Luận văn thạc sĩ Kỹ thuật điện: Ứng dụng các giải thuật metaheuristic vào vấn đề loại bỏ sóng hài cho bộ nghịch lưu đa bậc

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-

NGUYỄN THANH HẰNG

ỨNG DỤNG CÁC GIẢI THUẬT METAHEURISTIC VÀO VẤN ĐỀ LOẠI BỎ SÓNG HÀI

CHO BỘ NGHỊCH LƯU ĐA BẬC

Chuyên ngành : KỸ THUẬT ĐIỆN Mã số: 8520201

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 1 năm 2022

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM

Cán bộ hướng dẫn khoa học: PGS.TS Phan Quốc Dũng

2 PGS TS Trương Phước Hòa - Thư ký Hội đồng

3 PGS TS Nguyễn Đình Tuyên - Phản biện 1 4 TS Văn Tấn Lượng - Phản biện 2 5 PGS TS Nguyễn Thanh Phương - Ủy viên

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ

PGS TS Nguyễn Văn Nhờ

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

I TÊN ĐỀ TÀI: “ỨNG DỤNG CÁC GIẢI THUẬT METAHEURISTIC VÀO VẤN ĐỀ LOẠI BỎ SÓNG HÀI CHO BỘ NGHỊCH LƯU ĐA BẬC” (APPLICATION OF METAHEURISTIC ALGORITHMS TO THE PROBLEM OF HARMONIC ELIMINATION FOR MULTI-LEVEL INVERTER)

- Đề xuất phương pháp cải tiến để cải thiện về mặt thời gian và sóng hài

III NGÀY GIAO NHIỆM VỤ: 06 /09 /2021

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 12 /12 /2021 V CÁN BỘ HƯỚNG DẪN: PGS.TS PHAN QUỐC DŨNG

CÁN BỘ HƯỚNG DẪN

PGS TS Phan Quốc Dũng

Tp HCM, ngày tháng năm 2022

CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

TRƯỞNG KHOA ĐIỆN – ĐIỆN TỬ

LỜI CẢM ƠN

Để hoàn thành được luận văn này, em xin được gửi lời cảm ơn sâu sắc tới Thầy, PGS.TS Phan Quốc Dũng, Thầy đã dìu dắt em từ khi còn học đại học, làm luận văn tốt nghiệp đại học, nghiên cứu khoa học và hiện tại, là luận văn tốt nghiệp cao học Thật khó để nói hết sự biết ơn đối với những sự giúp đỡ, hỗ trợ của Thầy, không chỉ về mặt kiến thức chuyên môn mà còn là những lời động viên, khích lệ tinh thần

Và xin gửi lời cảm ơn sâu sắc tới bố mẹ, mặc dù có những lúc bố mẹ đã không ủng hộ lựa chọn của con nhưng vẫn luôn là hậu phương vững chắc, là động lực để con phấn đấu và tiếp bước

Em xin gửi lời cảm ơn đến quý thầy cô giáo trường Đại học Bách Khoa TP.HCM, đặc biệt là các Thầy Cô bộ môn Hệ thống điện, khoa Điện – Điện tử đã truyền đạt cho em những kiến thức bổ tích, truyền cho em niềm đam mê, tình yêu với khoa học công nghệ.

Xin chân thành cảm ơn các anh, chị, bạn đồng nghiệp ở công ty PECC2, mọi người luôn cổ vũ tinh thần và hỗ trợ để em có thể hoàn thành luận văn và vẫn đảm bảo hoàn thành nhiệm vụ tại công ty

Cảm ơn các bạn lớp Kỹ Thuật Máy tính mà mình có cơ hội quen biết tại FDS, cảm ơn các anh chị ở câu lạc bộ Aikido, và đặc biệt, xin gửi lời cảm ơn tới Khoa, Châu, Thảo, Hoàng, Thể, Tiên,… Các bạn luôn khích lệ và cố vấn cũng như chia sẻ những lúc khó khăn và cho mình động lực để cùng nhau bước tiếp

Một lần nữa, xin được cảm ơn Tất cả mọi người đã luôn ở bên, động viên, hỗ trợ và tạo điều kiện để mình có thể hoàn thành được Luận văn này Chúc mọi người luôn thành công và hạnh phúc

TP.HCM, ngày tháng năm 2022

Học viên thực hiện

Nguyễn Thanh Hằng

TÓM TẮT LUẬN VĂN

Năm 2021, khi mà các nước bước vào giai đoạn triển khai hiệp định Paris về biến đổi khí hậu, cũng như những cam kết mạnh mẽ của chính phủ Việt Nam tại hội nghị COP26 cho thấy con đường phát triển ngành năng lượng tập trung mạnh mẽ vào năng lượng tái tạo, điều này cũng thể hiện rõ trong tiêu chí đầu vào để lập Quy hoạch phát triển điện lực quốc gia giai đoạn 2021-2030 tầm nhìn đến 2045

Tuy nhiên, việc tích hợp nhiều nguồn phân tán từ những nhà máy điện gió, điện mặt trời dẫn đến sự xuất hiện của các bộ chuyển đổi công suất như AC/AC, DC/DC, DC/AC, AC/DC, AC-DC/DC-AC cũng ngày càng nhiều lên để có thể đáp ứng cho phía người dùng DC, AC, và cho phép hòa lưới điện quốc gia Trong đó, những bộ nghịch lưu DC/AC gây ra những tác hại không tốt lên hệ thống vì những thành phần hài bậc cao ở tín hiệu đầu ra sẽ chuyển hóa thành nhiệt năng, phá hỏng cách điện, gây nhiễu tín hiệu viễn thông, phát sinh tổn hao và có thể dẫn tới phá hủy thiết bị, từ đó gây ra sự kém hiệu quả cho hệ thống, khó khăn cho công tác vận hành, điều khiển, gây mất ổn định và giảm thiểu chất lượng điện năng [1]

Để triệt tiêu những thành phần hài bậc cao này, người ta thường áp dụng các phương pháp điều khiển khác nhau như phương pháp điều biên, phương pháp điều chế vector không gian hay phương pháp điều chế độ rộng xung.[2]

Một nhược điểm của phương pháp điều biên là đòi hỏi nguồn áp một chiều không đổi và vẫn cần sử dụng các bộ lọc sóng hài để loại bỏ những bậc hài sót lại Phương pháp điều chế vector không gian lại có hạn chế là cần sử dụng bảng tra để xác định góc làm việc của vector trung bình và bị quyết định bởi đặc tính điều khiển tuyến tính cũng như lượng sóng hài bậc cao

