Tái cấu trúc lưới Điện phân phối có tích hợp nguồn Điện phân tán Ứng dụng thuật toán tối Ưu hóa

Kết quả nghiên cứu: - Nghiên cứu đã phát triển thuật toán meta-heuristic mới để giải quyết bài toán tái cấu trúc lưới điện phân phối tích hợp nguồn phân tán, trong đó tổn thất công suất

GIỚI THIỆU

Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài

Tái cấu trúc lưới điện phân phối (LĐPP) là quá trình thay đổi cấu trúc hình học của LĐPP bằng việc thay đổi trạng thái của các khóa điện thường đóng và thường mở nhằm giảm thiểu tổn thất công suất trong khi vẫn đảm bảo thỏa mãn các ràng buộc tùy theo mục đích của nhà vận hành Bài toán tái cấu hình LĐPP được đề xuất lần đầu vào năm 1975 bởi Merlin và Back [1] Trong nghiên cứu này, kỹ thuật tối ưu nhánh và biên được sử dụng để xác định cấu trúc lưới có tổn thất thấp nhất Ban đầu tất cả các khóa điện được đóng lại để tạo thành lưới điện kín, sau đó các khóa điện lần lượt được mở để khôi phục lại cấu hình hình tia Civanlar và cộng sự [2] đề xuất phương pháp dựa trên heuristics để tái cấu hình LĐPP Kỹ thuật đổi nhánh thể hiện ở quá trình thay thế một khóa mở bằng một khóa đóng trong một vòng kín để giảm tổn thất công suất Vòng được chọn để đổi nhánh là vòng có cặp khóa đóng/mở có mức giảm tổn thất công suất lớn nhất Quá trình được lặp lại cho đến khi không thể giảm được tổn thất nữa Trong [3], một cách tiếp cận heuristic mới của trao đổi nhánh đã được phát triển dựa trên hướng của các dòng công suất nhánh để giảm tổn thất công suất tác dụng của mạng phân phối Trong [4], một cách tiếp cận cấu trúc liên kết mạng đã được sử dụng để thành lập bài toán tái cấu trúc Kỹ thuật tối ưu hóa vòng lặp đơn được thực hiện để xác định cấu trúc mạng Trong đó, một phương pháp chuyển mạch heuristic đã được phát triển cho bài toán tái cấu trúc từ cấu trúc ban đầu đến cấu trúc tối ưu Những phương pháp trên có đặc điểm chung là dựa trên các tiêu chuẩn kỹ thuật và không sử dụng bất kỳ thuật toán tối ưu nào nhưng cố gắng tìm ra một giải pháp tốt bằng các quy trình kỹ thuật Bài toán tái cấu trúc LĐPP đã thu hút sự quan tâm của các nhà nghiên cứu cùng với sự phát triển mạnh mẽ của khoa học kỹ thuật máy tính, nhiều phương pháp heuristic tổng quát (metaheuristic) đã được ứng dụng để giải quyết bài toán này và đã đạt được nhiều kết quả Các phương pháp metaheuristic thường tiếp cận ngẫu nhiên dựa vào quần thể mà không có các yêu cầu đặc biệt như tính liên tục của hàm mục tiêu và hiệu quả trong việc xử lý các bài toán tối ưu có ràng buộc Các

2 phương pháp này có khả năng tìm kiếm mạnh mẽ để tìm giải pháp gần tối ưu hoặc tối ưu và có thể áp dụng cho các mạng quy mô lớn

Trong lĩnh vực kỹ thuật hệ thống điện, bài trúc tái cấu trúc LĐPP đã được giải quyết thành công bằng Thuật toán di truyền (Genetic Algorithm - GA) Trong [5], Zhu đề xuất thuật toán GA cải tiến cho vấn đề tái cấu trúc để giảm tổn thất công suất của hệ thống Mendoza và cộng sự [6] đã sử dụng GA với tập hợp quần thể bị hạn chế và các toán tử mới cho vấn đề tái cấu trúc nhằm đạt được tổn thất tối thiểu Torres và cộng sự [7] đã cải tiến GA bằng cách sử dụng kỹ thuật mã hóa để giải quyết vấn đề tái cấu trúc với tổn thất tối thiểu

Một phương pháp tối ưu hóa metaheuristic nổi tiếng khác là thuật toán tối ưu bầy đàn (Particle Swarm Optimization - PSO), được áp dụng rộng rãi cho bài toán tái cấu trúc LĐPP Trong [8], Wu và Tsai đề xuất PSO với mã số nguyên để tìm các sơ đồ vị trí khóa điện cho vấn đề tái cấu trúc Gupta và cộng sự [9] đã sử dụng PSO cải tiến để tái cấu trúc LĐPP hình tia nhằm giảm thiểu tổn thất công suất thực Li và Xuefeng [10] đã đề xuất thuật toán Niche Binary PSO (NBPSO) để khắc phục nhược điểm của PSO gốc đối với vấn đề tái cấu trúc Pegado và cộng sự [11] đã sử dụng thuật toán PSO nhị phân cải tiến (Improved Selective Binary PSO - IS- BPSO) để giải quyết vấn đề tái cấu trúc với mục đích giảm tổn thất công suất Trong [12], [13], thuật toán Tìm kiếm Tabu cải tiến (Improved Tabu Search - ITS) và Thuật toán tìm kiếm hài hòa (Harmony Search Algorithm - HSA) đã được áp dụng thành công để giải quyết vấn đề tái cấu trúc để giảm tổn thất công suất trong các mạng phân phối quy mô lớn Trong [14], phương pháp tối ưu hóa thứ tự (Ordinal Optimization - OO) đã được trình bày để giải quyết vấn đề tái cấu trúc, có thể giảm thời gian tính toán cho vấn đề này Các kỹ thuật tối ưu hóa khác như Thuật toán tìm kiếm chim Cuckoo (Cuckoo Search Algorithm - CSA) [15], Thuật toán pháo hoa (Fireworks Algorithm - FWA) [16] và Thuật toán bước nhảy ếch (Adaptive Shuffled Frogs Leaping Algorithm - ASFLA) [17] cũng được áp dụng cho bài toán tái cấu trúc để giảm thiểu tổn thất công suất và cải thiện cấu hình điện áp Trong [18], vấn đề tái cấu trúc được xây dựng với đa mục tiêu của giảm tổn thất công suất thực, cân bằng tải giữa các đường dây, số lượng hoạt động chuyển mạch và độ lệch điện áp nút và được giải quyết bằng Thuật toán Runner-Root (Runner-Root Algorithm - RRA) kết hợp với logic mờ kỹ thuật

Với sự phát triển của các nguồn năng lượng tái tạo, cấu trúc của LĐPP cũng đang dần được thay đổi Trong những năm gần đây, nguồn điện phân tán (Distributed Generation - DG) được triển khai nhanh chóng trong các LĐPP do sự cạn kiệt của nhiên liệu hóa thạch, những lo ngại về môi trường và các quy định mới về điện năng Một số công nghệ DG hiện nay bao gồm hệ thống pin mặt trời, hệ thống turbin gió, hệ thống pin nhiên liệu, turbin công suất nhỏ, hệ thống năng lượng sóng biển, thủy triều, hệ thống bio-gas, hệ thống máy phát dầu, hệ thống máy phát khí, hệ thống năng lượng địa nhiệt, máy phát điện động cơ đốt trong Việc lắp đặt các đơn vị DG thích hợp làm giảm tổn thất công suất và cải thiện điện áp tổng thể của lưới điện Ảnh hưởng của DG đã thu hút được sự quan tâm của nhiều nhà nghiên cứu trong thời gian gần đây Do đó, bài toán tái cấu trúc nên được xem xét tích hợp DG

