Ứng dụng thuật toán tối ưu bầy đàn cải tiến nhằm phân bố tối ưu công suất trong lưới điện phân phối

Tổng quan về các phương pháp tái cấu trúc lưới điện phân bố tối ưu công suất nhằm giảm tổn thất trong LĐPP .... Với mục tiêu trên, nhiều thuật toán tối ưu đã được nghiên cứu và ứng dụng

LƯỚI ĐIỆN PHÂN PHỐI

LUẬN VĂN THẠC SĨ KỸ THUẬT

Đà Nẵng – Năm 2020

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA

-

PHẠM TRUNG TIẾN

ỨNG DỤNG THUẬT TOÁN TỐI ƯU BẦY ĐÀN CẢI TIẾN NHẰM PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG

LƯỚI ĐIỆN PHÂN PHỐI

Chuyên ngành : Kỹ thuật điều khiển và Tự Động Hóa

Mã số: 8520216

LUẬN VĂN THẠC SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN KHÁNH QUANG

Đà Nẵng – Năm 2020

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác và các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc

Học viên thực hiện Luận văn

Phạm Trung Tiến

MỤC LỤC

LỜI CAM ĐOAN

MỤC LỤC

TÓM TẮT LUẬN VĂN

DANH MỤC CÁC CHỮ VIẾT TẮT

DANH MỤC CÁC HÌNH

MỞ ĐẦU 1

1 Lý do chọn đề tài 1

2 Mục đích nghiên cứu 1

3 Đối tượng và phạm vi nghiên cứu 2

4 Phương pháp nghiên cứu 2

5 Ý nghĩa khoa học và thực tiễn 2

6 Cấu trúc của đề tài 2

CHƯ NG 1: T NG QUAN VỀ PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG LƯỚI ĐIỆN PHÂN PHỐI 4

1.1 Tổng quan về lưới điện phân phối 4

1.1.1 Đặc điểm của lưới điện phân phối 4

1.1.2 Cấu trúc lưới điện phân phối 6

1.2 Tổng quan về các phương pháp tái cấu trúc lưới điện phân bố tối ưu công suất nhằm giảm tổn thất trong LĐPP 7

1.2.1 Các bài toán tái cấu trúc LĐPP trong vận hành 7

1.2.2 Các nghiên cứu khoa học về tái cấu trúc lưới điện phân phối 8

1.2.2.1 Thuật toán kỹ thuật vòng kín của Merlin và Back 8

1.2.2.2 Kỹ thuật đổi nhánh của Civanlar và các cộng sự 10

1.2.2.3 Thuật toán di truyền (Genetic algorithm - GA) 12

1.2.2.4 Thuật toán đàn kiến (Ant colony algorithm - ACS) 13

1.2.2.5 Thuật toán dựa trên trí tuệ nhân tạo (Artificial Neural Network - ANN) 15 1.2.2.6 Phương pháp tìm kiếm TABU (Tabu Search Method - TS) 15

1.3 Nhận xét 17

CHƯ NG 2: T NG QUAN VỀ THUẬT TOÁN TỐI ƯU BẦY ĐÀN CẢI TIẾN 18

2.1 Thuật toán tối ưu bầy đàn (Particle Swarm Optimization-PSO) 18

2.2 Các phương pháp tối ưu bầy đàn cải tiến 21

2.1.1 Phương pháp sử dụng đạo hàm giả 22

2.1.2 Phương pháp cải tiến với hệ số quán tính thời gian 22

2.2 Ứng dụng thuật toán tối ưu bầy đàn cải tiến cho bài toán tối ưu 25

CHƯ NG 3: ỨNG DỤNG THUẬT TOÁN TỐI ƯU BẦY ĐÀN CẢI TIẾN PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG LƯỚI ĐIỆN PHÂN PHỐI 28

3.1 Bài toán phân bố tối ưu công suất trong lưới điện phân phối nhằm giảm tổn thất điện năng 28

3.1.1 Mô hình lưới điện phân phối 28

3.1.2 Hàm mục tiêu của bài toán phân bố tối ưu công suất nhằm giảm tổn thất 29

3.1.3 Điều kiện ràng buộc 30

3.2 Ứng dụng thuật toán tối ưu bầy đàn cải tiến phân bố tối ưu công suất trong LĐPP 31

CHƯ NG 4: MÔ PHỎNG VÀ ĐÁNH GIÁ KẾT QUẢ 33

4.1 Đối tượng mô phỏng 33

4.1.1 Đặc điểm của lưới điện 33

4.2 Mô phỏng và đánh giá kết quả trên lưới điện 39

4.2.1 Mô phỏng 39

4.2.2 Kết quả mô phỏng 40

4.2.3 Đánh giá kết quả 44

KẾT LUẬN VÀ KIẾN NGHỊ 46

1 Đánh giá 46

2 Đề xuất 46

TÀI LIỆU THAM KHẢO 47

ỨNG DỤNG THUẬT TOÁN TỐI ƯU BẦY ĐÀN CẢI TIẾN NHẰM PHÂN BỐ

TỐI ƯU CÔNG SUẤT TRONG LƯỚI ĐIỆN PHÂN PHỐI

Học viên: Phạm Trung Tiến

Chuyên ngành: Kỹ thuật điều khiển và Tự động hóa

Mã số: 8520216 Khóa: K37 Trường Đại học Bách khoa - ĐHĐN

Tóm tắt – Trước yêu cầu ngày càng cao về giảm tổn thất điện năng trong hệ thống

điện Với đặc điểm lưới điện phân phối có phụ tải phân bố rải rác, tỉ trọng công nghiệp chưa cao, tỉ trọng tiêu dùng dân cư lớn nên lưới điện phân phối có tỷ lệ tổn thất điện năng cao trong hệ thống điện Vì vậy giảm tổn thất điện năng trên lưới điện phân phối có ý nghĩa quan trọng trong việc giảm tổn thất điện năng của toàn bộ

hệ thống điện Với mục tiêu trên, nhiều thuật toán tối ưu đã được nghiên cứu và ứng dụng để phân bố tối ưu công suất trong lưới điện phân phối bằng cách thay đổi trạng thái đóng/mở các thiết bị đóng cắt để tái cấu trúc lại lưới điện Thuật toán tối ưu bầy đàn cải tiến (IPSO) được đề xuất và trình bày trong đề tài nhằm tối thiểu hóa tổn thất điện năng cũng như cải thiện điện áp trên lưới điện Thuật toán đề xuất đã được

mô phỏng kiểm chứng với lưới điện tỉnh Kon Tum và được đánh giá so sánh với thuật toán tối ưu bầy đàn truyền thống Kết quả đã cho thấy giải pháp đưa ra là rất hiệu quả và có khả năng ứng dụng trong thực tế

Từ khóa – PSO, IPSO, phân bố tối ưu công suất, tái cấu hình lưới điện, giảm tổn

thất

APPLICATION OF IMPROVED PARTICLE SWARM OPTIMIZATION TO OPTIMAL POWER DISTRIBUTION

Abstract - In the face of increasing requirements for power losses reduction in

power system Due to the distribution system with scattered load, the low proportion

of electricity consumption in industry, the high proportion of consumers, so the distribution system has a high rate of power loss in power system Therefore, power loss reduction on the distribution system is important in reducing the real loss of the entire power system To achieve this goal, many optimization algorithms have been studied and applied to optimize the distribution of power in the distribution system

by changing tie and sectionalizing switches to reconfigure the network An Improved Particle Swarm Optimization (IPSO) algorithm has been proposed and presented in this study for power loss minimization and voltage profile improvement The proposed algorithm has been simulated and verified with the distribution system of Kon Tum province and its result has been compared with the traditional PSO algorithm The simulation results have shown that the proposed solution is very effective and applicable in realworld applications

