Áp dụng các phương pháp dựa trên PSO để giải các bài toán phân bố công suất tối ưu trong hệ thống điện

TÓM TẮT Đề tài này đề xuất các phương pháp tối ưu hóa bầy đàn PSO cải tiến để giải các bài toán tối ưu hóa phân bố công suất trong hệ thống điện.. Bài toán tối ưu phân bố công suất là mộ

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT 4

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ 5

DANH MỤC CÁC BẢNG BIỂU 7

TÓM TẮT 9

ABSTRACT 11

CHƯƠNG 1: TỔNG QUAN 13

I Giải bài toán OPF với kỹ thuật tối ưu cổ điển 14

1 Quy hoạch phi tuyến (NLP) 14

2 Phương pháp Newton 15

3 Quy hoạch toàn toàn phương (QP) 15

4 Quy hoạch tuyến tính (LP) 15

5 Phương pháp điểm nội 15

II Giải bài toán OPF với kỹ thuật tối ưu dựa trên trí tuệ nhân tạo: 15

1 Giải thuật mô phỏng luyện kim (SA) 18

2 Giải thuật Tabu Search (TS) 18

3 Giải thuật di truyền (GA) 19

4 Giải thuật lai giữa TS/SA 19

5 Giải thuật tiến hóa EP 19

6 Giải thuật tiến hóa cải tiến (IEP) 20

7 Giải thuật bầy đàn PSO 20

CHƯƠNG 2: CÁC BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU 22

I Bài toán phân bố công suất tối ưu 22

1 Bài toán phân bố công suất tối ưu tổng quát 22

2 Bài toán phân bố công suất tối ưu 23

3 Bài toán phân bố công suất tối ưu với ràng buộc an ninh 27

II Bài toán phân bố công suất tối ưu có thiết bị FACTS 29

1 Giới thiệu về thiết bị FACTS 29

2 Bài toán phân bố công suất tối ưu có thiết bị FACTS 44

CHƯƠNG 3: CÁC PHƯƠNG PHÁP PSO 54

I Phương pháp PSO cổ điển 54

1 Biểu thức cơ bản của thuật toán PSO 55

2 Giải thuật PSO 56

II Phương pháp SOHPSO - TVAC 58

1 PSO TVIW 58

2 PSO-TVAC 59

3 SOHPSO - TVAC 61

III Phương pháp PSO cải tiến 61

1 Khái niệm về Pseudo-Gradient 61

2 Cải tiến PSO 63

CHƯƠNG 4: ÁP DỤNG PHƯƠNG PHÁP PSO VÀO CÁC BÀI TOÁN OPF 64

I Áp dụng phương pháp SOH PSO giải bài toán OPF và SCOPF 64

II Áp dụng phương pháp PSO cải tiến để giải bài toán OPF có thiết bị FACTS và bài toán MOOPF 66

CHƯƠNG 5: KẾT QUẢ TÍNH TOÁN 70

I Áp dụng phương pháp SOHPSO – TVAC giải bài toán OPF 70

1 Mạng điện IEEE 30 nút 70

2 Mạng điện IEEE 57 nút 77

II Áp dụng phương pháp SOHPSO – TVAC giải bài toán SCOPF 80

1 Mạng điện IEEE 30 nút 81

2 Mạng điện IEEE 118 nút 85

III Áp dụng phương pháp IPSO để giải bài toán OPF có thiết bị FACTS 86

1 Mạng điện IEEE 30 nút 87

2 Mạng điện IEEE 30 nút có FACTS 94

3 Bài toán OPF của mạng điện IEEE30 nút hiệu chỉnh với vị trí lắp đặt thích hợp TCSC 101

IV Áp dụng phương pháp IPSO để giải bài toán MOOPF 111

CHƯƠNG 6: KẾT LUẬN 118

TÀI LIỆU THAM KHẢO 120

PHỤ LỤC 124

PHỤ LỤC A : DỮ LIỆU MẠNG ĐIỆN IEEE 30 NÚT 124 PHỤ LỤC B : DỮ LIỆU MẠNG ĐIỆN IEEE 30 NÚT HIỆU CHỈNH 128 PHỤ LỤC C: DỮ LIỆU MẠNG ĐIỆN IEEE 57 NÚT 129

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

PSO Particle Swarm Optimization OPF Optimal Power Flow

SCOPF Security Constraint Optimal Power Flow

GA Genetic Algorithm ACO Ant Colony Optimization

Weight Factor SOHPSO-TVAC Self Organizing Hierarchical Particle Swarm Optimizer

With Time Varying Acceleration Coefficients MOOPF Multiobjective optimal power flow

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1.1 Tiến trình phát triển của các phương pháp tối ưu hóa 17

Hình 2.1.Đường cong chi phí bậc 2 của nhà máy nhiệt điện 25

Hình 2.2 Đường cong chi phí bậc 2 với thành phần sin 25

Hình 2.3 Đường cong chi phí với các loại nhiên liệu khác nhau 26

Hình 2.4 Mô hình đơn giản của hệ thống điện 30

Hình 2.5 Đặc tuyến truyền tải công suất 31

Hình 2.6 Mô hình của hệ thống đơn giản có bù ngang ở giữa đường dây 32

Hình 2.7 Đặc tuyến truyền tải công suất có bù ngang ở giữa đường dây 32

Hình 2.8 Mô hình đơn giản của hệ thống với bộ bù dọc 33

Hình 2.9 Đặc tuyến truyền tải công suất với bộ bù dọc 33

Hình 2.10 Mô hình đơn giản của hệ thống điện với bộ dịch pha 34

Hình 2.11 Đặc tính truyền tải công suất với bộ dịch pha 35

Hình 2.12 Sơ đồ cấu tạo của SVC 35

Hình 2.13 Nguyên lý điều khiển điện áp của thiết bị FACTS bù ngang 36

Hình 2.14 Mô hình của SVC trong phân bố công suất 36

Hình 2.15 Sơ đồ cấu tạo của TCSC 37

Hình 2.16 Nguyên lý điều khiển dòng công suất của thiết bị FACTS nối tiếp 37

Hình 2.17 Mô hình TCSC trong tính toán phân bố công suất 38

Hình 2.18 Sơ đồ cấu tạo của TCPST 39

Hình 2.19 Mô hình của TCPST trong phân bố công suất 40

Hình 2.20 Tập hợp nhánh xung yếu tìm được từ chương trình max-flow 43

Hình 3.1 Lưu đồ giải thuật của thuật toán PSO nguyên thủy 57

Hình 4.1 Lưu đồ giải thuật của phương pháp SOH PSO để giải bài toán OPF 65

Hình 4.2 Lưu đồ giải thuật của phương pháp IPSO để giải bài toán OPF 68

Hình 5.1 Sơ đồ đơn tuyến mạng điện IEEE 30 nút 70

Hình 5.2 Đồ thị hàm cực tiểu chi phí nhiên liệu máy phát 73

Hình 5.3 Đồ thị hàm cực tiểu chi phí nhiên liệu máy phát 75

Hình 5.4 Sơ đồ mạng điện IEEE 57 nút 77

Hình 5.6 Mô tả sự hội tụ của các phương pháp PSO khác nhau 83Hình 5.7 Lịch sử của 50 lần chạy PSO cho IEEE30 với hàm chi phí bậc 2 87Hình 5.8 Kết quả đặc tuyến hội tụ của hàm chi phí nhiên liệu bậc 2 cho IEEE30 với

chương trình PSO và IPSO 89Hình 5.9 Điện áp tại các nút của hệ thống cho IEEE30 theo lời giải tối ưu với chương

trình PSO và IPSO 89Hình 5.10 Lịch sử của 50 lần chạy chương trình PSO cho IEEE30 với hàm chi phí có

