BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH NGUYỄN TRUNG TÂM PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN SỬ DỤNG GIẢI THUẬT SFO Ngành KỸ THUẬT ĐIỆN Mã ngành 8520201 LUẬN VĂN THẠC.
BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH NGUYỄN TRUNG TÂM PHÂN BỐ TỐI ƯU CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN SỬ DỤNG GIẢI THUẬT SFO Ngành: KỸ THUẬT ĐIỆN Mã ngành: 8520201 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, NĂM 2022 Cơng trình hồn thành Trường Đại học Cơng nghiệp TP Hồ Chí Minh Người hướng dẫn khoa học: Tiến sĩ Dương Thanh Long Luận văn thạc sĩ bảo vệ Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại học Cơng nghiệp thành phố Hồ Chí Minh ngày 29 tháng 10 năm 2022 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: TS Trần Thanh Ngọc - Chủ tịch Hội đồng PGS TS Võ Ngọc Điều - Phản biện PGS TS Nguyễn Hùng - Phản biện TS Trần Nhật Nam - Ủy viên TS Lê Văn Đại - Thư ký (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Nguyễn Trung Tâm MSHV: 19000301 Ngày, tháng, năm sinh: 20/08/1991 Nơi sinh: Dak Lak Ngành: Kỹ thuật điện Mã ngành: 8520201 I TÊN ĐỀ TÀI: Phân bố tối ưu công suất hệ thống điện sử dụng giải thuật SFO II NHIỆM VỤ VÀ NỘI DUNG: - Tìm hiểu lý thuyết tốn OPF giải thuật SFO - Ứng dụng chương trình phần mềm matlab - Tiến hành so sánh với kết thuật toán khác III NGÀY GIAO NHIỆM VỤ: Ngày 08 tháng 04 năm 2021 IV NGÀY HOÀN THÀNH NHIỆM VỤ: Ngày 08 tháng 11 năm 2022 V NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Dương Thanh Long Tp Hồ Chí Minh, ngày … tháng … năm 20 … NGƯỜI HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TS Dương Thanh Long TRƯỞNG KHOA CÔNG NGHỆ ĐIỆN LỜI CẢM ƠN Trong suốt thời gian học tập vừa qua với giúp đỡ tận tình Q thầy Khoa công nghệ Điện, Trường Đại học Công Nghiệp Thành phố Hồ Chí Minh giúp cho tơi tích lũy vốn kiến thức vơ q giá, bổ ích cần thiết Sau khoảng thời gian tìm hiểu, nghiên cứu, lên phương án tiến hành thực hoàn thành luận văn: “Phân bố tối ưu công suất hệ thống điện sử dụng giải thuật SFO”, kết mà tơi có nhờ giúp đỡ, bảo tận tình Q Thầy Cơ khoa công nghệ Điện Đặc biệt xin gửi lời cảm ơn chân thành đến giảng viên hướng dẫn: TS Dương Thanh Long giúp đỡ, hướng dẫn giúp đỡ tơi hồn thành luận văn Trong q trình thực luận văn cịn thiếu xót, tơi rất mong Q Thầy Cơ góp ý để tơi hoàn thiện nghiên cứu sau Xin kính chúc sức khỏe chân thành cảm ơn./ i TÓM TẮT LUẬN VĂN THẠC SĨ Tối ưu hố phân bố cơng śt (OPF) mợt toán quan trọng vận hành hệ thống điện, đặc biệt thị trường điện Đây một tốn phi tuyến, rời rạc rất khó giải phương pháp thông thường Trong năm gần đây, nhiều phương pháp tìm kiếm tối ưu Heuristic áp dụng cho thấy hiệu việc tìm lời giải tối ưu cho tốn OPF Luận văn trình bày áp dụng giài thuật SFO để giải toán phân bố tối ưu công suất hệ thống điện Kết mô kiểm chứng hệ thống IEEE 30 nút với hàm mục tiêu khác bao gồm phí phát điện, khí thải, tổn thất cơng śt thực, đợ lệch điện áp nút nâng cao ổn định điện áp Kết