tìm kiếm thống nhất trong giai đoạn đầu và tìm kiếm ở các vùng cục bộ sau đó, một quy trình rèn luyện như sau Hàm suy giảm cho sự suy giảm quán tính trọng lượng được cho là 𝑤(𝑡) = 𝛼𝑤(𝑡 −1), α là hằng số suy giảm nhỏ hơn nhưng gần bằng 1, được xem xét ở đây

+ Kiểm tra tính khả thi cho việc áp dụng các quy trình của vị trí cá thể, sau đó cập nhật vị trí và ngăn ngừa các cá thể khác từ không gian bay vào vị trí khả thi

+ Vận tốc của cá thể trong chiều không gian thứ k (𝑘𝑡ℎ) bị giới hạn

dò trong không gian cục bộ được thực hiện và mô phỏng thực tế này làm gia tăng sự thay đổi học hỏi của con người Để đảm bảo thống nhất vận tốc thông qua tất cả các chiều không gian, vận tốc lớn nhất của chiều thứ

𝑘 được viết như sau:

𝑣𝑘,𝑚𝑎𝑥 = (𝑥𝑘,𝑚𝑎𝑥 − 𝑥𝑘,𝑚𝑖𝑛)/𝑁

Trong thuật toán PSO, quần thể có 𝑛 cá thể, mỗi cá thể là một vec –tơ không gian

đa chiều 𝑚, với 𝑚 là thông số tối ưu Kết hợp với sự sửa đổi trên, việc tính toán

dòng chảy công suất bằng thuật toán PSO theo từng bước như sau:

Bước 1: Khởi tạo

[𝑥𝑘 𝑚𝑖𝑛, 𝑥𝑘 𝑚𝑎𝑥 ]

 Tương tự, tạo ra vận tốc ngẫu nhiên ban đầu của tất cả các cá thể

 Mỗi cá thể trong quần thể ban đầu được đánh giá bằng cách sử dụng hàm mục tiêu 𝐽

 Thiết lập giá trị ban đầu của quán tính trọng lượng 𝑤(0)

Bước 2: Cập nhật thời gian

Giá trị đề cập đến ở kỳ thứ 2 đại diện cho sự liên quan đến một phần của PSO, trong đó sự thay đổi vận tốc của cá thể dựa trên sự tư duy và trí nhớ của chính

nó Đến lần thứ ba, nó đại diện cho một phần có tính chất thành viên của một

xã hội của PSO trong đó sự thay đổi vận tốc của cá thể dựa trên sự thích nghi

xã hội, kinh nghiệm của nó Nếu một cá thể vi phạm giới hạn tốc độ, thiết lập giới hạn vận tốc ngang bằng

Mỗi cá thể được đánh giá theo một vị trí cập nhật của nó Nếu 𝐽𝑗 < 𝐽𝑗∗ , 𝑗 =

tiếp bước 7, hoặc khác

Bước 7: Cập nhật vị trí tốt nhất toàn cầu

Đi tiếp bước 8, hoặc khác

Bước 8: Tiêu chí dừng

Nếu một trong tất cả các tiêu chí dừng lại đạt thì sẽ dùng, nếu không quay lại bước 2

Tổng quan một số cải tiến quan trọng của phương pháp tối ưu bầy đàn

2.9.1 Phương pháp tối ưu bày đàn với hệ số co

Vào nằm 2002, Clerc và Kennedy đã chứng tỏ rằng một hệ số co có thể giúp tăng

2.9.2 Phương pháp tối ưu bầy đàn với Kỹ thuật gradient giả

Kỹ thuật gradient giả lần đầu được đề xuất bởi Pham, D T & Jin, G vào năm 1995

và được áp dụng cho thuật toán gen Ý tưởng chính cho kỹ thuật này là định hướng phát triển cho từng cá thể trong mỗi lần cập nhật vị trí Kỹ thuật này phù hợp cho các thuật toán tối ưu xây dựng dựa trên hành vị xã hội của cộng đồng dân cư và dùng để giải các dạng bài toán không liên tục, không khả vi tương tự như bài toán phân bố tối ưu công suất Lợi điểm của kỹ thuật này là cung cấp định hướng tốt cho các phần tử trong không gian tìm kiếm mà không đòi hỏi hàm mục tiêu là dạng hàm khả vi

