Vận hành tối ưu hệ thống điện truyền tải với sự thâm nhập cao của nguồn năng lượng tái tạo

BỘ CÔNG THƯƠNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC KẾT QUẢ THỰC HIỆN ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG Tên đề tài: Vận hành tối ưu hệ thống điện truyền tải với sự thâm nhập cao của nguồn lượng tái tạo Mã số đề tài: 21.CNĐ02 Chủ nhiệm đề tài: Dương Thanh Long Đơn vị thực hiện: Khoa Cơng Nghệ Điện Thành Phố Hồ Chí Minh, Ngày 21 thàng 03 năm 2023 LỜI CÁM ƠN Tôi gửi lời cảm ơn chân thành đến lãnh đạo Nhà trường, Phòng Quản lý Khoa học Hợp tác quốc tế, ban chủ nghiệm Khoa Công nghệ Điện của Đại Học Công nghiệp Tp.HCM tạo điều kiện tốt cho tơi hồn thành đề tài Tơi xin chân thành cảm ơn Quý Thầy Cô Sinh Viên Khoa công Nghệ Điện của Đại Học Công nghiệp Tp.HCM đóng góp ý kiến q báo cho tơi thực hiện đề tài MỤC LỤC LỜI CÁM ƠN DANH SÁCH CÁC HÌNH DANH SÁCH CÁC BẢNG PHẦN I THÔNG TIN CHUNG PHẦN II BÁO CÁO CHI TIẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC 15 CHƯƠNG 1: TỐI ƯU PHÂN BỐ CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN 15 1.1 Giới thiệu 15 1.2 Mơ hình tốn 17 1.2.1 Chi phí máy phát nhiệt điện 17 1.2.1 Mơ hình cơng suất chi phí máy phát gió 17 1.2.1 Mơ hình cơng suất chi phí nhà máy điện mặt trời 19 1.3 Hàm mục tiêu 21 1.3.1 Cực tiểu tổng chi phí máy phát 21 1.3.2 Chi phí phát thải 21 1.3.3 Tổng tổn thất truyền tải 21 1.3.4 Độ lệch điện áp 22 1.3 Cải thiện ổn định điện áp 22 1.4 Ràng buộc 22 1.4.1 Ràng buộc cân công suất 22 1.4.2 Ràng buộc không cân 22 CHƯƠNG 2: GIẢI THUẬT CHIM RUỒI NHÂN TẠO 24 2.1 Giới thiệu 24 2.2 Cảm hứng 29 2.3 Thuật toán chim ruồi nhân tạo 30 2.4 Mơ hình tốn giải thuật 31 2.4.1 Khởi tạo 31 2.4.2 Hướng dẫn tìm kiếm thức ăn 32 2.4.3 Kiếm ăn theo lãnh thổ 37 2.4.4 Kiếm ăn di cư 38 2.4.5 Pseudocode of AHA 39 CHƯƠNG 3: ÁP GIẢI THUẬT CHIM RUỒI NHÂN TẠO ĐỂ GIẢI BÀI TỐN TỐI ƯU VẬN HÀNH HỆ THỐNG ĐIỆN CĨ SỰ XÂM NHẬP CỦA NGUỒN NĂNG LƯỢNG TÁI TẠO 41 3.1 Trình tự bước áp dụng giải thuật SFO để giải toán OPF trình bày sau………………………………………………………………………………………… 41 3.2 Kết mơ 44 CHƯƠNG 4: KẾT LUẬN 50 PHỤ LỤC 51 TÀI LIỆU THAM KHẢO 55 PHẦN III PHỤ LỤC ĐÍNH KÈM 66 DANH SÁCH CÁC HÌNH Hình Một chim ruồi kiếm ăn 29 Hình 2 Ba hành vi kiếm ăn của AHA 31 Hình Ba tập tính bay của chim ruồi 32 Hình Chuyển động của chim ruồi không gian chiều sử dụng ba kỹ bay 34 Hình Cập nhật bảng truy cập lựa chọn nguồn thức ăn mục tiêu lần lặp lại thực hiện chiến lược tìm kiếm thức ăn có hướng dẫn………………………………… 36 Hình Cập nhật bảng truy cập của chim ruồi sau lần lặp………………………….38 Hình Lưu đồ áp dụng giải thuật AHA để giải toán OPF có tích hợp RES……… 44 Hình Hệ thống IEEE 30 nút hiệu chỉnh……………………………………………….45 Hình 3 Đặc tính hội tụ của giải thuật AHA giải thuật khác mục tiêu cực tiểu tổng chi phí 47 Hình 3.4 Kết đạt sau 50 lần chạy của giải thuật AHA của phương pháp khác mục tiêu cực tiểu tổng chi phí 48 DANH SÁCH CÁC BẢNG Bảng Bảng viếng thăm quần thể gồm sáu chim ruồi 35 Bảng Thông số chi tiết của hệ thống IEEE 30 nút có tích hợp RES 45 Bảng Chi phí máy phát nhiệt điện số phát thải 45 Bảng 3 Thơng số PDF hệ số chi phí của nguồn điện gió 46 Bảng Thơng số PDF hệ số chi phí của nguồn điện mặt trời……………………… 46 Bảng 3.5 Thông số giá trị tối ưu đạt của giải thuật AHA của giải thuật khác mục tiêu cực tiểu tổng chi phí………………………………………………………47 Bảng Kết tối ưu đạt của giải thuật AHA của phương pháp khác hệ thống IEEE 30 nút………………………………………………………………………… 48 Bảng So sánh kết đạt của giải thuật AHA giải thuật khác mở……… 49 PHẦN I THƠNG TIN CHUNG I Thơng tin tổng quát 1.1 Tên đề tài: Vận hành tối ưu hệ thống điện truyền tải với sự thâm nhập cao của nguồn lượng tái tạo 1.2 Mã số: 21.CNĐ02 1.3 Danh sách chủ trì, thành viên tham gia thực đề tài Họ tên TT (học hàm, học vị) Vai trị thực đề tài Khoa Cơng Nghệ Điện Chủ nhiệm TS Nguyễn Thanh Thuận Khoa Công Nghệ Điện Thành viên NCS Nguyễn Ngọc Anh Khoa Công Nghệ Điện Thành viên TS Dương Thanh Long Đơn vị cơng tác 1.4 Đơn vị chủ trì: 1.5 Thời gian thực hiện: 1.5.1 Theo hợp đồng: từ tháng 03 năm 2022 đến tháng 03 năm 2023 1.5.2 Gia hạn (nếu có): 1.5.3 Thực hiện thực tế: từ tháng 03 năm 2022 đến tháng 03 năm 2023 1.6 Những thay đổi so với thuyết minh ban đầu (nếu có): (Về mục tiêu, nội dung, phương pháp, kết nghiên cứu tổ chức thực hiện; Nguyên nhân; Ý kiến Cơ quan quản lý) 1.7 Tổng kinh phí phê duyệt đề tài: 50 triệu đồng II Kết nghiên cứu Đặt vấn đề Tối ưu vận hành hệ thống điện nhằm cực tiểu hàm mục tiêu như: cực tiểu tổng chi phí phát điện, cực tiểu khí thải, cực tiểu tổn thất cơng suất cải thiện điện áp nút đáp ứng đầy đủ yêu cầu an ninh vận hành hệ thống nhiệm vụ quan trọng vận hành hệ thống điện Trong năm gần đây, cùng với sự phát triển