Áp dụng các phương pháp dựa trên ALHN để giải bài toán phân bố công suất tối ưu giữa các nhà máy có nhiều loại nhiên liệu

---LÊ TẤN QUANG ÁP DỤNG CÁC PHƯƠNG PHÁP DỰA TRÊN ALHN ĐỂ GIẢI BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY CÓ NHIỀU LOẠI NHIÊN LIỆU Chuyên ngành: Thiết bị, Mạng và Nhà máy ñiện L

-LÊ TẤN QUANG

ÁP DỤNG CÁC PHƯƠNG PHÁP DỰA TRÊN ALHN ĐỂ GIẢI BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY CÓ NHIỀU LOẠI NHIÊN LIỆU

Chuyên ngành: Thiết bị, Mạng và Nhà máy ñiện

LUẬN VĂN THẠC SĨ

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

Cán bộ hướng dẫn khoa học :

(Ghi rõ họ, tên, học hàm, học vị và chữ ký) Cán bộ chấm nhận xét 1 :

(Ghi rõ họ, tên, học hàm, học vị và chữ ký) Cán bộ chấm nhận xét 2 :

(Ghi rõ họ, tên, học hàm, học vị và chữ ký) Luận văn thạc sĩ ñược bảo vệ tại HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN

THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm

KHOA ĐIỆN - ĐIỆN TỬ Độc Lập - Tự Do - Hạnh Phúc

Tp HCM, ngày tháng năm 2010

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ và tên học viên: Lê Tấn Quang Phái: nam

Ngày, tháng, năm sinh: 11/06/1981 Nơi sinh: Tp.HCM

Chuyên ngành: Thiết bị, Mạng và Nhà máy ñiện

MSHV: 01808316

1- TÊN ĐỀ TÀI: ÁP DỤNG CÁC PHƯƠNG PHÁP DỰA TRÊN ALHN ĐỂ GIẢI

BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY CÓ

NHIỀU LOẠI NHIÊN LIỆU

2- NHIỆM VỤ LUẬN VĂN: ỨNG DỤNG PHẦN MỀM MATLAB ĐỂ LẬP TRÌNH

CÁC PHƯƠNG PHÁP DỰA TRÊN MẠNG NORON HOPFIELD, ĐỂ GIẢI BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU GIỮA CÁC NHÀ MÁY NHIỆT ĐIỆN

ĐA NHIÊN LIỆU LỰA CHỌN LOẠI NHIÊN LIỆU TỐI ƯU NHẤT TỪ CÁC NHIÊN LIỆU SẴN CÓ SAO CHO TỔNG CHI PHÍ PHÁT ĐIỆN LÀ NHỎ NHẤT

3- NGÀY GIAO NHIỆM VỤ :

4- NGÀY HOÀN THÀNH NHIỆM VỤ :

5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : TS VÕ NGỌC ĐIỀU

Nội dung và ñề cương Luận văn thạc sĩ ñã ñược Hội Đồng Chuyên Ngành thông qua

(Họ tên và chữ ký) QUẢN LÝ CHUYÊN NGÀNH (Họ tên và chữ ký)

(Họ tên và chữ ký)

Lời Cảm Ơn

Em xin chân thành cảm ơn thầy Võ Ngọc Điều ñã tận tình giúp ñỡ và hướng dẫn em trong học tập cũng như trong suốt quá trình thực hiện luận văn, những ý kiến quí báu của thầy giúp em học tập và khắc phục

ñược nhiều thiếu sót ñể hoàn thành luận văn

Chân thành cảm ơn quí thầy (cô) Khoa Điện – Điện Tử Trường Đại học Bách Khoa Tp Hồ Chí Minh ñã tận tình truyền ñạt kiến thức cho em trong suốt khóa học tại trường

Cảm ơn bạn bè ñã cùng chia sẻ, trao ñổi kiến thức trong học tập cũng như trong quá trình thực hiện luận văn

Cảm ơn gia ñình và những người thân yêu ñã luôn tạo ñiều kiện, ñộng viên, giúp ñỡ là chỗ tựa vững chắc giúp em an tâm học tập vượt qua những khó khăn trong thời gian qua

Tp Hồ Chí Minh, tháng 07 năm 2010

Học viên thực hiện

LÊ TẤN QUANG

Luận văn này đưa ra bốn phương pháp để giải bài tốn phân bố cơng suất kinh tế giữa các tổ máy, mỗi tổ máy cĩ hàm chi phí gồm nhiều đoạn bậc hai ứng với từng loại nhiên liệu khác nhau Cả bốn phương pháp đều dựa trên mạng noron Hopfield: EALHN (Enhanced Augmented Lagrange Hopfield Network), curve fitting & ALHN, dị tìm trực tiếp, hàm trung bình & ALHN Quá trình giải bài tốn gồm hai giai đoạn

Giai đoạn một, xác định loại nhiên liệu thích hợp nhất sẽ được sử dụng để phát điện bằng các phương pháp: dị tìm phỏng đốn (heuristic search), hàm

chi phí tương đương (curve fitting), dị tìm trực tiếp, hàm chi phí trung bình

Giai đoạn hai, ALHN được ứng dụng để giải bài tốn phân bố cơng suất tối

ưu từ các loại nhiên liệu đã chọn

Bốn phương pháp này được kiểm nghiệm trên bốn hệ thống thử nghiệm (10 , 30, 60 và

100 tổ máy) với các nhu cầu phụ tải khác nhau và so sánh với các phương pháp khác: HNUM [2], HNN [3], AHNN [5], ELANN [4], IEP [10], MPSO [11], thuật tốn gen

được mã hĩa thực (RCGA) [8], HRCGA [8]…

Các kết quả cho thấy bốn phương pháp này hiệu quả và nhanh cho việc giải bài tốn phân bố cơng suất kinh tế giữa các tồ máy cĩ hàm chi phí gồm nhiều đoạn bậc hai

MỤC LỤC

Trang

Các chữ viết tắt và ký hiệu dùng trong luận văn i

Hình và bảng biểu trong luận văn iv

Lời nói ñầu xii

Chương 1 GIỚI THIỆU CHUNG 1.1 Ý nghĩa của ñề tài 1

1.2 Mục tiêu nghiên cứu 1

1.3 Phạm vi nghiên cứu 2

1.4 Phương pháp luận nghiên cứu 3

Chương 2 TỔNG QUAN BÀI TOÁN PHÂN BỐ KINH TẾ CÓ NHIỀU LOẠI NHIÊN LIỆU VÀ CÁC PHƯƠNG PHÁP GIẢI 2.1 HNN (Hopfield Neural Network) 5

2.2 ELANN (Enhanced Lagrangian Artificial Neural Network) 6

2.3 DP (Dynamic Programming) 6

2.4 GA (Genetic Algorithm) 6

2.5 IGA (ImprovedGenetic Algorithm) 7

2.6 EP (Evolutionary Programming) 7

2.7 PSO (Particle Swarm Optimization) 8

2.8 ETQ (Evolutionary programming, Tabu search and Quadratic programming) 8

2.9 DE (Differential Evolution) 9

Chương 3 TỔNG QUAN MẠNG HOPFOELD 3.1 Tổng quan về mạng noron Hopfield 11

Chương 4 THÀNH LẬP BÀI TOÁN 26

Chương 5 CÁC PHƯƠNG PHÁP DỰA TRÊN ALHN 5.1 Phương pháp Heuristic & ALHN (EALHN) 28

5.2 Phương pháp Curve fitting & ALHN 34

5.3 Phương pháp dò tìm trực tiếp 42

5.4 Phương pháp hàm chi phí trung bình & ALHN 44

Chương 6 KẾT QUẢ TÍNH TOÁN 6.1 Áp dụng bốn phương pháp ñề xuất cho bài toán ED 47