Để hiểu rõ hơn sự khác biệt giữa biểu thức gradient và gradient giả, ta xét bài toán sau:

Giả sử hàm mục tiêu trong bài toán tối ưu n chiều là khả vi, ký hiệu gradient g(x) của hàm f(x) được định nghĩa như sau:

Cho bài toán tối ưu n chiều không lồi, hàm mục tiêu f(x) không khả vi với 𝑥 =

sau:

việc xem xét giá trị của hàm mục tiêu tại 2 điểm

hơn cho hàm mục tiêu có thể được tìm thấy trong bước tiếp theo dựa trên hướng

này nên được thay đổi do không có cải thiện được hàm mục tiêu theo hướng này

2.9.3 Ưu điểm và nhược điểm của phương pháp bày đàn

 Ưu điểm:

PSO là một trong những thuật toán heuristic hiện đại có khả năng để giải quyết các bài toán tối ưu không lồi có quy mô lớn như OPF (heuristics phương pháp giải quyết vấn đề bằng cách đánh giá kinh nghiệm đã qua và tìm kiếm giải pháp bằng làm thử và rút ra sai lầm)

Ưu điểm chính của thuật toán PSO là: khái niệm đơn giản, thực hiện dễ dàng, tương đối mạnh mẽ để kiểm soát các thông số và tính toán hiệu quả

Ưu điểm nổi bậc của PSO là tốc độ hội tụ nhanh chóng của nó

Thuật toán PSO có thể được thực hiện đơn giản đối với việc điều chỉnh tham số

ít hơn

PSO có thể dễ dàng đối phó với những hàm mục tiêu không lồi và không

vi phân được

PSO có tính linh hoạt để kiểm soát sự cân bằng giữa khảo sát địa phương

và toàn cục của không gian tìm kiếm

 Nhược điểm:

+ Các giải pháp ứng cử trong PSO được mã hóa như một tập hợp các số thực Nhưng, phần lớn các biến kiểm soát như thiết lập phân áp đầu máy biến áp và các tụ bù shunt ngắt được thay đổi một cách rời rạc Mã hóa thực của các biến này đại diện cho sự hạn chế của các phương pháp PSO như việc tính toán làm tròn đơn giản có thể dẫn đến sai sót đáng kể

+ Làm chậm hội tụ trong giai đoạn tìm kiếm tinh tế hơn (khả năng tìm kiếm địa phương yếu)

Đề xuất phương pháp tối ưu bầy đàn cải tiến

Từ công thức toán cơ bản, giải thuật giải quyết và các bước tiến hành giải bài toán công suất tối ưu của PSO trên (mục 2.7, 2.8) được áp dụng và cải tiến cho một số phương pháp được trình bày trên (mục 2.9) Bên cạnh những ưu điểm vượt trội so với những giải pháp khác thì vẫn còn tồn đọng những hạn chế, đó là vấn đề cần giải quyết cho sự phát triển làm tăng thêm sự phong phú, vững mạnh của phương pháp PSO Vì vậy dựa trên cơ bản đó và những phương pháp đã có cho đề xuất

giải pháp tối ưu hơn được trình bày trong luận văn này: phương pháp tối ưu bầy

đàn cải tiến Được mô phỏng giải quyết bài toán phân bố tối ưu công suất có xét

đến ràng buộc an ninh

Ý tưởng cải tiến thuật toán tối ưu bầy đàn dự kiến thực hiện trong luận văn là dạng kết hợp giữa thuật toán tối ưu bầy đàn với hệ số co và kỹ thuật gradient giả để tăng cường đẩy mạnh quá trình hội tụ Trong đó, kỹ thuật gradient giả sẽ định hướng sự chuyển động của các cá thể theo hướng tích cực để chúng có thể di chuyển nhanh chóng đến kết quả tối ưu, cải thiện tốc độ tính toán

Trong phương pháp PSO với hệ số co và trọng số quán tính, vận tốc của hạt được định nghĩa như sau:

𝑣𝑖𝑑(𝑘+1) = 𝐶[𝑐1𝑟𝑎𝑛𝑑1(𝑝𝑏𝑒𝑠𝑡𝑖𝑑(𝑘)− 𝑥𝑖𝑑(𝑘)) + 𝑐2𝑟𝑎𝑛𝑑2(𝑝𝑏𝑒𝑠𝑡𝑑(𝑘)− 𝑥𝑖𝑑(𝑘))] (2.11)