khoa học kỹ thuật, sự tăng trưởng nhanh của nhu cầu phụ tải sự thay đổi theo hướng thị trường điện làm cho hệ thống điện ngày trở nên phức tạp vận hành Bên cạnh đó, với áp lực môi trường, sự cạn kiệt nguồn lượng hóa thạch than đá, dầu mỏ, khí đốt,…, đặt vấn đề cấp bách cần thiết phát triển nguồn lượng cho đảm bảo kinh tế, sản xuất thân thiện với môi trường Kết quả, lượng tái tạo xem giải pháp hiệu để giải vấn đề Mặc dù nguồn lượng tái tạo mang lại nhiều lợi ích khác chẳng hạn như: chi phí vận hành thấp của nhà máy điện gió điện mặt trời, nhiễm mơi trường so với nguồn điện truyền thống, chúng đặt nhiều khó khăn quy hoạch vận hành hệ thống điện Việc tích hợp nguồn lượng tái tạo với máy phát nhiệt điện truyền thống làm tăng khó khăn vấn đề vận hành tối ưu hệ thống điện tính chất bất định khơng liên tục của nguồn Vì vậy, nghiên cứu vận hành tối ưu hệ thống điện để cực tiểu chi phí của máy phát điện, cực tiểu khí thải, cực tiểu tổn thất công suất cải thiện điện áp nút thống điện bao gồm nhà máy phát điện truyền thống nhà máy điện lượng tái tạo thách thức cho kỹ sư vận hành hệ thống Đây toán phi tuyến, rời rạc có nhiều cực trị địi hỏi phải có phương pháp giải hiệu Đề tài tập trung phát triển phương pháp giải toán tối ưu vận hành hệ thống điện với sự thâm nhập cao của nguồn lượng tái tạo dựa giải thuật tìm kiếm tối ưu nhằm tìm đóng góp phương pháp giải hiệu cho tốn tối ưu vận hành hệ thống điện Một mơ hình hóa chi phí của nguồn lượng tái tạo áp dụng nghiên cứu Phân bố tốc độ gió mơ hình hóa sử dụng hàm hàm phân phối xác xuất Weibull, xạ mặt trời mơ hình hóa hàm lognormal PDF Mơ hình chi phí phát điện của nguồn lượng tái tạo đề xuất bao gồm chi phí hội của việc thiếu hụt của nguồn lượng tái tạo chi phí hội thặng dư của nguồn lượng tái tạo Các chi phí phản ánh chi phí điều động cơng suất dự trữ bổ sung chi phí tổn thất lợi ích của mơi trường Những chi phí tích hợp hiệu chỉnh tốn OPF thơng thường Cơng cụ tính tốn xây dựng phần mềm Matlab hiệu của so sánh với phương pháp hiện có hệ thống điện chuẩn Tổng quan tình hình nghiên cứu tính cấp thiết tiến hành nghiên cứu a) Tình hình nghiên cứu quốc tế Bài toán vận hành tối ưu hệ thống điện (OPF) thiết lập nhằm nâng cao hiệu sử dụng hệ thống điện hiện hữu, nhằm giảm chi phí đầu tư quy hoạch mở rộng, nâng cấp cải tạo hệ thống điện Mục tiêu của vận hành tối ưu hệ thống điện nhằm cực hàm mục tiêu như: cực tiểu tổng chi phí phát điện, cực tiểu tổn thất, cực tiểu chi phí phát thải, cải thiện điện áp nút đáp ứng đầy đủ yêu cầu an ninh vận hành hệ thống Các kỹ thuật cổ điển thông thường khác sử dụng để giải vấn đề OPF Chẳng hạn như, phương pháp quy hoạch tuyến tính (Linear Progrmaming) [1], quy hoạch phi tuyến (Nonlinear Progrmaming) [2], Newton-Raphson [3], quy hoạch động [4], phương pháp điểm nội suy [5] Gần đây, thuật tốn tìm kiếm tối ưu ý nhiều để giải tốn OPF tính linh hoạt khả tránh điểm tối ưu cục Các phương pháp tối ưu phát triển áp dụng để giải toán OPF như: giải thuật bầy đàn (Particle Swarm Optimization-PSO) [6], kỹ thuật tiến hóa (Evolutionary Programming-EP) [7], giải thuật di truyền (Genetic Algorithm-GA) [8], tối ưu trọng trường (Gravitational Search Algorithm GSA) [9], phương pháp địa sinh học (Biogeography Optimization Algorithm - BOA) [10], thuật toán đàn ong (Artificial Bee Colony -ABC) [11], tối ưu hóa dựa học tập giảng dạy (Teaching-Learning-Optimization-TLO)[12], giải thuật sói sám (Grey Wolf Optimizer GWO) [13], thuật toán bướm đêm (Moth Swarm Approach -MSA)[14] Nhìn chung, tốn OPF thơng thường liên quan đến nhà máy nhiệt điện Tuy nhiên, với sự xuất hiện phát triển của nguồn lượng tái tạo, đặc biệt lượng gió, lượng mặt trời, việc tích hợp nguồn lượng tái tạo toán OPF cần xem xét Một số xuất liên quan đến vấn đề vận hành tối ưu hệ thống điện (OPF) bao gồm nhà máy phát điện truyền thống nhà máy điện lượng tái tạo trình bày năm gần Các phương pháp tìm kiếm tối ưu sử dụng rộng rãi để giải vấn đề liên quan đến việc gia tăng sự thâm nhập của lượng tái tạo Trong [15], tác giả sử dụng thuật toán di truyền (GA) phương pháp ước lượng hai điểm để giải tốn OPF tích hợp lượng gió, lượng mặt trời Một phương pháp lai thuật toán bướm đêm thuật toán trọng trường (moth swarm algorithm and gravitational search algorithm HMSAGSA) sử dụng để giải toán OPF, bao gồm lượng gió [16] Phương pháp ước lượng hai điểm cải tiến sử dụng để giải OPF kết hợp gió pin quang điện [17] Bài tốn OPF bao gồm lượng gió giải cách sử dụng giải thuật tối ưu bầy đàn kết hợp với thuật toán mờ giới thiệu [18] Phương pháp lập trình tiến hóa tự thích ứng (SAEP) [19] áp dụng để giải OPF với lượng gió kết hợp Bên cạnh đó, số giải thuật áp dụng để giải vấn đề OPF có tích hợp nguồn lượng tái