Tối ưu hóa hệ thống microgrid cho hệ thống lưới điện đảo phú quý sử dụng giải thuật di truyền

Gi i thi u v đ tài nghiên c u

Ngày nay, nhu cầu về năng lượng ngày càng gia tăng, đặc biệt là từ các nhà máy điện, bao gồm điện nhiệt và điện hạt nhân, sử dụng nguyên liệu như than, khí và dầu Sự phát triển này tiềm ẩn nhiều nguy cơ cho nền kinh tế khi các nhà máy điện gây ra tác động tiêu cực đến môi trường Để khắc phục những nhược điểm của hệ thống điện truyền thống, việc phát triển công nghệ mạng điện siêu nhỏ (Microgrid) trở nên cần thiết nhằm nâng cao tính bền vững và hiệu quả trong cung cấp năng lượng.

Việc tối ưu hóa công suất và duy trì tính ổn định của điện áp trong hệ thống Microgrid là rất quan trọng, bất kể hệ thống đang hoạt động ở chế độ lưới hay chế độ độc lập Do đó, tìm ra phương pháp hiệu quả để điều phối các nguồn năng lượng tái tạo đa dạng như mặt trời, gió, diesel và hệ thống pin lưu trữ kết hợp với các nguồn năng lượng truyền thống là một yêu cầu cần thiết.

Mô hình Microgrid th c t t i Vi t Nam, có th k đ n h th ng đi n trên huy n đ o

Phú Quý là một mô hình hệ thống năng lượng gió-mặt trời-diesel độc lập Mặc dù Phú Quý đã đầu tư hệ thống điện gió kết hợp năng lượng mặt trời có tổng công suất lớn hơn so với tỉnh, nhưng sản lượng điện từ các nguồn năng lượng tái tạo vẫn chưa đủ để đáp ứng nhu cầu.

Phương pháp vận hành này sẽ gây lưng phí năng lượng từ các nguồn năng lượng tái tạo Bên cạnh đó, việc thay đổi liên tục của công suất phát điện gió làm mất cân bằng công suất của hệ thống, dẫn đến sự không ổn định trong tần số của hệ thống.

Do v y, lu n v nđ c th c hi n nh m m c đíchxác đ nh s hi u qu c a vi c tích h p ESS vào l i đi n đ o Phú Quý nh m t mô hình Microgrid có các ngu n phát gió, m t tr i và diesel

Dự án nghiên cứu mô phỏng hoạt động của hệ thống nhằm tối ưu hóa khả năng tái tạo năng lượng cho lưới Microgrid tại đảo Phú Quý Các kết quả tính toán mô phỏng khi sử dụng hệ thống lưu trữ năng lượng (ESS) đã được thực hiện trong một năm và so sánh với dữ liệu vận hành thực tế để xác định tính khả thi của phương án.

M c tiêu nghiên c u c a đ tài

tài t p trung vào m c tiêu chính là xây d ng thu t toán đ th c hi n m c tiêu đ ra Theo đó đ đ t đ c m c tiêu này đ tài c n t p trung nghiên c u b n m c tiêu c b n

- M t là nghiên c u và n m v ng c s lý thuy t c a ph ng pháp gi i thu t di truy n (Genetic Algorithm – GA) trong vi c gi i các bài toán t i u hóa.

- Ti p theo là nghiên c u các mô hình h th ng Microgrid cho l i đi n đ o Phú Quý có tích h p h th ng l u tr n ng l ng (ESS- Energy Storage System)

- Ba là d a trên các phân tích, tìm hi u v ph ng pháp GA và h th ng

Microgird, đ tài áp d ng ph ng pháp GA đ tìm:

+ C c ti u chi phí n ng l ng cho vòng đ i h th ng;

Chiến lược điều khiển trong hệ thống điện dựa theo trạng thái sức và xác của hệ thống lưu trữ năng lượng (ESS) giúp tối ưu hóa việc tiêu thụ năng lượng cho hệ thống điện đảo Phú Quý, đồng thời giảm thiểu chi phí vận hành máy phát diesel.

+ Xem xét đ tin c y c a h th ng.

i t ng và ph m vi nghiên c u

Hệ thống Microgrid tại Phú Quý sử dụng giải thuật di truyền (GA) để tối ưu hóa việc điều độ kinh tế trong mạng lưới điện Nghiên cứu này tập trung vào việc áp dụng GA nhằm nâng cao hiệu suất và tính hiệu quả trong quản lý năng lượng của hệ thống điện tại Phú Quý, Bình Thuận.

Ph m vi nghiên c u đ c th c hi n d a trên mô hình toán h c và dùng ph n m m MATLAB đ gi i thu t toán t i u.

Ph ng pháp nghiên c u

nghiên c u các n i dung nêu trên, tôi đư l a ch n ph ng pháp nghiên c u nh sau:

- Nghiên c u v lý thuy t c a thu t toán GA trên và đ a vào l p trình

- S d ng ph n m m MATLAB đ mô hình hóa các ngu n n ng l ng tái t o và tri n khai thu t toán.

C u trúc lu n v n

Ch ng 1: T ng quan v đ tài

Ch ng 2: T ng quan h th ng Microgrid và h th ng đi n t i đ o Phú Quý

Ch ng 3: Mô hình bài toàn t i u trong h th ng Microgrid

Ch ng 4: Thu t toán di truy n

Ch ng 5: K t qu và nh n xét đánh giá

Ch ng 6: K t lu n và h ng phát tri n

CH NG 2 T NG QUAN V MICROGRID VÀ H TH NG

Khái ni m v Microgrid (MG)

Microgrid là hệ thống điện độc lập, kết hợp nhiều nguồn phát năng lượng tái tạo như năng lượng mặt trời, gió, máy phát điện và pin nhiên liệu Tùy thuộc vào vị trí và nhu cầu sử dụng, các nguồn này được cấu hình linh hoạt để tối ưu hóa hiệu suất Hệ thống microgrid hoạt động như một mô-đun tự quản lý, giúp giảm thiểu tổn thất điện và phân phối năng lượng hiệu quả Các nguồn năng lượng tái tạo như năng lượng mặt trời và gió được tích hợp để nâng cao tính linh hoạt và hiệu quả Hệ thống quản lý năng lượng đóng vai trò quan trọng trong việc điều phối nguồn phát đến các tiêu thụ, đảm bảo cung cấp điện ổn định và tiết kiệm chi phí đầu tư Các thành phần cơ bản của microgrid bao gồm nguồn phát, hệ thống quản lý năng lượng, và lưới điện phân phối, với nguồn phát là yếu tố quyết định cho hiệu suất của toàn hệ thống.

Hệ thống Microgrid hoạt động theo hai chế độ: có điện lưới và không có điện lưới Trong chế độ có điện lưới, các nguồn phát phân tán của hệ thống Microgrid hỗ trợ nguồn lưới nhằm tiết kiệm năng lượng hóa thạch khi hợp nhất năng lượng cung cấp cho tải Trong khi đó, chế độ độc lập cho phép hệ thống Microgrid kết hợp nhiều nguồn phát phân tán để cung cấp năng lượng cho tải, đảm bảo tính ổn định trong vận hành.

