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

TỔNG QUAN

Giới thiệu

Hệ thống điện có một lịch sử phát triển phong phú, bao gồm nhiều lĩnh vực từ kỹ thuật điện đến các vấn đề liên quan khác Phương pháp tối ưu hóa đã được áp dụng hiệu quả trong kỹ thuật và vận hành hệ thống điện, đóng vai trò quan trọng trong hoạt động kinh tế của các hệ thống này Việc tối ưu hóa hệ thống điện mang lại giá trị kinh tế đáng kể, giúp tiết kiệm hàng trăm triệu đô la mỗi năm cho các tiện ích lớn thông qua giảm chi phí nhiên liệu, nâng cao độ tin cậy hoạt động và đảm bảo an ninh.

Hiện nay, hệ thống điện đã phát triển phức tạp hơn do nhu cầu tải tăng cao, dẫn đến việc tiêu thụ nhiều nhiên liệu hóa thạch và thải ra nhiều khí độc hại Để giảm chi phí vận hành và lượng khí thải, xu hướng hiện tại là tích hợp các nguồn năng lượng tái tạo như nước, gió và mặt trời vào hệ thống điện.

Khi hệ thống điện bao gồm các nhà máy nhiệt điện và nguồn năng lượng tái tạo, việc tối ưu hóa vận hành là rất quan trọng Điều này cần được thực hiện nhanh chóng và chính xác để đảm bảo an ninh vận hành, tiết kiệm chi phí nhiên liệu và cung cấp điện năng đúng theo yêu cầu của hệ thống.

Nội dung chương 2 của luận án sẽ tổng quan các tài liệu nghiên cứu trước đây về các thuật toán tối ưu hóa hệ thống điện, bao gồm các bài toán như ED, OPF và ORPD, liên quan đến nhà máy nhiệt điện và điện gió Bên cạnh đó, chương cũng sẽ xem xét các tài liệu về vận hành hệ thống điện theo yêu cầu phụ tải 24 giờ, nhằm phù hợp với các phương pháp tính toán trong bối cảnh thị trường điện hiện nay tại Việt Nam và trên thế giới.

Chương tổng quan tóm tắt các nghiên cứu về thuật toán tìm kiếm bầy đàn và ứng dụng của chúng trong tối ưu hóa vận hành hệ thống điện Nghiên cứu cũng đề cập đến năng lượng gió và công suất của tua bin gió, kết hợp với các bài phân tích liên quan.

Bài viết này trình bày về 5 toán ED, OPF và ORPD với sự tham gia của nhà máy điện gió, đáp ứng nhu cầu phụ tải trong 24 giờ Báo cáo tổng quan tổng hợp các nghiên cứu từ quá khứ đến hiện tại, nhằm đảm bảo tính thực tiễn khoa học Qua đó, bài viết cũng chỉ ra những khiếm khuyết cần bổ sung và sửa đổi để hoàn thiện báo cáo luận án.

Thuật toán tìm kiếm bầy đàn và tối ƣu hóa

Kể từ năm 1980, trí tuệ nhân tạo (AI) đã trở thành lĩnh vực nghiên cứu quan trọng trong khoa học máy tính, với nhiều thuật toán nổi bật như mạng neural (NN), hệ mờ (FS), tính toán tiến hóa (EC), thuật toán di truyền (GA) và thuật toán tìm kiếm bầy đàn (PSO) Những thuật toán này được áp dụng rộng rãi để giải quyết các bài toán tối ưu hóa, một yếu tố quan trọng trong nhiều lĩnh vực khoa học, đặc biệt là trong các vấn đề kỹ thuật như điện, cơ khí, máy tính, chế tạo máy và giao thông vận tải.

Trước đây, để giải quyết các bài toán không liên tục và phi tuyến, người ta thường tuyến tính hóa thành từng phân đoạn nhỏ và áp dụng các phương pháp truyền thống như quy hoạch tuyến tính (LP), quy hoạch phi tuyến (NP), phương pháp đơn hình (SA), phương pháp Lagrange (LMM) và phương pháp Newton (NM) Tuy nhiên, việc sử dụng các phương pháp này sẽ gặp khó khăn khi đối mặt với những hệ thống lớn và phức tạp.

Vào năm 1995, James Kennedy và Russell Eberhart đã nghiên cứu và phát triển thuật toán tìm kiếm bầy đàn (PSO), ứng dụng chủ yếu trong các lĩnh vực tối ưu hóa, đặc biệt là toán học và cơ khí.

Từ năm 1996 đến 2004, thuật toán tối ưu hóa bầy đàn đã có những bước phát triển mạnh mẽ nhờ vào việc bổ sung các hệ số biến đổi, nhằm tăng độ dốc của đồ thị và rút ngắn thời gian tìm kiếm nghiệm tối ưu Các phương pháp cải tiến tiêu biểu bao gồm PSO với hệ số gia tốc biến đổi thời gian (PSO-TVAC), PSO với gradient giả (PGPSO), và PSO với hệ số giới hạn (PG-PSOCF) Tuy nhiên, trong giai đoạn này, các thuật toán tối ưu hóa bầy đàn vẫn chưa được áp dụng vào các vấn đề tối ưu thực tiễn.

6 ƣu vận hành hệ thống điện, đa số đƣợc ứng dụng trong các lĩnh vực khoa học máy tính, cơ khí chế tạo máy và tối ƣu hóa [19][20]

Kể từ năm 2004, thuật toán bầy đàn đã thu hút sự chú ý trong việc giải quyết bài toán tối ưu vận hành kinh tế hệ thống điện, nhờ vào khả năng xử lý các hàm số không lồi, thường gặp trong chi phí của các nhà máy điện như nhiệt điện và thủy điện Thuật toán này còn có khả năng giải quyết các bài toán quy mô lớn với nhiều nút, bao gồm nhiều nhà máy phát, phụ tải, bộ tụ bù và bộ điều áp Khi hệ thống điện phát triển, sẽ xuất hiện nhiều yêu cầu ràng buộc về an ninh, tổn thất công suất và công suất trên đường dây, do đó cần thiết phải có các thuật toán mới để đáp ứng nhanh chóng và hiệu quả các bài toán tối ưu hóa trong vận hành hệ thống điện.