điểm van công suất 90Hình 5.11 Lịch sử của 50 lần chạy chương trình IPSO cho IEEE30 với hàm chi phí có

điểm van công suất 92Hình 5.12 Kết quả đặc tuyến hội tụ của hàm chi phí nhiên liệu có điểm van cho

IEEE30 với chương trình PSO và IPSO 92Hình 5.13 Điện áp tại các nút của hệ thống cho IEEE30 theo lời giải tối ưu với

chương trình PSO và IPSO 93Hình 5.14 Kết quả đặc tuyến hội tụ của hàm mục tiêu của bài toán OPF có TCSC hệ

thống IEEE30 96Hình 5.15 Kết quả đặc tuyến hội tụ của hàm mục tiêu của bài toán OPF có SVC hệ

thống IEEE30 98Hình 5.16 Kết quả đặc tuyến hội tụ của hàm mục tiêu của bài toán OPF có SVC và

TCSC hệ thống IEEE30 100Hình 5.17 Công suất truyền tải qua các nhánh hệ thống IEEE30 ở trạng thái OPF

không xét đến giới hạn công suất truyền tải đường dây 104Hình 5.18 Công suất truyền tải qua các nhánh hệ thống IEEE30 ở trạng thái OPF 105Hình 5.19 Công suất truyền tải qua các nhánh hệ thống IEEE30 ở trạng thái OPF có

TCSC 105Hình 5.20 Đặc tuyến hội tụ bài toán OPF có TCSC hệ thống IEEE30 106Hình 5.21 Tối ưu Pareto cho hàm đa mục tiêu 116

DANH MỤC CÁC BẢNG BIỂU

Bảng 5.1 Kết quả phân bố công suất tối ưu 71Bảng 5.2 Giới hạn các ràng buộc tính toán 72Bảng 5.3 So sánh kết quả phân bố công suất giữa thuật toán SOHPSO-TVAC và các

phương pháp khác 73Bảng 5.4 So sánh kết quả phân bố công suất giữa thuật toán SOHPSO-TVAC và các

thuật toán PSO khác 74Bảng 5.5 Kết quả phân bố công suất tối ưu 75Bảng 5.6 So sánh kết quả phân bố công suất giữa thuật toán SOHPSO-TVAC và các

phương pháp khác 76Bảng 5.7 Kết quả phân bố công suất tối ưu 78Bảng 5.8 Giới hạn công suất và điện áp nút máy phát 79Bảng 5.9 So sánh kết quả phân bố công suất giữa thuật toán SOHPSO-TVAC và các

phương pháp khác 80Bảng 5.10 Các tham số của phương pháp SOHPSO-TVAC 81Bảng 5.11 So sánh chi phí và thời gian tính toán của mạng điện IEEE 30 nút 82Bảng 5.12 So sánh kết quả của các phương pháp PSO khác nhau cho mạng điện

IEEE 30 nút 82Bảng 5.13 Bảng phân tích tổng hợp các sự cố của mạng điện IEEE 30 nút 83Bảng 5.14 Bảng so sánh kết quả của SOHPSO – TVAC với các phương pháp khác

trong mạng điện IEEE 30 nút 84Bảng 5.15.Bảng Phân tích tổng hợp các sự cố của mạng điện IEEE 118 nút 85Bảng 5.16 Bảng so sánh với các phương pháp khác cho mạng điện IEEE 118 nút 86Bảng 5.17 Kết quả trường hợp hàm chi phí nhiên liệu bậc 2 của hệ thống IEEE30 88Bảng 5.18 Kết quả phân bố công suất giữa thuật toán PSO và IPSO và các phương

pháp khác với hàm chi phí nhiên liệu bậc 2 90Bảng 5.19 Kết quả lời giải tối ưu hàm chi phí nhiên liệu có điểm van công suất của hệ

thống IEEE30 nút 91Bảng 5.20 Kết quả phân bố công suất giữa thuật toán PSO, IPSO và các phương pháp

Bảng 5.21 Kết quả giải tối ưu với các hàm mục tiêu chi phí nhiêu liệu khác nhau 94

Bảng 5.22 Kết quả áp dụng IPSO cho OPF với TCSC 95

Bảng 5.23 So sánh các phương pháp của bài toán OPF với TCSC 96

Bảng 5.24 Phương pháp IPSO giải bài toán OPF với SVC 97

Bảng 5.25 So sánh lời giải các phương pháp của bài toán OPF với SVC 98

Bảng 5.26 Phương pháp IPSO giải bài toán OPF với các loại thiết bị FACTS 99

Bảng 5.27 Kết quả của lời giải tối ưu hệ thống IEEE30 của giải thuật IPSO 102

Bảng 5.28 Công suất truyền qua các đường dây hệ thống IEEE30 các trường hợp 102 Bảng 5.29 Các đường dây thích hợp để xem xét lắp đặt TCSC hệ thống IEEE 30 104

Bảng 5.30 Công suất truyền qua các đường dây hệ thống IEEE30 ở trường hợp OPF bỏ qua giới hạn công suất truyền tải đường dây 107

Bảng 5.31 Công suất truyền qua các đường dây IEEE30 bài toán OPF có TCSC 109

Bảng 5.32 Kết quả lời giải OPF với TCSC trường hợp mất điện các đường dây 110

Bảng 5.33 Hệ số chi phí và phát thải của máy phát 112

Bảng 5.34 Giới hạn của dây truyền tải 112

Bảng 5.35 Kết quả cho chi phí với giới hạn điện áp nút khác nhau 113

Bảng 5.36 Kết quả so sánh chi phí với giới hạn điện áp nút 1.05 pu 114

Bảng 5.37 Kết quả so sánh chi phí với giới hạn điện áp nút 1.1 pu 114

Bảng 5.38 Kết quả trường hợp phát thải với điện áp nút giới hạn khác nhau 115

Bảng 5.39 Kết quả so sánh trường hợp phát thải với điện áp nút giới hạn 1.05pu 115

Bảng 5.40 Kết quả so sánh trường hợp phát thải với điện áp nút giới hạn 1.05pu 115

Bảng 5.41 So sánh trường hợp đa mục tiêu với giới hạn điện áp nút 1.05pu 116

TÓM TẮT

Đề tài này đề xuất các phương pháp tối ưu hóa bầy đàn (PSO) cải tiến để giải các bài toán tối ưu hóa phân bố công suất trong hệ thống điện Bài toán tối ưu phân bố công suất là một trong những bài toán tối ưu quan trọng trong hệ thống điện, trong đó cần xác định các biến điều khiển chẳng hạn như công suất thực tại các máy phát, điện

áp tại các nút máy phát, các đầu phân áp máy biến áp và công suất kháng của các tụ

bù bơm vào hệ thống sao cho chi phát phát, khí phát thài là thấp nhất thỏa mãn các ràng buộc như cân bằng công suất nút, các giới hạn công suất máy phát, giới hạn điện

