Áp dụng các thuật toán dựa trên tìm kiếm bầy đàn để tính toán điều độ tối ưu trong hệ thống điện có xét đến nguồn năng lượng gió

 Tính tối ưu tổn thất công suất, tối ưu độ lệch điện áp tại các nút tải, tối ưu ổn định điện áp của hệ thống có tham gia của NMĐG theo phụ tải 24 giờ 1.3 Đối tƣợng và phạm vi nghiên cứu

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

Công trình được hoàn thành tại ĐẠI HỌC BÁCH KHOA THÀNH PHỐ HỒ CHÍ MINH

Người hướng dẫn khoa học 1: PGS – TS Võ Ngọc Điều

Người hướng dẫn khoa học 2: TS Đinh Hoàng Bách

Phản biện độc lập 1: GS – TS Lê Kim Hùng

Phản biện độc lập 2: PGS – TS Quyền Huy Ánh

Phản biện 1: PGS – TS Võ Viết Cường

Phản biện 2: TS Nguyễn Trung Nhân

Phản biện 3: PGS - TS Phạm Đình Anh Khôi

Luận án sẽ được bảo vệ trước Hội đồng chấm luận án tiến sĩ kỹ thuật

cấp Đại học Bách Khoa TP Hồ Chí Minh họp vào 8 giờ ngày 19 tháng 03 năm 2019 tại Đại học Bách Khoa TP Hồ Chí

Minh

Có thể tìm hiểu luận án tại thư viện:

- Đại học Quốc gia TP Hồ Chí Minh

- Đại học Bách Khoa TP Hồ Chí Minh

DANH MỤC CÁC KÝ HIỆU

ij Độ lệch góc điện áp giữa nút i và j [rad]

A Diện tích gió thổi qua cánh quạt tua bin [m2]

a i , b i , c i Hệ số chi phí của NMPĐ i [$/h], [$/MWh], [$/MW2h]

B ij , B 0i , B 00 Hệ số ma trận B tổn thất truyền tải

G ij ,B ij Điện dẫn và dung dẫn giữa nút i và nút j[1/Ω]

Tổng phụ tải yêu cầu [MW]

P i,min ,P i,max Công suất thực cực tiểu và cực đại máy phát thứ i [MW]

P wgi Công suất của tua bin gió thứ i trong NMĐG [MW]

SF i Hàm mục tiêu theo Ploss, VD hoặc Lmax

S l

T k, min , T k, max Vị trí bộ điều áp cực tiểu và cực đại

V i , i Biên độ điện áp và góc điện áp ở nút thứ i [V] [rad]

V gi min , V gi max Điện áp cực tiểu và cực đại của máy phát thứ i [V]

V li,min , V li,max Điện áp cực tiểu và cực đại trên đường dây thứ i [V]

 Tính tối ưu tổn thất công suất, tối ưu độ lệch điện áp tại các nút tải, tối ưu ổn định điện áp của hệ thống có tham gia của NMĐG theo phụ tải 24 giờ

1.3 Đối tƣợng và phạm vi nghiên cứu

1.3.1 Đối tượng nghiên cứu

 Cấu trúc của các thuật toán tìm kiếm bầy đàn: PSO, PSO-TVAC, PG-PSO, PG-PSOCF và CS

 Hàm chi phí của tua bin gió và NMĐG

 Các vấn đề của bài toán ED, OPF và ORPD và xây dựng bài toán

ED, OPF và ORPD có NMĐG

 Giải các bài toán ED, OPF, ORPD bằng các thuật toán PSO, TVAC, PG-PSO, PG-PSOCF và CS theo yêu cầu phụ tải 24 giờ

 Áp dụng tính toán vận hành trên hệ thống IEEE 30.

1.4 Phương pháp nghiên cứu

 Nghiên cứu lý thuyết: thu thập các tài liệu có trước về thuật toán tìm kiếm bầy đàn và các ứng dụng trước đây, nghiên cứu

về tua bin gió, NMĐG và chi phí của tua bin gió khi tham gia vào hệ thống

 Nghiên cứu thực nghiệm mô hình toán học: lập trình trên phần mềm Matlab và mô phỏng hệ thống điện IEEE 30 nút để tính được kết quả các bài toán điều độ tối ưu kinh tế, tối ưu phân bố công suất, tối ưu công suất phản kháng trong hệ thống điện theo yêu cầu phụ tải 24 giờ