6.2 Nhận xét chung 94

Chương 7 KẾT LUẬN 96

TÀI LIỆU THAM KHẢO 98

LÝ LỊCH TRÍCH NGANG 102

CÁC CHỮ VIẾT TẮT DÙNG TRONG LUẬN VĂN

ED : Economic Dispatch

ELD : Economic Load Dispatch

EDPQ : Economic Dispatch with Piecewise Quadratic cost function

PQCF : Piecewise Quadratic Cost Function

MAED : Multi Area ED

CEED : Combined enviromental ED

HNUM : Hierarchical approach based the numerical method

HNN : Hopfield Neural Network

ALHN : Augmented Lagrange Hopfield Network

EALHN : Enhanced Augmented Lagrange Hopfield Network

AHNN : Adaptive Hopfield Neural Network

ELANN : Enhanced Lagrangian Artificial Neural Network

MHNN : Modified Hopfield Neural Network

DP : Dynamic Programming

EP : Evolutionary Programming

IEP : Improved Evolutionary Programming

IFEP : Improved Fast Evolutionary Programming

CEP : Conventional Evolutionary Programming

FEP : Fast Evolutionary Programming

ETQ : Evolutionary Programming, Tabu search and Quadratic programming

DE : Differential Evolution

PSO : Particle Swarm Optimization

MPSO : Modified Particle Swarm Optimization

GA : Genetic Algorithm

CGA : Conventional Genetic Algorithm

IGA_AMUM: Improved Genetic Algorithm _Adaptive Multiplier Updating Method RCGA : Real Coded Genetic Algorithm

HRCGA : Hybrid Real Coded Genetic Algorithm

CÁC KÝ HIỆU DÙNG TRONG LUẬN VĂN

[…] : Tài liệu tham khảo

P : giới hạn dưới và trên về công suất của tổ máy i (MW)

PF i : hệ số tham gia của tổ máy i

"

i

R : ñạo hàm cấp hai hàm chi phí của tổ máy i

U i : ñầu vào của noron liên tục i tương ứng với ñầu ra V i

λ

U : ñầu vào của noron nhân tử tương ứng với ñầu ra Vλ

V i : ñầu ra của noron liên tục i biểu diễn cho công suất phát P i

Vλ : ñầu ra của noron nhân tử biểu diễn cho nhân tử Lagrange λ

x ik : chỉ số ưu tiên tổng hợp dựa trên chỉ số ưu tiên M ik và chi phí gia tăng trung bình avg

ik

λ

σ : hệ số góc của hàm hình chữ S của các noron liên tục

ε : sai số lớn nhất của mạng noron

αi : các kích cỡ bước cập nhật noron liên tục

αλ : các kích cỡ bước cập nhật noron nhân tử

β : hệ số phạt kết hợp với cân bằng công suất

λ : nhân tử Lagrange kết hợp với cân bằng công suất

avg

ik

λ : chi phí gia tăng trung bình của nhiên liệu k của tổ máy i

HÌNH TRONG LUẬN VĂN

Hình 3.1: Cấu trúc của mạng noron Hopfield 12

Hình 3.3: Hàm sigmoid của các noron liên tục với các giá trị ñộ dốc khác nhau 19 Hình 3.4: Sự thực thi của ALHN 20

Hình 3.5: Thuật toán cho ALHN 23

Hình 5.2: Đặc tuyến chi phí của tổ máy gồm 3 ñoạn bậc hai 35

Hình 5.3: Đặc tuyến chi phí tương ñương 35

Hình 5.4: Xây dựng ñặc tuyến tương ñương bằng cách bình phương cực tiểu 38

Hình 5.5: Xây dựng ñặc tuyến tương ñương bằng phương pháp ñồ thị trong matlab 39

Hình 5.6: Xây dựng ñặc tuyến tương ñương bằng lệnh polyfit trong matlab 40

Hình 6.1: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2400 MW khi áp dụng phương pháp EALHN 50

Hình 6.2: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp EALHN 50

Hình 6.3: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp EALHN 51

Hình 6.4: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2400 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 51

Hình 6.5: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 52

Hình 6.6: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 52

Hình 6.7: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2400 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 53

Hình 6.8: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 53 Hình 6.9: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 54 Hình 6.10: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2400 MW khi áp dụng phương pháp dò tìm trực tiếp 54 Hình 6.11: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp dò tìm trực tiếp 55 Hình 6.12: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp dò tìm trực tiếp 55 Hình 6.13: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2400 MW khi áp dụng phương pháp curve hàm trung bình & ALHN (chạy ALHN lần 1) 56 Hình 6.14: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 56 Hình 6.15: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 57 Hình 6.16: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2400 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 57 Hình 6.17: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 58 Hình 6.18: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2400 MW khi áp dụng

Hình 6.19: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2500 MW khi áp dụng phương pháp EALHN 60 Hình 6.20: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp EALHN 60 Hình 6.21: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp EALHN 61 Hình 6.22: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2500 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 61 Hình 6.23: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 62 Hình 6.24: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 62 Hình 6.25: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2500 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 63 Hình 6.26: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 63 Hình 6.27: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 64 Hình 6.28: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2500 MW khi áp dụng phương pháp dò tìm trực tiếp 64 Hình 6.29: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp dò tìm trực tiếp 65

Hình 6.30: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp dò tìm trực tiếp 65 Hình 6.31: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2500 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 66 Hình 6.32: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 66 Hình 6.33: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 67 Hình 6.34: Đồ thị thể hiện ñộ lệch cân bằng công suấtứng với từng vòng lặp trường hợp PD = 2500 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 67 Hình 6.35: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 68 Hình 6.36: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2500 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 68 Hình 6.37: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2600 MW khi áp dụng phương pháp EALHN 70 Hình 6.38: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp EALHN 70 Hình 6.39: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp EALHN 71 Hình 6.40: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2600 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN

Hình 6.41: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 72 Hình 6.42: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 72 Hình 6.43: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2600 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 73 Hình 6.44: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 73 Hình 6.45: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 74 Hình 6.46: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2600 MW khi áp dụng phương pháp dò tìm trực tiếp 74 Hình 6.47: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp dò tìm trực tiếp 75 Hình 6.48: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp dò tìm trực tiếp 75 Hình 6.49: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2600 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 76 Hình 6.50: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 76 Hình 6.51: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng

Hình 6.52: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2600 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 77 Hình 6.53: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 78 Hình 6.54: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2600 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 78 Hình 6.55: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2700 MW khi áp dụng phương pháp EALH 80 Hình 6.56: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp EALHN 80 Hình 6.57: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp EALHN 81 Hình 6.58: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2700 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 81 Hình 6.59: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 82 Hình 6.60: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 1) 82 Hình 6.61: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2700 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 83 Hình 6.62: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp curve fitting & ALHN

Hình 6.63: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp curve fitting & ALHN (chạy ALHN lần 2) 84 Hình 6.64: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2700 MW khi áp dụng phương pháp dò tìm trực tiếp 84 Hình 6.65: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp dò tìm trực tiếp 85 Hình 6.66: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp dò tìm trực tiếp 85 Hình 6.67: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2700 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 86 Hình 6.68: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 86 Hình 6.69: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 1) 87 Hình 6.70: Đồ thị thể hiện ñộ lệch cân bằng công suất ứng với từng vòng lặp trường hợp PD = 2700 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 87 Hình 6.71: Đồ thị thể hiện sai số giữa các vòng lặp về các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 88 Hình 6.72: Đồ thị thể hiện sai số lớn nhất ứng với từng vòng lặp về cân bằng công suất, các noron liên tục và noron nhân trường hợp PD = 2700 MW khi áp dụng phương pháp hàm trung bình & ALHN (chạy ALHN lần 2) 88

