Giới thiệu về bài toán điều độ tối ưu hỗn hợp nhiệt và điện trong hệ thống điện, mục tiêu của đề tài, tầm quan trọng của việc tìm ra lời giải bài toán này và phạm vi nghiên cứu của luận
Trang 1ĐẠI HỌC QUOC GIA THÀNH PHO HO CHÍ MINH
TRUONG DAI HOC BACH KHOA
PHAM NGOC HIEU
UNG DUNG THUAT TOAN PARTICLE SWARM
OPTIMIZATION CAI TIEN TINH TOAN DIEU DO
KINH TE HON HOP NHIET DIEN
CHUYỂN NGANH: _ THIET BI, MANG VA NHÀ MAY ĐIỆN
MA SO : — 60.52.51
LUẬN VĂN THẠC SĨ
TP HO CHÍ MINH, tháng 6 năm 2014
Trang 2CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI
TRUONG ĐẠI HỌC BACH KHOA -DHQG -HCM
Cán bộ hướng dẫn khoa hOC : ceccscscsesesssesssssesssescscscscscsesesesescscsesescsesceesscssscessesesees
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:(Ghi rõ họ, tên, học hàm, học vi của Hội đông châm bảo vệ luận văn thạc sĩ)nm BP WO thXác nhận của Chủ tịch Hội đồng đánh giá LV va Trưởng Khoa quan ly chuyênngành sau khi luận văn đã được sửa chữa (nêu có).
CHỦ TỊCH HỘI ĐÔNG TRUONG KHOA ĐIỆN —- ĐIỆN TỬ
Trang 3ĐẠI HỌC QUOC GIA TP.HCM CỘNGH AXA HỘI CHỦ NGHĨA VIỆT NAM
TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: PHAM NGỌC HIỂU MSHV: 12214298Ngày, tháng, năm sinh: 27/11/1988 Nơi sinh: HẬU GIANGChuyên ngành: THIẾT BỊ, MẠNG VÀ NHÀ MAY ĐIỆN Mã số: 60.52.51
I TÊN DE TÀI: UNG DỤNG THUẬT TOÁN PARTICLE SWARM OPTIMIZATION
CAI TIEN TINH TOÁN DIEU DQ KINH TE HON HOP NHIỆT — ĐIỆN
II NHIỆM VỤ VA NỘI DUNG:Tim hiểu bài toán điều độ kinh tế hỗn hợp nhiệt điện va áp
dụng thuật toán Improved Particle Swarm Optimization vào bài toán trên Đánh giá tínhhiệu quả của thuật toán Improved Particle Swarm Optimization so với các thuật toán khác.
HH NGÀY GIAO NHIỆM VU : 20/01/2014IV NGÀY HOÀN THÀNH NHIỆM VỤ: 20/06/2014V CAN BO HUONG DẪN:TS HUYNH CHAU DUY
Tp HCM, ngày 20 thang 6 năm 2014
CAN BO HUONG DAN CHU NHIEM BO MON DAO TAO
(Họ tên va chữ ky) (Họ tên và chữ ký)
TRUONG KHOA ĐIỆN —- ĐIỆN TỬ
(Họ tên và chữ ký)
Trang 4LỜI CÁM ƠN
Em xin gửi lời cám ơn chân thành và sâu sắc đến thầy TS Huỳnh Châu Duy, làngười trực tiếp hướng dan, nhiệt tình chỉ bảo, định hướng nghiên cứu và luôn theo sátnhac nhở em trong suốt quá trình làm luận án.
Em cũng xin chân thành cám ơn đến Ban Giám Hiệu, phòng Sau Đại Học, quý thầycô Bộ môn Hệ Thống Điện, Khoa Điện-Điện Tử, Trường đại hoc Bách Khoa-ÐHQG-HCMda quan tâm và tạo mọi điều kiện thuận lợi để em hoàn thành luận án này.
Xin gửi lời tri ân đến gia đình, bạn bè và tất cả những người thân yêu đã luôn độngviên, khích lệ, giúp đỡ tôi trong quá trình học tập và nghiên cứu.
TP HCM, tháng 6 năm 2014
Tác giả
Phạm Ngọc Hiếu
Trang 5TOM TAT LUẬN VĂNLuận án này đề xuất giải thuật Improved Particle Swarm Optimization (IPSO) tínhtoán điều độ kinh tế hỗn hợp nhiệt điện (CHPED) Thuật toán IPSO được phát triển dựa trên
cơ sở thuật toán Particle Swarm Optimization (PSO) dùng pseudo-gradient tang cường thêm
hệ số co nhằm giúp tăng tốc trong quá trình hội tụ Mục đích của pseudo-gradient là hướng
các phần tử di chuyển đến điểm tốt hon dé chúng có thể nhanh chóng đạt đến sự hội tụ IPSO
được thử nghiệm trên các hệ thống khác nhau và so sánh với các phương pháp khác
(Lagrangian relaxation, the genetic algorithm, the improved ant colony search algorithm, ).
Kết quả thử nghiệm cho thay IPSO được dé xuất là tốt so với các phương pháp khác do tổng
chi phí thấp hơn và thời gian tính toán nhanh hơn, đặc biệt là điều độ kinh tế hỗn hợp nhiệt
điện cho hệ thống lớn
Nội dung chính của luận án sẽ được trình bày như sau:
- _ Chương 1: Giới thiệu chung Giới thiệu về bài toán điều độ tối ưu hỗn hợp nhiệt
và điện trong hệ thống điện, mục tiêu của đề tài, tầm quan trọng của việc tìm ra lời
giải bài toán này và phạm vi nghiên cứu của luận văn.