áp nút, giới hạn các đầu đổi nấc máy biến áp, giới hạn công suất các tụ bù ngang và giới hạn công suất trên các đường dây truyền tải Bài toán tối ưu hóa phân bố công suất là bài toán rất quan trọng trong vận hành trong hệ thống điện với các hàm mục tiêu và ràng buộc phi tuyến phức tạp Do đó, việc giải bài toán tối ưu hóa phân bố công suất có ý nghĩa rất quan trọng cho công tác vận hành kinh tế trong hệ thống điện Trong đề nghiên cứu này, ba bài toán tối ưu hóa phân bống công suất được xem xét là tối ưu hóa phân bố công suất với các máy phát nhiệt điện có hàm chi phí không liên tục do ảnh hưởng các điện van công suất, bài toán tối ưu hóa phân bố công suất có xét đển thiết bị FACTS treong hệ thống và bài toán tối ưu hóa phân bố công suất đa mục tiêu Bài toán tối ưu hóa phân bố công suất với các hàm chi phí không liên tục của tổ máy nhiệt có kể đến điểm van công suất là bài toán tối ưu đa cực trị với hàm mục tiêu không khả vi và bài toán này là thử thách cho các phương pháp để giải nó Bài toán tối

ưu hóa công suất có thiết bị FACTS trong trường hợp này là có xem xét đến các thiết

bị SVC và TCSC tích hợp trong lưới điện để nâng cao khả năng tải công suất trong hệ thống điện Việc tìm các vị trí đặt thiết bị FACTS là vấn đề thử thách lớn nhất cho bài toán này Bài toán tối ưu hóa phân bố công suất đa mục tiêu đồng thời cực tiểu hóa cả chi phí và phát thải nhằm bảo đảm chi phí phát điện thấp và giảm phát thải Đối với bài toán đa mục tiêu điều quan trọng là tìm được lời giải tốt nhất thỏa hiệp giữa các mục tiêu

Phương pháp tối ưu hóa bầy đàn là một trong những phương pháp tìm kiếm rất phổ biến trong việc giải các bài toán tối ưu trong các lĩnh vực khác nhau Đặc điểm cơ

trong quần thể được đặc trưng bởi vị trí và tốc độ, trong đó vị trí của các cá thể hàm chứa các biến cần tìm Tuy rất phổ biến nhưng phương pháp cổ điển chưa thực sự hiệu quả, đặc biệt cho các bài toán lớn và phức tạp Do đó, các phương pháp cải luôn được tìm tòi và phát triển nhằm tạo ra các phương pháp hiệu quả hơn Trong đề tài này, các phương pháp cải tiến được áp dụng cho các bài toán tối ưu hóa phân bố công suất bao gồm phương pháp tối ưu hóa bầy đàn tự tổ chức, phương pháp tối ưu hóa bầy đàn có

hệ số giới hạn và phương pháp tối ưu hóa bầy đàn có định hướng bằng gradient giả Phương pháp tối ưu hóa bầy đàn tự tổ chức được cải tiến từ phương pháp tối ưu hóa bầy đàn cổ điển trong đó vấn đề cải tiến được tập trung vào việc cải thiện hệ số nhận thức cá thể và quần thể Phương pháp tối ưu hóa bầy đàn có hệ số giới hạn là dựa trên nền tản của phương pháp cổ điển nhưng có hệ số giới hạn cho tốc độ các cá thể nhằm tăng cường khả năng tìm kiếm Phương pháp tối ưu hóa bầy đàn có định hướng bằng gradient giả là tích hợp gradient giả vào định hướng tốc độ của các cá thể nhằm bảo đảm cho các cá thể di chuyển đúng hướng đến điểm tối ưu Các phương pháp cải này được áp dụng để giải các bài toán tối ưu hóa phần bố công suất và tính toán cho các thế thống chuẩn IEEE Các kết quả thu được cho thấy rằng các phương pháp cải tiến này hiệu quả hơn rất nhiều phương pháp khác cho cùng bài toán Do đó, các phương pháp tối ưu hóa bầy đàn cải tiến này rất hữu hiệu cho các bài toán tối ưu hóa phan bố công suất trong hệ thống điện

ABSTRACT

This project proposes improved particle swarm optimization (PSO) methods for solving optimal power flow (OPF) in power systems The OPF problem is one the important optimization problems in power systems where the control variables such as real power output of generators, voltage at buses, steps of tap changers, and reactive power output of shunt capacitors need to be determined total power generation cost, emission from generators are minimized satisfying such as bus power balance, real power output limits, bus voltage limits, transformer tap changer limits, shunt power capacitor limits, and transmission line limits The OPF is a very important problem in power system operation with nonlinear complex objectives and constraints Therefore, solving the OPF problem has a significant mean in economic operation of power systems In this project, three OPF problems are considered including OPF with nonconvex objective function of thermal generators, OPF with FACTS devices and multiobjective OPF The OPF problem with nonconvex objective function where the valve point loading effects of generators are included is an optimization problem with multiple optima due to nondifferentiable objective function Therefore, this problem is always a challenge for solution methods The OPF problem with FACTS devices in this research includes SVC and TCSC integrated in transmission system to enhance the transmission ability of power systems The search for optimal location of FACTS devices is challenge for this problem The multiobjective OPF is to simultaneously minimize total cost and emission from thermal generators to guarantee a low cost and emission reduction The important thing for this problem is to find the best compromise solution where there is a trade-off between the objectives

PSO is one of the most popular metaheuristic search methods for solving optimization problems in different fields The basic characteristic of this method is inspired from the nature such as school fish or bird swarm searching for food Each particle in the swarm is represented by a position and velocity where the position contains the unknown variables However, the conventional PSO is not efficient for different optimization problems, especially for large-scale and complex problems In

include self-organizing PSO, PSO with constriction factor and pseudo-gradient guided PSO In the self-organizing PSO method, the improvements are based on the modification of the particle and swarm cognitive coefficients The PSO method with constriction factor is based the conventional PSO with added constriction factor to enhance the search ability for the method The pseudo-gradient guided PSO is the integration of pseudo-gradient to guide the particle moving in the right direction to the optimal solution The proposed improved PSO methods have been tested on different OPF problems for IEEE systems The obtained results have been compared to those from many other methods in the literature and the result comparisons have indicated that the proposed improved PSO methods are very efficient for solving the OPF problems Therefore, the proposed improved PSO methods can be the powerful methods for solving the OPF problems in power systems

CHƯƠNG 1: TỔNG QUAN

Trong tình hình thế giới hiện nay đang phải đối mặt với nhiều vấn đề khó khăn của xã hội nào là vấn đề thiếu lương thực, y tế, khủng hoảng năng lượng(đặt biệt là năng lượng điện)… do sự gia tăng dân số quá nhanh, từ đó hệ thống điện cũng liên tục được mở rộng Như chúng ta biết năng lượng điện gần như không thể dự trữ được do

đó bài toán sử dụng năng lượng điện như thế nào tiết kiệm nhất và hiệu quả nhất nhằm đảm bảo cung cấp điện tin cậy cho quá trình sản xuất của xã hội đã trở thành vấn đề nóng bỏng mà các nhà khoa học đã, đang và sẽ tiếp tục nghiên cứu để tìm ra phương pháp tối ưu nhất để giải quyết bài toán này

Do tính chất tiêu thụ điện ở các khu vực trong từng thời điểm là khác nhau cho nên trào lưu công suất trên các đường dây truyền tải liên tục thay đổi theo thời gian chẳng hạn như tại một thời điểm nào đó trong hệ thống điện có những đường dây bị quá tải trong khi các đường dây khác non tải và ngược lại Vì thế việc sử dụng hiệu quả và tối ưu các nguồn cung cấp nhằm thay đổi trào lưu công suất, không làm quá tải

mà vẫn đảm bảo được cung cấp điện tin cậy mà không cần phải cải tạo nâng cấp hệ thống điện là một vấn đề mà các nhà khoa học rất quan tâm

