ĐIỆN MẶT TRỜI VÀ ẢNH HƯỞNG CỦA ĐIỆN MẶT
TRỜI ĐẾN LƯỚI PHÂN PHỐI
HỆ THỐNG ĐIỆN MẶT TRỜI MÁI NHÀ NỐI LƯỚI
Hình 1.1.1 Hệ thống điện mặt trời mái nhà nối lưới
Nhu cầu về năng lượng của con người trong thời đại khoa học kỹ thuật phát triển không ngừng tăng Vấn đề đảm bảo an ninh năng lượng là điều mà mỗi quốc gia luôn đặt ra cho tương lai Ngày nay, với sự nóng lên của khí hậu toàn cầu gây ra bởi hiệu ứng nhà kính và các hiện tượng ̣thời tiết cực đoan khác, cùng với sản lượng của nhiên liệu hóa thạch ngày càng giảm và có xu hướng cạn kiệt trong ̣tương lai, giá thành ngày càng tăng, việc sử dụng năng lượng thay thế, tái tạo như là một giải pháp được sử dụng rộng rãi ở các nước trên thế giới Do vậy, việc bổ sung các nguồn này vào lưới điện truyền thống là một vấn đề đang được quan tâm nghiên cứu và ứng dụng Nguồn năng lượng điện mặt trời là một trong những nguồn thay thế quan trọng ̣đó, bởi đây là nguồn năng lượng được coi là vô tận, không ̣gây ô nhiễm môi trường
Hệ thống điện mặt trời mái nhà hòa lưới là giải pháp hiệu quả cho các khu vực có lưới điện Chi phí đầu tư và bảo trì thấp giúp người dùng tiết kiệm chi phí tiêu thụ điện từ lưới Sử dụng năng lượng sạch đang trở thành xu hướng phổ biến trên thế giới và tại Việt Nam, góp phần bảo vệ môi trường và phát triển bền vững.
Cấu hình của một hệ thống mặt trời mái nhà nối lưới gồm:
Tấm pin năng lượng mặt trời
Thiết bị đo đếm và bảo vệ
Hiện nay, công nghệ năng lượng mặt trời không ngừng có những nghiên cứu phát triển tìm thêm giải pháp mới để khai thác nguồn năng lượng mặt trời tối ưu hơn Các thiết kế mô-đun được tiêu chuẩn hóa, tối ưu hóa để tạo ra một hệ thống điện mặt trời với chi phí thấp nhất có thể cạnh tranh với điện truyền thống
Bảng 1.1-1 Thông số các loại tấm pin khác nhau
Các tấm PV được chứng nhận theo tiêu chuẩn IEC/CE/UL là cần thiết Tuy nhiên, các tấm PV có thể hoạt động khác nhau dưới các điều kiện: cường độ bức xạ, nhiệt độ, độ che bóng và điện áp Do đó, một số tiêu chí để lựa chọn tấm pin mặt trời được đưa ra như sau:
Bảng 1.1.1: Tiêu chí chọn tấm pin
Khi lựa chọn giữa các công nghệ sản suất tấm PV như là tấm PV loại đơn tinh thể (Mono-Si), đa tinh thể (Poli-Si) Mỗi công nghệ sẽ đưa ra một giá trị chất lượng cao/thấp từ các nhà sản suất khác nhau
Hiệu suất của tấm pin
Tấm PV có hiệu suất cao sẽ tiết kiệm được diện tích lắp đặt, dây cáp và kết cấu giá đỡ tấm pin trên mỗi kWp được lắp đặt hơn khi sử dụng tấm PV với hiệu suất thấp
Công suất tấm pin mặt trời thường đi kèm với dung sai về công suất đầu vào so với công suất định mức Đối với loại pin tinh thể, dung sai thông thường từ 0/+3% đến 0/+5%, trong khi pin CdTe và CIGS có thể đạt +5% Ở những nhà máy điện mặt trời công suất lớn, dung sai của tấm pin có ảnh hưởng đáng kể đến hiệu suất hoạt động.
Tổn thất nhiệt Giá trị của công suất thay đổi theo nhiệt độ sẽ được cân nhắc khi lắp đặt tấm PV tại khu vực có khí hậu nóng
Các nhà sản suất tấm năng lượng mặt trời sẽ cung cấp các nguồn thông tin về khả năng hoạt động lâu dài và sự suy giảm hiệu suất của tấm PV
Chức năng của bypass diodes là làm giảm tổn thất do ảnh hưởng che bóng lên bề mặt tấm PV Điều khoản bảo hành
Các điều khoản bảo hành sản phẩm và bảo hành công suất của các nhà sản xuất là rất quan trọng trong việc lựa chọn tấm PV Điện áp lớn nhất
Khi chọn số lượng các PV trong một chuỗi với các tấm pin với điện áp hở mạch (Voc), cần kiểm tra xem điều kiện nhiệt độ cực đại và cực tiểu đảm bảo không vượt quá điện áp hệ thống tối đa (1500V) Tiêu chí khác Chi phí cho các tấm PV và tuổi thọ
Hệ thống pin mặt trời biến đổi năng lượng mặt trời thành điện một chiều, vì vậy cần phải có các bộ biến đổi điện một chiều từ pin mặt trời thành điện xoay chiều để đấu nối vào hệ thống lưới điện
Các bộ Inverter này được sử dụng để đạt được nguồn điện xoay chiều ở điện áp được sử dụng trong lưới chính mặc dù có sự thay đổi liên tục, trong đó tín hiệu điện lưới được sử dụng để đồng bộ hóa Inverter với lưới
Ngoài ra, hiện nay các bộ Inverter này thường bao gồm các giao diện ghi dữ liệu /giám sát cơ bản/tinh vi và cũng có cả chức năng “test”
1.1.2.1 Các thông số của INVERTER
Efficiency curve: Inverter hoạt động với hiệu suất khác nhau tùy thuộc vào tỉ lệ công suất ngõ ra với công suất định mức của Inverter
Max DC power (at cosφ =1): công suất ngõ vào DC lớn nhất cho phép
Max input voltage: điện áp DC lớn nhất cho phép
MPP voltage range: khoảng điện áp để đạt điểm công suất cực đại
Rated input voltage: điện áp định mức ngõ vào
Max input current: dòng điện DC lớn nhất cho phép
Number of independent MPP inputs: số ngõ vào điểm công suất cực đại, khi cần lắp đặt ở hai hay nhiều hướng mái nhà khác nhau thì các điều kiện về góc phương vị (góc lệch của tấm pin so với hướng Nam), bóng che, gió, … nên dẫn đến điểm công suất cực đại sẽ khác nhau vì vậy ta cần nhiều ngõ vào điểm công suất cực đại khác nhau cho mỗi mái
Rated power: công suất AC định mức
Nominal AC voltage: điện áp AC định mức
AC power frequency: tần số AC định mức
Max output current: dòng điện AC lớn nhất ngõ ra cho phép
Max efficiency: hiệu suất lớn nhất
Inverter một string ngõ vào (Single – string Inverter):
Loại Inverter này ngõ vào được kết nối bởi một string các tấm pin ghép nối tiếp
Công suất định mức từ 0.7kW đến 3kW
Mỗi Inverter chỉ có một bộ dò điểm công suất cực đại MPP
Các tấm pin ghép nối tiếp thành một string nối vào Inverter phải cùng đặc tính về công nghệ và về điện
Inverter nhiều string ngõ vào (Multi – string Inverter):
Các bộ Inverter này là sự kết hợp của nhiều bộ biến tần đơn với trung tâm Công suất định mức của chúng là khoảng từ 3kW đến 20 kW Về phía các tấm pin, chúng bao gồm một số bộ biến tần chuỗi đơn nhưng ở phía lưới chúng giống như bộ biến tần trung tâm
Mỗi Inverter có nhiều bộ dò điểm công suất cực đại MPP
Mỗi Inverter có thể có nhiều string tấm pin được kết nối, mỗi string có định hướng, độ nghiêng và công suất định mức khác nhau
1.1.2.3 Chọn Inverter dựa trên tấm pin mặt trời
Chọn Inverter phải tương thích với hệ thống các tấm pin mặt trời theo các tiêu chí sau:
Công suất biểu kiến định mức (VA) không được nhỏ hơn 100% hoặc lớn hơn 110% của công suất hệ thống tấm pin ở điều kiện bình thường STC
NGUYÊN LÝ HOẠT ĐỘNG CỦA HỆ THỐNG ĐIỆN MẶT TRỜI MÁI NHÀ NỐI LƯỚI
Các tấm pin năng lượng mặt trời chuyển đổi bức xạ mặt trời thành dòng điện một chiều (DC) Dòng điện DC đó sẽ được chuyển hóa thành dòng điện xoay chiều (AC) bởi
Inverter được trang bị thuật toán MPPT (Maximum Power Point Tracking) nhằm tối ưu hóa năng lượng tạo ra từ hệ thống pin mặt trời
Nguồn điện AC từ hệ thống pin năng lượng mặt trời sẽ được kết nối với tủ điện chính của khu vực lắp đặt, hòa đồng bộ vào lưới điện hiện hữu, cung cấp điện năng song song với nguồn điện lưới, giúp giảm điện năng tiêu thụ từ lưới của khu vực sử dụng Khi điện lưới bị mất, Inverter sẽ nhanh chóng ngắt kết nối với lưới điện Điều này đảm bảo chắc chắn trong trường hợp lưới mất điện, hệ thống pin năng lượng mặt trời không phát vào lưới điện gây nguy hiểm cho nhân viên sửa chữa Chức năng này gọi là anti-islanding
1.2.2 PHÂN BỐ CUNG CẤP ĐIỆN NĂNG CỦA HỆ THỐNG NĂNG LƯỢNG MẶT TRỜI MÁI NHÀ NỐI LƯỚI CHO NHU CẦU PHỤ TẢI
Năng lượng mặt trời đáp ứng vừa đủ nhu cầu tải:
Hình 1.2.1 Năng lượng mặt trời bằng tải
Khi sản lượng điện của hệ thống pin mặt trời tương đương với nhu cầu tiêu thụ năng lượng của tải, toàn bộ điện năng từ hệ thống pin mặt trời sẽ ưu tiên cung cấp trực tiếp cho tải, không cần phải sử dụng điện lưới hoặc lưu trữ trong hệ thống Điều này giúp hệ thống đạt được hiệu suất cao nhất, giảm thiểu tổn thất năng lượng và tiết kiệm chi phí cho người sử dụng.