mô so sánh với giải thuật PSO, GA AEO cho thấy độ mạnh hiệu giải thuật để suất việc tìm kiếm lới giải tối ưu ii LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa cơng bố bất kỳ cơng trình khác Việc tham khảo nguồn tài liệu thực trích dẫn ghi nguồn tài liệu tham khảo theo yêu cầu Học viên Nguyễn Trung Tâm iii MỤC LỤC LỜI CẢM ƠN i TÓM TẮT LUẬN VĂN THẠC SĨ ii LỜI CAM ĐOAN iii MỤC LỤC iv DANH MỤC HÌNH ẢNH vi DANH MỤC BẢNG BIỂU vi DANH MỤC TỪ VIẾT TẮT viii MỞ ĐẦU 1 Giới thiệu đề tài .1 Đặt vấn đề .2 Lý chọn đề tài .2 Mục tiêu Đối tượng phạm vi nghiên cứu Cách tiếp cận phương pháp nghiên cứu .3 Thời gian thực CHƯƠNG TỔNG QUAN BÀI TỐN PHÂN BỐ CƠNG SUẤT TỐI ƯU TRONG HỆ THỐNG ĐIỆN .4 1.1 Bài tốn phân bố cơng suất tối ưu (OPF) 1.2 Các phương pháp áp dụng để giải toán OPF .4 1.2.1 Phương pháp cổ điển .4 CHƯƠNG ứng DỤNG GIẢI THUẬT SFO ĐỂ GIẢI BÀI TOÁN OPF TRONG HỆ THỐNG ĐIỆN 12 2.1 Mục tiêu toán OPF 12 2.2 Hàm mục tiêu 12 2.2.1 Cực tiểu chi phí phát điện .13 2.2.2 Giảm thiểu khí thải 13 2.2.3 Giảm thiểu tổn thất công suất tác dụng 13 2.2.4 Giảm thiểu độ lệch điện áp 13 2.2.5 Tăng cường cải thiện độ ổn định điện áp 13 iv 2.3 Các ràng buộc sử lý ràng ḅc tốn OPF 14 2.3.1 Các ràng buộc đẳng thức .14 2.3.2 Các ràng buộc bất đẳng thức 15 2.3.3 Xử lý ràng ḅc tốn OPF 16 2.4 Chi phí của nhà máy điện gió nhà máy điện mặt trời 17 2.4.1 Chi phí nhà máy gió .17 2.4.2 Chi phí nhà máy điện mặt trời 19 2.5 Ứng dụng thuật toán SFO để giải toán OPF 21 CHƯƠNG KẾT QUẢ MÔ PHỎNG TRÊN HỆ THỐNG ĐIỆN CHUẨN IEEE 30 BUS .25 3.1 Hệ thống IEEE 30 bus chưa có nguồn lượng tái tạo 25 3.2 Các kịch mô 28 3.3 Hệ thống IEEE 30 bus có nguồn lượng tái tạo .43 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 54 TÀI LIỆU THAM KHẢO 55 PHỤ LỤC .59 LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN 65 v DANH MỤC HÌNH ẢNH Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình 2.1 Hoa hướng dương 21 2.2 Lưu đồ trình tự áp dụng giải thuật SFO để giải toán OPF 24 3.1 Sơ đồ hệ thống IEEE 30 nút 25 3.2 Đặc tính hợi tụ mục tiêu cực tiểu chi phí 29 3.3 Điện áp 30 nút trường hợp cực tiểu tổng chi phí máy phát 29 3.4 Độ lệch chuẩn trường hợp Cực tiểu tổng chi phí máy phát 30 3.5 Đặc tính hợi tụ mục tiêu cực tiểu tổng khí thải 32 3.6 Điện áp 30 nút trường hợp cực tiểu tổng khí thải .32 3.7 Độ lệch chuẩn kịch cực tiểu tổng khí thải 33 3.8 Đặc tính hợi tụ mục tiêu cực tiểu tổn thất 35 3.9 Điện áp 30 nút trường hợp cực tiểu tổn thất công suất thực .35 3.10 Độ lệch chuẩn kịch cực tiểu tổn thất công suất thực 36 3.11 Đặc tính hợi tụ mục tiêu cực tiểu độ lệch điện áp 38 3.12 Điện áp 30 nút trường hợp cực tiểu độ lệch điện áp .38 3.13 Độ lệch chuẩn kịch cực tiểu độ lệch điện áp .39 3.14 Đặc tính hợi tụ mục tiêu cực tiểu cải thiện số ổn định điện áp 41 3.15 Điện áp 30 nút trường hợp cải thiện độ ổn định điện áp 41 3.16 Độ lệch chuẩn kịch cực tiểu độ lệch điện áp .42 3.17 Đặc tính hợi tụ mục tiêu cực tiểu chi phí có nhà máy điện mặt trời gió 47 Hình 3.18 Đặc tính hợi