Key words - PSO, IPSO, Optimal power distribution, distribution system

reconfiguration, power loss reduction

DANH MỤC CÁC CHỮ VIẾT TẮT

Nhóm chữ viết tắt Định nghĩa

DS (Distance Switch) Dao cách ly

LBS (Load Breaker Switch) Máy cắt phụ tải

GA (Genetic Algorithm) Giải thuật di truyền

ACS (Ant Colony Algorithm) Giải thuật đàn kiến

ANN (Artificial Neural Network) Mạng trí tuệ nhân tạo

TS (Tabu Search Method) Phương pháp tìm kiếm TABU

PSO ( Particle Swarm Optimization) Phương pháp tối ưu bầy đàn

IPSO ( Improve Particle Swarm Optimization) Phương pháp t ố i ư u bầy đàn cải tiến

DANH MỤC CÁC BẢNG

Số hiệu bảng Tên bảng Trang

1.1 Phạm vi ứng dụng của các bài toán tái cấu trúc

lưới 8 4.1 Thông số nút 34 4.2 Thông số đường dây 36 4.3

Công suất trên các xuất tuyến và tổn thất ở phương thức kết lưới hiện tại trước khi thực hiện phân bố tối ưu công suất

39 4.4 Kết quả thực hiện bằng thuật toán PSO và IPSO 44 4.5 So sánh kết quả giữa thuật toán PSO và IPSO 44

Hong cải tiến 9 1.6 Lưu đồ thuật toán của Civanlar và các cộng sự 11 1.7 Mô phỏng thuật toán đàn kiến 14 2.1 Sơ đồ minh họa một điểm tìm kiếm bằng PSO 19 2.2 Lưu đồ thuật toán PSO 21 2.3 Lưu đồ thuật toán tối ưu bầy đàn cải tiến 27 3.1 Sơ đồ của một xuất tuyến hình tia 28 3.2 Sơ đồ thay thế đường dây phân phối 29 3.3 Lưu đồ thuật toán IPSO cho bài toán phân bố tối ưu công suất 32 4.1 Sơ đồ kết nối lưới trước khi phân bố tối ưu 39 4.2 Sơ đồ kết nối lưới sau khi phân bố tối ưu công suất bằng

thuật toán PSO 40 4.3 Đồ thì điện áp của thuật toán PSO 41 4.4 Kết quả tính tổn thất của thuật toán PSO 41 4.5 Sơ đồ kết nối lưới sau khi phân bố tối ưu công suất bằng

thuật toán IPSO 42 4.6 Đồ thì điện áp của thuật toán IPSO 43 4.7 Kết quả tính tổn thất của thuật toán IPSO 43 4.8 Kết quả tính tổn thất trong 20 vòng lặp của thuật toán PSO và

Về mặt lý thuyết, có nhiều biện pháp để giảm tổn thất công suất trên LĐPP như: nâng cao điện áp vận hành LĐPP, tăng tiết diện dây dẫn, hoặc giảm truyền tải công suất phản kháng trên lưới điện bằng cách lắp đặt tụ bù Tuy các biện pháp này đều mang tính khả thi về kỹ thuật nhưng lại tốn các chi phí đầu tư và thời gian lắp đặt thiết

bị Trong khi đó, biện pháp tái cấu trúc lưới thông qua việc chuyển tải bằng cách đóng/mở các cặp khoá điện có sẵn trên lưới cũng có thể giảm tổn thất điện năng đáng

kể khi đạt được cân bằng công suất giữa các tuyến dây mà không cần nhiều chi phí để cải tạo lưới điện Không chỉ dừng lại ở mục tiêu giảm tổn thất điện năng, tái cấu trúc LĐPP còn có thể nâng cao khả năng tải của lưới điện, giảm sụt áp cuối lưới

Trong quá trình vận hành, thực tế việc tái cấu trúc lưới nhằm giảm tổn thất công suất và nâng cao độ tin cậy trong điều kiện phải thoả mãn các ràng buộc kỹ thuật với hàng trăm khoá điện trên hệ thống điện phân phối là điều vô cùng khó khăn đối với các điều độ viên Do đó luôn cần một phương pháp phân tích phù hợp với LĐPP thực tế một thuật toán đủ mạnh để tái cấu trúc lưới trong điều kiện thoả mãn các mục tiêu điều khiển trong vận hành lưới điện phân phối hiện nay

2 Mục đích nghiên cứu

Mục đích nghiên cứu của đề tài là:

Đánh giá, khảo sát các phương pháp

- Tái cấu trúc lưới điện nhằm phân bố tối ưu công suất để giảm tổn thất điện năng

và nâng cao chất lượng điện áp trên LĐPP

- Nghiên cứu, cải tiến thuật toán tối ưu bầy đàn (IPSO) và ứng dụng thuật toán để phân bố tối ưu công suất trong LĐPP

- Thuật toán đề xuất được kiểm chứng mô phỏng trên bộ công cụ Matpower/Matlab với LĐPP tỉnh Kon Tum

3 Đối tượng và phạm vi nghiên cứu

- Đối tượng nghiên cứu của đề tài là Bài toán tái cấu trúc lưới phân bố tối ưu công suất trong LĐPP nhằm giảm tổn thất công suất và nâng cao chất lượng điện

áp

- Phạm vi nghiên cứu của để tài là: Khảo sát, đánh giá các phương pháp tái cấu trúc lưới; Xây dựng và ứng dụng thuật toán tối bầy đàn cải tiến nhằm phân bố tối tối ưu công suất cho LĐPP tỉnh Kon Tum

4 Phương pháp nghiên cứu

- Phân tích, tổng hợp tài liệu có liên quan đến vấn đề tái cấu trúc lưới phân bố tối

ưu công suất trong lưới điện

- Khảo sát và đánh giá các phương pháp tái cấu trúc lưới điện nhằm phân bố tối

ưu công suất và nâng cao chất lượng điện áp

- Kiểm chứng thuật toán đề xuất bằng mô phỏng trên phần mềm Matpower/Matlab với LĐPP tỉnh Kon Tum

5 Ý nghĩa khoa học và thực tiễn

- Ý nghĩa khoa học: Đề tài là một nguồn tài liệu tham khảo hữu ích cho các giải pháp phân bố tối ưu công suất trong LĐPP nhằm giảm tổn thất điện năng và nâng cao chất lượng điện áp

- Ý nghĩa thực tiễn: Kết quả nghiên cứu của đề tài có thể ứng dụng nhằm đưa ra các giải pháp tối ưu công suất cho các LĐPP thực tế

6 Cấu trúc của đề tài

Đề tài được tổ chức gồm có các chương, các phần như sau:

- Phần mở đầu giới thiệu về lý do chọn đề tài, mục đích nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu và ý nghĩa khoa học và thực tiễn