Gần đây, người ta tập trung nhiều hơn vào việc tìm ra các giải thuật tối ưu cho phép tìm ra các góc kích khóa bán dẫn đáp ứng được yêu cầu về mặt sóng hài dựa trên các kỹ thuật metaheuristic Giải thuật GA được tạo ra bởi J.H.Holland năm 1970 là giải thuật metaheuristic phổ biến nhất nhờ vào tính linh hoạt và khả năng tính toán nhanh Giải thuật DE được tạo ra bởi Rainer Storn và Kenneth Price năm 1996 với những bước tính tương tự GA, có những lợi thế là dễ áp dụng hội tụ nhanh và tránh bị duy trì tại các

hay thuật toán bắt chước tập tính săn mồi của loài sói xám (Grey wolf Optimizer: GWO) cho kết quả tốt hơn các phương pháp truyền thống và không cần thông qua bảng tra cứu Khi so sánh PSO và GA với các phương pháp truyền thống, PSO và GA rõ ràng cho kết quả tốt hơn, trong khi các phương pháp cũ cho kết quả là độ méo dạng cao hơn và có thể không hội tụ (không tìm được giá trị góc kích phù hợp) [3] GA khi so sánh với PSO có nhiều điểm vượt trội hơn về cả độ chính xác và thời gian tính toán [4], GWO cũng cho kết quả tốt hơn GA và CS khi áp dụng cho bộ nghịch lưu nguồn áp 3 pha [5] GWO cũng thể hiện những ưu điểm khi so sánh với PSO và các phương pháp truyền thống khi áp dụng cho các bộ nghịch lưu đa bậc [6] Tuy nhiên chưa có những đánh giá chi tiết về giải thuật GWO và GA cho bộ nghịch lưu đa bậc cũng như thiếu những đánh giá về yếu tố thời gian

Do đó, để kiểm chứng và làm rõ tính hiệu quả các phương pháp trên, phương pháp GA và GWO sẽ được đưa vào nghiên cứu sâu hơn về mặt sóng hài và mặt thời gian chạy để có thể đáp ứng việc chạy trực tuyến Từ kết quả mô phỏng, giải thuật GA khi dữ liệu đầu vào ở dạng binary bit cho thấy các giá trị góc kích không tối ưu Tuy nhiên, sau khi cải tiến giải thuật này bằng cách thay đổi tín hiệu đầu vào dưới dạng gray bit, kết quả về giá trị góc kích lại thể hiện tốt hơn về mặt sóng hài trong những khoảng tỉ số điều biên nhất định khi so sánh với giải thuật GA truyền thống và GWO Tuy nhiên, khi giải thuật GA với tín hiệu đầu vào là mã gray lại có hạn chế về mặt thời gian của các bước dịch mã và giải mã Do đó, những biện pháp được áp dụng để cải thiện hạn chế về mặt thời gian chạy sẽ được trình bày chi tiết trong báo cáo thông qua những kết quả được mô phỏng kiểm chứng bằng matlab/simulink Các vấn đề chính nêu trên sẽ được trình bày qua các chương:

- Chương 1: Tổng quan về bộ nghịch lưu đa bậc và phương pháp điều khiển - Chương 2: Các thuật toán metaheuristic

- Chương 3: Quá trình tiến hành - Chương 4: Kết quả mô phỏng

- Chương 5: Nghiên cứu cải tiến về mặt thời gian - Chương 6: Kết luận

ABSTRACT

In 2021, when the countries enter the implementation phase of the Paris Agreement on climate change, as well as the strong commitments of the Vietnamese government at the COP26 conference, it shows the path to developing the energy industry with a strong emphasis on renewable energy, which is also evident in the input criteria for the formulation of the National Power Development Plan for the period 2021-2030 with a vision to 2045

However, the integration of many distributed sources from wind and solar power plants leads to the appearance of power converters such as AC/AC, DC/DC, DC/AC, AC/DC, AC -DC/DC-AC is also increasing more and more to be able to meet the DC and AC users, and allow to connect to the national grid In particular, the DC/AC inverters cause negative effects on the system because the high level harmonic in the output signal will convert into heat energy, damage the insulation, and cause interference to the telecommunications signal, generate losses and can lead to equipment destruction, thereby causing system inefficiencies, operating and controlling difficulties, causing instability and reducing power quality [1]

To eliminate these high level harmonic, it’s often apply different control methods such as amplitude modulation method, spatial vector modulation method or pulse width modulation method [2] One disadvantage of the modulation method is that it requires a constant DC voltage source and still requires the use of harmonic filters to remove residual harmonics The spatial vector modulation method has the limitation that it is necessary to use a lookup table to determine the working angle of the average vector and is determined by the linear control characteristics as well as the amount of high level harmonics

Recently, researchers focus more on finding the optimal algorithms that allow finding the semiconductor switching angles that meet the harmonic requirements based on metaheuristic techniques The GA algorithm created by J.H Holland in 1970 is the most popular metaheuristic algorithm due to its flexibility and fast computation DE algorithm was created by Rainer Storn and Kenneth Price in 1996 with similar

avoids being maintained at local convergence points [3] The algorithm of swarm optimization (Particle Swarm Optimization: PSO) or the algorithm that mimics the hunting behavior of gray wolves (Grey wolf Optimizer: GWO) gives better results than traditional methods and does not need to use lookup table When comparing PSO and GA with traditional methods, PSO and GA clearly give better results, while older methods result in higher distortion and may not converge (couldn't find a suitable switching angle value) [3] GA when compared with PSO has more advantages in both accuracy and calculation time [4] GWO gives better results than GA and CS when applied to 3-phase voltage source inverter [5] GWO also presents advantages when compared with PSO and traditional methods with multi-step inverters [6] However, there are no detailed evaluations of GWO and GA algorithms for multi-level inverters as well as a lack of evaluation of the time factor

Therefore, in order to verify and clarify the effectiveness of the above methods, the GA and GWO methods will be further studied in terms of harmonics and running time to be able to meet online running From the simulation results, when the input data is in the form of binary bits, the GA algorithm shows non-optimal values of the switching angle However, after improving this algorithm by changing the input signal in gray bit format, the result of the switching angle value is better in terms of harmonics in certain amplitude modulation ranges when compared with traditional GA and GWO algorithms However, when the GA algorithm with the input signal is gray code, there is a time limitation of the encoding and decoding steps Therefore, the methode applied to improve the runtime limitation will be detailed in the report through the simulation results verified by matlab/simulink The main contents mentioned above will be presented through the following chapters:

- Chapter 1: Overview of multi-level inverters and control methods - Chapter 2: Metaheuristic algorithms

- Chapter 3: The process - Chapter 4: Simulation results

- Chapter 5: Research on improvement in terms of time - Chapter 6: Conclusion

LỜI CAM ĐOAN

Tôi tên là Nguyễn Thanh Hằng, xin cam đoan luận văn thạc sĩ đề tài “Ứng dụng các giải thuật metaheuristic vào vấn đề loại bỏ sóng hài cho bộ nghịch lưu đa bậc” là công trình nghiên cứu của chính bản thân tôi, dưới sự hướng dẫn khoa học của PGS.TS Phan Quốc Dũng

Tôi cam đoan không sao chép bất kỳ tài liệu, ấn phẩm nào Các tư liệu tham khảo được sử dụng đúng quy định và có trích dẫn rõ ràng Các số liệu, kết quả mô phỏng trong luận văn này là trung thực và hoàn toàn dựa trên các mô phỏng được thực hiện khách quan theo phương pháp khoa học và chưa được công bố trong các công trình nào khác Tôi xin chịu trách nhiệm hoàn toàn về lời cam đoan này