tụ mục tiêu cực tiểu chi phí khí thải có nhà máy điện mặt trời gió 49 Hình 3.19 Đặc tính hợi tụ mục tiêu cực tiểu chi phí tổn thất cơng śt có nhà máy điện mặt trời gió 51 Hình 3.20 Đặc tính hợi tụ mục tiêu cực tiểu chi phí đợ lệch điện áp có nhà máy điện mặt trời gió……………… …………………………53 vi DANH MỤC BẢNG BIỂU Bảng 3.1 Hệ số chi phí máy phát hệ thống điện IEEE 30 nút 26 Bảng 3.2 Giới hạn đường dây hệ thống điện IEEE 30 nút 27 Bảng 3.3 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu chi phí 28 Bảng 3.4 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu tổng khí thải 31 Bảng 3.5 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu tổn thất công suất thực 34 Bảng 3.6 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu độ lệch điện áp .37 Bảng 3.7 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cải thiện độ ổn định điện áp 40 Bảng 3.8 So sánh giải thuật SFO với giải thuật GA, PSO AEO 43 Bảng 3.9 Các kịch mơ có nguồn lượng tái tạo 43 Bảng 3.10 Dữ liệu hệ thống IEEE 30 nút có nhà máy điện mặt trời gió 44 Bảng 3.11 Các tham số PDF số chi phí cho nguồn gió cho hệ thống IEEE 30-bus 44 Bảng 3.12 Các tham số PDF số chi phí cho nguồn điện mặt trời cho hệ thống IEEE 30-bus 45 Bảng 3.13 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu chi phí có nhà máy điện mặt trời gió .46 Bảng 3.14 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu chi phí khí thải có nhà máy điện mặt trời gió 48 Bảng 3.15 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu chi phí tổn thất cơng śt có nhà máy điện mặt trời gió 50 Bảng 3.16 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu chi phí đợ lệch điện áp có nhà máy điện mặt trời gió .52 vii Hình 3.19 Đặc tính hợi tụ mục tiêu cực tiểu chi phí tổn thất cơng śt có nhà máy điện mặt trời gió Kịch trình bày hàm mục tiêu cực tiểu tổng chi phí máy phát tổn thất cơng suất có nhà máy điện mặt trời gió SFO đạt giá trị tốt nhất (845.5364 $/h) tổn thất cơng śt 2.4690 (MW) Hình 3.19 trình bày đặc tính hợi tụ mục tiêu cực tiểu chi phí tổn thất cơng śt có nhà máy điện mặt trời gió Từ Hình này, ta nhận thấy tốc độ hội tụ điểm tối ưu giải thuật SFO nhanh Sau 70 lần lặp đặc tuyến hội tụ tiệm cận với kết tối ưu đạt hội tụ 210 lần lặp 51 kịch 9: Cực tiểu tổng chi phí máy phát đợ lệch điện áp có nhà máy điện mặt trời gió Bảng 3.17 Kết tối ưu hệ thống điện 30 nút sử dụng giải thuật SFO cho hàm mục tiêu cực tiểu chi phí đợ lệch điện áp có nhà máy điện mặt trời gió Thơng số PTG1 PTG2 PWG1 PTG3 PWG2 PSoLar VTG1 VTG2 VTG3 VWG1 VWG2 VSoLar QC10 QC12 QC15 QC17 QC20 QC21 QC23 QC24 QC29 TC21 TC23 TC24 TC29 Chi phí nhà máy nhiệt điện Chi phí máy phát gió Chi phí nhà máy điện mặt trời Tổng chi phí ($/h) Khí thải (ton/h) Tổn thất công suất (MW) Độ lệch điện áp Min 50 20 10 0 0.95 0.95 0.95 0.95 0.95 0.95 0 0 0 0 0.9 0.9 0.9 0.9 52 Max 200 80 75 35 60 50 1.1 1.1 1.1 1.1 1.1 1.1 5 5 5 5 1.1 1.1 1.1 1.1 Mục tiêu f1 + f4 92.0415 30.5241 65.9865 10.1545 58.1235 30.4772 1.0540 1.0356 1.0116 0.9916 1.0383 