Năng lượng mặt trời chỉ đáp ứng một phần nhu cầu tải
Hình 1.2.2 Năng lượng mặt trời nhỏ hơn tải
Trường hợp năng lượng tải lớn hơn so với năng lượng tạo ra của hệ pin mặt trời thì Inverter sẽ có chế độ thông minh tự động chuyển nguồn điện từ điện lưới bù vào năng lượng còn thiếu của tải, đảm bảo luôn cung cấp đủ năng lượng cho tải
Năng lượng mặt trời tạo ra nhiều năng lượng hơn so với tải
Hình 1.2.3 Năng lượng mặt trời lớn hơn tải
Trường hợp năng lượng tải nhỏ hơn so với năng lượng tạo ra của hệ PV thì Inverter sẽ chuyển hóa nguồn năng lượng thừa này và trả ngược lại điện lưới, giúp chúng ta giảm thiểu chi phí phải trả cho điện lưới và phía EVN sẽ căn cứ theo số điện trả ngược lại lưới mà hoàn tiền lại cho chúng ta (hay còn gọi là bán điện).
HỆ THỐNG GIÁM SÁT THÔNG TIN – QUẢN LÝ DỮ LIỆU VẬN HÀNH 10 CHƯƠNG 2
Hình 1.3.1 Hệ thống giám sát – quản lý vận hành qua các thiết bị thông minh
Hệ thống SCADA cho phép giám sát hệ thống thời gian thực từ xa qua Ethernet, GSM, WiFi hoặc 3G/4G, cung cấp thông tin liên tục về công suất, bức xạ mặt trời, nhiệt độ, điện năng tạo ra và trạng thái hoạt động Hệ thống phân tích dữ liệu và đưa ra khuyến nghị để tối ưu hóa hiệu suất, đồng thời người vận hành có thể theo dõi hệ thống mọi lúc mọi nơi Ngoài ra, SCADA có khả năng tự động cập nhật dữ liệu ngay cả sau khi mất kết nối, đảm bảo tính liên tục và độ tin cậy trong quá trình giám sát hệ thống.
Các chức năng chính của hệ thống SCADA:
Năng lượng tạo ra của hệ thống pin mặt trời nối lưới (kW)
Thể hiện các thông số năng lượng bằng các biểu đồ
Lượng giảm phát thải CO2 (kg)
Công suất tải yêu cầu (kWh)
Điện áp (V), dòng điện (A) của hệ thống pin năng lượng
Trạng thái các tấm pin, Inverter
Điện áp AC, dòng điện AC
Hệ số công suất AC (AC Power Factor)
Cảnh báo ngắn mạch chạm đất (Earth fault detection)
Tổng sản lượng điện tích lũy được trong ngày, trong tháng, trong năm
Biểu đồ công suất phát điện mỗi ngày
Các trạng thái bảo vệ hệ thống
Trạng thái tự động tắt toàn bộ hệ thống khi có lỗi nghiêm trọng xảy ra
Trạng thái tự động ngắt kết nối để bảo vệ
Đo đếm và giám sát việc phát điện lên lưới
TỔNG QUAN VÀ ẢNH HƯỞNG CỦA ĐIỆN MẶT TRỜI NỐI LƯỚI KHI VẬN HÀNH HỆ THỐNG LƯỚI ĐIỆN
TỔNG QUAN
Phân phối điện là giai đoạn cuối cùng trong việc truyền tải điện đến hộ tiêu dùng Lưới điện phân phối (LĐPP) sẽ nhận điện từ hệ thống lưới truyền tải và chuyển đến hộ tiêu dùng điện năng Dòng công suất sẽ đi từ nguồn (hệ thống lưới truyền tải) qua LĐPP đến cung cấp cho phụ tải
2.1.1 Đặc điểm của lưới điện phân phối
Hệ thống phân phối điện năng được xây dựng và lắp đặt phải đảm bảo nhận điện năng từ một hay nhiều nguồn cung cấp và phân phối đến các hộ tiêu thụ
Theo thông tư 30/2019/TT-BCT “Quy định về hệ thống điện phân phối” lưới điện phân phối gồm có 3 phần:
Lưới phân phối cao áp có cấp điện áp 110kV cung cấp cho các trạm trung gian cao/trung áp
Lưới phân phối trung áp có các cấp điện áp 1-35kV phân phối điện cho các trạm phân phối trung/hạ áp và các phụ tải trung áp
Lưới hạ áp cấp điện cho các phụ tải hạ áp 0.38kV Đảm bảo cung cấp điện tiêu thụ ít gây ra mất điện nhất Bằng các biện pháp cụ thể như có thể có nhiều nguồn cung cấp, có đường dây dự phòng, có nguồn thay thế như máy phát, …
Lưới điện phân phối vận hành dễ dàng linh hoạt và phù hợp với việc phát triển lưới điện trong tương lai Đảm bảo chất lượng điện năng cao nhất về ổn định tần số và ổn định điện áp Độ biến thiên điện áp cho phép là 5% Uđm Đảm bảo chi phí tu dưỡng, bảo dưỡng là nhỏ nhất
2.1.2 Vận hành lưới điện phân phối
LĐPP có cấu trúc hình tia hoặc mạch vòng nhưng vận hành trong trạng thái hở trong mọi trường hợp vì các lí do:
Tổng trở của LĐPP vận hành hở lớn hơn so với vận hành vòng kín nên dòng ngắn mạch bé khi có sự cố
Dòng ngắn mạch bé khi vận hành hở dẫn đến việc chi phí đầu tư thiết bị giảm
Trong vận hành hở, các relay bảo vệ lộ ra chỉ cần dùng các loại relay đơn giản, rẻ tiền như relay quá dòng vô hướng, thấp áp, …mà không nhất thiết phải trang bị các loại relay phức tạp như định hướng, khoảng cách, so lệch, … nên việc phối hợp bảo vệ relay trở nên dễ dàng hơn và mức đầu tư cũng giảm xuống
Chỉ sử dụng Cầu chì tự rơi (FCO) hoặc Cầu chì tự rơi cắt có tải (LBFCO) để bảo vệ nhánh rẽ hình tia trên cùng một đoạn và kết hợp với Recloser để ngăn chặn sự cố thoáng qua, đảm bảo lưới điện vận hành ổn định và an toàn.
Khi có sự cố, do vận hành hở, nên sự cố không lan truyền qua các phụ tải khác, giảm phạm vi cắt điện tạm thời khi sự cố
Điều khiển điện áp trên từng tuyến dây dễ dàng hơn và giảm được phạm vi mất điện trong thời gian giải trừ sự cố
Nếu chỉ xem xét giá xây dựng mới lưới phân phối, thì phương án kinh tế là các lưới hình tia
2.1.3 Nhiệm vụ lưới phân phối
Lưới điện phân phối có các nhiệm vụ sau:
Cung cấp phương tiện để truyền tải năng lượng điện đến hộ tiêu thụ
Cung cấp phương tiện để các công ty điện lực phục vụ điện năng đến người tiêu thụ điện
Đảm bảo chất lượng điện năng và độ tin cậy cung cấp điện
Đảm bảo một số yêu cầu an toàn trong giới hạn cho phép.
ẢNH HƯỞNG ĐIỆN MẶT TRỜI CỤ THỂ TRÊN MỘT TUYẾN DÂY PHÂN PHỐI TP HCM
Tiêu chí phân tích đánh giá và phương pháp nghiên cứu
3.1.1 Các tiêu chí đánh giá
Luận văn này thực hiện việc phân tích, đánh giá các yếu tố:
Điện áp: xem sự ảnh hưởng của điện mặt trời đến độ lớn của điện áp xuyên suốt tuyến dây
Trào lưu công suất: Trong hệ thống phân phối, dòng điện thường là một chiều từ hệ thống 110kV đến trung thế và đến hạ thế Tuy nhiên, ở mức độ thâm nhập cao của các hệ thống điện mặt trời, có những thời điểm khi điện mặt trời sản xuất nhiều hơn nhu cầu tiêu thụ, đặc biệt là tại buổi trưa và kết quả là hướng của dòng điện là đảo ngược từ hệ thống điện mặt trời mái nhà sang phía hạ thế và sang phía trung thế 22kV Dòng điện ngược này có thể gây ảnh hưởng tới mức tải cũng như tổn thất trên tuyến dây
Tổn hao công suất: Các hệ thống nguồn phân tán nhìn chung là có tác dụng giảm tổn thất hệ thống khi chúng đưa nguồn phát đến gần phụ tải Tuy nhiên nhận xét này là đúng cho đến khi trào lưu công suất ngược bắt đầu xảy ra
Bài luận sử dụng phương pháp nghiên cứu xác định giả định các trường hợp xảy ra trên mô hình lưới cụ thể (lưới điện Tp HCM) Từ đó xem các giá trị điện áp, dòng điện, công suất và tổn hao trên đường dây ứng với các trường hợp mô phỏng.
Trường hợp 1: Điện mặt trời tập trung ở đầu tuyến dây
Trường hợp 2: Điện mặt trời tập trung ở giữa tuyến dây
Trường hợp 3: Điện mặt trời tập trung ở cuối tuyến dây
Trường hợp 4: Điện mặt trời phân bố dọc tuyến dây Ứng với từng trường hợp sẽ khảo sát ảnh hưởng của điện mặt trời ứng với các mức độ thâm nhập khác nhau (thực tế, 33%, 50% và 75%).
