Xác định tối ưu vị trí tua bin trong trang trại gió sử dụng thuật toán tìm kiếm

Tóm tắt: Luận văn đề xuất áp dụng một số thuật toán gần đây, Grey Wolf Optimizer, Whale Optimization Algorithm và Mothflame optimization algorithm, bố trí tối ưu vị trí tuabin cho trang trại gió dựa nhằm thu được sản lượng điện gió tối đa. Các thuật toán đề xuất được so sánh với thuật toán Paiticle Swam Optimization algorithm và phần mềm thương mại windPRO cho bố trí tối ưu trang trại gió ngoài khơi và thách thức đối với trang trại gió trên đất liền có địa hình phức tạp. Để đánh giá khách quan hiệu quả của các thuật toán, phần mềm WAsP được sử dụng để tính toán năng lượng gió cho tất cả các kịch bản. Kết quả bố trí tối ưu vị trí tuabin trong trang trại gió chứng minh rằng các thuật toán đề xuất có thể cung cấp kết quả rất cạnh tranh. Tuy nhiên, khả năng áp dụng các thuật toán đề xuất trong việc giải quyết bố trí tối ưu các trại gió trên đất liền cần nghiên cứu và phát triển hơn nữa trong tương lai

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA

LÊ THANH THỎA

XÁC ĐỊNH TỐI ƯU VỊ TRÍ TUA-BIN

TRONG TRANG TRẠI GIÓ

SỬ DỤNG THUẬT TOÁN TÌM KIẾM

Chuyên ngành: Kỹ thuật điện

Mã số: 6052.02.02

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH – 2018

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA -ĐHQG -HCM Cán bộ hướng dẫn khoa học : PGS TS VÕ NGỌC ĐIỀU

Cán bộ chấm nhận xét 1 :

Cán bộ chấm nhận xét 2 :

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG TP HCM ngày 07 tháng 01 năm 2017 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ) 1 Chủ tịch: PGS TS Hồ Văn Nhât Chương

2 Thư ký: TS Lê Kỷ

3 Phản biện 1: TS Nguyễn Văn Liêm

4 Phản biện 2: TS Hồ Văn Hiến

5 Uỷ viên: PSG TS Vũ Phan Tú

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có) CHỦ TỊCH HỘI ĐÒNG TRƯỞNG KHOA

ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Ngày, tháng, năm sinh: 10/04/1980 Nơi sinh: Bình Thuận

I TÊN ĐỀ TÀI: XÁC ĐỊNH TỐI ƯU VỊ TRÍ TUA-BIN TRONG TRANG TRẠI

GIÓ SỬ DỤNG THUẬT TOÁN TÌM KIẾM

II NHIỆM VỤ VÀ NỘI DUNG: Nghiên cứu áp dụng một số thuật toán mới (GWO,

WOA, MFO) bố trí tối ưu vị trí tua-bin trong trang trại gió Đánh giá thuật toán đềxuất áp dụng với thuật toán đã được sử dụng rộng rãi PSO và so sánh với bố trí tối

ưu vị trí tua-bin trong trang trại gió phần phần mềm thương mại windPRO Đềxuất thuật toán áp dụng phù hợp thực tế

III NGÀY GIAO NHỆM VỤ: 18/01/2016

IV NGÀY HOÀN THÀNH NHỆM VỤ: 02/12/2016

V CÁN BỘ HƯỚNG DẪN : PGS TS VÕ NGỌC ĐIỀU

Tp HCM, ngày 03 tháng 10 năm 2018

CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

TRƯỞNG KHOA CÁN BỘ HƯỚNG

DẪN

LỜI CÁM ƠN

Đề tài “Xác định xác định tối ưu vị trí tua-bin trong trang trại gió sử dụng thuật toántìm kiếm” hoàn thành nhờ quá trình nghiên cứu nghiêm túc của bản thân Tôi xin chânthành cám ơn:

• PGS.TS Võ Ngọc Điều, Thầy đã hướng dẫn tận tâm và đưa ra những lời khuyên

quan trọng giúp giải quyết trọng tâm vấn đề

• ThS Nguyễn Quang Bảo, Công ty TNHH Tư vấn thiết kế xây dựng điện Thành

Đạt đã tạo điều kiện trong công việc để tôi được hoàn thành công trình nghiêncứu đúng thời gian

• Dr Seyedali Mirjalili, tác giả một số thuật toán đề xuất cho công trình nghiên

cứu (GWO, WOA, MFO) đã cho những lời khuyên áp dụng thuật toán một cáchhiệu quả

TÓM TẮT LUẬN VĂN THẠC SĨ

Luận văn đề xuất áp dụng một số thuật toán gần đây, Grey Wolf Optimizer, WhaleOptimization Algorithm và Moth-flame optimization algorithm, bố trí tối ưu vị trí tua-bin cho trang trại gió dựa nhằm thu được sản lượng điện gió tối đa Các thuật toán đềxuất được so sánh với thuật toán Paiticle Swam Optimization algorithm và phần mềmthương mại windPRO cho bố trí tối ưu trang trại gió ngoài khơi và thách thức đối vớitrang trại gió trên đất liền có địa hình phức tạp Để đánh giá khách quan hiệu quả củacác thuật toán, phần mềm WAsP được sử dụng để tính toán năng lượng gió cho tất cảcác kịch bản Kết quả bố trí tối ưu vị trí tua-bin trong trang trại gió chứng minh rằngcác thuật toán đề xuất có thể cung cấp kết quả rất cạnh tranh Tuy nhiên, khả năng ápdụng các thuật toán đề xuất trong việc giải quyết bố trí tối ưu các trại gió trên đất liềncần nghiên cứu và phát triển hơn nữa trong tương lai

ABSTRACT

This master thesis proposes some of the recent algorithms, Grey Wolf Optimizer,Whale Optimization Algorithm and Moth-flame optimization algorithm, for wind farmlayout optimization base on maximum wind energy capture The proposed algorithm

is compared with the Paiticle Swam Optimization algorithm and Optimize module ofwindPRO software for optimum layout off-shore wind farm and challenging for on-shore wind farm in complex terrain To objectively evaluate the effectiveness of thealgorithms, WAsP software is used to calculate the annual energy production andwake loss of all scenarios The result of wind turbine mirco- sting in wind farm provethat the proposed algorithm is able to provide very competitive results However, theapplicability of the proposed algorithm in solving on-shore wind farm layoutoptimization need further research and development in the future

LỜI CAM ĐOAN

Đề tài “Xác định xác định tối ưu vị trí tua-bin trong trang trại gió sử dụng thuật toántìm kiếm” là công trình nghiên cứu độc lập của bản thân dưới sự hướng dẫn củaPGS.TS Võ Ngọc Điều Tôi xin cam đoan và hoàn toàn chịu trách nhiệm một số nộidung sau:

1 Nội dung trình bày trong luận văn là công trình nghiên cứu độc lập của bản

thân dưới sự hướng dẫn của PGS.TS Võ Ngọc Điều

2 Đề tài có thừa nhận/ hoặc sử dụng/ hoặc tham khảo một số nội dung các công

trình nghiên cứu trước đó Những nội dung này đều được chú thích và dẫnchứng cụ thể