Các ch đ v n hành c a h th ng Microgrid

M t Microgrid có th t s n xu t đi n và c ng có th mua đi n t l i đi n qu c gia

(NPG) n u Microgrid đó đ c k t n i v i l i đi n Các Microgrid không k t n i v i l i đi n đ c g i là Microgrid đ c l p, trong khi các MG có th bán/mua đi n t l i đi n qu c gia đ c g i là MG n i l i

Microgrid là một hệ thống năng lượng độc lập có khả năng sản xuất điện từ các nguồn năng lượng tái tạo, bao gồm cả năng lượng mặt trời và gió Hệ thống này có thể hoạt động độc lập hoặc kết nối với lưới điện quốc gia, rất phù hợp cho các khu vực hẻo lánh mà lưới điện không thể tiếp cận Các thành phần chính của microgrid bao gồm các nguồn năng lượng tái tạo như

WT và các nguồn thông thường như diesel có thể được tích hợp trong Microgrid, cho phép lưu trữ năng lượng trong ESS bằng cách sử dụng bể chứa ESS hoặc thông qua các phương pháp quay chiều Việc quản lý nguồn điện đáp ứng nhu cầu của hệ thống điều khiển, sử dụng các thuật toán tối ưu hóa nhằm giảm thiểu chi phí vận hành.

Hình 2.1 Mô hình h th ng Microgrid đ c l p đi n hình 2.2.2 Microgrid k t n i l i

Các Microgrid (MG) không kết nối lưới điện quốc gia (NPG) được gọi là các MG độc lập Những MG này có thể tạo ra điện từ các máy phát điện chính của mình hoặc mua điện trực tiếp từ NPG Nếu sản lượng điện trong MG vượt quá mức tiêu thụ hiện tại, MG có thể bán điện cho NPG để thu lợi nhuận Ví dụ, MG được kết nối lưới điện có thể bao gồm các tấm pin năng lượng mặt trời (PV), hệ thống lưu trữ, tải và NPG Như trong Hình 2.2, MG có thể mua hoặc bán điện từ NPG Nguồn điện từ hệ thống PV có thể được sử dụng để (i) đáp ứng nhu cầu của người sử dụng, (ii) lưu trữ điện, hoặc (iii) bán lại cho NPG Ngược lại, khi không có PV, điện có thể được sử dụng từ (i) bộ lưu trữ năng lượng hoặc (ii) mua từ NPG Do đó, việc điều khiển quản lý điện năng thích ứng (APM) được sử dụng để quản lý năng lượng của hệ thống với mục tiêu giảm thiểu chi phí điện năng mua từ NPG.

Các thành ph n trong h th ng Microgrid

Máy phát điện sử dụng động cơ đốt trong là loại máy phát điện chuyển đổi năng lượng cơ học thành điện năng Có hai loại động cơ: động cơ đánh lửa cưỡng bức và động cơ đánh lửa nén Sự khác biệt giữa hai loại này nằm ở nhiên liệu sử dụng, hệ thống cung cấp và kiểu đốt cháy nhiên liệu Động cơ đánh lửa cưỡng bức có thể sử dụng xăng, khí thiên nhiên, biogas và khí đốt hóa lỏng Hỗn hợp cháy, gồm nhiên liệu và không khí, được đưa vào động cơ, thực hiện hành trình nén và kích nổ, tạo ra quá trình cháy, giãn nở và mô men xoắn, giúp máy phát điện hoạt động Ngược lại, động cơ đánh lửa nén sử dụng nhiên liệu diesel, trong đó kim phun nhiên liệu phun với tốc độ và áp suất cao, kết hợp với buồng xoáy tạo ra hỗn hợp cháy Hỗn hợp này được nén với tỉ số nén cao, dẫn đến quá trình cháy, giãn nở và tạo mô men xoắn cho máy phát điện Hiệu suất của động cơ diesel cao hơn nhiều so với động cơ đánh lửa cưỡng bức, thường đạt hiệu suất khoảng 1,5 lần Nhiên liệu diesel thường hiệu quả hơn so với nhiều loại nhiên liệu khác.

Máy phát điện dùng dầu có khả năng tận dụng nguồn nhiệt thải ra để sản xuất nhiệt năng, giúp tiết kiệm nhiên liệu từ 35-48% lên đến 70% Thiết bị này thường được sử dụng phổ biến nhờ giá thành rẻ, độ bền cao và thời gian khởi động nhanh Tuy nhiên, nhược điểm của máy phát này là khả năng phát thải khí thải gây hiệu ứng nhà kính ra môi trường.

Hình 2.3 Các thành ph n chính c a máy phát đi n s d ng đ ng c diesel

Các thành ph n chính c a máy phát đi n Diesel, bao g m:

- 5 H th ng làm mát và h th ng x

- 8 Control Panel hay thi t b đi u khi n

2.3.2 H th ng n ng l ng m t tr i (PV)

Hình 2.4 Pin n ng l ng m t tr i PV Cell – PV Module – Strings – Arrays [4]

Pin năng lượng mặt trời, hay pin quang điện, là thiết bị bán dẫn chứa các diode p-n, có khả năng chuyển đổi ánh sáng mặt trời thành dòng điện sử dụng được Quá trình chuyển đổi này gọi là hiệu ứng quang điện Các pin năng lượng mặt trời rất đa dạng và được ưa chuộng ở những khu vực có ánh sáng mặt trời dồi dào, như vùng nhiệt đới, các vệ tinh quay quanh quỹ đạo trái đất, máy tính cầm tay, và các máy tính để bàn Pin năng lượng mặt trời thường được lắp đặt trên nóc các tòa nhà, nơi chúng có thể chuyển đổi năng lượng bức xạ mặt trời thành điện năng thông qua hiệu ứng quang điện bên trong.

Hình 2.5 C u t o pin n ng l ng m t tr i [5]

Cho t i hi n t i thì v t li u ch y u cho pin m t tr i (và cho các thi t b bán d n) là các silic tinh th Pin m t tr i t tinh th silic chia ra thành các lo i sau [6]:

Các tấm pin năng lượng mặt trời hiện nay chủ yếu được làm từ silicon, bao gồm hai loại chính là silicon đơn tinh thể (Monocrystalline) và silicon đa tinh thể (Polycrystalline) Những loại pin này chiếm ưu thế trong thị trường quang điện toàn cầu, với thống kê năm 2019 cho thấy 95% thị phần thuộc về các tấm pin này.

Hình 2.6 Hai lo i pin n ng l ng m t tr i Monocrystalline silicon và

- T m pin đ n tinh th (Monocrystalline Solar Panels)

Các tấm pin năng lượng mặt trời được làm từ silicon tinh khiết, với các tế bào silicon có màu đen hoặc xanh ánh kim Những tế bào này có bề mặt cao lên tới 25 nm, nhưng hiệu suất chuyển đổi của chúng chỉ đạt khoảng 0,5% mỗi năm Điểm mạnh của các tấm pin loại này là yêu cầu độ tinh khiết cao của silicon, khiến cho quá trình sản xuất silicon trở nên phức tạp và giá thành cao Ngoài ra, các tế bào này cũng rất bền vững khi có tác động cơ học Hiện nay, hiệu suất chuyển đổi cao nhất của tế bào quang điện này đạt tới 26.7%, trong khi module đạt tới 610W/panel với hiệu suất chuyển đổi của module là 22.3%.

