Phân bố tối ưu công suất trong hệ thống điện có ràng buộc an ninh sử dụng phương pháp PSO la

NGUYỄN MINH HẢI PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN CÓ RÀNG BUỘC AN NINH SỬ DỤNG PHƯƠNG PHÁP PSO LAI Chuyên ngành : KỸ THUẬT ĐIỆN LUẬN VĂN THẠC SĨ TP... TÊN ĐỀ TÀI PHÂN BỐ

NGUYỄN MINH HẢI

PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN CÓ RÀNG BUỘC AN NINH

SỬ DỤNG PHƯƠNG PHÁP PSO LAI

Chuyên ngành : KỸ THUẬT ĐIỆN

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 01 năm 2018

Cán bộ hướng dẫn khoa học: PGS TS VÕ NGỌC ĐIỀU

Cán bộ chấm nhận xét 1: TS LÊ KỶ

Cán bộ chấm nhận xét 2: TS DƯƠNG THANH LONG

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 06 tháng 01 năm 2018

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

1 Chủ tịch : PGS TS PHAN THỊ THANH BÌNH

2 Thư ký : TS HUỲNH QUANG MINH

3 Ủy viên, phản biện 1 : TS LÊ KỶ

4 Ủy viên, phản biện 2 : TS DƯƠNG THANH LONG

5 Ủy viên : PGS TS HUỲNH CHÂU DUY

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)

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Độc lập - Tự do - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên : NGUYỄN MINH HẢI MSHV : 1570866

Ngày, tháng, năm sinh : 20/11/1981 Nơi sinh : Thừa Thiên Huế Chuyên ngành : Kỹ thuật điện Mã số : 60520202

I TÊN ĐỀ TÀI

PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN CÓ RÀNG BUỘC AN NINH SỬ DỤNG PHƯƠNG PHÁP PSO LAI

NHIỆM VỤ VÀ NỘI DUNG

 Nghiên cứu thuật toán Partical Swarm Optimization (PSO)

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

 Đề xuất thuật toán PSO lai để giải bài toán phân bố tối ưu công suất có ràng buộc an ninh

 Ứng dụng thuật toán PSO lai để giải bài toán phân bố tối ưu công suất có ràng buộc an ninh trên hệ thống điện IEEE 30 nút

Tp HCM, ngày 22 tháng 01 năm 2018

TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ

LỜI CẢM ƠN

Trước tiên, tôi xin tỏ lòng biết ơn sâu sắc đến thầy PGS TS Võ Ngọc Điều, người Thầy đã giúp đỡ, cung cấp tài liệu và tận tình hướng dẫn tôi hoàn thành luận văn này

Chân thành cảm ơn tất cả quý Thầy, Cô đã giảng dạy, trang bị cho tôi những kiến thức rất bổ ích và quý báu trong suốt quá trình học tập tại trường cũng như nghiên cứu sau này

Chân thành cảm ơn Gia đình đã luôn bên cạnh và tạo mọi điều kiện thuận lợi cho tôi trong học tập và công tác

Chân thành cảm ơn các đồng nghiệp tại Cơ quan công tác đã ủng hộ, tạo điều kiện

để tôi học tập tốt trong suốt thời gian vừa qua

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

Cảm ơn các bạn học viên Cao học khóa 2015, ngành Kỹ thuật điện, trường Đại học Bách Khoa – ĐHQG TP HCM, những người luôn giành tình cảm sâu sắc, luôn bên cạnh, động viên và khuyến khích tôi vượt qua những khó khăn trong suốt quá trình thực hiện luận văn này

Tp Hồ Chí Minh, ngày 22 tháng 01 năm 2018

Người thực hiện

Nguyễn Minh Hải

TÓM TẮT LUẬN VĂN

Luận văn áp dụng phương pháp Partical Swarm Optimization (PSO) lai để giải bài toán phân bố công suất tối ưu có ràng buộc an ninh (Security Constraint Optimal Power Flow - SCOPF) với việc tính toán trên hệ thống điện IEEE 30 nút

