Áp dụng phương pháp chaotic stochastic fractal search xác định vị trí tối ưu nguồn phân tán để giảm tổn thất trên lưới trung thế

Tóm tắt: Trong luận văn này đề xuất một thuật toán hoàn toàn mới – thuật toán CSFS để giải quyết bài toán tối ưu hóa dung lượng và vị trí của DG (ODGP) với hàm mục tiêu là tối thiểu tổn thất công suất tác dụng (CSTD) đồng thời đáp ứng các ràng buộc về cân bằng công suất tại mỗi nút, giới hạn điện áp nút, giới hạn công suất phát của mỗi đơn vị DG và giới hạn về tổng công suất phát của DG. Hệ số độ nhạy (LSF) được sử dụng để xác định các nút ứng viên cho vị trí kết nối các đơn vị DG. Thuật toán CSFS được sử dụng để tìm dung lượng tối ưu của DG. Thuật toán đề xuất được áp dụng trên hai hệ thống điện chuẩn IEEE – 33 nút và IEEE – 69 nút

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

VY ĐÌNH THIỆU

ÁP DỤNG PHƯƠNG PHÁP CHAOTIC STOCHASTIC FRACTAL SEARCH XÁC ĐỊNH VỊ TRÍ TỐI ƯU NGUỒN PHÂN TÁN ĐỂ GIẢM

TỔN THẤT TRÊN LƯỚI TRUNG THẾ

Chuyên ngành: Kỹ Thuật Điện

Mã số: 60520202

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 06 năm 2019

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: TS Nguyễn Ngọc Phúc Diễm

Cán bộ chấm nhận xét 2: PGS TS Huỳnh Châu Duy

Luận văn thạc sĩ được bảo vệ tại Trường Đại Học Bách Khoa, ĐHQG Tp.HCM ngày 06 tháng 07 năm 2019

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1

2

3

4

5

Xác nhận của Chủ tịch Hội đồng đánh giá luận văn và Trưởng Khoa Quản lý chuyên ngành sau khi luận văn được sửa chữa (nếu có)

i

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên: VY ĐÌNH THIỆU MSHV: 1570875

Ngày, tháng, năm sinh: 01/07/1987 Nơi sinh: Quảng Ngãi

Chuyên ngành: .Kỹ Thuật Điện Mã số: .60520202

L TÊN ĐỀ TÀI: ÁP DỤNG PHƯƠNG PHÁP CHAOTIC STOCHASTIC FRACTAL SEARCH XÁC ĐỊNH VỊ TRÍ TỐI ƯU NGUỒN PHÂN TÁN ĐỂ GIẢM TỔN THẤT TRÊN LƯỚI TRUNG THẾ

II NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu phuơng pháp Newton - Raphson để giải phân bố công suất LĐPP - Nghiên cứu hệ số độ nhạy (LSF) để xác định vị trí nút ứng viên kết nối DG - Áp dụng thuật toán CSFS để tìm dung luợng tối uu của DG - Khảo sát với hai hệ thống điện chuẩn IEEE 33 nút và IEEE 69 nút III NGÀY GIAO NHIỆM VỤ: 11/02/2019

IV NGÀY HOÀN THÀNH NHIỆM VỤ: .02/06/2019

V CÁN BỘ HƯỚNG DẪN: .PGS TS.Võ Ngọc Điều

Tp HCM, ngày tháng năm

TRƯỞNG KHOA ĐIỆN - ĐIỆN TỬ

ĐẠI HỌC QUỐC GIA TP.HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

ii

LỜI CẢM ƠN

Trong thực tế, không có sự thành công nào mà không gắn liền với những sự hỗ trợ, giúp đỡ dù nhiều hay ít, dù trực tiếp hay gián tiếp của người khác Trong suốt thời gian từ khi bắt đầu học tập tại trường đến nay, tôi đã nhận được rất nhiều sự quan tâm, giúp đỡ của quý Thầy Cô, gia đình và bạn bè

Đầu tiên, em xin bày tỏ lòng biết ơn chân thành và sâu sắc nhất đến thầy PGS.TS Võ Ngọc Điều đã trực tiếp hướng dẫn, truyền đạt những kinh nghiêm quý báu, và tận tình giúp

đỡ em trong suốt thời gian học tập, nghiên cứu và hoàn thành luận văn này

Đồng thời, em cũng xin chân thành cảm ơn Khoa Điện - Điện Tử, Phòng Đào Tạo Sau Đại Học, trường Đại Học Bách Khoa - Đại Học Quốc Gia TP.HCM đã tạo mọi điều kiện thuận lợi cho em trong quá trình học tập và nghiên cứu

Cuối cùng, xin được gửi lời lòng biết ơn sâu sắc đến gia đình, người thân và bạn bè, những người luôn dành cho tôi sự quan tâm động viên, tình yêu thương và tạo mọi điều kiện tốt nhất để tôi có động lực học tập, phấn đấu trong suốt thời gian qua

Do thời gian và trình độ còn nhiều hạn chế nên luận văn chắc chắn sẽ không tránh khỏi những thiếu sót, rất mong nhận được sự đóng góp ý kiến của quý thầy cô và các bạn để luận văn được hoàn thiện hơn

Xin chân thành cảm ơn!

Tp HCM, ngày thắng năm 2019

Học viên

Vy Đình Thiệu

mà không tính toán hợp lý thì sẽ dẫn đến giảm hiệu suất của hệ thống Do đó, vấn đề đặt ra

là phải tính toán tối ưu hóa dung lượng và vị trí của DG trước khi tích hợp chúng vào LĐPP Trong luận văn này đề xuất một thuật toán hoàn toàn mới - thuật toán CSFS để giải quyết bài toán tối ưu hóa dung lượng và vị trí của DG (ODGP) với hàm mục tiêu là tối thiểu tổn thất công suất tác dụng (CSTD) đồng thời đáp ứng các ràng buộc về cân bằng công suất tại mỗi nút, giới hạn điện áp nút, giới hạn công suất phát của mỗi đơn vị DG và giới hạn về tổng công suất phát của DG Hệ số độ nhạy (LSF) được sử dụng để xác định các nút ứng viên cho vị trí kết nối các đơn vị DG Thuật toán CSFS được sử dụng để tìm dung lượng tối

ưu của DG Thuật toán đề xuất được áp dụng trên hai hệ thống điện chuẩn IEEE - 33 nút và IEEE - 69 nút

4

ABSTRACT

The number of distributed generation (DG) units installed in the distribution system has been increasing significantly The use of DG will contribute to improve system performance in terms of voltage profile, reduce power losses, and improve power quality and reliability of supply Besides, the presence of DG also helps reduce pressure on upgrading the grid in investments, fuel costs, operating costs and reserve requhements However, the DG units if placed without reasonable calculation results into deterioration of system performance Therefore, the problem is to optimize the size and sitting of DG before integrating them into distribution systems

In this thesis, a novel combined approach that uses the loss sensitivity factor (LSF) and chaotic stochastic fractal search (CSFS) algorithm to solve optimal DG placement (ODGP) problem in distribution systems for loss reduction and improvement of voltage profile has been presented For the implementation of the proposed method, the LSF is used

to find the DG locations and the optimal DG size is evaluated based on the objective function which minimizes the total active power loss using CSFS algorithm The proposed method has been assessed using two different test systems, a 33-bus test system and another 69-bus test system

V

LỜI CAM ĐOAN

Em xin cam đoan luận văn này hoàn toàn do em thực hiện dưới sự hướng dẫn khoa học của PGS TS Võ Ngọc Điều

Các kết quả trong luận văn là hoàn toàn trung thực và chưa từng được công bố trên bất kỳ công trình nào khác

TP.HCM, ngày 02 tháng 06 năm 2019

Học viên

Vy Đình Thiệu

vi

MỤC LỤC

NHIỆM VỤ LUẬN VĂN THẠC SĨ I LỜI CẢM ƠN II TÓM TẮT LUẬN VĂN HI ABSTRACT IV LỜI CAM ĐOAN V DANH MỤC HÌNH ẢNH IX DANH MỤC BẢNG XI