- T m pin đa tinh th (Polycrystalline Solar Panels)

Pin đa tinh thể được sản xuất bằng cách nung chảy silicon thô, sau đó đổ vào khuôn, làm nguội và cắt thành các tấm wafer Quy trình sản xuất này đơn giản, ít tốn kém, giúp giảm giá thành cho các tấm pin năng lượng mặt trời Tuy nhiên, hiệu suất chuyển đổi của pin đa tinh thể thấp hơn so với pin đơn tinh thể, đặc biệt trong điều kiện nhiệt độ cao Năm 2019, hiệu suất chuyển đổi cao nhất của tế bào đa tinh thể đạt 22.3%.

- Pin m t tr i màng m ng Amorphous silicon

T bào quang đi n màng m ng đ c s n xu t b ng cách l ng màng silicon, mang lại hiệu suất chuyển đổi thấp hơn so với các t bào đ n tinh th ho c đa tinh th Một giải pháp cải thiện hiệu quả là tối ưu hóa cấu trúc phân l p của mặt s t bào Công nghệ silicon vô định hình có khả năng tạo ra linh ho t và các hình d ng khác nhau, cho phép ứng dụng trong nhiều lĩnh vực Hơn nữa, silicon vô định hình ít bị ảnh hưởng bởi nhiệt, điều này giúp cải thiện hiệu suất của pin mặt trời.

- Pin m t tr i màng m ng CdTe

Công nghệ pin mặt trời CdTe đang trở thành xu hướng phổ biến nhờ vào chi phí đầu tư thấp và hiệu suất chuyển đổi tốt, với hiệu suất chuyển đổi tấm quang điện đạt 21% và module đạt 18.3% từ First Solar Tuy nhiên, một trong những nhược điểm lớn nhất của loại pin này là tác động môi trường do quá trình sản xuất liên quan đến việc sử dụng Cadmium, một chất độc hại, và nguồn cung Telluride.

- Pin m t tr i màng m ng CIGS

CIGS là công nghệ pin mặt trời hiệu quả cao nhất hiện nay, với các module ngày càng phổ biến trong ngành quang điện do không chứa cadmium độc hại Tế bào CIGS được sản xuất bằng cách lắng đọng các kim loại lên một lớp màng mỏng trên chất nền Tính đến năm 2019, hiệu suất chuyển đổi của tế bào quang điện CIGS đạt 23.1%, trong khi đó module đạt 17.6% (ZSW).

Pin mặt trời thế hệ thứ ba bao gồm nhiều loại vật liệu khác nhau, cả hữu cơ và vô cơ Hiện nay, chúng đang trong giai đoạn nghiên cứu và phát triển, bao gồm các công nghệ như DSSC (pin mặt trời nhạy sáng bằng phẩm nhuộm), pin polymer và hữu cơ, pin lượng tử, và perovskite Tuy nhiên, các công nghệ này vẫn chưa ổn định và gặp nhiều rào cản liên quan đến hiệu suất, tuổi thọ, công nghệ, điều kiện ứng dụng, và yếu tố quan trọng nhất là tính hiệu quả về kinh tế.

Ngành công nghiệp quang điện đang ngày càng trở nên quan trọng, trở thành nguồn năng lượng không thể thiếu hiện tại và tương lai Với tiềm năng lớn và quy mô rộng, quang điện được coi là nguồn năng lượng tiên phong trong việc tái tạo và thay thế các nguồn năng lượng truyền thống Các thông tin về pin mặt trời, đặc biệt là pin mặt trời màng mỏng CIGS, đang phát triển mạnh mẽ nhờ vào công nghệ sản xuất tiên tiến Pin mặt trời màng mỏng CIGS có nhiều ưu điểm như khả năng ứng dụng rộng rãi, chi phí sản xuất thấp, hiệu suất cao, ít ảnh hưởng bởi nhiệt độ, và dễ dàng tái chế Những yếu tố này hứa hẹn tạo ra tiềm năng lớn cho pin mặt trời màng mỏng CIGS trong tương lai.

Nguyên lý hoạt động của pin mặt trời dựa trên việc ánh sáng mặt trời bao gồm các hạt photon Khi các photon này va chạm với các nguyên tử silicon trong pin, chúng truyền năng lượng cho các electron, kích thích chúng rời khỏi nguyên tử Kết quả là, nguyên tử thiếu electron sẽ xuất hiện một trạng thái dương, tạo ra dòng điện.

Hình 2.7 Nguyên lý ho t đ ng c a pin n ng l ng m t tr i [5]

Khi các electron được phóng ra từ pin năng lượng mặt trời, chúng cần được dẫn vào một dòng điện để tạo ra một mạch cân bằng điện Sự cân bằng này được tạo ra bởi các nguyên tử silicon được sắp xếp trong một cấu trúc chắc chắn Bằng cách thêm một số lượng nhỏ các nguyên tử khác, silicon được chia thành hai loại: loại n (âm) và loại p (dương) Loại n chứa các nguyên tử nhóm V, trong khi loại p chứa các nguyên tử nhóm III Khi hai loại bán dẫn này kết hợp trong một pin năng lượng mặt trời, electron từ loại n sẽ di chuyển vào khoảng trống của loại p, tạo ra một điện trường Điều này dẫn đến việc silicon loại n mang điện tích dương và silicon loại p mang điện tích âm, tạo ra một điện trường trên pin năng lượng mặt trời Nhờ tính chất bán dẫn của silicon, quá trình này duy trì sự cân bằng điện Khi electron liên kết với nguyên tử silicon bị tách ra bởi photon trong ánh sáng mặt trời, chúng tạo ra dòng điện cho các thiết bị như máy tính và các thiết bị điện tử khác.

2.3.3 H th ng n ng l ng gió (WT)

Tuabin gió có th đ c thi t k đ ho t đ ng t c đ c đ nh ho c t c đ thay đ i Nhi u tuabin gió công su t th p đ c ch t o cho đ n nay đ c ch t o theo cái g i là

Khái niệm về tuabin gió đã phát triển mạnh mẽ từ những năm 80, với việc biến đổi năng lượng gió thành năng lượng điện thông qua máy cảm ứng Rotor của tuabin gió được kết hợp với máy phát để tạo ra điện năng Tùy thuộc vào điểm vận hành, tuabin này cần phải hoạt động một cách ổn định Hiện nay, các tuabin gió có công suất lớn từ 2-10 MW chủ yếu hoạt động theo nguyên lý điều khiển góc b blades để tối ưu hóa sản lượng điện Các tuabin gió này có thể phát triển bằng cách sử dụng hệ thống truyền động trực tiếp với máy phát PMSG, hoặc hệ thống máy phát điện cảm ứng kép (DFIG) kết nối với lưới điện thông qua bộ chuyển đổi năng lượng Dựa trên những khái niệm này, các thiết kế tuabin gió có thể được phân loại thành nhiều loại khác nhau.