Thuật toán chim tu hú (CS) và di chuyển Lévy flights đã được ứng dụng trong ngành công nghệ thông tin từ năm 2009 và hiện đang phát triển trong nhiều lĩnh vực khác CS nổi bật với nhiều ưu điểm so với các thuật toán tối ưu bầy đàn khác, bao gồm thời gian xử lý nhanh, độ chính xác cao trong kết quả, đặc tính đồ thị tốt và khả năng hội tụ nhanh Tuy nhiên, nghiên cứu về việc áp dụng thuật toán chim tu hú để giải quyết vấn đề tối ưu vận hành kinh tế hệ thống điện vẫn còn hạn chế.

Tua bin gió và tiềm năng điện gió ở Việt Nam

Công suất phát điện của tua bin gió đƣợc tính theo công thức sau [33]

Với: Pw là công suất của tua bin gió [W] Ρ là mật độ không khí [kg/m 3 ]

A là diện tích cánh quạt tua bin gió [m 2 ]

Cp là hiệu suất rotor [Cp = 0,3 - 0,5] v w là vận tốc của gió [m/s]

Tua bin gió có công suất phát điện thay đổi theo tốc độ gió, chịu ảnh hưởng từ thời tiết trong ngày và theo mùa Khi có mưa bão, tốc độ gió có thể tăng cao, gây nguy hiểm cho cánh quạt, trong khi gió quá yếu sẽ dẫn đến lãng phí đầu tư do không sản xuất được điện Vì vậy, việc khảo sát đặc điểm gió tại vị trí xây dựng nhà máy điện gió là rất quan trọng, đặc biệt là cần có dữ liệu lịch sử về tốc độ gió trong nhiều năm để dự đoán vận tốc gió cho năm tiếp theo.

Vùng 1 là khi tốc độ gió thấp hơn tốc độ cho phép tương ứng với điểm cắt-in, dẫn đến việc bộ phận điều khiển của tua bin ngừng hoạt động cánh quạt.

 Vùng 2 là tốc độ gió trong giới hạn cho phép tương ứng v rate , tua bin hoạt động bình thường

Vùng 3 được xác định khi tốc độ gió vượt quá mức cho phép tương ứng với điểm cắt (cut-out), dẫn đến việc bộ phận điều khiển của tua bin kích hoạt để tạm dừng hoạt động của cánh quạt.

Việt Nam sở hữu tiềm năng gió lớn nhất trong khu vực Đông Nam Á, với hơn 39% tổng diện tích có tốc độ gió trung bình hàng năm vượt quá 6m/s ở độ cao 65m, tương đương với tổng công suất lên đến 512GW Đặc biệt, hơn 8% diện tích của đất nước được đánh giá có tiềm năng gió rất tốt.

Việt Nam sở hữu tiềm năng gió lớn nhờ vào địa hình gần biển và đồng bằng, với tốc độ gió qua khảo sát và mô phỏng rất phù hợp cho việc phát triển các nhà máy điện gió Tốc độ gió trung bình tại độ cao 65 m được trình bày trong bảng 2.1.

Wind speed v cut-in v cut-out v rate

Hình 2.1 Các vùng làm việc của tua bin gió

Điều độ tối ƣu trong hệ thống điện

Bảng 2.1 Tiềm năng gió ở Việt Nam [37]

Tốc độ gió trung bình Thấp

2.4 Điều độ tối ƣu trong hệ thống điện

2.4.1 Điều độ kinh tế hệ thống điện Điều độ kinh tế (ED) là vấn đề quan tâm hiện nay trong vận hành hệ thống điện Đó là phải tính toán đƣợc công suất thực phát ra từ các máy phát điện là tối ƣu với chi phí nhiên liệu thấp và phải thoả các ràng buộc của hệ thống máy phát cũng nhƣ các ràng buộc của hệ thống vận hành [38] Hiện nay đa số dùng các thuật toán thông minh nhân tạo hoặc tối ƣu hóa bầy đàn để giải bài toán ED của hệ thống điện 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]

Hàm mục tiêu của bài toán ED là [39]

Với FC(PG) là tổng chi phí nhiên liệu của tất cả các nhà máy phát điện [$/h]

FC(PGi) là chi phí nhiện liệu của nhà máy phát điện thứ i [$/h]

Ràng buộc cân bằng của bài toán ED [41][42]

Loss Gi ij Gi Gi i i j

Với Pi là tổng công suất phát của các nhà máy phát điện [MW]

P D là công suất yêu cầu của phụ tải [MW]

PLoss là tổn thất công suất của hệ thống [MW]

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

Ràng buộc bất cân bằng của bài toán ED [42][43]

Với Pi,min là công suất cực tiểu của nhà máy phát thứ i [MW]

P i,max là công suất cực đại của nhà máy phát thứ i [MW]

Bảng 2.2 trình bày kết quả nghiên cứu về việc áp dụng các thuật toán khác nhau để giải bài toán tối ưu hóa công suất (ED) cho hệ thống IEEE 30 nút Trong đó, P1, P2, P3, P4, P5, P6 đại diện cho công suất của các nhà máy phát nhiệt điện tại các nút 1, 2, 3, 4, 5 và 6.

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

($/h) 801,2817 795,5012 805,4500 804,4300 802,6200 800,2825 Với: P(1-6) là công suất phát của các nhà máy phát tại các nút (1-6) [MW]

Mục tiêu của bài toán ED là xác định công suất phát của NMPNĐ để đáp ứng yêu cầu phụ tải với chi phí vận hành tối ưu, đồng thời tuân thủ các ràng buộc hệ thống Các nghiên cứu trước đây thường áp dụng phương pháp tính nhiều vòng lặp để tìm kiếm nghiệm cực tiểu tốt nhất.