- _ Chương 2: Tổng quan Trình bài tổng quan về mục tiêu của bài toán CHPED vamột số phương pháp giải tiêu biểu trước đây cho bài toán CHPED
- _ Chương 3: Phát biếu bài toán.Xây dựng hàm mục tiêu và các ràng buộc của bàitoán điều độ kinh tế hỗn hợp nhiệt và điện
- _ Chương 4: Phương pháp luận giải quyết bài toán.Giới thiệu về IPSO và áp dụngthuật toán IPSO vao bài toán điều độ kinh tế hỗn hợp nhiệt và điện
- _ Chương 5: Kết quả tính toán Trinh bài kết quả bài toán CHPED băng thuật toán
Improved Particle Swam Optimization được viết bằng Matlab cho:+ Bài toán với hệ thống 4 máy phát bỏ qua tổn that và các rang buộc khác Bài
toán được giải với nhiều phụ tải khác nhau
+ Bài toán với hệ thống 5 máy phát bỏ qua tồn that và các ràng buộc khác
+ Bài toán với hệ thống 5 máy phát bỏ qua tổn thất và các rang buộc khác Bàitoán được giải với nhiều phụ tải khác nhau
+ Bài toán với hệ thống 6 máy phát bỏ qua tổn thất và các rang buộc khác Bàitoán được giải với nhiều phụ tải khác nhau
- _ Chương 6: Tổng kết và hướng nghiên cứu Trình bài kết luậnvè kết quả thu đượcbăng phương pháp IPSO, từ đó dé xuất hướng nghiên cứu tiếp theo
Trang 6This thesis proposes an Improved Particle Swarm Optimization (IPSO) for theCombined Heat and Power Economic Dispatch problem (CHPED) The IPSO here is theParticle Swarm Optimization (PSO) with constriction factor enhanced by the pseudo-gradientfor speeding up its convergence process The purpose of the pseudo-gradient is to guide themovement of particles in positive direction sothat they can quickly move to the optimization.The proposed IPSO has been tested on various systems and compared to Lagrangianrelaxation, the genetic algorithm, the improved ant colony search algorithm, Test resultsindicate that the proposed IPSO is better than the other methods due to a lower total cost andfaster computational time, especially for large-scale combined heat and power economicdispatch problems.
The main contents of the thesis will be presented as follows:- Chapter 1: Introduction Introduction to the problem that combined heat and powereconomic dispatch, the goal of the research, the importance of finding a solution to thisproblem and the scope of the research.
- Chapter 2: Overview An overview to the aim of the CHPED problem andpresenting some typical methods for the CHPED problem
- Chapter 3: Addressing problem Set an objective function and the constraintsof the combined heat and power economic dispatch.
- Chapter 4: Problem- solving methodology Presenting the IPSO algorithm andapplying it to combined heat and power economic dispatch problem
- Chapter 5: Results of calculation Submitting all the results of CHPEDproblem by Improved Particle Swam Optimization algorithm written in Matlab for:
+ Problem with 4 generator-system ignoring losses and other constraints.The problems are solved with different loads.
+ Problem with 5 generator-system ignoring losses and other constraints.+ Problem with 5 generator-system ignoring losses and other constraints.The problems are solved with different loads.
+ Problem with 6 generator-system ignoring losses and other constraints.The problems are solved with different loads.
- Chapter 6: Summary and research directions Submitting the conclusion andresults obtained by means of IPSO, which suggest further research directions.
Trang 7oe %7?”:,fie, phe gr be,‘spe „7
Tôi xin cam đoan đây là công trình nghiên cứu của bản thân Các số liệu có nguồn gốc
rõ ràng, tuân thủ đúng nguyên tắc và kết quả trình bày trong luận án được thu thập được trongquá trình nghiên cứu là trung thực, chưa từng được ai sử dụng dé công bố trong bat kỳ công
trình nào khác Các thông tin, tài liệu trích dẫn trong luận án đã được ghi rõ nguôn gốc.
TP HCM, tháng 6 năm 2014
Tác giả luận án
Phạm Ngọc Hiếu
Trang 8DANH MỤC TỪ VIẾT mì tri ¬ iDANH MỤC KÍ HIEU on ceececcccccccscssssesesscsessesesecscscsscscsesucscsusscssscscsusscsesecsssssscsessescsesussesesscseseecscesssesesecees iiDANH MỤC HÌNH ẢNH 5: - 2221222121921 2121 2121011 1111111 111111 11111111111 011111110111 Tre iiiDANH MỤC BANG wacececsccsssessssssssesesscscscsscssucscsscusscsucscsssussssvsscsssusscsesssscssusscssescsesusscsceucseseeesscsueseseeeees ivCHUONG 1: GIỚI THIEU CHUNGG ©5552 SE2E9EE2E9EEEE£EEEEEE212121 11212113111 21 1.11 |