- Tuabin gió lo i A: Tua bin gió t c đ c đnh k t n i tr c ti p v i l i đi n thông qua máy phát đi n c m ng l ng sóc

- Tuabin gió lo i B: Tuabin gió t c đ thay đ i m t ph n đ c k t n i tr c ti p v i l i đi n thông qua máy phát c m ng rotor dây qu n có đi n tr rotor thay đ i

- Tuabin gió lo i C: Tuabin gió t c đ thay đ i đ c k t n i tr c ti p v i l i đi n thông qua máy phát đi n c m ng c p ngu n kép đ c đi u khi n b ng b chuy n đ i đi n quy mô m t ph n

- Tuabin gió lo i D: Tuabin gió t c đ bi n đ i tr c ti p đ c k t n i v i l i đi n thông qua b bi n đ i đi n n ng toàn di n

Hình 2.11 Tuabin gió lo i D 2.3.4 H th ng l u tr n ng l ng (ESS)

Nhu cầu lưu trữ năng lượng ngày càng tăng đã thúc đẩy con người nghiên cứu các phương pháp lưu trữ năng lượng mới hiệu quả hơn và phù hợp cho các nhu cầu cụ thể Hệ thống lưu trữ năng lượng có thể được phân loại dựa trên chức năng, tác động, thời gian lưu trữ, dung năng lượng được lưu trữ, và nhiều yếu tố khác Việc phân loại ESS dựa trên dung năng lượng được trình bày trong tài liệu này Năng lượng có thể được lưu trữ dưới dạng điện hóa, hóa học hoặc nhiệt năng, cũng như dưới dạng động năng trong các hệ thống khác nhau Nó cũng có thể tích trữ năng lượng từ hai dạng khác nhau.

Hình 2.12 S đ phân lo i ESS theo d ng n ng l ng l u tr [8] a L u tr n ng l ng c h c

H th ng đi n t i đ o Phú Quý

Vào tháng 05/2019, Công ty Điện lực miền Nam đã chính thức đưa vào sử dụng công trình "Phát triển và hiện đại hóa hệ thống nguồn - lưới điện huyện đảo Phú Quý", đồng thời tổ chức lễ khánh thành cho dự án này tại huyện đảo Phú Quý, tỉnh Bình Thuận.

D án “Phát tri n và hi n đ i hóa h th ng ngu n - l i đi n huy n o Phú QuỦ” thu c

Chương trình Hỗ trợ phát triển chính sách cải cách ngành điện giai đoạn 3 (DPL3) được thực hiện với sự tài trợ của Ngân hàng Thế giới (WB) và nguồn vốn đối ứng từ Tổng Công ty Điện lực Miền Nam, với tổng mức đầu tư lên đến 271 tỷ đồng Dự án này do Tổng Công ty Điện lực Miền Nam làm chủ đầu tư và Công ty Điện lực Bình Thuận quản lý.

Dự án nhằm hiện đại hóa nguồn và lưới điện huyện Phú Quý, xây dựng và vận hành các nguồn năng lượng hiện đại, bao gồm kết hợp các nguồn Diesel-gió và năng lượng mặt trời, hướng tới hệ thống tích năng trong tương lai Đồng thời, dự án còn phát triển hệ thống nguồn và lưới điện đáp ứng nhu cầu điện ngày càng tăng cao trên huyện đảo, nâng cao độ tin cậy cung cấp điện 24/24 giờ, đảm bảo an toàn trong cung cấp điện, hiện đại hóa công tác kinh doanh điện và quản lý điều hành lưới điện, góp phần bảo đảm an ninh - quốc phòng huyện đảo, phục vụ kinh tế - xã hội tại huyện đảo tiên tiến.

Ngu n đi n cung c p cho huy n đ o Phú Quý hi n nay ch y u t ngu n đi n diesel và đi n gió bao g m [10]:

Nhà máy điện diesel có tổng công suất thiết kế 5MW, bao gồm 6 máy phát Cummins 500kW và 2 máy phát Perkins 1000kW Vào năm 2018, nhà máy đã được mở rộng với việc bổ sung thêm 5 máy phát diesel công suất 1000kW, nâng tổng công suất của toàn nhà máy lên 10MW.

- i n gió: t ng công su t 6MW, g m 3 turbine Vestas v i công su t m i turbine là 2MW

Hình 2.14 H th ng máy phát đi n Diesel c a đ o Phú Quý [ngu n: EVNSPC]

Hình 2.15 H th ng đi n gió đ o Phú Quý [ngu n: EVNSPC]

Vào tháng 01/2021, nhà máy điện mặt trời với công suất 806kWp đã chính thức đi vào hoạt động, giúp giảm tải cho hệ thống máy phát điện diesel trong ban ngày và chuyển sang sử dụng máy phát điện diesel vào ban đêm Nhà máy điện mặt trời huyện đảo Phú Quý cung cấp điện ổn định 24/24h, đáp ứng nhu cầu sinh hoạt, dịch vụ và sản xuất của người dân và doanh nghiệp, đồng thời góp phần phát triển kinh tế xã hội địa phương, đặc biệt trong lĩnh vực phát triển kinh tế biển, hoạt động tham quan du lịch, bảo vệ môi trường biển và gìn giữ vùng biển của Tổ quốc.

Hình 2.16 D án nhà máy đi n m t tr i t i đ o Phú Quý

Kể từ ngày 01/07/2014, nguồn cung điện cho huyện đảo Phú Quý được đảm bảo bởi nhà máy diesel và nhà máy phong điện, hoạt động 16 giờ mỗi ngày Sau ngày này, điện được cung cấp liên tục 24/24 giờ Tỷ lệ phát điện từ diesel và gió lần lượt là 65% và 35% Trong trường hợp tốc độ gió thấp hoặc quá cao kèm theo gió giật, máy phát turbine gió sẽ tách khỏi lưới, dẫn đến việc cung cấp điện chủ yếu từ máy phát diesel Do đó, việc cung cấp điện ổn định cho huyện đảo Phú Quý là rất cần thiết, như thể hiện trong Hình 2.17.

Trong giai đo n 2019-2029, d báo t c đ t ng tr ng ph t i hàng n m kho ng 8-10%

Hệ thống điện trên huyện đảo Phú Quý hiện nay hoạt động 24/24, luôn duy trì phát điện bằng diesel để đảm bảo nguồn điện ổn định và dự phòng quay (spinning reserve) cho các tình huống khi nguồn năng lượng gió biến động Để giảm thiểu tác động từ nguồn diesel, hệ thống Microgrid được áp dụng, trong đó có tích hợp hệ thống lưu trữ năng lượng (ESS - Energy Storage System) ESS giúp tích trữ năng lượng khi công suất của điện gió và năng lượng mặt trời vượt quá nhu cầu, đồng thời phát điện trở lại khi công suất từ nguồn năng lượng tái tạo không đủ Việc này không chỉ tối ưu hóa việc sử dụng năng lượng từ nguồn điện gió mà còn từ các nguồn năng lượng tái tạo khác.

Hình 2.18 L i đi n Microgrid s d ng cho huy n đ o Phú Quý

CH NG 3 MÔ HÌNH BÀI TOÀN T I U TRONG

Mô hình hóa các ph n t trong Microgrid

3.1.1 Máy phát Diesel (Diesel Generator - DG):

Máy phát điện diesel trong hệ thống Microgrid hoạt động như một nguồn điện dự phòng Nó bắt đầu hoạt động khi hệ thống lưu trữ năng lượng (ESS) được xác định sâu cho phép và giá trị công suất của nó ít nhất phải bằng tối thiểu trong đường công tải hàng ngày Mức tiêu thụ nhiên liệu của máy phát diesel phụ thuộc vào công suất định mức của máy phát và công suất đầu ra thực tế mà nó cung cấp Sử dụng đường công tiêu thụ nhiên liệu do nhà sản xuất cung cấp là cách chính xác để tính toán mức tiêu thụ nhiên liệu mà máy phát diesel cung cấp Các nhà sản xuất thường đưa ra giá trị tiêu thụ nhiên liệu công suất định mức mà không bao gồm đường công tiêu thụ nhiên liệu Do đó, công thức bên dưới được sử dụng để tính toán mức tiêu thụ nhiên liệu của máy phát điện diesel (L/h).