Vì thế bài toán phân bố công suất tối ưu (Optimal Power Flow-OPF) đã được thiết lập nhằm nâng cao khả năng tận dụng hệ thống điện hiện có mà không cần phải nâng cấp cải tạo Bài toán OPF đã có lịch sử phát triển rất lâu, bài toán OPF được Tommel và Tinney [1] xây dựng trên cở sở bài toán điều phối kinh tế (Economic Dispatch-ED) được giới thiệu bởi Carpentier [2] năm 1962

Vấn đề đặt ra của bài toán OPF nói chung là cực tiểu hóa hàm mục tiêu min F(x,u) với các ràng buộc g(x,u)=0 và h(x,u)<0 trong đó g(x,u) là các phương trình phi tuyến và h(x,u) là bất phương trình phi tuyến với các vectơ x và u Vectơ x phụ thuộc vào các biến khác nhau như là biên độ và góc pha của thanh cái, công suất phản kháng phát ra tại thanh cái Vectơ u chứa đựng nhiều biến điều khiển như là công suất tác dụng, điện áp thanh cái, đầu phân áp độ dịch pha máy biến áp, số lượng bù công suất phản kháng…

Một số hàm mục tiêu thông thường tìm thấy trong vấn đề OPF:

o Điều phối về môi trường

o Tối đa công suất truyền tải, cực tiểu hóa tổn hao

o Các ràng buộc bảo đảm an ninh hệ thống điện

o Vận hành kết hợp nhà máy nhiệt điện, thủy điện

Một loạt các kỹ thuật tối ưu hóa đã được áp dụng để giải quyết bài toán OPF

Về cơ bản, nó có thể được phân loại vào các phương pháp tối ưu hóa cổ điển và phương pháp dựa trên trí thông minh nhân tạo Việc thiếu khả năng tìm kiếm tối

ưu toàn cục với thời gian tính toán lớn nên hầu hết các kỹ thuật tối ưu hóa áp dụng để giải quyết bài toán OPF trong quá khứ là phương pháp tiếp cận tối ưu hóa cổ điển

Tuy nhiên, do tiến bộ của công nghệ máy tính hiện nay, nhiều phương pháp trí tuệ nhân tạo (AI) đã được đề xuất để giải quyết bài toán OPF Tổng quan tập trung vào hai loại phương pháp tiếp cận tối ưu hóa như sau :

I Giải bài toán OPF với kỹ thuật tối ưu cổ điển

Các kỹ thuật tối ưu hóa cổ điển được áp dụng để giải quyết vấn đề OPF thành các loại như hình dưới đây:

o Quy hoạch phi tuyến (NLP),

o Phương pháp Newton,

o Quy hoạch toàn phương (QP),

o Quy hoạch tuyến tính (LP),

o Phương pháp điểm nội

Đối với mỗi thể loại, đề cập đến một lý thuyết tóm tắt và được hiển thị trong số liệu thống kê ứng dụng của nó để giải bài toán OPF như sau:

1 Quy hoạch phi tuyến (NLP)

Quy hoạch phi tuyến [3] giải quyết các vấn đề liên quan đến hàm mục tiêu phi tuyến và các ràng buộc Các ràng buộc có thể bao gồm biểu thức đẳng thức và/hoặc các biểu thức bất đẳng thức Một vài phương pháp chẳng hạn như trình tự cực tiểu hóa xử lý không ràng buộc với hệ số nhân tử Lagrange được sử dụng để giải quyết các vấn đề OPF Một cuộc khảo sát của hầu hết các ứng dụng thường gặp cho thấy rằng khoảng 8% vấn đề OPF được áp dụng để tính toán cho cả hai thời gian thực trực tuyến và vận hành off-line

2 Phương pháp Newton:

Trong phương pháp Newton [4], các điều kiện cần thiết tối ưu thường được gọi là các điều kiện cân bằng Kuhn-Tucker thu được Nói chung, đây là những phương trình phi tuyến đòi hỏi có phương pháp lặp Phương pháp Newton thích hợp với các đặc tính hội tụ bậc hai của nó

3 Quy hoạch toàn toàn phương (QP):

Quy hoạch toàn phương [5] là một hình thức đặc biệt của chương trình phi tuyến có hàm mục tiêu là bậc hai với các ràng buộc tuyến tính hoặc tuyến tính hóa Một số phương pháp QP trong thể loại này (khoảng 15%) đã được sử dụng để giải quyết vấn đề OPF (tổn hao, điều độ kinh tế) Phương pháp Quasi-Newton và các phương pháp dựa trên độ nhạy đã được sử dụng để giải quyết các vấn đề OPF online

4 Quy hoạch tuyến tính (LP):

Quy hoạch tuyến tính [6] xử lý các vấn đề với các ràng buộc và hàm mục tiêu là hàm tuyến tính với các biến không âm Phương pháp đơn giản được biết đến

là khá hiệu quả cho việc giải quyết các vấn đề tuyến tính Khoảng 25% bài báo xem xét giải quyết các vấn đề OPF bằng cách sử dụng các kỹ thuật LP Các kỹ thuật được sử dụng phổ biến nhất là phương pháp đơn giản đã sửa đổi, bổ sung Các hàm mục tiêu (điện áp, tổn hao, điều độ kinh tế và công suất phản kháng) được tuyến tính hóa để có thể giải được bằng phương pháp LP

5 Phương pháp điểm nội:

Phương pháp điểm nội [7] gần đây lại phát hiện bởi Karmarkar, đã gây kinh ngạc cộng đồng nghiên cứu kể từ khi chương trình này có lời giải nhanh hơn và có lẽ

là tốt hơn so với các thuật toán đơn giản thông thường Các phần mở rộng của phương pháp điểm nội để áp dụng đối với các vấn đề về NLP và QP đã thể hiện phẩm chất cao cấp và kết quả đầy hứa hẹn Các phương pháp điểm nội chuyển đổi những ràng buộc bất đẳng thức thành đẳng thức bởi sự ra đời của các biến slack không âm Một hàm mảng chắn logarit của các biến slack sau đó thêm vào hàm mục tiêu, và sau đó nhân tham số mảng chắn đó là dần dần giảm xuống bằng không trong quá trình giải

II Giải bài toán OPF với kỹ thuật tối ưu dựa trên trí tuệ nhân tạo:

Các chương trình OPF dựa trên phương pháp tiếp cận tối ưu hóa cổ điển xem

lớn Tuy nhiên, chúng không được đảm bảo để hội tụ về tối ưu toàn cục, bởi vì các vấn đề phức tạp của OPF là các hàm mục tiêu không trơn (non-smooth), không khả vi

và các ràng buộc phi tuyến dẫn tới trường hợp tối ưu địa phương và gây ra lỗi kết quả của bài toán OPF, mặc dù có một số bằng chứng thực nghiệm về tính duy nhất trong lời giải của bài toán OPF trong lĩnh vực quan tâm

Hơn nữa, các kỹ thuật tối ưu hóa cổ điển cần một số giả định toán học, hàm khả

vi và trơn, ràng buộc tuyến tính để giải được Một số nhược điểm của kỹ thuật tối ưu hóa cổ điển đã được nêu chẳng hạn như đặc tính hội tụ không an toàn và thuật toán phức tạp như phương pháp toàn phương có một số nhược điểm liên quan đến đòi hỏi xấp xỉ bậc hai từng đoạn, kỹ thuật Newton có một nhược điểm của các đặc tính hội tụ rất nhạy cảm với điều kiện ban đầu và chúng thậm chí có thể không hội

tụ do các điều kiện ban đầu không phù hợp, trình tự tối thiểu hóa không ràng buộc

là biểu hiện sự khó khăn khi các yếu tố phạt trở nên cực kỳ lớn Mặc dù các phương pháp lập trình tuyến tính nhanh chóng và đáng tin cậy, song chúng có một số nhược điểm liên quan đến đòi hỏi xấp xỉ tuyến tính từng đoạn