Gần đây, một số nghiên cứu đã đề xuất bài toán tái cấu trúc LĐPP kết hợp tối ưu vị trí lắp đặt DG để nâng cao hiệu quả của LĐPP Trong [19], [20], Thuật toán Tìm kiếm Hài hòa (Harmony Search Algorithm - HSA) và Thuật toán Pháo hoa (Fireworks Algorithm - FWA) lần lượt được đề xuất để giải quyết bài toán tái cấu trúc và tối ưu vị trí DG trong các LĐPP hình tia 33 và 69 nút Mục tiêu là giảm tổn thất điện công suất và cải thiện cấu hình điện áp của LĐPP Rao và cộng sự [19] sử dụng phương pháp hệ số nhạy cảm của tổn thất công suất (LSF) để xác định trước các vị trí tối ưu cho việc lắp đặt DG, trong khi đó, nghiên cứu [20] sử dụng chỉ số ổn định điện áp (VSI) Trong những nghiên cứu này, các vị trí DG đã được xác định trước bằng phương pháp LSF và VSI, và phương pháp HSA và FWA chỉ tối ưu hóa công suất phát của các đơn vị DG Do đó, các biến vị trí và công suất của các đơn vị DG không được tối ưu hóa đồng thời với bài toán tái cấu trúc Trong

[21], Thuật toán tìm kiếm chim Cuckoo cải tiến (Adaptive Cuckoo Search Algorithm - ACSA) đã được triển khai để giải quyết đồng thời các vấn đề tái cấu trúc và vị trí DG tối ưu (ODGP) với cùng một mục tiêu trong [19] Lý thuyết đồ thị được sử dụng để giảm cấu trúc LĐPP không khả thi và kiểm tra ràng buộc mạng hình tia Trong [22], một thuật toán tối ưu hóa dựa trên cơ chế giống như điện từ học (Electromagnetism-like Mechanism - ELM) đã được áp dụng để tối ưu hóa đồng thời tái cấu trúc của LĐPP và vị trí của các đơn vị DG Trong [23], một kỹ thuật kết hợp của hai thuật toán, Thuật toán Sói xám (Grey Wolf Optimizer -

GWO) và PSO, cũng được trình bày để giải quyết vấn đề tái cấu trúc LĐPP có tích hợp DG Murty và Kumar [24] đã đề xuất một bài toán tối ưu hóa đa mục tiêu để xác định vị trí DG tối ưu và tái cấu trúc LĐPP xem xét sự không chắc chắn của tải và DG Bài toán đề xuất đã được giải quyết bằng sự kết hợp giữa Thuật toán tìm kiếm hấp dẫn (Gravitational Search Algorithm - GSA) và Hệ thống mô hình hóa đại số tổng quát (General Algebraic Modelling System - GAMS)

Dựa trên tổng quan tài liệu, hầu hết các nhà nghiên cứu [1–18] chỉ tập trung vào vấn đề tái cấu trúc và bỏ qua việc tích hợp các đơn vị DG Một vài nghiên cứu [19–

24] đã thảo luận về sự kết hợp giữa tái cấu trúc LĐPP và tối ưu vị trí DG Các nghiên cứu này cho thấy rằng sự kết hợp của các vấn đề tái cấu trúc và tối ưu vị trí

DG đã làm giảm tổn thất công suất một cách hiệu quả và cải thiện điện áp tổng thể của LĐPP; tuy nhiên, các hệ thống quy mô lớn chưa xem xét các nghiên cứu này Hơn nữa, hầu hết các nghiên cứu đã sử dụng phương pháp siêu mô phỏng để giải quyết vấn đề tối ưu hóa công thức Mặc dù các phương pháp metaheuristic có khả năng tìm kiếm mạnh mẽ, chúng có thể không đạt được giải pháp tối ưu và tiêu tốn thời gian tính toán lâu cho các hệ thống quy mô lớn Do đó, luôn có nhu cầu xác nhận các kỹ thuật tối ưu hóa mới để giải quyết các vấn đề tối ưu hóa phức tạp

1.1.2 Trong nước Ở Việt Nam, bài toán tái cấu trúc LĐPP cũng đã thu hút được sự quan tâm của nhiều nhà nghiên cứu Trong [25], thuật toán GA đã được sử dụng trong bài toán tái cấu hình LĐPP để giảm tổn thất công suất Trong [26], phương pháp tái cấu hình LĐPP sử dụng giải thuật đàn kiến ACO để giảm tổn thất công suất Trong nghiên cứu này, thông qua kết quả mô phỏng, tác giả đã chứng minh được những ưu điểm của thuật toán ACO so với GA và giải thuật luyện kim (Simulated Annealing – SA) Trong [27], thuật toán ACO kết hợp với kỹ thuật logic mờ được sử dụng để giải bài toán tái cấu hình LĐPP.

Tính cấp thiết của đề tài

Hiện nay, do cấu trúc của lưới điện phân phối (LĐPP) không thay đổi nhưng phụ tải ngày càng tăng, dẫn đến tổn thất của LĐPP tăng lên Do đó, để giảm tổn thất của LĐPP, các nhà vận hành sẽ dùng các biện pháp như: đặt tụ bù tại các vị trí thích hợp, cải tạo lại lưới điện…Tuy nhiên trong thực tế, làm như vậy sẽ đòi hỏi sự đầu tư rất nhiều mà hiệu quả giảm tổn thất điện năng lại không đáng kể Chính

5 vì vậy, phương pháp tái cấu trúc LĐPP thông qua thay đổi trạng thái các khóa điện có sẵn trên LĐPP là giải pháp hữu hiệu để giảm tổn thất điện năng đáng kể trên đường dây mà không cần nhiều chi phí để cải tạo lưới điện Tái cấu trúc LĐPP là một vấn đề tối ưu hóa phức tạp Sự phức tạp của vấn đề phát sinh do cấu trúc của LĐPP và các ràng buộc của dòng công suất thực tế là phi tuyến Tái cấu trúc yêu cầu một khối lượng tính toán lớn do đó có nhiều biến có tác động đến các trạng thái khóa điện và điều kiện vận hành như: LĐPP phải vận hành hở, không quá tải máy biến áp, đường dây, thiết bị đóng cắt và sụt áp tại hộ tiêu thụ trong phạm vị cho phép Trong thời gian gần đây, sự tiến bộ vượt bậc của khoa học trong lĩnh vực trí tuệ thông minh nhân tạo đã liên tục đưa ra các thuật toán để giải bài toán tái cấu trúc LĐPP Do đó, việc áp dụng một thuật toán mới để giải bài toán tái cấu trúc hiệu quả hơn là một nhu cầu cấp thiết

Ngoài ra, sự xuất hiện ngày càng nhiều của các nguồn điện phân tán (Distributed Generation - DG) được kết nối trực tiếp đến LĐPP cũng góp phần nâng cao hiệu quả của LĐPP Do khả năng cung cấp điện năng trực tiếp đến các phụ tải xung quanh vị trí đặt DG nên lắp đặt DG vào LĐPP cũng gián tiếp làm giảm tổn thất điện năng trên LĐPP Tuy nhiên, nếu lắp đặt ở những vị trí không tối ưu và công suất không phù hợp có thể làm tăng tổn thất điện năng trên LĐPP Do đó, nghiên cứu bài toán tái cấu trúc LĐPP, không thể không xét đến ảnh hưởng của DG Bài toán tái cấu trúc LĐPP kết hợp với việc xác định vị trí tối ưu của nguồn phân tán

DG có vai trò vô cùng quan trọng trọng trong việc vận hành và qui hoạch lưới điện phân phối, giúp giảm tổn thất công suất tác dụng, đồng thời đảm bảo cân bằng công suất tại mỗi nút, giới hạn công suất phát của DG, cũng như giữ điện áp nút của hệ thống nằm trong giới hạn cho phép, tránh được chi phí đầu tư mở rộng lưới điện Đo đó, nghiên cứu này đề xuất thuật toán Neural Network Algorithm (NNA) để giải bài toán tái cấu trúc đồng thời tối ưu vị trí DG trong LĐPP, đặc biệt là trong các hệ thống quy mô lớn.

Mục tiêu của đề tài

- Xây dựng mô hình toán học của bài toán tái cấu trúc LĐPP có tích hợp nguồn điện phân tán

- Áp dụng thuật toán tối ưu hóa Neural Network Algorithm để giải bài toán tái cấu trúc LĐPP tích hợp nguồn điện phân tán nhằm tối thiểu tổn thất công suất và tối đa chỉ số ổn định điện áp

- Đánh giá hiệu quả của LĐPP trước và sau quá trình tái cấu trúc kết hợp tối ưu vị trí đặt DG

- So sánh kết quả nghiên cứu với các nghiên cứu đã được công bố trong tài liệu để đánh giá hiệu quả của phương pháp đề xuất.