Phương pháp PSO lai là phương pháp mới sử dụng ưu điểm của phương pháp PSO

và phương pháp DE (Differential Evolution) Phương pháp PSO lai đề xuất cách giải bài toán SCOPF với hàm chi phí bậc 2 và chi phí nhiên liệu có hiệu ứng điểm van Cách tiếp cận đề xuất là kết hợp thông tin nhận được riêng biệt của DE và thông tin bộ nhớ trích ra từ PSO để tạo ra giải pháp đầy hứa hẹn Với ý tưởng thực hiện cùng lúc cả PSO lẫn thuật toán DE cho từng vòng lặp Đầu tiên, thuật toán PSO sẽ được thực hiện trước để tìm ra những cá thể tối ưu, sau đó quá trình đột biến sẽ được thực hiện ngay trên những cá thể tối ưu đó

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 đẳng thức và ràng buộc bất đẳng thức của trạng thái bình thường và trạng thái sự cố Luận văn trình bày ứng dụng của thuật toán PSO lai vào hệ thống điện IEEE 30 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 lai 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

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

Nguyễn Minh Hải

MỤC LỤC

NHIỆM VỤ LUẬN VĂN THẠC SĨ i

LỜI CẢM ƠN ii

TÓM TẮT LUẬN VĂN iii

LỜI CAM ĐOAN iv

MỤC LỤC v

DANH MỤC CÁC BẢNG vii

DANH MỤC CÁC HÌNH ix

CHỮ VIẾT TẮT x

CHƯƠNG 1: GIỚI THIỆU CHUNG 1

1.1 GIỚI THIỆU TỔNG QUÁT 1

1.2 MỤC TIÊU CỦA 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

2.2 MỘT SỐ KHẢO SÁT VỀ PHÂN BỐ CÔNG SUẤT TỐI ƯU CÓ RÀNG BUỘC AN NINH 11

2.3 CÁC PHƯƠNG PHÁP GIẢI BÀI TOÁN PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN 13

CHƯƠNG 3: BÀI TOÁN PHÂN BỐ CÔNG SUẤT TỐI ƯU CÓ RÀNG BUỘC AN NINH 19

3.1 CÁC THUẬT NGỮ 19

3.2 BÀI TOÁN 20

CHƯƠNG 4: GIỚI THIỆU VỀ PHƯƠNG PHÁP PSO 24

4.1 GIỚI THIỆU 24

4.2 BIỂU THỨC CƠ BẢN CỦA THUẬT TOÁN PSO 25

4.3 MỘT SỐ CẢI TIẾN CỦA PSO 28

4.4 PHƯƠNG PHÁP PSO CẢI TIẾN 32

4.5 PHƯƠNG PHÁP PSO LAI ĐỀ XUẤT 36

CHƯƠNG 5: KẾT QUẢ TÍNH TOÁN 43

5.1 HỆ THỐNG ĐIỆN IEEE 30 NÚT 43

5.2 KẾT QUẢ 45

5.3 KẾT LUẬN 55

CHƯƠNG 6: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 57

6.1 TỔNG KẾT ĐỀ TÀI 57

6.2 HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 58

6.3 LỜI KẾT 58

CÔNG TRÌNH KHOA HỌC CÔNG BỐ 60

TÀI LIỆU THAM KHẢO 73

PHỤ LỤC A: DỮ LIỆU HỆ THỐNG ĐIỆN IEEE 30 NÚT VÀ KẾT QUẢ TÍNH

TOÁN 79

LÝ LỊCH TRÍCH NGANG 86

DANH MỤC CÁC BẢNG Bảng 5.1: Kết quả thực hiện bởi HPSO-DE trong trường hợp bình thường với

hàm chi phí nhiên liệu bậc 2 46

Bảng 5.2: Kết quả so sánh trong trường hợp bình thường với hàm chi phí nhiên liệu bậc 2 47

Bảng 5.3: Kết quả thực hiện trong trường hợp bình thường với tải có hiệu ứng điểm van 48

Bảng 5.4: Kết quả thực hiện trong trường hợp sự cố 5 đường dây với hàm chi phí nhiên liệu bậc 2 49

Bảng 5.5: Kết quả so sánh trong trường hợp sự cố 5 đường dây với hàm chi phí nhiên liệu bậc 2 50

Bảng 5.6: Kết quả thực hiện trong trường hợp sự cố 9 đường dây với hàm chi phí nhiên liệu bậc 2 51