Xây dựng lưới điện thực tế
Tiến hành việc mô phỏng dựa trên cơ sở dữ liệu thực tế của Trung tâm Điều độ Hệ thống điện Thành phố Hồ Chí Minh của tuyến dây phân phối 22kV – tuyến 476 Rạch Tra, trạm trung gian Đông Thạnh
Hình 3.2.1 Tuyến 476 Rạch Tra - trạm Đông Thạnh
3xAC240: dây dẫn trên không 3 pha tiết diện 240mm 2
3xM240: cáp ngầm tiết diện 240mm 2
2x3xM240: cáp ngầm đôi tiết diện 240mm 2
Trong đó các thông số của các loại dây (tính trên 1 km chiều dài) được lấy từ phần mềm Aspen như các hình dưới đây:
Hình 3.2.2 Thông số dây AC240
3.2.2 Thông số tải – tụ bù – nguồn mặt trời mái nhà
Công suất các tải, tụ bù và các nguồn điện mặt trời mái nhà trên lưới điện được thống kê như bảng sau:
Bảng 3.2-1 Thông số của tải, tụ bù và điện mặt trời mái nhà
KẾT QUẢ MÔ PHỎNG
Sử dụng tool MatPower của phần mềm Matlab để chạy bài toán phân bố công suất cho từng trường hợp
Trường hợp 1: Điện mặt trời tập trung ở đầu tuyến dây
Trường hợp 2: Điện mặt trời tập trung ở giữa tuyến dây
Trường hợp 3: Điện mặt trời tập trung ở cuối tuyến dây
Trường hợp 4: Điện mặt trời phân bố dọc tuyến dây Ụ Ả Ặ Ờ
3.3.1 Điện áp tại các nút Bảng 3.3-1 Điện áp tại các nút
DỌC TUYẾN ĐẦU TUYẾN GIỮA TUYẾN CUỐI TUYẾN 33%
3.3.1.1 Khi mức thâm nhập là 33%
Hình 3.3.1 Điện áp nút với mức thâm nhập điện mặt trời 33%
Khi có điện mặt trời giúp cải thiện điện áp tại các nút:
Đối với khi điện mặt trời phân bố chủ yếu ở đầu tuyến thì điện áp được cải thiện tuy nhiên mức cải thiện khi càng về cuối tuyến không cao so với khi phân bố giữa tuyến, dọc tuyến và cuối tuyến
Trong đó khi điện mặt trời phân bố cuối tuyến giúp cải thiện điện áp tại các nút đều cải thiện đáng kể và tổng độ rơi áp suốt tuyến dây là thấp nhất
3.3.1.2 Khi mức thâm nhập là 50%
Hình 3.3.2 Điện áp nút với mức thâm nhập điện mặt trời 50%
So với mức thâm nhập điện mặt trời 33% thì khi điện mặt trời tăng lên 50% thì điện áp tại các nút cũng được cải thiện gần với điện áp đầu tuyến hơn
Tuy nhiên đối với trường hợp điện mặt trời phân bố tập trung chủ yếu ở cuối tuyến làm cho điện áp từ giữa tuyến đến cuối tuyến có sự tăng đáng kể và càng về cuối tuyến điện áp đã vượt hơn so với điện áp đầu tuyến
3.3.1.3 Khi mức thâm nhập là 75%
Hình 3.3.3 Điện áp nút với mức thâm nhập điện mặt trời 75%
Điện áp bắt đầu tăng hơn so với điện áp đầu tuyến đối với các trường hợp điện mặt trời phân bổ dọc tuyến, giữa tuyến và cuối tuyến trong đó cuối tuyến luôn có mức tăng điện áp cao nhất trong các trường hợp
3.3.2 Tổn thất công suất P loss
Bảng 3.3-2 Tổn thất công suất Ploss
Thực tế 33% ĐMT 50% ĐMT 75% ĐMT Dọc tuyến dây 0.0752 0.0398 0.0223 0.0102 Đầu tuyến dây 0.0752 0.0604 0.0533 0.0436
Hình 3.3.4 Tổn thất công suất toàn tuyến dây
Khi có điện mặt trời vào lưới phân phối thì góp phần làm giảm tổn thất công suất trên cả tuyến dây
Khi mức độ thâm nhập điện mặt trời là 33%, 50% thì tổn thất tổng cả tuyến dây khi điện mặt trời phân bố ở cuối tuyến dây là nhỏ nhất
Tuy nhiên khi mức độ thâm nhập điện mặt trời càng lớn thì tổn thất công suất khi điện mặt trời phân bố ở cuối tuyến dây có xu hướng giảm chậm nhất và có thể sẽ tăng lên lại khi điện áp các điểm ở cuối tuyến dây vượt điện áp ở đầu tuyến dây từ đây sẽ gây nên tổn thất cho các đoạn dây ở giữa và cuối tuyến
Trong các trường hợp khác nhau trong cách phân bố điện mặt trời thì khi phân bố dọc tuyến dây cho các kết quả khá tốt khi mức độ thâm nhập của điện mặt trời ngày càng lớn hơn Lượng tổn thất công suất giảm đều đặn và gần như là tốt nhất trong các trường hợp phân bố khác nhau
3.3.3 Phân bố công suất Bảng 3.3-3 Phân bố công suất các trường hợp
TẾ DỌC TUYẾN ĐẦU TUYẾN GIỮA TUYẾN CUỐI TUYẾN
Tại nhánh từ nút 7 đến nút 8 giá trị bằng 0 vì nút 8 là điểm mở và từ nút 7 đến nút 8 không có tải cũng như không có điện mặt trời mái nhà được lắp đặt
Tại nhánh từ nút 9 sang nút 10 có dòng điện chạy ngược từ nút 10 về nút 9 do ở nút 10 không tải nhưng có lắp điện mặt trời mái nhà
Phân bố công suất từ các nhánh giữa tuyến về cuối tuyến trong trường hợp điện mặt trời phân bố tập trung ở đầu tuyến bám sát so với phân bố công suất lưới thực tế
3.3.3.1 Khi mức thâm nhập là 33%
Hình 3.3.5 Phân bố công suất với mức thâm nhập điện mặt trời 33%
Khi có điện mặt trời mái nhà tham gia vào lưới điện giúp làm giảm dòng điện chạy trên đường dây ở các vị trí giữa và cuối lưới
Các mức giảm tốt là trường hợp điện mặt trời tập trung ở giữa tuyến và phân bố dọc tuyến dây
Trong trường hợp phân bố cuối tuyến, mặc dù mức giảm phân bố công suất là tốt nhất nhưng ở các nhánh cuối tuyến dây có sự đảo chiều dòng điện so với lưới thực tế Điều này có thể ảnh hưởng đến khả năng bảo vệ của relay khi xảy ra sự cố ngắn mạch.
3.3.3.2 Khi mức thâm nhập là 50% và 75%
Hình 3.3.6 Phân bố công suất với mức thâm nhập điện mặt trời 50%
Hình 3.3.7 Phân bố công suất với mức thâm nhập điện mặt trời 75%
Ở mức thâm nhập 50% và 75% thì tiếp tục có sự giảm dòng điện đối với các nhánh ở đầu và giữa tuyến dây
Trong một số nhánh ở giữa tuyến dây trong trường hợp điện mặt trời phân bố dọc tuyến dây, dòng công suất có thể thay đổi chiều do tải nhỏ trong khi lượng điện mặt trời cấp vào lưới lại cao Điều này dẫn đến hiện tượng công suất phản kháng tăng, gây ra tình trạng quá áp trên lưới và có khả năng ảnh hưởng đến sự ổn định của hệ thống.
Đặc biệt đối với điện mặt trời phân bố tập trung chủ yếu ở cuối tuyến thì các nhánh từ giữa đến cuối tuyến đều thay đổi chiều công suất Điều này sẽ gây ảnh hưởng đến bảo vệ relay khi ngắn mạch Khi ngắn mạch giữa tuyến dây có khả năng tăng lên đáng kể do xem như có 2 nguồn công suất cùng đổ về và tổng trở cũng nhỏ hơn đối với lưới thực tế hiện tại.
NHẬN XÉT
Đối với từng trường hợp phân bố điện mặt trời và mức thâm nhập khác nhau đều có điểm lợi và hại khác nhau
Khi có điện mặt trời sẽ giúp làm giảm dòng phân bố công suất cho đường dây, tuy nhiên nếu mức thâm nhập điện mặt trời đủ lớn thì cũng có khả năng gây quá dòng định mức cho phép vận hành của tuyến dây
Điện mặt trời cũng giúp giảm sụt áp khi càng về cuối tuyến dây, giúp làm giảm tổn hao công suất
Trong các trường hợp phân bố công suất thì khi điện mặt trời phân bố chủ yếu ở cuối tuyến dây với mức thâm nhập cao có thể gây quá áp nhiều hơn so với các trường hợp phân bố khác và dù tổn thất công suất giảm nhanh khi độ thâm nhập điện mặt trời thấp nhưng khi điện mặt trời với mức độ cao thì tổn thất công suất có xu hướng tăng trở lại
Luận văn nghiên cứu chỉ mang tính chất tương đối do các yếu tố về xây dựng lưới thực tế, sai số về đường dây, tải, về mức độ chia nhỏ lưới, … Để có cái nhìn chính xác hơn và đánh giá được chính xác và khách quan hơn thì cần thêm thời gian, số liệu và công cụ mô phỏng lưới chính xác hơn.
ĐIỀU KHIỂN TỐI ƯU CÔNG SUẤT PHẢN
KHÁNG TRÊN LƯỚI PHÂN PHỐI
Bài toán tối ưu
Tối ưu hóa là tập hợp các phương pháp toán học dùng để giải các bài toán định lượng trong nhiều lĩnh vực như vật lý, kỹ thuật, kinh tế Hầu hết các bài toán tối ưu được xây dựng dựa trên nền tảng toán học vững chắc và được giải quyết theo những phương pháp nhất định để đạt được lời giải tối ưu Giải một bài toán tối ưu chính là tìm kiếm lời giải tốt nhất trong số tất cả các lời giải khả thi của bài toán đó.
Bài toán tối ưu bao gồm hàm mục tiêu thể hiện đại lượng cần tối ưu hóa, có thể là tìm giá trị lớn nhất hoặc nhỏ nhất Các biến ràng buộc giới hạn phạm vi các giá trị mà biến quyết định có thể nhận, đảm bảo bài toán khả thi và phù hợp với các điều kiện thực tế Những thành phần này cấu thành nên một bài toán tối ưu hoàn chỉnh, cho phép chúng ta tìm ra giải pháp tối ưu đáp ứng các mục tiêu đề ra.
1 Hàm mục tiêu (Function): là mục đích của bài toán tối ưu được thể hiện dưới các hàm số toán học Ví dụ như: tối ưu phân bố công suất trong hệ thống điện, cực tiểu chi phí sản xuất khí cụ điện, phối hợp tối ưu bảo vệ rơ-le số, … Hàm mục tiêu thường được ký hiệu là F(x), với x là tập hợp các biến của bài toán
2 Biến số (Variables): là các đại lượng mà giá trị của nó được xác định sao cho hàm mục tiêu đạt tối ưu nhất Ví dụ: giá trị điện áp và dòng điện trong trường hợp phân bố công suất tối ưu, tuổi thọ và khả năng vận hành của các khí cụ điện trong trường hợp tối thiểu hoá chi phí sản xuất, tối thiểu thời gian tác động của các rơ-le trong việc phối hợp bảo vệ rơ-le… Tập các biến thường được ký hiệu là x = (x1, x2, x3,…, xn) với xi (i 1, 2, 3,,,,,n) là các biến thành phần và n là kích cỡ của bài toán
3 Biến ràng buộc: thể hiện mối quan hệ giữa các biến theo tính chất của bài toán cũng như giới hạn giá trị của các biến có thể nhận được Có 2 loại ràng buộc là ràng buộc đẳng thức được thể hiện dưới dạng các phương trình và ràng buộc bất đẳng thức được thể hiện dưới dạng các bất phương trình Ví dụ như các phương trình cân bằng công suất trong hệ thống điện là các ràng buộc đẳng thức và giới hạn thời gian tác động của các rơ-le là các ràng buộc bất đẳng thức Các ràng buộc đẳng thức thường được ký hiệu là h(x) = 0 và các ràng buộc bất đẳng thức thường được ký hiệu là g(x) ≤ 0
Mô hình tổng quát của một bài toán tối ưu như sau:
Với x = [x1, x2, …, xn] là tập các biến cần xác định trong bài toán.