1.0124 2.2708 0.6477 0.5440 1.2225 3.0680 4.9240 2.0662 2.4699 4.6508 0.9987 0.9414 0.9556 0.9557 319.4361 374.4296 81.1877 788.4579 0.2016 3.9073 0.1676 Hình 3.20 Đặc tính hợi tụ mục tiêu cực tiểu chi phí đợ lệch điện áp có nhà máy điện mặt trời gió Ở kịch cực tiểu tổng chi phí máy phát đợ lệch điện áp có nhà máy điện mặt trời gió, SFO đạt giá trị tốt nhất cho mục tiêu cực tiểu chi phí 788.4579 ($/h) mục tiêu đọ lệch điện áp 0.1676 (PU) Hình 3.20 thể đặc tính hợi tụ mục tiêu cực tiểu chi phí đợ lệch điện áp có nhà máy điện mặt trời gió Từ Hình 3.20, thấy tốc độ hội tụ điểm tối ưu giải thuật SFO nhanh, sau 45 lần lặp mục tiêu cực tiểu chi phí giảm cịn 930 ($/h), sau 170 lần tiệm cận với điểm tối ưu đạt tối ưu sau gần 240 lần lặp Quan sát Bảng 3.16 ta thấy, điện áp nút hệ thống 30 nút trường hợp cực tiểu đợ lệch điện áp, nằm hồn tồn ngưỡng cho phép Qua ta thấy đợ tin cậy xác x́t thành cơng việc tìm lời giải tối ưu giải thuật SFO mục tiêu cực tiểu chi phí kết hợp với mục tiêu cực tiểu độ lệch điện áp 53 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN - Kết luận Tối ưu hóa phân bố cơng suất (OPF) một vấn đề quan trọng để vận hành hệ thống điện thách thức nhiều thuật tốn để tìm lời giải tối ưu cho toán OPF, đặc biệt hệ thống điện phức tạp Trong luận văn này, giải thuật Hoa Hướng Dương SFO áp dụng thành cơng để giải tốn OPF với hàm mục tiêu khác Kết mô sử dụng giải thuật SFO so sánh với giải thuật GA, PSO AEO Giá trị tối ưu đạt sử dụng thuật SFO cho thấy tốt tương tự với phương pháp GA, PSO AEO.Ngoài đề tài kết hợp hàm mục tiêu với trường hợp có nguồn lượng tái tạo Kết mô chứng minh rằng, SFO một phương pháp hiệu đáng tin cậy để giải vấn đề OPF quy mô lớn - Hướng phát triển Tiếp tục nghiên cứu cải tiến giải thuật SFO để nâng cao tỷ lệ thành công đạt lời giải tối ưu Nghiên cứu giải toán OPF hệ thống điện tích hợp nguồn lượng tái tạo thiết bị FACTS 54 TÀI LIỆU THAM KHẢO [1] R Mota-Palomino and V H Quintana “Sparse Reactive Power Scheduling By A Penalty Function - Linear Programming Technique,” IEEE Trans Power Syst Vol 1, no 3, 1986, doi: 10.1109/TPWRS.1986.4334951 [2] Trans O Alsac and B Stott “Optimal load flow with steady-state security,” IEEE Power Appar Syst Vol PAS-93, no 3, 1974, doi: 10.1109/TPAS.1974.293972 [3] D I Sun et al “Optimal power flow by Newton approach,” IEEE Trans Power Appar Syst Vol PAS-103, no 10, 1984, doi: 10.1109/TPAS.1984.318284 [4] Trans R C Burchett et al “Quadratically Convergent Optimal Power Flow,” IEEE Power Appar Syst Vol PAS-103, no 11, 1984, doi: 10.1109/TPAS.1984.318568 [5] X Yan and V H Quintana “Improving an interior-point-based off by dynamic adjustments of step sizes and tolerances,” IEEE Trans Power Syst Vol 14, no 2, 1999, doi: 10.1109/59.761902 [6] M A Abido “Optimal power flow using tabu search algorithm,” Electr Power Components Syst Vol 30, no 5, 2002, doi: 10.1080/15325000252888425 [7] J Yuryevich “Evolutionary programming based optimal power flow algorithm,” IEEE