Áp dụng phương pháp particle swarm optimization cải tiến giải bài toán phân bố công suất tối ưu có ràng buộc an ninh

iii Luận văn áp dụng phương pháp Partical Swarm Optimization cải tiến để giải bài toán phân bố công suất tối ưu có ràng buộc an ninh với việc tính toán trên mạng điện IEEE 30 nút và IEEE

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-

TRẦN THẾ TÙNG

ÁP DỤNG PHƯƠNG PHÁP PARTICAL SWARM OPTIMIZATION CẢI TIẾN GIẢI BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM

Cán bộ hướng dẫn khoa học : TS VÕ NGỌC ĐIỀU

Cán bộ chấm nhận xét 1 :

Cán bộ chấm nhận xét 2 :

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, Đại học Quốc gia TP HCM ngày tháng năm

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 LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

I TÊN ĐỀ TÀI:

ÁP DỤNG PHƯƠNG PHÁP PARTICAL SWARM OPTIMIZATION GIẢI BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU CÓ RÀNG BUỘC AN NINH

II NHIỆM VỤ VÀ NỘI DUNG:

- Nghiên cứu phương pháp Partical Swarm Optimization (PSO)

- Nghiên cứu bài toán phân bố công suất tối ưu có ràng buộc an ninh

- Đề xuất phương pháp PSO cải tiến để giải bài toán phân bố công suất tối ưu

có ràng buộc an ninh

- Ứng dụng PSO cải tiến để giải bài toán phân bố công suất tối ưu có ràng buộc

an ninh trên các mạng điện IEEE 30 nút và IEEE 57 nút

III NGÀY GIAO NHIỆM VỤ : 02/07/2012

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 30/11/2012

ii

LỜI CẢM ƠN

Điều trước tiên, tôi xin tỏ lòng biết ơn sâu sắc đến TS Võ Ngọc Điều, người

Thầy đã giúp đỡ, cung cấp tài liệu và tận tình hướng dẫn tôi hoàn thành luận văn này

Xin chân thành cảm ơn đến tất cả Quý Thầy, Cô đã giảng dạy, trang bị cho tôi

những kiến thức rất bổ ích và quí báu trong suốt quá trình học tập tại trường cũng như nghiên cứu sau này

Xin cảm ơn Gia đình luôn bên cạnh và tạo mọi điều kiện thuận lợi cho tôi

trong học tập và công tác

Xin chân thành cảm ơn các đồng nghiệp tại VP Đoàn Thanh niên – Hội sinh viên trường Đại học Bách Khoa, ĐHQG TP HCM đã ủng hộ, tạo điều kiện để tôi học tập tốt trong suốt thời gian vừa qua

Xin cảm ơn tất cả bạn bè đã động viên và hỗ trợ cho tôi rất nhiều trong quá

trình học tập, công tác cũng như trong suốt thời gian thực hiện luận văn

Xin cảm ơn các bạn học viên Cao học (khóa 2011 – 2012) ngành Thiết bị,

Mạng & Nhà máy điện Trường Đại học Bách Khoa – ĐHQG TP HCM, những người luôn giành những tình cảm sâu sắc nhất, luôn bên cạnh, luôn động viên, khuyến khích tôi vượt qua những khó khăn trong suốt quá thực hiện luận văn này

Tp Hồ Chí Minh, tháng 11 năm 2012

Người thực hiện

Trần Thế Tùng

iv

THESIS SUMMARY

This thesis applies an improved Particle Swarm Optimization (IPSO) method

to solve security constrained optimal power flow problem through the investigation

of IEEE 30-bus system and IEEE 57-bus system

* The Improved Particle Swarm Optimization is one of several algorithms

based on group intelligence concept to seek a solution for optimization problems in

a specific space Improved PSO is a normal PSO with constriction factor guided by

a pseudo-gradient which includes inertia coefficient in order to accelerate converging progress The pseudo-gradient is to determine the direction for the particles so that they can quickly move to optimal solution

* The Security Constrained Optimal Power Flow - SCOPF problem is to

find the optimal total generation cost while satisfying equality and inequality constraints under both normal and contingent operation states The thesis expresses the application of PSO method in IEEE 30-bus system and IEEE 57-bus system This method shows its flexibility and possibility for applying PSO algorithm to problems which are modeled into constrained optimal problems The results are benchmarked with other algorithms introduced in previous papers

The main result of this research is to apply such evolving calculation

techniques as PSO method to power system’s complicated optimal problems and

to achieve better results than conventional methods For such problems, these conventional methods may lead to poor results or can not reach optimal results

iii

Luận văn áp dụng phương pháp Partical Swarm Optimization cải tiến để giải bài toán phân bố công suất tối ưu có ràng buộc an ninh với việc tính toán trên mạng điện IEEE 30 nút và IEEE 57 nút

* Thuật toán Partical Swarm Optimization cải tiến: là một trong những

thuật toán 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 PSO cải tiến (IPSO) là PSO thường với hệ số co được tăng cường gradient giả kết hợp với trọng số quán tính  để đẩy mạnh quá trình hội tụ Gradient giả hướng dẫn sự chuyển động của các cá thể theo hướng tích cực để chúng có thể di chuyển nhanh chóng đến kết quả

tối ưu

* Bài toán phân bố công suất tối ưu có ràng buộc an ninh (Security

Constraint Optimal Power Flow – SCOPF): Bài toán phân bố công suất tối ưu có ràng buộc an ninh là bài toán tối ưu 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 Luận văn trình bày ứng dụng của thuật toán PSO cải tiến vào mạng điện IEEE

30 nút và IEEE 57 nút Phương pháp giải này thể hiện tính linh hoạt và khả năng ứng dụng thuật toán PSO để giải quyết những vấn đề được mô hình hóa dưới dạng bài toán tối ưu có ràng buộc, kết quả tính toán được kiểm tra so sánh với những thuật toán khác được trình bày trong các bài báo trước đây

Kết quả chính mà nghiên cứu đạt được là ứng dụng kỹ thuật tính toán tiến

hóa mà điển hình là thuật toán PSO cải tiến vào giải quyết bài toán tối ưu phức tạp trong hệ thống điện và đã đạt được những kết quả khả quan hơn những phương

pháp truyền thống khác Đối với bài toán này, những phương pháp truyền thống có

thể dẫn đến những kết quả sai hoặc kết quả tính toán không tối ưu

v

LỜI CAM ĐOAN

Tôi xin cam đoan Luận văn là công trình nghiên cứu của riêng tôi Các kết quả nêu trong Luận văn chưa được công bố trong bất kỳ công trình nào khác Các số liệu, ví dụ và trích dẫn trong Luận văn đảm bảo tính chính xác, tin cậy và trung thực

Tôi xin chân thành cảm ơn!