tạo đề xuất gần giải thuật vi khuẩn (Bacteria Foraging Algorithm -BFA) [20], thuật toán đàn ong [21], địa sinh học [22] b) Tình hình nghiên cứu nước Ở Việt Nam, Trong năm gần toán tối ưu vận hành hệ thống điện thu hút sự quan tâm của nhiều nhà nghiên cứu Trong [23], lý thuyết mờ giải thuật tối ưu bầy đàn áp dụng để giải tốn tối ưu cơng suất phát điều kiện bất định của cơng suất điện gió mặt trời cho mạng điện nhỏ nối lưới Bài báo trình bày cách tiếp cận giải tốn tối ưu cơng suất phát nguồn có điều chỉnh cho mạng điện nhỏ nối lưới Công suất đầu của nguồn điện gió mặt trời dự báo khoảng Đánh giá tiềm gió tối ưu hóa phân bố cơng suất của tua-bin gió đề xuất [24] Trong [25], trình bày mơ phân bố cơng suất lưới điện nhỏ có tích hợp hệ thống lượng mặt trời, hệ thống pin lưu trữ lượng (BESS), có xem xét việc tận dụng tối đa công suất phát từ hệ thống lượng mặt trời để giảm thiểu lượng công suất phải nhận từ nguồn điện truyền thống Tài liệu [26] trình bày phương pháp phân tích tính tốn hệ thống điện có kết nối nguồn gió c) Đánh giá kết cơng trình nghiên cứu cơng bố (ưu, khuyết, tồn tại…) Các phương pháp giải toán tối ưu vận hành hệ thống điện phân loại thành hai nhóm phương pháp bao gồm phương pháp cổ điển phương pháp tìm kiếm tối ưu Phương pháp cổ điển dựa tiêu chí kỹ thuật để tìm giải pháp tốt Các phương pháp khơng đưa lời giải tối ưu thường bị kẹt lời giải tối ưu phương pháp dựa giả định hàm mục tiêu hàm liên tục, khả vi khơng thể áp dụng cho biến rời rạc Nhóm thứ hai sử dụng phương pháp tìm kiếm tối ưu Cho đến nay, nhóm phương pháp hiệu phổ biến việc giải toán tối ưu vận hành hệ thống điện Các phương pháp khơng có u cầu đặc biệt sự khác nhau, tính liên tục, lồi lõm của hàm mục tiêu hiệu việc xử lý ràng buộc, tối ưu rời rạc nhiều hướng Tuy nhiên, hạn chế của phương pháp hội tụ vào cực trị địa phương Do đó, mối quan tâm của nhà nghiên cứu nhóm phương pháp khắc phục vấn đề hội tụ sớm của phương pháp tìm kiếm tối ưu d) Tính cấp thiết tiến hành nghiên cứu (tính mới, tính khoa học) Bảng A2 Thơng số giá trị tối ưu đạt của giải thuật AHA của giải thuật khác mục tiêu cực tiểu tổn thất công suất tác dụng Thông 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_TG Chi phí_WG Chi phí_Solar Tổng chi phí ($/h) Phát thải (ton/h) Tổn thất (MW) Độ lệch điện áp (pu) Chỉ số ổn định điện áp Min 50 20 10 0 0.95 0.95 0.95 0.95 0.95 0.95 0 0 0 0 0.9 0.9 0.9 0.9 Phương pháp Max AHA SSA 200 82.3661 79.9054 80 39.4004 38.3258 75 8.3476 57.3562 35 8.4378 35.0000 60 2.0520 1.0553 50 35.9387 34.7938 1.1 1.0628 1.0617 1.1 1.0529 1.0535 1.1 1.0362 1.0371 1.1 1.0419 1.0438 1.1 1.0825 1.0731 1.1 1.0514 1.0576 4.9951 5.0000 4.7580 5.0000 4.6570 5.0000 4.0356 5.0000 3.9159 5.0000 4.8779 5.0000 3.4008 5.0000 4.9819 2.7287 2.5399 1.1 0.9887 1.0782 1.1 1.0709 0.9000 1.1 1.0120 1.0076 1.1 0.9872 0.9720 385.4578 400.4957 318.5718 310.9337 97.6958 93.8877 801.7254 805.3171 PSO 92.8999 38.8666 7.8152 24.4212 40.7263 33.5906 1.1000 1.0644 1.0296 1.0214 0.9998 0.9500 5.0000 5.0000 5.0000 5.0000 5.0000 5.0000 5.0000 3.2261 0.9000 1.1000 1.1000 1.0019 396.9588 311.5891 90.0036 798.5515 DE 84.4000 39.1023 8.5290 28.3251 1.2125 35.0651 1.0672 1.0558 1.0375 1.0328 1.0721 1.0546 4.5923 4.5853 5.0000 4.0437 4.7267 4.9706 4.5754 5.0000 2.4439 0.9929 0.9946 1.0121 0.9685 389.4469 316.2315 94.7815 800.4599 TLBO 81.8870 38.4944 59.2613 29.6097 41.9694 35.3168 1.0439 1.0350 1.0179 1.0236 1.0675 1.0736 3.2391 0.5687 3.2819 5.0000 4.0466 4.2809 3.1397 4.9917 2.5629 1.0272 0.9033 1.0037 0.9539 385.7601 321.9773 95.6152 803.3526 0.1478 0.1389 0.2037 0.1559 0.1460 3.1425 3.0364 4.9198 3.2340 3.1386 0.7049 0.9123 0.7447 0.8723 0.8294 0.1416 0.1382 0.1552 0.1388 0.1385 52 Bảng A3 Thông số giá trị tối ưu đạt của giải thuật AHA của giải thuật khác mục tiêu cực tiểu độ lệch điện áp Thông số PTG1 PTG2 PWG1 PTG3 PWG2 PSoLar VTG1 VTG2 VTG3 VWG1 VWG2 VSoLar QC10 QC12 QC15 QC17 QC20 QC21 QC23 QC24 QC29 TC21 TC23 TC24 TC29 Chi phí_TG Chi phí_WG Chi phí_Solar Tổng chi phí ($/h) Phát thải (ton/h) Tổn thất (MW) Độ lệch điện áp (pu) Chỉ số ổn định 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 Phương pháp Max AHA SSA 200 134.0677 133.8865 80 38.7390 8.5506 75 9.6533 0.0165 35 0.0917 10.0000 60 34.5031 34.9892 50 32.6998 33.0876 1.1 1.0399 1.0478 1.1 1.0327 1.0277 1.1 1.0119 0.9500 1.1 1.0006 0.9831 1.1 1.0229 0.9500 1.1 1.0242 1.0465 4.1724 4.9999 0.0373 5.0000 4.3053 0.0932 5.0000 4.9849 5.0000 4.9903 4.9594 5.0000 4.9726 5.0000 3.6099 4.6930 1.1 0.9807 0.9415 1.1 0.9690 0.9000 1.1 1.0096 1.0292 1.1 0.9691 0.9495 463.2414 461.7991 223.8544 226.5921 87.2098 88.4173 774.3056 776.8085 PSO 132.7373 8.4473 0.9007 10.0000 34.6099 33.0367 1.0288 1.0190 1.0042 