CHƯƠNG 1: GIỚI THIỆU CHUNG 1

1.1 Giói thiệu khái quát và hướng tiếp cận của đề tài 1

1.1.1 Đặt vấn đề 1

1.1.2 Hướng tiếp cận của đề tài 2

1.2 Mục tiêu nghiên cứu 2

1.3 Phạm vỉ nghiên cứu 2

1.4 Đối tượng nghiên cứu 3

1.5 Điểm mói của luận vãn 3

1.6 Bố cục của luận vãn 3

CHƯƠNG 2: TỔNG QUAN VỀ HỆ THỐNG LƯỚI ĐIỆN PHÂN PHỐI VÀ NGUỒN PHÂN TÁN 4

2.1 Tổng quan về hệ thống lưới điện phân phối 4

2.1.1 Tổng quan 4

2.1.2 Một số đặc điểm của lưới điện phân phối 4

2.2 Khái niệm chung về nguồn phân tán 5

2.2.1 Định nghĩa 5

2.2.2 Các loại nguồn phân tán 5

2.2.3 Các lợi ích của nguồn phân tán 8

2.2.4 Tác động của DG đối vói lưới điện phân phối và tổn thất hệ thống 8

2.3 Phân bố công suất lưới điện phân phối 9

vii

2.3.1 Giới thiệu 9

2.3.2 Giải phân bố công suất lưới điện phân phối bằng phương pháp Newton-Raphson 10

2.4 Hệ số nhạy - LSF (Loss Sensitivity Factor) 13

2.5 Các thuật toán đã sử dụng để giải bài toán OPDG 15

2.5.1 Thuật toánMTLBO (Modified Teaching-Learning Based Optimization) 15

2.5.2 Thuật toán ACO (Ant Colony Optimization) 19

2.5.3 Thuật toán ABC (Artificial Bee Colony) 22

2.5.4 Thuật toán PSO (Particle Swarm Optimization) 25

2.6 Tóm lượt các bài báo có Hên quan đến đề tài 27

CHƯƠNG 3: THÀNH LẬP BÀI TOÁN TỐI ƯU HÓA VỊ TRÍ CỦA DG CHO LƯỚI ĐIỆN PHÂN PHỐI 30

3.1 Cơ sở phát triển của bài toán 30

3.2 Thành lập bài toán ODGP 31

CHUÔNG 4: PHƯONG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN 34

4.1 Tổng quan 34

4.2 Thuật toán SFS (Stochastic Fractal Search) 34

4.2.1 Quá trình khuếch tán 34

4.2.2 Quá trình cập nhật 35

4.3 Biểu đồ Chaotic cho SFS 36

4.3.1 Biểu đồ Chaotic 36

4.3.2 Tích hợp các biểu đồ chaotic vào SFS 39

4.4 ứng dụng CSFS vào bài toán ODGP 39

CHVONG 5: KẾT QUẢ TÍNH TOÁN 45

5.1 Mạng điện chuẩn IEEE - 33 nút 45

5.1.1 Kịch bản 1 46

5.1.2 Kịch bản II 50

5.2 Mạng điện chuẩn IEEE - 69 nút 54

viii

5.2.1 Kịch bản 1 54

5.2.2 Kịch bản II 59

CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 64

6.1 Kết luận 64

6.2 Hướng phát triển 64

6.3 Lời kết 65

TÀI LIỆU THAM KHẢO 66

PHỤ LỤC A: SƠ ĐỒ HỆ THỐNG KHẢO SÁT 70

PHỤ LỤC B: DỮ LIỆU HỆ THỐNG KHẢO SÁT 71

LÝ LỊCH TRÍCH NGANG 74

9

DANH MỤC HÌNH ẢNH

Hình 1 1 Sơ đồ đơn tuyến của một LĐPP hai nút 13

Hình 4 1 Sơ đồ thuật toán CSFS 43

Hình 4 2 Sơ đồ giải thuật quả trình khuếch tản 44

Hình 4 3 Sơ đồ giải thuật quá trình cập nhật 44

Hình 5 1 Đường cong về tổn that công suất của hệ thống 33 nút với sự kết nối của số lượng DG tối ưu thu được từ các biến thể CSFS khác nhau trong Kịch bản I 41

Hình 5 2 Đặc tuyến hội tụ của các phương pháp cho trường hợp tối ưu số lượng DG trong Kịch bản I của hệ thống 33 nút 48

Hình 5 3 Đường cong về chỉ số điện áp nút của hệ thống 33 nút với sự kết nối của số lượng DG tối ưu trong kịch bản I 49

Hình 5 4 Đường cong về tổn thẩt công suất của hệ thống 33 nút với sự kết nối của số lượng DG tối ưu thu được từ các biến thể CSFS khác nhau trong Kịch bản II 52

Hình 5 5 Đặc tuyến hội tụ của các phương pháp cho trường hợp tối ưu số lượng DG trong Kịch bản II của hệ thống 33 nút 53

Hình 5 6 Đường cong về chỉ so điện ảp nút của hệ thong 33 nút với sự kết noi của so lượng DG toi ưu trong Kịch bản II 53

Hình 5 7 Đường cong ton thất công suất của hệ thong 69 nút với sự kết noi của so lượng DG toi ưu thu được từ các biến thể CSFS khắc nhau trong Kịch bản I 55

Hình 5 8 Đặc tuyến hội tụ của các phương pháp cho trường hợp toi ưu so lượng DG trong Kịch bản I của hệ thong 69 nút 57

Hình 5 9 Đường cong về chỉ so điện ảp nút của hệ thong 69 nút với sự kết noi của so lượng DG toi ưu trong Kịch bản I 58

X

Hình 5 10 Đường cong về tổn thất công suất của hệ thống 69 nút với sự kết nối của số

lượng DG tối ưu thu được từ các biến thể CSFS khác nhau trong Kịch bản II 61 Hình 5 11 Đặc tưyến hội tụ của các phương pháp cho trường hợp tối ưu số lượng

DG trong Kịch bản II của hệ thống 69 nút 62 Hình 5 12 Đường cong về chỉ số điện áp nút của hệ thống 69 nút với sự kết nối của số lượng DG tối ưu trong Kịch bản II 62

A 1 Sơ đồ đơn tuyến của LĐPP hình tia 33 nút 70

A 2 Sơ đồ đơn tuyến của LĐPP hình tia 69 nút 70

xi

DANH MỤC BẢNG

Bảng 2 1 Đặc tinh của các loại pin nhiên liệu [3] 6

Bảng 4 1 Trình bày các biểu đồ chaotic 37

Bảng 5 1 Cài đặt tham số điều khiển của các phương pháp SFS và CSFS cho hai mạng thử nghiệm trong cả hai Kịch bản 45

Bảng 5 2 Kết quả so sảnh của hệ thống 33 nút với số lượng DG khác nhau trong Kịch bản 1 46

Bảng 5 3 Kết quả chi tiết về số DG tối ưu thu được bởi SFS và CSFS3 trong Kịch bản I của mạng 33 nút 48

Bảng 5 4 Kết quả so sánh của hệ thống 33 nút với số lượng DG khác nhau trong kịch bản II 50

Bảng 5 5 Kết quả chỉ tiết về số DG tối ưu thu được bởi SFS và CSFSI0 trong Kịch bản II của hệ thống 33 nút 52

Bảng 5 6 Kết quả so sánh của hệ thống 69 nút với số lượng DG khác nhau trong Kịch bản 1 55

Bảng 5 7 Kết quả chi tiết về số DG tối ưu thu được bởi SFS và CSFS3 trong Kịch bản I của mạng 69 nút 57

Bảng 5 8 Kết quả so sánh của hệ thong 69 nút với so lượng DG khác nhau trong kịch bản II 59

Bảng 5 9 Kết quả chi tiết về số DG toi ưu thu được bởi SFS và CSFSI trong Kịch bản II của mạng điện chuấn IEEE-69 nút 61