3 Số liệu sử dụng hoàn toàn trung thực và có minh chứng cụ thể

4 Kết quả nghiên cứu hoàn toàn độc lập, trung thực và khách quan

5 Những hạn chế, những vấn đề mà đề tài chưa giải quyết được cũng được nêu ra

và đề xuất hướng nghiên cứu hướng tới trong tương lai

MỤC LỤC

CHƯƠNG 1 GIỚI THIỆU CHUNG 1

1.1 Tình hình sử dụng năng lượng gió trên thế giới, sự cần thiết phát triển năng lượng điện gió 1

1.2 Hướng tiếp cận vấn đề bố trí tối ưu vị trí tua-bin trong trang trại gió 4

1.3 Khảo sát và phân tích các công trình nghiên cứu liên quan 5

CHƯƠNG 2 HÀM MỤC TIÊU BÀI TOÁN BỐ TRÍ TUA-BIN TRONG TRANG TRẠI GIÒ 9

2.1 Các giả định 9

2.2 Mô hình che chắn gió (wake modeling) 9

2.3 Đặc tuyến tua-bin gió 12

2.4 Mô hình tính toán sản lượng điện gió 14

CHƯƠNG 3 BỐ TRÍ TỐI Ưu VỊ TRÍ TUA-BIN TRONG TRANG TRẠI GIÓ

16 3.1 Tổng quan thuật toán tìm kiếm 16

3.2 Đề xuất thuật toán áp dụng bố trí tối ưu vị trí tua-bin trong trang trại gió ’ .7 17

3.3 Tối ưu bố trí vị trí tua-bin trong trang trại gió 30

CHƯƠNG 4 KẾT QUẢ TÍNH TOÁN VÀ ĐÁNH GIÁ THUẬT TOÁN ÁP DỤNG ’ 32

4.1 Các kịch bản xem xét 32

4.2 Kịch bản 1 32

4.3 Kịch bản 2 38

4.4 Kịch bản 3 43

4.5 Kịch bản 4 49

4.6 Kịch bản 5 54

4.7 Nhận xét 60

CHƯƠNG 5 KẾT LUẬN 63

Trang 1 I

73

CHƯƠNG 1 GIỚI THIỆU CHUNG

1.1 Tình hình sử dụng năng lượng gió trên thế giói, sự cần thiết phát triển

năng lượng điện gió

1.1.1 Công suất và sản lượng điện gió

Trên toàn thế giới hiện nay có hơn hai trăm nghìn tua-bin gió đang hoạt động,với tổng công suất lắp đặt 432,000MW tính đến cuối năm 2015 Liên minhChâu Âu đạt 100,000MW vào tháng 09/2012, trong khi Mỹ vượt qua 75,000năm 2015 và Trung Quốc đạt 145,000MW năm 2015 Công suất điện gió đãnhanh chóng mở rộng đến 336 GW vào 06/2014, và năng lượng điện gió sảnxuất khoảng 4% tổng số điện năng tiêu thụ trên toàn thế giới, và đang pháttriển nhanh chóng [1]

Hình 1.1 Công suất điện gió lắp đặt trên toàn thế giới [1]

1.1.2 Năng lượng điện gió tại Việt Nam

Trang 2 73

30 MW không phải là một con số lớn nhưng lại vô cùng

có ý nghĩa, mở đầu cho ngành công nghiệp điện giótại Việt Nam

Địa điểm: Bình Thuận

tỷ lệ công suất gió/diesel là 6MW/3MW

Địa điểm: tỉnh Bình Thuận

Địa điểm: Bạc Liêu

Hình 1.4 Nhà máy điện gió Bạc Liêu

Nhà máy điện gió Phú Lạc, dự án mới nhất hòa lưới thành công vào hệ thốngđiện Quốc gia tháng 09/2016 Nhà máy điện gió công suất 24MW do Công ty

Cổ phần Phong điện Thuận Bình (EVN TBW) làm chủ đầu tư

Địa điểm: Bình Thuận

Trang 4 73

1.1.3 Sự cần thiết phát triển dự án điện gió

Quy hoạch phát triển điện lực Quốc gia giai đoạn 2011-2020 có xét đến 2030điều chỉnh nêu rõ quan điểm phát triển và mục tiêu cụ thể:

ưu tiên phát triển nguồn năng lượng tái tạo cho sản xuất điện năng, tăng

tỷ lệ điện năng sản xuất từ các nguồn năng lượng tái tạo đạt khoảng 7%năm 2020 và trên 10% năm 2030

Quy hoạch công suất nguồn điện gió 800MW năm 2020, 2000MW năm

2025 và 6000MW năm 2030 Điện năng sản xuất từ nguồn điện gió chiếm

tỷ trọng khoảng 0.8% năm 2020, 1% năm 2025 và 2.1% vào năm 2030.Như vậy, việc phát triển nguồn năng lượng điện gió nói riêng và năng lượngtái tạo nói chung nhằm “đảm bảo an ninh năng lượng quốc gia, góp phần bảotồn tài nguyên năng lượng, giảm thiểu tác động tiêu cực tới môi trường trongsản xuất điện” theo quan điểm phát triển của Tổng sơ đồ VII điều chỉnh

1.2 Hướng tiếp cận vấn đề bố trí tối ưu vị trí tua-bin trong trang trại gió

Thiết kế nhà máy điện gió có điểm đặc biệt so với thiết kế một số nhà máyđiện thông thường có thể kiểm soát và điều khiển được nhiên liệu đầu vào nhưnhà máy nhiệt điện, nhà máy thủy điện, nhà máy điện hạt nhân “Nhiên liệu”đầu vào nhà máy điện gió phụ thuộc vào năng lượng gió luôn biến đổi theotốc độ gió Do đó, giải quyết vấn đề bố trí vị trí tua-bin trong trang trại giónhằm thu được công suất phát tối đa được đặt biệt quan tâm

Nhiều công trình nghiên cứu bố trí tối ưu vị trí tua-bin trong trang trại gió đãđược thực hiện và hầu hết sử dụng thuật toán tìm kiếm (metaheuristicalgorithms) để giải quyết vấn đề với nhiều hàm mục tiêu khác nhau Nhiềucông trình nghiên cứu sử dụng các thuật toán phổ biến GA và PSO cho kếtquả nghiên cứu khả quan

Phần mềm thương mại bố trí tối ưu vị trí tua-bin trong trang trại gió hiện đangđược sử dụng rộng rãi trên thế giới hiện nay là windPRO được dự đoán sửdụng thuật toán heuristic placement algorithm (tương tự thuật toán greedyalgorithm) [2] vấn đề của thuật toán heuristic algorithm là không thể tìm thấy

Trang 5 I

73

tối ưu ở một số bài toán và do đó không tìm được tối ưu cục bộ cũng khôngcung cấp thước đo chất lượng của giải pháp [2] Nhược điểm quan trọng củathuật toán là không thể thực hiện giải bài toán nhanh chóng, tại cùng thời điểmchỉ có thể di chuyển được một tua-bin