i8wv.v.09)0/.0)069:9) 02 11.2 MỤC TEU Li eeecsccccccsesscsessssescsscsessscsesscscssscscsessssusssssusscsesscscsusscsesscsssesussessescsessscsesacseseeassssesseaeeess |1.3 PHAM VI NGHIÊN CỨỨU - ¿5£ S2 2E9E921 239152521925 11211121 1111111111111 11 11111.011.111 21.4 NỘI DUNG NGHIÊN CỨU ¿2-5222 2E 2E 22121925 121212111 112121211111110111 11.01111101 2CHUONG 2: TONG QUAN 2 3CHUONG 3: PHAT BIEU BAI TOAN cccccsscsssssscssssesessssessssesscscscsucsescsscsessscscsussesesucscsusscseeecsesnsueseeeesees 43.1 HAM MUC TIEU woeececcccccscscsssssssesescscscsscsesesscscsussssesucscsusscssscscssucscssescsesusscscsucsesesecscssssseeecsesesneaes 43.2 CAC RANG BUOGC vccccsscsssssssssssessesessscsesscsesscscssucscsscscsesssscscsusscsesscscsusscsesesscsesussescsussssnsscseeseseaes 43.2.1 Rang buộc về cân bang công suất ¿- - + 2525221 292123215 121121 1121112111111 111111111 43.2.2 Rang buộc về cân bằng nhiỆt - 5 5C S252 2E 921 12192121231 112121111 21111 210111111 110111111 y0 43.2.3 Rang buộc về giới hạn phát của máy phát ¿5-5252 S232 2E 2E E2 121521211 2121 21211 xe 5CHƯƠNG 4: PHƯƠNG PHÁP LUẬN GIẢI QUYET BÀI TOÁN - 2 +52 z ke crxcekceei 64.1 GIỚI THIỆU THUẬT TOÁN PARTICLE SWARM OPTIMIZATION (PSO) 64.2 KHÁI NIỆM PSEUDO-GRADIENT - ¿5-56 SE SEEE2E£EEEEEE1215 1112111212115 11 1.211 74.3 THUẬT TOÁN IMPROVED PARTICLE SWARM OPTIMIZATION (IPSO) 94.4 ÁP DUNG PHƯƠNG PHAP IPSO VÀO BAI TOÁN CHPED essssesessssesseseseesesessesssnsseseeeeseeees 10CHƯƠNG 5: KET QUA TINH TOÁN - - 5< 2E S3 1E 3 1 1 1 1 1 1011110111510 215151501010 T1 1xx 14
5.1 BÀI TOÁN DIEU ĐỘ KINH TE CHO HE THONG 4 MAY PHÁT ( 1 MAY PHÁT ĐIỆN, 2MAY PHAT DONG PHAT VA I1 MAY PHÁT NHIET) BO QUA TON THAT 14
5.1.1 Trường hop PD=200MW, HD=I1 I5MWILH: 5-5 S2 12121 1214212112111 1110111 11 re 155.1.2 Trường hợp PD=175MW, HD=I1 IOMIWLH: 2: 5-5212 121 1112142121121 211111111111 re 175.1.3 Trường hợp PD=225MW, HD=125MWLH: 5-5 122121 21112112121121211 111111111 re 195.2 BAI TOAN DIEU DO KINH TE CHO HE THONG 5 MAY PHAT ( 1 MAY PHAT DIEN, 2MAY PHAT DONG PHAT ,1 MAY PHAT NHIET VA 1 MAY PHAT TUA BIN HOD BO QUATON THAT 2 occcecsccccscssscsscsesesscscsscscsesscsesscsssvsucsessescsvssescsesssscsssssesussssesecscsusassesecsesesucseseescaessssseeseseaess 21
5.3 BAI TOAN DIEU ĐỘ KINH TẾ CHO HỆ THÓNG 5 MÁY PHÁT (1 MÁY PHÁT ĐIỆN, 3
MAY PHÁT ĐÔNG PHÁT VA 1 MAY PHÁT NHIỆT) BO QUA TON THAT : 235.3.1 Trường hợp PD=300MW, HD=15OMW(: - 5G 2221 3 221221 112121121111 112111116 255.3.2 Trường hợp PD=250MW, HD=1775MW(i 5 22121 1 221 12111211121111 11211111 e 265.3.3 Trường hợp PD=160MW, HD=220MW(f: 5 22121 1 2 121111212121111 111111116 285.4 BÀI TOÁN DIEU ĐỘ KINH TE CHO HE THONG 6 MAY PHÁT (1 MAY PHÁT ĐIỆN, 4MAY PHÁT BONG PHÁT VA 1 MAY PHAT NHIỆT) BO QUA TON THAT : 29
Trang 95.4.2 Trường hợp PD=450MW, HD-=400M WLH: - S21 1 1 1111 1212111131101 1111 1x re 355.4.2 Trường hợp PD=250MW, HD=300M WL: 0 S1 1 1S 1 1212111111211 110101 10111010 rư 38CHƯƠNG 6: TONG KET VA HƯỚNG NGHIÊN CỨU - 5G Set Sa E SE SE SE SE SE SE SE SE szssexz 4]6.1 TONG KẾT DE TAL cccccccccccscesccsccscescescesccssesecsecsecsecsecsecsecsecsecsecsecsecsecsecaecsecsessecsecsecsscssessesscseessease 416.2 HUONG NGHIEN 0001 41
Trang 10EP: Evolutionary ProgrammingGA: Genetic Algorithm
HSA: Harmony Search AlgorithmLACSA:Improved Ant Colony Search AlgorithmIGA-MU: Improved Genetic Algorithm with Multiplier UpdatingIPSO: Improved Particle Swarm Optimization
LR: Lagrangian RelaxationLRSS-CSS: Lagrangian Relaxation with the Surrogate Subgradient using the Constant StepSize
MADS-DACE: Mesh Adaptive Direct Search-Design and Analysis of Computer ExperimentsMADS-LHS:Mesh Adaptive Direct Search- Latin Hypercube Sampling
MADS-PSO:Mesh Adaptive Direct Search-Particle Swarm Optimization
Trang 11#4tones 7124 #2201 ie P7777SOILỗi NhưA1 #144J2F22221 #22z£: 12on
[ ] : Tài liệu tham khảo
( ) : Biểu thức toán học
F,(P,) : Hàm chi phí của phát điện thuần tuý thứ i
F, (P, H;) : Ham chi phí của máy đồng phát thứ j
F„(H,) : Hàm chi phí của máy sản xuất nhiệt thuần tuý thứ kAp : Nhu câu nhiệt của hệ thống (MWth)
H, : Sản lượng nhiệt của máy đồng phát thứ j (MWth)nụ (P;) : Nhiệt dau ra cực đại của máy đồng phát thứ j, một hàm của công suất dau ra
Nn : Số máy sản xuất nhiệt thuần tuýNy : Số máy sản xuất điện thuần tuýPp : Nhu cau công suất của hệ thống (MW)
P, : Công suất dau ra của máy phát điện thuần tuý thứ i (MW)
pmax : Đầu ra cực dai của máy phat điện thuần tuý thứ i (MW)pmin : Đầu ra cực tiéu của may phát điện thuần tuý thứ i (MW)
P : Công suất đầu ra của máy đồng phát thứ j (MW)pm (H,) : Công suat đầu ra cực đại của máy đồng phát thứ j, một hàm của sản lượng
nhiệt (MW)
prin (H,) : Công suất đầu ra cực tiêu của máy đồng phát thứ j, một ham của sản lượng
nhiệt (MW)
Trang 12Hình 3.1 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát - 55-5: 5Hình 4.1 Lưu đồ giải thuật của thuật toán IPSO) -¿-2- 5225522 E222 EE2EcEzkerrrerrrkd 13
Hình 5.1 Vùng vận hành khả thi nhiét-dién của máy phat đồng phát 2 - 14
Hình 5.2 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3 15
Hình 5.3 Kết quả tốt nhất khi chạy 50 lần băng IPSO cho hệ thống 4 máy phát 15
Hình 5.4 Kết quả tốt nhất khi chạy 50 lần băng IPSO cho hệ thống 4 máy phát 17
Hình 5.5 Kết quả tốt nhất khi chạy 50 lần băng IPSO cho hệ thống 4 máy phát 19
Hình 5.6 Kết quả tốt nhất khi chạy 50 lần băng IPSO cho hệ thống 5 máy phát 21
Hình 5.7 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 2 - 23
Hình 5.8 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3 . - 24
Hình 5.9 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 4 24
Hình 5.10 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thông 5 máy phát 25