TP.HCM, ngày tháng năm 2022

Người cam đoan

Nguyễn Thanh Hằng

MỤC LỤC

NHIỆM VỤ LUẬN VĂN THẠC SĨ i

LỜI CẢM ƠN ii

TÓM TẮT LUẬN VĂN iii

LỜI CAM ĐOAN vii

MỤC LỤC viii

DANH MỤC TỪ VIẾT TẮT xi

DANH SÁCH HÌNH ẢNH xii

DANH SÁCH BẢNG xiv

1 BỘ NGHỊCH LƯU ĐA BẬC VÀ PHƯƠNG PHÁP ĐIỀU KHIỂN 1

1.1 Bộ nghịch lưu đa bậc nối diode 2

1.2 Bộ nghịch lưu đa bậc nối tụ 2

1.3 Bộ nghịch lưu đa bậc dạng module ghép tầng 3

CHƯƠNG 2: CÁC THUẬT TOÁN METAHEURISTIC 8

2 CÁC THUẬT TOÁN METAHEURISTIC 8

2.1 Thuật toán gen di truyền (Genetic Algorithm: GA) 8

2.2 Thuật toán bắt chước tập tính săn mồi của sói xám (Grey Wolf Optimization: GWO) 13

2.2.1 Bao vây con mồi 13

2.2.2 Săn mồi 14

2.2.3 Tấn công con mồi 14

2.2.4 Tìm kiếm con mồi 14

CHƯƠNG 3: QUÁ TRÌNH TIẾN HÀNH 15

3 QUÁ TRÌNH TIẾN HÀNH 15

3.1 Xây dựng giải thuật GA 15

3.1.1 Khởi tạo quần thể 16

3.1.2 Khởi tạo quần thể 16

4.1 Kết quả mô phỏng với phương pháp GA 25

4.2 Kết quả mô phỏng với phương pháp GWO 27

4.3 So sánh kết quả mô phỏng giữa GA với GWO 27

4.3.1 Đánh giá về mặt sóng hài 27

4.3.2 Đánh giá về mặt thời gian 31

CHƯƠNG 5: NGHIÊN CỨU CẢI TIẾN VỀ MẶT THỜI GIAN 34

5 NGHIÊN CỨU CẢI TIẾN VỀ MẶT THỜI GIAN 34

5.2 Giải mã (decoded) 34

5.3 Nghiên cứu áp dụng machine learning 35

5.4 Phương pháp sử dụng bảng tham chiếu 38

CHƯƠNG 6: KẾT LUẬN 41

6 KẾT LUẬN 41

DANH MỤC CÔNG TRÌNH CÔNG BỐ 42

TÀI LIỆU THAM KHẢO 43

PHỤ LỤC 45

DANH MỤC TỪ VIẾT TẮT

DANH SÁCH HÌNH ẢNH

Hình 1.1: Cấu trúc bộ nghịch lưu đa bậc dạng nối diode 2

Hình 1.2: Cấu trúc bộ nghịch lưu đa bậc dạng nối tụ 3

Hình 1.3: Cấu trúc bộ nghịch lưu đa bậc dạng module ghép tầng với nguồn DC độc lập 4

Hình 1.4: Nguyên lý hoạt động của 1 module H-bridge ở 2 mức điện áp Vdc và -Vdc 5 Hình 1.5: Phương pháp điều khiển PWM tối ưu [7] 6

Hình 2.1: Các thuật ngữ cơ bản trong giải thuật gen di truyền 8

Hình 2.2: Genotype và phenotype 9

Hình 2.3: Quá trình thực hiện giải thuật GA 10

Hình 2.4: Lựa chọn quần thể mới bằng bánh xe Roullete 11

Hình 2.5: Minh họa giải thuật GWO[5] 13

Hình 3.1: Các bước thực hiện giải thuật GA 15

Hình 3.2: Lựa chọn quần thể mới bằng giải thuật Tournement 17

Hình 3.3: Các bước thực hiện giải thuật GWO 20

Hình 3.4: Mô hình bộ nghịch lưu 11 bậc và khối điều khiển 21

Hình 3.5: Khối điều khiển cho bộ nghịch lưu 22

Hình 3.6: Mô hình bộ nghịch lưu 3 pha dạng mô-đun ghép tầng 23

Hình 3.7: Mô hình H-bridge của bộ nghịch lưu 23

Hình 3.8: Khối xuất xung cho 1 pha của bộ nghịch lưu 24

Hình 3.9: Chi tiết khối xuất xung 24

Hình 4.1: Giá trị các góc đóng cắt khi tỉ số điều biên thay đổi từ 0.4 đến 1 với dạng mã hóa bằng mã nhị phân 25

Hình 4.2: Thành phần điện áp cơ bản đầu ra thay đổi khi thay đổi tỉ số điều biên 25

Hình 4.3: Điện áp 3 pha ngõ ra của bộ nghịch lưu 11 bậc được điều khiển bởi giải thuật GA 25

Hình 4.4: Góc kích thay đổi theo tỉ số điều biên với dạng mã hóa bằng mã gray 26

Hình 4.5: Góc kích thay đổi khi tỉ số điều biên thay đổi từ 0.01 đến 1 ứng với phương pháp GWO 27

Hình 4.6: So sánh giải thuật GA và GWO khi tỉ số điều biên thay đổi từ 0.01 đến 1 28

Hình 4.7: So sánh THA% của 2 phương pháp khi tỉ số điều biên thay đổi từ 0.01-1 30 Hình 4.8: So sánh tốc độ hội tụ của GA và GWO khi tỉ số điều biên thay đổi từ 0.7

đến 0.8 32

Hình 5.1: RMSE và Loss của quá trình training mạng LSTM chuyển từ mã Gray sang

Decimal với đầu vào 2500 data, 350 epochs, 70 neurons ở lớp ẩn 36

Hình 5.2: RMSE và Loss của quá trình training mạng LSTM chuyển từ Decimal sang

Gray với đầu vào 10000 data, 90 epochs, 125 neurons ở lớp ẩn 37

Hình 5.3: Minh họa cho bảng tham chiếu 39

DANH SÁCH BẢNG

Bảng 4.1: So sánh về tổng độ méo dạng sóng hài (THD) của GA và GWO khi cùng số

vòng lặp và tỉ số điều biên 29

Bảng 4.2: So sánh về thời gian tính toán của GA và GWO 31

Bảng 4.3: So sánh về thời gian chạy của từng bước tính toán của 3 phương pháp

GA-encoded, GA-origin và GWO khi cùng số vòng lặp và tỉ số điều biên 32

Bảng 5.1: Cấu hình mạng LSTM chuyển từ mã Gray sang Decimal 35Bảng 5.2: Cấu hình mạng LSTM chuyển từ Decimal sang mã Gray 36Bảng 5.3: So sánh về thời gian chạy của phương pháp GA-encoded trước và sau khi