CHƯƠNG 2 TỔNG QUAN

2.1 Giới thiệu

chương 2 của luận án nhằm tổng quan các tài liệu đã nghiên cứu trước đây về các nội dung chính như sau: các thuật toán để tính toán vận hành tối ưu hệ thống điện về các bài toán ED, OPF và ORPD gồm các nhà máy nhiệt điện và nhà máy điện gió, các tài liệu về vận hành hệ thống điện theo yêu cầu phụ tải 24 giờ để phù hợp với tính toán hệ thống điện khi tham gia thị trường điện hiện đang được áp dụng trên thế giới và Việt Nam [1-7]

2.2 Thuật toán tìm kiếm bầy đàn và tối ưu hóa

Từ năm 1980, trí tuệ thông minh nhân tạo (AI) đã được các nhà khoa học nghiên cứu phát triển và áp dụng nhiều trong lĩnh vực khoa học

máy tính Có nhiều thuật toán thông minh nhân tạo được nghiên cứu

và ứng dụng, một số thuật toán tiêu biểu đó là: mạng neural (NN), hệ

mờ (FS), tính toán tiến hóa (EC), thuật toán di truyền (GA) và thuật toán tìm kiếm bầy đàn (PSO) [7-10]

Năm 1995, thuật toán tìm kiếm bầy đàn (PSO) đã được J Kennedy

và R Eberhart nghiên cứu áp dụng trong các môn học tối ưu hóa, thời gian này tối ưu hóa bầy đàn thường được áp dụng trong lĩnh vực toán học và cơ khí [11][12] Từ năm 1996 đến 2004, thuật toán tối ưu hóa bầy đàn phát triển mạnh và cải tiến bằng cách thêm vào các hệ

số biến đổi nhằm mục đích tăng độ dốc của đặc tính đồ thị, giúp thời gian tìm nghiệm nhanh cho các kết quả tối ưu [13-15], thời gian này PSO đượcquan tâm để giải bài toán tối ưu vận hành kinh tế hệ thống điện [16-30]

Theo [31] thuật toán chim tu hú (CS) và di chuyển Lévy flights được ứng dụng trong ngành công nghệ thông tin từ năm 2009 và phát triển trong nhiều ngành khác cho đến nay [32]

2.3 Tua bin gió và tiềm năng điện gió ở Việt Nam

2.3.1 Tua bin gió

Công suất phát điện của tua bin gió được tính theo công thức [33]:

Đặc điểm làm việc của tua bin gió là công suất phát thay đổi theo tốc

độ gió trong ngày và theo mùa trong năm [34],khi đầu tư xây dựng NMĐG cần khảo sát chi tiết đặc điểm của gió tại vị trí sẽ xây dựng nhà máy, trong đó quan trọng là phải có lịch sử dữ liệu tốc độ gió của nhiều năm trước để tính toán được vận tốc của gió của năm tiếp theo [35]

Các vùng làm việc của tua bin gió được phân chia theo hình sau [36]

Bảng 2.1 Tiềm năng gió ở Việt Nam [37]

2.4 Điều độ tối ƣu hệ thống điện

2.4.1 Điều độ kinh tế hệ thống điện (ED)

Điều độ kinh tế (ED) tính toán được công suất thực phát ra từ các máy phát điện là tối ưu với chi phí nhiên liệu thấp và phải thoả các ràng buộc của hệ thống máy phát cũng như các ràng buộc của hệ thống vận hành [38] Một số thuật toán dùng để giải bài toán ED đã công bố: thuật toán Hybrid Fuzzy Genetic Algorithm (HFGA) [39], thuật toán Evoluationary Algorithm (EA) [40], thuật toán Evolutionary Harmony Search Algorithm (EHSA) [41], thuật toán Hybrid Differential Evolution and Harmony Search (HDEHS) [42], phương pháp Differential Evolution Immunized Ant Colony (DEIAC) [43], phương pháp Hybrid differential evolution sequential quadratic programming (HDE-SQP) [44] Các kết quả đã công bốtính với nhiều vòng lặp nhằm chọn được nghiệm cực tiểu tốt

nhất,giá trị biểu diễn bằng đồ thị sau mỗi vòng lặp để dể dàng nhận biết kết quả sau mỗi vòng lặp [46]

Bảng 2.2 Kết quả bài toán ED qua các nghiên cứu đã công bố

EA [45][46]

SA [46]

EP [46]