Ngày càng có nhiều thuật toán tìm kiếm (metaheuristic algorithms) được công

bố và áp dụng như kỹ thuật chính để đạt được giải pháp tối ưu thiết kế các vấn

đề thực tế Mặc dù các thuật toán này có thể giải quyết nhiều vấn đề thực tế vàđầy thử thách, báo cáo khoa học “No Free Lunch theorem” [3] cho phép cácnhà nghiên cứu đề xuất các thuật toán mới Theo định lý này, các thuật toánthực hiện bình đẳng khi giải quyết tất cả các vấn đề tối ưu hóa Theo đó, mộtthuật toán có thể rất hiệu quả trong việc giải quyết một nhóm các vấn đềnhưng không kém hiệu quả trong một số các vấn đề khác Và đây là động lực

để nhiều thuật toán tìm kiếm mới liên tiếp được công bố

Cũng vì động lực này, đề tài luận văn nghiên cứu áp dụng một số thuật toánmới để tiếp cận vấn đề bố trí tối ưu vị trí tua-bin trong trang trại gió

1.3 Khảo sát và phân tích các công trình nghiên cứu liên quan

Để thực hiện thiết kế một trang trại gió, có một số vấn đề cần được xem xétđầu tiên Hầu hết các vấn đề đã được nghiên cứu rộng rãi một cách cá nhân,như vấn đề lựa chọn vị trí tua-bin: nghiên cứu đặc trưng gió, phân tích tươngtác giữa các tua bin gió (hiệu ứng che chắn gió), thiết kế phần phụ trợ (đườngvận chuyển tua-bin, hệ thống thu gom điện các tua-bin gió, móng tua-bin), độtin cậy, các vấn đề kinh tế, đánh giá tác động môi trường [4], Đến nay, nhiều

ấn phẩm trong các tạp chí khoa học xuất hiện trong đó tối ưu hóa mô hìnhtoán học của các trang trại gió đã được giải quyết để đảm nhận bố trí tối ưutua-bin gió Mosetti et al [5] đề xuất mục tiêu tối đa hóa AEP và giảm thiểuchi phí lắp đặt bằng giả định mô hình chi phí đơn giãn, áp dụng thuật toán ditruyền Kiranoudis et al [6] tối ưu số lượng tua-bin bằng cách phân tích hiệuquả tổng thể trang trại gió Aytun Ozturk và Norman [7] áp dụng mô hình chiphí của Mosetti et al nhưng đề xuất thuật toán tối ưu khác là thuật toán thamlam (greedy algorithm) Grady et al [8] áp dụng thuật toán di truyền nhưng đề

Trang 6 73

xuất mô hình chi phí cải tiến từ Mosetti et al Marmidis et al [9] giải quyếtcác mô hình kinh tế như Grady et al nhưng tối ưu hóa bởi một mô phỏngMonte Carlo Sisbot et al [10] đề nghị áp dụng GA đa mục tiêu áp dụng chotrường hợp nghiên cứu trên đảo Gokceada ở Thổ Nhĩ Kỳ trong đó tối đa hóacác AEP và giảm thiểu chi phí Kusiak và Song [11] đề xuất tối ưu hóa mộtchức năng đa mục tiêu của một thuật toán tiến hóa mạnh mẽ (SPEA) bằngcách xem xét một miền tính toán liên tục, nhưng trong trường hợp bố trí tối ưutua-bin trong diện tích hình tròn Changsui et al [12] tối ưu hóa hàm mục tiêu,được đưa ra bởi Grady, bằng thuật toán tham lam cải tiến Eroglu và Seẹkiner[13] đề xuất thuật toán Ant Colony Optimization (ACO) tối ưu hóa các môhình tương tự WF như đề xuất của Kusiak và Song Wagner et al [14] tối đahóa năng suất AEP bởi WF bởi thuật toán tìm kiếm địa phương hiệu quả.Serrano et al [15] cũng đề xuất một phương pháp lặp để tối ưu hóa việc bố trícác nhà máy điện gió ngoài khơi dựa trên tăng khoảng cách tua-bin để giảmhiệu ứng che chắn gió

Hiện nay, có một số phần mềm thương mại cho phép đánh giá các nguồn tàinguyên gió Phổ biến nhất là phần mềm WAsP [16] (hoạt động hơn 20 năm,

4000 người sử dụng trên 100 quốc gia) Mục tiêu chính của phần mềm này làđánh giá nguồn tài nguyên gió sau khi phân tích tập dữ liệu gió đã được đo đạttrước đây WAsP phân tích nguồn tài nguyên gió bằng cách phân tích cácdòng gió bằng mô hình CFD (computational fluid dynamics)

WAsP cung cấp các công cụ khác phát triển việc thiết kế trang trại gió nhưđánh giá sản lượng điện gió hằng năm có tính đến tác động hiệu ứng che chắngió bằng cách sử dụng mô hình Katie [17], phân tích tốc độ gió khắc nghiệt,biến dạng gió và nhiễu loạn gió

WindPRO [18] đề cập đến vấn đề tối ưu hóa bố trí tua-bin gió bằng cách tối

ưu năng lượng sản xuất hàng năm của trại gió Hiệu ứng che chắn sử dụng môhình Katie [17] WindPRO cũng có các công cụ đánh giá tác động môi trường

và tìm kiếm bố trí tua-bin gió thích hợp đáp ứng yêu cầu về tiếng ồn Phầnmềm WAsP và WindPRO được sử dụng bởi các nhà sản xuất tua-bin hàng

Trang 7 I

73

đầu thế giới, các nhà phát triển dự án, các công ty kỹ thuật, nhà đầu tư dự ánđiện gió và các tổ chức nghiên cứu Kết quả tính toán từ phần mềm WAsP vàWindPRO được công nhận trên toàn thế giới và được phê duyệt bởi các nhàđầu tư, ngân hàng và các cơ quan chức năng lập dự án [16,18]

1.3.1 Các vấn đề đã được giải quyết

Nhiều mô hình tính toán và thuật toán tối ưu đã được đề xuất để giải quyết cácvấn đề về bố trí tua-bin trong trang trại gió:

Nghiên cứu về đặc trưng của gió

Phân tích tương tác giữa các tua-bin gió (hiệu ứng che chắn gió)

Thiết kế phần phụ trợ (đường vận chuyển tua-bin, hệ thống thu gom điệncác tua-bin gió, móng tua-bin)

Vấn đề về hệ thống thu thập sản lượng điện trang trại gió (độ tin cậy, ổnđịnh, chất lượng điện năng)

Vấn đề kinh tế đầu tư trang trại gió

Đánh giá tác động môi trường

1.3.2 Các vấn đề cần tiếp tục nghiên cứu

Phần lớn các công trình nghiên cứu tập trung xử lý các mô hình về kinh tếtrong khi thực tế thiết kế nhà máy điện gió vấn đề sản lượng điện được quantâm nhất và có thể là yếu tố quyết định lựa chọn vị trí tua-bin trong trang trạigió