BẢNG BIỂU TRONG LUẬN VĂN

Bảng 6.1: Thông số của 10 tổ máy 48 Bảng 6.2: So sánh chi phí nhiên liệu và thời gian xử lý trường hợp tổng nhu cầu phụ

tải 2400 MW 49 Bảng 6.3: So sánh chi phí nhiên liệu và thời gian xử lý trường hợp tổng nhu cầu phụ

tải 2500 MW 59 Bảng 6.4: So sánh chi phí nhiên liệu và thời gian xử lý trường hợp tổng nhu cầu phụ

tải 2600 MW 69 Bảng 6.5: So sánh chi phí nhiên liệu và thời gian xử lý trường hợp tổng nhu cầu phụ

tải 2700 MW 79 Bảng 6.6: Kết quả phân bố công suất ứng với các trường hợp phụ tải khác nhau áp

dụng phương pháp EALHN cho hệ thống 10 tổ máy 89 Bảng 6.7: Kết quả phân bố công suất ứng với các trường hợp phụ tải khác nhau áp

dụng phương pháp curve fitting & ALHN cho hệ thống 10 tổ máy 90Bảng 6.8: Kết quả phân bố công suất ứng với các trường hợp phụ tải khác nhau áp

dụng phương pháp dò tìm trực tiếp cho hệ thống 10 tổ máy 91Bảng 6.9: Kết quả phân bố công suất ứng với các trường hợp phụ tải khác nhau áp

dụng phương pháp hàm chi phí trung bình & ALHN cho hệ thống 10 tổ máy 92Bảng 6.10: So sánh chi phí nhiên liệu và thời gian xử lý trường hợp tổng nhu cầu phụ

tải (N/10)*2700 MW 93

LỜI NÓI ĐẦU

Sự khan hiếm nguồn năng lượng và nhu cầu dùng ñiện không ngừng tăng lên dẫn ñến việc tăng chi phí phát ñiện, ñiều này cho thấy tính cần thiết của bài toán phân

bố tối ưu nguồn phát trong hệ thống ñiện ngày nay

Bài toán phân bố kinh tế ñã trở thành một vấn ñề hết sức quan trọng trong vận hành và ñiều khiển hệ thống ñiện Bài toán phân bố kinh tế có thể ñược ñịnh nghĩa là việc xác ñịnh thời biểu phát ñiện với chi phí thấp nhất từ một tập các tổ máy sẵn sàng nhằm ñáp ứng tổng nhu cầu phụ tải tại một thời ñiểm nào ñó

Mặc dù mục tiêu chủ yếu của bài toán là giảm thiểu chi phí vận hành nhằm ñáp

ứng ñủ nhu cầu phụ tải, nhưng do bởi các mô hình vật lý cũng như các ràng buộc vận

hành khác nhau ñã làm bài toán tối ưu bị ràng buộc không tuyến tính nhiều, ñặc biệt

ñối với các hệ thống lớn Tuy nhiên, việc lên kế hoạch cẩn thận và thông minh cho

các tổ máy không những giảm chi phí vận hành một cách ñáng kể mà còn ñảm bảo ñộ tin cậy cao, an ninh ñược cải thiện và ít tác ñộng ñến môi trường hơn

Thông thường, trong bài toán phân bố phụ tải kinh tế thì hàm chi phí (ñặc tính

ñầu vào - ñầu ra) của máy phát ñược biểu diễn một cách gần ñúng là một hàm bậc

hai Trong thực tế, các tình trạng vận hành của nhiều tổ máy thì cần hàm chi phí ñược biểu diễn bởi một hàm bậc hai theo từng ñoạn Tuy nhiên, sự không tuyến tính và không liên tục càng cao hơn ñược thể hiện ở các hàm chi phí do việc ñiều chỉnh van trong các nhà máy ñốt nhiên liệu hóa thạch Bên cạnh ñó, các tổ máy có thể bị cấm hoạt ñộng do bởi các sự cố trong các máy hay các phụ kiện kết hợp, chẳng hạn như: các lò hơi, các bơm cung cấp… dẫn ñến sự không ổn ñịnh trong giới hạn mang tải của các tổ máy Ngoài ra, phạm vi làm việc của các tổ máy còn bị hạn chế bởi các giới hạn công suất Các vấn ñề này và các ràng buộc khác biến bài toán phân bố phụ tải kinh tế thành một bài toán rất phức tạp, không tuyến tính và không liên tục Minh chứng cho sự không tuyến tính và không liên tục thì luận văn này có ñề cập ñến hàm chi phí gồm nhiều ñoạn bậc hai do tổ máy sử dụng nhiều nhiên liệu khác nhau Các phương pháp giải truyền thống không thể ñưa ra một kết quả tốt cho bài toán này

Trong số các phương pháp trí tuệ nhân tạo thì mạng noron rất thành công trong việc giải bài toán có hàm chi phí phân ñoạn và nhiều ràng buộc Luận văn này ñưa ra bốn phương pháp ñể giải bài toán trên Cả bốn phương pháp ñều dựa trên mạng noron Hopfield: EALHN, curve fitting & ALHN, dò tìm trực tiếp, hàm trung bình & ALHN Cấu trúc luận văn gồm 5 chương cụ thể như sau:

Chương 1: Giới thiệu chung

Chương 2: Tổng quan bài toán phân bố kinh tế có nhiều loại nhiên liệu và các phương pháp giải

Chương 3: Tổng quan mạng Hopfield

Chương 4: Thành lập bài toán

Chương 5: Các phương pháp dựa trên ALHN

Chương 6: Kết quả tính toán

Chương 7: Kết luận

Mặc dù mục tiêu cốt lõi của vấn ñề là ñể giảm thiểu chi phí vận hành nhằm ñáp ứng ñủ các nhu cầu phụ tải, nhưng do bởi các mô hình vật lý cũng như các ràng buộc vận hành khác nhau ñã làm bài toán tối ưu bị ràng buộc không tuyến tính rất nhiều, ñặc biệt là ñối với những hệ thống lớn Tuy nhiên, việc lên kế hoạch cẩn thận và thông minh cho các tổ máy không những giảm chi phí vận hành một cách ñáng kể mà còn ñảm bảo ñộ tin cậy và an ninh

ñược cải thiện và ít tác ñộng ñến môi trường hơn

Như vậy : Phân bố tối ưu nguồn phát là sự bố trí phát công suất tại các nguồn

phát sao cho tổng chi phí tiêu hao nhiên liệu toàn hệ thống là thấp nhất, nhưng phải

ñảm bảo về ñộ tin cậy cung cấp ñiện và chất lượng ñiện năng

Một trong những bài toán kinh tế - kỹ thuật khi vận hành và thiết kế hệ thống

ñiện là: xác ñịnh sự phân phối tối ưu công suất giữa các nhà máy ñiện trong hệ thống ñiện nhằm ñáp ứng một giá trị phụ tải tổng cộng ñã qui ñịnh

Việc nghiên cứu phương thức phân phối tối ưu công suất trong hệ thống ñiện không những nâng cao tính kinh tế trong vận hành mà còn ñóng góp vào tính chính xác và hợp lí khi qui hoạch, thiết kế hệ thống ñiện

1.2 MỤC TIÊU NGHIÊN CỨU

Giảm ñến nhỏ nhất chi phí sản xuất ñiện năng là mục tiêu của bài toán phân bố kinh tế giữa các nguồn phát trong hệ thống ñiện, bao gồm:

 Giảm chi phí do nhiên liệu

CHƯƠNG 1 MỞ ĐẦU

1.2.1 Giảm chi phí nhiên liệu trong vận hành

Ưu tiên tăng lượng công suất phát ra tại các nhà máy nhiệt ñiện gần phụ tải

nhằm giảm tổn hao truyền tải dẫn ñến giảm chi phí tiêu hao nhiên liệu trong toàn hệ thống

Ưu tiên tăng lượng công suất phát ra tại các nhà máy nhiệt ñiện có ñặc tính tiêu

hao nhiên liệu thấp

Phối hợp sử dụng nước của thủy ñiện với sử dụng các nhà máy nhiệt ñiện và phối hợp giữa các nhà máy nhiệt ñiện với nhau sao cho chi phí sản xuất ñiện năng là nhỏ nhất

1.2.2 Giảm tổn thất ñiện năng

Giảm tổn thất ñiện năng có ý nghĩa rất lớn trong vận hành lưới ñiện Giảm tổn thất ñiện năng bao gồm các biện pháp cần thêm vốn ñầu tư và các biện pháp không cần vốn ñầu tư Có những biện pháp thực hiện một lần khi quy hoạch thiết kế hệ thống ñiện như chọn dây dẫn chống tổn thất vầng quang; có biện pháp ñược chuẩn bị trong quy hoạch thiết kế và ñược thực hiện trong vận hành như phân bố tối ưu công suất tác dụng, công suất phản kháng, ñiều chỉnh ñiện áp

Các mục tiêu trên chỉ thực hiện ñược khi thỏa mãn các yêu cầu sau ñây:

Qui hoạch thiết kế hệ thống ñiện với các chế ñộ kinh tế nhất và có ñủ các

trang thiết bị cần thiết ñể ñiều khiển các chế ñộ vận hành

Trong vận hành, lập kế hoạch vận hành ñúng ñắn và thực hiện ñược kế

hoạch ñó

1.3 PHẠM VI NGHIÊN CỨU

Phân bố công suất tối ưu giữa các máy phát (10, 30, 60, 100 máy phát) có nhiều loại nhiên liệu, các hàm chi phí của các máy phát là bậc hai theo từng ñoạn thể hiện ña nhiên liệu, bỏ qua tổn hao

1.4 PHƯƠNG PHÁP LUẬN NGHIÊN CỨU

Áp dụng các phương pháp dựa trên ALHN (Augmented Lagrange Hopfield

Network) để giải các bài tốn phân bố cơng suất tối ưu giữa các máy phát cĩ nhiều

loại nhiên liệu Quá trình giải bài tốn gồm hai giai đoạn:

Giai đoạn một, xác định loại nhiên liệu thích hợp nhất sẽ được sử dụng để

phát điện bằng các phương pháp: dị tìm phỏng đốn (heuristic search), hàm

chi phí tương đương (curve fitting), dị tìm trực tiếp, hàm chi phí trung bình

Giai đoạn hai, ALHN được ứng dụng để giải bài tốn phân bố cơng suất tối

ưu từ các loại nhiên liệu đã chọn

CHƯƠNG 2 TỔNG QUAN BÀI TOÁN ED CÓ NHIỀU LOẠI NHIÊN LIỆU…

CHƯƠNG 2 :

TỔNG QUAN BÀI TOÁN PHÂN BỐ KINH TẾ CÓ NHIỀU LOẠI NHIÊN LIỆU VÀ CÁC PHƯƠNG PHÁP GIẢI

Chi phí vận hành hệ thống ñiện cần ñược cực tiểu bất cứ lúc nào thông qua phân

bố kinh tế (economic dispatch_ED) Khi hệ thống ñiện làm việc thì thực tế có nhiều

tổ máy nhiệt ñiện, ñặc biệt là những tổ máy ñó ñược cấp bởi nhiều nguồn nhiên liệu khác nhau như: than, khí tự nhiên, dầu, do ñó hàm chi phí nhiên liệu có thể ñược phân thành nhiều ñoạn bậc hai ứng với từng loại nhiên liệu khác nhau Bài toán ED với các hàm chi phí phân ñoạn là cực tiểu chi phí nhiên liệu trong số các nhiên liệu sẵn có của mỗi tổ máy thỏa nhu cầu phụ tải và các giới hạn công suất phát Do ñặc tính chi phí không liên tục và nhiều tối ưu cục bộ nên các phương pháp thông thường thì rất khó giải bài toán này Một phương pháp ñể giải bài toán với các tổ máy có nhiều nhiên liệu là tuyến tính hóa từng ñoạn và giải chúng bằng các phương pháp truyền thống [1] Phương pháp hay hơn là vẫn giữ giả thiết các hàm chi phí bậc hai theo từng ñoạn

và giải chúng Sự dò tìm phân cấp dựa vào phương pháp số (hierarchical approach based the numerical method _ HNUM) ñược giới thiệu trong [2] là một cách ñể giải bài toán Tuy nhiên, việc giải bài toán bằng phương pháp số sẽ khó khăn hơn rất nhiều với những hệ thống lớn, ñặc biệt với các ràng buộc không cực trị Việc ứng dụng mạng noron Hopfield (Hopfield neural network _HNN) [3] với ưu ñiểm là ñơn giản thì lại gặp những khó khăn trong xử lý một số ràng buộc bất ñẳng thức, và những bài toán lớn với nhiều ràng buộc Ngoài ra, sự hội tụ của HNN cũng phụ thuộc vào sự lựa chọn các hệ số phạt cho các ràng buộc Trong mạng noron Lagrange tăng cường (Enhanced Lagrangian Artificial Neural Network _ELANN) [4], các nhân tử Lagrange

ñược cải thiện nhằm ñảm bảo tính hội tụ và cho các kết quả tối ưu, và việc xúc tác

cũng ñược sử dụng ñể ñạt ñược sự hội tụ nhanh Tuy nhiên, cả hai HNN và ELANN

ñều có số vòng lặp lớn cho sự hội tụ và thường dao ñộng suốt quá trình quá ñộ Mạng

noron Hopfield thích nghi (Adaptive Hopfield neural network _AHNN) [5],[6] là một

sự cải tiến của HNN bằng việc ñiều chỉnh ñộ dốc và ñộ lệch của các noron suốt quá trình hội tụ nhằm ñạt ñược kết quả nhanh hơn

Gần đây, các kỹ thuật tối ưu phỏng đốn đã được áp dụng để giải bài tốn như thuật tốn di truyền (genetic algorithm_GA) [7],[8], qui hoạch tiến hĩa (evolutionary programming _EP) [9],[10],và tối ưu hĩa bầy đàn (particle swarm optimization _PSO) [11] GA phụ thuộc nhiều vào hàm tương thích, nhạy với tỉ lệ lai và đột biến,

sơ đồ mã hĩa các bit của nĩ, và độ dốc của đường cong khơng gian dị tìm dẫn đến lời giải Với cơ chế dị tìm song song, phương pháp EP cĩ xác suất cao để tìm các lời giải tối ưu Đối với những bài tốn quá phức tạp thì kết quả chỉ gần tối ưu Các phương pháp này cĩ số vịng lặp lớn và nhạy với các thơng số điều khiển liên quan [11] Ngồi ra gần đây, tối ưu hĩa bầy đàn (PSO) đã được áp dụng rộng rải trong các bài tốn tối ưu hĩa hệ thống điện Mặc dù phương pháp này cho ra lời giải tối ưu trong khoảng thời gian tính tốn ngắn và đặc điểm hội tụ ổn định hơn một số phương pháp khác [12], nhưng nĩ lại nhạy với việc thay đổi các thơng số Phương pháp này vẫn