Phương pháp điểm nội đã được báo cáo là tính toán hiệu quả Tuy nhiên, nếu kích thước bước không được lựa chọn đúng, vấn đề thay thế tuyến tính có thể có một giải pháp là không khả thi trong miền phi tuyến ban đầu Ngoài ra, phương pháp điểm nội, nói chung từ điều kiện ban đầu, kết thúc và tiêu chuẩn tối ưu không được tốt, và trong nhiều trường hợp không thể giải quyết các hàm phi tuyến và hàm mục tiêu bậc hai

Do một vài nhược điểm và những hạn chế, nhiều nhà nghiên cứu đã cố gắng tìm cách để khắc phục hạn chế của các kỹ thuật tối ưu hóa cổ điển bằng cách áp dụng các kỹ thuật tối ưu hóa dựa trên trí tuệ nhân tạo để giải quyết vấn đề OPF

Hơn nữa, khi giải quyết vấn đề OPF có kể đến các thiết bị FACTS và ràng buộc

an ninh thì vấn đề trở nên phức tạp hơn nhiều và kỹ thuật tối ưu hóa cổ điển có không

có khả năng đủ để xử lý và trong hai thập kỷ qua, sự quan tâm trong việc áp dụng các giải pháp thay thế và phương pháp tối ưu hóa metaheuristic mới trong lĩnh vực hệ thống điện đã phát triển nhanh chóng Vì vậy, các kỹ thuật tối ưu hóa dựa trên trí tuệ nhân tạo đang trở nên phổ biến và chủ đề nghiên cứu thú vị

Nói chung, phương pháp tối ưu hóa meta-heuristic có thể được phân thành ba

3 Loại thứ ba được gọi là phương pháp tối ưu hóa lai bao gồm một sự kết hợp giữa metaheuristics và phương pháp thông thường

Chi tiết về việc áp dụng các kỹ thuật tối ưu hóa meta heuristic để giải quyết nhiều vấn đề thực tế liên quan đến lĩnh vực hệ thống điện đặc biệt là bài toán OPF đa mục tiêu có thể được tìm thấy trong thời gian gần đây Hình 1.1 cho thấy các phương pháp metaheuristic phổ biến nhất được nghiên cứu áp dụng để giải quyết nhiều bài toán phức tạp

Hình 1.1 Tiến trình phát triển của các phương pháp tối ưu hóa

Một nhận xét ngắn gọn một số kỹ thuật trí tuệ nhân tạo phổ biến chẳng hạn như: Giải thuật Simulated Annealing (SA), Tabu Search (TS), Genetic Algorithm

(GA), hybrid Tabu Search/Simulated Annealing (TS/SA), Evolutionary Programming (EP), Improved Evolutionary Programming (IEP), and Particle Swarm Optimization (PSO) đã được giới thiệu để giải quyết bài toán OPF của mỗi thuật toán đã được kết luận như sau:

1 Giải thuật mô phỏng luyện kim (Simulated Annealing - SA)

Giải thuật Simulated Annealing [8] đã được đề xuất bởi Scott Kirkpatrick, C.Daniel Gelatt và Mario P Vecchi vào năm 1983 Giải thuật SA đã được thử nghiệm trong các một số vấn đề tối ưu hóa cho thấy một khả năng rất tốt không rơi vào cực tiểu địa phương Do sự đơn giản thực hiện và kết thu được tốt của nó nên đã được phát triển từ giữa thập niên 80 Giải thuật SA ban đầu được lấy cảm hứng từ sự hình thành của các tinh thể các chất rắn trong quá trình làm mát Thuật toán mô phỏng theo quá trình tôi luyện (annealing) của hệ thống vật lý trong nhiệt động lực học Quá trình tôi luyện có thể được xem xét các sự giảm nhiệt độ liên tiếp bắt đầu từ một nhiệt

độ lớn nhất, ở mỗi nhiệt độ được giảm, hệ thống được phép đạt tới trạng thái cân bằng nhiệt Ở trạng thái cân bằng nhiệt này, xác suất của hệ thống ở trong một trạng thái được đặc trưng bởi phân bố xác suất Khi nhiệt độ giảm, phạm vi của phân bổ xác suất

sẽ tập trung vào các trạng thái có mức năng lượng thấp nhất Vì vậy khi nhiệt độ giảm quá thấp, hệ thống sẽ đóng băng (freeze) và nếu nhiệt độ giảm đủ chậm thì trạng thái

bị đóng băng (frozen state) này sẽ có mức năng lượng cực tiểu Hạn chế chính của SA là thủ tục tôi luyện là rất tiêu tốn tài nguyên máy tính mặc dù độ hội tụ của nó

về lý thuyết đã được cải thiện

2 Giải thuật Tabu Search (TS):

Tabu Search [9] là một phương pháp trí tuệ nhân tạo được đề xuất trước tiên bởi Glover hướng dẫn cách tìm kiếm lời giải tối ưu dựa trên hệ thống bộ nhớ linh hoạt

để khai thác lịch sử tìm kiếm Ý tưởng chính của TS là sự đột phá trong việc sử dụng danh sách Tabu Danh sách Tabu được cài đặt để lưu lại những lời giải tốt nhất giữa tập lời giải được được duyệt qua trong những lần duyệt gần đây nhất Tại mỗi bước lặp lời giải tốt nhất giữa tập lời giải lân cận của lời giải hiện hành nhưng không chứa trong danh sách Tabu sẽ được chọn là lời giải hiện hành mới đồng thời nó được đưa vào danh sách Tabu Việc này tránh hội tụ về tối ưu cục bộ và tránh nguy cơ duyệt lại những lời giải ứng viên đã từng duyệt Các lời giải trong danh sách Tabu tồn tại trong

một số bước lặp và được loại ra khởi danh sách sớm hơn nếu ở bước chuyển từ lời giải hiện hành sang nó sẽ cho kết quả tốt hơn một số lời giải tìm được trong thời gian gần đây Kích thước của một danh sách Tabu cần phải đủ lớn để đảm bảo thoát ra khởi vùng tối ưu cục bộ nhưng cũng phải đủ nhỏ để tránh bỏ sót các lời giải tiềm năng Cách tiếp cận TS được đề xuất để giải quyết vấn đề OPF, được kiểm tra thử nghiệm

hệ thống IEEE 30 bus với các hàm mục tiêu khác nhau và các đường cong chi phí phát điện Kết quả là đầy hứa hẹn và cho thấy hiệu quả và mạnh mẽ của các phương pháp tiếp cận được đề xuất

3 Giải thuật di truyền (GA):

Giải thuật di truyền [10] do D.E Goldberg đề xuất năm 1968, sau này được phát triển bởi L.Davis và Z.Michalevicz Đây là thuật toán hình thành từ việc nhận xét thế giới tự nhiên: Quá trình tiến hoá tự nhiên là quá trình tối ưu nhất, hoàn hảo nhất Đây được xem như một tiên đề đúng, không chứng minh được, nhưng phù hợp với thực tế khách quan Tính tối ưu của quá trình tiến hoá thể hiện ở chỗ thế hệ sau bao giờ cũng tốt hơn (phát triển hơn, hoàn thiện hơn và phù hợp với môi trường hơn) thế

hệ trước Xuyên suốt quá trình tiến hoá, các thế hệ mới được sinh ra để bổ sung, thay thế thế hệ cũ, trong quá trình này cá thể nào phát triển hơn thích ứng hơn với môi trường sẽ tồn tại, cá thể nào kém thích ứng hơn sẽ bị đào thải Như vậy thuật toán di truyền đều mô phỏng bốn quá trình tiến hoá cơ bản: lai ghép, đột biến, sinh sản, chọn lọc tự nhiên