Nhiều công trình nghiên cứu áp dụng cho bài toán ngoài khơi (địa hình đơngiản và không chênh lệch về cao độ) do mô hình toán học đơn giản Trong khithục tế, nhà máy điện gió có thể được bố trí ở địa hình bất kỳ

Các phương trình toán năng lượng gió được đơn giản tối đa, điều này làm chokết quả tính toán có nhiều sai số

Một số vấn đề cần được xem xét và tiếp tục nghiên cứu:

Cải tiến các thuật toán đã được áp dụng

Trang 8 73

Tối ưu bố trí tua-bin trang trại gió đa mục tiêu

Cải tiến các mô hình toán giải quyết các vấn đề bố trí tối ưu trang trại giónhằm tăng tính thực tế và giảm sai số

Tối ưu bố trí trang trại gió cho địa hình phức tạp

Trang 9 |73

CHƯƠNG 2 HÀM MỤC TIÊU BÀI TOÁN BỐ TRÍ TUA-BIN TRONG TRANG

TRẠI GIÓ 2.1 Các giả định

Để phát triển một mô hình tổng quát cho bài toán bố trí tối ưu vị trí tua-bintrong trang trại gió, một tập hợp các giả định được xem xét trong nghiên cứunày Những giả định này có thể dễ dàng sửa đổi cho phù hợp các ứng dụng cụthể

1) Giả định 1 Các tua bin trong trang trại gió được giả định giống nhau bao gồm

đặc tuyến tua-bin gió

2) Giả định 2 số lượng tuabin gió N được biết trước và cố định

3) Giả định 3 Trang trại gió được giả định bố trí trong mặt phẳng tọa độ (x,y), có

nghĩa rằng, cao độ địa hình và độ nhám bề mặt ít thay đổi Tua- bin bố trítrong trang trại gió được giả định có tọa độ (xỂ, yỂ), i =

4) Giả định 4 Tốc độ gió V theo hướng gió ớ trong các trang trại gió theo một

phân phối Weibull [19]:

p(v, c,k) = exp (-(c) ) ’ c = c ^> k = k W (2.1)

Trong đó, p(-) là hàm mật độ xác suất Weibull, V là tốc độ gió, c là hệ số tỷ

lệ, và k là hệ số hình dạng

5) Giả định 5 Theo hướng gió 0, tất cả rô-to của tua-bin quay theo hướng vuông

góc với hướng gió

2.2 Mô hình che chắn gió (wake modeling)

Tua-bin gió tạo ra hai vùng ảnh hưởng hiệu ứng che chắn là “vùng ảnh hưởnggần” (near wake) và “vùng ảnh hưởng xa” (far wake) [20] Vùng ảnh hưởnggần khoảng cách 2-3 đường kính rô-to phía sau tua-bin, vùng mà các tua-bintrực tiếp làm nhiễu loạn gió Vùng ảnh hưởng xa phía sau vùng ảnh hưởnggần, nơi chủ yếu bị tác động bởi trang trại gió lớn Trong vấn đề tối ưu hóa vị

Trang 10 |73

trí tua-bin, vùng ảnh hưởng xa trở nên quan trọng hơn vùng ảnh hưởng gần.Phương pháp đơn giãn để giải quyết vấn đề phân tích bởi khai thác bản chấttương tự của vùng ảnh hưởng xa để mô hình vùng nhiễu loạn gió

Hình 2.1 Vùng gió bị ảnh hưởng sau tua-bin [20]

Mô hình vùng ảnh hưởng xa được chia thành hai nhóm cơ bản là Kinematicmodels, Field and Wake added turbulence models Larsen wake model,Frandsen and Jensen’s wake model thuộc nhóm Kinematic model [20]

Một trong những mô hình đầu lâu nhất và được sử dụng rộng rãi nhất đượcphát triển bởi N.o Jensen [21], được cải tiến bởi Katie [17] Mô hình khá đơngiãn, được giả định tuyến tính mở rộng với việc suy giảm vận tốc chỉ phụthuộc vào khoảng cách phía sau rô-to tua-bin

Jensen [22] xử lý vùng ảnh hưởng sau tua-bin như sự hỗn loạn gió mà bỏ quaảnh hưởng gió xoáy chỉ ảnh hưởng đến vùng gần tua-bin

Trang 11 I 73

Tốc độ gió suy giảm tại một vị trí nhất định d [11]:

d ij = l(xi “ Xj)cosG 4- (yi - ỵ,)sinớ| (2.3)

Khi một tua-bin bị ảnh hưởng bởi nhiều tua-bin, vận tốc gió suy giảm được tính theocông thức (2.4) [11]:

Trong đó hệ số a(0 < a < n/2) được tính bởi arctan(K) và góc Pij, 0 < p < TU, giữa vec

tơ từ đỉnh hình nón giả định đến tua-bin i và tua-bin j, được tính [11]:

IR + lKa

Hình 2.2 Mô hình ảnh hưởng hiệu ứng che chắn [11]

N y

Zi

j—1 j^ĩ’Pi,j<a

2.3 Đặc tuyến tua-bin gió

Đặc tuyến tua-bin gió được xác định bởi các nhà sản xuất tua-bin giúp choviệc ước tính sản lượng điện gió tại khu vực trại gió Mô hình chính xác đặctuyến tua-bin rất quan trọng trong việc ước đoán năng lượng điện gió và hỗtrợ việc mở rộng trang trại gió

Nhiều phương pháp tiếp cận đối với đặc tuyến tua-bin gió đã được giới thiệu,trong đó bao gồm xấp xỉ đa thức [23] Trong bài báo này, mô hình đa thức bậc

9 được áp dụng vì được quan sát phù hợp nhất Mô hình đa thức bậc 9 nhưsau:

f (x) = PJX 9 + p2x8 + p3x7 + p4x6 + p5x5 + p6x4 + p7x3

Hình 2.3, Hình 2.4, Hình 2.5 cho thấy so sánh giữa mô hình đa thức và đặc

tuyến tua-bin gió thực tế đề xuất của đề tài luận văn Quan sát cho thấy đặctuyến mô hình rất gần với đặc tuyến tua-bin thực tế áp dụng

Pi.i = cos 1 (%j — Xj^cosd + (yj — y^sinO + R/ K

(2.5)

(2.6)

Hình 2.3 Đặc tuyến tua bin gió 1MW WAsP sample [16]

Hình 2.4 Đặc tuyến tua bin gió GE 1.68-82.5 [18]

Hình 2.5 Đặc tuyên tua-bin gió FL MD 77

Theo đó, đặc tuyến tua-bin gió được viết lại:

Cùng với đặc tuyến tua-bin gió, đặc tuyến Ct (thrust coefficient) là rất quantrọng để tính toán hiệu ứng che chắn gió trong trang trại gió và hiệu suất trạigió Đặc tuyến này có thể tìm thấy từ nhà sản xuất tua-bin gió hoặc đong giản

là tham khảo thư viện các phần mềm WAsP và windPRO

2.4 Mô hình tính toán sản lượng điện gió

2.4.1 Mô hình đặc trưng gió

Đặc trưng thống kê gió thường được mô hình bởi hai yếu tố khác nhau: hướnggió và tốc độ gió