Trans Power Syst Vol 14, no 4, 1999, doi: 10.1109/59.801880 [8] A A El-Fergany and H M Hasanien “Single and Multi-objective Optimal Power Flow Using Grey Wolf Optimizer and Differential Evolution Algorithms,” Electr Power Components Syst Vol 43, no 13, 2015, doi: 10.1080/15325008.2015.1041625 [9] A Bhattacharya and P K Chattopadhyay “Application of biogeography- based optimisation to solve different optimal power flow problems,” IET Gener Transm Distrib Vol 5, no 1, 2011, doi: 10.1049/iet-gtd.2010.0237 [10] M R Nayak et al “Application of Multi-Objective Teaching Learning based Optimization Algorithm to Optimal Power Flow Problem,” Procedia Technol Vol 6, 2012, doi: 10.1016/j.protcy.2012.10.031 [11] H Pulluri et al “A solution network based on stud krill herd algorithm for 55 optimal power flow problems,” Soft Comput Vol 22, no 1, 2018, doi: 10.1007/s00500-016-2319-3 [12] M Siva et al “Water wave optimization algorithm for solving economic dispatch problems with generator constraints,” Int J Intell Eng Syst Vol 9, no 4, 2016, doi: 10.22266/ijies2016.1231.04 [13] S Duman et al “Optimal power flow using gravitational search algorithm,” Energy Convers Manag Vol 59, 2012, doi: 10.1016/j.enconman.2012.02.024 [14] M Rezaei Adaryani and A Karami “Artificial bee colony algorithm for solving multi-objective optimal power flow problem,” Int J Electr Power Energy Syst Vol 53, no 1, 2013, doi: 10.1016/j.ijepes.2013.04.021 [15] A A A Mohamed et al “Optimal power flow using moth swarm algorithm,” Electr Power Syst Res Vol 142, 2017, doi: 10.1016/j.epsr.2016.09.025 [16] W Warid et al “Optimal power flow using the Jaya algorithm,” Energies Vol 9, no 9, 2016, doi: 10.3390/en9090678 [17] C Thitithamrongchai and B Eua-arporn “Self-adaptive Differential Evolution Based Optimal Power Flow for Units with Non-smooth Fuel Cost Functions,” J Electr Syst Vol 3, no 2, 2007 [18] S Sayah and K Zehar “Modified differential evolution algorithm for optimal power flow with non-smooth cost functions,” Energy Convers Manag Vol 49, no 11, 2008, doi: 10.1016/j.enconman.2008.06.014 [19] M S Kumari and S Maheswarapu “Enhanced Genetic Algorithm based computation technique for multi-objective Optimal Power Flow solution,” Int J Electr Power Energy Syst Vol 32, no 6, 2010, doi: 10.1016/j.ijepes.2010.01.010 [20] A Ramesh Kumar and L Premalatha “Optimal power flow for a deregulated power system using adaptive real coded biogeography-based optimization,” Int J Electr Power Energy Syst Vol 73, 2015, doi: 10.1016/j.ijepes.2015.05.011 [21] G Chen et al “Improved krill herd algorithm with novel constraint handling method for solving optimal power flow problems,” Energies Vol 11, no 1, 2018, doi: 10.3390/en11010076 [22] M Abdo et al “Solving non-smooth optimal power flow problems using a developed grey wolf optimizer,” Energies Vol 11, no 7, 2018, doi: 56 10.3390/en11071692 [23] T Niknam et al.