- Chương 1: Tổng quan về phân bố tối ưu công suất trong lưới điện phân phối

- Chương 2: Tổng quan về thuật toán tối ưu bầy đàn cải tiến

CHƯƠNG 1: T NG QUAN VỀ PHÂN BỐ TỐI ƯU CÔNG

SUẤT TRONG LƯỚI ĐIỆN PHÂN PHỐI

1.1 Tổng quan về lưới điện phân phối

1.1.1 Đặc điểm của lưới điện phân phối

Trong hệ thống điện gồm có các thành phần chính là nhà máy điện, lưới điện truyền tải, LĐPP và phụ tải LĐPP có nhiệm vụ chuyển tải điện năng trực tiếp từ các trạm biến áp trung gian đến các phụ tải dùng điện Trong khi lưới điện truyền tải thường được vận hành mạch vòng hay mạch tia, còn LĐPP có thể được thiết kế có cấu trúc mạch vòng hoặc cấu trúc hình tia nhưng do yêu cầu về kỹ thuật LĐPP luôn được vận hành hở Nhờ cấu trúc vận hành hở mà hệ thống relay bảo vệ chỉ cần sử dụng loại relay quá dòng Để khôi phục việc cung cấp điện cho khách hàng sau sự cố, hầu hết các tuyến đường dây đều có các mạch vòng liên kết với các đường dây kế cận được cấp điện từ một trạm biến áp trung gian khác hay từ chính trạm biến áp có đường dây

bị sự cố Việc khôi phục lưới được thực hiện thông qua các thao tác đóng/cắt các cặp khoá điện nằm trên các mạch vòng, do đó trên LĐPP có rất nhiều khoá điện

Hình 1.1: Mô hình hệ thống điện

Một đường dây phân phối luôn có nhiều loại phụ tải khác nhau (sinh hoạt, thương mại dịch vụ, công nghiệp) và các phụ tải này phân bố không đồng đều giữa các đường dây Mỗi loại phụ tải lại có thời điểm đỉnh tải khác nhau và luôn thay đổi trong ngày, trong tuần và theo từng mùa Vì vậy, trên các đường dây, đồ thị phụ tải không bằng phẳng và luôn có sự chênh lệch công suất tiêu thụ Điều này gây ra quá tải đường dây

và làm tăng tổn thất trên LĐPP

Để chống quá tải trên đường dây và giảm tổn thất, các điều độ viên sẽ thay đổi cấu trúc lưới điện vận hành bằng các thao tác đóng/mở các cặp khoá điện hiện có trên lưới Vì vậy, trong quá trình thiết kế, các loại khoá điện (Recloser, LBS,…) sẽ được lắp đặt tại các vị trí có lợi nhất để khi thao tác đóng/ mở các khoá này có thể giảm tổn thất điện năng Hay nói cách khác, hàm mục tiêu trong quá trình vận hành lưới điện phân phối là cực tiểu tổn thất năng lượng Bên cạnh đó, trong quá trình phát triển, phụ tải liên tục thay đổi, vì vậy xuất hiện nhiều mục tiêu vận hành LĐPP để phù hợp với tình hình cụ thể Tuy nhiên, các điều kiện vận hành LĐPP phải thoả mãn các điều kiện sau:

- Cấu trúc vận hành hở

- Tất cả các phụ tải đều được cung cấp điện

- Điện áp tại các nút phải nằm trong phạm vi cho phép

- Các hệ thống bảo vệ relay phải thay đổi phù hợp

- Đường dây, máy biến áp và các thiết bị khác không bị quá tải

Hình 1.2: Mô hình lưới điện phân phối

Trong Hình 1.2 là sơ đồ LĐPP đơn giản gồm có 2 nguồn và nhiều khoá điện Khoá SW1, SW5 và RC3 ở trạng thái mở để đảm bảo lưới điện vận hành hở Các đoạn tải LN2 và LN6 nằm ở cuối lưới của nguồn điện SS2 Để cải thiện chất lượng điện năng ở cuối lưới, bộ tụ bù được lắp giữa LN4 và SW2 và máy biến áp điều áp được lắp giữa LN3 và LN4 Tất nhiên, các thiết bị này đều có thể được vận hành ở chế độ thông

số không đổi trong thời gian vận hành hay thông số thay đổi bằng cách điều khiển từ

xa hay tại chỗ

Khi vận hành LĐPP như trên Hình 1.2 có thể có tổn thất cao nhưng có thể giảm tổn thất công suất bằng cách chuyển một số tải từ nguồn SS2 sang nguồn SS1, ví dụ: đóng RC3 và mở SW2 để chuyển các đoạn tải LN5 và LN6 từ nguồn SS2 sang SS1 Việc phân tích lựa chọn các giải pháp chuyển tải này là nội dung của các thuật toán phân bố tối ưu công suất trong LĐPP Trong LĐPP thực tế có hàng trăm khoá điện, việc tìm ra giải pháp chuyển tải tốt nhất trong tổ hợp các khoá điện khi chuyển tải sẽ cần một thời gian rất dài và còn phải xem xét đến các điều kiện ràng buộc kỹ thuật Vì vậy cần thiết phải có một thuật toán tìm điểm mở trên LĐPP để có thể nhanh chóng tìm ra phương thức vận hành tốt nhất cho lưới điện theo các mục tiêu điều khiển

1.1.2 Cấu trúc lưới điện phân phối

Cấu trúc LĐPP đa dạng, phức tạp, các phụ tải đa dạng, đan xen và phát triển nhanh Số lượng nút, nhánh rất nhiều do đó việc tính toán các chỉ tiêu kinh tế - kỹ thuật gặp rất nhiều khó khăn, mặc dù trên thực tế đã có khá nhiều phần mềm áp dụng

để quản lý kể cả trong khâu kỹ thuật cũng như khâu kinh doanh

Chế độ vận hành bình thường LĐPP là vận hành hở Các sơ đồ lưới điện thường gặp là: hình tia hay hình tia có nguồn dự phòng Các sơ đồ trên có những ưu điểm như: vận hành đơn giản; trình tự phục hồi lại kết lưới sau sự cố dễ dàng hơn Tuy LĐPP được vận hành hở nhưng để nâng cao độ tin cây cung cấp điện, giữa các đường dây thường có các khóa điện thường mở có khả năng kết nối đến các đường dây khác, giúp chuyển tải hay chuyển nguồn cung cấp điện cho phụ tải khi có sự cố

Một số sơ đồ cung cấp điện thường được sử dụng trong vận hành:

Hình 1.3: Sơ đồ lưới điện hình tia

Hình 1.4: Sơ đồ lưới điện kín vận hành hở

1.2 Tổng quan về các phương pháp tái cấu trúc lưới điện phân bố tối ưu công suất nhằm giảm tổn thất trong LĐPP

1.2.1 Các bài toán tái cấu trúc LĐPP trong vận hành

Các bài toán vận hành LĐPP chủ yếu tập trung vào giải quyết các vấn đề sau: giảm tổn thất công suất của lưới điện, cải thiện thời gian tái lập cấu trúc, cải thiện các

hệ số tin cậy của hệ thống, cải thiện khả năng tải của lưới điện, cải thiện tình trạng không cân bằng tải, tối thiểu công suất tổn thất, giảm thiểu tổn thất của hệ thống lưới điện không cân bằng, tối đa điện áp vận hành Từ những mục tiêu cơ bản trên, chúng

ta có thể tạm phân chia bài toán tái cấu trúc LĐPP thành các bài toán nhỏ như sau:

- Bài toán 1: Xác định cấu trúc lưới điện theo đồ thị phụ tải trong một khoảng thời gian để chi phí vận hành bé nhất

- Bài toán 4: Tái cấu trúc lưới điện cân bằng tải (giữa các đường dây, máy biến

áp nguồn ở các trạm biến áp) để nâng cao khả năng tải của lưới điện

- Bài toán 5: Khôi phục lưới điện sau sự cố hay cắt điện sửa chữa

- Bài toán 6: Xác định cấu trúc lưới theo nhiều mục tiêu như: tổn thất công suất

bé nhất, mức độ cân bằng tải cao nhất, số lần chuyển tải ít nhất, sụt áp cuối lưới

bé nhất cùng đồng thời xảy ra (hàm đa mục tiêu)

- Bài toán 7: Xác định cấu trúc lưới điện để đảm bảo mục tiêu giảm năng lượng ngừng cung cấp hay nâng cao độ tin cây cung cấp điện

Các bài toán xác định cấu trúc vận hành của một LĐPP cực tiểu tổn thất điện năng thoả mãn các điều kiện kỹ thuật vận hành luôn là bài toán quan trọng và kinh điển trong vận hành hệ thống điện

Bảng 1.1 Phạm vi ứng dụng của các bài toán tái cấu trúc lưới

Tên bài toán 1 2 3 4 5 6 7

n Khoá điện được điều khiển từ xa    

Chi phí chuyển tải thấp, không mất

điện khi chuyển tải

    Chi phí chuyển tải cao, mất điện

khi chuyển tải

   

Lưới điện thường xuyên bị quá tải   

Lưới điện ít bị quá tải      Lưới điện hầu như không quá tải     

1.2.2 Các nghiên cứu khoa học về tái cấu trúc lưới điện phân phối

1.2.2.1 Thuật toán kỹ thuật vòng kín của Merlin và Back

Thuật toán của Merlin và Back [1] Trong nghiên cứu này, kỹ thuật tối ưu nhánh

và biên được sử dụng để tìm cấu hình lưới có tổn thất điện năng là bé nhất Ban đầu

đóng tất cả các khoá điện lại tạo thành một lưới kín, sau đó giải bài toán phân bố công suất và tiến hành mở lần lượt các khoá có dòng chạy qua bé nhất cho đến khi lưới điện dạng hình tia

Ở đây Merlin và Back cho rằng với mạch vòng, lưới điện phân phối luôn có mức tổn thất công suất bé nhất Vì vậy để có lưới điện phân phối vận hành hình tia, Merlin

và Back lần lượt loại bỏ những nhánh có tổn thất công suất nhỏ nhất, quá trình sẽ chấm dứt khi lưới điện đạt được trạng thái vận hành hở Các thuật toán tìm kiếm nhánh

và biên ứng dụng luật heuristic này mất rất nhiều thời gian do có khả năng xảy ra đến

2n cấu trúc nếu có n đường dây được trang bị khoá điện

Hình 1.5: Thuật toán của Merlin và Back được Shirmohammadi và Hong cải tiến Trong Hình 1.5 trình bày thuật toán của Merlin và Back đã được Shirmohammadi

và Hong [2] cải tiến Thuật toán này chỉ khác so với giải thuật nguyên thủy của Merlin

Đọc dữ liệu lưới và khóa điện Đóng tất cả khoá điện

Xuất kết quả

Có

Không Không

Giải bài toán phân bố công suất và thay thế tải bằng các nguồn dòng

Giải bài toán phân bố công suất tối ưu

Mở khóa điện cho dòng bé nhất

Vi phạm Các điều kiện vận hành Lưới điện hình tia

Đóng khóa điện vừa mở

mở khóa điện có dòng bé nhất tiếp theo

Có

- Mặc dù đã áp dụng các luật heuristics, thuật toán này vẫn cần quá nhiều thời gian để tìm ra được cấu trúc giảm tổn thất công suất

- Tính chất không cân bằng và nhiều pha chưa được mô phỏng đầy đủ

- Tổn thất của thiết bị trên đường dây chưa được xét đến trong thuật toán

1.2.2.2 Kỹ thuật đổi nhánh của Civanlar và các cộng sự

Thuật toán của Civanlar [3] dựa trên heuristics để tái cấu trúc lưới điện phân phối, lưu đồ mô tả thuật toán được trình bày tại Hình 1.6 Thuật toán của Civanlar được đánh giá cao nhờ:

Xác định được hai qui luật để giảm số lượng khóa điện cần xem xét

- Nguyên tắc chọn khóa đóng: việc giảm tổn thất chỉ có thể đạt được nếu như có

sự chênh lệch đáng kể về điện áp tại khoá đang mở

- Nguyên tắc chọn khóa mở: việc giảm tổn thất chỉ đạt được khi thực hiện chuyển tải ở phía có độ sụt áp lớn sang phía có sụt áp bé hơn

Xây dựng được hàm số mô tả mức giảm tổn thất công suất tác dụng khi có sự thay đổi trạng thái của một cặp khóa điện trong quá trình tái cấu trúc

(1.1) Trong đó:

ΔP(t) : Tổn thất công suất tác dụng

D : Tập các nút tải được dự kiến chuyển tải

Ii : Dòng điện tiêu thụ của nút thứ i

EM : Tổn thất điện áp do thành phần điện trở gây ra tại nút M

EN : Tổn thất điện áp do thành phần điện trở gây ra tại nút N

D

i iloop

* N M D

2 Re ) t (

Rloop : Tổng các điện trở trên vòng kín khi đóng khoá điện đang mở

Biểu thức (1.1) được rút ra từ phân tích mô hình tải phân bố tập trung Biểu thức này tỏ ra chính xác khi ứng dụng cho các lưới mẫu nhỏ nhưng chưa được kiểm chứng

ở lưới điện lớn

Hình 1.6: Lưu đồ thuật toán của Civanlar và các cộng sự

Kỹ thuật đổi nhánh thể hiện ở quá trình thay thế một khóa mở bằng một khoá đóng trong cùng một vòng để phân bố công suất trong lưới điện giảm tổn thất công suất Vòng được chọn để đổi nhánh là vòng có cặp khoá đóng/mở có mức giảm tổn thất công suất lớn nhất Quá trình được lặp lại cho đến khi không thể giảm được tổn thất nữa

Giảm số lần thao tác khóa điện bằng cách xem xét các luật heuristic

Thực hiện thao tác đóng/cắt có mức độ giảm tổn thất công suất nhất

Kiểm tra quá tải và độ sụt áp cho phép Phân bố công suất cho lưới điện mới

Chọn thao tác đóng/cắt kế tiếp

Hệ thống được xem là tối ưu Không

Có

Thuật toán Civanlar có ưu điểm sau:

- Nhanh chóng xác định phương án tái cấu trúc có mức tổn thất nhỏ hơn bằng cách giảm số liên kết đóng cắt nhờ qui tắc heuristics và sử dụng công thức thực nghiệm để xác định mức độ giảm tổn thất tương đối

- Việc xác định dòng tải tương đối chính xác

Tuy nhiên, thuật toán còn nhiều nhược điểm cần khắc phục:

- Mỗi bước tính toán chỉ xem xét một cặp khóa điện trong một vòng

- Chỉ đáp ứng được nhu cầu giảm tổn thất, chứ chưa giải quyết được bài toán cực tiểu hóa hàm mục tiêu

- Việc tái cấu trúc hệ thống phụ thuộc vào cấu trúc xuất phát ban đầu

1.2.2.3 Thuật toán di truyền (Genetic algorithm - GA)

Thuật toán di truyền được lập dựa trên cơ sở lý thuyết Darwin và đã được giới thiệu lần đầu tiên bởi Holland năm 1975 [4], sau này được phát triển bởi L.Davis và Z.Michalevicz Đây là thuật toán hình thành từ việc nhận xét thế giới tự nhiên: Quá trình tiến hoá tự nhiên là quá trình tối ưu nhất, hoàn hảo nhất

Đây được xem như một tiên đề đúng, không chứng minh được, phù hợp với thực

tế khách quan Tư tưởng chính của thuật toán di truyền là ban đầu phát ra một lúc nhiều lời giải khác nhau song song Sau đó những lời giải được tạo ra, chọn những lời giải tốt nhất để làm cơ sở phát sinh ra những lời giải sau với nguyên tắc càng về sau càng tốt hơn Quá trình đó cứ tiếp diễn cho đến khi tìm được lời giải tối ưu trong thời gian cho phép Mục tiêu chính của thuật toán di truyền không nhằm đưa ra lời giải chính xác mà đưa ra lời giải tương đối chính xác trong thời gian cho phép Thuật toán

di truyền tuy dựa trên tính ngẫu nhiên nhưng ngẫu nhiên có sự điều khiển Tính tối ưu của quá trình tiến hoá thể hiện ở chỗ thế hệ sau bao giờ cũng tốt hơn thế hệ trước Thuật toán di truyền thích hợp cho việc tìm kiếm các bài toán có không gian nghiệm lớn như: Bài toán tìm kiếm mật mã khóa có 30 chữ số Bên cạnh đó, bài toán tái cấu trúc LĐPP với số lượng khóa vô cùng lớn nên không gian nghiệm của bài toán này rất lớn, bài toán này đòi hỏi phải tìm ra được cấu trúc tối ưu trong thời gian nhanh nhất Như vậy thuật toán di truyền đều mô phỏng bốn quá trình tiến hoá cơ bản: lai ghép, đột biến, sinh sản, chọn lọc tự nhiên Từ ý tưởng và đặc điểm của giải thuật di truyền, ta nhận xét thuật toán này rất thích hợp để giải bài toán tái cấu trúc lưới

Các bước quan trọng trong việc áp dụng thuật toán di truyền vào bài toán tái cấu trúc lưới:

- Bước 1: Chọn ra một số cấu trúc ngẫu nhiên có thể tìm được trong mạng phân phối điện

- Bước 2: Kí hiệu các khóa đóng (sectionalize switches) trong mạng phân phối

là 0; các khóa thường mở (tie switches) là 1

- Bước 3: Tìm hệ số thích nghi và hàm mục tiêu cho từng cấu trúc đã được tạo

Ưu điểm của phương pháp:

- Lời giải không phụ thuộc vào trạng thái khóa điện ban đầu của mạng

- Do xét không gian tìm kiếm rộng và bao quát, nhờ quá trình chọn lọc, lai hóa và đột biến nên kết quả đạt được thường là tối ưu toàn cục

- Đây là một phương pháp giải đầy tiềm năng Trong tương lai nếu cải tiến được thuật toán mạnh hơn và tốc độ tính toán của máy tính nhanh hơn thì hoàn toàn có thể áp dụng vào thực tế vận hành

Khuyết điểm: Cũng do không gian tìm kiếm có lời giải lớn nên hiện tại phương pháp này có tốc độ giải còn khá chậm

1.2.2.4 Thuật toán đàn kiến (Ant colony algorithm - ACS)

Ban đầu, số con kiến bắt đầu từ tổ kiến để đi tìm đường đến nơi có thức ăn Từ tổ kiến sẽ có rất nhiều con đường khác nhau để đi đến nơi có thức ăn, nên một con kiến

sẽ chọn ngẫu nhiên một con đường đi đến nơi có thức ăn Quan sát loài kiến, người ta nhận thấy chúng tìm kiếm nhau dựa vào dấu chân mà chúng để lại trên đường đi (hay còn gọi là dấu chân kiến để lại) Sau một thời gian lượng dấu chân (pheromone) của mỗi chặng đường sẽ khác nhau Do sự tích lũy dấu chân của mỗi chặng đường cũng khác nhau đồng thời với sự bay hơi của dấu chân ở đoạn đường kiến ít đi Sự khác nhau này sẽ ảnh hưởng đến sự di chuyển của những con kiến sau đi trên mỗi đoạn

đường Nếu dấu chân để lại trên đường đi nhiều thì sẽ có khả năng thu hút các con kiến khác di chuyển trên đường đi đó, những chặng đường còn lại do không thu hút được lượng kiến di chuyển sẽ có xu hướng bay hơi dấu chân sau một thời gian qui định

Điều đặc biệt trong cách hành xử loài kiến là lượng dấu chân trên đường đi có sự tích lũy càng lớn thì cũng đồng nghĩa với việc đoạn đường đó là ngắn nhất từ tổ kiến đến nơi có thức ăn Từ khi thuật toán kiến trở thành một lý thuyết vững chắc trong việc giải các bài toán tìm kiếm tối ưu toàn cục đã có nhiều ứng dụng thực tế cho thuật toán này như: Tìm kiếm các trang web cần tìm trên mạng, kế hoạch sắp xếp thời khóa biểu cho các y tá trong bệnh viện, cách hình thành các màu khác nhau dựa vào các màu tiêu chuẩn có sẵn, tìm kiếm đường đi tối ưu cho những người lái xe hơi Nói tóm lại phương pháp này đưa ra để giải quyết các bài toán có không gian nghiệm lớn để tìm ra lời giải có nghiệm là tối ưu nhất trong không gian nghiệm đó với thời gian cho phép hay không tìm ra cấu trúc tối ưu hơn thì dừng Phương pháp này cũng rất thích hợp để giải bài toán tái cấu trúc mạng để có thể tìm ra trong các cấu trúc có thể của mạng phân phối có một cấu trúc có tổn thất công suất là nhỏ nhất

Hình 1.7: Mô phỏng thuật toán đàn kiến Các bước để tạo ra thuật toán kiến áp dụng cho bài toán tái cấu trúc:

- Bước 1: Một số cấu trúc mạng phân phối sẽ được tạo ra ban đầu

- Bước 2: Mỗi cấu trúc tượng trưng cho đoạn đường mà kiến đã đi sẽ được tính toán hàm mục tiêu (giảm tổn thất công suất, cân bằng tải)

- Bước 3: Mỗi cấu trúc này sẽ được cập nhật vào ma trận dấu chân (ban đầu các

ma trận dấu chân này sẽ bằng nhau) Sau khi các cấu trúc ban đầu tạo ra đã cập

nhật vào ma trận dấu chân, ta sẽ chọn ra được cấu trúc tốt nhất trong số các cấu trúc ban đầu, các cấu trúc còn lại thì sẽ làm bay hơi dấu chân của các cấu trúc này