Hướng gió được biểu diễn bởi xác suất xảy ra cho từng sector tạo thành bởihoa gió (wind rose) Nghiên cứu này đề xuất sử dụng hoa gió 12 sector vìđược sử dụng rộng rãi cho thiết kế trang trại gió

Đặc trưng tốc độ gió thường được mô tả bởi phân bố Welbull Phân bốWeibull được xác định bởi các thông số c, K theo công thức (2.1)

2.4.2 Sản lượng điện gió

Sản lượng điện gió được tính:

Trong đó, p(v, c, k) là phân bố xác suất tốc độ gió, cho bởi công thức (2.1) và f(v) đặc tuyến tua-bin gió, cho bởi công thức (2.8)

Kết hợp công thức (2.9) cho hướng gió 0 trong khoảng 0-360 cung cấp sản lượng điện gió dự kiến cho một tua-bin độc lập [11]:

E(p) = Ị Pe(0)d0 Ị f(v)p(y,c(0),k(0))dv (2.10)

y(v) =

0, Ví < V CU ị in> Vi > V CU ị 0U ị fix) in Eq (6), Vart in <Vi< v rateã 'Pratedỉ

V ra ị eC } < Vị < vcutỡut

(2.8)

(2.9)

J Q J Q

2.4.3 Đại số hóa tính toán sản lượng điện gió

Hướng gió được chia thành h khoảng, 0° < < 02 < ••• < Qh-i <360°, 60 = 0°, 6h = 360° Mỗi khoảng tương ứng với tần suất 0 < fj(6) < 1, đó

là xác suất của hướng gió tại sector thứ ith

Để ước tính sản lượng điện gió dự kiến của một tua-bin gió, phương pháp đại

số hóa được áp dụng Bởi việc chia hướng gió thành h phần bằng nhau, với

sản lượng điện gió theo mỗi hướng gió ớ được kết hợp theo [11]:

Tua-bin gió làm việc trong khoảng tốc độ gió cut-in và cut-out của đặc tuyếntua-bin gió Do đó, tích phân khoảng (0, oo) của công thức (2.11) được tínhtrong khoảng (vcut in, vcut out)

Khi tốc độ gió và hướng gió được chia thành nhiều khoảng chia (cụ thể là 12sector), các giá trị Cj(-) và kj(-) trong công thức (2.11) có được từ dữ liệu gió,công thức (2.11) tính được sản lượng điện gió cho trang trại gió (AEP)

2.4.4 Hàm mục tiêu

Đề tài này đề xuất tối ưu bố trí tua-bin trong trang trại gió với mục tiêu tối đasản lượng điện gió thu được Obj = max|XE(P)|

CHƯƠNG 3 BỐ TRÍ TỐI ưu VỊ TRÍ TUA-BIN TRONG TRANG TRẠI GIÓ 3.1 Tổng quan thuật toán tìm kiếm

Trong những năm gần đây thuật toán tìm kiếm ngẫu nhiên đã được sử dụngnhư là kỹ thuật chính để đạt được giải pháp tối ưu thiết kế các vấn đề thực tế.Các thuật toán như vậy chủ yếu đạt được tối ưu từ khai thác ngẫu nhiên làmcho các thuật toán này khác biệt so với các phương pháp xác định Thuật toánxác định đáng tin cậy xác định câu trả lời giống nhau cho một vấn đề nhấtđịnh với một điểm khởi đầu giống nhau Tuy nhiên, hành vi này dẫn đến “cạmbẫy” tối ưu cục bộ, nó có thể xem như một bất lợi cho các kỹ thuật tối ưu xácđịnh Sự trì trệ tối ưu cục bộ đề cập đến cạm bẫy của thuật toán trong giảipháp cục bộ và kết quả là sự thất bại trong việc tìm kiếm tối ưu toàn cầu thực

sự Khi những vấn đề thực tế có số lượng lớn các giải pháp cục bộ, các thuậttoán xác định mất đi độ tin cậy trong việc tìm kiếm tối ưu toàn cầu

Thuật toán tối ưu ngẫu nhiên (metaheuristic algorithms) đề cập đến gia địnhcác thuật toán khai thác ngẫu nhiên bao gồm các thuật toán tiến hóa(evolutionary algorithm) Đặc tính ngẫu nhiên là đặc điểm chính của thuậttoán ngẫu nhiên Điều này có nghĩa rằng họ sử dụng khai thác ngẫu nhiên khitìm kiếm cho tối ưu toàn cầu trong không gian tìm kiếm

Mặc dù bản chất ngẫu nhiên của các kỹ thuật như vậy có thể làm các thuậttoán này không đáng tin cậy trong việc có được một giải pháp tương tự trongmỗi lần chạy, các thuật toán này có thể tránh được giải pháp cục bộ dễ dànghơn nhiều so với các thuật toán xác định Các hành vi ngẫu nhiên cũng có kếtquả trong việc có được các giải pháp khác nhau cho một vấn đề nhất địnhtrong mỗi lần chạy

Thuật toán tiến hóa tìm kiếm tối ưu toàn cầu trong một không gian bằng cáchtạo ra một hoặc nhiều giải pháp ngẫu nhiên cho một vấn đề nhất định

Tập hợp này được gọi là được gọi là tập hợp các giải pháp “ứng cử” Tập hợpnày được cải thiện sau các vòng lặp cho đến khi đạt điều kiện dừng Nhữngcải tiến có thể được coi như việc tìm kiếm một xấp xỉ chính xác hơn về tối ưu

toàn cầu so với những dự đoán ngẫu nhiên ban đầu Cơ chế này mang đến chocác thuật toán tiến hóa một số thuận lợi thực sự: vấn đề độc lập, độc lập vềnguồn gốc, tránh tối ưu cục bộ và sự đơn giãn.

Một số thuật toán được biết đến nhiều trong lĩnh vực này là: GeneticAlgorithms (GA), Particle Swarm Optimization (PSO), Ant ColonyOptimization (ACO), Differential Evolution (DE), Evolutionary Programming(EP) Mặc dù các thuật toán này có thể giải quyết nhiều vấn đề thực tế và đầythử thách, cái gọi là No Free Lunch theorem [73] cho phép các nhà nghiên cứu

đề xuất các thuật toán mới Theo định lý này, các thuật toán toán thực hiệnbình đẳng khi giải quyết tất cả các vấn đề tối ưu hóa Theo đó, một thuật toán

có thể rất hiệu quả trong việc giải quyết một nhóm các vấn đề nhưng không cóhiệu quả trong một nhóm các vấn đề khác Đây là nền tảng của nhiều côngtrình trong lĩnh vực này Một số các thuật toán gần đây là: Grey WolfOptimizer (GWO), Artificial Bee Colony (ABC), Fhefly Algorithm (FA),Cuckoo Search (CS), Cuckoo Optimization Algorithm (COA), GravitationalSearch Algorithm (GSA), Charged System Search (CSS), Magnetic ChargedSystem Search, Ray Optimization (RO), Colliding Bodies Optimization(CBO), Hybrid Particle Swallow Swarm Optimization (HPSSO), DemocraticParticle Swarm Optimization (DPSO), Dolphin Echolocation (DE), và ChaoticSwarming of Particles (CSP)

3.2 Đề xuất thuật toán áp dụng bố trí tối ưu vị trí tua-bin trong trang trại gió.