Bảng B I Dữ liệu hệ thống IEEE — 33 nút 71

Bảng B 2 Dữ liệu hệ thống IEEE — 69 nút 72

Bảng B 3 Dữ liệu hệ thong IEEE - 69 nút (tiếp theo) 73

xii

DANH MỤC TỪ VIẾT TẮT

ACO - Ant Colony Optimization - Phương pháp tối ưu đàn kiến

CSFS - Chaotic Stochastic Fractal Search - Tìm kiếm phân dạng hỗn loạn ngẫu nhiên

DE - Differential Evolution - Phương pháp tiến hóa dị biệt

GA - Genetic Algorithm - Thuật toán di truyền

LSF - Loss Sensitivity Factor - Hệ số nhạy

ODGP - Optimal Distribution Generator Placement - Tối ưu vị trí nguồn phân tán PSO - Particle Swarm Optimization - Phương pháp tối ưu bầy đàn

SOS - Symbiotic organisms search - Thuật toán cộng sinh

PLR - Power loss reduction - Giảm tổn thất công suất

TS - Tabu Search - Tìm kiếm Tabu

TLBO - Teaching-learning based optimization

FS - Fractal Search - Tìm kiếm phân dạng

0>Gi Dung lượng DG tại vị trí thứ i

Pioss Tổng công suất tổn thất trong mạng truyền tải

F loss Chi phí do tổn thất năng lượng

Kp Hệ số chi phí cho tổn thất truyền tải

P DGi , Q DGi Công suất tác dụng và phản kháng đầu ra của DG tại nút thứ i tương ứng

$DGi Công suất phát của đơn vị DG thứ i

Vị Điện áp tại nút i

s™?, S™? Giới hạn công suất phát ra nhỏ nhất và lớn nhất của DG tại nút thứ i

Luận văn thạc sĩ -1- Chương 2

Chính vì lý do đó mà các nguồn năng lượng tái tạo đã nổi lên như một trong những sự lựa chọn ưu tiên để đối phó với sự cạn kiệt của nguồn nhiên liệu hóa thạch Những nguồn năng lượng tái tạo này thường được sử dụng như những nguồn phát nhỏ có công suất từ vài

kw đến khoảng 50 MW và được đặt gần nơi tiêu thụ điện năng Viện nghiên cứu năng lượng (EPRI) định nghĩa các nguồn phát nhỏ này như là các nguồn điện phân tán (DG) Việc kết nối DG vào LĐPP trở nên phổ biến hơn bời vì những tác động tích cực đến LĐPP mà nó đem lại chẳng hạn như giảm tổn thất công suất, tăng cường độ tin cậy và cải thiện chất lượng điện áp của hệ thống Việc sử dụng DG còn giúp giảm áp lực về đầu tư cải tạo lưới điện, giảm chi phí nhiên liệu, chi phí vận hành và các yêu cầu dự phòng Tùy vào cấu trúc lưới điện và công nghệ DG mà sự tác động của DG là khác nhau Tuy nhiên, các đơn vị DG nếu đặt mà không có tính toán hợp lý thì sẽ dẫn đến giảm hiệu suất của hệ thống Để tận dụng lợi ích của DG, đơn vị quy hoạch hệ thống phải tính toán tối ưu hóa dung lượng và vị trí của

DG trước khi tích hợp chúng vào LĐPP

Do đó, bài toán tối ưu hóa vị trí DG (ODGP) đã thu hút sự quan tâm của nhiều nhà nghiên cứu trong những năm qua Nhiều bài toán về vận hành DG đã được đặt ra Các bài toán xoay quanh việc chứng minh sự có mặt của DG trong hệ thống là có lợi dựa trên các chỉ số mà

họ đặt ra Tuy mỗi bài toán sử dụng các thuật toán khác nhau, đặt ra các hàm mục tiêu khác nhau, nhưng đều có chung một mục đích là xác định vị trí đặt thích hợp và lượng công suất phát cần thiết của DG sao cho sự vận hành trong hệ thống là tối ưu

1.1.2 Hướng tiếp cận của đề tài

Với những ưu điểm của bài toán ODGP mang lại, trong hơn một thập niên vừa qua có nhiều nhà nghiên cứu đã đóng góp rất nhiều cả về sức lực và thời gian để tìm ra thuật toán giải quyết bài toán này Trong đó có rất nhiều thuật toán đã được sử dụng từ cổ điển cho

Luận văn thạc sĩ -2- Chương 2

đến trí tuệ nhân tạo và tiến hóa chẳng hạn như: analytical method; lagrante multiplier (LM); interior point method (IPM); teaching-learning based optimization (TLBO); tabu search (TS); genetic algorithm (GA); differential evolution (DE); ant colony optimization (ACO); particle swarm optimization (PSO); v.v Để tìm lời giải tối ưu cho hàm không tuyến tính với các ràng buộc, các phương pháp trước đây đã sử dụng phương thức lặp, việc này sẽ mất nhiều thời gian và đôi khi lời giải cũng chưa tối ưu nếu gặp phải hệ thống điện lớn Thuật toán (CSFS) là thuật toán với phương pháp mới để giải bài toán tối ưu hóa ODGP dựa trên đặc tính khuếch tán và tự đồng dạng của phân dạng (fractal) Thuật toán CSFS là giải pháp với độ tin cậy cao, thời gian hội tụ nhanh và thực hiện đơn giản mà ở đây cụ thể là giải pháp

vị trí và dung lượng tối ưu của DG kết nối lên LĐPP để đạt được mục tiêu là cực tiểu tổng tổn thất CSTD Đây cũng là lý do chúng tôi lựa chọn thuật toán này để giải bài toán ODGP

1.2 Mục tiêu nghiên cứu

Bài toán ODGP đã có lịch sử phát triển từ khoảng hơn một thập niên qua và có ý nghĩa

vô cùng quan trọng trong vận hành và điều khiển hệ thống điện Mục tiêu chính của luận văn là để tối ưu hóa vị trí của DG trên LĐPP nhằm tối thiểu tổn thất CSTD đồng thời đảm bảo cân bằng công suất tại mỗi nút, giới hạn công suất phát của DG, cũng như giữ điện áp nút của hệ thống nằm trong giới hạn cho phép Do đó, đã có nhiều công trình nghiên cứu để tìm kiếm lời giải cho bài toán này ngày càng tối ưu hơn Bài toán ODGP là một bài toán phi tuyến phức tạp

Để đáp ứng được các vấn đề phức tạp nêu trên, thuật toán CSFS là một giải pháp phù hợp Ket quả áp dụng thuật toán CSFS giải bài toán ODGP được so sánh với các kết quả của những thuật toán khác trong các bài báo để thấy được tính hiệu quả và điểm mạnh của thuật toán CSFS

1.3 Phạm vi nghiên cứu

Mục đích nghiên cứu của đề tài là ứng dụng thuật toán CSFS để giải bài toán tối ưu hóa

vị trí của DG trên LĐPP Hàm mục tiêu được đặt ra trong đề tài là tối thiểu tổn thất trên LĐPP trong khi đáp ứng các ràng buộc về vận hành Thuật toán được áp dụng trên mạng điện chuẩn IEEE - 33 nút và IEEE - 69 nút

1.4 Đối tượng nghiên cứu

- Phân bố công suất bằng phương pháp Newton-Raphson

- Hệ số độ nhạy (LSF) để xác định nút ứng viên cho vị trí kết nối DG

Luận văn thạc sĩ -3- Chương 2

- Áp dụng thuật toán CSFS để giải bài toán tìm dung lượng tối ưu của DG nhằm giảm tổn thất trên LĐPP

- Sử dụng phần mềm MATLAB để mô phỏng kết quả

1.5 Điểm mới của luận văn

- Đề xuất cách áp dụng thuật toán CSFS giải quyết bài toán tối ưu hóa vị trí của DG cho LĐPP

- Tìm được số lượng DG tối ưu cho hai hệ thống IEEE 33 nút và 69 nút

1.6 Bố cục của luận vãn

Luận văn được thực hiện bao gồm các chương sau:

- Chương 1 Giới thiệu chung

- Chương 2 Tổng quan về hệ thống lưới điện phân phối và nguồn phân tán

- Chương 3 Thành lập bài toán tối ưu hóa vị trí của DG trong hệ thống điện

- Chương 4 Phương pháp luận giải quyết bài toán

- Chương 5 Ket quả tính toán

2.1.1 Tổng quan

LĐPP là một bộ phận của hệ thống điện làm nhiệm vụ phân phối điện năng từ các trạm biến áp trung gian cho các nơi tiêu thụ LĐPP nói chung gồm hai thành phần đó là LĐPP trung áp 6 - 35 kv và LĐPP hạ áp 380/220 V [1]

LĐPP hiện đại đang phải đối mặt với sự phát triển rất nhanh chóng của phụ tải Vần đề phát triển của phụ tải đã làm tăng thêm gánh nặng và sụt giảm điện áp Bên cạnh đó, nó cũng ảnh hưởng đến vận hành, quy hoạch, vấn đề về kỹ thuật và an toàn của LĐPP Vì vậy, các công nghệ tiên tiến cần được giới thiệu để giải quyết các vấn đề nêu trên và sử dụng hiệu quả các nguồn năng lượng sẵn có để đáp ứng mục tiêu tăng trưởng của phụ tải Một trong những giải pháp mới nhất để xử lý vấn đề này là ứng dụng DG vào LĐPP

Luận văn thạc sĩ -4- Chương 2

2.1.2 Một số đặc điểm của lưới điện phân phối

Đặc điểm nổi bật của LĐPP là bị sụt áp ở các nút xa nguồn Tỷ lệ X/R đối với cấp điện

áp phân phối thì thấp hơn so với cấp điện áp truyền tải, điều này gây ra tổn thất công suất lớn và sụt giảm biên độ điện áp dọc theo các đường dây phân phối hình tia Tổn thất ở các LĐPP thì cao hơn đáng kể so với tổn thất ở các lưới điện truyền tải Tổn thất trên LĐPP có thể phân thành tổn thất kỹ thuật và tổn thất phi kỹ thuật

Các tổn thất kỹ thuật bao gồm:

- Tổn thất trên đường dây do điện trở của dây dẫn

- Tổn thất trong máy biến áp và máy điều chỉnh

- Tổn thất vầng quang trên đường dây cao áp và siêu cao áp

- Tổn thất điện môi trong đường dây cáp ngầm hay tụ điện tĩnh

- Tổn hao do hệ số công suất thấp

- Các tổn thất kỹ thuật khác

Các tổn thất phi kỹ thuật bao gồm:

- Trộm điện ở khách hàng có đặt điện năng kế

- Ăn cắp điện: khách hàng không có điện kế, câu điện bất hợp pháp

- Điện kế hoạt động sai

Các tổn thất này có tác động trực tiếp đến vấn đề tài chính và năng lực quản lý của các Công ty Điện lực Các công ty Điện lực có thể bị phạt nếu tổn thất CSTD cao hơn so với tiêu chuẩn đặt ra Bên cạnh đó, tổn thất CSTD cao sẽ làm giảm hiệu quả của việc truyền tải công suất đến các nơi tiêu thụ Áp lực từ việc nâng cao hiệu suất truyền tải công suất đã buộc các Công ty Điện lực phải cắt giảm tổn thất ở các LĐPP Có nhiều giải pháp để cắt giảm tổn thất nêu trên chẳng hạn như: tái cấu trúc LĐPP, kết nối tụ bù, kết nối DG, v.v Sử dụng DG cho LĐPP là một trong những giải pháp được ưa chuộng nhất hiện nay để giảm thiểu tổn thất DG thì cung ứng một phần nhu cầu CSTD, do đó làm giảm dòng công suất trên đường dây Sự tích hợp DG vào LĐPP sẽ giúp cắt giảm tổn thất năng lượng, tổn thất công suất, cải thiện chất lượng điện áp, nâng cao ổn định và hệ số công suất của hệ thống

2.2 Khái niệm chung về nguồn phân tán

2.2.1 Định nghĩa

Nguồn phân tán - DG được biết đến như là nguồn phát có công suất nhỏ (lkw -

50MW), được kết nối trực tiếp vào LĐPP hoặc đặt gần phía hộ tiêu thụ DG có thể là nguồn năng lượng tái tạo hoặc nguồn năng lượng không tái tạo DG bao gồm pin mặt trời,

Luận văn thạc sĩ -5- Chương 2

tuabin gió, tuabin siêu nhỏ, pin nhiên liệu, máy phát diesel, v.v

2.2.2 Các loại nguồn phân tán

Các công nghệ DG khác nhau thì có liên quan đến hệ thống điện Một số công nghệ đã được sử dụng trước đây trong khi số khác mới được biết đến Tuy nhiền, tất cả các công nghệ DG đều có điểm chung là giúp tăng hiệu suất và giảm các chi phí liên quan đến việc lắp đặt, vận hành và bảo trì Công nghệ DG có thể được phân thành hai loại: công nghệ tái tạo (ví dụ, quang điện và tuabin gió) và công nghệ không tái tạo (ví dụ, các tuabin nhỏ và siêu nhỏ, tuabin khí và pin nhiên liệu) Công nghệ DG có tác động đáng kể đến việc lựa chọn dung lượng và vị trí tối ưu của DG để nối vào lưới điện Chi tiết về các công nghệ phổ biến nhất của DG trên thị trường hiện nay được giới thiệu như sau:

> Pin nhiên liệu - FC (Fuel Cells)

Pin nhiên liệu (FC) được biết đến như nguồn phát phi truyền thống Chúng là các thiết

bị điện hóa, chuyển đổi trực tiếp hóa năng từ nhiên liệu thành điện năng bằng cách kết hợp khí oxy (như là một chất oxy hóa) và hydro (làm nhiên liệu) mà không cần đốt [2] Hydro thường thu được từ một loại nhiên liệu hóa thạch “khí thiên nhiên”, trong khi không khí được sử dụng như một nguồn oxy Kết quả của quá trình điện hóa này là tạo thành nguồn điện một chiều (DC) với dòng điện lớn/điện áp thấp Hiện nay, để kết nối FC vào lưới điện, một bộ chuyển đổi DC/AC và bộ lọc được sử dụng để chuyển đổi đầu ra thành nguồn điện xoay chiều (AC) Nước và nhiệt là sản phẩm phụ của quá trình Lượng nhiệt này thường vượt quá lOOOo F , biến nước thành hơi nước, có thể được sử dụng cho các công việc khác [3] Không kể đến các hệ thống phụ trự thì FCs không có bộ phận chuyển động

và không có buồng đốt [3] FCs được chia thành năm loại tùy thuộc vào phản ứng hóa học: alkaline (AFC), molten carbonate (MCFC), phosphoric acid (PAFC), proton exchange membrane (PEMFC) và solid oxide (SOFC)

Bảng 2 1 Đặc tinh của các loại pin nhiên liệu [3]

Chất điện

phân

Polymer membrane

KOH & H20 Phops Acid

H3PO4 Lithium carb

LiKaCO3

Zirconia Stabilized

Nhiệt độ

Luận văn thạc sĩ -6- Chương 2

Cathode phản ứng nhanh hơn trong chất điện phân kiềm, hiệu suất cao

Hiệu suất lên đến 85% khi cùng phát điện

Hiệu suất cao hơn, nhiên liệu

đa dạng, chất xúc tác rẻ tiền

Hiệu suất cao hơn, nhiên liệu

đa dạng, chất xúc tác rẻ tiền, lợi thế chất điện phân rắn như PEXI

> Tuabin siêu nhỏ - MT (Micro-turbines)