Giả sử bài toán gồm n biến số và m ràng buộc, điều kiện để đưa về bài toán tối ưu là:
- Nếu n < m: bài toán thuộc loại quá ràng buộc và không có lời giải Bài toán này không thuộc loại bài toán tối ưu
- Nếu n = m: bài toán này thuộc loại xác định và chỉ có một tập nghiệm duy nhất, không thuộc loại bài toán tối ưu
Nếu n > m, bài toán rơi vào trường hợp thiếu ràng buộc và có vô số nghiệm khả thi Điều này mở ra nhiều phương án để tìm kiếm lời giải tối ưu Trong số vô vàn nghiệm đó, chắc chắn sẽ có một nghiệm giúp hàm mục tiêu đạt được giá trị theo đúng kỳ vọng.
Một lời giải cho bài toán tối ưu được gọi là khả thi nếu lời giải đó thỏa mãn tất cả các ràng buộc của bải toán đó Do đó, một bài toán tối ưu thường có nhiều lời giải khả thi khác nhau, trong số những lời giải đó sẽ có một lời giải tốt nhất được gọi là lời giải toàn cục và những lời giải khác được gọi là lời giải cục bộ Mục đích giải một bài toán tối ưu là tìm kiếm lời giải toàn cục từ vô số lời giải cục bộ Tuy nhiên, việc tìm kiếm lời giải toàn cục là một thách thức lớn cho các phương pháp tối ưu áp dụng cho các bài toán lớn với nhiều ràng buộc phức tạp Chính vì vậy mà các phương pháp tối ưu luôn được phát triển để áp dụng cho các bài toán lớn và phức tạp trong thực tiễn
Việc giải bài toán tối ưu thường được quy về giải bài toán cực tiểu Nếu cần tìm giá trị tối ưu cực đại Max F(x), người ta thường quy về bài toán cực tiểu là Min –F(x) hoặc Min 1/F(x)
4.1.2 Các dạng bài toán tối ưu
Các bài toán tối ưu thường được phân loại theo biến, theo biểu thức toán, theo ràng buộc hoặc theo hàm mục tiêu
Tối ưu hóa liên tục là một bài toán toán học trong đó tất cả các biến liên quan đều là số thực liên tục Các bài toán tối ưu liên tục được nghiên cứu rộng rãi do chúng xuất hiện trong nhiều lĩnh vực khác nhau, bao gồm kinh tế, kỹ thuật và khoa học.
- Tối ưu hóa rời rạc: nếu bài toán có chứa cả các biến thực liên tục và các biến rời rạc thì được gọi là bài toán tối ưu rời rạc hay bài toán tối ưu tổ hợp, gây khó khăn cho việc tìm kiếm lời giải
Phân loại theo bản chất biểu thức toán:
- Tối ưu hóa tuyến tính: nếu bài toán gồm có cả hàm mục tiêu và các ràng buộc đều là hàm tuyến tính thì đây là bài toán tối ưu tuyến tính
- Tối ưu hóa phi tuyến: nếu bài toán có ít nhất một biểu thức toán học phi tuyến trong hàm mục tiêu hoặc các ràng buộc thì đây là bài toán tối ưu hóa phi tuyến Trong bài toán tối ưu hóa phi tuyến còn chia ra phi tuyến khả vi và phi tuyến không khả vi
Phân loại theo tính chất của biến:
- Tối ưu hóa xác định: trong bài toán tối ưu xác định, kết quả tối ưu toàn cục đầu ra sẽ luôn luôn giống nhau nếu đầu vào giống nhau Trong loại bài toán này thì tất cả các biến là xác định
- Tối ưu hóa ngẫu nhiên: trong bài toán này, một số hoặc tất cả các biến được biểu diễn dưới dạng xác suất
Phân loại theo ràng buộc:
- Tối ưu hóa không có ràng buộc: bài toán tối ưu chỉ có hàm mục tiêu và không có ràng buộc Các bài toán tối ưu dạng này thường dùng để tìm kiếm các phương pháp tối ưu mới nhưng không có giá trị thực tiễn
Tối ưu hóa có ràng buộc là quá trình tìm cực trị của hàm mục tiêu khi chịu các ràng buộc nhất định Ràng buộc có thể được thể hiện dưới dạng các bất đẳng thức hoặc đẳng thức Bài toán tối ưu có ràng buộc thường được ứng dụng trong nhiều lĩnh vực thực tế, chẳng hạn như lập kế hoạch sản xuất, phân bổ tài nguyên hay quản lý danh mục đầu tư.
Phân loại theo số lượng hàm mục tiêu:
Điều độ tối ưu trong hệ thống điện
4.2.1 Điều độ kinh tế hệ thống điện
Vận hành hệ thống điện, nhìn chung, là tập hợp các thao tác nhằm duy trì chế độ làm việc bình thường của hệ thống điện đáp ứng các yêu cầu chất lượng, tin cậy, kinh tế, linh hoạt và đáp ứng đồ thị phụ tải Tuy nhiên, sau các yêu cầu về kỹ thuật thì cần lưu tâm khi vận hành hệ thống điện là tính kinh tế Bài toán vận hành kinh tế mang lại hành Nghiên cứu vận hành kinh tế trong hệ thống điện tập trung vào cả hai giai đoạn là sản xuất, truyền tải và phân phối điện năng Do đó, vận hành kinh tế trong hệ thống điện có thể chia ra thành hai mục tiêu chính:
- Cực tiểu tổng chi phí đầu tư trong việc sản xuất điện tại các nguồn phát hay còn gọi là điều phối kinh tế
- Giảm thiểu tối đa tổn thất điện năng trong việc truyền tải từ nguồn phát đến tải tiêu dùng Điều phối kinh tế giúp xác định công suất phát của từng nhà máy điện hoặc tổ máy phát trong nhà máy điện, giúp giảm tổng chi phí đầu tư hệ thống điện và nhiên liệu cần thiết cho vận hành hệ thống, đáp ứng đầy đủ nhu cầu phụ tải Do đó, điều phối kinh tế chủ yếu tập trung vào các yếu tố chi phí sản xuất của từng nhà máy điện trong hệ thống điện tích hợp Các bài toán điều phối kinh tế thường liên quan đến các hàm chi phí và yêu cầu các thuật toán nâng cao để tìm ra giải pháp tốt nhất
Mục tiêu giảm thiểu tổn thất chủ yếu tập trung vào việc giảm tổn thất điện năng càng nhiều càng tốt bằng cách kiểm soát hoạt động của tất cả các bộ phận trong hệ thống đường dây, như: phân áp đường dây, máy biến áp, tụ điện phản kháng, điện áp máy phát, v.v Vấn đề giảm thiểu tổn thất cũng liên quan đến việc thỏa mãn tất cả các ràng buộc của các yếu tố trên và giữ cho chúng hoạt động trong điều kiện an toàn
Một số ràng buộc chung của các thành phần chính là khả năng mang tải của đường dây dẫn điện hoặc máy biến áp, và giới hạn điện áp của nút phụ tải Toán tử được sử dụng để tính toán điện áp của tất cả các nút phụ tải và dòng điện chạy qua dây dẫn truyền tải là phân tích dòng điện Công cụ này có thể giúp chúng ta tìm ra giải pháp Nó là tối ưu cho tất cả các thành phần
Ngược lại, thuật toán tối ưu phân phối (OPF) có thể giải quyết cùng lúc vấn đề giảm tổng chi phí nhiên liệu và giảm tổn thất điện năng Tùy thuộc vào các mục đích điều phối kinh tế khác nhau, thuật toán OPF có thể điều khiển toàn bộ các thành phần của hệ thống điện như điện áp máy phát, máy biến áp, tụ điện, nhằm mục tiêu giảm tổn thất, tiết kiệm chi phí và tiền bạc Khi thuật toán OPF chỉ tập trung vào việc giảm tổn thất công suất, vấn đề trở thành điều phối công suất phản kháng (Volt-Var Control) tối ưu.
4.2.2 Điều độ phân bố tối ưu công suất
Mục đích của bài toán phân bố tối ưu công suất (OPF) là tìm được công suất phân bố trên đường dây truyền tải, công suất phát của các nhà máy phát điện, điện áp nút máy phát, điện áp nút tải, dung lượng bù, nấc điều chỉnh bộ điều áp máy biến áp với nhiều ràng buộc về công suất phụ tải, công suất máy phát và các ràng buộc về an ninh hệ thống với chi phi nhiên liều của nhà máy phát điện thấp nhất
Ngày nay lưới điện truyền tải và phân phổi cung cấp cho khách hàng ngày càng rộng lớn và phức tạp, từ đó đòi hỏi công suất truyền tải trên đường đây phải tính toán chính xác vừa đáp ứng yêu cầu phụ tải vừa đảm bảo ổn định công suất các máy phát và ổn định vận hành đường dây Khi tính toán tối ưu phân bố công suất của các nhà máy nhiệt điện mà các hàm chỉ phí là hàm số tổng hoặc không lồi phải dùng các phương pháp thông minh nhân tạo hoặc tối ưu bầy đàn để tính toán
Several studies have investigated the application of intelligent algorithms in optimal power flow (OPF) problems These algorithms include Ant Colony Search (ACS), Evolutionary Computation (EC), Bee Colony Algorithm (BCA), Simulated Annealing Metahuristic (ASM), Particle Swarm Optimization (PSO), and Conventional and Neural Networks (CNN) These algorithms have been shown to effectively solve various OPF problems, demonstrating the potential of AI in enhancing power grid operations and efficiency.
4.2.3 Điều độ tối ưu công suất phản kháng lưới phân phối Điều độ tối ưu công suất phản kháng trong lưới phân phối (Volt-Var Control) là vấn đề quan trọng và phức tạp trong vận hành tối ưu hệ thống điện nhằm mục đích cải thiện tổn thất công suất (Ploss) nâng cao hiệu quả kinh tế, giảm tổn thất điện năng của hệ thống điện phân phối
Các tài liệu đã công bố về bài toán Volt-Var Control sử dụng các thuật toán thông minh nhân tạo hoặc thuật toán Metaheuristic: thuật toán Linear Programming (LP) để tính tối ưu Ploss.