Hình 5.11 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thông 5 máy phát 26
Hình 5.12 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thông 5 máy phát 28
Hình 5.13 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 2 .-. 23
Hình 5.14 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 3 24
Hình 5.15 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 4 23
Hình 5.16 Vùng vận hành khả thi nhiệt-điện của máy phát đồng phát 5 31
Hình 5.17 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thông 6 máy phát 32
Hình 5.18 Kết quả tốt nhất khi chạy 50 lần bằng PSO cho hệ thông 6 máy phát 26
Hình 5.19 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thông 6 máy phát 28
Hình 5.20 Kết quả tốt nhất khi chạy 50 lần bằng PSO cho hệ thông 6 máy phát 36
Hình 5.21 Kết quả tốt nhất khi chạy 50 lần bằng IPSO cho hệ thông 6 máy phát 38
Hình 5.22 Kết quả tốt nhất khi chạy 50 lần bằng PSO cho hệ thông 6 máy phát 39
Trang 13Bang 5.1 Kết quả sau 50 lần chạy bang IPSO cho hệ thông 4 máy phát l6
Bang 5.2 So sánh chi phí nhiên liệu chạy bang IPSO cho hệ thống 4 máy phát 16
Bang 5.3 Kết quả sau 50 lần chạy bang IPSO cho hệ thông 4 máy phat 17
Bang 5.4 So sánh chi phí nhiên liệu chạy bang IPSO cho hệ thống 4 may phát 18
Bang 5.5 Kết quả sau 50 lần chạy bang IPSO cho hệ thông 4 máy phat 19
Bang 5.6 So sánh chi phí nhiên liệu chạy bang IPSO cho hệ thống 4 may phát 20
Bảng 5.7 Kết quả sau 50 lần chạy bang IPSO cho hệ thông 5 máy phát 22
Bảng 5.8 So sánh chi phí nhiên liệu chạy băng IPSO cho hệ thống 5 máy phát 22
Bảng 5.9 Kết quả sau 50 lần chạy bang IPSO cho hệ thông 5 máy phát 25
Bang 5.10 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 5 máy phát 26
Bảng 5.11 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 5 máy phát 27
Bang 5.12 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 5 máy phát 27
Bảng 5.13 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 5 máy phát 28
Bang 5.14 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 5 máy phát 29
Bảng 5.15 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 6 máy phát 32
Bảng 5.16 Kết quả sau 50 lần chạy bằng PSO cho hệ thong 6 máy phát 27
Bang 5.17 So sánh chi phí nhiên liệu chạy bằng IPSO cho hệ thống 6 máy phát 27
Bảng 5.18 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 6 máy phát 35
Bảng 5.19 Kết quả sau 50 lần chạy bằng PSO cho hệ thống 6 máy phát 36
Bảng 5.20 So sánh chi phí nhiên liệu chạy bang IPSO cho hệ thống 6 máy phát 37
Bang 5.21 Kết quả sau 50 lần chạy bằng IPSO cho hệ thống 6 máy phát 38
Bang 5.22 Kết quả sau 50 lần chạy bằng PSO cho hệ thống 6 máy phát 39
Bang 5.23 So sánh chi phí nhiên liệu chạy bang IPSO cho hệ thống 6 máy phat 40
Trang 14GIỚI THIỆU CHUNG | CHƯƠNG 1
CHƯƠNG 1: GIỚI THIỆU CHUNG
1.1 TAM QUAN TRỌNG
Đông phat (Combined Heat and Power — CHP) là cùng sản xuất ra hai loại năng lượng
nhiệt và điện từ cùng một nguôn phát
Nha máy nhiệt điện không chuyển đổi tat cả năng lượng nhiệt năngsang điện năng.Bang cách thu lại va sinh lợi từ lượng nhiệt bị tổn thất trong quá trình trên, máy phát đồng
phát có khả năng đạt hiệu quả lên đến 80% [1] so với các nhà máy thông thường chỉ đạt hiệusuất 50% đến 60% Điều này có nghĩa rằng nhu cau nhiên liệu ít hơn dé sản xuất ra cùng một
lượng năng lượng hữu ích so với nhà máy thông thường.
Trong cung cấp điện, CHP làm giảm sự phụ thuộc vào nguồn cung cấp năng lượngtruyền thống, giảm chi phí nhiên liệu, giảm đáng kể CO; phát thải thông qua hiệu quả năng
lượng cao hon, dau tư hiện đại hóa cơ sở hạ tầng hướng tới một hệ thống năng lượng tiếp
theo.
Gan đây, CHP có vai trò ngày càng quan trong trong công nghệ sản xuất năng lượng
Phức tạp nảy sinh nếu một hoặc nhiều đơn vị sản xuất cả nhiệt và điện Trường hợp này, cảhai nhu cau điện năng và nhiệt năng phải được thỏa mãn Hau hết các máy phát đồng phát cósự phụ thuộc lẫn nhau giữa nhiệt và điện, khả năng sản xuất nhiệt phụ thuộc vào điện đượctạo ra và ngược lại Sự phụ thuộc lẫn nhau của nhiều yéu cau va năng lực nhiệt — điện của các
đơn vị đồng phát dẫn đến phức tạp trong việc kết hợp các đơn vị đồng phát vào van dé kinh
tế Điều này cho thấy tầm quan trọng trong việc tim ra một giải pháp tốt nhất, tối ưu nhất
1.2 MỤC TIỂU
Điều độ kinh tế hỗn hợp nhiệt — điện (CHPED) la van dé phức tap trong việc kết hợp
đồng phát (CHP) vào van đề điều độ kinh tế (Economic Dispatch -ED) Mục tiêu của CHPEDlà xác định cả công suất phát điện và sản xuất nhiệt từ các đơn vị đồng phát, đồng thời thỏa
mãn ràng buộc về vùng vận hành khả thi nhiệt — điện của CHP để tổng chi phí vận hành nhỏnhất trong khi vẫn đáp ứng cả hai nhu cầu điện và nhiệt
Trang 15GIỚI THIEU CHUNG | CHƯƠNG 1
1.3 PHAM VI NGHIEN CUU
Can cứ vào mục tiêu dé tài và thời gian làm luận văn, việc nghiên cứu chi giới hạntrong phạm vi:
- Tìm hiểu bài toán CHPED, xác định hàm mục tiêu của bài toán
- Tìm hiểu thuật toán tối ưu bay đàn cải tiễn (Improved Particle Swarm Otimization —
IPSO), cách áp dụng vào bài toán CHPED.