10 diễn bằng đồ thị sau mỗi vòng lặp để dể dàng nhận biết kết quả sau mỗi vòng lặp [46] Các công bố đƣợc tính trên hệ thống IEEE 30 nút [46]

2.4.2 Điều độ phân bố tối ưu công suất

Phân bố tối ưu công suất là công cụ quan trọng trong việc tính toán, lập kế hoạch, kiểm soát và vận hành hệ thống điện Kể từ năm 1960, vấn đề này đã được hai nhà nghiên cứu Dommel và Tinney đề cập lần đầu, và sau đó đã có nhiều nghiên cứu cũng như ứng dụng trong quản lý và vận hành hệ thống điện.

Mục tiêu của bài toán phân bố tối ưu công suất (OPF) là xác định công suất phân bố trên các đường dây truyền tải, công suất phát của các nhà máy điện, điện áp tại các nút máy phát và nút tải, dung lượng bù, cùng với nấc điều chỉnh bộ điều áp máy biến áp Tất cả những điều này phải tuân thủ nhiều ràng buộc về công suất phụ tải, công suất máy phát và an ninh hệ thống, đồng thời đảm bảo chi phí nhiên liệu của các nhà máy điện là thấp nhất.

Hình 2.2 Hệ thống IEEE 30 nút bài toán ED [46]

Lưới điện truyền tải và phân phối hiện nay ngày càng phức tạp, yêu cầu tính toán chính xác công suất truyền tải để đáp ứng nhu cầu phụ tải và đảm bảo ổn định cho các máy phát Để tối ưu phân bố công suất cho các nhà máy nhiệt điện với hàm chi phí không lồi, cần áp dụng các phương pháp trí tuệ nhân tạo hoặc tối ưu bầy đàn.

Recent studies have published findings on the optimal power distribution problem (OPF) utilizing various artificial intelligence algorithms, including Ant Colony Search (ACS), Evolutionary Computation (EC), Bee Colony Algorithm (BCA), Simulated Annealing Metahuristic (ASM), Particle Swarm Optimization (PSO), and Conventional and Neural Networks (CNN) The results of these methods are illustrated in Figures 2.3 and 2.4.

Theo hình vẽ 2.3 và 2.4, mỗi phương pháp thể hiện đặc tính và độ dốc hội tụ nghiệm khác nhau, đồng thời giá trị chi phí vận hành cũng có sự khác biệt.

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

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

Công suất truyền tải trên đường dây là thông số quan trọng trong bài toán tối ưu hóa phương pháp vận hành (OPF), giúp điều tiết và vận hành hệ thống điện một cách tối ưu với chi phí nhiên liệu thấp nhất Tuy nhiên, hầu hết các kết quả đã công bố chủ yếu tập trung vào việc tính toán công suất máy phát điện, công suất phản kháng, dung lượng bù tại các nút và điện áp tại các nút Hàm mục tiêu và các ràng buộc của bài toán OPF cần được xem xét kỹ lưỡng để đạt được hiệu quả tối ưu trong quản lý hệ thống điện.

Với a i , b i , c i là hệ số chi phí của NMPĐ điện thứ i[$/h], [$/MWh], [$/MW 2 h]

PGi là công suất của nhà máy phát điện thứ i [MW]

Các ràng buộc cân bằng và bất cân bằng [58][59]

Với PGi là công suất phát của NMPĐ tại nút i [MW]

P Di là công suất của tải tại nút i [MW]

QGi là công suất phản kháng của NMPĐ tại nút i [MVAr]

Q Di là công suất phản kháng của tải tại nút i [MVAr]

 i là góc điện áp tại nút i [rad]

 j là góc điện áp tại nút j [rad]

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

Với PGi,min và P Gi,max là công suất cực tiểu và cực đại của NMPNĐ [MW]

Q Gi,min và Q Gi,max là công suất phản kháng cực tiểu và cực đại của NMPNĐ [MVAr]

V Gi là điện áp tại nút i [p.u]

VGi.min và VGi.max là điện áp cực tiểu và cực đại tại nút i [p.u]

Hệ thống IEEE 30 nút theo tài liệu đã công bố [59]

Hình 2.5 Hệ thống IEEE 30 nút bài toán OPF [59]

Bảng 2.3 Kết quả tính bài toán OPF qua các phương pháp [58][59][60]

PSO GA DE ACO WIPSO MAKWO IPSO

PSO GA DE ACO WIPSO MAKWO IPSO

Với P(1-13) là công suất phát của các NMPĐ tại các nút 1-13 [MW]

Q(1-13) là công suất phản kháng của các NMPĐ tại các nút 1-13 [MVAR] Q(10-29) là dung lƣợng tụ bù tại các nút 10 -29 [MVAr]

V g (1-13) là điện áp nút máy phát [V]

T(6-9), T(6-10), T(4-12) là điện áp đầu ra bộ điều áp dưới tải tại các nút (6-9), (6-10) và (4-12) [p.u]

Các phương pháp được nghiên cứu đều nhằm tối ưu hóa chi phí vận hành, với điều kiện ràng buộc về điện áp của nút máy phát, điện áp các nút tải và dung lượng bù Tuy nhiên, kết quả của một số phương pháp không đồng nhất, và một số tài liệu công bố thiếu thông tin quan trọng như điện áp nút, chi phí và thời gian xử lý bài toán.

2.4.3 Điều độ tối ưu công suất phản kháng Điều độ tối ƣu công suất phản kháng (ORPD) là vấn đề quan trọng và phức tạp trong vận hành tối ƣu hệ thống điện nhằm mục đích cải thiện tổn thất công suất (Ploss) nâng cao hiệu quả kinh tế, giảm tổn thất điện năng của hệ thống [61][62] Bài toán điều độ tối ƣu công suất phản kháng còn nhằm mục đích tối ƣu cực tiểu độ lệch điện áp (VD) của các nút trong hệ thống [63][64], ngoài ra bài toán điều độ tối ƣu công suất phản kháng cũng nhằm cực đại hệ số ổn định điện áp (Lmax) của hệ thống [65][66]

Các tài liệu đã công bố về bài toán tối ưu hóa phân phối điện (ORPD) đã áp dụng nhiều thuật toán thông minh nhân tạo và tối ưu bầy đàn, trong đó có thuật toán Lập trình tuyến tính (LP) để tính toán tối ưu tổn thất công suất (Ploss).