NGƯỜI CAM ĐOAN Trần Thế Tùng

vi

MỤC LỤC

Nhiệm vụ luận văn Thạc sỹ i

Lời cảm ơn ii

Tóm tắt luận văn iii

Thesis summary iv

Lời cam đoan v

Mục lục vi

Danh mục các bảng trong luận văn ix

Danh mục các hình trong luận văn xi

Chữ viết tắt trong luận văn xii

Chương 1: Giới thiệu chung 1

1.1 Giới thiệu tổng quát 1

1.2 Mục tiêu đề tài 2

1.3 Tầm quan trọng của đề tài 2

1.4 Phạm vi nghiên cứu 2

1.5 Nội dung luận văn 3

Chương 2: Tổng quan 4

2.1 Bài toán phân bố công suất tối ưu có ràng buộc an ninh 4

2.1.1 Tổng quan về bài toán phân bố công suất tối ưu 4

2.1.2 Các chức năng chính của an ninh hệ thống điện 7

2.1.3 Các trạng thái vận hành của hệ thống điện 8

2.2 Một số khảo sát về phân bố công suất tối ưu có ràng buộc an ninh 10

2.2.1 Trạng thái ổn định 10

2.2.2 Dynamic SCOPF 11

2.2.3 Lựa chọn sự cố 12

2.2.4 Điều độ kinh tế với ràng buộc an ninh 12

2.2.5 Phân bố công suất tối ưu với ràng buộc sự cố (CCOPF) 13

vii

2.3 Giới thiệu các phương pháp giải bài toán phân bố công suất tối ưu 13

2.3.1 Phương pháp EP (Evolutionary programming) 13

2.3.2 Phương pháp AM (Ant Manners) 14

2.3.3 Phương pháp DE (Differential Evolution) 14

2.3.4 Phương pháp GA (Genetic Algorithm) 14

2.3.5 Phương pháp ACO (Ant Colony Optimization) 15

2.3.6 Phương pháp TS (Tabu Search) 16

2.3.7 Phương pháp SA (Simulated Annealing) 16

2.3.8 Phương pháp Particle Swarm Optimization 17

Chương 3: Bài toán phân bố công suất tối ưu có ràng buộc an ninh 18

3.1 Các thuật ngữ 18

3.2 Bài toán 19

Chương 4: Giới thiệu về phương pháp PSO 23

4.1 Giới thiệu 23

4.2 Biểu thức cơ bản của thuật toán PSO 24

4.3 Một số cải tiến của PSO 27

4.3.1 Kỹ thuật TVAC 27

4.3.2 SOHPSO – TVAC 28

4.3.3 MPSO – TVAC 30

4.3.4 Sự kết hợp giữa phương pháp PSO và các phương pháp tối ưu khác 31

4.3.5 Thuật toán SWT – PSO 32

4.4 Phương pháp PSO cải tiến đề xuất 32

4.4.1 PSO thường 32

4.4.2 Khái niệm Gradient giả 33

4.4.3 PSO với hệ số co (Constriction PSO) 35

4.4.4 PSO – TVIW 35

4.4.5 PSO cải tiến (IPSO) 35

4.5 Thực hiện PSO cải tiến 36

viii

Chương 5: Kết quả tính toán 41

5.1 Thiết lập các tham số 41

5.1.1 Số lần lặp tối đa 41

5.1.2 Số phần tử 42

5.1.3 Hệ số giới hạn vận tốc 42

5.1.4 Tham số nhận thức và xã hội 43

5.1.5 Hệ số phạt 43

5.2 Mạng điện IEEE 30 nút 43

5.2.1 Cấu trúc mạng điện 43

5.2.2 Các thông số lựa chọn cho bài toán 46

5.2.3 Trường hợp cơ sở (base-case) 47

5.2.4 Trường hợp có 5 dây bị mất điện (5 line outage) 50

5.2.5 Trường hợp có 9 dây bị mất điện (9 single - line outages) 53

5.3 Mạng điện IEEE 57 nút 56

5.3.1 Cấu trúc mạng điện 56

5.3.2 Các thông số lựa chọn cho bài toán 58

5.3.3 Trường hợp cơ sở 59

5.3.4 Trường hợp sự cố 63

Chương 6: Tổng kết và hướng phát triển đề tài 67

6.1 Tổng kết đề tài 67

6.2 Hướng phát triển của đề tài 68

6.3 Lời kết 69

Tài liệu tham khảo 70

Phụ lục 75

Lý lịch trích ngang 86

ix

DANH MỤC CÁC BẢNG TRONG LUẬN VĂN

Trang Bảng 5.1 Giới hạn công suất của mạng điện IEEE 30 nút 45

Bảng 5.2 Các hệ số chi phí của mạng điện IEEE 30 nút 45

Bảng 5.3 Dòng công suất lớn nhất trên dây truyền tải của IEEE 30 nút 45

Bảng 5.4 Giới hạn điện áp nút máy phát và chỉnh định máy biến áp 46

Bảng 5.5 Kết quả phân bố công suất tối ưu 47

Bảng 5.6 Giới hạn các ràng buộc tính toán 47

Bảng 5.7 So sánh phương pháp PSO cải tiến với các phương pháp khác 48

Bảng 5.8 Kết quả phân bố công suất tối ưu 50

Bảng 5.9 Giới hạn các ràng buộc tính toán 50

Bảng 5.10 So sánh phương pháp PSO cải tiến với các phương pháp khác 51

Bảng 5.11 Kết quả phân bố công suất tối ưu 53

Bảng 5.12 Giới hạn các ràng buộc tính toán 53

Bảng 5.13 So sánh phương pháp PSO cải tiến với các phương pháp khác 54

Bảng 5.14 Các hệ số chi phí của IEEE 57 nút 58

Bảng 5.15 Các hệ số công suất của IEEE 57 nút 58

Bảng 5.16 Dòng công suất lớn nhất trên dây truyền tải của IEEE 57 nút 58

Bảng 5.17 Kết quả phân bố công suất tối ưu 59

Bảng 5.18 Giới hạn các ràng buộc tính toán 60

Bảng 5.19 So sánh phương pháp PSO cải tiến với các phương pháp khác 61

Bảng 5.20 Kết quả phân bố công suất tối ưu 63

Bảng 5.21 Giới hạn các ràng buộc tính toán 63

Bảng 5.22 So sánh phương pháp PSO cải tiến giữa trường hợp cơ sở và sự cố 64

Bảng A.1 Thông số đường dây mạng điện 30 nút 75

Bảng A.2 Thông số tải mạng điện 30 nút 77

Bảng A.3 Thông số các hệ số chi phí máy phát mạng điện 30 nút 78

Bảng A.4 Giới hạn công suất và điện áp nút phát mạng điện 30 nút 78

Bảng A.5 Thông số máy phát mạng 30 nút với van công suất 79

Bảng B.1 Thông số đường dây mạng điện 57 nút 80

x

Bảng B.2 Thông số tải mạng điện 57 nút 83 Bảng B.3 Thông số các hệ số chi phí máy phát mạng điện 57 nút 85 Bảng B.4 Giới hạn công suất và điện áp nút phát mạng điện 57 nút 85

xi

DANH MỤC CÁC HÌNH TRONG LUẬN VĂN

Trang

Hình 3.1 Đường cong chi phí bậc 2 của nhà máy nhiệt điện 20

Hình 3.2 Đường cong chi phí với bậc 2 với thành phần sin 21

Hình 3.3 Đường cong chi phí với các loại nhiên liệu khác nhau 21

Hình 4.1 Bầy chim trong tự nhiên 24

Hình 4.2 Sơ đồ IPSO đề xuất để giải bài toán SCOPF 39

Hình 5.1 Sơ đồ đơn tuyến mạng điện IEEE 30 nút 44

Hình 5.2 Biểu đồ 50 lần lặp của IPSO cho mạng IEEE 30 nút (cơ sở) 49

Hình 5.3 Đặc tính hội tụ của IPSO cho IEEE 30 nút (cơ sở) 49

Hình 5.4 Biểu đồ 50 lần lặp của IPSO cho mạng IEEE 30 nút (sự cố 5 dây) 52

Hình 5.5 Đặc tính hội tụ của IPSO cho IEEE 30 nút (sự cố 5 dây) 52

Hình 5.6 Biểu đồ 50 lần lặp của IPSO cho mạng IEEE 30 nút (sự cố 9 dây) 55

Hình 5.7 Đặc tính hội tụ của IPSO cho IEEE 30 nút (sự cố 9 dây) 55

Hình 5.8 Sơ đồ mạng điện IEEE 57 nút 57

Hình 5.9 Biểu đồ 50 lần lặp của IPSO cho mạng IEEE 57 nút (cơ sở) 62

Hình 5.10 Đặc tính hội tụ của IPSO cho IEEE 57nút (cơ sở) 62

Hình 5.11 Biểu đồ 50 lần lặp của IPSO cho mạng IEEE 57 nút (sự cố) 65

Hình 5.12 Đặc tính hội tụ của IPSO cho IEEE 57nút (sự cố) 66

xii

CHỮ VIẾT TẮT TRONG LUẬN VĂN

IEEE Institute of Electrical and Electronic Engineering

augmented Lagrange multiplier method

PSC - OPF Preventive Security Constraint OPF

1

CHƯƠNG 1 GIỚI THIỆU CHUNG

1.1 GIỚI THIỆU TỔNG QUÁT

Trên thế giới ngày nay nhu cầu năng lượng đang là vấn đề thời sự cho sự phát triển của nền kinh tế và sự gia tăng dân số toàn cầu, trong đó năng lượng điện đóng vai trò then chốt 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