Đối tượng, phạm vi nghiên cứu

- Bài toán tái cấu trúc LĐPP có tích hợp nguồn phân tán DG vào LĐPP hình tia

- Chương trình máy tính xác định tổn thất công suất tối thiểu và chỉ số ổn định điệp áp tối đa của LĐPP

- Đề tài nghiên cứu bài toán tái cấu trúc LĐPP có tích hợp nguồn phân tán DG với hàm mục tiêu hàm mục tiêu tổn thất công suất và chỉ số ổn định điện áp

- Thuật toán đề xuất được áp dụng trên các hệ thống điện phân phối chuẩn IEEE bao gồm hệ thống 33 nút, 69 nút, và 118 nút.

Các tiếp cận, phương pháp nghiên cứu

1.5.1 Cách tiếp cận Đề tài được thực hiện qua các bước chính sau:

Bước 1: Xây dựng bài toán tái cấu trúc LĐPP có tích hợp nguồn điện phân tán

- Nội dung công việc: Dựa vào mô hình hệ thống điện chuẩn trong tài liệu, sử dụng các công cụ lập trình và mô phỏng lưới điện để mô hình hóa bài toán tái cấu trúc LĐPP kết hợp với tối ưu vị trí lắp đặt và công suất phát của nguồn phân tán DG trong LĐPP Bài toán tối ưu hóa được thành lập với biến bao gồm: vị trí khóa điện của LĐPP, vị trí và công suất phát của các DG Xây dựng kịch bản để khởi tạo hàm mục tiêu tối thiểu tổn thất công suất và tối đa chỉ số ổn định điện áp cùng với các điều kiện ràng buộc kèm theo khi vận hành lưới điện phân phối

Bước 2: Nghiên cứu cải tiến thuật toán Neural Network Algorithm (NNA) thành thuật toán Quasi-Oppositional Chaotic Neural Network Algorithm (QOCNNA) để có tốc độ hội tụ và lời giải tốt hơn

- Nội dung công việc: Tìm hiểu lưu đồ thuật toán NNA Cải tiến thuật toán NNA bằng cách kết hợp với phương pháp tìm kiếm tối ưu khác để thu được giải pháp tốt hơn và tốc độ hội tụ nhanh hơn

Bước 3: Xây dựng chương trình máy tính xác định cấu trúc tối ưu của LĐPP, vị trí và công suất phát tối ưu của các DG nhằm tối thiểu tổn thất công suất và tối đa chỉ số ổn định điện áp

- Nội dung công việc: Dựa vào bài toán tái cấu trúc lưới điện phân phối đã được mô hình hóa, nghiên cứu áp dụng thuật toán QOCNNA để xác định cấu hình tối ưu của lưới điện phân phối bao gồm vị trí thường mở/thường đóng của các khóa điện, vị trí đặt và công suất phát của các nguồn điện phân tán để thu được tổn thất công suất thấp nhất và chỉ số ổn định điện áp cao nhất

1.5.2 Phương pháp nghiên cứu Đề tài phối hợp nhiều phương pháp nghiên cứu để có thể đạt được các mục tiêu đặt ra, bao gồm: a) Phương pháp phân tích, tổng hợp tài liệu:

- Tổng hợp, kế thừa các tài liệu lý thuyết liên quan đến đề tài, kết quả của các công trình nghiên cứu trong và ngoài nước liên quan đến nội dung nghiên cứu đã được công bố trước đây Từ đó phân tích, định hướng phát triển nghiên cứu b) Phương pháp mô phỏng và tính toán:

- Xây dựng mô hình tính toán trong phần mềm MATLAB c) Phân tích và so sánh kết quả thu được:

- Từ kết quả tối ưu thu được, đánh giá hiệu quả của LĐPP về tổn thất công suất, chỉ số ổn định điện áp, và cấu hình điện áp trước và sau khi tối ưu hóa Ngoài ra, do số liệu được lấy từ các hệ thống chuẩn IEEE nên kết quả tính toán cho phép đánh giá hiệu quả của phương pháp dựa trên việc so sánh với các phương pháp khác Qua đó kiểm chứng sự tin cậy của phương pháp đề xuất để giải quyết bài toán tối ưu hóa và khả năng ứng dụng vào thực tiễn vận hành hệ thống điện.

Nội dung nghiên cứu

- Nghiên cứu tổng quan đề tài: tham khảo nghiên cứu trong và ngoài nước, đề xuất mô hình nghiên cứu

- Xây dựng mô hình toán học bài toán tái cấu trúc LĐPP tích hợp nguồn điện phân tán

- Áp dụng thuật toán QOCNNA để giải quyết bài toán tái cấu trúc LĐPP tích hợp nguồn phân tán

- Đánh giá hiệu suất của LĐPP sau khi tái cấu trúc LĐPP và tối ưu vị trí DG áp dụng thuật toán QOCNNA

- Phân tích và so sánh kết quả tối ưu thu được với các nghiên cứu trước đây trong tài liệu

XÂY DỰNG MÔ HÌNH BÀI TOÁN TÁI CẤU TRÚC LĐPP TÍCH HỢP NGUỒN ĐIỆN PHÂN TÁN

Hàm mục tiêu tổn thất công suất tác dụng

Tổn thất công suất tác dụng của LĐPP có thể được xác định như sau:

= =  (1) trong đó N L là tổng số nhánh, P L là tổn thất công suất tác dụng, R k là điện trở của nhánh thứ k và I k là dòng điện của nhánh thứ k.

Hàm mục tiêu chỉ số ổn định điệp áp

Hình 2.1 mô tả sơ đồ đơn giản của một LĐPP Chỉ số ổn định điện áp (voltage stability index - VSI) của nút thứ ((i + 1)) được xác định như sau:

VSI + = V − P X + −Q R + − P R + +Q X + V (2) trong đó X k là điện kháng của nhánh thứ k th

Hình 2.1 Sơ đồ đơn giản của một đường dây

Tổng chỉ số ổn định điện áp (OVSI) của LĐPP có thể được định nghĩa theo phương trình sau:

= (3) trong đó N B là tổng số nút của hệ thống

Sự ổn định của LĐPP được cải thiện khi giá trị OVSI tăng lên Do đó, mục tiêu để tối đa hóa OVSI có thể được đưa ra như sau:

Hàm đa mục tiêu

Trong nghiên cứu này, tổn thất công suất tác dụng và chỉ số ổn định điện áp được tối ưu hóa đồng thời trong một hàm đa mục tiêu Giá trị hàm mục tiêu (Fitness Function - FF) của bài toán tái cấu trúc và tối ưu vị trí DG có thể được xây dựng như sau:

= + (5) trong đó w 1 và w 2 là các trọng số, P L,base và OVSI base là các giá trị của tổn thất công suất tác dụng và chỉ số ổn định điện áp trong trường hợp ban đầu.

Các ràng buộc của hệ thống

Bài toán tái cấu trúc và tối ưu vị trí đặt DG phải thỏa mãn các ràng buộc sau: i Cân bằng công suất: Công suất của LĐPP phải được cân bằng theo phương trình:

+ = + (7) trong đó P S và Q S lần lượt là công suất tác dụng và công suất phản kháng phát ra tại thanh cái; P DG,i và Q DG,i lần lượt là công suất tác dụng và công suất phản kháng của DG thứ i; P D,j và Q D,j lần lượt là công suất tác dụng và công suất phản kháng yêu cầu tại nút phụ tải thứ j; P L,k và Q L,k lần lượt là tổn thất công suất tác dụng và công suất phản kháng của nhánh thứ k; và N DG là cho tổng đơn vị DG ii Giới hạn điện áp nút và công suất nhánh: Giới hạn điện áp nút và công suất nhánh phải nằm trong phạm vi cho phép: min, i i max, i , 1, , B

I  I k = N (9) trong đó V i biểu thị cường độ điện áp tại nút thứ i, V max,i và V min,i lần lượt là các giới hạn điện áp tối đa và tối thiểu của nút thứ i; và I max,k là giới hạn hiện công suất của nhánh thứ k