Micro-turbines (MT) là các máy phát điện loại nhỏ Nguyên lý hoạt động, đầu tiên là quá trình đốt cháy nhiên liệu như khí thiên nhiên, propane và dầu để quay tuabin với tốc độ cao, sau đó được truyền đến một máy phát thông qua một trục chính MT bao gồm ba thành phần

cơ bản: máy nén khí, tuabin máy phát, và thiết bị thu hồi nhiệt Ở các thị trường điện hiện nay, MT là các thiết bị cải tiến và hấp dẫn nhất trong các loại thiết bị DG [4] Công suất của chúng dao động từ 20 kw đến 500 kw và hiệu suất của chúng có thể lên đến 80% khi tổ hợp nhiệt-điện (CHP) được sử dụng trong hệ thống điện Ngoài ra, lượng khí thải NOx của MT rất thấp so với các tuabin cỡ lớn

> Quang điện - PV (Photovoltaic)

Công nghệ quang điện chuyển đổi trực tiếp năng lượng mặt trời thành năng lượng điện

sử dụng các tế bào quang điện bán dẫn Các tế bào quang điện này được sản xuất với kích thước nhỏ thường khoảng một centimet vuông Khi các tế bào quang điện được tiếp xúc trực tiếp với ánh sáng mặt trời, mỗi tế bào quang điện tạo ra ít hơn một watt công suất điện DC, với điện áp thấp nhất khoảng 0.5 V

Thông thường, một mô-đun có thể được hình thành bằng cách kết nối 12 tế bào quang điện nối tiếp nhau để cung cấp 12 V Cũng theo cách này, một nhóm các mô- đun có thể được kết nối song song với nhau để đạt đến công suất yêu cầu [3] Hệ thống PV được chia thành ba kích cỡ dựa trên công suất mà chúng sinh ra (cỡ nhỏ thì dưới 10 kW; cỡ vừa thì từ

Luận văn thạc sĩ -7- Chương 2

10 kw đến 100 kW; và cỡ lớn thì trên 100 kW) Cỡ lớn thì phù hợp với cấp độ LĐPP Mặc

dù giá đầu tư ban đầu của hệ thống PV cao (6.000 - 10.000 $/kW), đổi lại hệ thống này không cần nhiên liệu để vận hành, chúng rất sạch và vận hành êm [3]

> Điện gió (Wind Turbines)

Điện gió là nguồn năng lượng tái tạo phổ biến nhất trên thế giới Một số lượng lớn các

hệ thống tuabin gió đã được lắp đặt và kết nối với lưới điện, với công suất khoảng 432.883

MW (năm 2015), và nhiều hệ thống mới đang được lên kế hoạch [5] Các nhà sản xuất cung cấp các tuabin gió với công suất từ dưới 5 kw cho đến trên 1.000 kw [6] Tuabin gió thường được tích hợp với cấp điện áp truyền tải và được kết hợp để hình thành một trang trại điện gió Tuy nhiên, các tuabin gió đôi khi được coi như DG, bởi vì dung lượng và vị trí của một

số trang trại điện gió nhỏ thì thích hợp cho kết nối với cấp điện áp phân phối

Các tuabin gió bao gồm rotor, các cánh tuabin, máy phát điện, thiết bị ghép đôi, trục và

vỏ bọc động cơ Năng lượng của gió làm quay các cánh quạt và trục chung, sản sinh ra điện năng Cũng giống như hệ thống PV, tuabin gió không cần nhiên liệu, không có khí thải, và sản sinh công suất DC, cần bộ biến đổi để kết nối với lưới điện Hơn nữa, các tuabin gió nhỏ có thể được kết hợp với hệ thống PV và ắc quy để cung cấp cho tải từ 25 đến 100 kw [2] Nhược điểm chính của tuabin gió là chi phí đầu tư ban đầu cao và không thể dự đoán sản lượng điện sản xuất

2.2.3 Các lợi ích của nguồn phân tán

Những lợi ích mà DG mang lại khi tham gia vào LĐPP bao gồm lợi ích kỹ thuật và lợi ích kinh tế

Các lợi ích kỹ thuật:

- Giảm tổn hao đường dây

- Cải thiện điện áp

- Giảm sự ô nhiễm môi trường

- Tăng hiệu suất điện năng

- Tăng cường độ tin cậy và sự an toàn

- Cải thiện chất lượng điện năng

- Đảm bảo tính cung cấp điện liên tục

Các lợi ích kinh tế:

- Trì hoãn sự đầu tư trong việc nâng cấp các thiết bị

Luận văn thạc sĩ -8- Chương 2

- Giảm chi phí vận hành

- Tăng cường hoạt động sản xuất

- Giảm chi phí nhiên liệu

- Tăng độ an toàn cho những tải quan trọng trong LĐPP

2.2.4 Tác động của DG đối với lưới điện phân phối và tổn thất hệ thống

Theo truyền thống, vai trò của LĐPP được xác định chủ yếu trong việc liên kết giữa hệ thống nguồn điện và truyền tải ở một phía và các trung tâm phụ tải ở phía còn lại Cho nên, những mạng lưới như vậy được biết đến như mạng lưới thụ động Tuy nhiên, sự tích hợp của DG vào LĐPP trong những năm gần đây đã làm chuyển đổi chúng từ mạng lưới thụ động sang mạng lưới tích cực [7] Hơn nữa, sự vận hành an toàn và hiệu quả của LĐPP với DG cũng có thể hỗ trợ cải tạo LĐPP trong tương lai

Đối với tác động của DG đến tổn thất hệ thống, thì phụ thuộc vào phân bố công suất của

hệ thống Do sự hiện diện của DG thì chắc chắn tác động đến phân bố công suất của LĐPP

mà nó kết nối nên tổn thất của mạng lưới như vậy cũng sẽ bị ảnh hưởng đến Những nghiên cứu gần đây đã chỉ ra rằng DG có thể hoặc giúp cắt giảm tổn thất hệ thống hoặc gây ra sự gia tăng tổn thất Điều này phụ thuộc vào các yếu tố bao gồm dung lượng và vị trí của DG, khoảng cách tương đối giữa nguồn phát và tổng tải được kết nối đến nguồn phát và cấu trúc của mạng lưới xem xét, dù mạng lưới là hình tia hay liên kết [8]

2.3 Phân bố công suất lưới điện phân phối

2.3.1 Giới thiệu

Trong hệ thống điện, công suất được quan tâm hơn là dòng điện Vì vậy, các phương trình về công suất, được biết đến như các phương trình phân bố công suất, trở thành phương trình phi tuyến và phải được giải bằng phương pháp lặp Các nghiên cứu về phân bố công suất thì đóng vai trò then chốt trong thiết kế và phân tích hệ thống điện Chúng thì cần thiết cho quy hoạch, vận hành, điều độ kinh tế, v.v Hơn nữa, phân tích phân bố công suất được yêu cầu bởi nhiều phân tích khác như ổn định quá độ và các nghiên cứu về sự cố [8]

Có ba phương pháp lặp được sử dụng phổ biến, cụ thể là các phương pháp raphson (NR), gauss-seidel (GS) và fast decouple (FD) để giải các phương trình đại số phi tuyến Các phương pháp này được sử dụng để giải quyết các bài toán phân bố công suất GS

newton-là phương pháp được áp dụng đầu tiên để giải bài toán phân bố công suất cho hệ thống điện tương đối lớn Nhược điểm chính của phương pháp này là đặc tính hội tụ của nó tương đối

Luận văn thạc sĩ -9- Chương 2

yếu Sau đó, phương pháp NR được phát triển để cải thiện sự hội tụ của phương pháp GS, nhưng ban đầu được cho là không khả thi với các hệ thống điện thực tế bởi bài toán phải xem xét với hệ thống điện lớn Thách thức đặt ra cho phương pháp lặp NR là tìm lời giải cho ma trận với kích thước lớn

Đối với luận văn này, phương pháp NR được sử dụng Phương pháp này được sử dụng rộng rãi nhất để giải đồng thời phương trình đại số phi tuyến NR là phương pháp xấp xỉ liên tục sử dụng chuỗi Taylor Nghiên cứu bắt đầu bằng việc tìm lời giải cho bài toán chỉ với hai phương trình và hai biến