- Giải quyết bài toán CHPED Kết quả tính toán bằng phương pháp IPSO được thực
hiện dựa trên lập trình Matlab.
1.4 NỘI DUNG NGHIÊN CỨU
- Bài toán CHPED.- Thuật toán IPSO.
- Áp dụng thuật toán IPSO vào bài toán CHPED.- Qua đó có thể so sánh với những thuật toán khác đã từng áp dụng vào bài toán trên
nhăm đánh giá được tốc độ hội tụ và tính hiệu quả của phương pháp IPSO
Trang 16TONG QUAN | CHƯƠNG 2
CHUONG 2: TONG QUAN
CHP có vai trò ngày càng quan trọng trong công nghệ sản xuất năng lượng [2-4] CHP
có thé cung cap không chỉ điện năng ma còn nhiệt lượng cho khách hàng Mục tiêu của baitoán CHPED là đảm bảo hệ thống vận hành với chi phí thập nhất mà van đáp ứng yêu cầu đặt
ra cũng như thỏa mãn các ràng buộc của bài toán.
Nhiều phương pháp đã được áp dụng dé giải quyết van đề CHPED Một khai thác mức
độ cao của sự phân chia hàm chi phí và ràng buộc được áp dụng trong [5] Phương pháp nayđược chứng minh hội tụ nhanh hơn so với thủ thuật thông thường dựa trên lập trình bậc hai.
Một phương pháp dựa trên ham mật độ xác suất tai hai chiều dé thực hiện mô phỏng xác suất
sản xuất liên quan đến CHP đã được phát triển trong [6] Trong phương pháp này, các hàm tải
tương ứng, sản xuất năng lượng dự kiến của các đơn vị, năng lượng dự trữ dự kiến, và vượt
dự kiến được xác định bởi tích chập của kết hợp đơn vị nhiệt — điện Trong [7|, van dé
CHPED đã được phân tách ra thành hai tiêu van đề - điều độ kinh tế nhiệt và điều độ kinh tếđiện Ở [8], van đề CHPED đã được giải quyết bởi một ham chức năng phat cải tiến của thuậttoán di truyền (GA) Một thuật toán đàn kiến (LACSA) với phản hỏi tích cực, tính toán phân
tán, kết hợp với kỹ thuật tìm kiếm khác đã được đề xuất dé giải quyết van đề CHPED trong
[9] Phương pháp này có ưu điểm là phát hiện nhanh các giải pháp, tránh hội tụ sớm, và việc
tìm kiếm chap nhận được trong giai đoạn đầu của quá trình tìm kiếm Tuy nhiên, giải pháp thu
được bằng phương pháp này thường là gan tối ưu toan cục trong một van dé đơn giản cùng
với hội tụ chậm Một lập trình tiễn hóa (EP) cho van đề CHPED được phat triển trong [10].Một toán tử (GA) cải thiện với nhân cập nhật (IGA-MU) cho van đề CHPED đã được đề xuấttrong [11] Hệ thống lai nay chỉ đòi hỏi dân số kích thước nhỏ nhưng vẫn bị hội tụ chậm.Trong [12], một thuật toán tìm kiếm (HSA) đã được trình bày cho van dé CHPED HSA có
thể có được một giải pháp gan tôi ưu chậm hội tu do số lượng lớn các vòng lặp Trong [13],
một mạng lưới Lagrange — Hopfield tăng cường (ALHN) được dé xuất giải quyết van déCHPED Các ALHN là mang neural Hopfield liên tục với hàm gia tố Lagrange tăng cường
(LR) để làm chậm số dao động của mạng neural Hopfield trong quá trình hội tụ, dẫn đến hội
tụ nhanh PSO là một tối ưu tiến hóa, phát triển bởi Kennedy và Eberhart [14] Phát triển dựatrên những quan sát hành vi xã hội của động vật như dan chim, cá và lý thuyết bay dan PSO
đã được áp dụng thành công trong nhiều lĩnh vực [15] Tuy nhiên, nó có van dé hội tụ cục bộ.Pseudo-gradient được đề xuất thêm vào trong PSO dé khắc phục hạn chế như vậy nhằm giảiquyết van đề CHPED Đây cũng là phương pháp được áp dụng dé giải quyết bai toán CHPED
trong luận văn này.
Trang 17PHÁT BIEU BÀI TOÁN | CHƯƠNG 3
CHUONG 3: PHAT BIEU BÀI TOÁN
Mục tiêu của CHPED là xác định cả công suất phát điện và sản xuất nhiệt từ các đơnVỊ đồng phát, đồng thời thỏa mãn ràng buộc về vùng vận hành khả thi nhiệt — điện của CHP
dé tổng chi phí vận hành nhỏ nhất trong khi vẫn đáp ứng cả hai nhu cầu điện và nhiệt
F,(P;): Ham chi phí nhiên liệu của máy phát điện thứ i ($/h)
F/(P.,.Hj): Hàm chi phí nhiên liệu của máy phát đồng phát thứ j ($/h)
F, (Hk): Hàm chi phí nhiên liệu của máy san xuất nhiệt thứ i ($/h)
F,(P;) = a; + b,P; + c¡PỆ (3.2)
D,,H,) = ai + bịD, + GP? + dụH, + jH + P,H, (33)
3.2 CÁC RÀNG BUỘC BÀI TOÁN
3.2.1 Ràng buộc về cân bằng công suấtTổng công suất phát của các máy phát phải cân băng với tổng phụ tải Pp
Py — Die, P,— UNE, PB; = 0 (3.5)
3.2.2 Ràng buộc về cân bằng nhiệt
Tổng sản lượng nhiệt của các máy phát phải cân băng với tổng phụ tai Hp
Họ — 3< Hy — 3h, Hạ = 0 (3.6)
Trang 18PHÁT BIEU BÀI TOÁN | CHƯƠNG 3
3.2.3 Ràng buộc về giới hạn phát của máy phát
pin < P< pm i=l, ÑNụ
pm"(H)) < Py < PTM(H) ,j=1 NeH""(P,) < Hy < Hy" (B)) jHLNe
HY" < Hy < Hi" ,k=l, Nụ
(3.7)(3.8)(3.9)(3.10)
Với may phát đồng phát, vùng van hành khả thi nhiệt- điện của máy phát được cho
trong hình 3.1, đường cong ranh giới ABCDEF xác định vùng vận hành khả thi này.