1.0017 1.0552 0.9967 0.0002 5.0000 0.3543 5.0000 5.0000 5.0000 5.0000 5.0000 1.0500 0.9000 0.9561 0.9720 458.0319 228.2466 88.2580 774.5365 DE 131.8661 0.1433 0.5168 10.3992 34.0075 32.6957 1.0340 1.0232 1.0040 0.9986 1.0412 1.0190 3.6981 4.9714 3.3457 4.9654 5.0000 4.4520 5.0000 4.9695 1.0588 0.9009 0.9473 0.9677 462.0908 225.0658 87.1973 774.3538 TLBO 134.6234 38.1436 40.6093 10.0165 33.3106 33.1792 1.0200 1.0104 0.9989 1.0009 1.0315 1.0259 4.9808 2.5948 4.9907 0.3423 5.0000 4.9809 4.9995 4.7422 4.9890 1.0443 0.9002 1.0180 0.9707 462.8128 223.1704 88.7050 774.6882 1.6692 1.6507 1.5384 1.4584 1.7274 6.3545 7.1304 6.3319 6.2287 6.4826 0.1374 0.2024 0.1070 0.2180 0.1118 0.1489 0.1496 0.1491 0.1473 0.1491 53 Bảng A4 Thông số giá trị tối ưu đạt của giải thuật AHA của giải thuật khác mục tiêu cải thiện số ổn định điện áp Thông 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_TG Chi phí_WG Chi phí_Solar Tổng chi phí ($/h) Phát thải (ton/h) Tổn thất (MW) Độ lệch điện áp (pu) Chỉ số ổn định 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 Phương pháp Max AHA SSA 200 133.9195 133.2986 80 38.6217 38.1075 75 40.2391 41.0421 35 10.0497 10.0000 60 34.4326 34.4634 50 32.3020 33.1205 1.1 1.0640 1.0224 1.1 1.0473 1.0029 1.1 1.0082 0.9800 1.1 1.0071 0.9631 1.1 1.0593 1.0667 1.1 1.0571 1.0751 0.8606 3.8433 0.0000 3.8264 0.0000 4.1237 3.5484 3.2939 3.0946 4.4376 5.0000 2.2409 4.4102 5.0000 1.1 0.9564 0.9125 1.1 0.9430 0.9000 1.1 0.9739 0.9393 1.1 0.9440 0.9002 462.2888 458.6646 225.5190 228.2413 85.9845 88.5205 773.7923 775.4264 PSO 118.4638 33.7138 38.0936 35.0000 32.4962 31.2223 1.0616 1.0457 1.0179 1.0255 1.0891 1.0377 0.9665 5.0000 0.0655 0 2.6677 0.0500 0.7022 0.9933 1.1000 0.9000 0.9245 492.4104 212.6120 82.7282 787.7506 DE 130.0483 38.2173 40.8763 14.8023 32.2518 34.2501 1.0490 0.9955 0.9817 0.9803 1.0786 1.0546 3.8250 4.4692 3.3244 2.5335 5.0000 3.0367 3.6166 1.7981 0.9839 0.9475 0.9529 0.9000 465.8936 220.7686 92.1168 778.7790 TLBO 135.7629 38.4057 40.5401 10.2980 35.1465 29.4101 1.0738 1.0491 1.0268 1.0226 1.0543 1.0713 4.9909 3.0941 0.0012 0.3245 0.0001 1.8244 4.9960 0.3949 0.0618 0.9689 0.9005 1.0048 0.9364 468.0192 228.8021 77.4949 774.3161 1.6540 1.5922 0.6645 1.3055 1.8535 6.1646 6.6322 5.5897 7.0461 6.1632 0.7744 0.7644 0.4433 0.5729 0.7919 0.1389 0.1400 0.1385 0.1396 0.1377 54 TÀI LIỆU THAM KHẢO [1] R Mota-Palomino and V H Quintana Sparse reactive power scheduling by a penaltyfunction linear programming technique IEEE Trans Power Syst 1986, vol 1, no 3, pp 31–39 [2] O Alsac and B Scott Optimal load flow with steady state security IEEE Trans Power Appar Syst 1974, pp 745–751 [3] D I Sun, B Ashley, B Brewer, A Hughes, and W F Tinney Optimal power flow by Newton approach IEEE Trans Power Appar Syst 1984 vol 103, no 10, pp 28642875 [4] R C Burchett, H H Happ, and D R Vierath Quadratically convergent optimal power flow IEEE Trans Power Appar Syst 1984 vol 103, no 11, pp 3267-3276 [5] Xihui Yan and V.H Quintana Improving an interior point based OPF by dynamic adjustments of step sizes and tolerances IEEE Trans Power Syst 1999, vol 14, no 2, pp 709–717 [6] Abido MA Optimal power flow using particle swarm optimization Int J Electr Power Energy Syst 2002, 24(7):563–571 [7] Yuryevich J, Wong KP Evolutionary programming based optimal power flow algorithm IEEE Trans Power Syst 1999, 14(4):1245–1250 [8] 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, pp 736–742, 2010, doi: 10.1016/j.ijepes.2010.01.010 [9] Duman S, Guăvencá U, Soănmez Y, Yoăruăkeren N Optimal power flow using gravitational search algorithm Energy Convers Manag 2012, 59:86–95 [10] Bhattacharya A, Chattopadhyay PK Application of biogeography-based optimisation to solve different optimal power flow problems IET Gener Transm Distrib 2011, 5(1):70–80 [11] Adaryani MR, Karami A Artificial bee colony algorithm for solving multi-objective optimal power flow problem Int J Electr Power Energy Syst 2013, 53:219–230 55 [12] Nayak MR, Nayak CK, Rout PK Application of multi-objective teaching learning based optimization algorithm to optimal power flow problem Procedia Technol 2012, 6:255–264 [13] Abdo M, Kamel S, Ebeed M, Yu J, Jurado F Solving nonsmooth optimal power flow problems using a developed Grey Wolf Optimizer Energies 2018, 11(7):1692 [14] Mohamed AAA, Mohamed YS, El-Gaafary AA, Hemeida AM Optimal power flow using moth swarm algorithm Electr Power Syst Res 2017, 142:190–206 [15] Reddy, S.S Optimal power flow with renewable energy resources including storage Electrical Engineering 2017, 99, 685–695 [16] Shilaja, C.; Arunprasath, T Optimal power flow using Moth Swarm Algorithm with Gravitational Search Algorithm considering