Kinh nghiệm vận hành hệ thống điện cho thấy tại một thời điểm trên hệ thống

có những đường dây bị quá tải trong khi các đường dây khác non tải và ngược lại Nếu có những biện pháp điều chỉnh thông số hệ thống điện thích hợp có thể làm thay đổi trào lưu công suất và làm giảm quá tải cho một số đường dây mà không cần phải cải tạo nâng cấp hệ thống điện Việc sử dụng hiệu quả và tối ưu các nguồn cung cấp

là một vấn đề mà các nhà nghiên cứu rất quan tâm

Vì vậy người ta đặt ra bài toán phân bố công suất tối ưu (OPF – Optimal Power Flow) [1-2] để nâng cao khả năng tận dụng hệ thống điện hiện có Đây là bài toán mà ngành điện lực phải tìm cách giải quyết từ rất lâu, đã dùng nhiều thuật toán

cổ điển và trí tuệ nhân tạo như Differential Evolution , Ant Manners, Ant Colony Optimization, Genetic Algorithm, Tabu Search, Simulated Annealing, Harmony Search, Firefly Algorithm …

Trong sự phát triển của trí tuệ nhân tạo, gần đây trong lĩnh vực công nghệ thông tin xuất hiện thuật toán PSO, đây là thuật toán có nhiều ưu điểm và đã được ứng dụng rộng rãi vào trong rất nhiều lĩnh vực, một trong những lĩnh vực ứng dụng của PSO là lĩnh vực hệ thống điện Một số nhà khoa học trên thế giới đã triển khai đưa thuật toán PSO vào ứng dụng tính toán tối ưu trong hệ thống điện và đã cho ra những kết quả tốt hơn những giải thuật khác, chương trình chạy nhanh hơn

Phương pháp PSO là phương pháp dựa trên sự tối ưu bầy đàn thông qua việc

đi tìm vị trí có nhiều thức ăn nhất cho bầy đàn dựa trên kinh nghiệm của những lần

2

tìm kiếm trước Mặt dù phương pháp PSO có tuổi đời còn rất trẻ mới chỉ được đề xuất lần đầu tiên vào 1995 bởi James Kenedy và Russel C.Eberhart [3-4] nhưng phương pháp PSO đã có những đóng góp to lớn cho khoa học bởi tính hội tụ ưu việt của phương pháp như: thuật toán đơn giản, dễ thực hiện, chương trình chạy nhanh hơn và kết quả chính xác hơn các phương pháp khác

1.2 MỤC TIÊU CỦA ĐỀ TÀI

Bài toán phân bố công suất tối ưu (OPF) đã có lịch sử phát triển từ rất lâu nó

có ý nghĩa vô cùng quan trọng trong quy hoạch và điều khiển hệ thống điện Tuy nhiên cho đến nay nhiều vấn đề liên quan đến bài toán OPF vẫn còn đang trong quá trình nghiên cứu và hoàn thiện chẳng hạn như sự đảm bảo tính hội tụ đến lời giải tối

ưu đối với bài toán OPF không lồi dạng tổng quát cũng như độ tin cậy của thuật toán

mà các phương pháp cổ điển và hiện tại chưa giải quyết được Bài toán phân bố tối

ưu công suất có ràng buộc an ninh (SCOPF) là sự kết hợp hoàn hảo trong việc giải quyết những vấn đề trái ngược như: tối đa lợi nhuận, vận hành an toàn và tăng cường

an ninh

Vì thế chỉ có thuật toán dựa trên trí thông minh nhân tạo và tiến hóa mà điển hình là phương pháp PSO mới phù hợp với các loại bài toán này và loại trừ bỏ được các vấn đề trên

1.3 TẦM QUAN TRỌNG CỦA ĐỀ TÀI

Hiện chưa có luận văn, công trình nghiên cứu trong nước về áp dụng phương pháp PSO cải tiến vào bài toán phân bố tối ưu công suất có ràng buộc an ninh trong

hệ thống điện (SCOPF) Điều này cho thấy tầm quan trọng của nó trong việc tìm ra một lời giải tốt nhất, tối ưu nhất

1.4 PHẠM VI NGHIÊN CỨU

Áp dụng phương pháp PSO cải tiến vào bài toán phân bố công suất tối ưu có ràng buộc an ninh trong hệ thống điện Bài toán áp dụng với mạng điện IEEE 30 nút

và IEEE 57 nút

3

1.5 NỘI DUNG LUẬN VĂN

Chương 1: Giới thiệu tổng quan về vấn đề trong luận văn, về mục tiêu, tầm quan trọng và phạm vi nghiên cứu của đề tài

Chương 2: Giới thiệu tổng quan về bài toán SCOPF và các phương pháp đã được áp dụng để giải quyết bài toán

Chương 3: Thành lập bài toán SCOPF dưới dạng toán học

Chương 4: Giới thiệu phương pháp PSO cải tiến và áp dụng phương pháp vào bài toán SCOPF trong hệ thống điện

Chương 5: Mô phỏng ứng dụng phương pháp PSO cải tiến vào bài toán SCOPF trong mạng điện IEEE 30 nút và IEEE 57 nút Kết quả được so sánh với các bài báo khác để thấy được tính ưu việt của phương pháp PSO cải tiến

Chương 6: Đánh giá thuật toán thông qua kết quả mô phỏng của thuật toán, nêu ra những vấn đề tồn động và đưa ra hướng nghiên cứu tiếp theo

4

CHƯƠNG 2 TỔNG QUAN

2.1 BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU CÓ RÀNG BUỘC AN NINH 2.1.1 Tổng quan về bài toán phân bố công suất tối ưu (Optimal power flow):

Một trong những yêu cầu quan trọng nhất trong vận hành hệ thống điện (HTĐ)

là đảm bảo tính kinh tế trong việc sản xuất, truyền tải, phân phối và sử dụng điện năng

Để thực hiện yêu cầu đó cần đảm bảo cho HTĐ làm việc với chi phí thấp nhất, muốn

vậy cần phải giảm đến mức tối thiểu chi phí nhiên liệu và tổn thất điện năng

 Giảm chi phí nhiên liệu: Sử dụng hiệu quả các nguồn nước của thủy điện, phối hợp sử dụng nước của thủy điện với sử dụng các nhà máy nhiệt điện và phối hợp giữa các nhà máy nhiệt điện với nhau…sao cho chi phí sản xuất điện năng là nhỏ nhất

 Giảm tổn thất điện năng: Giảm tổn thất điện năng có ý nghĩa rất lớn trong vận hành HTĐ Giảm tổn thất điện bao gồm thiết lập chế độ sử dụng điện, lựa chọn cơ cấu thiết bị vận hành hợp lý và phân bố công suất tối ưu giữa các phần tử trong HTĐ

Trong đó bài toán phân bố công suất tối ưu (Optimal power flow - OPF) là bài toán có ý nghĩa quan trọng trong vận hành HTĐ Do tính chất đặc thù điện năng gần như không thể lưu trữ được và 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 lại 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 mà không làm quá tải trong khi vẫn đảm bảo được cung cấp điện tin cậy của

hệ thống điện

OPF được sử dụng rộng rãi trong vận hành và quy hoạch hệ thống điện Module OPF là dòng tải thông minh sử dụng các kỹ thuật để tự động điều chỉnh sự thiết lập điều khiển hệ thống điện trong khi thỏa mãn được các điều kiện vận hành và dòng phân bố tải với các ràng buộc cụ thể

5

Bài toán OPF được xem như là bài toán ghép đôi của điều phối sự phát công suất tác dụng (Economic Dispatch Problem-EDP) [3] và điều phối công suất phản kháng Mục tiêu chính của bài toán EDP là xác định kế hoạch phát công suất để cực tiểu hóa tổng chi phí vận hành hệ thống mà không vi phạm bất cứ ràng buộc vận hành nào của hệ thống như quá tải đường dây hay độ sai lệch điện áp nút Trong khi đó mục tiêu của điều phối công suất phản kháng là để nâng cao ổn định điện áp và giảm tổn thất công suất truyền tải trong hệ thống điện mà thỏa mãn tất cả các ràng buộc vận hành