The Hybrid Loop Genetic (HLG) algorithm is utilized to optimize Ploss, while the Bat Algorithm (BA) is applied for optimizing P loss and VD Additionally, the Ant Colony (AC) algorithm is employed to calculate and compare results for the Optimal Reactive Power Dispatch (ORPD) problem Furthermore, the Evolutionary Algorithm (EA) is also used for optimization purposes.

Ploss and VD [71] employed Hybrid PSO (HPSO) for optimizing VD [80] and Improve Particle Swarm Optimization (IPSO) for calculating Ploss [72] According to the literature [78][72], the objective function of the Optimal Reactive Power Dispatch (ORPD) problem focuses on minimizing power loss and voltage deviation.

Với nl là tổng số đường dây truyền tải gk là điện dẫn của đường dây thứ k [1/Ω]

 i là góc điện áp tại nút i [rad]

 j là góc điện áp tại nút j [rad]

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

V i là điện áp tại nút i [V]

V j là điện áp tại nút j [V]

VD là độ lệch điện áp của hệ thống

NL là tổng số nút tải của hệ thống

V k là điện áp tại nút tải thứ k [p.u]

Hình vẽ hệ thống IEEE 30 nút theo tài liệu công bố [79]

Hình 2.6 Hệ thống IEEE 30 nút bài toán ORPD [79]

Các ràng buộc cân bằng và bất cân bằng bài toán ORPD theo [72][78][80]

Với NB là tổng số nút trong hệ thống

G ij , B ij là điện dẫn và dung dẫn giữa nút i và nút j [1/Ω] min max

T  T T (18) min max ci ci ci

Với VGi, VG min, VGi max là điện áp, điện áp cực tiểu, điện áp cực đại của máy phát [V]

Q Gi , Q Gi min , Q Gi max là công suất phản kháng, công suất phản kháng cực tiểu và cực đại của máy phát [MVAr]

T i , T i min , T i max là vị trí nấc bộ điều áp, vị trí cực tiểu và vị trí cực đại [p.u]

Q ci , Q ci min , Q ci max là dung lƣợng bộ tụ bù, dung lƣợng bộ tụ bù cực tiểu và cực đại [MVAr]

Các phương pháp giải bài toán ORPD có những ưu và nhược điểm riêng Cần tìm ra thuật toán tối ưu để giảm tổn thất công suất Ploss, nhằm nâng cao hiệu quả kinh tế trong vận hành hệ thống Đồng thời, cần đảm bảo độ lệch điện áp thấp nhất và tối đa hóa độ ổn định điện áp để tăng cường an ninh hệ thống.

Bảng 2.4 Kết quả bài toán ORPD theo các phương pháp

VD (p.u) 1,1435 0,7096 - 0,544 - Với V(1-13) là điện áp nút các máy phát tại các nút (1-13) [p.u]

T(11-16) là điện áp đầu ra bộ điều áp dưới tải tại các nút (11-16) [p.u]

Qc(10-29) là dung lƣợng bộ tự bù tại các nút (10-29) [MVAr]

P loss là tổn thất công suất của hệ thống [MW]

VD là độ lệch điện áp của hệ thống [p.u]

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 trong bài toán tối ưu hóa năng lượng (ED) liên quan đến công suất của các nhà máy điện, bao gồm cả công suất phát của nhà máy điện gió (NMĐG) Năng lượng gió có tính chất không ổn định, với tốc độ gió thay đổi theo giờ và theo mùa, dẫn đến công suất phát của NMĐG biến động liên tục, gây khó khăn trong việc xác định công suất phát cần thiết để tính toán bài toán ED trong hệ thống điện.

2.5.1.1 Xác định công suất phát của tua bin gió

Xác định công suất phát của tua bin gió gặp nhiều khó khăn do không thể dự đoán chính xác tốc độ gió tại thời điểm cụ thể Tuy nhiên, qua nghiên cứu tài liệu hiện có, có một số phương pháp được đề xuất để xác định công suất của tua bin gió khi tham gia vào hệ thống điện.

Để xây dựng ma trận tua bin gió, cần căn cứ vào vị trí thực tế của tua bin, có thể là hình chữ nhật hoặc hình vuông Tiếp theo, lựa chọn véc tơ trong ma trận này để tính toán công suất phát của nhà máy điện gió.

Để tính toán công suất phát của nhà máy điện gió (NMĐG), cần xác định công suất thiết kế của từng tua bin gió và cộng tổng công suất của tất cả các tua bin lại Sau đó, xây dựng kịch bản phát điện của NMĐG dựa trên các mức công suất như 15%, 25%, 50%, 75% hoặc 90% của tổng công suất của nhà máy.

 Cho tua bin gió phát ngẫu nhiên theo phân phối Weibull để tính công suất phát của NMĐG [82]

 Xây dựng công suất phát của tua bin gió theo phân phối xác suất Gauss [83]

 Kế hoạch phát điện của tua bin gió có tính đến hệ số phạt [84][88] Theo tài liệu

[88] nếu NMĐG phát công suất thấp hơn công suất đăng ký sẽ chịu chi phí phạt theo công thức sau:

1 1 t n rwj oej k k t in out oej j k k k k r in r j j k k r in k k r j r t r n d C E Y v v

Với dn(t) là chi phí phạt của nhà máy điện gió [$/h]

C rwj là chi phí khi phát điện của tua bin gió khác so với kế hoạch [$/MWh]

E t (Yoej) là công suất phát của tua bin gió tại thời điểm t [MW]

W j là công suất phát theo kế hoạch của tun bin gió [MW]

Công suất phát cực đại của tua bin gió (W_r) được xác định bởi tốc độ gió tại thời điểm t (v_n), trong đó v_in là vận tốc gió giới hạn cực tiểu và v_out là vận tốc gió giới hạn cực đại Vận tốc gió cho công suất phát cực đại (v_r) cũng là yếu tố quan trọng Các hệ số k, c, và Γ là thành phần chính trong hàm số Weibull dùng để phân phối tốc độ gió.