“A modified shuffle frog leaping algorithm for multi- objective optimal power flow,” Energy Vol 36, no 11, 2011, doi: 10.1016/j.energy.2011.09.027 [24] M Al-Kaabi and L Al-Bahrani, “Modified artificial bee colony optimization technique with different objective function of constraints optimal power flow,” Int J Intell Eng Syst Vol 13, no 4, 2020, doi: 10.22266/IJIES2020.0831.33 [25] M Ghasemi et al “Multi-objective optimal power flow considering the cost, emission, voltage deviation and power losses using multi-objective modified imperialist competitive algorithm,” Energy Vol 78, 2014, doi: 10.1016/j.energy.2014.10.007 [26] H R El-Hana Bouchekara et al “Optimal Power Flow Using an Improved Electromagnetism-like Mechanism Method,” Electr Power Components Syst Vol 44, no 4, 2016, doi: 10.1080/15325008.2015.1115919 [27] A F Attia et al “Optimal power flow solution in power systems using a novel Sine-Cosine algorithm,” Int J Electr Power Energy Syst Vol 99, 2018, doi: 10.1016/j.ijepes.2018.01.024 [28] P M Le et al “An efficient hybrid method for solving security-constrained optimal power flow problem,” Int J Electr Eng Informatics Vol 12, no 4, 2020, doi: 10.15676/ijeei.2020.12.4.14 [29] J Radosavljević et al.“Optimal Power Flow Using a Hybrid Optimization Algorithm of Particle Swarm Optimization and Gravitational Search Algorithm,” Electr Power Components Syst Vol 43, no 17, 2015, doi: 10.1080/15325008.2015.1061620 [30] G F Gomes et al “A sunflower optimization (SFO) algorithm applied to damage identification on laminated composite plates,” Eng Comput Vol 35, no 2, 2019, doi: 10.1007/s00366-018-0620-8 [31] Zimmerman RD et al “Matpower,” Https://www.pserc.cornell.edu/matpower [Accessed Jan 2018] [32] T L Duong et al “Application of meta-heuristic algorithm for finding the best solution for the optimal power flow problem,” International Journal of Intelligent 57 Engineering and Systems Vol 15, no 6, 2021 58 PHỤ LỤC 1) Code chương trình (SFO) SUNFLOWER OPTIMIZATION % SUNFLOWER OPTIMIZATION (SFO) ALGORITHM FOR NONLINEAR UNCONSTRAINED % OPTIMIZATION % % % Copyright (c) 2018, Guilherme Ferreira Gomes % All rights reserved % %% SunFLower Optimization Function function [best,fmin,n_iter,state,population]=SFO_30_CPMP(Fun,n,p,m,d,LB,UB,n_iter) % n = number of plants % p = pollination rate % m = mortality rate % d = problem dimension % LB = lower bounds % UB = upper bounds % n_iter = max number os gerations for i=1:n Plants(i,:)=LB+(UB-LB).*rand(1,d); Fitness(i)=Fun(Plants(i,:)); end [fmin,I]=min(Fitness); best=Plants(I,:); S=Plants; for t=1:n_iter %mortality of m% plants for i=1:n % pollination for j=1:(round(p*n)) S(j,:) = (Plants(j,:)-Plants(j+1,:))*rand(1) + Plants(j+1,:); end % steps for j=(round(p*n)+1):(round(n*(1-m))) S(j,:)=Plants(j,:)+rand*((best-Plants(j,:))/(norm((best+Plants(j,:))))); end % mortality of m% plants for j = ((round(n*(1-m)))+1):n S(j,:)= (UB-LB)*rand+LB; end 59 K=rand(size(S)) > 0.25; dS=rand*(S(randperm(n),:)-S(randperm(n),:)); S=S+dS.