Mục tiêu cơ bản của bài toán OPF là cực tiểu tổng chi phí nhiên liệu máy phát trong khi vẫn đảm bảo độ an toàn hệ thống Từ quan điểm của bài toán OPF, sự duy trì

độ an toàn hệ thống đòi hỏi mỗi thiết bị trong hệ thống điện phải được giữ hoạt động trong giới hạn cho phép để đảm bảo hệ thống hoạt động an toàn và ổn định Nó bao gồm giới hạn công suất đầu ra máy phát trong khoảng lớn nhất và nhỏ nhất, dòng công suất lớn nhất trên đường dây truyền tải và máy biến áp (MBA) cũng như giữ điện áp mỗi nút trong khoảng giới hạn an toàn

Mục tiêu thứ hai của bài toán OPF là để xác định dữ liệu chi phí biên của hệ thống

Lời giải bài toán OPF tuy khó hơn nhưng vẫn có nhiều thuận lợi hơn so với bài toán điều phối kinh tế cổ điển trong hệ thống điện Bài toán OPF có khả năng thực hiện các chức năng điều khiển cần thiết trong khi bài toán điều phối kinh tế (ED) chỉ điều khiển công suất ngõ ra máy phát Bài toán OPF còn có khả năng giám sát sự an toàn của hệ thống bao gồm quá tải đường dây và vấn đề điện áp thấp, điện áp cao

Hầu hết các phương pháp cổ điển và các phương pháp thông thường đều gặp phải 3 vấn đề chính: Một là, các phương pháp này có thể không đưa ra được lời giải tối

ưu hoặc thường bị kẹt ở lời giải tối ưu Hai là, tất cả các phương pháp này đều dựa trên giả định hàm mục tiêu là hàm liên tục và khả vi mà không đúng đối với hệ thống thực

tế Ba là, các phương pháp này đều không thể áp dụng cho các biến rời rạc

Vì thế kỹ thuật tối ưu mới dựa trên trí thông minh nhân tạo và tiến hóa được giới thiệu ở đây mà điển hình là phương pháp PSO mới phù hợp với loại bài toán OPF phức tạp này và loại trừ bỏ được các vấn đề khó khăn trên

6

*Cơ sở phát triển của bài toán OPF

Bài toán phân bố công suất tối ưu trong HTĐ ban đầu chỉ với mong muốn tối

thiểu chi phí vận hành nguồn phát và tải cho trước (bài toán điều độ kinh tế truyền

thống - Economic Dispatch)

Hơn 25 năm trước nhà khoa học Carpentier đã đề xuất mô hình qui hoạch phi

tuyến tổng quát bài toán điều độ kinh tế bao hàm các ràng buộc về điện áp, về công

suất và các điều kiện ràng buộc vận hành khác [5] Từ đó các phương pháp mới ra đời

để giải quyết bài toán OPF như ngày nay

Bài toán OPF chuẩn có thể được viết dưới dạng sau:

Phụ thuộc vào: g(x,u) = 0 (2.2)

h(x,u) ≤ 0 (2.3) Trong đó:

F (x,u) là hàm mục tiêu

x là vector các biến phụ thuộc bao gồm: công suất tác dụng nút chuẩn

PG1, điện áp nút tải VL, công suất phản kháng ngõ ra máy phát QG và công suất

trên đường dây truyền tải Sl

u: là vector các biến độc lập bao gồm: điện áp máy phát VG, công suất tác dụng ngõ ra máy phát PG (trừ nút chuẩn PG1) và chỉ số chỉnh định MBA T

g(x,u) là các ràng buộc bằng nhau và thay thế cho các phương trình dòng

phân bố tải

h(x,u) là các ràng buộc không bằng nhau và thay thế cho các ràng buộc

vận hành hệ thống bao gồm: các ràng buộc về sự phát công suất, ràng buộc về

điện áp, ràng buộc về độ an toàn hệ thống và ràng buộc về chỉ số chỉnh định

MBA

Bản chất của bài toán phân bố công suất tối ưu thể hiện qua việc làm đơn giản

hàm mục tiêu và đồng thời thỏa mãn các phương trình dòng phân bố tải (ràng buộc

bằng nhau) mà không vi phạm các ràng buộc không bằng nhau

7

2.1.2 Các chức năng chính của an ninh hệ thống điện [6]

An ninh hệ thống điện có thể được chia thành ba chức năng chính được thực hiện trong trung tâm điều khiển vận hành:

- Hệ thống giám sát

- Phân tích sự cố

- Phân bố công suất tối ưu có ràng buộc an ninh

* Hệ thống giám sát:

+ Hệ thống giám sát cung cấp cho người vận hành của hệ thống điện

những thông tin cập nhật phù hợp về các điều kiện của hệ thống điện Nói chung, nó là chức năng quan trọng nhất của ba chức năng nêu trên Hệ thống đo

đạc những giá trị từ xa và truyền về trung tâm xử lý, được gọi hệ thống đo đạc

từ xa, nó có thể theo dõi điện áp, dòng điện, dòng công suất và tình trạng của bộ

đóng ngắt, và các thiết bị chuyển mạch trong mỗi trạm biến áp trên hệ thống mạng điện truyền tải

+ Ngoài ra, các thông tin quan trọng như tần số, công suất ngõ ra máy phát và vị trí máy biến áp cũng được đo đạc từ xa Với rất nhiều thông tin đo đạc từ xa cùng một thời điểm, không có người vận hành nào có thể kiểm tra tất

cả thông tin truyền đến Vì vậy, máy tính thường được cài đặt tại các trung tâm

xứ lý để thu thập các dữ liệu từ xa, xử lý chúng, và đặt chúng trong cơ sở dữ liệu mà từ đó người vận hành có thể hiển thị thông tin trên màn hình hiển thị lớn Quan trọng hơn, máy tính có thể kiểm tra thông tin truyền đến vượt quá giới hạn (quá tải hay quá áp) và báo động cho người vận hành

+ Hệ thống thường kết hợp với các hệ thống điều khiển giám sát cho phép người vận hành kiểm soát bộ phận đóng cắt và ngắt kết nối thiết bị chuyển

mạch và biến áp chỉnh định từ xa Các hệ thống này thường được gọi là hệ

thống SCADA

* Phân tích sự cố

+ Phân tích sự cố (contingency analysis - CA) là một dạng “Phân tích an ninh” được áp dụng trong kiểm soát hệ thống điện Với mục đích phân tích hệ

8

thống điện để xác định các quá tải và các sự cố xẩy ra Trong hệ thống điện, có nhiều vấn đề có thể gây ra những sự cố nghiêm trọng trong khi thời gian không

đủ để người vận hành có thể xử lý

+ Phân tích sự cố là phân tích điều kiện bất thường trong hệ thống điện

Nó đặt toàn bộ hệ thống hoặc một phần hệ thống điện trong các điều kiện bắt buộc Sự cố xẩy ra có thể do dây truyền tải bất ngờ bị mất điện (outage), máy phát bị dừng hoặc đột ngột thay đổi, việc thay đổi các giá trị của tải Phân tích

sự cố cung cấp các công cụ cho việc quản lý, thiết lập, phân tích, tổng hợp các báo cáo của sự cố bất ngờ và các vi phạm liên quan

* Phân bố công suất có ràng buộc an ninh (Security Constraint Optimal Power Flow – SCOPF)

+ Phân phối công suất tối ưu có ràng buộc an ninh (SCOPF) là sự kết

hợp của phân tích sự cố (contingnecy analysis) và phân bố công suất tối ưu (opimal power flow - OPF) Nó là một loại đặc biệt của OPF khi các giá trị tối

ưu của hàm mục tiêu được tính toán với trong các điều kiện ràng buộc, cả trong điều kiện hoạt động bình thường (cơ sở) và trong điều kiện xẩy ra sự cố (chẳng hạn khi bị ngắt điện hoặc thiết bị bị hỏng)