2.3.2 Giải phân bố công suất lưới điện phân phối bằng phương pháp Newton-

Raphson

Mục tiêu của nghiên cứu là nhằm cực tiểu hóa tổn thất công suất và cải thiện chất lượng điện áp trong hệ thống điện Để tính toán tổn thất công suất và biên độ điện áp tại mỗi nút, phương pháp NR được sử dụng để giải quyết vấn đề này trong luận văn Phương pháp NR

được dùng để tìm biên độ điện áp IV] và góc điện áp ổ với công suất tác dụng (CSTD) và

công suất phản kháng (CSPK) bơm vào mạng đã biết Tiến trình NR như sau:

Bước 1 Đặt flat start (khởi động phang)

- Đối với nút tải, đặt điện áp bằng với điện áp nút cân bằng hay 1.0z0°

- Đối với nút máy phát, góc điện áp được đặt bằng 0

Bước 2 Tính toán công suất sai lệch (power mismatch)

- Đối với nút tải, tính toán p, Q bơm vào sử dụng điện áp của hệ thống đã biết và đã đánh giá

- Đối với nút máy phát, tính toán công suất p bơm vào

- Tính toán các sai lệch công suất, AP và AQ

Bước 3 Thành lập ma trận Jacobi

Sử dụng các phương trình khác nhau cho các đạo hàm riêng phần theo biên độ và góc điện áp

Bước 4 Tìm lời giải ma trận (chọn a hay b sau đây)

a) Nghịch đảo ma ưận Jacobi và nhân với độ lệch công suất

b) Thực hiện khử Gauss trên ma trận Jacobi với vector b bằng với công suất sai lệch

Tính toán ÙS và AV.

Luận văn thạc sĩ -10- Chương 2

Dạng tổng quát của phương trình để tìm lời giải:

Luận văn thạc sĩ -11- Chương 2

0 M

Ị 9Qn aiVnl

Luận văn thạc sĩ -12- Chương 2

= -lv<l|ỵ;||ỉó|sín(eƯ -s t + s t y, I *;• (2.24) CSTD theo biên độ điện áp:

Hĩnh 1.1 Sơ đồ đơn tuyến của mộtLĐPP haỉ nút

Các nút ứng viên cho vị trí kết nối DG được xác định bằng hệ số độ nhạy (LSF) [9]

Ưu điểm của việc sử dụng phưomg pháp này là dẫn đến cắt giảm không gian tìm kiếm của tiến trình tối ưu hóa Xem xét một mô hình đường dây phân phối đom giản với tổng

trở R + jX và một tải Pẹff + jQ e ff được kết nối giữa nút ‘p’ và ‘q’ như hình

Luận văn thạc sĩ -13- Chương 2

cơ sở (norm[ij = V[i]/0.95) Đối với các nút mà giá trị norm[i] của nó thấp hơn 1.01 thì được xem xét như các nút ứng viên cho vị trí của nhiều DG Các nút ứng viên này được lưu lại trong vector rank bus Có thể thấy rằng hệ số độ nhạy quyết định thứ tự các nút được xem xét cho vị trí DG và giá tri norm[i] quyết định có cần thiết phải kết nối DG hay không Nếu điện áp tại một nút nào đó trong danh sách đạt yêu cầu (tức là, norm[i]

> 1.01) thì nút đó không cần kết nối DG và nút đó sẽ không được bao gồm trong vector rank bus Vector rank bus cung cấp thông tin về các nút ứng viên cho vị trí DG Còn dung lượng của DG tại các nút được bao gồm trong vector rank bus được xác định bằng cách sử dụng thuật toán CSFS

2.5 Các thuật toán đã sử dụng để giải bài toán OPDG

theo thứ tự giảm dần Các

Luận văn thạc sĩ -14- Chương 2

2.5.1 Thuật toánMTLBO (Modified Teaching-Learning Based Optimization)

MTLBO [10] là một thuật toán mới, được phát triển dựa hên thuật toán TLBO để cải thiện hiệu suất cho việc tìm kiếm toàn cục Thuật toán TLBO ban đầu được chia làm hai giai đoạn: giai đoạn người dạy (Teacher phase) và giai đoạn người học (Learner phase) Tuy nhiên, trong thuật toán MTLBO, có sự thay đổi ở cơ chế vận hành bời việc sử dụng thêm cơ chế đột biến tương tự như trong thuật toán DE Vì vậy, tiến trình tối ưu được

mô phỏng với thêm một giai đoạn đột biến (Mutuation phase)

Thuật toán này đã được áp dụng để tìm vị trí và dung lượng tối ưu của một số DG cho trước trên một LĐPP cụ thể Hàm mục tiêu là cực tiểu tổng tổn thất công suất trên LĐPP Các kết quả mô phỏng cho thấy tính hiệu quả của thuật toán này Những lời giải đạt được cho thấy kết quả tương đương hoặc tốt hơn so với một số thuật toán sẵn có trong các nghiên cứu trước

p, Q: Lần lượt là CSTD và CSPK bơm vào mỗi nút

ri7 : Phần thực của phần tử tại hàng ỉ và cột j của ma trận z bus

> Hàm ràng buộc:

Mô hình tính toán đã đề xuất, không đưa vào các ràng buộc vận hành như giới hạn dòng điện nhánh và điện áp nút Vì vậy, các lời giải tìm được có thể vi phạm các ràng buộc như vậy Tuy nhiên, sự cải thiện tổn thất trên LĐPP hình tia dẫn đến cải thiện chất lượng điện áp và do đó làm giảm dòng điện trên các nhánh Bên cạnh

Luận văn thạc sĩ -15- Chương 2

đó, tính khả thi của các lời giải tìm thấy cũng được kiểm tra, nhưng chỉ một lần ở cuối của thuật toán khi thực hiện phân bố công suất để tính tổn thất chính xác

Các bước của thuật toán MTLBO:

Bước 1 Khởi tạo các thông số tối ưu như sau: kích thước quần thế ịpop_size)

hoặc số người học (learners) p n , số các thế hệ G n , Số biến điều khiển hoặc môn học

đề nghị N u , và các giới hạn của các biến điều khiển (giới hạn trên U LÍ và giới hạn dưới L LÍ với i =1,2,, Nu)

Bước 2 Khởi tạo quần thể ban đầu Một quần thể được khởi tạo ngẫu nhiên theo

p n và N u Quần thể này được biểu diễn như một ma trận với kích thước (P n X N u ),

chứa thông số đầu ra lớp học cho mỗi môn học cụ thể, hoặc cho bài toán này, các nút

mà DG được kết nối, vì vậy chúng phải là các số nguyên dương Mỗi hàng đại diện cho một cá thể của quần thể, và mỗi cột tương ứng nút nơi mà DG được kết nối, cho nên số hàng bằng với kích thước của quần thể, trong khi số cột bằng với số lượng

DG Ở bất kỳ trường hợp nào, ở bước này phải đảm bảo giá trị của biến điều khiển nằm trong khu vực khả thi, không vượt quá giá trị giới hạn, và giá trị này không được lặp lại cho một cá thể đã xác định Ngoài ra, để giảm không gian tìm kiếm, các hàng đại diện cho các cá thể được sắp xếp theo thứ tự từ giá trị nhỏ nhất đến lớn nhất Cuối cùng, giá trị tương ứng của hàm mục tiêu được tính toán cho mỗi cá thể Đối với mỗi

cá thể, đầu tiên dung lượng tối ưu được tính toán và sau đó hàm mục tiêu được đánh giá

Luận văn thạc sĩ -16- Chương 2

Bước 3 Giai đoạn người dạy (Teacher phase)

Trong bước này, quần thể được thay đổi theo (2.38) để quyết định các vị trí tiếp theo bằng cách sử dụng các biến liên tục Sau đó, tất cả các cá thể được rời rạc hóa bằng cách làm tròn đến số nguyên gần nhất, để giải quyết bài toán tối ưu hóa này trong không gian tìm kiếm rời rạc Bây giờ, như trong các bước trước đó, nó phải được đảm bảo rằng quần thể trong khu vực khả thi Tương tự như vậy, không gian tìm kiếm được cắt giảm bằng cách sắp xếp hàng của các cá thể từ giá trị thấp nhất đến lớn nhất, và giá trị tương ứng của hàm mục tiêu được tính toán Cuối cùng, mỗi cá thể mới được chấp nhận nếu nó mang lại hàm mục tiêu tốt hơn cá thể cũ