*K; S(i,:)=bound_check(S(i,:),LB,UB); Fnew = Fun(S(i,:)); if (Fnew s < 0.9 Read_30_CPMF; 60 LB=[ Pgimin(2:end)' Vgimin' Tapmin Capmin]; UB=[ Pgimax(2:end)' Vgimax' Tapmax Capmax]; d=length(UB); n_iter = 300; %max n1umber os iterations/gerations % Objective test functions if ObjFunc == CostFunction=@(x) fobj_case30_cpmp_1(x) ; elseif ObjFunc == CostFunction=@(x) fobj_case30_cpmp_2(x) ; elseif ObjFunc == CostFunction=@(x) fobj_case30_cpmp_3(x) ; elseif ObjFunc == CostFunction=@(x) fobj_case30_cpmp_4(x) ; elseif ObjFunc == CostFunction=@(x) fobj_case30_cpmp_5(x) ; end Fun = CostFunction; %choose the objtective test function % RUN [best,fmin,n_iter,state,population]=SFO_30_CPMP(Fun,n,p,m,d,LB,UB,n_iter); fprintf('Run number: %3.0f\n\n', i); display(['The best solution obtained is : ', num2str(best,10)]); display(['The best optimal value of the objective function found by SGA is : ', num2str(fmin,10)]); fprintf(' \n'); %% Recorded result Solution.best = best; Solution.fmin = fmin; Solution.Convergence_curve = state(:,end); Record_FF(i) = fmin; Record_Solution{i} = Solution; end fprintf('Min total cost ($/h) :'); fprintf(' %8.4f\n', min(Record_FF)); fprintf('Average total cost ($/h) :'); fprintf(' %8.4f\n', mean(Record_FF)); fprintf('Max total cost ($/h) :'); fprintf(' %8.4f\n', max(Record_FF)); fprintf('Standard deviation ($/h) :'); fprintf(' %8.4f\n', std(Record_FF,1)); % Find the best solution [FFmin, ind] = min(Record_FF); u_best = Record_Solution{ind}.best; 61 Fun(u_best); final_results = [control_var FFmin]; Convergence_curve_best = Record_Solution{ind}.Convergence_curve; figure(ObjFunc) plot(1:n_iter,Convergence_curve_best,'Color','blue','LineWidth',1) hold on xlabel('Number of iterations','fontsize',8,'FontWeight','bold'); ylabel('Fuel cost ($/h)','fontsize',8,'FontWeight','bold'); %ylabel('Emissions (t/h)','fontsize',8,'FontWeight','bold'); %ylabel('Power Loss (MW)','fontsize',8,'FontWeight','bold'); %ylabel('Voltage deviation','fontsize',8,'FontWeight','bold'); %ylabel('L_index','fontsize',8,'FontWeight','bold'); if ObjFunc == save('Results/Case 1'); elseif ObjFunc == save('Results/Case 2'); elseif ObjFunc == save('Results/Case 3'); elseif ObjFunc == save('Results/Case 4'); elseif ObjFunc == save('Results/Case 5'); end end function z=fobj_case30_cpmp_1(u) global control_var % d-dimensional sphere function sum_j=1^d (u_j-1)^2 % with a minimum at (1,1, , 1); %% Read data of IEEE-30 bus %global TH Read_30_CPMF; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%% %opt = mpoption('VERBOSE',0, 'OUT_ALL',0); mpoption('pf.enforce_q_lims',0,'verbose',0,'out.all',0); Results = runpf(case_30, opt); %Results = runpf(case_30, opt); % Calulate total cost Pgi = Results.gen(:,2) ; Qgi = Results.gen(:,3); FPG = sum(ai.*Pgi.^2 + bi.*Pgi + ci); FQG = (Qgi>Qgimax).*(Qgi - Qgimax).^2 + (QgiPgfmax)*(Pgf - Pgfmax)^2 + (PgfSlmax).*(Sl-Slmax).^2; % Calculate th3e penalty term for load voltages Vdi = Results.bus(Nload,8); FV = (Vdi>Vdimax).*(Vdi-Vdimax).^2 + (Vdi