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

Các bài toán ED liên quan đến NMĐG chú trọng đến hàm chi phí, trong đó bao gồm chi phí của tua bin gió Vì chi phí nhiên liệu của tua bin gió là bằng không, nên hàm chi phí chủ yếu phản ánh chi phí vận hành và bảo trì của tua bin gió.

Theo tài liệu [85][86][94] hàm chi phí của bài toán ED của hệ thống nhà máy phát nhiệt điện có sự tham gia của NMĐG là:

Với: Cg là chi phí của nhà máy nhiệt điện [$/h]

P g (t) là công suất phát của nhà máy nhiệt điện tại thời điểm t [MW]

Cw là chi phí của tua bin gió [$/h]

P w (t) là công suất phát của các tua bin gió tại thời điểm t [MW] dn(t) là chí phí phạt của NMĐG xác định theo công thức (20) [$/h]

Ng là tổng số nhà máy nhiệt điện

N w là tổng số tua bin gió

Nl là tổng số nút phụ tải của hệ thống

Theo tài liệu [87] hàm chi phí của bài toán ED có tham gia của NMĐG là:

0 cut in cut in r r wt i r cut out cut out v v r v vcut in

Với Fdiesel,i(t) là chi phí của NMPĐ thứ i tại thời gian t [$/h]

F w,i (t) là chi phí của NMĐG thứ i tại thời gian t [$/h]

Pdiesel,i(t) là công suất phát của NMPĐ thứ i tại thời gian t [MW] a i , b i , c i là hệ số chi phí máy phát nhiệt điện [$/h], [$/MWh], [$/MW 2 h]

P w,i (t) là công suất phát của NMĐG [MW]

Công suất phát của nhà máy điện gió tại thời điểm t, ký hiệu là P r w,i (t), phụ thuộc vào vận tốc gió trong giới hạn cho phép, được đo bằng megawatt (MW) Vận tốc gió tại thời điểm t được ký hiệu là v (m/s), trong khi vận tốc gió đạt công suất cực đại của tua bin gió được ký hiệu là vr (m/s) Ngoài ra, v cut-in là vận tốc gió thấp nhất mà tua bin gió có thể hoạt động (m/s) và v cut-out là vận tốc gió cao nhất cho phép hoạt động của tua bin gió (m/s).

Bài toán tối ưu hóa kinh tế (ED) trong hệ thống năng lượng tái tạo, đặc biệt là khi có sự tham gia của nhà máy điện gió (NMĐG), yêu cầu xác định công suất phát của tua bin gió và các nhà máy điện khác (NMPĐ) Hàm chi phí của bài toán ED được xây dựng dựa trên công suất phát của các NMPĐ và NMĐG, cùng với các hệ số chi phí tương ứng của từng loại tua bin phát điện tại nhà máy.

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

Current literature indicates that the Economic Dispatch (ED) problem involving Distributed Generation (DG) utilizes several algorithms, including the Plant Growth Simulation Algorithm (PGSA), Genetic Algorithm Solution (GAS), and Particle Swarm Optimization (PSO) The results for the ED problem with DG are illustrated in the IEEE 15-bus system as shown in Table 2.5 below Additionally, the cost function for the ED problem considering wind energy is detailed in the referenced material.

Với fi là hàm chi phí của nhà máy nhiệt điện

Công suất phát của nhà máy điện i tại thời gian t được ký hiệu là Pi t [MW] Trạng thái hoạt động của nhà máy điện i tại thời điểm này được biểu thị bởi s i t, trong đó 0 là ngừng vận hành và 1 là đang vận hành.

Ci là chi phí khởi động máy phát i [$/h]

Bảng 2.5 Kết quả tính ED có NMĐG hệ thống 15 nút và 6 nút IEEE theo [88][91][96]

Không có NMĐG Có NMĐG

GA PSO PGSA GA FAC

Với P(1-15 ) là công suất phát của các NMPĐ tại các nút (1-15) [MW]

PWind là công suất phát của NMĐG [MW] t là thời gian giải bài toán [s]

C là chi phí vận hành của hệ thống [$/h]

C w là chi phí của NMĐG [$/h]

Kết quả từ bảng 2.5 cho thấy chi phí vận hành của hệ thống không có NMĐG là 32.937,70 $/h, trong khi có NMĐG là 31.092,30 $/h Sự chênh lệch này cao hơn so với các giá trị được công bố trong bảng 2.2, do phụ tải tính toán trong bảng 2.5 là 2.630 MW với 15 NMPNĐ và 01 NMĐG, trong khi bảng 2.2 tính toán theo yêu cầu phụ tải là 283,4 MW với 05 NMPNĐ và 01 NMĐG.

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

Bài toán tối ưu hóa công suất truyền tải (OPF) trong hệ thống điện kết hợp nhà máy nhiệt điện và nhà máy điện gió nhằm giảm thiểu chi phí nhiên liệu, đồng thời đảm bảo các ràng buộc về điện áp tại các nút và dung lượng bù Việc điều chỉnh nấc của bộ điều áp dưới tải cũng được xem xét để tối ưu hóa hoạt động của hệ thống điện.

Khi NMĐG tham gia vào hệ thống, việc xây dựng hàm chi phí cho tua bin gió và nhà máy nhiệt điện là rất quan trọng Điều này khác biệt so với các bài toán truyền thống, nơi chỉ tập trung vào một loại nguồn năng lượng Việc kết hợp hai hàm chi phí này sẽ giúp tối ưu hóa hiệu suất và giảm thiểu chi phí tổng thể cho hệ thống năng lượng.