Hình 3.1 Vùng vận hành khả thi nhiét-dién của máy phat đồng phát
Dọc theo đường ranh giới, có một sự thoả hiệp giữa công suất phát và sản lượng nhiệttừ máy phát Có thể thấy được răng, dọc theo đường cong AB, máy phát đạt tới công suất đầu
ra cực đại Trái ngược lại, may phát đạt tới sản lượng nhiệt cực đại doc theo đường cong CD.
Vì vậy, giới hạn công suất phát của máy đồng phát là hàm kết hợp của máy sản xuất nhiệt và
ngược lại.
Dựa vào hình 3.1, sự phụ thuộc công suất phát cực dai, cực tiểu và sản lượng nhiệt cựcđại, cực tiểu của đồng phát được xác định như sau:
P"2(W,) = min{P;(H;) lap, P:(Hj) lac}:
H"*Œ,) = mim{H,(P,)|se, Aj (Pleo
}-Hy" = 0.
(3.11)(3.12)(3.13)(3.14)
Trang 19PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4CHƯƠNG 4: PHƯƠNG PHÁP LUẬN GIẢI QUYET BÀI TOÁN
Với bài toán tối ưu đơn giản thì ta có thé tính trực tiếp hay dùng các phương pháp cổ
điển Bài toán CHPED thuộc dạng bài toán lớn, phi tuyến với nhiều ràng buộc phức tạp Nếu
giải băng các phương pháp cổ điển thì thời gian tính toán sẽ lâu và bài toán có thé không tìm
ra kết quả Nhiệm vụ chính của CHPED là cực tiểu chi phí nhiên liệu nên ta có thể áp dụng
các thuật toán tối ưu hóa dé giải Những năm gan đây, các phương pháp sử dụng thuật toán tối
ưu hóa dạng Metaheuristic cho thay kết quả tính toán nhanh hơn, cho lời giải tốt hơn
Các thuật toán nói chung déu có ưu và khuyêt diém Tùy theo hàm mục tiêu cùng cácràng buộc mà các thuật toán có ưu diém khác nhau Nêu một thuật toán giải tot bài toán dang
này thì chưa chặc giải tốt bài toán dạng khác hơn thuật toán kia.4.1 GIỚI THIEU THUẬT TOÁN PARTICLE SWARM OPTIMIZATION (PSO)
Thuật toán Particle Swarm Optimization (PSO) — tối ưu bay dan (tạm dịch) là một
trong những thuật toán xây dựng dựa trên khái niệm trí tuệ bay dan dé tim kiếm lời giải cho
các bài toán t6i ưu hóa trên một không gian tìm kiếm nào đó PSO là một dạng của các thuậttoán tiễn hóa quan thé đã được biết đến trước đây, như giải thuật di tuyén (GA), thuật toán
đàn kiến (ACO) Tuy vậy, PSO khác GA ở chỗ nó thiên về sử dụng sự tương tác giữa các cáthé trong một quan thé dé khám phá không gian tìm kiếm PSO là kết quả của sự mô hình hóaviệc đàn chim bay đi tìm kiếm thức ăn, cho nên thường được xếp vào loại thuật toán có sử
dụng trí tuệ bay dan PSO được giới thiệu vào năm 1995 tại một hội nghị của IEEE bởi James
Kennedy và Rusell Eberhart.
Thuật toán có nhiều ứng dụng quan trong trong tất cả các lĩnh vực mà ở đó đòi hỏi
phải giải quyết các bài toán tối ưu hóa Dé hiểu rõ thuật toán PSO, ta hãy xem ví dụ đơn giản
về quá trình tìm kiếm thức ăn của một đàn chim Không gian tìm kiếm thức ăn lúc này là toànbộ không gian ba chiều mà chúng ta dang sinh sống Tai thời điểm bat dau tìm kiểm, cả danbay theo một hướng nào đó, có thé là rất ngẫu nhiên Tuy nhiên sau một thời gian tìm kiếm,
một số cá thé trong đàn tìm được nơi có thức ăn Tùy theo số lượng thức ăn vừa tìm kiếm, màcá thé gửi tín hiệu đến các cá thé đang tìm kiểm ở vùng lân cận, tín hiệu nay nhanh chóng lantruyền trên toàn quan thể Dựa vao thông tin nhận được, mỗi cá thé sẽ điều chỉnh hướng bayvà vận tốc theo hướng về nơi có nhiều thức ăn nhất Cơ chế này giúp đàn chim tìm ra nơi có
nhiều thức ăn nhất trên không gian tìm kiếm vô cùng rộng lớn
Trang 20PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4
Như vậy, đàn chim đã dùng trí tuệ, kiến thức và kinh nghiệm của cả đàn để nhanhchóng tìm ra nơi chứa thức ăn Bây giờ chúng ta tìm hiểu làm cách nào mà một mô hình trong
sinh hoạt như vậy có thể áp dụng trong tính toán và tạo ra thuật toán PSO mà chúng ta nhắc
đến Việc mô hình hóa này thường được gọi là quá trình mô phỏng sinh học (bioinspired) màchúng ta thường thây trong các ngành khoa học khác Một thuật toán được xây dựng dựa trên
việc mô hình hóa các quá trình trong sinh học được gọi là thuật toán mô phỏng sinh học(bioinspired algorithms).
Hãy xét bài toán tối ưu của ham số F trong không gian n chiều Mỗi vị trí trong không
gian là một điểm tọa độ n chiêu Ham F là hàm mục tiêu xác định trong không gian n chiều vanhận giá trị thực Mục đích là tìm ra điểm cực tiểu của hàm F trong miền xác định nào đó Ta
bắt đầu xem xét sự liên hệ giữa bài toán tìm thức ăn với bài toán tìm cực tiểu của hàm theocách như sau: Gia sử rằng số lượng thức ăn tai một vi trí tỉ lệ nghịch với giá tri của hàm F tại
vi trí đó Có nghĩa là ở một vi trí mà giá tri hàm F càng nhỏ thi số lượng thức ăn càng lớn
Việc tìm kiếm vùng có thức ăn nhiều nhất tương tự như việc tìm ra miền chứa điểm cực tiêu
của hàm F trên không gian tìm kiêm.