4 Giải thuật lai giữa TS/SA

Cách tiếp cận của giải thuật lai TS/SA [11] là cách tiếp cận tích hợp giữa TS và

SA bằng cách sử dụng TS là một thuật toán chính Quá trình tìm kiếm bắt đầu bằng việc tạo ra lời giải lân cận của SA, sau đó nó được sử dụng để tạo ra lời giải lân cận cho TS Thuật toán lai TS/SA được đề xuất để giảm thiểu chi phí nhiên liệu máy phát điện trong bài toán OPF với các thiết bị FACTS Hệ thống IEEE 30 nút được kiểm tra hiệu năng của thuật toán lai TS/SA, kết quả có lời giải tốt hơn và đòi hỏi tiêu tốn tài nguyên máy tính ít hơn so với sử dụng thuật toán TS hoặc SA đơn lẻ

5 Giải thuật tiến hóa EP

Tương tự như giải thuật GA, kỹ thuật tiến hóa [12] là phương pháp tối ưu hóa

dụng các cơ chế của sự tiến hóa để tạo ra lời giải tối ưu cho một vấn đề nhất định Tuy nhiên, chương trình tiến hóa hoạt động trên chuỗi giá trị thực sự được mã hóa hơn

là các chuỗi nhị phân được sử dụng bởi giải thuật di truyền Nó hoạt động bằng cách tiến hoá các yếu tố tốt của quần thể để hướng tới tối thiểu toàn cục thông qua việc sử dụng các toán tử đột biến và chọn lọc tự nhiên

Trong mỗi lần lặp, thế hệ (con) được hình thành từ một thế hệ (bố mẹ) hiện có thông qua việc sử dụng tiến trình đột biến Tiến trình đột biến sản sinh con cái bằng cách gây xáo trộn các thế hệ bố mẹ với một hàm phân phối xác suất Mức

độ tối ưu của mỗi yếu tố (cá thể) được đánh giá bằng sự thích nghi chính nó mà có thể được định nghĩa như là một giá trị của hàm mục tiêu của vấn đề tối ưu

Bằng cách áp dụng một chương trình cạnh tranh, các cá thể trong quần thể cạnh tranh với nhau Các cá thể tốt hơn tạo thành quần thể tổng hợp, được sao chép cho thế

hệ sau

6 Giải thuật tiến hóa cải tiến (IEP)

Để ngăn sớm hội tụ, cân bằng khả năng tìm kiếm và khai thác, giải thuật tiến hóa cải tiến [13] đã được đề xuất bằng cách sử dụng nhiều tiểu quần thể thực hiện việc tìm kiếm song với sự khởi tạo ngẫu nhiên được chia ra trong không gian tìm kiếm

và áp dụng nhiều tiến trình đột biến để tăng cường tìm mục tiêu Hơn nữa, sự tác động của các cá thể mỗi tiểu quần thể được thiết kế để hợp nhất thông tin và tăng cường sự đa dạng quần thể

IEP được áp dụng để giải quyết vấn đề OPF với ba loại đường cong chi phí nhiên liệu máy phát khác nhau Kết quả chỉ ra rằng tổng chi phí nhiên liệu máy phát được giải bởi giải thuật IEP nhỏ hơn so với lời giải của giải thuật EP, TS và TS/SA Ngoài ra, do đặc tính của nó nên giải thuật IEP có thể dễ dàng tạo điều kiện thực hiện tính toán song song để giảm thời gian tính mà không bị mất chất lượng của lời giải

7 Giải thuật bầy đàn PSO

PSO [14] là kết quả của sự mô hình hóa việc đàn chim bay đi kiếm ăn nên nó thường được xếp vào loại thuật toán có sử dụng trí tuệ bầy đàn PSO được giới thiệu bởi James Kennedy và Russell C.Eberhart Thuật toán có nhiều ứng dụng quan trọng

trong tất cả các lĩnh vực mà ở đó đòi hỏi phải giải quyết bài toán tối ưu

Thuật toán PSO xây dựng dựa trên khái niệm trí tuệ bầy đàn để tìm kiếm lời giải cho các bài toán tối ưu trên một không gian tìm kiếm nào đó, nó là một dạng của thuật toán tiến hóa quần thể đã được biết trước đây như giải thuật di truyền (GA), thuật toán đàn kiến (ACO) Tuy nhiên, thuật toán PSO khác với GA ở chỗ nó thiên về

sử dụng tương tác giữa các cá thể trong một quần thể để khám phá không gian tìm kiếm Các cá thể trong quần thể dường như đã chia sẽ thông tin cho nhau làm tăng hiệu quả của quần thể Mỗi cá thể tương ứng với một lời giải Cá thể trong quần thể tiếp cận các mục tiêu thông qua việc tối ưu vận tốc của nó hiện có, kinh nghiệm đã có

và kinh nghiệm của các cá thể lân cận

PSO được áp dụng để giải các bài toán OPF với các hàm mục tiêu khác nhau bao gồm cực tiểu chi phí nhiên liệu, cải thiện và tăng cường ổn định điện áp Các kết quả xác nhận tiềm năng của giải thuật PSO, cho thấy hiệu quả và tính ưu việt của so với giải thuật cổ điển và giải thuật di truyền

CHƯƠNG 2: CÁC BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU

I Bài toán phân bố công suất tối ưu

1 Bài toán phân bố công suất tối ưu tổng quát

Mô hình toán học của bài toán OPF có thể được đưa ra như bài toán tối ưu hóa với ràng buộc phi tuyến có dạng tổng quát như sau:

(2.1) Phụ thuộc vào:

Trong đó:

- Vector các biến điều khiển là x, u là vector các biến trạng thái

- Hàm mục tiêu là đại lượng vô hướng, và được xem là hàm mục tiêu của bất kỳ bài toán tối ưu hóa nào Hàm này tiêu biểu cho, chẳng hạn như bài toán kinh tế, bài toán an ninh,…

- là các ràng buộc bằng nhau

- là các ràng buộc vận hành Hầu hết các biến trạng thái mạng đều không cho phép vượt quá giới hạn trên và giới hạn dưới Những giới hạn này là các ràng buộc ―mềm‖ và tương ứng với sự giới hạn và sự đòi hỏi về chất lượng và độ

an toàn hệ thống Một số ràng buộc vận hành bao gồm:

+ Biên độ điện áp tại nút tải

+ Công suất phản kháng phát ra của máy phát

+ Dòng điện nhánh, dòng công suất nhánh MW/MVAR/MVA

+ Biên độ điện áp và góc rơi trên đường dây

+ Giới hạn công suất tác dụng ngõ ra tại nút tải

- là ràng buộc các biến điều khiển Các biến điều khiển không vượt quá giới hạn trên và giới hạn dưới Các ràng buộc này là ràng buộc ―cứng‖ Một

số ràng buộc các biến điều khiển bao gồm:

+ Biên độ thay đổi chỉ số chỉnh định MBA

+ Công suất tác dụng phát ra

+ Biên độ điện áp tại nút phát

+ Tập tụ bù công suất phản kháng

+ Vị trí chỉ số chỉnh định MBA dịch pha

+ Sự bơm công suất phản kháng vào thiết bị bù tĩnh

Bài toán OPF có rất nhiều biến điều khiển được điều chỉnh trong khi bài toán điều phối kinh tế và bài toán điều phối công suất phản kháng có ít biến điều khiển hơn Các biến điều khiển u và các biến trạng thái x của bài toán OPF được nêu ra như sau:

(2.2) Trong đó:

: công suất phản kháng được cấp bởi các thiết bị bù công suất phản kháng

: biên độ bộ thay đổi chỉ số tải MBA

: biên độ điện áp tại nút phát

: công suất tác dụng phát ra tại nút máy phát

(2.3)

Trong đó:

NL : số nút tải

NG : số nút phát, nút máy phát

: biên độ điện áp tại nút tải, các nút tải

: góc điện áp tại các nút trừ nút tải

: công suất điện áp phát tại nút chuẩn

: công suất phản kháng tại các nút máy phát

2 Bài toán phân bố công suất tối ưu

Các thuật ngữ:

ai, bi, ci Hệ số chi phí nhiên liệu của máy phát thứ i

ei, fi Hệ số chi phí nhiên liệu của máy phát thứ i có ảnh hưởng của xét

điểm van công suất

aik, bik, cik Hệ số chi phí nhiên liệu của máy phát thứ i với nhiên liệu k

G , B Dung dẫn và điện dẫn giữa nút i và nút j

No Số dây truyền tải bị mất điện

ni Số nhiên liệu tại nhà máy điện

Pdi, Qdi Công suất thực và công suất kháng yêu cầu tại nút i

Pgi, Qgi Công suất thực và công suất kháng ngõ ra tại nút i

Qci Công suất kháng bơm vào tại nút i

Sij, Sji Công suất biểu kiến từ nút i đến nút j và từ nút j đến nút i

Sl Công suất biểu kiến tối đa trên dây truyền tải l giữa nút i và j

Bài toán OPF đƣợc thành lập chi tiết nhƣ sau:

Hình 2.1.Đường cong chi phí bậc 2 của nhà máy nhiệt điện

+ Dạng bậc 2 với thành phần sin (có xét ảnh hưởng của điểm van công suất - valve point effects):

Hình 2.2 Đường cong chi phí bậc 2 với thành phần sin

+ Dạng với các loại nhiêu liệu khác nhau:

Hình 2.3 Đường cong chi phí với các loại nhiên liệu khác nhau

3 Bài toán phân bố công suất tối ƣu với ràng buộc an ninh

Bài toán phân bố công suất tối ƣu có ràng buộc an ninh là bài toán tối ƣu tổng chi phí của máy phát, thỏa các ràng buộc bằng nhau và ràng buộc không bằng nhau của trạng thái cơ sở và trạng thái gặp sự cố [15] Bài toán tối ƣu phân bố công suất tối

ƣu có ràng buộc an ninh với mục tiêu tối ƣu tổng chi phí nhiêu liệu máy phát:

+ Dạng bậc 2 với thành phần sin (có xét ảnh hưởng của điểm van công suất - valve point effects):

* Thỏa mãn các ràng buộc vận hành của trường hợp cơ sở và trường hợp sự cố:

a/ Phương trình cân bằng công suất tác dụng và công suất kháng tại 1 nút:

1

b N

II Bài toán phân bố công suất tối ưu có thiết bị FACTS

1 Giới thiệu về thiết bị FACTS

1.1 Giới thiệu :

FACTS [16] là một thuật ngữ ngành công nghiệp năng lượng cho với các công nghệ nâng cao an ninh, khả năng và tính linh hoạt của các mạng lưới truyền tải điện FACTS giúp các công ty năng lượng tăng khả năng truyền dẫn trên đường dây điện hiện có, khả năng điều chỉnh điện áp nhanh, khiển công suất tác dụng và điều khiển lưu lượng tải trong hệ thống điện liên kết Mục đích chính là để giảm thiểu tắc nghẽn trong hệ thống truyền tải hiện có, và cải thiện tính khả dụng, độ tin cậy, ổn định và chất lượng của nguồn điện

Ba thông số điện áp, trở kháng của đường dây và góc lệch pha làm cách nào ảnh hưởng đến phân bố công suất với các kỹ thuật khác nhau thì ở chương này mô tả

chi tiết nguyên lý 03 thiết bị FACTS phổ biến SVC, TCSC và TCPS sẽ được xem xét nghiên cứu ở các chương tiếp theo

1.2 Vấn đề điều khiển dòng công suất

Hình 2.4 mô tả đơn giản của hệ thống 02 nút ở đây việc truyền và nhận công suất thông qua một đường dây ngắn với trở kháng X

Xét trường hợp đơn giản không tổn hao, điện áp đầu truyền và đầu nhận giống

( 2.36)

( 2.37) Dòng điện của đường dây được xác định bởi :

( 2.38) Điện áp ở giữa đường dây VM

( 2.39)

Hình 2.4 Mô hình đơn giản của hệ thống điện

Khi bỏ qua tổn hao, công suất P là giống nhau ở bất kỳ điểm nào của đường dây được cho bởi:

( 2.40) Công suất phản kháng tại cuối đường dây

( 2.41) Hình 2.5 mô tả mối liên hệ giữa công suất tác dụng P, công suất phản kháng Q

và góc 

Hình 2.5 Đặc tuyến truyền tải công suất

Rõ ràng rằng theo (2.40) làm cách nào để điện áp và góc lệch giữa điểm đầu và điểm cuối và trở kháng X ảnh hưởng trực tiếp đến công suất truyền tải Bộ bù ngang,

bộ bù nối tiếp và bộ điều khiển góc lệch pha là ba thông số điều khiển các thông số

đó Sau đây, là các tiện ích ảnh hưởng của mỗi loại thiết bị của vấn đề truyền tải công suất

1.2.1 Vấn đề bù ngang

Bù ngang được sử dụng để tác động đến các đặc tính điện của đường dây truyền tải nhằm tăng công suất truyền tải ở trạng thái xác lập và điều khiển độ lệch điện áp dọc đường dây

Điện áp giữa đường dây VM trước khi bù theo hình 2.6 là Vcos/2 nhỏ hơn biên

độ điện áp cuối đường dây Để giữ điện áp , một dòng điện dung IM cần thiết bơm vào giữa đường dây theo như hình 2.6

Hình 2.6 Mô hình của hệ thống đơn giản có bù ngang ở giữa đường dây

Khi đó, dòng công suất truyền tải từ điểm giữa đường dây bằng với dòng công suất nhận được cuối đường dây được cho bởi biểu thức:

tế Khi đó điện kháng của đường dây sẽ trở thành X-XC hoặc là X(1-s), s là hệ số bù được cho bởi :

( 2.43)

Hình 2.8 Mô hình đơn giản của hệ thống với bộ bù dọc

Khi đó, dòng điện trên đường dây và công suất truyền tải sẽ được xác định là

( 2.44)

( 2.45)

Hình 2.9 Đặc tuyến truyền tải công suất với bộ bù dọc

1.2.3 Vấn đề điều khiển góc pha

Việc bù đường dây bằng bộ dịch pha được mô tả ở hình 2.10 Điện áp của bộ dịch pha V hiệu chỉnh pha và biên độ để tạo ra góc pha  mong muốn (sớm hoặc trễ pha) Theo phương pháp này, điện áp đầu truyền VS trở thành tổng điện áp VG và điện