𝐶 = 2

|2−𝜑−√𝜑 2 −4𝜑| , với 𝜑 = 𝑐1+ 𝑐2, 𝜑 > 4 (2.12)

Trong trường hợp này, hệ số φ có ảnh hưởng đến đặc tính hội tụ của hệ thống và

CHƯƠNG 3: ÁP DỤNG PHƯƠNG PHÁP TỐI ƯU

Xây dựng thuật toán

3.1.1 Xây dựng hàm Fitness:

Đối với phương pháp tối ưu bầy đàn cũng như các thuật toán tìm kiếm ngẫu nhiên khác, chúng ta cần xác định hàm Fitness cho không gian tìm kiếm Hàm Fitness được xây dựng dựa trên hàm mục tiêu của bài toán đồng thời kết hợp với các điều kiện ràng buộc thông qua các hệ số phạt

Dựa vào phát biểu bài toán đã nêu ở chương trước, hàm Fitness áp dụng cho bài toán phân bố tối ưu công suất có xét đến ràng buộc an ninh bao gồm hàm chi phí vận hành (2.1), (2.2) giới hạn công suất phát của tổ máy nối vào thanh góp chuẩn với i = 1 Khi đó, biểu thức của hàm Fitness được biểu diễn như sau:

3.1.2 Lựa chọn biến tìm kiếm và khởi tạo các giá trị ban đầu

Các giá trị cần tìm của bài toán cũng chính là các biến điều khiển của hệ thống điện bao gồm công suất phát của các tổ máy trừ tổ máy nối với nút chuẩn Khi áp dụng phương pháp tối ưu bầy đàn cải tiến, chúng tôi sử dụng không gian tìm kiếm gồm 20 cá thể

Vị trí và vận tốc ban đầu của các cả thể được tạo ngẫu nhiên theo biểu thức sau:

𝑣𝑑(0) = 𝑣𝑑,𝑚𝑖𝑛+ 𝑟𝑎𝑛𝑑2(𝑣𝑑,𝑚𝑎𝑥− 𝑣𝑑,𝑚𝑖𝑛) (3.4)

Trong đó:

𝑋𝑚𝑖𝑛, 𝑋𝑚𝑎𝑥: là giá trị giới hạn của các biến điều khiển dựa vào giới hạn công suất phát

𝑣𝑑,𝑚𝑖𝑛, 𝑣𝑑,𝑚𝑎𝑥: là giá trị giới hạn vận tốc của các cá thể trong không gian tìm kiếm Giá trị giới hạn này được xác định bởi biểu thức theo:

𝑣𝑑,𝑚𝑎𝑥 = 𝑋𝑚𝑎𝑥

𝑣𝑑,𝑚𝑖𝑛 = −𝑣𝑑,𝑚𝑎𝑥 (3.6) Trong quá trình tìm kiếm giá trị tối ưu, vị trí và vận tốc của từng cá thể sẽ liên tục được điều chỉnh sao cho thỏa mãn điều kiện về ràng buộc giới hạn

Áp dụng thuật toán bầy đàn cải tiến giải bài toán phân bố tối ưu công suất có

xét đến ràng buộc an ninh

Dựa vào ý tưởng cải tiến phương pháp tối ưu bầy đàn bằng kỹ thuật gradient giả

đã trình bày trong chương 2 và kỹ thuật áp dụng thuật toán tối ưu vào bài toán phân

bố tối ưu công suất như trình bày trong phần trên, ta xây dựng thuật toán hoàn chỉnh như sau:

- Bước 1: Khởi tạo các giá trị điều khiển cho thuật toán tối ưu bầy đàn cải tiến:

Số lượng cá thể NP = 20, số vòng lặp tối đa: Maxiter = 250, các hằng số gia

- Bước 2: Khởi tạo vị trí và tốc độ ban đầu cho các thuật toán tối ưu bầy đàn

theo công thức (4.3), (4.4)