11 iii Giới hạn công suất DG: Công suất phát DG phải nằm trong giới hạn cho phép:

, max, min, DG i DG i , 1, , DG

P P P i= N (10) trong đó P DGmin,i và P DGmax,i lần lượt là các giới hạn công suất tối thiểu và tối đa của DG thứ i iv Giới hạn mức độ thâm nhập của DG: Tổng mức độ thâm nhập của DG phải nằm trong giới hạn từ 10% đến 60% tổng công suất nhu cầu của phụ tải hệ thống [28]:

     (11) v Ràng buộc cấu hình lưới điện hình tia: Sau khi tái cấu trúc, lưới điện phân phối phải đảm bảo lưới điện hình tia và đáp ứng tất cả các phụ tải [29], [30]:

A (12) trong đó A là ma trận biểu thị sự liên kết giữa các nhánh và các nút trong lưới điện

A ij bằng 1 hoặc −1 nếu nhánh thứ i được kết nối đến/từ nút thứ j, ngoài ra, A ij bằng

ÁP DỤNG THUẬT TOÁN QOCNNA VÀO BÀI TOÁN TÁI CẤU TRÚC LĐPP TÍCH HỢP NGUỒN ĐIỆN PHÂN TÁN

Thuật toán Neural Network Algorithm

Trong không gian tìm kiếm, một tập hợp ban đầu của các giải pháp mẫu X được tạo ra theo ma trận sau:

= (13) trong đó N P là kích thước tập hợp và N là số biến thiết kế của bài toán

Sau khi tập hợp ban đầu được khởi tạo, giá trị hàm mục tiêu của mỗi giải pháp mẫu được xác định Giải pháp mẫu tốt nhất có giá trị hàm mục tiêu tốt nhất được xác định là giải pháp mục tiêu (X Target )

3.1.2 Ma trận trọng số Để tạo ra các giải pháp mới tiềm năng, mỗi giải pháp mẫu được chỉ định một véc tơ trọng số tương ứng, và các ma trận trọng số ban đầu được xác định như sau:

= = (14) trong đó W t là ma trận vuông tại lần lặp thứ t chứa các tham số được tạo ra ngẫu nhiên từ 0 đến 1 trong mỗi lần lặp Để điều khiển độ lệch của của các giải pháp mẫu được tạo ra, tổng các trọng số của một giải pháp mẫu phải đáp ứng các ràng buộc sau:

Sau khi tạo ra các trọng số ban đầu, trọng số tương ứng của giải pháp mục tiêu được gọi là trọng số mục tiêu (W Target ) Các giải pháp mẫu mới tại lần lặp thứ (t +

1) được tạo ra và cập nhật như sau:

Ma trận trong số được cập nhật dựa trên trọng số mục tiêu như sau:

Trong quá trình tối ưu hóa, ma trận trọng số phải thỏa mãn điều kiện ràng buộc của phương trình (15) và (16)

3.1.3 Toán tử bias Để khám phá không gian tìm kiếm, một toán tử bias được sử dụng để điều chỉnh xác suất tạo ra của một giải pháp mẫu trong tập hợp và cập nhật ma trận trọng số Nhờ vào toán tử bias, thuật toán hạn chế sự mắc kẹt tại sự hội tụ cục bộ (thường xảy ra ở các lần lặp đầu tiên)

Hệ số điều chỉnh β xác định xác suất phần trăm của các giải pháp mẫu được điều chỉnh Giá trị ban đầu của β là 1, và giá trị của β được giảm qua các lần lặp như sau [31]:

Khi toán tử bias được giảm một cách tuyến tính, thuật toán có xu hướng tìm kiếm các giải pháp tối ưu quanh giải pháp mục tiêu và tránh sự thay đổi lớn khi tạo ra các giải pháp mẫu trong các lần lặp cuối cùng

3.1.4 Toán tử hàm chuyển chức năng Để cập nhật và tạo ra các giải pháp tốt hơn xung quanh giải pháp mục tiêu:

Trong các lần lặp đầu tiên, toán tử bias có xác suất cao để tạo ra các giải pháp mẫu nhằm khám phá các miền tìm kiếm tiềm năng Tuy nhiên, xác suất của toán tử bias được giảm qua các lần lặp tương ứng, và toán tử chuyển chức năng có xác suất cao hơn để khai thác xung quanh khu vực của các giải pháp tốt nhất

Phương pháp Quasi-Oppositional-based Learning (QOBL)

Lý thuyết của Opposition-based Learning (OBL) được đề xuất bởi Tizhoosh [32] Chiến lược OBL đồng thời xem xét các phỏng đoán hiện có và các phỏng đoán ngược lại của nó để ước tính tốt hơn các giải pháp tìm năng hiện có Hơn nữa, lý thuyết OBL đã được phát triển thành Quasi-Oppositional-based learning (QOBL), cho thấy rằng các số bán đối nghịch có thể hiệu quả hơn các số đối nghich để có được các giải pháp tối ưu toàn cục [33] QOBL được tích hợp vào các phương pháp metaheuristic để cải thiện chất lượng giải pháp và tốc độ hội tụ

Dựa trên tập hợp các giải pháp mẫu X ij , điểm đối nghịch OX ij của X ij sau đó được tạo ra như sau [32]: ij j j ij

Sau đó, điểm bán đối nghịch QOX ij của OX ij được xác định như sau [33]:

LB UB QOX rand   OX  

Trong nghiên cứu này, QOBL được sử dụng trong hai giai đoạn: khởi tạo tập hợp và bước nhảy khởi tạo Đối với giai đoạn khởi tạo tập hợp, thuật toán tạo ra một tập hợp đối nghịch của tập hợp ban đầu được tạo ra ngẫu nhiên Sau đó, tập hợp ban đầu và tập hợp đối nghịch của nó được xem xét đồng thời để xác định các giải pháp tốt nhất cho tập hợp ban đầu Đối với giai đoạn bước nhảy khởi tạo, quá trình tìm kiếm của thuật toán có thể được thúc đẩy để chuyển sang các giải pháp bán đối nghịch có các giá trị hàm mục tiêu tốt hơn Trong giai đoạn này, tỷ lệ nhảy j r được sử dụng để quyết định xem nên chuyển sang các giải pháp bán đối nghịch hay giữ các giải pháp hiện tại.

Phương pháp Chaotic Local Search (CLS)

Trong thuật toán QOCNNA, chuỗi hỗn loạn được sử dụng để tăng khả năng tìm kiếm và ngăn thuật toán mắc kẹt tại tối ưu hóa cục bộ Giá trị ban đầu của hỗn loạn được định nghĩa như sau:

Các giá trị tiếp theo của chuỗi hỗn loạn sử dụng biểu đồ logistic được xác định theo phương trình sau [34]:

Chiến lược tìm kiếm cục bộ hỗn loạn (Chaotic Local Search – CLS) được tích hợp để đẩy nhanh quá trình tìm kiếm bằng cách khám phá vùng lân cận của giải pháp tốt nhất hiện tại Do đó, giải pháp ứng tìm năng mới được tạo ra như sau [35]:

X = X + Z −  X −X (26) trong đó X NewTarget,k và X Target,k lần lượt giải pháp tốt nhất hiện tại và giải pháp tốt nhất mới được tạo ra tại lần lặp hỗ loạn thứ k; X i,k và X j,k là hai giải pháp được lựa chọn ngẫu nhiên từ tập hợp hiện tại; và là biến hỗn loạn tại lần lặp thứ k X NewTarget,k sẽ thay thế X Target,k trong tập hợp nếu giá trị hàm mục tiêu của X NewTarget,k lớn hơn giá trị hàm mục tiêu của X Target,k Chiến lược CLS được thực hiện cho đến khi số lần lặp hỗn loạn (K) được thỏa mãn.