Mục tiêu của bài toán tối ưu hóa phát điện (OPF) là giảm thiểu chi phí phát điện, bao gồm chi phí nhiên liệu và chi phí của các tua bin gió, trong khi vẫn đảm bảo tuân thủ các ràng buộc về công suất truyền tải, công suất phản kháng, điện áp tại các nút, công suất biểu kiến trên đường dây và chi phí khí thải môi trường.

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:

0, ci ci ra w ra ra co co v v a bv v v v

Với Pw là công suất phát của NMĐG [MW] v là tốc độ gió [m/s]

Công suất phát của nhà máy điện gió (NMĐG) được xác định trong vùng tốc độ gió cho phép, tính bằng megawatt (MW) Hệ số a và b được sử dụng để tính toán công suất của tua bin gió dựa trên tốc độ gió ngẫu nhiên.

Ng Nw i i Gi i Gi w wi i i

Với G là chi phí vận hành của hệ thống [$/h]

PGi là công suất của các NMPĐ [MW]

P wi là công suất của NMĐG [MW] cw là chi phí của tua bin gió [$/MWh]

N g , N w là tổng số NMPĐ, tổng số tua bin gió trong NMĐG

Theo tài liệu [94] hàm mục tiêu của bài toán OPF có NMĐG là:

N g Nw i i Gi i Gi wri wri i i

Với Cwr là chi phí của NMĐG [$/h]

P wr là công suất phát của NMĐG trong vùng giới hạn tốc độ gió cho phép [MW] dr là hệ số chi phí của tua bin gió [$/MWh]

F là chi phí vận hành của hệ thống [$/h]

Với các ràng buộc cân bằng và bất cân bằng [94] [95]:

Gi Di i j ij ij ij ij j N

Gi Di i j ij ij ij ij j

Với VLj, VLj min, VLj max là điện áp, điện áp cực tiểu, điện áp cực đại tại nút j [V]

S Lq , S Lq max là công suất biểu kiến, công suất biểu kiến cực đại cho phép [MVA]

P wm , P wm r là công suất phát và công suất phát cực đại của tua bin gió m [MW]

PLn, PLn min, PLn max là phụ tải, phụ tải cực tiểu, phụ tải cực đại cho phép [MW]

N y là tổng số nút hệ thống

N là tổng số đường dây

N w là tổng số tua bin gió

Nd là tổng số nút tải của hệ thống

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

Các khiếm khuyết cần khắc phục

Các bài toán ED, OPF và ORPD đóng vai trò quan trọng trong việc điều độ tối ưu hệ thống điện Mặc dù đã có nhiều nghiên cứu và công bố về các bài toán này, nhưng vẫn tồn tại những khiếm khuyết cần được khắc phục.

33 khuyết cần tiếp tục nghiên cứu để hoàn thiện và giải quyết các bài toán này hiệu quả hơn, các khiếm khuyết cần bổ sung nhƣ sau:

Các thuật toán như ACS, BA, BCA, GA, DE, EA, PGSA và PSO đã cho ra các giá trị tối ưu cho các bài toán ED, OPF và ORPD, nhưng kết quả giữa chúng lại khác nhau Do đó, cần thiết phải nghiên cứu và áp dụng các thuật toán mới nhằm tạo cơ sở so sánh với các phương pháp hiện có.

Bài toán ED yêu cầu phát triển thêm thuật toán nhằm đạt được chi phí tối ưu nhất trong khi vẫn đảm bảo các ràng buộc cần thiết Đồng thời, thời gian giải quyết bài toán cần được rút ngắn để có thể áp dụng hiệu quả cho các hệ thống điện lớn hơn với nhiều nút và ràng buộc phức tạp hơn.

Trong bài toán tối ưu hóa công suất (OPF), hầu hết các nghiên cứu hiện tại chỉ tập trung vào việc tính toán công suất phát với chi phí thấp nhất, công suất phản kháng của máy phát, dung lượng bù và điện áp nút Tuy nhiên, rất ít tài liệu đề cập đến việc tính toán công suất trên đường dây truyền tải Do đó, cần phát triển thêm các thuật toán nhằm giải quyết bài toán OPF, đáp ứng yêu cầu về thời gian giải và đồng thời tính toán công suất truyền tải trên đường dây với chi phí vận hành tối ưu nhất.

Bài toán ORPD hiện đang gặp khó khăn do các kết quả đã công bố không đồng nhất, chỉ tập trung vào việc tính toán tổn thất công suất Ploss và VD mà chưa xem xét đến giá trị Lmax Do đó, cần thiết phải phát triển một thuật toán mới có khả năng tính toán chính xác hơn cho cả tổn thất công suất Ploss, VD và giá trị Lmax trong bài toán ORPD.

Một số kết quả công bố hiện nay chưa xem xét thời gian xử lý của máy tính, vì vậy việc đưa thời gian tính toán vào các bài toán như ED, OPF và ORPD là cần thiết để có cơ sở cho việc so sánh và đánh giá.

Các kết quả đã công bố chưa tính đến độ lệch chuẩn của các kết quả sau các vòng lặp Do đó, cần phải cài đặt và tính toán thêm giá trị này khi giải quyết các bài toán ED, OPF và ORPD.

Để giải quyết bài toán ED và OPF với sự tham gia của nhà máy điện gió (NMĐG), cần xây dựng hàm chi phí cho tua bin gió Nhiều phương pháp đã được công bố để xây dựng hàm chi phí hoặc tính toán chi phí kịch bản công suất phát của NMĐG Nghiên cứu cần phát triển hàm chi phí tua bin gió kết hợp với hàm mục tiêu của các bài toán ED và OPF, sau đó áp dụng các thuật toán để tìm ra kết quả theo yêu cầu.