áp dụng look-up table cho việc dịch mã và giải mã 39

CHƯƠNG 1: BỘ NGHỊCH LƯU ĐA BẬC VÀ PHƯƠNG PHÁP ĐIỀU KHIỂN

1 BỘ NGHỊCH LƯU ĐA BẬC VÀ PHƯƠNG PHÁP ĐIỀU KHIỂN

Bộ nghịch lưu áp là các bộ chuyển đổi cho phép cung cấp và điều khiển điện áp xoay chiều ở ngõ ra Nguồn cấp cho bộ nghịch lưu có thể là các nguồn một chiều như acquy, pin, hay các nguồn xoay chiều được chỉnh lưu thành nguồn 1 chiều Các linh kiện cấu thành nên bộ nghịch lưu là các khóa bán dẫn có khả năng điều khiển như transistor (BJT, MOSFET, IGBT) hay ở phạm vi công suất lớn là GTO, SCR, IGCT kết hợp với bộ điều khiển chuyển mạch

Bộ nghịch lưu có cấu hình cơ bản là dạng cầu H chứa 4 khóa bán dẫn với các diode mắc đối song Tuy nhiên, nhược điểm mà bộ nghịch lưu 2 bậc mắc phải là sự tồn tại của trạng thái zero của tổng điện thế từ các pha đến tâm nguồn DC Do đó, Bộ nghịch lưu áp đa bậc ra đời để giải quyết được những nhược điểm mà bộ nghịch lưu 2 bậc mắc phải và thường được sử dụng cho các ứng dụng điện áp cao và công suất lớn

Bên cạnh đó, khi công suất của bộ nghịch lưu áp tăng lên, điện áp đặt lên các linh kiện giảm xuống nên công suất tổn hao do quá trình đóng ngắt của linh kiện cũng giảm theo Với cùng tần số đóng cắt, các thành phần hài bậc cao của điện áp ra giảm nhỏ hơn so với trường hợp bộ nghịch lưu áp hai bậc [2]

Từ những ưu điểm trên, các bộ nghịch lưu đa bậc được sử dụng ngày càng nhiều và đóng vai trò quan trọng với sự có mặt trong các động cơ công nghiệp, hệ thống chuyển dòng linh hoạt (FACTS), các hệ thống truyền động trong nhà máy,… và đặc biệt trong bối cảnh hiện nay khi nguồn năng lượng tái tạo ngày càng được chú trọng phát triển thì việc ứng dụng các bộ nghịch lưu này để chuyển đổi điện áp từ các trang trại điện gió, điện mặt trời, các mô hình điện mặt trời mái nhà lên lưới là không thể tránh khỏi

Mô hình một bộ nghịch lưu đa bậc thường có 3 dạng: - Nối diode (diode-clamp)

- Nối tụ (flying-capacity)

- Ghép tầng các bộ nghịch lưu với nguồn DC độc lập

1.1 Bộ nghịch lưu đa bậc nối diode

Cấu hình các bộ nghịch lưu đa bậc được biểu diễn như sau:

Hình 1.1: Cấu trúc bộ nghịch lưu đa bậc dạng nối diode

Bộ biến đổi nối diode m bậc gồm m-1 tụ phía DC và có thể tổng hợp được m bậc điện áp ngõ ra Điện áp nguồn 1 chiều tổng là Vdc, điện áp trên mỗi tụ phái đầu vào là Vdc/m, điện áp đặt trên mỗi linh kiện cũng tương ứng với điện áp trên mỗi tụ là Vdc/3, thông qua các diode mắc đối song

Bộ nghịch lưu đa bậc nguồn áp nối diode có các ưu điểm là:

- Khi số bậc đủ lớn, hài bậc cao sẽ đủ thấp để không cần sử dụng bộ lọc - Hiệu suất cao vì các khóa bán dẫn có thể được điều khiển ở tần số đóng ngắt

cơ bản

- Phương pháp điều khiển đơn giản cho hệ thống kết nối dạng đối song Tuy nhiên, có thể nhận thấy rằng với cấu hình này, khi yêu cầu số bậc điện áp càng cao (m càng lớn) sẽ dẫn đến khó khăn khi thiết kế hệ thống trên thực tế, do số lượng diode tỉ lệ bình phương với m Bên cạnh đó, khó điều khiển lượng công suất tịch cực cho các bộ biến đổi đơn

1.2 Bộ nghịch lưu đa bậc nối tụ

Cấu hình cơ bản của một bộ nghịch lưu áp đa bậc dạng nối tụ như sau:

Hình 1.2: Cấu trúc bộ nghịch lưu đa bậc dạng nối tụ

Các mức điện áp xác định trong bộ biến đổi đa bậc nối tụ tương tự như trường hợp nối diode Điện áp pha của bộ biến dổi có m bậc gồm cả bậc làm chuẩn Phía đầu vào cần m-1 tụ cho bộ biến đổi có m bậc điện áp ngõ ra

Với cấu hình nối tụ:

- Khi số lượng tụ tích điện lớn sẽ có khả năng duy trì trong khoảng thời gian nhất định khi mất điện

- Cung cấp nhiều tổ hợp đóng cắt dự phòng để có thể duy trì việc cân bằng các bậc điện áp khác nhau

- Khi số bậc đủ cao, thành phần hài đủ nhỏ để loại bỏ các bộ lọc

- Có thể điều khiển lượng công suất tích cực hoặc phản kháng, giúp cho bộ nghịch lưu áp này có thể sử dụng cho ứng dụng HVDC

Tuy nhiên, cần một lượng lớn các tụ điện dẫn đến sự cồng kềnh và tốn kém của hệ thống Bên cạnh đó việc điều khiển bộ nghịch lưu này tương đối phức tạp với tần số và tổn thất đóng cắt cao khi truyền tải công suất thực

1.3 Bộ nghịch lưu đa bậc dạng module ghép tầng

Dạng module ghép tầng với nguồn DC độc lập được biểu diễn như sau:

Hình 1.3: Cấu trúc bộ nghịch lưu đa bậc dạng module ghép tầng với nguồn DC độc

lập

Mỗi module là các bộ nghịch lưu cầu 1 pha (H-bridge) được cấp nguồn độc lập Các module này được ghép nối tiếp với nhau, có nhiệm vụ tổng hợp giá trị điện áp mong muốn từ các nguồn DC độc lập như battery hay pin mặt trời Điện áp phía đầu ra được tổng hợp từ tất cả các module để tạo thành nhiều bậc điện áp Khi số lượng các module này đủ lớn, sự chênh lệch điện áp giữa các bậc sẽ nhỏ lại, nghĩa là sóng điện áp đầu ra sẽ mịn hơn và tổng độ méo dạng sóng hài bậc cao sẽ được giảm thiểu từ đó có thể giảm lược việc sử dụng các bộ lọc sóng hài Ưu điểm của bộ nghịch lưu này là tận dụng được các nguồn độc lập và tránh được việc sử dụng quá nhiều diode hay tụ cân bằng áp nên sẽ giúp thu nhỏ kích thước, và cũng như tránh được vấn đề mất cân bằng điện áp tụ so với trường hợp sử dụng dạng nối tụ Tuy nhiên, chi phí để đầu tư cho các nguồn DC độc lập này cũng là một vấn đề đáng quan tâm, nhưng khi nguồn năng lượng tái tạo đang phát triển mạnh như hiện nay thì việc sử dụng bộ nghịch lưu đa bậc ghép tầng với nguồn độc lập lại cho thấy khả năng ứng dụng cao Do đó, trong báo cáo này lựa chọn sử dụng cấu hình dạng module ghép tầng để kiểm chứng các phương pháp điều khiển tối ưu