wind power Future Generation Computer Systems 2019, 98, 708–715 [17] Aien, M.; Fotuhi-Firuzabad, M.; Rashidinejad, M Probabilistic optimal power flow in correlated hybrid wind–photovoltaic power systems IEEE Transactions on Smart Grid 2014, 5, 130–138 [18] Liang, R.H.; Tsai, S.R.; Chen, Y.T.; Tseng, W.T Optimal power flow by a fuzzy based hybrid particle swarm optimization approach Electric Power Systems Research 2011, 81, 1466–1474 [19] P P Biswas, P N Suganthan, and G A J Amaratunga, Optimal power flow solutions incorporating stochastic wind and solar power Energy Convers Manage., vol 148, pp 1194–1207, Sep 2017 [20] A Panda and M Tripathy, Optimal power flow solution of wind integrated power system using modified bacteria foraging algorithm Int J Elect Power Energy Syst., vol 54, pp 306–314, Jan 2014 [21] R Roy and H T Jadhov, Optimal power flow solution of power system incorporating stochastic wind power using Gbest guided artificial bee colony algorithm Int J Elect Power Energy Syst., vol 64, pp 562–578, Jan 2015 [22] S Shargh, B K Ghazani, B Mohammadi-ivatloo, H Seyedi, and M Abapour, Probabilistic multi-objective optimal power flow considering correlated wind power 56 and load uncertainties Renew Energy, vol 94, pp 10–21, Aug 2016 [23] Phan Quốc Dũng, Phan Thị Thanh Bình, Phạm Đình Minh, Trần Minh Hưng, Nguyễn Đức Hưng, Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Công nghệ, 3(1): 366-374 [24] Le Thanh Vinh, Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Công nghệ, 2(3): 131-139 [25] Lê Duy Phúc, Bùi Minh Dương, Bành Đức Hoài, Nguyễn Thanh Hoan, Đồn Ngọc Minh,Nguyễn Minh Tùng, Nguyễn Minh Khơi, Tạp chí Phát triển Khoa học Cơng nghệ – Kĩ thuật Cơng nghệ, 2(3): 163-178 [26] Lê Đình Dương, Lê Văn Thông, Đậu Trọng Tuấn, Huỳnh Văn Kỳ, Nguyễn Quốc Tuyến , Tạp chí Khoa học Cơng nghệ Đại Học Đà Nẵng, Số 5(126).2018 [27] Thanh Long Duong, Ngoc Anh Nguyen and Thuan Thanh Nguyen “Application of meta-heuristic algorithm for finding the best solution for the optimal power flow problem”, International Journal of Intelligent Engineering and Systems, Vol.14, No.6, pp.528-538, 2021 [28] Thanh Long Duong, Ngoc Anh Nguyen and Thuan Thanh Nguyen, “A newly hybrid method based on cuckoo search and sunflower optimization for optimal power flow” Sustainable., vol 12, no 13, pp 1–19, 2020 [29] Phuong Minh Le, Thanh Long Duong, Dieu Ngoc, Tung Thanh Le, and Sy Quoc Nguyen, “An Efficient Hybrid Method for Solving Security-Constrained Optimal Power Flow Problem”, International Journal on Electrical Engineering and Informatics, Vol.12, No 4, 933-955, 2021 [30] A Saha, A Bhattacharya, A K Chakraborty and P Das, “A Powerful Metaheuristic Algorithm to Solve Static Optimal Power Flow Problems: Symbiotic Organisms Search”, International Journal on Electrical Engineering and Informatics, Vol.10, No 3, 585-614, 2018 [31] O Herbadji and T Bouktir, “Optimal Power Flow Using Firefly Algorithm with Consideration of FACTS Devices”, International Journal on Electrical Engineering and Informatics, Vol.7, No 1, 2015 57 [32] J Yuryevich and K P Wong, “Evolutionary programming based optimal power flow algorithm,” IEEE Trans Power Syst, vol 14, pp 1245-50, 1999 [33] M Tripathy and S Mishra, “Bacteria foraging-based solution to optimize both real power loss and voltage stability limit,” IEEE Transactions on Power Systems, vol 22, no 1, pp 240-248, 2007 [34] Abido MA, “Optimal power flow using tabu search algorithm,” Electric Power Compon Syst, vol 30, pp 469–83, 2002 [35] C A Roa-Sepulveda and B J Pavez-Lazo, “A solution to the optimal power flow using simulated annealing,” Int J Electr Power Energy Syst, vol 25, pp 47–57, 2003 [36] A A El Fergany, H M Hasanien, “Single and Multi-Objective Optimal Power Flow Using Grey Wolf Optimizer and Differential Evolution Algorithms”, Electric Power Components System, Vol.43, No.13, pp.1548-1559, 2015 [37] A Bhattacharya, P K Chattopadhyay, “Application of Biogeography-Based Optimisation to Solve Different Optimal Power Flow Problems”, IET Generator Transmission Distribution, Vol.5, No.1, pp.70-80, 2011 [38] M R Nayak, C K Nayak, P K Rout, “Application of Multi-Objective Teaching Learning Based Optimization Algorithm to Optimal Power Flow Problem”, Procedia Technology, Vol.6, pp.255-264, 2012 [39] H Pulluri, R Naresh, V Sharma, “A Solution Network Based on Stud Krill Herd Algorithm for Optimal Power Flow Problems”, Soft Computer, Vol 22, No.1, pp.159176, 2018 [40] S Duman, U Guăvencá Y Soănmez, N Yoăruăkeren, Optimal Power Flow Using Gravitational Search Algorithm”, Energy Convers Manager, Vol.59, No.7, pp 86-95, 2012 [41] Balasubbareddy Mallala, Divyanshi Dwivedi, “Salps