Luận văn đề xuất áp dụng một số thuật toán tìm kiếm:

1) Paiticle Swam Optimization (PSO) [24]: thuật toán được sử dụng rộng rãi.2) Grey Wolf Optimizer (GWO) [25]: thuật toán được trích dẫn nhiều vị trí thứ 2

của tạp chí ADES journal

3) Whale Optimization Algorithm (WOA) [26]: thuật toán mới được công bố

năm 2016

4) Moth-flame optimization algorithm (MFO) [27]: thuật toán được công bố năm

2015

Kết quả bố trí tối ưu vị trí tua-bin trong trang trại gió sử dụng các thuật toántrên sẽ được so sánh với bố trí tối ưu từ phần mềm windPRO (moduleOPTIMIZE) với cùng dữ liệu đầu vào Để đánh giá khách quan hiệu quả sửdụng các thuật toán đề xuất, toàn bộ trang trại gió đã được bố trí tối ưu sẽđược tính toán và phân tích bởi phần mềm WAsP.

3.2.1 Thuật toán PSO

PSO là thuật toán tối ưu dựa trên quần thể và ngẫu nhiên PSO lấy cảm hứng

từ hành vi đàn cá và đàn chim, và được phát triển bởi Kennedy and Eberhartnăm 1995 PSO đặc biệt phù hợp cho các vấn đề liên tục [28]

Thuật toán PSO bắt đầu với quần thể các hạt có ma trận vị trí z = [ Z1 T ••• Zị •••

z£p] và ma trận vận tốc V = [vĩ ••• V? ••• Vflp] được khởi tạo ngẫu nhiêntrong không gian tìm kiếm Np biểu diễn kích thước quần thể Zj = [zj! •••Zjj

■■■Zjn] và Vj = [v u -Vij •”Vin ] biểu diễn vị trí và vec tơ vận tốc của hạt thứ i tươngứng n biểu diễn số biến

Việc tìm kiếm các vị trí tối ưu được thực hiện bởi xu hướng bầy đàn đối với

cả hai điều lịch sử tìm kiếm tốt nhất của cá nhân zp và lịch sử tìm kiếm tốtnhất của bầy đàn zg

Ma trận vận tốc và vị trí được cập nhật bởi

Trang 19 I 73

vỂj(t + 1) = X (ví)7 (t) + - Zi'jlti) + c 2 r 2 - Zi'jlti^ (3.1)

+ 1) = X + C1r i

(zfj(t) - Zi'jit)) + c 2 r 2 (z?(t) - Zijitity (3.2)Vmax,j>Vij(t + 1) < ~Vmax,j

vỂJ(t + 1) = ■ Vmax,jiVij(t + 1) > v max j (3.3)

Vij(t + 1), Otherwise

Zmin,j> Zij(t + 1) < z m i n j Zi'j(t + 1) =- *

Zmax,j>Zij(t + 1) > z max j Zij(t + 1), Otherwise

(3.5)

Trong đó, i G {1, •”,Np} là chỉ số hạt, j G {1, -”,n} là số chiều, te {1, •”,Tmax}

là chỉ số lần lặp, Tmax là số lần lặp tối đa, X là hệ số co (x = 2/12 - c - V(cA2 4c)I, c = q + c2, c > 4) q và c2 là hằng số dương gọi chung là thích nghi và cáctham số bầy đàn tương ứng rx và r2 là các tham số ngẫu nhiên phân bố đềutrong phạm vi [0,1] zmin = |/min,l ''' Zminj ''' Zmin.n] va zmax — [zmax 1 • • • zmaxj • • •

-zmax n] la glơl hạn trên và giới hạn dưới của các biến tương ứng Vmax = [ v max,l

-v m axj - v m ax,n] là vận tốc tối đa và thường đặt z max

-

Zmin-3.2.2 Thuật toán GWO [25]

Thuật toán Grey Wolf Optimizer (GWO) lay cảm hứng từ những con sói xám.Thuật toán GWO bắt chước hệ thống cấp bậc chỉ huy và cơ chế săn bắt củacon sói xám trong tự nhiên Bốn loại sói như alpha, beta, delta, và omega được

sử dụng để mô phỏng hệ thống phân cấp chỉ huy Ba bước chính của việc sănbắt, tìm kiếm con mồi, bao quanh con mồi và tấn công

con mổi

Trang 20 |73

3.2.2.1 Phân cấp bầy đàn

Thuật toán GW0 xem xét các giải pháp thích hợp nhất là alpha (a) Giải pháptốt nhất thứ hai và thứ 3 là beta (P) và delta (S) Bầy đàn còn lại được giảiđịnh là omega (co) Thuật toán GW0 được hướng dẫn bởi a, p, và s Nhữngcon sói co theo ba con sói theo phân cấp bầy đàn

3.2.2.2 Bao vây con mồi

Mô hình toán học bao vây con mồi được mô hình sau

Da = \Ci.Xa — X\,Dp = \C 2 Xp = |C3X -*|

X 1= X a - A, (Pa),X 2 = Xp — Ẵ 2 (Pp),X 3 = x s — Ẩ 3 (D S )

(3.10)(3.11)

Trang 21 |73

3.2.2.4 Tấn công con mồi

Để mô hình toán học hành vi tấn công con mồi, chúng ta giảm giá trị ẩ Chú ýrằng biên độ dao động của A cũng giảm bởi ẩ Nói cách khác A cũng là giá trịngẫu nhiên trong khoảng [—2a, 2a] trong đó a được giảm 2 tới 0 trong quátrình lặp Khi các giá trị ngẫu nhiên A trong khoảng [—1,1], các vị trí tiếptheo của bầy đàn có thể bất kỳ giữa vị trí hiện tại của nó và con mồi Thuậttoán GWO cho phép bầy đàn cập nhật vị trí dựa trên vị trí của alpha, beta vàdelta

3.2.2.5 Tìm kiếm con mồi

Sói xám chủ yếu tìm kiếm theo vị trí của alpha, beta và delta Nó phân chiavới nhau để tìm kiếm con mồi và hội tụ để tấn công con mồi Để mô hình toánhọc, sử dụng A ngẫu nhiên giá trị lớn hơn 1 hoặc nhỏ hơn -1 để buộc bầy đànphân chia ra từ con mồi Điều này chú trọng khả năng thăm dò cho phépGWO tìm kiếm toàn cầu Một thành phần khác của GWO là c Trong côngthức (3.4), Véc tơ c có giá trị ngẫu nhiên trong khoảng [0, 2],