M D : Một vector có kích thước (1 X D), chứa giá trị trung bình của thông số đầu

ra lớp học đối với mỗi môn học cụ thể

Bước 4 Giai đoạn người học (Learner or Student phase)

Sự thay đổi việc học được diễn đạt theo (2.39) Như ở bước 3, bây giờ quần thể đượcc rời rạc hóa thành những số nguyên Sau đó, nó phải được đảm bảo rằng tất cả các cá thể thuộc khu vực có tính khả thi, các hàng của nó được sắp xếp, và giá trị tương ứng của hàm mục tiêu được đánh giá Và cuối cùng, các cá thể tạo ra trong giai đoạn này chỉ được chấp nhận nếu chúng mang lại một giá trị hàm mục tiêu tốt hơn

Trong đó:

i: Thay đổi từ 1 đến tổng số cá thể

Luận văn thạc sĩ -17- Chương 2

Bước 5 Giai đoạn đột biến (Mutation phase) Quần thể được thay đổi một lần nữa

trong bước này bằng cách sử dụng phương trình (2.40) và (2.41) Giai đoạn này giống hệt với trước đó Mỗi cá thể mới cũng chỉ được chấp nhận nếu nó mang lại một giá trị hàm mục tiêu tốt hơn cá thể ban đầu

Trong đó:

người học thứ i, Xị, để mà randl #rand2 #rand3 #i

r: Hệ số đột biến, là số ngẫu nhiên trong phạm vi [0,1]

71 ràr2 : Hai số ngẫu nhiên [0,1]

/ Cá thể thứ /của quần thể

Bước 6 Tiêu chuẩn dừng Tiến trình dừng nếu tính toán hết các thế hệ, nếu không,

tiến trình phải được lặp lại từ bước 3 Hoặc tiến trình dừng nếu lời giải tốt nhất tìm thấy không thay đổi sau một số thế hệ đã định trước

Từ các bước trên có thể thấy rằng không có thao tác nào được thực hiện để xử lý các ràng buộc trong bài toán Điều đó là không cần thiết vì các lời giải ứng viên luôn luôn được đảm bảo nằm trong khu vực khả thi Neu bất kỳ biến số nào vượt quá giá trị giới hạn, thì biến đó sẽ lấy bằng với giá trị giới hạn bị vượt qua

2.5.2 Thuật toán ACO (Ant Colony Optimization)

Một trong những thuật toán tiến hóa dựa trên trí thông minh nhân tạo được giới thiệu gần đây để giải quyết bài toán ODGP là thuật toán ACO [11] Thuật toán này được đề

Luận văn thạc sĩ -18- Chương 2

xuất bởi Marco Dorigo năm 1992 Ý tưởng chính làm cơ sở của thuật toán là lấy cảm hứng từ hành vi của đàn kiến trong tự nhiên, đó là quá trình tìm kiếm các lời giải song song dựa vào các dữ liệu cục bộ và dựa vào cấu trúc động chứa các thông tin thu được qua các bước giải trước

Thuật toán ACO được sử dụng như một công cụ tối ưu để giải quyết một mô hình dựa trên chi phí để tìm dung lượng và vị trí tối ưu của DG trên LĐPP Hàm mục tiêu được xem xét như cực tiểu hóa chi phí đầu tư DG và tổng chi phí vận hành của hệ thống Các ràng buộc theo sau là giới hạn công suất tải của đường dây, giới hạn điện áp nút và giới hạn tổng dung lượng của DG Thuật toán đề xuất đã được đánh giá trên một LĐPP điển hình Áp dụng thuật toán ACO cho bài toán ODGP được trình bày như sau:

> Hàm mục tiêu

MinZ

Với

z =

yncd I y n yr yncd ynỉd Pi/i/yr .V T ■ y n x r ynss ynỉd pM/y p

Li=l ^DGi^IDG + Ly=lLi=l Ll=l^ w ^i.l^EDGH + Ly=i Li=l Ll=l r w ^ssj,l^ssl l l (2.42)

1+lntR

Trong đó:

Z\ Giá trị của hàm mục tiêu ($)

ncđ Số vị trí tiềm năng để kết nối DG lên hệ thống

nlđ Số mức tải trong năm

nss- Số trạm biến áp trung gian trong hệ thống

nyr Chu kỳ quy hoạch (năm)

Luận văn thạc sĩ -19- Chương 2

0>Gi: Dung lượng của DG được kết nối tại nút 7(MVA)

K EDG : Chi phí vận hành của DG bao gồm chi phí bảo dưỡng ($/MWh)

P ssjil : Công suất được điều độ từ trạm ý ở mức tải 7bao gồm tổn thất của

v min — v i,l — v max

Trong đó, Vụ là độ lớn điện áp tại nút thứ V, v m ị n và v max lần lượt là điện áp vận hành

nhỏ nhất và lớn nhất cho phép

Giới hạn tổng dung lượng của DG: Ràng buộc này giới hạn tổng dung lượng của DG

được lắp đặt trên lưới điện phân phối

(2.46)

Trong đó, C DGÌ là tổng dung lượng được phép kết nối lên lưới phân phối của

DG

Các bước của thuật toán ACO

Bước 1: Đầu tiên, chúng ta tìm kiếm một cấu trúc đại diện, phù hợp với các cá

thể kiến để tìm kiếm lời giải của bài toán Tất cả các giá trị công suất ứng viên có

thể ở vị trí n được đại diện bởi các trạng thái trong không gian tìm kiếm tưomg ứng

với n chặng đường, số chặng đường của mỗi mức tải thì bằng với số nút ứng viên

cho vị trí kết nối DG Vì vậy, tổng số chặng đường bằng (nỉs X ncd)

(2.45)

Luận văn thạc sĩ -20- Chương 2

Bước 2: Khởi đầu của thuật toán ACO, giá trị pheromone của các biên trong

không gian tìm kiến được khởi tạo bằng một giá trị không đổi ĩb > 0 Sự khởi tạo này dẫn đến các cá thể kiến chọn đường đi một cách ngẫu nhiên cho nó và vì thế, việc tìm kiếm không gian lời giải càng hiệu quả

Bước 3: Ở bước này, các cá thể kiến được điều động và các lời giải được xây

dựng dựa trên lượng pheromone trên các biên Mỗi cá thể kiến sẽ bắt đầu hành trình

từ tổ của nó và chọn một trạng thái ở giai đoạn tiếp theo để di chuyển theo xác suất như sau:

Bước 4: (Fitness function) Trong bước này, fitness của các hành trình tạo ra bởi

các cá thể kiến được đánh giá dựa trên hàm fitness Hàm fitness của bài toán được định nghĩa như là nghịch đảo của tổng chi phí cộng với hệ số phạt đối với các lời giải không khả thi Để tăng tốc độ hội tụ của giải thuật và cùng lúc đó, để sử dụng những

cá thể vẫn còn hữu ích ở các hành trình bị từ chối, hệ số phạt này được tăng tuyến tính từ 0 tới một giá trị rất lớn

Bước 5: (Pheromone update) Mục đích của quy tắc cập nhật giá trị pheromone

là tăng giá trị pheromone vào các thành phần lời giải đã được tìm thấy trong các lời giải fitness cao Ngoài ra, từ một quan điểm thực tế, sự bốc hơi pheromone là cần thiết để tránh sự hội tụ quá nhanh của thuật toán dẫn đến tiến tới một vùng tối ưu không mong muốn Bằng cách thực hiện một hình thức

gọi là “lãng quên”, hình thức này ủng hộ sự khám phá các khu vực mới trong không gian tìm kiếm, do đó, vấn đề trên được giải quyết Quy tắc cập nhật

Tij(t + 1)