áp của bộ dịch pha V Điều này giữ công suất truyền tải ở một mức độc lập với giá trị góc lệch  giữa điện áp đầu nhận và đầu phát Vì vậy, công suất truyền tải có thể giữa

ở mức tối đa sau khi góc lệch  vượt quá giá trị /2 (góc công suất lớn nhất) bằng cách điều khiển một cách hiệu quả góc ( - ) giữa đầu phát và đầu nhận

Khi đó, công suất truyền tải có thể xác định như sau :

( 2.46)

Hình 2.10 Mô hình đơn giản của hệ thống điện với bộ dịch pha

Qua đó, ta thấy bộ dịch pha không có vai trò tăng khả năng công suất truyền tải của đường dây như trong trường hợp khi bù ngang và bù dọc Tuy nhiên, nó cho phép đạt được công suất truyền tải tối đa tại một dãy rộng góc lệch pha và điều này được

mô tả ở như hình 2.11 chỉ ra công suất truyền tải theo góc lệch 

Hình 2.11 Đặc tính truyền tải công suất với bộ dịch pha 1.3 Thiết bị FACTS và mô hình

Các loại thiết bị bao gồm SVC, TCSC và TCPST là các thiết bị FACTS mà ba thông số của chúng sẽ ảnh hưởng khả năng truyền tải công suất của hệ thống Sau đây

là các mô hình của các thiết bị FACTS được trình bày như sau:

1.3.1 Mô hình của SVC

Hình thức đơn giản của SVC bao gồm một TCR song song với một dãy tụ điện như hình 2.12 SVC như một điện kháng biến đổi nối shunt, trong đó hoặc là phát ra hoặc thu vào công suất phản kháng để điều khiển điện áp tại điểm kết nối với mạng

AC Nó được sử dụng rộng rãi để cung cấp nhanh công suất phản kháng để điều chỉnh điện áp mô tả như hình 2.13 Việc điều khiển góc kích thyristor cho phép SVC đáp ứng gần như tức thời

Hình 2.12 Sơ đồ cấu tạo của SVC

Hình 2.13 Nguyên lý điều khiển điện áp của thiết bị FACTS bù ngang

Mô hình của Bộ bù tĩnh (SVC) là máy phát VAr được trình bày Hình 2.14 mà

có thể bơm hay hút công suất phản kháng trong hệ thống được đại diện cho bởi Q SVC

Hình 2.14 Mô hình của SVC trong phân bố công suất

1.3.2 Mô hình của TCSC

TCSC có chức năng thay đổi chiều dài điện của đường dây tải điện Đặc tính này cho phép các TCSC được sử dụng điều chỉnh nhanh chóng dòng công suất tác dụng Nó cũng làm tăng biên độ ổn định của hệ thống và đã chứng minh rất hiệu

quả trong việc giảm dao động công suất (Larsen et al., 1992) Hình 2.15 mô tả cấu

tạo của TCSC phổ biến và hình 2.16 mô tả nguyên lý điều khiển của TCSC

Hình 2.15 Sơ đồ cấu tạo của TCSC

Hình 2.16 Nguyên lý điều khiển dòng công suất của thiết bị FACTS nối tiếp

Về nguyên tắc, ở trạng thái xác lập đáp ứng của TCSC có thể được tính bằng cách giải các phương trình vi phân mô tả hoạt động điện của nó bằng phương pháp tích phân số Ngoài ra, các phương trình vi phân TCSC có thể được thể hiện dưới dạng đại số và sau đó sử dụng một phương pháp thích hợp để giải quyết chúng Cách tiếp cận trước đây liên quan đến việc các phương trình vi phân qua nhiều chu

kỳ cho đến khi quá trình quá độ dừng hẳn Phương pháp này giúp cho có nhiều thông tin như sự phát triển đầy đủ của đáp ứng được ghi lại, từ trạng thái quá độ đến trạng thái xác lập, nhưng nó dẫn đến phải trải qua nhiều quá trình tính toán, đặc biệt khi giải quyết các dao động Hai giải pháp thích hợp để giải khác nhau xuất hiện với cách tiếp cận

1) Ở trạng thái xác lập TCSC có thể được xác định rất hiệu quả bằng cách sử dụng thành phần tần số cơ bản và thành phần hài của các tham số (Acha và Madrigal, 2001) Với phương pháp này sẽ thể hiện đầy đủ thông tin các thông số

của TCSC tại tần số cơ bản và thành phần hài nhưng không áp dụng được cho quá trình quá độ

2) Sự lựa chọn một trở kháng đẳng trị phi tuyến để mô hình cho TCSC và giải bằng phương pháp lặp (Fuerte-Esquivel, Acha, and Ambriz-Pe´rez, 2000a) Phương pháp giải là chính xác và cần có giải pháp hội tụ rất nhanh, nhưng nó chỉ mang lại thông tin ở trạng thái xác lập ở tần số cơ bản Đây là cách tiếp cận chính xác trong các nghiên cứu phân bố công suất TCSC có một trong hai đặc tính có khả năng bù dung và bù kháng, tương đương với việc bù dung là để giảm tổng trở đường dây tăng khả năng mang tải, bù kháng để tăng tổng trở đường dây để giảm khả năng mang tải Như vậy để tránh hiện tượng quá bù thì giá trị điện kháng của TCSC nằm trong khoảng giới hạn -0,7.XL XTCSC  0,2XL pu Trong một số trường hợp giá trị X TCSC có thể cho phép bù ở khoảng

0, 5.X line X TCSC 0, 5.X line

   Qua đó, ta thấy phạm vi điều khiển bù của TCSC trên lưới điện truyền tải là khá rộng Hầu hết các hệ thống điện khi được lắp đặt thiết bị bù TCSC đều có thể làm tăng khả năng truyền tải Hình 2.17 mô hình TCSC là một điện kháng có thể điều khiển được với biến điều khiển XC

Hình 2.17 Mô hình TCSC trong tính toán phân bố công suất

TCSC được tích hợp trong bài toán OPF bằng cách sửa đổi thông số đường dây

Một điện kháng mới (X new ) được cho như sau:

( 2.47) Các phương trình công suất của đường dây với một điện kháng mới có thể dẫn xuất theo như sau:

Hình 2.18 Sơ đồ cấu tạo của TCPST

TCPST có thể được mô hình bởi cái biến áp dịch pha với tham số điều khiển p hình 2.19 trình bày mô hình của TCPST

Hình 2.19 Mô hình của TCPST trong phân bố công suất.

Các phương trình công suất của đường dây với một điện kháng mới có thể dẫn xuất theo như sau:

1.4 Phương pháp lựa chọn vị trí đặt thích hợp thiết bị FACTS – TCSC [17]

Xét theo điều kiện kinh tế, lắp đặt bộ điều khiển FACTS trong tất cả các bus hoặc các đường dây là không thể và không cần thiết nên việc lắp đặt thiết bị FACTS ở vị trí nào mới là vấn đề cần quan tâm Do đó với những dao động phụ tải bất kỳ, sự thay đổi nguồn và gia tăng phụ tải thường xuyên trong tương lai dẫn tới điểm nghẽn mạch trong mạng cũng sẽ bị thay đổi nên không thể lắp đặt thiết bị bù trên tất cả các nhánh của lưới điện để đảm bảo chống nghẽn mạch khi có những thay đổi như trên Vì vậy cần thiết phải xác định được tập hợp những nhánh có nhiều khả năng gây quá tải thường xuyên cho hệ thống Đây là tập hợp những điểm xung yếu nhất còn được gọi