- Bước 3: Tính giá trị ban đầu theo hàm Fitness của từng phần tử Ta sử dụng

phương pháp Newton-Raphson để tính phân bố công suất của hệ thống theo từng cá thể Từ đó xác định giá trị hàm Fitness dựa theo biểu thức (3.1) Giá trị ban đầu này của hàm Fitness được gán vào biến FTPbest

- Bước 4: Dùng biến Pbest để lưu trữ vị trí ban đầu của các phần tử và biến

Gbest để lưu trữ vị trí của phần tử tốt nhất dựa vào giá trị của hàm Fitness

- Bước 8: Tính lại giá trị hàm Fitness cho từng phần tử và so sánh với FTPbest

và FTGbest để cập nhật lại vị trí tốt nhất của từng phần tử và vị trí của phần

tử tốt nhất trong quần thể tìm kiếm

- Bước 9: Xác định giá trị gradient giả cho từng cá thể theo biểu thức (2.8),

(2.9) và (2.10)

- Bước 10: Kiểm tra nếu k < Maxiter thì k = k + 1 và quay lại bước 6, ngược

lại thì dừng vòng lặp và xuất kết quả

- Để giải quyết cụ thể cho bài toán phân bố tối ưu công suất có xét đến ràng buộc an ninh, ta thực hiện theo trình tự theo các phần như sau:

- Phần 1: Giải bài toán phân bố tối ưu công suất trong trường hợp bình thường theo 10 bước thực hiện bên trên

- Phần 2: Giải lại bài toán phân bố tối ưu công suất với giá trị khởi tạo ban đầu của các cá thể là giá trị tính toán ở phần 1 (lặp lại 10 bước tính như trên)

- Sơ đồ khối

- Sơ đồ khối giải quyết bài toán tổng thể:

Hình 3-1: Sơ đồ khối áp dụng thuật toán tối ưu bầy đàn cải tiến cho bài toán phân bố

tối ưu công suất

CHƯƠNG 4: GIỚI THIỆU VỀ NMĐ CHU TRÌNH

Các thông số hàm mục tiêu và các ràng buộc trong điều kiện vận hành của

Nhà máy điện Phú Mỹ 2.1 &2.1MR:

4.1.1 Hàm mục tiêu

Với các tiêu chí như chi phí nhiên liệu, thời gian xử lý, thời gian đưa ra các quyết định, các tổn thất khác Trong đó hàm mục tiêu quan tâm là giảm chi phí tổng của các máy phát điện Đảm bảo các tổ máy làm việc an toàn, tin cậy và hiệu quả, đảm bảo chất lượng điện năng…Nằm trong giới hạn phát thải về NOx, SOx, CO2…

4.1.2 Hàm ràng buộc

Thời gian khởi động và ngừng máy với chu trình hỗn hợp:

do phát thải NOx, SOx…

trục cao hơn

Thời gian khởi động và ngừng máy với chu trình đơn:

thể hòa lưới mang tải

Điều kiện ràng buộc chung:

do yêu cầu từ sự ổn định nhiệt trong turbine khí và lò thu hồi nhiệt

nhanh chóng do nhà máy có trang bị hệ thống by pass damper

Giới thiệu về nhà máy điện Phú Mỹ 2.1

Nhà máy nhiệt điện Phú Mỹ 2-1và 2.1MR là 1 trong 5 nhà máy điện nằm trong tổ hợp nhà máy điện Phú Mỹ, có tổng công suất là 450MWe với 2 turbine khí

(145MWe) và 1 turbine hơi (160 MWe) Nhà máy điện Phú Mỹ 2.1 và 2.1MR thuộc

quản lý của GENCO3

Tổ máy GT21 và GT22- turbine khí được đưa vào vận hành tháng 3/1997

 Công suất thiết kế không nâng công suất:

 Công suất thiết kế có nâng công suất: +10,6 MW

 Suất hao nhiệt không nâng công suất:

 Suất tiêu hao nhiệt, base load (khí): 11.127 BTU/kWh

 Suất tiêu hao nhiệt, base load (dầu): 251,88 g/kWh

Toàn bộ lưới điện của PM2.1 &2.1MR được đấu nối lên trạm 220kV, được

chuyển tải bởi cáp ngầm và đấu vào trạm 220kV của Phú Mỹ 1

Hình 4-1: Sơ đồ kết nối lưới điện NMĐ PM2.1& 2.1MR