Bảng 5.7: Kết quả so sánh trong trường hợp sự cố 9 đường dây với hàm chi phí nhiên liệu bậc 2 52

Bảng 5.8: Kết quả tốt nhất của SCOPF trong trường hợp sự cố 5 đường dây với tải có hiệu ứng điểm van 53

Bảng 5.9: Kết quả thực hiện trong trường hợp sự cố 9 đường dây với tải có hiệu ứng điểm van 54

Bảng A.1: Thông số đường dây 79

Bảng A.2: Giới hạn truyền tải của các đường dây 80

Bảng A.3: Thông số tải 81

Bảng A.4: Thông số các hệ số chi phí máy phát 82

Bảng A.5: Thông số các hệ số chi phí máy phát với valve công suất 83

Bảng A.6: Giới hạn công suất và điện áp nút máy phát 83

Bảng A.7: Kết quả tối ưu thực hiện bởi PSO, DE và HPSO-DE với hàm chi

phí nhiên liệu bậc 2 84

Bảng A.8: Kết quả tối ưu thực hiện bởi PSO, DE và HPSO-DE với tải có hiệu

ứng điểm van 85

DANH MỤC CÁC HÌNH

Hình 3.1: Đường cong chi phí bậc 2 của tổ máy 21

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

Hình 4.1: Bầy chim trong tự nhiên 25

Hình 5.1: Sơ đồ đơn tuyến hệ thống điện IEEE 30 nút 44

Hình 5.2: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp bình thường với tải có hiệu ứng điểm van 48

Hình 5.3: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp sự cố 5 đường dây với hàm chi phí nhiên liệu bậc 2 50

Hình 5.4: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp sự cố 9 đường dây với hàm chi phí nhiên liệu bậc 2 52

Hình 5.5: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp sự cố 5 đường dây với tải có hiệu ứng điểm van 54

Hình 5.6: Đặc tính hội tụ của PSO, DE và HPSO-DE trong trường hợp sự cố 9 đường dây với tải có hiệu ứng điểm van 55

IP Integer Programming

IPM Interior Point Method

IPSO Improve Partical Swarm Optimization

OPF Optimal Power Flow

PFLOW Point of Collapse Program

PSC - OPF Preventive Security Constraint OPF

PSO Particle Swarm Optimization

CHƯƠNG 1: GIỚI THIỆU CHUNG

Trong tình hình thế giới hiện nay đang phải đối mặt với nhiều vấn đề khó khăn của

xã hội, nào là vấn đề thiếu lương thực, y tế, khủng hoảng năng lượng (đặc biệt là năng lượng điện)… do sự gia tăng dân số quá nhanh, từ đó hệ thống điện cũng liên tục được mở rộng Như chúng ta biết, năng lượng điện gần như không thể dự trữ được, do đó bài toán sử dụng năng lượng điện như thế nào để 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 thì có thể làm thay đổi trào lưu phân bố 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) [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 trong rất nhiều lĩnh vực, một trong những lĩnh vực ứng dụng của PSO là 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 tìm kiếm trước Mặt dù phương pháp PSO có tuổi đời còn rất trẻ, mới chỉ được đề xuất lần đầu tiên vào năm 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

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 trong hệ thống điện 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 bỏ được các vấn đề trái ngược trên

Hiện chưa có luận văn, công trình nghiên cứu trong nước về việc áp dụng phương pháp PSO lai vào bài toán phân bố tối ưu công suất trong hệ thống điện có ràng buộc an ninh (SCOPF), điều này cho thấy tầm quan trọng của nó trong việc tìm ra một lời giải tốt nhất, tối ưu nhất

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

1.5 NỘI DUNG LUẬN VĂN

Chương 1: Giới thiệu tổng quan về vấn đề trong luận văn, 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 lai và áp dụng phương pháp vào bài

toán SCOPF trong hệ thống điện

Chương 5: Mô phỏng ứng dụng phương pháp PSO lai vào bài toán SCOPF trong

mạng điện IEEE 30 nút Kết quả được so sánh với các bài báo khác

để thấy được tính ưu việt của phương pháp PSO lai

Chương 6: Đánh giá thuật toán thông qua kết quả mô phỏng của thuật toán, nêu

ra những vấn đề tồn đọng và đưa ra hướng nghiên cứu tiếp theo

CHƯƠNG 2: TỔNG QUAN

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 nguồn nước của các nhà máy thủy điện, phối hợp sử dụng nguồn nước của nhà máy 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 năng 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 (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, đồng thời vẫn đảm bảo được việc cung cấp điện tin cậy của HTĐ