Trong các mô hình khác nhau đ c nêu trong bài báo [13], m t m i quan h tuy n tính đ c gi đnh gi a m c tiêu th nhiên li u DG (fuelcons) và s n l ng DG t ng ng

V m t toán h c, nó đ c đ nh ngh a là:

- F0 : H s ch n đ ng cong nhiên li u (fuel curve intercept coefficient) - 0,246 L/h/kWrated

- F1 : H s góc đ ng cong nhiên li u (fuel curve slope coefficient) – 0,08145 L/h/kW

- PDG,r : Công su t đnh m c c a DG

- PDG : Công su t t c th i c a DG

3.1.2 Tuabin gió (Wind Turbine ậ WT):

Công su t WT sinh ra t n ng l ng gió tích l y trong cánh qu t tuabin, ph thu c h s công su t Cpvà đ c xác đ nh b ng công th c [14]: v i:

- R : Bán kính cánh qu t gió (m)

Hình 3.1 ng P(v) d ng t ng quát

Ta có đ ng đ c tính công su t theo t c đ gió nh Hình 3.1 Trên đ ng đ c tính v n hành có 4 vùng chính:

- Vùng I, t c đ gió nh h n t c đ kh i đ ng VD c a tuabin Trong tr ng h p này tuabin gió không ho t đ ng và không phát đi n

- Vùng II, có t c đ gió trong kho ng (VD, VN) ng v i vùng có th t i u v bi n đ i n ng l ng ây là vùng mà s thay đ i t c đ r t c n đ nh n đ c công su t l n nh t có th

Vùng III có công suất gió tiềm năng, nhưng công suất của tuabin bị giới hạn bởi công suất danh định PN Để khai thác hiệu quả nguồn gió tại danh định VN, cần xem xét kích thước, công suất máy phát và sự bền bỉ của cấu trúc Việc này sẽ giúp tối ưu hóa sản lượng điện sản xuất, đảm bảo không bù lỗ cho chi phí ban đầu.

- Vùng IV, khi t c đ gió v t quá t c đ c c đ i mà tuabin có th chu đ ng thì tuabin s đ c d ng b i h th ng d ng kh n c p đ b o v h h ng ph n c

3.1.3 Pin quang đi n (Photovoltaic - PV):

Mô ph ng hàng gi c a h th ng pin quang đi n (PV) đ c th c hi n thông qua ph ng trình sau theo [15]:

- PPV : Công su t đ u ra c a h th ng PV (W)

- PV, STC : Hi u su t c a mô-đun PV đi u ki n tiêu chu n (STC) (%)

- TSTC : Nhi t đ đi u ki n tiêu chu n (25°C)

- NOCT : Nhi t đ v n hành bình th ng (°C)

- APV : Di n tích l p đ t PV (m 2 ) liên quan đ n công su t đ nh

Tổng bức xạ mặt trời (GG,t) tính bằng W/m² phụ thuộc vào bức xạ ngang, hướng bề mặt và bao gồm ba thành phần chính: bức xạ chùm tia trực tiếp (Beam radiation) - GB,t (W/m²) và bức xạ khuếch tán (Diffuse radiation) - GD,t.

(W/m 2 ) và b c x ph n x (Reflected radiation) GR,t (W/m 2 ), công th c đ c th hi n nh sau [15]:

Thành ph n b c x chùm tia tr c ti p có th đ c tính toán t b c x ngang (Horizontal radiation) thông qua ph ng trình sau đây đ c trình bày trong [15]:

- GG,h : B c x theo ph ng ngang (W/m 2 )

- GD,h : B c x khu ch tán theo ph ng ngang (W/m 2 )

Thành ph n khu ch tán: cos

Thành ph n ph n x đ c bi u di n nh sau: cos

Trong đó: g là h s ph n x , đ i v i m t ph ng c là 0.02

Thiên đ là góc hạ bì trong mặt phẳng xích đạo, liên quan đến độ nghiêng của trục trái đất so với mặt phẳng quỹ đạo quanh mặt trời, với biên độ thiên trong khoảng +/- 23.45˚ Thiên đ được xác định thông qua hàm sin theo ngày.

Hình 3.2 Hình nh mô t thiên đ

B ng 1 Thiên đ c a ngày 21 hàng tháng

Ph ng trình gi m t tr i (Solar time -ST):

- LT : Kinh đ chu n gi a múi gi

Góc gi H - là góc c n đ trái đ t quay cho đ n khi m t tr i n m ngay trên đ ng kinh đ mà b n đang đ ng N u xem trái đ t quay m t góc 15 o /gi thì:

3.1.5 H th ng l u tr n ng l ng (ESS-Energy Storage System)

Mô hình pin tính toán tr ng thái tích đi n c a pin SOCbattheo hai ph ng trình s c và x t ng ng sau đây [16]:

- : Hi u su t c a h th ng BESS

Cách thức hoạt động được thể hiện trong Hình 3.3, trong đó so sánh sản lượng điện từ các tuabin gió với nguồn phát Nếu sản lượng điện vượt quá, hệ thống lưu trữ năng lượng (ESS) sẽ được sạc Ngược lại, nếu sản lượng điện thấp và ESS được sạc đầy, điện sẽ được tiêu thụ trong hệ thống nội bộ hoặc xuất ra bên ngoài Khi sản lượng điện tái tạo không đủ, cần có quy trình phát điện bổ sung Nếu sản lượng điện tái tạo không đủ và quy trình được kích hoạt, phát điện sẽ được đáp ứng bằng cách sử dụng máy phát điện dự phòng hoặc lưới điện.

Hàm m c tiêu

Mô hình t i u hóa t i đa hóa đ tin c y c a h th ng REL (%) và đ ng th i gi m thi u chi phí vòng đ i LCC (US $) REL và LCC đ c đ a ra b i [17]:

3.2.1 Hàm m c tiêu đ tin c y (REL) c a h th ng: max max

Tình tr ng s c (SoC) c a ESS

Tình tr ng s c (SoC) c a ESS

Trong đó: HSL là s gi các ngu n n ng l ng tái t o v i s h tr c a ESS có th đáp ng t i trong n m (gi )

3.2.2 Hàm m c tiêu chi phí vòng đ i LCC: min min

- ICC : chi phí v n ban đ u c a h th ng (US$)

- dn : kh u hao hàng n m (US$)

- at : hàng n m chi phí b o trì và v n hành (US $)

- r : đ c p đ n vi c thay th th r v i t ng s R thay th trong su t th i gian t n t i c a d án

- ICCc : chi phí đ u t c a thành ph n c-th s đ c thay th (US $)

- lc : tu i th c a thành ph n th c s đ c thay th (n m)

ICCc và lclà vect c a các thành ph n th c, trong đó t ng s c a thay th R là hàm c a th i gian t n t i c a s l ng các thành ph n đ c thay th Hàm c a th i gian t n t i c a các thành ph n được đ a ra b i ph ng trình cho H th ng PV.