Thuật toán Quasi-Oppositional Chaotic Neural Network Algorithm

Trong nghiên cứu này, thuật toán NNA ban đầu được kết hợp với các chiến lược QOBL và CLS để phát triển một phiên bản cải tiến của NNA được gọi là Quasi- Oppositional Chaotic Neural Network Algorithm (QOCNNA) Ban đầu, QOCNNA tạo ra ngẫu nhiên một tập hợp các giải pháp mẫu X Sau đó, QOBL được sử dụng để tạo tập hợp bán đối nghịch QOX của tập hợp ban đầu Sau đó, QOCNNA kết hợp hai tập hợp X và QOX và sau đó N P giải pháp tốt nhất từ tập hợp kết hợp { X , QOX } được chọn cho tập hợp ban đầu Tiếp theo, quá trình tìm kiếm tương tự như NNA được thực hiện để tạo ra một tập hợp các giải pháp mẫu mới và cập nhật ma trận trọng số Dựa trên tỷ lệ nhảy j r , QOBL có thể được sử dụng để giúp QOCNNA chuyển đổi sang các giải pháp bán đối nghịch tốt hơn của các giải pháp mẫu hiện tại Cuối cùng, chiến lược CLS được thực hiện để thu được giải pháp mục tiêu mới tốt hơn Quá trình tối ưu hóa được thực hiện cho đến khi đáp ứng các tiêu chí dừng

3.5 Áp dụng thuật toán QOCNNA vào bài toán tái cấu trúc LĐPP tích hợp nguồn điện phân tán

3.5.1 Khởi tạo Đối với bài toán tái cấu trúc LĐPP có tích hợp DG, mỗi giải pháp mẫu của tập hợp ban đầu trong thuật toán QOCNNA biểu thị một véc tơ giải pháp bao gồm khóa mở, vị trí và công suất phát của đơn vị DG Do đó, véc tơ giải pháp thứ i được mô tả như sau:

X = S S L L P P i= N (27) trong đó S, L, và P lần lượt biểu thị khóa mở, vị trí và công suất phát của DG, N SW là số lượng khóa mở của lưới điện Để bắt đầu thuật toán QOCNNA, tập hợp ban đầu được khởi tạo ngẫu nhiên trong miền tìm kiếm như sau:

P =P +rand  P −P j= N (30) trong đó S i,min bằng 1 và S i,max bằng độ lớn của véc tơ vòng lặp cơ bản thứ i Lý thuyết của véc tơ vòng lặp cơ bản được đề xuất trong tài liệu [36] L j,min bằng 2, chỉ ra rằng các DG có thể được tích hợp vào tất cả các nút trừ nút thanh cái Theo phương trình (28) và (29), giá trị của các khóa mở (S i ) và vị trí của DG (L j ) được làm tròn do bản chất của chúng là số nguyên

3.5.2 Giá trị hàm mục tiêu

Giá trị hàm mục tiêu (FF) của mỗi giải pháp mẫu có thể thu được như sau: lim 2 lim 2 lim 2

= +  +  + (31) trong đó K là hệ số phạt cho các vi phạm ràng buộc Giá trị giới hạn của các biến phụ thuộc (điện áp nút, dòng điện, và mức độ thâm nhập của DG) được mô tả như sau:

 max max lim min min neáu neáu ngoài ra x x x x x x x x

(32) trong đó x biểu thị giá trị của V i , I k , và PE DG , và x lim biểu thị các giới hạn của chúng

Các quá trình áp dụng thuật toán QOCNNA để giải quyết bài toán tái cấu trúc LĐPP tích hợp DG được đưa ra như sau:

Bước 1: Thu thập dữ liệu cho bài toán SNR-DG bao gồm dữ liệu của lưới điện phân phối (dữ liệu phụ tải và dòng nhánh), giới hạn cho phép đối với các biến điều khiển (khóa mở, vị trí đặt và công suất của DG,) và các ràng buộc vận hành của hệ thống

Bước 2: Chọn các tham số điều khiển của thuật toán QOCNNA (N P , T max, j r , and

Bước 3: Khởi tạo ngẫu nhiên tập hợp ban đầu X gồm N P giải pháp mẫu như Phần

4.1 Thực hiện chiến lược QOBL để tạo ra tập hợp bán đối nghịch QOX

Tính giá trị hàm mục tiêu theo phương trình (31) cho tất cả giải pháp trong tập hợp X và QOX Chọn N P giải pháp tốt nhất từ tập hợp { X , QOX } để thành lập tập hợp ban đầu

Bước 4: Tạo ngẫu nhiên ma trận trọng số ban đầu theo phương trình (14) thỏa mãn các ràng buộc của phương trình (15) và (16);

Bước 5: Xác định giải pháp mục tiêu (X Target) có giá trị hàm mục tiêu tốt nhất và trọng số mục tiêu của nó (W Target) Đặt t = 0;

Bước 6: Bắt đầu vòng lặp, t = t + 1;

Bước 7: Tạo ra và cập nhật các giải pháp mẫu mới sử dụng phương trình (17) và

Bước 8: Cập nhật ma trận trọng số (W) thông qua phương trình (19);

Bước 9: Kiểm tra điều kiện bias Nếu rand ≤ β, thực thi toán tử bias để cập nhật giải pháp mẫu và ma trận trọng số; ngược lại (rand > β), thực thi toán tử hàm chuyển vị để cập nhật vị trí mới của các giải pháp mẫu sử dụng phương trình (21);

Bước 10: Cập nhật hệ số sửa đổi β theo phương trình (20);

Bước 11: Kiểm tra điều kiện hệ số bước nhảy Nếu rand < j r , thực thi chiến lược

QOBL để tạo ra các giải pháp bán đối nghịch của tập hợp hiện tại Tính giá trị hàm mục tiêu của các giải pháp bán đối nghịch và chọn ra các giải pháp tốt hơn cho tập hợp mới

Bước 12: Cập nhật trọng số mục tiêu tương ứng với giải pháp mục tiêu;

Bước 13: Thực thi chiến lược CLS để tạo ra các giải pháp mục tiêu tốt hơn Bước 14: Nếu t ≥ T max, dừng quá trình tối ưu hóa; ngược lại, trở về bước 6

Hình 3.1 mô tả sơ đồ thuật toán QOCNNA để giải quyết bài toán tái cấu trúc LĐPP tích hợp DG

Hình 3.1 Quy trình QOCNNA giải quyết bài toán tái cấu trúc LĐPP tích hợp

KẾT QUẢ MÔ PHỎNG

LĐPP 33 nút

LĐPP 33 nút là một lưới điện quy mô nhỏ với cấp điện áp 12,66 kV, gồm 37 nhánh, 32 khóa thường đóng và 5 khóa thường mở [38] Sơ đồ của LĐPP 33 nút được thể hiện trong Hình 4.1 Đối với cấu trúc ban đầu, tổng công suất tác dụng và công suất phản kháng của phụ tải của LĐPP 33 nút tương ứng là 3,73 MW và 2,3 MVAr

4.1.1 Kịch bản 1: tối thiểu tổn thất công suất tác dụng

Trong kịch bản này, QOCNNA được áp dụng để tối thiểu một hàm mục tiêu duy nhất là tổn thất công suất tác dụng Ba trường hợp khác nhau được xem xét: điều kiện tải thấp (hệ số tải là 0,5), điều kiện tải danh định (hệ số tải là 1,0) và điều kiện tải cao (hệ số tải là 1,6) Bảng 4.1 trình bày chi tiết các kết quả thu được khi ứng dụng thuật toán QOCNNA cho LĐPP 33 nút Hình 4.2 và 4.3 tương ứng mô tả tổn thất công suất tác dụng và cấu hình điện áp cho tất cả trường hợp

Trong điều kiện tải thấp, tổn thất công suất tác dụng ban đầu là 47,07 kW, được giảm xuống lần lượt là 33,2690 kW, 18,1929 kW và 13,5084 kW cho các trường hợp 1, 2 và 3 Do đó, phần trăm giảm tổn thất công suất (PLR) của các trường hợp

1, 2 và 3 tương ứng là 29,331%, 61,3499% và 71,3018% Tương tự, ở điều kiện tải danh định, tổn thất công suất tác dụng ban đầu giảm từ 202,68 kW xuống 139,5513 kW, 75,4237 kW và 54,6942 kW, do đó mức giảm tổn thất công suất là 31,1460%, 62,7863% và 73,0141% tương ứng với trường hợp 1, 2, và 3 Cuối cùng, so với trường hợp ban đầu, mức giảm tổn thất công suất cho các trường hợp