Về mặt điện áp, mỗi module tạo ra 3 giá trị điện áp khác nhau: -Vdc,0, Vdc nhờ vào việc điều khiển 4 khóa công suất S1, S2, S3, S4

- Vout = Vdc, S1 và S4 đóng

- Vout = 0, S1 và S2 hoặc S3 và S4 đóng - Vout = -Vdc, S2 và S3 đóng

(Chú ý S1=~S3, S2=~S4)

Số bậc của điện áp ngõ ra bằng 2*m+1 với m là số module được ghép nối tiếp Hình ảnh dưới đây mô tả về nguyên lý hoạt động của một module dạng H-bridge cơ bản:

Hình 1.4: Nguyên lý hoạt động của 1 module H-bridge ở 2 mức điện áp Vdc và -Vdc

Về phương pháp điều khiển, người ta cần tìm ra các phương pháp điều khiển các khóa bán dẫn để đảm bảo tạo được điện áp đầu ra như mong muốn nhưng yêu cầu là thành phần hài bậc cao thấp, giảm số lần đóng cắt, chuyển mạch an toàn, tránh chế độ điện áp chung và có thể điều khiển bằng vi xử lý

Có các phương pháp điều khiển điều biến độ rộng xung thường áp dụng: - Điều biến độ rộng xung trên cơ sở sóng mang (Carrier-Based PWM Method-

(Space Điều biến độ rộng xung tối ưu hay nhiều bước (multistep)

Trong bài này áp dụng phương pháp điều khiển PWM tối ưu, ứng dụng các giải thuật metaheuristic để tìm ra giá trị góc đóng cắt phù hợp Ví dụ sau minh họa

về gía trị góc đóng cắt cho bộ nghịch lưu 11 bậc với tỉ số điêu biên thay đổi từ 0.2 đến 1 với bước nhảy bằng 0.2:

Hình 1.5: Phương pháp điều khiển PWM tối ưu [7]

Trong đó, điện áp hình sin đầu ra được tổng hợp từ 5 thành phần điện áp của các module ghép nối tiếp với nhau

Tỉ số điều biên ma là tỉ số giữa thành phần điện áp ngõ ra trên thành phần điện áp ngõ vào Trong trường hợp này, mỗi mô dun được cấp nguồn DC độc lập và ghép tầng với nhau, do đó, điện áp ngõ vào Vin = 5Vdc Khi tỉ số điều biên là ma =1 thì điện áp ngõ ra đạt biên độ là 5Vdc

Với bộ nghịch lưu 3 pha, thành phần hài bậc 3*n (n=1,2,3 ) tự triệt tiêu , các thành phần hài bậc cao được biểu diễn là tổng hợp các thành phần

Hệ số méo dạng toàn phần THD được xác định như sau: (%) =

⎩⎪⎨⎪

CHƯƠNG 2: CÁC THUẬT TOÁN METAHEURISTIC 2 CÁC THUẬT TOÁN METAHEURISTIC

Các thuật toán metaheuristic là những thuật toán được đúc kết từ tự nhiên, bắt chước từ những đặc tính tốt nhất trong thiên nhiên thông qua chọn lọc tự nhiên và sự thích nghi xã hội Những bài toán này có thể mô tả ở mức độ trừu tượng, thường đưa ra lời giải gần tối ưu trong không gian tìm kiếm và được phân thành 2 loại: thuật toán dựa trên quỹ đạo và thuật toán dựa trên dân số, sự khác biệt dựa trên số lời giải dự kiến được sử dụng trong mỗi bước lặp của thuật toán Các phương pháp GA và GWO được nhắc đến ở trên là những ví dụ điển hình của thuật toán dựa trên quần thể/dân số (population-based)

2.1 Thuật toán gen di truyền (Genetic Algorithm: GA)

Lấy cảm hứng từ qúa trình di truyền và chọn lọc tự nhiên, thuật toán di truyền

GA thực hiện thông qua 6 bước như sau: Khởi tạo giá trị ban đầu  Đánh giá

và gán giá trị cho các cá thể trong quần thể  Chọn cá thể phù hợp nhất  Trao đổi chéo từ tổ hợp của cá thể bố mẹ để tạo ra cá thể con  Đột biến  Chèn lại, trở về quá trình đánh giá ở bước 2 cho tới khi đạt được độ chính xác như yêu cầu

Để ứng dụng giải thuật này vào vài toán tìm góc đóng cắt tối ưu cho bộ nghịch lưu đa bậc ghép tầng, quá trình thực hiện như sau:

Hình 2.1: Các thuật ngữ cơ bản trong giải thuật gen di truyền

- Khởi tạo quần thể (Population): là một tập hợp tất cả các lời giải cho bài

toán

- Nhiễm sắc thể (NST) (Chromosome): là một trong các lời giải của bài toán,

cụ thể ở đây là một tập hợp các giá trị góc đóng cắt cho các module

- Gen (Gene): Một phần tử vị trí của nhiễm sắc thể Nếu các giá trị góc kích

được giữ ở dạng số thực thì các gen này chính là vị trí của 1 trong các góc đóng cắt trong NST, tương tự, nếu giá trị góc kích này được mã hóa thành dạng mã nhị phân [0,1] thì giá gen là vị trí của các phần tử 0,1 trong chuỗi bit ứng với 1 NST

- Allele: giá trị của 1 phần tử tại vị trí gene

- Toán tử di truyền (genetic operator): là các hoạt động tổ hợp gen nhằm

mục đích tạo ra thế hệ mới: chọn lọc, Lai ghép, đột biến, Các bước thực hiện được tổng quá qua lưu đồ sau:

Hình 2.3: Quá trình thực hiện giải thuật GA

- Lựa chọn cách biểu diễn các lời giải, khi cách biểu diễn này không phù hợp

có thể dẫn đến hiệu suất không cao Có các dạng thể hiện của genotype là dạng các chuỗi bits, dạng số thực, dạng số nguyên, và biểu diễn theo thứ bậc Đôi lúc việc sử dụng mã nhị phân sẽ gây ra những thay đổi đáng kể khi thay đổi giá trị 1 bit, do đó giải pháp là sữ dụng mã gray Đối với việc biểu diễn là số thực sẽ gây ra những hạn chế về mặt tính toán Biểu diễn bằng số nguyên thường sử dụng cho dạng dữ liệu là rời rạc Biểu diễn dạng thứ bậc thông thường áp dụng cho những bài toán với đầu ra biểu diễn theo thứ tự