WOA [46] P1 137,0804 137,2411 192,95 188,02 173,848 174,4379 P2 52,4502 57,6718 48,92 47,45 49,998 47,8294 P3 35,3219 27,3223 19,29 19,77 21,386 21,4578 P4 19,3034 12,8298 10,58 13,40 22,63 25,6931 P5 12,8986 23,8060 10,79 11,25 12,928 10,1262 P6 26,3435 24,5189 12,24 14,09 12,00 12,1515 Chi phí

($/h) 801,2817 795,5012 805,4500 804,4300 802,6200 800,2825

2.4.2 Điều độ phân bố tối ưu công suất

Từ năm 1960 vấn đề phân bố tối ưu công suất được đề cập đến đầu tiên bởi hai nhà nghiên cứu Dommel và Tinney sau đó đã được nhiều nghiên cứu và áp dụng trong quản lý và vận hành hệ thống điện [47] Theo tài liệu [48-50], mục đích của bài toán phân bố tối ưu công suất (OPF) là tìm được công suất phân bố trên đường dây truyền tải, công suất phát của các NMPĐ, điện áp nút máy phát, điện áp nút tải, dung lượng bù, nấc điều chỉnh bộ điều áp máy biến áp với nhiều ràng buộc

về công suất phụ tải, công suất máy phát và các ràng buộc về an ninh

hệ thống với chi phí nhiên liệu của NMPĐ thấp nhất

Một số nghiên cứu được công bố về bài toán điều độ tối ưu phân bố công suất (OPF) như sau: thuật toán Ant Colony Search (ACS) [51], thuật toán Evolutionary Computation (EC) [51], thuật toán Bee Colony Algorithm (BCA) [52], thuật toán Simulated Annealing Metahuristic (ASM) [53], thuật toán Particle Swarm Optimization

(PSO)[54], thuậttoán Conventional and Neural Networks (CNN)

[55] Kết quả trình bày theo hình vẽ 2.2 và 2.3

Theo tài liệu [56-60] công suất truyền tải trên đường dây là thông số

quan trọng cần phải tính được đối với bài toán OPF

2.4.3 Điều độ tối ưu công suất phản kháng

Điều độ tối ưu công suất phản kháng (ORPD) nhằm mục đích cải

thiện tổn thất công suất (Ploss) [61] [62], tối ưu cực tiểu độ lệch điện

áp (VD) [63] [64], cực đại hệ số ổn định điện áp (Lmax)[65] [66]

Các tài liệu đã công bố về bài toán ORPD: thuật toán Linear

Programming (LP) để tính tối ưu Ploss [67], thuật toán Hybrid Loop

Genetic (HLG) để tính tối ưu Ploss [68], thuật toán Bat Algorithm

(BA) để tính tối ưu Ploss và VD [69], thuật toán Ant Colony (AC) tính

và so sánh các kết quả bài toán ORPD [70], thuật toán Evolutionary

Algorithm (EA) để tính Ploss và VD [71], sử dụng Hybrid PSO

(HPSO) để tính tối ưu VD [80] và Improve Particle Swarm

Hình 2.3 Kết quả biểu diễn độ hội tụ nghiệm OPF qua các phương pháp [54]

Hình 2.4 Kết quả độ hội tụ nghiệm bài toán OPF [55]

Optimization (IPSO) để tính Ploss [72] Theo [73] cần phải tìm được thuật toán có thể giải bài toán ORPD để tăng ổn định an ninh hệ thống

Bảng 2.3 Kết quảbài toán ORPD theo các phương pháp

Biến số

Các phương pháp

EA [74]

MOPSO [70]

ICSE [71]

DE [72]

QSCSA [69]

Ploss (MW) 5,1167 4,9849 4,990 4,456 4,532

VD (p.u) 1,1435 0,7096 - 0,544 -

2.5 Điều độ tối ƣu hệ thống điện có tham gia của NMĐG

2.5.1 Điều độ kinh tế có tham gia của NMĐG

Hàm chi phí của bài toán ED liên quan đếncông suất của các NMPĐ trong đó có công suất phát của NMĐG thay đổi theo từng giờ hoặc tùy theo thời tiết các mùa trong năm [77] gây khó khăn trong việc xác định công suất phát của các NMĐG để tính bài toán ED trong hệ thống điện [78]

2.5.1.1 Xác định công suất phát của tua bin gió

Qua nghiên cứu tài liệu đang được công bố hiện có một số phương pháp để xác định công suất của tua bin gió tham gia vào hệ thống điện như sau:

Hình 2.7 Biểu diễn độ hội tụ nghiệm Ploss theo [71]

 Tạo ma trận tua bin gió và chọn véc tơ trong ma trậnđể tính công suất phát của NMĐG [79]