Tóm lại, quá trình tìm kiếm bắt đầu với việc tạo ra một số ngẫu nhiên củanhững con sói trong thuật toán GWO Trong quá trình lặp, alpha, beta, delta

dự đoán vị trí có thể có con mồi Bầy đàn cập nhật vị trí của nó đến con mồi.Trị số a giảm từ 2 tới 0 để nhấn mạnh khả năng thăm dò, khai thác tương ứng.Bầy đàn có xu hướng phân kỳ từ con mồi khi I A| > 1 và hội tụ về phía conmồi khi IA| < 1 Cuối cùng, thuật toán GWO được kết thúc bởi việc đảm bảocác điều kiện

3.2.3 Thuật toán WOA [26]

Thuật toán WOA bắt chước các hành vi săn mồi của cá voi Thuật toán lấycảm hứng từ chiến lược săn bong bóng

x(t + 1) Xi + x 2 + x 3

Trang 22 |73

3.2.3.1 Bao vây con mồi

Cá voi có thể nhận ra vị trí con mồi và bao vây con mồi Các vị trí trong quátrình tối ưu trong không gian tìm kiếm là không biết đến một ưu tiên Thuậttoán WOA giả định rằng các giải pháp bầy đàn tốt nhất là mục tiêu con mồihoặc gần vị trí tối ưu Sau khi bầy đàn xác định được vị trí tốt nhất, nó cố gắngcập nhật vị trí của mình đối với vị trí tìm kiếm tốt nhất Hành vi này được mô

tả bởi phương trình sau:

Trong đó, t là lần lặp hiện tại, A và c là hệ số véc tơ, X* là giải pháp tốt nhấtđạt được, X là véc tơ vị trí Điều lưu ý X* sẽ được cập nhật trong mỗi lần lặpnếu có một giải pháp tốt hơn

Trong đó, ẩ giảm tuyến tính từ 2 đến 0 trong quá trình lặp và r là véc tơ ngẫunhiên trong phạm vi [0,1]

3.2.3.2 Phương pháp tấn công (giai đoạn khai thác)

Đe mô hình toán học chiến lược săn bong bóng của cá voi, hai phương phápđược mô tả sau:

Cơ chế thu hẹp xung quanh: Hành vi này có thể đạt được bằng cách giảm giátrị của ẩ Lưu ý rằng dao động của A cũng được giảm bởi ẩ Nói cách khác A

là giá trị ngẫu nhiên trong khoảng [—a, a] trong đó a giảm từ 2 tới 0 qua mỗilần lặp Thiết lập các giá trị ngẫu nhiên A trong khoảng [—1,1], vị trí mới củabầy đàn có thể được định nghĩa bất kỳ nơi nào ở giữa vị trí ban đầu của bầyđàn và vị trí tốt nhất hiện nay

Trang 23 |73

Hình xoắn ốc cập nhật vị trí: Một phương trình xoắn ốc sau mô tả chuyểnđộng xoắn của cá voi:

x(t + 1) = D' e bl cos(27rZ) + x*(t) (3.17)Trong đó D' = |x*(t) — x(t) I chỉ ra khoảng cách từ cá voi thứ i đối với conmồi, b là hằng số định dạng hàm xoắn ốc logarit, 1 là số ngẫu nhiên trongkhoảng [—1,1]

Lưu ý rằng cá voi bao quanh con mồi trong vòng tròn thu hẹp lại và dọc theohình xoán ốc cùng lúc Để mô hình hành vi này, giả định rằng có một xác suất50% phải lựa chọn giữa một trong hai cơ chế thu hẹp bao quanh hoặc mô hìnhxoắn ốc để cập nhật vị trí tối ưu của cá voi Mô hình toán học sau:

Trong đó p là giá trị ngẫu nhiên trong khoảng [0,1]

3.2.3.3 Tìm kiếm con mồi (giai đoạn thăm dò)

Các phương pháp tương tự dựa trên biến thể của véc tơ A được sử dụng đểtìm kiếm con mồi Trong thực tế, cá voi tìm kiếm ngẫu nhiên theo vị trí củabầy đàn Vì vậy, A với giá trị ngẫu nhiên lớn hơn 1 hoặc nhỏ hơn —1 để buộcbầy đàn tìm kiếm xa vị trí con mồi tham khảo Ngược lại với giai đoạn khaithác, chúng ta cập nhật vị trí của bầy đàn trong giai đoạn thăm dò theo vị tríngẫu nhiên thay vì các giải pháp tốt nhất được tìm kiếm đến nay Cơ chế này

và A > 1 nhấn mạnh khả năng thăm dò cho phép thuật toán WOA thực hiệntìm kiếm toàn cầu Mô hình toán học sau:

(3.19)

x(t + 1) = x ranđ — Ẩ.D

Trang 24 |73

Trong đó xrand là véc tơ ngẫu nhiên, được lựa chọn từ bầy đàn

Thuật toán WOA bắt đầu với một tập hợp các giải pháp ngẫu nhiên Tại mõilần lặp, bầy đàn cập nhật vị trí của nó liên quan hoặc bầy đàn được lựa chọnngẫu nhiên hoặc các giải pháp đạt được cho đến nay Các tham số được giảm

từ 2-0 để cung cấp cho việc thăm dò, khai thác tương ứng Tùy thuộc vào giá

trị của p, W0A chuyển đổi giữa mô hình xoắn ốc hay chuyển động tròn Cuối

cùng, thuật toán W0A kết thúc sau khi đạt được các điều kiện

3.2.4 Thuật toán Bướm đêm (MFO - Moth-Flame Optimization) [27]

Thuật toán MFO lấy cảm hứng chính từ phương pháp chuyển hướng củabướm đêm trong tự nhiên được gọi là định hướng ngang Bướm đêm baytrong đêm bằng cách duy trì một góc cố định đối với mặt trăng, một cơ chế rấthiệu quả cho việc di chuyển trong một đường thẳng cho khoảng cách xa Tuynhiên, những côn trùng này đang bị mắc kẹt trong vô ích/ nguy hiểm trongđường xoắn ốc xung quanh ánh sáng nhân tạo MFO mô hình toán học để thựchiện hành vi tối ưu hóa này

Hình 3.1 Định hướng Hình 3.2 Đường bay xoắn Hình 3.3 Một số vị trí có

đêm và ngọn lửa bằng cách

sử dụng xoắn ốc logaritThuật toán MFO giả định rằng các mục tiêu là bướm đêm và biến là vị trí của bướm đêm trong không gian Theo đó, bướm đêm có thể bay trong

Moth Q

Flameo

Trong đó, n là vector của mặt trăng và n là số biến (số chiều).

Ma trận lưu giữ giá trị thích nghi của biến:

Một thành phần quan trọng đề xuất trong thuật toán là ngọn lửa Xem xét một

ma trận giống ma trận bướm đêm:

'F1'1 F_l,2 • ” F ld '

F = F 2 ,1 ^2,2 ■ ” F 2d

-Fn,l F n ,2 •

Fn,d-(3.23)

Trong đó, n là số bướm và d là số biến

Đối với ngọn lửa, ma trận sau lưu giữ các giá trị thích nghi:

Nói cách khác, ngọn lửa có thể được xem như lá cờ hoặc điểm đánh dấu đượcgiảm xuống bởi bướm đêm khi tìm kiếm trong không gian tìm kiếm Do đó,mỗi bướm đêm tìm kiếm xung quanh lá cờ (ngọn lửa) và cập nhật nó trongtrường hợp tìm kiếm được giải pháp tốt hơn Với cơ chế này, bướm đêmkhông bao giờ mất giải pháp tốt nhất của mình.