- Khởi tạo quần thể: kích thước của quần thể cần tránh thay đổi trong quá

trình thực hiện vì có thể gây ra hiện tiện hội tụ sớm, kích thước quần thể nếu quá lớn có thể làm chậm quá trình tính toán, nếu quá nhỏ có thể khó tìm ra được giá trị tối ưu Do đó kích thước của quần thể như: số lượng NST, số lượng gen trong 1 NST cần được lựa chọn bằng cách thử và sai trong quá trình thực nghiệm để tìm ra giá trị phù hợp với dữ liệu đầu vào Cách khởi tạo có thể là ngẫu nhiên toàn bộ quần thể hoặc đưa vào một số NST đã biết và lấy ngẫu nhiên phần còn lại của quần thể

- Hàm fitness: tính toán mức độ phù hợp của một NST, không nên để quá

phức tạp để có thể đánh giá nhanh

- Lựa chon thế hệ mới: sau khi tính giá trị hàm Fitness, ta có fitness score

của từng NST, các giá trị này sẽ được đưa vào đánh giá, lựa chọn để tạo ra

quần thể mới bằng các phương pháp sau:

+ Bánh xe Roullete: Roulette wheel selection: tạo vòng quay roullete dựa trên tỉ lệ phần trăm của các NST trong toàn bộ quần thể, cố định một điểm trên vòng quay, tiến hành quay bánh xe, mỗi lần quay chọn được 1 phần tử cho quần thể mới là giá trị đối diện điểm cố định Như vậy sau n lần quay (n là số lượng NST) sẽ có được một quần thể mới Các cá thể có fitness score cao thì diện tích chiếm chỗ trong vòng quay lớn, xác suất quay trúng sẽ cao hơn

Hình 2.4: Lựa chọn quần thể mới bằng bánh xe Roullete

+ Lấy mẫu chung ngẫu nhiên: Schotastic Universal Sampling: tương tự bánh xe Roullete, nhưng thay vì 1 điểm cố định người ta sử dụng 2 điểm cố định + Lựa chọn theo giải đấu (Tournament selection): mỗi lần chọn k phần tử (k cố định) ngẫu nhiên trong quần thể, chọn ra phần tử có fitness score cao nhất Sau n lần chọn, ta có được quần thể mới Có thể áp dụng với giá trị âm + Lựa chọn theo xếp hạng: sử dụng khi các cá thể có xác suất xuất hiện gần như nhau, lúc này bánh xe Roullete được chia thành các phần đều nhau Phương pháp lựa chọn này thường không cho phép lựa chọn thế hệ sau tốt + Lựa chọn ngẫu nhiên: Phương pháp này thường không cho thấy kết quả tốt và ít được áp dụng

- Lai ghép (crossover): lựa chọn nhiều hơn 1 NST để tiến hành lai ghép, sinh

ra thế hệ mới Xác suất tiến hành lai ghép là Pc, theo nghiên cứu của Kenneth De Jong thì giá trị này nên là 0.6 Có các phương pháp lai ghép sau:

+ Lai ghép 1 điểm: chọn ngẫu nhiên 1 điểm tráo đầu và đuôi của 2 NST cho nhau tại vị trí điểm chọn

+ Lai ghép nhiều điểm: tương tự phương pháp trên nhưng thay vì 1 điểm thì 2 hoặc nhiều điểm được lựa chọn

+ Uniform crossover: mỗi gen được phân tách rời rạc và tiến hành tráo vị trí các gen của 2 cá thế bố và mẹ với nhau

+ Tổng hợp theo số học: các cá thể con tại vị trí k là tổ hợp toán học của bố và mẹ tại vị trí tương ứng: child = αx + (1 − α)y

+ Lai ghép theo bậc Davis: tạo 2 điểm lai ghép ngẫu nhiên, từ phần tử cha thứ nhất chọn ra những điểm nằm giữa 2 điểm đã chọn, mang qua vị trí tương ứng ở thế hệ con Từ phần tử cha thứ 2, lấy những giá trị nằm ngoài điểm lai ghép, xáo trộn và điền vào phần còn lại ở thế hệ con đầu tiên Thực hiện tương tự với phần tử cha thứ 2 để thu được phần tử con thứ 2

Ngoài ra có nhiều phương pháp lai ghép khác như: Partial Mapped, Order base, Shuffle crossover, Ring crossover, Age based, fitness based,…

- Đột biến (mutation): một chỉnh sửa nhỏ trong NST để tạo ra một giải pháp

mới Xác suất đột biến Pm thường nhỏ hơn rất nhiều so với xác suất lai ghép Pc Theo Kenneth de Jong thì Pm =0.001 Sự đột biến là yếu tố quyết định đến khả năng hội tụ của GA Một số kỹ thuật gây đột biến như sau:

+ Đảo bit: chọn 1/nhiều bit và đảo bit

+ Thiết lập lại ngẫu nhiên (Random Resetting): Lấy bất kỳ 1 giá trị trong tập cho phép và gán vào 1 gen được chọn tùy ý

+ Đột biến tráo đổi: đổi vị trí 2 bit trong cùng 1 NST

+ Đột biến xáo trộn (scramble mutation): chọn một tập nhỏ các các gen trong NST, xáo trộn các gen cho nhau

+ Đột biến đảo ngược: chọn 1 tập hợp nhỏ các gen trong 1 NST, đảo ngược vị trí các gen với nhau

2.2 Thuật toán bắt chước tập tính săn mồi của sói xám (Grey Wolf Optimization: GWO)

Thuật toán bắt chước tập tính săn mồi của bầy sói GWO mô phỏng theo kỹ thuật phân lớp lãnh đạo và săn mồi của loài sói xám trong tự nhiên Một lãnh đạo ưu tú nhất được gọi là alpha ( lời giải tốt nhất), cũng là phần tử đưa ra quyết định đi săn, các lãnh đạo cấp dưới lần lượt là beta và delta, những phần tử còn lại là omega Con mồi (lời giải tối ưu) được điều khiển bởi alpha, beta và delta, omega đi theo những con sói này Lời giải tối ưu sẽ được lấy ra từ trung bình cộng của 3 cấp lãnh đạo cao nhất Nhờ vào việc kiểm tra lại vị trí, thuật toán tránh khỏi những giá trị tối ưu cục bộ, từ đó tìm ra được lời giải phù hợp nhất [5]

Bài toán được thực hiện qua 4 bước: (1) Bao vây con mồi

(2) Săn đuổi (3) Tấn công

(4) Tìm kiếm con mồi Như hình biểu diễn sau:

Hình 2.5: Minh họa giải thuật GWO[5].