+ Những ràng buộc an ninh cho phép OPF xác định hoạt động của hệ

thống điện theo kiểu bảo vệ, nghĩa là SCOPF tác động để hệ thống vận hành theo kiểu nếu gặp sự cố bất ngờ thì điện áp và dòng công suất vẫn nằm trong

trạng thái thiết lập

2.1.3 Các trạng thái vận hành của hệ thống điện [6]

Có 4 trạng thái vận hành của hệ thống điện, gồm các trạng thái sau:

- Điều độ tối ưu (Optimal Dispatch): là trạng thái của hệ thống trước khi xẩy ra

sự cố

- Sau khi xẩy ra sự cố (Post contingency): là trạng thái của hệ thống sau khi có

một sự cố xẩy ra Chúng ta giả định rằng trạng thái này có vi phạm an ninh (dây truyền tải, máy biến áp, điện áp nút … vượt quá giới hạn)

9

- Điều độ an ninh (Secure dispatch): là trạng thái mà hệ thống không có sự cố

mất điện nhưng việc hiệu chỉnh các thông số vận hành có tính đến các vi phạm an ninh

- An ninh sau sự cố (Secure post-contingency): là trạng thái của hệ thống khi

phân tích sự cố được áp dụng cho các điều kiện vận hành cơ sở với các sự điều chỉnh

Ví dụ minh họa: Giả sử hệ thống điện với 2 máy phát, 1 tải và 2 dây truyền tải

Bỏ qua tổn thất công suất, hệ thống đang vận hành trong điều độ kinh tế với các giá trị cho trước sau:

+ Máy phát 1: 500MW + Máy phát 2: 700MW + Giới hạn tối đa của dây truyền tải: 400MW

Ở trạng thái vận hành cơ sở, hệ thống hoạt động bình thường:

Nếu có một trong 2 dây truyền tải bị mất điện bởi sự cố Hiện tượng quá tải sẽ xuất hiện trên dây truyền tải còn lại

Giả sử trong ví dụ này chúng ta không muốn sự cố quá tải xẩy ra Chúng ta sẽ điều chỉnh trạng thái với việc giảm công suất phát của máy phát 1 còn 400MW

10

Nếu một vài phân tích sự cố được thực hiện, trạng thái sau sự cố:

Bằng việc điều chỉnh công suất phát tại máy phát 1 và 2, chúng ta đã ngăn chặn được trạng thái vận hành sau sự cố với việc quá tải của dây truyền tải, thực chất đây

được gọi là “Sự hiệu chỉnh an ninh” Việc kiểm soát điều khiển vận hành trong trường

hợp cơ sở hay sự cố để ngăn chặn các vi phạm giới hạn được gọi là “Phân bố công suất tối ưu có ràng buộc an ninh” hay gọi tắt là SCOPF (Security constraint optimal power flow) Với SCOPF, chúng ta có thể tính được số các sự cố, tính toán và điều chỉnh

công suất máy phát, điện áp máy phát, máy biến áp…

2.2 MỘT SỐ KHẢO SÁT VỀ PHÂN BỐ CÔNG SUẤT TỐI ƯU CÓ RÀNG BUỘC AN NINH

2.2.1 Trạng thái ổn định

H W Dommel đã phác thảo một cuộc khảo sát cụ thể về các thuật toán dòng tải [7], nghiên cứu đầu tiên về dòng tải thuộc về J Carpentair (1962) Tất cả những phát triển trong các thuật toán phân bố công suất nghiên cứu về SCOPF để khắc phục khi có bất kỳ trường hợp sự cố nào xẩy ra bằng cách kiểm soát hệ thống vẫn trong giới

hạn cho phép hoạt động - gọi là là trạng thái ổn định [8-9] Phương pháp trước đó về

cơ bản là mô hình dòng tải tuyến tính DC với nhiều xấp xỉ và chỉ sử dụng một mô hình lũy tuyến cho hệ thống mất điện [10] Đầu những năm 1960 với đề nghị của Wells [11], và năm 1970 tác phẩm của El-Hawary [12], Kaltenbach và cộng sự [13] và Shen [14]… là những người đầu tiên nghiên cứu về tối ưu hóa hệ thống điện có ràng buộc

11

an ninh Alsac vào đầu năm 1973 đã đề xuất một phương pháp chính xác hơn để kết hợp các ràng buộc trạng thái ổn định vào OPF, với công suất phản kháng và ràng buộc điện áp trong trường hợp mất điện [15] OPF được giải quyết bằng cách sử dụng phương pháp "Dommel Tinney" và sau đó ràng buộc an ninh được thêm vào các dòng

AC và số nhân Lagrange, để có được điều kiện hoạt động tối ưu và được thử nghiệm trên mạng điện IEEE 30 nút

Mục đích phân bố công suất tối ưu có ràng buộc an ninh là một vấn đề hai chiều

và tối ưu hóa xảy ra ở trao đổi giữa chi phát sinh và chi phí an toàn “Chỉ số an toàn

D D Menniti (1989) và sau đó được sử dụng rộng rãi trong nghiên cứu của ông về giai đoạn ổn định an toàn bằng cách sử dụng nhận dạng mẫu [16] và mạng nơ-ron [17] vào năm 1991 và 1995 Năm 1996, Minniti cùng với Confroti và Sorrentino đề xuất phương pháp phân phối Gradient song song và lập trình không tuyến tính dựa trên thuật toán OPF có (N - 1) dự phòng [18] với các số liệu an toàn liên tục và đã được thử nghiệm trên mạng điện IEEE 5 nút

2.2.2 Dynamic SCOPF

Ebrahim Vaahedi và cộng sự [19] (2001) là người tiên phong trong Dynamic SCOPF, ổn định điện áp với ràng buộc an ninh tĩnh, dòng công suất và điện áp trong trạng thái bình thường và trạng thái sự cố Bài toán được thiết lập như ba mức độ phân tích trong chương trình Interior/kỹ thuật phân tích Benders được sử dụng để kiểm tra

hệ thống điện Bắc Mỹ 1449 nút, 2511 mạch điện, 778 máy biến áp và 240 máy phát điện và hệ thống Brazil với 11 nút và 15 mạch điện và bằng cách sử dụng dòng công suất liên tục (Continuation Power Flow) và chương trình điểm sụp đổ (Point of Collapse Program - PFLOW)

Don Hur và cộng sự [20] (2001) đề xuất một thuật toán Novel với kết cấu phân cấp, sử dụng kỹ thuật giá cơ sở với các mô hình từng khu vực như một đơn vị kinh tế

Ở đây, chương trình tuyến tính dựa trên phương pháp tiếp cận được sử dụng bởi các tác giả với việc tối đa an ninh của hệ thống kết hợp với khả năng trao đổi của dây liên kết

12

2.2.3 Lựa chọn sự cố (Contingency selection)

Lizhi Wang [21] (2006) phát triển một kỹ thuật lựa chọn sự cố mới cho bài toán SCOPF, kỹ thuật này đã được chứng minh là cung cấp lời giải tốt hơn là nguyên tắc chọn (N-K) truyền thống Một mô hình dòng tải DC bảo toàn được sử dụng và sự cân bằng giữa yếu tố kinh tế và an toàn đã đạt được bằng cách dùng hàm tham số tải Sự cân bằng tốt nhất giữa lợi ích kinh tế, chi phí và rủi ro đã được xem xét và phương pháp Integer Programming (IP) được sử dụng kể kiểm tra trên hệ thống 5 nút, 6 đường dây và trên hệ thống IEEE 30 nút sử dụng MatlabTM và nền tảng CPLEX 9.0

Florin Capitanescu [22] (2007) giới thiệu hai kỹ thuật lựa chọn sự cố mới dựa trên so sánh các giải pháp trung gian của phân bố công suất tối ưu với ràng buộc an ninh dự phòng (Preventive Security Constraint OPF – PSC-OPF) trong phân tích sự

cố Tác giả đã so sánh phương pháp đề nghị với các phương pháp cổ điển như Individually Non-dominated Contingency (INDC), Non-dominated Contingency Group (NDCG), cả hai phương pháp đều dựa trên khái niệm “Ưu thế của ràng buộc vi phạm”, nó có lợi thế với các tham số được điều chỉnh tự do Các kỹ thuật trước đây cho thấy chỉ có thể giữ trạng thái sự cố không chiếm ưu thế, với kết quả thu được từ PSCOPF, tất cả các sự cố được mô tả và loại bỏ khỏi hệ thống Phương pháp Interior Point (IP) được sử dụng trong các thuật toán cơ sở Các thuật toán đã được thử nghiệm trên hệ thống Nordic32 (với 60 nút) và hệ thống IEEE 118 nút Tác giả chứng minh rằng phương pháp PSCOPF đề xuất mạnh mẽ hơn và đẩy nhanh kết quả tối ưu hơn các phương pháp cổ điển khác