Trong bài toán tối ưu hóa phân phối công suất (ORPD) có sự tham gia của nhà máy điện gió (NMĐG), không cần thiết phải có hàm chi phí cho tua bin gió Điều quan trọng là tính toán công suất phát của NMĐG hòa vào hệ thống, đảm bảo tuân thủ các ràng buộc Từ đó, có thể xác định kết quả về tổn thất công suất, giá trị tối đa (VD) và Lmax của bài toán ORPD.

Các kết quả công bố không dựa trên yêu cầu phụ tải 24 giờ, điều này rất quan trọng trong việc tính toán điều độ tối ưu cho hệ thống điện tham gia thị trường điện Vì vậy, nghiên cứu cần xem xét các bài toán theo yêu cầu phụ tải 24 giờ để mở rộng quy mô bài toán trong tương lai khi tham gia thị trường điện.

Kết luận chương 2

Qua việc tham khảo tài liệu và đánh giá các ưu nhược điểm của các thuật toán giải quyết bài toán ED, OPF và ORDP, cả trong trường hợp có và không có sự tham gia của nhà máy điện gió (NMĐG), cho thấy rằng việc điều độ tối ưu hệ thống điện vẫn là một vấn đề quan trọng Nhiều nhà khoa học trên toàn thế giới đang nghiên cứu để phát triển các thuật toán nhằm đạt được kết quả tối ưu nhất cho các vấn đề ED, OPF và ORPD trong hệ thống điện.

Năng lượng gió đang được nhiều quốc gia, bao gồm Việt Nam, áp dụng rộng rãi, dẫn đến việc nghiên cứu các bài toán như ED, OPF và ORPD với sự tham gia của nhà máy điện gió Các tài liệu tham khảo được trình bày trong các mục 2.2, 2.3, 2.4 và 2.5 đã chỉ ra những ưu điểm và khuyết điểm của hệ thống, từ đó nghiên cứu cần tập trung vào những vấn đề chính để tối ưu hóa hiệu quả sử dụng năng lượng gió.

 Xây dựng hàm chi phí của tua bin gió

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

 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

CÁC PHƯƠNG PHÁP TÌM KIẾM TỐI ƯU

Các bước xây dựng thuật toán PSO

 Bước 1: Chọn các thông số, vị trí và vận tốc ban đầu của mỗi bầy

 Bước 2: Tính giá trị hàm khả dụng theo mỗi vị trí của bầy Đặt vị trí ban đầu của mỗi bầy nhƣ vi ̣ trí tốt nhất pbestd

 Bước 3: Tại vị trí mỗi bầy với giá trị hàm khả dụng tốt nhấ t, chọn biến tòan thể gbest

 Bước 4: Tính vòng lă ̣p: Tính vận tốc mới của mỗi bầy , cập nhật vị trí mới của mỗi bầy Tính giá trị hàm khả dụng của mỗi bầy

Nếu giá trị hàm khả dụng mới tốt hơn giá trị hàm khả dụng cũ, hãy cập nhật vị trí hiện tại của bầy thành vị trí mới của pbestd Ngược lại, vị trí cũ của bầy sẽ tương ứng với giá trị hàm khả dụng tốt nhất trước đó, được chọn làm vị trí mới pbestd để tiến hành vòng lặp tiếp theo.

Bước 6: Lựa chọn vị trí của bầy dựa trên giá trị hàm khả dụng tốt nhất trong tất cả các bầy, tương ứng với giá trị nghiệm toàn thể g bestd Kết thúc vòng lặp.

 Bước 7: Chọn nghiê ̣m toàn thể gbestd là nghiê ̣m tối ưu của bài toán.

Các phương pháp PSO cải tiến

Mặc dù phương pháp Tối ưu hóa Bầy đàn (PSO) đã giải quyết hiệu quả nhiều vấn đề tối ưu hóa, nhưng vẫn gặp khó khăn khi xử lý các bài toán lớn với nhiều biến và vòng lặp Kiểm soát tốc độ di chuyển và hướng đi của bầy trong PSO là một thách thức phức tạp Mục tiêu của bài toán tối ưu là tìm kiếm thời gian ngắn nhất với kết quả tối ưu nhất Nếu tốc độ bầy quá nhanh, có thể dẫn đến mất phương hướng và hỗn loạn; ngược lại, nếu quá chậm, thời gian tìm kiếm sẽ kéo dài và không đạt yêu cầu Đối với các bài toán quy mô lớn, PSO có thể kéo dài thời gian giải quyết hoặc cho kết quả không chính xác Nhiều nghiên cứu đã cải tiến PSO nhằm rút ngắn thời gian tìm kiếm và khắc phục các nhược điểm còn tồn tại.

Có 38 phương pháp hiện đang được nghiên cứu và áp dụng trên toàn cầu, có khả năng giải quyết hiệu quả bài toán điều độ tối ưu.

 Phương pháp phân tần với hệ số gia tốc biến đổi thời gian PSO-TVAC (PSO With Time-Varying Acceleration Coefficients)

 Phương pháp gradient giả PG-PSO (PSO Pseudo - Gradient)

 Phương pháp hệ số giới hạn PG-PSOCF (PGPSO Constriction factor)

3.3.1 Phương pháp PSO với hệ số gia tốc biến đổi thời gian PSO-TVAC

Phương pháp PSO-TVAC cải tiến từ thuật toán PSO thông qua việc bổ sung hệ số gia trọng w, cho phép điều chỉnh vận tốc của mỗi bầy theo thời gian và vị trí cụ thể Việc kiểm soát hệ số gia trọng w giúp tránh tình trạng các bầy di chuyển quá nhanh hoặc quá chậm, từ đó giảm thiểu sự hỗn loạn trong vận tốc của toàn bộ đàn.

Xét bài toán gồm có n chiều di chuyển, vec-tơ vị trí và vận tốc của mỗi bầy đàn là: x d

Trong thuật toán tối ưu hóa bầy đàn, mỗi bầy được biểu diễn bởi vị trí x d = [x 1d , x 2d , …, x nd ] và vận tốc v d = [v 1d , v 2d , …, v nd ], với d từ 1 đến NP, trong đó NP là số lượng bầy đàn Vị trí tốt nhất của bầy d, được gọi là pbest d = [p 1d , p 2d , …, p nd ], được xác định dựa trên giá trị của hàm khả dụng Ngoài ra, bầy đàn tốt nhất trong tất cả được gọi là gbest Tại bước lập kế tiếp (k+1), vận tốc và vị trí của mỗi bầy sẽ được tính toán dựa trên giá trị khả dụng.