1, 2 và 3 ở điều kiện tải cao lần lượt là 33,7391%, 64,8581% và 74,8134% Ngoài ra, cấu hình điện áp của LĐPP cho tất cả trường hợp cũng được cải thiện đáng kể, như được thể hiện trong Hình 4.3

Từ Bảng 4.1, sự cải thiện về tổn thất công suất và cấu hình điện áp cho trường hợp

2 cao hơn khi so với trường hợp 1 Nó cho thấy rằng việc lắp đặt DG mang lại kết quả tốt hơn về tổn thất công suất so với việc thực hiện tái cấu trúc Cuối cùng, sự kết hợp giữa tái cấu trúc LĐPP và tích hợp DG được nghiên cứu trong trường hợp

3 Như được trình bày trong Bảng 4.1, Hình 4.2 và 4.3, kết quả tối ưu trong trường hợp 3 tốt hơn trường hợp 1 và 2 ở tất cả các điều kiện tải về giảm tổn thất công suất và cải thiện cấu hình điện áp Do đó, sự kết hợp tái cấu trúc LĐPP và tích hợp

DG trong bài toán tối ưu sẽ mang lại kết quả tốt hơn so với việc xem xét từng vấn đề riêng lẻ

Bảng 4.1 Kết quả mô phỏng của QOCNNA cho kịch bản 1 của LĐPP 33 nút

Thông số Điều kiện tải

Thấp (0.5) Danh định (1) Cao (1.6) Trường hợp cơ bản

V min (p.u) 0.9583 0.9131 0.8528 Trường hợp 1 Khóa mở 7-9-14-32-37 7-9-14-32-37 7-9-14-28-32

Bảng 4.2 trình bày so sánh giữa QOCNNA và các phương pháp khác đối với trường hợp 3 của LĐPP 33 nút Ở điều kiện tải thấp, QOCNNA tìm thấy các khóa điện mở là {11-28-31-33-34}, vị trí DG đặt tại các nút 8, 18 và 25 với dung lượng

DG lần lượt là 0,2547MW, 0,2982MW và 0,5616 MW Do đó, QOCNNA thu được tổn thất công suất tác dụng là 13,5084 kW, thấp hơn nhiều so với 15,1660 kW từ NNA, 14,9030 kW từ ALO, 15,17 kW từ EOA [39], 14,51 kW từ IEOA [39], 16,24 kW từ ISCA [28], 17,8 kW từ HSA [19], and 16,22 kW từ FWA [20] trong điều kiện tải này Ở điều kiện tải danh định, QOCNNA đã tối ưu hóa cấu trúc LĐPP với các khóa mở {7-9-14-27-30} Các DG được kết nối tại các nút 12, 25 và 33 tương ứng với dung lượng DG là 0,4822MW, 1,0153MW và 0,7315 MW QOCNNA thu được tổn thất công suất tác dụng tốt nhất cho điều kiện tải này trong số các thuật toán được so sánh Ở điều kiện tải cao, QOCNNA thu được các khóa mở {7-9-14-28- 31} để tạo ra cấu trúc LĐPP tối ưu Các DG được tích hợp vào các nút 12, 25 và

33 với dung lượng DG lần lượt là 0,7318 MW, 1,8961 MW và 0,9386MW Đối với điều kiện tải cao, QOCNNA thu được tổn thất công suất tác dụng thấp nhất (144,9139 kW) so với NNA (158,8140 kW), ALO (158,8809 kW), EOA [39] (152,26 kW), IEOA [39] (148,42 kW), ISCA [28] (167,96 kW), HSA [19] (194,22 kW), và FWA [20] (172,97 kW) Theo Bảng 4.2, QOCNNA thu được độ lệch chuẩn nhỏ hơn so với các giải pháp NNA và ALO, điều này chứng tỏ rằng QOCNNA mạnh mẽ hơn NNA và ALO trong LĐPP này

Từ các so sánh trong Bảng 4.2, QOCNNA cho thấy chất lượng kết quả rất tốt cho LĐPP 33 nút ở tất cả các điều kiện tải Điểm đáng chú ý là sự vượt trội của QOCNNA so với NNA về chất lượng giải pháp, chứng tỏ các chiến lược tích hợp cải tiến góp phần nâng cao khả năng tìm kiếm của QOCNNA Hơn nữa, Hình 4.4 trình bày các đặc tính hội tụ của QOCNNA, NNA và ALO cho trường hợp 3, cho thấy rằng QOCNNA có các đặc tính hội tụ tốt hơn NNA và ALO QOCNNA thể hiện sự cải thiện đáng kể về tốc độ hội tụ trong các lần lặp ban đầu nhờ tích hợp phương pháp CLS, giúp tăng cường khai thác QOCNNA Hơn nữa, QOCNNA tìm ra giải pháp cuối cùng với độ chính xác cao hơn Điều này chứng tỏ rằng việc áp dụng chiến lược QOBL giúp QOCNNA đạt được sự cân bằng tốt giữa thăm dò và khai thác trong các lần lặp sau So với ALO, QOCNNA thực hiện tìm kiếm hiệu

23 quả hơn cho tất cả các trường hợp của kịch bản này dựa trên các giá trị mục tiêu thấp hơn thu được Do đó, QOCNNA cải thiện hiệu suất của nó so với NNA và ALO ban đầu về chất lượng giải pháp và các đặc tính hội tụ

Bảng 4.2 Kết quả so sánh của QOCNNA và các phương pháp khác cho trường hợp 3 của kịch bản 1 của LĐPP 33 nút Điều kiện tải Phương pháp PLR (kW) PLR (%) Độ lệch chuẩn Thấp (0.5) Trường hợp cơ bản

Cao (1.6) Trường hợp cơ bản

Hình 4.2 Tổn thất công suất đối với kịch bản 1 của LĐPP 33 nút

Hình 4.3 Cấu hình điện áp cho kịch bản 1 của LĐPP 33 nút

Hình 4.4 Đặc tính hội tụ của các thuật toán QOCNNA, NNA và ALO cho trường hợp 3 của kịch bản 1 của LĐPP 33 nút

4.1.2 Kịch bản 2: tối ưu hóa đồng thời tổn thất công suất và chỉ số ổn định điện áp

Trong kịch bản 2, QOCNNA được triển khai cho bài toán tái cấu trúc LĐPP tích hợp DG (tức trường hợp 3) cho kịch bản đa mục tiêu (tối thiểu tổn thất công suất và tối đa chỉ số ổn định điện áp OVSI) Các điều kiện tải 0,5 (thấp), 1,0 (danh định), 1,6 (cao) được xem xét Bảng 4.3 hiển thị các kết quả tối ưu mà QOCNNA thu được Mức giảm tổn thất công suất (PLR) cho trường hợp 3 ở ba điều kiện tải lần lượt là 71,5947%, 70,7981% và 71,9608% Trong khi đó, giá trị OVSI được nâng cao lần lượt là 7,2037%, 16,3629% và 30,0315% Có thể thấy rằng tổn thất công suất và giá trị OVSI được cải thiện đáng kể so với trường hợp ban đầu Do đó, QOCNNA có khả năng cung cấp một giải pháp thỏa hiệp tốt để xem xét cả mục tiêu tổn thất công suất và giá trị OVSI Hình 4.5 mô tả cấu hình điện áp của hệ thống đối với ba điều kiện tải cho trường hợp ban đầu và sau khi tối ưu hóa, cho thấy điện áp nút được cải thiện đáng kể Theo đó, điện áp nút tối thiểu được cải thiện tương ứng là 0,9870 p.u., 0,9732 p.u., 0,9565 p.u