đang được nghiên cứu về khả năng giải các bài tốn hệ thống điện phức tạp Một

thuật tốn kết hợp của Evolutionary programming, Tabu search and Quadratic programming (ETQ) được đưa ra trong [13] để khắc phục những khĩ khăn của những phương pháp đơn giản

Tổng quan một số phương pháp giải bài tốn phân bố cơng suất kinh tế giữa các

tổ máy cĩ nhiều loại nhiên liệu

2.1 HNN (Hopfield Neuron Network)

HNN (Hopfield Neuron Network) là một phương pháp dựa trên mạng noron Hopfield được đưa ra để giải bài tốn ELD Phương pháp này rất thành cơng trong việc giải bài tốn ELD với hàm chi phí bậc hai theo từng đoạn So với phương pháp phân cấp [2] thì cách làm việc của phương pháp đề xuất đơn giản hơn nhiều và cho ra kết quả gần với phương pháp phân cấp HNN cĩ thể được áp dụng một cách dễ dàng trong các trường hợp số tổ máy lớn Thơng qua các trường hợp khảo sát, cho thấy

được tính khả thi khi áp dụng mạng noron Hopfield vào các bài tốn ED với các hàm

chi phí khơng tuyến tính và khơng liên tục Đặc biệt, phương pháp HNN khơng yêu cầu tính tốn các chi phí nhiên liệu gia tăng và các tổn hao gia tăng mà được yêu cầu trong các phương pháp số truyền thống Tuy nhiên, các ứng dụng của mạng Hopfield

đến các bài tốn tối ưu lại bị hạn chế bởi các ràng buộc tuyến tính và tốc độ hội tụ của

CHƯƠNG 2 TỔNG QUAN BÀI TOÁN ED CÓ NHIỀU LOẠI NHIÊN LIỆU…

nó rất chậm Ngoài ra, số vòng lặp lớn và sự dao ñộng là nhược ñiểm của HNN trong khi giải các bài toán tối ưu

2.2 ELANN (Enhanced Lagrangian Artificial Neural Network)

Mạng noron nhân tạo Lagrange tăng cường (ELANN_Enhanced Lagrangian Artificial Neural Network) ñược áp dụng ñể giải các bài toán ED với hàm chi phí gồm nhiều ñoạn bậc hai (PQCFs) và các ràng buộc không tuyến tính ELANN không nhạy với sự lựa chọn các thông số tốc ñộ học, ñặc tính hội tụ ổn ñịnh và nhanh Tốc

ñộ hội tụ ñược tăng lên bởi việc áp dụng phương pháp ñộng lượng và việc cung cấp

các tiêu chuẩn cho sự lựa chọn các thông số tốc ñộ học Tuy nhiên, ELANN có số vòng lặp lớn cho sự hội tụ và thường dao ñộng suốt quá trình quá ñộ

2.3 DP (Dynamic Programming)

Qui hoạch ñộng (DP_Dynamic Programming) là một phương pháp rất hiệu quả

ñể giải các bài toán ED không liên tục và không tuyến tính [21, 22] vì nó không bị

hạn chế bởi các ñặc tính tự nhiên của hàm chi phí tổ máy, tuy nhiên tính tối ưu cục bộ

là bất lợi của DP, trong các bài toán lớn thì thời gian tính toán cực kỳ lớn

Các thuật toán tiến hóa (EAs_Evolutionary algorithms), chẳng hạn như thuật toán di truyền (GA_genetic algorithm), chiến lược tiến hóa (ES_evolutionary strategy) và qui hoạch tiến hóa (EP_evolutionary programming), nhanh hơn nhiều thuật toán khác nhờ vào kỹ thuật dò tìm song song vốn có Ngoài ra, những thuận lợi khác của EAs như: khả năng dò tìm toàn bộ, khả năng xử lý các ràng buộc rất hiệu quả, xử lý tin cậy và yêu cầu thông tin ít, chính những thuận lợi ñó ñã khiến EAs trở thành một lựa chọn tốt cho việc giải các bài toán ELD Vì thế, EAs ñã nhận ñược nhiều sự chú ý cho các bài toán ELD Tuy nhiên, trong hệ thống lớn có các thông số tăng lên thì EAs có thể hội tụ tại ñiểm tối ưu cục bộ một cách nhanh chóng Một thuật toán tiến hóa khác có tên là tối ưu hóa bầy ñàn (PSO_partical swarm optimization) ñược chứng minh là có hiệu quả hơn cho các bài toán tối ưu không tuyến tính

2.4 GA (Genetic Algorithm)

Thuật toán di truyền (GA_Genetic Algorithm) là một phương pháp tối ưu ngẫu

lượng kết quả với những thay ñổi ñã ñược cấu trúc, ñã ñược ngẫu nhiên hóa của thông tin di truyền giữa các kết quả ñể ñạt ñược sự tối ưu Thông thường các kết quả này ñược biểu diễn dưới dạng chuỗi số nhị phân hoặc các ký hiệu khác, ñược gọi là nhiễm sắc thể GA có nhiều ưu ñiểm trong tính toán, như ñơn giản và tổng quát hóa Ngoài ra, nó còn tìm ra nhiều kết quả một cách ñồng thời mà các phương pháp thông thường không làm ñược Vì thế, khả năng tìm ra kết quả tối ưu toàn cục ñược nâng lên Ưu ñiểm chính của GA là tìm ra kết quả gần tối ưu trong thời gian ngắn so với các phương pháp dò tìm ngẫu nhiên khác; simulated annealing (SA) hay qui hoạch

ñộng (DP), …Tuy nhiên, GA phụ thuộc nhiều vào hàm tương thích, nhạy với tỉ lệ lai

và ñột biến, sơ ñồ mã hóa các bit của nó, và ñộ dốc của ñường cong không gian dò tìm dẫn ñến lời giải

2.5 IGA (Improved Genetic Algorithm)

GA giải bài toán ED với hàm chi phí gồm nhiều ñoạn bậc hai chỉ gần tối ưu nên một thuật toán di truyền cải tiến (IGA_Improved GA) ñược ñưa ra Trước tiên, phép nhiều nấc ñược ñưa ra Nó không những làm giảm khoảng kết quả quá ñộ quanh ñiểm tối ưu, mà còn chia nhỏ khoảng giá trị kết quả càng nhiều nhằm ñạt ñược kết quả chính xác hơn Thứ hai, phép directional crossover (DC) ñược ñưa ra Nó là một loại phép toán ngoại suy Khi hai nhiễm sắc thể ñược chọn, phép toán DC chuyển chúng theo hướng của phần tử chủ yếu trong khoảng tìm kiếm Đây chính là hai phép toán

ñể cải tiến thuật toán GA thông thường Hai phép toán này giúp tìm ra các kết quả

nhanh và chính xác hơn với số lượng quần thể ít hơn so với GA thông thường

2.6 EP (Evolutionary Programming)

Có ba phương pháp qui hoạch tiến hóa khác nhau: IFEP (Improved Fast Evolutionary Programming), FEP (Fast Evolutionary Programming), CEP (Conventional Evolutionary Programming), ñã ñược chứng minh là giải ñược nhiều loại bài toán ED khác nhau như: phân bố kinh tế ña khu vực (MAED), phân bố kinh

tế với hàm chi phí gồm nhiều ñoạn bậc hai (PQED), phân bố kinh tế kết hợp với môi trường (CEED), phân bố kinh tế với các vùng cấm (ED with POZ)… Các phương phương pháp này có khả năng tìm ñược các kết quả tối ưu hoặc gần tối ưu với bất kỳ