warm algorithm for solving optimal power flow problem with thyristor-controlled series capacitor”, Journal of Electronic Science and Technology, Vol 20, pp 1-9, 2022 [42] C Mishra, S P Singh, and J Rokadia, ‘‘Optimal power flow in the presence of wind power using modified cuckoo search,’’ IET Gener., Transmiss Distrib, Vol 9, No 7, 58 pp 615–626, 2015 [43] J Luo, L Shi, and Y Ni, ‘‘A solution of optimal power flow incorporating wind generation and power grid uncertainties,’’ IEEE Access, Vol 6, pp 19681–19690, 2018 [44] C S Saunders, “Point estimate method addressing correlated wind power for probabilistic optimal power flow,” IEEE Trans Power Syst, Vol 29, No 3, pp 1045– 1054, 2014 [45] M Rizwan, L Hong, W Muhammad, S W Azeem, and Y Li, “Hybrid Harris Hawks optimizer for integration of renewable energy sources considering stochastic behavior of energy sources”, International Transactions on Electrical Energy Systems, Vol 31, 2021 [46] T Mahmoud, Z Y Dong, and J Ma, “An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine”, Renew Energy, Vol 126, pp 254–269, 2018 [47] I U Khan, N Javaid, K A A Gamage, C James Taylor, S Baig, and X Ma, “Heuristic Algorithm Based Optimal Power Flow Model Incorporating Stochastic Renewable Energy Sources,” IEEE Access, vol 8, pp 148622–148643, 2020 [48] Herbadji, O.; Slimani, L.; Bouktir, T, “Optimal power flow with four conflicting objective functions using multiobjective ant lion algorithm: A case study of the Algerian electrical network”, Iran J Electr Electron Eng Vol.15, 94–113, 2019 [49] Herbadji, O.; Slimani, L.; Bouktir, T “Multi-objective optimal power flow considering the fuel cost, emission, voltage deviation and power losses using Multi-Objective Dragonfly algorithm”, In Proceedings of the International Conference on Recent Advances in Electrical Systems, Bangalore, India, pp 191–197, 2017 [50] Bouchekara, H.R.E.H.; Chaib, A.E.; Abido, M.A.; El-Sehiemy, R.A, “Optimal power flow using an Improved Colliding Bodies Optimization algorithm” Appl Soft Comput J Vol.42, 119–131, 2016 [51] Rawa, M.; Abusorrah, A.; Bassi, H.; Mekhilef, S.; Ali, Z.M.; Abdel Aleem, S.H.E.; Hasanien, H.M.; Omar, A.I, “Economical technical-environmental operation of power networks with wind-solar-hydropower generation using analytic hierarchy process and 59 improved grey wolf algorithm”, Ain Shams Eng J Vol 12, 2717–2734, 2021 [52] Khunkitti, S.; Siritaratiwat, A.; Premrudeepreechacharn, S.; Chatthaworn, R.; Watson, N “A Hybrid DA-PSO Optimization Algorithm for Multiobjective Optimal Power Flow Problems”, Energies, Vol.11, 2018 [53] P P Biswas, P N Suganthan, and G A J Amaratunga, “Optimal power flow solutions incorporating stochastic wind and solar power,” Energy Convers Manag., vol 148, pp 1194–1207, 2017 [54] M Farhat, S Kamel, A M Atallah, and B Khan, “Optimal power flow solution based on jellyfish search optimization considering uncertainty of renewable energy sources,” IEEE Access, vol 9, pp 100911–100933, 2021 [55] M Riaz, A Hanif, S J Hussain, M I Memon, M U Ali and A Zafar, “An Optimization-Based Strategy for Solving Optimal Power Flow Problems in a Power System Integrated with Stochastic Solar and Wind Power Energy”, Applied Sciences, Vol 11, pp 1-27, 2021 [56] Z Beheshti, S Shamsuddin, A review of population-based meta-heuristic algorithms, Int J Adv Soft Comput Appl (1) (2011) 1–35 [57] C Blum, A Roli, Meta-heuristics in combinatorial optimization: Overview and conceptual comparison, ACM Comput Surv 35 (2003) 268–308 [58] T Mantere, J Alander, Evolutionary software engineering, a review, Appl Soft Comput (3) (2005) 315–331 [59] S Yang, X Gu, Y Liu, R Hao, S Li, A general multi-objective optimized wavelet flter and its applications in fault diagnosis of wheelset bearings, Mech Syst Signal Process 145 (2020) 106914 [60] W Zhao, L Wang, Z Zhang, Atom search optimization and its application to solve a hydrogeologic parameter estimation problem, Knowl.-Based Syst 163 (2019) 283– 304 [61] H Wang, Z Ren, X Li, X Chen, H Jiang, Solving team making problem for crowdsourcing with hybrid metaheuristic algorithm, in: Proceedings of the Genetic and Evolutionary Computation Conference Companion, 2018, pp 318–319 60 [62] W Zhao, L Wang, Z Zhang, Supply-demand-based optimization: a novel economicsinspired algorithm for global optimization, IEEE Access (2019) 73182–73206 [63] E Rodríguez-Esparza, L.A Zanella-Calzada, D Oliva, A.A Heidari, D Zaldivar, M Pérez-Cisneros, L.K Foong, An effcient Harrishawks-inspired image segmentation method, Expert Syst Appl 155 (2020) 113428 [64] I.A Doush, E Santos, A sensitivity analysis for harmony search with multi-parent crossover