2.2.1 Bao vây con mồi

⃗ = ⃗ ( ) − ⃗( ) (6) ⃗( + 1) = ⃗ ( ) − ⃗ ⃗ (7)

⃗ chỉ vị trí của bầy sói và X chỉ vị trí của sói xám ⃗ và ⃗ được tính như sau:

⃗ = 2 ⃗ ⃗ − ⃗ (8) ⃗ = 2⃗ (9)

⃗ giảm từ 2 về 0 và các véc tơ ⃗ và ⃗ chọn ngẫu nhiên trong khoảng [0 1]

Trong đó là véc tơ vị trí của con mồi, ⃗ là vị trí của sói xám,

2.2.3 Tấn công con mồi

Bầy sói tiếp cận con mồi bằng cách giảm giá trị a của ⃗ , r1 và r2 có giá trị ngẫu nhiên trong khoảng [0,1] do đó A lấy giá trị ngẫu nhiên trong tập [-a,a], khi a tiến về 1, nghĩa là A có giá trị trong [-1,1], lúc này vị trí tiếp theo của phần tử tìm kiếm sẽ là vị trí hiện tại hoặc vị trí của con mồi

2.2.4 Tìm kiếm con mồi

Những con sói tìm kiếm con mồi theo các vị trí alpha, beta và delta, chúng tách rời nhau để tìm kiếm rồi hội tụ lại để tấn công con mồi Khi A lớn hơn 1, các con sói tách khỏi con mồi, và ngược lại khi A trong khoảng [-1,1], bầy sói tấn công con mồi

CHƯƠNG 3: QUÁ TRÌNH TIẾN HÀNH 3 QUÁ TRÌNH TIẾN HÀNH

3.1 Xây dựng giải thuật GA

Do tính chất bài toán là việc tìm các giá trị góc kích cho khóa bán dẫn, các góc này nằm trong khoảng giá trị (-pi/2,pi/2) và là các số thập phân Việc biểu diễn lời giải dưới dạng số thực gây ra những hạn chế về mặt tính toán Do đó trong bài báo cáo này, các lời giải sẽ được biểu diễn dạng chuỗi bit, các giá trị thực của các góc (radian) sẽ được chuyển đổi thông qua hàm dịch mã (encode) và giải mã (decode)

Dựa vào các bước đã trình bày trong phần 2.1, quá trình xây dựng giải thuật GA trong matlab được tiến hành như lưu đồ sau:

3.1.1 Khởi tạo quần thể

Đối với việc lựa chọn góc kích, các giá trị được lựa chọn hoàn toàn ngẫu nhiên Với bộ nghịch lưu 11 bậc, số lượng góc kích cần tìm ứng với mỗi tỉ số điều biên là 5 Do đó lựa chọn kích thước quần thể là 20÷30 NST

Do cần chuyển đổi giữa dạng mã nhị phân và số thực, độ chính xác của các giá trị góc này ảnh hưởng đến chất lượng điện áp ngõ ra Để đạt độ chính xác là 3 chữ số thập phân tương ứng với giá trị nguyên nằm trong khoảng [0÷15708], do đó độ dài chuổi bit của mỗi giá trị góc kích được tính như sau:

2x ≥ 15708 x ≥ 14

Như vậy, mỗi giá trị góc kích có độ dài 14 bits, mỗi nhiễm sắc thể gồm 5 góc kích nên có độ dài 70 bits

3.1.2 Khởi tạo quần thể

Các giá trị góc kích được tạo một cách ngẫu nhiên bằng hàm random trong matlab như sau:

theta1 = (randi([0,15708],1,SearchAgents));theta2 = (randi([0,15708],1,SearchAgents)); theta3 = (randi([0,15708],1,SearchAgents)); theta4 = (randi([0,15708],1,SearchAgents)); theta5 = (randi([0,15708],1,SearchAgents));

Với “SearchAgents” là kích thước quần thể và được chọn là 20 nhiễm sắc thể

Các giá trị góc được giữ ở dạng số thực để có thể áp dụng được vào hàm fitness này

3.1.4 Lựa chọn quần thể mới

Để lựa chọn thế hệ sau cho quẩn thể các giá trị góc đóng cắt, phương pháp lựa chọn bằng giải đấu và bánh xe Roullete được áp dụng, tuy nhiên lựa chọn giải đấu (Tournemen) cho thấy kết quả tốt hơn Quá trình được mô tả như lưu đồ hình 3.2

Hình 3.2: Lựa chọn quần thể mới bằng giải thuật Tournement

Cụ thể, mỗi lần chọn ngẫu nhiên 5 phần tử trong quần thể, chọn ra phần tử có fitness score cao nhất Sau 20 lần lặp sẽ chọn được một quần thể mới gồm tập hợp những cá thể có điểm cao nhất Như vậy chỉ cần sau vài lần lặp, những cá thể có điểm cao sẽ xuất hiện ngày càng nhiều

3.1.5 Hoán vị (Lai ghép)

Trong bài toán này, phương pháp lai ghép lựa chọn là phương pháp thông dụng nhất-lai ghép 1 điểm Nghĩa là chọn ngẫu nhiên 1 điểm trên một NST, tráo đầu và đuôi của 2 NST cho nhau tại vị trí điểm chọn Từ bước này, các giá trị góc được dịch mã để đưa về dạng các bit 0,1

Các bước tiến hành hoán vị như sau:

B1 Khởi tạo ngẫu nhiên 20 phần tử có giá trị trong khoảng [1,20] B2 Tính lượng NST hoán vị trong mỗi lần lặp như sau:

N = pc*size(Positions)= 0.5*20 =10

Với size(Positions) chính là số lượng quần thể và bằng 20 Như vậy mỗi lần lặp sẽ có N/2 cặp NST được hoán vị cho nhau, tạo ra N/2 cặp cá thể con tương ứng

B3 Giả sử tại vị trí thứ i trong tập ngẫu nhiên ở bước 1 có giá trị là x, cặp bố mẹ

có giá trị x và x+1 sẽ được hoán vị với nhau tại vị trí ngẫu nhiên trong khoảng [2,69] Cặp NST con thay thế vào vị trí x và x+1 tương ứng của cặp bố mẹ Sau khi lặp N/2 lần ta có một quần thể mới gồm các cá thể con từ các cặp bố mẹ có fitness score tốt lai ghép với nhau

Khi tiến hành đột biến,

B1 Khởi tạo ngẫu nhiên một vector có kích thước là (1, 20*70) với giá trị trong

khoảng [0,pi/2]

B2 Lặp 20*70 vòng lặp, so sánh giá trị của vector ngẫu nhiên tại bước 1 tại vị

trí thứ i với pm, nếu giá trị thỏa mãn điều kiện là nhỏ hơn pm, vị trí đó được lựa chọn đột biến sau khi hoàn tất quá trình ta có được vector vị trí (indexArray) có kích thước là count phần tử

B3 Số lượng bit đột biến là giá trị nhỏ nhất giữa nbit và số lượng phần tử được

chọn ở B2 mutationNum = min(nbit, count)

B4 Lặp mutationNum lần, tại vị trí thứ i trong indexArray, tiến hành đảo bit,

các bit có giá trị 0 được đảo thành 1 và ngược lại

Quá trình lặp hoàn tất, quần thể mới thu được gồm các phần tử có fitness score cao đã được lai ghép và đột biến

Giá trị của vị trí sau khi tính toán được đưa vào kiểm tra và áp dụng các điều kiện biên để không bị vượt ra khỏi không gian tìm kiếm Các điều kiện này sẽ được lấy từ bảng tham chiếu từ hình 3 ứng với các khoảng giá trị của tỉ số điều biên m