 Xây dựng kịch bản phát điện của NMĐG theo 15%, 25%, 50%, 75% hoặc 90% của tổng công suất NMĐG [80] [81]

 Cho tua bin gió phát ngẫu nhiên theo phân phối Weibull [82]

 Xây dựng công suất phát của tua bin giótheo xác suất Gauss [83]

 Kế hoạch phát ưu tiên của tua bin gió có tính đến hệ số phạt [84]

 Kế hoạch phát điện của tua bin gió có tính đến hệ số phạt [84][88] Theo [88] nếu NMĐG phát công suất thấp hơn công suất đăng ký

sẽ chịu chi phí phạt như sau

2.5.1.2 Hàm chi phí của bài toán ED có tham gia của NMĐG

Chi phí của tua bin gió chủ yếu là chi phí phí vận hành và bảo trì của tua bin gió [85] Theo tài liệu [86] hàm chi phí của bài toán ED của

hệ thống nhà máy phát nhiệt điện có sự tham gia của NMĐG là:

2.5.1.3 Các thuật toán dùng để giải bài toán ED có NMĐG

PlantGrowthSimulationAlgorithm (PGSA) [88], thuật toán Genetic Algorithm Solution (GAS) [89], thuật toán Particle Swarm Optimization (PSO) [90] Kết quả ED có NMĐG hệ thống 15 nút IEEE theo bảng 2.5

Không có NMĐG Có NMĐG

P Wind - - - 175,12 98,1691 Time 2668,40 2662,40 2662,70 2655,97

Cost 33113,00 32858,00 32937,70 31092,30 6514,4

2.5.2 Điều độ phân bố tối ưu công suất có tham gia của NMĐG

Khác với bài toán ED, hàm mục tiêu của bài toán OPF gồm có: chi phí nhiên liệu các nhà máy nhiệt điện, chi phí các tua bin gió tham gia phát điện, công suất truyền tải trên đường dây, công suất phản kháng truyền tải trên đường dây, điện áp tại các nút, công suất biểu kiến trên đường dây [92][93]

2.5.2.1 Hàm mục tiêu của bài toán OPF có NMĐG

Theo tài liệu [93] công suất phát của tua bin gió và hàm mục tiêu bài toán OPF có tham gia của NMĐG là:

2.5.2.2 Các thuật toán áp dụng giải bài toán OPF có NMĐG

KhumsOptimizationAlgorithm(KOA)andBlackHoleOptimizationAlgorithm(BHOA) [96], thuật toán Bacterial Dynamics Algorithm (BDA) [97], thuật toán Probability Interval Optimization (PIO) [98],

thuật toán Grey Wolf Optimizer (GWO) [99], thuật toán Gbest GuidedArtificialBeeColony(GABC) [100], thuật toán Optimal Bus Placement (OBP) [101] Kết quả tính trình bày theo bảng 2.6 và 2.7 Bảng 2.5 Kết quả tính bài toán OPF có NMĐG [100][101]

Cost($/h) 284,62 292,57

G2(MW) 73,73 76,22 36,16 Cost($/h) 224,17 235,06

G5(MW) 37,97 43,77 52,74 Cost($/h) 132,91 153,21

G8(MW) 28,43 28,07 75,32 Cost($/h) 78,95 77,32

G11(MW) 29,7 33,37 96,51 Cost($/h) 103,94 116,81

G13(MW) 32,3 18,78 43,51 Cost($/h) 132,91 153,21 1447,01 V1 (p.u) 1,0407 1,0369

2.5.3 Điều độ tối ưu công suất phản kháng có NMĐG

Bài toán ORPD có tham gia của NMĐG tập trung ba mục tiêu chính

 Cực tiểu tổn thất công suất (Ploss)

 Cực tiểu độ lệch điện áp (VD)

 Cực đại hệ số ổn định điện áp (Lmax)

Khi có tham gia của NMĐG sẽ ảnh hưởng đến sự phân bố công suất phản kháng và độ ổn định điện áp của hệ thống, dẫn đến thay đổi tổn thất điện áp của hệ thống [104]

2.5.3.1 Hàm mục tiêu của bài toán ORPD có NMĐG

Hàm mục tiêu theo tài liệu [105]

2.5.3.2 Các thuật toán để giải ORPD có tham gia của NMĐG

Các nghiên cứu đã công bố sử dụng các thuật toán sau: Adaptive Aalgorith (AGA) [106], Particle Swarm Optimization (PSO) [107],

ChanceConstrainedProgramming(CCP) và Robust Programming (RP) [109] Kết quả trình bày bảng 2.8