algorithm, in: Proceedings of SAI Intelligent Systems Conference, Springer, 2019, pp 276–284 [65] N Ferro, S Micheletti, S Perotto, An optimization algorithm for automatic structural design, Comput Methods Appl Mech Engrg 372 (2020) [66] L Abualigah, A Diabat, S Mirjalili, M Abd Elaziz, A.H Gandomi, The arithmetic optimization algorithm, Comput Methods Appl Mech Engrg 376 (2021) 113609 [67] W Zhao, T Shi, L Wang, Q Cao, H Zhang, An adaptive hybrid atom search optimization with particle swarm optimization and its application to optimal no-load PID design of hydro-turbine governor, J comput Des Eng (5) (2021) 1204–1233 [68] W Zhao, C Du, S Jiang, An adaptive multiscale approach for identifying multiple flaws based on XFEM and a discrete artifcialfsh swarm algorithm, Comput Methods Appl Mech Engrg 339 (2018) 341–357 [69] A Darwish, Bio-inspired computing: Algorithms review, deep analysis, and the scope of applications, Future Comput Inform J 3(2) (2018) 231–246 [70] A Hatamlou, A hybrid bio-inspired algorithm and its application, Appl Intell 47 (4) (2017) 1059–1067 [71] J.H Holland, Genetic algorithms, Sci Am 267 (1) (1992) 66–73 [72] A Gogna, A Tayal, Metaheuristics: review and application, J Exp Theor Artif Intell 25 (4) (2013) 503–526 [73] J Kennedy, R Eberhart, Particle swarm optimization, in: Proceedings of ICNN’95International Conference on Neural Networks, Vol.4, IEEE, 1995, pp 1942–1948 [74] Y Zhang, S Wang, G Ji, A comprehensive survey on particle swarm optimization algorithm and its applications, Math Probl Eng.2015 (2015) 61 [75] M Dorigo, V Maniezzo, A Colorni, Ant system: optimization by a colony of cooperating agents, IEEE Trans Syst Man Cybern.B 26 (1) (1996) 29–41 [76] M.N Ab Wahab, S Nefti-Meziani, A Atyabi, A comprehensive review of swarm optimization algorithms, PLoS One 10 (5) (2015) [77] D Karaboga, B Akay, A comparative study of artifcial bee colony algorithm, Appl Math Comput 214 (1) (2009) 108–132 [78] G Yan, C Li, An effective refnement artifcial bee colony optimization algorithm based on chaotic search and application for PID control tuning, J Comput Inf Syst (9) (2011) 3309–3316 [79] X.S Yang, S Deb, Cuckoo search via Lévy flights, in: 2009 World Congress on Nature & Biologically Inspired Computing, NaBIC, IEEE, 2009, pp 210–214 [80] X.S Yang, S Deb, Engineering optimisation by cuckoo search, Int J Math Model Numer Optim (4) (2010) 330–343 [81] S Yin, J Liu, Y Zhang, L Teng, Cuckoo search algorithm based on mobile cloud model, Int J Innovative Comput Inf Control12 (6) (2016) 1809–1819 [82] J Wang, B Zhou, S Zhou, An improved cuckoo search optimization algorithm for the problem of chaotic systems parameter estimation, Comput Intell Neurosci (2016) 1– [83] X.S Yang, A.H Gandomi, Bat algorithm: a novel approach for global engineering optimization, [29] Eng Comput 29 (5) (2012) 464–483 K.N Krishnanand, D Ghose, Detection of multiple source locations using a glowworm metaphor with applications to collective robotics, in: Proceedings 2005 IEEE Swarm Intelligence Symposium, SIS 2005, IEEE, 2005, pp 84–91 [84] W.T Pan, A new fruit fly optimization algorithm: taking the fnancial distress model as an example, Knowl.-Based Syst 26 (2012) 69–74 [85] K.M Passino, Biomimicry of bacterial foraging for distributed optimization and control, IEEE Control Syst Mag 22 (3) (2002) 52–67 W Zhao, L Wang and S Mirjalili Computer Methods in Applied Mechanics and Engineering 388 (2022) 114194 62 [86] M Jain, V Singh, A Rani, A novel nature-inspired algorithm for optimization: Squirrel search algorithm, Swarm Evol Comput 44 (2019) 148–175 [87] W Zhao, L Wang, Z Zhang, Artifcial ecosystem-based optimization: a novel natureinspired meta-heuristic algorithm, Neural Comput.Appl 32 (13) (2020) 9383–9425 [88] A Kaveh, N Farhoudi, A new optimization method: Dolphin echolocation, Adv Eng Softw 59 (2013) 53–70 [89] O Abedinia, N Amjady, A Ghasemi, A new metaheuristic algorithm based on shark smell optimization, Complexity 21 (5) (2016) 97–116 [90] S Mirjalili, A Lewis, The whale optimization algorithm, Adv Eng Softw 95 (2016) 51–67 [91] M.D Li, H Zhao, X.W Weng, T Han, A novel nature-inspired algorithm for optimization: Virus colony search, Adv Eng Softw.92 (2016) 65–88 [92] A Cheraghalipour, M Hajiaghaei-Keshteli, M.M Paydar, Tree growth algorithm (TGA): A novel approach for solving optimization problems, Eng Appl Artif Intell 72 (2018) 393–414 [93] G Dhiman, V Kumar, Emperor penguin optimizer: A bio-inspired algorithm for engineering problems, Knowl.