Các giá trị được giải mã để đưa về dạng số thực và đưa về bước 2 để tính fitness score

Bài toán có điều kiện dừng là khi đạt số vòng lặp tối đa, với max_iteration được chọn là 200, 250 và 300

3.2 Xây dựng giải thuật GWO

Tương tự như GA, thuật toán bắt chước tập tính săn mồi của bầy sói GWO cũng cần các bước là khởi tạo quần thể, tính fitness score, cập nhật lại vị trí (tương đương với bước tạo quần thể mới), và điều kiện dừng cũng là khi đạt được số vòng lặp tối đa Để ứng dụng vào bài toán tìm góc kích tối ưu cho bộ nghịch lưu đa bậc ghép tầng (cụ thể là 5 bậc), các bước thực hiện thuật toán GWO được trình bày như sau:

Hình 3.3: Các bước thực hiện giải thuật GWO

3.2.1 Khởi tạo

Tương tự như giải thuật GA phía trên, quần thể được lựa chọn cho GWO có kích thước 20 phần tử, số vòng lặp lớn nhất là 200, 250, 300, ma trận tọa độ được khởi tạo trong matlab như sau:

Positions=rand(SearchAgents,5).*pi/2;

3.2.2 Tính fitness score

Hàm mục tiêu (fitness) cũng tương tự như giải thuật GA:

( ) = ∑ .cos( ) − . + ∑ .cos(5 )+∑ .cos(7 )+

B2 Cho biến chạy lần lượt từng phần tử trong quần thể, lần lượt tính toán các

giá trị A1, C1, A2, C2, A3,C3, D_alpha, D_beta, D_delta

B3 Các giá trị X1, X2, X3 được tính theo công thức (5), và vị trí tại vòng lặp

lúc này được cập nhật lại theo công thức (6)

Giá trị của vị trí sau khi tính toán được đưa vào kiểm tra và áp dụng các điều kiện biên để không bị vượt ra khỏi không gian tìm kiếm Các điều kiện này sẽ được lấy từ bảng tham chiếu từ hình 3 ứng với các khoảng giá trị của tỉ số điều biên m Bài toán có điều kiện dừng là khi đạt số vòng lặp tối đa, với số vòng lặp lớn nhất được chọn là 200, 250 và 300

3.3 Xây dựng mô hình tổng quan của bộ nghịch lưu đa bậc (11 bậc) trên simulink

3.3.1 Bộ nghịch lưu đa bậc

Bộ nghịch lưu 3 pha 11 bậc, mỗi pha được xây dựng bởi 5 module H-bridge xếp chồng nhau Tín hiệu điều khiển cho các khóa bán dẫn được đưa lấy từ đầu ra của bộ điều khiển, đi qua bộ so sánh để đưa giá trị về mức 0,1 Các khóa bán dẫn được lựa chọn là các mosfet nhờ vào khả năng điều khiển kích đóng ngắt bằng xung điện áp ở mạch cổng, tiêu thụ ít công suất, khả năng kích đóng nhanh và tổn hao đóng ngắt thấp Mỗi module nhận nguồn từ một nguồn áp DC độc lập và 4 tín hiệu điều khiển cho 4 khóa bán dẫn

3.3.2 Bộ điều khiển

Khối điều khiển được xây dựng trong Simulink để lấy tín hiệu điều khiển cho bộ nghịch lưu Đầu vào là tỉ số điều biên ma và đầu ra là các giá trị góc đóng cắt tối ưu đã được tính toán từ giải thuật tối ưu, giải thuật tối ưu này có thể là GA hoặc GWO như đã mô tả trong phần 3.1 và 3.2 Các thuật toán này được thực hiện thông qua các khối m-file

Hình 3.5: Khối điều khiển cho bộ nghịch lưu

Tỉ số điều biên ma có thể thay đổi trong khoảng từ 0.1 đến 1 với bước nhảy là 0.05, giá trị này sẽ do người mô phỏng tùy chỉnh trong quá trình khảo sát Ứng với mỗi giá trị điều biên đưa vào, thuật toán điều khiển như GA và GWO sẽ tính toán và cho giá trị 5 góc kích tương ứng với 5 khối trong bộ chuyển đổi Các giá trị góc này sẽ được đưa qua khối tạo xung để đưa về dạng xung PWM để tương thích với dạng tín hiệu ngõ vào của các khóa bán dẫn Mỗi giá trị góc từ khối điều khiển thông qua khối tạo xung sẽ cho ra 4 giá trị PWM Do bộ nghịch lưu ba pha 11 bậc, mỗi pha gồm 5 mô đun ghép tầng với nhau nên khối tạo xung cần 5 giá trị góc đóng cắt ngõ vào và đầu ra sẽ gồm 20 tín hiệu điều khiển ứng với 5 mô đun ở khối bộ chuyển đổi Để áp dụng cho bộ nghịch lưu 3 pha, cần có 3

khối tạo xung với các giá trị góc đóng cắt tương tự nhau và góc pha của mỗi bộ lệch nhau 120o Mô hình bộ ngịch lưu được mô tả như Hình 3.6

Hình 3.6: Mô hình bộ nghịch lưu 3 pha dạng mô-đun ghép tầng

Mỗi pha gồm 5 mô-đun ghép tầng với nhau, điện cực S của mô-đun trước được nối với điện cực D của mô-đun liền kề 3 pha nối chung nhau tại điện cực S của mô-đun cuối Mô hình H-bridge cơ bản của mỗi mô-đun được xây dựng trong Simulink như Hình 8 Khóa bán dẫn là các MOSFET lý tưởng, g, g1, g2, g3 lần lượt là xung tín hiệu điều khiển đối nghịch được cấp bởi khối tạo xung (chính là các xung S11, S12, S13, S14 của khối tạo xung) Mỗi mô đun này được cấp nguồn bởi một nguồn áp một chiều 100V Hiệu điện thế giữa điểm S và điểm D là thành phần điện áp ngõ ra của mỗi khối Như vậy điện áp ngõ ra một pha của bộ nghịch lưu chính là hiệu điện thế giữa điểm S của mô đun đầu tiên và điểm D từ mô đun cuối cùng

Hình 3.9: Chi tiết khối xuất xung

Do bộ nghịch lưu ba pha 11 bậc, mỗi pha gồm 5 mô đun ghép tầng với nhau nên cần 3 khối tạo xung, mỗi khối cần 5 giá trị góc đóng cắt ngõ vào và đầu ra sẽ gồm 4x5 = 20 tín hiệu điều khiển ứng với 5 mô đun ở khối bộ chuyển đổi, 3 khối tạo xung này sẽ lệch nhau 120o Khối tạo xung nhận tín hiệu đầu vào là giá trị các góc đóng cắt từ bộ điều khiển, so sánh giá trị này với 2 sóng mang tam giác ngược pha nhau Các giá trị sau khi qua bộ so sánh đưa qua khối nghịch đảo để đưa về dạng xung PWM đối nghịch Xung PWM này sẽ là tín hiệu điều khiển đóng cắt cho các khóa bán dẫn của bộ nghịch lưu