Ứng dụng giải thuật cukoo search để xác định thông số tối ưu cho bộ PSS

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÊ ANH ỨNG DỤNG GIẢI THUẬT CUKOO SEARCH ĐỂ XÁC ĐỊNH THÔNG SỐ TỐI ƯU CHO BỘ PSS NGÀNH: KỸ THUẬT ĐIỆN SKC007469 Tp Hồ Chí Minh, tháng 10/2017 BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SỸ LÊ ANH ỨNG DỤNG GIẢI THUẬT CUKOO SEARCH ĐỂ XÁC ĐỊNH THÔNG SỐ TỐI ƯU CHO BỘ PSS NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Hướng dẫn khoa học: TS. NGUYỄN MINH TÂM TP. Hồ Chí Minh, tháng 10 năm 2017 %Ӝ*,È2'Ө&9¬ĈҤ27Ҥ2 75ѬӠ1*ĈҤ,+Ӑ&6Ѭ3+Ҥ0.Ӻ7+8Ұ7 7+¬1+3+Ӕ+Ӗ&+Ë0,1+ 3+,ӂ81+Ұ1;e7/8Ұ19Ă17+Ҥ&6Ӻ 'jQKFKRJLҧQJYLrQSKҧQELӋQ 7rQÿӅWjLOXұQYăQWKҥFVӻ ӬQJGөQJJLҧLWKXұW&RRNXVHDUFK&6 ÿӇ[iFÿӏQKWK{QJVӕWӕLѭXFKREӝ PSS 7rQWiFJLҧ LÊ ANH MSHV: 1620601 Ngành: ӻWKXұWÿLӋQ Khóa: 2016 Ĉӏnh Kѭӟng: ӬQJGөQJ +ӑYjWrQQJѭӡLSKҧQELӋQ 764X\ӅQ+X\ÈQK &ѫTXDQF{QJWiF KRDĈLӋQĈLӋQWӱ ĈLӋQWKRҥLOLrQKӋ ,é.,ӂ11+Ұ1;e7 9ӅKuQKWKӭF NӃWFҩXOXұQYăQ +uQKWKӭFYjNӃWFҩXOXұQYăQÿҥW\rXFҫX 9ӅQӝLGXQJ 2.1 Nh̵n xét v͉ÀбǡÙǡЛЛǡïЪOX̵QYăQ /XұQYăQFyWtQKNKRDKӑF 2.2 Nh̵±¯ЮуоЦÀРЪМпрк×¯ï¯а ЮпСлфÀЮ 9LӋFWUtFKGүQNӃWTXҧQJKLrQFӭXWKHRÿ~QJTXLÿӏQKKLӋQKjQKFӫDSKiSOXұWVӣKӳXWUtWXӋ 2.3 Nh̵±Ыͭc tiêu nghiên cͱu, ph˱˯ng pháp nghiên cͱu s͵ dͭng LVTN 0өFWLrXQJKLrQFӭXSKKӧSQӝLGXQJQJKLrQFӭX 6ӱGөQJSKѭѫQJSKiS&XFNRRVHDUFKÿӇ[iFÿӏQKWK{QJVӕWӕLѭXFKREӝ366 2.4 Nh̵n xét T͝ng quan cͯ¯͉ tài ĈҥW\rXFҫX 2.5 С±¯͉ n͡ƬНрнп ĈҥW\rXFҫX 2.6 С±¯͉ kh̫£ͱng dͭǡахЭͯ¯͉ tài ӃWTXҧQJKLrQFӭXFyWKӇVӱGөQJOjPWjLOLӋXWKDPNKҧRFKRFiF1&6KӑFYLrQFDRKӑF1JjQK.ӻWKXұW ÿLӋQNKLQJKLrQFӭXEjLWRiQYұQKjQKKӋWKӕQJÿLӋQ 2.7 Lu̵£ОЯуǡефз¿ȋ͇t sót t͛n t̩i): 13KҫQWyPWҳWOXұQYăQFҫQYLӃWOҥLFKRFKLWLӃWYjÿҫ\ÿӫKѫQ 20ӝWVӕSKҫQWURQJOXұQYăQFҫQJLҧLWKtFKYjEjQOXұQU}UjQJYjÿҫ\ÿӫKѫQ II CÁC VҨ0ӄ CҪN LÀM RÕ &iFFkXK͗LFͯDJL̫QJYLrQSK̫QEL͏Q 17UuQKEj\ѭXYjQKѭӧFÿLӇPFӫDWKXұWWRiQ&XFNRRVHDUFKWURQJEjLWRiQ[iFÿӏQKWK{QJVӕWӕLѭXFKREӝ 366VRYӟLFiFJLҧLWKXұWNKiF" 27UuQKEj\NKҧQăQJiSGөQJFӫDSKѭѫQJSKiS&XFNRRVHDUFKWURQJEjLWRiQ[iFÿӏQKWK{QJVӕWӕLѭXFKR Eӝ366WURQJWKӵFWӃ" Hình 3.6: Mơ hình Simulink để tính cơng suất trên đầu cực máy phát. 3.6 Phương trình tính điện áp trục q máy phát Eq'  xd' id  vq vq   xe id  Eb cos 3.7 (3.6) (3.7) Phương trình tính điện áp trục d máy phát Ed'  xq' iq  vd (3.8) vd  xe iq  Eb sin  (3.9) 3.8 Phương trình tính dịng điện trục d máy phát id  3.9 xe  xd' Eb sin   Eq' xe  xq' 23 (3.10) Phương trình tính dịng điện trục q máy phát iq  Eb cos  Eq' (3.11) Hình 3.7: Mơ hình Simulink để tính tính dịng điện id, iq của máy phát. Hình 3.8: Mơ hình Simulink để tính điện áp trên đầu cực máy phát Vt. Hình 3.9: Mơ hình Simulink để tính cơng suất điện Pe trên đầu cực máy phát 24 3.10 Mơ hình hệ thống kích từ Hình 3.10: Sơ đồ khối hệ thống kích từ [29]. 