2.2.4 Điều độ kinh tế với ràng buộc an ninh

Mohamed Aganagic và cộng sự [23] (1997) mô tả một thuật toán phân giải hai bậc sử dụng phiên bản phi tuyến của kỹ thuật phân giải Danttzig-Wolfe Điều độ kinh

tế với ràng buộc an ninh sử dụng các hàm chi phí đơn vị phi tuyến Tác giả đã thuyết minh chi tiết của những đường cong dự trữ được cho kiểm chứng trên ba trường hợp với tổng công suất tải là 3595MW Thuật toán đề nghị gồm hai pha: pha thứ nhất đạt được lời giải khả thi chủ yếu bằng việc tối thiểu tổng các trường hợp khả thi, trong khi

ở pha thứ hai, chi phí phát điện được tối thiểu và được giải quyết bằng phương pháp đơn hình sửa đổi (Revised simplex method)

13

2.2.5 Phân bố công suất tối ưu với ràng buộc sự cố (CCOPF)

Ramesh và cộng sự [24] (1997) đã phát triển một dạng suy biến của phân bố công suất tối ưu với ràng buộc sự cố (CCOPF) sử dụng logic mờ, trong đó sự tối thiểu chi phí vận hành của cả trường hợp cơ bản (trước sự cố) và trường hợp sự cố được chấp nhận như là mục tiêu mờ Devaraj và cộng sự [25] (2005) mô tả thuật toán phát sinh mã thực (RCGA) cho OPF để nâng cao mục tiêu an toàn của đường dây bằng cách điều chỉnh độ trễ pha của các máy biến áp với việc thiết lập các chỉ số nghiêm ngặt (Severity Index – SI)

2.3 GIỚI THIỆU CÁC PHƯƠNG PHÁP GIẢI BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU TRONG HỆ THỐNG ĐIỆN

2.3.1 Phương pháp EP (Evolutionary programming)

EP là một chiến lược tối ưu sự cố nhấn mạnh đến sự liên kết hành vi giữa bố mẹ

và con cái Đây là phương pháp tối ưu không phụ thuộc vào đạo hàm bậc nhất và bậc hai của hàm mục tiêu và những điều kiện ràng buộc của bài toán Ưu điểm quan trọng nhất của EP là nó chỉ sử dụng thông tin hàm mục tiêu và do đó không chịu ảnh hưởng bởi bản chất của không gian tìm kiếm như độ trơn, độ lồi Thuật toán tối ưu dựa trên

EP xoay quanh ba quá trình: chọn lọc tự nhiên, đột biến và cạnh tranh Tuỳ thuộc vào đặc tính của bài toán tối ưu, mỗi quá trình có thể được điều chỉnh và định hình để đạt được kết quả khả quan nhất

Báo cáo [26] trình bày một thuật toán hiệu quả và đáng tin cậy dựa trên EP cho phép giải bài toán phân bố công suất tối ưu có ràng buộc an ninh (SCOPF) Phương pháp đề nghị để giải bài toán SCOPF nhắm đến điều kiện ràng buộc và giới hạn cân bằng năng lượng trên việc kiểm soát các biến số khác nhau gọi là sự sản sinh năng lượng tích cực, lượng điện áp kiểm soát được, tụ điện shunt ngắt được và tỉ lệ biến áp, những giới hạn trên các biến phụ thuộc gọi là sự sản sinh năng lượng phản ứng và lượng điện áp trên tải và giới hạn trên những dòng MVA như là các điều kiện ràng buộc không cân bằng trong trường hợp cơ bản cũng như sự cố Một hệ thống IEEE 30 nút được dùng để nghiên cứu Kết quả SCOPF đạt được bằng EP được so sánh với

việc giải bài toán SCOPF truyền thống

14

2.3.2 Phương pháp AM (Ant Manners)

Bài báo [27] trình bày phương pháp tính toán dựa trên hành vi của đàn kiến và cách thu nhận tin tức của chúng Phương pháp này được ứng dụng vào việc giải bài toán phân bố công suất tối ưu để cực tiểu chi phí nhiên liệu máy phát với các ràng buộc giới hạn công suất thực và công suất phản kháng máy phát, điện áp các nút, đầu phân áp, tụ bù và dòng công suất trên các đường dây Mô hình lựa chọn để tính toán là mạng điện IEEE 30 nút và kết quả được so sánh với các phương pháp EP, GA

2.3.3 Phương pháp DE (Differential Evolution)

Bài báo [28] trình bày ứng dụng giải thuật DE vào việc giải bài toán phân bố công suất tối ưu DE là một thuật toán tiến hóa được đề xuất bởi Storn and Price vào năm 1997 Phương pháp DE cho thấy hiệu quả trong việc giải quyết bài toán tối ưu không tuyến tính với nhiều ràng buộc DE có ưu điểm hơn các phương pháp tiến hóa khác đó là cấu trúc đơn giản, gọn, ít thông số điều khiển, điểm hội tụ cao Hàm mục tiêu có dạng bậc hai dùng để tính toán là cực tiểu chi phí nhiên liệu máy phát với các ràng buộc giới hạn công suất thực và công suất phản kháng máy phát, điện áp các nút, đầu phân áp và dòng công suất trên các đường dây Phương pháp đề xuất được ứng dụng vào giải mạng điện IEEE 30 nút và kết quả được so sánh với các phương pháp:

EP, TS, SA

2.3.4 Phương pháp GA (Genetic Algorithm)

Bài báo [29] trình bày việc giải bài toán phân bố công suất tối ưu trong mạng điện lớn sử dụng phương pháp giải thuật gen Thuật toán GA(Genetic Algorithm) được phát minh bởi Holland vào đầu những năm 1970 là phương pháp tìm kiếm toàn cục sự

cố mà dựa theo sự đánh giá di truyền tự nhiên GA hoạt động trên quần thể của những lời giải ứng viên giải mã chuỗi hữu hạn gọi là nhiễm sắc thể (NST) Thông thường các kết quả này được biểu diễn dưới dạng chuỗi số nhị phân hoặc các ký hiệu mã hóa khác được gọi là nhiễm sắc thể Để thu được sự tối ưu, mỗi NST phải trao đổi thông tin bằng cách sử dụng những toán tử mượn từ gen tự nhiên để làm ra lời giải tối ưu Hàm mục tiêu dùng để tính toán là cực tiểu chi phí nhiên liệu máy phát với các ràng buộc công suất máy phát, điện áp các nút, tụ bù, đầu phân áp nằm trong giới hạn cho phép

15

Thời gian tính toán có thể giảm xuống bằng cách phân chia các ràng buộc tối ưu thành ràng buộc tích cực để thao tác trực tiếp bằng giải thuật GA, duy trì các ràng buộc thụ động trong giới hạn mềm sử dụng bài toán dòng công suất truyền thống Mạng IEEE

30 nút được ứng dụng để kiểm tra sự hiệu quả của giải thuật Kết quả được so sánh với các cách giải khác của giải thuật GA và phương pháp EP

GA có nhiều ưu điểm trong tính toán, như đơn giản và tổng quát hóa Ngoài ra,

nó còn tìm ra nhiều kết quả một cách đồng thời mà các phương pháp thông thường không làm được Vì thế, khả năng tìm ra kết quả tối ưu toàn cục được nâng lên Ưu điểm chính của GA là tìm ra kết quả gần tối ưu trong thời gian ngắn so với các phương pháp dò tìm sự cố khác như Simulated annealing (SA) hay Qui hoạch động (DP) … Tuy nhiên, GA phụ thuộc nhiều vào hàm tương thích, nhạy với tỉ lệ lai và đột biến, sơ