MFO là ba-tập hợp xấp xỉ tối ưu toàn cầu trong những vấn đề tối ưu hóa vàđược định nghĩa:

Với lbj là giới hạn dưới của biến thứ i.

Sau khi khởi động, hàm chức năng p được lặp cho đến khi hàm chức năng Ttrả về giá trị true Hàm chức năng p là hàm chính di chuyển bướm đêm quanhkhông gian tìm kiếm Như đã đề cập, nguồn cảm hứng của thuật toán này làđịnh hướng ngang Đe mô hình toán học hành vi này, vị trí của mỗi bướm đêmliên quan đến ngọn lửa sẽ được cập nhật theo phương trình sau

Trong đó, Mj là bướm đêm thứ i, Fj là ngọn lửa thứ j, và s là hàm xoắn ốc.MFO đề xuất lựa chọn hình xoắn ốc logarit như cơ chế cập nhật chính củabướm đêm Tuy nhiên, bất kỳ loại xoắn ốc có thể được sử dụng với các điềukiện sau:

Điểm đầu của hình xoắn ốc bắt đầu từ bướm đêm

Điểm cuối của hình xoắn ốc là vị trí của ngọn lửa

Biến động của các phạm vi xoắn ốc không nên vượt quá không gian tìmkiếm

Xem xét những điều kiện đó, Thuật toán MFO định nghĩa xoắn ốc logarit nhưsau:

S(Mj, Fj) = Dị e bt cos(2nt) + Fj (3.32)Với Dj là khoảng cách giữa bướm đêm thứ i và ngọn lửa thứ j, b là hằng số đểxác định hình dạng xoắn ốc logarit, và t là giá trị ngẫu nhiên trong [-1,1]

D được tính như sau:

(3.33)Với Mj là bướm đêm thứ i, Fj là ngọn lửa thứ j, và Dj là khoảng cách giữabướm đêm thứ i và ngọn lửa thứ j

Phương trình (3.32) mô phỏng đường bay xoắn ốc của bướm đêm Có thểthấy trong phương trình này, vị trí tiếp theo của bướm đêm được xác định liênquan đến ngọn lửa Tham số t trong phương trình xoắn ốc xác định bao nhiêu

vị trí tiếp theo bướm đêm đến được ngọn lửa (t = -1 là vị trí gần ngọn lửanhất, trong khi t = 1 là xa nhất) Do đó, một hình elip đa chiều có thể được giảđịnh xung quanh ngọn lửa trong tất cả các hướng và vị trí tiếp theo của bướmđêm phải nằm trong không gian này Chuyển động xoắn ốc là thành phầnchính của mô hình đề xuất vì nó ra lệnh đàn bướm cập nhật vị trí của nóquanh ngọn lửa như thế nào Phương trình xoắn ốc cho phép bướm đêm bayxung quanh ngọn lửa và không nhất thiết phải trong không gian giữa chúng

Vì vậy, việc thăm dò và khai thác không gian tìm kiếm có thể được đảm bảo.Đường xoắn ốc logarit, không gian xung quanh ngọn lửa, và vị trí xem xét tkhác nhau trên đường cong được minh họa trong Hình 3.4

Hình 3.4» Xoắn ốc logarit, không gian xung quanh một ngọn lửa, và các

vị trí liên quan đến tMột mối quan tâm ờ đây là cập nhật vị trí của bướm đêm liên quan đến n vị tríkhác nhau trong không gian tìm kiếm với thể làm suy giảm việc khai thác cácgiải pháp triển vọng nhất Để giải quyết vấn đề này, MFO đề xuất một cơ chếthích nghi cho số ngọn lửa MFO sử dụng công thức sau đây trong vấn đề này:

flame no = round — l* —(3.34)

Trong đó 1 là số lần lặp hiện tại, N là số bướm đêm tối đa, và T là số lần lặptối đa

Kết luận thuật toán MFO

Thủ tục cập nhật vị trí cho phép đạt được các giải phảp lân cận xungquanh ngọn lửa, một cơ chế chủ yếu thúc đẩy khai thác

Hằng số thích nghỉ hội tụ (r) giúp tăng tốc tốc độ hội tụ xung quanh cácngọn lửa trong quá trình lặp

Tối uu cục bộ tránh được là cao khi MFO sử dụng quần thể là bướm đêmthực hiện tối ưu

Trang 30 73

Gán cho mỗi bướm đêm một ngọn lửa và cập nhật thứ tự của ngọn lửatrong mỗi lần lặp tăng thăm dò không gian tìm kiếm và giảm xác xuất trì trệcủa tối ưu hóa địa phương

Số lượng ngọn lửa thích ứng cân bằng thăm dò và khai thác

Xem xét giải pháp tốt nhất thu được gần nhất của ngọn lửa giúp lưu lại cácgiải pháp đầy hứa hẹn như là hướng dẫn cho bướm đêm

Các giải pháp tốt nhất được lưu lại để chúng không bao giờ bị lạc

Sự hội tụ thuật toán MFO được đảm bảo bởi vì bướm đêm có xu hướng cậpnhật vị trí của nó đối với ngọn lửa, các ngọn lửa đã có được các giải pháphứa hẹn nhất thu được cho đến nay trong quá trình lặp

Thuật toán MFO có thể giải quyết vấn đề thực sự khó khăn với không giantìm kiếm không rõ và hạn chế

Theo các định lý NFL, không có thuật toán tối ưu hóa để giải quyết các vấn đềtối ưu hóa Khi thuật toán MFO đã có thể giải quyết tốt hơn các thuật toán kháctrong phần lớn các trường hợp thử nghiệm, nó có thể được coi là một thay thếtối ưu cho việc giải quyết các vấn đề tối ưu hóa các thuật toán tối ưu hiện nay

3.2.5 Thuật toán tối ưu trong phần mềm WindPRO

Các công trình nghiên cứu trước đó dự đoán rằng, phần mềm windPRO tối ưuhóa vị trí tua-bin trong trang trại gió sử dụng thuật toán tương tự như thuật toántham lam (greedy algorithm) [2], Thuật toán tham lam là thuật toán theo phươngpháp kỹ thuật phỏng đoán để tìm được vị trí tối ưu toàn cầu gần đúng bằng cáchlàm cho tối ưu cục bộ ở từng giai đoạn

3.3 Tối ưu bố trí vị trí tua-bin trong trang trại gió

Lưu đồ thực hiện bố trí tua-bin trong trang trại gió được thể hiện trong

Hình 3.5.

WAsP Map Editor (WAsP tools)

OPTIMIZE module (windPRO software)

PSO - GWO - WOA (proposed algorithm)

-' WAsP Turbine Editor f Wind (WAsP tools) ’

J X generator y

Wind layout optimization

Analyze & <( < I

Evaluate the results

WAsP

/ -" software

<

■