25 Tổng hợp các mơ hình ta được mơ hình của máy phát nối vào đường dây truyền tải: Hình 3.11: Mơ hình mơ phỏng tính góc cơng suất δ, cơng suất điện Pe. 26 Hình 3.12: Mơ hình mơ phỏng tính tiện áp Vt trong SIMULINK. 27 Chương GIẢI THUẬT CUCKOO SEARCH VÀ ỨNG DỤNG CHỌN THÔNG SỐ TỐI ƯU CHO PSS Metaheuristic là một cách gọi chung cho các giải thuật heuristic trong việc giải quyết các bài tốn tổ hợp phức tạp. Metaheuristic bao gồm những chiến lược khác nhau trong việc khám phá khơng gian tìm kiếm bằng cách sử dụng những phương thức khác nhau. Một số thuật tốn phổ biến như thuật tốn di truyền (GA), tìm kiếm tabu (TS), mơ phỏng luyện kim (SA), tối ưu hóa các đàn kiến (ACO), tối ưu hóa bầy đàn (PSO). Các thuật tốn tìm kiếm hài hịa (HS), thuật tốn đom đóm (FA), giọt nước thơng minh (IWD), thuật tốn bầy ong (BCO). Hầu hết các loại thuật tốn Metaheuristic này đều lấy cảm hứng từ thiên nhiên, học theo sự thành cơng trong các hệ thống sinh học, thể chất hoặc xã hội học. Thuật tốn Tìm kiếm Cuckoo search (CS) [31-33] cũng là một thuật tốn Metaheuristic đã được đề xuất gần đây 4.1 Giới thiệu thuật tốn cuckoo search (CS) Hai nhà tốn học Xin-She Yang và Suash Deb đã đưa ra thuật tốn Cuckoo Search (CS) năm 2009 [31-33]. Thuật tốn CS lấy cảm hứng từ hành vi của lồi chim Cuckoo kết hợp với đặc tính phân phối Lévy flight 4.2 Hành vi chim Cuckoo Chim cuckoo là lồi chim rất hấp dẫn và có kích thước trung bình. Một đặc tính thú vị của lồi chim này là đẻ trứng nhưng khơng ấp trứng. Chim cuckoo đẻ trứng trong tổ của một lồi chim khác sau đó để chim tổ chủ ấp và ni con của mình. Để tăng khả năng duy trì nịi giống và giảm xác suất bỏ trứng hay bỏ tổ của chim tổ chủ thì loại chim cuckoo sử dụng một số chiến lược [31-33]. 28 4.3 Đặc tính phân phối Lévy Flight Lévy flight - tên của nhà toán học Pháp Paul Pierre Lévy, là một loại hình bước đi ngẫu nhiên trong đó gia số được phân phối theo quy luật tập trung về phía sau. Lévy flight là một chuỗi Markov, sau một số lượng lớn bước đi, khoảng cách từ điểm xuất phát có khuynh hướng phân bố theo một quy luật ổn định. Đặc biệt có hàm phân phối dạng lũy thừa. u  t 1     4.4 (4.1) Thuật toán Cuckoo Search Thuật toán Cuckoo Search dựa theo hành vi của chim Cuckoo và đặc tính Lévy flight. [31-33]. Trong q trình nghiên cứu, thuật tốn dựa theo ba quy luật và được phát biểu như sau: − Mỗi con chim cuckoo đẻ một quả trứng vào một thời điểm một tổ bất kỳ trong số tổ chủ ban đầu; − Tổ tốt nhất với chất lượng trứng cao nhất có thể vượt qua để cho ra các thế hệ mới; − Số lượng tổ của tổ chủ là cố định, và xác suất chim tổ chủ phát hiện trứng của chim cuckoo là Pa ∈ [0,1]. Hình 4.1: Chim Cuckoo và hành