CHƯƠNG 2 TỔNG QUAN BÀI TOÁN ED CÓ NHIỀU LOẠI NHIÊN LIỆU…

thì tốt hơn CEP và FEP về tốc ñộ hội tụ và các kết quả tốt hơn một chút Tuy nhiên,

về mặt thời gian giải thì FEP ngắn hơn IFEP, bởi vì IFEP cần nhều phép tính liên quan hơn Trong IFEP, có hai phép toán nhỏ ñược ñưa ra là biến ñổi Cauchy và Gaussian Chính hai phép toán nhỏ này ñã giúp IFEP tốt hơn FEP và CEP

Nhưng cả ba phương pháp ñều có bất lợi về thời gian tính toán dài, do ñó cần phải ñược cải thiện nếu muốn sử dụng trên thực tế Tuy nhiên, nếu so sánh với GA, HNN, NFP thì ba phương pháp trên ñáng ñược áp dụng rộng rãi trong các bài toán tối

ưu trong hệ thống ñiện

2.7 PSO (Particle Swarm Optimization)

Thuật toán PSO ñược áp dụng cho nhiều loại bài toán ED khác nhau như: phân

bố kinh tế ña khu vực (MAED), phân bố kinh tế với hàm chi phí gồm nhiều ñoạn bậc hai (PQED), phân bố kinh tế kết hợp với môi trường (CEED), phân bố kinh tế với các vùng cấm (ED with POZ)… Các kết quả thử nghiệm ñã cho thấy ñược nhiều ưu ñiểm của PSO Trong phương pháp PSO, có chỉ một quần thể trong mỗi vòng lặp tiến ñến

ñiểm tối ưu toàn cục Điều này không giống như phương pháp CEP (Conventional

EP) CEP phải xử lý hai quần thể, cha mẹ và các con, trong mỗi vòng lặp Điều này làm cho thời gian tính toán của PSO nhanh hơn CEP Khả năng hội tụ của PSO tốt hơn CEP Phương pháp PSO hội tụ tới ñiểm tối ưu toàn cục hay gần toàn cục bất kể hình dạng của hàm chi phí, chẳng hạn hàm chi phí không liên tục, hàm chi phí không phẳng hay lồi Hiệu quả tính toán và ñặc tính hội tụ của phương pháp PSO tốt hơn ñã cho thấy rằng nó có khả năng ñược áp dụng rộng rãi trong nhiều bài toán tối ưu Tuy nhiên, PSO lại nhạy với việc thay ñổi các thông số

2.8 ETQ (Một thuật toán kết hợp của Evolutionary programming, Tabu search and Quadratic programming)

Một thuật toán hỗn hợp (ETQ) ñược áp dụng cho bài toán ED với hàm chi phí gồm nhiều ñoạn bậc hai (EDPQ) Thuật toán gồm các ñặc tính chủ yếu của EP (Evolutionary Programming), TS (Tabu Search) và QP (Quadratic Programming) Bài toán ñược giải thông qua hai bước gồm: chọn hàm chi phí, giải bài toán ED tiêu biểu Bước ñầu ñược giải bằng EP (dùng EP cho sự biến ñổi) và TS (dùng TS cho sự lựa

Cách thực hiện của ETQ khác với phép toán tiến hóa khác (GA, EP, ES) ở bốn phương diện Phương diện thứ nhất, nó chọn kết hợp tất cả các hàm chi phí của các tổ máy từ các tập hợp xác ñịnh nhiều hơn các ñiểm không xác ñịnh ở phép toán tiến hóa khác, và cần ít thế hệ ñể hội tụ Phương diện thứ hai, nó có ưu ñiểm của QP ñể xử lý các ràng buộc khác nhau và cho thấy là tốt hơn Phương diện thứ ba, kết quả ñược mã hóa ở dạng thập phân, lưu vào bộ nhớ máy tính, thời gian tính toán ít hơn GA Phương diện thứ tư, các tham số tắt dần (α và β) có thể thỏa một quá trình dò tìm thành công bằng việc dùng sự ña dạng hóa (các tham số lớn hơn) trước tiên ñể lưu trữ vùng thu hút lớn hơn, và sau ñó sự tăng cường (các tham số nhỏ hơn) ñể tìm vùng lân cận nhỏ của lời giải

2.9 DE (Differential Evolution)

DE là một trong những thuật toán tiến hóa mới, ñược ñưa ra bởi Storn và Price [27], rất hiệu quả trong những bài toán tối ưu không tuyến tính với nhiều ràng buộc [28-32] Những thuận lợi của DE so với những thuật toán tiến hóa khác là cấu trúc

ñơn giản và gọn, ít các thông số ñiều khiển, ñặc ñiểm hội tụ cao, làm cho nó trở thành

một công cụ tối ưu hóa ngẫu nhiên phổ biến Các khảo sát thực nghiệm cho thấy tốt hơn nhiều thuật toán tiến hóa nổi tiếng khác [27, 33], cũng như tốt hơn cả PSO [34]

Do khả năng dò tìm tin cậy và mạnh nên nó ñược ứng dụng trong nhiều lĩnh vực khác nhau như: nhận biết mẫu, giao tiếp, cơ khí, kỹ thuật hóa học, công nghệ sinh học Thậm chí còn ñược ứng dụng ñể giải các bài toán ELD [35-37] trong các trường hợp khác nhau Một cách ñể cải thiện việc thỏa mãn ràng buộc cân bằng công suất cũng

ñược ñưa ra Các ràng buộc giới hạn khác cũng ñược thỏa mãn bằng việc sử dụng cơ

chế phản ứng mà thường ñược dùng trong tối ưu bị ràng buộc Trước hết, chúng ta thực hiện một khảo sát thông số trên DE ñể chọn ra một bộ thống số tốt nhất ñược cố

ñịnh cho phần còn lại của các khảo sát Mặc dù, bộ thông số ñược chọn không tiêu

biểu, nhưng thành công của thuật toán khẳng ñịnh tính phù hợp của nó Với bài toán ELD có ảnh hưởng của ñiểm van thì phương pháp này cho ra các kết quả tốt hơn so với các phương pháp ñược coi là tốt nhất từ trước tới giờ Sự mạnh mẽ của phương pháp ñược xác minh bởi việc thay ñổi các nhu cầu phụ tải của bài toán Trường hợp các bài toán ELD với hàm chi phí bậc hai theo từng ñoạn, DE ñã cho thấy là cho ra

CHƯƠNG 2 TỔNG QUAN BÀI TOÁN ED CÓ NHIỀU LOẠI NHIÊN LIỆU…

kết quả tốt hơn các phương pháp số truyền thống, phương pháp mạng noron Hopfield truyền thống và phương pháp qui hoạch tiến hóa Tuy nhiên, ñặc ñiểm của DE cho các bài toán này là rất giống MHNN (Modified HNN) và MPSO (Modified PSO) Ngoài ra, ñối với các bài toán có xét tới tổn hao truyền tải, các vùng hoạt ñộng bị cấm thì DE cho ra các kết quả tốt hơn nhiều so với bất kỳ phương pháp nào về mặt chi phí

và tổn hao Thời gian cho DE rất thích hợp ñể giải online Các kết quả khảo sát ñối với các bài toán ELD ứng với các ñặc tính, các kích thước, các yêu cầu phụ tải, các ràng buộc khác nhau có thể kết luận rằng DE tốt hơn nhiều so với các phương pháp