Trong đó, là hàm Matlab® làm tròn m t s đ n s nguyên nh h n ti p theo Có tính đ n giá tr còn l i, ph ng trình trên tránh th c hi n thay th cu i cùng c a h th ng

PV t ng ng v i vòng đ i cu i c a d án, đ c gi đnh b ng v i vòng đ i c a h th ng PV T ng s l n thay th (R) cho các thành ph n khác đ c thay th đ c cho m t cách b o toàn b ng ph ng trình sau:

Kh u hao đư đ c gi đ nh là đ ng th ng và giá tr t n d ng b ng 10% ICC

3.2.3 Các ràng bu c đ i v i các hàm m c tiêu: a Cân b ng công su t c a h th ng

T i th i đi m t, n u: ≤ 0 Công su t c a h th ng máy phát Diesel đ c tính nh sau:

Trong tr ng h p ng c l i, ≥ 0 Công su t c a h th ng máy phát Diesel b ng 0

- : Công su t máy phát Diesel t i th i đi m t

- : Công su t h th ng n ng l ng gió t i th i đi m t

- : Công su t h th ng n ng l ng m t tr i t th i đi m t

- : Công su t h th ng l u tr n ng l ng t i th i đi m t

Quy c d ng n u h th ng ESS x n ng l ng vào h th ng, âm n u ESS ti n hành quá trình s c (nh n n ngl ng t h th ng) b Gi i h n s c ậ x c a h th ng ESS

H th ng ESS cho phép x đ n SOCmin = 10% và s c đ n SOCmax = 100%

- DOD : M c x sâu c a h th ng ESS

- : Công su t c a h th ng ESS t i th i đi m t-1

- : Công su t c a h th ng ESS t i th i đi m t

- : Công su t c a h th ng ESS

CH NG 4 THU T TOÁN DI TRUY N

Thu t toán di truy n

Giải thuật di truyền (GA) do J.H Holland phát triển vào năm 1975 là một phương pháp tìm kiếm tối ưu dựa trên nguyên tắc tiến hóa và quy luật di truyền của sinh vật trong tự nhiên Bản chất toán học của GA là một giải thuật tìm kiếm dựa trên xác suất.

Gi i thu t di truy n là m t gi i thu t d a trên c ch c a ch n l c ti n hoá trong t nhiên

Trong môi trường sống, một tập hợp các sinh vật được tạo ra bằng cách lai ghép những nhân tố thích nghi nhất với môi trường của những sinh vật trong thế hệ cùng với sự xuất hiện đột biến ngẫu nhiên của các cá thể trong thế hệ mới Quá trình tiến hóa thể hiện tính tự điều chỉnh, thế hệ sau bao giờ cũng phát triển hoàn thiện hơn thế hệ trước.

Ti n hóa t nhiên đ c duy trì nh hai quá trình c b n: sinh s n và ch n l c t nhiên

Giải thuật di truyền bắt đầu với một quần thể ngẫu nhiên có các chuỗi, sau đó sao chép các chuỗi theo hướng dẫn đến cái tốt, ghép cặp và biến đổi các chuỗi con thành phần, nhằm tối ưu hóa giá trị mục tiêu đã đặt ra.

Hình 4.2 L u đ th c hi n thu t toán di truy n

S đ th c hi n gi i thu t di truy n:

1 Kh i t o m t qu n th ban đ u (các đáp án ban đ u c a bài toán)

2 Xác đnh giá tr hàm m c tiêu (fitness) cho m i cá th trong qu n th

Để tạo ra các đột biến trong quá trình tiến hóa, phương pháp lai ghép chéo (crossover) giữa các cá thể hiện tại có chọn lọc (selection) đóng vai trò quan trọng, giúp phát sinh những đặc điểm mới một cách ngẫu nhiên.

4 Các cá th trong qu n th m i sinh ra đ c thay th cho các cá th trong qu n th c

Nhu cầu điều kiện thực thi giải thuật động là rất cao và thường xuyên thay đổi theo giá trị hàm mục tiêu của nó Nếu không đáp ứng được, cần quay lại bước trước Đây là sự áp dụng chung nhất cho rất nhiều loại bài toán sử dụng giải thuật di truyền.

Xây d ng thu t toán

Thuật toán di truyền (GA) được phát triển trên nền tảng Matlab nhằm giải quyết các vấn đề liên quan đến tối ưu hóa Thuật toán này bao gồm hai chức năng cơ bản: một là tối ưu hóa, sử dụng thuật toán di truyền, và hai là mô phỏng, áp dụng hàm chi phí cho một giải pháp thiết kế cụ thể Các mục tiêu chính mà thuật toán hướng đến là hàm chi phí và độ tin cậy, trong đó độ tin cậy được định nghĩa là sản lượng tối thiểu mà tại điểm cung cấp hoàn toàn bằng năng lượng gió, năng lượng mặt trời và năng lượng từ pin, cùng với chi phí vòng đời Bao gồm sáu biến quyết định: nghiêng PV, góc phương vị PV, và công suất lắp đặt.

PV (W), chi u cao tuabin gió, công su t l p đ t tuabin gió (W) và công su t l p đ t ESS (W) [19]

Tôi đã thực hiện một số sửa đổi đối với thuật toán Việc thêm giới hạn trên và giới hạn dưới cho tổng biến quyết định, giá trị đầu vào, kích thước quần thể và số thế hệ giúp tôi điều chỉnh phạm vi biến quyết định và giảm thiểu thời gian thực thi bằng cách chạy số thế hệ cần thiết để có được một bộ Pareto nhất định.

Hàm gamultiobj sử dụng để tối ưu hóa đa mục tiêu trên mặt phẳng Pareto, kết hợp với thuật toán di truyền NSGA-II Thuật toán di truyền này duy trì những cá thể có giá trị thích nghi tốt nhất, giúp cải thiện tính đa dạng của quần thể ngay cả khi các cá thể có giá trị thích nghi thấp.

H u h t các thu t ng đ c s d ng cho hàm gamultiobj đ u gi ng v i Thu t ng GA Tuy nhiên, có m t s đi u kho n b sung, đ c mô t trong ph n này

Tínhă uăth (Dominance) - i m x chi m u th đ i v i đi m y đ i v i hàm m c tiêu có giá tr vect f khi:

Thu t ng "th ng tr " ("dominate" ) t ng đ ng v i thu t ng "kém h n:" ("inferior:") x th ng tr y chính xác khi y kém x

T p h p không b chi ph i (non-dominated) trong s t p h p các đi m P là t p h p các đi m Q thu c P không b chi ph i b i b t k đi m nào trong P

Cấp độ (Rank) trong hệ thống phân loại cá thể có ý nghĩa quan trọng trong việc xác định vị trí của một cá thể trong mối quan hệ với các cá thể khác Các cá thể cấp 1 không phải chịu trách nhiệm cho bất kỳ cá thể nào khác, trong khi các cá thể cấp 2 chỉ phải chịu trách nhiệm cho các cá thể cấp 1 Nói chung, các cá thể cấp k không chịu trách nhiệm cho các cá thể cấp k-1 hoặc cấp thấp hơn.

Hình 4.3 Hình nh minh h a cho C p (Rank)

Nh ng cá th có c p th p h n có c h i đ c l a ch n cao h n (c p th p h n s t t h n).

Tất cả các cá thể kém cạnh tranh đều có cấp độ thấp hơn bất kỳ cá thể cạnh tranh nào Trong tập hợp các cá thể cạnh tranh, cấp độ được xác định theo thước đo khả năng cạnh tranh, đồng thời cấp độ cao nhất sẽ dành cho các cá thể có khả năng cạnh tranh tốt nhất.