- Bước 4: Dựa vào ma trận dấu chân ta sẽ xây dựng danh sách các cấu trúc được chọn

- Bước 5: Nếu thời gian cho phép vẫn còn và các cấu trúc được chọn vẫn còn thì

ta quay lại bước 2

- Bước 6: Nếu thời gian cho phép chấm dứt hay cấu trúc được chọn không còn thì ta dừng chương trình và xuất ra kết quả

1.2.2.5 Thuật toán dựa trên trí tuệ nhân tạo (Artificial Neural Network - ANN)

Trí tuệ nhân tạo tỏ ra đặc biệt hữu dụng để thực hiện tái cấu trúc lưới vì chúng có thể mô phỏng mối liên hệ giữa tính chất phi tuyến tính của tải với tính chất của mạng lưới Topo nhằm cực tiểu hóa tổn thất trên dây Mặc dù ANN làm giảm đáng kể thời gian tính toán ngay cả khi áp dụng cho các hệ thống phức tạp, việc ứng dụng chúng trong thực tế vẫn gặp khó khăn do những lý do sau:

- Thời gian huấn luyện kéo dài do tính chất phức tạp trong thao tác

- Việc huấn luyện cần thực hiện cho từng yếu tố cấu thành lưới điện và cần được cập nhật, điều chỉnh một cách liên tục sau này

- Các số liệu mẫu phải thật chính xác để đảm bảo kết quả tính toán có ý nghĩa Kim và các cộng sự [5] đã đề xuất một thuật toán gồm hai giai đoạn dựa trên ANN trong nỗ lực tái cấu trúc hệ thống nhằm cực tiểu hóa tổn thất Nhằm tránh những khó khăn liên quan đến khối lượng lớn các dữ liệu, Kim đã đề nghị chia hệ thống phân phối thành nhiều vùng phụ tải Tại mỗi vùng phụ tải, một hệ thống gồm hai ANN sẽ được sử dụng để phân tích mức độ tải và sau đó thực hiện tái cấu trúc tuỳ theo điều kiện của tải Việc ứng dụng ANN trong phương pháp này mang lại các kết quả tính toán nhanh vì không cần xem xét trạng thái đóng cắt riêng rẽ trong giải thuật tổng thể Tuy nhiên, ANN cũng chỉ có thể tìm ra được trạng thái lưới sau tái cấu trúc tốt như tập

số liệu huấn luyện Chính vì vậy cấu trúc lưới đề nghị dùng ANN cũng không thể chỉ

ra được trạng thái cực tiểu của tổn thất công suất ΔP

1.2.2.6 Phương pháp tìm kiếm TABU (Tabu Search Method - TS)

Khái niệm đầu tiên về bảng tìm kiếm (Tabu search) được dùng trong trí tuệ nhân tạo Không giống như một số thuật toán khác chẳng hạn như thuật toán gen di truyền hay giải thuật luyện kim, nó không liên quan đến những hiện tượng sinh học hay vật

lý Thuật toán tra bảng tìm kiếm được đề cập bởi Fred Glover đầu những năm 1980 [6]

và đã được ứng dụng rộng rãi trong nhiều lĩnh vực khoa học và kỹ thuật Trong lĩnh vực hệ thống điện hiện đại dùng để giải quyết các vấn đề của bài toán tái cấu trúc LĐPP cực tiểu tổn thất trong các điều kiện vận hành bình thường, trong bài toán tái

cấu trúc Tabu Search là phương pháp tối ưu sử dụng cho các bài toán tối ưu tổ hợp

So sánh với giải thuật luyện kim và thuật gen di truyền, phương pháp Tabu Search có không gian tìm kiếm và quản lý tích cực hơn Thuật toán Tabu Search được khởi tạo với một cấu hình cơ bản và nó sẽ trở thành cấu hình hiện tại Tại mỗi bước lặp của giải thuật, một cấu trúc kề bên sẽ được định nghĩa cho cấu trúc hiện tại, mỗi bước

di chuyển tiếp theo sẽ chọn ra cấu trúc tốt nhất liền kề

Thuật toán tìm kiếm này đã và đang được áp dụng rộng rãi trong xử lý một số vấn đề của mạng điện và mang lại một số kết quả rất khả quan Thuật toán tìm kiếm Tabu Search được ứng dụng để tính toán các phương án tối ưu và gần tối ưu đối với bài toán tái cấu trúc lưới bởi các bước sau đây:

- Bước 1: Nhập dữ liệu nhánh, tải và nút của một hệ thống phân phối bao gồm

cả các điều kiện ràng buộc khi vận hành

- Bước 2: Lựa chọn một phương án ngẫu nhiên từ không gian tìm kiếm: S 0ϵ Ω

Các nghiệm này được thể hiện bởi số lượng khóa điện sẽ được mở trong suốt quá trình tái cấu trúc

- Bước 3: Thiết lập kích thước của danh sách Tabu, số lần lặp lớn nhất và đặt chỉ

số lần lặp m = 1

- Bước 4: Để phương án ban đầu thu được trong bước 2 là phương án hiện tại và

phương án tốt nhất: S best = S 0 và S current = S 0

- Bước 5: Chạy phân bố công suất để xác định tổn thất công suất, các điện áp nút và các dòng điện nhánh

- Bước 6: Tính toán hàm mục tiêu và kiểm tra phương án hiện tại có thỏa mãn các điều kiện ràng buộc Một hệ số phạt được thêm vào đối với sự vi phạm ràng buộc

- Bước 7: Tính mức độ mong muốn của S best : f best = f(S best ) Mức độ mong muốn

là tổng của hàm mục tiêu và hàm phạt

- Bước 8: Tạo ra một hệ các phương án trong miền lân cận của phương án hiện

tại S current bằng cách thay đổi các khóa phải được mở ra Hệ các phương án này

được ký hiệu là S neighbor

- Bước 9: Tính toán mức độ mong muốn cho mỗi phương án của S neighbor , và

chọn ra một phương án có mức độ mong muốn cao nhất S neighbor_best

- Bước 10: Kiểm tra xem thuộc tính của phương án thu được trong bước 9 có

trong danh sách Tabu Nếu có, đi tới bước 11, hoặc ngược lại S current = S neighbor_best

và đi tới bước 12

- Bước 11: Chấp nhận S neighbor_best nếu nó có mức độ mong muốn tốt hơn f best và

hệ S current = S neighbor_best, ngược lại chọn một phương án tốt kế tiếp mà không có trong danh sách Tabu để trở thành phương án hiện tại

- Bước 12: Cập nhật danh sách Tabu và đặt m = m + 1

- Bước 13: Lặp lại từ bước 8 tới bước 12 cho tới khi số lần lặp lớn nhất đạt

- Bước 14: Lặp lại bước 5 và xuất ra phương án tối ưu

1.3 Nhận xét

Các phương pháp giải bài toán tái cấu trúc LĐPP ứng với những hàm mục tiêu điều khiển khác nhau Mỗi bài toán có một phạm vi áp dụng nhất định, phù hợp cho từng lưới điện cụ thể Tuy nhiên, chúng có những nét cơ bản giống nhau:

- Các bài toán tái cấu trúc theo các mục tiêu khác nhau, nhưng đều sử dụng bài toán 3: xác định cấu trúc LĐPP giảm tổn thất công suất là module chính trong quá trình giải lặp