Thuật toán PSO làm việc dựa trên ứng xử xã hội của các cá thê trong nhóm Vì vậy,kết quả tối ưu toàn cục do sự hiệu chỉnh quỹ đạo của các cá thể sẽ dẫn đến vị trí tốt nhất và cá
thé tối ưu nhất trong nhóm sau mỗi lần bước tính Phương pháp PSO trở nên phô biến vì tính
đơn giản và khả năng hội tụ nhanh chóng đạt kết quả tốt
PSO có hai van dé quan trọng là hướng tiễn hóa và sự đa dạng dân số Hướng tiễn hóa
có hiệu quả trong tìm kiểm, hướng tiễn hóa tốt có thể giảm bớt gánh nặng tính toán và tăngkhả năng nhanh chóng tìm kiếm một kết quả tối ưu (có thể cục bộ) Sự đa dạng dân số đượctăng lên, kiểu gen từ con cái khác hơn từ cha mẹ Theo đó, một dân số rat đa dạng có thé tang
khả năng khám phá tôi ưu toàn cục và ngăn chặn một sự hội tụ quá sớm (tối ưu cục bộ).4.2 KHÁI NIỆM PSEUDO-GRADIENT
Giả sử hàm mục tiêu f{x) trong bài toán tối ưu n chiều là khác nhau, tiêu chuẩn
gradient g(x) của hàm mục tiêu f(x) được định nghĩa như là một vecto n chiều, mà ở đó, thànhphan của nó là đạo hàm từng phan của f(x) như sau:
lôf£ af " al 4,3
qr) = :
lđm O72, Ox, |
Trang 21PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4
Gradient này luôn chỉ ra tỉ lệ thay đổi lớn nhất của hàm mục tiêu tại không gian xétđến Tuy nhiên, những hàm mục tiêu không khả vi, thông thường không áp dụng được Vìvậy, cần có một Gradient gần đúng cho những hàm không lôi và Pseudo-gradient là giải pháp.Pseudo-gradient được biết đến như là một phương pháp cơ ban để nghiên cứu những đối
tượng của các bài toán tối ưu không 16i mà hàm mục tiêu không khả vi (Pham & Jin, 1995).Thuận lợi của phương pháp Pseudo-gradient là nó có thé đưa ra một lời giải tốt trong khoảng
không gian của bài toán mà không đòi hỏi hàm mục tiêu khả vi Vì vậy, phương pháp
Pseudo-gradient phù hợp với phương pháp nghiên cứu trí tuệ nhân tạo dành riêng cho giải quyếtnhững bai toán không lôi với đa cực tiểu
Trong bai toán tối ưu kích thước n không lỗi với hàm mục tiêu không khả vi f(x) với
X=[X1,X2, Xn], pseudo-gradient g,(x) cho hàm mục tiêu được xác định như sau (Wen etal.,2003):
Gia sử răng: X=|Xki.Xk2 ,Xen | là một diém trong không gian tìm kiêm của bài toán vànó di chuyên đên một diém x; khác Xét đên giá tri của hàm mục tiêu, hai diém nay có hai khảnăng xảy ra:
- Nếu f(x)<f(x¿) hướng từ x, đến x; được xác định là hướng dương Pseudo-gradient ở
điểm x; được xác định bởi:
—l1 lÍ1, <2,
- Nếu f(x) >f(x,), hướng từ Xx đến x, được xác định là hướng âm Pseudo-gradient ởđiểm x; được xác định bởi:
Trang 22PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4
Trên cơ sở định nghĩa như thé, trong khoảng không gian tìm kiếm của hai điểm gầnnhau, pseudo-gradient cũng được xem như là một lời giải tốt cho hàm không kha vi như là
gradient thông thường Qua đó ta thay, nêu giá trị pseudo-gradient øp(x¡)#0, thì được hiểu rằngsẽ có một giá tri khác tốt hơn có thể được tìm thây cho hàm mục tiêu ở lần lặp kế tiếp trên cở
sở được chỉ ra bởi pseudo-gradient g,(x1) 6 điểm I Mặt khác, kết quả tìm kiếm ở diémnay nên
thay đổi, bởi vi không có sự tốt hơn cho hàm mục tiêu ở lời giải nay.4.3 THUẬT TOÁN IMPROVED PARTICLE SWARM OPTIMIZATION (IPSO)
Thuật toán IPSO được phát triển bởi TS Võ Ngọc Điều và Peter Schegner dựa trên cơsở thuật toán PSO dùng pseudo-gradient tăng cường thêm hệ số co nhằm giúp tăng tốc trong
quá trình hội tụ Mục đích của pseudo-gradient là hướng các phan tử di chuyên đến điểm tốt
hơn dé chúng có thé nhanh chóng đạt đến sự hội tụ
Trong PSO với hệ số co (Clerc & Kennedy, 2002), vận tốc của các phần tử được xác
định như sau:
é #— {ý ~ %¿|
(ÉÊ) : Š xa) “eRe
vu, +c, x rand, x ( phe Sti,’ — Zu |
+c, X rand, x (gbest\" = zy)
Trong trường hợp này, hệ số @ ảnh hưởng đến độ hội tụ của hệ thống và phải đảm bảolớn hơn 4 Tuy nhiên, giá tri của @ tăng thì hệ số C giảm sé sinh ra sự đa dang và dẫn đến lời
giải chậm Gia tri đặc biệt của o thường là 4.1, c¡ = cạ = 2.05.
Để thực hiện pseudo-gradient trong PSO, hai diém duoc xét dén tương ứng là x, va x;trong khoảng không gian tìm kiếm của pseudo-gradient, ở vị tri phần tử của lần lặp thứ k va
k+1 là x® và x**”, Do đó, vị trí mới cho phan tử được tinh lại:
(È) _ „(È+1) (\k+1) tê (+1)
(+1) _ | ư + (Zi, ˆ)X jut! | if „(Tủ ) #0 (4.7)
_*# 1 (k) (k+1) } gi) + y(t otherwise
1H tí
Trang 23PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4
Nếu pseudo-gradient là khác khong, phan tử sẽ di chuyển đến đúng điểm và tốc độ di
chuyên đến điểm tối ưu trong không gian tìm kiếm được tăng tốc Ngược lại, vi trí của phân
tử sẽ được cập nhật lại.