Thu t toán gamultiobj s d ng c p đ ch n cha m

Khoảng cách đông đúc (Crowding Distance) là thước đo mức độ gần gũi của một cá thể so với những cá thể khác trong cùng một cấp độ Thuật toán GA-Multiobj sử dụng khoảng cách để xác định vị trí của các cá thể có cùng cấp Theo định nghĩa, thuật toán này đo khoảng cách trong không gian hàm mục tiêu Tuy nhiên, bạn cũng có thể đo khoảng cách trong không gian biên quy tắc (còn gọi là không gian biên thiết kế) bằng cách đặt tùy chọn DistanceMeasureFcn thành {@distancecrowding, 'genotype'}.

Thuật toán tính toán độ khoáng cách của các cá thể tại các vị trí cực biên là Inf Đối với các cá thể còn lại, thuật toán tính toán khoảng cách di động dựa trên các kích thước cụ thể của khoảng cách tuyệt đối, chuẩn hóa giữa các hàng xóm được sắp xếp của cá thể Nói cách khác, đối với thể nguyên mẫu và các hàng xóm sắp xếp, chia tỉ lệ riêng lẻ.

Thuật toán sắp xếp tầng nguyên riêng biệt có nghĩa là xác định hàng xóm trong mỗi tầng nguyên Các cá thể cùng cấp có khoảng cách cao hơn sẽ được ưu tiên hơn (khoảng cách càng cao càng tốt) Bạn có thể chọn một thuộc đo khoảng cách đông đúc khác với chức năng @distancecrowding Khoảng cách đông đúc là yếu tố quan trọng trong việc tính toán mục tiêu chênh lệch, là một phần của tiêu chí đánh giá Khoảng cách đông đúc cũng được sử dụng như một yếu tố quyết định trong lựa chọn giải đầu, khi hai cá nhân được chọn có cùng cấp chênh Chênh (Spread) là thước đo chuyển động của tập Pareto Để tính toán chênh, thuật toán gamultiobj trước tiên đánh giá, đó là chuẩn của thước đo khoảng cách tập trung của các điểm nằm trên một mặt trượt Pareto với khoảng cách hữu hạn Q là số điểm này và d là số đo khoảng cách trung bình giữa các điểm này Sau đó, thuật toán đánh giá tổng hợp các hàm mục tiêu của chuẩn khác biệt giữa điểm Pareto và điểm tối thiểu cho chuẩn đó trong lần lặp trước đó Chênh được biểu diễn như sau: chênh là nhỏ khi các giá trị của hàm mục tiêu không thay đổi nhiều giữa các lần lặp (nghĩa là nhỏ) và khi các điểm trên một mặt trượt Pareto được triệt tiêu (nghĩa là nhỏ) Thuật toán gamultiobj sử dụng chênh trong điều kiện động Việc lặp lại sử dụng lặp lại khi chênh không thay đổi nhiều và chênh cuối cùng nhỏ hơn mức trung bình của các chênh trước đó.

Hàm gamultiobj bắt đầu bằng cách tạo ra một tập hợp ban đầu thông qua tùy chọn InitialPopulationMatrix Số lượng cá thể trong quần thể được xác định bởi giá trị của tùy chọn Kích thước quần thể Theo mặc định, gamultiobj tạo ra một tập hợp khả thi đối với các giới hạn và ràng buộc tuyến tính, nhưng không nhất thiết phải khả thi với các ràng buộc phi tuyến Thuật toán tạo mẫu mặc định là @gacreationuniform khi không có ràng buộc hoặc chỉ có ràng buộc tuyến tính, và @gacreationlinearfeasible khi có ràng buộc phi tuyến hoặc phi tuyến tính Gamultiobj đánh giá hàm mục tiêu và các ràng buộc đối với tập hợp, đồng thời sử dụng các giá trị đó để tối ưu hóa tập hợp.

S l p l i chính c a h gamultiobj di n ra nh sau.

B c 1: Ch n b m cho th h ti p theo b ng cách s d ng ch c n ng l a ch n trên qu n th hi n t i Ch c n ng l a ch n tích h p duy nh t có s n cho gamultiobj là gi i đ u nh phân B n c ng có th s d ng m t ch c n ng l a ch n tùy ch nh.

- B c 2: T o con t các c p b m đư ch n b ng cách gây đ t bi n và lai chéo

- B c 3: Cho đi m tr em b ng cách tính toán các giá tr hàm m c tiêu và tính kh thi c a chúng

- B c 4: K t h p dân s hi n t i và tr em thành m t ma tr n, dân s m r ng

- B c 5: Tính phân c p và kho ng cách đông đúc cho t t c các cá th trong qu n th m r ng

- B c 6: C t b t qu n th m r ng đ có các cá th Kích th c qu n th b ng cách gi l i s l ng cá th thích h p c a m i c p b c

Khi bài toán có các ràng bu c s nguyên ho c tuy n tính (bao g m c các gi i h n), thu t toán s đi u ch nh s ti n hóa c a t ng th

Các đi u ki n d ng sau đ c áp d ng M i đi u ki n d ng đ c liên k t v i m t tín hi u thoát

B ng 2 Gi i thích các đi u ki n d ng c a thu t toán

Giá trị trung bình hình học của một số thay đổi theo thời gian và giá trị của nó có sự chênh lệch trên các tùy chọn khác nhau Các tham số như MaxStallGenerations và FunctionTolerance ảnh hưởng đến các tùy chọn này, với mức chênh lệch cuối cùng liên quan đến giá trị trung bình trong các tùy chọn trước đó.

-2 Không tìm th y đi m kh thi

4.2.6 Ràng bu c s nguyên và tuy n tính

Khi m t bài toán có các ràng bu c s nguyên ho c tuy n tính (bao g m c các gi i h n), thu t toán s đi u ch nh s phát tri n c a t ng th

Khi một đề có các ràng buộc nguyên và tuyên tính, phần mềm sẽ tự động tạo thành các khả thi đối với các ràng buộc đó Bạn có thể sử dụng bất kỳ hàm toán học, đột biến hoặc chéo nào và toàn bộ ngữ văn khả thi đối với các ràng buộc nguyên và tuyên tính.

Khi giải bài toán có các ràng buộc tuy nhiên là ngẫu nhiên, việc duy trì tính khả thi của các cá nhân đối với các ràng buộc đó là rất quan trọng Để làm điều này, cần sử dụng các hàm tạo, đột biến và giao phối nhằm đảm bảo tính khả thi Nếu không thực hiện đúng, dân số có thể trở nên không khả thi và kết quả có thể không đạt yêu cầu Các toán tử như gacreationlinearfeasible hoặc gacreationnonlinearfeasible cho phép tạo ra các cá nhân khả thi, trong khi mutationadaptfeasible và crossoverinter giúp duy trì tính khả thi trong quá trình giao phối.

Các thuật toán nội bộ cho tính khả thi của số nguyên và tuyến tính thường thay thế nhau Khi một bài toán có các ràng buộc về số nguyên và tuyến tính, thuật toán đầu tiên sẽ tạo ra các điểm khả thi tuyến tính Sau đó, thuật toán sẽ cố gắng thỏa mãn các ràng buộc số nguyên bằng cách làm tròn các điểm khả thi tuyến tính thành các số nguyên thông qua phép tính toán cận gi Nếu quá trình này không thành công trong việc thu được điểm khả thi để xây dựng một tập hợp hợp lệ, thuật toán gợi ý intlinprog sẽ tìm thêm các điểm khả thi liên quan đến giới hạn, ràng buộc tuyến tính và ràng buộc số nguyên.