Các phương pháp tối ưu hóa trong hệ thống điện
Do tính phức tạp, kích thước lớn và đa dạng của các bài toán tối ưu trong hệ thống điện, các phương pháp tối ưu áp dụng trong hệ thống điện cần phải đủ hiệu quả để giải quyết được các vấn đề này
Còn gọi là hệ thống dựa tri thức, là một chương trình máy tính chứa một số tri thức đặc thù của một hoặc nhiều chuyên gia con người về một chủ đề cụ thể nào đó Dạng phổ biến nhất của hệ chuyên gia là một chương trình gồm một tập luật phân tích thông tin (thường được cung cấp bởi người sử dụng hệ thống) về một lớp vấn đề cụ thể, cũng như đưa ra các phân tích về các vấn đề đó, và tùy theo thiết kế chương trình mà đưa lời khuyên về trình tự các hành động cần thực hiện để giải quyết vấn đề Đây là một hệ thống sử dụng các khả năng lập luận để đạt tới các kết luận Hiện nay đã có rất nhiều hệ chuyên gia được phát triển cho việc vận hành và điều khiển hệ thống điện
4.3.2 Mạng nơ-ron nhân tạo
Thường gọi ngắn gọn là mạng nơ-ron (Artificial Neural network - ANN hay Neural Network) là một mô hình toán học hay mô hình tính toán được xây dựng dựa trên các mạng neural sinh học
Nó gồm có một nhóm các neural nhân tạo (nút) nối với nhau, và xử lý thông tin bằng cách truyền theo các kết nối và tính giá trị mới tại các nút (cách tiếp cận connectionism đối với tính toán) Trong nhiều trường hợp, mạng neural nhân tạo là một hệ thống thích ứng (adaptive system) tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoài hay bên trong chảy qua mạng trong quá trình học Trong thực tế, mạng neural được ứng dụng phổ biến trong hệ thống điện, đặc biệt là trong giám sát và điều khiển
4.3.3 Logic Mờ (Fuzzy logic) Được phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách xấp xỉ thay vì lập luận chính xác theo lôgic vị từ cổ điển
Lôgic mờ có thể được coi là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp Các bước chính cho việc áp dụng logic mờ để giải quyết vấn đề bao gồm mờ hóa dữ liệu, thự hiện các quy tắc suy luận mờ và khử mờ để trả lại dữ liệu số như ban đầu Logic mờ được ứng dụng phổ biến trong hệ thống điện, nhất là trong vấn đề nhận dạng và điều khiển hệ thống điện
4.3.4 Các phương pháp tìm kiếm
Cơ sở của các phương pháp tìm kiếm là dựa vào nguyên lý tiến hóa hoặc các đặc tính tồn tại trong tự nhiên Quá trình tìm kiếm thường phải dựa vào các cá thể trong một quần thể và kết quả tìm kiếm chính là kết quả tìm kiếm của cá thể tìm ra lời giải tốt nhất 4.3.5 Các phương pháp lai
Sự kết hợp giữa các phương pháp tối ưu trong hệ thống điện là một cách tiếp cận phổ biến, trong đó nhiều phương pháp được kết hợp để tạo ra một phương pháp mới có hiệu quả cao hơn.
Một số phương pháp tìm kiếm tối ưu (Heuristics)
Thuật toán Heuristic là các kỹ thuật tối ưu hoá sử dụng các phương pháp liên quan đến một số hiện tượng thực tế thường là hành vi của con người hay các loài động vật trong tự nhiên để đưa ra một lời giải tối ưu gần đúng Từ ngữ “Heuristics” bắt nguồn từ chữ “Heuriskein” trong tiếng Hi Lạp có nghĩa là tìm hoặc khám phá Ý tưởng cơ bản của hầu hết các thuật toán Heuristic là thử và sai, do đó thuật toán này có thể sử dụng cho hầu hết mọi vấn đề, đặc biệt trong lĩnh vực kỹ thuật
Thuật toán Heuristic được ứng dụng để giải quyết các vấn đề kỹ thuật với giải pháp là tìm kiếm ngẫu nhiên trong không gian tìm kiếm và đánh giá kết quả để xác định lời giải tối ưu Mặc dù lời giải từ thuật toán Heuristic có thể không phải là lựa chọn tối ưu tuyệt đối, nhưng chúng vẫn cung cấp các kết quả chấp nhận được cho nhiều bài toán thực tế.
Trong thuật toán Metaheuristics từ “Meta” có nghĩa là cấp độ cao hơn hoặc vượt trội so với thuật toán Heuristic Tất cả các thuật toán Metaheuristics đều sử dụng các phương pháp thăm dò cục bộ hoặc toàn cục với các lời giải được tạo ra một cách đa dạng, phong phú bằng sự ngẫu nhiên Mặc dù các thuật toán Metaheuristics rất phổ biến không có định nghĩa chính xác được đưa ra, do đó một số nhà nghiên cứu có thể sử dụng hai từ Heuristics và Metaheuristics tương tự nhau
Tuy nhiên, xu hướng hiện đại gọi chung các thuật toán ngẫu nhiên và khám phá toàn cục là siêu heuristic (Metaheuristics) Sự ngẫu nhiên chính là cách tốt nhất để chuyển một thuật toán từ tìm kiếm cục bộ sang tìm kiếm toàn cục Do đó, hầu hết các thuật toán siêu heuristic được sử dụng cho các mô hình phi tuyến tính và tối ưu hóa toàn cục.
Metaheuristics có thể là một cách hiệu quả để áp dụng phương pháp thử sai tạo ra một lời giải có thể chấp nhận được đối một số vấn đề phức tạp trong thực tế khi nó khó có thể tìm ra một lời giải chính xác, bởi vì mục đích của chúng ta là tìm ra một lời giải đủ tốt, khả thi trong một phạm vi có thể chấp nhận được Ý tưởng là phải có một thuật toán hiệu quả và thực tế trong đó nó sẽ luôn hoạt động và tạo ra các lời giải tốt Giữa những lời giải có chất lượng được tìm thấy chúng ta có thể dự kiến rằng một trong số chúng sẽ là lời giải tối ưu, mặc dù chúng ta không chắc chắn nó là lời giải tối nhất 4.4.1 Thuật toán di truyền (Genetic Algorithm)
Thuật toán di truyền (Genetic Algorithm) là một quy trình tìm kiếm giải pháp tốt nhất cho một vấn đề bằng cách sử dụng các phép toán mô phỏng các quá trình tự nhiên liên quan đến quá trình tiến hóa
Thuật toán di truyền được lập trên cơ sở lý thuyết Darwin dựa trên việc quan sát quá trình tiến hóa trong tự nhiên Các nguyên lý cơ bản của giải thuật di truyền được tác giả J.H Holland công bố lần đầu tiên vào năm 1962 Sau đó, các nền tảng toán học của
Natural and Artificial System” cũng của tác giả J.H Holland Có thể nói Holland là người đi tiên phong nghiên cứu trong lĩnh vực giải thuật di truyền cùng với những tác giả Goldbeg, Beglay…
4.4.1.1 Các tính chất của giải thuật di truyền
GAs là kỹ thuật chung, giúp giải quyết vấn đề bằng cách mô phỏng sự tiến hóa của con người hay của sinh vật nói chung (dựa trên thuyết tiến hóa muôn loài của Darwin), trong điều kiện qui định sẵn của môi trường Mục tiêu của GAs không nhằm đưa ra lời giải chính xác tối ưu mà là đưa ra lời giải tương đối tối ưu
Một cá thể trong GAs sẽ biểu diễn một giải pháp của bài toán Tuy nhiên, không giống với trong tự nhiên là một cá thể có nhiều nhiễm sắc thể (NST) mà để giới hạn trong GAs, ta quan niệm một cá thể có một NST Do đó, khái niệm cá thể và NST trong GAs coi như là tương đương
Một NST được tạo thành từ nhiều gen, mỗi gen có thể có các giá trị khác nhau để quy định một tình trạng nào đó Trong GAs, một gen được coi như một phần tử trong chuỗi NST
Một tập hợp các cá thể có cùng một số đặc điểm nào đấy được gọi là quần thể Trong thuật giải di truyền, ta quan niệm quần thể là một tập các lời giải của một bài toán
4.4.1.2 Những thành phần chính của thuật toán di truyền
Hình 4.4.1 Sơ đồ di truyền trong tự nhiên
- Quần thể (Population): Một quần thể ban đầu sẽ có những cá thể nhất định với những đặc tính khác nhau, những đặc tính này sẽ quy định khả năng sinh sản, sinh tồn, khả năng đáp ứng điều kiện môi trường của từng cá thể
- Chọn lọc tự nhiên (Natural Selection): Theo thời gian những cá thể yếu hơn, không có khả năng sinh tồn sẽ bị loại bỏ bởi những tác nhân như tranh chấp chuỗi thức ăn, môi trường tác độc, bị loài khác tiêu diệt, … Cuối cùng sẽ còn lại những cá thể có đặc tính ưu việt hơn sẽ được giữ lại - Adaptive individual
- Đột biến (Mutation): Như chúng ta đã biết thì mỗi cá thể con được sinh ra sẽ được kế thừa lại những đặc tính của cả cha và mẹ Sau một thời gian sinh sống, một quần thể sẽ đạt tới giới hạn của các cặp gen của con được tạo nên từ gen của bố mẹ Để đạt được tới sự tiến hóa, Đột biến chính là một trong những nguyên nhân chính, có vai trò đóng góp nguyên liệu cho quá trình Chọn lọc tự nhiên
Giới thiệu
Bướm đêm hay ngài là một loài côn trùng có mối quan hệ chặt chẽ đến loài bướm, cả hai đều thuộc bộ cánh vẩy Bướm đêm chiếm phần lớn số chủng loại loài trong bộ này, người ta cho rằng có khoảng 150.000 đến 250.000 loài bướm đêm khác nhau (khoảng gấp mười lần so với số lượng các loài bướm ngày), với hàng ngàn loài chưa được mô tả
Chúng có hai giai đoạn phát triển quan trọng trong đời đó là: côn trùng và trưởng thành Ấu trùng sẽ phát triển thành bướm đêm sau khi chui ra khỏi kén
5.1.1 Định hướng ngang của bướm đêm
Có một sự thật thú vị về loài bướm đêm đó là phương pháp định hướng đặc biệt của chúng vào ban đêm đó là chúng đã được tiến hóa để bay trong đêm dựa vào ánh sáng từ mặt trăng
Các con bướm sử dụng một cơ chế gọi là định hướng ngang cho việc điều hướng này Theo phương pháp này thì một con bướm đêm sẽ định hướng đường bay bằng cách duy trì một góc không đổi đối với mặt trăng Đây là một cơ chế hiệu quả để di chuyển một quãng đường dài theo một đường thẳng Hình bên dưới sẽ cho thấy một mô hình khái quát về định hướng ngang:
Hình 5.1.1 Định hướng ngang của bướm đêm
Do mặt trăng nằm ở rất xa so với những con bướm đêm nên cơ chế này sẽ luôn giúp chúng bay theo đường thẳng
Tương tự, con người cũng sử dụng phương pháp định hướng này Ví dụ, nếu mặt trăng ở hướng Nam và một cá nhân muốn di chuyển về hướng Đông, họ sẽ giữ sao cho mặt trăng luôn nằm bên trái trong quá trình di chuyển của mình Bằng cách này, họ có thể đi thẳng về hướng Đông theo một đường thẳng.