vi của chúng 29 Trên cơ sở đó, mơ hình tốn cho thuật tốn được tóm tắt như sau [32]: Bắt đầu: − Hàm mục tiêu f(x), x = (x1, ….xd) T ; − Tạo số tổ chủ (số giải pháp) ban đầu xi (1,2,…,n); − Vòng lặp while: Với số lần lặp t Fj thì thay tổ j bằng giải pháp mới, − Một phần nhỏ xác suất Pa khơng tốt (giải pháp xấu) được bỏ và xây mới, − Giữ lại những giải pháp tốt nhất (tổ có chất lượng tốt nhất), − Sắp xếp lại các giải pháp tốt và chọn giải pháp tốt nhất . − Kết thúc vịng lặp while − Xử lý kết quả tìm được và so sánh kết quả Kết thúc: Sau khi tạo ra giải pháp mới xi(t +1) cho cuckoo i, một phân phối Lévi flight được sử dụng theo cơng thức sau xi t 1  xit    Levy    (4.2) Trong đó α > 0 là bước tính liên quan đến vấn đề quan tâm; dấu ⊕ là dấu nhân mảng. Trong hầu hết trường hợp ta có thể sử dụng α = O(L/10). Trong đó L là tỉ lệ đặc trưng của vấn đề quan tâm. Phương trình (4.2) về cơ bản mơ tả phỏng chừng bước đi ngẫu nhiên, là một chuỗi Markov nối tiếp trong đó vị trí kế tiếp phụ thuộc vào vị trí hiện tại. Lévy fight cung cấp một bước đi ngẫu nhiên trong khi chiều dài bước đi ngẫu nhiên được rút ra từ phân phối Lévy: Levy  u  t 1 ,(1    3) 30 (4.3) Trong đó t là độ dài bước được lấy ra từ phân phối Lévy, phân phối Lévy thì thay đổi vơ hạn. CS nhìn qua có vẻ gần giống với GA và PSO, tuy nhiên CS dựa theo bước đi ngẫu nhiên với phân phối Lévy tập trung về phía sau và CS có các tham số điều chỉnh ít hơn. Do đó thuật tốn đơn giản hơn nhiều, hứa hẹn thời gian tìm lời giải nhanh chóng. Mặt khác, mỗi tổ có thể đại diện cho một tập các giải pháp nên CS có thể được mở rộng hơn 4.5 Một số lưu ý lựa chọn thông số cho tốn CS Số tổ (số giải pháp) Np: Số giải pháp tạo ra ban đầu, nếu số giải pháp ban đầu càng lớn thì khả năng tạo ra giải pháp mới cho kết quả tốt hơn và gần điểm tối ưu tồn cục hơn. Khi đó số lần lặp sẽ giảm đi nhiều, tuy nhiên nếu số Np càng lớn thì thời gian tính tốn trong mỗi lần lặp sẽ lâu hơn. − Xác suất Pa: Như đã trình bày, Pa ϵ[0,1], với mỗi giá trị khác nhau của Pa sẽ dẫn đến kết quả tối ưu khác nhau. Như vậy ta có thể chạy nhiều lần với nhiều trị số khác nhau để so sánh kết quả tốt nhất. − Hệ số α: Nếu chọn α càng bé thì kết quả càng chính xác, nếu α càng lớn thì bài tốn càng sớm hội tụ nhưng khơng chính xác bằng khi chọn hệ số nhỏ. Tuy nhiên nếu chọn α q lớn thì dẫn đến kết quả chỉ dao động quanh điểm tối ưu tồn cục. − Số lần lặp cực đại Nmax: Chọn tùy theo bài tốn.Tuy nhiên thơng số Nmax tùy chọn theo kinh nghiệm, khơng có thơng số cụ thể cho bài tốn nào mà phải dựa vào kinh nghiệm thực nghiệm của người thực hiện và phải được kiểm nghiệm trên cơ sở chạy đi chạy lại nhiều lần. Kết