ñề xuất trước ñây

Nhận xét: Nhìn chung, mỗi phương pháp nêu trên ñều có nhiều ưu ñiểm nhất

ñịnh Bên cạnh ñó vẫn còn nhiều nhược ñiểm cần ñược khắc phục, chẳng hạn như: HNN gặp khó khăn trong xử lý một số ràng buộc bất ñẳng thức, những bài toán lớn với nhiều ràng buộc, sự hội tụ của HNN cũng phụ thuộc vào sự lựa chọn các hệ số phạt cho các ràng buộc; cả HNN và ELANN ñều có số vòng lặp lớn cho sự hội tụ và thường dao ñộng suốt quá trình quá ñộ; GA phụ thuộc nhiều vào hàm tương thích, nhạy với tỉ lệ lai và ñột biến, sơ ñồ mã hóa các bit của nó, và ñộ dốc của ñường cong không gian dò tìm dẫn ñến lời giải; với những bài toán quá phức tạp thì EP chỉ cho

ra kết quả gần tối ưu, các phương pháp này có số vòng lặp lớn và nhạy với các thông

số ñiều khiển liên quan; PSO nhạy với việc thay ñổi các thông số Phương pháp này vẫn ñang ñược nghiên cứu về khả năng giải các bài toán hệ thống ñiện phức tạp Trong luận văn này, một cải tiến mới của mạng noron Hopfield liên tục, ñược gọi là mạng Hopfield Lagrange mở rộng (ALHN), ñược ñưa ra ñể cải thiện các nhược ñiểm của HNN bằng việc dùng hàm Lagrange mở rộng như một hàm năng lượng của mạng Hopfield Các ưu ñiểm của ALHN so với mạng Hopfield thông thường sẽ ñược trình bày trong chương 3

CHƯƠNG 3 :

TỔNG QUAN MẠNG HOPFIELD 3.1 TỔNG QUAN VỀ MẠNG NORON HOPFIELD

Có một lợi ích lớn trong các mô hình mạng noron với cấu trúc song song, có ý nghĩa như bộ não con người Do các tính năng mạnh của các noron là tìm hiểu, tối ưu hóa và kháng lỗi, nên các mạng noron ñã ñược ứng dụng trong nhiều lĩnh vực phức tạp khác nhau, hệ thống không tuyến tính và các hệ thống ñiện lớn

Mạng noron Hopfield ñã ñược ứng dụng trong nhiều lĩnh vực khác nhau từ khi Hopfield ñưa ra 1982 Trong bài toán tối ưu hóa, mạng noron Hopfield ñã ñược chứng minh khả năng cho lời giải tốt ñối với những bài toán tối ưu phức tạp Mạng noron Hopfield ñưa ra lời giải cho các bài toán: TSP (traveling salesman problem_ñây là một bài toán trong ñó người bán hàng rong giả ñịnh phải tìm ñược cách ñi hiệu quả qua tất cả các ñịa chỉ trong ñịa phận của mình, mỗi ñiểm dừng chỉ ñi qua ñúng một lần), quá trình biến ñổi A/D, qui hoạch tuyến tính… Trong hệ thống

ñiện, mạng Hopfield ñã ñược ứng dụng ñể tối ưu hóa dòng công suất và phân bố tối

ưu nguồn phát

Trong mô hình Hopfield thông thường, noron có các giá trị bất kỳ trong suốt các bước trung gian nhưng ở bước sau cùng thì noron hội tụ ở các giá trị giới hạn (0,1) hoặc (-1, 1) và do ñó cho ra kết quả Nhìn chung, một bài toán tối ưu hóa thường cần một lượng giá trị bằng số lớn Do ñó phương pháp tính hay sự biểu diễn bằng số nhị phân của các sơ ñồ khác nhau ñược dùng ñể biểu diễn các số thực Tuy nhiên, các phương pháp này cần số lượng noron lớn ñể biểu diễn giá trị bằng số lớn ñó, ñây chính là ñiểm bất lợi của noron nhị phân Do ñó, cần phải dùng một mô hình noron

ñơn giản hơn, ñó là mô hình noron liên tục, ñể biểu diễn cho một lượng giá trị lớn

Mạng noron Hopfield là một cấu trúc có một lớp, rất hữu ích cho việc tối ưu hóa Cấu trúc của mạng noron Hopfield ñược thể hiện ở hình (3.1)

CHƯƠNG 3 TỔNG QUAN MẠNG HOPFIELD

Hình 3.1: Cấu trúc của mạng noron Hopfield

3.1.1 Mô hình noron nhị phân

Mô hình ban ñầu của mạng noron Hopfield [7] ñã sử dụng “noron” hai trạng thái ngưỡng cùng với một thuật toán ngẫu nhiên Mỗi noron thứ i, hay phần tử xử lý, có hai trạng thái với các giá trị Vi0 hay Vi1(thường lấy 0 và 1 một cách tương ứng) Đầu vào của mỗi noron ñến từ hai nguồn, các ñầu vào bên ngoài Ii và các ñầu vào từ các noron khác Vj Đầu vào tổng ñến noron i ñược cho bởi

i j ij

trong ñó

Ui : ñầu vào tổng ñến noron i

Tij : trọng số kết nối từ noron j ñến noron i

Ii : ñầu vào bên ngoài ñến noron i

Vj : ñầu ra của noron j

Mỗi noron lấy mẫu từ ñầu vào của nó Nó làm thay ñổi giá trị ñầu ra của nó hoặc cho phép nó sửa theo luật ngưỡng với các ngưỡng θi :

Vi = Vi0 nếu Ui < θi

trong ñó

θi : ngưỡng của noron i

Hàm năng lượng của mạng Hopfield:

i i

j i

j j

trong ñó ∆Vi là ñộ thay ñổi ñầu ra của noron i

Giả sử ñầu vào Ui của noron i lớn hơn ngưỡng Điều này sẽ làm cho biểu thức trong ngoặc vuông ở phương trình (3.4) là dương và, từ phương trình (3.1) và (3.2),

ñầu ra của noron i thay ñổi theo hướng dương Điều này có nghĩa là ∆Vi dương, và

∆E âm; năng lượng của mạng giải xuống Tương tự, khi Ui nhỏ hơn ngưỡng, có thể thấy rằng ∆E cũng âm

Một noron, ñược chọn ngẫu nhiên, xem xét các ñầu vào của nó, và thay ñổi trạng thái, bất kể tổng ñầu vào của nó trên hay dưới ngưỡng Dạng hàm năng lượng

ñược xem xét ở ñây là khi thay ñổi trạng thái sẽ dẫn ñến sự suy giảm về năng lượng

Do ñó, qui luật cập nhật là qui luật cực tiểu hóa năng lượng Sự thay ñổi hoạt ñộng noron tiếp tục cho ñến khi ñạt ñược trạng thái ổn ñịnh, ñó là năng lượng cực tiểu

3.1.2 Mô hình noron liên tục

Mô hình liên tục và xác ñịnh của mạng noron Hopfield ñược dựa trên các biến

và các ñáp ứng liên tục nhưng vẫn giữ lại tất cả các ñặc tính quan trọng của mô hình gốc Biến ñầu ra Vi cho noron i có phạm vi Vi0 ≤ Vi ≤ Vi1 và hàm quan hệ giữa ñầu vào-ñầu ra là một hàm tăng ñơn ñiệu và liên tục theo ñầu vào Ui Hàm quan hệ giữa

ñầu vào-ñầu ra Vi = gi(Ui) là hàm sigmoid có dạng

CHƯƠNG 3 TỔNG QUAN MẠNG HOPFIELD

−5000 −400 −300 −200 −100 0 100 200 300 400 500 0.1

0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

i j

j ij i

I V T dt

j i

T E

=

− +

−

=

i

i i i i

i i

i j ij i

i j ij i

i

i j

j ji j ij i

i

i i

j i i

j ij

dt dU U g

dt dU dt dV

I V T dt dV

I V T dt

dV

I V T V T dt dV

dt dV I dt

dV V dt dV V T dt

dE

2 '

) / )(

(

) / )(

/ (

) )(

/ (

) 2 2

)(

/ ( 2 1

] 2 ) (

)[

/ ( 2 1

) / ( )]