5.1.2 Hạn chế việc định hướng ngang của bướm đêm
Mặc dù phương pháp này rất hiệu quả nhưng chúng ta vẫn hay thấy những con bướm đêm bay lượn xung quanh những ngọn đèn Trên thực tế nguyên nhân của những hành vi trên đó là những con bướm đêm đã bị lừa bởi nguồn ánh sáng nhân tạo của con người
Khi bướm đêm nhìn thấy ánh sáng nhân tạo của con người thì chúng vẫn cố gắng duy trì một góc không đổi với nguồn sáng để bay theo đường thẳng Tuy nhiên so với mặt trăng thì khoảng cách từ ánh sáng từ ngọn lửa rất gần nên kết quả là những con bướm đêm thay vì bay theo đường thẳng sẽ bay theo đường xoắn ốc, điều này chẳng những không giúp cho việc định hướng mà còn có thể gây ra cái chết cho chúng Hình bên dưới sẽ mô hình hóa điểm bất lợi của cơ chế định hướng ngang
Hình 5.1.2 Bướm đêm bị thu hút bởi ngọn lửa - Điểm bất lợi của định hướng ngang
Chúng ta có thể quan sát trong hình là đường bay của những con bướm đêm cuối cùng sẽ hội tụ về phía của nguồn sáng
Hành vi này đã được mô hình hóa toán học và được đề xuất thành một thuật toán tối ưu gọi là thuật toán Moth-Flame Optimization (MFO).
Thuật toán MFO
5.2.1 Bướm đêm và ngọn lửa trong thuật toán MFO
Trong thuật toán MFO quy ước giả định rằng các mục tiêu là bướm đêm và biến là vị trí của bướm đêm trong không gian.Chính vì vậy, bướm đêm có thể bay trong không gian từ một chiều đến đa chiều với việc thay đổi vectơ vị trí
Thuật toán MFO là thuật toán dựa trên quần thể, do đó đàn bướm đêm được mô tả trong ma trận sau:
Trong đó n là số lượng bướm đêm và d là số lượng biến của bài toán (kích thước bài toán)
Ma trận lưu trữ lại những giá trị tối ưu tương ứng với vị trí của các con bướm đêm như sau:
Trong đó giá trị tối ưu là giá trị được trả về của hàm mục tiêu (fitness function) của từng con bướm Vector vị trí (ví dụ như là hàng đầu của ma trận M) sẽ được tính toán trong hàm mục tiêu và kết quả sau khi được tính toán sẽ được lưu lại tương ứng với từng con bướm đêm (ví dụ như là OM1 trong ma trận OM)
Một thành phần quan trọng khác trong phương pháp này chính là những ngọn lửa.Chúng ta sẽ xây dựng một ma trận cho chúng tương tự như ma trận cho những con bướm đêm như sau:
Ma trận lưu trữ các giá trị tối ưu tương ứng đối với các ngọn lửa như sau:
Cả bướm đêm và ngọn lửa đều là những giải pháp Điểm khác biệt giữa chúng là cách chúng ta xử lí và cập nhật giá trị của sau mỗi vòng lặp Bướm đêm là tác nhân tìm kiếm thực tế trong không gian, trong khi đó ngọn lửa đại diện cho vị trí tốt nhất mà bướm đêm có thể đạt được, hay nói cách khác thì ngọn lửa chính là mục tiêu hay đích đến mà những con bướm đêm tìm kiếm trong không gian (hay giá trị tối ưu cần tìm của bài toán)
5.2.2 Xây dựng thuật toán MFO
Thuật toán MFO là tập hợp của ba phần tử liên quan đến vấn đề tối ưu hóa và được định nghĩa như sau:
Trong đó, hàm I tạo ra một quần thể ngẫu nhiên gồm các cá thể bướm đêm, mỗi cá thể có các giá trị tối ưu tương ứng Mô hình phương pháp của hàm I như sau:
Hàm P có chức năng chính là giúp di chuyển những con bướm đêm xung quanh không gian để tìm kiếm Nó nhận ma trận M làm đầu vào và trả về ma trận M mới.
M mới đã được cập nhật
Hàm T sẽ trả về giá trị true nếu điều kiện dừng được thỏa mãn hoặc sẽ trả về giá trị false nếu điều kiện dừng không được thỏa mãn
Với các hàm I, P, T thì thuật toán MFO về cơ bản có thể được định nghĩa như sau:
M = I(); while T ( M ) is equal to false
Hàm I tạo ra các giá trị ban đầu và tính toán các giá trị theo hàm mục tiêu Bất kì phân phối ngẫu nhiên nào cũng có thể được sử dụng trong hàm này, ví dụ như sau: for i = 1: n for j = 1: d
M (i , j ) = (ub (i ) − lb (i )) * rand () + lb ( i ); end end
Trong đó các hàm ub và lb là các ma trận giá trị giới hạn trên và giới hạn dưới của các biến ub = [ub1 , ub2 , ub3 , , ubn −1 , ubn] lb = [lb1 , lb2 , lb3 , , lbn −1 , lbn]
Sau khi khởi tạo giá trị đầu thì hàm P sẽ được lặp đi lặp lại cho đến khi hàm T trả về giá trị true Hàm P là hàm chức năng chính và có nhiệm vụ di chuyển những con bướm đêm xung quanh không gian tìm kiếm Như đã được đề cập ở trên, cảm hứng cho phương pháp này chính là định hướng ngang, để mô hình hóa hành vi này chúng ta có thể cập nhật vị trí của mỗi con bướm đối với ngọn lửa bằng phương trình sau:
Thuật toán xoắn ốc logarit được sử dụng để cập nhật vị trí các con bướm theo thời gian Các con bướm được biểu thị bằng Mi, ngọn lửa bằng Fj và hàm xoắn ốc là S Thuật toán này đảm bảo rằng các con bướm di chuyển theo một mẫu hình xoắn ốc với độ chính xác cao.
- Điểm bắt đầu của đường xoắn ốc nên bắt đầu từ vị trí của con bướm đêm
- Điểm kết thúc của đường xoắn ốc phải là vị trí của ngọn lửa
- Biến động của phạm vi xoắn ốc không được vượt quá không gian tìm kiếm Căn cứ vào những điều trên chúng ta định nghĩa một đường xoắn ốc dạng logarit cho thuật toán MFO như sau:
Trong đó Di là khoảng cách từ con bướm thứ i đến ngọn lửa thứ j, b là hằng số dùng để xác định hình dạng của đường xoắn ốc logarit, và t là số có giá trị ngẫu nhiên trong đoạn [-1;1]
Trong đó 𝑀 là con bướm thứ 𝑖, 𝐹 là ngọn lửa thứ j, 𝐷 là khoảng cách từ con bướm thứ i đến ngọn lửa thứ j
Chúng ta có thể thấy trong phương trình 𝑆(𝑀 , 𝐹 ) = 𝐷 𝑒 ( ) 𝑐𝑜𝑠(2π𝑡) + 𝐹, mô phỏng đường bay của loài bướm đêm, vị trí tiếp theo của con bướm được xác định dựa vào ngọn lửa và tham số t trong phương trình này xác định vị trí tiếp theo của con bướm đêm so với ngọn lửa (t = -1 là vị trí gần nhất so với ngọn lửa, t = 1 hiển thị vị trí xa nhất) Do đó một hình siêu elip giả định có thể được xây dựng xung quang ngọn lửa theo mọi hướng và vị trí tiếp theo của con bướm đêm sẽ nằm trong không gian này Chuyển động xoắn ốc là thành phần chính của phương pháp này vì nó chỉ ra cách mà những con bướm đêm có thể cập nhật vị trí của chúng xung quanh ngọn lửa
Phương trình xoắn ốc mô tả khả năng của bướm đêm bay quanh ngọn lửa, không chỉ giới hạn trong không gian giữa chúng Do đó, việc khám phá và khai thác không gian tìm kiếm được đảm bảo Vòng xoắn ốc logarit biểu thị không gian xung quanh ngọn lửa, với vị trí của bướm đêm thay đổi theo các giá trị t khác nhau trên đường cong.
Hình 5.2.1 Mô hình xoắn ốc, không gian tìm kiếm và vị trí ứng với tham số t
Hình sau sẽ cho ta thấy một mô hình khái quát của việc cập nhật vị trí của một con bướm đêm xung quanh một ngọn lửa
Hình 5.2.2 Một số vị trí xung quanh ngọn lửa mà bướm đêm có thể di chuyển đến
- Trong đó trục dọc chỉ hiển thị một phần tử kích thước (một biến/ tham số của bài toán được nêu ra) trong khi phương pháp này có thể giải quyết nhiều biến của bài toán
Độ phức tạp của thuật toán MFO
Độ phức tạp tính toán của một thuật toán chính là cơ sở chủ yếu để đánh giá thời gian thực hiện của nó, điều này có thể được xác định dựa trên cấu trúc và việc thực thi thuật toán Độ phức tạp tính toán của thuật toán MFO phụ thuộc vào số lượng bướm đêm, số lượng biến, số lần lặp tối đa và cơ chế sắp xếp các ngọn lửa trong mỗi lần lặp
Vì chúng ta sử dụng thuật toán Quick_sort và trong đó O(nlog2n) và O(n^2 ) tương ứng là trường hợp tốt nhất và tệ nhất
Do đó khi xem xét hàm P thì sự phức tạp tính toán tổng thể được định nghĩa như sau:
Trong đó n là số lượng bướm đêm, t là số vòng lặp lớn nhất và d là số lượng biến.
Kết luận
Để hiểu rằng thuật toán MFO về mặt lý thuyết hiệu quả như thế nào trong việc giải quyết các vấn đề tối ưu hóa, chúng ta hãy quan sát một số điểm chính sau:
- Quy trình cập nhật vị trí của các con bướm xung quanh ngọn lửa thúc đẩy việc khai thác
- Tối ưu cục bộ tránh được là cao khi MFO sử dụng quần thể là bướm đêm thực hiện tối ưu
Chỉ định duy nhất từng con bướm ứng với một ánh sáng và cập nhật thứ tự của các ánh sáng trong mỗi vòng lặp giúp tăng cường khả năng thăm dò không gian tìm kiếm, đồng thời giảm thiểu nguy cơ mắc vào cực tiểu cục bộ.
- Xem xét các giải pháp tối ưu thu được gần nhất giúp tìm ra các giải pháp đầy hứa hẹn cũng như định hướng cho những con bướm đêm
- Các giải pháp tốt nhất được lưu trong ma trận F để chúng không bao giờ bị mất
- Số lượng ngọn lửa phù hợp giúp cân bằng việc thăm dò và khai thác
- Hằng số hội tụ thích hợp (r) tạo nên sự hội tụ có gia tốc xung quanh ngọn lửa trong các vòng lặp
Những quan sát này giúp cho thuật toán MFO về mặt lý thuyết có thể cải thiện các giải pháp ngẫu nhiên ban đầu và hội tụ đến một điểm tốt hơn trong không gian tìm kiếm Theo các định lý NFL, không có thuật toán tối ưu hóa để giải quyết các vấn đề tối ưu hóa Khi thuật toán MFO đã có thể giải quyết tốt hơn các thuật toán khác trong phần lớn các thử nghiệm, nó có thể được coi là một thay thế tối ưu cho việc giải quyết các vấn đề tối ưu hóa các thuật toán tối ưu hiện nay.