Sau khi các thành viên mới trong nhóm được bổ sung, các thuật toán đảm bảo rằng các thành viên này là nguyên vẹn và tính ngẫu nhiên được thực hiện thông qua các bước tương tác Mỗi thành viên mới sẽ được xác định, và nếu cần, sẽ điều chỉnh theo giá trị ban đầu của nó, đồng thời đáp ứng các ràng buộc và giới hạn về tính nguyên vẹn và tính ngẫu nhiên.

Mô t v các mô hình

Các mô hình được xây dựng bằng phần mềm Matlab, được thể hiện qua các hình từ Hình 4.4 đến Hình 4.7 Những mô hình này có thể được sử dụng cho việc mô phỏng và tối ưu hóa hệ thống hybrid, bao gồm mô hình hybrid PV-Wind-ESS-Diesel Mối quan hệ giữa các mô hình và tối ưu hóa cùng các tập liên quan được mô tả chi tiết trong các mục 4.3.1 và 4.3.2.

Hình 4.4 L u đ thu t toán h th ng máy phát Diesel

Nh p các thông s đ u vào t Input.xls

T o b ng giá tr công su t Diesel theo gi

Nh p giá tr công su t

Diesel đư tiêu th trong

Tính toán chi phí đ u t ban đ u (ICC) i = 1 n = project time

Tính toán gi m thu do kh u hao (D)

Tính toán chi phí v n hành (A)

Tính toán chi phí thay th (R) i = n ?

Tính toán chi phí còn l i

Tính toán chi phí vòng đ i d án:

Hình 4.5 L u đ thu t toán mô hình h th ng n ng l ng m t tr i

Nh p các thông s đ u vào t Input.xls

T o b ng giá tr công su t PV theo gi

Nh p giá tr công su t

Tính toán công su t đ u ra c a PV

Tính toán chi phí đ u t ban đ u (ICC) i = 1 n = project time

Tính toán gi m thu do kh u hao (D)

Tính toán chi phí v n hành (A)

Tính toán chi phí thay th (R) i = n ?

Tính toán chi phí còn l i

Tính toán chi phí vòng đ i d án:

Hình 4.6 L u đ thu t toán mô hình h th ng n ng l ng gió

Nh p các thông s đ u vào t Input.xls

T o b ng giá tr công su t tuabin gió theo gi

Nh p giá tr công su t tuabin gió đ u ra theo gi

Tính toán công su t đ u ra c a tuabin gió

Tính toán chi phí đ u t ban đ u (ICC) i = 1 n = project time

Tính toán gi m thu do kh u hao (D)

Tính toán chi phí v n hành (A)

Tính toán chi phí thay th (R) i = n ?

Tính toán chi phí còn l i

Tính toán chi phí vòng đ i d án:

Hình 4.7 L u đ thu t toán c a mô hình h th ng l u tr n ng l n

Tính toán gi m thu do kh u hao (D)

Tính toán chi phí v n hành (A)

Tính toán chi phí thay th (R) i = n ?

Tính toán chi phí còn l i

Tính toán chi phí vòng đ i d án:

Tính toán chi phí đ u t ban đ u (ICC) i = 1 & n = project time

PESS(t-1)-Preq(t)≥PESS0? PESS(t-1)-Preq(t)≤min(PESS)?

Nh p các thông s đ u vào t Input.xls

T o b ng giá tr công su t ESS theo gi

4.3.1 Ch đ mô ph ng (Simulation)

Trong mô phỏng, 'Simulation.m' được sử dụng để xử lý dữ liệu đầu vào từ bảng MS Excel có tên là 'Input' Phần đầu tiên của mô phỏng là nơi các biến như Góc nghiêng và Góc phương vị được khai báo và gán giá trị Cuối cùng, quá trình mô phỏng bắt đầu với các chức năng cần thiết được giới thiệu trong phần Modules.

Quá trình mô phỏng năng lượng bao gồm việc sản xuất năng lượng từ quang điện thông qua chức năng 'RadiationCalculation' và 'Power_lcc_pv', đồng thời lượng điện từ năng lượng gió được tính toán bằng hàm 'Power_lcc_wind' Cấu hình sản lượng điện tái tạo, kết hợp với dung lượng ESS, được đưa vào chức năng 'Operation_strategy' Mô phỏng diễn ra trong 8760 giờ, tương ứng với một năm, và xuất ra trạng thái ESS (SoC) của các cấu hình đã chọn Cuối cùng, hệ thống và chi phí vòng đời được tính toán bổ sung và kết thúc mô phỏng.

Hình 4.8 L u đ c a mô hình thu t toán Simulation 4.3.2 Ch đ t i u hóa (Optimization)

Trong quá trình tối ưu hóa, 'Optimization.m' được sử dụng kết hợp với 'Simulation.m', với phần đầu tiên liên quan đến việc nhập dữ liệu từ MS Excel Phần thứ hai thực hiện tối ưu hóa thông qua thuật toán di truyền (GA) Trong quá trình này, hàm fitness là 'Simulation_for_optimization', được gọi bởi GA, nhằm xác định các biến quan tâm và các mục tiêu cần tối ưu hóa Dữ liệu đầu vào từ phần này được cung cấp cho chức năng fitness Chức năng fitness tương ứng với phần thứ ba của ‘Simulation.m’, ngoài ra nó cũng là một chức năng độc lập không phải là phần của tập lệnh Quá trình mô phỏng trong chức năng fitness cũng tương tự như ‘Simulation.m’.

Hình 4.9 L u đ mô hình thu t toán Optimazation

CH NG 5 K T QU VÀ NH N XÉT ÁNH GIÁ

D li u đ u vào

Dữ liệu được trích xuất từ phần mềm Pvsyst 7.2.11 trong khoảng thời gian từ 01/01/1990 đến 31/12/1990, với tần suất lấy mẫu 60 phút/mẫu Vị trí thu thập dữ liệu tọa lạc tại 10,5081° Bắc, 108,9568° Đông, nằm trong khu vực dự án nhà máy điện mặt trời thuộc xã Tam Thanh, huyện Phú Quý, tỉnh Bình Thuận.

D li u t c đ gió đ c trích xu t t ph n m m Windographer 5.1.0, ngu n MERRA2 t i đ cao 50m, v trí cách d án nhà máy đi n gió đ o Phú Quý kho ng 20km v h ng Tây Nam

Lu n v n s d ng giá tr công su t ph t i yêu c u v i ph t i c c đ i và c c ti u l n l t là Pmax = 3500 kW, Pmin = 1510 kW đ c nêu trong [12] đ già đ nh l i nhu c u ph t i trong m t n m (8760 gi ) c a huy n đ o Phú Quý

Hình 5.1 V trí thu th p d li u gió so v i d án đi n gió đ o Phú Quý [Google Earth]

Các thông s d li u tài chính đ c mô t trong b ng d i đây.

Theo [22], th i đi m n m 2022 su t đ u t cho các d án đi n gió kho ng 2 tri u đô la

Mô hình đầu tư điện mặt trời áp mái (công suất