Thực tế, phương pháp IPSO cũng là theo phương pháp PSO nhưng nhờ
pseudo-gradient nên những phan tử di chuyển đến đúng hướng chỉ định, vận tốc của chúng được tăngcường bởi pseudo-gradient, vì vậy chúng có thé di chuyển nhanh đến điểm hội tụ Do đó,IPSO tốt hơn phương pháp PSO thông thường trong giải quyết bài toán tôi ưu
4.4 ÁP DỤNG PHƯƠNG PHÁP IPSO VÀO BÀI TOÁN CHPED
Thuật toán IPSO cho bài toán CHPED được thực hiện như sau:Bước 1: Khai báo
- Số lượng các máy phát thuần nhiệt, điện và đồng phát nhiệt-điện: Nh, Np, Ne.- Các hệ số hàm chi phí cho từng máy phat: ai, bị, ci, , aj, bj, cj, dj, ej, fj, ak, bk, ck,
- Gidi han của các máy phat: Pimin, Pimax, PJmin, Pjmax, Hjmin, Hjmax, Hkmin,Hkmax.
- Số lượng phan tir (Nd), số lần lặp tôi da (Iter).- Hệ số phạt Kp điện và nhiệt
- Công suất điện và nhiệt lượng yêu cầu
Bước 2: Thiết lập ràng buộc
- Thiết lập các ràng buộc CHPED (ràng buộc công suất phát, giới hạn nhiệt và ràngbuộc đồng phát)
+ Ràng buộc đồng phát: Căn cứ vào vùng vận hành khả thi mà chia vùng vận
hành thành những vùng nhỏ được xác định theo giá trị nhiệt lượng Hj, căn cứ vào gia tri trong
từng khoảng Hj mà xác định giới hạn công suất phát Pj cực đại và cực tiêu Đồng thời kết hợp
với sự phụ thuộc công suất phát cực đại, cực tiểu và sản lượng nhiệt cực đại, cực tiểu được
xác định theo biểu thức (3.11), (3.12), (3.13), (3.14)
10
Trang 24PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4
+ Rang buộc công suất phát và nhiệt lượng: Dựa vào kết quả cực dai, cực tiểu
của Pj, Hj ở ràng buộc đồng phát kết hợp với ràng buộc tổng công suất (PD) và nhiệt lượng(HD) mỗi máy để thỏa mãn yêu câu cung cấp của nhà máy
P min = MAX{Pxmin, PD— ve Pimax — b1 P; imax t
- Đánh giá kết quả tìm kiếm bằng hàm chất lượng (Hàm chất lượng được xác định từ
hàm mục tiêu của bai toán cộng thêm hàm phạt của các máy phát) Hàm chất lượng càng bécàng tốt
Np Nẹ Nh Np+Nc+Nh
fd= ) FCP) + (PH) +) Fee) +Kp* > phat,
¡=1 j=1 k=1 ZZ1Bước 3: Giải thuật
- Thiết lập giá trị ban đầu vận tốc (vig) và vị trí (xig) cho mỗi phan tử theo biểu thức
—— đ 1mìn + rand, x (v d.max —” U4 ea)
- Khởi tạo giá trị ban dau cho mỗi phan tử đến vị trí tốt nhất pbest
- Ước lượng hàm thích hợp cho vi trí mỗi phan tử
- Khởi tạo vi tri của phân tử với hàm phù hợp nhất đến vị trí tốt nhất toàn cục gbest
11
Trang 25PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4
- Khởi tạo pseudo-gradient kết hợp với mỗi phan tử- Trong khi tiêu chuẩn điểm cuối chưa gặp (chưa hết số vòng lặp Iter)- Tinh vận tốc mới cho mỗi phan tử theo biểu thức (4.6) cùng với rang buộc:
ay!
„" tí
Ug = mn { dena ;1HaX 10, min >t Fi H
- Cập nhật vi trí mới cho mỗi phan tử dựa trên pseudo-gradient theo biểu thức (4.7)
cùng với ràng buộc:
new
L = min {2 , Max {z eS }d.max ? đd min ad
- Nếu giá trị phù hợp tốt hon giá trị phù hợp trong những lần lặp trước, khởi tao vị trí
của phan tử hiện tại như là giá trị pbest mới
- Ngược lại, vị trí phan tử phù hợp với giá trị phù hợp nhất trong những lần lặp trước
thì khởi tạo gia tri pbest mới.
- Chon vi trí của phần tử phù hợp với giá trị tốt nhất của tất cả các phan tử là gbest
mới.
- Tính pseudo-gradient cho mỗi phan tử trên cơ sở hai điểm gân nhất
- Kết thúc vòng lặp.Gbest tốt nhất toàn cục được xem như gia tri tối ưu nhất
12
Trang 26PHƯƠNG PHÁP LUẬN GIẢI QUYẾT BÀI TOÁN | CHUONG 4
Bước | Khởi tạo thông số bài toánBước 2 Ràng buộc giá trị mỗi phần tử
Bước 3 Lựa chọn thông số cho giải thuật IPSO
Thiết lập giá trị vận tốc và vị trí cho mỗi phần tửĐánh giá hàm mục tiêu với mỗi phần tửLưu trữ vị trí mỗi phần tử và vị trí tốt nhất trong tất cả
phần tử.
Vv
Khởi tạo pseudo-gradient Khởi tạo bộ đếm Iter
ỶTính vận tốc mới và cập nhật vị trí mới cho mỗi phần tử
Đánh giá hàm mục tiêu mới của mỗi phần tử
Ỷ
Đánh giá, lựa chọn, lưu trữ vị trí phần tử tốt nhất và giá
trị hàm mục tiêu tốt nhất trong tất cả lần lặp trước
Ỷ
Tính pseudo-gradient cho mỗi phần tử trên cơ sở hai
điểm gần nhất
Hình 4.1 Lưu đồ giải thuật của thuật toán IPSO
13
Trang 27KET QUA TÍNH TOÁN | CHƯƠNG 5
CHUONG 5: KET QUA TÍNH TOÁN
5.1 BAI TOAN DIEU DO KINH TE CHO HE THONG 4 MAY PHAT (1 MAY PHATDIEN, 2 MAY PHAT DONG PHAT VA 1 MAY PHAT NHIET) BO QUA TON THAT
Dữ liệu bai toán được cho như sau:Máy phát điện:
F,(P,) = 50P, , VỚI OS Py < 150MW
Máy phát đồng phat:
F;(P;, H;) = 2650 + 14.5P; + 0.0345P? + 4.2H; + 0.03H? + 0.031P,H,
F;(P;, H;) = 1250 + 36P; + 0.0435P# + 0.6H; + 0.027H2 + 0.011P3H;Máy phát nhiệt:
Trang 28KET QUA TÍNH TOÁN | CHƯƠNG 5