Giới thiệu
Bài toán tối ưu phân bố công suất phản kháng (Volt-Var Control-VVC) là một trong những dạng của bài toán tối ưu phân bố công suất (OPF) Sở dĩ bài toán Volt-Var Control ra đời chủ yếu để đi sâu hơn vào việc giải quyết vấn đề lưu tâm tồn tại ở hệ thống điện - giảm thiểu tổn thất điện năng và ổn định điện áp, thông qua việc kiểm soát các biến liên quan đến điện áp đầu ra của máy phát điện, máy biến áp có đầu phân áp, các nguồn công suất phản kháng…
Hiện tại, do thực trạng phát triển của các nguồn năng lượng phân tán xuất hiện ngày càng nhiều và có tác động không nhỏ lên hệ thống điện, đặc biệt là hệ thống điện phân phối, nên bài toán Volt-Var Control cần phải xét đến khía cạnh sự tồn tại của các nguồn năng lượng phân tán Ở bài nghiên cứu này, ta sẽ giải quyết bài toán Volt-Var Control trong hệ thống điện phân phối có xét nguồn năng lượng mặt trời mái nhà, trong bối cảnh Việt Nam đang phát triển mảng năng lượng này một cách nhanh chóng
Trải qua các công trình nghiên cứu khoa học trong việc vận hành hệ thống điện, chúng ta có thể thấy rằng công cụ Volt-Var Control rất hữu ích và có tác động lớn Nếu như trước đây một số phương pháp cổ điển được sử dụng như là quy hoạch tuyến tính , quy hoạch bậc hai (hay quy hoạch toàn phương), phương pháp Lagarange đã được dùng cho việc giải bài toán này, thì hiện nay người ta phải tìm kiếm những phương pháp khác để giải quyết vì các phương pháp cũ đã không còn phù hợp do không giải được các bài toán lớn, dễ dàng hội tụ đến giá trị tối ưu cục bộ Một trong số chúng chỉ có thể tính toán được trên các bài toán có hàm mục tiêu liên tục
Mục đích của bài toán Volt-Var Control là tính cực tiểu tổn thất công suất khi vận hành hệ thống, với các điều kiện ràng buộc cân bằng và bất cân bằng như độ sai lệch điện áp, chỉ số ổn định điện áp, cân bằng công suất, giới hạn hệ thống tụ bù và bộ điều áp, các nguồn công suất phản kháng và khả năng truyền tải của đường dây
Hàm mục tiêu của bài toán Volt-Var Control được xây dựng dựa trên nhu cầu tính toán như sau:
- Cực tiểu tổn thất công suất
- Cực tiểu độ lệch điện áp tại các nút tải
- Cực tiểu hệ số ổn định điện áp của hệ thống.
Volt-Var Control trong hướng nghiên cứu luận văn
Trong những năm gần đây, các thuật toán tìm kiếm được áp dụng rộng rãi cho Volt-Var Controlvới các hệ thống điện chuẩn của IEEE: IEEE 30 nút, IEEE 57 nút, IEEE 118 nút, IEEE 300 nút Mục đích của chúng ta là tìm ra một phương pháp hiệu quả trong khi tăng số lượng biến và các ràng buộc của hệ thống
Trong bài nghiên cứu này chúng ta sẽ xây dựng bài toán Volt-Var Control với hàm mục tiêu là tối ưu tổn thất công suất (làm giảm tổn hao công suất trên hệ thống phân phối) dựa theo thuật toán MFO trong trường hợp hệ thống điện phân phối có nguồn năng lượng mặt trời mái nhà theo biểu đồ phụ tải 24 giờ Bài toán Volt-Var Control sẽ được xây dựng ở mục 6.2 và trình bày kết quả ở chương 7.
Xây dựng bài toán Volt-Var Control
Hàm mục tiêu chính của luận văn là tối ưu phân bố công suất phản kháng để làm giảm tổn thất điện năng Do đó hàm mục tiêu được thể hiện như sau:
Trong đó 𝑁 và 𝑁 tương ứng là số lượng đường dây và số lượng nút, 𝑅 là điện trở của đường dây thứ 𝑙, 𝐼 là dòng điện chạy qua đường dây thứ 𝑙, 𝑉 và 𝛿 tương ứng là biên độ và góc pha của nút thứ 𝑖 , 𝑌_𝑖𝑗 và 𝜑 tương ứng là biên độ và góc pha của tổng dẫn giữa nút thứ 𝑖 và nút thứ 𝑗
6.2.2.1 Điều kiện ràng buộc vận hành
Các lời giải tối ưu phải thỏa mãn tất cả các điều kiện ràng buộc vận hành trong đó có các điều kiện về cân bằng công suất, giới hạn điện áp của các nút và các đường dây phân phối
- Điện áp tại các nút không quá ± 5% điện áp định mức của lưới phân phối
- Dòng tải trên đường dây không vượt quá dòng cho phép của dây dẫn theo nhà sản xuất
- Về cân bằng công suất:
Giống như các bài toán vận hành khác trong hệ thống điện, việc cân bằng công suất phát và công suất tiêu thụ phải được thỏa mãn tại tất cả các nút
Việc cân bằng công suất phản kháng và công suất tác dụng trong hệ thống điện thỏa hai phương trình sau:
Trong đó 𝑃 , và 𝑄 , lần lượt là công suất thực và công suất phản kháng được tạo ra tại nút 𝑖, 𝑃 , và 𝑄 , tương ứng công suất thực và công suất phản kháng tiêu thụ tại nút thứ 𝑖, 𝐺 và 𝐵 tương ứng là phần thực và phần ảo của mỗi thành phần tổng dẫn 𝑌 trong ma trận tổng dẫn
- Về giới hạn của tụ bù : Các nguồn công suất phản kháng phải thỏa các biên giới hạn như sau:
- Về nguồn phát là nguồn năng lượng mặt trời mái nhà có công suất biểu kiến 𝑆, trong đó 𝑃 = 𝑆 𝑐𝑜𝑠𝜑 và 𝑄 = 𝑆 𝑠𝑖𝑛𝜑 , thì ta có giới hạn:
Ứng dụng thuật toán MFO vào giải quyết bài toán Volt-Var Control có nguồn năng lượng mặt trời mái nhà
Hàm mục tiêu của bài toán xoay quanh hai nhóm biến chính:
- Nhóm biến điều khiển được: công suất của các tụ bù, hệ số công suất của nguồn năng lượng mặt trời mái nhà
- Nhóm biến phụ thuộc: điện áp các nút phụ tải, dòng tải trên đường dây
Hàm mục tiêu bài toán sẽ là minF(x,u), trong đó:
𝑢 = [ 𝑉 , … , 𝑉 , 𝑆 , … 𝑆 ] Với, 𝑄 là công suất phản kháng của tụ thứ n, 𝑉 là điện áp của nút tải thứ n, 𝑆 là công suất biểu kiến của đường dây thứ n, 𝑐𝑜𝑠𝜑 là hệ số công suất biểu kiến của nguồn năng lượng mặt trời mái nhà thứ n
6.3.2 Khởi tạo giá trị đầu
Ta sẽ dùng các giới hạn biên của các biến cùng với việc sử dụng hàm phân phối ngẫu nhiên rand() để khởi tạo các lời giải đầu tiên cho bài toán
Với UpB là giới hạn trên của biến, LowB là giới hạn dưới của biến, rand() sẽ trả về giá trị ngẫu nhiên phân bố đều
Số lượng lời giải N càng lớn thì phạm vi tìm kiếm sẽ càng rộng có thể giải bài toán hội tụ với kết quả tốt hơn
6.3.3 Mô hình hóa các ràng buộc trong hàm mục tiêu
Trong quá trình thực hiện việc tối ưu hóa thì tất cả các điều kiện ràng buộc phải đồng thời được thỏa mãn Điều kiện về cân bằng công suất phản kháng và công suất tác dụng có thể được thỏa mãn hoàn toàn bởi thuật toán cân bằng công suất bới nến như không đảm bảo được điều kiện này thì bài toán sẽ không hội tụ và không có kết quả tối ưu Điện áp máy phát, công suất tụ bù là các biến có thể điều khiển được Do đó các điều kiện ràng buộc nên chúng sẽ tự được điều chỉnh theo các giới hạn biên khi lời giải mới được tạo ra
Còn các điều kiện ràng buộc của các biến phụ thuộc sẽ được kiểm soát bằng cách quy đổi thành một thành phần trong hàm mục tiêu tối ưu
Hàm mục tiêu tối ưu (FF) kết hợp giữa hàm mục tiêu và điều kiện ràng buộc vận hành của các biến phụ thuộc thông qua một hệ số phạt là KP Đối với giới hạn điện áp của các nút phụ tải, công suất phản kháng của máy phát và dòng tải của đường dây thì chúng ta dùng một số hàm giới hạn như là V lim (x) Trong tất cả các trường hợp dùng để kiểm tra, ta dùng hệ số phạt là 10 6 Hàm mục tiêu tối ưu được trình bày như sau:
𝑃 là công suất tổn hao
𝑄 là công suất phản kháng của máy phát thứ i
𝑉 là điện áp tại nút tải thứ i
𝐼 là dòng tải đường dây thứ i
6.3.4 Các bài toán sẽ mô phỏng
Mô phỏng lưới phân phối 33 nút chuẩn của Baran & Wu và sử dụng thuật toán MFO ứng dụng vào lưới
Lưới thực tế cơ bản
Trong trường hợp bài toán vận hành lưới thực tế cơ bản, gọi tắt là trường hợp 1 – TH1, nghĩa là trên phát tuyến nghiên cứu vẫn chưa lắp các tụ bù công suất phản kháng, và không có sự xuất hiện của các nguồn năng lượng mặt trời mái nhà
Khi đó ta sẽ tính toán hàm FF ở trường hợp này trong 24 giờ tại các nút của hệ thống điện phân phối
Lưới thực tế hiện hữu
Trong trường hợp bài toán vận hành thực tế trên lưới điện hiện hữu, gọi tắt là trường hợp 2 – TH2, chúng ta sẽ khảo sát hàm FF với các nút, cùng với đó là các tụ bù và các nguồn năng lượng mặt trời tại các nút
Khi đó ta sẽ tính toán hàm FF ở trường hợp này trong 24 giờ tại các nút của hệ thống điện phân phối
Sử dụng thuật toán MFO vào lưới thực tế hiện hữu
Trong trường hợp bài toán vận hành thực tế trên lưới điện hiện hữu sử dụng thuật toán MFO, gọi tắt là trường hợp 3 – TH3
Khi đó ta sẽ tính toán hàm FF ở trường hợp này trong 24 giờ tại các nút của hệ thống điện phân phối Tuy nhiên điểm khác biệt của TH3 so với TH2 là chúng ta sẽ sử dụng thuật toán MFO để thực hiện tối ưu hóa và tìm ra giá trị FF tốt nhất, cùng với đó là bộ nghiệm tối ưu của cosphi của từng nguồn năng lượng mặt trời áp mái và của các giá trị công suất phản kháng của tụ bù.