Kết quả thu được từ QOCNNA được so sánh với kết quả từ NNA, ALO và ISCA

[28] như trong Bảng 4.3 QOCNNA mang lại tổn thất công suất thấp hơn so với kết quả từ NNA, ALO và ISCA [28] đối với điều kiện tải thấp trong khi giá trị OVSI do QOCNNA thu được tốt hơn một chút so với giá trị từ NNA và ALO, và tốt hơn nhiều so với giá trị từ ISCA [28] Từ kết quả tối ưu, QOCNNA có giải pháp tốt hơn NNA, ALO và ISCA [28] cho cả hai mục tiêu tổn thất công suất và giá trị OVSI trong điều kiện tải thấp Đối với điều kiện tải danh định, tổn thất công suất thu được bởi QOCNNA, NNA, ALO và ISCA [28] lần lượt là 59,1855kW, 61,8983kW, 60,8613kW và 67,57 kW, dẫn đến mức giảm tổn thất công suất (PLR) tương ứng là 70,7981%, 69,4597%, 69,9713% , và 66,66% Do đó, mức giảm tổn thất công suất thu được bởi QOCNNA tốt hơn so với các kỹ thuật khác Tương tự như vậy, các giá trị OVSI (tính bằng p.u.) được tìm thấy bởi QOCNNA, NNA, ALO và ISCA [28] lần lượt là 30.0893, 29.9359, 29.9176 và 29.97 Do đó, QOCNNA có thể cung cấp kết quả tốt hơn cho các mục tiêu tổn thất công suất và chỉ số OVSI so với NNA, ALO và ISCA [28]

LĐPP 69 nút

LĐPP 69 nút có quy mô trung bình với cấp điện áp 12,66 kV, gồm 73 nhánh, 68 khóa thường đóng và 5 khóa thường mở [41] Hình 4.7 mô tả sơ đồ của LĐPP 69 nút Đối với cấu trúc LĐPP ban đầu, tổng công suất tác dụng và công suất phản kháng của phụ tải lần lượt là 3,802 MW và 2,69 MVAr

Bảng 4.4 trình bày các kết quả mô phỏng do QOCNNA cho kịch bản 1 của LĐPP 69 nút Hình 4.8 và 4.9 mô tả tổn thất công suất và cấu hình điện áp cho tất cả các trường hợp của LĐPP 69 nút Trong điều kiện tải thấp, tổn thất công suất ban đầu của hệ thống là 51,60 kW, lần lượt giảm xuống còn 23,6118 kW (trường hợp 1), 17,2558 kW (trường hợp 2) và 8,6804 kW (trường hợp 3) Phần trăm giảm tổn thất công suất (PLR) tương ứng là 54,2446%, 66,5614% và 83,1790% cho

31 trường hợp 1, 2 và 3 Tương tự, ở điều kiện tải danh định và điều kiện tải cao, mức giảm tổn thất công suất của các trường hợp 1, 2 và 3 lần lượt là {56,1741%, 68,5925%, và 84,2802%} và {59,0634%, 71,5085% và 85,7996%}

Theo kết quả tối ưu, mức giảm tổn thất công suất trong trường hợp 3 ở tất cả các điều kiện tải đạt giá trị tốt nhất so với trường hợp 1 và 2 Hơn nữa, điện áp nút tối thiểu của hệ thống đối với trường hợp 1, 2 và 3 ở ba điều kiện tải được cải thiện lần lượt là {0,9754 pu, 0,9878 pu và 0,9904 pu}, {0,9495 pu, 0,9760 pu và 0,9802 pu} và {0,9165 pu, 0,9597 pu và 0,9692 pu} Cấu hình điện áp trong trường hợp 3 được cải thiện tốt hơn so với các trường hợp khác cho tất cả các điều kiện tải, như được thể hiện trong Hình 4.9 Điều này cho thấy các giải pháp của bài toán tái cấu trúc LĐPP tích hợp DG hiệu quả hơn so với các giải pháp chỉ xem xét tái cấu trúc hoặc tích hợp DG trong việc cải thiện các vấn đề điện áp của LĐPP 69 nút

Bảng 4.5 trình bày các so sánh giữa QOCNNA và các phương pháp khác đối với trường hợp 3 của kịch bản 1 của LĐPP 69 nút Ở điều kiện tải thấp, QOCNNA xác định cấu trúc tối ưu với các khóa mở {14-56-61-69-70}, các DG được đặt ở các nút 12, 61 và 64 với các dung lượng DG tương ứng là 0,2079 MW, 0,6963MW và 0,2364MW Tổn thất công suất tác dụng thu được từ QOCNNA là 8.6804 kW, trong khi tổn thất công suất thu được từ NNA, ALO, EOA [39], IEOA [39], ISCA

[28], HSA [19], và FWA [20] lần lượt là 9.6156 kW, 10,5353 kW, 9,4497 kW, 9,03737 kW, 10,02 kW, 11,07 kW và 9,58 kW Theo đó, QOCNNA thu được mức tổn thất công suất thấp nhất so với các phương pháp khác cho điều kiện tải này Ở điều kiện tải danh định, QOCNNA tìm thấy các khóa mở là {14-55-61-69-70} Các DG được lắp đặt trên các nút 12, 61 và 64 với dung lượng DG là 0,4181 MW, 1,3805MW và 0,4827 MW Tổn thất công suất của QOCNNA đạt được đối với trường hợp này là kết quả tốt nhất so với các phương pháp khác Ở điều kiện tải cao, QOCNNA cung cấp cấu trúc tối ưu với các khóa mở {14-58-61-69-70}, vị trí

DG đặt tại các nút 12, 61 và 64 với dung lượng DG tương ứng là 0,5920MW, 2,2781MW và 0,7698MW Tổn thất công suất thu được bởi QOCNNA (92,6570 kW) thấp hơn NNA (97,6747 kW), ALO (99,4677 kW), EOA [39] (106,074 kW), IEOA [39] (100,4148 kW), ISCA [28] (104,5 kW), HSA [19] (104,67 kW), và FWA [20] (102,97 kW) cho điều kiện tải này

Nghiên cứu so sánh trong Bảng 4.5 cho thấy rằng QOCNNA là một phương pháp hiệu quả để giải quyết bài toán tái cấu trúc LĐPP tích hợp DG Cần lưu ý rằng QOCNNA mạnh mẽ hơn NNA và ALO trong việc giải quyết kịch bản này do tìm ra các giải pháp có độ lệch chuẩn thấp nhất cho tất cả các điều kiện tải Hình 4.10 mô tả các đặc tính hội tụ của QOCNNA, NNA và ALO cho kịch bản 1 Từ những số liệu này, QOCNNA đạt được sự hội tụ tốt hơn NNA và ALO

Tối ưu hóa đa mục tiêu gồm tối thiểu tổn thất công suất và tối đa chỉ số ổn định điện áp (OVSI) được nghiên cứu trong kịch bản này Bảng 4.6 liệt kê các kết quả tối ưu mà QOCNNA thu được Mức giảm tổn thất công suất (PLR) thu được lần lượt là 82,7277%, 84,0223% và 85,5659% đối với điều kiện tải thấp, tải danh định và tải cao Tương tự, các giá trị OVSI cho ba điều kiện tải được cải thiện lên lần lượt là 3,9261%, 8,5967% và 14,7118% Từ các kết quả tối ưu sử dụng QOCNNA cho thấy sự cải thiện đáng kể về cả tổn thất công suất và giá trị OVSI Ngoài ra, cấu hình điện áp của hệ thống được nâng cao đáng kể sau khi tối ưu hóa như trong Hình 4.11 Điện áp nút tối thiểu lần lượt là 0,9897 p.u., 0,9798 p.u và 0,9668 p.u., đối với ba điều kiện tải sau khi áp dụng QOCNNA

Kết quả thu được bởi QOCNNA đối với kịch bản 2 của LĐPP 69 nút được so sánh với các phương pháp khác như được trình bày trong Bảng 4.6 Đối với điều kiện tải thấp, QOCNNA có tổn thất công suất là 8.9133kW, thấp hơn so với 10.2143kW từ NNA, 10.2016kW từ ALO và 11.02kW từ ISCA [28] Các giá trị OVSI đạt được bởi QOCNNA, NNA, ALO và ISCA [28] lần lượt là 67.1327, 66.6881, 66.8867 và 67.39 QOCNNA thu được giá trị OVSI cao hơn NNA và ALO, và thấp hơn một chút so với ISCA [28] Tuy nhiên, giá trị hàm mục tiêu của QOCNNA là thấp nhất so với các phương pháp khác Từ các kết quả mô phỏng, QOCNNA tìm ra giải pháp tốt hơn so với NNA, ALO và ISCA [28] cho hai hàm mục tiêu được xem xét