-Based Syst 159 (2018) 20–50 [94] A.R Mehrabian, C Lucas, A novel numerical optimization algorithm inspired from weed colonization, Ecol Inform (4) (2006) 355–366 [95] S Arora, S Singh, Butterfly optimization algorithm: a novel approach for global optimization, Soft Comput 23 (3) (2019) 715–734 [96] G Dhiman, V Kumar, Spotted hyena optimizer: a novel bio-inspired based metaheuristic technique for engineering applications, Adv Eng Softw 114 (2017) 48– 70 [97] A.H Gandomi, A.H Alavi, Krill herd: A new bio-inspired optimization algorithm, Commun Nonlinear Sci Numer Simul 17 (12) (2012) 4831–4845 [98] S.H.S Moosavi, V.K Bardsiri, Satin bowerbird optimizer: A new optimization algorithm to optimize ANFIS for software development effort estimation, Eng Appl Artif Intell 60 (2017) 1–15 63 [99] F Merrikh-Bayat, The runner-root algorithm: A metaheuristic for solving unimodal and multimodal optimization problems inspired by runners and roots of plants in nature, Appl Soft Comput 33 (2015) 292–303 [100] A Askarzadeh, Bird mating optimizer: an optimization algorithm inspired by bird mating strategies, Commun Nonlinear Sci Numer Simul 19 (4) (2014) 1213–1228 [101] S Saremi, S Mirjalili, A Lewis, Grasshopper optimisation algorithm: theory and application, Adv Eng Softw 105 (2017) 30–47 [102] X.S Yang, Flower pollination algorithm for global optimization, in: International Conference on Unconventional Computing and Natural Computation, Springer, 2012, pp 240–249 [103] A Askarzadeh, A novel metaheuristic method for solving constrained engineering optimization problems: crow search algorithm, Comput Struct 169 (2016) 1–12 [104] Z Meng, J.-S Pan, Monkey king evolution: A new memetic evolutionary algorithm and its application in vehicle fuel consumption optimization, Knowl.-Based Syst 97 (2016) 144–157 [105] S Mirjalili, S.M Mirjalili, A Lewis, Grey wolf optimizer, Adv Eng Softw 69 (2014) 46–61 [106] I Fister Jr., X.-S Yang, I Fister, J Brest, D Fister, A brief review of nature-inspired algorithms for optimization, 2013, arXiv preprint arXiv:1307.4186 [107] N.S Jaddi, S Abdullah, Optimization of neural network using kidney-inspired algorithm with control of fltration rate and chaotic map for real-world rainfall forecasting, Eng Appl Artif Intell 67 (2018) 246–259 [108] G Zhu, S Kwong, Gbest-guided artifcial bee colony algorithm for numerical function optimization, Appl Math Comput 217 (7)(2010) 3166–3173 [109] Z Yan, J Zhang, J Zeng, J Tang, Nature-inspired approach: An enhanced whale optimization algorithm for global optimization, Math Comput Simulation 185 (2021) 17–46 [110] S Gupta, K Deep, A memory-based grey wolf optimizer for global optimization tasks, 64 Appl Soft Comput 93 (2020) 106367 [111] Weiguo Zhaoa, Liying Wanga, Seyedali Mirjalilib “Artificial hummingbird algorithm: A new bio-inspired optimizer with its engineering applications”, Comput Methods Appl Mech Engrg 388 (2022) 114194 [112] B.A Fennelly, Observations from the jewel rooms, Ecotone (1) (2012) 74–85 [113] D.L Altshuler, R Dudley, The ecological and evolutionary interface of hummingbird flight physiology, J Exp Biol 205 (16) (2002) 2325–2336 [114] B.J Ward, L.B Day, S.R Wilkening, D.R Wylie, D.M Saucier, A.N Iwaniuk, Hummingbirds have a greatly enlarged hippocampal formation, Biol Lett (4) (2012) 657–659 [115] M Bateson, S.D Healy, T.A Hurly, Context–dependent foraging decisions in rufous hummingbirds, Proc R Soc B 270 (1521) (2003) 1271–1276 [116] J Henderson, T.A Hurly, M Bateson, S.D Healy, Timing in free-living rufous hummingbirds, Selasphorus rufus, Curr Biol 16 (5) (2006) 512–515 [117] D Griffths, A Dickinson, N Clayton, Episodic memory: what can animals remember about their past? Trends Cogn Sci (2) (1999) 74–80 [118] D Warrick, T Hedrick, M.J Fernandez, B Tobalske, A Biewener, Hummingbird flight, Curr Biol 22 (12) (2012) R472–R477 [119] F Leys, D Reynaerts, D Vandepitte, Outperforming hummingbirds’ load-lifting capability with a lightweight hummingbird-likeflapping-wing mechanism, Biol Open (8) (2016) 1052–1060 [120] Zhao W, Wang L, Mirjalili S, “Artificial hummingbird algorithm: A new bio-inspired optimizer with its engineering applications” Comput Methods Appl Mech Eng, Vol 388, pp.114194, 2022 [121] R D Zimmerman and C E Murillo-s, “Matpower manual de usuario Version 7.1,” p 248, 2020, [Online] Available: https://matpower.org/doc/ 65 PHẦN III PHỤ LỤC ĐÍNH KÈM (Tất văn có sẵn, chủ nhiệm cần photo đính kèm sau nội dung trên, sử dụng lý hợp đồng với phịng kế tốn Khi lý, báo cáo in thành 03 cuốn, đó, 01 đóng bìa mạ vàng, 02 đóng bìa cứng thường) Hợp đồng thực hiện đề tài nghiên cứu khoa học Thuyết minh đề tài phê duyệt Quyết định nghiệm thu Hồ sơ nghiệm thu (biên họp, phiếu đánh giá, bảng tổng hợp điểm, giải trình, phiếu phản biện) Sản phẩm nghiên cứu (bài báo, vẽ, mơ hình .) 66