1 1 1 2 k k k k k k k id id id id i id v  w  v  c rand  pbest x  c rand  gbest x (37)

Với c 1 và c 2 là hệ số cá thể và hệ số quần thể rand 1 và rand 2 là giá trị ngẫu nhiên từ [0, 1]

Hê ̣ số gia tro ̣ng w, và hằng số c 1 ,c 2 được tính theo công thức:

Với IT max là số vòng lặp tối đa

3.3.1.1 Các bước xây dựng thuật toán PSO-TVAC

 Bước 1: Chọn các thông số, vị trí và vận tốc ban đầu của mỗi bầy

 Bước 2: Tính giá trị hàm khả dụng theo mỗi vị trí của bầy ,đặt vị trí ban đầu của mỗi bầy nhƣ vị trí tốt nhất pbestd

 Bước 3: Tại vị trí mỗi bầy với giá trị hàm khả dụng tốt nhất, chọn biến tòan thể gbest

 Bước 4: Tính hệ số gia trọng w

Bước 5 trong quy trình tối ưu hóa là tính vòng lặp, bao gồm việc xác định vận tốc mới của mỗi bầy với hệ số gia trọng w, cập nhật vị trí mới của từng bầy và tính giá trị hàm khả dụng Nếu giá trị hàm khả dụng mới tốt hơn giá trị cũ, vị trí hiện tại của bầy sẽ được cập nhật thành vị trí mới pbestd Ngược lại, nếu giá trị cũ vẫn tốt hơn, vị trí cũ sẽ được giữ lại làm vị trí mới pbestd để tiếp tục tính toán cho vòng lặp tiếp theo.

Bước 6: Chọn vị trí của bầy dựa trên giá trị hàm khả dụng tốt nhất từ tất cả các bầy, cụ thể là giá trị của nghiệm toàn thể gbestd, và kết thúc vòng lặp.

 Bước 7: Chọn nghiê ̣m toàn thể gbestd là nghiê ̣m tối ưu của bài toán

3.3.1.2 Lưu đồ bài toán tối ưu dùng phương pháp PSO-TVAC Đặt giá trị vị trí và vận tốc ban đầu Đánh giá hàm khả dụng với mỗi vị trí và vận tốc ban đầu

Xác định giá trị nghiệm toàn thể cực tiểu tốt nhất

Ghi nhớ vị trí và vận tốc cho giá trị nghiệm toàn thể tốt nhất

Tính vận tốc mới và cập nhật vị trí mới ứng với vận tốc này Đánh giá hàm khả dụng ứng với vị trí mới

Chọn giá trị vận tốc và vị trí tốt nhất ứng với giá trị hàm khả dụng tốt nhất (F gbest )

Chọn kết quả bài toán

Lưu đồ 3.1 Lưu đồ bài toán tối ưu dùng phương pháp PSO-TVAC Điều kiện dừng ITmax

Dừng Đúng Chọn thông số ban đầu: NP, IT max ,w, c 1 , c 2

3.3.2 Phương pháp PSO với gradient giả PG (Pseudo - Gradient)

3.3.2.1 Khái niệm gradient giả (PG)

Phương pháp PG giúp xác định hướng tìm nghiệm cho từng cá nhân trong các phương pháp thông thường, với ưu điểm là cung cấp hướng tối ưu trong không gian nghiệm mà không ảnh hưởng đến yêu cầu của hàm mục tiêu khác nhau Do đó, PG là lựa chọn bổ sung hiệu quả cho phương pháp siêu tiệm cận trong việc giải quyết các bài toán với hàm số không lồi đa cực tiểu.

Bài toán tối ưu n chiều với hàm mục tiêu f(x) được biểu diễn qua vector x = [x1, x2, …, xn] và gradient giả g p (x) được định nghĩa cho hàm mục tiêu Điểm xk = [x k1, xk2, …, xkn] nằm trong không gian nghiệm và di chuyển tới điểm kế tiếp xl Có hai khả năng cho sự di chuyển này.

1/ Nếu f(x l )0 và dấu thể hiện dấu nhân mảng

3.4.4 Các bước xây dựng thuật toán CS

 Bước 1: Chọn số tổ chim ban đầu, số vòng lặp i = IT max

 Bước 2: Khởi tạo trứng trong tổ chim X i

(t+1) ngẫu nhiên theo Lévy flights, đánh giá chất lƣợng trứng trong tổ chim bằng hàm mục tiêu FF i

 Bước 3 : So sánh chất lượng trứng trong tổ của giải pháp mới tạo này với các trứng trong tổ cũ bằng cách so sánh hàm mục tiêu FF i

 Nếu FF i (t+1) tốt hơn FF i (t) sang bước 4

(t+1) không tốt hơn FF i (t) sang bước 5

 Bước 4: Cập nhật giải pháp cho chất lượng trứng tốt nhất Giữ lại tổ X best ứng với chất lƣợng trứng cho hàm mục tiêu tốt nhất FF best

 Bước 5: Xây mới lại các tổ cũ P a với trứng X dis bị bỏ đi và so sánh các giải pháp Khởi tạo lại trứng X dis

(new) trong các tổ củ bị bỏ đi pa Đánh giá chất lƣợng trứng giải pháp xây mới FF dis

(new) so với giải pháp củ FF dis

(new) tốt hơn FF dis sang bước 6

 Bước 6: Cập nhật giải pháp cho chất lượng trứng tốt nhất Xác định tổ có chất lƣợng trứng tốt nhất X best với giá trị hàm mục tiêu FF best

 Bước 7: Kiểm tra điều kiện dừng

 Nếu i