quả có được phải thực hiện nhiều lần để có thể xét tính ổn định của việc áp dụng thuật tốn cho bài tốn cũng như tìm kết quả gần điểm tối ưu nhất. 4.6 Hàm mục tiêu thuật tốn Hàm mục tiêu (hàm thích nghi) là một trong những yếu tố quan trọng quyết định sự thành cơng của giải thuật. Nó đánh giá các cá thể tốt trong quần thể. Hàm 31 thích nghi được xây dựng sao cho giá trị thích nghi phải phản ánh được đúng giá trị thực của cá thể trong việc đáp ứng yêu cầu của bài toán. Chất lượng của trứng tương ứng với hàm mục tiêu, trong giải thuật CS là hàm thích nghi. Một cách đơn giản có thể hiểu giải thuật như sau: Mỗi trứng trong tổ đại diện cho một giải pháp và trứng chim Cuckoo đại diện cho giải pháp mới. Mục tiêu bài tốn là sử dụng giải pháp mới tốt hơn ( trứng Cuckoo) thay thế cho giải pháp khơng tốt (trứng chim tổ chủ). 4.7 Một số ứng dụng Với đặc điểm là đơn giản, dể cài đặt, khơng cần tính tốn các đạo hàm và dể song song hóa. CS đã được ứng dụng vào để giải nhiều lớp bài tốn như: − Tối ưu hóa khơng ràng buộc – Unconstrained Optimization. − Tối ưu hóa ràng buộc – Constrained Optimization. − Tối ưu đa mục tiêu – Multi Objective Optimization. − Bài tốn nhiều lời giải – Multi Solution Problem. − Tối ưu hóa động – Dynamic Optimization Problem. − Huấn luyện mạng neural – Training Neural Network. 4.8 Hiệu chỉnh thơng số PSS thuật tốn Cuckoo Search Hình4.2 : Mơ hình PSS đề suất Hàm truyền của mơ hình PSS : Vpss = KPSS (4.4) Khả năng cung cấp hiệu quả moment hảm cho hệ thống của bộ PSS phụ thuộc hệ số khuếch đại Kpss và các tham số T1,T2,T3,T4,T5,T6. 32 4.8.1 Hàm mục tiêu Sử dụng giải thuật CS để hiệu chỉnh các tham số của bộ PSS trong việc cải thiện trạng thái ổn định của máy phát. Ở trạng thái ổn định thì Vpss bằng 0, khi suất hiện dao động thì giải thuật CS sẽ hiệu chỉnh các tham số Kpss, T1, T2, T5, T6 của bộ PSS, cung cấp đến AVR một mức điện áp Vpss nhằm tạo ra một mức moment hảm tối ưu dập tắt các dao động đưa hệ thống về điểm hoạt động ổn định. Với bài tốn ổn định dao động tầng số thấp (0.1 - 3Hz) thơng qua bộ PSS nhằm ổn định cơng suất phát và từ mối quan hệ cơng suất - góc, góc cơng suất - độ lệch tốc độ, hàm mục tiêu của bài tốn được chọn như cơng thức 4.5 = ∫ ( ) ( ) (4.5) Trong đó: Δω(t) là độ lệch tốc độ thời điểm t. Mục tiêu giải thuật CS hiệu chỉnh tham số PSS để hệ thống đạt Fmin 4.8.2 Lưu đồ thuật toán Trong giải thuật CS thì mỗi tổ sẽ chứa 5 tham số Kpss, T1, T2, T5, T6 của bộ PSS. Từ đó ta sẽ có lưu đồ giải thuật Cuckoo search để chọn tham số tối ưu cho bộ PSS. Số lượng tổ n =100, số lượng trứng trong một tổ tương với năm thơng số Kpss, T1, T2, T5, T6. Giới hạn của các tham số 0.001