Ngoài ra, QOCNNA thu được tổn thất công suất thấp nhất và giá trị OVSI cao nhất so với NNA, ALO và ISCA [28] đối với các điều kiện tải danh định và điều kiện tải cao Do đó, QOCNNA có hiệu suất tốt hơn các phương pháp khác trong việc tìm kiếm giải pháp thỏa hiệp giữa các hàm mục tiêu Giá trị độ lệch chuẩn mà QOCNNA đạt được cũng thấp hơn nhiều so với giá trị đạt được của NNA và ALO, điều này khẳng định tính mạnh mẽ của nó trong việc giải quyết bài toán tái cấu trúc LĐPP tích hợp DG đa mục tiêu

Hình 4.12 mô tả các đặc tính hội tụ của QOCNNA, NNA và ALO Có thể thấy rằng QOCNNA có tốc độ hội tụ nhanh cho cả ba điều kiện tải Nhìn chung,

QOCNNA đạt hiệu suất vượt trội so với NNA và các phương pháp khác về độ chính xác của giải pháp và tốc độ hội tụ đối với LĐPP 69 nút

Bảng 4.6 Kết quả so sánh của QOCNNA và các phương pháp khác cho kịch bản 2 của LĐPP 69 nút Điều kiện tải

Thông số Trường hợp cơ bản

Hình 4.12 Đặc tính hội tụ của các thuật toán QOCNNA, NNA và ALO cho kịch bản 2 của LĐPP 69 nút.

LĐPP 118 nút

LĐPP 118 nút là một hệ thống quy mô lớn với cấp điện áp 11 kV, gồm 132 nhánh, 118 khóa đóng và 15 khóa mở [12] Hình 4.13 mô tả sơ đồ của LĐPP 118 nút Đối với cấu trúc ban đầu, tổng công suất tác dụng và công suất phản kháng của phụ tải lần lượt là 22,709 MW và 17,041 MVAr

Tương tự như các LĐPP trên, QOCNNA cũng được áp dụng cho LĐPP 118 nút với ba trường hợp ở ba điều kiện tải, trong đó hàm đơn mục tiêu là tối thiểu tổn thất công suất Kết quả mô phỏng được trình bày trong Bảng 4.7 Hình 4.14 và 4.15 lần lượt mô tả tổn thất công suất tác dụng và cấu hình điện áp cho tất cả các trường hợp của LĐPP 118 nút

Trong trường hợp ban đầu, tổn thất công suất ở điều kiện tải thấp, điều kiện tải danh định và điều kiện tải tải cao lần lượt là 297,15 kW, 1298,09 kW và 3799,70 kW Bảng 4.7 cho thấy rằng mức giảm tổn thất công suất đối với trường hợp 1 đến

3 ở điều kiện tải thấp lần lượt là {31,4740%, 53,3198%, 54,2126%} Trong khi đó, ở điều kiện tải danh định và điều kiện tải cao, mức giảm tổn thất công suất cho trường hợp 1, 2 và 3 lần lượt là {34,2087%, 55,7169%, 59,9941%} và {38,7237%, 59,4512%, 63,8563%} Điện áp nút tối thiểu của LĐPP cũng được cải thiện từ

0,9385 p.u., 0,8688 p.u và 0,7673 p.u (trường hợp ban đầu) lên đến 0,9764 pu, 0,9586 pu và 0,9384 pu trong trường hợp 3 Từ kết quả tối ưu, trường hợp 3 có mức giảm tổn thất công suất và cải thiện điện áp nút tối thiểu đáng kể so với trường hợp 1 và 2 ở tất cả các điều kiện tải

Kết quả so sánh QOCNNA, NNA và ALO cho trường hợp 3 của kịch bản 1 của LĐPP 118 nút được trình bày trong Bảng 4.8 Các đặc tính hội tụ của QOCNNA, NNA và ALO được mô tả trong Hình 4.16 Rõ ràng, hiệu suất của QOCNNA là tốt hơn so với NNA và ALO về chất lượng giải pháp và đặc tính hội tụ trong tất cả các trường hợp nghiên cứu QOCNNA cũng có độ lệch chuẩn thấp hơn NNA và ALO, điều này thể hiện sự mạnh mẽ của QOCNNA so với hai phương pháp còn lại Do đó, QOCNNA cho thấy hiệu quả trong việc giải quyết bài toán tái cấu trúc LĐPP tích hợp DG quy mô lớn

V min (p.u) 0.9385 0.8688 0.7673 Trường hợp 1 Khóa mở 23-25-34-39-

V min (p.u) 0.9673 0.9323 0.8864 Trường hợp 2 Khóa mở 118-119-120-

V min (p.u) 0.9775 0.9540 0.9246 Trường hợp 3 Khóa mở 11-23-38-42-

Trong trường hợp này, QOCNNA được áp dụng để tối ưu hóa đồng thời tổn thất công suất và chỉ số ổn định điện áp (OVSI) Bảng 4.9 đưa ra kết quả tối ưu cho kịch bản này Từ Bảng 4.9, QOCNNA không chỉ đạt được phần trăm giảm tổn thất công suất (PLR) là 56,8199%, 57,7960% và 64,1986%, mà nó còn cải thiện giá trị OVSI tương ứng là 4,5563%, 10,1079% và 18,7007% cho điều kiện tải thấp, điều kiện tải danh định và điều kiện cao Như được mô tả trong Hình 4.17, QOCNNA có thể nâng cao hiệu quả cấu hình điện áp của hệ thống, với điện áp nút tối thiểu được cải thiện lên 0,9803 p.u., 0.9591 p.u và 0.9345 p.u đối với điều kiện tải thấp, điều kiện tải danh định và điều kiện cao Theo Bảng 4.9, các giải pháp tối ưu mà QOCNNA thu được cho tất cả các điều kiện tải đều vượt trội hơn so với các giải pháp thu được bởi NNA và ALO đối với cả tổn thất công suất và OVSI Điều này chứng tỏ rằng hiệu suất của QOCNNA tốt hơn của NNA và ALO về sự thỏa hiệp giữa hai hàm mục tiêu Đặc tính hội tụ thể hiện trong Hình 4.18 chứng minh khả năng tìm kiếm toàn cục mạnh mẽ của QOCNNA so với NNA và ALO Hơn nữa, độ lệch chuẩn của các giải pháp do QOCNNA tìm thấy cũng là nhỏ nhất trong số các thuật toán được so sánh

Do đó, QOCNNA có thể giải quyết bài toán tái cấu trúc LĐPP tích hợp DG một cách hiệu quả Hiệu suất tốt của QOCNNA là do sự kết hợp của hai chiến lược tìm kiếm bao gồm CLS và QOBL Trong QOCNNA, phương pháp QOBL được tích hợp để khám phá một khu vực hứa hẹn hơn; trong khi đó, phương pháp CLS được

46 sử dụng để khai thác cục bộ vùng lân cận của các giải pháp tốt nhất nhằm nâng cao độ chính xác của giải pháp Những cách tiếp cận này cải thiện khả năng thăm dò và khai thác của QOCNNA để tránh hội tụ sớm và tránh mắc kẹt tối ưu hóa cục bộ Do đó, QOCNNA có thể tìm ra giải pháp tối ưu với tốc độ hội tụ nhanh hơn

Bảng 4.9 Kết quả so sánh của QOCNNA và các phương pháp khác cho kịch bản

2 của LĐPP 118 nút Điều kiện tải

Thông số Trường hợp cơ bản

Hình 4.18 Đặc tính hội tụ của các thuật toán QOCNNA, NNA và ALO cho kịch bản 2 của LĐPP 118 nút

Tiêu đề	Tái cấu trúc lưới Điện phân phối có tích hợp nguồn Điện phân tán Ứng dụng thuật toán tối Ưu hóa
Tác giả	Trần Văn Thành, Trương Hoàng Bảo Huy
Người hướng dẫn	Nguyễn Hồ Quang, PTS.
Trường học	Trường Đại Học Thủ Dầu Một
Chuyên ngành	Kỹ Thuật – Công Nghệ
Thể loại	Đề tài khoa học và công nghệ cấp trường
Năm xuất bản	2022
Thành phố	Bình Dương

Định dạng
Số trang	96
Dung lượng	9,97 MB