đồ mã hóa các bit của nó, và độ dốc của đường cong không gian dò tìm dẫn đến lời giải GA đã được cải tiến và kiểm chứng trong bài toán điều độ kinh tế hệ thống điện với nhiều dạng khác nhau cho thấy kết quả khá tốt

2.3.5 Phương pháp ACO (Ant Colony Optimization) [30]

Một trong những phương pháp tiến hóa dựa trên trí thông minh nhân tạo được giới thiệu gần đây là phương pháp ACO được đề xuất bởi Marco Dorigo năm 1992

ACO đưa ra cách tiếp cận mới mạnh mẽ và hiệu quả hơn cho những bài toán tối

ưu hóa phức tạp, thuật toán này tiêu biểu cho việc sử dụng mô hình xác suất để tìm ra lời giải tối ưu Phương pháp này dựa trên cách cử xử của đàn kiến đi tìm thức ăn Trong khi tìm thức ăn các cá thể kiến tự động khởi tạo xung quanh khu vực tổ của chúng các thói quen riêng Ngay khi có 1 cá thể kiến tìm được nguồn thức ăn, nó sẽ đánh giá chất lượng và số lượng thức ăn đó và mang về tổ số thức ăn tìm được Trong suốt quá trình quay về tổ cá thể kiến này sẽ để lại trên lối về loại pheromone do nó tiết

ra Lượng pheromone để lại có thể phụ thuộc vào chất lượng và số lượng thức ăn, lượng pheromone này sẽ dẫn các cá thể kiến khác tới nguồn thức ăn này Sự truyền đạt không trực tiếp này giữa các cá thể kiến qua chất pheromone để lại trên lối mòn cho phép chúng tìm được đường đi ngắn nhất giữa tổ của chúng và nguồn thức ăn đó

Nói chung phương pháp ACO giải quyết bài toán tối ưu hóa bằng cách lặp lại 2 bước sau:

16

 Lời giải ứng viên được xây dựng dựa trên mô hình chất đ pheromone đặc trưng của loài kiến mà sự phân bố tần suất được thông số hóa qua không gian bài toán

 Lời giải ứng viên được sử dụng để thay đổi các giá trị của chất đặc trưng với cách mà được nghĩ rằng thiên về sự lấy mẫu hơn là về lời giải chất lượng cao

Phương pháp ACO được ứng dụng thành công trong nhiều bài toán khác nhau như: bài toán người bán hàng du lịch, định tuyến xe cộ, mạng lưới viễn thông…

2.3.6 Phương pháp TS (Tabu Search)

Phương pháp TS [31] là phương pháp tìm kiếm để tìm giải pháp tối ưu dựa trên

bộ nhớ linh động của máy tính Phương pháp ra đời năm 1986 bởi Fred W Glover Đầu tiên TS chọn kết hợp tất cả các hàm chi phí của các tổ máy Kết quả tính toán được mã hóa ở dạng thập phân và được lưu vào bộ nhớ máy tính Ưu đểm của TS là thời gian tính toán nhỏ Phương pháp này đã được chứng minh là giải quyết tốt bài toán điều độ kinh tế với nhiều ràng buộc khác nhau

Sự thuận lợi của thuật toán TS là việc nó sử dụng sự ghi nhớ uyển chuyển của lịch sử tìm kiếm để ngăn ngừa dao động và tránh bị kẹt ở giá trị tối ưu cục bộ TS có thể giải quyết được các bài toán không lồi, không phẳng…

2.3.7 Phương pháp SA (Simulated Annealing)

SA(Simulated Annealing) [32] là phương pháp được đề xuất bởi Kirt Patrick, Gelatt và Vecchi năm 1983 SA đã được kiểm chứng trong một số bài toán tối ưu hóa

và cho kết quả rất tốt

SA là phương pháp dựa trên việc tìm kiếm cục bộ mỗi bước di chuyển được chấp nhận nếu cải thiện được năng lượng hệ thống Một lời giải khác có thể chấp tùy theo tiêu chí tần suất mà sự phân bố tần suất dựa trên quy trình luyện kim và chúng được thu lại như hàm nhiệt độ của hệ thống

Chiến thuật SA khởi đầu với nhiệt độ cao đưa ra tần suất phân bố cao để chấp nhận với các bước di chuyển không được cải thiện Nhiệt độ và mức độ phân bố giảm bớt đáng kể như sự cải thiện của thuật toán về lời giải tối ưu

17

2.3.8 Phương pháp particle swarm optimization

Bài báo [33] trình bày giải thuật PSO cho phân bố công suất phản kháng và điều khiển điện áp (Volt/Var Control: VVC) xem xét đánh giá ổn định điện áp (VSA) Mục đích của phương pháp mở rộng PSO nguyên thủy và xác định VVC với điều khiển biến liên tục và gián đoạn như là AVR, giá trị hoạt động của máy phát, vị trí nấc OLTC của máy biến áp và số lượng của thiết bị bù công suất phản kháng Phương pháp cũng xem xét vấn đề an ninh điện áp trong hệ thống điện sử dụng phân bố công suất liên tục Tính khả thi của phương pháp đề xuất được chứng minh trên kỹ thuật phân tích sự cố và so sánh với phương pháp tìm kiếm RTS (Reactive Tabu Search) và phương pháp liệt kê trên mô hình hệ thống điện với kết quả khả quan

Một thuật toán PSO cải tiến được trình bày trong luận văn này sẽ là một giải pháp tốt giúp giải quyết các vấn đề khó khăn mà các phương pháp khác gặp phải và kết quả đạt được là rất tốt và triển vọng bởi:

- Thuật toán đơn giản và dễ thực hiện

- Thuật toán PSO tìm kiếm trong tất cả không gian bài toán

- PSO thích hợp với các bài toán không liên tục, không khả vi

- PSO có khả năng giải quyết các bài toán với các biến rời rạc

18

CHƯƠNG 3 BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU CÓ RÀNG BUỘC AN NINH

Bài toán phân bố công suất tối ưu có ràng buộc an ninh là bài toán tối ưu 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

3.1 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 xét ảnh hưởng

của điểm van công suất

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

Gij, Bij Dung dẫn và điện dẫn giữa nút i và nút j

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

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

Vgi, Vli Độ lớn điện áp tại nút phát i và nút tải i

Vi, δi Độ lớn điện áp và góc tại nút i

19

3.2 Bài toán:

Bài toán tối ưu phân bố công suất tối ưu có ràng buộc an ninh với mục tiêu tối ưu tổng chi phí nhiêu liệu máy phát, thỏa mãn các ràng buộc bằng nhau và không bằng nhau của trường hợp cơ sở (base-case) và trường hợp sự cố (contingency case) [34]

Tổng quát như sau:

bao gồm: công suất thực tại nút chuẩn PG1, điện áp của nút tải VL, công suất kháng của máy phát QG, máy biến áp và đường dây truyền tải Sl Do đó, x hoặc x R có thể

biểu diễn dưới dạng:

(ngoại trừ máy phát tại nút chuẩn), điện áp của tất cả máy phát VG, chỉnh định máy

biến áp T Vector u có thể biểu diễn dưới dạng:

g x u và g R(x u R, )là những ràng buộc bằng nhau của trường hợp cơ sở

và trường hợp sự cố Nó mô tả phương trình cân bằng dòng công suất

20

( , )

h x u và h R(x R, )u là những ràng buộc không bằng nhau của trường hợp cơ

sở và trường hợp sự cố Nó mô ta các điều kiện vận hành hệ thống

Bài toán SCOPF được thành lập chi tiết như sau [35]

Hình 3.1 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):

21

Hình 3.2 Đường cong chi phí với bậc 2 với thành phần sin

+ Dạng với các loại nhiêu liệu khác nhau:

23

CHƯƠNG 4 GIỚI THIỆU VỀ PHƯƠNG PHÁP PSO

4.1 GIỚI THIỆU

Thuật toán PSO (Particle Swarm Optimization) - tối ưu bầy đàn (tạm

dịch) là một trong những thuật toán 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 PSO là một dạng của các thuật toán tiến hóa quần thể đã được biết đến trước đây như giải thuật di truyền (GA) [29], Thuật toán đàn kiến (ACO) [30] Tuy vậy PSO khác với GA ở chỗ nó thiên về sử dụng sự tương tác giữa các cá thể trong một quần thể để khám phá không gian tìm kiếm PSO là kết quả của sự mô hình hóa việc đàn chim bay đi tìm kiếm thức ăn cho nên nó thường được xếp vào loại thuật toán có sử dụng trí tuệ bầy đàn PSO được giới thiệu vào năm 1995 tại một hội nghị của IEEE

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 các bài toán tối ưu hóa

Để hiểu rõ thuật toán PSO ta hãy xem một ví dụ đơn giản về quá trình tìm kiếm thức ăn của một đàn chim Không gian tìm kiếm thức ăn lúc này là toàn bộ không gian ba chiều mà chúng ta đang sinh sống Tại thời điểm bắt đầu tìm kiếm cả đàn bay theo một hướng nào đó, tuy nhiên sau một thời gian tìm kiếm một số cá thể trong đàn bắt đầu tìm ra được nơi có chứa thức ăn Tùy theo số lượng thức ăn vừa tìm kiếm, mà cá thể gửi tín hiệu đến các cá thể khác đang tìm kiếm ở vùng lân cận, tín hiệu này nhanh chóng lan truyền trên toàn quần thể Dựa vào thông tin nhận được mỗi cá thể sẽ điều chỉnh hướng bay và vận tốc theo hướng về nơi có nhiều thức ăn nhất Cơ chế truyền tin như vậy thường được xem như là một kiểu hình của trí tuệ bầy đàn Cơ chế này giúp cả đàn chim tìm ra nơi có nhiều thức ăn nhất trên không gian tìm kiếm vô cùng rộng lớn Như vậy đàn chim đã dùng trí tuệ, kiến thức

và kinh nghiệm của cả đàn để nhanh chóng tìm ra nơi chứa thức ăn Bây giờ chúng

ta tìm hiểu làm cách nào mà một mô hình trong sinh học như vậy có thể áp dụng trong tính toán và sinh ra thuật toán PSO mà chúng ta từng nhắc đến Việc mô hình

hóa này thường được gọi là quá trình phỏng sinh học (bioinspired) mà chúng ta

24

thường thấy trong các ngành khoa học khác Một thuật toán được xây dựng dựa trên

việc mô hình hóa các quá trình trong sinh học được gọi là thuật toán phỏng sinh học (bioinspired algorithms)

Hình 4.1 Bầy chim trong tự nhiên

Hãy xét bài toán tối ưu của hàm số F trong không gian n chiều Mỗi vị trí trong không gian là một điểm tọa độ n chiều Hàm F là hàm mục tiêu xác định trong không gian n chiều và nhận giá trị thực Mục đích là tìm ra điểm cực tiểu của hàm F

trong miền xác định nào đó Ta bắt đầu xem xét sự liên hệ giữa bài toán tìm thức ăn với bài toán tìm cực tiểu của hàm theo cách như sau Giả sử rằng số lượng thức ăn

tại một vị trí tỉ lệ nghịch với giá trị của hàm F tại vị trí đó Có nghĩa là ở một vị trí

mà giá trị hàm F càng nhỏ thì số lượng thức ăn càng lớn Việc tìm vùng chứa thức

ăn nhiều nhất tương tự như việc tìm ra vùng chứa điểm cực tiểu của hàm F trên

không gian tìm kiếm

4.2 BIỂU THỨC CƠ BẢN CỦA THUẬT TOÁN PSO:

Phương pháp Particle Swarm Optimization (PSO) là kỹ thuật tối ưu hóa được phái triển bởi Kennedy và Eberhart vào năm 1995 Động cơ thúc đẩy sự phát triển

25

của phương pháp này dựa trên sự mô phỏng xã hội của các động vật cấp thấp như

cá, chim, v.v

Giống như những phương pháp tối ưu dựa trên mô hình dân cư khác như

GA, PSO bắt đầu bằng một trường hợp sự cố của các cá thể của cộng đồng dân cư trong không gian tìm kiếm Tuy nhiên, không giống với các phương pháp tiến hóa khác, trong PSO không có sự kết nối giữa các phần tử di truyền trong quá trình tìm kiếm, thuật toán PSO làm việc dựa trên ứng xử xã hội của các phần tử trong nhóm

Vì vậy, kết quả tối ưu toàn cục do sự hiệu chỉnh quỹ đạo của các cá thể sẽ dẫn đến

vị trí tốt nhất và phần tử tối ưu nhất trong nhóm sau mỗi lần bước tính Phương pháp PSO đang trở nên phổ biến vì tính đơn giản và khả năng hội tụ nhanh chóng đạt kết quả tốt

Trong thuật toán particle swarm (tạm dịch là bầy nhóm), quỹ đạo của mỗi cá thể trong không gian tìm kiếm được hiệu chỉnh bằng cách thay đổi vận tốc của từng

cá thể, thông qua kinh nghiệm bay của nó và kinh nghiệm bay của những cá thể khác trong không gian tìm kiếm Vector vị trí và vector vận tốc của một cá thể thứ i trong không gian d chiều [36]:

X i x x i1, i2, ,x id (4.1)

V i v v i1, i2, ,v id (4.2) Thông qua cách đặt hàm định nghĩa, chúng ta sẽ tìm ra được giá trị phù hợp nhất đạt được bởi một phần tử tại thời điểm t là: Pbest i p i1 ,p i2 , ,p id và cá thể phù hợp nhất tại thời điểm t là Gbestp g1,p g2, ,p gd Sau đó, vận tốc mới và vị trí mới của các cá thể được tính toán bằng 2 biểu thức sau:

v id v id c1rand(1) ( p id x id)c2rand(2)p gd x id (4.3)

xid  xid  vid (4.4) Trong đó

+ c1, c2 là những hằng số gia tốc

+ rand(1) và rand(2) là dạng tạo số sự cố trong đoạn [0,1] (2 hàm này

có mối liên hệ đồng dạng với nhau)

Ban đầu các cá thể sẽ được tạo ra với 1 vị trí sự cố, sau đó các vận tốc sự cố được ấn định cho từng cá thể Sự phù hợp của các cá thể được ước lượng thông qua hàm mục tiêu Ở mỗi thời kỳ, vận tốc của từng cá thể được tính toán thông qua (4.3)

và vị trí trong lần ước lượng tới được cập nhật bằng (4.4) Sau mỗi khoảng thời gian nếu các cá thể tìm ra vị trí tối ưu hơn vị trí trước thì vị trí của nó được lưu vào

bộ nhớ Một cách khái quát, vận tốc lớn nhất (V max,d) cho mỗi module của vector vận tốc của các cá thể được định nghĩa để điều khiển phạm vi của các cá thể trong không gian tìm kiến cho người dùng tự định nghĩa

Một lý do khác mà PSO được thu hút sự quan tâm là do nó có rất ít biến điều khiển PSO vừa được sử dụng cho các cách tiếp cận mà có thể được sử dụng qua rất nhiều các ứng dụng cũng như các ứng dụng cụ thể chú trọng vào các điều kiện cụ thể

PSO có nhiều thuận lợi hơn so với các thuật toán tối ưu hóa thông thường khác [37], chẳng hạn như:

 PSO là thuật toán tìm kiếm dựa trên quần thể Tính chất này đảm bảo PSO ít bị kẹt ở giá trị cực tiểu địa phương

 PSO sử dụng thông tin hoàn trả (payoff) để hướng dẫn tìm kiếm trong không gian bài toán Vì vậy, PSO dễ dàng thích ứng với các bài toán với hàm mục tiêu không khả vi Hơn nữa, tính chất này làm giảm bớt

đi sự giả định và sự xấp xỉ trong khi các phương pháp truyền thống khác không làm được

 PSO sử dụng các quy luật chuyển tiếp xác xuất mà không theo một quy luật xác định Vì thế, PSO là một loại thuật toán tối ưu hóa phỏng đoán mà có thể tìm kiếm ở các miền phức tạp và không chắc chắn