- Các thuật toán tìm kiếm được sử dụng trong bài toán tái cấu trúc LĐPP có thể chia thành ba hướng chính như sau: Thuật toán tìm kiếm heuristic kết hợp với thuật toán tối ưu; thuật toán chỉ dùng qui tắc heuristic trong hệ chuyên gia; sử dụng trí tuệ nhân tạo bao gồm có hệ chuyên gia, thuật toán di truyền phù hợp với bài toán tái cấu trúc LĐPP

- Hầu hết các thuật toán tái cấu trúc lưới điện không chỉ ra được cấu trúc có lưới

có cực tiểu tổn thất công suất hoặc không chứng tỏ được kết quả tỉm được là điểm cực tiểu toàn cục, thường bị rơi vào cực tiểu địa phương

CHƯƠNG 2: T NG QUAN VỀ THUẬT TOÁN TỐI ƯU BẦY

ĐÀN CẢI TIẾN

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

Phương pháp tối ưu bầy đàn là một dạng của các thuật toán tiến hóa quần thể đã được biết đến trước đây như thuật toán GA, thuật toán ACS Tuy vậy thuật toán 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 Thuật toán 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 các loại thuật toán có sử dụng trí tuệ bầy đàn Thuật toán PSO lần đầu tiên được đề xuất bởi Eberhart

và Kennedy vào năm 1995 [7] 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 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,

có thể là rất ngẫu nhiên 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 các cá thể khác đang tìm kiếm ở vùng lân cận Tín hiệu này 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 ta từng nhắc đến Việc mô hình hóa này thường được gọi là quá trình phỏng sinh học 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

Thuật toán PSO được khởi tạo bằng một nhóm cá thể (nghiệm) ngẫu nhiên và sau

đó tìm nghiệm tối ưu bằng cách cập nhật các thế hệ Trong mỗi thế hệ, mỗi cá thể được cập nhật theo hai giá trị tốt nhất Gía trị thứ nhất là nghiệm tốt nhất đạt được cho

tới thời điểm hiện tại, gọi là P best Một nghiệm tối ưu khác mà cá thể này bám theo là

nghiệm tối ưu toàn cục G best, đó là nghiệm tốt nhất mà cá thể lân cận cá thể này đạt

được cho tới thời điểm hiện tại Nói cách khác, mỗi cá thể trong quần thể cập nhật vị trí của nó theo vị trí tốt nhất của nó và của cá thể trong quần thể tính tới thời điểm hiện tại như Hình 2.1

Hình 2.1 Sơ đồ minh họa một điểm tìm kiếm bằng PSO 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 mục tiêu 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 mục tiêu theo cách như sau Giả sử rằng

số lượng thức ăn tại một vị trí tỉ lệ nghịch với giá trị của hàm mục tiêu tại vị trí đó Có

nghĩa là ở một vị trí mà giá trị hàm mục tiêu 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 mục tiêu trên không gian tìm kiếm

Các bước thực hiện thuật toán PSO như sau:

- Bước 1: Khởi tạo quần thể: Chọn ngẫu nhiên một quần thể có N cá thể có các

vị trí và vận tốc ban đầu là { , , … , }, { , , … , } Khi đó, mỗi cá thể tương ứng với một giá trị hàm mục tiêu 𝑓( ) và quần thể tương ứng với tập giá trị hàm mục tiêu {𝑓( ), 𝑓( ), … , 𝑓( )} Đặt vòng lặp k = 0, di chuyển

đến bước tiếp theo

- Bước 2: Tìm vị trí tốt nhất của mỗi cá thể và của cả quần thể: Trong quá trình khám phá không gian tìm kiếm, mỗi cá thể chịu sự tác động của hai thông tin đó

là vị trí tốt nhất của chính cá thể đó trong quá khứ (P best) và vị trí tốt nhất của cả

bầy đàn đã đạt được trong quá khứ (G best)

- Bước 3: Cập nhật vận tốc và vị trí của các cá thể theo biểu thức (2.1) và biểu thức (2.2): Mỗi cá thể sẽ điều chỉnh vận tốc và vị trí của mình theo các cá thể có giá trị thích nghi tốt nhất như sau:

(2.1)

(2.2) Trong đó:

c 1 : Hệ số kinh nghiệm của cá thể

c 2 : Hệ số quan hệ xã hội của cá thể

rand : Số ngẫu nhiên trong khoảng [0, 1]

- Bước 4: Thực hiện xong bước 2 và 3, quần thể với vận tốc di chuyển và vị trí mới được cập nhật Vị trí mới của các cá thể được đánh giá bằng hàm thích nghi Nếu các điều kiện hội tụ được thỏa mãn, thuật toán sẽ được dừng lại, ngược lại thuật toán sẽ quay lại bước 2 và tiếp tục thực hiện các bước tiếp theo

- Bước 5: Xuất kết quả

Hình 2.2: Lưu đồ thuật toán PSO

2.2 Các phương pháp tối ưu bầy đàn cải tiến

Bài toán tái phân bố tối ưu công suất LĐPP là bài toán thay đổi các trạng thái đóng/mở của các khóa điện trên lưới nhằm đạt mục tiêu vận hành nào đó Vì đặc điểm phi tuyến và rời rạc của bài toán nên rất khó để tìm lời giải bằng các phương pháp giải tích truyền thống Có nhiều phương pháp phân bố tối ưu công suất LĐPP sử dụng kỹ thuật thuần heuristic, heuristic kết hợp giải tích mạng, trí tuệ nhân tạo [8] Tuy nhiên, một trong những nhược điểm chung của các phương pháp trên là dễ bị bẫy vào các cực trị địa phương Để khắc phục nhược điểm này, các nghiên cứu khoa học thường sử

Bắt đầu Khởi tạo vị trí và vận tốc quần thể cá thể ban đầu

Vòng lặp <= Vòng

lặpmax

- Tìm vị trí tốt nhất của mỗi cá thể

- Tìm vị trí tốt nhất của cả quần thể Cập nhật vận tốc và vị trí của các cá thể

Dừng Sai

Đánh giá mỗi cá thể bằng hàm thích nghi

Đánh giá mỗi cá thể bằng hàm thích nghi

Xuất kết quả Vòng lặp = Vòng lặp + 1

Đúng

dụng giải thuật GA trong bài toán tái cấu hình lưới điện [9,10,11] Trong thời gian gần đây, thuật toán PSO được ứng dụng rộng rãi trong các bài toán hệ thống điện vì có nhiều ưu điểm như tốc độ hội tụ nhanh, lập trình đơn giản hơn [12,13]

Thuật toán PSO là một trong những thuật toán tiến hóa, dựa trên khái niệm trí tuệ bầy đàn để giải các bài toán tối ưu hóa 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 đặc biệt là các bài toán liên quan đến hệ thống điện

Thuật toán PSO với nhiều ưu điểm như tốc độ hội tụ nhanh, lập trình đơn giản và được ứng dụng vào các ngành kỹ thuật khác nhau và một trong những lĩnh vực ứng dụng của thuật toán PSO là lĩnh vực hệ thống điện Ngày nay một số nhà khoa học trên thế giới đã nghiên cứu cải tiến thuật toán PSO để ứng dụng tính toán tối ưu trong hệ thống điện và cho ra những kết quả tốt hơn những thuật toán khác Trong những năm gần đây, nhiều nhà nghiên cứu đã phát triển và cải tiến thuật toán PSO ban đầu nhằm khắc phục nhược điểm hội tụ sớm của thuật toán PSO truyền thống