Mô phỏng lưới chuẩn 33 nút
Hình 7.1.1 Lưới 33 nút Boran & Wu
Kết quả hàm mục tiêu khi chạy phân bố công suất cho lưới 33 nút Boran & Wo như sau:
- Kết quả điện áp các bus ngoài giới hạn vận hành cho phép như hình sau:
Hình 7.1.2 Các bus vi phạm giới hạn vận hành
Tổn thất công suất thực: Ploss = 0.2MW
Tổn thất công suất phản kháng: Qloss = 0.14MVar
Khi có tụ bù đặt tại các bus 6, 9, 20 với dung lượng mỗi tụ là 300kVar, kết quả thu được:
Tổn thất công suất thực: Ploss = 0.173MW
Tổn thất công suất phản kháng: Qloss = 0.116MVar
Khi sử dụng thuật toán MFO để tối ưu công suất phản kháng
So với lưới chuẩn 33 nút Boran & Wu khi có tụ bù vào các nút 6, 9, 20 giúp làm giảm tổn hao công suất P, Q trên hệ thống lưới phân phối đồng thời giúp nâng điện áp các nút nằm dưới ngưỡng cho phép vận hành làm cải thiện hàm mục tiêu FF đáng kể (từ 13461,22 giảm còn 7179,73)
Khi áp dụng thuật toán MFO vào để tối ưu hóa phân bố công suất phản kháng thì điện áp được cải thiện rõ rệt hơn nên hàm mục tiêu giảm rất đáng kể (từ 7179,73 giảm còn 1416,39).
Mô phỏng lưới thực tế cơ bản
Lưới điện thực tế được mô phỏng trên tuyến 476 Rạch Trà - Trạm Đông Thạnh, loại bỏ các tụ bù và không có sự xuất hiện của điện mặt trời mái nhà trên lưới Phụ tải cực đại được thể hiện trong bảng dưới đây.
Bảng 7.2-1 Phụ tải max tại các nút Đồ thị phụ tải theo 24h được mô tả trong hình sau:
Hình 7.2.1 Đồ thị phụ tải 24h
Thực hiện chạy phân bố công suất cho tuyến dây, hàm FF thu được kết quả như hình và bảng sau: (trong đó khoảng thời gian thứ nhất tương ứng từ 0h 1h, khoảng thời gian thứ hai tương ứng từ 1h 2h,…)
Hình 7.2.2 Đồ thị hàm mục tiêu 24h - lưới cơ bản Bảng 7.2-2 Hàm mục tiêu FF - lưới cơ bản
Khoảng thời gian Hàm mục tiêu FF
Qua phân tích hệ thống lưới thực tế đang vận hành, kết quả cho thấy không có thanh cái nào vi phạm giới hạn vận hành (điện áp) và không có đường dây nào bị quá tải Điều này đảm bảo cung cấp điện ổn định và đáng tin cậy cho người dùng.
- Hàm mục tiêu lúc này chủ yếu chỉ thể hiện tổn hao công suất Ploss Theo như kết quả thu được thì FF cao nhất ứng với thời điểm tải cao nhất (từ 17h 21h, FF 0.033171) Do khi tải cao thì dòng trên các đường dây cũng cao hơn dẫn đến tổn hao sẽ lớn hơn.
Mô phỏng lưới thực tế đang vận hành
Hình 7.3.1 Lưới thực tế vận hành Các vị trí lắp đặt tụ bù, điện mặt trời mái nhà công suất của từng bộ tụ bù cũng như điện mặt trời mái nhà (công suất cực đại) được ghi trong bảng sau:
Bảng 7.3-1 Công suất tải, tụ bù, điện mặt trời mái nhà tại các nút Đồ thị công suất mặt trời mái nhà và công suất P tại từng nút của tuyến dây trong 24h ghi nhận như bên dưới đây: Ụ Ả Ặ Ờ
Hình 7.3.3 Công suất các nút 24h
Thực hiện chạy phân bố công suất cho tuyến dây vận hành thực tế, hàm FF thu được kết quả như hình và bảng sau: (trong đó khoảng thời gian thứ nhất tương ứng từ
0h 1h, khoảng thời gian thứ hai tương ứng từ 1h 2h,…)
Hình 7.3.4 Hàm FF 24h lưới điện vận hành thực tế
Bảng 7.3-2 Hàm mục tiêu FF - lưới vận hành thực tế
Khoảng thời gian Hàm mục tiêu FF
- Nhờ vào tụ bù dọc tuyến dây và năng lượng mặt trời mái nhà đã làm giảm đi tổn hao trên tuyến dây do giảm bớt lượng công suất phải truyền trên tuyến dây đến phụ tải, do đó hàm FF giảm (do không có nút nào vi phạm giới hạn điện áp vận hành và không có đường dây nào bị quá tải)
- Tổn hao đã giảm từ 445,391kW xuống còn 393,493kW (giảm khoảng 10%).
Sử dụng thuật toán MFO để tối ưu hóa lưới vận hành thực tế
Trong trường hợp bài toán vận hành thực tế trên lưới điện hiện hữu, chúng ta sẽ khảo sát hàm FF với 23 nút Cùng với đó là 3 tụ bù đặt tại các vị trí nút 6, nút 9, nút 20
19, 20 Trong trường hợp này, ta sẽ sử dụng thuật toán MFO với hàm mục tiêu FF3, và thực hiện vòng lặp 30 lần để lựa chọn ra giá trị tốt nhất cho bài toán tối ưu công suất phản kháng Các kết quả của những lần thực hiện với MFO của bộ nghiệm tốt nhất được trình bày ở phụ lục E
Chạy bài toán tối ưu bằng MFO cho hai mục tiêu là tìm giá trị optimal cho từng thời điểm và tìm giá trị optimal cho cả một ngày Mục tiêu tối ưu từng thời điểm sử dụng hàm MFO truyền thống, mục tiêu tối ưu cho cả một ngày sử dụng hàm MFO cải tiến.
Hình 7.4.1 Hàm mục tiêu sử dụng MFO 24h Bảng 7.4-1 Hàm mục tiêu FF - sử dụng MFO
Hàm mục tiêu FF Giá trị trung bình
Giá trị kém nhất Độ lệch chuẩn
Bảng 7.4-2 Hàm mục tiêu FF - sử dụng MFO cải tiến
Hàm mục tiêu FF Giá trị trung bình
Giá trị kém nhất Độ lệch chuẩn
- Khi sử dụng thuật toán MFO (MFO cải tiến) thì hàm FF tại từng thời điểm trong ngày đều giảm đáng kể so với khi vận hành lưới thực tế với dung lượng tụ bù và hệ số cosphi tại các điểm đấu nối điện mặt trời mái nhà
- Đối với tổn hao công suất trong một ngày khi sử dụng thuật toán MFO (MFO cải tiến) giảm xấp xỉ 5 lần so với khi vận hành lưới thực tế với các giá trị cố định nêu trên (0.08MW so với 0.39MW)
- So với thuật toán MFO thì thuật toán MFO cho kết quả trung bình, giá trị nhỏ nhất của hàm FF đều thấp hơn
- Để đạt được giá trị tối ưu nhất về tổn thất công suất cho một ngày của lưới điện thì cần phải điều chỉnh bộ trị số của công suất tụ bù, cos của từng vị trí có điện mặt trời theo từng khung giờ một Bộ trị số này được ghi lại tại Phụ lục 2.
Đánh giá kết quả
Hình 7.5.1 Hàm mục tiêu các trường hợp 24h Bảng 7.5-1 Hàm mục tiêu FF - so sánh các trường hợp
Lưới thực tế cơ bản
Lưới thực tế vận hành
Lưới thực tế vận hành (MFO cải tiến)
Dựa vào kết quả hàm mục tiêu thu được trong 3 trường hợp (vận hành lưới thực tế cơ bản, lưới thực tế vận hành và sử dụng MFO cải tiến cho lưới thực tế vận hành), có một số nhận xét sau:
- Trong cả 3 trường hợp tuyến dây vận hành đều đảm bảo về các giá trị vận hành như:
• Điện áp tại các nút đều không bị quá áp hay sụt áp so với mức vận hành quy định (0.95pu ≤ Vi ≤ 1.05pu)
• Dòng tải trên đường dây đều không bị quá tải so với dòng định mức cho phép của tuyến dây (Ii ≤ Iđm_dây)
- Giá trị hàm mục tiêu FF lúc này chỉ biểu thị tổn hao công suất Ploss trên cả tuyến dây
- Ở trường hợp lưới thực tế cơ bản giá trị tổng tổn hao công suất là 0.445MW
- Khi lắp thêm 3 hệ thống tụ bù tại các nút 6, 9, 20 và có sự xuất hiện của điện mặt trời mái nhà đã giúp giảm bớt tổn hao công suất tông trên cả tuyến dây do giảm được lượng công suất P, Q truyền tải trên các tuyến dây để đến các phụ tải (từ 445,391kW còn 393,493kW)
Sử dụng thuật toán MFO cải tiến để tối ưu hóa công suất phản kháng theo từng giờ cho kết quả đáng kể, với tổn hao công suất giảm đáng kể từ 2 đến 5 lần.
- Để đạt được giá trị tối ưu trong một ngày thì vào từng giờ phải điều chỉnh bộ trị số của dung lượng tụ và cosφ của các hệ thống năng lượng mặt trời mái nhà nối lưới
Luận văn đã tìm hiểu những nghiên cứu về ảnh hưởng của hệ thống điện mặt trời mái nhà lên lưới phân phối, và thực hiện việc mô phỏng trên lưới phân phối Thành phố
Hồ Chí Minh Từ đó có thể thấy được điện mặt trời có góp phần làm giảm tổn hao công suất, giảm sụt áp tại các nút của đường dây Tuy nhiên khi mức độ thâm nhập của điện mặt trời ngày càng cao thì có thể ảnh hưởng đến điện áp các nút có thể bị vượt quá mức quy định vận hành và làm thay đổi trào lưu công suất ảnh hưởng đến việc bảo vệ của các thiết bị bảo vệ
Áp dụng thuật toán MFO giúp giảm tổn hao công suất trên lưới điện phân phối Tuy nhiên, việc điều khiển tối ưu công suất phản kháng đòi hỏi sự phức tạp do nhiều yếu tố biến đổi liên tục Để đạt hiệu quả tối ưu trong thời gian dài, đòi hỏi nghiên cứu và kinh nghiệm vận hành chuyên sâu, đảm bảo thay đổi đầu vào theo từng khung giờ và thích ứng với biến động của tải và điện mặt trời.
Việc mô phỏng tuyến dây của Tp.HCM còn hạn chế do sai số về các thông số của dây dẫn, thông số của tải, tụ bù, điện mặt trời cũng như việc mô phỏng chỉ giới hạn ở số nút do việc chia nhỏ số nút ra nữa không đủ các dữ liệu cần thiết để thực hiện Do đó việc sai số khi mô phỏng là không tránh khỏi.