OPF được sử dụng rộng rãi trong vận hành và quy hoạch HTĐ Modul OPF là dòng tải thông minh, sử dụng các kỹ thuật để tự động điều chỉnh sự thiết lập điều khiển HTĐ trong khi thỏa mãn được các điều kiện vận hành và dòng phân bố tải

với các ràng buộc cụ thể

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 HTĐ 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 HTĐ 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

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 quy hoạch phi tuyến tổng quát bài toán điều độ kinh tế bao hàm các ràng buộc về điện áp, 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:

x là vector các biến phụ thuộc, bao gồm: công suất tác dụng nút chuẩn P G1, điện

áp nút tải V L , công suất phản kháng ngõ ra máy phát Q G và công suất trên đường

dây truyền tải S l

u là vector các biến độc lập, bao gồm: điện áp máy phát V G, công suất tác dụng

ngõ ra máy phát P G trừ nút chuẩn P G1 và chỉ số chỉnh định MBA T

g(x,u) là các ràng buộc đẳng thức và thay thế cho các phương trình dòng phân

bố tải

h(x,u) là các ràng buộc bất đẳng thức 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

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:

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, đầu 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 vượt quá giới hạn truyền đến và báo động cho vận hành viên trong tình trạng quá tải hay quá áp

- 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 thống điện để xác định các quá tải và các sự cố xảy 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 bất ngờ xảy 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 bất ngờ 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 bố công suất tối ưu có ràng buộc an ninh (SCOPF) là sự kết hợp của phân tích sự cố bất ngờ (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 xảy 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 xảy ra

sự cố

- Sau khi xảy 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)

- 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 sự

cố được áp dụng với các trạng thái vận hành cơ sở và 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

250MW

250MW

1200MW OPTIMAL DISPATCH

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

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…

0MW

500MW (OVERLOAD)

1200MW POST CONTINGENCY STATE

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 xảy ra bằng cách kiểm soát hệ thống vẫn

trong giới hạn cho phép hoạt động - gọi 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 an ninh Vào đầu năm 1973, Alsac 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 thích hợp” được đề cập lần đầu tiên trong luận án tiến sĩ 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 thần kinh [17] vào năm 1991

và 1995 Năm 1996, Minniti cùng với Confroti và Sorrentino đề xuất 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

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 MatlabTMvà 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 PSOPF, 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 PSOPF 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 giả 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)

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)

SUẤT 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

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 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 NST 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 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 Quy hoạch

động (DP)… Tuy nhiên, GA phụ thuộc nhiều vào hàm tương thích, nhạy với tỷ 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) [27]

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 một 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:

 Lời giải ứng viên được xây dựng dựa trên mô hình chất 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 [30] 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 điểm 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) [31] 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

2.3.8 Phương pháp PSO (Particle Swarm Optimization)

Bài báo [32] 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

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 (SCOPF) là bài toán tối ưu

phi tuyến và quy mô rất lớn với nhiều ràng buộc phức tạp Mục tiêu của bài toán

SCOPF là tối thiểu tổng chi phí của các máy phát trong trường hợp bình thường và

sự cố mà vẫn đáp ứng các ràng buộc khác nhau Trong luận văn này, các ràng buộc

khác nhau được xem xét đó là cân bằng công suất tại các nút, giới hạn công suất

tác dụng và công suất phản kháng của máy phát, giới hạn điện áp tại nút máy phát

và nút tải, giới hạn công suất phản kháng của các tụ bù, giới hạn của nấc phân áp

máy biến áp và giới hạn truyền tải của đường dây truyền tải

a i , b i , c i Hệ số chi phí nhiên liệu của máy phát thứ i

e i , f i Hệ số chi phí nhiên liệu của máy phát thứ i có ảnh hưởng của

xét điểm van công suất

N 0 Số đường dây truyền tải bị mất điện

n i Số nhiên liệu tại nhà máy điện

P di , Q di Công suất tác dụng và công suất phản kháng yêu cầu tại nút i

P gi , Q gi Công suất tác dụng và công suất phản kháng ngõ ra tại nút i

Q ci Công suất phản kháng bơm vào tại nút i

S ij , S ji Công suất biểu kiến từ nút i đến nút j và từ nút j đến nút i

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

Mô hình toán học của bài toán SCOPF theo công thức:

Mô hình chi tiết của bài toán theo công thức sau

F

1

)(Min

(3.6)

Trong đó, hàm chi phí nhiêu liệu F i (P gi ) có thể biểu diễn một trong các dạng sau:

 Hàm bậc 2:

𝐹𝑖(𝑃𝑔𝑖) = 𝑎𝑖+ 𝑏𝑖𝑃𝑔𝑖+ 𝑐𝑖𝑃𝑔𝑖2 (3.7)

Hình 3.1: Đường cong chi phí bậc 2 của tổ máy

 Một hàm sin được thêm vào hàm bậc 2 đại diện cho hiệu ứng tải điểm van:

𝐹𝑖(𝑃𝑔𝑖) = 𝑎𝑖+ 𝑏𝑖𝑃𝑔𝑖+ 𝑐𝑖𝑃𝑔𝑖2 + |𝑒𝑖 x sin (𝑓𝑖 x (𝑃𝑔𝑖,𝑚𝑖𝑛 − 𝑃𝑔𝑖))| (3.8)

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

Trong đó, P gi là công suất ngõ ra của máy phát thứ i, P gi,min là công suất ngõ ra

tối thiểu của máy phát thứ i và a i , b i , c i , e i , f i là hệ số chi phí nhiên liệu

Các ràng buộc đẳng thức và bất đẳng thức trong trường hợp bình thường và sự cố như sau:

 Ràng buộc cân bằng công suất: Công suất tác dụng và công suất phản kháng phải cân bằng tại mỗi nút trong hệ thống

ij i

ij i

Trong đó, Q gi là công suất phản kháng ngõ ra của máy phát i, P di và Q di là công

suất tác dụng và công suất phản kháng yêu cầu tại nút i tương ứng, N b là số nút

của hệ thống, |V i|i và |V j|j là điện áp tại nút i và j tương ứng, |Y ij|ij là

phần tử trong ma trận Y bus liên quan đến nút i và j

 Giới hạn công suất máy phát: Công suất tác dụng và công suất phản kháng ngõ

ra các máy phát được giới hạn bởi cận trên và cận dưới của nó

P

Trong đó, P gi,max là công suất tác dụng ngõ ra lớn nhất của máy phát i, Q gi,min,

Trong đó, V gi là điện áp nút máy phát i, V li là điện áp nút tải i, V gi,max và V gi,min là

điện áp lớn nhất và nhỏ nhất của nút máy phát i, V li,max và V li,min là điện áp lớn

nhất và nhỏ nhất của nút tải i, N d là số nút tải

 Giới hạn dung lượng tụ bù: Dung lượng của tụ bù phải nằm trong giới hạn trên

và dưới của nó

Trong đó, T k là giá trị nấc phân áp MBA k, T k,min và T k,max là giá trị nhỏ nhất và

lớn nhất của nấc phân áp MBA i tương ứng, N t là số MBA

 Giới hạn đường dây truyền tải: Công suất truyền tải trên đường dây được giới hạn bởi dung lượng của nó

Trong đó, S l là công suất truyền tải trên đường dây l, S l,max là khả năng truyền tải

lớn nhất của đường dây l, N l là số đường dây

Trong bài toán này, vector của biến điều khiển bao gồm

], ,,,, ,,

,, ,,

,, ,,

[

2 1 2

1

2 1 3

2

t c

g g

N N

c c

gN g

g gN g

g

T T T Q Q

Q

V V

V P P

P

Với P g1 là nút cân bằng trong hệ thống

Vector của biến trạng thái bao gồm

], ,,

,, ,,

,, ,,

l l

gN g

Q

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) [27] 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 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 tỷ 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 phát triển bởi Kennedy và Eberhart vào năm 1995 Động cơ thúc đẩy sự phát triển của

phương pháp này dựa trên sự mô phỏng xã hội của các động vật cấp thấp như cá, chim,… 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 [34]:

X i = (x i1 , x i2 ,…, x id ) (4.1)

V i = (v i1 , v 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 + c 1 x rand(1) x (p id – x id ) + c 2 x rand(2) x (p gd – x id ) (4.3)

Trong đó:

 c 1 , c 2 là những hằng số gia tốc

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

Phần đầu tiên trong công thức (4.3) đại diện cho vận tốc trước đó, để tạo đà cho cá thể tiếp tục đi lang trong không gian tìm kiếm Thành phần thứ 2, được xem là

thành phần “cognitive”, đại diện cho suy tính nhân tạo của các cá thể, chính thành phần này sẽ hướng các cá thể đến vi trí tốt nhất của nó Thành phần thứ 3 được xem là thành phần “xã hội”, nó đại diện cho hiệu ứng “colaborative” của các cá thể trong quá trình tìm kiếm lời giải tối ưu toàn cục, chính thành phần xã hội sẽ lôi kéo các cá thể hướng đến giá trị tối ưu toàn cục

Ban đầu các cá thể sẽ được tạo ra với một 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 kiếm 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 [35], 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 suất 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 Điều đó làm cho PSO uyển chuyển hơn và vững chắc hơn các phương pháp thông thường khác

 Không giống như thuật toán GA hay thuật toán tự tìm kiếm lời giải khác PSO có

sự uyển chuyển để điều khiển sự cân bằng giữa sự thăm dò cục bộ và toàn cục trong không gian bài toán Nét độc đáo này của PSO giúp nó vượt qua vấn đề hội

tụ hấp tấp và mở rộng khả năng tìm kiếm

 Không giống như các phương pháp truyền thống khác, chất lượng lời giải của PSO không phụ thuộc vào quần thể ban đầu Bắt đầu tại bất cứ nơi đâu trong không gian tìm kiếm, thuật toán đảm bảo sự hội tụ đến lời giải tối ưu

4.3.1 Kỹ thuật TVAC [36], [37]

Như đã phân tích ở trên, phương pháp PSO tìm kiếm giải pháp tối ưu được dựa trên

2 thành phần gia tốc Vì vậy, sự điều khiển thích hợp của 2 thành phần đó rất quan trọng để tìm ra giải pháp tối ưu một cách chính xác và hiệu quả Kennedy và Eberhart đã mô tả rằng một giá trị tương đối cao của thành phần cognitive, so với thành phần social, sẽ tạo ra kết quả lạc lối của các cá thể trong không gian tìm kiếm Ngược lại, với giá trị tương đối cao của thành phần social sẽ dẫn các cá thể đến lời giải cục bộ Do đó, họ đã đề nghị cách thiết lập cả 2 thành phần gia tốc như biểu thức (4.3), khi đó giá trị trung bình của 2 thành phần sẽ thống nhất với nhau,

vì vậy các cá thể chỉ cần bay một nửa thời gian tìm kiếm Kể từ đó, đề xuất này được sử dụng cho hầu hết các nghiên cứu

Suganthan đã kiểm tra một phương pháp giảm tuyến tính của cả 2 hệ số gia tốc theo giời gian, nhưng kết quả cho thấy hệ số gia tốc được cho bởi biểu thức (4.3) vẫn cho giá trị tốt hơn Tuy nhiên, thông qua nghiên cứu của mình ông ấy đã cho thấy rằng hệ số gia tốc không nhất thiết phải lúc nào cũng bằng biểu thức (4.3) Một cách khái quát, trong các thuật toán tối ưu dựa vào cộng đồng, ta mong muốn khuyến khích các cá thể đi khắp nơi trong không gian tìm kiếm mà không tụm lại tại quanh những giá trị tối ưu cục bộ trong giai đoạn đầu của quá trình tối ưu Bên cạnh đó, trong những giai đoạn sau, điều quan trọng là phải tăng cường sự hội tụ về giá trị tối ưu toàn cục nhằm kiếm lời giải một cách có hiệu quả