2.1.1 Phương pháp sử dụng đạo hàm giả

Để thực hiện đạo hàm giả trong thuật toán PSO, hai điểm được xét đến tương ứng

là x k và x l trong khoảng không gian tìm kiếm của đạo hàm giả tại vị trí phần tử ở lần

lặp thứ k và k+1 là x (k) và x (k+1) Do đó, vị trí cập nhật mới của phần tử được viết lại

như biểu thức (2.3)

{

( ) | | 𝑓 ( )

(2.3) Nếu đạo hàm giả khác 0, phần tử sẽ di chuyển đúng chiều và tiến nhanh đến điểm tối ưu trong không gian tìm kiếm nhờ tăng tốc độ của phần tử, ngược lại vị trí của

phần tử sẽ được cập nhật lại Thuật toán PSO cải tiến với đạo hàm giả cũng giống như

thuật toán PSO truyền thống nhưng nhờ đạo hàm giả nên các phần tử di chuyển đúng chiều, và tăng tốc độ làm chúng có thể tiến nhanh đến lời giải tối ưu Vì vậy, thuật toán PSO cải tiến có hiệu quả tốt hơn so với thuật toán PSO truyền thống trong giải quyết các bài toán tối ưu

2.1.2 Phương pháp cải tiến với hệ số quán tính thời gian

Với phương pháp sử dụng hệ số quán tính thời gian, vận tốc và vị trí

của các cá thể được tính toán bằng biểu thức (2.4) và (2.5)

(2.4)

(2.5) Trong đó:

c 1 : Hệ số kinh nghiệm của cá thể

c 2 : Hệ số quan hệ xã hội của cá thể

rand 1 , rand 2: Số ngẫu nhiên trong khoảng [0, 1]

P best i k : Vị trí tốt nhất của cá thể i cho đến vòng lặp k

G best k : Vị trí tốt nhất của quần thể cho đến vòng lặp k

Trong biểu thức (2.4),  được mô phỏng theo phương trình sau:

(2.6) Trong đó:

max : Hệ số số quán tính lớn nhất

min : Hệ số quán tính nhỏ nhất

Itr max : Số lần lặp lớn nhất

Itr : Số lần lặp hiện tại

Trong quá trình giải quyết vấn đề, tập hợp các tham số của thuật toán PSO có tác động lớn đến kết quả của thuật toán Khi vấn đề được giải quyết bằng thuật toán, các giai đoạn tiến hóa khác nhau thường yêu cầu kết hợp các tham số khác nhau để đáp ứng các yêu cầu khác nhau của hàm mục tiêu Ví dụ, trong giai đoạn đầu của thuật toán, thuật toán PSO cần hệ số quán tính lớn hơn để các cá thể thực hiện mở rộng phạm vi tìm kiếm, với hệ số quán tính nhỏ làm tăng sự thay đổi để nhận được giá trị

tối ưu địa phương Trong khi đó, hệ số c 1 có thể được tăng lên để làm cho các cá thể

hiện tại, đồng thời cũng cần để giảm một cách thích hợp các hệ số c 1 và tăng hệ số c 2

để làm cho thuật toán hội tụ tốt hơn

Với những yêu cầu trên đã có nhiều nghiên cứu đã cải tiến thuật toán PSO bằng các hàm thích nghi có thể điều chỉnh hệ số quán tính thích nghi trong các giai đoạn

khác nhau của quá trình theo sự biến thiên của hàm cosin Ngoài ra, các hệ số hệ số c 1,

c 2 dựa trên biến thiên tuyến tính bị xáo trộn trong một điều kiện nhất định Phương

pháp cải tiến thuật toán PSO với hàm thích nghi, hệ số quán tính ω và hệ số gia tốc c 1,

c 2 được thay đổi như sau:

Itr : Số lần lặp hiện tại

c 1 : Hệ số kinh nghiệm của cá thể

c 1min : Hệ số kinh nghiệm nhỏ nhất của cá thể

c 1max : Hệ số kinh nghiệm lớn nhất của cá thể

c 2 : Hệ số quan hệ xã hội của cá thể

c 2min : Hệ số quan hệ xã hội nhỏ nhất của cá thể

c 2max : Hệ số quan hệ xã hội lớn nhất của cá thể

Sau khi so sánh với các phương pháp cải tiến khác, kết quả cho thấy phương pháp cải tiến mới này không chỉ có thể cải thiện tốc độ hội tụ mà còn cải thiện hiện tượng hội tụ sớm Đây là phương pháp cải tiến thuật toán PSO có ưu điểm là lập trình đơn giản thích hợp ứng dụng vào bài toán phân bố tối ưu công suất mà đề tài đặt ra

2.2 Ứng dụng thuật toán tối ƣu bầy đàn cải tiến cho bài toán tối ƣu

Từ những phân tích trên, trong bài toán tối ưu với các hàm mục tiêu khác nhau mỗi phương pháp đều có ưu nhược điểm khác nhau và đều giải quyết được bài toán đề

ra Nhưng với thuật toán PSO cải tiến bằng các hàm thích nghi có nhiều ưu điểm hơn, khắc phục được nhược điểm của thuật toán PSO ban đầu; như lập trình đơn giản, dể dàng hoạt động với các giải pháp số thực Phương pháp cải tiến thích hợp ứng dụng cho các bài toán tối ưu

Các bước thực hiện thuật toán tối ưu bầy đàn cải tiến trong bài toán tối ưu được thực hiện như sau:

- Bước 1: Nhập các thông số của bầy (Chọn các thông số IPSO)

- Bước 2: Khởi tạo quần thể: Chọn ngẫu nhiên một quần thể có N cá thể có các

vị trí và vận tốc ban đầu là { , , … , }, { , , … , } Khi đó, mỗi cá thể tương ứng với một giá trị hàm mục tiêu 𝑓( ) và quần thể tương ứng với tập giá trị hàm mục tiêu {𝑓( ), 𝑓( ), … , 𝑓( )} Đặt vòng lặp k = 0, di chuyển

đến bước tiếp theo

- Bước 3 Tính toán tìm vị trí tốt nhất của mỗi cá thể và của cả quần thể

Vị trí tốt nhất của cá thể P best tại vòng lặp k được tính như sau:

} (2.11)

- Bước 4: Cập nhật vận tốc và vị trí của cá thể theo biểu thức vận tốc và vị trí của các cá thể bằng biểu thức (2.4), (2.5) với hàm thích nghi ở biểu thức (2.7), (2.8), (2.9)

- Bước 5: Thực hiện xong bước 3 và 4, quần thể với vận tốc di chuyển và vị trí mới được cập nhật Vị trí mới của các cá thể được đánh giá bằng hàm thích nghi Nếu các điều kiện hội tụ được thỏa mãn, thuật toán sẽ được dừng lại ngược lại thuật toán sẽ quay lại bước 3 và tiếp tục thực hiện các bước tiếp theo

- Bước 6: Xuất kết quả

Lưu đồ các bước thực hiện giải bài toán tối ưu bằng thuật toán tối ưu bầy đàn cải tiến được thể hiện trong Hình 2.3