/ ( ) / ( [ 2

ñộng theo một phương thức không bị giám sát Hoạt ñộng của mạng Hopfield dựa

trên sự cực tiểu hóa hàm năng lượng của nó ñược thành lập từ bài toán tối ưu hóa và mạng sẽ hội tụ ñến kết quả của bài toán Một trong những ưu ñiểm của mạng Hopfield là có thể xử lý một cách hiệu quả các giới hạn của biến số bằng hàm sigmoid của nó Tuy nhiên, các ứng dụng của mạng Hopfield ñến các bài toán tối ưu lại bị hạn chế bởi các ràng buộc tuyến tính và tốc ñộ hội tụ của nó rất chậm Ngoài ra,

số vòng lặp lớn và sự dao ñộng là nhược ñiểm của HNN trong khi giải các bài toán tối ưu

Trong nghiên cứu này, một cải tiến mới của mạng noron Hopfield liên tục, ñược gọi là mạng Hopfield Lagrange mở rộng (ALHN), ñược ñưa ra ñể cải thiện các nhược

ñiểm của HNN bằng việc dùng hàm Lagrange mở rộng như một hàm năng lượng của

mạng Hopfield Các ưu ñiểm của mạng Hopfield ñề xuất so với mạng Hopfield thông thường như sau

CHƯƠNG 3 TỔNG QUAN MẠNG HOPFIELD

 Mạng noron ñề xuất (ALHN) không cần xác ñịnh trước một hàm năng lượng

mà ñược kết hợp với các hệ số phạt cho việc sắp xếp bài toán vào trong mạng Hopfield nhằm xác ñịnh các liên kết tiếp hợp (các trọng số liên kết) giữa các noron Ngoài ra, các hệ số phạt có thể làm không thỏa ràng buộc và tối ưu cục bộ nếu chúng không ñược chọn một cách cẩn thận

 Mạng noron ñề xuất (ALHN) dùng hàm Lagrange mở rộng như là hàm năng lượng cho mạng Hopfield Do ñó, nó có thể xử lý một cách hiệu quả các ràng buộc phương trình và bất phương trình của bài toán Ngoài ra, ALHN còn không bị hạn chế ở các bài toán có các ràng buộc tuyến tính

 Mạng noron ñề xuất (ALHN) có thể cho hội tụ rất nhanh so với mạng Hopfield thông thường và có thể tìm ñược kết quả tối ưu toàn cục một cách hiệu quả cho các bài toán

 Mạng noron ñề xuất (ALHN) có thể giải ñược các bài toán tối ưu lớn và phức tạp một cách dễ dàng

 Thành phần mở rộng trong LR có thể giúp giảm dao ñộng trong suốt quá trình hội tụ, nhất là ñối với các bài toán có các ràng buộc phức tạp

ALHN ñược giải bằng việc dùng phương pháp ñộ chênh lệch (sub-gradient) với việc cập nhật các kích cỡ bước sẽ ñược thay ñổi một cách dễ dàng cho mỗi bài toán trong khi ñó ñộ dốc của hàm sigmoid cho các noron liên tục ñược cố ñịnh

Bài toán tối ưu bị ràng buộc ñược thành lập như sau

) (

thỏa

0 ) ( k =

g i = 1, …, M (3.9)

0 ) ( k ≤

h j = 1, …, N (3.10)

max , min

h j (x k ) : Ràng buộc bất phương trình

x k : Biến ñộc lập

x k,min : Giới hạn dưới của biến x

x k,max : Giới hạn trên của biến x

j j k

j j j

M

i

k i i k

i i k

S x

h x

h S

x g x

g x

f

L

1

2 2

1

2

2 2

1 ) ( 2

1 ) ( 2

1

) ( 2

1 ) ( )

(

β

γβ

γ

βλ

trong ñó

λi : Nhân tử Lagrange kết hợp với ràng buộc phương trình i

γj : Nhân tử Lagrange kết hợp với ràng buộc bất phương trình j

βi, βj : Các hệ số phạt của hàm Lagrange mở rộng

S j : Hàm dấu ứng với ràng buộc bất phương trình j

Để áp dụng hàm Lagrange mở rộng vào trong mạng Hopfield, thì các noron liên

tục và nhân tử ứng với các biến ñộc lập và các nhân tử Lagrange tương ứng là cần thiết Hàm năng lượng của mạng Hopfield ñược xây dựng dựa trên hàm Lagrange mở rộng như sau

k j j x

j j j

M

i

x i i x

i i x

k

x

dV V g

V S V

h V

h V S

V g V

g V V

f

E

1 0

1 1

2 , 2

, ,

,

1

2 , ,

, ,

,

) (

2 2

1 ) ( 2

1 ) ( 2

1

) ( 2

1 ) ( )

(

ββ

β

γ γ

λ

(3.13)

trong ñó

V k,x : Đầu ra của noron liên tục k ứng với x k

V i,λ : Đầu ra của noron nhân tử i ứng với λi

CHƯƠNG 3 TỔNG QUAN MẠNG HOPFIELD

V j,γ : Đầu ra của noron nhân tử j ứng với γj

g c-1 : Hàm sigmoid ngược của các noron liên tục

Thành phần sau cùng trong (3.13) là thành phần Hopfield của các noron liên tục, trong ñó ảnh hưởng chung của nó là làm thay ñổi các kết quả bên trong của không gian trạng thái

Trong ALHN, các noron ñại diện cho các biến liên tục ñược gọi là các noron liên tục, và các noron ñại diện cho các nhân tử Lagrange ñược gọi là các noron nhân

+ +

∂

∂ +

k

x j x j j j j

x

x i x i i i x k x

x x

U V

V h V h V

S

V

V g V g V

V

V f

V

E dt

dU

, ,

, ,

,

,

, ,

, ,

,

,

,

) ( ) ( 2

1

) ( ) ( )

,

x i i

i

V g V

E dt

k j j j

V h S V

E dt

dU

β

γ γ

, ,

,

2

1 ) ( 2

1

(3.16) trong ñó

U k,x : Tổng các ñầu vào của noron liên tục k ứng với ñầu ra V k,x

U i,λ : Tổng các ñầu vào của noron nhân tử i ứng với ñầu ra V i,λ

U j,γ : Tổng các ñầu vào của noron nhân tử j ứng với ñầu ra V j,γ

Các ñầu vào của các noron ở vòng lặp n ñược cập nhật dựa vào (3.14) ñến (3.16) như

sau

x k x n

x n

x k

V

E U

U

,

) 1 ( , ) ( ,

∂

∂

−

λ λ λ

,

) 1 ( , ) ( ,

i

n i n i

V

E U

U

∂

∂+

γ γ γ

,

) 1 ( , ) ( ,

j

n j n j

V

E U

U

∂

∂+

max , min , ,

2 )

c x

trong ñó σ dương là hệ số tỷ lệ ñược gọi là ñộ dốc xác ñịnh hình dạng của hàm sigmoid Hình dạng của hàm sigmoid với các ñộ dốc khác nhau ñược thể hiện ở hình 3.3

−5000 −400 −300 −200 −100 0 100 200 300 400 500 0.1

0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

CHƯƠNG 3 TỔNG QUAN MẠNG HOPFIELD

V i,λ =g m(U i,λ) =U i,λ (3.21)

γ γ

, m( j ) j

trong ñó g m là một hàm tuyến tính cho các noron nhân tử

Sơ ñồ mạng noron Hopfield Lagrange mở rộng ñược cho ở hình 3.4

h ( , ) ∂ ,

∂

x k x

g

U k,x

- +

V k,x

2 / ) 1 ( +S j

+ +

+

2 / ) 1 ( +S j

S ) / 2β1

( −

Z-1

Z-1+

)

h