Luận văn thạc sĩ -21- Chương 2

Trong đó:O < p < llà tỷ lệ pheromone bốc hoi Í2 B (t)là hành trình tốt nhất tìm thấy cho đến khi kết thúc vòng lặp t, được lưu trữ trong một danh sách biến cụ thể và được thay thế mỗi khi có cá thể kiến nào đó tìm thấy một hành trình với giá trị hàm chất lượng tốt hơn F(nB(t)) là giá trị hàm chất lượng tương ứng nB(t) Q là một biến heuristic, biến

này điều khiển lượng pheromone thêm vào hành trình tốt nhất Tmin(t) là biên dưới của chất pheromone, đem lại xác suất thấp cho một cá thể kiến để lựa chọn một biên nào đó Biên dưới là một hàm của số lần lặp:

v l ĩĩiax'

Trong đó, Tmín là biên dưới ban đầu của pheromone

Bước 6: (Convergence determination)

Bước 3-5 tiếp tục đến khi số vòng lặp đạt được số vòng lặp tối đa đã định trước Hành trình tốt nhất được chọn trong số tất cả vòng lặp tương ứng lời giải ODGP

2.5.3 Thuật toán ABC (Artificial Bee Colony)

Thuật toán ABC [12] là một thuật toán tối ưu mới về phỏng đoán nghiệm được giới thiệu bởi Karaboga vào năm 2005 Thuật toán này được lấy cảm hứng từ hành vi tìm kiếm thức ăn của bầy ong mật Đầu tiên, thuật toán được ứng dụng giải bài toán tối ưu hóa không có điều kiện ràng buộc, sau đó một phiên bản mở rộng của thuật toán ABC

đã được đề nghị áp dụng giải bài toán tối ưu hóa có điều kiện ràng buộc Từ kết quả của các nghiên cứu trước có thể thấy rằng thuật toán ABC thì hiệu quả, bền vững và có khả năng xử lý các bài toán tối ưu hóa phi tuyến phức tạp

Thuật toán này được đề xuất để giải quyết bài toán tìm vị trí, dung lượng và hệ số công suất tối ưu của các đơn vị DG Hàm mục tiêu là cực tiểu tổng tổn thất CSTD với các ràng buộc cân bằng và không cân bằng Hiệu suất của thuật toán ABC đã được so sánh với các thuật toán tối ưu dựa trên bầy đàn nổi tiếng khác, kết quả và chất lượng các lời giải của thuật toán này tốt hơn hoặc trùng khớp so với các kết quả thu được từ việc

Luận văn thạc sĩ -22- Chương 2

> Hàm ràng buộc không cân bằng:

Giới hạn điện áp của hệ thống (±5% giá trị điện áp định mức)

Giới hạn nhiệt của đường dây

Dung lượng và hệ số công suất của DG

7?i+1.'Điện trở của đường dây giữa nút ivà i +1 x i+ r -Điện kháng của đường dây

giữa nút ivà i +1 APi+1Lượng CSTD bơm vào nút i +1

RPị +1 Lượng CSPK bơm vào nút ỉ +1

Ịip Nhân tử CSTD (0 hoặc 1)

ịiq Nhân tử CSPK (0 hoặc 1)

prsys Điện áp hệ thống tại nút ỉ

v g spec Qiá trị điện áp ch0 phép

Luận văn thạc sĩ -23- Chương 2

^1+1 Dòng chảy công suất biểu kiến từ nút / đến nút ỉ +1

Sị+li Dòng chảy công suất biểu kiến từ nút /+1 đến nút i

^ĩỉ+i đ

Dòng chảy công suất biểu kiến danh định từ nút iđến nút i +1

p fmỉn> P- fmax Hệ số công suất nhỏ nhất, lớn nhất của DG

Các bước của giải thuật ABC áp dụng cho bài toán ODGP:

Bước 1: Khởi tạo vị trí nguồn thức ăn Xị, trong đó i = 1, 2,ẼỊj'

Bước 2: Tính toán lượng mật của quần thể bằng cách tính giá trị fitness của quần

thể

Trong đó Obj.Fun.j đại diện tương ứng của (2.66) ở lời giải ỉ

Bước 3 Tạo lời giải lân cận cho các ong employed và đánh giá như ở bước 2

Bước 4 Áp dụng tiến trình chọn lọc

Bước 5 Neu tất cả ong onlooker bị phân tán, đi đến bước 9 Neu không bị, đi đến

bước tiếp theo

Bước 6 Tính các giá trị xác suất Pi cho các lời giải Xi

fitnessi

Luận văn thạc sĩ -24- Chương 2

Bước 7 Tạo các lời giải lân cận cho ong onlooker được chọn, phụ thuộc giá trị

và đánh giá chúng như ở bước 2

Bước 8 Quay lại bước 4

Bước 9 Xác định giải pháp bị ngăn cấm cho các ong scount, nếu nó tồn tại, và

thay thế nó bằng một giải pháp hoàn toàn mới và đánh giá chúng như ở bước 2

Bước 10 Ghi nhớ các giải pháp tốt nhất thu được

Bước 11 Neu cycle = MCN, dừng và in kết quả Nếu không, quay lại bước

3

2.5.4 Thuật toán PSO (Particle Swarm Optimization)

Thuật toán PSO [13] là kỹ thuật tối ưu hóa được phái triển bởi Kennedy và Eberhart vào năm 1995 PSO là một trong những thuật toán được xây dựng dựa trên khái niệm trí tuệ bầy đàn để tìm kiếm lời giải cho các bài toán tối ưu hóa trên một không gian tìm kiếm nào đó Thuật toán PSO đang trở nên phổ biến vì tính đơn giản, khả năng hội tụ nhanh và đạt kết quả tốt

Thuật toán PSO được kết hợp với thuật toán phân bố công suất để tìm đồng thời vị trí và dung lượng tốt nhất của DG trên LĐPP Trong thuật toán đã phát triển, hàm mục tiêu được cực tiểu hóa là tổng tổn thất công suất của hệ thống trong khi đáp ứng các ràng buộc điện áp được áp đặt lên hệ thống LĐPP hình tia 69 nút đã được sử dụng để đánh giá thuật toán đã đề xuất Các kết quả đã kiểm tra cho thấy sự hiệu quả và bền vững của thuật toán đã phát triển Mô hình thuật toán PSO có thể được tóm tắt như sau:

Hàm mục tiêu: Minimize P LOSS

> Hàm ràng buộc cân bằng: là các phương trình phân bố công suất phi tuyến của

Luận văn thạc sĩ -25- Chương 2

lưới phân phối hình tia Chúng có thể được viết dưới dạng vector như sau:

H(x,u) = 0

Trong đó:

x: Vector trạng thái, đại diện cho các biến phụ thuộc

u: Vector điều khiển, đại diện cho các biến độc lập

> Hàm ràng buộc không cân bằng:

- Giới hạn về điện áp nút:

- Giới hạn CSTD phát ra của DG:

Các bước của thuật toán PSO có thể được tóm tắt như sau:

Bước 1 Khởi tạo ngẫu nhiên một quần thể ban đầu với các vector vị trí rời rạc

khả thi

Bước 2 Gán ngẫu nhiên một vector vận tốc thích hợp cho từng cá thể

Bước 3 Ghi nhận giá trị fitness của toàn bộ quần thể

Bước 4 Xác định cá thể tốt nhất trong nhóm

Bước 5 Cập nhật vector vận tốc và vị trí đối với mỗi cá thể

vtk+1 = (ùVị + errand-ị (pbestị — xk) + c 2 rand 2 (gbestị — xk) (2.64) x^+1 = X* +

pbest: Lời giải tốt nhất thu được bởi cá thể

gbest: Lời giải tốt nhất thu được trong toàn bộ quần thể

Bước 6 Rời rạc hóa vector vị trí

Bước 7 Nếu bất kỳ cá thể nào bay ra khỏi không gian lời giải khả thi, khôi phục

lại cá thể để đạt được lời giải khả thi tốt nhất trước đây của nó