Bảng 2.6 Kết quả ORPD có NMĐG theo tài liệu tham khảo [111]

Tốc độ gió (m/s) MinF Ploss VD L max

Bảng 2.7 Kết quả ORPD có NMĐG theo tài liệu tham khảo [114]

V13 1,0444 1,06

2.6 Các khiếm khuyết cần khắc phục

Qua phân tích các ưu khuyết điểm trình bày trong mục 2.5, nghiên cứu cần thực hiện các vấn đề chính như sau:

 Xây dựng hàm chi phí của tua bin gió

 Phát triển và cải thiện thuật toán PSO cụ thể là PSO-TVAC, PSO và PG-PSOCF

PG- Áp dụng thuật toán Cuckoo Search (CS) để giải bài toán ED, OPF

và ORPD có tham gia của NMĐG

 Tính bài toán ED, OPF và ORPD theo yêu cầu phụ tải 24 giờ, có tính độ lệch chuẩn và thời gian giải bài toán của từng thuật toán

CHƯƠNG 3 CÁC PHƯƠNG PHÁP TÌM KIẾM TỐI ƯU

3.1 Tối ưu hoá bầy đàn (PSO)

Vận tốc và vị trí mới cập nhật của bầy sau mỗi vòng lặp được xác định theo phương trình sau:

3.2.1 Phương pháp PSO với hệ số gia tốc thời gian PSO-TVAC

Hệ số gia trọng w kiểm soát vận tốc mỗi bầy

3.2.2 Phương pháp PSO với gradient giả(PG)

3.2.2.1 Khái niệm gradient giả (PG)

1/ Nếu f(x l )<f(x k ), hướng từ x k tới x l là hướng di chuyển tích cực PG

tại điểm x l được tính bởi công thức:

3.2.3 Phương pháp PSO với hệ số giới hạn (CF)

Hệ số giới hạn C được tính theo công thức (16), vị trí mới của bầy

được cập nhật theo công thức (15)

1 2 2

3.2.4 Thuật toán chim tu hú (CS)

 Trứng chất lượng tốt nhất sẽ nở ra chim tu hú con

 Trong tổng số tổ chim mẹ, số trứng chim tu hú bị phát hiện với xác xuất rất nhỏ là P a 0,1 chim mẹ sẽ đẩy trứng chim tu hú, hoặc bỏ đi và làm một tổ mới

Phân bố Lévy flights

3.3 Lựa chọn thông số cài đặt cho các phương pháp

Đối với phương pháp PSO, PSO-TVAC, PG-PSO và PG-SPOCF chọn: hệ số phạt K= 10-4 - 10-6, tổng số bầy N p = 10, hệ số cá thể c1=

2, hệ số quần thể c2= 2, Hệ số gia trọng cực tiểu wmin = 0,4, hệ số gia trọng cực đại wmax = 0,9, tổng số vòng lặp ITmax = 100

Đối với phương pháp CS chọn: tổng số tổ NP= 15, số trứng trong tổ

v k

li vi

4.2.3 Tốc độ gió và hàm phân phối tốc độ gió

Hàm phân phối tốc độ gió theo Weibull [132] và Rayleigh [133]

Hình 4.1 Phân phối tốc độ gió theo Weibull [33]

Từ giá trị tốc độ gió theo công thức (1) và hàm phân phối tốc độ gió (26), thành lập công thức tính công suất phát điện của tua bin gió như sau [136]

4.2.4 Hàm chi phí tua bin gió

Chi phí trung bình sản xuất điện năng ($/kWh) của tua bin gió được tính theo công thức sau [137] [138]

Theo [33] chi phí vận hành và bảo trì của tua bin gió chiếm từ 0,005

$/kWh đến 0,007 $/kWh, chọn chi phí vận hành trung bình của tua bin gió là 0,006 $/kWh hay 6 $/MWh để làm cơ sở tính toán Vậy chi phí vận hành của tua bin gió là:

4.2.6 Nhà máy điện gió (wind farm)

Nhà máy điện gió (NMĐG) được kết nối từ nhiều tua bin gió, các tua bin này có thể đấu nối song song hoặc nối tiếp với nhau sau đó kết nối vào hệ thống [139] [140]

Từ (28) và (30)xây dựng công thức chi phí vận hành của NMĐG là:

4.2.7 Hàm chi phí của hệ thống khi có tham gia của NMĐG

Từ (19) và (31) hàm chi phí của các nhà máy nhiệt điện và NMĐG là